CN101043560A - 回声消除器及回声消除方法 - Google Patents

Abstract

本发明涉及一种回声消除器及回声消除方法，该回声消除器包括：用于将来自网络端的数据流解码成远端语音信号并提取短时激励信号以及线性预测编码系数的线性预测解码器；用于接收线性预测编码系数和误差信号，并对误差信号进行去相关处理，以产生去相关的误差信号的去相关滤波器；用于接收远端语音信号、短时激励信号和去相关的误差信号，生成估计回声的自适应滤波器；用于接收近端期望信号和和估计回声并从近端期望信号中减去回声信号，生成误差信号的减法器。通过与LPC声码器的结合，所需的去相关语音信号和对误差信号进行去相关的滤波器系数可直接从声码器中提取和更新，显著降低了算法的计算量，加快了收敛速度。

Description

回声消除器及回声消除方法

【技术领域】

本发明涉及一种回声消除器以及回声消除方法，特别涉及一种采用基于线性预测编码(LPC)声码器的通信系统及终端中使用的回声消除器及回声消除方法。

【背景技术】

近几年来，互联网的发展推动了网络电话和视频会议等VoIP(Voice overInternet Protocol)技术的广泛应用。与此同时，其语音质量也日益受到关注，其中一个最关键的因素就是回声的影响。由于听筒扬声器播放出来的声音被话筒拾取后发回远端，再加上各种延迟的影响，使得远端谈话者能听到自己的回声，严重影响了通话的质量。

目前解决这一问题最有效的方法是采用自适应滤波器来构造如图1所示的声学回声消除系统，通过自适应滤波器模拟回声路径，使其冲激响应与实际回声路径接近，从而得到回声预测信号，再将预测信号从近端采样的语音信号中减去，即可实现回声消除。

在实际应用中比较典型的自适应算法包括：基于最小平方准则的LMS(LeastMean Square)算法及其变体NLMS(Normalized LMS)算法、基于最小二乘法的RLS(Recursive Least Square)算法、仿射投影APA(affine projection algorithm)算法、快速横向滤波FTF(Fast Transverse Filter Algorithm)自适应算法、块自适应算法(Block-Adaptive Algorithm)、基于小波包子带分解的算法以及加前置去相关滤波器的算法。

NLMS算法具有算法简单，运算量小，易于实现的优点，因而得到广泛应用。但其收敛速度和输入信号的协方差矩阵的特征值分布成反比，对于冲击响应比较长的应用，收敛速度比较慢。当输入到自适应滤波器中的信号是像语音等一类相关性很强的信号时，算法的收敛速度会显著降低，从而影响回声抵消的质量，以致不能有效地消除回声。而其它改进方法，例如普遍采用的通过前向预测滤波器对输入信号进行预处理进而减弱信号的相关性的方法虽然能够显著提高算法的收敛速度，但需要不断地进行计算和更新滤波器系数，增加了额外计算量。另外，在一个时变的、非稳定的语音环境当中，NLMS算法对步长因子的控制不太理想，它以瞬时值代替最陡梯度法中的期望值，必然会带来稳态失调误差的随机波动，从而会影响算法的性能，降低回声消除的效果。因此，有必要对其进行进一步优化。

【发明内容】

为了解决现有技术的回声消除器对于强相关信号的收敛数度较慢或计算量较大的技术问题，本发明提供了一种结合线性预测编码声码器的回声消除器，以降低算法的计算量和提高收敛速度，从而改善回声消除器的性能。此外，本发明还提出了一种提供可变步长的方法，以提高回声消除器的收敛速度和减小稳态失调误差。

本发明解决现有技术的回声消除器对于强相关信号的收敛数度较慢或计算量较大的技术问题所采用的技术方案是：提供一种回声消除器，该回声消除器包括：用于将来自网络端的数据流解码成远端语音信号并提取短时激励信号以及线性预测编码系数的线性预测解码器；用于接收线性预测编码系数和误差信号，并对误差信号进行去相关处理，以产生去相关的误差信号的去相关滤波器；用于接收远端语音信号、短时激励信号和去相关的误差信号，生成估计回声的自适应滤波器；用于接收近端期望信号和和估计回声并从近端期望信号中减去回声信号，生成误差信号的减法器。

根据本发明的一优选实施例，近端期望信号由远端语音信号经实际回声路径产生的实际回声与近端语音叠加而成。

根据本发明的一优选实施例，自适应滤波器包括归一化最小均方控制器和步长控制模块。

根据本发明的一优选实施例，步长控制模块控制自适应滤波器的步长因子，使步长因子的改变和均方误差的梯度成反比例。

根据本发明的一优选实施例，去相关滤波器将线性预测编码系数作为去相关系数对误差信号进行去相关处理。

本发明解决现有技术的回声消除器对于强相关信号的收敛数度较慢或计算量较大的技术问题所采用的另一技术方案是：提供一种回声消除方法，该回声消除方法包括：.利用线性预测解码器对来自网络端的数据流进行解码，生成远端语音信号并提取短时激励信号以及线性预测编码系数；利用去相关滤波器利用线性预测编码系数对误差信号进行去相关处理，产生去相关的误差信号；.利用自适应滤波器根据短时激励信号和去相关的误差信号对远端语音信号进行自适应滤波，生成估计回声；利用减法器从近端期望语音信号中减去回声信号，生成误差信号。。

根据本发明的一优选实施例，近端期望信号由远端语音信号经实际回声路径产生的实际回声与近端语音叠加而成。

根据本发明的一优选实施例，自适应滤波器包括归一化最小均方控制器和步长控制模块。

根据本发明的一优选实施例，步长控制模块控制自适应滤波器的步长因子，使步长因子的改变和均方误差的梯度成反比例。

根据本发明的一优选实施例，去相关滤波器将线性预测编码系数作为去相关系数对误差信号进行去相关处理。，

通过与LPC声码器的结合，所需的去相关语音信号和对误差信号进行去相关的滤波器系数可直接从声码器中提取和更新，显著降低了算法的计算量，加快了收敛速度。同时采用梯度下降法实现对步长因子的最优化控制，加快了NLMS算法的收敛速度，提高了时变系统中的跟踪能力和降低了稳态失调误差。而通过两者的结合，极大地提高了自适应算法的性能和回声消除的效果。

【附图说明】

图1是现有技术基回声消除器的结构框图；

图2是基于LPC解码器的语音合成模型的结构框图；

图3是本发明的回声消除器一实施例的结构框图；

图4是回声路径冲激响应；

图5是针对图4所示回声路径一实施例的ERLE值与失调值对比；。

图6是针对图所示回声路径另一实施例的ERLE值对比。

【具体实施方式】

下面结合附图和实施例对本发明进一步说明。

本发明给出的算法是基于NLMS算法，为了提高收敛速度和降低均方误差，在它的基础上增加了去相关和变步长两种功能。

如图2所示，图2是基于LPC的声码器解码端的语音合成模型的结构框图。目前语音压缩编码主要是基于线性预测编码(LPC)原理。LPC(linear predictioncoding)是最基本的混合编码模型，并由此衍生出了多MELP(混合激励线性预测)、CELP(码本激励线性预测)、MBE-LPC(多带激励线性预测)、MPE-LPC(多脉冲激励线性预测)及RPE-LPC(规则脉冲激励线性预测)等等。因此，VoIP常用的语音编码标准大多基于LPC原理。如ITU-T制定的G.729，G.723.1基于ACELP(代数码本激励线性预测)，G.728基于LD-CELP(低时延码本激励线性预测)，GSM基于RAE-LTP(规则脉冲激励长期预测)，CDMA基于QCELP(量化码本激励线性预测)。基于LPC的各种声码器只是激励源的生成方法不同，但语音合成模型都是一样的。。

图3为本发明的回声消除器的结构框图。在本发明的回声消除器中，线性预测解码器将来自网络端的数据流解码成远端语音信号x(n)并提取处短时激励信号u(n)以及线性预测编码系数a_i。远端语音信号x(n)经过实际回声路径h(n)产生实际回声y(n)，y(n)和近端语音r(n)相叠加，产生近端期望信号d(n)，近端期望信号d(n)通过减法器与自适应滤波器输出的估计回声y′(n)相减，得到误差信号e(n)；同时，短时激励信号u(n)以及线性预测编码系数a_i分别输入到自适应滤波器和去相关滤波器作为自适应滤波参数和去相关参数。去相关滤波器接收线性预测编码系数a_i和误差信号e(n)，并以a_i为去相关系数对误差信号e(n)进行去相关处理，以产生去相关的误差信号e_f(n)；自适应滤波器接收远端语音信号x(n)、短时激励信号u(n)和去相关的误差信号e_f(n)，根据短时激励信号u(n)和去相关的误差信号e_f(n)对远端语音信号x(n)进行自适应滤波，生成估计回声y′(n)。自适应滤波器由NLMS控制器和步长控制模块所组成。

由图2可知，远端语音信号 $x\left(n\right)=u\left(n\right)-\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{a}_{i}x(n-i)...\left(1\right)$

变型后可得： $u\left(n\right)=\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{a}_{i}x(n-i),a_0=1...\left(2\right)$

标准的NLMS算法如下式所示：

e(n)＝d(n)-x^T(n)w(n)                            (3)

$w(n+1)=w\left(n\right)+\frac{\mathrm{\μ}}{\mathrm{\γ}+x^T\left(n\right)x\left(n\right)}e\left(n\right)x\left(n\right)...\left(4\right)$

其中，μ为控制失调的固定收敛因子，γ是为避免x^T(n)x(n)过小导致步长值太大而设置的参数。

为了得到去相关的输入信号和误差信号，可采用多阶的FIR滤波器来实现，分别由(5)(6)两式给出：

$x_f\left(n\right)=\underset{i=0}{\overset{M}{\mathrm{\Σ}}}p\left(i\right)x(n-i)...\left(5\right)$

$e_f\left(n\right)=\underset{i=0}{\overset{M}{\mathrm{\Σ}}}p\left(i\right)e(n-i)...\left(6\right)$

比较(2)式和(5)式可以发现，两式具有同样的形式，因此u(n)正好是所需要的去相关的输入信号x_f(n)，而当前语音帧的LPC系数a_i正好为去相关FIR滤波器的系数p(i)。因此，去相关的NLMS算法(NLMS-pw)可以由(7)(8)(9)式给出：

e(n)＝d(n)-x^T(n)w(n)                            (7)

$e_f\left(n\right)=\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{a}_{i}e(n-i)...\left(8\right)$

$w(n+1)=w\left(n\right)+\frac{\mathrm{\μ}}{\mathrm{\γ}+u^T\left(n\right)u\left(n\right)}{e}_f\left(n\right)u\left(n\right)...\left(9\right)$

从图6所示的仿真结果来看，与标准的NLMS算法比较，收敛速度有明显的提高。但还可以看出NLMS对步长因子μ的调节不太理想，因此，为了获得更快的收敛速度和更小的失调误差，需要更有效的可变步长算法。

自适应滤波算法的难点是算法中需要选择合适的步长，然而最优步长的选取和输入信号的特征密切相关，尤其是在时变的系统当中很难做到。

为了更好地解决这个问题，可采用梯度下降法来控制步长，其原理是：步长的改变和均方误差的梯度成反比例，即

$\mathrm{\μ}\left(n\right)=\mathrm{\μ}(n-1)-\frac{\mathrm{\ρ}}{2}\frac{\∂}{{\∂}_{\mathrm{\μ}(n-1)}}{e}^2\left(n\right)...\left(10\right)$

μ(n)＝μ(n-1)+ρe(n)e(n-1)x^T(n-1)x(n)        (11)

整理后即可得到以下两式：

j(n)＝e^T(n-1)x(n-1)                           (12)

μ(n)＝μ(n-1)+ρe(n)x^T(n)j(n)                (13)

其中μ(n)为步长调节因子，ρ为步长相关因子。

实验证明，自适应滤波器在开始时具有很快的收敛速度，然后步长因子平滑减小，从而降低失调误差；在时变的环境中，算法具有很好的跟踪性能。

由于e(n)和x(n)之间有较大的相关性，可变步长算法的性能仍然受输入信号的相关性的影响，我们对其输入进行去相关及归一化处理，由(14)(15)两式给出：

j(n)＝e_f ^T(n-1)u(n-1)                        (14)

其中，ρ为小数值正常数，η是为避免x^T(n)x(n)过小导致步长值太大而设置的参数。

综上所述，以(15)式中的μ(n)替代(9)式中的μ，即可得到本发明所提出的新的去相关可变步长LMS算法(VSNLMS-pw)。

算法由(16)(17)(18)(19)(20)(21)式给出：

e(n)＝d(n)-x^T(n)w(n)                       (16)

$e_f\left(n\right)=\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{a}_{i}e(n-i)...\left(17\right)$

(n)＝e_f ^T(n-1)u(n-1)                       (18)

u(n)＝u(n)/[η+u^T(n)u(n)]                   (19)

μ(n)＝μ(n-1)+ρ[e_f(n)u(n)(n)]           (20)

w(n+1)＝w(n)+μ(n)e_f(n)u(n)                 (21)

其中(16)式通过去相关语音信号u(n)和期望信号d(n)得到误差信号e(n)，(17)式对e(n)进行去相关处理，(18)式给出均方误差的梯度，(19)式对u(n)归一化，(20)式为步长因子μ(n)更新方程，(21)式为滤波器系数w(n)的更新方程。

仿真测试时采用基于G.729的声码器，回声路径的冲激响应的长度选为N＝800，步长初值μ＝0.025。回声消除器的性能由其自适应滤波器的收敛速度与深度决定，即跟踪回声路径反应的快慢和回声抵消量。衡量性能的指标为：

1.回声返回损耗增益值ERLE(echo return loss enhancement)，反映的是原回声信号与剩余回声残差的比值。ERLE值越高，表明回声消除性能越好。

erle(n)＝10lg{E[d²(n)]/E[e²(n)]}                    (26)

2.失调(Misalignment)，也称“系统距离”(system distance)，反映的是回声消除器中自适应FIR滤波器h′(n)对真实回声路径h(n)的逼近程度，失调值越低，表明自适应滤波器匹配得越好。

$\mathrm{dist}\left(n\right)=101g[{\mathrm{\Σ}}_{i=0}^{N-1}\mathrm{\Δ}{h}_n\left(i\right)/{\mathrm{\Σ}}_{i=0}^{N-1}h\left(i\right)...\left(27\right)$

图4是回声路径的冲激响应图，长度N＝800(100ms)，命名为H1和H2；图5是针对图4中回声路径H1仿真得到的结果，由图中可以看到，VSNLMS-pw，NLMS-pw两种算法均比标准的NLMS算法有更高的ERLE值和更小的失调值，而VSNLMS-pw改善的效果更为显著。图5是针对图4中时变的回声路径H2的仿真结果，测试算法的跟踪性能。实验结果表明，本发明的回声消除器的跟踪性能要明显优于其它两种算法。

本发明提出的声学回声抵消算法和结构在收敛速度和跟踪性能方面与其它去相关自适应滤波算法相比都有显著的提高和改善，适用于目前广泛使用的采用LPC编码声码器的网络通信系统和终端。本发明可应用于含有基于LPC编码声码器的通信终端，VoIP语音通信网络和移动通信等多种应用场合。

上述的详细描述仅是示范性描述，本领域技术人员在不脱离本发明所保护的范围和精神的情况下，可根据不同的实际需要设计出各种实施方式。

Claims (10)

1.一种回声消除器，其特征在于：所述回声消除器包括：

线性预测解码器，用于将来自网络端的数据流解码成远端语音信号并提取短时激励信号以及线性预测编码系数；

去相关滤波器，用于接收所述线性预测编码系数和误差信号，并对所述误差信号进行去相关处理，以产生去相关的误差信号；

自适应滤波器，用于接收所述远端语音信号、所述短时激励信号和所述去相关的误差信号，生成估计回声；

减法器，用于接收近端期望信号和和所述估计回声并从所述近端期望信号中减去所述回声信号，生成所述误差信号。

2.根据权利要求1所述的回声消除器，其特征在于：所述近端期望信号由所述远端语音信号经实际回声路径产生的实际回声与近端语音叠加而成。

3.根据权利要求1所述的回声消除器，其特征在于：所述自适应滤波器包括归一化最小均方控制器和步长控制模块。

4.根据权利要求3所述的回声消除器，其特征在于：所述步长控制模块控制所述自适应滤波器的步长因子，使所述步长因子的改变和均方误差的梯度成反比例。

5.根据权利要求1所述的回声消除器，其特征在于：所述去相关滤波器将所述线性预测编码系数作为去相关系数对所述误差信号进行去相关处理。

6.一种回声消除方法，所述回声消除方法包括：

a.利用线性预测解码器对来自网络端的数据流进行解码，生成远端语音信号并提取短时激励信号以及线性预测编码系数；

b.利用去相关滤波器利用所述线性预测编码系数对误差信号进行去相关处理，产生去相关的误差信号；

c.利用自适应滤波器根据所述短时激励信号和所述去相关的误差信号对所述远端语音信号进行自适应滤波，生成估计回声；

d.利用减法器从近端期望语音信号中减去所述回声信号，生成所述误差信号。。

7.根据权利要求6所述的回声消除方法，其特征在于：所述近端期望信号由所述远端语音信号经实际回声路径产生的实际回声与近端语音叠加而成。

8.根据权利要求6所述的回声消除方法，其特征在于：所述自适应滤波器包括归一化最小均方控制器和步长控制模块。

9.根据权利要求8所述的回声消除方法，其特征在于：所述步长控制模块控制所述自适应滤波器的步长因子，使所述步长因子的改变和均方误差的梯度成反比例。

10.根据权利要求1所述的回声消除方法，其特征在于：所述去相关滤波器将所述线性预测编码系数作为去相关系数对所述误差信号进行去相关处理。

Images