最新的ITU-T嵌入式变速率语音编码关键技术

介绍了ITU-T的新一代语音编码标准G.729.1的编码器、译码器原理,讨论了此标准实现码流嵌入式所采用的关键技术:嵌入式的码激励线性预测编码技术、时域频带扩展技术以及时域混叠抵消的预测变换编码技术,并通过客观评测验证了G.729.1语音编码标准的高性能。     

利用概率混合模型的理想比率掩蔽多声源分离方法

针对基于时频掩蔽的分离方法在多声源场景下的分离效果不佳的问题,论文提出一种利用概率混合模型的理想比率掩蔽多声源分离方法。首先,利用冯·米塞斯分布对时频点处方位角估计进行拟合以及拉普拉斯分布对归一化压力梯度信号向量进行拟合,由此建立概率混合模型。其次,利用期望最大化算法对模型参数进行求解,估计各声源对应的理想比率掩蔽。最后,利用估计出的理想比率掩蔽,从麦克风采集信号中分离得到各声源信号。实验结果表明,与现有基于时频掩蔽的多声源分离方法相比,论文所提方法在欠定场景下具有更好的分离效果。      

改进的符合EV-VBR标准的嵌入式宽带语音编码器

基于国际电信联盟标准化组织(ITU-T)嵌入式变比特率(EV-VBR)编码标准提案,在本实验室开发的候选编码器基础上提出了一套改进的嵌入式变速率宽带语音编码方法.本算法在前2层使用代数码激励线性预测(ACELP)编码,增加计算量化了中间子帧谱参数,设计实现了三脉冲深度优先树搜索算法;在后3个编码层,本算法使用累积频域系数矢量的方式重新构建了嵌入式变换域编码(TCX).此外,改进编码器还实现了语音激活检测(VAD)和非连续传输(DTX)功能.相关测试表明,改进编码器较原编码器,语音质量有明显改善,编码复杂度显著降低,编解码质量和效率与最新的G718标准接近,并保持了低延迟的优点.     

基于压缩感知和音频指纹的固定音频检索方法

针对现有音频检索中样本音频特征库数据量较大且检索速率慢问题, 本文提出一种基于压缩感知和音频指纹降维的固定音频检索方法. 在音频检索的训练阶段, 首先, 对样本音频信号进行稀疏化处理, 并通过压缩感知算法对稀疏化后的音频数据进行压缩; 其次, 提取压缩信号的音频指纹; 再次, 引入音频指纹离散基尼系数通过计算音频指纹各维度的离散基尼系数对指纹实施降维, 最终得到检索特征库. 在音频检索阶段用和训练阶段相同的算法提取待检音频的特征与音频特征库数据匹配得出检索结论. 实验结果表明, 所提音频检索方法在确保较好的检索准确率的基础上, 大幅度减小了样本音频数据库的存储量, 提高了音频的检索速率.     

利用DBSCAN和概率密度估计的欠定盲源分离混合矩阵估计

针对欠定盲源分离中混合矩阵估计精度不佳的问题,本文提出了一种结合带噪声的基于密度的空间聚类（combining density-based spatial clustering of application with noise, DBSCAN）和概率密度估计的混合矩阵估计算法。首先,通过向量转换方式获得单声源时频点检测准则,并基于此准则从混合信号中检测出单声源点。其次,利用基于密度的空间聚类算法对单声源点进行聚类,由此估计出声源个数以及各类别所属的单声源点。再次,利用概率密度估计获得各类别的聚类中心,并构成混合矩阵。所提混合矩阵估计方法不需要提前设定声源个数,并且避免了由于数据分布不均所造成的聚类效果差的问题。最后,采用压缩感知技术实现源信号恢复,从而从混合信号中分离出各个声源信号。实验结果表明,本文所提的混合矩阵估计方法在声源个数未知的情况下,能够准确估计出混合矩阵;并且分离出的信号具有较高的质量。     

基于音视频信号处理实例开展“数字信号处理”教学

数字信号处理是信息技术类本科专业的基础必修课程,该课程逻辑性强,数学公式多,概念抽象,教学难度大。本文围绕数字信号处理课程教学进行探讨,将语音信号处理、音频信号处理、数字图像信号处理、视频信号处理中的典型实例引入数字信号处理教学,通过具体实例结合多媒体教学,增加课堂教学的趣味性,让学生直观了解数字信号处理中重要概念的实际意义。     

信号处理实践类课程教学问题分析及改进策略

信号处理实践类课程是电子信息类本科生利用信号处理基础知识解决实际问题的重要教学环节。作者在教学中发现,学生理论联系实际的能力亟须加强,运用数据结构的基本思想制作课程演示实例的能力不足,信号处理课程报告中对课题结果缺乏深入的理论分析,往往停留在实验现象描述层面。据此,作者从教学内容设计、教学讲义编写等方面提出了相应的改进策略。     

一种符合ITU-T指标要求的嵌入式立体声语音频编码方法

 基于国际电信联盟标准化组织(ITU-T)编码标准G.729.1,本文提出了一种嵌入式变速率立体声语音与音频编码方法.本算法利用G.729.1和改进的调制叠接变换(Modulated Lapped Transform,MLT)编码技术对输入信号的中值与边带信息进行分层编码,形成具有嵌入式结构的码流.编码器可处理宽带和超宽带的立体声信号,宽带立体声信号编码的最大码率为48kb/s,超宽带立体声信号编码的最大速率为64kb/s.实现结果表明,本编码器的编码质量均达到了ITU-T对G.EV-VBR立体声编码的指标要求.     

8~64kbit/s超宽带嵌入式语音频编码方法

基于国际电信联盟标准化组织(ITU-T)编码标准G.729.1和改进的调制叠接变换(MLT,modulated Lapped transform)编码技术,提出了一种码率在8-64kbit/s的超宽带嵌入式变速率语音与音频编码方法,其中,8～32kbit/s码率的码流由G.729.1编码算法生成,编码信号为0～7kHz频段的信息;36、40和48kbit/s码率层及56、64kbit/s码率层码流由MLT变换编码方式生成,编码信号分别为7～14kHz频段的信息和G.729.1编码残差的MDCT信息.客观和主观听力测试表明本编码器的性能达到了ITU-T提出的参考指标要求.     

基于高阶Ambisonics的2.5维近场声源合成

针对空间声信号处理中二维声场合成与实际声源维数失配问题及近场声源合成中的近场失真问题,本文提出了一种2.5维声场合成方法和一种改进的维纳滤波的近场补偿方法.2.5维声场合成基于高阶Ambisonics的球谐函数展开.改进的维纳滤波方法用于补偿高阶Ambisonics合成2.5维近场声源时引入的近场失真.基于连续扬声器阵列假设理论,推导出了扬声器激励信号的一般表达形式.声场合成实验结果表明：与余弦正则化方法产生的相对误差0.23相比,所提方法合成2.5维近场声源的相对误差减少到了0.031;与高通滤波法相比,所提方法可以提供更大范围的有效听音区.