기존 음원 위치 탐지 기술은 반향 환경이나 음성 신호의 높은 상관도로 인해 정확도 저하와 시간 지연 파악에 어려움이 있었습니다. 본 기술은 음향 채널 필터 계수의 '성김(sparsity)' 특성을 다채널 최소 평균 제곱법에 적용하여 이 한계를 극복합니다. 이 방법은 음원에서 센서까지의 직접 경로 시간 지연을 더욱 정확하게 추정하며, 반향이 심한 환경에서도 안정적인 음원 위치 파악이 가능하도록 하여 탐지 정확도를 획기적으로 개선합니다.

본 발명은 음성 신호에서 화자의 호불호를 정확하게 검출하는 딥 빌리프 네트워크(DBN) 기반의 혁신적인 방법을 제시합니다. 기존 음성 분석 기술의 한계를 넘어, 음성 특징 정보의 학습 신뢰도를 극대화하여 더욱 정교한 감정 인식이 가능합니다. 학습 데이터를 통해 음성 특징을 추출하고 DBN으로 학습하여 DBN 데이터를 생성하며, 여기에 호불호 식별 정보를 추가합니다. 이후 테스트 음성 신호가 입력되면, 이를 분석하여 화자의 호불호 검출 결과를 신뢰성 높게 제공합니다. 본 기술은 음성 데이터 활용 분야의 신뢰도를 한 차원 높이는 데 기여합니다.

소음 환경에서 음성 인식 성능 저하는 중요한 문제입니다. 본 발명은 이러한 문제 해결을 위해, 마이크로폰에 대한 타겟 음원의 도달 방향 정보를 활용하여 독립 성분 분석(ICA) 기반의 실시간 타겟 음성 분리 방법을 제안합니다. 이 기술은 입력 신호에서 타겟 음성 신호를 정확하게 분리하고 노이즈를 효과적으로 제거하여, 기존 방법 대비 계산량을 대폭 감소시키고 음성 인식의 정확도와 강인한 특성을 획기적으로 향상시킵니다. 특히, 널포머를 이용한 더미 출력 설정과 비용 함수 최적화를 통해 안정적인 음성 신호 추출이 가능하여, 다양한 소음 환경에서도 뛰어난 음성 인식 성능을 제공합니다. 이 혁신적인 기술은 음성 인식 시스템의 전처리 단계 효율을 극대화하여 사용자 경험을 개선합니다.

기존 음성인식 시스템은 예측 불가능한 소음 환경에서 성능 저하를 겪는 문제가 있었습니다. 특히 DNN 기반 기술 또한 훈련 환경과 실제 환경 간의 불일치 시 정확도가 급락하는 한계가 존재했습니다. 본 기술은 DCICA(DOA Constrained Independent Component Analysis)를 DNN(Deep Neural Network) 기반 특징 향상 기술과 융합하여 이러한 문제점을 해결합니다. DCICA가 추출한 타겟 및 잡음 추정 신호를 DNN 학습에 활용함으로써, 다양한 소음 조건에서도 음성 신호의 특징을 적응적으로 강화하여 음성 인식 성능을 획기적으로 개선합니다. 이로써 예측 불가능한 실제 환경에서도 안정적이고 높은 정확도의 음성 인식을 실현할 수 있습니다.

스테레오 음악에서 고품질 반주 추출은 오랜 과제였습니다. 본 발명은 스테레오 음악신호에서 노래 음성 신호를 정교하게 분리하고, 손실될 수 있는 하모닉 및 타악 신호를 재조합하여 원곡에 가까운 고품질의 반주 신호를 추출하는 혁신 기술을 제공합니다. 패닝 프로세싱과 메디안 필터링 기법을 활용하여 보컬 분리 정확도를 높였으며, 향상된 계산 속도로 모바일 환경에서도 즉각적인 반주 서비스 이용이 가능하도록 합니다. 이 기술은 가라오케, 멜로디 전사 등 다양한 분야에서 활용될 수 있습니다.

기존 객체 추적 방법은 조명 및 배경 변화, 저화질 영상 등 다양한 환경에서 정확도 저하 문제를 겪었습니다. 본 발명은 이러한 한계를 극복하기 위해 다중 히스토그램과 Minimax 추정 기법을 결합한 파티클 필터 기반의 혁신적인 객체 추적 기술을 제시합니다. 두 가지 이상의 특성(feature) 정보를 분석하여 최적의 특성을 선택, 파티클 무게를 정밀하게 계산함으로써 어떤 환경에서도 강건하고 정확한 추적이 가능합니다. 특히 저화질 영상 및 다중 객체 추적에서도 뛰어난 성능을 발휘하여, 컴퓨터 비전 분야의 다양한 응용 서비스 발전에 기여할 것으로 기대됩니다.