麦克风阵列波束形成之DSB原理与实现

语音识别有近场和远场之分，且很多场景下都会用到麦克风阵列(micphone array)。所谓麦克风阵列是一组位于空间不同位置的麦克风按一定的形状规则布置形成的阵列，是对空间传播声音信号进行空间采样的一种装置，采集到的信号包含了其空间位置信息。近场语音识别将声波看成球面波，它考虑各麦克风接收信号间的幅度差；远场语音识别将声波看成平面波，它忽略各麦克风接收信号间的幅度差，近似认为各接收信号之间是简单的时延关系。麦克风阵列可分为一维、二维和三维麦克风阵列。一维麦克风阵列，即线性麦克风阵列，各个麦克风位于同一条直线上，常见的为均匀线性阵列(Uniform Linear Array，ULA)，如图1所示（以阵列有四个麦克风为例）。均匀线性阵列是最简单的阵列拓扑结构，其麦克风之间距离相等、相位及灵敏度一致。线性阵列只能得到信号的水平方向角信息。二维麦克风阵列，即平面麦克风阵列，各个麦克风分布在一个平面上。常见的为均匀圆阵，麦克风均匀的分布在圆周上，如图1所示（以阵列有四个麦克风为例）。平面阵列可以得到信号的方位角和俯仰角信息。三维麦克风阵列，即立体麦克风阵列，其阵元中心分布在立体空间中，常见的为球阵。由于三维麦克风阵列在消费电子产品中应用相对较少，本文不讨论。

                                                图 1

麦克风阵列涉及到的技术包括去混响、声源定位、波速形成(beamforming)和单通道降噪等。混响是指声音信号遇到墙壁、天花板、地面等障碍物形成反射声，并和直达声相叠加的现象。去混响就是去除那些叠加的声音。声源定位是利用多通道语音信号来计算目标说话人的角度和距离从而实现对目标说话人的跟踪，严格的声源定位是指同时确定说话人的角度（包括方位角、俯仰角）和距离。在消费级的麦克风阵列中，通常关心的是声源到达的方向，也就是波达方向（Direction of Arrival，DOA）。波束形成是对信号进行空域滤波，将多个通道的语音数据变成一个波束（即一个通道）的目标声源，目标声源的信干噪比（SINR）得到提升。单通道降噪是抑制单个通道上的噪声。各个模块的关系如下框图2所示（以四通道为例）：

                                        

                                                  图 2

从上图可以看出，先对每个通道上的语音数据做去混响，同时用每个通道上的语音数据做声源定位得到说话人的角度（方位角和俯仰角等），然后用去混响后的语音数据和算出的说话人的角度去做波束形成得到单通道的语音数据，最后对单通道的语音数据做降噪给后续模块使用。我在“远场关键词识别”项目中主要负责单通道降噪。后来由于人手不够，我又负责了波束形成的一种算法（有多种算法可以实现波束形成功能，不同的算法用在不同的应用场景中），即DSB(delay and sum beamforming)算法。本文就讲讲DS