引言

基于內(nèi)容的音頻檢索指通過音頻特征分析，對不同音頻數(shù)據(jù)賦以不同語義，使具有相同語義的音頻在聽覺上保持相似。該技術(shù)在許多領(lǐng)域都有極大應(yīng)用價(jià)值。在檢索系統(tǒng)中一種常見情形是將安靜環(huán)境下訓(xùn)練的模型應(yīng)用于實(shí)際有背景噪聲的環(huán)境。尤其在哼唱輸入的情況下，噪聲不可避免，因此噪聲背景環(huán)境中的音頻識別技術(shù)一直備受關(guān)注。本文給出一個(gè)將音頻增強(qiáng)和音頻檢索系統(tǒng)相連接的抗噪聲音頻檢索系統(tǒng)，重點(diǎn)分析基于內(nèi)容的音頻檢索系統(tǒng)的前端抗噪技術(shù)。

2  系統(tǒng)平臺的建立

基于內(nèi)容的音頻檢索系統(tǒng)運(yùn)用多媒體信息處理技術(shù)，結(jié)合人感知心理研究和模式識別技術(shù)實(shí)現(xiàn)音頻檢索，包括音頻分割、特征提取和索引檢索等關(guān)鍵步驟。在提交哼唱式音頻過程中不可避免地會受到來自周圍環(huán)境和傳輸媒介引入的噪聲、設(shè)備內(nèi)部電噪聲的干擾。這些干擾將使檢索系統(tǒng)的性能惡化。因此，必須對帶噪音頻進(jìn)行抗噪處理。音頻檢索系統(tǒng)首先是建立數(shù)據(jù)庫，對音頻數(shù)據(jù)進(jìn)行特征提取。音頻檢索主要采用哼唱查詢方式，用戶通過查詢界面哼入查詢信息，然后提交查詢。在進(jìn)行屬性特征提取前通過前端抗噪模塊增強(qiáng)哼唱語音。接著系統(tǒng)對哼唱音頻提取特征，然后檢索引擎對特征矢量進(jìn)行匹配，按相關(guān)性排序后通過查詢接口返回給用戶。圖1為抗噪聲檢索系統(tǒng)原理框圖。

3  音頻抗噪技術(shù)分析

3.1  語音增強(qiáng)算法分類

系統(tǒng)前端輸入信號通常是哼唱輸入，語音頻段可以采用語音增強(qiáng)技術(shù)。語音增強(qiáng)是指為了提高受噪聲污染的語音信號的質(zhì)量而對含噪語音所做的處理，主要用于從帶噪語音信號中提取純凈的原始音頻或原始語音參數(shù)。根據(jù)不同的標(biāo)準(zhǔn)，語音增強(qiáng)算法有多種分類方法。

從信號輸入的通道數(shù)分為單通道的語音增強(qiáng)算法與多通道的語音增強(qiáng)算法。單通道語音系統(tǒng)下語音與噪聲同時(shí)存在于一個(gè)通道中，語音信息與噪聲信息必須從同一個(gè)信號中得出。常用方法包括譜減法、信號統(tǒng)計(jì)模型方法、聽覺掩蔽算法、維納濾波方法、信號子空間算法等。多通道語音增強(qiáng)算法則采用麥克風(fēng)陣列獲取信號數(shù)據(jù)，它可充分利用陣列信號的信號源方向、說話人位置等空間特性，結(jié)合語音信號與噪聲的特征實(shí)現(xiàn)語音增強(qiáng)。代表性的算法有自適應(yīng)波束形成算法、結(jié)合波束形成與后濾波算法及各種基于信號子空間、統(tǒng)計(jì)模型算法等。

另一種分類方法是根據(jù)對語音信號處理方式的不同，將語音增強(qiáng)算法分為時(shí)域語音增強(qiáng)算法和變換域語音增強(qiáng)算法兩大類。時(shí)域語音增強(qiáng)是在時(shí)間域直接處理帶噪語音來恢復(fù)純凈語音，利用語音信號在時(shí)域中的短時(shí)平穩(wěn)特性、相關(guān)特性等來研究具有針對性的噪聲消除技術(shù)，其代表性算法有最大后驗(yàn)概率估計(jì)法、卡爾曼濾波法、梳狀濾波器法、子空間的方法、自適應(yīng)噪聲抵消算法、語音生成模型等。變換域語音增強(qiáng)需一個(gè)適當(dāng)?shù)淖儞Q將語音信號轉(zhuǎn)換到變換域中，然后針對變換域中的帶噪語音分量的特性設(shè)計(jì)算法恢復(fù)純凈語音分量，最后通過相應(yīng)的反變換獲得純凈語音信號在時(shí)域中的估計(jì)。其常用變換有離散傅里葉變換、離散余弦變換及K-L變換和小波變換等，代表性算法有譜減法、維納濾波法、短時(shí)譜幅度的MMSE估計(jì)、自適應(yīng)濾波法等、聽覺掩蔽效應(yīng)增強(qiáng)算法，小波變換算法、基于頻域盲源分離的語音增強(qiáng)技術(shù)等。還有一些新方法，如神經(jīng)網(wǎng)絡(luò)、分形理論等。

3.2 系統(tǒng)抗噪算法的確定

在基于內(nèi)容的音頻檢索系統(tǒng)中，用戶通過哼唱等方式輸入檢索信息，基于單麥克風(fēng)輸入的單通道語音增強(qiáng)算法是一種簡便、實(shí)用的形式。變換域語音增強(qiáng)算法可充分利用變換域中語音與背景噪聲較其在時(shí)域中更為顯著的特征區(qū)別，且能有效消除語音信號在時(shí)域中存在的相關(guān)特性，因此其對帶噪語音的增強(qiáng)效果要優(yōu)于時(shí)域語音增強(qiáng)算法。因此系統(tǒng)適合采用譜減法、聽覺掩蔽算法、維納濾波方法、信號子空間算法。

維納濾波法能改善平穩(wěn)段的譜估計(jì)，殘留噪聲類似于白噪聲，降低音樂噪聲的干擾，但算法復(fù)雜度較大，適用于對實(shí)時(shí)性要求不高的場合。聽覺掩蔽算法可減少不必要的語音失真，實(shí)際應(yīng)用中常只能用帶噪語音估計(jì)掩蔽閾值，則估計(jì)結(jié)果誤差較大，對噪聲估計(jì)要求較高。信號子空間算法能有效去除帶噪語音中的背景噪聲，使語音的質(zhì)量和可懂度都有較大提高，但計(jì)算量較大。譜減法算法簡單，算法復(fù)雜度低，實(shí)現(xiàn)較容易，能夠最大程度上滿足實(shí)時(shí)性要求，但會引入較大音樂噪聲，適合在平穩(wěn)噪聲環(huán)境和對實(shí)時(shí)性要求較高的場合使用。由于本系統(tǒng)為實(shí)時(shí)檢索系統(tǒng)，對實(shí)時(shí)性和快速性的要求較高，因此這里采用譜減法。

4  基于譜減法的減噪技術(shù)

4.1  譜減法的基本原理

譜減法就是在頻域?qū)⒃肼暤念l譜分量從帶噪語音信號的頻譜中減去。其基本思想是：在假定加性高斯噪聲與短時(shí)平穩(wěn)的語音信號獨(dú)立的條件下，從帶噪語音信號的功率譜中減去噪聲的功率譜，從而得到增強(qiáng)后較為純凈的語音頻譜。其基本原理框圖如圖2所示，圖1中，s(n)表示純凈語音，d(n)表示加性噪聲，r(n)=s(n)+d(n)表示帶噪語音信號，Yk和Sk(k=0，1，2…)分別表示帶噪語音信號和純凈語音的頻譜系數(shù)，λn(k)表示噪聲的功率譜系數(shù)。

式中，α和β為參數(shù)。當(dāng)α=1，β=1時(shí)，為幅度譜減法形式。當(dāng)α=2，β=1時(shí)，為功率譜減法形式。

該譜減法稱為傳統(tǒng)譜相減法。它基于人耳對聲音相位不敏感特性，從含噪語音中減去估計(jì)噪聲而達(dá)到語音增強(qiáng)的目的，直觀簡單，但容易產(chǎn)生“音樂噪聲”，因此實(shí)際應(yīng)用中常采用譜減法的改進(jìn)算法。

4.2  譜減法的改進(jìn)算法

用功率譜減法處理語音信號后，在頻域中仍殘留有噪聲，要濾除或減少這些噪聲，可適當(dāng)?shù)亩鄿p去噪聲分量，使殘留噪聲在幅值上減少，從而降低噪聲的影響，即過減法。此時(shí)式(1)取β>1，這樣語音失真可能會增大。因此，通過噪聲估計(jì)來調(diào)整和確定β的取值。β值的取值原則：對信噪比低的帶噪語音，噪聲的方差大，β可適當(dāng)大些；對信噪比高的帶噪語音，β取值則可小些。因?yàn)樵肼曌V的估計(jì)是平均值，所以當(dāng)前幀的噪聲譜實(shí)際上與估計(jì)值有偏差，因此，經(jīng)譜減法計(jì)算的語音譜值可能是負(fù)值，一般則設(shè)結(jié)果設(shè)為零，即采用半波整流法，還可采用殘余噪聲衰減法，噪聲殘留的幅值介于零和整個(gè)非語音活動期最大噪聲殘留幅值之間，由于殘留噪聲的隨機(jī)性，在每個(gè)頻點(diǎn)上其振幅值隨不同分析幀而隨機(jī)波動，因此在給定頻點(diǎn)上通過用相鄰幀的頻點(diǎn)振幅最小值代替當(dāng)前幀的振幅而壓縮殘留噪聲。這樣就形成改進(jìn)型譜減法的系統(tǒng)，能有效實(shí)現(xiàn)前端減噪。

5  結(jié)束語

基于內(nèi)容的音頻檢索技術(shù)適應(yīng)性更強(qiáng)，具有廣泛的應(yīng)用價(jià)值，具有噪聲魯棒性的檢索系統(tǒng)在實(shí)際應(yīng)用中不可或缺。本文給出一個(gè)將音頻增強(qiáng)和音頻檢索系統(tǒng)級聯(lián)的抗噪聲音頻檢索系統(tǒng)，從不同角度分析語音增強(qiáng)算法，并通過比較選取譜減法作為基于內(nèi)容的音頻檢索系統(tǒng)的前端抗噪技術(shù)，同時(shí)給出譜減法的改進(jìn)算法。