선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 신호의 엔트로피를 이용한 초기 VAD과정을 거친 후 퍼지 소속도 천이 c-means 클러스터링 방법을 이용해 주 VAD과정을 거치는 새로운 VAD알고리즘을 제안한다. 제안하는 퍼지 소속도 천이 c-means 클러스터링 방법은 초기 VAD과정에서 시간에 따른 엔트로피를 이용해 음성구간과 잡음구간을 구분한다.
- (a)와 (b)를 비교하여 볼 때 신호의 엔트로피로 나타낸 (b)에서 음성구간은 상대적으로 강조되고 잡음구간은 감쇄된 것을 볼 수 있다. 본 논문에서는 이러한 특징을 이용하기위해 엔트로피를 이용한 초기 음성구간 검출을 수행한다. 이러한 과정은 식 (4)에 따라 수행된다.
- 본 논문에서는 잡음이 섞인 음성신호에서 음성구간을 검출하기 위해 fuzzy c-means 클러스터링에 기반한 새로운 음성구간 검출 알고리즘을 제안하였다. 그림 1은 제안하는 음성구간 검출 알고리즘의 전체적인 흐름도이다.
- 본 논문에서는 퍼지 클러스터링에 기반한 새로운 음성구간 검출 알고리즘을 제안하였다. FCMC 알고리즘을 개선한 퍼지 소속도 천이 c-means 클러스터링 알고리즘을 이용하여 음성구간 검출을 하였다.
제안 방법
- 본 논문에서는 퍼지 클러스터링에 기반한 새로운 음성구간 검출 알고리즘을 제안하였다. FCMC 알고리즘을 개선한 퍼지 소속도 천이 c-means 클러스터링 알고리즘을 이용하여 음성구간 검출을 하였다. 기존의 음성구간 검출 알고리즘은 잡음이 심한 환경에서 좋은 성능을 보이지 못하였으며 기본적인 퍼지 c-means 클러스터링 알고리즘 역시 낮은 SNR환경에서 많은 오류를 보였다.
- 먼저, 잡음이 섞인 음성 신호가 입력되면 입력신호의 엔트로피를 계산한다. 그리고 계산된 엔트로피를 이용하여 초기 음성구간 검출을 수행한다. 초기 음성구간 검출을 통해 잡음으로 판단된 신호를 퍼지 소속도 천이 기법을 거친 후, 제안하는 퍼지 소속도 천이 c-means 클러스터링으로 주 음성구간 검출을 한다.
- 제안하는 음성구간 검출 알고리즘은 이러한 단점을 극복하기 위해 초기 음성구간 검출에서 음성으로 검출된 구간의 퍼지 소속도를 천이시키는 방법을 이용하여 음성구간 검출 성능을 높이고 퍼지 c-means 클러스터링 방법을 통해 두 개의 클러스터로 나누어 음성구간과 비음성구간을 검출하였다. 그리고 낮은 SNR환경에서 더 좋은 성능을 나타내기 위해 음성구간 검출결과를 평활화하는 과정을 거쳐 더욱 높은 음성구간 검출 성능을 가지도록 하였다. 실험을 통해 제안한 음성구간 검출 알고리즘이 기존의 알고리즘보다 좋은 성능을 보이는 것을 확인하였으며 특히 낮은 SNR환경에서 좋은 음성구간 검출 성능을 보이는 것을 확인하였다.
- 으로 나누어 클러스터 중심을 계산한다. 다음의 과정을 거쳐 제안하는 퍼지 소속도 천이 c-means 클러스터링의 소속도를 천이시키고 천이된 소속도로 음성구간과 잡음구간의 클러스터 중심을 계산하여 음성구간 검출을 수행한다.
- 제안한 알고리즘의 성능분석을 위한 실험 데이터로써 TIMIT 데이터베이스의 음성신호 샘플과 NOISEX-92의 잡음신호 샘플을 사용하였다. 데이터 샘플은 16kHz 샘플링레이트(sampling rate)와 32비트(bit)를 가지며 다양한 SNR에 대한 알고리즘의 성능을 평가하기 위해 여러 가지 잡음에 대해 SNR을 0 dB, 5 dB, 10 dB로 구분하여 실험하였다. 제안한 알고리즘의 성능을 확인하기 위해 대부분의 음성구간 검출 알고리즘의 성능비교에 많이 쓰이고 있는 ITU-T의 G729B 음성구간 검출 알고리즘과 Asgari[9]가 제안한 EVAD(entropy voice activity detection) 알고리즘과 비교하였다.
- 초기 VAD결과에서 음성으로 판단된 구간은 음성으로 결정하고 잡음으로 판단된 구간에 대하여 제안하는 퍼지 소속도 천이 c-means 클러스터링 방법이 적용되는 주 VAD과정을 거친다. 먼저 초기 VAD결과에서 음성으로 판단된 구간의 퍼지 소속도를 천이시키고 퍼지 c-means 클러스터링 방법으로 두 개의 클러스터로 분류하여 음성구간과 비 음성구간을 검출한다. 검출된 음성구간 결과를 평활화과정을 거쳐 최종 음성 구간 검출을 한다.
- 먼저, 잡음이 섞인 음성 신호가 입력되면 입력신호의 엔트로피를 계산한다. 그리고 계산된 엔트로피를 이용하여 초기 음성구간 검출을 수행한다.
- 세 가지 알고리즘에 대해 객관적인 성능평가를 위해 음성구간 적중률(pause hit rate, PHR)과 비음성 구간 오류율(false alarm rate, FHR)을 통해 수치적으로 나타내었다. PHR은 음성구간 내에서 음성을 음성으로 정확하게 찾아낸 비율을 나타내며 FAR은 잡음구간 내에서 잡음을 음성으로 잘 못 찾아낸 오류율을 나타낸다.
- 제안하는 퍼지 소속도 천이 c-means 클러스터링 방법은 초기 VAD과정에서 시간에 따른 엔트로피를 이용해 음성구간과 잡음구간을 구분한다. 여기서 잡음으로 판단된 구간을 퍼지 소속도 천이과정을 거친 신호의 엔트로피와 에너지, 두 종류의 특징들을 퍼지 소속도로 활용해 음성구간과 잡음구간의 두 개의 클러스터로 나누어 최종적으로 음성구간과 비 음성구간을 결정한다. 제안한 알고리즘의 유효성을 평가하기 위하여 강한 잡음환경에서 실험하였으며 기존의 알고리즘들이 좋은 성능을 보여주지 못한 낮은 SNR환경과 문장형태의 음성신호로 실험을 수행하였다.
- 그러나 음성구간 검출에 사용될 경우, SNR 이 낮은 환경에서는 군집공간상의 거리만을 이용한 FCM알고리즘은 음성과 크기가 큰 잡음을 구별하지 못하는 결과를 보일 수 있다. 이러한 단점을 극복하기 위해 본 논문에서는 신호의 에너지와 엔트로피 두 가지 특성을 퍼지 소속도로 사용하였으며, 음성과 잡음으로 구분되는 2개의 클러스터의 중심을 업데이트하는 과정에서 데이터의 소속도를 가중시키는 새로운 퍼지클러스터링 방법을 제안한다. 제안하는 알고리즘의 순서도를 그림 3에 나타내었다.
- 기존의 음성구간 검출 알고리즘은 잡음이 심한 환경에서 좋은 성능을 보이지 못하였으며 기본적인 퍼지 c-means 클러스터링 알고리즘 역시 낮은 SNR환경에서 많은 오류를 보였다. 제안하는 음성구간 검출 알고리즘은 이러한 단점을 극복하기 위해 초기 음성구간 검출에서 음성으로 검출된 구간의 퍼지 소속도를 천이시키는 방법을 이용하여 음성구간 검출 성능을 높이고 퍼지 c-means 클러스터링 방법을 통해 두 개의 클러스터로 나누어 음성구간과 비음성구간을 검출하였다. 그리고 낮은 SNR환경에서 더 좋은 성능을 나타내기 위해 음성구간 검출결과를 평활화하는 과정을 거쳐 더욱 높은 음성구간 검출 성능을 가지도록 하였다.
- 본 논문에서는 신호의 엔트로피를 이용한 초기 VAD과정을 거친 후 퍼지 소속도 천이 c-means 클러스터링 방법을 이용해 주 VAD과정을 거치는 새로운 VAD알고리즘을 제안한다. 제안하는 퍼지 소속도 천이 c-means 클러스터링 방법은 초기 VAD과정에서 시간에 따른 엔트로피를 이용해 음성구간과 잡음구간을 구분한다. 여기서 잡음으로 판단된 구간을 퍼지 소속도 천이과정을 거친 신호의 엔트로피와 에너지, 두 종류의 특징들을 퍼지 소속도로 활용해 음성구간과 잡음구간의 두 개의 클러스터로 나누어 최종적으로 음성구간과 비 음성구간을 결정한다.
- 여기서 잡음으로 판단된 구간을 퍼지 소속도 천이과정을 거친 신호의 엔트로피와 에너지, 두 종류의 특징들을 퍼지 소속도로 활용해 음성구간과 잡음구간의 두 개의 클러스터로 나누어 최종적으로 음성구간과 비 음성구간을 결정한다. 제안한 알고리즘의 유효성을 평가하기 위하여 강한 잡음환경에서 실험하였으며 기존의 알고리즘들이 좋은 성능을 보여주지 못한 낮은 SNR환경과 문장형태의 음성신호로 실험을 수행하였다. 실험 결과를 음성구간 검출 그래프와 객관적인 수치로 나타내어 기존의 알고리즘과 비교하였다.
- 그리고 계산된 엔트로피를 이용하여 초기 음성구간 검출을 수행한다. 초기 음성구간 검출을 통해 잡음으로 판단된 신호를 퍼지 소속도 천이 기법을 거친 후, 제안하는 퍼지 소속도 천이 c-means 클러스터링으로 주 음성구간 검출을 한다. 이러한 과정을 거쳐 음성과 잡음이 분리된 음성구간 검출 신호를 얻게 된다.
- 클러스터 개수와 음성구간의과 잡음구간의 클러스터 중심을 초기화 시킨 후 입력신호의 엔트로피가 0보다 큰 구간에서 소속도 UX와 UY를 현재시간까지의 평균값으로 바꾸어 음성구간의 소속도를 천이시킨다. 천이된 소속도 값으로 인해 음성구간의 소속도가 평균값에 가까운 곳으로 밀집되어 소속도 간의 유클리드 거리가 줄어들어 음성구간의 클러스터를 결정할 때 좋은 성능을 가지게 된다.
- 이러한 특징을 이용하면 음성구간 검출 성능을 높일 수 있다. 특정 시점(t)에서 200ms 전후로 음성 클러스터와 잡음 클러스터의 개수를 확인하여 클러스터의 개수가 더 많은 쪽으로 결정하는 음성구간 평활화 과정을 거친 후 최종적으로 음성구간 검출을 한다.
- 제안하는 알고리즘은 매우 높은 PHR을 보이며 12∼14%정도의 FAR을 보여 음성구간에서 대부분의 음성을 잘 찾아내고 잡음구간에서는 약간의 오류는 있지만 비교적 정확하게 잡음으로 구별하는 것을 볼 수 있다. 하지만 PHR과 FAR로는 음성구간과 잡음구간 모두의 객관적인 성능을 알 수 없기 때문에 신호 전체에서 음성구간 검출 성능의 객관적인 지표가 될 수 있는 상대적 오류율 (relative error, RE)을 이용하여 세 가지 알고리즘의 성능을 평가하려고 한다. RE는 잡음이 섞이지 않은 깨끗한 음성신호에서 수동으로 음성구간을 찾아 표시한 데이터와 일치하지 않는 비율을 나타낸다.
대상 데이터
- 제안한 알고리즘의 성능분석을 위한 실험 데이터로써 TIMIT 데이터베이스의 음성신호 샘플과 NOISEX-92의 잡음신호 샘플을 사용하였다. 데이터 샘플은 16kHz 샘플링레이트(sampling rate)와 32비트(bit)를 가지며 다양한 SNR에 대한 알고리즘의 성능을 평가하기 위해 여러 가지 잡음에 대해 SNR을 0 dB, 5 dB, 10 dB로 구분하여 실험하였다.
데이터처리
- 먼저 초기 VAD결과에서 음성으로 판단된 구간의 퍼지 소속도를 천이시키고 퍼지 c-means 클러스터링 방법으로 두 개의 클러스터로 분류하여 음성구간과 비 음성구간을 검출한다. 검출된 음성구간 결과를 평활화과정을 거쳐 최종 음성 구간 검출을 한다.
- 제안한 알고리즘의 유효성을 평가하기 위하여 강한 잡음환경에서 실험하였으며 기존의 알고리즘들이 좋은 성능을 보여주지 못한 낮은 SNR환경과 문장형태의 음성신호로 실험을 수행하였다. 실험 결과를 음성구간 검출 그래프와 객관적인 수치로 나타내어 기존의 알고리즘과 비교하였다. 그 결과, 제안한 방법이 기존의 방법에 비하여 성능이 우수한 것을 확인할 수 있었다.
- 데이터 샘플은 16kHz 샘플링레이트(sampling rate)와 32비트(bit)를 가지며 다양한 SNR에 대한 알고리즘의 성능을 평가하기 위해 여러 가지 잡음에 대해 SNR을 0 dB, 5 dB, 10 dB로 구분하여 실험하였다. 제안한 알고리즘의 성능을 확인하기 위해 대부분의 음성구간 검출 알고리즘의 성능비교에 많이 쓰이고 있는 ITU-T의 G729B 음성구간 검출 알고리즘과 Asgari[9]가 제안한 EVAD(entropy voice activity detection) 알고리즘과 비교하였다. 백색 잡음을 섞어 제안한 알고리즘과 기존의 알고리즘들을 이용해 음성구간을 검출한 결과를 그림 4에 나타내었다.
성능/효과
- 그림 4는 잡음이 비교적 약한 SNR 10 dB에서의 음성구간 검출 결과이다. (a)는 G729B의 음성구간 검출 결과로 약한 잡음에도 많은 잡음구간을 음성구간으로 검출하는 좋지 못한 결과를 보였다. (b)는 EVAD의 결과로 대부분의 음성구간을 잘 찾아내고 있지만 이어지는 음성구간을 모두 분리하여 검출하여 문장형태의 음성구간을 인식하지 못하는 단점을 보여주고 있다.
- 그림 5는 비교적 잡음이 강한 SNR 5 dB에서 음성구간 검출을 한 결과이며 그림 6은 잡음이 상당히 강한 SNR 0 dB에서의 음성구간 검출 결과이다. G729B의 경우 잡음이 강한 환경에서는 대부분의 잡음구간을 음성구간으로 잘못 인식하는 결과를 보였으며 EVAD의 경우는 잡음구간을 음성구간으로 잘못 인식하는 경우는 없었으나 SNR 10 dB에서의 결과와 마찬가지로 이어지는 음성구간을 제대로 인식하지 못하였다. 그리고 잡음이 강한 환경에서는 크기가 큰 음성구간만을 음성으로 인식하여 많은 음성구간을 잡음으로 인식하는 오류를 보인다.
- 실험 결과를 음성구간 검출 그래프와 객관적인 수치로 나타내어 기존의 알고리즘과 비교하였다. 그 결과, 제안한 방법이 기존의 방법에 비하여 성능이 우수한 것을 확인할 수 있었다.
- FCMC 알고리즘을 개선한 퍼지 소속도 천이 c-means 클러스터링 알고리즘을 이용하여 음성구간 검출을 하였다. 기존의 음성구간 검출 알고리즘은 잡음이 심한 환경에서 좋은 성능을 보이지 못하였으며 기본적인 퍼지 c-means 클러스터링 알고리즘 역시 낮은 SNR환경에서 많은 오류를 보였다. 제안하는 음성구간 검출 알고리즘은 이러한 단점을 극복하기 위해 초기 음성구간 검출에서 음성으로 검출된 구간의 퍼지 소속도를 천이시키는 방법을 이용하여 음성구간 검출 성능을 높이고 퍼지 c-means 클러스터링 방법을 통해 두 개의 클러스터로 나누어 음성구간과 비음성구간을 검출하였다.
- 그리고 낮은 SNR환경에서 더 좋은 성능을 나타내기 위해 음성구간 검출결과를 평활화하는 과정을 거쳐 더욱 높은 음성구간 검출 성능을 가지도록 하였다. 실험을 통해 제안한 음성구간 검출 알고리즘이 기존의 알고리즘보다 좋은 성능을 보이는 것을 확인하였으며 특히 낮은 SNR환경에서 좋은 음성구간 검출 성능을 보이는 것을 확인하였다. 제안된 음성구간 검출 알고리즘은 잡음에 매우 강하며 음성통신을 위한 음성코딩이나 음성인식, 잡음제거, 음성향상 등의 분야에 적용할 수 있다.
- 표 2에서 G729B의 경우에는 대체적으로 40% 후반대의 높은 오류율을 보였으며 EVAD는 높은 SNR환경에서는 비교적 좋은 성능을 보이지만 낮은 SNR환경에서는 20%이상의 높은 오류율을 보였다. 제안하는 알고리즘은 SNR이 낮아질수록 약간의 오류율 상승이 있으나 전체적으로 7% 미만의 매우 우수한 음성구간 검출 성능을 보여주었다.
- 제안하는 알고리즘은 매우 높은 PHR을 보이며 12∼14%정도의 FAR을 보여 음성구간에서 대부분의 음성을 잘 찾아내고 잡음구간에서는 약간의 오류는 있지만 비교적 정확하게 잡음으로 구별하는 것을 볼 수 있다.
- 먼저, 입력된 음성신호 x(t)를 앞서 설명한 엔트로피를 이용하여 초기 VAD과정을 거친다. 초기 VAD결과에서 음성으로 판단된 구간은 음성으로 결정하고 잡음으로 판단된 구간에 대하여 제안하는 퍼지 소속도 천이 c-means 클러스터링 방법이 적용되는 주 VAD과정을 거친다. 먼저 초기 VAD결과에서 음성으로 판단된 구간의 퍼지 소속도를 천이시키고 퍼지 c-means 클러스터링 방법으로 두 개의 클러스터로 분류하여 음성구간과 비 음성구간을 검출한다.
- 표 2에서 G729B의 경우에는 대체적으로 40% 후반대의 높은 오류율을 보였으며 EVAD는 높은 SNR환경에서는 비교적 좋은 성능을 보이지만 낮은 SNR환경에서는 20%이상의 높은 오류율을 보였다. 제안하는 알고리즘은 SNR이 낮아질수록 약간의 오류율 상승이 있으나 전체적으로 7% 미만의 매우 우수한 음성구간 검출 성능을 보여주었다.
후속연구
- 실험을 통해 제안한 음성구간 검출 알고리즘이 기존의 알고리즘보다 좋은 성능을 보이는 것을 확인하였으며 특히 낮은 SNR환경에서 좋은 음성구간 검출 성능을 보이는 것을 확인하였다. 제안된 음성구간 검출 알고리즘은 잡음에 매우 강하며 음성통신을 위한 음성코딩이나 음성인식, 잡음제거, 음성향상 등의 분야에 적용할 수 있다. 특히 잡음이 심한 환경에서 스마트기기를 사용하거나 잡음이 강한 환경에서 사용되는 기기에서 음성명령을 내릴 때 주변 소음에 영향을 받지 않고 사용할 수 있을 것으로 보인다.
- 특히 잡음이 심한 환경에서 스마트기기를 사용하거나 잡음이 강한 환경에서 사용되는 기기에서 음성명령을 내릴 때 주변 소음에 영향을 받지 않고 사용할 수 있을 것으로 보인다. 향후 다양한 분야에 활용될 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.