啸叫抑制(howling suppression)

作者:桂。

时间:2017-05-16

链接:http://www.cnblogs.com/xingshansi/p/6862683.html



前言

下午看到群里讨论有人提到这个问题,记录一下。

一、啸叫 定义

在平时跟别人用电脑语音聊天,声音传给你-再传给对方-再传给你,循环往复且不消失,这个就是啸叫了。专业一些的说法就是:

在声学场景中,当形成声反馈闭合回路时容易出现啸叫现象,如图:

其原因是:话筒采集的声音信号包含了经过扬声器放大的声音信号,该信号在声反馈回路中不断叠加放大,正反馈产生震荡,产生啸叫。

二、啸叫 产生原理

啸叫形成原理图:

其中,是近端语音信号,是扬声器聩给信号,是传声器采集信号,是经过传递函数作用产生的反馈信号。是放音系统传递函数,主要是A/D、D/A产生的时延,K是扬声器增益。

根据上面的框图可以建立方程:

进一步得出整个系统的响应函数:

这里用到信号处理的一个基本特性:

如何产生自激振荡呢?可见需要满足相位、幅值两方面的条件。

相位

=0的极值点落在虚轴,且共轭对称,从而有:其实就是同向位。

幅值

整个反馈的幅值需要将信号放大:C(w)→K→G(w) 增益:|C(w)G(w)K|有:

三、啸叫 常用抑制方法

啸叫噪声往往比较尖锐刺耳:

因此希望通过一定的方式进行治疗,常用方法有:

  • 移频移相法

相位就是频率,频率就是相位,该方法可以破坏相位特性,有一定失真。

  • 陷波抑制法

就是通过窄带滤波器/自适应滤波器进行特定频率的滤波,前提是找到这个频率,这就需要先进行啸叫检测:

检测原则可以通过峰值/均值比等参数准则得出。检测出成分之后,利用陷波滤波器:

  • 自适应反馈抵消法

因为扬声器的信号是已知的,这就是一个先验知识(也就是desired signal),从而可以利用adaptive filter,该类方法复杂度高:

参考:

  • 周璐:《响自适应反馈啸叫抑制算法性能的声学因素分析》
时间: 2024-10-02 18:06:36

啸叫抑制(howling suppression)的相关文章

第十弹:DPM

一.论文翻译 摘要 本文介绍了一个基于混合多尺度可变形部件模型(mixtures of multiscale deformablepart model)的目标检测系统.此系统可以表示各种多变的目标并且在PASCAL目标检测挑战赛上达到了目前最优结果(state-of-the-art).虽然可变形部件模型现在很流行,但它的价值并没有在类似PASCAL这种较难的测试集上进行展示.此系统依赖于使用未完全标注(partially labeled)的样本进行判别训练的新方法.我们提出了一种间隔敏感(mar

EasyPR--开发详解(8)文字定位

今天我们来介绍车牌定位中的一种新方法--文字定位方法(MSER),包括其主要设计思想与实现. 一. 文字定位法 在EasyPR前面几个版本中,最为人所诟病的就是定位效果不佳,尤其是在面对生活场景(例如手机拍摄)时.由于EasyPR最早的数据来源于卡口,因此对卡口数据进行了优化,而并没有对生活场景中图片有较好处理的策略.后来一个版本(v1.3)增加了颜色定位方法,改善了这种现象,但是对分辨率较大的图片处理仍然不好.再加上颜色定位在面对低光照,低对比度的图像时处理效果大幅度下降,颜色本身也是一个不稳

paper 111:图像分类物体目标检测 from RCNN to YOLO

参考列表 Selective Search for Object Recognition Selective Search for Object Recognition(菜菜鸟小Q的专栏) Selective Search for Object Recognition(Surge) Selective Search for Object Recognition(原始论文) Efficient Graph-Based Image Segmentation(快速图像分割) Homepage of K

滑动窗口与选择搜索

目标检测物体的候选框是如何产生的? 如今深度学习火热的今天,RCNN/SPP-Net/Fast-RCNN等文章都会谈及bounding boxes(候选边界框)的生成与筛选策略.那么候选框是如何产生,又是如何进行筛选的呢?其实物体候选框获取当前主要使用图像分割与区域生长技术.区域生长(合并)主要由于检测图像中存在的物体具有局部区域相似性(颜色.纹理等).目标识别与图像分割技术的发展进一步推动有效提取图像中信息.滑窗法作为一种经典的物体检测方法,个人认为不同大小的窗口在图像上进行滑动时候,进行卷积

非极大抑制(Non-Maximum Suppression)

最近在看RCNN和微软的SPP-net,其中涉及到Non-Maximum Suppression,论文中没具体展开,我就研究下了代码,这里做一个简单的总结,听这个名字感觉是一个很高深的算法,其实很简单,就是把找出score比较region,其中需要考虑不同region的一个重叠问题. 假设从一个图像中得到了2000region proposals,通过在RCNN和SPP-net之后我们会得到2000*4096的一个特征矩阵,然后通过N的SVM来判断每一个region属于N的类的scores.其中

非极大抑制(Non-maximum suppression)在物体检测领域的应用

最近在一个项目,需要用到非极大值抑制,找了很长时间没有找到非极大抑制在物体检测方面的的详细解释,最后只有翻阅相关的代码来理解. 一.Nms主要目的 在物体检测非极大抑制应用十分广泛,主要目的是为了消除多余的框,找到最佳的物体检测的位置. 如上图中:虽然几个框都检测到了人脸,但是我不需要这么多的框,我需要找到一个最能表达人脸的框.下图汽车检测也是同样的原理. 二.原理 非极大抑制,顾名思义就是把非极大值过滤掉(抑制).下面我就R-CNN或者SPP_net中的matlab源码来进行解释. funct

canny中的非极大抑制

canny边缘检测首先对图像做高斯滤波和生成梯度图,得到的梯度图中,边缘的宽度可能大于一个象素,nonmaxima suppression的过程是沿着边缘的梯度方向进行检测,把不是局部最大值的象素置0,这样得到了只有一个象素宽度的边缘. 所以nonmaxima suppression的作用是将梯度图中的边缘细化成一个象素宽度. canny中的非极大抑制,布布扣,bubuko.com

高效的非极大值抑制

http://blog.sina.com.cn/s/blog_679e1329010141x3.html 本文参考论文 ICPR2006-<Efficient Non-Maximum Suppression> 一.简介     非极大值抑制(NMS)可以看做是局部最大值的搜索问题,NMS是许多计算机视觉算法的部分.如何设计高效的NMS算法对许多应用是十分关键的,例如视频跟踪.数据挖掘.3D重建.物体识别以及纹理分析等. 本文只列出算法的具体流程,对算法的复杂性分析具体参考论文. 二.1维情况下

非极大值抑制(NMS)

一. 引入NMS 在R-CNN中对于2000多个region proposals得到特征向量(4096维)后,输入到SVM中进行打分(score).除了背景以外VOC数据集共有20类.那么2000*4096维特征矩阵与20个SVM组成的权重矩阵4096*20相乘得到结果为2000*20维矩阵.这个矩阵2000行表示有2000个框.20列为每一个框属于这20个类的score(置信度).也就是说每一列即每一类有2000个不同的分值.那么每一类有这么多候选框肯定大多冗余.所以需要利用非极大值抑制方法进