本發明公開了一種低復雜度的分布式麥克風陣列聲源定位系統，麥克風陣列中的每個麥克風節點中由至少2個麥克風組成，于包括：離線訓練單元，該單元包括：時延估計模塊I、時延分布函數估計模塊、特征庫定位單元，該單元包括：時延估計模塊II，信度值求取模塊，所述時延估計模塊II計算得出的每個待定位位置處n個時延τ分別對應的信度值m；針對一個待定位的音源點，系統中的n個麥克風節點對應n個信度值，m₁、m₂、…、m_n；分布式數據融合模塊(203)，該模塊根據系統內每個麥克風節點對應的信度值，采用加權DS理論進行融合，得出系統總信度值Bel；定位模塊(204)，該模塊比較選取的待定位點位置信度值，得到與P個指紋點的信度值最接近的指紋位置點，即為聲源位置。

技術領域

本發明涉及一種低復雜度的分布式麥克風陣列聲源定位系統。主要涉及專利分類號G01測量；測試G01S無線電定向；無線電導航；采用無線電波測距或測速；采用無線電波的反射或再輻射的定位或存在檢測；采用其他波的類似裝置G01S5/00通過確定兩個或更多個方向或位置線的配合來定位；通過確定兩個或更多個距離的配合進行定位G01S5/18應用了超聲波、聲波或次聲波G01S5/20由多個分隔開的定向器確定的信號源位置。

背景技術

在服務機器人等應用中，常需定位聲源。相比使用傳統規則結構的麥克風陣列，分布式麥克風陣列不僅靈活性好，而且具有更大的空間孔徑，可以獲得更好的定位性能，同時，對麥克風節點失能也具有一定容錯性。

現有的基于可控波束形成、信號到達時間差(TDOA)和空間譜估計等定位方法總體而言精度受混響和噪聲影響較大，個別算法還受麥克風陣列幾何結構影響，導致算法可移植性差，對陣列節點失能容錯性差。

特征定位算法因其很好地利用室內信號復雜的反射折射等信息來生成特征庫，使得該類方法在室內定位問題中被廣泛使用。但是，受硬件處理器運算能力限制，特征方法較高的復雜度成為其進一步發展的障礙。因而，在定位精度足夠情況下，降低室內定位方法低復雜度的就成為一個發明課題。

現有主流技術之一，采用了最大似然估計器計算信號到達時延，進而完成聲源定位。最大似然估計器來估計TDOA漸進等價于非線性最小二乘法。首先根據每個麥克風陣列節點接收到的信號，估計出響應信號到達時延；然后通過添加距離坐標分量建立一個四維坐標系，從而構造一個自變量為x、y和z坐標以及距離坐標的目標函數；接下來，借助錐面定位法并且通過與參考麥克風的位置相比較，最終得到聲源位置。

該方法在構建關于聲源位置目標函數時，需要預先知道所有麥克風的準確坐標，并且需要一個參考麥克風，這在很多應用場景中無法實現。與此同時，在每個麥克風節點內，都假設麥克風陣列為均勻線性陣列，以確定接收信號模型；其次，該方法最終通過在錐面搜索到聲源的最小距離來得到聲源位置，而這個過程的目標函數非線性，不僅所得結果存在非全局最優解的可能，而且運算過程復雜。

現有技術中，也出現了先用分步格點劃分法將整個定位區域劃分成若干個格點，每個麥克風分別接收聲源發出的信號；其次，通過對接收信號加窗處理，并經過兩次離散余弦變換(DCT)提取語音信號特征；接下來，利用上一步得到的降維特征向量構造稀疏定位模型，并增加模型失配修正環節以將除噪聲外的其他因素考慮在內；最后，借助字典學習和稀疏重構，實現定位目的。

該方法所采用的稀疏重構在求解過程中，目標函數存在收斂困難問題，并且在信號信噪比低時會導致定位準確度下降。另外，該發明中字典學習與更新過程使得其復雜度較高，運算量較大。

發明內容

本發明要解決的技術問題是一種低復雜度的分布式麥克風陣列聲源定位系統，麥克風陣列中的每個麥克風節點中由至少2個麥克風組成，包括：

離線訓練單元，該單元包括：