Avaliação de algoritmos promotores de esparsidade para localização de fontes com arranjo esférico de microfones

Fernanda Caldas; Bruno Masiero

doi:10.55753/aev.v36e53.31

Autores

Fernanda Caldas Departamento de Comunicações, Faculdade de Engenharia Elétrica e Computação, Universidade Estadual de Campinas, SP
Bruno Masiero Departamento de Comunicações, Faculdade de Engenharia Elétrica e Computação, Universidade Estadual de Campinas, SP https://orcid.org/0000-0002-2246-4450

DOI:

https://doi.org/10.55753/aev.v36e53.31

Palavras-chave:

localização de fonte sonora, regularização promotora de esparsidade, arranjos de microfone com geometria esférica

Resumo

Ao realizar o processamento do áudio espacial de cenas sonoras, costuma ser necessário detectar primeiro as fontes sonoras presentes na cena, o que é comumente feito com o auxílio de um arranjo de microfones e um algoritmo detector de direção de chegada (DOA). Caso o sistema deva analisar o som vindo de todas as direções possíveis, então deve-se utilizar um arranjo esférico de microfones. Algoritmos clássicos de estimação de DOA, como a decomposição em ondas planas e o beamforming esférico, apresentam baixa precisão para localizar fontes. Para melhorar a estimação da DOA, o algoritmo compressive beamforming (CB) foi proposto. O CB aplica a regularização promotora de esparsidade ao beamforming regular através do uso da minimização da norma L1 assumindo, portanto, que cenas sonoras normalmente são compostas por apenas algumas fontes. Neste artigo, é comparada a performance de três algoritmos de regularização promotora de esparsidade em um modelo de decomposição em ondas planas: a minimização da norma L1 via Disciplined Convex Program (DCP), o método Least Absolute Shrinkage and Selection Operator (LASSO) e o Orthogonal Matching Pursuit (OMP).
Verifica-se que os três algoritmos foram capazes de determinar acuradamente o número de fontes e suas direções para uma cena simulada, tanto com quanto sem ruído aditivo. A performance de todos algoritmos degradou quando aplicados a uma situação real com uma fonte gravada em ambiente anecoico. Neste caso, houve uma melhora da performance ao se combinar o LASSO para determinar o número de fontes com o OMP para refinar a estimativa da amplitude da onda.

Referências

BENESTY, J.; CHEN, J.; HUANG, Y. Microphone Array Signal Processing. [S.l.]: Springer Berlin Heidelberg, 2008. (Springer Topics in Signal Processing). doi: 10.1007/978-3-540-78612-2. ISBN 978-3540786122. DOI: https://doi.org/10.1007/978-3-540-78612-2

NASCIMENTO, Vítor H.; MASIERO, Bruno S.; RIBEIRO, Flávio P. Acoustic imaging using the Kronecker array transform. In: COELHO, Rosangela Fernandes; NASCIMENTO, Vitor Heloiz; QUEIROZ, Ricardo Lopes de; ROMANO, Joao Marcos Travassos; CAVALCANTE, Charles Casimiro (Ed.). Signals and Images: Advances and Results in Speech, Estimation, Compression, Recognition, Filtering, and Processing. [S.l.]: CRC Press, 2015. p. 153–178. ISBN 978-1498722360. DOI: https://doi.org/10.1201/b19385-9

HÖGBOM, J. A. Aperture synthesis with a non-regular distribution of interferometer baselines. Astronomy and Astrophysics Supplement, v. 15, p. 417–426, 1974. ISSN 0365-0138. Disponível em: https://ui.adsabs.harvard.edu/abs/1974A%26AS...15..417H/.

WANG, Yanwei; LI, Jian; STOICA, Petre; SHEPLAK, Mark; NISHIDA, Toshikazu. Wide-band relax and wideband clean for aeroacoustic imaging. The Journal of the Acoustical Society of America, v. 115, n. 2, p. 757–767, 2004. doi: 10.1121/1.1639906. DOI: https://doi.org/10.1121/1.1639906

DOUGHERTY, Robert P. Extensions of DAMAS and benefits and limitations of deconvolution in beamforming. In: 11th AIAA/CEAS Aeroacoustics Conference (26th AIAA Aeroacoustics Conference). [S.l.: s.n.], 2005. p. 1–13. ISBN 156-3477300. ISSN 0146-3705. doi: 10.2514/6.2005-2961. DOI: https://doi.org/10.2514/6.2005-2961

YAN, Shefeng; MA, Yuanliang; HOU, Chaohuan. Optimal array pattern synthesis for broadband arrays. The Journal of the Acoustical Society of America, v. 122, n. 5, p. 2686–2696, 2007. ISSN 00014966. doi: 10.1121/1.2785037. DOI: https://doi.org/10.1121/1.2785037

EHRENFRIED, Klaus; KOOP, Lars. Comparison of iterative deconvolution algorithms for the mapping of acoustic sources. AIAA Journal, v. 45, n. 7, p. 1584–1595, 2007. ISSN 0001-1452. doi: 10.2514/1.26320. DOI: https://doi.org/10.2514/1.26320

YARDIBI, Tarik; LI, Jian; STOICA, Petre; CATTAFESTA, Louis N. Sparsity constrained deconvolution approaches for acoustic source mapping. The Journal of the Acoustical Society of America, v. 123, n. 5, p. 2631–2642, 2008. doi: 10.1121/1.2896754. DOI: https://doi.org/10.1121/1.2896754

XENAKI, Angeliki; GERSTOFT, Peter; MOSEGAARD, Klaus. Compressive beamforming. The Journal of the Acoustical Society of America, v. 136, n. 1, p. 260–271, 2014. ISSN 1520-8524. doi: 10.1121/1.4883360. DOI: https://doi.org/10.1121/1.4883360

Shi, J.; Hu, G.; Zhang, X.; Sun, F.; Zhou, H. Sparsity-based two-dimensional DOA estimation for coprime array: From sum–difference coarray viewpoint. IEEE Transactions on Signal Processing, v. 65, n. 21, p. 5591–5604, 2017. doi: 10.1109/TSP.2017.2739105. DOI: https://doi.org/10.1109/TSP.2017.2739105

EPAIN, Nicolas; JIN, Craig; SCHAIK, André van. The application of compressive sampling to the analysis and synthesis of spatial sound fields. In: 127th AES Convention. New York, USA: [s.n.], 2009. p. 1–12. Disponível em: http://www.aes.org/e-lib/browse.cfm?elib=15052.

FERNANDEZ-GRANDE, Efren; XENAKI, Angeliki. Compressive sensing with a spherical microphone array. The Journal of the Acoustical Society of America, v. 139, n. 2, p. EL45–EL49, 2016. doi: 10.1121/1.4942546.

PING, Guoli; CHU, Zhigang; YANG, Yang. Compressive spherical beamforming for acoustic source identification. Acta Acustica united with Acustica, v. 105, n. 6, p. 1000–1014, 2019. ISSN 1610-1928. doi:10.3813/AAA.919406. DOI: https://doi.org/10.3813/AAA.919406

PAN, J. Spherical harmonic atomic norm and its application to DOA estimation. IEEE Access, v. 7, p. 156555–156568, 2019. doi: 10.1109/ACCESS.2019.2950016. DOI: https://doi.org/10.1109/ACCESS.2019.2950016

CHEN, Scott Shaobing; DONOHO, David L.; SAUNDERS, Michael A. Atomic decomposition by basis pursuit. SIAM Review, v. 43, n. 1, p. 129–159, 2001. doi: 10.1137/S003614450037906X. DOI: https://doi.org/10.1137/S003614450037906X

GORODNITSKY, I. F.; RAO, B. D. Sparse signal reconstruction from limited data using FOCUSS: a re-weighted minimum norm algorithm. IEEE Transactions on Signal Processing, v. 45, n. 3, p. 600–616, 1997. doi: 10.1109/78.558475. DOI: https://doi.org/10.1109/78.558475

ERKOC, M. E.; KARABOGA, N. Evolutionary algorithms for sparse signal reconstruction. Signal, Image and Video Processing, p. 1863–1711, 2019. doi: 10.1007/s11760-019-01473-w. DOI: https://doi.org/10.1007/s11760-019-01473-w

ELAD, M. Sparse and Redundant Representations. [S.l.]: Springer-Verlag New York, 2010. (Springer Topics in Signal Processing). doi: 10.1007/978-1-4419-7011-4. ISBN 978-1441970114. DOI: https://doi.org/10.1007/978-1-4419-7011-4

FERNANDEZ-GRANDE, Efren; XENAKI, Angeliki. Compressive sensing with a spherical microphone array. The Journal of the Acoustical Society of America, v. 139, p. EL45–EL49, 02 2016. doi: 10.1121/1.4942546. DOI: https://doi.org/10.1121/1.4942546

GERSTOFT, Peter; XENAKI, Angeliki; MECKLENBRäUKER, Christoph. Multiple and single snapshot compressive beamforming. The Journal of the Acoustical Society of America, v. 138, n. 4, p. 2003–2014, 2015. doi: 10.1121/1.4929941. DOI: https://doi.org/10.1121/1.4929941

ROSSUM, Guido Van; DRAKE, Fred L. Python 3 Reference Manual. Scotts Valley, USA: CreateSpace, 2009. ISBN 978-1441412690.

TREES, Harry L. Van. Optimum Array Processing: Part IV of Detection, Estimation, and Modulation Theory. John Wiley & Sons, 2002. ISBN 9780470542965. Disponível em: https://books.google.com.br/books?id=J5TZDwAAQBAJ.

CANDÈS, Emmanuel J.; WAKIN, M. B. An Introduction To Compressive Sampling. IEEE Signal Processing Magazine, v. 25, n. 2, p. 21–30, 2008. ISSN 1053-5888. doi: 10.1109/MSP.2007.914731. Disponível em: http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=4472240. DOI: https://doi.org/10.1109/MSP.2007.914731

RAFAELY, B. Fundamentals of Spherical Array Processing. [S.l.]: Springer International Publishing, 2018. (Springer Topics in Signal Processing). doi: 10.1007/978-3-662-45664-4. ISBN 978-3319995618. DOI: https://doi.org/10.1007/978-3-319-99561-8

SAFF, E.B.; KUIJLAARS, A.B.J. Distributing many points on a sphere. The Mathematical Intelligencer, v. 19, p. 5–11, 1997. doi: 10.1007/BF03024331. DOI: https://doi.org/10.1007/BF03024331

RAFAELY, Boaz. Fundamentals of Spherical Array Processing. Berlin, Heidelberg: Springer Berlin Heidelberg, 2015. v. 8. (Springer Topics in Signal Processing, v. 8). doi: 10.1007/978-3-662-45664-4. ISSN 09250042. ISBN 978-3662456637. DOI: https://doi.org/10.1007/978-3-662-45664-4

BERTET, Stéphanie; DANIEL, Jerome; PARIZET, Etienne; WARUSFEL, Olivier. Investigation on localisation accuracy for first and higher order ambisonics reproduced sound sources. Acta Acustica united with Acustica, v. 99, n. 4, p. 642 – 657, 2013. doi: 10.3813/AAA.918643. DOI: https://doi.org/10.3813/AAA.918643

ELAD, M. Optimized projections for compressed sensing. IEEE Transactions on Signal Processing, v. 55, n. 12, p. 5695–5702, 2007. doi: 10.1109/TSP.2007.900760. DOI: https://doi.org/10.1109/TSP.2007.900760

DIAMOND, Steven; BOYD, Stephen. CVXPY: A Python-embedded modeling language for convex optimization. Journal of Machine Learning Research, v. 17, n. 1, p. 2909–2913, 2016. ISSN 1532-4435. Disponível em: https://dl.acm.org/doi/10.5555/2946645.3007036.

TROPP, J. A.; GILBERT, A. C. Signal recovery from random measurements via orthogonal matching pursuit. IEEE Transactions on Information Theory, v. 53, n. 12, p. 4655–4666, 2007. doi: 10.1109/TSP.2015.2413384. DOI: https://doi.org/10.1109/TIT.2007.909108

PEDREGOSA, Fabian; VAROQUAUX, Gaël; GRAMFORT, Alexandre; MICHEL, Vincent; THIRION, Bertrand; GRISEL, Olivier; BLONDEL, Mathieu; PRETTENHOFER, Peter; WEISS, Ron; DUBOURG, Vincent; VANDERPLAS, Jake; PASSOS, Alexandre; COURNAPEAU, David; BRUCHER, Matthieu; PERROT, Matthieu; DUCHESNAY Édouard. Scikitlearn: Machine learning in Python. Journal of Machine Learning Research, v. 12, n. oct, p. 2825–2830, 2011. Disponível em: http://jmlr.org/papers/v12/pedregosa11a.html.