特許 6015279 ノイズ除去装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6015279

(24)【登録日】2016年10月7日

(45)【発行日】2016年10月26日

(54)【発明の名称】ノイズ除去装置

(51)【国際特許分類】

   H04B 1/10 20060101AFI20161013BHJP

   H04R 3/00 20060101ALI20161013BHJP

【ＦＩ】

   H04B1/10 L

   H04R3/00 310

【請求項の数】5

【全頁数】22

(21)【出願番号】特願2012-206934(P2012-206934)

(22)【出願日】2012年9月20日

(65)【公開番号】特開2014-64101(P2014-64101A)

(43)【公開日】2014年4月10日

【審査請求日】2015年8月5日

(73)【特許権者】

【識別番号】000000011

【氏名又は名称】アイシン精機株式会社

(74)【代理人】

【識別番号】100094112

【弁理士】

【氏名又は名称】岡部 讓

(74)【代理人】

【識別番号】100106183

【弁理士】

【氏名又は名称】吉澤 弘司

(74)【代理人】

【識別番号】100128657

【弁理士】

【氏名又は名称】三山 勝巳

(74)【代理人】

【識別番号】100160967

【弁理士】

【氏名又は名称】▲濱▼口 岳久

(74)【代理人】

【識別番号】100170601

【弁理士】

【氏名又は名称】川崎 孝

(72)【発明者】

【氏名】ヴラジック サシャ

【審査官】 佐藤 敬介

(56)【参考文献】

【文献】 特開２００４−０４８３９７（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｈ０４Ｂ １／１０

Ｈ０４Ｒ ３／００

(57)【特許請求の範囲】

【請求項1】

信号に含まれるノイズを除去するためのノイズ除去装置であって、
前記ノイズを発生させるノイズ源の近傍に設けられている、ノイズ参照信号を取得するためのノイズ参照センサと、
前記信号と前記ノイズ参照信号とに基づいて、前記ノイズの分布を表すパラメータと、前記信号と前記ノイズ参照信号とのコヒーレンスを表すパラメータと、前記ノイズの定常性を表すパラメータとを算出する統計パラメータ算出手段と、
前記ノイズの分布を表すパラメータと、前記コヒーレンスを表すパラメータと、前記定常性を表すパラメータとに基づいて、前記信号から前記ノイズを除去するために用いるノイズ除去方法を選択し、選択された前記ノイズ除去方法を用いて前記信号から前記ノイズを除去するノイズ除去手段と、
を備えるノイズ除去装置。

【請求項2】

前記ノイズ除去手段は、前記ノイズの分布を表すパラメータが所定の値より小さい場合に、第１のノイズ除去方法を用いて前記信号から前記ノイズを除去し、
前記ノイズ除去手段は、前記ノイズの分布を表すパラメータが前記所定の値以上の場合に、第２のノイズ除去方法を用いて前記信号から前記ノイズを除去する
ことを特徴とする請求項１に記載のノイズ除去装置。

【請求項3】

前記信号はオーディオ信号を変調して得られる変調信号であり、
前記ノイズ除去手段は、
前記ノイズの分布を表すパラメータを用いて前記変調信号から前記ノイズを除去する第１のノイズ除去手段と、
前記ノイズの分布を表すパラメータを用いて前記変調信号を復調して得られる前記オーディオ信号から前記ノイズを除去する第２のノイズ除去手段と、
を含む
ことを特徴とする請求項１または２に記載のノイズ除去装置。

【請求項4】

前記ノイズ除去方法は、適応フィルタ処理によって前記信号から前記ノイズを除去することを特徴とする請求項１〜３のいずれか一項に記載のノイズ除去装置。

【請求項5】

前記ノイズ除去手段は、前記ノイズの分布を表すパラメータによって前記ノイズに含まれるインパルス性ノイズが所定の基準より多いことを示されるか否か、前記コヒーレンスを表すパラメータによって前記信号と前記ノイズとの間にコヒーレンスがあることを示されるか否か、および前記定常性を表すパラメータによって前記ノイズが定常性であることを示されるか否かの組み合わせに従って、前記ノイズ除去方法を選択することを特徴とする請求項１〜４のいずれか一項に記載のノイズ除去装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、オーディオ信号（例えば、音楽信号、音声信号など、音を再生するための信号）に対するノイズ除去を行う装置に関するものである。

【背景技術】

【0002】

近年、自動車において、ユーザの利便性や快適さを追求するための設備が劇的に増えているが、これらの中にはオーディオシステムにおける音楽信号等に対するノイズ源となるものも多い。例えば、パソコンなどのＡＣ機器を自動車に接続するためのインバータや、ハイブリッドエンジンのインバータは、大量のノイズを発生させる。また、例えば、スマートフォンの無線充電器などのガジェットも、ＡＭ帯域やＦＭ帯域にノイズを発生させる。したがって、自動車で用いられるオーディオシステムにおいては、様々な種類のノイズに対してノイズ除去を行うことが求められている。

【0003】

ノイズ除去のための技術として、特許文献１に記載されているノイズ除去処理では、アンテナから受信した変調信号（すなわち、無線送信ができるようにオーディオ信号にＦＭ、ＡＭ等の変調を掛けた信号）と、別のアンテナから受信したノイズ参照信号とを用いて、適応フィルタ処理を行うことによって、ノイズ除去を行う。

【0004】

また、特許文献２に記載されているノイズ除去処理では、２つのオーディオ信号に対してそれぞれ適応フィルタ処理を行うことによって、ノイズ参照信号を取得し、さらに、該２つのオーディオ信号の一方と該ノイズ参照信号とを用いて再度適応フィルタ処理を行うことによって、ノイズ除去を行う。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】米国特許出願公開第２００６／００３０２８７号明細書

【特許文献2】欧州特許出願公開第２２３７２７０号明細書

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、特許文献１および特許文献２に記載されているノイズ除去処理では、ノイズの種類は考慮されておらず、暗黙的にガウス性ノイズが前提とされていると考えられる。そのため、信号にインパルス性ノイズが含まれる場合には、ノイズが十分に除去できなかったり、ノイズ除去の計算が収束しなかったりする可能性がある。したがって、特許文献１および特許文献２の技術は様々な種類のノイズ除去に対応しているとは言い難い。

【0007】

本発明の目的は、様々な種類のノイズ、特にインパルス性ノイズに対して効果的にノイズ除去が可能なノイズ除去装置を提供することにある。

【課題を解決するための手段】

【0008】

本発明の一態様は、信号に含まれるノイズを除去するためのノイズ除去装置であって、前記信号に基づいて前記ノイズの分布を表すパラメータを算出する統計パラメータ算出手段と、前記信号から前記ノイズを除去する処理に関わる一要素を、前記ノイズの分布を表すパラメータに応じて変更することによって、前記信号から前記ノイズを除去するノイズ除去手段と、を備えることを特徴とする。

【発明の効果】

【0009】

本発明に係るノイズ除去装置によれば、インパルス性ノイズを含む様々な種類のノイズ対するノイズ除去が可能となる。

【図面の簡単な説明】

【0010】

【図1】本発明の一実施形態に係るオーディオシステムの装置構成を示す概略図である。

【図2】本発明の一実施形態に係るノイズ除去装置が有する機能を示す機能ブロック図である。

【図3】本発明の一実施形態に係るノイズ除去装置の装置構成を示す概略図である。

【図4】本発明の一実施形態に係るノイズ除去処理全体のフローチャートを表す図である。

【図5】本発明の一実施形態に係る統計パラメータ推定のフローチャートを表す図である。

【図6】本発明の一実施形態に係るロバスト多重参照ノイズ除去のフローチャートを表す図である。

【図7】ロバスト多重参照ノイズ除去における適応フィルタ処理の概念図である。

【図8】本発明の一実施形態に係る主アンテナ処理のフローチャートを表す図である。

【図9】本発明の一実施形態に係るオーディオノイズ除去のフローチャートを表す図である。

【図10】時間周波数平面上での分割方式を説明する図である。

【図11】本発明の一実施形態に係る歪み除去のフローチャートを表す図である。

【図12】歪み除去における適応フィルタ処理の概念図である。

【発明を実施するための形態】

【0011】

以下、図面を参照して、本発明の実施の形態を説明するが、本発明は本実施形態に限定されるものではない。なお、以下で説明する図面で、同機能を有するものは同一符号を付け、その繰り返しの説明は省略することもある。

【0012】

（実施形態）
図１は、本実施形態に係るオーディオシステム１の装置構成を示す概略図である。オーディオシステム１は、外部から変調信号を受信するアンテナ２と、ノイズ源からのノイズ参照信号を取得するノイズ参照センサ３と、変調信号を復調してオーディオ信号を出力するオーディオ装置４と、オーディオ信号から音楽または音声を発生させるスピーカー５を備える。さらに、オーディオシステム１は、変調信号のノイズ除去およびオーディオ信号のノイズ除去を行うノイズ除去装置１０を備える。ノイズ除去装置１０は、アンテナ２、ノイズ参照センサ３、オーディオ装置４およびスピーカー５に接続されており、変調信号およびオーディオ信号を中継しながら、それぞれに対してノイズ除去処理を行う。

【0013】

アンテナ２は、オーディオ信号が変調されてなる変調信号を受信するアンテナである。アンテナ２はノイズ除去装置１０に配線により接続されており、アンテナ２により受信された変調信号は該配線を介してノイズ除去装置１０に伝搬される。
アンテナ２としては、ＦＭアンテナ、ＡＭアンテナ等の、オーディオシステム１で受信する変調信号に対応した任意のアンテナを用いることができる。

【0014】

ノイズ参照センサ３は、変調信号を汚染するノイズ源に接してまたは近傍に配置され、該ノイズ源からのノイズを取得するセンサである。ノイズ参照センサ３はノイズ除去装置１０に配線により接続されており、ノイズ参照センサ３により取得されたノイズはノイズ参照信号として該配線を介してノイズ除去装置１０に伝搬される。
複数のノイズ源が存在する場合には、ノイズ参照センサ３を該複数のノイズ源の数の分だけ複数設けることができる。その場合には、複数のノイズ参照センサ３はそれぞれノイズ源に接してまたは近傍に配置され、それぞれ配線によりノイズ除去装置１０に接続される。
ノイズ参照センサ３としては、電流トランスやホール素子等の、ノイズ源に対応した任意のセンサを用いることができる。

【0015】

オーディオ装置４は、ノイズ除去装置１０によりノイズ除去された変調信号を復調してオーディオ信号に変換し、それを再度ノイズ除去装置１０に出力するオーディオ装置である。つまり、オーディオ装置４は復調器として動作する。オーディオ装置４は、ノイズ除去装置１０に２本の配線により接続されており、一方の配線を介してノイズ除去装置１０から変調信号を受信し、他方の配線を介してノイズ除去装置１０へオーディオ信号を送信する。
オーディオ装置４としては、ＦＭラジオ受信機、ＡＭラジオ受信機等の、オーディオシステム１で受信する変調信号に対応した任意のオーディオ装置を用いることができる。

【0016】

スピーカー５は、オーディオ信号に基づいて音楽や音声といったオーディオ信号の元となった音を発生させる任意のスピーカーである。スピーカー５は、ノイズ除去装置１０に配線により接続されており、該配線を介してノイズ除去装置１０からノイズ除去されたオーディオ信号を受信する。ノイズ除去装置１０とスピーカー５との間に、オーディオ信号を増幅するアンプが設けられてもよい。

【0017】

ノイズ除去装置１０は、変調信号およびオーディオ信号に対して、それぞれノイズ除去を行う装置である。図２は、ノイズ除去装置１０が有する機能を示す機能ブロック図である。ノイズ除去装置１０は、アンテナ２により受信された変調信号に対してノイズ除去を行う前処理部１０Ａと、オーディオ装置４が変調信号を復調することにより得られるオーディオ信号に対してノイズ除去を行う後処理部１０Ｂとを備える。

【0018】

前処理部１０Ａおよび後処理部１０Ｂは、共通して、アンテナ２により受信された変調信号またはオーディオ装置４により復調されたオーディオ信号と、ノイズ参照センサ３により取得されたノイズ参照信号とを用いて、ノイズの性質を表す統計パラメータを算出する統計パラメータ推定部２０を有する。
ここで、統計パラメータ推定とは、アンテナ２により受信された変調信号またはオーディオ装置４により復調されたオーディオ信号と、ノイズ参照センサ３により取得されたノイズ参照信号とを用いて、ノイズの統計的な性質を表す統計パラメータを算出することをいう。

【0019】

前処理部１０Ａは、アンテナ２により受信された変調信号と、ノイズ参照センサ３により取得されたノイズ参照信号と、統計パラメータ推定部２０により算出された統計パラメータとを用いて、変調信号に対するノイズ除去を行うロバスト多重参照ノイズ除去部３０を有する。
ここで、ロバスト多重参照ノイズ除去とは、複数の統計パラメータを参照してノイズ除去方法を選択し、ノイズ除去処理に統計パラメータを用いることによって、インパルス性ノイズを含む様々な種類のノイズに対応可能な、すなわちロバストなノイズ除去方法をいう。

【0020】

前処理部１０Ａは、さらに、ロバスト多重参照ノイズ除去を行わない場合（例えば、ノイズ参照センサ３が設けられていない場合）に、アンテナ２により受信された変調信号と、統計パラメータ推定部２０により算出された統計パラメータとを用いて、変調信号に対するノイズ除去を行う主アンテナ処理部４０を有する。
ここで、主アンテナ処理とは、ノイズ参照信号が設けられていない場合に、アンテナ２からの変調信号と、該変調信号からのみ算出された統計パラメータとを用いて行うノイズ除去処理をいう。

【0021】

本実施形態において、前処理部１０Ａはアンテナ２により受信された変調信号をノイズ除去の対象にしているが、該変調信号を中間周波数の信号に変換してからノイズ除去を行ってもよい。その場合でも、本実施形態と同じノイズ除去処理が適用される。

【0022】

後処理部１０Ｂは、オーディオ装置４により復調されたオーディオ信号と、統計パラメータ推定部２０により算出された統計パラメータとを用いて、オーディオ信号に対するノイズ除去を行うオーディオノイズ除去部５０を有する。

【0023】

さらに、後処理部１０Ｂは、オーディオ信号に対する歪み除去を行う歪み除去部６０を有する。

【0024】

図３は、ノイズ除去装置１０の装置構成を示す概略図である。ノイズ除去装置１０は、インターフェース１１と、ＣＰＵ１２と、記憶装置１３とを備える。

【0025】

インターフェース１１は、アンテナ２、ノイズ参照センサ３、オーディオ装置４およびスピーカー５に配線で接続され、それらとの信号の授受を行う。外部からノイズ除去装置１０に信号を受信する配線の途中にはＡＤＣ（アナログ−デジタルコンバーター）１１Ａが設けられており、ノイズ除去装置１０から外部に信号を送信する配線の途中にはＤＡＣ（デジタル−アナログコンバーター）１１Ｂが設けられている。

【0026】

記憶装置１３は、ＲＯＭ、ＲＡＭ、ハードディスクドライブ等の任意の記憶装置を含む。また、記憶装置１３はＣＤ−ＲＯＭ、フラッシュメモリ等の可搬記憶媒体を含んでもよい。ノイズ除去装置１０が有する機能、すなわち統計パラメータ推定部２０、ロバスト多重参照ノイズ除去部３０、主アンテナ処理部４０、オーディオノイズ除去部５０および歪み除去部６０は、それぞれプログラムの形態で記憶装置１３に記憶されている。ＣＰＵ１２は、記憶装置１３に記憶されたプログラムを読み出し、該プログラムに従って種々の演算、制御、判別などの処理動作を実行する。

【0027】

本実施形態では、ノイズ除去装置１０は１つの装置（つまり、１セットのインターフェース１１、ＣＰＵ１２および記憶装置１３）内に全ての機能を実装しているが、各機能を別々の処理装置内や電気回路内に実装しても構わない。

【0028】

本実施形態では、ノイズ除去装置１０はオーディオ装置４から独立した構成とされているが、ノイズ除去装置１０がオーディオ装置４に内蔵または一体化された構成とされてもよい。その場合には、ＣＰＵ１２や記憶装置１３は、オーディオ装置４とノイズ除去装置１０との間で共用してもよい。

【0029】

図４は、本実施形態に係るノイズ除去処理全体のフローチャートを表す図である。
まず、アンテナ２は、変調信号を受信する（ステップＳ１）。該変調信号はノイズ除去装置１０に入力される。

【0030】

次に、前処理として、ノイズ除去装置１０は、アンテナ２により受信された変調信号に対してノイズ除去を行う（ステップＳ２）。前処理は、統計パラメータ推定（ステップＳ１０）と、ロバスト多重参照ノイズ除去（ステップＳ２０）と、主アンテナ処理（ステップＳ３０）とを含む。
前処理が終わると、ノイズ除去装置１０はノイズ除去された変調信号をオーディオ装置４に出力し、オーディオ装置４は該変調信号を復調してオーディオ信号にする（ステップＳ３）。該オーディオ信号はノイズ除去装置１０に入力される。

【0031】

次に、後処理として、ノイズ除去装置１０は、オーディオ装置４により復調されたオーディオ信号に対してノイズ除去を行う（ステップＳ４）。後処理は、統計パラメータ推定（ステップＳ４０）と、オーディオノイズ除去（ステップＳ５０）と、歪み除去（ステップＳ６０）とを含む。
後処理が終わると、ノイズ除去装置１０はノイズ除去されたオーディオ信号をスピーカー５に出力し、スピーカー５は該オーディオ信号に基づいて音楽または音声を発生させる（ステップＳ５）。

【0032】

以下では、本実施形態に係るノイズ除去処理に含まれるそれぞれの処理を詳細に説明する。

【0033】

（統計パラメータ推定）
信号を汚染するノイズの種類により、適切なノイズ除去方法が異なる。本実施形態に係るノイズ除去装置においては、ノイズの統計的な性質を表す統計パラメータを用いることによって、ノイズの種類に応じて適切なノイズ除去方法を選択しているため、様々な環境に対応可能な、すなわちロバストなノイズ除去処理を行うことができる。

【0034】

統計パラメータ推定部２０は、アンテナ２により受信された変調信号またはオーディオ装置４により復調されたオーディオ信号と、ノイズ参照センサ３により取得されたノイズ参照信号とを用いて、統計パラメータを算出する。統計パラメータは、信号とノイズとの相関関係（コヒーレンス）を表すパラメータ、ノイズの分布を表すパラメータα、およびノイズの定常性を表すパラメータを含む。

【0035】

図５は、本実施形態に係る統計パラメータ推定（ステップＳ１０）のフローチャートを表す図である。統計パラメータ推定部２０は、コヒーレンスを表すパラメータ算出するコヒーレンス推定（ステップＳ１１）と、ノイズ分布を表すパラメータαを算出するノイズ分布推定（ステップＳ１２）と、ノイズの定常性を表すパラメータを算出する定常性推定（ステップＳ１３）とを実行する。
コヒーレンス推定、ノイズ分布推定および定常性推定はそれぞれ独立した処理であるため、それらを並行実行することができ、また必要に応じてそれらの一部のみを実行することができる。

【0036】

（コヒーレンス推定）
本実施形態に係るコヒーレンス推定（ステップＳ１１）の処理内容を以下に説明する。
ノイズ除去処理を行うと、多少なりともオーディオ信号の品質が劣化するため、必要が無いときにはノイズ除去処理を行わないことが望ましい。本実施形態で用いる適応フィルタは線形フィルタであるため、変調信号とノイズ参照信号との間に線形伝達がある場合には適用されうるが、そうでない場合には適用できない。
本実施形態では、変調信号とノイズ参照信号との間のコヒーレンス、つまり線形伝達の存在を評価することによって、ノイズ除去処理の必要性の有無を判断している。それによって、不要なノイズ除去処理を行わないようにし、オーディオ信号の品質の劣化を低減することができる。

【0037】

コヒーレンスを表すパラメータ（以下では単にコヒーレンスともいう）は、変調信号とノイズ参照信号との間の線形伝達の指標である。本実施形態において、コヒーレンスは、以下の式（１）を用いることによって導出される。

【0038】

【数1】

【0039】

ｃｏｈｅｒｅｎｃｅ_ｋは、ｋ時点におけるコヒーレンスである。Ｓ_ａｒ，ｋ（ｆ）は、ｋ時点における変調信号ａとノイズ参照信号ｒとの間のクロスパワースペクトル密度である。Ｓ_ａａ，ｋ（ｆ）は、ｋ時点における変調信号ａのパワースペクトル密度である。Ｓ_ｒｒ，ｋ（ｆ）は、ｋ時点におけるノイズ参照信号ｒのパワースペクトル密度である。パワースペクトル密度は、信号の強度（電力）が周波数ｆに対してどのように分布しているかを表している。なお、パワースペクトル密度は原点に関して対称である（例えば、Ｓ_ａａ，ｋ（ｆ）＝Ｓ_ａａ，ｋ（−ｆ））。

【0040】

パワースペクトル密度の計算には、周知の手法を用いればよい。具体的には、以下の方法でパワースペクトル密度を求めることができる。まず、統計パラメータ推定部２０は、変調信号とノイズ参照信号とにそれぞれ窓関数（例えば、ハニング窓関数）を掛け、それぞれ高速フーリエ変換（ＦＦＴ）を行う。その後、統計パラメータ推定部２０は、ＦＦＴされた変調信号と、該ＦＦＴされた変調信号の複素共役との積をとることで、Ｓ_ａａ，ｋ（ｆ）を得る。また、統計パラメータ推定部２０は、ＦＦＴされたノイズ参照信号と、該ＦＦＴされたノイズ参照信号の複素共役との積をとることで、Ｓ_ｒｒ，ｋ（ｆ）を得る。さらに、統計パラメータ推定部２０は、ＦＦＴされた変調信号と、ＦＦＴされたノイズ参照信号の複素共役との積をとることで、Ｓ_ａｒ，ｋ（ｆ）を得る。
統計パラメータ推定部２０は、Ｓ_ａａ，ｋ（ｆ）、Ｓ_ｒｒ，ｋ（ｆ）、Ｓ_ａｒ，ｋ（ｆ）を式（１）に代入することによって、ｃｏｈｅｒｅｎｃｅ_ｋを算出する。

【0041】

コヒーレンスは０から１までの値となる。コヒーレンスが所定のしきい値（例えば０．４）より大きい場合に変調信号とノイズ参照信号との間に線形伝達があると判定することができ、そうでない場合には線形伝達がないと判定することができる。線形伝達がある場合には、適応フィルタ処理を行うことができる。

【0042】

線形伝達が特定の周波数領域のみで現れ、それ以外の周波数領域では現れない場合がある。本明細書では、この状態を部分的なコヒーレンスがある、という。その場合には、線形伝達が現れている周波数領域のみで適応フィルタ処理を行うことが望ましい。

【0043】

複数のノイズ参照センサ３が設けられている場合には、それぞれのノイズ参照センサ３からのノイズ参照信号についてコヒーレンスを算出する（つまり、ノイズ参照センサ３の数の分だけコヒーレンスを算出する）。

【0044】

（ノイズ分布推定）
本実施形態に係るノイズ分布推定（ステップＳ１２）の処理内容を以下に説明する。
従来の適応フィルタを用いるノイズ除去処理では、ノイズ分布としてはガウス分布を想定しているものが多い。しかし、ノイズにインパルス性ノイズが多く含まれる場合には、ノイズ分布がアルファ安定分布となる。アルファ安定分布では、分散が無限になり、２次モーメント（分散）を用いている従来の適応フィルタは収束しないという問題が発生する。本実施形態では、ノイズ分布を表すパラメータαを適切なノイズ除去方法（例えば、適応フィルタの種類）の選択に用い、そしてノイズ除去の計算に用いることによって、収束性の問題を解決し、インパルス性ノイズを十分に除去することができる。

【0045】

アルファ安定分布は４つのパラメータにより特徴付けられることが知られているが、本明細書では、そのうち、インパルス性のレベルを与えるパラメータαを用いる。パラメータαが小さいほど、ノイズのインパルス性が大きいといえる。
α＝２の場合、ノイズはガウス分布である。α＜２の場合、ノイズはインパルス性であり、アルファ安定分布を有しており、このとき２次モーメント（分散）は定義できない。さらに、α＜１の場合、一次モーメント（平均）も定義できなくなる。

【0046】

パラメータαは、周知の手法により求めることができる。パラメータαはアンテナ２により受信された変調信号から算出することも、ノイズ参照センサ３により取得されたノイズ参照信号から算出することも可能である。ノイズ参照信号からパラメータαを算出する方が、ノイズ分布をより正確に推定できるため、好ましい。

【0047】

本実施形態における、パラメータαの算出方法を以下に示す。この算出方法は一例であり、その他の任意の手法でパラメータαを算出してよい。
統計パラメータ推定部２０は、ｋ時点におけるノイズ参照信号の長さＮのフレームを、Ｌ個の長さＭのサブフレームに分割する。つまり、ＭＬ＝Ｎとなる。統計パラメータ推定部２０は、ｋ時点、ｌ番目（ｌ＝１〜Ｌ）のサブフレームについて、式（２）を用いて、振幅の最大値および最小値を求める。

【0048】

【数2】

【0049】

ｘは、各サブフレームにおけるノイズ参照信号の振幅である。Ｘｍａｘ_ｌ，ｋは、ｋ時点、ｌ番目のサブフレームにおける振幅の最大値である。Ｘｍｉｎ_ｌ，ｋは、ｋ時点、ｌ番目のサブフレームにおける振幅の最小値である。

【0050】

統計パラメータ推定部２０は、全てのサブフレームについて振幅の最大値および最小値を求めた後、式（３）を用いて、αを求める。

【0051】

【数3】

【0052】

α_kは、ｋ時点におけるノイズ分布を表すパラメータαである。複数のノイズ参照センサ３が設けられている場合には、それぞれのノイズ参照センサ３からのノイズ参照信号についてαが算出される。複数のαを用いることによって、推定がより正確になる。

【0053】

（定常性推定）
本実施形態に係る定常性推定（ステップＳ１３）の処理内容を以下に説明する。
ノイズはその変化の仕方により分類することができる。定常性ノイズとは、そのモーメント（つまり、平均、分散等）が時間に依存しておらず、モーメントが時間経過に対して同一であるというエルゴード性の仮定のもとに、その統計値が定数となるものをいう。循環定常性ノイズとは、その統計値が周期的に繰り返すものをいい、例えばインバータからのインパルス性ノイズが信号を汚染している場合に発生するものである。本明細書では、循環定常性ノイズも定常性ノイズとして扱う。非定常性ノイズとは、そのモーメントが時間とともに（遅くも速くも）変化するものをいう。

【0054】

従来の適応フィルタの中には収束に時間の掛かるものがあり、そのような適応フィルタは非定常性ノイズに対して適用できない（収束させることができない）。本実施形態では、定常性を表すパラメータを算出し、非定常性ノイズの場合には高速な変化に追従できるように設計された適応フィルタを用いることによって、非定常性ノイズに対応している。

【0055】

本実施形態における定常性を表すパラメータは、以下のように算出される。まず、統計パラメータ推定部２０は、ノイズ参照信号の長さＮのフレームを、Ｌ個の長さＭのサブフレームに分割する。つまり、ＭＬ＝Ｎとなる。次に、統計パラメータ推定部２０は、それぞれのサブフレームについて平均および分散を計算する。そして、統計パラメータ推定部２０は、サブフレームの平均および分散を互いに比較し、その差異が所定の割合以下（例えば、−１０％から＋１０％の範囲内）である場合には、そのフレームの変調信号を汚染しているノイズは定常性ノイズであると判定し、そうでない場合には非定常性ノイズであると判定する。例えば、定常性のパラメータとして、定常性ノイズの場合には０を出力し、そうでない場合には１を出力する。
定常性を表すパラメータとしては、ここで説明されたものに限定されず、ノイズの定常性の指標となるものであれば、任意のパラメータを用いることができる。

【0056】

（ロバスト多重参照ノイズ除去）
ロバスト多重参照ノイズ除去部３０は、統計パラメータ推定部２０により算出された統計パラメータに基づいて、適切なノイズ除去方法を選択して実行する。これにより、信号に含まれるノイズの種類に対して効果的なノイズ除去方法を選択できるため、ノイズ除去効率を向上させることができる。また、必要な場合にのみ処理時間の掛かる（すなわち、計算コストの高い）ノイズ除去方法を行うため、処理時間の掛かるノイズ除去方法を固定的に使用する場合に比べて、処理時間を低減することができる。さらに、ノイズとコヒーレンスのある信号または該信号の一部の周波数領域に対してのみノイズ除去を行うことができるため、ノイズ除去処理による信号の劣化を低減することができる。

【0057】

ノイズ参照センサ３が設けられていない場合には、ロバスト多重参照ノイズ除去（ステップＳ２０）を行わず、主アンテナ処理（ステップＳ３０）に進む。また、ノイズ参照センサ３が設けられていない場合には、ロバスト多重参照ノイズ除去部３０自体を設けなくてもよい。

【0058】

図６は、本実施形態に係るロバスト多重参照ノイズ除去（ステップＳ２０）のフローチャートを表す図である。まず、ロバスト多重参照ノイズ除去部３０は、統計パラメータ推定部２０にて取得された統計パラメータに含まれるコヒーレンスを表すパラメータに基づいて、全帯域コヒーレンスがあるか否かを判定する（ステップＳ２１）。具体的には、上述のコヒーレンスの値が、信号の全帯域で所定のしきい値（例えば、０．４）より大きければ全帯域コヒーレンスがあると判定し、そうでなければ全帯域コヒーレンスがないと判定する。

【0059】

ステップＳ２１で全帯域コヒーレンスがあると判定された場合に、ロバスト多重参照ノイズ除去部３０は、統計パラメータ推定部２０にて取得された統計パラメータに含まれる定常性を表すパラメータに基づいて、定常性があるか否かを判定する（ステップＳ２２）。具体的には、上述の定常性を表すパラメータが所定の値（例えば、０）であれば定常性があると判定し、そうでなければ定常性がないと判定する。

【0060】

ステップＳ２２で定常性があると判定された場合に、ロバスト多重参照ノイズ除去部３０は、統計パラメータ推定部２０にて取得された統計パラメータに含まれるノイズ分布を表すパラメータαに基づいて、適用する適応フィルタの種類を判定する（ステップＳ２３）。具体的には、αが１．７以上の場合にはＬＭＳを適用すると判定し、１．７未満の場合にはＲｏｂｕｓｔ ＬＭＳを適用すると判定する。

【0061】

ステップＳ２２で定常性がないと判定された場合に、ロバスト多重参照ノイズ除去部３０は、ノイズ分布を表すパラメータαに基づいて、適用する適応フィルタの種類を判定する（ステップＳ２４）。具体的には、αが１．７以上の場合にはＲＬＳを適用すると判定し、１．７未満の場合にはＲｏｂｕｓｔ ＲＬＳを適用すると判定する。

【0062】

ステップＳ２１で全帯域コヒーレンスがないと判定された場合に、ロバスト多重参照ノイズ除去部３０は、コヒーレンスを表すパラメータに基づいて、部分コヒーレンスがあるか否かを判定する（ステップＳ２５）。具体的には、上述のコヒーレンスの値が、信号の一部の周波数領域で所定のしきい値（例えば、０．４）より大きければ部分コヒーレンスがあると判定し、そうでなければ部分コヒーレンスがないと判定する。

【0063】

ステップＳ２５で部分コヒーレンスがあると判定された場合に、ロバスト多重参照ノイズ除去部３０は、ノイズ分布を表すパラメータαに基づいて、適用する適応フィルタの種類を判定する（ステップＳ２６）。具体的には、αが１．７以上の場合にはＢｏｕｎｄｅｄ ＬＭＳを適用すると判定し、１．７未満の場合にはＲｏｂｕｓｔ Ｂｏｕｎｄｅｄ ＬＭＳを適用すると判定する。

【0064】

ステップＳ２５で部分コヒーレンスがないと判定された場合には、ロバスト多重参照ノイズ除去部３０は、ロバスト多重参照ノイズ除去において適応フィルタによるノイズ除去処理は行わず、後述する主アンテナ処理に進む。

【0065】

本実施形態ではパラメータαの判定は１．７を基準にしているが、これはαが１．７以上であればノイズがガウス分布に近い（インパルス性ノイズが少ない）とみなしているからである。パラメータαの判定基準はこの数値に限られるものではなく、実験やシミュレーションにより、所定のしきい値を求めてもよい。

【0066】

図６において選択されるノイズ除去方法は、統計パラメータにより判定されたそれぞれのノイズの種類に対して有効となるように、用いられる方程式が変更された適応フィルタ処理である。ロバスト多重参照ノイズ除去部３０は、図６の選択結果に基づいて、適応フィルタ処理で用いられる方程式を変更する。

【0067】

図７は、図６において選択されるノイズ除去方法における適応フィルタ処理の概念図である。この適応フィルタ処理では、変調信号Ａ_ｋとノイズ参照信号Ｒ_ｋとを入力とし、エラー信号ε_ｋとしてノイズ除去された変調信号を出力する。

【0068】

以下に本実施形態に係るロバスト多重参照ノイズ除去で用いられるそれぞれのノイズ除去方法を説明する。これらのノイズ除去方法は一例であり、統計パラメータにより判定されたそれぞれのノイズの種類に対して効果的な、その他の任意のノイズ除去方法を適用してもよい。

【0069】

（ＬＭＳ）
全帯域コヒーレンスがあり、ノイズに定常性があり、αが１．７以上の場合には、ＬＭＳ（Ｌｅａｓｔ Ｍｅａｎ Ｓｑｕａｒｅ）アルゴリズムが用いられる。
ＬＭＳは計算コストが低いが、ガウス性ノイズを前提としている。ロバスト多重参照ノイズ除去部３０は、ＬＭＳアルゴリズムとして、以下の式（４）を用いてノイズ除去を行う。

【0070】

【数4】

【0071】

μはステップサイズを表す。Ｗ_ｋ（ｆ）はｋ時点でのフィルタ更新係数であり、Ｐ_ｋ（ｆ）は正規化のための平滑化されたノイズ強度の更新係数である。

【0072】

（Ｒｏｂｕｓｔ ＬＭＳ）
全帯域コヒーレンスがあり、ノイズに定常性があり、αが１．７未満の場合には、Ｒｏｂｕｓｔ ＬＭＳアルゴリズムが用いられる。
αが１．７未満の場合にはインパルス性ノイズが強いため、ＬＭＳでは収束性が悪化する。そのため、ＬＭＳをロバストにし、収束性を保つように変更することが望ましい。そこで、本実施形態では、分数低次モーメント（Ｆｒａｃｔｉｏｎａｌ Ｌｏｗ Ｏｒｄｅｒ Ｍｏｍｅｎｔｓ）を用いるＬＭＰ（Ｌｅａｓｔ Ｍｅａｎ ｐ−ｎｏｒｍ）アルゴリズムをＬＭＳに適用する（これをＲｏｂｕｓｔ ＬＭＳという）。
ロバスト多重参照ノイズ除去部３０は、Ｒｏｂｕｓｔ ＬＭＳアルゴリズムとして、以下の式（５）を用いてノイズ除去を行う。

【0073】

【数5】

【0074】

μはステップサイズを表す。Ｗ_ｋ（ｆ）はｋ時点でのフィルタ更新係数であり、Ｐ_ｋ（ｆ）は正規化のための平滑化されたノイズ強度の更新係数である。式（５）中の記号の意味は、式（６）の通りである。

【0075】

【数6】

【0076】

式はＬＭＳと全体としては同様だが、Ｗ_ｋ（ｆ）の定義にパラメータαを用いるように変更されている点が異なる。ｐは分数低次モーメントの次数であり、統計パラメータ推定で算出されたパラメータαを用いて、１＜ｐ＜α＜２とする。ｐの値は適宜定めることができるが、本実施形態ではｐ＝α−０．１とする。

【0077】

（ＲＬＳ）
全帯域コヒーレンスがあり、ノイズに定常性がなく、αが１．７以上の場合には、ＲＬＳアルゴリズムが用いられる。
ノイズが非定常性である場合には、収束が遅いＬＭＳでは、ノイズの変化に追従して除去することが難しい。そのため、素早く収束するアルゴリズムを用いることが望ましい。そこで本実施形態では、ＲＬＳ（Ｒｅｃｕｒｓｉｖｅ Ｌｅａｓｔ Ｓｑｕａｒｅ）アルゴリズムを用いる。ＲＬＳは計算コストが高いが、様々な高速な実装方法が実装されており、任意の実装方法を用いることができる。本実施形態では、高速な実装方法であるＦａｓｔ Ｔｒａｎｓｖｅｒｓａｌ ＲＬＳを用いている。
ロバスト多重参照ノイズ除去部３０は、ＲＬＳアルゴリズムとして、以下の式（７）を用いてノイズ除去を行う。

【0078】

【数7】

【0079】

Ｗ_ｋはｋ時点のチャネルベクトルである。Ａ_ｋはｋ時点の入力ベクトルである。Ｒ_ｋは参照入力ベクトルである。Ｃ_ｋ^−１は共分散行列である。δは忘却係数である。

【0080】

（Ｒｏｂｕｓｔ ＲＬＳ）
全帯域コヒーレンスがあり、ノイズに定常性がなく、αが１．７未満の場合には、Ｒｏｂｕｓｔ ＲＬＳアルゴリズムが用いられる。
αが１．７未満の場合にはインパルス性ノイズが強いため、ＲＬＳでは収束性が悪化する。そのため、ＲＬＳをロバストにし、収束性を保つように変更することが望ましい。そこで、本実施形態では、Ｒｏｂｕｓｔ ＬＭＳと類似の変更をＲＬＳに適用する（これをＲｏｂｕｓｔ ＲＬＳという）。
ロバスト多重参照ノイズ除去部３０は、Ｒｏｂｕｓｔ ＲＬＳアルゴリズムとして、以下の式（８）を用いてノイズ除去を行う。

【0081】

【数8】

【0082】

Ｗ_ｋはｋ時点のチャネルベクトルである。Ａ_ｋはｋ時点の入力ベクトルである。Ｒ_ｋは参照入力ベクトルである。Ｃ_ｋ^−１は共分散行列である。δは忘却係数である。Ｖ_ｉ，ｋは重み係数である。

【0083】

式はＲＬＳと全体としては同様だが、Ｗ_ｋの定義にパラメータαを用いるように変更されている点が異なる。ｐは分数低次モーメントの次数であり、統計パラメータ推定で算出されたパラメータαを用いて、１＜ｐ＜α＜２とする。ｐの値は適宜定めることができるが、本実施形態ではｐ＝α−０．１とする。

【0084】

（Ｂｏｕｎｄｅｄ ＬＭＳ）
全帯域コヒーレンスがないが部分コヒーレンスがあり、αが１．７以上の場合には、Ｂｏｕｎｄｅｄ ＬＭＳアルゴリズムが用いられる。
コヒーレンスがない部分にまでノイズ除去を行うと信号の劣化を招くため、ノイズ除去処理の対象をコヒーレンスがある部分（例えば、コヒーレンスの値が０．４より大きい領域）のみに限定することが望ましい。そこで、本実施形態では、一体窓を用いてＬＭＳの適用範囲を限定する（これをＢｏｕｎｄｅｄ ＬＭＳという）。一体窓は、コヒーレンスのある領域では係数を１に設定し、それ以外の領域では係数を０に設定する第１の窓と、それと反対の値に設定する第２の窓のことを含む。
具体的には、一体窓は式（９）で表される。

【0085】

【数9】

【0086】

第１の窓ｗ_{ｋ，ｐｒｏｃ}はノイズ除去処理を行う部分を示すのに用いられ、第２の窓ｗ_{ｋ，ｎｏｔｐｒｏｃ}はノイズ除去処理を行わない部分を示すのに用いられる。これを用いて、変調信号Ａ_ｋおよびノイズ参照信号Ｒ_ｋは、以下の式（１０）により、ノイズ除去処理が行われる部分と行われない部分に分けて表される。

【0087】

【数10】

【0088】

これにＬＭＳアルゴリズムを適用すると、式（１１）となる。ロバスト多重参照ノイズ除去部３０は、式（１１）を用いてノイズ除去を行う。

【0089】

【数11】

【0090】

その後に、ロバスト多重参照ノイズ除去部３０は、式（１２）を用いて、ノイズ除去処理されたエラー信号に、ノイズ除去処理されなかった変調信号を加えることによって、完全なエラー信号（ノイズ除去後の変調信号に相当）を再構築する。

【0091】

【数12】

【0092】

以上の方法により、コヒーレンスのある周波数領域にのみノイズ除去処理を行うことができる。

【0093】

（Ｒｏｂｕｓｔ Ｂｏｕｎｄｅｄ ＬＭＳ）
全帯域コヒーレンスがないが部分コヒーレンスがあり、αが１．７未満の場合には、Ｒｏｂｕｓｔ Ｂｏｕｎｄｅｄ ＬＭＳアルゴリズムが用いられる。
αが１．７未満の場合にはインパルス性ノイズが強いため、ＬＭＳをロバストにし、収束性を保つように変更することが望ましい。そこで、本実施形態では、Ｒｏｂｕｓｔ ＬＭＳと同様に、パラメータαを用いるように数式を変更することによって、Ｂｏｕｎｄｅｄ ＬＭＳをロバストにする（これをＲｏｂｕｓｔ Ｂｏｕｎｄｅｄ ＬＭＳという）。
ロバスト多重参照ノイズ除去部３０は、Ｒｏｂｕｓｔ Ｂｏｕｎｄｅｄ ＬＭＳアルゴリズムとして、式（１３）を用いてノイズ除去を行う。

【0094】

【数13】

【0095】

式（１３）中の記号の意味は、式（６）、式（９）および式（１０）の通りである。さらに、Ｂｏｕｎｄｅｄ ＬＭＳと同様に、ロバスト多重参照ノイズ除去部３０は、式（１２）を用いて、ノイズ除去処理後のエラー信号に、ノイズ除去処理されなかった変調信号を加えることによって、完全なエラー信号（ノイズ除去後の変調信号に相当）を再構築する。

【0096】

この方法により、コヒーレンスのある周波数領域にのみ、ロバストなノイズ除去処理を行うことができる。

【0097】

以上で説明したロバスト多重参照ノイズ除去の方法は一例であり、本発明はこれら具体的な分岐条件やアルゴリズムに限定されるものではない。ここで重要なことは、パラメータαを含む統計パラメータに基づいて適切なノイズ除去方法を選択し、さらに該当系パラメータを用いてノイズ除去処理を行うことであり、それによってインパルス性ノイズなど様々なノイズに対して有効なノイズ除去処理を実現することができる。

【0098】

（主アンテナ処理）
主アンテナ処理部４０は、ロバスト多重参照ノイズ除去を行わない場合（例えば、ノイズ参照センサ３が設けられていない場合）に、アンテナ２により受信された変調信号と、統計パラメータ推定部２０により算出された統計パラメータとを用いて、変調信号に対するノイズ除去を行う。

【0099】

ノイズ参照センサが設けられていない場合には、ノイズ参照信号を用いる上述のロバスト多重参照ノイズ除去は行うことができない。そのような場合には、ノイズ参照信号を用いない主アンテナ処理によるノイズ除去を行う。

【0100】

図８は、本実施形態に係る主アンテナ処理（ステップＳ３０）のフローチャートを表す図である。まず、主アンテナ処理部４０は、ロバスト多重参照ノイズ除去が行われたか否かを判定する（ステップＳ３１）。具体的には、図６のステップＳ２５で部分コヒーレンスがないと判定された場合に、該判定の情報が主アンテナ処理部４０に送られることによって、ロバスト多重参照ノイズ除去が行われなかったと判定することができる。

【0101】

ステップＳ３１でロバスト多重参照ノイズ除去が行われたと判定された場合に、主アンテナ処理部４０は、主アンテナ処理でのノイズ除去は行わずに、ロバスト多重参照ノイズ除去が行われた後の変調信号をオーディオ装置４へ出力する（ステップＳ３２）。そして、オーディオ装置４において、変調信号の復調が行われ、オーディオ信号に変換される。

【0102】

ステップＳ３１でロバスト多重参照ノイズ除去が行われなかったと判定された場合に、主アンテナ処理部４０は、自然時間周波数ノイズ除去を行う（ステップＳ３３）。

【0103】

自然時間周波数ノイズ除去の方法を以下に説明する。自然時間周波数ノイズ除去では、処理をロバストにするために、ノイズの統計（パラメータα）に基づいた分数低次モーメントを用いている。自然時間周波数ノイズ除去では、分数低次モーメントを用いて、アンテナからの変調信号をサイン基底およびコサイン基底へ射影することによって、信号からインパルス性ノイズを除去している。

【0104】

具体的には、以下の方法で自然時間周波数ノイズ除去を行う。まず、主アンテナ処理部４０は、変調信号に窓関数（例えば、ハニング窓関数）を掛けた後、ＦＦＴを行うことによって、該変調信号を周波数領域に変換する。次に、主アンテナ処理部４０は、該ＦＦＴされた変調信号の位相は操作せず、振幅をｐ乗（分数乗）する。ここで、ｐは、統計パラメータ推定で算出されたパラメータαを用いて、１＜ｐ＜α＜２とする。ｐの値は適宜定めることができるが、本実施形態ではｐ＝α−０．１としている。最後に、主アンテナ処理部４０は、逆高速フーリエ変換（ＩＦＦＴ）ならびに重畳加算法（Ｏｖｅｒｌａｐ−ａｄｄ）または重畳保留法（Ｏｖｅｒｌａｐ−ｓａｖｅ）を用いることによって、時間領域の変調信号を再構築する。この再構築された変調信号からは、インパルス性ノイズが除去されている。

【0105】

時間周波数解析ができる手法であれば、本実施形態で用いた短時間ＦＦＴ法の他に、ウィグナー分布解析（Ｗｉｇｎｅｒ−ＤｅＶｉｌｌｅ法）等を用いてもよい。

【0106】

その後、主アンテナ処理部４０は、自然時間周波数ノイズ除去が行われた後の変調信号をオーディオ装置４へ出力する（ステップＳ３４）。そして、オーディオ装置４において、変調信号の復調が行われ、オーディオ信号に変換される。

【0107】

（オーディオノイズ除去）
オーディオ装置４により復調された信号がノイズ除去装置１０で受け取られると、後処理としてオーディオノイズ除去および歪み除去が行われる。スピーカーが複数ある場合には、オーディオ装置４からそれぞれのスピーカーへのオーディオ信号が出力されるため、それぞれのオーディオ信号についてオーディオノイズ除去および歪み除去を並行して行う。

【0108】

オーディオノイズ除去部５０は、オーディオ装置４により復調されたオーディオ信号と、統計パラメータ推定部２０により算出された統計パラメータとに基づいて、オーディオ信号に対するしきい値処理を行う。本実施形態では、しきい値処理にノイズの分布を表すパラメータαを用いているため、効果的にインパルス性ノイズの除去を行うことができる。

【0109】

図９は、本実施形態に係るオーディオノイズ除去（ステップＳ５０）のフローチャートを表す図である。まず、オーディオノイズ除去を行う前に、統計パラメータ推定部２０は、統計パラメータ推定を行う（ステップＳ４０）。後処理における統計パラメータ推定は、ノイズ参照信号ではなく予測エラー信号を対象とする点で、前処理と異なる。予測エラー信号の算出方法を以下に示す。まず、統計パラメータ推定部２０は、以下の式（１４）を用いてオーディオ信号の自己相関関数を求める。

【0110】

【数14】

【0111】

Ｒは自己相関信号である。ＮはＦＦＴの長さである。ｘ_ｋ，ｎはｋ時点においてｎ番目のスピーカーに向けられたオーディオ信号である。統計パラメータ推定部２０は、自己相関信号からＰ次（Ｐは多項式の次数）の線形予測係数を得るために、（例えば、Ｌｅｖｉｎｓｏｎ−Ｄｕｒｂｉｎアルゴリズムを用いて）Ｙｕｌｅ−Ｗａｌｋｅｒ方程式を解く。それにより、統計パラメータ推定部２０は、Ｐ次の線形予測係数を推定し、推定信号を以下の式（１５）により算出する。

【0112】

【数15】

【0113】

そして、統計パラメータ推定部２０は、予測エラー信号ｅ（ｎ）を、以下の式（１６）により算出する。

【0114】

【数16】

【0115】

オーディオノイズ除去においてはパラメータαのみが必要になるため、統計パラメータ推定部２０は、後処理の統計パラメータ推定（ステップＳ４０）として、図５のうちノイズ分布推定（ステップＳ１２）のみを行う。統計パラメータ推定部２０は、予測エラー信号ｅ（ｎ）をノイズ参照信号とみなして、式（２）および式（３）より、後処理におけるパラメータαを算出する。

【0116】

同時に、統計パラメータ推定部２０は、後処理の統計パラメータ推定（ステップＳ４０）として、しきい値を決定するためのノイズ電力の計算を行う。本実施形態では、ノイズ参照センサ３により取得されたノイズ参照信号の電力をノイズ電力として使用する。
ノイズ参照センサ３が設けられていない場合には、オーディオ信号に含まれる各成分について統計的にパラメータαを算出し、パラメータαが低い成分をノイズとみなし、それらの成分の電力の合計値をノイズ電力として使用することができる。

【0117】

次に、オーディオノイズ除去部５０は、オーディオ信号の時間周波数平面分割を行う（ステップＳ５１）。時間周波数平面分割において、まず、オーディオノイズ除去部５０は、受信したオーディオ信号に窓関数（例えば、ハニング窓関数）を掛けた後、ＦＦＴを行う。そして、オーディオノイズ除去部５０は、ＦＦＴされたオーディオ信号を、Ｍ個（例えば、Ｍ＝１０）バッファする。

【0118】

オーディオノイズ除去部５０は、ＦＦＴされたオーディオ信号を、時間周波数平面上で分割する。分割された各々の領域を、グリッドという。図１０は、時間周波数平面上での分割方式を模式的に説明する図である。図１０のＡは時間軸上における該ＦＦＴされたオーディオ信号の分布範囲を表し、Ｂは周波数軸上における該ＦＦＴされたオーディオ信号の分布範囲を表している。ここで、オーディオノイズ除去部５０は、パラメータαに基づいて、分割数を決定する。例えば、１．９＜α≦２．０の場合は分割せず（図１０（ａ））、１．６＜α≦１．９の場合は各軸を２分割し（図１０（ｂ））、１．２＜α≦１．６の場合は各軸を４分割し（図１０（ｃ））、α≦１．２の場合は各軸を８分割する（図１０（ｄ））。
分割数とその条件はこれに限定されるものではなく、実験やシミュレーションにより適宜定めることができる。

【0119】

オーディオノイズ除去部５０は、時間周波数平面分割されたオーディオ信号に対して、しきい値処理を行う（ステップＳ５２）。オーディオノイズ除去部５０は、予め統計パラメータ推定において算出されたノイズ電力に基づいて、しきい値を決定しておく。そして、オーディオノイズ除去部５０は、各グリッドにおける信号の電力を計算する。その後、オーディオノイズ除去部５０は、該しきい値を下回る電力を有するグリッドをノイズとみなし、該グリッドの信号の電力をゼロに設定する。

【0120】

信号の電力がゼロに設定される、すなわちキャンセルされるグリッドが本当にノイズであることを保証するために、異なるスピーカー間の相関を用いることもできる。実際、オーディオ信号はスピーカーのチャネル間で独立しているのに対して、オーディオ信号を汚染するノイズ源は共通であるため、ノイズはチャネル間で強く相関する。

【0121】

ノイズのインパルス性が高い（すなわち、αが小さい）場合には、グリッドを大きくするとノイズが信号に埋もれてしまい、しきい値処理によるノイズ除去が難しくなる。そのため、αが小さい場合には時間周波数平面を細かく分割することによってインパルス性ノイズを除去しやすくしている。一方、ノイズのインパルス性が低い（すなわち、αが大きい）場合には、時間周波数平面を粗く分割することによって、計算コストを低減している。
このようにパラメータαに基づいて分割数を決定し、しきい値処理をすることによって、ノイズの種類に対して適切なノイズ除去を行うことができる。

【0122】

本実施形態では、オーディオ信号に対するノイズ除去にしきい値処理を採用しているが、オーディオ信号からのノイズ除去が可能であればこれに限られるものではない。例えば、オーディオ信号に対してロバスト多重参照ノイズ除去（ステップＳ２０）を適用してもよい。その場合には、オーディオ信号に対して統計パラメータ推定（ステップＳ１０）を行って統計パラメータを算出する。次に、該統計パラメータを用いてロバスト多重参照ノイズ除去（ステップＳ２０）を行って適切な適応フィルタ処理を選択し、実行する。

【0123】

（歪み除去）
以上に説明した一連のノイズ除去を行った後には、アーティファクト（すなわち、人工的なノイズ）が残存することがある。オーディオ信号においては、長い定常性成分は存在しないと仮定できるため、そのような成分は除去されるべき干渉（すなわち、歪み）であるとみなすことができる。

【0124】

歪み除去部６０は、オーディオノイズ除去が行われた後のオーディオ信号に対する歪み除去を行う。図１１は、本実施形態に係る歪み除去（ステップＳ６０）のフローチャートを表す図である。まず、歪み除去部６０は、歪み周波数推定を行う（ステップＳ６１）。本実施形態では、ＥＳＰＲＩＴ法を用いて歪みの周波数を推定する。

【0125】

ＥＳＰＲＩＴ法を行う前に、推定をロバストにするために、歪み除去部６０は、入力されるオーディオ信号に対してＨｕｂｅｒ関数を適用する。Ｈｕｂｅｒ関数は以下の式（１７）により表される。

【数17】

【0126】

式（１７）中の記号の意味は式（６）の通りである。ｘ_ｎはｎ番目のスピーカーのオーディオ信号である。Ｋは切り抜きしきい値であり、任意に定めることができる。このフィルタにより、歪み周波数推定に対する外れ値の影響を低減することができる。

【0127】

ＥＳＰＲＩＴ法は、入力信号の周波数推定を行う周知の手法である。具体的には、まず、歪み除去部６０は、オーディオノイズ除去がされたオーディオ信号の共分散行列を作成する。次に、歪み除去部６０は、該共分散行列に対して特異値分解（ＳＶＤ）を行い、固有値の大きい順にＫ個取り出してなる信号部分空間Ｕｓと、残りの雑音部分空間Ｕｎとに分割する。Ｕｓのうち、１〜（Ｍ−１）行目を取り出した行列をＵ_１とし、２〜Ｍ行目を取り出した行列をＵ_２とすると、Ｕ_２＝Ｕ_１Ψと書ける。歪み除去部６０は、このΨの固有値分解を行い、得られた各固有値から推定周波数を算出する。
歪み周波数推定により得られた推定周波数のうち、最小の推定周波数は長い定常性成分に対応しており、これを歪みとみなす。

【0128】

歪み周波数推定が終了した後、歪み除去部６０は、適応フィルタ処理を行う（ステップＳ６２）。図１２は、歪み除去における適応フィルタ処理の概念図である。この適応フィルタ処理では、まずオーディオ信号に対して、歪みの推定周波数の逆数（すなわち、歪み周期）の分、遅延を与える。次に、オーディオ信号と遅延されたオーディオ信号とを適応フィルタに入力し、エラー信号として歪みが除去されたオーディオ信号を出力する。適応フィルタとしては、ＬＭＳ等の任意のアルゴリズムを用いることができる。

【0129】

歪みが除去されたオーディオ信号は、最終的にスピーカーに出力される。

【0130】

本実施形態では、変調信号またはオーディオ信号からノイズを除去する処理に関わる一要素を、ノイズの分布を表すパラメータαに応じて変更することによって、変調信号またはオーディオ信号からノイズを効果的に除去することができる。すなわち、ロバスト多重参照ノイズ除去（ステップＳ２０）では、パラメータαを含む統計パラメータにしたがってノイズ除去方法を選択しており、さらにパラメータαに応じて適応フィルタ処理に用いられる数式の一部を変更している。また、主アンテナ処理（ステップＳ３０）では、自然時間周波数ノイズ除去の計算式にパラメータαを用いている。さらに、オーディオノイズ除去（ステップＳ５０）では、パラメータαに応じてしきい値処理のグリッド分割を変更している。

【0131】

このように、ノイズの分布を表すパラメータαを含む統計パラメータをノイズ除去に利用することによって、ノイズの種類に応じて適切なノイズ除去方法を選択することができ、またノイズ除去方法をノイズの種類に対応するように変更できるため、様々な種類のノイズ、特にインパルス性ノイズに対して効果的にノイズ除去が可能となる。

【0132】

本発明は、上述の実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲において適宜変更可能である。

【符号の説明】

【0133】

１ オーディオシステム
２ アンテナ
３ ノイズ参照センサ
４ オーディオ装置
５ スピーカー
１０ ノイズ除去装置
１０Ａ 前処理部
１０Ｂ 後処理部
１１ インターフェース
１１Ａ ＡＤＣ
１１Ｂ ＤＡＣ
１２ ＣＰＵ
１３ 記憶装置
２０ 統計パラメータ推定部
３０ ロバスト多重参照ノイズ除去部
４０ 主アンテナ処理部
５０ オーディオノイズ除去部
６０ 歪み除去部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】