JP4937622B2 - 位置標定モデルを構築するコンピュータ実施方法 - Google Patents

Description

［発明の分野］
本発明は、包括的には音響信号処理に関し、特にマイクロホンアレイを使用して音響発信源を位置標定して追跡することに関する。

（発明の背景）
マイクロホンアレイを使用して、音響信号発信源、たとえばスピーカ又は車両を位置標定して追跡することができる。一般にこれは発信源定位と呼ばれる。

一般的な１つの方法は、マイクロホンへの音響信号の到来時間差（ＴＤＯＡ）を利用する。ＴＤＯＡは種々の技法を用いて推定することができる（「Special issue on time-delay estimation」（IEEE Transactions on Acoustics and Speech Signal Processing, vol. ASSP-29, June 1981）、M. S. Brandstein、J. E. Adcock及びH. F. Silverman著「A practical time delay estimator for localizing speech sources with a microphone array」（Computer Speech and Language, vol. 9, pp. 153-169, April 1995）、C. H. Knapp及びG. C. Carter著「The generalized correlation method for estimation of time delay」（IEEE Transactions of Acoustics and Speech Signal Processing ASSP-24, 320327, 1976）、並びにBenesty, J.著「Adaptive eigenvalue decomposition algorithm for passive acoustic source localization」（Journal of the Acoustical Society of America, vol. 107, pp. 384-391, January 2000））。

マイクロホンの位置と併せて、ＴＤＯＡを用いて発信源の位置を推定することができる（R. Schmidt著「A new approach to geometry of range difference location」（IEEE Transactions of Aerospace and Electronics Systems, vol. AES-8, pp. 821-835, November 1972）、J. Smith及びJ. Abel著「Closed-form least-squares source location estimation from range-difference measurements」（IEEE Transactions on Acoustics and Speech, Signal Processing, vol. ASSP-35, pp. 1661-1669, December 1987）、並びにJ. Smith及びJ. Abel著「The spherical interpolation method for closed-form passive source localization using range difference measurements」（Proceedings of the International Conference on Acoustics, Speech and Signal Processing (ICASSP), 1987））。

別の方法は、入力信号から位置を推測するのではなく、信号が１組の位置から発せられた尤度（likelihood）を測定する。その方法は、ビーム形成及び／又は確率的定式化を含む広く様々な計算技法を用いることができる（S. T. Birtchfield及びD. K. Gillmor著「Fast Bayesian acoustic localization」（Proceedings of the International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2002））。その方法はＴＤＯＡ法よりも効率的に劣るが、パフォーマンスがよりよく、複数の発信源のある環境で高信頼的に動作することができる。

用いられる定位技法に関わりなく、音響が紛らわしい反射を示さず、マイクロホンの位置が分かっており、マイクロホンが類似する応答性を有することが必須である。上記条件のいずれかに従わない場合、定位推定の正確性に有害な影響が及ぶ恐れがある。

したがって、マイクロホンの配置及び応答性が未知であり、音響環境が未知であり、強力な反射があり、且つ一定の背景雑音がある場合に発信源定位を行うことが望まれる。

［発明の概要］
本発明は、音響発信源を位置標定して追跡するシステム及び方法を提供する。

第１の段階において、位置標定モデルが、未知の位置にある音響発信源から発せられる音響信号を使用してトレーニングされる。トレーニングは任意の数の発信源に対して行うことができる。応答性の異なるマイクロホンアレイが音響信号を得る。マイクロホンが未知の位置に適宜固定される。

各音響発信源の応答特徴をトレーニング特徴として使用し、その後、新規音響信号を位置標定して追跡する。

信号の偽反射及びマイクロホンの不整合性は、トレーニングプロセスの一環として「学習」されるため、実際的な問題を引き起こさない。本発明は固定マイクロホンアレイを含む音響環境に対して実用的である。

［好ましい実施形態の詳細な説明］
図１は、本発明による音響発信源を位置標定し追跡するシステムを示す。マイクロホン１１０のアレイが音響環境１２０内に配置される。マイクロホンは未知の位置に固定され、未知の応答特徴を有する。マイクロホンはプロセッサ１３０に接続される。環境は、未知の位置にあり、トレーニングに使用される１つ又は複数の音響発信源１４０も含む。発信源は未知の軌跡に沿って移動することもできる。発信源は「トレーニング」信号を生成する。

簡明にするために、２つのマイクロホンがアレイ内にある場合について説明する。しかし、対毎のマイクロホンの組み合わせを考えることにより任意の数のマイクロホンが可能なことを理解されたい。

位置標定特徴
音響発信源及びマイクロホン特徴の性質から不変性を得るために、相対音響特徴を得る。この特徴を用いて位置標定モデル１５０をトレーニングする。したがって、トレーニングは入力の性質ではなくマイクロホン間の関係によって影響を受ける。

１組の特徴は、各入力信号のスペクトルの相対的な大きさ及び位相である。

図２は音響発信源を位置標定して追跡する方法２００を示す。マイクロホンが２つの例を用いると、各マイクロホンからそれぞれｘ（ｔ）２０１及びｙ（ｔ）２０２で示す１つの音響トレーニング信号を得る（２１０）。局所に静止しているものと仮定して、短時間スペクトル解析を行い（２２０）、時間ｔでの各周波数ωについてＸ_ω（ｔ）２２１及びＹ_ω（ｔ）２２２で示す信号２０１〜２０２の周波数領域の対応部分を求める。

特徴Ｒ２３１について、２つの信号の対数表記の相対大きさ及び相対位相を使用する。両方の特徴は１つの複素対数を用いて求めることができる（２３０）。

この計算は、入力信号の大きさの比の対数を実部Ｒに、その位相差を虚部に置く。

すべての特徴Ｒ_ωに含まれている情報は通常、マイクロホンアレイを取り巻く種々の発信源位置を区別するのに十分なものである。

マイクロホンの配置及び指向性応答は、アレイの区別を形作る主要要因である。マイクロホンの位置が適宜選択されている場合、極小数のマイクロホンを使用して非常に広範囲の発信源位置を定位することが可能である。

位置標定モデル
特徴Ｒ２３１を使用して、位置標定モデル１５０を構築し（２４０）、モデルをトレーニングする（２５０）。その後、位置標定モデル１５０を使用して、環境１２０内に配置された音響「テスト」信号の新規発信源２０３を位置標定して追跡することができる（２６０）。テスト信号はステップ２１０、２２０、及び２３０により処理され、テスト特徴２６１がモデルと比較されて発信源２０３を位置標定する。

基本モデルは、各Ｒ_ωの複素ガウス分布を推定し、これをその後の分類に使用する。しかし、この近似は常に適正であるわけではない。本発明の特徴の実部はガウス分布により適宜モデリングすることができるが、これは位相値を表す虚部には当てはまらない。位相はラップされた（wrapped）形で推定され、−π〜＋πに制限される。

ガウス分布を用いてこのデータをモデリングすると、大きな推定誤差に繋がる恐れがある。この問題を示すために、話し声を２つのマイクロホンによって録音する以下の例を考える。

図３は、６３００Ｈｚ前後の相対位相推定値のヒストグラムを示す。ガウスモデルを使用して位相推定値を適宜モデリングすることができることを見て取ることができる。

図４は、７８００Ｈｚ前後に平均を有する相対位相分布のヒストグラムを示す。±πにラップされた位相により、結果はガウス分布であまり近似されない双峰分布である。ラッピングの影響がこれ程深刻ではない場合であっても、推定分布の平均はゼロに向けてバイアスされることになる。

したがって、位相角に対して、よりよい正確性で尤度（likelihood）を推定する異なる位置標定モデルを考える必要がある。相対位相の分布を間隔［−π，π］でラップしたガウス分布としてモデリングする。

理想的には、値ｋは−１〜１の範囲であるべきである。実際には、−４〜４の範囲が適正な近似である。

図５は本発明の位置標定モデルがどのように働くかを示す。図４に示すデータと同じデータを仮定すると、

を使用して、破線５０１で示す３つのガウス分布を得る。実線５０２はこれら３つの分布の近似を示す。このモデルが単一のガウス分布よりもはるかによいことを見て取ることができる。

これより、虚部が間隔［−π，π］の中にラップされ、実部はこのようにラップされない複素ガウス位置標定モデル１５０を構築するプロセス２４０について説明する。虚数領域のガウス分布の和を、制約付きガウス混合として扱い、それに従ってパラメータを適合させる。

図６に示すように、期待値最大化（ＥＭ）プロセスを用いて本発明の位置標定モデル１５０の平均μ及び分散σ^２を求める。したがって、複素ランダム変数

を有する場合、以下のステップを使用して平均及び分散を繰り返し更新する。

初期推定値μ＝０及びσ＝１で開始する（６１０）。

を使用して、ラップされないガウス分布からの１組のサンプルの距離を求める（６２０）。

を使用して、ラップされない各ガウス分布毎に１組のサンプルの事後確率を求める（６３０）。

変数μを事後確率

で重み付けした平均として更新する（６４０）。式中、＜．＞はサンプルの期待値を表す。さらに、

を設定することにより、虚部が［−π，π］にラップされることを確実にし、

を使用して変数σを更新する。

収束するまでステップ６２０間を繰り返す（６５０）。

収束は通常、１０回の繰り返しまでに満足のいく解になる。数値の理由により、ステップ６３０が対数領域で行われて積演算による下位桁溢れの影響を低減することが最良である。

位置標定トレーニング
特定の発信源位置標定に向けてモデル１５０をトレーニングする（２５０）ステップは単純である。トレーニング中、各位置におけるトレーニング信号からの特徴が、式（１）をマイクロホン入力信号の短時間フーリエ変換に適用することによってＲ_ω（ｔ）２３１の推定値を使用して抽出される。

各位置毎に、各周波数ωにおいてモデルを構築し、μ_ω及びσ_ωというデータシリーズを得る。未知の発信源２０３を定位するため（２６０）、発信源から発せられるテスト信号から上述したように特徴を抽出し、

を使用して各位置毎にトレーニングされたモデルの尤度（likelihood）を求める。

最高の尤度（likelihood）を提供する位置標定モデルが、発信源２０３の最も可能性の高い位置に対応する。

本発明の手法に伴う１つの問題は、トレーニング信号とテスト信号のスペクトルの一貫性である。特徴Ｒ_ωの推定値は、トレーニングに使用される発信源が特定の周波数ωにおいてエネルギーを殆ど有していない場合に信頼性が低い場合がある。この場合、信号が過度に雑音の多いデータを用いて対比されるためパフォーマンスが低下する恐れがある。

これに対処するために、トレーニングデータの周波数内容を追跡し、少数の最も顕著な周波数ωのみについて式（９）を解くことによって分類を行う。これは、分類に必要な演算数が少なくなるため、計算上の利点も提供する。良好な分類推定を得るために、トレーニング発信源のスペクトル及び分類すべき発信源のスペクトルが重複するスペクトルエリアに無視できないエネルギーを有することも重要である。この制約は、トレーニング発信源のもやに、広帯域信号又は分類すべき発信源と同様のスペクトルを選択することによって満たすことができる。

軌跡のトレーニング
軌跡をトレーニングするために、発信源が通過する位置を一時的に知る必要がある。一時的な情報を含む単純な方法は隠れマルコフモデル及びビタビトレーニングを使用する。

上述したように、各時点で特徴を抽出し、位置標定モデルを使用して各状態をモデリングする。このモデルをビタビトレーニング環に組み込んで、後述するように一連の位置を「学習」して「認識」する。

図７に示すように、トレーニング軌跡を記述するために使用するＳ個の状態を定義し（７１０）、各時点をランダムな状態に割り当てる。次いで、上述したようにその時点の特徴を用いて各状態のモデルをトレーニングする（７２０）。

初期確率ベクトルＰ及び状態間の遷移行列Ａの確率を推定する（７３０）。状態ｉが最初に現れる確率はＰ_ｉであり、状態ｊが状態ｉに続く確率はＡ_ｉ，ｊである。それぞれの推定は、初期状態、次いで後続する状態遷移に留意することにより単純な様式で行われる。

ビタビ復号化（７４０）に、状態モデルと併せてベクトルＰ及び行列Ａを使用して、トレーニングデータの各時点で最も可能性の高い状態を見つける。

状態割り当てを比較する（７５０）。最も可能性の高い状態割り当てが前から有していた状態と異なる場合、繰り返し（７６０）、ステップ７２０に戻る。その他の場合、トレーニングを終了し（７７０）、ベクトルＰ、行列Ａ、及び状態モデルが戻される。

１組の状態モデル、初期確率Ｐ及び遷移確率Ａを得た後、ビタビ復号化を任意の入力信号に対して使用して、トレーニングされたシーケンスとの類似度を推定し、そうしてトレーニングされたモデルに対して分類を行う。

［発明の効果］
本発明は統計的位置標定モデルを構築する。このモデルは、未知の位置の発信源から発せられる音響信号から抽出される大きさ及び位相応答特徴を用いてトレーニングされる。信号は、未知の位置にあるマイクロホンにより得られる。トレーニングされたモデルを使用して、未知の音響発信源を位置標定して追跡することができる。

利点として、本発明は較正されたマイクロホンを必要とせず、また本発明は、強力な反射があり、且つ一定の背景雑音がある環境で動作することが可能である。

本発明について好ましい実施形態の例により説明したが、本発明の精神内及び範囲内で他の種々の適応及び変更を行うことができることを理解されたい。したがって、添付の特許請求の範囲の目的は、本発明の真の精神及び範囲内にあるかかる変形及び変更をすべて包含することにある。

本発明による音響発信源を位置標定して追跡するシステムのブロック図である。 本発明による音響発信源を位置標定して追跡する方法の流れ図である。 相対位相推定値のヒストグラムである。 相対位相分布のヒストグラムである。 本発明による位置標定モデルのグラフである。 本発明による位置標定モデルを構築する方法の流れ図である。 本発明による位置標定モデルをトレーニングする方法の流れ図である。

Claims (7)

1. 音響信号の発信源を位置標定して追跡する位置標定モデルを構築するコンピュータ実施方法であって、
   環境内の未知の位置に配置されたマイクロホンアレイを使用し、各マイクロホンは１つの音響トレーニング信号を得るものであって、前記環境内の未知の位置にある音響トレーニング発信源から音響トレーニング信号を得ること、
   各音響トレーニング信号から、各音響トレーニング信号のスペクトルの相対的な大きさ及び相対位相を含む、相対音響特徴を抽出すること、
   平均μ及び分散σ ^２ を期待値最大化プロセスを用いて求めることにより、位置標定モデルを構築すること、及び
   前記相対音響特徴を使用して前記位置標定モデルをトレーニングすること
   を含む、位置標定モデルを構築するコンピュータ実施方法。
2. 第１の音響トレーニング信号はｘ（ｔ）であり、第２の音響トレーニング信号はｙ（ｔ）であり、該方法は、
   各音響トレーニング信号に対して、短時間スペクトル解析を行い、それによって時間ｔにおける各周波数ω毎の周波数領域の対応部分Ｘ_ω（ｔ）及びＹ_ω（ｔ）をそれぞれ求めることをさらに含む、請求項１記載の方法。
3. 前記相対音響特徴は複素数
   

   

   であり、前記第１の音響トレーニング信号及び前記第２の音響トレーニング信号の大きさの比を表す実部
   

   

   と、前記第１の音響トレーニング信号及び前記第２の音響トレーニング信号の位相差である虚部
   

   

   を有する、請求項２記載の方法。
4. 前記位相差は、確率変数の変域を［−π，π］の範囲に設定したガウス分布によってモデリングされる、請求項３記載の方法。
5. 前記環境内の前記未知の位置に配置された前記マイクロホンアレイを使用して、各マイクロホンは１つの音響テスト信号を得るものであって、前記環境内の未知の位置にある音響テスト発信源から音響テスト信号を得ること、
   各音響テスト信号から前記相対音響特徴を抽出すること、及び
   前記音響テスト信号の前記相対音響特徴を評価することであって、それによって前記音響テスト発信源の位置の尤度を求めること
   をさらに含む、請求項１記載の方法。
6. 前記位置標定モデルを使用して前記音響テスト発信源の軌跡の尤度を求めることをさらに含む、請求項５記載の方法。
7. 前記マイクロホンは異なる応答特徴を有する、請求項１記載の方法。

Images