人声定位方法及电子设备和存储介质技术

本发明专利技术公开一种人声定位方法及电子设备和存储介质，其中方法包括：将获取的音频信号转换为语谱图信号，对所述语谱图信号进行分离；通过神经网络分别滤除分离后的语谱图信号中每个方向的非人声信号，并判断所述语谱图信号中每个方向上人声信号的存在概率，确定人声信号存在概率最大的方向并输出人声信号存在概率最大的方向的掩码信号；至少基于所述人声信号存在概率最大的方向以及对应的掩码信号估计所述人声信号的方位信息。本发明专利技术实施例通过利用神经网络来输出概率最大的方向的掩码信号，根据概率最大的方向的掩码信号估计人声信号的方位信息，当外部噪声较大时，声源定位结果也能够准确地指向目标人声源，进一步提高了目标人声定位的精准度。了目标人声定位的精准度。了目标人声定位的精准度。

【技术实现步骤摘要】
人声定位方法及电子设备和存储介质


[0001]本专利技术属于声源定位
，尤其涉及一种人声定位方法及电子设备和存储介质。

技术介绍

[0002]现有技术中，主要的人声定位方法有波束选择算法、通道间相位差IPD(Inter
‑
channel Phase Difference)算法、广义互相关算法GCC(Generalized Cross Correlation)、多信号分类MUSIC(Multiple Signal Classification)等经典声源定位估计方法。常用的波束选择算法为代表的经典声源定位方法:
①
.对麦克风接收到的语音做傅里叶变换，得到原始语音的语谱图信号；
②
.将原始语音的语谱图信号，通过固定波束形成算法，投影到多个备选方向上，输出多通道的语音语谱图信号，其中每个通道对应一个备选方向；
③
.分别计算各个方向语谱图的能量，将能量最大的语谱图的信号对应的方向，作为人声方向输出。
[0003]现有的传统算法在判断信号是否为人声时，通常仅以能量作为判断依据。当存在较大的外部噪声时，噪声能量往往占据主导地位，此时的声源定位结果非常容易错误地指向噪声源而非目标人声源。同时，由于波束成形算法算力、内存需求较大、且在同一方向附近的区分度小，不能支持过多的备选区域，导致精度较低。传统的算法中人声方向定位的精度不高时会使用IPD、GCC或MUSIC等算法，通过相位来辅助估计人声方位。但是IPD和GCC算法同样精度有限，而MUSIC算力需求较大，且不支持单帧声源定位，需要多帧估计，会引入额外的延时。对干扰的抗性较差时会使用能量来判断人声的起止时间，只在该起止时间内估计声源方位。但是该方案在有干扰场景下仍然不适用。
[0004]专利技术人发现：上述技术提供的能力是单一的，传统算法中声源定位的精度不高，一般定位的区域个数等于麦克风个数，同时对干扰的抗性较差，且易被环境噪声影响。

技术实现思路

[0005]本专利技术实施例旨在至少解决上述技术问题之一。
[0006]第一方面，本专利技术实施例提供一种人声定位方法，包括：将获取的音频信号转换为语谱图信号，对所述语谱图信号进行分离；通过神经网络分别滤除分离后的语谱图信号中每个方向的非人声信号频点，并判断所述语谱图信号中每个方向上人声信号的存在概率，确定人声信号存在概率最大的方向并输出人声信号存在概率最大的方向的掩码信号；至少基于所述人声信号存在概率最大的方向以及对应的掩码信号估计所述人声信号的方位信息。
[0007]第二方面，本专利技术实施例提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术上述任一项人声定位方法。
[0008]第三方面，本专利技术实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本专利技术上述任一项人声定位方法。
[0009]第四方面，本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项人声定位方法。
[0010]本专利技术实施例通过利用神经网络来输出概率最大的方向的掩码信号，根据概率最大的方向的掩码信号估计人声信号的方位信息，当外部噪声较大时，声源定位结果也能够准确地指向目标人声源，进一步提高了目标人声定位的精准度。
附图说明
[0011]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例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。
[0012]图1为本专利技术的人声定位方法的一实施例的流程图；
[0013]图2为本专利技术的人声定位方法的另一实施例的流程图；
[0014]图3为本专利技术的人声定位方法的又一实施例的流程图；
[0015]图4为本专利技术一实施例提供的一种人声定位实现过程流程图；
[0016]图5为本专利技术的电子设备的一实施例的结构示意图。
具体实施方式
[0017]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0018]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0019]本专利技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本专利技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0020]在本专利技术中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互
的数据的信号通过本地和/或远程过程来进行通信。
[0021]最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0022]本专利技术实施例提供一种人声定位方法，该方法可以应用于电子设备。电子设备可以是电脑、服务器或者其他电子产品等，本专利技术对此不作限定。
[0023]请参考图1，其示出了本专利技术一实施例提供的一种人声定位方法。
...

【技术保护点】

【技术特征摘要】
1.一种人声定位方法，包括：将获取的音频信号转换为语谱图信号，对所述语谱图信号进行分离；通过神经网络分别滤除分离后的语谱图信号中每个方向的非人声信号频点，并逐帧判断所述语谱图信号中每个方向上人声信号的存在概率，确定人声信号存在概率最大的方向并输出人声信号存在概率最大的方向的掩码信号；至少基于所述人声信号存在概率最大的方向以及对应的掩码信号估计所述人声信号的方位信息。2.根据权利要求1所述的方法，其中，所述通过神经网络分别滤除分离后的语谱图信号中每个方向的非人声信号频点，并判断所述语谱图信号中每个方向上人声信号的存在概率包括：利用神经网络对所述每个方向对应音频通道上的频点进行分类，将归类为非人声信号的频点能量置零；再通过语音存在概率判断所述每个音频通道上每个频点的人声语音存在概率并输出人声信号存在概率最大的方向的掩码信号，其中，所述每个音频通道上每个频点的人声语音存在概率之和最大的为人声定位的范围。3.根据权利要求1所述的方法，其中，所述至少基于所述人声信号存在概率最大的方向以及对应的掩码信号估计所述人声信号的方位信息包括：利用压缩感知的单帧声源定位算法计算所述人声语音存在概率最大的对应通道上的每一帧信号的精细方位谱；通过语音激活检测对所述人声信号的方位信息进行平滑处理。4.根据权利要求3所述的方法，其中，所述通过语音激活检测对所述人声信号的方位信息进行平滑处理包括：基于所述语音激活检测判断当前帧是否为人声帧、人声停顿帧以及人声截止后的静音帧，并根据不同类型帧的方位信息加入对应的平滑处...

【专利技术属性】
技术研发人员：刘贝易，毛盼盼，
申请(专利权)人：思必驰科技股份有限公司，
类型：发明
国别省市：