摘 要： 提出了利用2個麥克風(fēng)基于FPGA的聲源定位的方法。具體通過基于相位變換改進(jìn)的互相關(guān)方法成功在低信噪比(10 dB)的噪聲環(huán)境下完成聲源定位。利用同樣的算法和硬件結(jié)構(gòu)，可以在1片F(xiàn)PGA芯片上實(shí)現(xiàn)5組并行的時域處理的系統(tǒng)，而且每個麥克風(fēng)的功耗只有77 mW～108 mW。
關(guān)鍵詞： 聲源定位；時延估計；FPGA

　　實(shí)時聲源定位在許多方面得到了應(yīng)用，例如聲音的識別和電話會議，可以利用陣列麥克風(fēng)來實(shí)現(xiàn)對多個聲源信號的獲取和并行處理[1-3]。由于處理多路語音信號需要多個處理器，使得其實(shí)現(xiàn)費(fèi)用昂貴，即便是使用DSP，系統(tǒng)也會帶來很大的功耗，因而限制了其在許多實(shí)際中的應(yīng)用。例如Brown大學(xué)發(fā)展的大規(guī)模麥克陣列系統(tǒng)利用多個DSP處理器和緩沖器來實(shí)現(xiàn)聲源的定位，每個麥克的功耗達(dá)到了400 mW。這大大超過了一些便攜式設(shè)備(PDA和手機(jī))的功耗，因此最好的解決辦法是設(shè)計專用芯片。
　　本文將闡述聲源定位系統(tǒng)在FPGA中的實(shí)現(xiàn)，為專用芯片提供一個可行性參考，具有很好的商業(yè)應(yīng)用價值。以前采用DSP[4]或是DSP+FPGA[5]實(shí)現(xiàn)多路聲源信號的定位，而本設(shè)計的整個定位系統(tǒng)除了前端的模擬部分外其余部分均在FPGA中實(shí)現(xiàn)。采取有效的算法后，整個硬件實(shí)現(xiàn)的功耗可以控制在77 mW～108 mW之間。
1 聲源定位的算法
　　現(xiàn)有許多算法[1-4]實(shí)現(xiàn)聲源定位，包括基于信號子空間的方法(例如MUSIC算法)和空間似然方法[2，4]等，最為常用的方法是估計信號的對應(yīng)的麥克對到達(dá)延時(TDOA)[3]估計方法。該方法的每一組麥克對將聲源定位在3維空間的一個雙曲面上，這樣通過多個麥克對確定的雙曲面的交點(diǎn)能有效地實(shí)現(xiàn)聲源的定位。TDOA估計方法已進(jìn)行了很多研究[3，6]，最為普通的是廣義互相關(guān)GCC(Generalized Cross Correlation)方法[6]。與其他的方法相比，基于GCC的方法計算量小、計算效率高。
　　假設(shè)2個麥克各自接收的信號分別為m1(t)和m2(t)(包括噪聲、回響和聲音的延時信號)。常用的估計延時的方法是互相關(guān)方法：
　　

　　　
　　PHAT權(quán)系數(shù)對應(yīng)的是相位變換，在回響環(huán)境中效果明顯[1，3，6]。UCC權(quán)系數(shù)為1，對應(yīng)的是單純的互相關(guān)而沒有經(jīng)過濾波處理。
離散信號的GCC表示為：

　　如果采用方波作為補(bǔ)償函數(shù)，(4)式可以寫成：
　　

　　與(4)式相比，(5)式用來估計TDOA的好處在于計算量的減少，而且在低的信噪比下具有更好的性能，所以本文采用的是(5)式在FPGA中的實(shí)現(xiàn)。
2 FPGA的實(shí)現(xiàn)
　　設(shè)計中只考慮最簡單的一對麥克風(fēng)的TDOA的估計，每個麥克風(fēng)接收的信號經(jīng)過放大、帶通濾波后以20 kHz的頻率進(jìn)行采樣，每個采樣的數(shù)據(jù)寬度為24位。取量化后的高8位送往FPGA(Xilinx Virtex II 2000)中進(jìn)行運(yùn)算。盡管只討論了1對麥克風(fēng)的情況，多個麥克風(fēng)對也能在同一個FPGA中實(shí)現(xiàn)(本文將會在后面具體介紹)。
　　輸入的采樣信號分別存儲在2個Buffer里(Buffer的大小為256～1 024個采樣點(diǎn))，然后將輸出信號經(jīng)過漢寧窗濾波，將數(shù)據(jù)轉(zhuǎn)化為16位的浮點(diǎn)數(shù)存儲在FFT的Buffer中，F(xiàn)FT模塊將各自的Buffer中的數(shù)據(jù)進(jìn)行FFT運(yùn)算，如圖1所示。

　 在FPGA的實(shí)現(xiàn)過程中采用CORDIC算法，它將傅里葉變換的復(fù)數(shù)表達(dá)形式轉(zhuǎn)換成幅度和相位表達(dá)形式，在能夠減少計算量的同時不增加硬件的資源。2路信號的幅度和相位計算出來后利用(5)式得到TDOA的估計，如圖2所示。估計的過程涉及到根據(jù)(5)式搜索最大的τ，搜索的范圍從-30 Ts～30 Ts(步進(jìn)為采樣周期Ts)，ε=0.5。為了實(shí)現(xiàn)TDOA的實(shí)時估計，硬件部分主要由3部分組成：輸入信號采集部分、FFT的計算及幅相轉(zhuǎn)換部分、TDOA的估計部分。2個Buffer已經(jīng)能夠滿足GCC前端數(shù)據(jù)緩存的要求，但考慮到CORDIC算法的誤差，設(shè)計中多用了1個Buffer儲存數(shù)據(jù)的復(fù)數(shù)形式，為系統(tǒng)的誤差分析提供數(shù)據(jù)，確保定位精度。

3 實(shí)驗(yàn)結(jié)果
在實(shí)驗(yàn)中Buffer的大小為1 024位，對應(yīng)的時間緩存時間為50 ms。麥克風(fēng)對按前面介紹的方法安置。第一個實(shí)驗(yàn)是對固定聲源的定位，講話人在房間內(nèi)固定的地方說話，如圖3所示。

要注意保持麥克風(fēng)對與講話者嘴的高度一致。將麥克風(fēng)得到的數(shù)據(jù)經(jīng)過放大、濾波、采樣和FPGA處理。系統(tǒng)噪聲由麥克風(fēng)、放大器或?yàn)V波器等器件引入，信噪比為30 dB。利用麥克風(fēng)獲取的50 ms的信號幀，分別用GCC和PHAT的權(quán)值來估計講話者的TDOA。將每幀的到達(dá)時間時延τ轉(zhuǎn)換成波達(dá)方向，其中，v表示聲音的傳播速度(取345 m/s)，d表示2個麥克風(fēng)之間的距離(d=0.4 m)。
　　通過DOA的估計和實(shí)際的DOA來計算DOA的誤差，實(shí)際的DOA可以通過講話者在環(huán)境的實(shí)際位置得到。DOA誤差如圖4所示。利用PHAT權(quán)值的TDOA定位精度要比UCC的好，因此試驗(yàn)中利用的是PHAT權(quán)值。為了得到基于FPGA的聲源定位系統(tǒng)在運(yùn)動的聲源和不同背景噪聲下的性能，本文利用PHAT權(quán)系數(shù)分別進(jìn)行實(shí)驗(yàn)。如圖5所示，講話者從一個地方移動到另外一個地方，整個移動持續(xù)1 min，講話者始終面對著麥克風(fēng)對。

分別在信噪比為30 dB、20 dB、10 dB、0 dB的條件下對2個不同的講話者做試驗(yàn)，當(dāng)信噪比為30 dB時，噪聲只由傳感器和信號處理系統(tǒng)自身引入；當(dāng)信噪比為20 dB、10 dB、0 dB時，則通過提供一個高斯噪聲源來提供，通過調(diào)整噪聲的強(qiáng)度可以實(shí)現(xiàn)信噪比的變化。信噪比為30 dB的DOA誤差如圖6(a)所示，在不同的信噪比條件下，0°的位置具有共同的峰值，但是隨著信噪比的降低(20 dB和10 dB分別對應(yīng)圖6(b)和圖6(c))，誤差越來越大，當(dāng)降到0 dB時起不到定位的作用，如圖6(d)所示。

實(shí)時聲源定位系統(tǒng)在Xilinx公司的xc3s1000 FPGA中實(shí)現(xiàn)，按文中提出的算法和實(shí)現(xiàn)方法可以實(shí)現(xiàn)10 dB信噪比以上的聲源定位，整個系統(tǒng)具有很好的魯棒性。通常的處理多對麥克風(fēng)對的信號算法常常利用DSP，然而功耗的需求以及外圍設(shè)備的復(fù)雜使得DSP在許多場合受到限制。利用本文介紹的算法，在FPGA Virtex II Pro-70中并行處理6個TDOA估計模塊，時鐘選取為10 MHz，功耗可以控制在0.776 W～1.074 W之間，試驗(yàn)消耗的邏輯門為1 192 793。通過流水線處理，如果系統(tǒng)的時鐘為100 MHz，在1塊FPGA中能并行處理50個TDOA估計模塊，不過功耗要增大到7.76～10.74 W之間。由于Virtex II Pro-70有足夠的存儲空間，因此輸入Buffer部分無需額外的邏輯門。與其他的方法相比，如大型麥克陣列每個麥克的功耗為400 mW[5]，本文的方法的平均功耗要小得多(每個麥克77～108 mW)，為減少VLSI電路的功耗提供了一個切實(shí)可行的途徑。

參考文獻(xiàn)
[1] AARABI P，MAHDAVI A.The relation between speech segment selectivity and time delay estimation accuracy. In Proceedings of ICASSP，May 2002.
[2] AARABI P，ZAKY S. Robust sound localization using mult-source audiovisual information fusion. Information Fusion， 2001，3(2)：209-223.
[3] BRANDSTEIN M S， SILVERMAN H. A robust method for speech signal time-delay estimation in reverberant rooms.IN Proceedings of ICASSP，May 1997.
[4] PONCA M， SCHAUER C. FPGA implementation of a spike-based sound localization system. In 5th International Conference on Artificial Neural Networks and genetic Algorithms， 2001.
[5] SILVERMAN H F，PATTERSON W R，F(xiàn)LANAGAN J L.The huge microphone array.Brown University Technical Report，May 1996.
[6] KNAPP C H， CARTER G.The generalized correlation method for estimation of time delay.IEEE Tarnsactions on ASSP，1976，24(4)：320-327.