【正文】 的噪聲估計(jì)方法使用語音活動(dòng)監(jiān)測（VAD）技術(shù)分離出無聲段，這時(shí)無聲段主要表現(xiàn)為噪聲特性，然后再通過某種統(tǒng)計(jì)方法，即可獲得背景噪聲特性的近似估計(jì)。盡管該方法在噪聲為平穩(wěn)的情況下是可行的，但是在實(shí)際的噪聲環(huán)境中噪聲譜的特性變化很大，就很難達(dá)到好的降噪效果。從實(shí)用性、易實(shí)現(xiàn)性等方面考慮，很多算法都是建立在相對理想的實(shí)驗(yàn)室條件下的，要求背景噪聲保持平穩(wěn)，信噪比較高，而且需要一定的訓(xùn)練算法以預(yù)先得到背景噪聲及語音的統(tǒng)計(jì)信息。在實(shí)際工作中，這些條件很難得到滿足，而且經(jīng)常會遇到信噪比較低，背景噪聲緩慢變化的情況，也不可能預(yù)先得到背景噪聲或語音的統(tǒng)計(jì)信息。而且在低信噪比下，VAD 的誤檢率會增大，在不能正確判斷出有聲/無聲段的情況下，估計(jì)出來的噪聲很難保證準(zhǔn)確性。因此，為了實(shí)現(xiàn)精確的噪聲估計(jì)，就要對噪聲譜進(jìn)行實(shí)時(shí)的估計(jì)。近年來，人們提出了一種自適應(yīng)連續(xù)噪聲譜估計(jì)方法，它是一種專門用語單聲道語音增強(qiáng)系統(tǒng)的噪聲估計(jì)。噪聲譜在所有的幀中連續(xù)的更新，并不關(guān)心本幀是語音幀還是噪聲幀，對每一幀都重新計(jì)算其噪聲功率譜，它不需要語音的有聲/無聲檢測，對非平穩(wěn)噪聲也有較好的適應(yīng)性，即使在有語音存在的情況下，也能夠?qū)崿F(xiàn)噪聲的連續(xù)估計(jì)和不斷更新。本章從語音活動(dòng)檢測和連續(xù)更新噪聲兩方面入手，將幾種算法的基本原理及過程進(jìn)行了詳細(xì)的描述，并分析了實(shí)驗(yàn)結(jié)果。 基于語音活動(dòng)性檢測的噪聲估計(jì)算法 短時(shí)能量語音信號和噪聲信號的區(qū)別可以體現(xiàn)在他們的能量上，對于一列疊加有噪聲干擾的語音信號而言，其語音段的能量是噪聲段能量疊加語音聲波能量之和。因此，語音段的能量一般要大于噪聲段的能量。如果環(huán)境噪聲和系統(tǒng)輸入噪聲比較小，以至于能夠保證系統(tǒng)的信噪比相當(dāng)高，那么只要計(jì)算輸入信號的短時(shí)能量或短時(shí)平均幅度就能夠把語音段和噪聲背景分開。這就是僅僅基于短時(shí)能量的端點(diǎn)檢測方法。信號x(t)短時(shí)能量定義為：E= （31） 語音信號的短時(shí)平均幅度定義為：M= （32）短時(shí)能量有兩種定義：短時(shí)時(shí)域能量和短時(shí)譜幅能量，一般用的是短時(shí)頻域能量表示，因此，短時(shí)能量用傅立葉變換后的平方表示，平均幅度為傅立葉變換后譜絕對值的和。短時(shí)能量主要有下面幾個(gè)應(yīng)用：首先利用短時(shí)能量可以區(qū)分清音和濁音，因?yàn)闈嵋舻哪芰恳惹逡舻哪芰看蟮枚啵黄浯慰梢杂枚虝r(shí)能量對有聲和無聲段進(jìn)行判斷。 短時(shí)平均過零率信號x(t)的短時(shí)平均過零率定義為： Z= (33)一般?。?h(t)= 其中N為窗長信號的過零率是其頻率量的一種簡單度量，窄帶信號尤其如此。其中，當(dāng)信號為單一正弦波時(shí)，過零率為信號頻率的兩倍。對于采樣率為s F 、頻率為的正弦波數(shù)字信號，平均每個(gè)樣本的過零率為s 2F / F 0 。過零率有兩個(gè)重要應(yīng)用：第一，用于粗略地描述信號的頻譜特性。第二，用于判別清音和濁音、有聲和無聲。由上面定義出發(fā)，計(jì)算過零率容易受低頻干擾，所以需要對上述定義做一點(diǎn)修改，設(shè)置一個(gè)門限T，將過零率的含義修改為跨過正負(fù)門限。如下式：Z= + (34)這樣過零率就有一定的抗干擾能力了。即使存在較小的隨機(jī)噪聲，只要它不使信號越過正負(fù)門限所構(gòu)成的帶，就不會產(chǎn)生虛假的過零率。 基于短時(shí)能量和短時(shí)平均過零率的語音活動(dòng)性檢測 雖然短時(shí)能量有時(shí)能將噪聲和語音分開，但是在實(shí)際應(yīng)用中，往往很難保證有這么高的信噪比，因而僅依靠短時(shí)能量或短時(shí)平均幅度來檢測語音段的起止點(diǎn)常會遇到問題。而且在一些特殊情況下，在以某些音為開始或結(jié)尾時(shí)，如當(dāng)弱摩擦音（如[f]，[h]等音素）、弱爆破音（如[p]，[t]，[k]等音素）為開始或結(jié)尾；以鼻音（如[ng]，[n]，[m]等音素）為語音的結(jié)尾時(shí)，只用其中一個(gè)參數(shù)量來判別語音的起點(diǎn)和終點(diǎn)是有困難的，往往會漏掉某些音素，必須同時(shí)使用這兩個(gè)參數(shù)。所以，有了經(jīng)典的端點(diǎn)檢測方法——Lawrennce Rabiner[24]提出的以過零率Z 和能量E 為特征進(jìn)行端點(diǎn)檢測。這種方法也常稱為雙門限比較法。此方法是在短時(shí)能量檢測方法的基礎(chǔ)上加上短時(shí)平均過零率，利用能量和過零率作為特征來進(jìn)行檢測。通常是利用過零率來檢測清音，用短時(shí)能量來檢測濁音，兩者配合實(shí)現(xiàn)可靠的語音端點(diǎn)檢測。該方法的基本原理[25]如下所述：由于采集聲音信號的最初的短時(shí)段為無語音段，僅有均勻分布的背景噪聲信號。這樣就可以用該語音信號的最初幾幀（一般取10 幀）信號作為背景噪聲的統(tǒng)計(jì)樣本來計(jì)算其過零率閾值ZT 及能量閾值EL（低能量閾）和EU（高能量閾）。ZT 的定義為: （35）其中IF 為經(jīng)驗(yàn)值，一般取25；zc、fzc 分別為根據(jù)所取最初10 幀樣值算得的過零率的“均值”和“標(biāo)準(zhǔn)差”。計(jì)算EL 和EU 時(shí)，先算出最初10 幀信號每幀的短時(shí)平均能量或平均幅度E，最大值記為EMAX，最小值記為EMIN。然后令： (36) (37)在本次設(shè)計(jì)中用前10 幀的平均值來代替最小值EMIN 最后按下式計(jì)算出EL 和EU： (38) (39)接下來就可以用過零率閾值Z 及能量閾值EL 和EU 來進(jìn)行起止點(diǎn)的判別。先根據(jù)EL，EU 計(jì)算出初始起點(diǎn)S1。方法如下所述：從第11 幀開始，將每一幀的能量E 值與門限EL 相比較，如果能量E 超過門限EL，則將該幀計(jì)為S1。但若后續(xù)n幀的平均能量或幅度尚未超過EU 而能量又降到EL 之下，則該幀不能作為初始起點(diǎn)S1，然后繼續(xù)尋找下一個(gè)平均能量或幅度超過EU 的幀，若后續(xù)n 幀的平均能量或幅度超過EU，則將此幀計(jì)為S1，該幀就可以作為根據(jù)能量信號找到的語音的起點(diǎn)。但是，S1 只是根據(jù)能量信息找到的起點(diǎn)，還未必是語音的精確起點(diǎn)。這是由于語音的起始段往往存在著能量很弱的清輔音（如[f]，[s]等），僅依靠能量很難把它們和無聲區(qū)分開。但人們發(fā)現(xiàn)這些清輔音的過零率明顯高于無聲段，因此可以利用過零率這個(gè)參數(shù)來精確判斷清輔音與無聲區(qū)二者的分界點(diǎn)。當(dāng)S1 確定后，從S1 幀之前的30 幀搜索，依次比較各幀的過零率，若有3 幀以上的過零率超過ZT，則將起始點(diǎn)S1 定為滿足ZZT 的最前幀的幀號，如果這些幀的過零率都小于門限ZT 則將S1 作為起點(diǎn)。語音結(jié)束點(diǎn)S2 的檢測方法與檢測起點(diǎn)相同，從后向前搜索，找出第一個(gè)平均能量幅度高于EL、且其前向幀的平均能量或幅度在超出EU 前沒有下降到EL 以下的幀號，記為N2，隨后根據(jù)過零率向N2+25 幀搜索，若有3 幀以上的ZZT，則將結(jié)束點(diǎn)N2 定為滿足ZZT的最后的幀號即Ne，否則即以N2 作為結(jié)束點(diǎn)。 實(shí)驗(yàn)仿真下面是以一段語音為例，進(jìn)行語音端點(diǎn)檢測的Matlab 仿真。實(shí)驗(yàn)采用的純凈語音材料是HINT 數(shù)據(jù)庫中的一條語音（語音內(nèi)容：Read verse out loud for pleasure）， 左右；噪聲材料取自NOISEX92 的高斯白噪聲和f16 戰(zhàn)斗機(jī)噪聲。語音和噪聲都是以8KHz 采樣，16bit 量化，wav 格式存儲，并通過Matlab 按一定線形比例混合成不同信噪比的帶噪語音。圖31 語音的原始波形圖圖32 語音的能量曲線圖圖33 語音的短時(shí)過零率曲線圖由上圖可以看出基于能量和短時(shí)過零率的端點(diǎn)檢測算法在無噪聲的環(huán)境下比較準(zhǔn)確的檢測到了語音的開始和結(jié)束點(diǎn)。為了驗(yàn)證其魯棒性，利用了Matlab 給以上信號添加信噪比5db 的高斯白噪聲，采用同樣的算法，其仿真結(jié)果如下圖所示：圖34 加入高斯白噪聲的語音波形圖圖35 加入高斯白噪聲的能量曲線圖圖36 加入高斯白噪聲的短時(shí)過零率曲線圖由以上圖中可看出，在較強(qiáng)背景噪聲的環(huán)境下，上述算法的準(zhǔn)確性急劇下降，已經(jīng)不能準(zhǔn)確的檢測出信號的端點(diǎn)了。因此，我們需要魯棒性更強(qiáng)的算法，即使在有語音存在的情況下，也能夠?qū)崿F(xiàn)噪聲的連續(xù)估計(jì)和不斷更新。4 最小統(tǒng)計(jì)遞歸平均的噪聲估計(jì)算法及MATLAB仿真本章先研究了經(jīng)典的噪聲估計(jì)算法即最小值跟蹤法,然后研究了基于統(tǒng)計(jì)信息的非平穩(wěn)噪聲自適應(yīng)算法,最后對這兩種噪聲估計(jì)算法做了實(shí)驗(yàn)仿真。仿真結(jié)果表明:最小值跟蹤法對平穩(wěn)噪聲的估計(jì)是比較準(zhǔn)確的,但是非平穩(wěn)噪聲就表現(xiàn)的不好了,而基于統(tǒng)計(jì)信息的非平穩(wěn)噪聲自適應(yīng)算法在非平穩(wěn)噪聲環(huán)境中也表現(xiàn)的很好,能夠比較準(zhǔn)確的跟蹤上噪聲的突變。 最小值統(tǒng)計(jì)法 最優(yōu)平滑設(shè)帶噪語音信號為y(t)，它由純凈語音和噪聲組成，即y(t) = s(t) + n(t)，這里t代表采樣的時(shí)間標(biāo)號。進(jìn)一步假設(shè)s(t)和n(t)是統(tǒng)計(jì)獨(dú)立的，并各自都是零均值的。為了將信號轉(zhuǎn)化到頻域，將信號分成長度為L 個(gè)采樣點(diǎn)的幀信號，幀間重疊為R 點(diǎn)。對幀信號進(jìn)行FFT 計(jì)算，得到了頻域的信號： (43) 其中為幀號即時(shí)間的標(biāo)號,k為頻率點(diǎn)的標(biāo)號, Z, k﹛0,1,…L1﹜,h(u)是一個(gè)窗序列,并假設(shè)先用一個(gè)平滑過程來粗估計(jì)噪聲功率譜密度P(λ, k)： (44)其中α 是平滑參數(shù)，噪聲功率的進(jìn)一步估計(jì) 通過取P(λ, k)在一個(gè)滑動(dòng)窗內(nèi)的最小值來決定。上述估計(jì)還很粗糙，為了進(jìn)一步提高估計(jì)的準(zhǔn)確性還要考慮以下問題：第一，固定的α 值將不適應(yīng)有聲/無聲的變化與噪聲的變化。第二，這樣的噪聲估計(jì)將比真正的噪聲要滯后。第三，最小值的跟蹤過程比真實(shí)的噪聲要滯后。因此，對原有的噪聲估計(jì)還需要一個(gè)隨時(shí)間變化的平滑系數(shù)α 、一個(gè)偏差補(bǔ)償系數(shù)與加速跟蹤方法。為了簡化計(jì)算，假設(shè)信號處于無聲狀態(tài)。將平滑過程寫成由時(shí)變平滑系數(shù)作用的過程： (43) 為了使P(λ, k)盡可能的接近真正的噪聲功率譜密度,以下式的期望值為零作為目標(biāo)： (44) 由上式得： (45)在實(shí)際運(yùn)用中，最優(yōu)估計(jì)式中的 用上次的估計(jì)值代替，并且最優(yōu)系數(shù)將被限制在一個(gè)最大值max α 之間來避免γ (λ, k) = 1的死鎖情況發(fā)生。為了提高在非穩(wěn)定的噪聲環(huán)境中的平滑效果。式子(314)可重新寫成： (46) 最小功率譜統(tǒng)計(jì)跟蹤最小功率譜統(tǒng)計(jì)跟蹤的方法將跟蹤短時(shí)譜的最小功率譜密度，這個(gè)最小功率譜是由一個(gè)連續(xù)時(shí)間段內(nèi)的最小功率譜密度求出。因?yàn)殡S機(jī)變量的最小值總會小于平均值，所以用最小功率譜密度值的估計(jì)存在著偏差，要得到平均值就要對最小功率譜密度進(jìn)行偏差修正。在推導(dǎo)最小功率譜統(tǒng)計(jì)跟蹤方法時(shí)，為了簡化計(jì)算，假設(shè)信號處于無語音狀態(tài)，在有語音狀態(tài)時(shí)只要將噪聲的方差用帶噪語音信號的方差代替即可。設(shè)在D個(gè)連續(xù)的短時(shí)功率譜密度估計(jì)P(λ, k)中的最小值為，那么： (47)假設(shè)獨(dú)立同分布，所以P(λ, k)的概率密度函數(shù)為： (48)由于與\成正比，并且的方差正比于。所以只要計(jì)算在=1時(shí)的均值和方差就足夠了。我們定義符號: (49) (410)M(D)和H(D)都是關(guān)于D的系數(shù)函數(shù)，其中D取96，M(96)=，D(96)=。由于在非語音狀態(tài)時(shí)取值比較大，所以可簡寫為：于是，噪聲方差可以估計(jì)為： (411) 其中,估計(jì)為： (412)而是P(λ, k)方差的估計(jì)，其估計(jì)式為：= (413)和分別是E{P(λ, k)}和E{P2 (λ, k)}的一階平滑估計(jì) (414) (415)β (λ, k)為平滑系數(shù)，且 為了在非平穩(wěn)噪聲環(huán)境中得到更好的估計(jì)，將乘以系數(shù)，而 (416)其中 由于該算法在對有聲/無聲時(shí)使用同一標(biāo)準(zhǔn)來估計(jì)噪聲，所以不需要有聲/無聲檢測。另外，噪聲估計(jì)是通過最小值來搜索，然后再對其進(jìn)行修正，所以算法比較簡單。 實(shí)驗(yàn)仿真實(shí)驗(yàn)中采用了兩種帶噪語音文件，一種是信噪比為5dB的平穩(wěn)帶噪語音，噪聲為高斯白噪聲；，且實(shí)驗(yàn)中采用漢明窗，幀長20ms，幀間重疊50%，同時(shí)取頻率分量取5。圖中橫坐標(biāo)是時(shí)間，縱坐標(biāo)表示功率譜，實(shí)線表示真實(shí)的噪聲譜，虛線表示估計(jì)的噪聲譜。其仿真結(jié)果分別如圖37，圖38所示。圖41 真實(shí)噪聲譜和MS算法估計(jì)的噪聲譜 (5dB高斯白噪聲)圖42 真實(shí)噪聲譜和MS算法估計(jì)的噪聲譜 (信噪比從10dB突變?yōu)?dB)由上圖可知，當(dāng)噪聲和信噪比同時(shí)突變的情況下，此算法仍然不能快速跟蹤真實(shí)噪聲的變化。而且該算法可能會偶爾削弱低能量音素，時(shí)間太長，但如果減小窗口的長度，跟蹤到的頻譜最小值不夠準(zhǔn)確，這樣會導(dǎo)致語音信號的失真，特別是語音的持續(xù)時(shí)間超過窗口長度時(shí)。雖然此局限能夠得以克服，但是代價(jià)卻是很高的計(jì)算復(fù)雜度。 基于統(tǒng)計(jì)信息的非平穩(wěn)噪聲自適應(yīng)算法 概述在大多數(shù)語音增強(qiáng)算法中,都假定噪聲功率譜的估計(jì)是已知的,這些噪聲功率譜的估計(jì)或者噪聲參數(shù)的估計(jì)對所增強(qiáng)的語音信號有著極其重要的影響。如果噪聲功率譜估計(jì)太低,那么所殘留的噪聲干擾將會被聽得到。同樣,如果噪聲功率譜估計(jì)太高,那么語音信號質(zhì)量將會在很大程度上受到損害。最簡單的方法就是在純凈語音的間隙去估計(jì)和更新噪聲功率譜,例如,語音活性(VAD)算法,盡管這種方法在平穩(wěn)噪聲中(如白噪聲),可能