-
Die
Erfindung bezieht sich auf ein Verfahren und eine Vorrichtung zum
Entmischen akustischer Signale.
-
Das
Entmischen akustischer Signale ist eine Aufgabenstellung in verschiedenen
technischen Bereichen. Das grundlegende Problem besteht darin, daß sich in
einer realen Umgebung stets akustische Signale von verschiedenen
Geräuschquellen
zu einem sonoren Umfeld überlagern.
Akustische Sensoren nehmen in einem solchen Fall stets nur Superpositionen
der verschiede nen akustischen Signale auf. Es besteht dann das Problem,
die verschiedenen miteinander überlagerten
akustischen Einzelsignale zu entmischen bzw. zu trennen.
-
Eine
derartige Aufgabenstellung stellt sich beispielsweise in Verbindung
mit einer Sprachsteuerung von Steuerungselementen. Die Steuerungselemente
können
zum Beispiel in einem Kraftfahrzeug angeordnet sein. Eine Sprachsteuerung
kann dann beispielsweise für
die Bedienung eines Audiosystems, eines elektronischen Orientierungssystems
oder einer Mobilfunk-Telefoneinrichtung in dem Kraftfahrzeug vorgesehen
sein. Bei einer solchen Sprachsteuerung ist es wichtig, daß für den Fall
von gleichzeitig sprechenden Kraftfahrzeuginsassen nur das Sprachsignal
der Bedienperson an das Spracherkennungssystem weitergegeben wird, um
Fehlbedienungen auszuschließen.
Da die Insassen des Kraftfahrzeugs im allgemeinen keine Ansteckmikrofone
benutzen, was die Zuordbarkeit des Sprachsignals der Bedienperson
erleichtern würde,
müssen
die Sprachsignale der Insassen des Fahrzeugs getrennt werden. In ähnlicher
Weise gestaltete Aufgabenstellungen bestehen jedoch nicht nur in
Kraftfahrzeugen, sondern sind von allgemeiner Art bei Anwendungen,
in denen ein akustisches Signal aus einer Superposition von mehreren
akustischen Signalen heraus zu filtern ist.
-
Zum
Trennen/Entmischen der akustischen Signale können unterschiedliche Verfahren
herangezogen werden. Als ein mögliches
Verfahren ist das sogenannte Beamforming bekannt (K. Haddad et.
al.: Capabilities of a beamforming technique for acoustic measurements
inside a moving car, The 2002 Interntional Congress and Exposition
on Noise Control Engineering, Dearborn, MI, USA, 19.-21. August
2002). Beim Beamforming gemäß dem bekannten
Verfahren werden mehrere Mikrofone zu einer Mikrofonanordnung zusammengeschaltet.
Eine auf die Mikrofonanordnung einfallende Schallwelle erzeugt richtungsabhängige Phasendifferenzen zwischen
den erfaßten
Sensorsignalen an den mehreren Mikrofonen. Mit Hilfe der Phasendifferenz
kann eine räumliche
Filterung vorgenommen werden. Als ein Form des Beamforming wird
die Delay-and-Sum-Analyse genannt.
-
Eine
weitere Möglichkeit
zum Trennen akustischer Signale bildet die sogenannte blinde Quellentrennung
(BSS – „Blind
Source Separation").
Bei diesem statistischen Verfahren werden die in den erfaßten Mikrofonsignalen
unterschiedlichen Mischungsverhältnisse
der einzelnen Geräuschquellen
verwendet, um unter Annahme der gegenseitigen statistischen Unabhängigkeit
der Geräuschquellen
den Mischprozeß der
akustischen Signale zu invertieren. Das Problem der blinden Quellentrennung
kann mit Hilfe eines ICA-Verfahrens (ICA – „Independent Component Analysis") gelöst werden.
Die IC-Analyse findet hierbei statistisch möglichst unabhängige akustische
Komponenten aus der Superposition der akustischen Signale.
-
Aufgabe
der Erfindung ist es, ein verbessertes Verfahren und eine verbesserte
Vorrichtung zum Entmischen akustischer Signale anzugeben, bei denen
die Störanfälligkeit
und der Einfluß ungewünschter
Nebengeräusche
beim Entmischen akustischer Signale vermindert ist.
-
Diese
Aufgabe wird erfindungsgemäß durch
ein Verfahren nach dem unabhängigen
Anspruch 1 und eine Vorrichtung nach dem unabhängigen Anspruch 8 gelöst.
-
Die
Erfindung umfaßt
den Gedanken, zum Entmischen von akustischen Signalen ein im Frequenzbereich
ausgeführtes
Null-Beamforming auf Basis eines Delay-and-Sum-Verfahrens zu nutzen,
wobei die Einfallswinkel der akustischen Signale auf die akustischen
Sensoren als frequenzabhängige
Größen verwendet werden.
Auf diese Weise wird ein frequenzabhängiges Beamforming ausgeführt. Im
Vergleich zu herkömmlichen
Beamforming-Verfahren besteht der Vorteil darin, daß nur so
viele Mikrofone benutzt werden müssen, wie
Geräuschquellen
vorhanden sind. Von besonderem Vorteil im Vergleich zu bekannten
Methoden der ICA-basierten
blinden Quellentrennung ist, daß eine
eindeutige Zuordnung der Ausgangssignale zu den einzelnen Geräuschquellen
möglich
ist und des weiteren, daß pro
Frequenzband nur m reellwertige Parameter bestimmt werden müssen, wobei
m der Anzahl der verwendeten Mikrofone entspricht.
-
Mit
Hilfe der Erfindung können
akustische Signale von mehreren Geräuschquellen getrennt und die entmischten
Signale den mehreren Geräuschquellen
jeweils eindeutig zugeordnet werden, wobei es sich um beliebige
Geräuschquellen
handeln kann, die bei verschiedensten technischen Anwendungen auftreten.
-
Die
Erfindung wird im folgenden anhand eines Ausführungsbeispiels unter Bezugnahme
auf eine Zeichnung näher
erläutert.
Hierbei zeigen:
-
1 eine Anordnung mit zwei
Mikrofonen und zwei Geräuschquellen;
und
-
2 eine schematische Darstellung
zur Erläuterung
des Verfahrens zum Entmischen akustischer Signale.
-
1 zeigt eine schematische
Darstellung mit zwei Mikrofonen M1 und M2, die in einem Abstand d angeordnet sind.
Der Abstand d beträgt
vorzugsweise nur einige Zentimeter, sollte jedoch nicht größer als
etwa 1 m sein. Um den Einfluß von
Mehrdeutigkeiten bei der räumlichen
Abtastung zu vermindern, kann der Abstand d zweckmäßig so gewählt werden,
daß der
Abstand d etwa der halben Wellenlänge der maximalen Frequenz
der akustischen Signale von den zu berücksichtigenden Geräuschquellen
entspricht. Die folgende Beschreibung des Ausführungsbeispiels erfolgt unter
Bezugnahme auf die in Figur dargestellte Anordnung mit den beidem
Mikrofonen M1 und M2.
Zum Erfassen akustischer Signale können jedoch beliebige geeignete
Sensoreinrichtungen zum Messen akustischer Signale genutzt werden,
die der Fachmann in Abhängigkeit
von einer gewünschten
Meßwerterfassung
unter den jeweiligen Umgebungsbedingungen des Anwendungsfalls auswählen kann.
Zur Vereinfachung der Darstellung wurde zur Erläuterung des Ausführungsbeispiels
eine Anordnung mit zwei Mikrofonen M1 und
M2 gewählt.
Das Verfahren kann ohne weiteres auch für Anordnungen mit mehr Mikrofonen
erweitert werden.
-
Mit
Hilfe der beiden Mikrofone M1 und M2 werden akustische Signale von zwei Geräuschquellen
Q1 und Q2 empfangen,
bei denen es sich um beliebige Geräuschquellen handeln kann, die
einem Anwendungsfall akustische Signale abgeben, die sich überlagern.
Das im folgenden erläuterte
Verfahren ist jedoch nicht auf Anordnungen mit zwei Geräuschquellen
beschränkt,
sondern kann ohne weiteres vom Fachmann auch für Anwendungsfälle mit
mehr als zwei Geräuschquellen
ausgeführt
werden. Aufgrund der gleichzeitigen Abgabe akustischer Signale durch
die beiden Geräuschquellen
Q1 und Q2 werden
von den Mikrofonen M1 und M2 jeweils
Superpositionen der von den Geräuschquellen
Q1, Q2 abgegebenen
akustischen Signale empfangen. Die in 1 schematisch
dargestellte Anordnung der Mikrofone M1,
M2, die als akustische Sensoreinrichtungen
dienen, und der beiden Geräuschquellen
Q1, Q2 entspricht,
ohne hierauf beschränkt
zu sein, zum Beispiel einer Situation in einem Kraftfahrzeug, bei
dem die beiden Mikrofone M1, M2 im
Frontbereich des Fahrzeugs Beifahrer, beispielsweise integriert
in einen Innenrückspiegel,
vor dem Fahrer und dem angeordnet sind. Der Fahrer und der Beifahrer
oder auch der Fahrer und das Fahrgeräusch im Kraftfahrzeug entsprechen
dann den beiden Geräuschquellen
Q1, Q2. Vergleichbare
reale Bedingungen bestehen in verschiedensten Anwendungsbereichen
grundsätzlich
immer dann, wenn sich die von Geräuschquellen abgegebenen akustischen
Signale aufgrund von Umgebungsbedingungen überlagern.
-
2 zeigt eine schematische
Darstellung, bei der den beiden Mikrofonen M1 und
M2 jeweils ein Verstärker 10, 20 und
ein Analog-Digital-Wandler 30, 40 nachgeschaltet
ist. Sind beide Sprecher gleichzeitig aktiv, überlagern sich die Sprachsignale
an beiden Mikrofonen M1 und M2,
im Signal x1(t) von Mikrofon 1 ist
sowohl Sprachsignal s1(t) als auch Sprachsignal
s2(t) mit jeweils unbekanntem Anteil enthalten.
Die an den beiden Mikrofonen M1, M2 gemessenen akustischen Signale x1(t) und x2(t) ergeben
sich als Überlagerung
von gefilterten Versionen der originalen Sprachsignale. Die Filterung
erfolgt jeweils mit der Impulsantwort zwischen Geräuschquelle
(Sprecher) Q1, Q2 und
Mikrofon M1, M2 und
wird mathematisch durch das Symbol "*" beschrieben. Daraus
folgt für
die Mikrofonsignale: x1(t)=h11·s1(t) + h12·s2(t) (1) x2(t)
= h21·s1(t) + h22·s2 (t)
-
Um
die Quellsignale wieder zu rekonstruieren, ist es nötig, geeignete
Entmischungsfilter zu finden. Probleme dieser An werden vorzugsweise
im Frequenzbereich betrachtet, da sich dann die Filterung mit der Impulsantwort
auf eine Multiplikation mit der entsprechenden Übertragungsfunktion reduziert.
Für die
gemessenen akustischen Signale x1 (t) und
x2 (t) ergibt sich folgende Darstellung
im Frequenzbereich: X1(ω)
= H11(ω)·S1(ω)
+ H12(ω)·S2(ω)
X2(ω)
= H21(ω)·S1(ω)
+ H22(ω)·S2(ω) (2)
-
Die
Transformation in den Frequenzbereich erfolgt mit Hilfe der diskreten
Kurzzeit-Fouriertranformation
(STFT), beispielsweise mit Hilfe von Standard-Parametern (FFT-Länge = 512,
Fensterlänge
= FFT-Länge, Overlap
= 3/4·Fensterlänge, Hanning-Fensterfunktion).
Nach Durchlaufen des Algorithmus werden entmischte frequenzabhängige Ausgangssignale
Y1(ω)
und Y2(ω)
wieder in den Zeitbereich zurücktransformiert
und überlappend
aufaddiert.
-
Ausgehend
von diesen Überlegungen
wird im folgenden die Trennung/Entmischung der beiden Sprachsignale
erläutert
werden. Das Verfahren beruht auf einer im Gegensatz zu den Gleichungen
(1) und (2) etwas vereinfachten Darstellung der Mischung. Vernachlässigt man
die in den Übertragungsfunktionen
H11(ω) bis
H22(ω)
auftretenden Dämpfungsfaktoren
und betrachtet ein Delay-and-Sum-Beamforming Model, würden sich
die Mikrofonsignale aus zeitverzögerten
Versionen der einzelnen Sprachsignale zusammensetzen: x1(t)
= s1(t) + s2(t)
x2(t) = s1(t – τ1)
+ s2(t – τ2) (3)
-
Hierbei
werden nur relative Verzögerungen
betrachtet, also eine Zeitverzögerung
von Null am Mikrofon M
1 angenommen. Im Frequenzbereich
entspricht die Verzögerung
einer Multiplikation mit einem Phasenfaktor, so daß die Überlagerung
wie folgt dargestellt werden kann:
X1(ω) = S1(ω) + S2(ω)
X2(ω)
= e1(φ1,ω)·S1(ω)
+ e2(φ2,ω)·S2(ω) (4) wobei blickrichtungsabhängige Phasenfaktoren
e
1(φ
1,ω)
und e
2 (φ
2,ω)
wie folgt definiert sind:
-
In
Matrixschreibweise ergibt sich hieraus:
X(ω)
= A(ω)·S(ω), (6)mit der Mischungsmatrix
-
Im
Unterschied zum üblichen
Delay-and-Sum-Beamforming wird eine frequenzabhängige Betrachtung durchgeführt, so
daß die
Einfallswinkel φ1 und φ2 für
verschiedene Frequenzen als nicht konstant angenommen werden, was
einer realen Umgebung, beispielsweise in einem Fahrzeug, entspricht,
da durch die Übertragungsfunktion
zwischen Sprecher und Mikrofon zusätzliche Phasendrehungen auf
die Signale wirken. Diese zusätzlichen
Phasendrehungen sind jedoch unbekannt, so daß lediglich von einer ungefähren Einfallsrichtung
ausgegangen werden kann, die sich von Frequenzband zu Frequenzband ändert. Aus
diesem Grund wird das Verfahren frequenzvariiert implementiert,
d.h. die Blickrichtungen φ1 und φ2 werden für jedes Frequenzband ωk (k = 2 bis NFFT/2) separat angepaßt.
-
Insbesondere
für tiefe
Frequenzbereiche können
je nach Umgebungsbedingungen anwendungsfallabhängig Phasendrehungen auftreten,
die größer als
die mit Hilfe des Beamforming- Konzepts
nach Gleichung (5) erfaßbaren
Phasendrehungen sind. In diesem Fall kann eine zusätzliche
Skalierungsfunktion λ(ω) in den Exponenten
der beiden Terme in Gleichung (5) zu einer Verbesserung des Verfahrens
führen.
-
Für jede Frequenz
wird gefordert, daß im
entmischten frequenzabhängigen
Ausgangssignal Y
1(ω) der Anteil von Sprecher
2 (Geräuschquelle
Q
1) gleich Null und der Anteil von Sprecher
1 (Geräuschquelle
Q
1) gleich Eins ist. Für das entmischte frequenzabhängige Ausgangssignal
Y
2(ω)
gilt dementsprechend, daß der Anteil
von Sprecher
1 gleich Null und der Anteil von Sprecher
2 gleich
Eins ist. Diese Bedingung kann durch die Bildung der Inversen der
Mischungsmatrix aus Gleichung (7) realisiert werden. In jedem Frequenzband
gibt es also eine folgendermaßen
definierte Entmischungsmatrix:
wobei
die Phasenfaktoren e
1 und e
2 gemäß Gleichung
(5) definiert sind. Die Ausgangssignale ergeben sich aus Multiplikation
der Entmischungsmatrix mit den Mikrofonsignalen.
Y(ω) = W(ω)·X(ω) (9) -
Für die einzelnen
Ausgangssignale in jedem Frequenzband ergibt sich:
-
Damit
ergibt sich eine wie in 2 gezeigte
Anordnung von zwei parallelen frequenzvarianten Delay and Sum Beamformern,
die auch als Anordnung von zwei parallelen Filter and Sum Beamformern,
deren Filter beide eine Allpaßcharakteristik
aufweisen, interpretiert werden kann.
-
Die
Entmischungsfilter, also die Elemente der Entmischungsmatrix, hängen in
jedem Frequenzband ausschließlich
von den beiden Blickrichtungen φ1(ω)
und φ2(ω)
ab. Die Optimierung dieser beiden Richtungen erfolgt mit Hilfe einer
ICA-Analyse (ICA – „ Independent
Component Analysis").
Hierbei ist stets gewährleistet, daß die Richtung
minimaler Dämpfung
des ersten Sprachsignales die Ausnullungsrichtung des zweiten Sprachsignales
ist. Gleiches gilt umgekehrt für
das zweite Sprachsignal, dessen Blickrichtung gleichzeitig die Ausnullungsrichtung
des ersten Sprachsignals ist.
-
Für den Einsatz
im Kfz ist es günstig,
tieffrequente Störungen
gleich mit herauszufiltern. Zu diesem Zweck wird in der Entmischungsmatrix
ein blickrichtungs- und frequenzabhängiger Dämpfungsfaktor |e
1 – e
2| benutzt. Die endgültige Entmischungsmatrix lautet
dann:
-
In
jedem Frequenzband werden die beiden Blickrichtungen des Beamformers, φ1 und φ2 , so angepaßt, daß die beiden Ausgangssignale
Y1(ω)
und Y2(ω)
des Beamformers (vgl. 2)
im statistischen Sinne möglichst
unabhängig
voneinander sind. Mathematisch betrachtet werden also die Richtungen φ1(ω)
und φ2(ω)
optimiert, so daß die
beiden entmischten frequenzabhängigen
Ausgangssignale Y1(ω) und Y2(ω) möglichst
geringe statistische Abhängigkeiten
voneinander besitzen.
-
Zur
Beurteilung der statistischen Abhängigkeit wird als statistisches
Maß vierter
Ordnung die folgende Kreuzkumulante verwendet:
-
Hierbei
bilden Y ' / 1 und Y ' / 2 mittelwertbefreite, normierte Versionen der entmischten
frequenzabhängigen Ausgangssignale
Y
1(ω)
und Y
2(ω)
-
Die
Kostenfunktion J = Cum(Y ' / 1,Y ' / 2) wird so optimiert, daß die optimalen φ
1(ω)
und φ
2(ω)
folgende Anforderung erfüllen
müssen:
-
Die
Suche nach den optimalen φ
1(ω)
und φ
2(ω)
erfolgt sequentiell für
jedes Frequenzband ω
k (mit k=2 bis NFFT/2) mittels eines Gradientenabstiegs.
Als Startwert in jedem Frequenzband ω
k dienen
die arithmetischen Mittelwerte der bis zu dieser Frequenz gefundenen
Blickrichtungen:
-
Als
Suchrichtung dienen die Realteile der partiellen Ableitungen ∂J/∂φ1 und ∂J/∂φ2.
-
-
Bei
der Berechnung der partiellen Ableitungen wurde der komplexe Vorfaktor
aus Gleichung (11) weggelassen, was folgender Form der Entmischungsmatrix
entspricht:
-
Der
Vorfaktor beeinflußt
nicht den Grad der statistischen Unabhängigkeit, so daß er bei
der Optimierung keine Rolle spielt. Für die tatsächliche Entmischung mit den
optimierten Blickrichtungen muß er
jedoch berücksichtigt
werden, da sich andernfalls die Qualität der entmischten Signale deutlich
verschlechtert.
-
Eine
einfache Erweiterung des erläuterten
Entmischungsverfahrens zur Berücksichtigung
der in der Realität
auftretenden Dämpfunsfaktoren
wird erreicht, wenn die Faktoren e
1 und
e
2 in Gleichung (5) um einen Betragsanteil
erweitert bzw. als komplexe Faktoren mit beliebigem Betrag definiert
werden. Dieses bedeutet, daß abweichend
vom Beamforming-Modell e
1 und e
2 nicht
mehr auf dem Einheitskreis in der komplexen Ebene liegen müssen, sondern
frei variiert werden können.
Wird für
die weitere Optimierung die Kostenfunktion aus Gleichung (12) benutzt,
ergeben sich die Ableitungen nach den konjugiert komplexen Faktoren,
also nach e * / 1 und e * / 2 , wie folgt:
-
Die
bisher gefundenen Blickrichtungen werden als Startwerte benutzt,
und anschließend
werden in der Nachverarbeitung e1 und e2 so optimiert, daß der Grad der statistischen
Unabhängigkeit
zwischen den frequenzabhängigen
Ausgangssignalen Y1(ω) und Y2(ω) ein Minimum
erreicht. In dieser Weise kann das Verfahren als Vorverarbeitungsstufe
für andere
Methoden der blinden Quellentrennung von akustischen Signalen genutzt
werden.
-
Das
beschriebene Verfahren zum Entmischen akustischer Signale basiert
auf zwei parallelen im Frequenzbereich implementierten Delay-and-Sum-Beamformern
(vgl. 2) unter Verwendung
der Signale der beiden Mikrofone M1 und
M2. Die Blickrichtungen der beiden Beamformer
werden so definiert, daß die
Einfallsrichtung der Geräuschquelle
Q1 die Auslöschrichtung für die Geräuschquelle
Q2 ist. Im Unterschied zu üblichen Beamforming-Verfahren sind hierbei
die beiden Einfallsrichtungen nicht für alle Frequenzen gleich. Auf
diese Weise wird eine Anpassung an reale Umgebungsbedingungen in
verschiedensten Anwendungen erreicht, so daß durch die Raumakustik bedingte
zusätzliche
Phasendrehungen ausgeglichen werden. Die frequenzabhängige Einstellung
der beiden Einfallsrichtungen erfolgt mit Hilfe von Kriterien statistischer
Unabhängigkeit. Hierbei
wird gemäß der beispielhaften
Ausführungsform
ein Kriterium vierter Ordnung (Kreuzkumulante) benutzt. Als Maß für statistische
Unabhängigkeit
können
ebenfalls ICA-Kriterien aus der Informations- und Schätztheorie
verwendet werden. Mögliche
Kriterien sind beispielsweise: Maximum Likelihood, Maximum Entropy,
Negentropy, Kurtosis, Minimum Mutual Information, Kernelbasierte
Verfahren, Statistik zweiter Ordnung (mit zusätzlicher Ausnutzung der Nichtstationarität oder Benutzung
linearer Operatoren). Eine weitere Möglichkeit wäre, als Nicht-ICA-Kriterium die Ausnutzung
von Statistik zweiter Ordnung zu verwenden, beispielsweise Kohärenz oder
Kovarianz.
-
Die
in der vorstehenden Beschreibung, den Ansprüchen und der Zeichnung offenbarten
Merkmale der Erfindung können
sowohl einzeln als auch in beliebiger Kombination für die Verwirklichung
der Erfindung in ihren verschiedenen Ausführungsformen von Bedeutung
sein.
