DE4243831A1

DE4243831A1 - Verfahren zur Laufzeitschätzung an gestörten Sprachkanälen

Info

Publication number: DE4243831A1
Application number: DE4243831A
Authority: DE
Inventors: Klaus Dr Linhard
Original assignee: Daimler Benz AG
Current assignee: Mercedes Benz Group AG
Priority date: 1992-12-23
Filing date: 1992-12-23
Publication date: 1994-06-30
Also published as: US5479517A; DE59309463D1; EP0612059B1; EP0612059A2; EP0612059A3

Description

Die Erfindung betrifft ein Verfahren nach dem Oberbegriff des Patentanspruchs 1.

Ein derartiges Verfahren findet Verwendung bei automati schen Spracherkennungssystemen oder für Freisprechanlagen z. B. in Büroräumen, Kraftfahrzeugen etc.

Gestörte Sprache ist besser erfaßbar, wenn sie mit zwei oder mehreren Kanälen aufgezeichnet wird. Der Mensch be nutzt zwei Kanäle, seine beiden Ohren. Durch eine psy choakustische Nachverarbeitung wird bei ihm die Richtung des Sprechers ermittelt und die Hintergrundstörung ausgeblendet. Bei technischen Geräten können zwei oder mehrere Kanäle zur Aufzeichnung verwendet werden. Diese Signale können dann mit einer digitalen Si gnalverarbeitung aufbereitet werden.

Ein wesentlicher Aspekt der mehrkanaligen Verarbeitung ist die Schätzung des Laufzeitunterschiedes der einzelnen Kanäle. Ist der Laufzeitunterschied bekannt, kann die Richtung des Schallereignisses (Sprecher) ermittelt wer den. Die Signale der einzelnen Kanäle können entsprechend laufzeitkorrigiert und weiterverarbeitet werden. Werden z. B. nicht korrigierte Signale zu einem Summensignal zu sammengefaßt, können sich einzelne spektrale Anteile des Signals durch Interferenz verstärken, dämpfen oder auslö schen.

Ein Verfahren zur automatischen Ermittlung der Laufzeitun terschiede zweier Mikrofone ist aus einer Veröffentlichung von M. Schlang, ITG-Fachtagung 1988, Bad Nauheim S. 69-73 bekannt. Es arbeitet im Zeitbereich. Jedoch ist dieses Verfahren bei starken Störungen nicht anwendbar.

Der Erfindung liegt deshalb die Aufgabe zugrunde ein Ver fahren zur Laufzeitschätzung für ein Spracherkennungssy stem anzugeben, das auch bei starken Hintergrundgeräuschen anwendbar ist, für ein Mehrkanalübertragungssystem ge eignet ist und zeit- und kostensparend arbeitet.

Die Aufgabe wird gelöst durch die im kennzeichnenden Teil des Patentanspruchs 1 angegebenen Merkmale. Vorteilhafte Ausgestaltungen und/oder Weiterbildungen sind den Unteran sprüchen zu entnehmen.

Die Erfindung wird anhand eines Ausführungsbeispiels be schrieben unter Bezugnahme auf schematische Zeichnungen.

In Fig. 1 wird anhand eines Blockschaltbilds die Phasen schätzung erläutert.

Fig. 2 gibt für ein Fahrgeräusch von 140 km/h eine Darstel lung der Größen S_B, S_I, S_N und g in Abhängigkeit von der Zeit an.

In der vorliegenden Erfindung wird ein 2-kanaliger Lauf zeitausgleich vorgestellt. Die Erweiterung auf mehrere Kanäle ist mit dem entsprechenden Mehraufwand leicht mög lich. Der Laufzeitausgleich ist ein Teil der Signalvorver arbeitung einer mehrkanaligen Geräuschreduktion, die z. B. für einen Spracherkenner im Fahrzeug verwendet werden kann.

Die Laufzeit wird im Frequenzbereich ermittelt. Dies er möglicht eine einfache Laufzeitkorrektur durch die Multi plikation des Spektrums mit der neuen Phase und führt zu einem geringen Rechenaufwand.

Die Sprach- und Geräuschaufnahmen zur Entwicklung und Be wertung des vorliegenden Verfahrens wurden in einem Fahr zeug mit zwei Mikrofonen durchgeführt. Die Störung ist das Fahrgeräusch bei verschiedenen Fahrsituationen.

Mit dem erfindungsgemäßen Verfahren werden im Frequenzbe reich die Phasen an einer Anzahl von Maxima der Kreuzkor relation bestimmt. Die Hintergrundstörung und das Ein schwingverhalten des Raumes werden ständig mitgeschätzt. Die einzelnen Phasenwerte werden nur zu Beginn eines Ein schwingvorgangs verarbeitet und wenn das Hintergrundge räusch um einen gewissen Faktor überschritten wird. Bei der Weiterverarbeitung der Phasenwerte wird eine lineare Phasenbeziehung vorausgesetzt und die Varianz der Schät zung wird bei der Glättung der Werte mitberücksichtigt. Die Berücksichtigung des Einschwingvorgangs des Raumes führt dazu, daß nur bei starken Energieanstiegen der Spra che eine Phasenschätzung stattfindet. Sofort zu Beginn des Wortes steht ein neuer Phasenschätzwert zur Verfügung. Der Einfluß von Reflexionen wird vermindert. Durch die Berück sichtigung des Hintergrundgeräuschs ist das Verfahren für den praktischen Einsatz z. B. im Fahrzeug gut geeignet. An hand eines Blockschaltbildes in Fig. 1 wird der Verfah rensablauf der Phasenschätzung näher erläutert.

Die Mikrofonsignale x und y werden in den Frequenzbereich transformiert (FFT, Fast Fourier Transformation). Die Transformationslänge wird zu N = 256 gewählt. Es ergeben sich die transformierten Segment X_l (i) und Y_l (i). l be zeichnet den Blockindex der Segmente, i die diskrete Fre quenz (i = 0,1,2, . . . ,N-1). Die Segmente sind halb über lappt und werden mit einem Hanning Fenster gewichtet. (Die Abtastrate der Signale x und y beträgt 12 kHz.)

Im Frequenzbereich wird der Langzeitmittelwert des Be tragsspektrums subtrahiert (SPS, spektrale Substraktion). Die Phase der Signale wird nicht verändert. Das Störge räusch wird reduziert. Es ergeben sich die Schätzwerte und . Die SPS ist ein Standardverfahren und kann hier in einer einfachen Version eingesetzt werden. Sind nur ge ringe Störungen vorhanden, kann auf die SPS ganz verzich tet werden.

Mit der Glättungskonstante β wird das Störspektrum S_nn (i) geschätzt. Das Störspektrum wird normiert und subtrahiert. l bezeichnet den Blockindex, i die diskrete Frequenz. Als Glättungskonstante wird z. B. β₁ = 0.03 verwendet.

Für den zweiten Kanal Y gelten die entsprechenden Glei chungen.

Aus den geschätzten Werten und wird der Betrag der Kreuzleistungsdichte B_XY,l berechnet. Der Bereich (N_u, N_o) liegt z. B. zwischen 300 und 1500 Hz (N_u = 6, N_o = 31, bei = 256). Dabei gilt

Als Glättungskonstante α wird z. B. α = 1 gewählt. Werte α «" 1 sind nicht sinnvoll.

Mit einer Präemphase können höhere Frequenzen angehoben werden. Dies ist dann vorteilhaft, wenn das Sprachsignal und das Störsignal bei höheren Frequenzen eine geringere Leistung aufweisen. Die Werte der Kreuzleistung B_xy (i) können z. B. im Bereich 300 bis 1500 Hz um 10 dB linear an steigend angehoben werden. Die Präemphase kann aber auch schon durch die Mikrofoncharakteristik vorgegeben sein.

Aus den Werten B_xy (i) werden M Maxima bestimmt und sum miert. Es können z. B. M = 8 verwendet werden. Es wird ein aktueller Schätzwert

bestimmt.

Über einen Impulsmonitor wird eine "simulierte Impulsant wort" S_I berechnet. Das Einschwingverhalten des umgebenden Raumes auf plötzliche energiestarke Schallereignisse (Sprache) wird hiermit grob simuliert (z. B. wird γ = 0.1 gewählt). Die Glättung des Phasenwerts "vom Wortanfang in das Wort hinein" ist mit γ einstellbar.

S_I,1 = (l - γ) S_I,l-1 + γS_B,l (7)

Außerdem wird über einen Geräuschmonitor eine adaptive Glättungskonstante h berechnet. Mit dieser Glättungskon stanten ergibt sich ein Schätzwert S_N für die Störung. Wurde zuvor eine spektrale Substraktion (SPS) durchge führt, ist S_N ein Schätzwert für die Reststörung. Für die Glättungskonstante h_o gilt z. B. h_o=0.03

Die Phase der gestörten Signale wird aus den Real- und Imaginärteilen von S_xy berechnet. Die Phase wird nur an den M zuvor bestimmten Maxima berechnet.

Daraus ergibt sich der Phasenanstieg:

Mit der Länge der Fouriertransformation N und der max. zu lässigen Verschiebung um n Taps ergibt sich (N = 256):

Übersteigt der Phasenanstieg |ϕ′| an einem der Maxima |ϕ′|_max, so wird dieser Wert ϕ′ nicht weiterverwendet. Es wird eine adaptive Glättungskonstante g berechnet:

Der aktuelle Wert S_B muß um den Faktor c größer sein als die simulierte Impulsantwort S_I

S_B,l cS_I,l; c = 2 (17)

sonst gilt:

g_l = 0 (18).

Der aktuelle Wert S_B muß um den Faktor d größer sein als das Restrauschen S_N

S_B,1 dS_N,1; d = 3 (19)
sonst gilt ebenfalls

g_l = 0 (20).

Ist Gl. (17) oder Gl. (19) nicht erfüllt, d. h. gilt g=0, so kann die Phasenschätzung abgebrochen werden. Es gilt der alte Phasenschätzwert.

Für alle

Von den ursprünglichen M Maxima werden wegen Gl. (21) nur M′ für die Gl. (22, 23) verwendet. Ist die Anzahl M′ der für die Summen gültigen Werte ϕ kleiner als M_min, gilt der geschätzte Phasenanstieg als zu unsicher oder außerhalb des Nutzbereichs (z. B. M_min = 6, bei M = 8). Die Phasen schätzung wird dann nicht aktualisiert und das Verfahren hier abgebrochen. Es gilt der alte Phasenschätzwert.

Es wird die Varianz der Schätzung berechnet:

σ²_ϕ′ _,l = s²_ϕ′ _,l - m² _ϕ _′,l (24).

Als maximale Varianz wird

σ² _max = |Φ′|² _max (25)

verwendet.

Entsprechend der Varianz wird die Glättungskonstante g ge wichtet. Bei einer großen Streuung gilt:

g_l: = 0.99*g_l; für 0,2σ²_max < σ²_ϕ _′,l < σ²_max (26).

Bei einer mittleren Streuung gilt:

g_l: = 0.3*g_l; für 0.02σ² _max σ² _d _′,l 0,2σ² _max (27).

Bei sehr geringer Streuung gilt:

g_l: = g_l; für σ² _ϕ _′,l < 0.02σ² _max (28).

Entsprechend den Gl. 19-22 wird g in der Regel nur am Wortanfang größer Null sein. Dabei muß die Energie des Wortes größer sein als die Energie des Restgeräusches und der simulierten Impulsantwort. Mit der Variablen j wird die aufeinanderfolgende Anzahl für g < 0 gezählt. Entspre chend gilt für die Glättung:

Wird z. B. infolge einer Störung die Bedingung g < 0 nur einmal in Folge erfüllt, wird die Phasenschätzung nicht aktualisiert. Eine Aktualisierung der Phasenschätzung er folgt nur dann, wenn g < 0 mindestens 2-mal in Folge er füllt wird.

Ein Beispiel für die Zwischengrößen S_B, S_I, S_N, und g und die daraus abgeleitete Phasenschätzung zeigt Fig. 2. Da bei wird das Wort "Senderwahl" gesprochen und das Fahrge räusch bei 140 km/h addiert. Das Verfahren wird, wie oben angegeben, verwendet. Der Phasenschätzwert ist in Abtast werten n angegeben. Mit der Größe S_I wird der "Sprachim puls" teilweise verdeckt und so nur bei starken Energiean stiegen eine Schätzung erlaubt (S_B muß S_I um den Faktor 2 übersteigen). Die Schätzung der Reststörung S_N ermöglicht eine größere Robustheit gegenüber Geräuschen (S_B muß S_N um den Faktor 3 übersteigen).

Claims

1. Verfahren zur Laufzeitschätzung bei dem Laufzeitun terschiede von geräuschgestörten Signalen von zumindest zwei Sprachkanälen mittels einer Kreuzkorrelation bestimmt werden, dadurch gekennzeichnet,

- daß im Frequenzbereich die Phasenwerte von zumin dest zwei Signalen über eine bestimmte Anzahl von Maxima der Kreuzkorrelationsdichte ermittelt wer den und deren Phasenverschiebung bestimmt wird, und
- daß der erforderliche Phasenausgleich ebenfalls im Frequenzbereich durchgeführt wird.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß Hintergrundstörungen und das Einschwingverhalten des Raumes bei der Bestimmung der Phasenwerte ständig mitge schätzt werden.

3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, daß das Hintergrundgeräusch über einen Geräuschmonitor ge schätzt wird, und daß ein neuer Phasenwert lediglich dann ermittelt wird, wenn der Schätzwert des Hintergrundge räusches um einen bestimmten Faktor überschritten wird.

4. Verfahren nach Anspruch 2, dadurch gekennzeichnet, daß das Einschwingverhalten des umgebenden Raumes über einen Impulsmonitor derart geschätzt wird, daß lediglich bei starkem Energieanstieg in den Signalen ein neuer Phasen schätzwert ermittelt wird.

5. Verfahren nach einem der vorhergehenden Ansprüche, da durch gekennzeichnet, daß eine lineare Laufzeitverschie bung der Signale angenommen wird.

6. Verfahren nach einem der vorhergehenden Ansprüche, da durch gekennzeichnet, daß eine Glättung des Phasenwertes vom Wortanfang in das gesprochene Wort hinein durchgeführt wird, und daß die Varianz der Schätzung bei der Glättung der Phasenwerte mitberücksichtigt wird.

7. Verfahren nach einem der vorhergehenden Ansprüche, da durch gekennzeichnet,

- daß zumindest zwei Mikrofonsignale x, y mittels einer FFT (Fast Fourier Tansformation) in den Fre quenzbereich transformiert werden,
- daß durch spektrale Substraktion aus den transfor mierten Signalen die Schätzwerte , bestimmt werden,
- daß aus den geschätzten Werten , der Betrag der Kreuzkorrelationsdichte B_xy bestimmt wird,
- daß die Maxima der Kreuzkorrelationsdichte be stimmt werden, und daß aus einer bestimmten Anzahl Maxima der Kreuzkorrelationsdichte B_xy ein aktuel ler Wert S_B für die gestörten Signale ermittelt wird, daß abhängig vom aktuellen Wert S_B die Pha sen ϕ der gestörten Signale ermittelt werden und damit der Phasenanstieg ϕ′ bestimmt wird,
- daß der Phasenanstieg ϕ′ geglättet wird, indem über einen Impulsmonitor ein simulierter Sprachimpuls S_I mit dem aktuellen Wert S_B der gestörten Signale gekoppelt wird, derart, daß eine erneute Phasen schätzung lediglich dann durchgeführt wird, wenn ein starker Energieanstieg des Mikrofonsignals re gistriert wird, und
- daß mit einem Geräuschmonitor ein Schätzwert S_N für die Hintergrundgeräuschstörung ermittelt wird und mit dem aktuellen Wert S_B der gestörten Si gnale gekoppelt wird, derart, daß eine erneute Phasenschätzung lediglich dann durchgeführt wird, wenn vom Signal die Hintergrundstörung deutlich überschritten wird.

8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, daß ein maximaler Phasenanstieg |ϕ′|_max für die Phase an den einzelnen Maxima vorgebbar ist und eine erneute Pha senschätzung lediglich dann durchgeführt wird, wenn der Phasenanstieg um mindestens M′ der M Maxima den maximalen Anstieg |ϕ′|_max nicht überschreitet.

9. Verfahren nach Anspruch 7, dadurch gekennzeichnet, daß die Varianz der Phasenanstiege an den einzelnen Maxima bei der zeitlichen Glättung des Phasenanstiegs berücksichtigt wird.

10. Verfahren nach den Ansprüchen 7 bis 9, dadurch ge kennzeichnet, daß eine erneute Phasenschätzung lediglich dann durchgeführt wird, wenn die Bedingungen für einen gültigen Phasenanstieg zeitlich mehrfach in Folge auftre ten.

11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die gestörte Sprache auf mehr als zwei Sprachkanälen aufgenommen wird und daß die Lauf zeitunterschiede der einzelnen Kanäle geschätzt werden.