一种基于DSP的音频实时处理系统

摘要：声学回声消除器一直是视频会议系统不可缺少的组件。将回声消除算法结合噪音消除和静音检测算法等，提出一种改进的实时音频处理系统方法，并在TMS320C6713B上实现，能够有效改善噪音、双工检测、非线性回声等导致自适应滤波器发散的问题。该系统在保证正常双工通话的同时，对非线性回声的抑制有着明显的改善效果。
关键词：声学回声消除；噪音消除；静音检测；语音信号处理；DSP

0 引言
随着VOIP的广泛应用以及多媒体通信技术的发展和成熟，人们对互联网语音通信的音频品质提出了更高的体验要求。主流的视频会议系统由原先的14 kHz升级到22 kHz的音频带宽，这也标志着语音通信已经真正转化为高品质音频通信的应用阶段。当然在基于互联网的音频通信中，声学回声和噪声一直是影响音频质量的最为关键因素之一。
声学回声消除成为提升音频通信质量的一个非常重要的环节。声学回声消除采用了自适应滤波来估计回声产生的回路特征，并不断修正自适应滤波器的系数，使得估计值更加逼近真实回声，最后从话筒信号中去除估计的回声，以达到回音消除的目的。
声学回声具有信号冲激响应时间长，特征分布范围广且多路径反射和时变的特点，自适应滤波器在估计回声路径的过程中容易受到这些不确定因素的干扰，当然外部环境的噪音也是一个重要的因素。
本系统结合多种已有信号处理算法，有效提升了声学回声的双工能力和收敛速度，并有效避免了使滤波器发散的多种因素，提升了滤波器的处理效率。同时利用高速浮点DSP对回声消除和噪声消除进行了整体的实现。
系统采用了频域的MDF自适应滤波算法，将MMSE Noise Suppressor和多个VAD添加到回声消除器中。在加入滤波器系数更新模块和非线性检测模块后，使得系统在更恶劣的噪音环境下以及双方通话过程中，一样具备良好的回声消除和噪音消除能力。整个核心运算部分均在频率域内完成，也大大降低了运算量，最后通过调整DSP的数据结构，合理运用DSP的资源和指令加速，实现了基于DSP的高效能实时音频处理器的设计。

1 音频处理系统相关算法
1．1 声学回声消除
声学回声消除的基本原理是通过自适应滤波器估计声学回声路径的特征参数，产生一个模拟的声学路径，得出模拟的声学回声信号，并从参考信号中减去此信号，实现回声的消除。图1给出了一个最为常见的声学回声消除器AEC的原理图。

1．2 结合噪音消除和静音检测的回声处理系统
1．2．1 MDF滤波器基本结构和算法原理
MDF(Multi-delay Block Frequency Domain Adaptive Filter)是一种将原有的多阶滤波器分为K个等分的子块，在每个长度为N的子块能进行自适应滤波的方法。如此能降低多阶自适应滤波器大量的运算量。F表示对2N×2N的矩阵进行FFT变换，若v表示信号帧序号，而diag表示对角矩阵运算，则：

假设实际路径产生的回声信号为y(v)，通常也叫近端信号，则：

K-1，它表示滤波器估计的第k个子滤波器的系数。

1．2．2 改进的回声消除系统
如图2所示，通过加入静音检测算法(VAD)对输入信号的状态进行判断，不仅可以减轻实际的运算量，也可降低噪音对自适应滤波器的干扰，在一定程度上避免了滤波器发散的情况。同时加入MMSE Short-time Spectral Amplitude Estimator替代了传统的非线性处理器(NLP)算法。在频域内对参与回声的频谱能量进行估计，计算增益，最后达到相对平滑的残余回声和噪音的处理。

通过对滤波器状态参数的跟踪，根据滤波器当前是否正常收敛，残余回声估计模块的输出结果会自动调节估计值的大小，避免在滤波器正常收敛的情况下，抑制残余回声导致处理后正常信号损失过多的问题。
图2中采用的静音检测算法(VAD)采用了同时检测短时能量与过零率的方法，保证了判断的可靠性。在远端语音不存在的时候，没有必要进行回声消除，只需要进行本地的噪音消除，若本地语音不存在则不需要做任何处理。
结合VAD系统更有效地减少了对噪音和回音估计的误差范围，通过对滤波器系数更新的学习和调整功能使得在双方通话过程中音频信号具备更好的信噪比。通过非线性信号检测模块加强了整体消除回音的能力。

2 基于DSP的音频处理系统实现
2．1 硬件平台
DSP的选型需要考虑运算速度、成本、硬件资源以及程序的可移植性等多个问题。由于算法的浮点特性，本文采用了美国德州仪器(TI)的TMS320C6713B浮点DSP作为核心处理器，通过使用JTEG标准测试接口、EDMA控制器、GIPO通用输入输出端口以及多通道音频缓冲串口(McASP)等主要片外设备来完成系统的设计。
TMS320C6713B可以工作在225 MHz主频上，片内有8个并行处理单元，分为相同的两组，其体系结构采用甚长指令字(VLIW)结构，单指令字长为32 b，8个指令组成一个指令包，总字长为256 b。L1支持4 KB的程序缓存以及4 KB的数据缓存，L2支持64 KB的缓存。32 b的外部存储器接口(EMIF)。与SDRAM等无缝连接，可以寻址256 MB。
由于系统运行过程中需要实现的算法较多，仅依靠TMS320C6713B的192 KB片内RAM来执行程序是很困难的。本文使用了EMIF的接口扩展了SDRAM作为算法和数据的存储区域。采用TLV320AIC23B实现音频输入和输出，AIC23支持48kHz带宽、96kHz采样率的双声道立体声A／D，D／ A，音频输入包括了麦克风输入和线路输入。
系统的硬件平台如图3所示。