初探回声消除

回声的形成

声学回声是指扬声器播出的声音在接受者听到的同时，也通过多种路径被麦克风拾取到。多路径反射的结果产生了不同延时的回声，包括直接回声和间接回声。

直接回声：远端扬声器将语音信号播放出来后，被远端麦克风直接采集后得到的回声。直接回声不受环境的印象，与扬声器到麦克风的距离及位置有很大的关系，因此直接回声是一种线性信号。

间接回声：远端扬声器将语音信号播放出来后，语音信号经过复杂多变的墙面反射后由远端麦克风将其拾取。间接回声的大小与房间环境、物品摆放以及墙面吸引系数等等因素有关，因此间接回声是一种非线性信号。

回声消除技术主要用于在免提电话、电话会议系统等情形中。

更具体的如下图所示，A、B 两人在通信的过程中，我们有如下定义：

• x(n): 远端参考信号，即 A 端订阅的 B 端音频流，通常作为参考信号；
• y(n): 回声信号，即扬声器播放信号 x(n) 后，被麦克风采集到的信号，此时经过房间混响以及麦克风采集的信号 y(n) 已经不能等同于信号 x(n) 了, 我们记线性叠加的部分为 y’(n), 非线性叠加的部分为 y’’(n), y(n) = y’(n) + y’’(n)；
• s(n): 麦克风采集的近端说话人的语音信号，即我们真正想提取并发送到远端的信号；
• v(n)：环境噪音，这部分信号会在 ANS 中被削弱；
• d(n): 近端信号，即麦克风采集之后，3A （3A指的是在上行的发送端对发送信号依次进行回声消除、降噪以及音量均衡）之前的原始信号，可以表示为：d(n) = s(n) + y(n) + v(n)；
• s’(n): 3A 之后的音频信号，即准备经过编码发送到对端的信号。

而实际中的音频引擎（如WebRTC）能够拿到的已知信号只有近端信号 d(n) 和远端参考信号 x(n)。

如果信号经过 A 端音频引擎得到 s’(n) 信号中依然残留信号 y(n)，那么 B 端就能听到自己回声或残留的尾音（回声抑制不彻底留下的残留）。

自适应滤波

解决AEC(AEC: Acoustic echo cancellation，声学回声消除)问题最常用的方法：

使用自适应滤波算法调整滤波器的权值向量，估计一个近似的回声路径来逼近真实回声路径，从而得到估计的回声信号，并在纯净语音和回声的混合信号中除去此信号来实现回声的消除。

自适应滤波器算法的性能指标

• 收敛速度：滤波器的收敛速度越快越好，使正常通话开始后，通话者很快就感觉不到明显的回波存在。
• 稳态残留回波(稳定性)：即当滤波器收敛达到稳态后的回波输出量，实际中总是希望该参数越小越好。
• 算法复杂度：良好的算法应该在保持收敛速度的同时尽量降低计算复杂度，同时也能减少功耗

自适应滤波器结构

传统的IIR和FIR滤波器在处理输入信号的过程中滤波器的参数固定，当环境发生变化时，滤波器无法实现原先设定的目标。自适应滤波器能够根据自身的状态和环境变化调整滤波器的权重。

自适应滤波器类型。可以分为两大类：非线性自适应滤波器、线性自适应滤波器。非线性自适应滤波器包括基于神经网络的自适应滤波器及Volterra滤波器。非线性自适应滤波器信号处理能力更强，但计算复杂度较高。所以实践中，线性自适应滤波器使用较多。

主要分为两类FIR滤波器、IIR滤波器。

1. FIR滤波器时非递归系统，即当前输出样本仅是过去和现在输入样本的函数，其系统冲激响应h(n)是一个有限长序列。具有很好的线性相位，无相位失真，稳定性较好。
2. IIR滤波器时递归系统，即当前输出样本是过去输出和过去输入样本的函数，其系统冲激h(n)是一个无限长序列。IIR系统的相频特性是非线性的，稳定性不能保证。好处是实现阶数较低，计算量较少。

由于IIR存在稳定性问题，因此一般采用FIR。

常用自适应滤波算法

LMS和NLMS是业界使用的主流方法（实际会利用分块思想减少计算量）

LMS（最小均方算法）

LMS基于维纳滤波理论，采用瞬时值估计梯度矢量的算法，通过最小化误差信号的能量来更新自适应滤波器权值系数。

运用最小均方误差准则，由于$|e(n)|$在最小值点不可导，因此对$|e(n){|}^2$求导并令其等于0，得到滤波器系数迭代公式：
w ( n + 1 ) = w ( n ) − μ ∂ e ( n ) 2 ∂ w = w ( n ) − 2 μ e ( n )