JP4896449B2

JP4896449B2 - 音響信号処理方法、装置及びプログラム

Info

Publication number: JP4896449B2
Application number: JP2005190272A
Authority: JP
Inventors: 皇天田
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2005-06-29
Filing date: 2005-06-29
Publication date: 2012-03-14
Anticipated expiration: 2025-06-29
Also published as: US7995767B2; JP2007010897A; CN1893461A; US20070005350A1

Description

本発明は、ハンズフリー通話や音声認識等で用いられる雑音抑圧技術の一つであるマイクロホンアレー技術に係り、特に入力音響信号中の目的音声信号を強調して出力する音響信号処理方法、装置及びプログラムに関する。

音声認識技術を実環境で利用する場合、周囲の雑音は認識率に大きな影響を及ぼす。例えば自動車内においては、エンジン音、風切り音、対向車や追い越し車両の音、及びカーオーディオ装置の音など多くの雑音が存在する。これらの雑音は、話者の声に混ざって音声認識装置へ入力され、認識率を大きく低下させる原因となる。このような雑音の問題を解決する方法の一つとして、マイクロホンアレーの利用があげられる。マイクロホンアレーは、複数のマイクロホンからの入力音響信号に対して信号処理を行い、話者の声である目的音声信号を強調して出力する。

雑音の到来方向にマイクロホンの受音感度の低い死角を自動的に向けることにより、雑音を抑圧する適応型マイクロホンアレーが知られている。適応型マイクロホンアレーは、一般的に目的音方向の信号は抑圧しないという条件（拘束条件）の下で雑音を抑圧するように設計される。その結果、例えば正面方向から到来する目的音声信号は抑圧せずに、側方からの雑音を抑圧することが可能になる。

しかしながら実環境では、たとえ正面に居る話者の声であったとしても、壁などの周囲の障害物に反射して様々な方向から到来する、いわゆる残響の問題がある。古典的な適応型マイクロホンアレーでは、残響のことは考慮されていない。その結果、適応型マイクロホンアレーを残響下で使用した場合、本来強調すべき目的音声信号が誤って抑圧されてしまう「目的音除去」と呼ばれる現象が起こるという問題がある。

残響の影響が既知である場合、つまり音源からマイクロホンまでの伝達関数が既知の場合については、目的音除去の問題を回避する方法が提案されている。例えば、非特許文献１ではマイクロホンからの入力音響信号に、インパルス応答の形で表現された伝達関数から得られるマッチトフィルタをかける方法を提案している。一方、非特許文献２には入力音響信号をケプストラムに変換し、高次のケプストラムを抑圧することで残響を軽減する方法が述べられている。
J.L. Flanagan, A.C. Surendran and E.E. Jan," Spatially Selective Sound Capture for Speech and Audio Processing", Speech Communication, 13, pp207-222,1993 A. V. Oppenheim and R.W. Schafer,"Digital Signal Processing", Prentice Hall, pp.519-524, 1975

非特許文献１の方法はインパルス応答を予め知っておく必要があり、そのためには実際に利用する環境でインパルス応答を測定する必要がある。自動車内などでは搭乗者や荷物、窓の開閉など伝達関数に影響を与える要素が多いため、このようなインパルス応答の既知を前提とした方法を実用化することは難しい。

一方、非特許文献２では残響成分がケプストラムの高次項に現れやすい傾向を利用しているが、直接波と残響成分が完全に分離して存在するわけではないので、適応マイクロホンアレーに有害な残響成分がどの程度除去できるかは利用状況に依存する。

特に、自動車内部のような狭い空間では短時間に多くの反射成分が集中し、反射成分が直接波と干渉してスペクトルを大きく変形させる。従って、ケプストラムを用いた手法では直接波と残響成分を十分に分離できないので、残響の影響による目的音除去を回避することは難しい。

このように従来の技術では、自動車内などの狭い空間においてマイクロホンアレーの目的音除去の原因となる残響成分を十分に除去することができないという問題がある。

本発明は、残響下における目的音除去の問題を緩和して目的音声信号の強調を行う音響信号処理方法、装置及びプログラムを提供することを目的とする。

本発明の一観点によると、複数チャネルの入力音響信号のチャネル間の差異を表す特徴量を求め、前記特徴量に対応付けられた複数チャネルの重み係数を予め用意された重み係数辞書から選択し、前記入力音響信号を前記重み係数でそれぞれ重み付けした後加算して出力音響信号を生成する。

本発明の他の観点では、複数チャネルの入力音響信号のチャネル間の差異を表す特徴量をクラスタリングして複数のクラスタを生成し、前記クラスタのセントロイドを求め、前記特徴量と前記セントロイドとの距離を求め、前記距離が最小となるセントロイドを有するクラスタに対応付けられた複数チャネルの重み係数を予め用意された重み係数辞書から選択し、前記入力音響信号を前記重み係数でそれぞれ重み付けした後加算して出力音響信号を生成する。

本発明のさらに別の観点によると、複数チャネルの入力音響信号のチャネル間の差異を表す特徴量と予め用意された複数の代表点との距離を求め、前記距離が最小となる代表点を決定し、前記距離が最小となる代表点に対応付けられた複数チャネルの重み係数を予め用意した重み係数辞書から選択し、前記入力音響信号を前記重み係数でそれぞれ重み付けした後加算して出力音響信号を生成する。

本発明によれば、複数の入力音響信号のチャネル間特徴量に基づいて重み係数を選択するため、重み係数の学習を行うことによって容易に残響下における目的音除去の問題を回避することが可能となる。

以下、図面を参照して本発明の幾つかの実施形態について説明する。

（第１の実施形態）
図１に示されるように、本発明の第１の実施形態に従う音響信号処理装置は、複数（Ｎ）のマイクロホン１０１−１〜ＮからのＮチャネルの受音信号（入力音響信号）のチャネル間特徴量を算出する特徴量算出部１０２、複数の重み係数（以下、重み係数係数ともいう）を格納した重み係数辞書１０３、チャネル間特徴量に基づき重み係数辞書１０３から重み係数を選択する選択部１０４、入力音響信号ｘ１〜ｘＮに選択された重み係数を重み付けする重み付け部１０５−１〜Ｎ、及び重み付け部１０５−１〜Ｎの出力信号を加算して目的音声信号が強調された出力音響信号を得る加算部１０６を有する。

次に、本実施形態の処理手順を図２のフローチャートに従って説明する。

マイクロホン１０１−１〜Ｎからの入力音響信号ｘ１〜ｘＮをチャネル間特徴量算出部１０２に入力し、チャネル間特徴量を算出する（ステップＳ１１）。ディジタル信号処理技術を用いる場合、ｘ１〜ｘＮは図示しないＡ／Ｄ変換器により時間方向に離散化され、例えば時間インデックスｔを用いてｘ１（ｔ）と表される。チャネル間特徴量は入力音響信号ｘ１〜ｘＮのチャネル間の差異を表す量であり、その具体例については後述する。入力音響信号ｘ１〜ｘＮが離散化されていれば、チャネル間特徴量も離散化される。

次に、選択部１０４によりチャネル間特徴量に基づき重み係数辞書１０３からチャネル間特徴量と対応付けられている重み係数ｗ１〜ｗＮを選択する（ステップＳ１２）。チャネル間特徴量と重み係数ｗ１〜ｗＮとの対応付けは事前に決定されており、最も簡便な方法としては離散化されたチャネル間特徴量と重み係数ｗ１〜ｗＮを１対１で対応させておく方法である。

より効率的な対応付けの方法としては、後述する第３の実施形態で説明するように、ＬＢＧなどのクラスタリング手法を用いてチャネル間特徴量をグループ分けしておき、チャネル間特徴量の各グループに対して重み係数ｗ１〜ｗＮを対応付ける方法もある。また、ＧＭＭ(Gaussian mixture model)のような統計的な分布を利用して分布の重みと重み係数ｗ１〜ｗＮを対応付けるなどの方法も考えられる。このように対応付けに関しては様々な方法が考えられ、計算量やメモリ量などを考慮して決定される。

このようにして選択部１０４で選択された重み係数ｗ１〜ｗＮは、重み付け部１０５−１〜Ｎにセットされる。重み付け部１０５−１〜Ｎによって重み係数ｗ１〜ｗＮに従って入力音響信号ｘ１〜ｘＮに重み付けがなされた後、加算部１０６で加算されることにより、目的音信号が強調された出力音響信号ｙが得られる（ステップＳ１３）。

時間領域におけるディジタル信号処理では、重み付けは畳み込みとして表現される。重み係数ｗ１〜ｗＮをフィルタ係数の形として、
ｗｎ＝｛ｗｎ（０），ｗｎ（１），．．．，ｗｎ（Ｌ−１）｝
ｎ＝１，２，．．，Ｎ；ただし、Ｌはフィルタ長、
と表した場合、出力信号ｙは各チャネルの畳み込みの和として

と表される。ただし＊は畳み込みを表し、

である。重み係数ｗｎの更新のタイミングとしては、サンプル単位、所定のフレーム単位などがある。

次に、チャネル間特徴量について述べる。チャネル間特徴量は、前述のようにＮ個のマイクロホン１０１−１〜ＮからのＮチャネルの入力音響信号ｘ１〜ｘＮのチャネル間の差異を表す量であり、以下のように様々なものが考えられる。

今、入力音響信号ｘ１〜ｘＮの到来時間差τをＮ＝２の場合について考える。図３に示されるように、入力音響信号ｘ１〜ｘＮがマイクロホン１０１−１〜Ｎのアレーに対して正面から到来する場合、τ＝０である。図４に示されるように、入力音響信号ｘ１〜ｘＮが正面から角度θだけずれた側方から到来する場合は、τ＝ｄｓｉｎθ／ｃの遅延を生じる。ここで、ｃは音速、ｄはマイクロホン１０１〜Ｎの間隔である。

ここで、到来時間差τを検出できるとすると、τ＝０に対して相対的に大きな重み係数、例えば（０．５，０．５）を対応付け、τ＝０以外の値に対して相対的に小さな重み係数、例えば（０，０）を対応付けることにより、正面からの入力音響信号のみを強調することができる。τを離散化して考える場合は、マイクロホン１０１−１〜Ｎのアレーが検出できる最小の角度に対応する時間単位としてもよいし、１度刻みなど一定の角度単位に対応する時間としてもよく、あるいは角度とは無関係に一定の時間間隔を用いるなど、様々な方法がある。

従来からよく用いられているマイクロホンアレーの多くは、一般化すると各マイクロホンからの入力音響信号を重み付けして加算することで出力信号を得るというものである。マイクロホンアレーの方式は種々あるが、各方式の違いは基本的に重み係数ｗの決定法である。適応型マイクロホンアレーは、入力音響信号を基に重み係数ｗを解析的に求めるものが多い。例えば、適応型マイクロホンアレーの一つであるＤＣＭＰ（Directionally Constrained Minimization of Power：方向拘束付き電力最小化法）によると、重み係数ｗは

と表される。ただし、Ｒｘｘは入力音響信号のチャネル間相関行列、ｉｎｖ（）は逆行列、^ｈは共役転置を表し、ｗ，ｃはベクトル、ｈはスカラである。ベクトルｃは拘束ベクトルとも呼ばれる。ベクトルｃで示される方向の応答が希望応答ｈとなるように設計することが可能である。複数の拘束条件を設定することも可能であり、その場合にはｃは行列、ｈはベクトルとなる。通常、拘束ベクトルを目的音方向とし、希望応答を１として設計する。

ＤＣＭＰではマイクロホンからの入力音響信号に基づいて適応的に重み係数を求めるため、遅延和アレーなどの固定型アレーに比べて少ないマイクロホン数で高い雑音抑圧能力を実現することができる。しかし、残響下では音波の干渉により事前に定めた方向ベクトルｃと実際に目的音が到来する方向が必ずしも一致しないため、目的音信号が雑音とみなされ抑圧されてしまう「目的音除去」の問題が起こる。このように入力音響信号に基づいて適応的に指向特性を形成する適応型アレーは残響の影響が顕著であり、「目的音除去」の問題は避けられない。

これに対し、本実施形態に従ってチャネル間特徴量に基づき重み係数を設定する方式は、重み係数を学習することで目的音除去を抑止することができる。例えば、正面から発せられた音響信号が反射により到来時間差τにτ０だけの遅延を生じたとすると、τ０に対応する重み係数を（０．５，０．５）のように相対的に大きくし、τ０以外のτに対応する重み係数を（０，０）のように相対的に小さくすることで、目的音除去の問題を避けることができる。重み係数の学習、すなわち重み係数辞書１０３を作成するときのチャネル間特徴量と重み係数の対応付けは、後述の方法により事前に行われる。
到来時間差τを求める方法として例えば、ＣＳＰ(cross-power-spectrum phase)法があげられる。ＣＳＰ法ではＮ＝２の場合、ＣＳＰ係数を

と求める。ＣＳＰ（ｔ）はＣＳＰ係数、Ｘｎ（ｆ）はｘｎ（ｔ）のフーリエ変換、ＩＦＴ｛｝はフーリエ逆変換、ｃｏｎｊ（）は共役複素数、｜｜は絶対値を表す。ＣＳＰ係数は白色化クロススペクトルのフーリエ逆変換であるので、到来時間差τに相当する時刻ｔにパルス状のピークをもつ。従って、ＣＳＰ係数の最大値探索により到来時間差τを知ることができる。

到来時間差に基づくチャネル間特徴量としては、到来時間差そのものほかに複素コヒーレンスを用いることも可能である。Ｘ１（ｆ），Ｘ２（ｆ）の複素コヒーレンスは、

で表される。Ｃｏｈ（ｆ）は複素コヒーレンス、Ｅ｛｝は時間方向の期待値（より厳密には集合平均）である。コヒーレンスは、信号処理の分野では２つの信号の関係を表す量として用いられる。拡散性雑音のようにチャネル間に相関のない信号は、コヒーレンスの絶対値は小さくなり、方向性の信号はコヒーレンスが大きくなる。方向性の信号はチャネル間の時間差がコヒーレンスの位相成分となって現れるので、それが目的音方向からの信号であるのか、それ以外の方向からの信号であるかを位相で区別することができる。これらの性質を特徴量として利用することで、拡散性雑音、目的音信号、方向性雑音を区別することが可能となる。数式（５）からもわかるようにコヒーレンスは周波数の関数であるため、後述の第２の実施形態と相性がよいが、時間領域で用いる場合は周波数方向に平均化する、代表的な周波数の値を用いる、など様々な方法が考えられる。コヒーレンスは一般的にはＮチャネルで定義され、ここでの例のようなＮ＝２に限定されない。

チャネル間特徴量としては、到来時間差に基づく特徴量のほかに一般化相関関数を用いることもできる。一般化相関関数については、例えば "The Generalized Correlation Method for Estimation of Time Delay, C. H. Knapp and G. C. Carter, IEEE Trans, Acoust., Speech, Signal Processing", Vol.ASSP-24, No.4,pp.320-327(1976)に記載されている。一般化相関関数ＧＣＣ（ｔ）は、

と定義される。ここでＩＦＴはフーリエ逆変換、Φ（ｆ）は重み係数、Ｇ１２（ｆ）はチャネル間のクロスパワースペクトルである。Φ（ｆ）の決め方に関しては様々な方法があり、詳細は上記文献に記載されている。例えば、最尤推定法による重み係数Φｍｌ（ｆ）は、次式で表される。

ただし、｜γ１２（ｆ）｜² は振幅２乗コヒーレンスである。ＣＳＰの場合と同様に、ＧＣＣ（ｔ）の最大値と最大値を与えるｔからチャネル間の相関の強さと音源の方向を知ることができる。

このように本実施形態はチャネル間特徴量と重み係数ｗ１〜ｗＮの関係を学習によって求めることで、残響等により入力音響信号ｘ１〜ｘＮの方向情報が乱されていても、これを学習しておくことにより、「目的音除去」の問題を起こすことなく目的音信号の強調を行うことが可能である。

（第２の実施形態）
図５は、本発明の第２の実施形態に従う音響信号処理装置を示している。本実施形態では、図１に示した第１の実施形態の音響処理装置に対してフーリエ変換部２０１−１〜Ｎとフーリエ逆変換部２０７が追加され、さらに図１の重み付け部１０５−１〜Ｎが周波数領域での乗算を行う重み付け部２０５−１〜Ｎに置き換わっている。ディジタル信号処理技術の分野において周知のように、時間領域での畳み込み演算は周波数領域での積で表される。本実施形態では、入力音響信号ｘ１〜ｘＮをフーリエ逆変換部２０１−１〜Ｎにおいて周波数領域に変換した後に重み付け加算を行う。この後、フーリエ逆変換部２０５においてフーリエ逆変換を行って時間領域の信号に戻して出力音響信号を生成する。本実施形態では、信号処理的には時間領域で処理する第１の実施形態と等価な処理を行っていることになる。数式（１）に対応する加算部１０６の出力信号は、畳み込みではなく積の形として、次式で表される。

ここで、ｋは周波数インデックスである。

加算部１０６の出力信号Ｙ（ｋ）をフーリエ逆変換することで、時間領域の波形を有する出力音響信号ｙ（ｔ）を生成する。このように周波数領域に変換する利点は、重み付け部１０５−１〜Ｎの重み次数によっては計算量が削減できる場合があることと、周波数単位で独立に処理することが可能になるために、複雑な残響を表現しやすいことなどが挙げられる。後者について補足すると、残響による波形の干渉は周波数毎に強度や位相が異なるのが一般的である。すなわち、ある周波数では干渉が強いが、別の周波数ではあまり影響がないなど、周波数方向に対して変化が激しい。このような場合には、周波数毎に独立に処理する方がより精密な処理が可能となる。なお、計算量の都合等により複数の周波数をひとまとめにし、サブバンド化して処理を行うことも可能である。
（第３の実施形態）
本発明の第３の実施形態では、図６に示されるように第２の実施形態である図５の音響信号処理装置にクラスタリング部２０８とクラスタリング辞書２０９が追加されている。クラスタリング辞書２０９は、ＬＢＧ法により得られたＩ個のセントロイドを格納している。

図７を用いて本実施形態の処理手順を説明すると、まず第２の実施形態と同様にマイクロホン１０１−１〜Ｎからの入力音響信号ｘ１〜ｘＮをフーリエ変換部２０５−１〜Ｎにより周波数領域に変換した後、チャネル間特徴量算出部１０２によりチャネル間特徴量を算出する（ステップＳ２１）。

計算された特徴量とクラスタリング辞書２０９内のＩ個のセントロイドとの距離を計算
する（ステップＳ２４）。クラスタリング辞書２０９は後述する作成手法により別途用意
する。

クラスタリング部２０８は、計算した距離を最小にするセントロイド（距離が最小となる代表点）を指し示すインデックス番号を選択部２０４に送る。選択部２０４は、インデックス番号に対応する重み係数を重み係数辞書１０３から選択して重み付け部１０５−１〜Ｎに送る（ステップＳ２５）。

重み付け部１０５−１〜Ｎにおいてフーリエ変換部２０５−１〜Ｎにより周波数領域に変換された入力音響信号を重み係数に従って重み付けし、さらに加算部２０６により加算する（ステップＳ２６）。この後、重み付け加算された信号をフーリエ逆変換部２０７によって時間領域の波形に変換することによって、目的音声信号が強調された出力音響信号を生成する。

次に、本実施形態重み係数辞書１０３の学習による作成方法について述べる。
チャネル間特徴量は音源位置や分析フレーム毎にある分布を持ち、その分布は連続的であるため、重み係数を離散化する場合にはチャネル間特徴量と重み係数との対応付けを行う必要がある。この対応付けは様々な方法があるが、ここではチャネル間特徴量をＬＢＧアルゴリズムにより予めクラスタリングし、チャネル間特徴量との距離が最小となるセントロイドを有するクラスタの番号に対して重み係数を対応付ける方法を述べる。すなわち、チャネル間特徴量の平均値をクラスタ毎に求め、各クラスタに１つの重み係数を対応させる。

クラスタリング辞書２０９の作成にあたっては、想定される残響環境下で音源位置を変化させつつ該音源から発せられる一連の音響をマイクロホン１０１−１〜Ｎにより受音して得られるＮチャネルの学習用入力音響信号について先と同様にチャネル間特徴量を算出し、これにＬＢＧアルゴリズムを適用する。次に、以下のようにしてクラスタに対応する重み係数辞書１０３を作成する。

周波数領域での入力音響信号と出力音響信号との関係は、次式で表される。

ここで、Ｘ（ｋ）はＸ（ｋ）＝｛Ｘ１（ｋ），Ｘ２（ｋ），．．．，ＸＮ（ｋ）｝なるベクトルであり、Ｗ（ｋ）も同様に各チャネルの重み係数からなるベクトルである。ｋは周波数インデックス、^ｈは共役転置を表す。

マイクロホンからの第ｍフレームの学習用入力音響信号をＸ（ｍ，ｋ）、学習用入力音響信号Ｘ（ｍ，ｋ）を重み係数に従って重み付け加算して得られる出力音響信号をＹ（ｍ，ｋ）とし、目標信号すなわち望ましいＹ（ｍ，ｋ）をＳ（ｍ，ｋ）とする。これらのＸ（ｍ，ｋ）、Ｙ（ｍ，ｋ）及びＳ（ｍ，ｋ）を第ｍフレームの学習データとする。以降では、周波数インデックスｋを省略して表記することにする。

音源位置が異なるなどの様々な環境で生成した学習データの全フレーム数をＭとし、各フレームにフレームインデックスを付ける。学習用入力音響信号のチャネル間特徴量をクラスタリングし、チャネル間特徴量が第ｉクラスタに属するフレームインデックスの集合をＣｉと表すことにする。次に、第ｉクラスタに属する学習データの出力音響信号の目標信号に対する誤差を求める。この誤差は例えば第ｉクラスタに属する学習データの出力音響信号に対する目標信号との２乗誤差の総和Ｊｉであり、次式で表される。

数式（１０）のＪｉを最小化するＷｉを第ｉクラスタに対応する重み係数とする。重み係数ｗｉはＪｉをＷで偏微分することで、

となる。ただし、

である。ただし、Ｅ｛｝は期待値を表す。

これを全クラスタに対して行い、Ｗｉ（ｉ＝１，２，…，Ｉ）を重み係数辞書１０３と記録する。ただし、Ｉはクラスタの総数である。

チャネル間特徴量と重み係数との対応付けは、統計的な手法を用いたＧＭＭなど様々な方法が考えられ、本実施形態に限定されるものではない。また、本実施形態では周波数領域での重み係数の設定方法について述べたが、時間領域において重み係数を設定することも可能である。

（第４の実施形態）
本発明の第４の実施形態では、図８に示されるように話者６０１−１，６０１−２が居る室内６０２にマイクロホン１０１−１〜Ｎと第１乃至第３の実施形態のいずれかで説明した音響信号処理装置１００が配置される。室内６０２は、例えば自動車の内部である。音響信号処理装置６０３は、目的音方向を話者６０１−１の方向に設定して、室内６０２と同一か比較的類似した環境で第３の実施形態で説明したような学習が行われることにより、重み係数辞書が作成されている。従って、話者６０１−１の発声は抑圧されずに、話者６０１−２の発声のみ抑圧される。

実際には、人の着座位置や、体型、シートの位置など、音源に関する変動のほか、車内に荷物が搭載されたり、窓が空けの有無などがあったりなど、変動要因が存在する。学習時には、これらの変動を学習データに含めて学習を行い、変動要因にロバストになるように設計するが、よりその状況に最適化したい場合は追加学習行うことも考えられる。例えば話者６０１−１に幾つかの発声をさせ、これを基に音響信号処理装置１００に含まれている図示しないクラスタリング辞書や重み係数辞書を更新する。同様に話者６０１−２に発声をさせ、その声を抑圧するように辞書の更新を行うことも可能である。

（第５の実施形態）
本発明の第５の実施形態によると、図９に示されるようにロボット頭部７０１の両側、すなわち耳の部分にマイクロホン１０１−１，１０１−２が配置され、第１乃至第３の実施形態のいずれかで説明した音響信号処理装置１００に接続される。

このようにロボット頭部７０１に設置されたマイクロホン１０１−１，１０１−２においては、頭部７０１での複雑な音波の回折により残響と同様に到来する音響の方向情報が乱れやすい。すなわち、このようにロボット頭部７０１にマイクロホン１０１−１，１０１−２を配置すると、マイクロホンと音源を結ぶ直線上にロボット頭部７０１が障害物として存在することになる。例えば、ロボット頭部７０１の左側に音源がある場合、左耳に位置するマイクロホン１０１−２には直接音が到達するが、右耳に位置するマイクロホン１０１−１は頭部７０１が障害物となって直接音が到達せず、頭部７０１を回り込んだ回折波が到達する。

このような回折による影響は、数学的に解析するのは手間がかかる。このため図９のようにロボット頭部７０１の耳を挟んだり、あるいは柱や壁などの障害物を挟む状態でマイクロホンを配置したりした場合など、マイクロホンの間に障害物があると音源方向の推定が困難である。

本発明の第１〜第３の実施形態によると、このようにマイクロホンと音源を結ぶ直線上に障害物が存在しても、障害物による回折の影響を学習により音響信号処理装置に取り込むことで、特定の方向からの目的音信号のみを強調することが可能となる。

（第６の実施形態）
図１０は、本発明の第６の実施形態に従う音響信号処理装置であるエコーキャンセラを示している。本実施形態のエコーキャンセラは、自動車内のような室内８０１にマイクロホン１０１−１〜Ｎと、音響信号処理装置１００、送信機８０２及びスピーカ８０３が配置される。電話や形態情報端末（ＰＤＡ）やパーソナルコンピュータ（ＰＣ）などでハンズフリー通話を行う場合、スピーカ８０３から発する音のマイクロホン１０１−１〜Ｎに回り込む成分（エコー）が通話の相手先に送られる問題がある。これを防止するため、一般的にエコーキャンセラが用いられる。

本実施形態では、音響信号処理装置１００が学習により指向性を形成できるという特徴を生かし、予めスピーカ８０３から発せられる音響信号を目標信号０として学習することで抑圧する。同時に正面方向からの音響信号を通すように学習することで、話者の声は通し、スピーカ８０３からの音は抑圧することが可能になる。この原理を応用すれば、例えば自動車内のスピーカから流れる音楽を抑圧するように学習を行うことも可能である。

上述した第１乃至第６の実施形態で説明した音響信号処理は、例えば汎用のコンピュータ装置を基本ハードウェアとして用いることでも実現することが可能である。すなわち、上述した音響信号処理をコンピュータ装置に搭載されたプロセッサにプログラムを実行させることにより実現することができる。このとき当該プログラムをコンピュータ装置にあらかじめインストールすることで実現してもよいし、ＣＤ−ＲＯＭなどの記憶媒体に記憶して、あるいはネットワークを介して当該プログラムを配布して、このプログラムをコンピュータ装置に適宜インストールしてもよい。

本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。

本発明の第１の実施形態に係る音響信号処理装置のブロック図第１の実施形態に係る処理手順を示すフローチャート第１の実施形態における重み係数の設定方法を説明するための図第１の実施形態における重み係数の設定方法を説明するための図本発明の第２の実施形態に係る音響信号処理装置のブロック図本発明の第３の実施形態に係る音響信号処理装置のブロック図第３の実施形態に係る処理手順を示すフローチャート本発明の第４の実施形態における音響信号処理装置の使用例を示す概略的な平面図本発明の第５の実施形態における音響信号処理装置の使用例を示す概略的な平面図本発明の第６の実施形態に係る、音響信号処理装置を用いたエコーキャンセラのブロック図

符号の説明

１０１−１〜Ｎ・・・マイクロホン；
１０２・・・チャネル間特徴量算出部；
１０３・・・重み係数辞書；
１０４・・・選択部；
１０５−１〜Ｎ・・・重み付け部；
１０６・・・加算器
２０４・・・選択部；
２０５−１〜Ｎ・・・フーリエ変換部；
２０７・・・フーリエ逆変換部；
２０８・・・クラスタリング部；
２０９・・・クラスタリング辞書

Claims

複数チャネルの入力音響信号のチャネル間の差異を表す特徴量を求めるステップと、
前記特徴量と予め用意されたクラスタリング辞書内の複数の代表点との距離を求めるス
テップと、
前記距離が最小となる代表点を決定するステップと、
前記距離が最小となる代表点に対応付けられた複数チャネルの重み係数を予め用意した
重み係数辞書から選択するステップ、及び
複数チャネルの前記入力音響信号を複数チャネルの前記重み係数でそれぞれチャネル毎
に重み付けした後に、重み付け後の複数チャネルの前記入力音響信号を加算して出力音響
信号を生成するステップを具備する音響信号処理方法。
前記特徴量を求めるステップは、前記入力音響信号のチャネル間の到達時間差に基づく
特徴量を求める請求項１記載の音響信号処理方法。
前記特徴量を求めるステップは、前記入力音響信号のチャネル間の複素コヒーレンスを
求める請求項１記載の音響信号処理方法。
前記重み係数辞書は、スピーカからの信号を抑圧するように重み係数が定められている
請求項１記載の音響信号処理方法。
前記重み係数は時間領域のフィルタ係数であり、入力音響信号への重み付けは入力音響
信号と重み係数との畳み込みで表される請求項１記載の音響信号処理方法。
前記重み係数は周波数領域のフィルタ係数であり、前記入力音響信号への重み付けは入
力音響信号と重み係数との積で表される請求項１記載の音響信号処理方法。
複数チャネルの入力音響信号のチャネル間の差異を表す特徴量を求める手段と、
前記特徴量と予め用意されたクラスタリング辞書内の複数の代表点との距離を求める手
段と、
前記距離が最小となる代表点を決定する手段と、
前記距離が最小となる代表点に対応付けられた複数チャネルの重み係数を予め用意した
重み係数辞書から選択する手段、及び
複数チャネルの前記入力音響信号を複数チャネルの前記重み係数でそれぞれチャネル毎
に重み付けした後に、重み付け後の複数チャネルの前記入力音響信号を加算して出力音響
信号を生成する手段を具備する音響信号処理装置。
複数チャネルの入力音響信号のチャネル間の差異を表す特徴量を求める処理と、
前記特徴量と予め用意されたクラスタリング辞書内の複数の代表点との距離を求める処
理と、
前記距離が最小となる代表点を決定する処理と、
前記距離が最小となる代表点に対応付けられた複数チャネルの重み係数を予め用意した
重み係数辞書から選択する処理、及び
複数チャネルの前記入力音響信号を複数チャネルの前記重み係数でそれぞれチャネル毎
に重み付けした後に、重み付け後の複数チャネルの前記入力音響信号を加算して出力音響
信号を生成する処理をコンピュータに行わせるための音響信号処理プログラム。