驾驶环境下低信噪比语音增强与分离算法研究

摘要

随着现代信息科技的发展，大量的智能技术逐渐应用于汽车领域，例如自动辅助驾驶、多媒体娱乐、抬头平面显示等，其中语音识别是提高这些人机交互体验质量的重要技术之一。但是驾驶环境中存在乘客语音、引擎噪声、胎噪、风噪等复杂的噪声，这些噪声是影响语音识别性能的关键因素。为了使驾驶环境下的语音识别精度更高，必须对驾驶员语音信号进行增强以提高其信噪比。
　　本文分析了低信噪比驾驶环境下噪声的特点，将噪声分为非语音噪声和语音噪声两大类。非语音噪声可以通过一些语音增强算法消除，语音噪声采用盲源分离算法将其与目标驾驶员语音分离。本文对语音增强和盲源分离算法进行了研究，主要工作包括以下三个方面:
　　1.由分析可知，驾驶环境下语音信号的高频能量比非语音噪声高很多。因此，本文提出在谱减法语音增强之前加入低频抑制预处理来进行噪声消除。实验证明，低频抑制预处理后输出信号的信噪比和听觉感知质量更高。
　　2.本文以谱减法为基础，给出了一种平滑因子优化算法，将语音存在概率(SPP)引入到平滑因子的计算中以自适应地估计噪声。此外，本文对自适应递归平滑算法存在的偏差进行补偿，给出一种含有偏差补偿的自适应一阶递归平滑噪声估计算法。实验结果表明，本文给出的算法在低信噪比的驾驶环境下比常用的最小值统计、MCRA、IMCRA噪声估计算法有更好的噪声消除效果。
　　3.在盲源分离方面，基于负熵的FastICA分离算法在迭代部分采用牛顿迭代法。但是牛顿迭代的初始值会影响分离算法的性能，因此本文将牛顿下山法应用于FastICA分离算法，自适应地改变下山因子的值。改进后算法的迭代时间和迭代次数都有所下降，较好的降低了牛顿迭代法对初值敏感的影响。
　　实验结果表明，本文给出的算法提高了目标驾驶员的语音质量，能更好地适用于低信噪比驾驶环境下的语音增强和分离工作。

目录

声明

致谢

摘要

1．1研究背景及意义

1．2国内外研究现状

1．2．1 语音增强与盲源分离发展及研究现状

1．2．2驾驶环境下研究现状

1．3论文主要研究内容

1．4论文结构安排

2语音增强与盲源分离算法模型

2．1语音增强算法介绍

2．1．1语音及噪声特点

2．1．2语音增强算法的分类

2．2噪声估计基本算法

2．2．1语音活动性检测

2．2．2最小值跟踪

2．2．3 MCRA及IMCRA算法

2．3盲源分离算法介绍

2．3．1盲源分离基础理论

2．3．2盲源分离主要算法

2．4语音质量评价标准

2．4．1语音质量的主观评价

2．4．2语音质量的客观评价

2．5本章小结

3 驾驶环境下低信噪比语音增强算法研究

3．1 驾驶环境下的噪声特点

3．2信号预处理

3．2．1噪声分析

3．2．2低频抑制

3．3 一阶递归平滑噪声估计及其改进算法

3．3．1 一阶递归平滑噪声估计算法

3．3．2平滑因子优化算法

3．3．3偏差补偿

3．4实验结果与分析

3．5本章小结

4低信噪比下基于噪声估计的盲源分离算法优化

4．1独立分量分析

4．2 FastICA算法

4．3基于负熵的FastICA优化算法

4．3．1基于负熵的FastICA算法

4．3．2改进的基于负熵的FastICA算法

4．4实验结果与分析

4．5本章小结

5总结与展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集