張穎花，李 增，崔 璨，白云天

中國(guó)人民警察大學(xué)a.警務(wù)裝備技術(shù)學(xué)院; b.研究生院，河北 廊坊 065000

在警務(wù)及消防救援人員正常出警處理案件期間，外界環(huán)境是動(dòng)態(tài)變化的，現(xiàn)場(chǎng)的環(huán)境噪聲種類多，且噪聲音量大，不利于警務(wù)及消防救援人員有序處理案件。在現(xiàn)場(chǎng)環(huán)境中，夾雜著各類噪聲音源，比如汽車警報(bào)聲、汽車?guó)Q笛聲、車輛發(fā)動(dòng)機(jī)聲、群眾呼喊聲等，這些聲音混雜在一起干擾正常通信。在警務(wù)及消防救援人員通信過(guò)程中，人員之間的通信基本依賴于對(duì)講機(jī)，而受眾多噪音源影響，對(duì)講機(jī)可能無(wú)法正常通信，或者對(duì)講機(jī)通信期間雜音過(guò)多，影響正常指令的傳輸，通信質(zhì)量大為降低?；谏鲜霈F(xiàn)實(shí)情況，有效提升通信質(zhì)量是目前警務(wù)和消防救援通信研究中重點(diǎn)關(guān)注的一個(gè)課題。由此衍生了基于警務(wù)和消防救援現(xiàn)場(chǎng)噪聲的自適應(yīng)濾波降噪方案，使現(xiàn)場(chǎng)噪聲處理系統(tǒng)化。

1 自適應(yīng)濾波降噪系統(tǒng)

自適應(yīng)濾波降噪系統(tǒng)在音頻降噪方面有著一定的應(yīng)用效果，也是一個(gè)值得研究的方向。自適應(yīng)濾波降噪主要是通過(guò)識(shí)別噪聲頻率，分析音頻信號(hào)中噪聲與注冊(cè)噪聲的區(qū)別，根據(jù)噪聲的重合性作出合適的判斷[1]。通過(guò)構(gòu)建自適應(yīng)濾波降噪系統(tǒng)，能夠?qū)σ纛l系數(shù)進(jìn)行分化，從中提取一個(gè)完整的模塊，與噪聲抑制模塊相貼合，完整的噪聲自適應(yīng)濾波降噪系統(tǒng)組成板塊包括以下幾個(gè)部分：音頻信號(hào)采集模塊、音頻信號(hào)預(yù)處理模塊、相似度計(jì)算模塊、系統(tǒng)決策模塊，整體框架流程如圖1所示。

1.1 音頻信號(hào)預(yù)處理

對(duì)于音頻信號(hào)的預(yù)處理，主要是對(duì)音頻特征參數(shù)進(jìn)行提取，在正式提取之前，需要對(duì)音頻信號(hào)進(jìn)行分化處理，這個(gè)處理過(guò)程也被稱為音頻信號(hào)預(yù)處理。音頻信號(hào)預(yù)處理對(duì)于降噪系統(tǒng)的降噪性能有直接的影響，所以應(yīng)重視音頻信號(hào)預(yù)處理[2]，做好細(xì)節(jié)方面的處理工作，確保各個(gè)環(huán)節(jié)有序銜接，其具體的處理流程框架如圖2所示。

圖2 音頻信號(hào)預(yù)處理框圖

1.2 音頻特征

在音頻信號(hào)采集過(guò)程中，收集到的聲音種類比較多，相對(duì)來(lái)說(shuō)聲音收集的數(shù)據(jù)量比較龐大，對(duì)于原始音頻信號(hào)數(shù)據(jù)的提取，是一個(gè)復(fù)雜的過(guò)程，數(shù)據(jù)提取量非常大，而且容易導(dǎo)致數(shù)據(jù)出現(xiàn)不穩(wěn)定的情況。而音頻信號(hào)本身具有一定的動(dòng)態(tài)性，通過(guò)音頻特征對(duì)噪聲音頻進(jìn)行提取，可以有效減少數(shù)據(jù)運(yùn)行量，有效提升系統(tǒng)效率，而且對(duì)噪聲的抵御指標(biāo)也會(huì)有所提升?？乖胄阅艿奶嵘軌蚋玫刈屜到y(tǒng)抵御噪聲的影響[3]，要從多個(gè)角度規(guī)劃好音頻特征，借助于音頻特征完成噪聲提取，使之能適合自適應(yīng)濾波降噪處理。在降噪系統(tǒng)中，音頻特征參數(shù)的選擇對(duì)于自適應(yīng)濾波的影響比較大。

在警務(wù)和消防救援現(xiàn)場(chǎng)中，應(yīng)對(duì)系統(tǒng)運(yùn)行過(guò)程所選擇的頻譜分析進(jìn)行調(diào)控，以伽瑪通頻率倒譜系數(shù)(GFCC)特征對(duì)噪聲進(jìn)行降噪，其特征向量表達(dá)式如公式(1)所示：

(1)

式中,M代表通道數(shù)量；n代表通道編號(hào)，其值范圍為0～31。在v>13情況下，GFCC的大部分值近似為0，其壓縮數(shù)學(xué)表達(dá)式為：

(2)

1.3 音頻特征識(shí)別模型

科學(xué)技術(shù)水平的提升進(jìn)一步推動(dòng)了自適應(yīng)濾波降噪系統(tǒng)的發(fā)展進(jìn)程，在降噪系統(tǒng)中對(duì)音頻特征識(shí)別模型的應(yīng)用頻率也越來(lái)越高，音頻特征識(shí)別模型具有一定的分化性，模型種類較為多樣化。不同的模型適用范圍不同，針對(duì)線性情況和非線性情況，主要有向量機(jī)模型、身份模型、隱馬爾可夫模型、高斯混合模型等[4]，不同的模型側(cè)重點(diǎn)不同，隨著降噪系統(tǒng)的深入發(fā)展，很多模型在自適應(yīng)濾波降噪系統(tǒng)中都有較好的應(yīng)用效果。

2 自適應(yīng)濾波降噪系統(tǒng)方案設(shè)計(jì)

近幾年，濾波降噪技術(shù)在各類環(huán)境下的應(yīng)用頻率逐漸增多，但是由于噪聲環(huán)境的多樣化，使得該技術(shù)的應(yīng)用效果無(wú)法充分發(fā)揮，針對(duì)這種問(wèn)題，設(shè)計(jì)了詳細(xì)的規(guī)劃方案，具體內(nèi)容指標(biāo)如圖3所示。

圖3 自適應(yīng)濾波降噪系統(tǒng)設(shè)計(jì)方案

2.1 聲音預(yù)處理模塊

該模塊是對(duì)聲音信息進(jìn)行歸類處理，將收集的聲音數(shù)據(jù)一一拆分，根據(jù)識(shí)別標(biāo)準(zhǔn)將這些聲音分類，將其中冗余聲音數(shù)據(jù)一一去除掉，也可以針對(duì)性地消除某一個(gè)節(jié)點(diǎn)的聲音，達(dá)到一定的降噪效果。在聲音預(yù)處理過(guò)程中，應(yīng)使用專門的算法進(jìn)行計(jì)算，其中維納波降噪需要結(jié)合聲音特征，有一定的降噪要求，譜減算法在噪聲環(huán)境中容易失調(diào)，在有色的噪聲環(huán)境中失調(diào)會(huì)加重，使用中值濾波法降噪效果相對(duì)來(lái)說(shuō)比較好，對(duì)于跳變?cè)肼暼コЧ草^為明顯，能夠完成對(duì)聲音信號(hào)的平滑降噪處理。

2.2 特征提取模塊

特征提取模塊涉及多種特征參數(shù)，如伽瑪通頻率倒譜系數(shù)(GFCC)。在不同噪聲環(huán)境下，不同特征參數(shù)變化情況是不同的，噪聲環(huán)境下GFCC特征參數(shù)的辨識(shí)度最高，有著良好的抗噪性。對(duì)GFCC特征參數(shù)進(jìn)行深入分析，發(fā)現(xiàn)其在噪聲辨識(shí)方面存在一定的局限性，為了提高對(duì)噪聲的精準(zhǔn)辨識(shí)，需要對(duì)GFCC特征參數(shù)進(jìn)行優(yōu)化和完善，改進(jìn)自適應(yīng)壓縮ACGFCC特征參數(shù)，形成全新的特征參數(shù)指標(biāo)。

2.3 噪聲辨識(shí)模塊

這個(gè)模塊包含了多個(gè)節(jié)點(diǎn)，以多個(gè)模塊為基礎(chǔ)框架，對(duì)噪聲辨識(shí)進(jìn)行系統(tǒng)化的環(huán)境訓(xùn)練，實(shí)現(xiàn)對(duì)噪聲辨識(shí)模型參數(shù)的有效優(yōu)化。

3 音頻特征識(shí)別模型設(shè)計(jì)

高斯分布(Gaussian Distribution)具有一定的廣義性，單純從概念上理解也被稱為正態(tài)分布(Normal Distribution)，它是一個(gè)連續(xù)概率分布的函數(shù)，以單值為中心，呈聚集分散的狀態(tài)。從現(xiàn)實(shí)情況來(lái)看，很多心理測(cè)試分?jǐn)?shù)與高斯分布都有極高的貼合性。而高斯混合模型(Gaussian Mixture Model，GMM)是基于高斯密度函數(shù)演化而來(lái)，高斯混合模型包含的內(nèi)容比較多，具有一定的機(jī)構(gòu)化特點(diǎn)，從某種程度上來(lái)說(shuō)，它滿足任意形式的概率密度分布要求，所以在各個(gè)行業(yè)領(lǐng)域都有一定的應(yīng)用價(jià)值，直觀體現(xiàn)在圖像識(shí)別、音頻識(shí)別、噪聲辨識(shí)等方面[5]。

3.1 高斯混合模型

在音頻特征識(shí)別過(guò)程中，可通過(guò)識(shí)別指標(biāo)構(gòu)建高斯混合模型。從本質(zhì)上來(lái)看，音頻特征識(shí)別采用的識(shí)別模型，就是通過(guò)識(shí)別的方式對(duì)噪聲源構(gòu)建一個(gè)專門的GMM模型，其框架結(jié)構(gòu)如圖4所示。

圖4 高斯混合模型圖

從概率學(xué)的角度來(lái)看，單一化的高斯分布存在一個(gè)最大值，用一維的高斯概率分布無(wú)法有效描述其分布情況，需要導(dǎo)入高斯混合模型，通過(guò)高斯分布疊加的方式進(jìn)行辨識(shí)[6]，一個(gè)多維高斯分布的聯(lián)合正態(tài)分布表達(dá)式見式(3)。

(3)

式中,ui是高斯分布的均值向量；∑i是它的協(xié)方差矩陣，ωi表示其權(quán)重，其約束條件為∑i=1，根據(jù)高斯混合模型的定義，M階高斯混合模型的概率密度函數(shù)數(shù)學(xué)表達(dá)式見式(4)。

一個(gè)音頻特征識(shí)別GMM模型由其均值向量、協(xié)方差矩陣、混合權(quán)重來(lái)表示，如圖5所示。

3.2 高斯混合模型改進(jìn)

在模型訓(xùn)練過(guò)程中，受多方面因素影響，訓(xùn)練音頻信號(hào)的樣品數(shù)量存在一定不足，使得GMM模型并不具備全面性特點(diǎn)。針對(duì)這個(gè)問(wèn)題，在本次模型訓(xùn)練中，引入了通用背景模型，這種模型對(duì)訓(xùn)練要求比較低，只要通過(guò)很少的語(yǔ)音訓(xùn)練集就可以有效提高對(duì)噪聲的辨識(shí)度。

圖5 音頻特征識(shí)別GMM模型的表示

通用背景模型(UBM)具有一定的綜合性特點(diǎn)，這種模型就是提前將各種警務(wù)和消防救援現(xiàn)場(chǎng)噪聲的音頻數(shù)據(jù)進(jìn)行整合，然后訓(xùn)練成一個(gè)完整性的GMM模型，這種模型能夠辨識(shí)音源和噪聲的分布情況。在現(xiàn)場(chǎng)的噪聲可以通過(guò)GMM模型參數(shù)調(diào)整辨識(shí)出來(lái)，這得益于現(xiàn)場(chǎng)噪聲背景的提前收錄。目標(biāo)模型主要通過(guò)目標(biāo)聲音最大化后驗(yàn)算概率得到。UBM模型本身就比較大型化，訓(xùn)練時(shí)與GMM模型的訓(xùn)練方式大同小異，其結(jié)構(gòu)如圖6所示。這種噪聲辨識(shí)模型不僅節(jié)省時(shí)間，而且對(duì)于噪聲辨識(shí)的準(zhǔn)確性也比較高。

圖6 GMM—UBM模型

4 結(jié)語(yǔ)

本文從常規(guī)組網(wǎng)通信中噪聲自適應(yīng)濾波降噪技術(shù)的角度出發(fā)，研究了警務(wù)及消防救援現(xiàn)場(chǎng)噪聲環(huán)境下如何有效提高降噪指標(biāo)，并對(duì)音頻信號(hào)進(jìn)行預(yù)處理，從而完成音頻特征的識(shí)別。在噪聲干擾的情況下，自適應(yīng)濾波降噪系統(tǒng)的識(shí)別功能會(huì)極大程度上降低。針對(duì)這一問(wèn)題，需要從降噪模型角度出發(fā)，提高模型性能指標(biāo)，融入先進(jìn)的科學(xué)技術(shù)，將高斯混合模型融入其中，作為系統(tǒng)的基礎(chǔ)優(yōu)化模板，有效提高系統(tǒng)噪聲的辨識(shí)性，更好地滿足現(xiàn)場(chǎng)噪聲濾波降噪處理要求。