音声情報と画像情報を融合したダブルトーク検出

摘要

テレビ会議システム等の拡声通話系で発生する音響エコーを除去する音響エコーキャンセラ(AEC: Acoustic Echo Canceller)の一つにサブ適応フィルタ(Sub-ADF: Sub Adaptive Filter)を用いた手法が提案されている．ここで用いられるダブルトーク検出器において，音声情報に加え画像情報も用いるマルチモーダル処理を行うことで，ダブルトーク検出の性能向上を図る．本稿では画像処理により得られる口唇画像を2値化処理し，得た画像特徴量を用い発話区間を検出する．これと音声情報を併用し，従来法の性能を上回るダブルトーク検出を実現する．