一种回声消除方法及装置制造方法及图纸

本申请提供一种回声消除方法及装置，通过深度学习模型拟合得到特定结构的电子设备的非线性函数，获取到参考信号后，将参考信号输入深度学习模型中，基于深度学习模型拟合得到的非线性函数对参考信号进行非线性变换，得到非线性变换后的音频信号，再对非线性变换后的信号进行回声消除，不仅实现了线性回声消除还实现了非线性回声消除，有效地完成了回声消除。而且相较于基于人为引入的非线性函数对待消除回声信号进行非线性变换，本申请基于深度学习模型拟合得到特定结构电子设备的非线性函数，并基于拟合得到的非线性函数对待消除回声信号进行非线性变换，对非线性变换后的信号进行回声消除，使得可以准确地将回声信号从音频信号中消除。

【技术实现步骤摘要】
一种回声消除方法及装置
本申请属于回声消除
，尤其涉及一种回声消除方法及装置。
技术介绍
当电子设备通过音频输出装置(如扬声器)播放音频信号时，由于音频输出装置(如扬声器)和音频输入装置(如麦克风)之间的距离较近，因此麦克风会接收到扬声器播放的音频信号。以扬声器播放远端电子设备发送的音频信号为例，如果不进行回声消除，将导致电子设备不能准确检测或者识别到外界从麦克风输入的音频信号，或者，将导致远端电子设备又重新接收到了自身发送的音频信号。对此，需要对扬声器播放的音频信号进行回声消除。但是采用现有的回声消除方式对音频信号进行回声消除后，仍然存在电子设备不能准确检测或者识别到外界从麦克风输入的音频信号，或者，远端电子设备又重新接收到了自身发送的音频信号的问题，导致回声消除效果不明显。
技术实现思路
有鉴于此，本申请的目的在于提供一种回声消除方法及装置，用于解决现有技术中回声消除效果不明显的问题。技术方案如下：本申请提供一种回声消除方法，应用于电子设备，包括：获取到参考信号后，将所述参考信号输入预先建立的深度学习模型中，通过所述深度学习模型拟合得到的对应该电子设备的非线性函数对所述参考信号进行非线性变换，得到非线性变换后的音频信号；对非线性变换后的音频信号进行回声消除。优选地，所述深度学习模型采用如下方法建立得到：通过电子设备的音频输入装置接收电子设备的音频输出装置输出的音频信号，得到接收信号；计算在所述参考信号不存在非线性失真的情况下音频输出装置和音频输入装置所在系统的冲击响应；根据所述接收信号和所述冲击响应，计算所述参考信号非线性变换后的音频信号；基于所述参考信号以及非线性变换后的音频信号，对神经网络进行训练得到深度学习模型。优选地，所述计算在所述参考信号不存在非线性失真的情况下音频输出装置和音频输入装置所在系统的冲击响应，包括：基于误差信号计算公式，计算经过自适应滤波器的处理后输出的误差信号；所述自适应滤波器用于对所述参考信号进行回声消除；计算所述参考信号的功率，并根据所述参考信号的功率调整自适应滤波器的步长；根据所述参考信号的功率、所述误差信号以及所述参考信号，更新所述自适应滤波器的加权系数；基于更新后的自适应滤波器进行回声消除，直至自适应滤波器收敛；基于误差信号计算公式，计算得到冲击响应。优选地，所述将所述参考信号输入预先建立的深度学习模型中，通过所述深度学习模型拟合得到的该电子设备的非线性函数对所述参考信号进行非线性变换，得到非线性变换后的音频信号，包括：对所述参考信号进行傅里叶变换，得到各个频带上的实部和虚部；依次将每个频带的实部和虚部输入预先建立的深度学习模型中，通过深度学习模型拟合得到的非线性函数的变换后，依次输出每个频带上的非线性变换后的实部和虚部；分别对所述深度学习模型输出的每个频带上的实部和虚部进行反傅里叶变换，得到非线性变换后的音频信号。优选地，所述神经网络为lstm神经网络。本申请还提供了一种回声消除装置，应用于电子设备，包括：变换单元，用于获取到参考信号后，将所述参考信号输入预先建立的深度学习模型中，通过所述深度学习模型拟合得到的对应该电子设备的非线性函数对所述参考信号进行非线性变换，得到非线性变换后的音频信号；回声消除单元，用于对非线性变换后的音频信号进行回声消除。优选地，还包括：建立单元，用于通过电子设备的音频输入装置接收电子设备的音频输出装置输出的音频信号，得到接收信号；计算在所述参考信号不存在非线性失真的情况下音频输出装置和音频输入装置所在系统的冲击响应；根据所述接收信号和所述冲击响应，计算所述参考信号非线性变换后的音频信号；基于所述参考信号以及非线性变换后的音频信号，对神经网络进行训练得到深度学习模型。优选地，所述建立单元计算在所述参考信号不存在非线性失真的情况下音频输出装置和音频输入装置所在系统的冲击响应，具体包括：基于误差信号计算公式，计算经过自适应滤波器的处理后输出的误差信号；所述自适应滤波器用于对所述参考信号进行回声消除；计算所述参考信号的功率，并根据所述参考信号的功率调整自适应滤波器的步长；根据所述参考信号的功率、所述误差信号以及所述参考信号，更新所述自适应滤波器的加权系数；基于更新后的自适应滤波器进行回声消除，直至自适应滤波器收敛；基于误差信号计算公式，计算得到冲击响应。优选地，所述变换单元包括：第一变换子单元，用于对所述参考信号进行傅里叶变换，得到各个频带上的实部和虚部；第二变换子单元，用于依次将每个频带的实部和虚部输入预先建立的深度学习模型中，通过深度学习模型拟合得到的非线性函数的变换后，依次输出每个频带上的非线性变换后的实部和虚部；第三变换子单元，用于分别对所述深度学习模型输出的每个频带上的实部和虚部进行反傅里叶变换，得到非线性变换后的音频信号。优选地，所述神经网络为lstm神经网络。与现有技术相比，本申请提供的上述技术方案具有如下优点：从上述技术方案可知，本申请提供的回声消除方法及回声消除装置，通过深度学习模型拟合得到特定结构的电子设备的非线性函数，获取到参考信号后，将参考信号输入深度学习模型中，基于深度学习模型拟合得到的非线性函数对参考信号进行非线性变换，得到非线性变换后的音频信号，再对非线性变换后的信号进行回声消除，不仅实现了线性回声消除还实现了非线性回声消除，有效地完成了回声消除，避免了近端电子设备不能准确检测或者识别到通过麦克风采集到的外界音频信号或者远端电子设备又重新接收到自身发送的音频信号的问题发生。而且相较于基于人为引入的非线性函数对待消除回声信号进行非线性变换，本申请基于深度学习模型拟合得到特定结构电子设备的非线性函数，并基于拟合得到的非线性函数对待消除回声信号进行非线性变换，进而在对非线性变换后的信号进行回声消除，使得可以准确地将回声信号从音频信号中消除。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请公开的一种回声消除方法的流程图；图2是本申请公开的基于自适应滤波器进行回声消除的示意图；图3是本申请公开的深度学习模型的建立方法的流程图；图4是本申请公开的一种回声消除装置的结构示意图。具体实施方式现有技术中电子设备上具有音频输出装置(如扬声器)和音频输入装置(如麦克风)，扬声器播放音频信号，如播放音乐或者TTS。下面以扬声器播放远端电子设备发送的音频信号为例，麦克风会接收到扬声器播放的音频信号，如果不进行回声消除，将导致电子设备不能准确检测或者识别到外界从麦克风输入的音频信号，或者本文档来自技高网...

【技术保护点】
1.一种回声消除方法，其特征在于，应用于电子设备，包括：/n获取到参考信号后，将所述参考信号输入预先建立的深度学习模型中，通过所述深度学习模型拟合得到的对应该电子设备的非线性函数对所述参考信号进行非线性变换，得到非线性变换后的音频信号；/n对非线性变换后的音频信号进行回声消除。/n

【技术特征摘要】
1.一种回声消除方法，其特征在于，应用于电子设备，包括：
获取到参考信号后，将所述参考信号输入预先建立的深度学习模型中，通过所述深度学习模型拟合得到的对应该电子设备的非线性函数对所述参考信号进行非线性变换，得到非线性变换后的音频信号；
对非线性变换后的音频信号进行回声消除。


2.根据权利要求1所述的回声消除方法，其特征在于，所述深度学习模型采用如下方法建立得到：
通过电子设备的音频输入装置接收电子设备的音频输出装置输出的音频信号，得到接收信号；
计算在所述参考信号不存在非线性失真的情况下音频输出装置和音频输入装置所在系统的冲击响应；
根据所述接收信号和所述冲击响应，计算所述参考信号非线性变换后的音频信号；
基于所述参考信号以及非线性变换后的音频信号，对神经网络进行训练得到深度学习模型。


3.根据权利要求2所述的回声消除方法，其特征在于，所述计算在所述参考信号不存在非线性失真的情况下音频输出装置和音频输入装置所在系统的冲击响应，包括：
基于误差信号计算公式，计算经过自适应滤波器的处理后输出的误差信号；所述自适应滤波器用于对所述参考信号进行回声消除；
计算所述参考信号的功率，并根据所述参考信号的功率调整自适应滤波器的步长；
根据所述参考信号的功率、所述误差信号以及所述参考信号，更新所述自适应滤波器的加权系数；
基于更新后的自适应滤波器进行回声消除，直至自适应滤波器收敛；
基于误差信号计算公式，计算得到冲击响应。


4.根据权利要求1-3任意一项所述的回声消除方法，其特征在于，所述将所述参考信号输入预先建立的深度学习模型中，通过所述深度学习模型拟合得到的该电子设备的非线性函数对所述参考信号进行非线性变换，得到非线性变换后的音频信号，包括：
对所述参考信号进行傅里叶变换，得到各个频带上的实部和虚部；
依次将每个频带的实部和虚部输入预先建立的深度学习模型中，通过深度学习模型拟合得到的非线性函数的变换后，依次输出每个频带上的非线性变换后的实部和虚部；
分别对所述深度学习模型输出的每个频带上的实部和虚部进行反傅里叶变换，得到非线性变换后的音频信号。


5.根据权利要求4所述的回声消除方法，...

【专利技术属性】
技术研发人员：陈孝良，冯大航，常乐，
申请(专利权)人：北京声智科技有限公司，
类型：发明
国别省市：北京;11