强混响及噪声相关背景下说话人跟踪方法

杨海红，王琳娟

(1.山西旅游职业学院 计算机科学系，山西 太原 030031；2.山西农业大学 基础部，山西 晋中 030801)

0 引言

说话人位置的准确定位和跟踪是人工智能领域研究热点问题，近年来，受到了国内外研究人员的广泛关注[1-4]。为克服虚拟声源的影响，研究人员将粒子滤波方法引入到说话人跟踪系统中，取得了很大的改进，一定程度上克服了虚拟声源的影响[3-10]。其主要特点是说话人的位置信息是根据最新的观测信息随着时间进行递推估计的，通过采用一个Markov说话人运动模型将说话人的位置状态信息进行实时的递归处理[11-13]。可以看出，基于滤波方法的说话人跟踪方法充分利用了说话人的运动信息和时间的相关性，可以有效地克服传统方法中存在的虚拟声源干扰问题，提升了噪声背景下说话人的位置定位和跟踪精度[14-16]。但是这些研究存在着一个缺陷，即说话人发音的连续性。假设说话人一直处于发声状态，且跟踪的时间只有一个人在活动。很明显，这种假设是不符合实际应用场景的，特别是在有多人参与的会议场景，经常会出现语音的静默，以及多个人的交叉说话。且多人交互说话情况往往导致背景噪声的恶化和相关性，导致现有非线性滤波方法的跟踪精度降低。基于此，本文针对强混响及噪声相关背景下说话人跟踪问题，提出了一种解相关粒子滤波跟踪方法。该方法的主要创新有2点：一是利用状态方程恒等变换和矩阵相似变换理论实现了过程噪声和量测噪声的解相关；……