CN117079634B - 一种音频主动降噪方法 - Google Patents

Abstract

本发明公开了一种音频主动降噪方法，涉及主动降噪技术领域，依据音频段的噪声特征，从预先构建的滤波器库中匹配出对应的滤波器，以其分别对各个音频段进行过滤并获取滤后音频，通过测试结果筛选出降噪效果最佳的降噪方案；由降噪后音频的降噪结果建立降噪质量集合，由所述降噪质量集合生成降噪后音频的噪声指数No(n,d)后，若其低于质量阈值，向外部发出预警信息；训练获取瑕疵音频段的噪声模型，对瑕疵音频段的降噪过程进行仿真测试，获取测试方案的修正方案，以修正方案对瑕疵音频段进行降噪，获取降噪后音频。对瑕疵音频进行降噪时针对性更强，提高降噪的效果，使经过一次滤波和两次降噪的音频质量达到最高。

Description

一种音频主动降噪方法

技术领域

本发明涉及主动降噪技术领域，具体为一种音频主动降噪方法。

背景技术

主动降噪是一种通过电子和声学相结合的技术来降低环境噪音的技术，使用特殊的传感器来检测环境中的噪音，然后通过产生相反的声波来消除或减少噪音。例如，在耳机领域，主动降噪技术通常是通过耳机内部的微型电子器件实现的，这些电子器件可以检测环境中的噪音，然后产生相反的声波来消除或减少噪音。除了耳机领域，主动降噪技术还被广泛应用于其他领域，例如计算机、汽车、飞机等。在计算机领域，主动降噪技术可以通过消除环境中的噪音来提高计算机的性能和稳定性。

在申请公布号为CN116246647A的中国发明专利中，公开了一种音频的主动降噪方法、系统、设备及存储介质。方法包括：麦克风接收系统接收外界噪声，生成音频录入值，以及基于录入参数，生成噪声估计值；扬声器播放系统将音频播放值和主动降噪播放值进行叠加处理，得到扬声播放值，以及对扬声播放值进行音频播放处理，生成播放音频；麦克风接收系统接收播放音频通过反馈路径的反馈音频，得到反馈音频值，根据反馈路径估计值和残余算法，生成残余音频值；扬声器播放系统基于LMS算法，利用反馈音频值和音频播放值的卷积，得到新的反馈路径估计值；根据预置固定步长参数，利用新的反馈路径估计值和残余音频值的卷积，得到新的降噪参数。

以上申请通过对比固定滤波器(非自适应)的主动降噪技术，可以自适应识别次级路径，提高降噪的宽度。而对比自适应的主动降噪方法，又考虑到用户听音乐时候需要对降噪系统作出补偿，同时拥有离线自适应的稳定性，又有在线自适应的性能。

但是在现有的主动降噪方法中，在对音频数据进行降噪时，通常是进行多次降噪尝试，并在对降噪方案经过多次参数调整后，完成降噪并获取降噪后的音频，这种降噪方式效果较好，但是效率相对较低，降噪效果难以进行预期。

为此，本发明提供了一种音频主动降噪方法。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供了一种音频主动降噪方法，通过依据音频段的噪声特征，从预先构建的滤波器库中匹配出对应的滤波器，以其分别对各个音频段进行过滤并获取滤后音频，通过测试结果筛选出降噪效果最佳的降噪方案；由降噪后音频的降噪结果建立降噪质量集合，由所述降噪质量集合生成降噪后音频的噪声指数No(n,d)后，若其低于质量阈值，向外部发出预警信息；训练获取瑕疵音频段的噪声模型，对瑕疵音频段的降噪过程进行仿真测试，获取测试方案的修正方案，以修正方案对瑕疵音频段进行降噪，获取降噪后音频。对瑕疵音频进行降噪时针对性更强，提高降噪的效果，使经过一次滤波和两次降噪的音频质量达到最高，从而解决了背景技术中提出的技术问题。

（二）技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种音频主动降噪方法，包括，将获取的音频分割为若干个音频段，在分别进行特征检测后，建立噪声特征库；依据音频段的噪声特征，从预先构建的滤波器库中匹配出对应的滤波器，以其分别对各个音频段进行过滤并获取滤后音频；

使用检测获取的滤后音频的特征参数，在结合Bp神经网络后，训练获取噪声模型，使用训练后的噪声模型对预先建立的降噪方案库内的降噪方案进行仿真测试，通过测试结果筛选出降噪效果最佳的降噪方案，并将其作为选定方案输出；

以选定方案对滤后音频进行降噪，获取降噪后音频，并由降噪后音频的降噪结果建立降噪质量集合，由所述降噪质量集合生成降噪后音频的噪声指数No(n,d)后，若所获取的噪声指数No(n,d)低于质量阈值，向外部发出预警信息；

接收到预警信息后，从降噪后音频的各个音频段中筛选出瑕疵音频段，通过训练获取瑕疵音频段的噪声模型，以匹配的测试方案作为输入，对瑕疵音频段的降噪过程进行仿真测试，获取测试方案的修正方案，以修正方案对瑕疵音频段进行降噪，获取降噪后音频。

进一步，在获取音信息后，沿着时间轴将连续的音频信息均等分割为若干个音频段并分别进行编号，分别对各个音频段的噪声进行特征检测，获取所述音频段内的噪声特征，在将各个音频段所述噪声特征汇总后，建立噪声特征库。

进一步，收集当前已经完成设计的滤波器，并汇总建立滤波器库，使用训练后的相似度模型，依据各音频的噪声特征与滤波器间的对应性，从滤波器库内为各个音频段匹配对应的滤波器，以匹配出的滤波器对相应的音频段噪声进行过滤并获取过滤后的音频段，将各个过滤后音频段拼接后，获取滤后音频。

进一步，对滤后音频进行检测后，获取滤后音频的特征参数，将所获取的特征参数汇总后，生成音频参数集合；使用Bp神经网络建立滤后音频的初始模型，从音频参数集合内抽取部分数据分别作为训练集和测试集，以其对初始模型进行训练和测试，将训练后的初始模型作为噪声模型输出。

进一步，获取若干个音频的降噪方案，并在汇总后建立降噪方案库，依据滤后音频的噪声特征与降噪方案的对应性，结合训练后的相似度模型从降噪方案库中匹配出若干个相应的降噪方案，并将其作为待选方案。

进一步，以待选方案作为输入，使用训练后的噪声模型对滤后音频的降噪进行仿真测试，获取测试后的滤后音频，并选择若干个滤后音频特征作为选定特征，在执行待选方案后，获取各个选定特征的降低比例并将其加总生成降噪总比，以降噪总比最高的待选方案作为选定方案。

进一步，以选定方案对滤后音频进行降噪并获取降噪后音频，对降噪后音频进行检测后，分别获取降噪声频各个音频段的信噪比Sn及总谐波失真Td，将归属于各个音频段的以上两个代表性参数汇总后，获取降噪质量集合；预先为各个噪声参数设置合格标准值后，由降噪质量集合生成降噪后音频的噪声指数No(n,d)；若所获取的噪声指数No(n,d)低于质量阈值，向外部发出预警信息。

进一步，降噪后音频的噪声指数No(n,d)的获取方式如下：将信噪比Sn及总谐波失真Td做线性归一化处理，并将相应的数据值映射至区间内，再依照如下公式：

，

其中，为各个音频段信噪比的均值，/>为信噪比的合格标准值，/>为各个音频段总谐波失真的均值，/>为总谐波失真的合格标准值，权重系数：/>，，且/>，/>，n为子区域的个数，是大于1的正整数，/>为信噪比在i音频段上的值，/>为总谐波失真在i音频段上的值。

进一步，接收到预警信息后，获取降噪后音频的各个音频段的信噪比Sn及总谐波失真Td，将两者分别与对应的合格标准值做比对，将两者均不在合格标准内的音频段标记为瑕疵音频段，剩余的部分作为合格音频段；从降噪方案库中为瑕疵音频段匹配相应的降噪方案，将其作为测试方案；结合瑕疵音频段的特征参数，使用Bp神经网络建立瑕疵音频段的初始模型，并通过训练和测试后，获取训练后的瑕疵音频段的噪声模型输出。

进一步，使用训练后的所述噪声模型，以测试方案作为输入，对瑕疵音频段的降噪过程进行仿真测试，通过对测试方案的各个条件参数进行修改，使修改后的测试方案在执行后，能够将所述瑕疵音频段形成降噪，将修改后的测试方案作为修正方案输出；以修正方案对瑕疵音频段进行降噪，将经过降噪的瑕疵音频段标记为修正音频段输出，将若干个合格音频段和修正音频段拼接在一起，获取降噪后音频。

（三）有益效果

本发明提供了一种音频主动降噪方法，具备以下有益效果：

1、通过当前现有的若干个滤波器与噪声特征间的对应性，针对性的匹配出可对音频进行过滤的滤波器，此时，通过匹配出滤波器对各个音频段进行滤波处理，能够对当前的音频噪声进行初步过滤，形成第一轮降噪，减少音频中的噪声，提高音频质量。

2、依据噪声特征和降噪方案的对应性匹配出对应的待选方案后，通过噪声模型对待选方案进行仿真测试，筛选出降噪效果最佳的作为选定方案，使降噪效果达到最佳，通过仿真测试筛选出选定方案，减少选择降噪方案时做出的无效尝试，在实际降噪时提高降噪效率。

3、以噪声指数No(n,d)对降噪效果进行评价，若是降噪效果达到了预期，在滤波基础上降噪过程结束，若未达到预期，则说明还需要进行进一步的降噪，从而对降噪效果形成保障，而通过形成综合性判断标准，也能够对若干个降噪方案进行具体评价。

4、对所获取的测试方案进行仿真测试，结合测试结果对降噪方案进行修正，在经过若干次的测试后获取针对性的降噪方案，从而在对瑕疵音频进行降噪时针对性更强，能将现有的降噪问题逐渐解决，提高降噪的效果，使经过一次滤波和两次降噪的音频质量达到最高。

附图说明

图1为本发明音频主动降噪方法结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种音频主动降噪方法，包括以下步骤：

步骤一、将获取的音频分割为若干个音频段，在分别进行特征检测后，建立噪声特征库；依据音频段的噪声特征，从预先构建的滤波器库中匹配出对应的滤波器，以其分别对各个音频段进行过滤并获取滤后音频；

所述步骤一包括如下内容：

步骤101、在获取音信息后，沿着时间轴将连续的音频信息均等分割为若干个音频段并分别进行编号，将各个音频段进行有序排列后，分别对各个音频段的噪声进行特征检测，获取所述音频段内的噪声特征，例如，噪声频率、噪声的声波振幅等等，在将各个音频段所述噪声特征汇总后，建立噪声特征库；

步骤102、收集当前已经完成设计的滤波器，并汇总建立滤波器库，使用训练后的相似度模型，依据各音频的噪声特征与滤波器间的对应性，从滤波器库内为各个音频段匹配对应的滤波器，以匹配出的滤波器对相应的音频段噪声进行过滤并获取过滤后的音频段，将各个过滤后音频段拼接后，获取滤后音频；

使用时，结合步骤101及102中的内容：

在获取到音频信息后，识别获取各个音频段的噪声特征，并通过当前现有的若干个滤波器与噪声特征间的对应性，针对性的匹配出可对音频进行过滤的滤波器，此时，通过匹配出滤波器对各个音频段进行滤波处理，能够对当前的音频噪声进行初步过滤，形成第一轮降噪，减少音频中的噪声，提高音频质量。

步骤二、使用检测获取的滤后音频的特征参数，在结合Bp神经网络后，训练获取噪声模型，使用训练后的噪声模型对预先建立的降噪方案库内的降噪方案进行仿真测试，通过测试结果筛选出降噪效果最佳的降噪方案，并将其作为选定方案输出；

所述步骤二包括如下内容：

步骤201、对滤后音频进行检测和识别后，获取滤后音频的特征参数，例如声道、量化位及声音强度等等，将所获取的特征参数汇总后，生成音频参数集合；使用Bp神经网络，在选择网络架构后建立滤后音频的初始模型，从音频参数集合内抽取部分数据分别作为训练集和测试集，以其对初始模型进行训练和测试，并在调整相关参数，对初始模型的精度进行调整修正后，将训练后的初始模型作为噪声模型输出；

步骤202、通过线上的线性检索或者线下的收集，获取若干个音频的降噪方案，并在汇总后建立降噪方案库，依据滤后音频的噪声特征与降噪方案的对应性，结合训练后的相似度模型从降噪方案库中匹配出若干个相应的降噪方案，并将其作为待选方案；

步骤203、以待选方案作为输入，使用训练后的噪声模型对滤后音频的降噪进行仿真测试，获取测试后的滤后音频，选择若干个滤后音频特征作为选定特征，例如噪声强度等，在执行待选方案后，获取各个选定特征的降低比例并将其加总生成降噪总比，以降噪总比最高的待选方案作为选定方案；

使用时，结合步骤201至203中的内容：

在获取滤后音频后，结合滤后音频的各项参数，使用Bp神经网络训练获取噪声模型，从而，在依据噪声特征和降噪方案的对应性匹配出对应的待选方案后，通过噪声模型对待选方案进行仿真测试，筛选出降噪效果最佳的作为选定方案，若是以选定方案对滤后音频进行降噪，则能够使降噪效果达到最佳，同时，通过仿真测试筛选出选定方案，能够减少选择降噪方案时做出的无效尝试，在实际降噪时提高降噪效率。

步骤三、以选定方案对滤后音频进行降噪，获取降噪后音频，并由降噪后音频的降噪结果建立降噪质量集合，由所述降噪质量集合生成降噪后音频的噪声指数No(n,d)后，若所获取的噪声指数No(n,d)低于质量阈值，向外部发出预警信息；

所述步骤三包括如下内容：

步骤301、以选定方案对滤后音频进行降噪并获取降噪后音频，对降噪后音频进行检测后，分别获取降噪声频各个音频段的信噪比Sn及总谐波失真Td，将归属于各个音频段的以上两个代表性参数汇总后，获取降噪质量集合；

步骤302、依据降噪的合格标准，预先为各个噪声参数设置合格标准值，并依照如下方式生成降噪后音频的噪声指数No(n,d)：将信噪比Sn及总谐波失真Td做线性归一化处理，并将相应的数据值映射至区间内，再依照如下公式：

，

其中，为各个音频段信噪比的均值，/>为信噪比的合格标准值，/>为各个音频段总谐波失真的均值，/>为总谐波失真的合格标准值，权重系数：/>，，且/>，/>，n为子区域的个数，是大于1的正整数，/>为信噪比在i音频段上的值，/>为总谐波失真在i音频段上的值。

结合历史数据及降噪的预期，预先为降噪指数设置相应的质量阈值，若所获取的噪声指数No(n,d)低于质量阈值，则说明降噪效果未达到预期，反之，则说明降噪成功，在降噪效果未达到预期时，向外部发出预警信息；

使用时，结合步骤301及302中的内容：

在以获取选定方案对滤后音频进行降噪后，以信噪比Sn及总谐波失真Td作为音频噪声的代表性参数关联生成噪声指数No(n,d)，并以噪声指数No(n,d)对降噪效果进行评价，若是降噪效果达到了预期，在滤波基础上降噪过程结束，若未达到预期，则说明还需要进行进一步的降噪，从而对降噪效果形成保障，而通过形成综合性判断标准，也能够对若干个降噪方案进行具体评价。

步骤四、接收到预警信息后，从降噪后音频的各个音频段中筛选出瑕疵音频段，通过训练获取瑕疵音频段的噪声模型，以匹配的测试方案作为输入，对瑕疵音频段的降噪过程进行仿真测试，获取测试方案的修正方案，以修正方案对瑕疵音频段进行降噪，获取降噪后音频；

所述步骤四包括如下内容：

步骤401、接收到预警信息后，获取降噪后音频的各个音频段的信噪比Sn及总谐波失真Td，将两者分别与对应的合格标准值做比对，将两者均不在合格标准内的音频段标记为瑕疵音频段，剩余的部分作为合格音频段；

步骤402、从降噪方案库中为瑕疵音频段匹配相应的降噪方案，将其作为测试方案；结合瑕疵音频段的特征参数，使用Bp神经网络建立瑕疵音频段的初始模型，并通过训练和测试后，获取训练后的瑕疵音频段的噪声模型输出；

步骤403、使用训练后的所述噪声模型，以测试方案作为输入，对瑕疵音频段的降噪过程进行仿真测试，通过对测试方案的各个条件参数进行修改，使修改后的测试方案在执行后，能够将所述瑕疵音频段形成降噪，将修改后的测试方案作为修正方案输出；

以修正方案对瑕疵音频段进行降噪，将经过降噪的瑕疵音频段标记为修正音频段输出，将若干个合格音频段和修正音频段拼接在一起，获取降噪后音频；

使用时，结合步骤401至403中的内容：

在使用选定方案对滤后音频进行降噪但是未达到相应的效果时，从完成降噪后的音频中筛选出瑕疵音频，在结合训练后的噪声模型的基础上，对所获取的测试方案进行仿真测试，结合测试结果对降噪方案进行修正，在经过若干次的测试后获取针对性的降噪方案，从而在对瑕疵音频进行降噪时针对性更强，能将现有的降噪问题逐渐解决，提高降噪的效果，使经过一次滤波和两次降噪的音频质量达到最高。

需要说明的是，上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (7)

1.一种音频主动降噪方法，其特征在于：包括，

将获取的音频分割为若干个音频段，在分别进行特征检测后，建立噪声特征库；依据音频段的噪声特征，从预先构建的滤波器库中匹配出对应的滤波器，以其分别对各个音频段进行过滤并获取滤后音频；

使用检测获取的滤后音频的特征参数，在结合Bp神经网络后，训练获取噪声模型，使用训练后的噪声模型对预先建立的降噪方案库内的降噪方案进行仿真测试，通过测试结果筛选出降噪效果最佳的降噪方案，并将其作为选定方案输出；

以选定方案对滤后音频进行降噪，获取降噪后音频，并由降噪后音频的降噪结果建立降噪质量集合，由所述降噪质量集合生成降噪后音频的噪声指数No(n,d)后，若所获取的噪声指数No(n,d)低于质量阈值，向外部发出预警信息；

接收到预警信息后，从降噪后音频的各个音频段中筛选出瑕疵音频段，通过训练获取瑕疵音频段的噪声模型，以匹配的测试方案作为输入，对瑕疵音频段的降噪过程进行仿真测试，获取测试方案的修正方案，以修正方案对瑕疵音频段进行降噪，获取降噪后音频；

降噪后音频的噪声指数No(n,d)的获取方式如下：将信噪比Sn及总谐波失真Td做线性归一化处理，并将相应的数据值映射至区间内，再依照如下公式：

，

其中，为各个音频段信噪比的均值，/>为信噪比的合格标准值，/>为各个音频段总谐波失真的均值，/>为总谐波失真的合格标准值，权重系数：/>，/>，且，/>，n为子区域的个数，是大于1的正整数，/>为信噪比在i音频段上的值，/>为总谐波失真在i音频段上的值；

在获取音频信息后，沿着时间轴将连续的音频信息均等分割为若干个音频段并分别进行编号，分别对各个音频段的噪声进行特征检测，获取所述音频段内的噪声特征，在将各个音频段所述噪声特征汇总后，建立噪声特征库；

收集当前已经完成设计的滤波器，并汇总建立滤波器库，使用训练后的相似度模型，依据各音频的噪声特征与滤波器间的对应性，从滤波器库内为各个音频段匹配对应的滤波器，以匹配出的滤波器对相应的音频段噪声进行过滤并获取过滤后的音频段，将各个过滤后音频段拼接后，获取滤后音频。

2.根据权利要求1所述的一种音频主动降噪方法，其特征在于：

对滤后音频进行检测后，获取滤后音频的特征参数，将所获取的特征参数汇总后，生成音频参数集合；使用Bp神经网络建立滤后音频的初始模型，从音频参数集合内抽取部分数据分别作为训练集和测试集，以其对初始模型进行训练和测试，将训练后的初始模型作为噪声模型输出。

3.根据权利要求2所述的一种音频主动降噪方法，其特征在于：

获取若干个音频的降噪方案，并在汇总后建立降噪方案库，依据滤后音频的噪声特征与降噪方案的对应性，结合训练后的相似度模型从降噪方案库中匹配出若干个相应的降噪方案，并将其作为待选方案。

4.根据权利要求3所述的一种音频主动降噪方法，其特征在于：

以待选方案作为输入，使用训练后的噪声模型对滤后音频的降噪进行仿真测试，获取测试后的滤后音频，并选择若干个滤后音频特征作为选定特征，在执行待选方案后，获取各个选定特征的降低比例并将其加总生成降噪总比，以降噪总比最高的待选方案作为选定方案。

5.根据权利要求1所述的一种音频主动降噪方法，其特征在于：

以选定方案对滤后音频进行降噪并获取降噪后音频，对降噪后音频进行检测后，分别获取降噪声频各个音频段的信噪比Sn及总谐波失真Td，将归属于各个音频段的以上两个代表性参数汇总后，获取降噪质量集合；

预先为各个噪声参数设置合格标准值后，由降噪质量集合生成降噪后音频的噪声指数No(n,d)；若所获取的噪声指数No(n,d)低于质量阈值，向外部发出预警信息。

6.根据权利要求5所述的一种音频主动降噪方法，其特征在于：

接收到预警信息后，获取降噪后音频的各个音频段的信噪比Sn及总谐波失真Td，将两者分别与对应的合格标准值做比对，将两者均不在合格标准内的音频段标记为瑕疵音频段，剩余的部分作为合格音频段；

从降噪方案库中为瑕疵音频段匹配相应的降噪方案，将其作为测试方案；结合瑕疵音频段的特征参数，使用Bp神经网络建立瑕疵音频段的初始模型，并通过训练和测试后，获取训练后的瑕疵音频段的噪声模型输出。

7.根据权利要求6所述的一种音频主动降噪方法，其特征在于：

使用训练后的所述噪声模型，以测试方案作为输入，对瑕疵音频段的降噪过程进行仿真测试，通过对测试方案的各个条件参数进行修改，使修改后的测试方案在执行后，能够将所述瑕疵音频段形成降噪，将修改后的测试方案作为修正方案输出；

以修正方案对瑕疵音频段进行降噪，将经过降噪的瑕疵音频段标记为修正音频段输出，将若干个合格音频段和修正音频段拼接在一起，获取降噪后音频。