JP2010049086A - 目的信号区間推定装置、目的信号区間推定方法、目的信号区間推定プログラム及び記録媒体 - Google Patents

Abstract

【課題】雑音環境下であって、なおかつ、目的信号の到来方向を正確に知ることが出来ない状況において、少ない計算量で精度よく目的信号区間を推定する。
【解決手段】複数のセンサで観測された各信号を所定の時間区間であるフレーム毎に切り出し、切り出された各センサについての各フレームの信号を周波数領域に変換し、時間周波数ビン毎の周波数領域信号を各センサについて生成する。また、基本周波数を推定し、基本周波数又はその倍音成分近傍のグリッドのみについて、基準センサに対応する周波数領域信号を基準として、当該基準センサ以外のセンサに対応する各周波数領域信号を正規化し、時間周波数ビン毎の正規化信号値を生成する。そして、グリッド毎に正規化信号値の偏在性を示す偏在値を求め、それらを用いてフレーム毎の偏在性を示す偏在性指標値を算出し、当該偏在性指標値を指標とし、各フレームが目的信号区間に対応するか否かを判定する。
【選択図】図１

Description

本発明は、信号処理技術に関し、特に、雑音が含まれる観測信号から目的信号が存在する区間を推定する技術に関する。

音声信号や音楽信号などの目的信号を処理対象とする符号化、雑音信号の抑圧、残響除去、自動音声認識などの音響信号処理技術では、複数種類の信号が含まれる入力音響信号から目的信号が存在する区間を推定する必要がある。この目的信号区間推定の精度はその後の信号処理性能に大きく影響する。

環境雑音下での目的信号区間推定を行う際に複数のマイクロフォンが利用可能な場合には、目的音響信号の区間を推定するために信号の到達時間差の情報を利用できる。従来、目的信号の到来方向を既知として到来方向の信号を強調することで目的信号区間推定を行う手法（非特許文献１）や、零交差数などの音響特徴に対する閾値を目的信号の推定到来方向の信頼度によって決定する方法（非特許文献２）や、空間スペクトルのピークの有無で音声の有無を推定する手法（非特許文献３）や、推定信号到来方向が時間的に一定となる区間を音声の存在する区間とする手法（非特許文献４）などがある。しかしながら、これらの方法で十分な精度を得るためには、目的信号の到来方向が既知であったり、周辺環境が静かであったりする必要がある。

また、複数のマイクロフォンを利用し、各マイクロフォンの信号に対してそれぞれ目的信号区間を推定した後、各マイクロフォンに対応する推定結果を比較して最終的な目的信号区間推定結果を得る手法が存在する（非特許文献５）。しかしながら、この方法では、複数のマイクロフォンを利用することによる空間情報（目的信号の到来方向の情報）を十分利用できていなかった。

その一方で、複数の音響信号が同時にあらゆる方向・あらゆる周波数帯域において到来するような環境（例えば街頭や駅・空港のような日常環境）で信号の到達時間差を用いて十分な目的信号区間推定精度を得るための手法として、一定範囲の時間周波数区間で推定した信号の到達時間差がある一定の値に偏る度合い（偏在性）を利用する手法（非特許文献６）がある。
Alvarez, A., Gomez, P., Nieto, V., Martinez, R., and Rodellar, V., "Application of a first-order differential microphone for efficient voice activity detection in a car platform", Proceedings of Interspeech, 2669-2672, 2005. 田中貴雅，傳田遊亀，中山雅人，西浦敬信，"Weighted CSP法と音声特徴量に基づくハンズフリー発話区間検出の検討"，日本音響学会2006年度春期全国大会講演論文集，1-P-3, pp. 149-150, Mar. 2006. 山本潔，浅野太，吉村隆，本村陽一，麻生英樹，原功，市村直幸，緒方淳，北脇信彦，"音響情報と画像情報の統合による発話区間検出・分離システムの評価，" 日本音響学会秋季研究発表会講演論文集，３−６−１０，Ｐ１２１−１２２，２００３． 藤本雅清，有木康雄，堂下修司，"マルチモーダルインタラクションによるニュース映像中の人物認識，"日本音響学会誌，Ｖｏｌ．６２，Ｎｏ．３，Ｐ１８２−１９２，２００６． 荒木章子，藤本雅清，石塚健太郎，澤田宏，牧野昭二，「音声区間検出と方向情報を用いた会議音声話者識別システムとその評価」，日本音響学会春季研究発表会，ｐｐ.１−４，２００８. Juan E. Rubio, Kentaro Ishizuka, Hiroshi Sawada, Shoko Araki, Tomohiro Nakatani, and Masakiyo Fujimoto, "Two-Microphone Voice Activity Detection Based on the Homogeneity of the Direction of Arrival Estimates," Proceedings of the 32nd International Conference on Acoustics, Speech, and Signal Processing, Vol. 4, pp. 385-388, 2007.

しかし、非特許文献６の方法では、全ての時間周波数区間での偏在性を計算するため多大な計算量を要し、また方向性の雑音がある場合にはそれも目的信号として検出してしまうという問題点がある。

本発明はこのような点に鑑みてなされたものであり、雑音環境下であって、なおかつ、目的信号の到来方向を正確に知ることが出来ない状況において、少ない計算量で精度よく目的信号区間を推定することが可能な技術を提供することを目的とする。

本発明では上記課題を解決するために、まず、信号抽出部が、複数のセンサで観測された各信号をそれぞれ所定の時間区間であるフレーム毎に切り出し、周波数領域変換部が、信号切出部で切り出された各フレームの信号を周波数領域に変換し、時間周波数ビン毎の周波数領域信号を各センサについて生成する。また、基本周波数推定部が、信号切出部で切り出された各フレームの信号の基本周波数をそれぞれ推定し、時間周波数領域分割部が、基本周波数又はその各倍音成分をそれぞれ含む有限の時間周波数区間であるグリッドをフレーム毎に１以上ずつ特定し、各グリッドに属する各時間周波数ビンの周波数領域信号を抽出する。その後、正規化部が、センサに含まれる特定の基準センサに対応する時間周波数領域分割部で抽出された周波数領域信号を基準として、少なくとも当該基準センサ以外のセンサに対応する各周波数領域信号を正規化し、センサで観測された信号の到来方向に対応する時間周波数領域分割部で抽出された正規化信号値を時間周波数ビン毎に生成する。そして、偏在性指標値算出部が、正規化信号値のグリッド毎の偏在性を示す偏在値を求め、当該グリッド毎の偏在値を用い、正規化信号値のフレーム毎の偏在性を示す偏在性指標値を算出する。

ここで、本発明の正規化部が生成する正規化信号値は信号の到来方方向に対応する値となる。通常、環境雑音は多様な方向からセンサに到来するのに対し、目的信号は或る方向のみからセンサに到来するという性質（性質１）を持つ。そのため、目的信号が存在しない時間周波数ビンの正規化信号値は広く分布する（偏在性が低い）のに対し、目的信号が存在する時間周波数ビンの正規化信号値は目的信号の到来方方向に対応する値の付近に偏って分布する（偏在性が高い）。また、同一の目的信号の基本周波数又はその倍音成分（基本周波数の整数倍の周波数成分）はそれぞれ時間周波数領域で狭く分布するのに対し、雑音のパワーは時間周波数領域に広く分布する（性質２）。本発明では、これらの性質を利用し、基本周波数又はその倍音成分をそれぞれ含む有限の時間周波数区間であるグリッド毎の偏在性を示す偏在値を求め、当該グリッド毎の偏在値を用い、正規化信号値のフレーム毎の偏在性を示す偏在性指標値を算出する。これにより、目的信号区間を精度よく推定することができる。また、本発明では、各グリッドに属する各時間周波数ビンのみについて正規化信号値を求め、各グリッドのみについて偏在値を求めるため、全ての時間周波数区間で正規化信号値や偏在値を求める場合に比べ演算量を削減できる。なお、このように正規化信号値の偏在性を指標とする場合、目的信号の到来方向を正確に知る必要はない。よって、本発明では、目的信号の正確な到来方向を推定できない場合であっても、適切に目的信号区間を推定することができる。

また、本発明において好ましくは、偏在性指標値算出部は、正規化信号値を量子化し、量子化された正規化信号値の頻度をグリッド毎に求め、グリッド毎のヒストグラムを生成するヒストグラム生成部と、グリッド毎のヒストグラムを用い、当該ヒストグラムの分布の偏りを示す偏在値をグリッド毎に算出する偏在性計算部と、同一のフレームに対応する各グリッドの偏在値を平均し、その平均値を当該フレームの偏在性指標値として算出する平均部と、を有する。

このように、同一のフレームに対応する各グリッドの偏在値を平均し、その平均値を当該フレームの偏在性指標値として算出することにより、パワーや到来方向が時間周波数領域に広く分布する雑音成分の影響を低減させ、目的信号区間の推定精度を向上させることができる。

また、本発明において好ましくは、ヒストグラム生成部は、重み係数を用い、量子化された正規化信号値の頻度を重み付けし、当該重み付けされた頻度を用いてグリッド毎のヒストグラムを生成する。この重み係数を適宜設定することにより、各環境に最適な目的信号区間推定方法が構築できる。

また、本発明において好ましくは、偏在性計算部は、グリッド毎のヒストグラムを用い、量子化された各正規化信号値にそれぞれ対応する値を確率変数とする確率密度関数をグリッド毎に求める確率密度関数生成部と、確率密度関数のエントロピーに対して単調増加する関数値、又は、当該エントロピーに対して単調減少する関数値を、偏在値として求める偏在値算出部とを有する。このように偏在値を求めることにより、目的信号が存在する区間で小さな値をとり、目的信号が存在しない区間で大きな値をとる偏在性指標値、又は、目的信号が存在する区間で大きな値をとり、目的信号が存在しない区間で小さな値をとる偏在性指標値を生成することが可能となる。

また、本発明において好ましくは、正規化部は、基準センサに対応する周波数領域信号の位相及び／又は振幅を基準とし、少なくとも当該基準センサ以外のセンサに対応する各周波数領域信号の位相及び／又は振幅を正規化し、当該正規化値又はその写像である正規化信号値を生成する。また、この場合に好ましくは、正規化信号値は、周波数成分が正規化され、周波数依存性が排除された値である。正規化信号値の周波数依存性が排除されていない場合、目的信号の時間周波数ビンにおける正規化信号値は、信号の到来方向と周波数とに依存した値となる。一方、正規化信号値の周波数依存性が排除されていた場合、目的信号の時間周波数ビンにおける正規化信号値は、信号の到来方向のみに依存した値となる。すなわち、同じ目的信号に対応する正規化信号値であったとしても、周波数依存性が排除された正規化信号値のほうが、周波数依存性が排除されていない正規化信号値よりも偏在性が高い。その結果、目的信号に起因する正規化信号値の偏在性がより明確に表れた偏在性指標値を得ることができ、偏在性指標値を指標として行われる目的信号区間の推定精度が向上する。

また、本発明において判定部は、例えば、各フレームの偏在性指標値又はそれらの写像と、所定の閾値と、の大小を比較し、各フレームが目的信号区間であるか否かを判定する。また、判定部が、判定対象のフレームの偏在性指標値と、を非目的信号区間のフレームの偏在性指標値との比である除算値又は当該除算値の写像が、所定の閾値以上であった場合に判定対象のフレームが目的信号区間であると判定するか、当該所定の閾値を超える場合に判定対象のフレームが目的信号区間であると判定してもよい。また、例えば、判定部が、事前学習されたフレームの偏在性指標値と当該フレームが目的信号区間であるか否かの判定結果との関係を用いたパターン認識により、偏在性指標値算出部で算出された偏在性指標値に対応するフレームが目的信号区間であるか否かを判定してもよい。

以上のように本発明では、雑音環境下であって、なおかつ、目的信号の到来方向を正確に知ることが出来ない状況において、少ない計算量で精度よく目的信号区間を推定することが可能となる。

以下、本発明を実施するための最良の形態を図面を参照して説明する。
図１は、本形態の目的信号区間推定装置１０の全体構成を例示したブロック図である。また、図２は、図１の偏在性指標値算出部１６の詳細構成を例示したブロック図である。また、図３は、図１の判定部１７の詳細構成を例示したブロック図である。

＜構成＞
図１に例示するように、本形態の目的信号区間推定装置１０は、信号切出部１１と周波数領域変換部１２と基本周波数推定部１３と時間周波数領域分割部１４と正規化部１５と偏在性指標値算出部１６と判定部１７と制御部１８と記憶部１９とを具備し、Ｓ（Ｓ≧２）個のセンサ２０−１〜Ｓで観測され、サンプリング部３０でサンプリングされた信号が入力され、目的信号区間の分析結果を出力する装置である。また、図２（ａ）に例示するように、この例の偏在性指標値算出部１６は、ヒストグラム生成部１６ａと確率密度関数計算部１６ｂとエントロピー計算部１６ｃと平均部１６ｄを具備する。また、図２（ｂ）に例示するように、この例の判定部１７は、相対値計算部１７ａと尤度比算出部１７ｂと閾値判定部１７ｃとを具備する。

なお、目的信号区間推定装置１０は、例えば、ＣＰＵ（central processing unit），ＲＡＭ（random access memory），ＲＯＭ（read only memory）等から構成される公知のコンピュータに所定のプログラムを実行させることによって構成されるものである。

＜処理＞
次に、本形態の目的信号区間推定方法について説明する。
本形態の目的信号区間推定方法では、複数のセンサ２０−１〜Ｓ（Ｓ≧２）で観測された各信号を時間周波数分析し、特定の基準センサを基準とした正規化信号値を求め、所定の時間周波数区間であるグリッド内における正規化信号値の偏在性に基づいて、目的信号の有無を検出して出力する。なお、本形態では、複数のセンサ２０−１〜Ｓとしてマイクロフォンを利用し、それらで観測された各音響信号を用い、音声信号や音楽信号などの目的信号の有無を検出して出力する場合を例示する。また、以下では明記しないが、目的信号区間推定装置１０は、制御部１８の制御に基づいて各演算処理を実行し、各演算処理の過程で得られたデータは記憶部１９に逐次格納され、それ以降の各演算処理に利用される。

図４は、本形態の目的信号区間推定方法を説明するためのフローチャートである。また、図５は、ステップＳ７の詳細を説明するためのフローチャートであり、図６は、ステップＳ８の詳細を説明するためのフローチャートである。以下、これらのフローチャートに沿って本形態の目的信号区間推定方法を説明していく。

まず、Ｓ（Ｓ≧２）個のセンサ２０−１〜Ｓでそれぞれ観測された各信号がサンプリング部３０に入力される。これらの信号には音声信号や音楽信号等目的信号の他に環境雑音信号も含まれる。サンプリング部３０は、各信号を所定（例えば16,000Hz）のサンプリング周波数ｆ_ｓでサンプリングし、これにより各センサ２０−１〜Ｓに対応する時間領域の信号x(1,t),...,x(S,t)を抽出する（ステップＳ１）。なお、tはt番目のサンプリング点を示す。

サンプリング部３０で抽出された各時間領域の信号x(1,t),...,x(S,t)は、目的信号区間推定装置１０の信号切出部１１に入力される。信号切出部１１は、入力された各信号x(1,t),...x(S,t)を所定の時間区間であるフレーム毎に切り出し、各センサ２０−１〜Ｓについての各フレームi（ｉはフレームインデックスを示す）の信号x’(1,i,n),...,x’(S,i,n)を抽出する（ステップＳ２）。なお、nはフレームiにおけるn番目のサンプル点を表す。具体的には、信号切出部１１は、例えば、入力された各信号x(1,t),...,x(S,t)に対し、それぞれ所定の窓関数を例えば時間軸方向に１６ｍｓずつ移動（シフト）させながら乗じ、これにより、例えば３２ｍｓの時間長の信号x’(1,i,n),...,x’(S,i,n)を切り出す。より具体的には、例えば、サンプリング周波数が16,000Hzの場合、信号切出部１１は、入力された各信号x(1,t),...,x(S,t)に対し、それぞれ例えば式（１）のハニング窓を２５６サンプル点（１６，０００Ｈｚ×１６ｍｓ）ずつ移動（シフト）させながら乗じ、センサ２０−１〜Ｓ毎に、５１２サンプル点（１６，０００Ｈｚ×３２ｍｓ）の離散信号を１フレーム分の信号として切り出す。ここで、Lは切り出される１フレーム分の信号のサンプル点数（フレーム長：上述の例ではL=512）を表す。

信号切出部１１は、以上のように切り出した各センサ２０−１〜Ｓについての各フレームiの信号x’(1,i,n),...,x’(S,i,n)を出力し、これらは周波数領域変換部１２に入力される。

周波数領域変換部１２では、各センサ２０−１〜Ｓについての各フレームiの信号x’(1,i,n),...,x’(S,i,n)を周波数領域に変換し、時間周波数ビン(i,k)毎の周波数領域信号（周波数領域スペクトル）X(1,i,k),...,X(S,i,k)を各センサ２０−１〜Ｓについて生成する（ステップＳ３）。離散フーリエ変換によってこの変換を行う場合、周波数領域変換部１２は、以下の式（２）のように周波数領域信号X(1,i,k),...,X(S,i,k)を算出する。

ここで、ｊは虚数単位を示し、ｓ（s∈{1,...,S}）は各センサ２０−１〜Ｓの番号を示す。また、ｋ（k=0,...,M-1）は周波数インデックスであり、サンプリング周波数ｆ_ｓをＭ等分した離散点を表す。Ｍはフレーム長Ｌ以上の自然数であり、例えば、M=512とする。周波数領域変換部１２は、以上のような変換によって得られた周波数領域信号（周波数スペクトル）X(1,i,k),...,X(S,i,k)を出力する。

また、信号切出部１１で切り出された各センサ２０−１〜Ｓについての各フレームiの信号x’(1,i,n),...,x’(S,i,n)は、基本周波数推定部１３にも入力される。基本周波数推定部１３は、各フレームiの時間領域の信号x’(1,i,n),...,x’(S,i,n)を用い、各センサs及びフレームi毎の基本周波数F₀(1,i),...,F₀(S,i)をそれぞれ推定する（ステップＳ４）。この推定には、例えば以下の自己相関法（例えば、「Quatieri, T. F., "Discre-time Speech Signal Processing principles and practice," Prentice-Hall, 2002; pp. 504-505」参照）を用いる。この場合、基本周波数推定部１３は、まず、以下のように各センサs及びフレームi毎の自己相関関数の係数c(s,i,n)をn=1,...,Lについて求める。

なお、周波数領域変換部１２が離散フーリエ変換によって周波数領域信号X(1,i,k),...,X(S,i,k)を算出する場合、基本周波数推定部１３は、周波数領域変換部１２の出力である各周波数領域信号X(1,i,k),...,X(S,i,k)の絶対値を２乗して逆フーリエ変換し、各自己相関関数の係数c(s,i,n)を求めることもできる。

次に、基本周波数推定部１３は、各センサs及びフレームi毎に、nの一定の探索範囲、例えば、32≦n≦320（サンプリング周波数f_s=16,000Hzの場合の50Hzから500Hzの周波数範囲に該当）の範囲内において、自己相関関数の係数c(s,i,n)が最大となるnを検出する。その結果得られたnは、入力信号x’(1,i,n),...,x’(S,i,n)の当該探索範囲において最も支配的な周期成分の周期長に対応し、入力信号x’(1,i,n),...,x’(S,i,n)がそれぞれ単一の完全な周期信号（例えば、正弦波）の場合にはその周期長に対応する。基本周波数推定部１３は、サンプリング周波数f_sを各センサs及びフレームi毎に得られたnで割ることで、各センサs及びフレームi毎の基本周波数F₀(1,i),...,F₀(S,i)を生成し、これらを出力する。なお、基本周波数の推定方法として、並列処理法、SIFTアルゴリズム、ケプストラム分析等を用いてもよい（例えば、「古井貞煕，“デジタル音声処理”，東海大学出版，ISBN4-486-00896-0」参照）。

次に、時間周波数領域分割部１４に、各基本周波数F₀(1,i),...,F₀(S,i)と、周波数領域信号X(1,i,k),...,X(S,i,k)とが入力される。時間周波数領域分割部１４は、入力された各基本周波数F₀(1,i),...,F₀(S,i)又はその各倍音成分（基本周波数の整数倍の周波数成分）をそれぞれ含む有限の時間周波数区間であるグリッドを各センサs及びフレームi毎に１以上ずつ特定し、各グリッドに属する各時間周波数ビンの周波数領域信号XGRID₁(1,i,k),...,XGRID_G(S,i,k)を抽出して出力する（ステップＳ５）。なお、センサsのフレームiの各グリッドは、基本周波数F₀(s,i)又はその各倍音成分の近傍にある一定の時間周波数区間であり、例えば、基本周波数F₀(s,i)に最も近い時間周波数ビンから所定の時間周波数範囲にある時間周波数区間、及び、基本周波数F₀(s,i)の各倍音成分にそれぞれ最も近い時間周波数ビンから所定の時間周波数範囲にある時間周波数区間である。例えば、基本周波数F₀(s,i)に最も近い周波数ビン及び基本周波数F₀(s,i)の各倍音成分にそれぞれ最も近い周波数ビンをk'と表現すると（f=f_s・k'/Mが基本周波数F₀(s,i)又はその各倍音成分に最も近くなる）、センサsのフレームiの各グリッドに属する各時間周波数ビンの周波数領域信号XGRID_g(s,i,k)（g=1,...,G）は以下のように表現できる。
XGRID_g(s,i,k)={X(s,i+P,k'+Q)} ...(4)

ここで、Aは時間方向の幅を示し、Bは周波数方向の幅を示し、｛・｝は・を要素とする集合を意味する。A、Bには例えばA=9,B=5（時間幅160ms、周波数幅156.25Hz）を用いる。また、Ｇは基本周波数及びその各倍音成分の合算数を示す。Ｇは例えば定数である。

［好ましいグリッド幅の設定方法］
なお、前述したように、本発明では、正規化信号値のグリッド毎の偏在性を示す偏在値を求め、当該グリッド毎の偏在値を用い、正規化信号値のフレーム毎の偏在性を示す偏在性指標値を算出し、そのフレームが目的信号区間であるか否かの判定を行う。ここで、グリッドの時間周波数区間が広すぎるとグリッド内での正規化信号値の偏在性が平坦化され、偏在性から目的信号区間であるか非目的信号区間であるかを判定することが困難となる。逆にグリッドの時間周波数区間が狭すぎると、サンプル数が少ないため全てのグリッドでの正規化信号値の偏在性が高くなり、偏在性から目的信号区間であるか非目的信号区間であるかを判定することが困難となる。よって、グリッド幅はこのような問題が生じない範囲で設定する必要がある。以下に好ましいグリッド幅の設定方法について説明する。

《式（５）のAについて》
信号が音声信号の場合、およそ音声信号の定常性が仮定できる50〜300 msの時間長に対応するAを決定すればよい。すなわち、フレームシフトの幅をSF msとすると、50/SF〜300/SFの間の整数値をAとすればよい。また、話者の発話速度SR syllables/sec（１秒あたりに発話される音節数）が事前に分かるならば、(1000/SR)/SF近傍の（例えば最も近い）整数値をAとしてもよい（例えば、SR=7 syllables/sec, SF=16msならば、(1000/SR)/SF=(1000/7)/16=8.93なので、A=9とする、など）。また、対象信号が音楽信号ならば、音楽のリズム（音声のSRに対応）から同様にAを求める値を用いることが望ましい。

《式（５）のBについて》
基本的に、窓関数w(n)のメインローブ幅から得られる幅を用いるとよい。例えば、窓関数w(n)の離散フーリエ変換値をW(k)とし、1<k<M/2の範囲で20 log₁₀(W(k)/W(0))> -60dBを満たす最大の周波数ビンkをcfとし、cf・2＋１近傍の（例えば最も近い）整数値をBとする。この値はサンプリング周波数f_s，分析フレーム長L，離散フーリエ変換の周波数ビンの総数Mに応じて変化する（例えば、サンプリング周波数 8kHz，窓関数の幅が256サンプル点，M=256ならば、cf=2となり、B=5となる）。

また、基本周波数推定部１３で推定された基本周波数がF₀(s,i)Hzであった場合には、一つのグリッドに２つ以上の音声信号の調波成分が入らないように、例えばB=2・F₀(s,i)/(f_s/M)+1により定め、これが上記のメインローブ幅から求まる幅より大きくなる場合は、上記のメインローブ幅から求める値を採用することとしてもよい。例えば、サンプリング周波数 8kHz，窓関数の幅が256サンプル点，M=256のとき、F₀(s,i)=50 HzならB=2・50・（8000/256）+1＝4.2となるので、例えばB=4とする。一方、F₀(s,i)=200 HzならB=2・200・（8000/256）+1＝13.8となるが、上記のメインローブ幅から求める値B=5よりも大きくなるため、B=5を採用する。これは、メインローブ幅の中でのみ音声信号の到来方向が偏在することによる。これらは目的信号が音楽信号である場合も同様である（「好ましいグリッド幅の設定方法」の説明終わり）。

次に、時間周波数領域分割部１４から出力された各グリッドに属する各時間周波数ビンの周波数領域信号XGRID₁(1,i,k),...,XGRID_G(S,i,k)が正規化部１５に入力される。正規化部１５は、特定の基準センサs_B∈{1,...,S}に対応する時間周波数領域分割部１４で抽出された周波数領域信号XGRID₁(s_B,i,k),...,XGRID_G(s_B,i,k)を基準として、少なくとも当該基準センサs_B以外のセンサs(≠s_B)に対応する時間周波数領域分割部１４で抽出された各周波数領域信号XGRID₁(s,i,k),...,XGRID_G(s,i,k)を正規化し、センサで観測された信号の到来方向に対応する正規化信号値ZGRID₁(i,k),...,ZGRID_G(i,k)を時間周波数ビン(i,k)毎に生成する（ステップＳ５）。なお、このような各正規化信号値ZGRID₁(i,k),...,ZGRID_G(i,k)は、目的信号が存在する時間周波数ビン(i,k)において、目的信号の到来方向に対応する値に偏ったものとなる。以下に正規化部１５が生成する正規化信号値ZGRID_g(i,k)（g=1,...,G）の例を示す。

［正規化信号値ZGRID_g(i,k)の例］
本形態では正規化信号値ZGRID_g(i,k)の一例として、Ｓ＝２とし、基準センサ２０−１に対応する周波数領域信号XGRID_g(1,i,k)と、他方のセンサ２０−２に対応する周波数領域信号XGRID_g(2,i,k)とから信号到来方向を推定し、その信号到来方向推定値を正規化信号値ZGRID_g(i,k)とする（正規化信号値ZGRID_g(i,k)の例１）。この例では、正規化部１５は、以下の式（７）（８）によって算出された信号到来方向θ_g(i,k)を正規化信号値ZGRID_g(i,k)とする。なお、νは音速（約340ｍ/秒）を示し、dはセンサ間距離（ｍ）を示し、fは周波数ビンｋに対応する離散周波数f=f_s・k/Mを示し、arg(・)は・の位相（偏角）を示す。また、τ_g(i,k)は信号源から各センサ２０−１，２までの信号到達時間差を示し、θ_g(i,k)は信号到来方向推定値を示す。また、式（８）によって算出される信号到来方向θ_g(i,k)は、センサ２０−１，２を結ぶ線分の中点を通り、その線分と直交する方向を0radianとした角度（radian）である。なお、このように算出された正規化信号値ZGRID_g(i,k)は、周波数成分ｆが正規化され、周波数依存性が排除された値となる。

また、前述の式（７）で算出された信号到達時間差τ_g(i,k)を正規化信号値ZGRID_g(i,k)としてもよい（正規化信号値ZGRID_g(i,k)の例２）。なお、このように算出された正規化信号値ZGRID_g(i,k)も周波数成分ｆが正規化され、周波数依存性が排除された値となる。

また、周波数領域信号XGRID_g(2,i,k)の位相に対する周波数領域信号XGRID_g(1,i,k)の位相差arg(XGRID_g(2,i,k)/XGRID_g(1,i,k))を正規化信号値ZGRID_g(i,k)としてもよいし（正規化信号値ZGRID_g(i,k)の例３）、周波数領域信号XGRID_g(2,i,k)の位相と周波数領域信号XGRID_g(1,i,k)の位相との差arg(XGRID_g(2,i,k))- arg (XGRID_g(1,i,k))を正規化信号値ZGRID_g(i,k)としてもよい（正規化信号値ZGRID_g(i,k)の例４）。さらに、周波数領域信号XGRID_g(2,i,k)振幅に対する周波数領域信号XGRID_g(1,i,k)の振幅の比｜XGRID_g(2,i,k)｜/｜XGRID_g(1,i,k)｜を正規化信号値ZGRID_g(i,k)としてもよいし（正規化信号値ZGRID_g(i,k)の例５）、周波数領域信号XGRID_g(1,i,k)のパワーに対する周波数領域信号XGRID_g(2,i,k)のパワーの比｜XGRID_g(2,i,k)｜^２/｜XGRID_g(1,i,k)｜^２を正規化信号値ZGRID_g(i,k)としてもよい（正規化ZGRID_g(i,k)の例６）。何れの場合も、目的信号が存在する時間周波数ビン(i,k)においてのみ、目的信号の到来方向に対応する値に偏った値を取るため、正規化信号値ZGRID_g(i,k)の偏在性を指標として目的信号が存在するか否かを判定できる。

また、上記ではセンサの数が２つの場合を例示したが、センサの数が３以上の場合は、例えば以下のように、目的信号の到来方位角推定値θ_g(i,k)と仰角推定値φ_g (i,k)とを求め、それら２つの値を時間周波数ビン(i,k)に対する正規化信号値ZGRID_g(i,k)としてもよい（正規化信号値ZGRID_g(i,k)の例７）。

まず、各センサ２０−s（s=1,...,S）の空間中の座標ベクトルをｄ_ｓ＝［ｘ座標，ｙ座標，ｚ座標］とする。また、J（J∈(1,...,S)）番目のセンサ２０−Jを基準センサとし、基準センサ２０−Jと各センサ２０−sとの距離ベクトルDを以下の式（９）のように設定する。なお、[・]^Tはベクトル・の転置を示す。

D=[d₁-d_J, d₂-d_J,...,d_S-d_J]^T ...(9)
また、基準センサ２０−Jと各センサ２０−sとの信号到達時間差τ_g(s,i,k)を以下の式（１０）で求め、それらを要素とした信号到達時間差ベクトルτ_g'(i,k)を以下の式（１１）のように求める。

τ_g'(i,k)=[τ_g(1,i,k),τ_g(2,i,k),...,τ_g(S,i,k)]^T ...(11)
上述の式（９）〜（１１）には以下の式（１２）の関係が成り立ち、以下の式（１２）から目的信号の到来方位角推定値θ_g(i,k)と仰角推定値φ_g(i,k)とを求める。なお、式（１２）におけるD^-1はムーア・ペンローズ型一般化逆行列などの一般化逆行列である。また、目的信号の到来方位角とはｘ−ｙ平面上の目的信号の到来方向を意味し、目的信号の仰角とはｘ−ｚ平面上の目的信号の到来方向を意味する。また、ｙ軸線方向が0radianである。

ν・D^-1・τ_g'(i,k)=[cosθ_g(i,k) cosφ_g(i,k),sinθ_g(i,k)sinφ_g(i,k),sinφ_g(i,k)] ^T ...(12)
また、上述の正規化信号値Z (i,k)の例１〜７で例示した正規化信号値ZGRID_g(i,k)を組み合わせ、時間周波数ビン(i,k)毎に２以上の正規化信号値ZGRID_g(i,k)算出する構成であってもよい（正規化信号値ZGRID_g(i,k)の例８）。例えば、位相差arg(XGRID_g(2,i,k)/XGRID_g(1,i,k))と振幅の比｜XGRID_g(2,i,k)｜/｜XGRID_g(1,i,k)｜との組を時間周波数ビン(i,k)の正規化信号値ZGRID_g(i,k)としてもよい。また、例えばS=3とし、位相差arg(XGRID_g(2,i,k)/XGRID_g(1,i,k))と振幅の比｜XGRID_g(3,i,k)｜/｜XGRID_g(1,i,k)｜との組を時間周波数ビン(i,k)の正規化信号値ZGRID_g(i,k)としてもよい。また、上述のように生成した値の写像を正規化信号値ZGRID_g(i,k)としてもよい（［正規化信号値ZGRID_g(i,k)の例］の説明終わり）。

以上のようにステップＳ６では、正規化部１５が上述のような正規化信号値ZGRID₁(i,k),...,ZGRID_G(i,k)を生成し、出力する。

正規化部１５から出力された各正規化信号値ZGRID₁(i,k),...,ZGRID_G(i,k)は、偏在性指標値算出部１６に入力される。偏在性指標値算出部１６は、各正規化信号値ZGRID₁(i,k),...,ZGRID_G(i,k)のグリッド毎の偏在性を示す偏在値H₁(i,k),...,H_G(i,k)を求め、当該グリッド毎の偏在値H₁(i,k),...,H_G(i,k)を用い、正規化信号値のフレームi毎の偏在性を示す偏在性指標値H(i)を算出する（ステップＳ７）。以下にステップＳ７の詳細を例示する。

［ステップＳ７の例］
この例の場合、まず、偏在性指標値算出部１６のヒストグラム生成部１６ａ（図２）が、入力された各正規化信号値ZGRID₁(i,k),...,ZGRID_G(i,k)をそれぞれＣ個の値Z(c)(c=1,..,C)に量子化し、量子化された正規化信号値Z(c)の頻度bin₁(i,k,c),...,bin_G(i,k,c)(c=1,...,C)をグリッド毎に求め、グリッド毎のヒストグラムを生成する（ステップＳ７１）。例えば、正規化信号値ZGRID_g(i,k)が信号到来方向θ_g(i,k)であり、Ｃ＝３２であった場合、各正規化信号値ZGRID_g(i,k)は以下のようなＣ個の正規化信号値Z(c)に量子化される。

Z(1) (-π/2≦ZGRID_g(i,k)＜-7π/16)
Z(2) (-7π/16≦ZGRID_g(i,k)<-3π/16)
・・・
Z(C) (7π/16<ZGRID_g(i,k)<π/2)
なお、前述の式（７）で算出された信号到達時間差τ_g(i,k)を正規化信号値ZGRID_g(i,k)とした場合には、ヒストグラム生成部１６ａは、例えば｜τ_g(i,k)｜≦(d/ν)×α（αは正の定数）の単位で正規化信号値ZGRID_g(i,k)をＣ個に量子化する。

そして、ヒストグラム生成部１６ａは、時間周波数ビン(i,k)毎に正規化信号値ZGRID_g(i,k)がいずれの正規化信号値Z(c)に対応するかを判断し、その頻度をグリッド毎にカウントし、グリッド毎のヒストグラムを生成する。この際、ヒストグラム生成部１６ａが、或る重み係数を用い、量子化された正規化信号値Z(c)の頻度を重み付けし、当該重み付けされた頻度を用いてグリッド毎のヒストグラムを生成してもよい。例えば、ヒストグラム生成部１６ａが、頻度のカウントの際、対応する時間周波数ビン(i,k)の重み係数W(i,k)で頻度を重み付けしてもよい。より具体的には、例えば、時間周波数ビン(1,2)の正規化信号値ZGRID_g(i,k)を量子化した値がZ(5)であった場合、Z(5)に対する頻度としてW(1,2)をカウントする。すなわち、正規化信号値ZGRID_g(i,k)に対する、量子化された正規化信号値Z(c)の頻度bin_g(i,k,c)(c=1,...,C)は、例えば、以下の式（１３）のようにカウントされてもよい。

bin_g(i,k,c)=ΣW(i+P,k+Q) if ZGRID_g(i+P,k+Q)∈Z(c) ...(13)

《重み係数W(i,k)の例》
以下に重み係数W(i,k)の例を示す。重み係数W(i,k)の例として、例えば、以下の式（１４）のように、全センサについての周波数領域信号X(1,i,k),...,X(S,i,k)のパワーを合算し、それを全センサ・全周波数についての周波数領域信号X(1,i,k),...,X(S,i,k)のパワー総和で正規化した値を例示できる（重み係数W(i,k)の例１）。

また、重み係数W(i,k)として、例えば、以下の式（１５）のように、全センサについての周波数領域信号X(1,i,k),...,X(S,i,k)の振幅の絶対値を合算し、それを全センサ・全周波数についての周波数領域信号X(1,i,k),...,X(S,i,k)の振幅の絶対値の総和で正規化した値を用いてもよい（重み係数W(i,k)の例２）。

また、式（１４）（１５）のような正規化を行わないで重み係数W(i,k)を求めてもよい（重み係数W(i,k)の例３）。この場合であっても、雑音環境によっては十分に目的信号区間推定が可能な場合もある。例えば、以下の式（１１）（１２）のように重み係数W(i,k)を求めてもよい。

また、全センサについての周波数領域信号X(1,i,k),...,X(S,i,k)の振幅の絶対値やパワーを合算するのではなく、一部のセンサについての周波数領域信号X(1,i,k),...,X(S,i,k)の振幅の絶対値やパワーを合算したり、以下の式（１８）（１９）のように１個のセンサ２０−Ｊの周波数領域信号X(J,i,k)の振幅の絶対値やパワーを重み係数W(i,k)としたりしてもよい（重み係数W(i,k)の例４）。なおこの場合には、できるだけ信号源に近い（出来れば最も近い）センサ２０−Jの周波数領域信号X(J,i,k)を用いることが望ましい。信号源に近いセンサ２０−Jほど、遅延や畳み込みの影響が少なく、適切な重み係数W(i,k)を算出できるからである。

W(i,k)=|X(J,i,k)| ...(18)
W(i,k)=|X(J,i,k)|² ...(19)
なお、重み係数W(i,k)を１などの固定値としてもよい。また、雑音環境や目的信号の状況に応じ、重み係数W(i,k)を１などの固定値とする場合と、重み係数W(i,k)の例１〜４のように重み係数W(i,k)を逐次算出する場合と、を切り替え制御可能な構成としてもよい（《重み係数W(i,k)の例》の説明終わり）。

図１１は、以上のように生成したヒストグラムを、横軸を量子化された正規化信号値（信号到来方向）Z(c)とし、縦軸を正規化された重み付け後の頻度bin_g(i,k,c)として表示した例である。ここで、図１１（ａ）は、目的信号が存在する時間周波数ビンを含むグリッドについて作成されたヒストグラムであり、図１１（ｂ）は、目的信号が存在せず、雑音信号のみが存在する時間周波数ビンを含むグリッドについて作成されたヒストグラムの例示である。なお、これらの例において重み係数W(i,k)は１である。

図１１（ａ）（ｂ）の対比から分かるように、目的信号が存在する時間周波数ビンを含むグリッドのヒストグラム（図１１（ａ））は、正規化信号値Z(c)が特定の値に偏った分布をみせる（偏在性が高い）のに対し、目的信号が存在せず、雑音信号のみが存在する時間周波数ビンを含むグリッドのヒストグラム（図１１（ｂ））は、幅広く分布する形状となることが分かる。

ヒストグラム生成部１６ａは、以上のように生成したグリッド毎のヒストグラムを特定するためのbin_g(i,k,c)(c=1,...,C)を出力し、bin_g(i,k,c)は確率密度関数計算部１６ｂに入力される。

確率密度関数計算部１６ｂは、bin_g(i,k,c)を用い、以下の式（２０）のようにヒストグラムを確率密度関数P_g(i,k,c)とみなし、量子化された各正規化信号値にそれぞれ対応する値c=1,...,Cを確率変数とする確率密度関数P_g(i,k,c)を算出し、出力する（ステップＳ７２）。

出力されたグリッド毎の各確率密度関数P_g(i,k,c)は、エントロピー計算部１６ｃに入力され、エントロピー計算部１６ｃは、以下の式（２１）のようにグリッド毎のエントロピーH_g(i,H)を求め、各グリッドの偏在値として出力する。

このように算出したエントロピーH_g(i,k)は、正規化信号値Z(c)のヒストグラムが特定の値に偏った分布をみせる場合には低い値となり、幅広く分布する場合には高い値となり、ヒストグラムの分布の偏りを示す。すなわち、図１１（ａ）のように、目的信号が存在する時間周波数ビンを含むグリッドのヒストグラムは、正規化信号値Z(c)が特定の値に偏るため、エントロピーH_g(i,k)は小さくなる。なお、このエントロピーの大小を反転させるため、エントロピー計算部１６ｃがさらに以下の計算を行い、その演算結果を各グリッドの偏在値として出力としてもよい。

この演算結果は、エントロピーH_g(i,k)の大小を反転させたものであり、目的信号が存在するグリッドで大きい値をとり、それ以外のグリッドで小さい値をとり、ヒストグラムの分布の偏りを示す。以下では、エントロピー計算部１６ｃから出力される各グリッドの偏在値を式（２１）の演算結果も含めてH_g(i,k)と表現する。

エントロピー計算部１６ｃから出力された各グリッドの偏在値H_g(i,k)は、平均部１６ｄに入力される。平均部１６ｄは、同一のフレームiに対応する各グリッドの偏在値H_g(i,k)を平均し、その平均値を当該フレームiの偏在性指標値H(i)として算出する（ステップＳ７４）。すなわち、平均部１６ｄは、同一のフレームiに対応する各グリッドの偏在値H_g(i,k)をg=1,...,Gについて合算し、Gで割ることにより当該フレームiの偏在性指標値H(i)を算出する。

なお、ここではヒストグラムの偏りを示す指標としてエントロピーを用い、それを偏在性指標値H(i)としているが、その他の正規化信号値ZGRID_g(i,k)の偏在性を示す指標を在性指標値H(i)としてもよい。以下に他の偏在性指標値H(i)を例示する。

《偏在性指標値H(i)の変形例》
例えば、図２の偏在性指標値算出部１６の代わりに、図７の偏在性指標値算出部１６を用いてもよい（偏在性指標値H(i)の変形例１）。この例では分散を偏在性指標値H(i)として用いる。この場合、まず、偏在性指標値算出部１６の平均値算出部１６ｅに、正規化信号値ZGRID_g(i,k)が入力される。平均値算出部１６ｅは、以下の式（２２）のように、時間周波数ビン(i,k)毎に各正規化信号値ZGRID_g(i,k)を重み係数W(i,k)で重み付けし、グリッド毎に重み付け後の平均値Ｅ_g(i,k)を求めて出力する。なお、μはグリッド毎の正規化信号値ZGRID_g(i,k)の要素数である。

偏在性指標値算出部１６の分散計算部１６ｆには、平均値Ｅ_g(i,k)と、各正規化信号値ZGRID_g(i,k)とが入力され、以下の式（２３）のように分散H_g(i,k)を計算し、それを各グリッドの偏在値H_g(i,k)として出力する。

分散計算部１６ｆから出力された各グリッドの偏在値H_g(i,k)は、平均部１６ｄに入力される。平均部１６ｄは、同一のフレームiに対応する各グリッドの偏在値H_g(i,k)を平均し、その平均値を当該フレームiの偏在性指標値H(i)として算出する。

また、図２の偏在性指標値算出部１６の代わりに、図８の偏在性指標値算出部１６を用いてもよい（偏在性指標値H(i)の変形例２）。この例では尖度を偏在性指標値H(i)として用いる。

この場合、まず、偏在性指標値算出部１６の平均値算出部１６ｅに、正規化信号値ZGRID_g(i,k)が入力される。平均値算出部１６ｅは、式（２２）のように、時間周波数ビン(i,k)毎に各正規化信号値ZGRID_g(i,k)を重み係数W(i,k)で重み付けし、重み付け後の平均値Ｅ_g(i,k)を求めて出力する。また、偏在性指標値算出部１６の分散計算部１６ｇには、平均値Ｅ_g(i,k)と、各正規化信号値ZGRID_g(i,k)とが入力され、式（２３）と同様に分散σ_g (i,k)を計算し出力する。

さらに尖度計算部１６ｈに、分散σ_g(i,k)と、平均値Ｅ_g(i,k)と、各正規化信号値ZGRID_g(i,k)とが入力され、尖度計算部１６ｈは、例えば以下の式（２４）によって尖度H_g(i,k)を求めて出力する。

尖度計算部１６ｈから出力された各グリッドの偏在値H_g(i,k)は、平均部１６ｄに入力される。平均部１６ｄは、同一のフレームiに対応する各グリッドの偏在値H_g(i,k)を平均し、その平均値を当該フレームiの偏在性指標値H(i)として算出する。

また、標準偏差等その他正規化信号値ZGRID_g(i,k)の偏在性を示す統計量を各グリッドの偏在値H_g(i,k)とし、それをフレームi毎に平均して偏在性指標値H(i)としてもよい。

さらに、時間周波数ビン(i,k)毎に２種類以上の正規化信号値ZGRID_g(i,k)（例えば位相差と振幅比）が生成されている場合には、当該２種類以上の正規化信号値ZGRID_g(i,k)の偏在性をそれぞれ示す２以上の偏在性指標値H(i)を算出してもよいし、当該２種類以上の正規化信号値ZGRID_g(i,k)を要素とするベクトルの偏在性を示す偏在性指標値H(i)を算出してもよいが、２以上の偏在性指標値H(i)を算出する場合と１種類の偏在性指標値H(i)を算出する場合とでは、後述する判定部１７での処理内容が相違する（《偏在性指標値H(i)の変形例》［ステップＳ７の例］の説明終わり）。

上述のように偏在性指標値算出部１６から出力された正規偏在性指標値H(i)は、判定部１７に入力され、判定部１７は、偏在性指標値H(i)を指標とし、各フレームが目的信号区間であるか否かを判定する（ステップＳ８）。

本形態の判定部１７は、判定対象のフレームの偏在性指標値と、非目的信号区間のフレームの偏在性指標値と、の比である除算値又は当該除算値の写像が、所定の閾値以上であった場合に判定対象のフレームが目的信号区間であると判定するか、当該所定の閾値を超える場合に判定対象のフレームが目的信号区間であると判定する。

［ステップＳ８の詳細］
図３及び図６に示す例では、まず、判定部１７の相対値算出部１７ａ（図３）は、式（２１）によって算出されて偏在性指標値算出部１６から出力された偏在性指標値のうち、判定対象のフレームの偏在性指標値H’(i)とし、目的信号が存在しないと推定される非目的信号区間のフレームの偏在性指標値λとし、それらの比である除算値γ(i)を以下のように算出して出力する（ステップＳ８１）。なお、目的信号が存在しないと推定される非目的信号区間の一例、例えば、i=1,...,20などの初期区間である。

γ(i)=H’(i)/λ ...(25)
次に、尤度比算出部１７ｂに除算値γ(i)が入力され、尤度比算出部１７ｂは、以下の式（２６）に従って尤度比Λ(i)を算出して出力する（ステップＳ８２）。なお、式（２６）の対数は自然対数である。また、この尤度比の計算式は、例えば、Shon, J, Kim, N.-S., and Sung, W., “A Statistical Model-based Voice Activity Detection,” IEEE Signal Processing Letters, Vol. 6, No. 1, pp.1-3, 1999.等に開示されている。

次に、閾値判定部１７ｃに尤度比Λ(i)が入力され、閾値判定部１７ｃは尤度比Λ(i)と所定の閾値thとを比較し、尤度比Λ(i)に対応するフレームiが目的信号区間であるか否か、すなわち、フレームiが目的信号区間であるか否かを判定し、その判定結果を出力する（ステップＳ８３）。具体的には、閾値判定部１７ｃは、例えば、尤度比Λ(i)が所定の閾値thより大きい場合（「閾値th以上の場合」としてもよい）、目的信号がフレームiに含まれるとして１を出力し（ステップＳ８４）、尤度比Λ(i)が所定の閾値thより小さい場合（「閾値th以下の場合」としてもよい）、目的信号がフレームiに含まれないとして０を出力する（ステップＳ８５）。なお、閾値thは、尤度比Λ(i)の時間長平均（複数のフレームｉに対する平均）や分散などの統計量を用いて設定されてもよいし、th=0.2などの固定値を事前に設定しておいてもよい。分散などの統計量を用いて閾値thを設定する場合の一例としては、目的信号が存在しないと推定されるフレームを判定対象のフレームとして尤度比Λ(i)を求め、それらの平均値から所定のマージンを設けた値を閾値thとする方法がある。

なお、偏在性指標値H(i)を指標として目的信号区間を判定する方法はこれに限定されない。前述のように偏在性指標値H(i)の大きさは、各フレームiが目的信号区間であるか否かによって変化する値である。偏在性指標値H(i)の大きさを評価し、その評価結果を各フレームiが目的信号区間であるか否かの判定結果に対応付ける方法であれば、どのような方法を用いてもよい。以下に目的信号区間判定方法の変形例を示す。

［目的信号区間判定方法の変形例］
例えば、図３の判定部１７の代わりに、図９の判定部１７を用いてもよい（目的信号区間判定方法の変形例１）。この変形例の場合、第１値算出部１７ａに前述の判定対象のフレームの偏在性指標値H’(i)と、目的信号が存在しないと推定される非目的信号区間のフレームの偏在性指標値λとが入力され、それらの比である除算値γ(i)を上述の式（２５）のように算出して出力する。次に、閾値判定部１７ｄに除算値γ(i)が入力され、閾値判定部１７ｄは、フレームi毎に除算値γ(i)と閾値thとを比較し、除算値γ(i)が閾値thよりも大きい場合（「閾値th以上の場合」としてもよい）、除算値γ(i)に対応するフレームiが目的信号区間に対応し、そうでなければ除算値γ(i)に対応するフレームiが非目的信号区間であると判定し、その判定結果（１ or 0）を出力する。また、除算値γ(i)を用いる代わりに、偏在性指標値H’(i)から偏在性指標値λを減算した減算値を用い、その減算値に対して上記と同様な閾値処理を行って、目的信号区間であるか否かを推定してもよい。

また、例えば、図３の判定部１７の代わりに、図１０（ａ）の判定部１７を用いてもよい（目的信号区間判定方法の変形例２）。この変形例の場合、判定部１７の閾値判定部１７ｉに、式（２１）によって算出されて偏在性指標値算出部１６から出力された偏在性指標値H(i)が入力され、閾値判定部１７ｉは、フレームi毎に除算値γ(i)と閾値thとを比較し、除算値γ(i)が閾値thよりも大きい場合（「閾値th以上の場合」としてもよい）、除算値γ(i)に対応するフレームiが目的信号区間に対応し、そうでなければ除算値γ(i)に対応するフレームiが非目的信号区間に対応すると判定し、その判定結果（１ or 0）を出力する。なお、閾値thは、例えば、閾値算出部１７ｈが入力された偏在性指標値H(i)のフレームi毎の平均値等の統計量をもとに動的に設定される。また、閾値thは固定値であってもよい。

なお、上述した以外の偏在性指標値H(i)を用い、上述のように目的信号区間を判定してもよい。この場合の閾値判定は偏在性指標値H(i)の特性による。すなわち、偏在性が高いほど値が大きくなる偏在性指標値H(i)を用いる際には、偏在性指標値H(i)又はその写像が所定の閾値を超えた場合（又は「以上の場合」）に目的信号区間であると判定し、偏在性指標値H(i)又はその写像が所定の閾値を未満場合（又は「以下の場合」）に目的信号区間でないと判定する。一方、偏在性が低いほど値が大きくなる偏在性指標値H(i)を用いる際には、偏在性指標値H(i)又はその写像が所定の閾値を超えた場合（又は「以上の場合」）に目的信号区間でないと判定し、偏在性指標値H(i)又はその写像が所定の閾値を未満場合（又は「以下の場合」）に目的信号区間であると判定する。

また、時間周波数ビン(i,k)毎に２種類以上の正規化信号値ZGRID_g(i,k)が生成され、各グリッドに属する２種類以上の正規化信号値ZGRID_g(i,k)を要素とするベクトルの偏在性を示す偏在性指標値H(i)がフレームi毎に算出されている場合であっても、判定部１７は、上述と同様に目的信号区間であるか否かの判定を行うことができる。

一方、時間周波数ビン(i,k)毎に２種類以上の正規化信号値ZGRID_g(i,k)が生成され、各グリッドに属する２種類以上の正規化信号値ZGRID_g(i,k)の偏在性をそれぞれ示す２以上の偏在性指標値H(i)がフレームi毎に算出されている場合、判定部１７は、例えば、フレームi毎の２以上の偏在性指標値H(i)に重み付けを行い、当該重み付け後の偏在性指標値を指標とし、各フレームiが目的信号区間であるか否かを判定する。具体的には、例えば、２以上の偏在性指標値H(i)の重み付け和が所定の閾値を超えるか否かによって、フレームiが目的信号区間であるか否かを判定する。

また、上述のように偏在性指標値H(i)又はその写像と、所定の閾値との大小を比較して目的信号区間であるか否かを判定する代わりに、事前学習されたフレームの偏在性指標値と当該フレームが目的信号区間であるか否かの判定結果との関係を用いたパターン認識により、偏在性指標値算出部で算出された偏在性指標値に対応するフレームが目的信号区間に対応するか否かを判定してもよい。この場合、例えば、図１０（ｂ）の判定部１７のように、パラメータ学習部１７ｈに、フレームの音響特徴量（偏在性指標値やγ(i)など）と当該フレームが目的信号区間であるか否かの判定結果との組からなる学習サンプルを入力し、パラメータ学習部１７ｈでパターン認識学習を行い、モデルパラメータを求める。そして、パターン認識部１７ｉにこのパラメータと判定対象の偏在性指標値H(i)とを入力し、パターン認識によって偏在性指標値H(i)に対応するフレームiが目的信号区間のものであるか否かを判定する。なお、パターン認識技術には、例えば、公知のサポートベクターマシーン（津田宏治，“サポートベクターマシーンとは何か”，電子情報通信学会誌，２０００：４６０〜４６６頁）や、隠れマルコフモデル（北研二，中村哲，永田昌明，“音声言語処理”，森出版株式会社，１９９６：５７〜９０頁）等を利用する。

判定部１７が、目的信号区間であるか否かの判定結果を出力するのではなく、前述の尤度比Λ(i)そのもの、または、それを確率値に変換したΛ(i)/（1+Λ(i)）などを出力してもよい。

＜実験結果＞
本形態の効果を示すための実験結果を示す。この実験では、センサとして２本のマイクロフォンを用い、音声信号と雑音信号が混在する音響信号を観測し、その音響信号を本形態の信号区間推定方法によって分析し、音声信号区間を検出する実施例を示す。なお、この実験では、正規化信号値Z (i,k)として信号到来方向推定値を用い、偏在性指標値H(i)として式（２１）によって算出されて偏在性指標値算出部１６から出力された偏在性指標値を用いて目的信号区間の推定を行った。

使用した音響信号データは大学の研究室内で学生がポスターを用いて自身の研究の発表を行っている発話を収録した信号で、サンプリング周波数16kHz、量子化ビット数16ビットで離散サンプリングされたものを用いた。収録には２本のマイクロフォンを用いており、２本のマイクロフォンは同一直線上に4cmの間隔で配置されている。図１２（ａ）に収録された音響信号を示す。なお、図１２（ａ）における横軸は時間であり、縦軸は音響信号の振幅である。この音響信号には、冒頭の部分にポスター発表が行われている研究室のドアを開閉する音（方向性雑音）が混入している。この音響信号に対し、本形態による信号区間推定方法を、１フレームの時間長を32ms（512サンプル点）とし、16ms（256サンプル点）毎にフレーム始点を移動させて適用する。図１２（ｂ）は、これによって各フレームで推定された偏在性指標値H(i)（音響特徴量）を示すグラフである。なお、図１２（ａ）における横軸は時間であり、縦軸は偏在性指標値H(i)の振幅である。また、非特許文献６記載の方法で求まる偏在性指標値H(i)を図１２（ｃ）に示す。

図示のように本形態による目的信号区間推定方法により出力される偏在性指標値H(i)が、音声信号の存在区間Ｂでは高い値を示し、それ以外の区間では小さい値を示すことがわかる。また、図１２（ｂ）と（ｃ）とを比較すると、図１２（ａ）のデータに含まれるドアの開閉音のみが収録されている区間Ａにおいて、本形態による手法では偏在性指標値H(i)の値が小さいままなのに対し（図１２（ｂ））、非特許文献６記載の方法では音声信号区間と同程度の高い値が見られる（図１２（ｃ））。このことから、本形態によって得られる偏在性指標値H(i)が、調波性を持たない、ドアの開閉音のような方向性雑音に対し頑健であることがわかる。加えて、本形態では基本周波数とその倍音成分の近傍における到達時間差の偏在性のみを利用しているため、全時間周波数帯域で到達時間差の偏在性を計算する非特許文献６記載の方法よりも高速に偏在性指標値H(i)を計算できる。この実験においては、本形態の方法は非特許文献６記載の方法の9%の計算時間で音響特徴の計算を行うことができた。なお、最悪の計算量は、
（サンプリング周波数／基本周波数推定の探索範囲の下限周波数）／離散フーリエ変換の点数
により計算することができる。本形態に例示したサンプリング周波数（16kHz）と離散フーリエ変換の点数（512点）、及び基本周波数推定の探索範囲の下限周波数（50Hz）の場合は、(16000/50)/512=約31.25%の計算量で済む。実際は、推定される基本周波数の値は50~500Hzに分布するため、上記の実験により示されたように、最悪の計算量よりも少ない時間で計算が可能となる。

以上のことから、本形態により、方向性雑音の影響を受けにくく、高速に目的音響信号区間を検出することが可能になることがわかる。なお、非特許文献６記載の方法と比較して、本形態では観測信号の基本周波数を推定する必要があるが、本形態記載の基本周波数推定方法は高速での実行が可能であることから、全体の計算量には影響を与えない。

なお、本発明は上述の実施の形態に限定されるものではない。例えば、本形態のステップＳ４では、基本周波数推定部１３が全てのセンサに対応する基本周波数を推定し、それらをそれ以降の各センサに対応する処理にそれぞれ利用することとした。しかし、ステップＳ４において、基本周波数推定部１３が一部のセンサ（例えば１つのセンサ）に対応する基本周波数のみを推定し、それをそれ以降の全てのセンサに対応する処理に利用してもよい。

上述の各種の処理は、記載に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されてもよい。また、信号区間推定装置１０がサンプリング部３０を包含する構成であってもよいし、信号区間推定装置１０の機能を複数のコンピュータで分散処理する構成であってもよい。その他、本発明の趣旨を逸脱しない範囲で適宜変更が可能であることはいうまでもない。

また、上述の構成をコンピュータによって実現する場合、各装置が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。

この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。

また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。

このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。そして、処理の実行時、このコンピュータは、自己の記録媒体に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。また、このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。なお、本形態におけるプログラムには、電子計算機による処理の用に供する情報であってプログラムに準ずるもの（コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等）を含むものとする。

また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、本装置を構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい

本発明の利用分野としては、例えば、音声信号や音楽信号などの目的信号が雑音信号とともに観測される環境においてなされる、目的信号の符号化、雑音信号の抑圧、残響除去、自動音声認識などの音響信号処理分野を例示できる。もちろん、音響信号以外の信号処理に本発明を適用してもかまわない。

図１は、本形態の目的信号区間推定装置の全体構成を例示したブロック図である。 図２は、図１の偏在性指標値算出部１６の詳細構成を例示したブロック図である。 図３は、図１の判定部１７の詳細構成を例示したブロック図である。 図４は、本形態の目的信号区間推定方法を説明するためのフローチャートである。 図５は、ステップＳ７の詳細を説明するためのフローチャートである。 図６は、ステップＳ８の詳細を説明するためのフローチャートである。 図７は、偏在性指標値算出部の構成例を示すブロック図である。 図８は、偏在性指標値算出部の構成例を示すブロック図である。 図９は、判定部の構成例を示すブロック図である。 図１０（ａ）（ｂ）は、判定部の構成例を示すブロック図である。 図１１（ａ）（ｂ）は、本形態の処理によって得られたヒストグラムを示すグラフである。 図１２（ａ）は、実験において収録された音響信号を示すグラフである。図１２（ｂ）は、実験において各フレームで推定された偏在性指標値H(i)（音響特徴量）を示すグラフである。図１２（ｃ）は、非特許文献６記載の方法で求まる偏在性指標値H(i) を示すグラフである。

符号の説明

１０ 信号区間推定装置

Claims (10)

1. 目的信号区間を推定する目的信号区間推定装置であって、
   複数のセンサで観測された各信号をそれぞれ所定の時間区間であるフレーム毎に切り出す信号抽出部と、
   上記信号切出部で切り出された各フレームの信号を周波数領域に変換し、時間周波数ビン毎の周波数領域信号を各センサについて生成する周波数領域変換部と、
   上記信号切出部で切り出された各フレームの信号の基本周波数をそれぞれ推定する基本周波数推定部と、
   上記基本周波数又はその各倍音成分をそれぞれ含む有限の時間周波数区間であるグリッドを上記フレーム毎に１以上ずつ特定し、各グリッドに属する各時間周波数ビンの上記周波数領域信号を抽出する時間周波数領域分割部と、
   上記センサに含まれる特定の基準センサに対応する上記時間周波数領域分割部で抽出された上記周波数領域信号を基準として、少なくとも当該基準センサ以外の上記センサに対応する上記時間周波数領域分割部で抽出された各周波数領域信号を正規化し、上記センサで観測された信号の到来方向に対応する正規化信号値を時間周波数ビン毎に生成する正規化部と、
   上記正規化信号値の上記グリッド毎の偏在性を示す偏在値を求め、当該グリッド毎の偏在値を用い、上記正規化信号値の上記フレーム毎の偏在性を示す偏在性指標値を算出する偏在性指標値算出部と、
   を有することを特徴とする目的信号区間推定装置。
2. 請求項１の目的信号区間推定装置であって、
   上記偏在性指標値を指標とし、各フレームが上記目的信号区間に対応するか否かを判定する判定部をさらに有する、
   ことを特徴とする目的信号区間推定装置。
3. 請求項１又は２の目的信号区間推定装置であって、
   上記偏在性指標値算出部は、
   上記正規化信号値を量子化し、量子化された正規化信号値の頻度を上記グリッド毎に求め、上記グリッド毎のヒストグラムを生成するヒストグラム生成部と、
   上記グリッド毎のヒストグラムを用い、当該ヒストグラムの分布の偏りを示す偏在値を上記グリッド毎に算出する偏在性計算部と、
   同一のフレームに対応する各グリッドの上記偏在値を平均し、その平均値を当該フレームの上記偏在性指標値として算出する平均部と、
   を有することを特徴とする目的信号区間推定装置。
4. 請求項３の目的信号区間推定装置であって、
   上記偏在性計算部は、
   上記グリッド毎のヒストグラムを用い、上記量子化された各正規化信号値にそれぞれ対応する値を確率変数とする確率密度関数を上記グリッド毎に求める確率密度関数生成部と、
   上記確率密度関数のエントロピーに対して単調増加する関数値、又は、当該エントロピーに対して単調減少する関数値を、上記偏在値として求める偏在値算出部と、
   を有することを特徴とする目的信号区間推定装置。
5. 請求項２から４の何れかに記載の目的信号区間推定装置であって、
   上記判定部は、
   各フレームの上記偏在性指標値又はそれらの写像と、所定の閾値と、の大小を比較し、各フレームが上記目的信号区間であるか否かを判定する、
   ことを特徴とする目的信号区間推定装置。
6. 請求項２から４の何れかに記載の目的信号区間推定装置であって、
   上記判定部は、
   判定対象のフレームの上記偏在性指標値と、非目的信号区間のフレームの上記偏在性指標値と、の比である除算値又は当該除算値の写像が、所定の閾値以上であった場合に上記判定対象のフレームが上記目的信号区間であると判定するか、当該所定の閾値を超える場合に上記判定対象のフレームが上記目的信号区間であると判定する閾値判定部と、を有する、
   ことを特徴とする目的信号区間推定装置。
7. 請求項２から４の何れかに記載の目的信号区間推定装置であって、
   上記判定部は、
   事前学習されたフレームの上記偏在性指標値と当該フレームが上記目的信号区間であるか否かの判定結果との関係を用いたパターン認識により、上記偏在性指標値算出部で算出された上記偏在性指標値に対応するフレームが上記目的信号区間であるか否かを判定する、
   ことを特徴とする目的信号区間推定装置。
8. 目的信号区間を推定する目的信号区間推定装置の目的信号区間推定方法であって、
   信号抽出部が、複数のセンサで観測された各信号をそれぞれ所定の時間区間であるフレーム毎に切り出すステップと、
   周波数領域変換部が、上記信号切出部で切り出された各フレームの信号を周波数領域に変換し、時間周波数ビン毎の周波数領域信号を各センサについて生成するステップと、
   基本周波数推定部が、上記信号切出部で切り出された各フレームの信号の基本周波数をそれぞれ推定するステップと、
   時間周波数領域分割部が、上記基本周波数又はその各倍音成分をそれぞれ含む有限の時間周波数区間であるグリッドを上記フレーム毎に１以上ずつ特定し、各グリッドに属する各時間周波数ビンの上記周波数領域信号を抽出するステップと、
   正規化部が、上記センサに含まれる特定の基準センサに対応する上記時間周波数領域分割部で抽出された上記周波数領域信号を基準として、少なくとも当該基準センサ以外の上記センサに対応する上記時間周波数領域分割部で抽出された各周波数領域信号を正規化し、上記センサで観測された信号の到来方向に対応する正規化信号値を時間周波数ビン毎に生成するステップと、
   偏在性指標値算出部が、上記正規化信号値の上記グリッド毎の偏在性を示す偏在値を求め、当該グリッド毎の偏在値を用い、上記正規化信号値の上記フレーム毎の偏在性を示す偏在性指標値を算出するステップと、
   を有することを特徴とする目的信号区間推定方法。
9. 請求項１から７の何れかに記載の目的信号区間推定装置としてコンピュータを機能させるための目的信号区間推定プログラム。
10. 請求項９に記載の目的信号区間推定プログラムを格納したコンピュータ読み取り可能な記録媒体。

Images