本文目录导读：
声源定位（Sound Source Localization, SSL）是声学信号处理和阵列信号处理中的核心问题，其目标是从麦克风阵列采集到的多通道音频信号中，估计出声源相对于阵列的方向（方位角、俯仰角）和距离。
以下是主流的声源定位算法分类及其原理详解：
基于到达时间差的方法
这是最经典的几何方法,核心是利用声波到达不同麦克风的时间差。
互相关法
- 原理： 计算两个麦克风信号之间的互相关函数，其峰值对应的时间延迟即为到达时间差（TDOA）。
- 改进： 广义互相关法在频域对信号进行预滤波（如相位变换），以锐化峰值，提高抗噪和抗混响能力。
- 定位： 得到多个麦克风对的TDOA后，通过求解双曲线方程组得到声源位置。
- 优点： 计算量小，实时性好。
- 缺点： 对混响和噪声敏感；需要精确的麦克风位置；双曲线求解可能存在多解。
到达时间法
- 原理： 假设声源和麦克风时钟严格同步，直接测量声波从声源到麦克风的绝对传播时间。
- 定位： 利用三个或以上麦克风的到达时间，求解球面交点。
- 优点： 在理想情况下精度极高。
- 缺点： 需要非常精确的时钟同步（通常在硬件层面实现），实际系统中很少使用。
到达相位差法
- 原理： 在频域中，通过比较不同麦克风接收信号的相位差来间接计算时间差。
- 优点： 相位测量精度高于直接时域互相关。
- 缺点： 存在相位卷绕问题，常用于窄带信号或宽带信号的子带分解。
基于波束成形的方法
这类方法通过扫描所有可能的声源方向,计算该方向上的“能量”或“响应”，峰值对应的方向即为声源方向。
延迟求和波束成形
- 原理： 对每个候选方向，计算声波到达各麦克风的延时，对各通道信号进行相应的时移补偿后求和（对齐相加），如果该方向有真实声源，则信号同相叠加，能量最大。
- 优点： 原理简单，实现容易，鲁棒性强。
- 缺点： 分辨率受限于阵列孔径（瑞利限），旁瓣较高，容易受干扰。
- 改进： 滤波求和波束成形，在每个通道上增加自适应滤波器以更好地优化输出。
自适应波束成形
- 原理： 使用自适应滤波器（如最小方差无畸变响应）动态调整各通道权重，在保持目标方向增益不变的同时，最小化其他方向的噪声和干扰。
- 优点： 相比延迟求和，具有更高的空间分辨率和干扰抑制能力。
- 缺点： 对阵列校准误差和混响非常敏感，计算量大，可能存在信号自消（当信号与噪声相关时）。
- 代表： 线性约束最小方差波束成形。
基于高分辨率子空间的方法
这类方法基于信号协方差矩阵的特征分解,将信号空间分解为“信号子空间”和“噪声子空间”，利用它们的正交性实现超分辨力。
音乐算法
- 原理：
- 计算阵列接收信号的多通道协方差矩阵。
- 对其进行特征值分解,将特征值较大的特征向量对应的空间称为信号子空间（对应声源），其余为噪声子空间。
- 构造一个空间谱函数：( P(\theta) = \frac{1}{a^H(\theta) U_n U_n^H a(\theta)} )。
- ( a(\theta) ) 是导向矢量（表示从方向( \theta )来的信号在阵列上的响应），( U_n ) 是噪声子空间。
- 在所有可能的( \theta )搜索，谱峰对应的角度即为声源方向。
- 优点： 可以分辨出小于波束成形瑞利限的多个邻近声源，具备超分辨能力。
- 缺点： 需要对声源数量进行预估计；不适合相干声源（如混响导致的多径信号）；计算复杂度高；低信噪比下性能下降明显。
旋转不变子空间法
- 原理： 利用阵列的平移不变性（如均匀线阵的几何对称性），通过信号子空间的旋转不变性来直接计算到达角，不需要像音乐那样在全空间搜索。
- 优点： 无需谱搜索，计算效率高；提供闭式解。
- 缺点： 特定阵列结构要求（均匀线性阵列），对阵列校准误差敏感。
基于深度学习的方法
近年来,基于神经网络的方法在复杂声学环境下表现出了强大的潜力。
特征提取+分类/回归
- 原理： 提取多通道信号的特征，如广义互相关-相位变换特征、(\log)-mel谱特征、空间协方差矩阵等，将这些特征输入深度神经网络，输出为分类（离散的方向区间）或回归（连续的角度值）。
- 常见网络： CNN（卷积神经网络）、RNN（循环神经网络）、Transformer。
- 优点： 对强噪声和强混响具有极强的鲁棒性；不需要精确的阵列几何模型；可以融合多种特征。
- 缺点： 需要大量的标注数据；泛化性受限于训练数据的场景多样性；物理可解释性差。
端到端语音分离+定位
- 原理： 利用基于深度学习的语音分离模型将多个重叠声源分离出来，再对分离后的每个声源用传统方法或另一个网络进行定位。
- 代表： 基于空间和谱特征的分离网络。
- 优点： 解决了多声源定位中的“鸡尾酒会”难题。
算法选型建议
| 特性 | 互相关+时差估计 | 延迟求和波束成形 | 音乐算法 | 深度学习方法 |
|---|---|---|---|---|
| 抗噪性 | 较差 | 中等 | 较低（低信噪比下差） | 优异 |
| 抗混响性 | 较差 | 中等 | 差（需去相关预处理） | 优异 |
| 多声源能力 | 差（需要配对） | 差（分辨率低） | 优异（超分辨） | 优异 |
| 计算开销 | 低 | 低 | 高（需特征分解+搜索） | 非常高 |
| 阵列依赖性 | 需精确的阵列几何 | 需精确的阵列几何 | 需精确的阵列几何 | 不敏感 |
| 实时性 | 高 | 高 | 中等 | 低（取决于网络大小） |
| 适用场景 | 嵌入式、实时、单源、低混响 | 会议、助听器、航拍 | 雷达、声纳、多源分离 | 智能音箱、机器人、复杂场景 |
- 对于单一静态声源，对实时性和计算资源要求高： 优先选择广义互相关-相位变换 + 几何求解。
- 对于需要持续跟踪或波束成形： 选择延迟求和波束成形（简单）或自适应波束成形（效果好但需注意稳定性）。
- 对于需要高精度分离多个邻近声源（如雷达、麦克风阵列基准测试）： 选择音乐算法（注意需要估计声源数量，并处理相干信号）。
- 对于非理想声学环境（强噪声、强混响、多源重叠）： 当前最有效的方法是深度学习方法，但需解决算力依赖和数据获取问题。
选择哪种算法,需要在计算资源、环境复杂度、精度要求三者之间权衡。
