【技术实现步骤摘要】
一种人机交互的声音分离的方法
本专利技术涉及一种人机交互的声音分离的方法,属于音频处理
技术介绍
随着网络的发展,越来越多的视频、音频进入大众的生活,同时,对视频、音频的处理的需求也日益增加,越来越多的音、视频被进行处理后进一步用于人们的生活、工作和学习等。在一段视频或音频中,经常会出现多种声音。有时这些声音会互相重叠,比如人说话的同时电话铃响了,分离这些声音是一个巨大的挑战,然而有时我们需要这样的声音分离。目前商业音、视频软件虽然对音、视频有多种处理支持,但是在对单声道声音的分离方面,几乎只能够支持简单的降噪和分割。已有技术中,文献[ISSE:AnInteractiveSourceSeparationEditor,NicholasJ.Bryan,GauthamJ.Mysore,GeWang]使用概率潜在成分分析方法,并令用户涂抹声音频谱图上的频谱归属于哪一个声音来分离声音,较好的提高了声音的分离效果。但是该方法需要用户具有较强的音频相关知识,并且该过程需要耗费大量时间。文献[ANINTERACTIVEAUDIOSOURCESEPARATIONFRAMEWORKBASEDONON-NEGATIVEMATRIXFACTORIZATION,NgocQ.K.Duong,AlexeyOzerov,LouisChevallier,andJo¨elSirot]基于非负矩阵分解的方法,将声音分离分为两步,第一步用户标记出所要分离的声音源发声与不发声的时间段,然后系统进行分离;第二步,根据第一步的结果,用户对声音频谱图进行标记,标记某一特定时间的频率对特定的声音 ...
【技术保护点】
1.一种人机交互的声音分离的方法,其特征在于,包括以下步骤:(1)初步分离声音,具体步骤如下:(1‑1)设待分离音频为x,对x进行短时傅里叶变换,得到该音频的短时傅里叶变换谱X;(1‑2)根据步骤(1‑1)的X,令V=|X|2,得到X的能量矩阵,V为M×N的非负矩阵,N为短时傅里叶变换后的时间维度,M为短时傅里叶变换后的频率维度;(1‑3)设非负矩阵V≈WH,其中W为M×r的非负矩阵,H为r×N的非负矩阵;r为特征频谱的个数,r=d×k,d为用户指定要分离出的声音源个数,k为每种声音的特征频谱个数,令k=1,利用非负矩阵分解法,分别得到非负矩阵W和非负矩阵H;具体步骤如下:(1‑3‑1)初始化非负矩阵W为一个M×r的随机矩阵,每个元素值取为0到1之间的随机数,初始化非负矩阵H为r×N的随机矩阵,每个元素值取为0到1之间的随机数;(1‑3‑2)按照如下迭代规则分别对W、H进行更新:
【技术特征摘要】
1.一种人机交互的声音分离的方法,其特征在于,包括以下步骤:(1)初步分离声音,具体步骤如下:(1-1)设待分离音频为x,对x进行短时傅里叶变换,得到该音频的短时傅里叶变换谱X;(1-2)根据步骤(1-1)的X,令V=|X|2,得到X的能量矩阵,V为M×N的非负矩阵,N为短时傅里叶变换后的时间维度,M为短时傅里叶变换后的频率维度;(1-3)设非负矩阵V≈WH,其中W为M×r的非负矩阵,H为r×N的非负矩阵;r为特征频谱的个数,r=d×k,d为用户指定要分离出的声音源个数,k为每种声音的特征频谱个数,令k=1,利用非负矩阵分解法,分别得到非负矩阵W和非负矩阵H;具体步骤如下:(1-3-1)初始化非负矩阵W为一个M×r的随机矩阵,每个元素值取为0到1之间的随机数,初始化非负矩阵H为r×N的随机矩阵,每个元素值取为0到1之间的随机数;(1-3-2)按照如下迭代规则分别对W、H进行更新:其中,WT,HT分别为W,H的转置,⊙为哈达玛积;(1-3-3)重复步骤(1-3-2),迭代1000次,迭代完毕后得到最终的非负矩阵W和非负矩阵H;其中,W的每一列分别为不同声音源的特征频谱H的每一行为对应声音源的激发矩阵;(1-4)按照以下方式分别得到各个声音源音频:(1-4-1)计算Vi=WiHi,其中i=1,2…d;Wi为第i个声音源对应的特征频谱,Hi为第i个声音源对应的激发矩阵,则Vi为第i个声音源的短时傅里叶变换能量谱;(1-4-2)令得到每个声音源的短时傅里叶变换谱(1-4-3)利用短时傅里叶变换逆变换,得到各个声音源音频xi;(1-5)对每个声音源,将xi中数值小于0.01的部分记为不发声区间,其他区域记为发声区间,并将该声音源的区间分布图呈现用户,使得用户听音频并看到音频进度对应区间位置;若用户满意声音分离效果,则分离结束;(2)若用户不满意分离效果,进行分离调整;具体步骤如下:(2-1)用户对声音源的发声区间和不发声区间进行修改,调整每种声音的特征频谱个数k,k的取值范围在1到min(M,N);(2-2)用户更新分离结果,具体步骤如下:(2-2-1)定义一个与Hi大小相同的矩阵Hmask,Hmask中令标记后发声的区域对应数值为1,不发声的区域数值为0,同时在发声和不发声区域的交界处的若干列赋值为0.1且列的数量不超过连续同数值区域的横坐标长度的10%;将步骤(1)得到的Hi与Hmask相乘,得到更新后的Hi;(2-2-2)将更新后的Hi按照原顺序组合成为新的H,将新得到的H和步骤(1)得到的W分别作为初始H和W,重复步骤(1-3-2)至(1-3-3),得到新的非负矩阵W和非负...
【专利技术属性】
技术研发人员:刘华平,周峻峰,孙富春,
申请(专利权)人:清华大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。