高噪声环境下噪声抑制与语音增强研究

王志强 吴学先

摘要：语音通信正广泛应用于各种场合，但是在一些特定的高噪声环境下，语音信号的接收与发送会受到严重的干扰，如舰艇的轮机舱、飞行甲板、飞机座舱等环境下都存在非常强烈的噪音。这都会导致语音信号完全淹没于背景噪音，使人耳基本无法分辨。因此，必须采用信号处理技术对含噪的音频信号进行增强处理，以实现对其中噪声信号的抑制与语音信号的增强，尽可能地还原语音信号，提高语音可懂度，改善语音通信效率。

关键词：高噪声;语音增强;噪声抑制;维纳滤波;自适应滤波;自适应噪声抵消

引言：

总结国内外众多学者的研究，两类非平稳噪声是最难处理的，如语音噪声和低频噪声。 类似语音的噪声和语音具有相似的结构。消除这些成分很容易损坏增强语音的音质并降低可懂度。 低频段噪声的信号能量大多集中在低频段，功率谱密度在整个频段内变化不均匀。 消除低频段噪声很容易造成语音失真。根据实际工程应用需求，对比了维纳滤波法、减谱法、自适应滤波法等几种主流降噪方法的特点，最终采用基于自适应噪声抵消技术的降噪方案。方案通过采集两路信号，将混有噪声的信号作为主通道信号，噪声的相关信号作为参考信号，使用白适应抵消法进行处理。最后通过MATLAB软件进行了仿真，在信噪比和听音测试方面都有所提高，验证了方案的有效性和可行性。

1噪声抑制及语音增强算法简介

1.2维纳滤波

显然，维纳滤波器能根据声音信号的平方来判断声音信号;由于噪声的存在，它定义了一个脉冲传感器电抗器，以便在经过滤波后接近噪声，这种开创性的想法是具有很强的实践意义的，其为后续的多种算法奠定了基础，后续的多种算法都或多或少的借鉴了这种算法的思想。直通信号由于不进行测试，维纳滤波器是一种平方型滤波器（MMESE），所以维纳滤波器可以用来估计驻波模式下的时间波。通过对于时间波的有效估计，可以得出一个与实际噪声十分相近的模拟噪声时间波，这种方式可以有效的去除噪声，由于语音谱图对于听者来说是最重要的部分，所以用维纳滤光器来发展一门语言是很有必要的。

1.3 Karman滤波方法

本文提出了一种基于卡尔曼滤波器的新方法，该方法能有效地消除噪声，这是因为其在卡尔曼滤波器的基础之上进行了有效的改进，使得滤波效果与之前相比更加的有效，同时通过引入多种噪声过滤算法与滤波器，并且根据其效果精心设计了滤波器的执行顺序，可以有效滤除需要滤除的噪声信息。滤波器的优势在于，噪声可被用作静态和非活性两种材料。在去除噪声的同时，采用了多种方法，提高了噪声的干扰率，但由于干扰量大，对声音有一定的损失。

1.4自适应滤波器

自适应滤波方法在最近三年里得到了广泛的应用，许多专家学者都认识到了自适应滤波的优异的过滤效果，随着越来越多的相关研究形成成果，自适应滤波的优势也逐步显现出来，使得人们对于其相比于传统滤波的优势认识的更加清晰。自适应滤波器主要应用于振动、信息、电机等方面，在诸多应用领域都有其十分明显的优势，尤其是相比于其他滤波器而言，其简单易实现、滤波效果好的特点被发挥出来。自适应过滤器可基于其特点。这种滤波效果非常好。单道法用于干扰原信号中噪声和产生信号的突变延时，即交换噪声和信号。如果要收集大音量，则应用程序通道必须用来测量。

2噪声抵消技术选择

斯坦福大學于59年开发了一个补偿系统（ANC），适应性结构是适应性技术干扰的基本适应性结构，即培育的顶点是有序的顶点结构。不论统计特征改变与否，自适应音频都是最好的降低环境噪声的影响的技术，只有有效的在音频中筛选出噪声，才能有效的对于噪声做出识别，进而将噪声从音频中过滤出去，实现优秀的滤波效果。当未知外部干扰的信号，运输路线一直在变化，周围的噪音就像物体一样。在这种情况下，可以通过消除外部音频源的干扰来获取具有高音量速率的源信号。故障的关键是与参考信号相关联，而不是与要检测或提取的信号相关联;在测试和调整自适应系统之后，该系统可以从噪声中恢复原始信号，系统定制的声音系统是自适应滤波器的一个原理，自适应滤波器的传感器信号在第一个信号卡在噪声中时会发生变化。他的参数在干扰结束时改变了。输出是由水平滤波参数控制中断的数据，就目前来看，误差是一个有用的信号。从表面上看，从信号中键入噪声是危险的。如果做得不对，能量会增加，需要调整参数来控制噪声的级和参数。

3实验分析

3.1试验数据库

本论文所用实验数据来源于在行业内比较著名的 NOIZEUS语音库，由1个清洁环境语音块、8个不同噪声环境下的语音块（人群噪声、车站噪声、火车噪声、街道噪声、餐馆噪声、汽车噪声、飞机噪声、展览厅噪声）组成，每个声块包含4个信噪比的语音子集，每一个声子集合共有30个语音，它们来自 IEEE语句库。这两个句子先采集25 kHz的频率，然后再采样8 kHz。试验选取了四种噪声类型：人群噪声、餐馆噪声、车站噪声、汽车噪声。人声和餐馆里的声音都是类似声音的声音，而火车站里的噪声和汽车噪声则是低频噪声。

3.2实验结论

减谱法在人群及餐馆噪声、低信噪比环境下均优于其它三种识别方法，表明 LLR评分较高，但 LLR评分较低，本实验进一步验证了该算法的可靠性。第二，卡尔曼滤波法对车站、汽车噪声环境下语音质量的清晰度和语音畸变均有明显改善。LLR和 PESQ评分只能用来衡量增强后语音中所含的残噪和失真度，而不能描述残存噪声和语音畸变细节。分别分析了四种平台噪声情况下的声场增强算法，能较好地观测到增强后的语音特征，进一步验证了以上结论。通过自适应滤波法增强噪声，降低了车站噪声，降低了语音畸变，保持了原语音信息，改善了语音质量和清晰度。

4结语

噪声干扰声不仅影响人们的听力，也影响语言的理解能力。对于语音信号处理来说，噪声的去除和增音一直是一个重要的研究课题。随着其应用范围的扩展，它已被广泛地应用于一些特殊的工程中。但在语言背景噪声方面也存在问题，即并非空闲且随意。因为频率的多样性和复杂性，很难用常规的方法去求解干扰信号。

参考文献：

[1]胡广书.数字信号处理[M].北京：清华大学出版社，2003.8

[2]程佩青.数字信号处理教程[M].北京：清华大学出版社，2001.3