EP2539892B1

EP2539892B1 - Compression de flux audio multicanal

Info

Publication number: EP2539892B1
Application number: EP11708920.1A
Authority: EP
Inventors: Adrien Daniel; Rozenn Nicol
Original assignee: Orange SA
Current assignee: Orange SA
Priority date: 2010-02-26
Filing date: 2011-02-10
Publication date: 2014-04-02
Anticipated expiration: 2031-02-10
Also published as: US9058803B2; US20120314878A1; WO2011104463A1; EP2539892A1

Description

La présente invention se rapporte de manière générale à la compression de flux audio multicanal - c'est-à-dire comprenant une pluralité de signaux audio - destinés à être traités par un système audio comprenant une pluralité de haut-parleurs afin de reproduire une scène sonore spatialisée. En particulier, les moyens de compression s'appliquent aux flux audio encodés selon un format de codage multicanal de type 5.1, 6.1, 7.1, 10.2, 22.2, ou encore selon un format de codage ambiophonique communément désigné par l'acronyme anglo-saxon « HOA » pour «Higher Order Ambisonics ». Le format d'encodage ambiophonique HOA est notamment détaillé dans le document Daniel, J., Représentation de champs acoustiques, application à la transmission et à la reproduction de scènes sonores complexes dans un contexte multimédia. 2000, Thèse de l'Université Pierre et Marie Curie (Paris VI): Paris. La compression opérée sur les flux audio peut notamment être introduite préalablement à une étape de transmission, de diffusion, ou de stockage par exemple sur un disque optique.
Pour réduire la quantité d'information nécessaire pour représenter un flux audio multicanal, il est possible de coder séparément les différents signaux constitutifs dudit flux selon un schéma conventionnel de compression de flux audio, exploitant généralement les propriétés de masquage fréquentiel observées dans la perception d'un signal sonore par un auditeur. On peut citer à titre d'exemple le codage « MPEG-1/2 Audio Layer 3 », plus généralement désigné par son acronyme MP3, ou encore le codage audio avancé ou « AAC » pour « Advanced Audio Coding » en anglais. Les signaux étant considérés séparément, les éventuelles redondances entre les signaux sont peu exploitées. Cette solution est adaptée à l'encodage de flux audio multicanaux à haut débit, typiquement ayant un débit supérieur ou égal à 128 kbit/s par canal dans le cas du MP3, 64 kbits/s par canal dans le cas de l'AAC. Ainsi, l'encodage séparé des signaux d'un flux n'est pas adapté à la production de flux, dont le débit est de l'ordre typiquement de 64 kbits/s pour 5 à 7 canaux, sans réduction significative du niveau de qualité sonore.
Une autre alternative possible consiste à mélanger les différents flux pour obtenir un signal mono ou stéréo. Cette technique est notamment employée dans le codage « MPEG Surround » en bas débit, c'est-à-dire dont le débit est de l'ordre typiquement de 64 kbits/s pour 5 à 7 canaux. Cette opération est conventionnellement qualifiée de « downmix » en anglais. Le signal mono ou stéréo peut alors être codé selon un schéma conventionnel de compression pour obtenir un flux compressé. Des informations spatiales sont en outre calculées puis ajoutées au flux compressé. Ces informations spatiales sont par exemple le retard entre deux canaux (en anglais, « ICTD » pour « Inter-Channei Time Difference »), la différence d'énergie entre deux canaux ( en anglais « ICLD » pour « Inter-Channel Level Difference »), la corrélation entre deux canaux (en anglais « ICC » pour « Inter-Channel Coherence »).
Le codage du signal mono ou stéréo issu de l'opération de "downmix" est effectué en se basant sur l'hypothèse inadaptée d'une perception monophonique ou stéréophonique et ne prend donc pas en compte les caractéristiques propres à une perception spatiale du signal multi-canal, notamment dans le cas où le flux audio comporte un nombre important de canaux, typiquement supérieur ou égal à 7.
Ainsi, la dégradation inaudible sur le signal issu de l'opération de "downmix" peut devenir audible sur un dispositif de restitution multi haut-parleurs du flux multi-canal résultant du traitement de "upmix", notamment en raison du phénomène de démasquage binaural, décrit notamment dans le document Saberi, K., Dostal, L., Sadralodabai, T., and Bull, V., "Free-field release from masking," Journal of the Acoustical Society of America, vol. 90, 1991, pp. 1355-1370.
Le document WO2009/067741 décrit un procédé de codage de représentations paramétriques de champs sonores. Le champ de pression échantillonné temporellement et spatialement dans une zone cible tridimensionnelle peut être premièrement paramétré par une décomposition par des fonctions d'une base orthogonale et deuxièmement paramétré en utilisant les corrélations spatiales et temporelles entre les paramètres du premier jeu de paramètres.
Il existe donc un besoin pour compresser plus efficacement des flux audio spatialisés tout en conservant une qualité sonore perçue au moins équivalente aux techniques de l'état de l'art.
La présente invention vise à améliorer la situation.
Selon un premier aspect, il est proposé un procédé de compression d'un flux audio comprenant une pluralité de signaux. Le flux audio décrit une scène sonore produite par une pluralité de sources dans un espace. Le procédé comporte les étapes suivantes :

à partir du flux audio, identification des sources ;
détermination pour chacune des sources identifiées d'une bande de fréquences, d'un niveau d'énergie et d'une position spatiale dans l'espace;
détermination, pour chaque source identifiée, d'une résolution spatiale correspondant à une variation de position de ladite source dans l'espace la plus faible qu'un auditeur est susceptible de percevoir, en fonction :
- ○ de la bande de fréquences, du niveau d'énergie, et de la position spatiale de ladite source ; et,
- ○ de la bande de fréquences, du niveau d'énergie, et de la position spatiale des autres sources identifiées ;
génération d'un flux compressé comportant les informations nécessaires pour restituer chaque source identifiée avec au moins la résolution spatiale correspondante

Le procédé de compression propose une solution pour exploiter les propriétés psychoperceptives et cognitives de perception audio spatialisée d'un auditeur pour compresser le flux audio multicanal. Parmi ces propriétés, on peut citer le masquage spatial d'une source prédominante sur les autres sources, réduisant la capacité d'un auditeur à localiser ces dernières. sonores non exploitées par le système auditif de l'auditeur, sans présenter de risques d'introduction d'artefacts audibles dans le système de restitution spatialisée, contrairement aux techniques de compression de l'art antérieur.
En outre, le procédé selon l'invention permet d'exploiter les interactions entre les différentes sources, puisque la résolution spatiale de chaque source est déterminée, non seulement en fonction des caractéristiques de ladite source, mais encore en fonction de celles des autres sources de l'espace. En comparaison des autres techniques de compression traitant chaque signal séparément, le taux de compression obtenu s'avère potentiellement plus important.
Il est possible d'identifier, dans l'espace, seulement les sources audibles par un auditeur, ce qui permet de réduire encore ainsi les informations à coder. Par exemple, à l'aide d'une analyse de masquage énergétique simultané prenant en compte le démasquage binaural, un sous-ensemble des sources sonores est répertorié. En effet, les sources non-audibles n'ont pas nécessairement besoin d'être considérées dans la mise en oeuvre du modèle psycho-acoustique de masquage spatial. Ainsi, la complexité, au sens algorithmique du terme, du procédé peut être diminuée.
Dans un mode de réalisation, les signaux du flux audio comprennent des informations représentant la scène sonore dans une base d'harmoniques sphériques. Alternativement, le procédé peut comporter une étape de transposition des informations comprises dans les signaux du flux audio représentant la scène sonore dans une base d'harmoniques sphériques, permettant ainsi de convertir le flux.
Dans ce mode de réalisation, le flux compressé peut également être généré en subdivisant l'espace en sous-espaces, et en tronquant, pour chacun des sous-espaces, un ordre de représentation des signaux dans la base des harmoniques sphériques, jusqu'à obtenir une résolution spatiale sensiblement égale à la valeur maximale des résolutions spatiales associées aux sources présentes dans le sous-espace considéré.
La troncature de l'ordre de représentation des signaux permet de diminuer la résolution spatiale de la représentation des signaux. Dans le cas d'une représentation HOA, la scène sonore peut être décrite par un ensemble de signaux correspondant aux coefficients de la décomposition de l'onde acoustique sur la base des harmoniques sphériques. Cette représentation possède la propriété de scalabilité, au sens où les coefficients sont hiérarchisés et que les coefficients des premiers ordres contiennent une description complète de la scène sonore. Les coefficients des ordres supérieurs ne font que préciser l'information spatiale. La troncature de l'ordre de représentation revient en ce cas à éliminer les composantes des ordres supérieurs jusqu'à atteindre la résolution déterminée.
Dans ce mode de réalisation, la subdivision de l'espace en sous-espaces peut être dynamique au cours du temps. Une subdivision dynamique permet de regrouper dans un même sous-espace des sources adjacentes de résolutions spatiales perçues de manière similaire.
Dans un mode particulier de réalisation, les différentes étapes des procédés de compression sont déterminées par des instructions de programmes d'ordinateurs.
En conséquence, l'invention vise aussi des programmes d'ordinateur sur un support d'informations, ces programmes étant susceptibles d'être mis en oeuvre respectivement dans un ordinateur, ces programmes comportant respectivement des instructions adaptées à la mise en oeuvre des étapes des procédés de compression qui viennent d'être décrits.
Ces programmes peuvent utiliser n'importe quel langage de programmation, et être sous la forme de code source, code objet, ou de code intermédiaire entre code source et code objet, tel que dans une forme partiellement compilée, ou dans n'importe quelle autre forme souhaitable.
L'invention vise aussi un support d'informations lisible par un ordinateur, et comportant des instructions d'un programme d'ordinateur tel que mentionné ci-dessus.
Le support d'informations peut être n'importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple une disquette (floppy disc) ou un disque dur.
D'autre part, le support d'informations peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens. Le programme selon l'invention peut être en particulier téléchargé sur un réseau de type Internet.
Alternativement, le support d'informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution des procédés en question.
Selon un deuxième aspect, il est proposé un dispositif de compression de flux audio multicanal, adapté à la mise en oeuvre du procédé selon le premier aspect. Le dispositif comprend une entrée pour recevoir un flux audio multicanal décrivant une scène sonore produite par une pluralité de sources dans un espace, et une sortie pour délivrer un flux compressé. Le dispositif comporte en outre :

une unité d'identification des sources, couplée à l'entrée, adaptée pour identifier les sources, à partir du flux, et pour déterminer pour chacune des sources identifiées une bande de fréquence, un niveau d'énergie et une position spatiale dans l'espace ;
une unité de détermination de résolution spatiale, couplée à l'unité d'identification, adaptée pour déterminer, pour chaque source identifiée, une résolution spatiale correspondant à une variation de position de ladite source dans l'espace la plus faible qu'un auditeur est susceptible de percevoir, en fonction
- ○ de la bande de fréquences, du niveau d'énergie, et de la position spatiale de ladite source ; et,
- ○ de la bande de fréquences, du niveau d'énergie, et de la position spatiale des autres sources identifiées ;
une unité de génération du flux compressé, couplée à l'unité de détermination de résolution spatiale, adaptée pour former le flux compressé à partir des informations nécessaires pour restituer chaque source identifiée avec au moins la résolution spatiale correspondante, et délivrer le flux compressé sur la sortie.

L'unité d'identification peut être configurée pour identifier seulement les sources audibles.
Dans un mode de réalisation, l'unité de génération peut être adaptée pour produire le flux compressé à partir dès signaux lorsque ces derniers comportent des informations représentant la scène sonore dans une base d'harmoniques sphériques en :

subdivisant l'espace en sous-espaces, et
tronquant, pour chacun des sous-espaces, un ordre de représentation des signaux dans la base des harmoniques sphériques, jusqu'à obtenir une résolution spatiale sensiblement égale à la valeur maximale des résolutions spatiales associées aux sources présentes dans le sous-espace considéré.

L'unité de génération peut être configurée pour adapter la subdivision de l'espace en sous-espaces au cours du temps.
Dans un mode de réalisation, le dispositif comprend en outre une unité de conversion adaptée pour transposer des informations comprises dans les signaux du flux audio dans une base d'harmoniques sphériques.
D'autres aspects, buts et avantages de l'invention apparaîtront à la lecture de la description d'un de ses modes de réalisation.
L'invention sera également mieux comprise à l'aide des dessins, sur lesquels :

la figure 1 illustre, par un synoptique, les étapes principales du procédé de compression appliqué à un flux audio multicanal ;
la figure 2 illustre, par un synoptique, les étapes d'un mode de réalisation du procédé de compression, dans une base d'harmoniques sphériques, par exemple dans le domaine HOA, appliqué à un flux audio multicanal;
la figure 3 montre, par un schéma de principe, un dispositif de compression de flux audio multicanal ;
la figure 4 montre, par un schéma de principe, un dispositif de compression de flux audio multicanal, selon un autre mode de réalisation ;
la figure 5 illustre, par un schéma de principe, un dispositif de traitement pour mettre en oeuvre le procédé de compression.

Dans la présente description, on considère une scène sonore SCE, c'est-à-dire un champ acoustique réel, formé par des signaux sonores émis par une pluralité de sources SR, ou un champ acoustique synthétique obtenu par spatialisation artificielle de signaux monophoniques. Le signal émis par une source sonore ou source peut être représenté par une distribution spatiale d'énergie dans une bande de fréquences. Lorsque la distribution spatiale de l'énergie est corrélée et contigüe dans l'espace, la source correspondante est alors qualifiée de source étendue, dans le cas contraire la source est dite ponctuelle. La scène sonore est captée par un nombre limité de capteurs sonores, pour former un flux F audio multicanal comportant une pluralité de signaux S. Alternativement la scène peut être synthétisée par spatialisation de signaux monophoniques. Le flux F peut être subdivisé en trames T temporelles. Le flux F peut être considéré comme une description ou représentation au cours du temps de la scène sonore SCE. Les composantes spatiales de la scène sonore SCE peuvent être représentées dans le domaine HOA par des composantes spatiales projetés dans une base d'harmoniques sphériques. On définit par les termes encodage ambiophonique (traduction du mot anglais "ambisonic") l'étape consistant à obtenir ces composantes spatiales du champ dans la base d'harmoniques sphériques. Cet encodage permet ainsi de représenter la scène sonore sous forme de signaux ambiophoniques.
Sur la figure 1 sont représentées les étapes principales du procédé de compression appliqué au flux F.
Dans une étape 10, par analyse spatio-fréquentielle des signaux S, on identifie les sources SR, et on détermine, pour chaque source SR identifiée, une bande de fréquences de la source ou la fréquence centrale de ladite bande de fréquence, un niveau d'énergie et une position spatiale.
Pour identifier les sources, on pourra notamment procéder à une analyse temps/fréquence de chacun des signaux S constituant le flux F pour extraire un niveau d'énergie par bande de fréquences pour chaque trame T. Des résultats d'une analyse temps/fréquence réalisée préalablement à la mise en oeuvre du procédé selon l'invention, par exemple lors d'une compression éventuelle des signaux S par des techniques de masquage fréquentiel, pourront également être exploités au cours de l'étape 10 pour identifier les sources SR.
Au cours de l'étape 10, on associe à chaque source SR identifiée les grandeurs suivantes : sa bande de fréquences de la source ou la fréquence centrale de ladite bande de fréquence, son niveau d'énergie et sa position spatiale. En particulier, la bande de fréquences de la source ou la fréquence centrale de ladite bande de fréquence pourra être obtenue directement, suite à l'analyse temps/fréquence mise en oeuvre pour identifier chaque source SR.
Des méthodes d'identification ou de séparation de sources adaptées sont décrites dans le document Arberet, S. "Estimation robuste et apprentissage aveugle de modèles pour la séparation de sources sonores", Thèse de l'Université de Rennes 1, 2008, ou des méthodes de formation de faisceau, comme celle décrite dans le document Veen, B. D. V. & Buckley, K. M. "Beamforming: a versatile approach to spatial filtering" IEEE ASSP Magazine, 1988, 4-24. Si la source SR considérée est une source étendue, la position spatiale peut correspondre au barycentre spatial de ladite source étendue, et une mesure de la largeur de l'étendue spatiale de ladite source est également réalisée. De manière optionnelle, il est possible de ne sélectionner qu'un sous-ensemble des sources SR identifiées au cours de l'étape 10. Par exemple, ne seront sélectionnées que les sources SR audibles pour un auditeur moyen. Pour déterminer, si une source est audible, on pourra notamment mettre en oeuvre une analyse de masquage énergétique simultané prenant en compte le démasquage binaural, comme celle décrite notamment dans le document Saberi, K., Dostal, L., Sadralodabai, T., and Bull, V., "Free-field release from masking," Journal of the Acoustical Society of America, vol. 90,1991, pp. 1355--1370.
Dans une étape 20, on calcule une résolution spatiale RS pour chacune des sources SR identifiée au cours de l'étape 10, par mise en oeuvre d'un modèle psycho-acoustique. La résolution spatiale RS calculée pour une source correspond à une résolution optimale au-delà de laquelle un auditeur moyen ne perçoit pas une augmentation significative du niveau de précision dans la localisation de ladite source. La résolution spatiale RS correspond également à une dégradation spatiale maximale applicable à la source SR correspondante, sans dégradation sensible des capacités d'un auditeur à localiser ladite source SR, en présence des autres sources SR.
A titre d'exemple non limitatif, si la résolution spatiale RS est égale à 1 degré pour une des sources SR, on considérera que l'auditeur n'est pas en mesure de localiser ladite source SR avec une précision supérieure à 1 degré.
En fonction des caractéristiques de la source SR considérée, le modèle psycho-acoustique retourne une résolution spatiale adaptée. Ainsi à chaque source SR correspond une résolution spatiale RS propre. La résolution spatiale RS d'une des sources SR peut également être définie comme l'angle minimum audible associé à ladite source RS, au sens par exemple de l'expérience de Mills de 1958, présentée dans le document A.W. Mills, "On the Minimum Audible Angle", The Journal of the Acoustical Society of America, vol. 30, Apr. 1958, pp. 237-246. D'après cette définition, l'angle minimum audible de la source SR est sensiblement équivalent à la mesure réalisée, dans les mêmes conditions que celles décrites dans l'expérience de Mills, pour une source cible au sens de A.W. Mills, ayant les mêmes caractéristiques que la source RS.
La résolution spatiale RS associée à l'une des sources SR est fonction notamment des paramètres suivants :

la fréquence centrale de la bande de fréquences de la source SR ;
le niveau d'énergie de la source SR ;
la position spatiale de la source SR ;
la fréquence centrale de la bande de fréquences de chacune des autres sources SR ;
le niveau d'énergie de chacune des autres sources SR ;
la position spatiale de chacune des autres sources SR.

Le modèle psycho-acoustique peut donc être décrit par une fonction f(s_c, sd₁, sd₂, ..., sd_N), où s_c représente la source SR pour laquelle on souhaite obtenir la résolution spatiale RS, et sd₁, sd₂, ..., sd_N représente tout ou partie des autres sources SR. Les sources SR peuvent chacune être décrites par un quadruplet {f_c, I, θ, ϕ}, où f_c représente la fréquence centrale, I le niveau d'énergie, θ la position angulaire en azimut, et ϕ la position angulaire en élévation.
Le modèle psycho-acoustique peut en outre être construit à partir de modèles décrivant les capacités d'un auditeur en fonction des paramètres précédemment décrits, et/ou à partir de résultat de tests. Pour la construction du modèle, il est en outre possible de prendre l'hypothèse que l'auditeur fait toujours face à la source SR pour laquelle on calcule la résolution spatiale RS, cas dans lequel la capacité de l'auditeur à séparer les sources est maximale.
Dans une étape 30, on génère un flux compressé F_c comportant des signaux compressés S_c, de sorte que le flux compressé F_e comporte les informations nécessaires à la restitution de chaque source SR avec la résolution spatiale RS correspondante, calculée au cours de l'étape 20. Cela revient également à générer le flux compressé F_c en réduisant la quantité d'informations spatiales contenue initialement dans le flux F pour chaque source SR, jusqu'à conserver les informations nécessaires à la restitution de chaque source SR avec au moins la résolution spatiale RS correspondante. Il convient donc de noter que le flux compressé Fc comporte en conséquence une quantité d'informations inférieure au flux F.
A titre d'exemple non limitatif, si la résolution spatiale RS est égale à 1 degré pour une des sources SR, on considérera que ladite source SR devra être encodée dans le flux compressé F_c de sorte à permettre lors de sa restitution par un système audio à un auditeur moyen de localiser la source SR avec une précision de 1 degré. D'autre part, on notera dans cet exemple, qu'encoder la source SR avec une résolution supérieure, par exemple 0,5 degré, n'apportera pas un gain sensible dans la capacité de l'auditeur à localiser avec une précision supérieure la source SR. Par exemple, si le flux F comprend les informations nécessaires pour atteindre une résolution de 0,5 degré pour la source SR, le flux compressé F_c comportera seulement les informations nécessaires pour restituer la source SR avec une précision de 1 degré.
La figure 2 illustre les étapes d'un mode de réalisation du procédé de compression, dans une base d'harmoniques sphériques, par exemple dans le domaine HOA, appliqué au flux F.
Le procédé peut comporter une étape 100 de transformation, dans une base des harmoniques sphériques, du flux F. Cette étape 100 est optionnelle si le flux F est déjà encodé dans une base des harmoniques sphériques. Typiquement, cette transformation peut correspondre à une projection des informations comprises dans les signaux S dans une base d'harmoniques sphériques.
Dans un mode de réalisation de l'étape 100, on simule une onde acoustique correspondant à celle qui serait obtenue par un système de restitution audio alimenté par les signaux S du flux F. L'onde acoustique simulée est alors décomposée sur une base des harmoniques sphériques, par projection dans cette base, ou par simulation d'une captation sonore synthétique par un dispositif d'encodage HOA comme une sphère de microphones. Cette dernière possibilité est par exemple décrite dans le document Moreau, S. "Etude et réalisation d'outils avancés d'encodage spatial pour la technique de spatialisation sonore Higher Order Ambisonics: microphone 3D et contrôle de la distance" Université du Maine, Le Mans, France, 2006. On obtient ainsi des coefficients C de décomposition formant des signaux S_HOA correspondant aux signaux S dans un format d'encodage HOA.
Le procédé comporte une étape 110 d'analyse temps/fréquence des signaux S_HOA pour extraire, pour chaque signal S_HOA, pour chaque trame T, et pour chaque bande de fréquences, un niveau d'énergie E.
Le procédé comporte une étape 120 au cours de laquelle on calcule, pour chaque trame T et pour chaque bande de fréquences, une projection spatiale Pr des niveaux d'énergie E sur une sphère. On obtient ainsi un modèle permettant de déterminer le niveau d'énergie E en fonction de la direction, pour chaque trame T et pour chaque bande de fréquences. On pourra notamment calculer la projection spatiale Pr des niveaux d'énergie E en procédant à une transformation inverse des signaux S_HOA dans un domaine de variables d'espace. Par exemple, on reconstruit une onde acoustique correspondant aux signaux S_HOA par combinaison linéaire des harmoniques sphériques pondérées par les valeurs des composantes HOA. On obtient ainsi une évolution spatiale de l'onde acoustique sur une sphère. La projection spatiale Pr des niveaux d'énergie est alors construite en échantillonnant spatialement la sphère, le nombre d'échantillons choisi étant fonction de la résolution souhaitée.
Le procédé comporte une étape 130 au cours de laquelle on identifie, pour chaque trame T, les sources SR, leur position spatiale et leur énergie respective. Pour cela, on recherche toutes les directions de la projection spatiale Pr pour lesquelles le niveau d'énergie E est non nul. Puis, pour chaque direction dans laquelle le niveau d'énergie est non nul, on calcule la corrélation avec les niveaux d'énergie présents dans les directions voisines. Par exemple, pour chaque bande de fréquences, on détermine les fluctuations d'énergie dans le temps, éventuellement en tenant compte des trames T précédant et/ou suivant ladite trame T, pour chaque direction. Pour augmenter la précision temporelle, il est possible de calculer la corrélation sur des plages temporelles se recouvrant, puis de sous-échantillonner les résultats ainsi obtenus pour la bande de fréquences.
Si le niveau d'énergie est corrélé pour un ensemble de directions, on identifie une source étendue dans lesdites directions, et on calcule le niveau d'énergie correspondant en additionnant les niveaux d'énergies associés à l'ensemble des directions. Si le niveau d'énergie n'est pas corrélé avec les niveaux d'énergie présents dans les directions voisines, on identifie une source et le niveau d'énergie correspond à celui donné par la projection spatiale Pr dans cette direction. A l'issue de l'étape 130, il est ainsi possible de décrire la scène sonore SCE sous la forme d'un ensemble de sources SR dont on connaît la position, l'étendue spatiale et l'énergie.
Dans une étape optionnelle 135, on sélectionne un sous-ensemble des sources SR identifiées au cours de l'étape 130. Par exemple, ne seront sélectionnées que les sources SR audibles pour un auditeur moyen. Pour déterminer, si une source est audible, on pourra notamment mettre en oeuvre une analyse de masquage énergétique simultané prenant en compte le démasquage binaural.
Dans une étape 140, on détermine, à l'aide d'un modèle psycho-acoustique de masquage spatial, pour chaque source SR identifiée au cours de l'étape 130 et éventuellement sélectionnée au cours de l'étape 135, la résolution spatiale RS correspondante. Typiquement, pour une trame T, on évalue le pouvoir masquant dans chaque région de l'espace et dans chaque bande de fréquences de chaque source SR identifiée sur les autres sources SR identifiées. Plus spécifiquement, pour chaque source SR identifiée, en fonction notamment de sa position, de la bande de fréquences, et de son niveau d'énergie, on détermine la résolution spatiale RS avec laquelle la source SR est perçue.
Dans une étape 150, on génère le flux compressé F_c comportant les signaux compressés S_c, de sorte que le flux compressé F_c comprenne les informations nécessaires à la restitution de chaque source SR avec au moins la résolution spatiale RS correspondante, calculée au cours de l'étape 140. Cette opération revient à compresser le flux F en adaptant la résolution spatiale des signaux S_HOA en fonction de la résolution spatiale RS obtenue pour chaque source SR identifiée. Dans un mode de réalisation de l'étape 150, on décompose l'espace en un ensemble de sous-espaces, de sorte que l'union des sous-espaces soit sensiblement égale à l'espace. Pour chacun de ces sous-espaces, on construit une sous-base d'harmoniques sphériques. Par exemple, une méthode de construction adéquate peut être celle décrite dans le document Pomberger H. & Zotter F. "An Ambisonics format for flexible playback layouts" Ambisonics Symposium 2009, 2009. Les fonctions propres de la base d'harmoniques sphériques de l'espace complet sont recombinées pour former, pour chacun des sous-espaces, une sous-base de représentation de ce sous-espace uniquement. A partir des signaux obtenus à l'étape 110, pour une des trames T donnée et une bande de fréquences donnée, en projetant l'énergie dans cette bande de fréquences sur chacune des sous-bases de représentation des sous-espaces, on obtient un ensemble de représentations supplémentaires de la représentation d'origine, chacune restreinte à un des sous-espaces. La décomposition de l'espace peut soit être statique, soit varier d'une trame T à l'autre. Une décomposition dynamique présente l'avantage de pouvoir regrouper dans un même sous-espace des sources adjacentes dont la résolution spatiale perçue est sensiblement égale. On tronque alors, pour chacun des sous-espaces, l'ordre de représentation dans la base des harmoniques sphériques des signaux S_HOA, jusqu'à obtenir une résolution spatiale correspondant à la valeur maximale des résolutions spatiales RS associées aux sources SR présentes dans le sous-espace considéré.
Il est également possible, en plus de la dégradation de résolution spatiale dans le flux compressé F_c par rapport au flux F, de compresser le flux compressé F_c en exploitant les informations de masquage énergétique. Toutefois, et pour prendre en compte les effets de démasquage binaural, il convient de se placer dans le cas le plus défavorable en termes de masquage en considérant :

d'une part le seuil de masquage le plus bas parmi ceux de toutes les sources SR en présence dans le sous-espace considéré. ;
et de façon conjointe, pour chaque source SR, son seuil de masquage le plus bas du fait de sa position spatiale dans le sous-espace considéré.

La figure 3 montre, sur un schéma de principe, un dispositif 200 de compression de flux audio multicanal, selon un mode de réalisation. Le dispositif 200 est notamment adapté à la mise en oeuvre du procédé selon l'invention.
Comme représenté sur la figure 3, le dispositif 200 comprend une entrée 210 pour recevoir le flux F audio multicanal décrivant la scène sonore SCE produite par une pluralité de sources SR dans un espace. Le dispositif 200 délivre sur une sortie 260 le flux compressé F_c.
Le dispositif 200 comprend une unité d'identification 220 des sources SR couplée à l'entrée 210 de sorte à recevoir le flux F. L'unité d'identification 220 est adaptée pour identifier les sources SR à partir du flux F, et pour déterminer pour chacune des sources SR identifiées une bande de fréquence, un niveau d'énergie et une position spatiale dans l'espace. L'unité d'identification 220 délivre, sur une sortie, la bande de fréquence, le niveau d'énergie et la position spatiale dans l'espace de chaque source SR identifiée. En particulier, l'unité d'identification 220 peut être configurée pour identifier seulement les sources SR audibles.
Le dispositif 200 comporte une unité de détermination 230 de la résolution spatiale RS, couplée à la sortie de l'unité d'identification 220, correspondant à la variation de position de ladite source dans l'espace la plus faible qu'un auditeur est susceptible de percevoir. L'unité de détermination 230, à l'aide par exemple d'un modèle psycho-acoustique 240, fournit sur une sortie la résolution spatiale RS pour chaque source SR identifiée, en fonction :

○ de la bande de fréquences, du niveau d'énergie, et de la position spatiale de ladite source ; et,
○ de la bande de fréquences, du niveau d'énergie, et de la position spatiale d'au moins un sous-ensemble des autres sources identifiées.

Le dispositif 200 comporte une unité de génération 250, couplée à la sortie de l'unité d'identification 220, adaptée pour former le flux compressé FC à partir des informations nécessaires pour restituer chaque source SR identifiée avec au moins la résolution spatiale RS correspondante.
La figure 4 montre, sur un schéma de principe, un dispositif 300 de compression de flux audio multicanal, selon un mode de réalisation. Comme représenté sur la figure 4, le dispositif 300 comprend une entrée 310 pour recevoir le flux F audio multicanal décrivant la scène sonore SCE produite par une pluralité de sources SR dans un espace. Le dispositif 300 délivre sur une sortie 390 le flux FC compressé.
Le dispositif 300 peut comprendre une unité de conversion 320 adaptée pour transposer des informations comprises dans les signaux S du flux F audio représentant la scène sonore SCE dans une base d'harmoniques sphériques, lorsque le flux F comprend des signaux S destinés à alimenter directement des haut-parleurs, comme par exemple des signaux S de type 5.1, 6.1, 7.1, 10.2, 22.2. L'unité de conversion 320 délivre en sortie des signaux S_HOA décrits dans une base d'harmoniques sphériques.
Le dispositif 300 comporte une unité d'identification 330 des sources SR couplée à la sortie de l'unité de conversion 320 pour recevoir les signaux S_HOA. L'unité d'identification 330 est adaptée pour identifier les sources SR à partir du flux F, et pour déterminer pour chacune des sources SR identifiées une bande de fréquence, un niveau d'énergie et une position spatiale dans l'espace. Pour cela, l'unité d'identification 330 est configurée pour calculer une projection spatiale des niveaux d'énergie des sources sur une sphère et pour rechercher les directions de la projection spatiale dont le niveau d'énergie est non nul. L'unité d'identification 330 délivre, sur une sortie, la bande de fréquence, le niveau d'énergie et la position spatiale dans l'espace de chaque source SR identifiée. En particulier, l'unité d'identification 330 peut être configurée pour identifier seulement les sources SR audibles.
Le dispositif 300 comporte une unité de détermination 340 de la résolution spatiale RS, couplée à la sortie de l'unité d'identification 330, correspondant à la variation de position de ladite source dans l'espace la plus faible qu'un auditeur est susceptible de percevoir. L'unité de détermination 340, à l'aide par exemple d'un modèle psycho-acoustique 350, délivre sur une sortie la résolution spatiale RS pour chaque source SR identifiée, en fonction :

Le dispositif 300 comporte une unité de génération 360, couplée à la sortie de l'unité d'identification 340, adaptée pour former le flux compressé FC à partir des informations nécessaires pour restituer chaque source SR identifiée avec au moins la résolution spatiale RS correspondante. L'unité de génération 360 est notamment adaptée pour produire le flux compressé F_c en subdivisant l'espace en sous-espaces, et en tronquant, pour chacun des sous-espaces, un ordre de représentation des signaux dans la base des harmoniques sphériques, jusqu'à obtenir une résolution spatiale sensiblement égale à la valeur maximale des résolutions spatiales associées aux sources présentes dans le sous-espace considéré. La subdivision de l'espace en sous-espaces peut en outre être dynamique au cours du temps.
La figure 5 représente un dispositif de traitement 400 pour mettre en oeuvre le procédé de compression selon l'invention.
Le dispositif 400 comprend une interface 420 couplée à une entrée 410 pour recevoir le flux F et une sortie F pour délivrer le flux compressé F_c. L'interface 420 est par exemple une interface pour accéder à un réseau de communication, à un dispositif de stockage, et/ou encore à un lecteur de support.
Le dispositif 400 comprend également un processeur 440 couplé à une mémoire 450. Le processeur 440 est configuré pour communiquer avec l'interface 420. En particulier, le processeur est adapté pour exécuter des programmes d'ordinateur, compris dans la mémoire 450, comportant respectivement des instructions adaptées à la mise en oeuvre des étapes des procédés de compression qui viennent d'être décrits. La mémoire 450 peut être une combinaison d'éléments choisie parmi la liste suivante : une RAM, une ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple une disquette ou un disque dur, un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens. Le programme d'ordinateur peut être en particulier téléchargé sur un réseau de type Internet. Alternativement, la mémoire 450 peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution des procédés en question.

Claims

Procédé de compression d'un flux audio comprenant une pluralité de signaux, ledit flux audio décrivant une scène sonore produite par une pluralité de sources dans un espace, caractérisé en ce qu'il comporte les étapes suivantes :
• à partir du flux audio, identification (10; 120, 130, 135) des sources ;

• détermination pour chacune des sources identifiées d'une bande de fréquences, d'un niveau d'énergie et d'une position spatiale dans l'espace;

• détermination (20 ; 140), pour chaque source identifiée, d'une résolution spatiale correspondant à une variation de position de ladite source dans l'espace la plus faible qu'un auditeur est susceptible de percevoir, en fonction :
○ de la bande de fréquences, du niveau d'énergie, et de la position spatiale de ladite source ; et,

○ de la bande de fréquences, du niveau d'énergie, et de la position spatiale des autres sources identifiées ;

• génération (30 ; 150) d'un flux compressé comportant les informations nécessaires pour restituer chaque source identifiée avec au moins la résolution spatiale correspondante.
Procédé selon la revendication 1, dans lequel l'étape d'identification des sources comporte une étape d'identification seulement des sources audibles.
Procédé selon la revendication 1 ou 2, dans lequel les signaux du flux audio comprennent des informations représentant la scène sonore dans une base d'harmoniques sphériques.
Procédé selon la revendication 1 ou 2, caractérisé en ce qu'il comporte une étape de transposition (100) des informations comprises dans les signaux du flux audio représentant la scène sonore dans une base d'harmoniques sphériques.
Procédé selon l'une quelconque des revendications 3 à 4, dans lequel l'étape de génération (150) du flux compressé est effectué en subdivisant l'espace en sous-espaces, et en tronquant, pour chacun des sous-espaces, un ordre de représentation des signaux dans la base des harmoniques sphériques, jusqu'à obtenir une résolution spatiale sensiblement égale à la valeur maximale des résolutions spatiales associées aux sources présentes dans le sous-espace considéré.
Procédé selon la revendication 5, dans lequel la subdivision de l'espace en sous-espaces est dynamique au cours du temps.
Programme d'ordinateur comportant des instructions pour la mise en oeuvre du procédé selon l'une quelconque des revendications 1 à 6 lorsque ce programme est exécuté par un processeur.
Support d'informations lisible par un ordinateur, et comportant des instructions d'un programme d'ordinateur selon la revendication 7.
Dispositif (200 ; 300 ; 400) de compression de flux audio multicanal, comprenant une entrée (210 ; 310 ; 410) pour recevoir un flux audio multicanal décrivant une scène sonore produite par une pluralité de sources dans un espace, et une sortie (260 ; 390 ; 430) pour délivrer un flux compressé, caractérisé en ce qu'il comporte :
• une unité d'identification (220 ; 330 ; 440, 450) des sources, couplée à l'entrée (210 ; 310 ; 410), adaptée pour identifier les sources, à partir du flux, et pour déterminer pour chacune des sources identifiées une bande de fréquences, un niveau d'énergie et une position spatiale dans l'espace ;

• une unité de détermination (230 ; 340 ; 440, 450) de résolution spatiale, couplée à l'unité d'identification (220, 330 ; 440, 450), adaptée pour déterminer, pour chaque source identifiée, une résolution spatiale correspondant à une variation de position de ladite source dans l'espace la plus faible qu'un auditeur est susceptible de percevoir, en fonction
○ de la bande de fréquences, du niveau d'énergie, et de la position spatiale de ladite source ; et,

○ de la bande de fréquences, du niveau d'énergie, et de la position spatiale des autres sources identifiées ;

• une unité de génération (250 ; 360 ; 440, 450) du flux compressé, couplée à l'unité de détermination (230 ; 340 ; 440, 450) de résolution spatiale, adaptée pour former le flux compressé à partir des informations nécessaires pour restituer chaque source identifiée avec au moins la résolution spatiale correspondante, et délivrer le flux compressé sur la sortie (260 ; 390 ; 440, 450).
Dispositif selon la revendication 9, dans lequel l'unité d'identification (220 ; 330 ; 440, 450) est configurée pour identifier seulement les sources audibles.
Dispositif selon l'une quelconque des revendications 9 à 10, dans lequel l'unité de génération (360) est adaptée pour produire le flux compressé à partir des signaux lorsque ces derniers comportent des informations représentant la scène sonore dans une base d'harmoniques sphériques en:
• subdivisant l'espace en sous-espaces, et

• tronquant, pour chacun des sous-espaces, un ordre de représentation des signaux dans la base des harmoniques sphériques, jusqu'à obtenir une résolution spatiale sensiblement égale à la valeur maximale des résolutions spatiales associées aux sources présentes dans le sous-espace considéré.
Dispositif selon la revendication 11, dans lequel l'unité de génération (360) est configurée pour adapter la subdivision de l'espace en sous-espaces au cours du temps.
Dispositif selon l'une quelconque des revendications 11 à 12, comprenant en outre une unité de conversion (320) adaptée pour transposer des informations comprises dans les signaux du flux audio dans une base d'harmoniques sphériques.