JP2013523006A - 立体音響の再生方法及びその装置 - Google Patents

Abstract

映像信号内の少なくとも１つの映像オブジェクトと基準位置との間の距離を示す映像深度情報を獲得し、映像深度情報に基づいて、音響信号内の少なくとも１つの音響オブジェクトと基準位置との間の距離を示す音響深度情報を獲得した後、音響深度情報に基づいて、少なくとも１つの音響オブジェクトに音響遠近感を付与する立体音響の再生方法が開示される。

Description

本発明は、立体音響の再生方法及びその装置に係り、特に、音響オブジェクトに対して遠近感を付与する立体音響の再生方法及びその装置に係わる。

映像技術の発展に後押しされ、ユーザは、三次元立体映像が視聴可能になった。三次元立体映像は、両眼視差を考慮し、左視点映像データを左目に露出させ、右視点映像データを右目に露出させる。ユーザは、三次元映像技術を介して、スクリーンから飛び出したり、あるいはスクリーンの奥に入り込むオブジェクトを実感をもって認識することができる。

一方、映像技術の発展と共に、音響に対するユーザの関心が高まっており、特に、立体音響技術が目立って発展している。立体音響技術は、ユーザの周りに複数個のスピーカを配置し、ユーザに正位感及び臨場感を感じさせる。しかし、立体音響技術では、ユーザに近づいたり、あるいはユーザから遠ざかる映像オブジェクトを効果的に表現することができないので、立体映像に符合する音響効果を提供することができない。

前記の問題点を解決するための本発明の目的は、効果的に立体音響を再生する方法及びその装置を提供することであり、特に、音響オブジェクトに対して遠近感を付与し、ユーザに近づいたり、あるいは遠ざかる音響を効果的に表現する立体音響の再生方法及びその装置を提供するところにある。

前記の目的を果たすための本発明の一実施形態が有する１つの特徴は、立体映像信号内の少なくとも１つの映像オブジェクトと基準点との間の距離を示す映像深度情報を獲得する段階と、前記映像深度情報に基づいて、音響信号内の少なくとも１つの音響オブジェクトと基準点との間の距離を示す音響深度情報を獲得する段階と、前記音響深度情報に基づいて、前記少なくとも１つの音響オブジェクトに音響遠近感を付与する段階と、を含むものである。

前記音響深度情報を獲得する段階は、前記立体映像信号内で、前記基準点との距離が最も近い映像オブジェクトの深度値である最大深度値を獲得する段階と、前記最大深度値に基づいて、前記少なくとも１つの音響オブジェクトの音響深度値を獲得する段階と、を含んでもよい。

前記音響深度値を獲得する段階は、前記最大深度値が第１臨界値未満であるならば、前記音響深度値を最低値として決定し、前記最大深度値が第２臨界値以上であるならば、前記音響深度値を最大値として決定する段階を含んでもよい。

前記音響深度値を獲得する段階は、前記最大深度値が第１臨界値以上であって第２臨界値未満であるならば、前記最大深度値に比例して、前記音響深度値を決定する段階をさらに含んでもよい。

前記音響深度情報を獲得する段階は、前記少なくとも１つの映像オブジェクトの位置情報と前記音響信号とから、前記少なくとも１つの音響オブジェクトの位置情報を獲得する段階と、前記少なくとも１つの映像オブジェクトの位置と、前記少なくとも１つの音響オブジェクトの位置とが一致するか否かを判断する段階と、前記判断結果に基づいて、前記音響深度情報を獲得する段階と、を含んでもよい。

前記立体映像信号は、前記音響深度情報を獲得する段階は、前記立体映像信号内の複数個の区間別に平均深度値を獲得する段階と、前記平均深度値に基づいて、前記音響深度値を決定する段階と、を含んでもよい。

前記音響深度値を決定する段階は、前記平均深度値が第３臨界値未満であるならば、前記音響深度値を最低深度値として決定する段階を含んでもよい。前記音響深度値を決定する段階は、以前区間での平均深度値と、現在区間での平均深度値との差が第４臨界値未満であるならば、前記音響深度値を最低深度値として決定する段階を含んでもよい。

前記音響遠近感を付与する段階は、前記音響深度情報に基づいて、前記オブジェクトのパワーを調整する段階を含んでもよい。

前記遠近感を付与する段階は、前記音響深度情報に基づいて、前記音響オブジェクトが反射して生じる反射信号の利得及び遅延時間を調整する段階を含んでもよい。

前記音響遠近感を付与する段階は、前記音響深度情報に基づいて、前記音響オブジェクトの低域成分の大きさを調整する段階を含んでもよい。前記音響遠近感を付与する段階は、第１スピーカから出力される前記音響オブジェクトの位相と、第２スピーカから出力される前記音響オブジェクトの位相との差を調整することができる。

前記遠近感が付与された音響オブジェクトを、左側サラウンドスピーカ及び右側サラウンドスピーカを介して出力するか、あるいは左側フロントスピーカ及び右側フロントスピーカを介して出力する段階をさらに含んでもよい。

前記音響信号を利用し、スピーカの外郭に音像を正位させる段階をさらに含んでもよい。前記音響深度情報を獲得する段階は、前記少なくとも１つの映像オブジェクトそれぞれの大きさに基づいて、前記少なくとも１つの音響オブジェクトに係わる音響深度値を決定する段階を含んでもよい。

前記音響深度情報を獲得する段階は、前記少なくとも１つの映像オブジェクトの分布に基づいて、前記少なくとも１つの音響オブジェクトに係わる音響深度値を決定する段階を含んでもよい。

本発明の他の実施形態が有する１つの特徴は、立体映像信号内の少なくとも１つの映像オブジェクトと基準点との間の距離を示す映像深度情報を獲得する映像深度情報獲得部と、前記映像深度情報に基づいて、音響信号内の少なくとも１つの音響オブジェクトと基準点との間の距離を示す音響深度情報を獲得する音響深度情報獲得部と、前記音響深度情報に基づいて、前記少なくとも１つの音響オブジェクトに音響遠近感を付与する遠近感付与部と、を含むものである。

本発明の一実施形態による立体音響再生装置に係わるブロック図である。 図１に図示された本発明の一実施形態による音響深度情報獲得部に係わる詳細なブロック図である。 図１に図示された本発明の他の実施形態による音響深度情報獲得部に係わる詳細なブロック図である。 本発明の一実施形態による決定部で、音響深度値を決定するのに使われる所定の関数に係わる事例を示すグラフである。 本発明の一実施形態によるステレオ音響信号を利用して立体音響を提供する遠近感提供部に係わるブロック図である。 本発明の一実施形態による立体映像再生装置で、立体音響を提供する事例を示す図面である。 本発明の一実施形態による音響信号に基づいて、音響オブジェクトの位置を検出する方法に係わるフローチャートである。 本発明の一実施形態による音響信号から、音響オブジェクトの位置を検出する事例を示す図面である。 本発明の一実施形態による立体音響の再生方法に係わるフローチャートである。

以下、添付された図面を参照しつつ、本発明の望ましい実施形態について詳細に説明する。

まず、説明の便宜のために、本明細書で使われる用語を簡単に定義する。

映像オブジェクトは映像信号内に含まれた事物や、人、動物、植物等の被写体を指す。
音響オブジェクトは、音響信号に含まれた音響成分それぞれを指す。１つの音響信号には、多様な音響オブジェクトが含まれもする。例えば、オーケストラの公演実況を録音して生成された音響信号には、ギター、バイオリン、オーボエなどの多様な楽器から生じた多様な音響オブジェクトが含まれる。

音源は、音響オブジェクトを生成した対象（例えば、楽器、声帯）を指す。本明細書では、音響オブジェクトを実際に生成した対象と、ユーザが音響オブジェクトを生成したと認識する対象をいずれも音源という。一例として、ユーザが映画を視聴していて、リンゴがスクリーンからユーザの方で飛んでくるならば、リンゴが飛んでくるときに生じる音（音響オブジェクト）が音響信号に含まれるであろう。前記音響オブジェクトは、実際にリンゴが投げられて飛ぶ音を録音したものでもあり、あらかじめ録音された音響オブジェクトを単に再生するものでもある。しかし、いずれにせよユーザは、リンゴが前記音響オブジェクトを発生させたと認識するであろうから、リンゴも本明細書で定義する音源に該当する。

映像深度情報は、背景と基準位置との間の距離、及びオブジェクトと基準位置との間の距離を示す情報である。基準位置は、映像が出力されるディスプレイ装置の表面であってもよい。音響深度情報は、音響オブジェクトと基準位置との間の距離を示す情報である。具体的には、音響深度情報は、音響オブジェクトが生じた位置（音源の位置）と基準位置との間の距離を示す。

上述の例でのように、ユーザが映画を視聴していて、リンゴがスクリーンからユーザ側に飛んでくるならば、音源とユーザとの距離が近くなるであろう。リンゴが近づいてくるということを効果的に表現するためには、映像オブジェクトに対応する音響オブジェクトの発生位置がだんだんとユーザにさらに近づくと表現しなければならず、このために、情報が音響深度情報に含まれる。基準位置は、所定の音源の位置、スピーカの位置、ユーザの位置など、実施形態によって多様である。

音響遠近感は、ユーザが音響オブジェクトを介して感じる感覚の一種である。ユーザは、音響オブジェクトを聴取することにより、音響オブジェクトが生じた位置、すなわち、音響オブジェクトを生成した音源の位置を認識する。このとき、ユーザが認識する音源との距離感を音響遠近感という。

図１は、本発明の一実施形態による立体音響再生装置１００に係わるブロック図を示している。本発明の一実施形態による立体音響再生装置１００は、映像深度情報獲得部１１０、音響深度情報獲得部１２０及び遠近感提供部１３０を含む。

映像深度情報獲得部１１０は、映像信号内の少なくとも１つの映像オブジェクトと基準位置との間の距離を示す映像深度情報を獲得する。映像深度情報は、映像オブジェクトまたは背景を構成するそれぞれのピクセルの深度値を示す深度マップであってもよい。

音響深度情報獲得部１２０は、映像深度情報に基づいて、音響オブジェクトと基準位置との間の距離を示す音響深度情報を獲得する。映像深度情報を利用して、音響深度情報を生成する方法は多様なものがあり、以下では、音響深度情報を生成する２つの方法について説明する。しかし、本発明がこれらに限定されるものではない。

第１実施形態で、音響深度情報獲得部１２０は、音響オブジェクトそれぞれに係わる音響深度値を獲得することができる。音響深度情報獲得部１２０は、映像深度情報、映像オブジェクトに係わる位置情報及び音響オブジェクトに係わる位置情報を獲得し、これら位置情報に基づいて、映像オブジェクトと音響オブジェクトとをマッチングさせる。その後、映像深度情報及びマッチング情報に基づいて、音響深度情報を生成することができる。第１実施形態に係わる詳細な説明は、図２で後述する。

第２実施形態で、音響深度情報獲得部１２０は、音響信号を構成する音響区間別に音響深度値を獲得することができる。第２実施形態による場合、１つの区間内の音響信号は、同一の音響深度値を有する。すなわち、異なる音響オブジェクトについても、同一の音響深度値が適用されるのである。音響深度情報獲得部１２０は、映像信号を構成する映像区間それぞれについて映像深度値を獲得する。映像区間は、映像信号をフレーム単位で分割したり、あるいはシーン単位で分割したものであってもよい。音響深度情報獲得部１２０は、それぞれの映像区間での代表深度値（例えば、区間内の最大深度値、最小深度値または平均深度値）を獲得し、これを利用して、映像区間に対応する音響区間での音響深度値を決定する。第２実施形態に係わる詳細な説明は、図３で後述する。

遠近感提供部１３０は、音響深度情報に基づいて、ユーザが音響遠近感を感じるように音響信号を処理する。遠近感提供部１３０は、映像オブジェクトに対応する音響オブジェクトを抽出した後、音響オブジェクト別に音響遠近感を付与するか、あるいは音響信号に含まれたチャネル別に音響遠近感を付与するか、あるいは全体音響信号に対して音響遠近感を付与することができる。

遠近感提供部１３０は、ユーザに音響遠近感を効果的に感じさせるために、次の４種の作業を遂行する。しかし、遠近感提供部１２０で遂行する４種の作業は一例に過ぎず、本発明がこれらに限定されるものではない。

ｉ）遠近感提供部１３０は、音響深度情報に基づいて、音響オブジェクトのパワーを調整する。音響オブジェクトがユーザ近くで生じるほど、音響オブジェクトのパワーが大きくなる。

ｉｉ）遠近感提供部１３０は、音響深度情報に基づいて、反射信号の利得及び遅延時間を調整する。ユーザは、障害物に反射しない直接音響信号と、障害物に反射して生成された反射音響信号とをいずれも聴取する。反射音響信号は、直接音響信号に比べて大きさが小さく、直接音響に比べて一定時間遅延されてユーザに逹するのが一般的である。特に、音響オブジェクトがユーザの近くで生じた場合には、反射音響信号は、直接音響信号に比べて、相当に遅く到着することになり、大きさもさらに多く縮小される。

ｉｉｉ）遠近感提供部１３０は、音響深度情報に基づいて、音響オブジェクトの低域成分を調整する。音響オブジェクトがユーザの近くで生じることになれば、ユーザは、低域成分を大きく認識することになる。

ｉｖ）遠近感提供部１３０は、音響深度情報に基づいて、音響オブジェクトの位相を調節する。第１スピーカから出力される音響オブジェクトの位相と、第２スピーカから出力される音響オブジェクトの位相との差が大きければ大きいほど、ユーザは、音響オブジェクトがブラーリング（blurring）されることにより、認識することになる。

遠近感提供部１３０の動作に係わる詳細な説明は、図５を参照して後述する。

図２は、図１に図示された本発明の一実施形態による音響深度情報獲得部１２０に係わる詳細なブロック図を示している。音響深度情報獲得部１２０は、第１位置獲得部２１０、第２位置獲得部２２０、マッチング部２３０及び決定部２４０を含む。

第１位置獲得部２１０は、映像深度情報に基づいて、映像オブジェクトの位置情報を獲得する。第１位置獲得部２１０は、映像信号内で左右または先後への動きが感知される映像オブジェクトに係わる位置情報のみを獲得することができる。

第１位置獲得部２１０は、次の数式（１）に基づいて、連続する映像フレームに係わる深度マップを比べて、深度値の変化が大きい座標を確認する。

数式（１）でＩは、フレームの番号を示し、ｘ，ｙは、座標を示す。従って、Ｉ^ｉ _ｘ，ｙは、Ｉ番目フレームの（ｘ，ｙ）座標での深度値を示す。

第１位置獲得部２１０は、すべての座標に対して、ＤＩｆｆ^ｉ _ｘ，ｙ値が計算されれば、ＤＩｆｆ^ｉ _ｘ，ｙ値が臨界値以上の座標を検索する。第１位置獲得部２１０は、ＤＩｆｆ^ｉ _ｘ，ｙ値が臨界値以上である座標に対応する映像オブジェクトを、動きが感知される映像オブジェクトとして決定し、当該座標を映像オブジェクトの位置として決定する。

第２位置獲得部２２０は、音響信号に基づいて、音響オブジェクトに係わる位置情報を獲得する。第２位置獲得部２２０が音響オブジェクトに係わる位置情報を獲得する方法は、多様である。

一例として、第２位置獲得部２２０は、音響信号からプライマリ成分とアンビエンス成分とを分離し、プライマリ成分とアンビエンス成分とを比べて、音響オブジェクトの位置情報を獲得するか、あるいは音響信号のチャネル別パワーを比べて、音響オブジェクトの位置情報を獲得することができる。この方法による場合、音響オブジェクトの左右位置が分かる。

他の例として、第２位置獲得部２２０は、音響信号を複数個の区間に分割し、それぞれの区間で周波数帯域別パワーを計算し、周波数帯域別パワーに基づいて、共通周波数帯域を決定する。共通周波数帯域は、以前区間と現在区間とでのパワー変化が小さい周波数帯域を意味する。ディスプレイ装置の深度方向に、映像オブジェクトの位置が変われば、映像オブジェクトに対応する音響オブジェクトのパワーが変わる。この場合、音響オブジェクトに対応する周波数帯域のパワーが変わるので、周波数帯域別パワーの変化を観察し、音響オブジェクトの深度方向での位置が分かる。

マッチング部２３０は、映像オブジェクトに係わる位置情報と、音響オブジェクトに係わる位置情報とに基づいて、映像オブジェクトと音響オブジェクトとをマッチングする。マッチング部２３０は、映像オブジェクトの座標と、音響オブジェクトの座標との差が臨界値以内であるならば、映像オブジェクトと音響オブジェクトとがマッチングされると判断する。一方、映像オブジェクトの座標と、音響オブジェクトの座標との差が臨界値以上であるならば、映像オブジェクトと音響オブジェクトとがマッチングされないと判断する。

決定部２４０は、マッチング部２３０の判断に基づいて、音響オブジェクトに係わる音響深度値を決定する。一例として、マッチングされる映像オブジェクトが存在すると判断された音響オブジェクトは、映像オブジェクトの深度値によって音響深度値を決定し、マッチングされる映像オブジェクトが存在しないと判断された音響オブジェクトは、音響深度値を最小値として決定する。音響深度値が最小値として決定されれば、遠近感提供部１３０は、音響オブジェクトに対して音響遠近感を付与しない。

決定部２４０は、映像オブジェクトと音響オブジェクトとの位置が一致する場合にも、所定の例外状況では、音響オブジェクトに対して音響遠近感を付与しないこともある。

一例として、映像オブジェクトの個数が一定数以上であり、映像オブジェクトが特定空間に集中しているのであれば、決定部２４０は、映像オブジェクトに対応する音響オブジェクトに対して音響遠近感を付与しないこともある。映像フレーム内のほとんどのオブジェクトが、スクリーン上に飛び出す場合には、ユーザに立体効果を強調する必要がないから、一部オブジェクト（全体オブジェクトではない）が、スクリーン上に飛び出す場合にのみ、対応する音響オブジェクトに対して音響遠近感を付与する。

他の例として、映像オブジェクトの大きさが臨界値以下であるならば、決定部２４０は、映像オブジェクトに対応する音響オブジェクトに対して音響遠近感を付与しないこともある。大きさが小さすぎる映像オブジェクトは、ユーザが立体感を感じるのに及ぼす影響力が小さいと見られるので、当該音響オブジェクトに対しては、音響遠近感を付与しない。

図３は、図１に図示された本発明の他の実施形態による音響深度情報獲得部１２０に係わる詳細なブロック図を示している。

本発明の他の実施形態による音響深度情報獲得部１２０は、区間深度情報獲得部３１０及び決定部３２０を含む。

区間深度情報獲得部３１０は、映像深度情報に基づいて、映像区間別深度情報を獲得する。映像信号は、複数個の区間に区分されもする。一例として、映像信号は、場面が転換されるシーン単位で区分されるか、あるいは映像フレーム単位で区分されるか、あるいはＧＯＰ（group of picture）単位で区分されもする。

区間深度情報獲得部３１０は、それぞれの区間に対応する映像深度値を獲得する。区間深度情報獲得部３１０は、次の数式（２）に基づいて、それぞれの区間に対応する映像深度値を獲得することができる。

数式（２）のＩ^ｉ _ｘ，ｙは、Ｉ番目フレームのｘ，ｙ座標に位置したピクセルが示す深度値を意味する。Depth^ｉは、Ｉ番目フレームに対応する映像深度値であり、Ｉ番目フレーム内のすべてのピクセルの深度値を平均して獲得する。

数式（２）は、一実施形態に過ぎず、各区間内の最大深度値、最小深度値、以前区間との変化が最大であるピクセルの深度値などを、区間の代表深度値として決定することができる。

決定部３２０は、各区間の代表深度値に基づいて、映像区間に対応する音響区間に係わる音響深度値を決定する。決定部３２０は、区間の代表深度値を入力にする所定の関数によって音響深度値を決定する。決定部３２０は、入力値と出力値とが正比例する関数、入力値によって出力値が指数的に増加する関数を所定の関数として使うことができる。他の実施形態では、入力値の範囲によって異なる関数を、所定の関数として使うことができる。決定部３２０が音響深度値を決定するために使う所定の関数に係わる事例は、図４で後述する。

決定部３２０は、音響区間に音響遠近感を付与する必要がないと判断されれば、当該音響区間での音響深度値を最小値として決定することができる。

決定部３２０は、次の数式（３）によって、隣接するＩ番目映像フレームと、Ｉ＋１番目映像フレームとでの深度値の差を獲得することができる。

Ｄｉｆｆ＿Depth^ｉは、Ｉ番目フレームでの平均映像深度値と、Ｉ＋１番目での平均映像深度値との差を示す。

決定部３２０は、次の数式（４）によって、Ｉ番目映像フレームに対応する音響区間で、音響遠近感を付与するか否かを決定する。

Ｒ＿Flag^ｉは、Ｉ番目フレームに対応する音響区間に、音響遠近感を付与するか否かを示すフラグである。Ｒ＿Flag^ｉが０の値を有せば、当該音響区間で音響遠近感を付与し、Ｒ＿Flag^ｉが１の値を有せば、当該音響区間に音響遠近感を付与しない。

以前フレームでの平均映像深度値と、次のフレームでの平均映像深度値との差が大きい場合には、次のフレームからスクリーン外に飛び出す映像オブジェクトの存在する確率が高いと判断することができる。従って、決定部３２０は、Ｄｉｆｆ＿Depth^ｉが臨界値以上である場合にのみ、映像フレームに対応する音響区間に音響遠近感を付与するように決定することができる。

決定部３２０は、次の数式（５）によって、Ｉ番目映像フレームに対応する音響区間に、音響遠近感を付与するか否かを決定する。

Ｒ＿Flag^ｉは、Ｉ番目フレームに対応する音響区間に、音響遠近感を付与するか否かを示すフラグである。Ｒ＿Flag^ｉが０の値を有せば、当該音響区間で音響遠近感を付与し、Ｒ＿Flag^ｉが１の値を有せば、当該音響区間で音響遠近感を付与しない。

以前フレームと次のフレームとの平均映像深度値の差が大きいといっても、次のフレーム内の平均映像深度値が臨界値以下であるならば、次のフレームには、スクリーン外に飛び出す映像オブジェクトが存在しない可能性が高い。従って、決定部３２０は、Depth^ｉが臨界値以上（例えば、図４では、２８）である場合にのみ、映像フレームに対応する音響区間で音響遠近感を付与するように決定することができる。

図４は、本発明の一実施形態による決定部２４０，３２０で、音響深度値を決定するのに使われる所定の関数に係わる事例を示している。

図４に図示された所定の関数から、横軸は、映像深度値を示し、縦軸は、音響深度値を示す。映像深度値は、０〜２５５までの値を有することができる。

映像深度値が０以上２８未満である場合には、音響深度値を最小値として決定する。音響深度値が最小値に設定されれば、音響オブジェクトまたは音響区間には、音響遠近感が付与されない。

映像深度値が２８ないし１２４未満である場合には、映像深度値の変化量による音響深度値の変化量が一定（すなわち、傾きが一定）である。実施形態によっては、映像深度値による音響深度値が線形的に変化せずに、指数的やログ的に変わることがある。

他の実施形態では、映像深度値が２８ないし５６未満である場合には、音響深度値を、ユーザが自然な立体音響を聴取することができる固定された音響深度値（例えば、５８）として決定することができる。

映像深度値が１２４以上である場合には、音響深度値を最大値として決定する。

図５は、本発明の一実施形態によるステレオ音響信号を利用し、立体音響を提供する遠近感提供部１３０に係わるブロック図を示している。

もし入力信号が多チャネル音響信号であるならば、ステレオ信号でダウンミキシングを遂行した後、本発明を適用することができる。

ＦＦＴ（Fast Fourie Transform）部５１０は、入力信号に対して高速フーリエ変換を遂行する。

ＩＦＦＴ ５２０は、フーリエ変換された信号に対して、逆フーリエ変換を遂行する。

センター信号抽出部５３０は、ステレオ信号からセンターチャネルに該当する信号であるセンター信号を抽出する。センター信号抽出部５３０は、ステレオ信号で、相関度が高い信号をセンターチャネル信号として抽出する。図５では、センターチャネル信号に対して音響遠近感を付与すると仮定した。しかし、センターチャネル信号ではない左右フロントチャネル信号、または左右サラウンドチャネル信号のような他のチャネル信号に対して音響遠近感を付与するか、あるいは特定音響オブジェクトに対して音響遠近感を付与するか、あるいは全体音響信号に対して音響遠近感を付与することもできる。

音場拡張部（sound stage extension）５５０は、音場を拡張する。音場拡張部５５０は、ステレオ信号に時間差や位相差を人為的に付与し、音像をスピーカより外側に正位させる。

音響深度情報獲得部５６０は、映像深度情報に基づいて、音響深度情報を獲得する。

パラメーター計算部５７０は、音響深度情報に基づいて、音響オブジェクトに音響遠近感を提供するのに必要な制御パラメータ値を決定する。

レベル制御部５７１は、入力信号の大きさを制御する。位相制御部５７２は、入力信号の位相を調整する。反射効果提供部５７３は、入力信号が壁などによって反射して生じる反射信号をモデリングする。近距離効果提供部５７４は、ユーザと隣接した距離で生じた音響信号をモデリングする。ミキシング部５８０は、一つ以上の信号をミキシングしてスピーカに出力する。

以下では、経時的に、立体音響再生装置５００の動作について説明する。

まず、多チャネル音響信号が入力される場合、ダウンミキサ（図示せず）を介して、ステレオ信号に変換する。ＦＦＴ ５１０は、ステレオ信号に対して、高速フーリエ変換を遂行した後、センター抽出部５２０に出力する。

センター信号抽出部５２０は、変換されたステレオ信号を比べ、相関度の高い信号をセンターチャネル信号として出力する。

音響深度情報獲得部５６０では、映像深度情報に基づいて、音響深度情報を獲得する。音響深度情報獲得部５６０が音響深度情報を獲得する事例は、図２及び図３に図示された通りである。具体的には、音響深度情報獲得部５６０は、音響オブジェクトの位置と、映像オブジェクトの位置とを比べて、音響深度情報を獲得するか、あるいは映像信号内の区間別深度情報を利用し、音響深度情報を獲得することができる。

パラメーター計算部５７０は、インデックス値に基づいて、音響遠近感を付与するためのモジュールに適用するパラメーターを計算する。

位相制御部５７１は、センターチャネル信号を２つの信号にコピーした後、計算されたパラメーターによって、コピーされた信号の位相を調節する。位相の異なる音響信号を左側スピーカと右側スピーカとで再生すれば、ブラーリング現象が生じる。ブラーリング現象がはなはだしければはなはだしいほど、ユーザが音響オブジェクトが生じた位置を正確に認識し難い。音響オブジェクトの発生位置がユーザに近接するほど（または、発生位置がユーザに早く近づくほど）、位相制御部５７１は、コピーされた信号の位相差をさらに大きく設定するのである。位相が調整されたコピー信号は、ＩＦＦＴ ５２０を経て、反射効果提供部５７３に伝達する。

反射効果提供部５７３は、反射信号をモデリングする。音響オブジェクトがユーザから遠く離れたところで発生すれば、壁などによって反射せずに、ユーザに直接伝達する直接音響と、壁などによって反射して生成された反射音響との大きさが類似しており、直接音響と反射音響とがユーザに到着する時間差がほとんどない。しかし、音響オブジェクトがユーザの近くで発生すれば、直接音響と反射音響との大きさが異なり、直接音響と反射音響とがユーザに到着する時間差が大きい。従って、音響オブジェクトが、ユーザから近い距離で生じるほど、反射効果提供部５７３は、反射信号の利得値をさらに大きく低減させ、時間遅延をさらに増大させる。反射効果提供部５７３は、反射信号が考慮されたセンターチャネル信号を近距離効果提供部５７４に伝送する。

近距離効果提供部５７４は、パラメーター計算部５７０で計算されたパラメーター値に基づいて、ユーザと接した距離で生じた音響オブジェクトをモデリングする。音響オブジェクトがユーザと近い位置で発生すれば、低域成分が目立つ。近距離効果提供部５７４は、オブジェクトの生じた地点がユーザと近ければ近いほど、センター信号の低域成分を増加させる。

一方、ステレオ入力信号を受信した音場拡張部５５０は、スピーカの外側に音像が正位されるように、ステレオ信号を処理する。スピーカ間の位置が適当に遠くなれば、ユーザは、現場感ある立体音響を聴取することができる。

音場拡張部５５０は、ステレオ信号をワイドニング・ステレオ信号に変換する。音場拡張部は５５０は、左／右バイノーラル合成（binaural synthesis）とクロストーク・キャンセラとをコンボルーションしたワイドニング・フィルタと、ワイドニング・フィルタと左／右ダイレクト・フィルタとをコンボルーションした１つのパノラマ・フィルタと、を含んでもよい。このとき、ワイドフィルタは、ステレオ信号について、所定の位置で測定した頭部伝達関数（ＨＲＴＦ）を基に、任意の位置に係わる仮想音源に形成し、頭部伝達関数を反映したフィルタ係数に基づいて、仮想音源のクロストークをキャンセリングする。左右ダイレクト・フィルタは、本来のステレオ信号と、クロストーク・キャンセリングされた仮想音源との利得及び遅延のような信号特性を調整する。

レベル制御部５６０は、パラメーター計算部５７０で計算された音響深度値に基づいて、音響オブジェクトのパワーサイズを調整する。レベル制御部５６０は、音響オブジェクトがユーザの近くで生じるほど、音響オブジェクトの大きさを増加させるのである。

ミキシング部５８０は、レベル制御部５６０から送信されたステレオ信号と、近距離効果提供部５７４から送信されたセンター信号とを結合してスピーカに出力する。

図６は、本発明の一実施形態による立体映像再生装置１００で、立体音響を提供する事例を示している。図６の（ａ）は、本発明の一実施形態による立体音響オブジェクトが動作しない場合を示している。

ユーザは、一つ以上のスピーカを介して、音響オブジェクトを聴取する。ユーザが１つのスピーカを利用して、モノ信号を再生する場合には、立体感を感じることができず、２以上のスピーカを利用して、ステレオ信号を再生する場合には、立体感を感じることができる。

図６の（ｂ）は、本発明の一実施形態による音響深度値が「０」である音響オブジェクトを再生する場合を示している。図４で、音響深度値は「０」から「１」の値を有すると仮定する。ユーザにさらに近いところで生じると表現しなければならない音響オブジェクトであるほど、音響深度値の値が大きくなる。

音響オブジェクトの音響深度値が「０」であるので、音響オブジェクトに遠近感を付与する作業を遂行しない。ただし、スピーカの外側に音像が正位されることにより、ユーザがステレオ信号を介して、良好に立体感を感じることができる。実施形態によっては、スピーカの外側に音像を正位させる技術を「ワイドニング」という。

一般的には、ステレオ信号を再生するためには、複数個のチャネルの音響信号が必要である。従って、モノ信号が入力される場合には、アップミキシングを介して、２以上のチャネルに該当する音響信号を生成する。

ステレオ信号は、左側スピーカを介して、第１チャネルの音響信号を再生し、右側スピーカを介して、第２チャネルの音響を再生する。ユーザは、異なる位置で生じる２以上の音響を聴取することにより、立体感を感じることができる。

しかし、左側スピーカと右側スピーカとが過度に接して位置すれば、ユーザは、同一の位置で音響が生じると認識することになるので、立体感を感じることができない。その場合、実際スピーカの位置ではないスピーカの外側で音響が生じるように認識されるように音響信号を処理する。

図６の（ｃ）は、本発明の一実施形態による音響深度値が「０．３」である音響オブジェクトを再生する場合を示している。

音響オブジェクトの音響深度値が０より大きいから、ワイドニング技術と共に、音響オブジェクトに、音響深度値「０．３」に対応する遠近感を付与する。従って、ユーザは、図３の（ｂ）に比べて、音響オブジェクトがユーザにさらに近いところで生じたと感じることができる。

例えば、ユーザが三次元映像データを視聴しており、このとき、映像オブジェクトがスクリーン外に飛び出すように表現されたと仮定する。図６の（ｃ）では、映像オブジェクトに対応する音響オブジェクトに遠近感を付与し、音響オブジェクトがユーザ側に近づくように処理する。ユーザは、視覚的に映像オブジェクトが飛び出すことを感じつつ、音響オブジェクトがユーザに近づくように感じることになるので、さらに現実的な立体感を感じることになる。

図６の（ｄ）は、本発明の一実施形態による音響深度値が「１」である音響オブジェクトを再生する場合を示している。

音響オブジェクトの音響深度値が０より大きいから、ワイドニング技術と共に、音響オブジェクトに、音響深度値「１」に対応する遠近感を付与する。図６の（ｃ）での音響オブジェクトに比べても、図６の（ｄ）での音響オブジェクトの音響深度値が大きいから、ユーザは、図６の（ｃ）に比べて、音響オブジェクトがユーザにもっと近いところで生じたと感じる。

図７は、本発明の一実施形態による音響信号に基づいて、音響オブジェクトの位置を検出する方法に係わるフローチャートである。段階Ｓ７１０では、音響信号を構成する複数個の区間それぞれについて、周波数帯域別パワーを計算する。段階Ｓ７２０では、周波数帯域別パワーに基づいて、共通周波数帯域を決定する。

複数個の以前区間で、パワー変化が臨界値以下である周波数帯域を、共通周波数帯域として決定することができる。このとき、パワーが小さい周波数帯域は、ノイズのような意味のない音響オブジェクトに該当するので、パワーが小さい周波数帯域は、共通周波数帯域から除外される。例えば、パワーが大きい順に、所定個数の周波数帯域を選定した後、選定された周波数帯域のうち、共通周波数帯域を決定することができる。

段階Ｓ７３０では、以前区間での共通周波数帯域のパワーと、現在区間での共通周波数帯域のパワーとを比べて、比較結果に基づいて、音響深度値を決定する。以前区間での共通周波数帯域のパワーに比べて、現在区間での共通周波数帯域のパワーがさらに大きければ、共通周波数帯域に該当する音響オブジェクトが、ユーザにさらに近接した位置で生じたと判断する。

図８は、本発明の一実施形態による音響信号から、音響オブジェクトの位置を検出する事例を示している。図８の（ａ）は、時間軸で複数個の区間に区分された音響信号を示す。図８の（ｂ）ないし図８の（ｄ）は、第１区間ないし第３区間での周波数帯域別パワーを示している。図８の（ｂ）ないし図８の（ｄ）で、第１区間８０１と第２区間８０２は、以前区間であり、第３区間８０３が現在区間である。

図８の（ｂ）及び図８の（ｃ）を参照すれば、第１区間８０１ないし第２区間８０２で、３，０００〜４，０００Ｈｚ周波数帯域、４，０００〜５，０００Ｈｚ周波数帯域、５，０００〜６，０００Ｈｚ周波数帯域のパワーが類似している。従って、３，０００〜４，０００ＨＺ周波数帯域、４，０００〜５，０００ＨＺ周波数帯域、５，０００〜６，０００ＨＺ周波数帯域が共通周波数帯域として決定される。

図８の（ｃ）及び図８の（ｄ）を参照すれば、第２区間８０２で、３，０００〜４，０００ＨＺ周波数帯域、４，０００〜５，０００ＨＺ周波数帯域のパワーと、第３区間８０３で、３，０００〜４，０００ＨＺ周波数帯域、４，０００〜５，０００ＨＺ周波数帯域のパワーは、類似している。従って、３，０００〜４，０００ＨＺ周波数帯域、４，０００〜５，０００ＨＺ周波数帯域に該当する音響オブジェクトの音響深度値は、「０」に決定される。

しかし、第２区間８０２で、５，０００〜６，０００ＨＺ周波数帯域のパワーに比べ、第３区間８０３で、５，０００〜６，０００ＨＺ周波数帯域のパワーは、大きく増大した。従って、５，０００〜６，０００ＨＺ周波数帯域に該当する音響オブジェクトの音響深度値は、「０」以上に決定される。実施形態によっては、音響オブジェクトの音響深度値をさらに精巧に決定するために、映像深度マップを参照することもできる。

例えば、第３区間で、５，０００〜６，０００ＨＺ周波数帯域のパワーが、第２区間８０２に比べて大きく増大した。場合によっては、５，０００〜６，０００ＨＺ周波数帯域に対応する音響オブジェクトの生じた位置が、ユーザに近くなるのではなく、同一の位置で、パワーの大きさだけ増大した場合でもある。このとき、映像深度マップを参照し、第３区間８０３に対応する映像フレームから、スクリーン外に飛び出す映像オブジェクトが存在するとしたら、５，０００〜６，０００ＨＺ周波数帯域に該当する音響オブジェクトが、映像オブジェクトに対応する確率が高いのである。その場合、音響オブジェクトの生じた位置が、ユーザにだんだんと近づくことが望ましいので、音響オブジェクトの音響深度値を「０」以上に設定する。一方、第３区間８０３に対応する映像フレームから、スクリーン外に飛び出す映像オブジェクトが存在するのでなければ、音響オブジェクトは、同一の位置で、パワーだけが増大したと見ることができるので、音響オブジェクトの音響深度値を「０」に設定することができる。

図９は、本発明の一実施形態による立体音響の再生方法に係わるフローチャートである。段階Ｓ９１０では、映像深度情報を獲得する。映像深度情報は、立体映像信号内の少なくとも１つの映像オブジェクト及び背景と、基準点との間の距離を示している。段階Ｓ９２０では、音響深度情報を獲得する。音響深度情報は、音響信号内の少なくとも１つの音響オブジェクトと、基準点との間の距離を示している。段階Ｓ９３０では、音響深度情報に基づいて、少なくとも１つの音響オブジェクトに音響遠近感を付与する。

一方、上述の本発明の実施形態は、コンピュータで実行されるプログラムで作成可能であり、コンピュータで読み取り可能な記録媒体を利用し、前記プログラムを動作させる汎用デジタルコンピュータで具現されもする。

前記コンピュータで読み取り可能な記録媒体は、マグネチック記録媒体（例えば、ＲＯＭ（read-only memory）、フロッピー（登録商標）ディスク、ハードディスクなど）、光学的判読媒体（例えば、ＣＤ−ＲＯＭ、ＤＶＤ（digital versatile disc））及びキャリアウエーブ（例えば、インターネットを介する送信）のような記録媒体を含む。

以上、本発明について、その望ましい実施形態を中心に説明した。本発明が属する技術分野で当業者であるならば、本発明が本発明の本質的な特性から外れない範囲で変形された形態で具現される可能性があることを理解することができるであろう。従って、開示された実施形態は、限定的な観点ではなく、説明的な観点から考慮されなければならない。本発明の範囲は、前述の説明ではなく、特許請求の範囲に示されており、それと同等な範囲内にあるあらゆる差異は、本発明に含まれたものであると解釈されなければならないのである。

Claims (21)

1. 映像信号内の少なくとも１つの映像オブジェクトと基準位置との間の距離を示す映像深度情報を獲得する段階と、
   前記映像深度情報に基づいて、音響信号内の少なくとも１つの音響オブジェクトと基準位置との間の距離を示す音響深度情報を獲得する段階と、
   前記音響深度情報に基づいて、前記少なくとも１つの音響オブジェクトに音響遠近感を付与する段階と、を含むことを特徴とする立体音響の再生方法。
2. 前記音響深度情報を獲得する段階は、
   前記映像信号を構成する映像区間それぞれに係わる最大深度値を獲得する段階と、
   前記最大深度値に基づいて、前記少なくとも１つの音響オブジェクトに係わる音響深度値を獲得する段階と、を含むことを特徴とする請求項１に記載の立体音響の再生方法。
3. 前記音響深度値を獲得する段階は、
   前記最大深度値が第１臨界値未満であるならば、前記音響深度値を最低値として決定し、前記最大深度値が第２臨界値以上であるならば、前記音響深度値を最大値として決定する段階を含むことを特徴とする請求項２に記載の立体音響の再生方法。
4. 前記音響深度値を獲得する段階は、
   前記最大深度値が第１臨界値以上であって第２臨界値未満であるならば、前記最大深度値に比例して、前記音響深度値を決定する段階をさらに含むことを特徴とする請求項３に記載の立体音響の再生方法。
5. 前記音響深度情報を獲得する段階は、
   前記少なくとも１つの映像オブジェクトに係わる位置情報と前記音響信号とから、前記少なくとも１つの音響オブジェクトに係わる位置情報を獲得する段階と、
   前記少なくとも１つの映像オブジェクトの位置と、前記少なくとも１つの音響オブジェクトの位置とが一致するか否かを判断する段階と、
   前記判断結果に基づいて、前記音響深度情報を獲得する段階と、を含むことを特徴とする請求項１に記載の立体音響の再生方法。
6. 前記音響深度情報を獲得する段階は、
   前記映像信号を構成する映像区間それぞれに係わる平均深度値を獲得する段階と、
   前記平均深度値に基づいて、前記少なくとも１つの音響オブジェクトに係わる音響深度値を獲得する段階と、を含むことを特徴とする請求項１に記載の立体音響の再生方法。
7. 前記音響深度値を決定する段階は、
   前記平均深度値が第３臨界値未満であるならば、前記音響深度値を最低値として決定する段階を含むことを特徴とする請求項６に記載の立体音響の再生方法。
8. 前記音響深度値を決定する段階は、
   以前区間の平均深度値と、現在区間の平均深度値との差が第４臨界値未満であるならば、前記音響深度値を最低値として決定する段階を含むことを特徴とする請求項６に記載の立体音響の再生方法。
9. 前記音響遠近感を付与する段階は、
   前記音響深度情報に基づいて、前記音響オブジェクトのパワーを調整する段階を含むことを特徴とする請求項１に記載の立体音響の再生方法。
10. 前記遠近感を付与する段階は、
    前記音響深度情報に基づいて、前記音響オブジェクトが反射して生じる反射信号の利得及び遅延時間を調整する段階を含むことを特徴とする請求項１に記載の立体音響の再生方法。
11. 前記音響遠近感を付与する段階は、
    前記音響深度情報に基づいて、前記音響オブジェクトの低域成分の大きさを調整する段階を含むことを特徴とする請求項１に記載の立体音響の再生方法。
12. 記音響遠近感を付与する段階は、
    第１スピーカから出力される前記音響オブジェクトの位相と、第２スピーカから出力される前記音響オブジェクトの位相との差を調整する段階を含むことを特徴とする請求項１に記載の立体音響の再生方法。
13. 前記遠近感が付与された音響オブジェクトを、左側サラウンドスピーカ及び右側サラウンドスピーカを介して出力するか、あるいは左側フロントスピーカ及び右側フロントスピーカを介して出力する段階をさらに含むことを特徴とする請求項１に記載の立体音響の再生方法。
14. 前記方法は、
    前記音響信号を利用し、スピーカの外郭に音像を正位させる段階をさらに含むことを特徴とする請求項１に記載の立体音響の再生方法。
15. 前記音響深度情報を獲得する段階は、
    前記少なくとも１つの映像オブジェクトそれぞれの大きさに基づいて、前記少なくとも１つの音響オブジェクトに係わる音響深度値を決定する段階を含むことを特徴とする請求項１に記載の立体音響の再生方法。
16. 前記音響深度情報を獲得する段階は、
    前記少なくとも１つの映像オブジェクトの分布に基づいて、前記少なくとも１つの音響オブジェクトに係わる音響深度値を決定する段階を含むことを特徴とする請求項１に記載の立体音響の再生方法。
17. 映像信号内の少なくとも１つの映像オブジェクトと基準位置との間の距離を示す映像深度情報を獲得する映像深度情報獲得部と、
    前記映像深度情報に基づいて、音響信号内の少なくとも１つの音響オブジェクトと基準位置との間の距離を示す音響深度情報を獲得する音響深度情報獲得部と、
    前記音響深度情報に基づいて、前記少なくとも１つの音響オブジェクトに音響遠近感を付与する遠近感付与部と、を含むことを特徴とする立体音響再生装置。
18. 前記音響深度情報獲得部は、
    前記映像信号を構成する映像区間それぞれに係わる最大深度値を獲得し、前記最大深度値に基づいて、前記少なくとも１つの音響オブジェクトに係わる音響深度値を獲得することを特徴とする請求項１７に記載の立体音響再生装置。
19. 前記音響深度情報獲得部は、
    前記最大深度値が第１臨界値未満であるならば、前記音響深度値を最低値として決定し、前記最大深度値が第２臨界値以上であるならば、前記音響深度値を最大値として決定することを特徴とする請求項１８に記載の立体音響の再生装置。
20. 前記音響深度値を獲得する段階は、
    前記最大深度値が第１臨界値以上であって第２臨界値未満であるならば、前記最大深度値に比例して、前記音響深度値を決定することを特徴とする請求項１８に記載の立体音響の再生装置。
21. 請求項１ないし請求項１６のうち、いずれか一項に記載の方法を具現するためのプログラムが記録されたコンピュータで読み取り可能な記録媒体。

Images