聲音是怎么被定位的

  當(dāng)我們閉上眼睛，仍然能夠判斷出聲音是從哪個方向來的。當(dāng)然了，前提是兩只耳朵都是健康的。如果完全捂住一只耳朵，那么就無法判斷聲音的具體方位了。這究竟是怎么回事兒呢？
  由于兩只耳朵存在一定的距離，聲源傳播到兩耳的聲音存在頻率、強度和時間上的差異。我們就可以利用這些微小的差異進行聲源來向定位。現(xiàn)有科學(xué)研究表明，哺乳動物更多的是通過感知聲音達到的雙耳的時間差進行定位。貓可以判斷聲源位置的最小角度為5°，人在相同情境下的判斷精度大約可以達到3°。

  顯然，如果只有一只耳朵工作，肯定是無法判斷聲音來自何方了。

  1.仿生學(xué)、雙耳定位和麥克風(fēng)陣列
  仿生學(xué)大家一定不會陌生，它是一門既古老又年輕的學(xué)科，我們很多應(yīng)用的科技都是從自然界學(xué)到了作用原理或者得到了啟發(fā)后設(shè)計發(fā)明出來的。大家耳熟能詳?shù)氖鞘茗B兒飛翔的啟發(fā)發(fā)明了飛機、根據(jù)蝙蝠的夜間飛行發(fā)明了雷達、根據(jù)螢火蟲發(fā)明了冷光……，諸如此類，不一而足。
  類似的，在雙耳定位的啟發(fā)下，我們設(shè)計了麥克風(fēng)陣列。利用麥克風(fēng)來模擬人的耳朵，理論上說，構(gòu)造包括兩個以上麥克風(fēng)的陣列，就可以實現(xiàn)聲音的定位了。但是，人的定位機理更為復(fù)雜，可能利用兩個麥克風(fēng)還不夠，那就增加麥克風(fēng)的數(shù)量，總能可以達到滿意的定位精度。

  麥克風(fēng)陣列是指由兩個或多個麥克風(fēng)按照一定的幾何結(jié)構(gòu)排列而成的陣列。按照拓?fù)浣Y(jié)構(gòu)不同，麥克風(fēng)陣列可以分為均勻線性陣列、非均勻線性陣列、非線性陣列、環(huán)形陣列、平面陣列、立體陣列等。

  線性陣列可以定位一個角度，即只能定位方位角，無法定位仰角。平面陣列可以定位方位角和仰角，實用性更強，但也意味著更復(fù)雜的計算，無法進行定距。立體陣列既可以定向也可以定距。

  目前線性陣列和平面陣列是較為常見的兩類陣列。線性陣列常見于會議拾音、教室吊麥等；平面陣列在智能音箱、聲學(xué)照相機等設(shè)備中更為常見。立體陣列見于反狙擊手系統(tǒng)。

  桌面線性麥克風(fēng)陣列

  鳴笛抓拍用麥克風(fēng)陣列（平面陣列）

  2.基于麥克風(fēng)陣列的聲學(xué)定位
  2.1 聲學(xué)定位基本原理

  所謂聲源定位，就是利用一組按照一定幾何位置擺放的麥克風(fēng)定出聲源的空間位置。對于空間中位于不同位置的兩個麥克風(fēng)而言，聲源只要不位于它們之間的中線上，那么它們和聲源之間的距離就存在差異，如下圖所示?？梢钥闯?，聲源與兩個麥克風(fēng)之間存在距離差△L=Cτ，因此，聲波到達兩個麥克風(fēng)的信號在時間上存在時延τ=△L/C。理想情況下，麥克風(fēng)i和j接收的信號滿足關(guān)系Si=Sj(t-τ)。

  基于麥克風(fēng)陣列的聲源定位技術(shù)基本上可以分為4類：基于最大輸出功率的可控波束形成技術(shù)；高分辨率譜估計技術(shù)；基于聲壓幅度比的定位技術(shù)以及基于聲音到達時間差（Time Delay of Arrival, TDOA）的定位技術(shù)。
  (1) 波束形成技術(shù)（Beamforming）
  該技術(shù)也稱為波束成型，這是一種直接定位方法，基本思想是對麥克風(fēng)所接收到的聲音信號加權(quán)求和來形成波束，通過調(diào)整權(quán)值使麥克風(fēng)陣列的輸出功率最大，波束輸出功率的點就是聲源的位置。傳統(tǒng)的波束形成器的權(quán)值取決于各陣元上信號的相位延遲，而相位又和時延以及聲音的到達時間差有關(guān)，故又稱為時延求和波束形成器。

  假設(shè)麥克風(fēng)的數(shù)量為M，第i個麥克風(fēng)接收到的信號為，對進行時延對齊后，累加可得

  上式中，指的是當(dāng)陣列指向搜索點時的可控時延，與麥克風(fēng)的數(shù)量、陣列孔徑、聲源的入射角以及采樣頻率成正比，與聲音的傳播速度成反比。累加輸出的功率，即波束的功率為

  是的頻域表示。聲源的位置可按照下式計算：

  通過控制陣列方向來引導(dǎo)波束，使波束輸出功率的點就是聲源的位置。

  (2) 高分辨率譜估計技術(shù)
  高分辨率譜估計技術(shù)是利用接收信號相關(guān)矩陣的空間譜，求解麥克風(fēng)之間的相關(guān)矩陣來確定方向角，進而確定聲源的位置。這種定位技術(shù)主要包括自相關(guān)AR模型法、最小方差（MV）譜估計法和特征值分解算法（如MUSIC算法等）。
  高分辨率譜估計技術(shù)適合于處理多個聲源的情形，但它們都是通過獲取麥克風(fēng)陣列的信號來計算空間譜的相關(guān)矩陣。此時，如果所需的矩陣未知，則須通過已得到的數(shù)據(jù)進行估計，這要求空間中的聲源或噪聲須平穩(wěn)時不變，這在實際中很難實現(xiàn)；此外，該方法的計算量大，在聲源定位系統(tǒng)中的應(yīng)用不多見。
  (3) 基于聲壓幅度比的定位方法
  該方法利用不同麥克風(fēng)接收的來自于同一個聲源的聲音信號在強度上的差異來實現(xiàn)聲源定位。根據(jù)由聲壓在麥克風(fēng)處產(chǎn)生的電壓輸出與對應(yīng)聲源到麥克風(fēng)的距離兩者之間存在的關(guān)系導(dǎo)出一個用于聲源定位的約束條件。由這個約束條件可確定三維空間中的一個球面。每個麥克風(fēng)可以導(dǎo)出這樣一個約束條件，利用這些約束條件可確定出聲源的位置。它們既可以是單獨使用，也可以和由基于時間差的方法導(dǎo)出的約束條件一起使用。
  (4) 基于聲音到達時間差的聲源定位技術(shù)
  基于聲音到達時間差(TDOA)估計的定位方法精度相對較高，計算量小，適合于實時實現(xiàn)。基于TDOA的定位方法是一種兩步方法。第一步，開展TDOA估計，獲得麥克風(fēng)陣列中相對陣元之間的TDOA。估計TDOA的方法有很多，大致可以分為互相關(guān)方法、廣義互相關(guān)方法、自適應(yīng)濾波器法、互功率譜相位法和高階統(tǒng)計量法等。第二步，利用估計得到的相對陣元之間的時間差，結(jié)合已知的麥克風(fēng)陣列的空間幾何關(guān)系確定聲源的位置。這種方法實時性較好，但存在誤差傳遞放大、無法進行多聲源定位等問題。
  2.2 定位用麥克風(fēng)陣列的性能指標(biāo)

  麥克風(fēng)陣列的性能指標(biāo)包括主瓣寬度（波束寬度）、旁瓣增益、陣列增益等。從定位的角度出發(fā)，陣列增益是無關(guān)的性能指標(biāo)，需要考慮主瓣寬度和旁瓣增益這兩個指標(biāo)。

  上面給出了一個波束圖示例，這是一個由12個麥克風(fēng)組成的均勻線性陣列，陣列間距d=8cm，聲源入射角度為陣列側(cè)邊正前方（即90°的位置），聲源頻率f=2000Hz。上圖共包括11個波束，具有大幅度的波束稱為主瓣（聲源所在方向），其他都是旁瓣。主瓣寬度定義為主瓣兩邊的兩個第一過零點之間的范圍，上圖的主瓣寬度大約是20°。旁瓣增益指的是旁瓣高度，上圖的旁瓣增益大約是-12dB。
  旁瓣增益越低，對于目標(biāo)方向以外的干擾噪聲的抑制能力就越強，可以更好的降低目標(biāo)檢測的虛警概率，對于鳴笛抓拍而言，就是不會出現(xiàn)“虛像”。比如，視野范圍之外有車輛鳴笛，它所產(chǎn)生的“虛像”可能恰好位于視野范圍之內(nèi)，這樣就容易造成“假定位”，無法區(qū)別視野范圍內(nèi)外的鳴笛車輛。主瓣寬度越小，目標(biāo)方向的分辨能力越強，陣列的指向性越好。對應(yīng)于鳴笛抓拍，就意味著光斑越準(zhǔn)確，不會出現(xiàn)一個光斑覆蓋多臺車輛的情況。

  通常情況下，在麥克風(fēng)數(shù)量相同的情況下，麥克風(fēng)分布形式越規(guī)則，主瓣寬度和旁瓣增益會越大。下面給出了兩個麥克風(fēng)陣列構(gòu)型，都由32個麥克風(fēng)構(gòu)成，從對應(yīng)波束圖中可以明顯看到這一規(guī)律。因此，在設(shè)計麥克風(fēng)陣列時，應(yīng)該盡可能地設(shè)計優(yōu)化構(gòu)型，而不是選擇均勻的規(guī)則構(gòu)型。

  

  規(guī)則型陣列及其波束圖

  

  3.應(yīng)用案例：鳴笛抓拍系統(tǒng)
  基于麥克風(fēng)陣列的聲音定位技術(shù)已經(jīng)在工程領(lǐng)域中得到了廣泛應(yīng)用，典型包括異常聲響定位的聲學(xué)照相機、飛機飛躍噪聲分析使用的大型地面陣列、戰(zhàn)場中的狙擊手定位系統(tǒng)等。

  目前，得到廣泛應(yīng)用的聲學(xué)定位技術(shù)莫過于交通領(lǐng)域中的鳴笛抓拍系統(tǒng)了，實際上這也是聲學(xué)照相機的一個具體應(yīng)用。縱觀市場上已有的鳴笛抓拍系統(tǒng)，基本都是由一個平面麥克風(fēng)陣列、一個電警（卡口）相機和主機組成，麥克風(fēng)陣列用于鳴笛聲音定位、相機用于識別鳴笛車輛車牌并抓拍圖片生成證據(jù)。

  系統(tǒng)的整個抓拍流程如下圖所示。在前端，系統(tǒng)捕獲到機動車鳴笛聲音，啟動定位分析軟件進行定位，如果定位結(jié)果位于抓拍視野范圍內(nèi)，則啟動高清相機進行抓拍；根據(jù)定位坐標(biāo)，進行相關(guān)車輛的車牌識別，如果能夠識別出符合要求的車牌，則將車牌推送到LED屏顯示，同時生成完整證據(jù)鏈，包括車牌圖片及識別結(jié)果、車輛特寫、車輛全景、鳴笛云圖、鳴笛聲紋圖和鳴笛過程的音視頻（疊加云圖），并將其推送到后臺。

  系統(tǒng)計算監(jiān)測路面有效探測區(qū)域的聲音大小分布，用顏色表示聲音相對大小生成聲音分布圖，聲音分布與高清圖片疊加形成聲音云圖，對鳴笛聲連續(xù)采集分析，持續(xù)生成聲音云圖，聲音云圖疊加到視頻上連續(xù)播放生成“聲音視頻”；同時，自動生成4張圖片（違法時刻車輛全景圖、全景云圖、車輛特寫圖和車牌特寫與鳴笛頻譜圖）和音視頻證據(jù)，其證據(jù)支持添加水印信息、防偽信息。證據(jù)信息如下圖所示。

  鳴笛抓拍FAQs：
  Q1：前后車緊鄰，后車車牌被遮擋，后車鳴笛，是否會誤抓前車？
  A1：不會。首先在算法上進行處理，如果兩車距離特別近，后車鳴笛聲音會被前車遮擋，到達聲吶陣列已經(jīng)不是直達波，可以在定位算法上排除這種定位結(jié)果，不予定位抓拍；其次，通過對抓拍圖像的結(jié)構(gòu)化處理，設(shè)計合適的定位光斑與車輛方框的“容納”算法，可準(zhǔn)確判斷鳴笛光斑所在車輛位置。
  Q2：機動車緊鄰一側(cè)有電動車/摩托車鳴笛，是否會誤拍機動車？
  A2：不會。對抓拍圖像進行結(jié)構(gòu)化處理，可以準(zhǔn)確區(qū)分出電動車/摩托車、機動車、自行車等，根據(jù)定位光斑的位置，可以準(zhǔn)確判斷出鳴笛來自于電動車/摩托車。
  Q3：多車同時鳴笛，如何處理？
  A3：如果多臺車在同一時刻按下喇叭，又在同一時刻松開喇叭，那么這段時間只會定位一臺鳴笛車輛；如果兩臺車的按喇叭時刻前后相差數(shù)十毫秒以上，系統(tǒng)可以定位到兩臺車輛。
  Q4：車輛鳴笛后快速駛離，能否快速反應(yīng)準(zhǔn)確抓拍？
  A4：能。世邦鳴笛抓拍系統(tǒng)創(chuàng)新采用了“預(yù)抓拍”技術(shù)，預(yù)留一個數(shù)秒左右的抓拍圖片緩沖區(qū)，當(dāng)鳴笛發(fā)聲并定位之后，會綜合考慮聲音傳播時間、定位所需的笛聲時長，從緩沖區(qū)中提取出接近鳴笛時刻的圖片作為證據(jù)圖片，能夠準(zhǔn)確定位鳴笛車輛。實驗表明，時間誤差在±20ms的范圍，以60km/h的市區(qū)時速計算，折算距離誤差為±30cm，不會對定位車輛結(jié)果產(chǎn)生影響。