基于姿態(tài)感知的聲場還原算法研究

王薇娜 董強國

(中國電影科學技術研究所(中央宣傳部電影技術質量檢測所),北京 100086)

1 引言

技術讓電影藝術的表現(xiàn)媒介從最初的黑白畫面到后來的高位深彩色畫面、從無聲到現(xiàn)在的沉浸式環(huán)繞聲體驗,使得電影藝術愈加散發(fā)出迷人的魅力,也使得電影這門最年輕的藝術形式在藝術長廊中獲得了無限的生命力和創(chuàng)造力。

沉浸式音頻技術在數(shù)字電影領域應用愈發(fā)廣泛,沉浸式聲音體驗獲得廣泛的觀眾認可?！丁笆奈濉敝袊娪鞍l(fā)展規(guī)劃》中明確提出“開發(fā)多層次多元化電影市場”。在多元化放映模式中,聲場空間各異,且放映場所為非專業(yè)影院空間,受制于隔音條件、低噪音等限制,部分場所無法利用揚聲器還音,耳機憑借高度便捷性及私密性,成為個性化放映場景的常用模式,也是人們日常最普遍的還音工具。但電影音頻目前的制作環(huán)境主要針對影廳聲場環(huán)境制作,無法通過耳機兩聲道還原環(huán)繞沉浸音效,并且普通耳機聲場效果會隨人頭部運動而改變,不符合自然聲場效果,極大地影響多元化電影觀影的沉浸感臨場感,無法滿足高品質觀影需求。

在既往項目研究中,我們開展了虛擬環(huán)繞聲技術應用研究。在實現(xiàn)過程中,我們發(fā)現(xiàn),虛擬環(huán)繞聲的重點在于還原空間聲場的效果,但由于耳機的佩戴方式,還原的聲場效果會隨人頭的運動一同改變,最終是相對靜止的聲場效果。而在自然聲場中,聲源并不會隨我們的運動變化而改變,從而有利于我們更好地對聲像定位。本文探討的核心算法目標便是在利用耳機的沉浸音還音基礎之上,增加對頭部姿態(tài)的實時感知,動態(tài)調整還音效果,帶來智能交互的體驗感受。

2 整體方案設計

在用耳機觀影時,音源位置會隨人頭姿態(tài)改變而變化,這與真實環(huán)境下的聽覺效果不同。在利用耳機作為還音單元的觀影模式下,為了使用戶獲得更好的沉浸感與交互感,本課題通過將人體姿態(tài)變化轉化為虛擬音源的位置變化,利用頭相關傳遞函數(shù)(Head Related Transfer Function,HRTF)函數(shù)重建音頻的虛擬聲像,實現(xiàn)對耳機姿態(tài)感知的音頻反饋。另一方面結合空間聲場的特點對音頻進行特定空間聲場渲染,最終實現(xiàn)空間音頻的頭部追蹤效果。

在還音單元中添加陀螺儀傳感器,追蹤人的頭部運動,根據(jù)傳感器接口數(shù)據(jù),獲得頭部運動路徑,從而調整空間音頻的渲染參數(shù),使得無論頭部如何移動,虛擬聲源總是保持在原有的、類似影廳的聲場位置上,實現(xiàn)對頭部姿態(tài)的交互感知,真正帶給觀眾融入影廳的感覺。在姿態(tài)感知算法中,HRTF是一項非常有效的技術,其非常適用于耳機還音單元。因為HRTF的重建區(qū)域針對的是雙耳,并且具有很高的聲場還原度和定位感。應用HRTF對音頻信號進行處理務必要涉及到HRTF數(shù)據(jù)庫,但是無論多高精度的數(shù)據(jù)庫都不可能擁有所有角度的HRTF數(shù)據(jù),因此為了更接近全覆蓋,我們需要使用HRTF插值技術來近似計算出數(shù)據(jù)庫中沒有的HRTF數(shù)據(jù)。

空間混響重點在于模擬空間還音的特性,這包括還原兩點基礎信息:空間大小尺寸以及音源位置與監(jiān)聽位置的差別。本項目利用基于Moorer混響模型的混響算法。需要測試設定的參數(shù)有:房間大小(房間的體積與混響時間、預延遲參數(shù)相關);混響時間(模擬影廳空間時,應滿足標準GY/T 311-2017《電影院視聽環(huán)境技術要求和測量方法》)。

調整后的音頻效果有以下幾點評判標準:

(1)清晰度:混音中的每個聲音都應該干凈,聲場不能模糊不清,噪聲量或其他異?，F(xiàn)象必須受到控制。

(2)獨立性:每種音源都應能輕易分辨。

(3)平衡:混音需要有良好的頻率平衡。

3 姿態(tài)感知算法

3.1 角度獲取

姿態(tài)感知最直接的方式就是通過傳感器捕捉動作信號。主流的陀螺儀傳感器可以提供我們需要的姿態(tài)變化參數(shù)。人耳對聲音的定位由三個維度確定:水平方位角、垂直方位角、距離。在模擬影廳的放映環(huán)境時,考慮收聽者與揚聲器的距離不變,所以我們可以將距離設置為定值,需要跟蹤的是音源相對水平方位角θ和垂直方位角Φ的變化。如圖1所示:人頭俯仰運動表示為以X軸為軸心的轉動,帶來垂直方位角Φ的改變;人頭左右轉動可以表示為以Y軸為軸心轉動,影響的是水平方位角θ的改變;人頭左右擺動可以表示為以Z軸為軸心的垂直方位角Φ的變化。

圖1 人頭轉動角度示意圖

我們實驗中選用的是一款JY-61系列的姿態(tài)陀螺儀模塊,該陀螺儀在X、Y兩軸的角度精度,靜態(tài)可達到0.05°,動態(tài)達到0.1°,Z軸的角度精度為1°,可以滿足我們的需求。當芯片水平正向放置時,右手方向為X軸,水平向前為Y軸,垂直芯片向上為Z軸。測量的旋轉角方向是以各軸為軸心,滿足右手法則,如圖2所示。

圖2 陀螺儀姿態(tài)信號方向圖

因此,當芯片水平放置時,以X軸為軸心的旋轉角度表示俯仰角,以Z軸為核心的角度表示水平旋轉角度。實驗中,為了選取精度更高的軸向,我們選擇將芯片立放,即將上圖的坐標系,以X軸為軸心逆時針旋轉90°,這樣X軸的旋轉角α依然表示俯仰角,Y軸的旋轉角β為水平旋轉角。相對的,如果以人頭為球心固定不動,聲源的位置變化為(-α,-β),通過這種變換。將人頭的轉動,轉化為聲場空間中的聲源位置變化,方便使用頭相關函數(shù)庫(HRTF)。

3.2 HRTF數(shù)據(jù)庫

在虛擬聲中,HRTF是一項非常有效的技術,其適用于耳機還音單元。因為HRTF的重建區(qū)域針對的是雙耳,并且具有很高的聲場還原度、空間感和定位感。應用HRTF對音頻信號進行處理務必要涉及到HRTF數(shù)據(jù)庫。項目組調研了來自兩個機構的頭相關函數(shù)數(shù)據(jù)庫,一是加州大學戴維斯實驗室V.R.Algazi等人建立的CIPIC數(shù)據(jù)庫,二是英國約克大學SADIE(Spatial Audio for Domestic Interactive Entertainment)項目建立的數(shù)據(jù)庫。

CIPIC的頭相關傳遞函數(shù)的公共數(shù)據(jù)庫,測試了45名受試者在25個水平方位角和50個俯仰角的頭部相關脈沖響應,共計1250個方向,測量點在三維空間坐標系如圖3所示。此外,該數(shù)據(jù)庫還包括每個受試者的人體測量數(shù)據(jù),以及人體測量數(shù)據(jù)與HRTF時間和頻譜特征之間的相關性。

圖3 CIPIC HRTF測試點方位圖

方位角集合(單位:度):

α=[-80-65-55-45:5:5 55 65 80](0度表示人臉正前方的測試點,順時針為正)

俯仰角集合(單位:度):

β=-45+5.625×(0:49)(0度表示人臉正前方的測試點,向下為負)

約克大學的HRTF數(shù)據(jù)庫受試者分為兩類,一類是人工頭,其測試點共有8802個方向,真人受試者的測試點有2114或2818個。俯仰角從[-90°,90°](0°表示人臉正前方的測試點,上正下負),水平方位角從[0°,359°](0°表示人臉正前方的測試點,逆時針為正)。

圖4 約克大學不同HRTF測試點方位圖(左:人工頭,右:真人)

可以看出約克大學的HRTF數(shù)據(jù)庫樣本中,人工頭的測試數(shù)據(jù)點集最多,因此我們選擇采用該函數(shù)數(shù)據(jù)庫。

3.3 插值法

由于HRTF測試數(shù)據(jù)庫是離散的,無論多高精度的數(shù)據(jù)庫都不可能擁有所有角度的HRTF數(shù)據(jù),因此總會有需要的數(shù)據(jù)點在測試點集之外。因此當目標位置未被測試點集覆蓋時,需要插值法獲得響應函數(shù)。為了找到最恰當?shù)奈恢?通常的算法是使用德勞內(Delaunay)三角法算法,找到需求點附近最近的以測試點為頂點的三角形,以HRTF測量點(方位角、俯仰角)生成一個三角形網(wǎng)格。

對任一點X(θ,Φ)估計相應的HRTF。在測試點集中找到包圍點X的最小三角形,該三角形頂點標記為A、B和C,如圖5所示,則點X可以表示為頂點的線性組合:

圖5 三角形插值法幾何圖例

其中g_i是標量權重。如果權重之和等于1,[g_1,g_2,g_3]就是X點的重心坐標。給定一個期望的源位置X,重心插值權重的計算公式如下:

其中:T=[[A-C],[B-C]]

重心坐標被用作計算插值權重,用于估計X點的左右耳HRTF,在A、B和C測量的HRTF的加權和作為X點HRTF函數(shù)值,如式(4)和式(5)所示。這種插值方法的主要優(yōu)點之一是它不會導致插值的HRTF不連續(xù):對于一個從一個三角形平滑移動到另一個三角形的聲源,HRTF估計值會平滑變化,甚至在交叉點也是如此。

3.4 姿態(tài)跟蹤渲染算法

算法流程如圖6所示,具體實現(xiàn)時有以下幾點需要注意:

圖6 姿態(tài)跟蹤渲染算法流程圖

(1)對音頻信號在進行FFT變換時,采用漢寧短窗;

(2)由于人耳對高頻信號的方向較為敏感,低頻信號通常不提供方位信息,因此在卷積渲染之前要通過高通濾波器對信號進行處理。

在算法具體實現(xiàn)時,采用callback()異步調用程序結構,不斷讀取陀螺儀信號并估計目標點HRTF。主程序的播放進程持續(xù)進行渲染。

4 空間聲場還原

聲音在一定的反射環(huán)境下到達人耳的過程,營造聲音在特定環(huán)境下的三維混響效果。聲源信號首先到達人耳的聲音稱為直達聲(Direct Sound) ;隨后的幾個比較明顯分開的聲音稱為早期反射聲(Early Reflected Sounds) ,其聲壓較大,能夠反映空間中聲源、人耳以及反射物體之間的距離關系;其后的一段連綿不斷的尾音稱為混響(Reverberation)。

從影片制版開始,數(shù)字電影的放映規(guī)范都是針對室內空間的放映環(huán)境,從建筑聲學到電聲環(huán)境都給出了相關技術指標。針對揚聲器的影廳技術規(guī)范也非常詳細,這些規(guī)范要求較好地統(tǒng)一了放映端的電聲環(huán)境。而使用耳機還音的放映方式,缺失了在影院中從音箱到人耳的這一段物理路徑,影廳的空間混響在耳機還音中無法體現(xiàn)。因此添加一部分空間聲場效果,能有效改善耳機播放的頭中效應,更好地模擬影院的還音效果。

從信號處理的角度,聲音在一個有限空間后的變化,可以看做是經(jīng)過了一個濾波器,而這個濾波器的響應函數(shù),我們就定義為房間脈沖響應(RIRs)。通常得到脈沖響應的方式有兩種:實地測量和鏡像源模型估算。由于實地測量在實施時有局限性,我們主要研究了鏡像源模型估算法。

4.1 鏡像源模型

鏡像源模型可以用來模擬給定聲源和傳聲器位置的房間內的混響,使用鏡像方法,Allen和Berkley開發(fā)了一種有效的方法來計算有限脈沖響應(FIR),該方法可以模擬矩形房間內聲源和接收器之間的聲場。

圖7顯示了一個位于剛性反射墻附近的聲源S。在接收處D,有兩個信號到達,一個是直達聲,另一個是自反射聲。直達聲的路徑長度可以從已知的聲源和接收地的位置計算出來。利用鏡像法,聲源S的鏡像S’位于墻后,距離等于源與墻的距離。根據(jù)對稱性,三角形SRS'是等腰的,因此反射聲路徑長度SR+RD與鏡像源S'到達接收處的路徑S'D相同。因此,為了計算反射路徑的長度,我們可以構建一個源的鏡像并計算目的地和鏡像之間的距離。一次反射我們用一個鏡像來計算距離。圖8顯示了一條涉及兩次反射的路徑。這條路徑的長度可以從SD的長度得到。鏡像也可以擴展到其他方向的墻面,如天花板和地板的反射。一般來說,反射的路徑長度(以及因此的延遲)可以通過計算多個源鏡像和目標之間的距離得到。反射的強度可以從路徑長度和路徑中涉及的反射次數(shù)中得到。路徑中涉及的反射次數(shù)等于用于計算的鏡像個數(shù)。

圖7 單鏡像聲源一次反射路徑

圖8 二次反射鏡像源

4.2 算法應用

作者Emanuel將該算法用C++實現(xiàn),并建立一個DLL動態(tài)鏈接庫供調用。函數(shù)定義為:

function [h,beta_hat]=rir_generator(c,fs,r,s,L,beta,nsample,mtype,order,dim,orientation,hp_filter);

其中,輸入的參數(shù)定義如下:

?

其余輸入?yún)?shù)為可選項。輸出h,表示M組采樣數(shù)的響應值;當輸入混響時間時,輸出相對應的反射系數(shù)。

在生成房間響應函數(shù)時,是以影廳的長、寬、高作為影廳大小參數(shù)L(x,y,z)、影廳六面的反射系數(shù)作為參數(shù)β、每個揚聲器(聲源)的位置坐標作為參數(shù)s(x,y,z)、麥克風(拾音)位置作為參數(shù)r(x,y,z)輸入鏡像聲源模型算法程序,鏡像聲源模型算法程序涉及的參數(shù)還包括提前設定好的聲音傳播速度c和采樣頻率fs。在確定模擬影廳空間大小后,麥克風(拾音)位置是設置在相應影廳的觀影皇帝位,也就是設計在(L_x/2,(2L_y)/3,1.5)的位置,其中L_x是影廳大小參數(shù)L(x,y,z)的x的值,L_y是L(x,y,z)的y的值,1.5表示拾音位置在Z方向上固定為1.5m,將該坐標作為參數(shù)r(x,y,z)代入鏡像聲源模型算法程序。

輸入?yún)?shù)還需要空間墻體的反射系數(shù)或是空間的混響時間(單位:秒)。通過在一些實地影廳的測量,我們獲取了一組影廳的混響時間數(shù)據(jù),經(jīng)過篩選,表中的數(shù)據(jù)都符合標準GY/T 311-2017《電影院視聽環(huán)境技術要求和測量方法》中規(guī)定的0.032808V0.333333≤RT60≤0.07653V0.287353要求,(V是設定的空間大小體積m)。

表1中數(shù)據(jù)根據(jù)體積可以分為三類影廳:一類影廳體積在1500m左右,代表中大型影廳;一類影廳體積在700m,代表中型影廳;還有一類代表巨型影廳,體積在6000m以上。根據(jù)這些測算數(shù)據(jù)可以推算出相應的房間聲場響應RIR。

表1 影廳混響時間測試數(shù)據(jù)

5 應用與展望

還原聲場空間及姿態(tài)追蹤的裝置中的各個算法模塊可全部或部分通過軟件、硬件及其組合來實現(xiàn)。上述各模塊可以硬件形式內嵌或獨立于計算機設備的處理器中,也可以軟件形式存儲于計算機設備的存儲器中,以便于處理器調用執(zhí)行以上各個模塊對應的操作。

在具體產(chǎn)品應用中,可將其設計為含陀螺儀的耳機單元或VR頭戴設備,也可拆分為獨立姿態(tài)感知器件配合普通耳機使用。算法可內置在設備硬件芯片中,也可加載在軟件中配合相關硬件使用。對于智能穿戴設備,普遍對算法要求較高,需要移植的算法應具備低功耗、算力資源占用低、RAM占用少、低延遲。因此還需要對算法優(yōu)化,盡可能少地占用資源。

本文提出的技術方案可應用于家庭影院、點播影院、社區(qū)影院、酒店影院、移動影院等多層次多元化耳機應用場景,提高觀影沉浸感臨場感,實現(xiàn)高品質電影放映,不僅拓寬電影發(fā)行放映渠道,促進多元化電影縱深發(fā)展,培育新型電影消費模式,還有助于探索VR/AR等虛擬技術與電影的融合發(fā)展,持續(xù)拓展電影多層次多元化放映,為觀眾提供更加豐富、多樣、高品質的電影體驗,滿足人民群眾多元化高品質觀影需求。?

①GY/T 311-2017《電影院視聽環(huán)境技術要求和測量方法》。