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 기존의 음성향상 알고리즘들이 가지고 있는 문제점을 해결하기 위해 잡음환경 적응형 잡음 제거기에 기반한 새로운 음성향상 알고리즘을 제안한다. 적응형 잡음 제거기에서 요구되는 참고신호를 제안한 2차원 이진 마스크를 이용하여 추출한다.
- 본 논문에서는 음성 통신, 인간-기기 상호 작용, 디지털 보청기 등 다양한 음성 신호 처리 분야에서 중요하게 사용되는 새로운 음성향상 방법을 제안하였다. 제안한 음성향상 방법은 기존의 주파수 영역 변환 방법인 푸리에 변환에서 나타나는 영역 변환 과정에서의 해상도 문제를 개선한 웨이블릿 변환을 이용하여 음성 신호의 시간 영역의 정보와 주파수 영역의 정보를 모두 활용하였으며, 기존의 전처리 과정에서 많이 사용되던 웨이블릿 변환을 기반으로 변형된 형태를 가진 PWPD를 사용하여 음성신호를 분해하였다.
제안 방법
- 제안한 음성향상 알고리즘의 효용성을 검증하기 위해 기존의 음성향상 알고리즘을 개선하여 최근 제안된 음성향상 알고리즘들과 다양한 음성 샘플과 잡음 환경에서 비교 실험을 하였다. 그리고 음성향상 결과를 객관적으로 비교평가하기 위해 전화통신 및 음성 코덱의 객관적인 음질 평가 지표로 널리 사용되는 PESQ를 사용하여 음질을 객관적인 지표로 평가하였으며, SNRseg를 이용하여 향상된 음성 신호와 깨끗한 원 신호의 정확도를 객관적으로 평가 하였다. 그 결과, 모든 지표에서 제안한 음성향상 방법이 비교 음성향상 알고리즘 중에 가장 좋은 성능을 보였으며, 다양한 잡음 종류와 SNR 변화 환경에서 높은 음질과 정확도를 보이는 것을 확인하였다.
- 제안한 알고리즘의 음성향상 결과를 객관적으로 비교 평가하기 위해 객관적인 음질 평가 지표인 PESQ(perceptual evaluation of speech quality)[9]와 향상된 음성신호의 정확도를 객관적 수치로 나타낸 SNRseg(segmental SNR)[1]를 이용하였다. 기존의 Wiener 필터와 마스크 필터링 기법을 개선하여 최근 제안된 Wiener WT (wavelet thresholding)[10], IBM (ideal binary mask)[11] 음성향상 알고리즘과 지표로써 비교하였다. 그 결과, 모든 지표에서 제안한 음성향상 방법이 기존의 음성향상 알고리즘들 보다 개선된 성능을 보였으며, 제안한 음성향상 방법이 대부분의 잡음 환경에서 높은 음질과 정확도를 보이는 것을 확인하였다.
- 제안한 음성향상 방법은 기존의 주파수 영역 변환 방법인 푸리에 변환에서 나타나는 영역 변환 과정에서의 해상도 문제를 개선한 웨이블릿 변환을 이용하여 음성 신호의 시간 영역의 정보와 주파수 영역의 정보를 모두 활용하였으며, 기존의 전처리 과정에서 많이 사용되던 웨이블릿 변환을 기반으로 변형된 형태를 가진 PWPD를 사용하여 음성신호를 분해하였다. 또한 기존의 이진 마스크를 이용한 기법에서 발생하는 음성신호의 손실 문제를 개선한 새로운 2차원 이진 마스크를 이용하여 분리된 잡음 밴드로써 잡음 구간의 잡음뿐만 아니라 음성 구간 내의 잡음을 추정하여 이어지는 적응형 잡음 제거기에 잡음 참고신호로 사용하여 잡음을 제거하였다.
- 데이터 샘플은 16bit의 비트심도, 16kHz의 샘플링레이트, 그리고 256kbps의 비트율을 가진다. 또한 음성신호는 다양한 사람들이 발음한 120개의 음성 신호 샘플을 임의 추출하였으며, 다양한 잡음환경에서 실험을 수행하기 위해, 백색 잡음 (white noise), 자동차 잡음 (car noise), 웅성거림 잡음 (babble noise), 공장 잡음 (factory noise), 그리고 탱크엔진 잡음 (Leopard noise)을 다양한 SNR (0dB, 5dB, 10dB, 15dB)로 음성 신호와 섞어 실험환경을 구축하였다. 제안한 알고리즘의 성능을 비교평가하기 위해 기존의 고전적인 적응형 잡음제거 알고리즘인 Wiener 필터에 웨이블릿 문턱치를 적용하여 참고신호를 추정하는 Wiener WT 알고리즘과 Wiener 필터와 이진 마스크를 이용한 IBM 알고리즘과 비교하였다.
- 본 논문에서는 잡음이 섞인 음성신호에서 잡음을 제거하여 음성향상하기 위한 새로운 적응형 잡음 제거기를 제안한다. 제안된 적응형 잡음 제거기는 잡음 추정과정에서 한계를 보이는 기존의 적응형 잡음 제거기의 단점을 보완하기 위해 인지적 웨이블릿 패킷 분해 (perceptual wavelet packet decomposition, PWPD)를 이용해 분해된 음성신호에서 2차원 이진 마스크 필터링을 통해 추출된 잡음 밴드를 참고신호로 활용한다[12].
- 이러한 단점을 보완한 제안하는 적응형 음성향상 잡음 제거기는 단일 채널 입력 신호를 이용하여 잡음을 제거하고 음성을 향상 시킨다. 적응형 잡음 제거기에 사용될 잡음 참고신호를 추정하기 위해 2차원 이진 마스크를 제안한다. 제안한 2차원 이진 마스크는 전 단계의 PWPD를 이용해 분해된 음성신호를 음성밴드와 잡음밴드로 분리하는 필터 역할을 한다.
- 본 논문에서는 기존의 음성향상 알고리즘들이 가지고 있는 문제점을 해결하기 위해 잡음환경 적응형 잡음 제거기에 기반한 새로운 음성향상 알고리즘을 제안한다. 적응형 잡음 제거기에서 요구되는 참고신호를 제안한 2차원 이진 마스크를 이용하여 추출한다. 제안한 2차원 이진 마스크는 웨이블릿 패킷 분해를 통해 분해된 음성신호를 시간-주파수 2차원 영역에서 잡음영역을 분리하여 잡음을 추출한다.
- 본 논문에서는 잡음이 섞인 음성신호에서 잡음을 제거하여 음성향상하기 위한 새로운 적응형 잡음 제거기를 제안한다. 제안된 적응형 잡음 제거기는 잡음 추정과정에서 한계를 보이는 기존의 적응형 잡음 제거기의 단점을 보완하기 위해 인지적 웨이블릿 패킷 분해 (perceptual wavelet packet decomposition, PWPD)를 이용해 분해된 음성신호에서 2차원 이진 마스크 필터링을 통해 추출된 잡음 밴드를 참고신호로 활용한다[12]. Fig.
- 적응형 잡음 제거기에서 요구되는 참고신호를 제안한 2차원 이진 마스크를 이용하여 추출한다. 제안한 2차원 이진 마스크는 웨이블릿 패킷 분해를 통해 분해된 음성신호를 시간-주파수 2차원 영역에서 잡음영역을 분리하여 잡음을 추출한다. 이 잡음을 적응형 잡음 제거기의 참고신호에 적용하여 음성신호의 손실을 최소화 하며 음성을 향상 시킨다.
- 본 논문에서는 음성 통신, 인간-기기 상호 작용, 디지털 보청기 등 다양한 음성 신호 처리 분야에서 중요하게 사용되는 새로운 음성향상 방법을 제안하였다. 제안한 음성향상 방법은 기존의 주파수 영역 변환 방법인 푸리에 변환에서 나타나는 영역 변환 과정에서의 해상도 문제를 개선한 웨이블릿 변환을 이용하여 음성 신호의 시간 영역의 정보와 주파수 영역의 정보를 모두 활용하였으며, 기존의 전처리 과정에서 많이 사용되던 웨이블릿 변환을 기반으로 변형된 형태를 가진 PWPD를 사용하여 음성신호를 분해하였다. 또한 기존의 이진 마스크를 이용한 기법에서 발생하는 음성신호의 손실 문제를 개선한 새로운 2차원 이진 마스크를 이용하여 분리된 잡음 밴드로써 잡음 구간의 잡음뿐만 아니라 음성 구간 내의 잡음을 추정하여 이어지는 적응형 잡음 제거기에 잡음 참고신호로 사용하여 잡음을 제거하였다.
대상 데이터
- 제안한 방법의 유효성을 검증하기 위하여 공인된 데이터베이스에서 임의 추출한 신호 샘플을 사용하였고, 다양한 잡음환경을 만들어 실험하였다. 음성신호의 샘플은 TIMIT[13] 데이터베이스에서 추출하였으며, 잡음신호의 샘플은 NOISEX-92[14] 데이터 베이스에서 추출하였다. 데이터 샘플은 16bit의 비트심도, 16kHz의 샘플링레이트, 그리고 256kbps의 비트율을 가진다.
- 제안한 방법의 유효성을 검증하기 위하여 공인된 데이터베이스에서 임의 추출한 신호 샘플을 사용하였고, 다양한 잡음환경을 만들어 실험하였다. 음성신호의 샘플은 TIMIT[13] 데이터베이스에서 추출하였으며, 잡음신호의 샘플은 NOISEX-92[14] 데이터 베이스에서 추출하였다.
데이터처리
- 862는 전화 통신 및 음성 코덱의 객관적 평가 지표로 제안된 표준이며, PESQ는 음성의 크기, 활성도, 지연, 에코, 그리고 패턴 등을 모두 감안하여 모든 언어에 활용 가능하도록 디자인 되어 현재 가장 널리 사용되고 있는 객관적 음질 평가 지표이다. 또한 향상된 음성신호의 각 프레임별 평균 SNR을 계산하여 신호 전체에 대해 기하평균으로 음성신호의 정확도를 평가하는 SNRseg을 이용해 정확도를 평가하였다. 제안한 알고리즘을 앞서 설명한 5가지 잡음 전체의 평균값을 SNR 크기에 따라 객관적 음성향상 성능 평가 지표인 PESQ와 SNRseg의 결과를 Table 1에 나타내었다.
- 또한 음성신호는 다양한 사람들이 발음한 120개의 음성 신호 샘플을 임의 추출하였으며, 다양한 잡음환경에서 실험을 수행하기 위해, 백색 잡음 (white noise), 자동차 잡음 (car noise), 웅성거림 잡음 (babble noise), 공장 잡음 (factory noise), 그리고 탱크엔진 잡음 (Leopard noise)을 다양한 SNR (0dB, 5dB, 10dB, 15dB)로 음성 신호와 섞어 실험환경을 구축하였다. 제안한 알고리즘의 성능을 비교평가하기 위해 기존의 고전적인 적응형 잡음제거 알고리즘인 Wiener 필터에 웨이블릿 문턱치를 적용하여 참고신호를 추정하는 Wiener WT 알고리즘과 Wiener 필터와 이진 마스크를 이용한 IBM 알고리즘과 비교하였다. SNR 5dB의 백색 잡음이 섞인 환경에서의 제안한 알고리즘과 비교 알고리즘들을 음성 향상 결과를 Fig.
- 제안한 음성향상 알고리즘의 효용성을 검증하기 위해 기존의 음성향상 알고리즘을 개선하여 최근 제안된 음성향상 알고리즘들과 다양한 음성 샘플과 잡음 환경에서 비교 실험을 하였다. 그리고 음성향상 결과를 객관적으로 비교평가하기 위해 전화통신 및 음성 코덱의 객관적인 음질 평가 지표로 널리 사용되는 PESQ를 사용하여 음질을 객관적인 지표로 평가하였으며, SNRseg를 이용하여 향상된 음성 신호와 깨끗한 원 신호의 정확도를 객관적으로 평가 하였다.
이론/모형
- 이 잡음을 적응형 잡음 제거기의 참고신호에 적용하여 음성신호의 손실을 최소화 하며 음성을 향상 시킨다. 제안한 알고리즘의 음성향상 결과를 객관적으로 비교 평가하기 위해 객관적인 음질 평가 지표인 PESQ(perceptual evaluation of speech quality)[9]와 향상된 음성신호의 정확도를 객관적 수치로 나타낸 SNRseg(segmental SNR)[1]를 이용하였다. 기존의 Wiener 필터와 마스크 필터링 기법을 개선하여 최근 제안된 Wiener WT (wavelet thresholding)[10], IBM (ideal binary mask)[11] 음성향상 알고리즘과 지표로써 비교하였다.
성능/효과
- 기존의 Wiener 필터와 마스크 필터링 기법을 개선하여 최근 제안된 Wiener WT (wavelet thresholding)[10], IBM (ideal binary mask)[11] 음성향상 알고리즘과 지표로써 비교하였다. 그 결과, 모든 지표에서 제안한 음성향상 방법이 기존의 음성향상 알고리즘들 보다 개선된 성능을 보였으며, 제안한 음성향상 방법이 대부분의 잡음 환경에서 높은 음질과 정확도를 보이는 것을 확인하였다.
- 그리고 음성향상 결과를 객관적으로 비교평가하기 위해 전화통신 및 음성 코덱의 객관적인 음질 평가 지표로 널리 사용되는 PESQ를 사용하여 음질을 객관적인 지표로 평가하였으며, SNRseg를 이용하여 향상된 음성 신호와 깨끗한 원 신호의 정확도를 객관적으로 평가 하였다. 그 결과, 모든 지표에서 제안한 음성향상 방법이 비교 음성향상 알고리즘 중에 가장 좋은 성능을 보였으며, 다양한 잡음 종류와 SNR 변화 환경에서 높은 음질과 정확도를 보이는 것을 확인하였다.
- 그리고 SNR이 증가하여 잡음이 줄어든 환경에서도 잡음 제거와 함께 음성신호의 손실을 가져와 15dB 잡음 환경에서 SNRseg의 결과가 15dB보다 작은 결과를 보였다. 반면, 제안한 알고리즘은 0dB 환경에서 7dB 이상의 향상을 보였고, 다른 알고리즘은 15dB 환경에서도 3.7dB의 향상된 SNRseg의 결과를 보였다. 그리고 높은 잡음 제거 성능을 보였던 IBM은 너무 많은 신호를 제거하여 향상된 음성신호의 정확성의 지표인 SNRseg의 결과는 Wiener WT와 비슷한 결과를 보이지만 잡음 제거과정에서의 음성신호 손실로 인해 음질의 지표인 PESQ 결과에서 가장 낮은 음질을 가지는 것을 확인 할 수 있다.
- 그리고 높은 잡음 제거 성능을 보였던 IBM은 너무 많은 신호를 제거하여 향상된 음성신호의 정확성의 지표인 SNRseg의 결과는 Wiener WT와 비슷한 결과를 보이지만 잡음 제거과정에서의 음성신호 손실로 인해 음질의 지표인 PESQ 결과에서 가장 낮은 음질을 가지는 것을 확인 할 수 있다. 반면, 제안한 알고리즘은 0dB의 환경에서도 2 이상의 우수한 PESQ 결과를 보여 음질의 지표에서도 좋은 결과를 보였다. 이상과 같이, 음질과 정확성 측면에서 제안한 알고리즘과 기존 알고리즘의 음성향상 성능을 비교한 결과, 제안한 알고리즘이 모든 잡음 환경에서 기존의 알고리즘보다 개선된 음성향상 성능을 보였으며, 특히 잡음이 강하게 나타나는 낮은 SNR 환경에서 더 좋은 결과를 보였다.
- 반면, 제안한 알고리즘은 0dB의 환경에서도 2 이상의 우수한 PESQ 결과를 보여 음질의 지표에서도 좋은 결과를 보였다. 이상과 같이, 음질과 정확성 측면에서 제안한 알고리즘과 기존 알고리즘의 음성향상 성능을 비교한 결과, 제안한 알고리즘이 모든 잡음 환경에서 기존의 알고리즘보다 개선된 음성향상 성능을 보였으며, 특히 잡음이 강하게 나타나는 낮은 SNR 환경에서 더 좋은 결과를 보였다.
후속연구
- 제안한 음성향상 알고리즘은 통신을 위한 음성향상 분야뿐만 아니라 스마트기기, 디지털 보청기 등 거의 모든 음성 신호처리 분야에 유용하게 적용될 수 있을 것으로 예상된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.