CN103730127B - 一种基于激光散斑图像进行语音信号重建的方法 - Google Patents

Abstract

本发明公开了一种基于激光散斑图像进行语音信号重建的方法，包括以下步骤：S1、激光器投射在目标物体表面，在空间中形成目标物体表面的散斑；S2、高速相机记录下散播在空间中的散斑，获得由一组连续帧散斑图像构成的散斑图像序列，并将其存储到计算机以进行后续处理；S3、自适应选取散斑图像上一定数量的像素点作为种子点；S4、根据种子点的灰度变化值，计算得出目标物体表面的振动信息，从而获得作用在目标物体表面的声波波形，实现语音信号的重建。本发明能够快速方便对语音信号进行探测并处理，同时又能保证探测结果的高信噪比和对噪声的鲁棒性，探测灵敏度高。

Description

一种基于激光散斑图像进行语音信号重建的方法

技术领域

本发明涉及激光散斑测振方法领域，具体的说是一种基于激光散斑对物体表面微振动进行探测进而实现语音信号重建的方法。

背景技术

激光散斑是由激光器产生相干光源照射在粗糙物体表面后，反射光散射在空间中互相干涉形成的。

激光散斑已经被广泛应用在医学领域和工程中的裂纹检测等，随着科技的发展，它渐渐地被应用语音探测领域中。在发展早期，对于语音探测的方法是使用光学干涉仪收集和检测从窗户上反射过来的光。这样的方法有四个主要的缺陷：(1)、所有声源被同时探测，因此必须使用数字盲源信号分离技术进行后续处理；(2)、激光器和探测干涉仪模块必须被放置在特定位置保证反射光束直接进入探测模块；(3)、该方法的探测模块非常复杂同时对噪声非常敏感；(4)、该方法需要一个窗户放置在声源附近。

上述主要缺陷严重限制了早期应用激光散斑对语音信号进行探测，为了克服这些缺陷，后来发展了另外两种典型的方法。其中一种方法首先将激光器照射在探测目标物体表面，然后用高速相机对由此散播在空间中的散斑进行高帧频录像，最后利用图像匹配技术对录像的相邻帧进行配准，从而得出散斑图像的位移信息，并在位移信息基础上重建语音信号。该方法主要有以下缺陷：(1)、计算复杂度太高，无法达到实时或准实时处理的要求；(2)、成像过程中要求一个合适的散焦程度，使得既能保证散斑在图像上的分辨率又能在此基础上获得尽量大的成像信噪比，但这是一个顾此失彼的过程，因此其有较苛刻的距离限制。

另一种方法中，首先将激光器照射在探测目标物体表面，然后用单个光电探测器去感应空间中散播的散斑的能量变化，利用该变化驱动光能到电能的转化，直接实现语音信号的重建。该方法的优点是由于其完全由物理硬件构成，无后续处理环节，因此具有实时处理能力。但该方法同样具有以下缺陷：(1)、需要在光电探测器前面安装与当时空间中散斑形状大体一致的空间滤波器，该过程较难实现；(2)空间滤波器会降低通过的光的能量，限制其探测距离；(3)该套设备在使用过程中对反射光源和单点光电探测器的对准非常繁琐。

发明内容

本发明的目的在于提供一种基于激光散斑图像进行语音信号重建的方法，其能够快速方便对语音信号进行探测并处理，同时又能保证探测结果的高信噪比和对噪声的鲁棒性。

为实现上述目的，本发明采用以下技术方案：

一种基于激光散斑图像进行语音信号重建的方法，包括以下步骤：

S1、激光器投射在目标物体表面，在空间中形成目标物体表面的散斑；

S2、高速相机记录下散播在空间中的散斑，获得由一组连续帧散斑图像构成的散斑图像序列，并将其存储到计算机以进行后续处理；

S3、自适应选取散斑图像上一定数量的像素点作为种子点；

S4、根据种子点的灰度变化值，计算得出目标物体表面的振动信息，从而获得作用在目标物体表面的声波波形，实现语音信号的重建。

优选地，所述自适应选取符合限定条件的种子点通过以下步骤实现：

S31、定义参数PS、DS及MS，对于散斑图像上的单个散斑斑点，PS为该散斑斑点的半径值，DS为该散斑斑点到相邻散斑斑点的距离值，MS为该散斑斑点在不同帧的散斑图像序列中的位移尺寸最大值；

S32、选取符合限定条件的散斑斑点作为目标斑点，所述限定条件为MS<PS、MS<DS；

S33、采用半径中点选点方式或最大变化值选点方式，在目标斑点上自适应选取一定数量的像素点作为种子点。

优选地，所述半径中点选点方式通过以下方法实现：对于散斑图像上单个目标斑点，首先确定该散斑斑点上灰度最大值点和灰度最小值点，然后选取灰度最大值点和灰度最小值点之间的中点位置上的像素点作为种子点。

优选地，所述最大变化值选点方式通过以下方法实现：首先选择位于目标斑点上的一定数量的像素点，并统计这些点在散斑图像序列中的灰度变化值，然后选取具有最大灰度变化值的部分点作为种子点。

优选地，所述步骤S4通过以下步骤实现：

S41、建立单点线性模型，描述每个种子点的灰度变化值与目标物体表面振动的映射关系；

S42、建立多点信息融合模型，对每个种子点的单点线性模型计算结果进行融合，从而获得作用在目标物体表面的声波波形，实现语音信号的重建。

优选地，所述单点线性模型为：

${\hat{x}}_{it}=a_i{y}_{it}+b_i+n_i,i=1,2,3...N;t=1,2,3...\mathrm{\&infin;};n_i~(0,{\mathrm{\&sigma;}}_i)$

其中，是第i点种子点在t帧的线性模型计算结果；y_it是第i点在第t帧的种子点的灰度变化值；n_i是第i点种子点的噪声，其满足均值为0方差为σ_i的高斯分布；a_i、b_i和σ_i为未知参数，N是种子点个数；

对每个单点线性模型有，

a_iy_it+b_i+n_i＝a_jy_jt+b_j+n_j,i＞j；i＝1,2,3...N；j＝2,3,4...N

对上述方程累加M帧，即有，

a_i(y_i1+y_i2+...+y_iM)+M×b_i＝a_j(y_j1+y_j2+...+y_jM)+M×b_j,i≠j

为解算未知参数a_i和b_i，取k组(k＝1,2……L)帧数为M帧的序列，即可得到k个上述累加方程，则有：

a_i、b_i通过以下方程解算：

$\{{\hat{a}}_i,{\hat{b}}_i\}=\mathrm{argmin}\underset{k=1}{\overset{L}{\&Sigma;}}\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=2,j<i}{\overset{N}{\&Sigma;}}(T_{ki}-T_{kj})$

T_ki＝a_i(y_ki1+y_ki2+…+y_kiM)+M×b_i,k＝1,2,...L；i＝1,2,...N

T_kj＝a_j(y_kj1+y_kj2+…+y_kjM)+M×b_j,k＝1,2,...L；j＝2,3...N

σ_i通过以下方程解算：

σ_i-σ_j＝Variance(a_jy_jt+b_j-a_iy_it-b_i)，其有解条件为N(N-1)/2＞N

式中，a_j、b_j和σ_j为种子点为j时的未知参数，y_ki1……y_kiM分别为k个累加方程组中各方程对应的第i点在第M帧的种子点的灰度变化值，y_kj1……y_kjM分别为k个累加方程组中各方程对应的第i点在第M帧的种子点的灰度变化值。

优选地，所述多点信息融合模型为：

${\hat{x}}_t=\underset{i=1}{\overset{N}{\&Sigma;}}{w}_i\&CenterDot;{\hat{x}}_{it}\&CenterDot;{\mathrm{phase}}_i,t=1,2,3...\mathrm{\&infin;};$

其中，是多个种子点在t帧的信息融合结果；w_i是第i点种子点的权重系数；phase_i是第i点种子点的相位。

优选地，所述w_i定义如下：

$w_i=\frac{\frac{1}{{\mathrm{\&sigma;}}_i}}{\underset{j=1}{\overset{N}{\&Sigma;}}\frac{1}{{\mathrm{\&sigma;}}_j}},i=1,2,3...N.$

优选地，所述phase_i通过以下方程求解：

${\mathrm{phase}}_i=\left\{\begin{array}{cc}1& {\mathrm{ifR}}_{x_s{x}_i}>0\\ -1& {\mathrm{ifR}}_{x_s{x}_i}<0\end{array}\right.$

$R_{x_s{x}_i}=\frac{\underset{t=1}{\overset{T}{\&Sigma;}}(x_{st}-{\stackrel{\&OverBar;}{x}}_s)(x_{it}-{\stackrel{\&OverBar;}{x}}_i)}{\sqrt{\underset{t=1}{\overset{T}{\&Sigma;}}{(x_{st}-{\stackrel{\&OverBar;}{x}}_s)}^2}\&CenterDot;\sqrt{\underset{t=1}{\overset{T}{\&Sigma;}}{(x_{it}-{\stackrel{\&OverBar;}{x}}_i)}^2}},i=1,2,3...N$

其中，x_s是人工定义的标准种子点，x_st是标准种子点在第t帧的灰度变化值，是种子点在T帧中的平均灰度变化值，x_it是第i点种子点在第t帧的灰度变化值，是第i点种子点在T帧里的平均灰度变化值。

采用上述技术方案后，本发明与背景技术相比，具有如下优点：

1、本发明实施过程简单，可方便对语音信号进行探测，受探测距离的限制小，计算机后续处理过程简单快速，可以达到实时或准实时的要求。

2、本发明利用散斑图像中像素点的灰度值变化来获得目标物体表面的振动信息，从而进行语音信号的重建，由于散斑图像中点的灰度变化范围(0～255)远远大于位置变化范围(几个像素单位)，使得本发明具有较高的探测灵敏度。

3、本发明不需要严格的适度散焦，不要求通过高速相机获取的散斑图样具有清晰的轮廓结构，具有较高的灵活性，在轻微散焦的条件下可以获得较远的探测距离。

4、本发明对噪声具有较强的鲁棒性。

5、本发明获得的语音探测结果，具有较高的信噪比。

附图说明

图1为本发明所采用的装置的结构示意图。

图2为本发明的工作流程图。

图3为本发明中高速相机获取的不同程度散焦的散斑示意图。

图4为本发明中种子点限定条件参数PS和DS的示意图。

图5为本发明中某次语音探测的样本音波波形示意图。

图6为本发明中基于图5中的样本音波进行语音探测和重建后的波形示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

本发明主要涉及的是一种基于激光散斑图像进行语音信号重建的方法，其改进之处并不涉及本发明所采用的装置，但为了更好的理解本发明，在对本实施例进行详细说明之前，先对本发明所采用的装置简单加以说明。

参见图1，本发明所采用的装置主要包括激光器100、高速相机200及计算机300。其中，激光器100用于发射激光并投射到目标物体表面，在空间中形成散斑；高速相机200用于采集散播在空间中的散斑，获取散斑图像；计算机300用于存储散斑图像并进行后续处理，进而实现语音信号重建。

下面结合附图对本实施例进行详细说明。

请参阅图1和图2，本发明公开了一种基于激光散斑图像进行语音信号重建的方法，其包括以下步骤：

S1、激光器投射在目标物体表面，在空间中形成目标物体表面的散斑。当声波作用在目标物体表面时，目标物体表面发生振动，相应的，散播在空间中的散斑产生位移。

S2、高速相机记录下散播在空间中的散斑，获得由一组连续帧散斑图像构成的散斑图像序列，并将其存储到计算机以进行后续处理，该散斑图像序列实际上记录了散斑斑点在不同时间点的位移信息。高速相机工作时，可通过不同程度的散焦获得不同大小和亮度的散斑图像(参考图3所示)。

S3、自适应选取散斑图像上一定数量的像素点作为种子点。该步骤通过以下步骤实现：

S31、定义参数PS、DS及MS，对于散斑图像上的单个散斑斑点，PS为该散斑斑点的半径值(如图4所示)，DS为该散斑斑点到相邻散斑斑点的距离值(如图4所示)，MS为该散斑斑点在不同帧的散斑图像序列中的位移尺寸最大值。

S32、选取符合限定条件的散斑斑点作为目标斑点，所述限定条件为MS<PS、MS<DS。根据先知经验，声波作用在目标物体表面时所引起的散斑斑点位移通常很小(几个像素单位)，通过设置上述限定条件，排除了半径值过小的散斑斑点和距离值过小的邻近散斑斑点，同时也可有效排除散斑图像上的异常斑点(如设备原因导致的散斑斑点的异常)。

S33、采用半径中点选点方式或最大变化值选点方式，在目标斑点上自适应选取一定数量的像素点作为种子点。其中：

半径中点选点方式通过以下方法实现：对于散斑图像上单个目标斑点，首先确定该散斑斑点上灰度最大值点和灰度最小值点，然后选取灰度最大值点和灰度最小值点之间的中点位置上的像素点作为种子点。根据先知经验，对于单个散斑斑点，其中心位置最亮(灰度值最小)，其边缘位置最暗(灰度值最大)，在将散斑斑点的形状视为圆形的情况下，按照上述选点方式选取的种子点位置实际是该圆形的半径中点位置。

最大变化值选点方式通过以下方法实现：首先选择位于目标斑点上的一定数量的像素点，并统计这些点在散斑图像序列中的灰度变化值，然后选取具有最大灰度变化值的部分点作为种子点。

本发明通过半径中点选点方式或最大变化值选点方式进行选点，能够保证所选取的种子点的质量，从而使得最终的语音重建结果具有较高的信噪比。这里提到的“种子点的质量”指的是，种子点的灰度变化能够清晰准确的反映出散斑斑点的位移信息，或者说种子点的灰度变化能够清晰准确的反映出目标物体表面的振动信息。

S4、根据种子点的灰度变化值，计算得出目标物体表面的振动信息，从而获得作用在目标物体表面的声波波形，实现语音信号的重建。该步骤通过以下步骤实现：

S41、建立单点线性模型，描述每个种子点的灰度变化值与目标物体表面振动的映射关系。

该单点线性模型为：

${\hat{x}}_{it}=a_i{y}_{it}+b_i+n_i,i=1,2,3...N;t=1,2,3...\mathrm{\&infin;};n_i~(0,{\mathrm{\&sigma;}}_i)$

其中，是第i点种子点在t帧的线性模型计算结果；y_it是第i点在第t帧的种子点的灰度变化值；n_i是第i点种子点的噪声，其满足均值为0方差为σ_i的高斯分布；a_i、b_i和σ_i为未知参数。在本实施例中，N取36，即种子点的数量为36个。

上述单点线性模型中a_i、b_i和σ_i的计算步骤如下：

(1)对每个单点线性模型有：

a_iy_it+b_i+n_i＝a_jy_jt+b_j+n_j,i＞j；i＝1,2,3...N；j＝2,3,4...N

(2)对步骤(1)中的式子累加M帧，得到：

a_i(y_i1+y_i2+...+y_iM)+M×b_i＝a_j(y_j1+y_j2+...+y_jM)+M×b_j,i≠j

在本实施例中，M取100。

(3)为解算未知参数a_i和b_i，取k组(k＝1,2……L)帧数为M帧的序列，即可得到k个上述累加方程，则有：

$\{{\hat{a}}_i,{\hat{b}}_i\}=\mathrm{argmin}\underset{k=1}{\overset{L}{\&Sigma;}}\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=2,j<i}{\overset{N}{\&Sigma;}}(T_{ki}-T_{kj})$

其中：

T_ki＝a_i(y_ki1+y_ki2+···+y_kiM)+M×b_i,k＝1,2,...L；i＝1,2,...N

T_kj＝a_j(y_kj1+y_kj2+…+y_kjM)+M×b_j,k＝1,2,...L；j＝2,3...N

式中，a_j和b_j为种子点为j时的未知参数，y_ki1……y_kiM分别为k个累加方程组中各方程对应的第i点在第M帧的种子点的灰度变化值，y_kj1……y_kjM分别为k个累加方程组中各方程对应的第i点在第M帧的种子点的灰度变化值。

(4)通过以下公式解算σ_i：

σ_i-σ_j＝Variance(a_jy_jt+b_j-a_iy_it-b_i)，式中σ_j为种子点为j时的未知参数，

上式有解条件为N(N-1)/2＞N，即当N>3时，上述方程就有解。

S42、建立多点信息融合模型，对每个种子点的单点线性模型计算结果进行融合，从而获得作用在目标物体表面的声波波形，实现语音信号的重建。

该多点信息融合模型为：

${\hat{x}}_t=\underset{i=1}{\overset{N}{\&Sigma;}}{w}_i\&CenterDot;{\hat{x}}_{it}\&CenterDot;{\mathrm{phase}}_i,t=1,2,3...\mathrm{\&infin;};$

其中，是多个种子点在第t帧的信息融合结果；w_i是第i点种子点的权重系数；phase_i是第i点种子点的相位。

通过在上述多点信息融合模型中引入权重系数w_i，对噪声具有较强的鲁棒性。在本实施例中，w_i定义如下：

$w_i=\frac{\frac{1}{{\mathrm{\&sigma;}}_i}}{\underset{j=1}{\overset{N}{\&Sigma;}}\frac{1}{{\mathrm{\&sigma;}}_j}},i=1,2,3...N$

phase_i可通过以下方程求解：

${\mathrm{phase}}_i=\left\{\begin{array}{cc}1& {\mathrm{ifR}}_{x_s{x}_i}>0\\ -1& {\mathrm{ifR}}_{x_s{x}_i}<0\end{array}\right.$

$R_{x_s{x}_i}=\frac{\underset{t=1}{\overset{T}{\&Sigma;}}(x_{st}-{\stackrel{\&OverBar;}{x}}_s)(x_{it}-{\stackrel{\&OverBar;}{x}}_i)}{\sqrt{\underset{t=1}{\overset{T}{\&Sigma;}}{(x_{st}-{\stackrel{\&OverBar;}{x}}_s)}^2}\&CenterDot;\sqrt{\underset{t=1}{\overset{T}{\&Sigma;}}{(x_{it}-{\stackrel{\&OverBar;}{x}}_i)}^2}},i=1,2,3...N$

其中，x_s是人工定义的标准种子点，x_st是标准种子点在第t帧的灰度变化值，是种子点在T帧中的平均灰度变化值，x_it是第i点种子点在第t帧的灰度变化值，是第i点种子点在T帧里的平均灰度变化值。

通过以上描述可以看出，本发明利用散斑图像中像素点的灰度值变化来获得目标物体表面的振动信息，从而进行语音信号的重建。由于散斑图像中点的灰度变化范围(0～255)远远大于位置变化范围(几个像素单位)，使得本发明具有较高的探测灵敏度，可方便对语音信号进行探测，受探测距离的限制小，计算机后续处理过程简单快速，可以达到实时或准实时的要求。

为了能够更直观的理解本发明，以具体的语言重建过程为例进行说明，图5给出了样本音波的的波形示意图，该音波传播到目标物体并作用于目标物体表面，目标物体表面发生振动，通过本发明提供的方法探测目标物体表面的微振动进而实现语音信号的重建，图6给出了语音重建结果的波形示意图。通过对比，可以发现本发明能够准确的实现语音信号的重建。

通过以上描述可以看出，本发明利用散斑图像中像素点的灰度值变化来获得目标物体表面的振动信息，从而进行语音信号的重建。由于散斑图像中点的灰度变化范围(0～255)远远大于位置变化范围(几个像素单位)，使得本发明具有较高的探测灵敏度，可方便对语音信号进行探测，受探测距离的限制小，计算机后续处理过程简单快速，可以达到实时或准实时的要求。由于本发明是利用散斑图像中像素点的灰度值变化(而不是散斑斑点的位移尺寸)来获得语音重建的结果，并不要求通过高速相机获取的散斑图样具有清晰的轮廓结构，这样使得本发明具有较高的灵活性，在轻微散焦的条件下可以获得较远的探测距离。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种基于激光散斑图像进行语音信号重建的方法，其特征在于，包括以下步骤：

S1、激光器投射在目标物体表面，在空间中形成目标物体表面的散斑；

S2、高速相机记录下散播在空间中的散斑，获得由一组连续帧散斑图像构成的散斑图像序列，并将其存储到计算机以进行后续处理；

S3、自适应选取散斑图像上一定数量的像素点作为种子点；

S4、根据种子点的灰度变化值，计算得出目标物体表面的振动信息，从而获得作用在目标物体表面的声波波形，实现语音信号的重建。

2.如权利要求1所述的一种基于激光散斑图像进行语音信号重建的方法，其特征在于，所述自适应选取符合限定条件的种子点通过以下步骤实现：

S31、定义参数PS、DS及MS，对于散斑图像上的单个散斑斑点，PS为该散斑斑点的半径值，DS为该散斑斑点到相邻散斑斑点的距离值，MS为该散斑斑点在不同帧的散斑图像序列中的位移尺寸最大值；

S32、选取符合限定条件的散斑斑点作为目标斑点，所述限定条件为MS<PS、MS<DS；

S33、采用半径中点选点方式或最大变化值选点方式，在目标斑点上自适应选取一定数量的像素点作为种子点。

3.如权利要求2所述的一种基于激光散斑图像进行语音信号重建的方法，其特征在于，所述半径中点选点方式通过以下方法实现：对于散斑图像上单个目标斑点，首先确定该散斑斑点上灰度最大值点和灰度最小值点，然后选取灰度最大值点和灰度最小值点之间的中点位置上的像素点作为种子点。

4.如权利要求2所述的一种基于激光散斑图像进行语音信号重建的方法，其特征在于，所述最大变化值选点方式通过以下方法实现：首先选择位于目标斑点上的一定数量的像素点，并统计这些点在散斑图像序列中的灰度变化值，然后选取具有最大灰度变化值的部分点作为种子点。

5.如权利要求1-4任一项所述的一种基于激光散斑图像进行语音信号重建的方法，其特征在于，所述步骤S4通过以下步骤实现：

S41、建立单点线性模型，描述每个种子点的灰度变化值与目标物体表面振动的映射关系；

S42、建立多点信息融合模型，对每个种子点的单点线性模型计算结果进行融合，从而获得作用在目标物体表面的声波波形，实现语音信号的重建。

6.如权利要求5所述的一种基于激光散斑图像进行语音信号重建的方法，其特征在于，所述单点线性模型为：

${\hat{x}}_{it}=a_i{y}_{it}+b_i+n_i,i=1,2,3...N;t=1,2,3...\mathrm{\&infin;};n_i~(0,{\mathrm{\&sigma;}}_i)$

其中，是第i点种子点在t帧的线性模型计算结果；y_it是第i点在第t帧的种子点的灰度变化值；n_i是第i点种子点的噪声，其满足均值为0方差为σ_i的高斯分布；a_i、b_i和σ_i为未知参数，N是种子点个数；

对于每个单点线性模型有：

a_iy_it+b_i+n_i＝a_jy_jt+b_j+n_j,i＞j；i＝1,2,3...N；j＝2,3,4...N

对上述方程累加M帧，即有：

a_i(y_i1+y_i2+...+y_iM)+M×b_i＝a_j(y_j1+y_j2+...+y_jM)+M×b_j,i≠j

为解算未知参数a_i和b_i，取k组(k＝1,2......L)帧数为M帧的序列，即可得到k个上述累加方程，则有：

$\{{\hat{a}}_i,{\hat{b}}_i\}=\arg min\underset{k=1}{\overset{L}{\&Sigma;}}\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=2,j<i}{\overset{N}{\&Sigma;}}(T_{ki}-T_{kj})$

T_ki＝a_i(y_ki1+y_ki2+…+y_kiM)+M×b_i,k＝1,2,...L；i＝1,2,...N

T_kj＝a_j(y_kj1+y_kj2+…+y_kjM)+M×b_j,k＝1,2,...L；j＝2,3...N

σ_i通过以下方程解算：

σ_i-σ_j＝Variance(a_jy_jt+b_j-a_iy_it-b_i)，其有解条件为N(N-1)/2＞N

式中，a_j、b_j和σ_j为种子点为j时的未知参数，y_ki1......y_kiM分别为k个累加方程组中各方程对应的第i点在第M帧的种子点的灰度变化值，y_kj1......y_kjM分别为k个累加方程组中各方程对应的第i点在第M帧的种子点的灰度变化值。

7.如权利要求6所述的一种基于激光散斑图像进行语音信号重建的方法，其特征在于，所述多点信息融合模型为：

${\hat{x}}_t=\underset{i=1}{\overset{N}{\&Sigma;}}{w}_i\&CenterDot;{\hat{x}}_{it}\&CenterDot;{\mathrm{phase}}_i,t=1,2,3...\mathrm{\&infin;};$

其中，是多个种子点在t帧的信息融合结果；w_i是第i点种子点的权重系数；phase_i是第i点种子点的相位。

8.如权利要求7所述的一种基于激光散斑图像进行语音信号重建的方法，其特征在于，所述w_i定义如下：

$w_i=\frac{\frac{1}{{\mathrm{\&sigma;}}_i}}{\underset{j=1}{\overset{N}{\&Sigma;}}\frac{1}{{\mathrm{\&sigma;}}_j}},i=1,2,3...N.$

9.如权利要求7所述的一种基于激光散斑图像进行语音信号重建的方法，其特征在于，所述phase_i通过以下方程求解：

${\mathrm{phase}}_i=\left\{\begin{array}{cc}1& {\mathrm{ifR}}_{x_s{x}_i}>0\\ -1& {\mathrm{ifR}}_{x_s{x}_i}<0\end{array}\right.$

$R_{x_s{x}_i}=\frac{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\left(x_{st}-{\stackrel{\&OverBar;}{x}}_s\right)\left(x_{it}-{\stackrel{\&OverBar;}{x}}_i\right)}{\sqrt{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\left(x_{st}-{\stackrel{\&OverBar;}{x}}_s\right)}^2}\&CenterDot;\sqrt{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\left(x_{it}-{\stackrel{\&OverBar;}{x}}_i\right)}^2}},i=1,2,3...N$

其中，x_s是人工定义的标准种子点，x_st是标准种子点在第t帧的灰度变化值，是种子点在T帧中的平均灰度变化值，x_it是第i点种子点在第t帧的灰度变化值，是第i点种子点在T帧里的平均灰度变化值。