DE3243231C2

DE3243231C2 -

Info

Publication number: DE3243231C2
Application number: DE3243231A
Authority: DE
Inventors: Bernd Dipl.-Ing. 8501 Eckental De Selbach; Peter Dr.-Ing. 8522 Herzogenaurauch-Niederndorf De Vary
Original assignee: Philips Kommunikations Industrie AG
Current assignee: Philips Kommunikations Industrie AG
Priority date: 1982-11-23
Filing date: 1982-11-23
Publication date: 1987-07-02
Also published as: EP0110467A1; EP0110467B1; AU561076B2; AU2154583A; DE3243231A1; EP0110467B2; US4700394A; JPS59105695A; DE3373037D1; CA1203627A

Description

Die Erfindung betrifft ein Verfahren zur Nachführung einer vom Kurzzeitmittelwert des empfangenen Sprachsignals, das von Störsignalen überlagert sein kann, abhängigen Rauschschwelle gemäß dem Oberbegriff der Patentansprüche 1 und 2.

Derartige Verfahren sind z. B. die Vorraussetzung für die Unterdrückung von Störsignalen beim Telefonieren aus akustisch gestörter Umgebung. Während der Sprachpause werden charakteristische Parameter des Störsignales gemessen und dazu verwendet, die Störungen vor der Übertragung möglichst vollständig aus dem zu übertragenden Signal mit adaptiven Filtern herauszufiltern.

Aus der DE-AS 24 55 477, Spalte 10 ist eine Anordnung in analoger Technik zur Erkennung von Sprachpausen bekannt, der folgendes Verfahren zugrunde liegt: Das Sprachsignal wird in gleich lange Abschnitte zerlegt und für jeden Abschnitt wird durch Gleichrichtung und Mittelwertbildung ein Spannungswert gewonnen, der zur mittleren Lautstärke des Abschnittes proportional ist. Schließlich wird durch Mittelwertbildung über mehrere Sprachabschnitte ein weiterer Spannungswert bestimmt, der zur mittleren Gesprächslautstärke proportional ist. Durch einen Vergleich der beiden Mittelwerte wird entschieden, ob ein Abschnitt einer Sprachpause angehört oder nicht.

Bei dieser Pausenerkennung ist unter anderem nicht berücksichtigt, daß z. B. stimmlose Laute zu einem Leistungseinbruch im Sprachsignal führen und die betreffenden Sprachabschnitte deshalb fälschlicherweise als Sprachpausen angesehen werden. Derartige Fehlentscheidungen treten bei dem bekannten Verfahren um so häufiger auf, je stärker das Sprachsignal von Störsignalen überlagert ist.

Aus der Zeitschrift "Frequenz", Band 35, 1981, Heft 10, Seiten 265 bis 270 ist ein Verfahren für die automatische Sprechererkennung bekannt, bei dem die Zeitverläufe von Intensität und Grundperiode der Sprache bestimmt werden. Wie im Abschnitt 4. "Implementierung des Verfahrens" auf Seite 267, rechte Spalte bis Seite 268, linke Spalte beschrieben ist, wird das digitale Sprachsignal in überlappende Segmente unterteilt und zyklisch aufeinanderfolgend werden die Intensität und die Grundperiode bestimmt. Für eine bestimmte Anzahl von Abtastwerten wird dabei zunächst die Intensität berechnet, wobei der berechnete Wert der Intensität mit einer Rauschschwelle verglichen wird, um Sprechpausen mit niedrigem Hintergrundrauschen unterscheiden zu können. Durch die fest vorgegebene Rauschschwelle können Störsignale mit geringer Störleistung und konstanter Periode (z. B. Verstärkerrauschen) bei der Festlegung der Lage der Rauschschwelle berücksichtigt werden.

Weiterhin ist aus der Zeitschrift "IEEE Transactions on Acoustics, Speech and Signal Processing" Vol. ASSP-28, 1980, Nr. 2, Seiten 137 bis 145 ein Verfahren zur Geräuschreduktion bekannt, bei dem eine adaptive Nachführung der Rauschschwelle unter Verwendung eines berechneten Histogramms vorgenommen wird. Zur Schätzung des Betragsspektrums im Sinne eines minimalen, mittleren quadratischen Fehlers, wird der Erwartungswert für zwei Zustände (Sprache und Störung bzw. nur Störung) an festen Frequenzpunkten ermittelt, wobei diesem Verfahren die Annahme zugrundeliegt, daß beide Zustände mit gleicher Wahrscheinlichkeit auftreten und die Störung an einen festen Frequenzpunkt durch einen Gauß-Prozeß zu beschreiben ist.

Die Berechnung der Wahrscheinlichkeitsdichte (Histogramm) erfordert für beispielsweise 128 Frequenzpunkte eine ebenso hohe Anzahl von Speichern und jeweils für die Bestimmung der Rauschschwelle die Berechnung eines vollständigen Histogramms.

Weiterhin ist aus der EP-A1-00 47 589 eine Schaltungsanordnung zur Erkennung von Sprachpausen in einem Sprachsignal bekannt, bei der ein Kurzzeitmittelwert zu bestimmten Taktzeitpunkten eines Taktes bestimmt wird.

Die daraus bekannte Schaltungsanordnung weist eine feste Schwelle und zwei adaptiv nachgeführte Schwellen auf, wobei zur Nachführung der Schwellen das Vorzeichen der jeweiligen Steigung im Sprachsignal ausgenutzt wird.

Die Nachführung der Rauschschwellen erfolgt bei diesem Verfahren um konstante Beträge, so daß die adaptiven Rauschschwellen nicht in Abhängigkeit von eigenen Werten zu vorangegangenen Taktzeitpunkten bestimmt werden. Vorzugsweise wird eine solche Schaltungsanordnung zur Erkennung von Sprachpausen in einem Sprachsignal verwendet, welchem nur schwache Störsignale überlagert sind.

Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur Nachführung einer Rauschschwelle derart anzugeben, daß Fehlentscheidungen im oben erläuterten Sinne vermieden werden und daß eine Sprachpausenerkennung auch dann ermöglicht wird, wenn sich die mittlere Geräuschleistung nur langsam verändert.

Diese Aufgabe wird jeweils durch die im kennzeichnenden Teil der Ansprüche 1 oder 2 angegebenen Verfahrensschritte gelöst. Vorteilhafte Ausgestaltungen geben die Unteransprüche an.

Anhand der in der Zeichnung dargestellten Ausführungsform soll die Erfindung näher beschrieben und erläutert werden.

Es zeigt

Fig. 1 ein Blockschaltbild einer Ausführungsform zur Durchführung des erfindungsgemäßen Verfahrens,

Fig. 2, 3 und 4 Diagramme zur Erläuterung des erfindungsgemäßen Verfahrens.

Im Blockbild nach Fig. 1 werden aus dem an einer Klemme E angelegten, gestörten Sprachsignal durch einen Analog-Digital-Umsetzer A/D zu Abtastzeitpunkten kT _o Abtastwerte x(k) gewonnen, wobei k eine natürliche Zahl und 1/T _o die Abtastfrequenz darstellt. Die Abtastwerte x(k) werden an einen Mittelwertbildner M weitergegeben.

Der Mittelwertbildner M erzeugt zu allen Taktzeitpunkten T(n) mit dem zeitlichen Abstand mT _o aus den Beträgen von m aufeinanderfolgenden Abtastwerten einen sogenannten Kurzzeitmittelwert.

Als Mittelwert ist das arithmetische Mittel aus den Beträgen der Abtastwerte verwendet, da zu dessen Bestimmung der Bausteineaufwand geringer ist als z. B. zur Bildung des quadratischen Mittels. Jeder Kurzzeitmittelwert G(n) ist näherungsweise ein Maß für die mittlere Leistung des gestörten Sprachsignales über einen Zeitraum von etwa 100 ms. Durch diese Angabe und durch die Abtastfrequenz ist auch die Zahl m der Abtastwerte festgelegt, die zur Bestimmung eines der Kurzzeitmittelwerte G(n) erforderlich sind. Wird z. B. das gestörte Sprachsignal mit 10 kHz abgetastet, so muß m etwa 1000 betragen. Jede der Größen G (1), G (2) . . . ergibt sich also aus etwa tausend aufeinanderfolgenden Abtastwerten.

Die Einheit GL der Fig. 1 führt eine Glättung der Folge der Kurzzeitmittelwerte G(n) durch. Näheres über den Zweck und die Art und Weise der Glättung wird weiter unten angegeben.

Parallel zur Glättung wird durch den Block PA der Fig. 1 aus den Kurzzeitmittelwerten ein Schätzwert P(n) für die mittlere Geräuschleistung, d. h. für die mittlere Leistung des Störsignales bestimmt. Genaueres über den Schätzwert P(n) wird ebenfalls weiter unten ausgeführt. Ein Vergleicher V in Fig. 1 vergleicht eine vom Schätzwert P(n) abhängige Schwelle S mit den geglätteten Kurzzeitmittelwerten GG(n). Ist der geglättete Kurzzeitmittelwert GG(n) kleiner als die Schwelle S, wird ein Signal an eine Einheit EN weitergeleitet. Hat die Einheit EN z. B. zu zwei aufeinanderfolgenden Taktzeitpunkten T(n-1) und T(n) ein derartiges Signal erhalten, so läßt sie ihrerseits durch ein eigenes Signal an einer Klemme A das Vorliegen einer Sprachpause erkennen.

Das Diagramm a) der Fig. 2 zeigt ein mögliches Ausgangssignal AM des Mittelwertbildners M, d. h. eine mögliche Folge der Kurzzeitmittelwerte G (1), G (2) . . . In dem Diagramm a) ist das Ausgangssignal AM so normiert, daß sein absolutes Maximum den Wert 1 annimmt. Bei den eingetragenen Amplitudenschwellen handelt es sich um den Schätzwert P(n) (untere Schwelle, unterbrochen gezeichnet) und die Schwelle S (obere Schwelle, durchgezogen). Im Diagramm b) ist schematisch das zugehörige Sprachsignal S mit seinen wahren Pausen P abgebildet. Würde eine Pausenbestimmung aufgrund der Unterschreitung der oberen Amplitudenschwelle im Diagramm a) - diese Pausenbestimmung ist im Diagramm c) abgebildet - vorgenommen werden, so würde sich eine Vielzahl von Fehlentscheidungen ergeben, wie ein Vergleich der Diagramme b) und c) zeigt. Eine Verschiebung der oberen Schwelle nach unten würde zwar dazu führen, daß die im Diagramm c) enthaltenen Leistungseinbrüche, die nicht auf Sprachpausen beruhen, auch nicht angezeigt würden, jedoch würde dann die Aussage über die Pausenlängen erheblich verfälscht werden.

Daher erfolgt vor der Entscheidung auf Pause eine Glättung des Ausgangssignales AM, und zwar entweder mit Hilfe eines linearen Digitalfilters, durch das aus drei aufeinanderfolgenden Kurzzeitmittelwerten G(n), G(n-1) und G(n-2) ein Wert GG(n) des geglätteten Signales erhalten wird, oder mit Hilfe eines Median-Filters.

Bei der linearen Filterung hat sich ein Filter mit den Koeffizienten ¼, ½ und ¼ als günstig erwiesen.

Bei der Medianfilterung werden z. B. fünf aufeinanderfolgende Kurzzeitmittelwerte G(n) . . . G(n-4) der Größe nach geordnet und dann der mittlere Wert als Ausgangswert GG(n) des Filters ausgelesen. Wie das Ausgangssignal des Mittelwertbildners M nach der Glättung mit einem linearen Digitalfilter aussieht, ist dem Diagramm a) der Fig. 3 zu entnehmen. Im Diagramm b) sind wiederum schematisch die wahren Sprachabschnitte und die wahren Pausen des Sprachsignales aufgetragen, und das Diagramm c) zeigt die Sprachabschnitte und Sprachpausen, wie sie sich analog zum Diagramm c) in Fig. 1 ergeben. Durch die lineare Glättung ist die Zahl der Fehlentscheidungen erheblich zurückgegangen, wie der Vergleich von Fig. 2 und Fig. 3 zeigt. Auch bei Glättung mit einem Median-Filter verringert sich - wie dem Diagramm c) der Fig. 4 zu entnehmen ist - die Zahl der Fehlentscheidungen.

Eine weitere Maßnahme, kürzere Leistungseinbrüche im gestörten Sprachsignal nicht als Pausen zu mißdeuten, besteht darin, z. B. einen Leistungseinbruch erst bei zweimaligem Unterschreiten der oberen Amplitudenschwelle in der Fig. 2, 3 oder 4 als Sprachpause anzusehen.

Die in der Fig. 2, 3 und 4 eingezeichneten Amplitudenschwellen werden - wie oben schon angedeutet - von der Einheit PA in Fig. 1 ermittelt, und zwar wird zunächst für jeden Zeitpunkt T(n) der Schätzwert P(n) der Geräuschleistung bestimmt. Diese Größe soll ein ungefähres Maß für die mittlere Leistung des Störsignales sein, wobei die Mittelungszeit in der Größenordnung einer Sekunde liegt.

Weil der Schätzwert P(n) der Geräuschleistung während längerer Sprachpausen - auf deren Erkennung wird weiter unten eingegangen - auf einen aktuellen Wert gebracht wird, liefert das erfindungsgemäße Verfahren auch dann noch gute Ergebnisse, wenn sich die oben erwähnte mittlere Leistung des Störsignales nur langsam verändert, d. h., wenn sie in Zeitintervallen der Größe ein bis zwei Sekunden als stationär anzusehen ist.

Fällt der Zeitpunkt T(n) in eine längere Sprachpause, so wird der Schätzwert P(n) als Linearkombination aus dem vorangegangenen Schätzwert P(n-1) und dem Kurzzeitmittelwert G(n) nach der Gleichung

P(n) = (1-a )P(n-1) + α P(n)

neu bestimmt. Der Wert der in dieser Gleichung auftretenden Konstante α liegt zwischen Null und Eins. Ein typischer Wert für α ist 0,5. Liegt keine längere Sprachpause vor, so wird der vorangegangene Schätzwert beibehalten, d. h. es wird P(n) = P(n-1) gesetzt. Zu Beginn des gesamten Verfahrens wird der Schätzwert zu Null gewählt.

Um die längeren Sprachpausen zu erkennen, wird laufend geprüft, ob die Differenz zweier aufeinanderfolgender Kurzzeitmittelwerte betragsmäßig unter eine Schwelle D fällt. Ist z. B. K mal nacheinander die Ungleichung

|G(n) - G(n-1)| < D = γ G(n)

erfüllt, so wird dieser Umstand als Vorliegen einer längeren Sprachpause gewertet und der neue Schätzwert P(n) nach der oben angegebenen Gleichung bestimmt. Die Schwelle D ist proportional zum Kurzzeitmittelwert G(n) gewählt, um zu gleichen Aussagen zu gelangen, wenn z. B. die Pegel aller Signale verdoppelt würden. Der Proportionalitätsfaktor γ und die Anzahl K sind experimentell so zu bestimmen, daß durch das Erkennungsverfahren möglichst wenige Fehlentscheidungen gefällt werden. Typische Werte sind K = 10 und γ = 1,1.

Ein anderer Weg, einen möglichst guten Schätzwert P(n) für eine langsam veränderliche Geräuschleistung zu erhalten, besteht darin, zu jedem Taktzeitpunkt T(n) eine Vergrößerung des schon vorhandenen Schätzwertes P(n-1) um einen festen Betrag c vorzunehmen, wenn der Schätzwert P(n-1) kleiner als der Kurzzeitmittelwert G(n) ist. Jedes Mal also, wenn die Ungleichung P(n-1) < G(n) erfüllt ist, wird P(n) = P(n-1) + c gesetzt.

Die Konstante c ist so zu wählen, daß der Schätzwert bei ungehinderter Vergrößerung in ein bis zwei Sekunden die Aussteuerungsgrenze erreicht hat. Liegt andererseits der schon vorhandene Schätzwert P(n-1) über dem augenblicklichen Kurzzeitmittelwert G(n), so wird der neue Schätzwert P(n) gegenüber dem vorhandenen erniedrigt, und zwar gemäß der Gleichung

P(n) = (1-β )P(n-1) + β G(n),

die den neuen Schätzwert als Linearkombination des vorangegangenen Schätzwertes und des augenblicklichen Kurzzeitmittelwertes G(n) darstellt. Die Erniedrigung des Schätzwertes läßt sich am deutlichsten erkennen, wenn die Konstante β zu Eins gewählt wird. Dann ergibt sich nämlich P(n) = G(n) < P(n-1). Werte um 0,5 haben sich jedoch für die Konstante β als günstiger erwiesen.

Die Schwelle S, die zur Pausenentscheidung herangezogen wird, ist proportional zum Schätzwert P(n). Typisch für den Zusammenhang zwischen der Schwelle S und dem Schätzwert P(n) ist die Gleichung S = 1,1 P(n).

Claims

1. Verfahren zur Nachführung einer vom Kurzzeitmittelwert des empfangenen Sprachsignals, das von Störsignalen überlagert sein kann, abhängigen Rauschschwelle (Funktion des Schätzwerts der Geräuschleistung), dadurch gekennzeichnet, daß die Nachführung der Rauschschwelle (S) nur dann erfolgt, wenn die Differenz von zu aufeinanderfolgenden Taktzeitpunkten T(n) bestimmten Kurzzeitmittelwerten G(n) betragsmäßig unter einer festen zweiten Schwelle (D) liegt, und daß die Rauschschwelle (S) in Abhängigkeit von dem zum momentanen Taktzeitpunkt T(n) bestimmten Kurzzeitmittelwert G(n) und von der zum vorangegangenen Taktzeitpunkt T(n-1) bestimmten Rauschschwelle (S) dann verändert wird, wenn lückenlos für eine Anzahl K vorangegangener Taktzeitpunkte T(n-1) die Differenz unter der festen zweiten Schwelle (D) lag.

2. Verfahren zur Nachführung einer vom Kurzzeitmittelwert des empfangenen Sprachsignals, das von Störsignalen überlagert sein kann, abhängigen Rauschschwelle (Funktion des Schätzwerts der Geräuschleistung), dadurch gekennzeichnet, daß die Rauschschwelle (S) linear erhöht wird, wenn die zum vorangegangenen Taktzeitpunkt T(n-1) bestimmte Rauschschwelle (S) kleiner dem zum momentanen Taktzeit T(n) bestimmten Kurzzeitmittelwert G(n) ist, und daß die Rauschschwelle (S) andernfalls in Abhängigkeit von dem zum momentanen Taktzeitpunkt T(n) bestimmten Kurzzeitmittelwert G(n) und von der zum vorangegangenen Taktzeitpunkt T(n-1) bestimmten Rauschschwelle (S) abgesenkt wird.

3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß als Kurzzeitmittelwert G(n) das arithmetische Mittel aus den Beträgen der Abtastwerte verwendet wird.

4. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Schätzwert P(n) für die mittlere Geräuschleistung nur dann nach der Gleichung P(n) = (1-α )P(n-₁) + αG(n)mit α als einer ersten Konstanten bestimmt wird, wenn die Differenz der Kurzmittelwerte G(n) - G(n-1) betragsmäßig unter einer zweiten Schwelle (D) liegt und dieser Fall lückenlos für eine Anzahl K vorangegangener Taktzeitpunkte eingetreten ist, und daß andernfalls der Schätzwert P(n) gleich dem vorangegangenen Schätzwert P(n-1) gesetzt wird.

5. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Schätzwert P(n) für die mittlere Geräuschleistung nur dann nach der Gleichung P(n) = P(n-1) + cmit c als einer zweiten Konstanten bestimmt wird, wenn die UngleichungP(n-1) < G(n)erfüllt ist, und daß anderenfalls der Schätzwert P(n) mit einer dritten Konstanten β zuP(n) = (1-β )P(n-1) + β G(n)gewählt wird.

6. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die erste Schwelle (S) proportional zum Schätzwert P(n) gewählt wird.

7. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß ein geglätteter Kurzzeitmittelwert GG(n) aus drei Kurzzeitmittelwerten G(n), G(n-1) und G(n-2) nach der Formel berechnet wird, wobei die Konstanten C _o, C₁, C₂ alle größer oder gleich Null sind und ihre Summe den Wert Eins hat.

8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, daß die Glättung durch ein Median-Filter vorgenommen wird.