CN101464756A - 确定至少两个冲击的位置的方法 - Google Patents

Abstract

本发明涉及一种方法，用于使用一个或多个传感器S_i确定表面上的至少两个冲击F₁和F₂的位置，其中i＝1到n，n是传感器的数目，所述冲击F₁和F₂产生一个或多个传感器所感测到的信号，其中每一个传感器提供感测信号s_i(t)，i＝1到n，n是传感器的数目。为了能够确定同时的不同幅度的冲击，该方法包括步骤：识别一个冲击的位置x，并且基于感测信号s_i(t)中的每一个与预定参考信号r_ij(t)的比较，特别是相关，确定针对每一个传感器的修改的感测信号s_i’(t)，在所述修改的感测信号s_i’(t)中，由于所识别的冲击所产生的贡献被减小，其中预定参考信号r_ij(t)与位置j处的参考冲击R_j相对应。本发明还涉及基于感测信号对的方法以及实现发明方法的设备。

Description

确定至少两个冲击的位置的方法

技术领域

本发明涉及一种用于使用一个或多个传感器确定表面上的至少两个冲击的位置的方法。

背景技术

相对于基于标准技术的触控人机界面，例如容性界面，使用基于对通过接口板传播的声波的识别的触觉技术的人机界面呈现出了多个优点。具体地，用户在其上创建冲击的接口板的材料不必是使用声学技术的导体，此外，创建冲击的方式也不受限制，例如可以通过任意途径产生声波，例如通过指尖、戴手套的手指、铁笔等。

事实上，在物体上轻击产生穿过材料的声波波形，由此创建对于冲击位置而言是唯一的声学特征。连接到计算机或DSP板的声传感器将捕获物体内的音频震动，由此产生相应的声学特征。WO03_107261A2中对这种技术进行了阐述。

直到现在，这项技术还适于识别在接口装置上一次一个的轻击的位置，并适于根据所识别的轻击或冲击动作的位置而发起相应的动作。然而，现在的应用要求人机界面可以识别多个同时的输入和/或与输入装置在界面装置上的滑动相对应的轨迹输入，由此提供对用户更加友好和/或增强的能力。

发明内容

因此，本发明的目的在于提供一种能够识别界面装置上的多于一个冲击的位置的方法，特别针对利用相同强度实现各种输入的情况。

这个目的是利用根据权利要求1的方法和根据权利要求7的方法来实现的。

根据权利要求1的特征，用于使用一个或多个传感器S_i来确定表面上的至少两个冲击F₁和F₂的位置的方法，其中i＝1到n，n是传感器的数目，其中所述冲击F₁和F₂产生一个或多个传感器所感测到的信号，其中每一个传感器提供感测信号s_i(t)，i＝1到n，n是传感器的数目，该方法包括步骤：a)识别一个冲击的位置x，特别是最强冲击的位置x，以及b)基于感测信号s_i(t)中的每一个与预定参考信号r_ij(t)的比较，特别是相关，确定针对每一个传感器的修改的感测信号s_i’(t)，在所述修改的感测信号s_i’(t)中，由于所识别的冲击所产生的影响被减小。

预定参考信号r_ij(t)与传感器s_i在参考位置R_j处的冲击之后感测到的信号相对应。实际上，在能够确定至少两个冲击的位置之前，交互作用表面的特征在于：在设置于特定数目的参考位置R_j处的一系列参考冲击之后，对各个传感器所感测到的信号进行分析。此外，利用数值建模的方法(射线跟踪法、有限差分法、有限元法、边界单元法等)对各个传感器在一系列参考冲击之后感测到的信号进行建模。

在上下文中，“最强冲击”同样包括两个或多个冲击具有相同强度的情况。在这种情况下，该方法被配置为选择其中一个冲击，该冲击在下文中将被认为表示“最强冲击”。

感测信号与参考信号的比较可以通过任意合适的方法来实现，例如相关，包括修改的相关，以优化数据分析、语音识别、信号识别、形式识别、神经网络等。

除了工作于时域，根据本发明，该方法当然也可以在频域中确定修改的感测信号，这可以通过使用感测信号和参考信号的傅立叶变换来实现。

本发明方法适于：在冲击同时发生并因此同时或在短时段(优选为从0到几十毫秒ms的范围内)内彼此跟随的情况下，识别两个冲击的位置。

由于感测信号和预定参考信号的相关的特定性质，实际上可以获得修改的传感器信号，由此能够减小识别到的(具体为最强的)冲击的影响，因此能够确定第二最强冲击的位置，并且这甚至可以在两个冲击同时完成的情况下实现。

优选地，步骤b)可以包括以下步骤：将感测信号s_i(t)中的每一个与参考信号r_ix(t)进行相关，具体是使用感测到的信号s_i(t)的傅立叶变换S_i(ω)和参考信号r_ix(t)的傅立叶变换R_ix(ω)，其中参考信号r_ix(t)是多个参考信号r_ij(t)中与临近、具体为最接近最强冲击的位置x的参考冲击相对应的参考信号；利用预定函数(具体为复指数函数)对每一个相关乘积进行拟合；以及从相关乘积中减去拟合得到的函数。

由于与最接近最强冲击的参考信号的相关，最强冲击对于整个信号的贡献被增强。遵循传播规则和傅立叶变换的规则，该贡献采取复指数函数的形式。此外，可能扰乱该复指数函数的其他冲击的贡献相当小，以至于通过该复指数函数对相关进行拟合将使得能够逼近最强信号的贡献。然后，将该逼近从总的信号中减去，因此在相减之后，次强冲击的贡献实质上是剩下的相关值的一部分。

然后，将剩余的相关值用于确定下一个最强信号的位置。为此，可以使用同样用于最强冲击的方法。可以看出，该方法也特别适于参考冲击和实际冲击的激励相同或至少可比拟的情况。最后一个假定具体在实际冲击与参考冲击之间的距离小于波长的最小值的情况下有效，波长的最小值取决于工作频率的最大值。

根据有利的备选，步骤b)可以包括将感测信号s_i(t)的傅立叶变换S_i(ω)中的每一个与参考信号r_ix(t)的傅立叶变换R_ix(ω)进行相关，由此获得n个相关乘积S_i(ω)R_ix ^*(ω)，其中参考信号r_ix(t)是多个参考信号r_ij(t)中与临近、具体为最接近最强冲击的位置x的参考冲击相对应的的参考信号；对相关乘积S_i(ω)R_ix ^*(ω)关于n个传感器进行平均；确定n个相关乘积S_i(ω)R_ix ^*(ω)的平均值的相位；将相关乘积S_i(ω)R_ix ^*(ω)中每一个与平均值的相位的复共轭相乘，由此获得修改的相关乘积；从修改的相关乘积中减去实部；以及将修改的相关乘积的剩余部分中的每一个与平均值的相位相乘。

与第一备选一样，本备选利用了各个相关乘积的优点，使用最强冲击的参考信号来消除最强冲击对总感测信号的贡献。除了上述优点之外，本方法在参考激励与实际冲击在时域中的形式和/或幅度方面不可比拟的情况下特别有用。

有利地，步骤b)还可以包括：将所获得的结果与参考信号r_ix(t)的傅立叶变换R_ix(ω)相乘，以获得与修改的感测信号s_i’(t)相对应的修改的傅立叶变换S_i’(ω)。在移除参考信号R_ix(ω)的贡献的情况下，获得修改的感测信号，该信号至少传感器与在最强冲击没有发生的情况下感测到的信号相似。因此，可以使用标准的处理从修改的信号中确定次强冲击。完成该任务后，可以容易地确定两个最强冲击的位置。

优选地，步骤a)可以包括：确定感测信号s_i(t)与每一个参考信号r_ij(t)的相关，具体使用傅立叶变换S_i(ω)和R_ij(ω)；以及针对每一个参考信号r_ij(t)，关于传感器对相关乘积进行平均。因为在与最接近或靠近最强冲击的参考信号相关时，最强攻击的贡献将被放大，所以将感测信号与每一个参考信号进行关联将使得能够识别最强冲击。对所有的传感器求平均还有利于识别最强冲击。

根据优选实施例，上述方法还可以包括步骤c)：使用修改的感测信号s_i’(t)或其傅立叶变换S_i’(ω)来识别下一个较弱第二冲击的位置，其中步骤c)包括确定每一个传感器的修改的感测信号s_i’(t)与每一个参考信号r_ij(t)的相关，具体是使用傅立叶变换S_i’(ω)和R_ij(ω)进行确定，并且针对每一个参考信号r_ij(t)；以及优选地在时域中，基于传感器对相关乘积进行平均。在知道实质上已经移除了最强贡献的情况下，本方法将使得能够容易地识别下一个最强冲击，因为如上所述，与最接近第二最强冲击的参考信号的相关将会放大第二最强信号对修改的感测信号的贡献，因此可以通过寻找系列相关乘积中的最大值来识别第二最强冲击。对于所有传感器进行的平均还有利于可靠地识别下一个最强冲击的位置。

利用上述方法，即使第二冲击的幅度大约小于最强冲击的0.01，也可以识别到该第二冲击。此外，甚至可以在两个冲击的强度几乎一样时识别第二最强冲击。

在时域实现平均特别有利。利用这种方式，减小了相关乘积的平均值的幅度和极大值的总和。由此改进了对比度，对比度被定义为其位置最接近最强冲击的参考信号的相关乘积与其他相关乘积(即其其位置进一步远离最强冲击的参考信号的相关乘积)的平均值的比率。因此，与总和超过绝对值的频域平均相比，时域平均提供了更好的对比度，从而在很大程度上有助于识别较弱的冲击

有利地，可以重复步骤a)到c)以识别下一个较弱冲击的位置，其中每一次在步骤a)中将在前一轮识别出的冲击的位置作为最强位置x，以及在步骤b)中从前一轮确定的修改的感测信号中确定新的修改的感测信号。因此不仅可以识别两个冲击，而且可以识别多个冲击，如果同时进行，每一次使用相同的算法。

本发明的目的还利用根据权利要求7所述的方法来实现。该方法在于：使用一个或多个传感器s_i来确定表面上的至少两个冲击F₁和F2的位置，其中i＝1到n，n是传感器的数目；产生一个或多个传感器所感测到的信号，其中每一个传感器提供感测信号s_i(t)，i＝1到n，n是传感器的数目，所述方法包括步骤：a)识别一个冲击的位置x，特别是最强冲击的位置x；以及基于感测信号s_i(t)，并且进一步基于感测信号对s_i(t)与相应的预定参考信号对r_ij(t)和r_i’j(t)的比较，具体是相关，来确定修改的信号，在所述修改的信号中，最强冲击的贡献被减小。

以上给出的与根据权利要求1的发明有关的定义和特性同样适用于第二发明方法。

本方法还使得能够具体在感测信号与参考信号的相关中提取修改的信号。这里使用两个传感器的相关，以代替将每一个传感器的信号与参考信号进行相关。这具有优点：时域中的激励、参考激励和实际冲击的实际激励可以不同。除了上述不同之外，与上述方法相比，使用该方法也可以取得同样的优点。

有利地，步骤b)可以包括：将两个感测信号s_i(t)和s_i’(t)的傅立叶变换进行相关，由此获得第一相关乘积S_i(ω)S_i’(ω)^*；将相应的参考信号r_ix(t)和r_i’x(t)进行相关，由此获得第二相关乘积R_ix(ω)*R_i’x(ω)，参考信号r_ix(t)和r_i’x(t)是与临近(具体是最接近最强冲击的位置x)的参考冲击相对应的参考信号；将第一和第二相关乘积进行相关，以获得第三相关乘积S_i(ω)S_i’(ω)*R_ix(ω)R_ix’(ω)^*；以及关于所有传感器对第三相关乘积的实部进行平均，并从第三相关乘积中减去该平均值，以获得P_ii’x(ω)。这个方法利用了以下事实：第三乘积在有两个冲击的情况下具有四项，一项关于最强冲击，一项关于较弱冲击，以及两个混合项。和上面一样，最强冲击的贡献应被减小。这通过移除第三相关乘积的实部的平均值来实现。实际上，混合项是复数，并且对于不同的传感器，其实部将围绕零振荡，因此相对于作为纯实数的最强冲击的贡献，混合项的实部很小。另一个进一步的假设是：相对于最强冲击的贡献，由于对的相关而产生的较弱冲击的贡献较小，实部的平均值主要由最强冲击产生。通过将这部分从第三相关乘积中移除，可以由此对来自较弱冲击的贡献进行放大。

有利地，该方法还可以包括识别下一个较弱冲击的位置的步骤c)，其包括：针对所有参考冲击rm和所有传感器对s_i和s_i’，将P_ii’x(ω)与R_ixR_im*(ω)+R_i’x ^*R_i’m(ω)相乘；对每一个乘积进行傅立叶变换；以及将每一个傅立叶变换的负时间部分加到正时间部分。

通过执行这些步骤，可以通过简单地寻找在哪一个参考冲击位置获得最大值来识别下一个较弱冲击的位置。因此，这一位置与第二冲击之一相对应。

有利地，步骤c)还可以包括：优选地在时域中，针对所有传感器对s_i和s_i’，对所获得的和进行平均。通过关于所有传感器对进行平均，信噪比变好(参见上述相关的对比度)，以使得即使在较弱冲击与较强冲击的幅度比非常低的情况下，也可以识别较弱冲击。

根据有利的实施方式，可以重复步骤a)到c)以识别下一个较弱冲击的位置，其中每一次在步骤a)中将在前一轮的步骤c)中所识别出的冲击的位置视为最强位置x，以及在步骤b)中从前一轮所确定的修改的信号中确定新的修改的信号。因此，该方法不仅可以应用于两个冲击，特别是同时的冲击，而且也可以扩展到甚至多个冲击，以便能够实现多点触控的人机界面。

有利地，步骤a)可以包括：确定每一个传感器的感测信号s_i’(t)与每一个参考信号r_ij(t)的相关，具体是使用傅立叶变换S_i’(ω)和R_ij(ω)；以及优选地在时域中，针对每一个参考信号r_ij(t)，关于传感器对相关乘积进行平均。因为在与最接近或临近最强冲击的参考信号相关时，最强攻击的贡献将被放大，所以将感测信号与每一个参考信号进行相关将使得能够识别最强冲击。关于所有传感器进行平均进一步有利于识别最强冲击。

根据备选，步骤a)可以包括：将两个感测信号s_i(t)和s_i’(t)的傅立叶变换进行相关，由此获得第一相关乘积S_i(ω)S_i’(ω)^*；将参考信号r_im(t)和r_i’m(t)的傅立叶变换进行相关，由此获得第二相关乘积R_im(ω)*R_i’m(ω)；将第一和第二相关乘积进行相关，以获得第三相关乘积S_i(ω)S_i’(ω)^*R_im(ω)^*R_im’(ω)；以及优选地在时域中，关于传感器对S_i和S_i’对相关乘积进行平均。此外，在这种识别最强冲击的方法中，利用了相关的特性，并且通过查找关于传感器的平均值的最大值来确定位置。通过查找传感器对和参考信号对，改进了分辨率。

同样的方法也可以用在步骤c)中，以基于修改的感测信号来识别下一个较弱冲击的位置。

根据有利实施例，该方法可以包括：使用如上所述的方法确定表面上的连续冲击的轨迹。该优点可以从上述算法中获取，上述算法用于确定两个冲击，例如在不同位置处、但基本上是同时的冲击，以确定轨迹，以使得手指能够在方向表面上滑动。

优选地，第一和第二冲击对应于轨迹上的连续位置。因此，在不对用于确定同时冲击的方法进行任何修改的情况下，该方法也适于建立轨迹。

根据有利实施例，传感器可以是声传感器。在上下文中，“声传感器”指的是能够感测声波信号的传感器，例如压电传感器、压阻传感器、磁致伸缩传感器、容性位移传感器、激光干涉型传感器、电磁声学传感器(EMAT)。可以看出，识别多于一个冲击在处理声波信号时特别有用。

本发明还涉及一种计算机程序产品，包括一个或多个具有计算机可执行指令的计算机可读介质，该计算机可执行指令用于执行如上所述的方法中的步骤。

本发明的目的还可以利用用于在表面上确定至少两个冲击F₁和F₂的设备来实现，该设备包括：处理单元以及一个或多个传感器，该设备被配置为向处理单元发送感测到的作为至少两个冲击的结果的信号，其中，处理单元被配置并布置为执行根据权利要求1至17之一所述的方法。利用该设备，可以获得与上述方法相同的优点。

附图说明

下面，将关于所公开的附图对本发明进行进一步的详细描述。

图1示意性地示出对本发明的各个实施例中的接口板和多个声传感器的详细说明，

图2示出了感测信号与预定参考信号的相关函数的极大值，

图3示出了针对八个不同的声传感器的对于理解本发明有用的示例中的相关函数的极大值，

图4示出了关于对比度对图3中所获得的结果进行平均所得到的效果，

图5a到5d示出了在两个冲击的情况下针对各个幅度比的相关极大值，

图6示出了本发明的第一实施例，

图7示出了第一实施例中的第二步骤的细节，

图8示出了针对所有声传感器的相关函数S_iR_im ^*的极大值，

图9示出了相关函数S_iR_im ^*的极大值的平均，

图10示出了使用针对所有声传感器的修改的感测信号的相关函数S_i’R_im ^*的极大值，该极大值用于识别较弱冲击的位置，

图11示出了相关函数S_i’R_im ^*的极大值的平均，

图12a-12h示出了针对幅度比为1、0.7、0.3和0.01的两个冲击通过第一实施例而获得的结果，

图13示出了本发明的第二实施例中的第二步骤的细节，

图14示出了第三实施例的处理步骤，

图15示出了用于利用声传感器对和参考信号对来确定最强冲击的结果，

图16示出了对图15中的相关极大值的平均，

图17示出了用于利用声传感器对与参考信号对的修改的相关来确定第二冲击的结果，以及

图18示出了图17中的相关极大值的平均。

具体实施方式

图1示意性地示出了人机界面1，其包括接口板3和多个声传感器5a至5h，这里为8个声传感器。声传感器5a至5h的输出连接到处理单元(未示出)，该处理单元被配置为对声传感器5a到5h所感测的信号进行处理。声传感器典型地包括具有放大器和过滤器的电子调节单元，并且在将模拟信号发送至处理单元之前，最终通过使用ADC对模拟信号进行数字化转换。

这种人机界面1基于这以下认识：声波通过接口板3传播，并由声传感器5a到5h感测。人机界面1应用于多种设备中，例如自动售货机、个人计算机、工业机器接口、用于家用电器的界面、或任意其他需要人机界面来给设备提供输入的设备或情况。由于对输入的识别基于声波，因此接口板3的材料可以是声波可以通过其传播的任意材料或材料混合物，例如玻璃、塑料板或木头。此外，接口板3的形状不必是如图所示的矩形，也可以是任意的形状，例如弧形。

声传感器5a-5h是压电传感器类型的。然而，也可以使用其他类型的压敏传感器，例如压阻传感器、磁致伸缩传感器、容性位移传感器、激光干涉型传感器、电磁声学传感器(EMAT)。在图1的示意性布置中，使用了八个声传感器5a到5h，然而，根据所需的精确度或人机界面1的尺寸，也可以使用更多或更少的声传感器。在所示的配置中，用虚线描绘声传感器5a到5h，以显示其被布置在接口板3的背面，用户可以通过使用其指尖、或带上手套的手指或铁笔等在接口板的正面提供冲击。然而，人机界面1不局限于这种特定配置。根据本发明，也可以将传感器5a到5h中的至少一些布置在发生冲击的接口板3表面这一侧。

在图1中，星号“*”表示三个冲击F₁、F₂和F₃的位置。本发明的优点在于提供了以下方法：即使在同时发生冲击和/或由于接口板3上的滑动而产生冲击的情况下，也能够确定这些冲击位置。然而，本发明不局限于对三个冲击F₁-F₃的识别，而是根据可用计算能力，可以将可识别的冲击扩展到三个以上或者只有两个。

每一个冲击F_j的特征通过激励函数e_j(t)来描述，并且每一个传感器S_i具有固有响应函数c_i(t)，其中“t”表示时间。将位于冲击F_j的激励与传感器S_i的感测位置联系起来的函数定义为h_ij(t)。利用这些定义，可以由于冲击F_j(j＝1-M，在图1所示的情况下为M＝3)产生的传感器S_i对同时的激励或几乎同时的激励(例如，在从0到几十毫秒的时延内)的响应写为：

(1) $s_i\left(t\right)=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{c}_i\left(t\right)*h_{\mathrm{ij}}\left(t\right)*e_j(t-{\mathrm{\τ}}_j)$

这里，星号“*”表示卷积乘积。下面，为了简化等式，将在频域中进行描述，在频域中卷积乘积变为简单的乘法乘积。然而，对于所有的实施例，在不背离本发明的要旨的前提下，也可以在时域中执行必需的数据处理。在这种情况下，等式1可以被写为：

(2) $S_i\left(\mathrm{\ω}\right)=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{C}_i\left(\mathrm{\ω}\right)*H_{\mathrm{ij}}\left(\mathrm{\ω}\right)E_j\left(\mathrm{\ω}\right)e^{{-\mathrm{j\ω\τ}}_j}$

这里，指数函数中的项“j”表示-1的平方根。S_i(ω)、C_i(ω)、H_ij(ω)和E_j(ω)分别是s_i(t)、c_i(t)、h_ij(t)和e_j(t)的傅立叶变换。“ω”表示角频率。“τ_j”表示第j个冲击的激励函数的时延。

通过将在下面进一步描述的实施例，对声冲击F_j的位置的定位基于每一个声传感器S_i所感测到的信号S_k(ω)与参考信号R_km(ω)之间的相关，R_km(ω)是参考信号r_km(t)在时域中的傅立叶变换。预先通过实验方法或数值建模方法确定参考信号r_km(t)。实际上，r_km(t)与声传感器S_k在位置R_m(m＝1到P)处的参考冲击之后感测到的参考信号相对应。在图1中，一系列这样的参考位置通过符号“+”示出，并带有参考标记R_m。频域中的参考信号R_km可以通过下述方式表示：

(3)R_km(ω)＝C_k(ω)H_km(ω)E′_m(ω)

由于参考冲击的激励和实际冲击(F₁、F₂或F₃)的激励不必相同，因此激励项E’_m(ω)可以与等式(2)中的激励项不同。

当将等式2和3的表达式联系起来时(其中i≡k)，可以获得：

$S_i\left(\mathrm{\ω}\right){R_{\mathrm{im}}}^{*}\left(\mathrm{\ω}\right)=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{C}_i\left(\mathrm{\ω}\right)H_{\mathrm{ij}}\left(\mathrm{\ω}\right)E_j\left(\mathrm{\ω}\right)e^{{-\mathrm{j\ω\τ}}_j}{C_i}^{*}\left(\mathrm{\ω}\right){H_{\mathrm{im}}}^{*}\left(\mathrm{\ω}\right){{E\′}_m}^{*}\left(\mathrm{\ω}\right)$

(4) $=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{C}_i\left(\mathrm{\ω}\right){C_i}^{*}\left(\mathrm{\ω}\right)H_{\mathrm{ij}}(\mathrm{\ω}{H_{\mathrm{im}}}^{*}\left(\mathrm{\ω}\right){{E_j\left(\mathrm{\ω}\right)E\′}_m}^{*}\left(\mathrm{\ω}\right)e^{-{\mathrm{j\ω\τ}}_j}$

$=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\left|C_i\left(\mathrm{\ω}\right)\right|}^2{H}_{\mathrm{ij}}{\left(\mathrm{\ω}\right)H_{\mathrm{im}}}^{*}\left(\mathrm{\ω}\right){{E_j\left(\mathrm{\ω}\right)E\′}_m}^{*}\left(\mathrm{\ω}\right)e^{-{\mathrm{j\ω\τ}}_j}$

假定已经使用参考冲击R_m描述了整个表面的特征，针对在与参考冲击R_n的位置相对应的位置处实现的冲击F，可以获得以下与通过位置R_n处的参考冲击所获得的参考信号的相关：

$S_i\left(\mathrm{\ω}\right){R_{\mathrm{in}}}^{*}\left(\mathrm{\ω}\right){=\left|C_i\left(\mathrm{\ω}\right)\right|}^2{\left|H_{\mathrm{in}}\left(\mathrm{\ω}\right)\right|}^2{E}_n\left(\mathrm{\ω}\right){{E\′}_n}^{*}\left(\mathrm{\ω}\right)e^{-{\mathrm{j\ω\τ}}_n}$

(5) $+\underset{j=1,j\≠n}{\overset{M}{\mathrm{\Σ}}}{\left|C_i\left(\mathrm{\ω}\right)\right|}^2{H}_{\mathrm{ij}}{\left(\mathrm{\ω}\right)H_{\mathrm{in}}}^{*}\left(\mathrm{\ω}\right){E_j\left(\mathrm{\ω}\right){E\′}_n}^{*}\left(\mathrm{\ω}\right)e^{-{\mathrm{j\ω\τ}}_j}$

在时域中，等式5的第一项在时间t＝τ_n处具有相关最大值，这在参考和冲击激励至少在时间上相似的情况下(E_n≈E’_n.)尤其明显。在两者不同的情况下，最大值将没有那么明显。

第二项的和提供了具有第二极大值的相关，其值取决于在接口板3中的声波传播的特性。根据所使用材料的对称性，这些第二极大值可以是相对重要的，然而，对第一项的极大值的影响是可忽略的。

优选地，为了改进冲击的定位，在频域中对信号进行归一化，以使得频谱幅度具有值1，并且所有信息都由相位携带。在这种情况下，频谱幅度为1的信号的自相关给出相关最大值1。反过来，归一的频谱幅度的不同信号的互相关具有小于1的最大相关值。由此，除去了频谱幅度较高的频谱区域的相关最大值的相关，因此，实际上可以有利地考虑在定位信息方面重要、但是其幅度较低的其他频谱范围。

图2示出了针对每一个参考冲击R_m(如图1所示，m＝1到P)的相关函数的极大值，针对这一系列声传感器5a-5h中的一个声传感器S_i，假设只有一个冲击发生在与位置R_n处的参考冲击相同的位置处。对于所有预定参考信号r_im(下标i与所述声传感器相对应)，由于M(冲击的数目)等于1，并且与使用等式4中的傅立叶逆变换所获得的相关乘积在时域中的极大值相对应，因此根据等式4获得这些值。

图2清楚地示出针对参考位置R_n获得相关函数的极大值的最大值。换言之，最大值的定位指示了冲击F在接口板3上的位置。

然而，其他参考位置R_m(m≠n)的相关函数的极大值也起到了作用。具体地，在必须对两个或多个同时冲击的定位进行分析的情况下，参考位置R_n之外的参考位置的相关函数c_i-av(其中，i再次表示所述声传感器S_i)的极大值的平均值起到作用。c_i-av的值很大程度上取决于信号的持续时间，并且持续时间越长，其值越低。

使用多于一个声传感器(如图1所示的情况中为八个)使得能够改进定位的分辨率和可靠性。当用于多个声传感器来定位一个冲击时，存在两种合并相关结果的可能性。首先，对于所有参考信号R_im(m＝1到P)而言，在等式5的相关乘积的傅立叶逆变换之后，可以在频率或时域中对相关结果C_i进行平均，i＝1到n(n个声传感器S_i)。

在第一种情况中，当执行了对绝对值的求和时，被定义为相关乘积的最大值(见图2)与平均值C_iav之间的比率的对比度保持恒定。在第二种情况下，对幅度进行求和，并且相关乘积在时域中的平均的极大值减小。因此，使用第二种平均方式(下面称之为时域平均)，在合并了多个声传感器的结果时，获得修改的对比度。

图3示出了在互作用板3上只有单个冲击F的情况下上述处理步骤的实验结果。该结果是针对玻璃板(作为互作用板3)而获得的，玻璃板尺寸为400×300×4.5mm³，使用八个声传感器(这里是压电传感器)，这八个声传感器以如图1所示的方式布置，即两个传感器靠近每一个边缘，并且被布置在互作用板的相对于冲击面的背面。在两个方向上以10mm的采样步长在整个玻璃板的表面上确定参考冲击R_m。采样率为48kHz，具有12bit的精确度。

图3示出针对接近玻璃板(接口板3)中心的冲击的感测信号S_i(ω)与针对八个声传感器S_i中的每一个的所有参考信号R_im(ω)的相关。在该实验环境下观察到的对比度大约是2.4。利用如图4所示的使用时域平均的八个声传感器的平均值，获得大约为5.7的修改的对比度以及对冲击位置更清楚的识别。

如图所示，同样在实验条件下，对比度随着声传感器数目的增加而得到改进。在所述实验条件下，两个传感器的对比度为3.7，四个传感器的对比度为4.8，对于已提到的八个传感器，观察到5.7的对比度。

下面，将描述当多于一个冲击发生在接口板3上的情况。图5a-5d示出了在两个同时冲击的情况下感测到的信号S_i(ω)与所有参考信号R_im(ω)的相关乘积的极大值的平均值。图5a示出了在两个冲击的激励幅度的比率等于1的情况下的结果，图5b示出了在该比率等于0.7的情况下的结果，图5c示出在该比率等于0.3的情况下的结果，以及图5d示出了在该比率等于0.1的情况下的结果。然而图5a和5b中的情况仍提供了基于等式4和5的相关乘积来识别这两个冲击的位置的可能性，即在左下侧示出两个单独极大值的两个位置，在两个冲击的幅度的比率超过特定阈值的情况下，不可能再识别到较弱冲击的位置，如图5c和d所示，只示出一个在最强冲击位置处的最大值。

实际上，在冲击的幅度之间的差较为重要的情况下，较弱冲击的相关最大值是较低，以至于到达上述定义的平均值C_iav，并因此被淹没在背景中。

第一实施方式

图6示出了用于利用一个或多个声传感器S_i确定表面(这里为接口板3)上的最少两个冲击F₁和F₂的位置的发明方法的第一实施例，其中，i＝1到n(n是声传感器的数目)，这克服了上面提到的问题。

步骤S1在于识别一个冲击的位置x。在本实施例中，识别最强冲击，然而本发明不局限于识别最强冲击。根据第一实施例，步骤S1对应于权利要求1中的步骤a)，如上详述，其包括：确定声传感器5a-5h中的每一个所感测到的信号s_i(t)与参考信号r_ij(t)中的每一个的相关，具体是使用各自的傅立叶变换S_i(ω)和R_ij(ω)，以有利于计算。然后，步骤S1还包括：优选地在时域中，针对参考信号r_ij(t)中的每一个，关于声传感器S_i对相关乘积进行平均。这些方法的步骤产生如图5a-5d所示的数据。然后，通过识别平均的相关极大值的最大值，确定接口板3上的最强冲击的位置x。

本发明的第一实施例的步骤S2对应权利要求1的步骤b)，包括：确定针对每一个声传感器S_i的修改的感测信号s_i’(t)，在修改的感测信号s_i’(t)中，位置x处的最强信号的贡献减小。这个步骤基于每一个感测信号s_i(t)与预定参考信号(对应于位置R_j处的参考冲击)的相关。

在第一实施例中，步骤S2包括如图7所示的一系列处理步骤。步骤S2_1包括：将每一个感测信号s_i(t)与参考信号r_ix(t)进行相关，r_ix(t)是与最强冲击的位置x处的参考冲击相对应的参考信号。优选地，如上通过将感测信号s_i(t)的傅立叶变换S_i(ω)与参考信号r_ix(t)的傅立叶变换R_ix(ω)相乘来执行相关。然后在步骤S2_2中，利用复指数函数对每一个相关乘积进行拟合，在步骤S2_3中，从相应的相关乘积中减去拟合得到的函数。在步骤S2_4中，将所获得的结果与参考信号r_ix(t)的傅立叶变换R_ix(ω)相乘，以获得与修改的感测信号s_i’(t)相对应的修改的傅立叶变换S_i’(ω)。

根据修改的感测信号，可以在步骤S3中利用与步骤S1中获得最强冲击相同的方式来确定下一个最强冲击。

现在将针对两个同时的冲击F₁和F₂，对减去拟合得到的复指数函数的作用进行详尽描述。基于以下的考虑，通过减去拟合得到的复指数函数来移除最强冲击的贡献。

假定第一和第二冲击F₁和F₂在与参考冲击的两个位置R_x和R_y相对应的两个位置处实现。等式5变为：

(6)　 $S_i{R_{\mathrm{ix}}}^{*}={\left|C_i\right|}^2{\left|H_{\mathrm{ix}}\right|}^2{\left|E_x\right|}^2(e^{-{\mathrm{j\ω\τ}}_x}+\frac{{\left|C_i\right|}^2{H}_{\mathrm{iy}}{H_{\mathrm{ix}}}^{*}}{{\left|C_i\right|}^2{\left|H_{\mathrm{ix}}\right|}^2}\frac{E_y{E_x}^{*}}{{\left|E_x\right|}^2}{e}^{{-\mathrm{j\ω\τ}}_y})$

其中，R_ix ^*是与最强冲击的位置x相对应的参考信号R_x的傅立叶变换的复共轭。此外，考虑到激励函数的傅立叶变换E_x与E’_x相同，这意味着预定冲击和冲击F₁及F₂在时间上具有相同的形式。

等式6清楚地示出：在第二弱冲击的情况下，相对于其相位信息为位置x处的第一冲击的第一项，其相位为位置y处的较弱冲击的第二项很小。这是由于比率IE_yI/IE_xI小于1。在第一冲击比第二冲击强的情况下，关于第二冲击的信息将因此被淹没在背景噪声中。因此，根据本实施例的发明方法涉及消除或至少减小等式6中的第一项的贡献，以使得关于第二冲击及其在接口板上的位置的信息变为可能。

引入变量α_i12和β_i1：

(7) $\frac{{\left|C_i\right|}^2{H}_{\mathrm{iy}}{H_{\mathrm{ix}}}^{*}}{{\left|C_i\right|}^2{\left|H_{\mathrm{ix}}\right|}^2}\frac{E_y{E_x}^{*}}{{\left|E_x\right|}^2}={\mathrm{\α}}_{\mathrm{ixy}}\frac{\left|E_y\right|}{\left|E_x\right|}$ 以及β_ix＝|C_i|²|H_ix|²|E_x|²

等式6可以重写为：

(8) $S_i{R_{\mathrm{ix}}}^{*}={\mathrm{\β}}_{\mathrm{ix}}(e^{-{\mathrm{j\ω\τ}}_x}+{\mathrm{\α}}_{\mathrm{ixy}}\frac{\left|E_y\right|}{\left|E_x\right|}{e}^{{-\mathrm{j\ω\τ}}_y}),$

并且在

小于1时，等式8变为第一近似值。

(9) $S_i{R_{\mathrm{ix}}}^{*}={\mathrm{\β}}_{\mathrm{ix}}{e}^{-{\mathrm{j\ω\τ}}_x}$

由于S_iR_ix ^*的性质(如等式9所示)，复指数函数γexp(-jωθ)可用于对每一个声传感器S_i的S_iR_ix ^*进行拟合，并由此确定τ_x和β_ix的值。

通过从相关乘积S_iR_ix ^*中减去拟合得到的函数γexp(-jωθ)，获得：

(10)

$S_i{R_{\mathrm{ix}}}^{*}-{\mathrm{\γe}}^{-\mathrm{j\ω\θ}}={\mathrm{\β}}_{\mathrm{ix}}\left({\mathrm{\ϵ}+\mathrm{\α}}_{\mathrm{ixy}}\frac{\left|E_y\right|}{\left|E_x\right|}{e}^{{-\mathrm{j\ω\τ}}_y}\right)$

$\mathrm{\&epsiv;}<<{\mathrm{\&alpha;}}_{\mathrm{ixy}}\left|\frac{E_y}{E_x}\right|,$

然后，将该结果与R_ix相乘，以获得修改的感测信号的傅立叶变换：

(11) ${S\&prime;}_i{=\mathrm{\&beta;}}_{\mathrm{ix}}\left({{\mathrm{\&epsiv;R}}_{\mathrm{ix}}+\mathrm{\&alpha;}}_{\mathrm{ixy}}{R}_{\mathrm{ix}}\frac{\left|E_y\right|}{\left|E_x\right|}{e}^{{-\mathrm{j\&omega;\&tau;}}_y}\right)$

可以看出，第二项的相位整体只取决于冲击F₂的信号的相位。由于ε与第二项相比较小，因此减小了第一冲击的贡献，并且获得了作为S_i’的傅立叶变换的修改的感测信号。

为了识别第二冲击的位置，将等式11中的S’_i与参考信号R_im相乘，并确定这些相关乘积的极大值的最大值。最大值指示了第二最强冲击在互作用板3上发生的位置。

图8至11示出了在与上述一个冲击的实验配置相同的实验配置下的两个同时冲击的实验结果。这里，较弱冲击与较强冲击的幅度比率是1/10。

图8示出了针对位于接口板3的边缘处的八个声传感器中的每一个的相关乘积S_iR_im ^*的极大值。图9示出了通过在时域中进行平均而计算得到的平均值的相关乘积的极大值。从图8和9中可以看出，相关乘积的各个标绘是出了在互作用板3上发生的一个最大冲击以及甚至两个冲击。

通过使用上述本发明第一实施例的方法步骤S2_1到S2_4，获得如图10所示的结果。图10再次示出了相关乘积的极大值，然而其此时基于修改的感测信号S_i，并且图11示出了对所有声传感器的相应平均(仍然为时域平均)。即使在图9中没有可见的第二冲击(被淹没在背景噪声中)，可以通过查看图10和11中的相关极大值的极大值来清楚地识别出第二冲击，这是因为使用了其中最强冲击的贡献减小的修改的感测信号。因而，可以在接口板3的右上边缘中识别出其发生强度为第一冲击的1/10的第二冲击的位置。

图8-11示出了幅度比为1/10的两个冲击的情况。然而，第一实施例的方法可以在很广的幅度比范围内有效，从图12a-12h中可以看出这一点。通过与图8到11相同的方法获得图12a到12h的结果，二者的差别仅在于冲击的幅度。

图12a和12e示出了幅度比为1的最强和“较弱”冲击的定位结果，图12b和12f示出了幅度比为0.7的最强和较弱冲击的定位结果，图12c和12d示出了幅度比为0.3的最强和较弱冲击的定位结果，以及图12d和12h示出了幅度比为0.01的最强和较弱冲击的定位结果。图12示出了第一实施例甚至对于比率为1的情况仍然有效。然而，如图12a所示，在这种情况下，两个冲击的位置同时可见。对于比率为0.7的情况也是如此。然而，使用修改的感测信号，一个冲击的影响可被减小，以使得可以精确地识别第二冲击的位置，这是因此对应的第二图片(12e和12f)的对比度高于对应的图12a和12b的情况。

第二实施例

根据本发明的第二实施例也涉及一种用于使用一个或多个声传感器S_i(i＝1到n，n是声传感器的数目)来确定表面(如接口板3)上的至少两个冲击F₁和F₂的位置的方法，其中所述冲击F₁和F₂产生一个或多个声传感器S_i感测到的声波信号，以及每一个声传感器提供感测信号s_i(t)，i＝1到n，n是声传感器的数目。

第一和第二实施例之间的差别在于：在步骤S2(如图6所示)中，修改的感测信号s_i’以不同的方式确定，与第一实施例相比，第二实施例提供了修改的时间和空间分辨率，并有利地用于用户冲击的激励形式与预定参考冲击的形式相比不同的情况。根据第二实施例的步骤S2如图13所示。

因此，第二实施例实质上涉及E_x≠E’_x的情况。但是同样，根据第二实施例的方法当然可以也用于用户冲击和参考冲击实质上具有相同形式的情况。

在这种情况下，等式5可被写为：

(12) $S_i{R_{\mathrm{ix}}}^{*}{=\left|C_i\right|}^2{\left|H_{\mathrm{ix}}\right|}^2{E}_x{{E\&prime;}_x}^{*}{e}^{-{\mathrm{j\&omega;\&tau;}}_n}+{\left|C_i\right|}^2{H}_{\mathrm{iy}}{H_{\mathrm{ix}}}^{*}{E}_y{{E\&prime;}_x}^{*}{e}^{{-\mathrm{j\&omega;\&tau;}}_y},$

其中，如同第一实施例一样，考虑到最强冲击发生在位置R_x处，因此再次通过将感测信号S_i的傅立叶变换与R_ix ^*相乘来执行卷积。

假设第二冲击比第一冲击弱得多(E_y<<E_x)，公式12可被逼近为：

(13) $S_i{R_{\mathrm{ix}}}^{*}{\&ap;\left|C_i\right|}^2{\left|H_{\mathrm{ix}}\right|}^2{E}_x{{E\&prime;}_x}^{*}{e}^{-{\mathrm{j\&omega;\&tau;}}_x}.$

因此，步骤S2_10在于确定相关乘积S_iR_ix ^*，其中R_ix与位置R_x处的参考信号的傅立叶变换相对应(与图7的步骤S2_1类似)。

在下一个步骤S2_11，关于n(在本示例中值为8)个声传感器S_i以及所有频率对相关乘积S_iR_ix ^*进行平均，以优化对比度因子。

然后，步骤S2_12在于确定相关乘积S_iR_ix ^*的平均值的相位。当激励函数的相位唯一并由所有传感器检测到时，这个相位值实质上与等式13中的相位值相对应。由于第二项与第一项相比较小，并且由于进行了平均，第二项被进一步减小，因此等式12中第二项的相位贡献可被忽略。因此，通过以这种方式继续，无疑可以确定第一项的相位。

步骤S2_13在于将每一个相关乘积S_iR_ix ^*与该相关乘积S_iR_ix ^*的平均值的相位的复共轭相乘，由此获得修改的相关乘积。

(14)

$S_i{R_{\mathrm{ix}}}^{*}{\mathrm{Correc}}^{*}{\&ap;\left|C_i\right|}^2{\left|H_{\mathrm{ix}}\right|}^2\left|E_x\right|\left|{{E\&prime;}_x}^{*}\right|{+\left|C_i\right|}^2{H}_{\mathrm{iy}}{H_{\mathrm{ix}}}^{*}{E}_y{{E\&prime;}_x}^{*}{e}^{{-\mathrm{j\&omega;\&tau;}}_y}{\mathrm{Correc}}^{*}$

其中，Correc^*与上述平均值的相位的复共轭相对应。当假定E_y<<E_x时，由于第一项，等式14的实部占主导地位，以至于通过从等式14中减去(步骤S2_14)实部后，由于最强冲击所导致的第一项的贡献可被减少或者甚至被移除。

接下来，根据步骤S2_15，将修改的相关乘积的剩余部分与平均值的相位相乘，由此获得：

(15) ${S\&prime;}_i{R_{\mathrm{ix}}}^{*}{\&ap;\left|C_i\right|}^2{H}_{\mathrm{iy}}{H_{\mathrm{ix}}}^{*}{E}_y{{E\&prime;}_x}^{*}{e}^{-{\mathrm{j\&omega;\&tau;}}_y}$

为了最终获得期望的修改的感测信号S_i’，将再一次在步骤S1_15中获得的结果与参考信号r_ix(t)的傅立叶变换R_ix(ω)相乘，由此获得修改的感测信号，因此减小了最强冲击的贡献：

(16) ${S\&prime;}_i{\&ap;\left|C_i\right|}^2{H}_{\mathrm{iy}}{H_{\mathrm{ix}}}^{*}{E}_y{{E\&prime;}_x}^{*}{e}^{-{\mathrm{j\&omega;\&tau;}}_y}{R}_{\mathrm{ix}}$

为了获得第二冲击的位置，如同实施例1中一样，并且如图6所示，可以再一次执行步骤S3。因此，将修改的感测信号S_i’与所有参考信号的傅立叶变换R_ix ^*(与时域相关相对应)相乘，并将相关极大值相互比较。第二冲击在接口板3上的位置与相关极大值的最大值相对应。

第三实施例

本发明的实施例3涉及用于使用一个或多个声传感器S_i(i＝1到n，n是声传感器的数目)来确定表面(如图1所示的接口板3)上的至少两个冲击F₁和F₂的位置的另一方法，其中冲击F₁和F₂产生一个或多个声传感器感测到的声波信号，其中每一个声传感器提供感测信号s_i(t)，i＝1到n。如同第二实施例一样，第三实施例也提供改进的分辨率，以使得在实际冲击的激励和预定参考冲击的激励不同的情况下，仍然可以实现两个冲击在接口板3上的定位。第三实施例的处理步骤如图14所示。

步骤S1与第一和第二实施例中的步骤S1相对应。

与第一和第二实施例中处理感测信号与参考信号的相关相反，第三实施例基于感测信号的共轭相关(coupled correlation)(S_iS_i’ ^*)以及参考信号的共轭相关(R_ixR_ix’ ^*)。

从等式2开始，声传感器S_i和S_i’的共轭相关具有下列形式(第一共轭相关)：

(17) $S_i{S_{i\&prime;}}^{*}=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{C}_i{H}_{\mathrm{ij}}{E}_j{e}^{{-\mathrm{j\&omega;\&tau;}}_j}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{C_{i\&prime;}}^{*}{H_{i\&prime;j}}^{*}{E_j}^{*}{e}^{+{\mathrm{j\&omega;\&tau;}}_j}$

并且对于参考信号，针对在位置R_m(参见图1)处实现的参考冲击的声传感器R_im和R_i’m，获得以下相关乘积(第二共轭相关)：

(18)R_imR_i′m ^＊＝C_iC_i′＊H_imH_i′m＊|E′_m|²

步骤S2-20和S2_21因此在于确定如公式17和18所示的共轭相关。

步骤S20_22因此在于将第一和第二相关乘积进行相关，以获得第三相关乘积，即S_iS_i’ ^*R_imR_i’m ^*。

假定在参考冲击(即R_x和R_y)的位置处发生两个冲击F₁和F₂，相关乘积S_iS_i’ ^*可被写为：

(19)

$S_i{S_{i\&prime;}}^{*}=(C_i{H}_{\mathrm{ix}}{E}_x{e}^{{-\mathrm{j\&omega;\&tau;}}_x}+C_i{H}_{\mathrm{iy}}{E}_y{e}^{{-\mathrm{j\&omega;\&tau;}}_y})({C_{i\&prime;}}^{*}{H_{i\&prime;x}}^{*}{E_x}^{*}{e}^{+{\mathrm{j\&omega;\&tau;}}_x}+{C_{i\&prime;}}^{*}{H_{i\&prime;y}}^{*}{E_y}^{*}{e}^{+{\mathrm{j\&omega;\&tau;}}_y})$

$=C_i{H}_{\mathrm{ix}}{C_{i\&prime;}}^{*}{H_{i\&prime;x}}^{*}{\left|E_x\right|}^2+C_i{H}_{\mathrm{iy}}{C_{i\&prime;}}^{*}{H_{i\&prime;y}}^{*}{\left|E_y\right|}^2$

$+C_i{H}_{\mathrm{ix}}{E}_x{C_{i\&prime;}}^{*}{H_{i\&prime;y}}^{*}{E_y}^{*}{e}^{-\mathrm{j\&omega;}({\mathrm{\&tau;}}_x-{\mathrm{\&tau;}}_y)}+C_i{H}_{\mathrm{iy}}{E}_y{{C_{i\&prime;}}^{*}{H_{i\&prime;x}}^{*}{E_x}^{*}e}^{+\mathrm{j\&omega;}({\mathrm{\&tau;}}_x-{\mathrm{\&tau;}}_y)}$

当模|E_y|<|E_x|时，和中的第一项占主导地位，且第二项最小，即|E_x|²>>|E_xE_y|>>|E_y|²。在这种情况下，第二冲击的信号的相位(作为识别冲击的位置的最重要的信息)被淹没在最强冲击的背景噪声中。

然而，这里第三和第四项同样携带关于第一和第二冲击的信息。

现在，如同先前实施例一样，提取在位置R_x处的最强冲击，将相关S_iS_i’ ^*与位置R_x处的参考冲击的相关进行相关，提供了下列公式：

$S_i{S_{i\&prime;}}^{*}{R_{\mathrm{ix}}}^{*}{R}_{i\&prime;X}={\left|C_i\right|}^2{\left|C_{i\&prime;}\right|}^2{\left|H_{\mathrm{ix}}\right|}^2{\left|H_{i\&prime;x}\right|}^2{\left|E_x\right|}^2{\left|{E\&prime;}_x\right|}^2$

$+{\left|C_i\right|}^2{\left|C_{i\&prime;}\right|}^2{\left|E_y\right|}^2{\left|{E\&prime;}_x\right|}^2{H}_{\mathrm{iy}}{H_{i\&prime;y}}^{*}{H_{\mathrm{ix}}}^{*}{H}_{i\&prime;x}$

(20)

$+{\left|C_i\right|}^2{\left|C_{i\&prime;}\right|}^2{\left|H_{\mathrm{ix}}\right|}^2{\left|{E\&prime;}_x\right|}^2{E}_x{E_y}^{*}{H}_{i\&prime;x}{H_{i\&prime;y}}^{*}{e}^{-\mathrm{j\&omega;}({\mathrm{\&tau;}}_x-{\mathrm{\&tau;}}_y)}$

$+{\left|C_i\right|}^2{\left|C_{i\&prime;}\right|}^2{\left|H_{i\&prime;x}\right|}^2{\left|{E\&prime;}_x\right|}^2{E_x}^{*}{E}_y{H_{\mathrm{ix}}}^{*}{H}_{\mathrm{iy}}{e}^{+\mathrm{j\&omega;}({\mathrm{\&tau;}}_x-{\mathrm{\&tau;}}_y)}$

与第一实施例不同，在第三实施例中，为了移除该贡献以最终识别第二项(通过消除识别出的第一、第三和第四项的贡献)以获得关于第二冲击的位置的信息，第三实施例不旨在识别第一冲击的贡献，第一冲击的贡献在公式20中与第一、第三和第四项(全部都携带关于第一冲击的信息)相对应。实际上根据第三实施例，其着眼于识别第三和第四项的贡献并用它们识别第二冲击的位置。

为此，步骤S2_23在于：关于所有声传感器对将第三相关乘积S_iS_i’ ^*R_imR_i’m ^*的实部进行平均，以及从第三相关乘积中减去所获得的平均值。下面，将所获得的结果称为P_ii’x。

从等式20中可以看出，第一项与因此具有实数值的自相关相对应。第二至第四项是复数，并且可以看出，由于对所有的声传感器对进行求和，实质上基于其实部围绕0振荡的事实，很大程度上减小了第二至第四项的贡献。

针对所有的传感器对确定P_ii，x后，通过第三实施例的方法前进到从该值中提取第二冲击的位置(步骤S3)。

步骤S3_24在于：将P_ii’x与针对所有参考冲击R_m和所有传感器对S_i和S_i’的R_ixR_im ^*+R_i’x ^*R_i’m的和相乘。

下一个步骤(s_S25)在于：对所获得的乘积中的每一个进行傅立叶变换，并将每一个傅立叶变换的负时间部分加到正时间部分。

这里利用了以下事实的优点：除项H_x ^*H_iy和H_ixH_iy ^*外，公式20中的第三和第四项对应于复共轭项。对于m＝y(由此第二冲击的位置)，两个因此产生的乘积的傅立叶变换具有相对于时间轴相反的极大值。因此，需要对两个乘积之一需要进行共轭，以获得正确的结果。因此，通过执行步骤S3_23和S3_25，可以识别等式20的第三和第四项。

图15至18示出了在上述针对第一和第二实施例的实验设置中针对幅度比为1/10的两个冲击的实验结果。

图15示出了通过将28个可能的传感器对的感测信号(没有考虑传感器的置换和自相关)与相应参考信号对R_imR_i’m ^*进行相关而获得的相关极大值。图16再一次示出了图15中所示的相关乘积的平均值，其中在时域执行平均，以改进对比度。如同第一实施例，传感器对的相关极大值的最大值指向最强冲击的位置x。在本示例中，最强冲击的位置是在互作用板3的右上部。

这实际上与确定最强冲击的位置的备选方法(步骤S1)相对应。这与第一实施例中的步骤S1的差别在于：在第三实施例中，针对传感器对和参考信号对确定相关，而不是使用来自一个传感器的感测信号与所有参考信号的相关。实际上，对的使用改进了分辨率，并消除了两个冲击的激励函数的影响。

现在对感测信号执行上述方法步骤s2_20至S3_25，并使用关于最强冲击的信息，来获得图17和18所示的结果。

图17示出了基于在步骤S3_25结束时所获得的修改的信号的28个传感器对与对应的参考信号对的相关乘积的极大值。图18再一次示出了关于28个对的平均值，其中再一次地在时域中执行平均，以改进对比度。尽管图16仅清楚地示出了在接口板3的右上侧的一个冲击，图18针对幅度比为1/10的情况，第二冲击的位置在第一冲击的位置之下。

如同第一实施例，在较大幅度比范围内可以获得同样类型的结果，例如针对幅度比从1/100到1，可以定位第二冲击。

应该重点提到的是，即使已经使用两个同时冲击的示例对实施例1到3进行了描述，所有实施例同样也可以适于确定多于两个的同时冲击。这可以通过每一次将改进信号Si’作为用于确定下一个较弱冲击的位置的起点来实现。

当然，根据于可用计算能力和所需的时间和空间分辨率，也可以合并和/或交换根据第一到第三实施例的方法的不同步骤。具体地，从感测信号开始确定最强冲击的步骤可以基于相关S_iR_im或基于对S_iS_i’ ^*R_im ^*R_i’m的相关(步骤S1)。此外，在确定较弱冲击的位置的情况下，对应位置的定位可以基于相关S_iR_im(如同实施例1)或基于对S_iS_i’ ^*R_im ^*R_i’m的相关(如第三实施例所述)。

本发明的第四实施例利用了上述第一至第三实施例的优点，特别是在第二和第三实施例中，相对于用户冲击的激励和参考冲击的激励形式上的差异改进了时间分辨率，以识别表面上的持续冲击的轨迹。在本实施例中，冲击因而不是同时发生的，但是轨迹(就如同指头在接口板3上的滑动)被解释成具有10Hz到100Hz的抽样率的连续的激励。当将本发明实施例应用于跟踪应用时，通过将“旧”的位置考虑为较弱冲击以及将轨迹上较新位置考虑为较强冲击来确定轨迹上的一系列位置。通过使用适合的空间滤波器(如Kalman滤波器)来获得作为连续曲线的实际轨迹。

针对使用声传感器的应用对实施例进行了描述。然而，在不偏离本发明的保护范围的前提下，本发明方法也可以应用于其他类型的传感器。

上述发明方法(实施例1-4)应用于任何需要人机界面的设备中，并且具有优点：能够可靠地确定同时或近似同时(如实施例4)的冲击的位置，而无需太繁重的计算能力。这归功于以下事实：一旦最强冲击被定位，利用感测信号与预定参考信号的卷积特性的优点确定修改的感测信号。

Claims (18)

1、一种使用一个或多个传感器S_i确定表面上的至少两个冲击F₁和F₂的位置的方法，其中i＝1到n，n是传感器的数目，所述冲击F₁和F₂产生一个或多个传感器所感测到的信号，其中每一个传感器提供感测信号s_i(t)，i＝1到n，n是传感器的数目；所述方法包括以下步骤：

a)识别一个冲击的位置x，具体是最强冲击的位置，以及

b)基于感测信号s_i(t)中的每一个与预定参考信号r_ij(t)的比较，具体为相关，确定针对每一个传感器的修改的感测信号s_i’(t)，在所述修改的感测信号s_i’(t)中，由于所识别的冲击所产生的贡献被减小，以及其中所述预定参考信号r_ij(t)与位置j处的参考冲击R_j相对应。

2、根据权利要求1所述的方法，其中步骤b)包括步骤：

b1)将感测信号s_i(t)中的每一个与参考信号r_ix(t)进行相关，具体是使用感测信号s_i(t)的傅立叶变换S_i(ω)与参考信号r_ix(t)的傅立叶变换R_ix(ω)进行相关，参考信号r_ix(t)是多个参考信号r_ij(t)中与临近、具体为最接近最强冲击的位置x的参考冲击相对应的参考信号，

b2)利用预定函数，具体是利用复指数函数，对每一个相关乘积进行拟合，以及

b3)从相关乘积中减去拟合得到的函数。

3、根据权利要求1所述的方法，其中步骤b)包括步骤：

b1)将感测信号s_i(t)的傅立叶变换S_i(ω)与参考信号r_ix(t)的傅立叶变换R_ix(ω)进行相关，由此获得n个相关乘积S_i(ω)R_ix ^*(ω)，所述参考信号r_ix(t)是多个参考信号r_ij(t)中与临近、具体为最接近最强冲击的位置x的参考冲击相对应的参考信号，

b2)关于n个传感器对相关乘积S_i(ω)R_ix ^*(ω)进行平均，

b3)确定n个相关乘积S_i(ω)R_ix ^*(ω)的平均值的相位，

b4)将每一个相关乘积S_i(ω)R_ix ^*(ω)与平均值的相位的复共轭相乘，由此获得修改的相关乘积，

b5)从修改的相关乘积中减去实部，以及

b6)将每一个修改的相关乘积的剩余部分与平均值的相位相乘。

4、根据权利要求2或3所述的方法，其中步骤b)还包括：将所获得的结果与参考信号r_ix(t)的傅立叶变换R_ix(ω)相乘，由此获得与修改的感测信号s_i’(t)相对应的修改的傅立叶变换S_i’(ω)。

5、根据权利要求1至4之一所述的方法，还包括步骤c)：使用修改的感测信号s_i’(t)或其傅立叶变换S_i’(ω)来识别下一个较弱第二冲击的位置，其中步骤c)包括：

-确定每一个传感器的修改的感测信号s_i’(t)与每一个参考信号r_ij(t)的相关，具体是使用傅立叶变换S_i(ω)和R_ij(ω)，以及

-优选地在时域中，针对每一个参考信号r_ij(t)，关于传感器对相关乘积进行平均。

6、根据权利要求1到5之一所述的方法，其中重复步骤a)至c)，以识别下一个较弱冲击的位置，其中每一次在步骤a)中将在前一轮识别出的冲击的位置作为最强位置x，以及在步骤b)中从前一轮确定的修改的感测信号中确定新的修改的感测信号。

7、一种用于使用一个或多个传感器S_i确定表面上的至少两个冲击F₁和F₂的位置的方法，其中i＝1到n，n是传感器的数目，所述冲击F₁和F₂产生一个或多个传感器所感测到的信号，其中每一个传感器提供感测信号s_i(t)，i＝1到n，n是传感器的数目，所述方法包括步骤：

a)识别一个冲击的位置x，特别为最强冲击的位置，以及

b)基于感测信号s_i(t)，以及进一步基于感测信号对s_i(t)和s_i’(t)以及与参考冲击R_j相对应的相应预定参考信号对r_ij(t)和r_i’j(t)的比较，具体为相关，来确定修改的信号，在所述修改的信号中所识别的冲击的贡献被减小。

8、根据权利要求7所述的方法，其中步骤b)包括步骤：

b1)将两个感测信号s_i(t)和s_i’(t)的傅立叶变换进行相关，由此获得第一相关乘积S_i(ω)S_i’(ω)^*，

b2)将相应的参考信号r_ix(t)和r_i’x(t)的傅立叶变换进行相关，由此获得第二相关乘积R_ix(ω)^*R_i’x(ω)，参考信号r_ix(t)和r_i’x(t)是与临近、具体为最接近最强冲击的位置x的参考冲击相对应的参考信号，

b3)将第一和第二相关乘积进行相关，以获得第三相关乘积S_i(ω)S_i’(ω)^*R_ix(ω)^*R_ix’(ω)，以及

b4)关于所有传感器对，对第三相关乘积的实部进行平均，并从第三相关乘积中减去这一平均值，以获得P_ii’x(ω)。

9、根据权利要求7或8所述的方法，还包括步骤c)：识别下一个较弱第二冲击的位置，步骤c)包括：

-针对所有参考冲击Rm和所有传感器对S_i和S_i’，将P_ii’x(ω)与R_ixR_im ^*+R_i’x ^*R_i’m的和相乘，

-对所述乘积中的每一个进行傅立叶变换，以及

-将每一个傅立叶变换的负时间部分加到正时间部分。

10、根据权利要求9所述的方法，其中，步骤c)还包括：优选地在时域中，针对所有传感器对S_i和S_i’对所获得的和进行平均。

11、根据权利要求7到10之一所述的方法，其中重复步骤a)至c)以识别下一个较弱冲击的位置，其中每一次在步骤a)中将在前一轮的步骤c)中识别出的冲击的位置作为最强位置x，以及在步骤b)中从前一轮所确定的修改的信号中确定新的修改的信号。

12、根据权利要求1至11之一所述的方法，其中步骤a)包括

-确定每一个传感器的感测信号s_i(t)与每一个参考信号r_ij(t)的相关，具体是使用傅立叶变换S_i(ω)和R_ij(ω)进行确定，以及

-优选地在时域中，针对每一个参考信号r_ij(t)，关于传感器对相关乘积进行平均。

13、根据权利要求1至11之一所述的方法，其中步骤a)包括：

-将两个感测信号s_i(t)和s_i’(t)的傅立叶变换进行相关，由此获得第一相关乘积S_i(ω)S_i’(ω)^*，

-将参考信号r_im(t)和r_i’m(t)的傅立叶变换进行相关，由此获得第二相关乘积R_im(ω)^*R_i’m(ω)，

-将第一和第二相关乘积进行相关，以获得第三相关乘积S_i(ω)S_i’(ω)^*R_im(ω)^*R_im’(ω)，以及

-优选地在时域中，关于传感器对S_i和S_i’对相关乘积进行平均。

14、一种用于使用根据权利要求1至13之一所述的方法来确定表面上的连续冲击的轨迹的方法。

15、根据权利要求14所述的方法，其中，所述第一和第二冲击与轨迹上的连续位置相对应。

16、根据权利要求1至15之一所述的方法，其中，所述传感器是声传感器。

17、一种计算机程序产品，包括一个或多个具有计算机可执行指令的计算机可读介质，所述计算机可执行指令用于执行根据权利要求1到16之一所述的方法的步骤。

18、一种用于确定表面上的至少两个冲击F₁和F₂的位置的设备，所述设备包括：

-处理单元，以及

-一个或多个传感器，被配置并布置为向处理单元发送作为所述至少两个冲击的结果的感测信号，

其中，所述处理单元被配置并布置为执行根据权利要求1至17之一所述的方法。

Images