CN109241721A - 用于推送信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于推送信息的方法和装置。该方法的一具体实施方式包括：对采集的语音信息进行声纹识别得到声纹识别结果，以及根据上述语音信息确定声源的位置；基于上述声源的位置，控制图像采集设备采集图像；响应于从采集到的图像中检测到人脸图像，对检测到的人脸图像进行人脸识别，得到人脸识别结果；基于上述人脸识别结果和上述声纹识别结果确定用户标识，以及根据所确定的用户标识推送信息。该实施方式实现了富于针对性的信息推送。

Description

用于推送信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于推送信息的方法和装置。

背景技术

近年来，人工智能技术有了深远的发展，并逐步实现产品化。特别是智能语音对话产品，例如，智能音箱、智能机器人等等。包括智能音箱、智能机器人等在内的智能语音对话产品的典型使用场景是在家庭之中。家庭成员在与智能语音对话产品进行语音交互时，希望智能语音对话产品能够针对自己提供定制化的服务。例如，当孩子A与智能语音对话产品交互时，希望针对孩子A推荐之前他感兴趣的儿童内容。又例如，当家庭成员B与智能语音对话产品交互时，希望针对家庭成员B提供他之前关注的信息。而要实现上述效果，就需要智能语音对话产品能够准确识别出交互者的身份。

发明内容

本申请实施例提出了用于推送信息的方法和装置。

第一方面，本申请实施例提供了一种用于推送信息的方法，该方法包括：对采集的语音信息进行声纹识别得到声纹识别结果，以及根据上述语音信息确定声源的位置；基于上述声源的位置，控制图像采集设备采集图像；响应于从采集到的图像中检测到人脸图像，对检测到的人脸图像进行人脸识别，得到人脸识别结果；基于上述人脸识别结果和上述声纹识别结果确定用户标识，以及根据所确定的用户标识推送信息。

在一些实施例中，上述基于上述声源的位置，控制图像采集设备采集图像，包括：基于上述声源的位置和上述图像采集设备的成像平面法线的位置关系，生成转动指令，以及将上述转动指令发送给支撑上述图像采集设备的云台，以控制上述云台转动；向上述图像采集设备发送图像采集指令，以控制上述图像采集设备采集图像。

在一些实施例中，上述基于上述声源的位置，控制图像采集设备采集图像，包括：控制上述图像采集设备采集图像，得到初始图像；根据上述声源的位置和上述图像采集设备的成像平面的关系，从上述初始图像中截取图像作为采集得到的图像。

在一些实施例中，上述声纹识别结果包括第一用户标识，上述人脸识别结果包括至少一个第二用户标识和与第二用户标识对应的人脸特征匹配度；以及上述基于上述人脸识别结果和上述声纹识别结果确定用户标识，包括：将上述第一用户标识与上述至少一个第二用户标识进行匹配；响应于确定上述第一用户标识与上述至少一个第二用户标识中的第二用户标识相同，将与上述第一用户标识相同的第二用户标识作为待确定用户标识；响应于确定上述待确定用户标识的人脸特征匹配度大于预设阈值，将上述待确定用户标识作为确定的用户标识。

在一些实施例中，上述语音信息是通过麦克风阵列采集的，在对采集的语音信息进行声纹识别得到声纹识别结果之前，上述方法还包括：接收注册信息，其中，上述注册信息包括注册用语音信息和注册用人脸图像；提取上述注册用语音信息的声纹特征，以及上述注册用人脸图像的人脸特征；将上述声纹特征、上述人脸特征与用户标识关联存储到注册信息集合。

第二方面，本申请实施例提供了一种用于推送信息的装置，上述装置包括：确定单元，被配置成对采集的语音信息进行声纹识别得到声纹识别结果，以及根据上述语音信息确定声源的位置；控制单元，被配置成基于上述声源的位置，控制图像采集设备采集图像；检测单元，被配置成响应于从采集到的图像中检测到人脸图像，对检测到的人脸图像进行人脸识别，得到人脸识别结果；推送单元，被配置成基于上述人脸识别结果和上述声纹识别结果确定用户标识，以及根据所确定的用户标识推送信息。

在一些实施例中，上述控制单元进一步被配置成：基于上述声源的位置和上述图像采集设备的成像平面法线的位置关系，生成转动指令，以及将上述转动指令发送给支撑上述图像采集设备的云台，以控制上述云台转动；向上述图像采集设备发送图像采集指令，以控制上述图像采集设备采集图像。

在一些实施例中，上述控制单元进一步被配置成：控制上述图像采集设备采集图像，得到初始图像；根据上述声源的位置和上述图像采集设备的成像平面的关系，从上述初始图像中截取图像作为采集得到的图像。

在一些实施例中，上述声纹识别结果包括第一用户标识，上述人脸识别结果包括至少一个第二用户标识和与第二用户标识对应的人脸特征匹配度；以及上述推送单元进一步被配置成：将上述第一用户标识与上述至少一个第二用户标识进行匹配；响应于确定上述第一用户标识与上述至少一个第二用户标识中的第二用户标识相同，将与上述第一用户标识相同的第二用户标识作为待确定用户标识；响应于确定上述待确定用户标识的人脸特征匹配度大于预设阈值，将上述待确定用户标识作为确定的用户标识。

在一些实施例中，上述语音信息是通过麦克风阵列采集的，上述装置还包括注册单元，上述注册单元被配置成：接收注册信息，其中，上述注册信息包括注册用语音信息和注册用人脸图像；提取上述注册用语音信息的声纹特征，以及上述注册用人脸图像的人脸特征；将上述声纹特征、上述人脸特征与用户标识关联存储到注册信息集合。

第三方面，本申请实施例提供了一种设备，该设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；麦克风阵列，被配置成采集语音信息；图像采集设备，被配置成采集图像；和/或云台，被配置成支撑所述图像采集设备；当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于推送信息的方法和装置，首先对麦克风阵列采集的语音信息进行声纹识别得到声纹识别结果，并根据采集的语音信息确定声源的位置，其次基于声源的位置控制图像采集设备采集图像，然后响应于从采集到的图像中检测到人脸图像，对检测到的人脸图像进行人脸识别，得到人脸识别结果，最后基于人脸识别结果和声纹识别结果确定用户标识，并根据所确定的用户标识推送信息，从而利用人脸识别结果和声纹识别结果确定用户标识，并根据确定的用户标识推送信息，实现了富于针对性的信息推送。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于推送信息的方法的一个实施例的流程图；

图3是从初始图像截取图像的一个实施例的示意图；

图4是根据本申请的用于推送信息的方法的一个应用场景的示意图；

图5是根据本申请的用于推送信息的方法中用户注册一个实施例的流程图；

图6是根据本申请的用于推送信息的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于推送信息的方法或用于推送信息的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如音频播放类应用、搜索类应用、即时通信工具、社交平台软件、智能设备控制软件以及机器人控制软件等。终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有麦克风阵列、图像采集设备和/或云台并且支持语音交互的各种电子设备，包括但不限于智能音箱、智能机器人、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103呈现的信息提供支持的后台服务器。后台服务器可以对接收到的语音信息等数据进行分析等处理，并将处理结果(例如推送信息)反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

需要说明的是，本申请实施例所提供的用于推送信息的方法可以通过终端设备101、102、103执行，也可以通过服务器105执行。相应地，用于推送信息的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。本申请对此不做限定。

继续参考图2，示出了根据本申请的用于推送信息的方法的一个实施例的流程200。该用于推送信息的方法，包括以下步骤：

步骤201，对采集的语音信息进行声纹识别得到声纹识别结果，以及根据所述语音信息确定声源的位置。

在本实施例中，用于推送信息的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)可以对采集的语音信息进行声纹识别，得到声纹识别结果。执行主体还可以根据麦克风阵列采集的语音信息确定声源的位置。在这里，上述语音信息可以是通过各种方式采集到的，可以包含声源的空间位置信息。作为示例，可以通过麦克风阵列采集语音信息。麦克风阵列，可以是一组位于空间不同位置的全向麦克风按一定的形状规则布置形成的阵列。其是对空间传播声音信号进行空间采样的一种装置，麦克风阵列采集到的信号包含了声源的空间位置信息。麦克风阵列中的各麦克风也可称为阵元，每个阵元可以将采集到的声音信号转化成电信号发送给执行主体。

作为示例，执行主体可以通过以下步骤对麦克风阵列采集的语音信息进行声纹识别：

首先，可以对上述语音信息进行声纹特征提取，得到声纹特征信息。声纹是用电声学仪器显示的携带言语信息的声波频谱。现代科学研究表明，声纹不仅具有特定性，而且有相对稳定性的特点。与指纹类似，每个人说话过程中蕴涵的语音特征和发音习惯也几乎是唯一的，因此，可以从一段语音中识别出说话人的身份。需要说明的是，对语音信息进行声纹特征提取是目前广泛研究和应用的公知技术，在此不再赘述。

然后，可以将声纹特征信息与预先设定的注册信息集合中的各个注册信息进行匹配，得到声纹识别结果。在这里，注册信息集合中的各条注册信息可以包括注册用户标识、注册声纹特征信息、注册人脸特征等等。此外，执行主体还可以将用户的用户行为数据与该用户的注册用户标识关联存储。这样，执行主体可以计算提取得到的声纹特征信息与注册信息集合中的各条注册信息的注册声纹特征信息的匹配度。并根据计算得到的匹配度，判断上述声纹特征信息与上述注册声纹特征信息是否匹配成功。例如，匹配度可以百分比表示，当匹配度超过预先设定的阈值时，可以认为匹配成功。此时，可以认为发送上述语音信息的用户与匹配成功的注册声纹特征信息对应的注册用户为同一用户，可以将匹配成功的注册声纹特征对应的注册用户标识作为声纹识别结果。

作为示例，执行主体还可以根据麦克风阵列中的各麦克风所采集的声音信号，结合各种算法来确定声源的位置。例如，可采用基于可控波束形成的声源定位算法、基于高分辨率谱估计的声源定位算法、基于到达时间差的声源定位算法。需要说明的是，对根据麦克风阵列采集的语音信息进行声源的位置的确定是目前广泛研究和应用的公知技术，在此不再赘述。

步骤202，基于声源的位置，控制图像采集设备采集图像。

在本实施例中，执行主体可以根据步骤201中确定的声源的位置，控制图像采集设备(例如摄像头、相机等等)采集图像。

在本实施例的一些可选的实现方式中，上述步骤202可以具体包括以下内容：

首先，上述执行主体可以基于声源的位置和图像采集设备的成像平面法线的位置关系生成转动指令。并将上述转动指令发送给支撑上述图像采集设备的云台，以控制上述云台转动，从而带动图像采集设备转动。其中，转动指令可以包括但不限于转动方向和转动角度等等。作为示例，上述执行主体可以根据声源的位置、图像采集设备的焦点、图像采集设备的成像平面的法线的位置关系生成转动指令。在这里，图像采集设备的成像平面可以是指CCD(Charge-coupled Device，电荷耦合元件)的感光面。举例来说，假设图像采集设备的焦点为O点，声源的位置为S点，计算直线OS与图像采集设备的成像平面法线之间的夹角(为锐角)。这样，执行主体可以将图像采集设备的成像平面法线到直线OS的方向做转动方向，将计算得到的夹角作为转动角度，根据转动方向和转动角度生成转动指令。

然后，上述执行主体可以向上述图像采集设备发送图像采集指令，以控制上述图像采集设备采集图像。

通过本实现方式，在有云台的场景下，执行主体可以在图像采集设备采集图像之前调整图像采集设备的角度，从而确保图像采集设备采集的图像中包括声源的位置处的信息，使图像采集设备采集到的信息更加准确。

在本实施例的一些可选的实现方式中，上述步骤202可以具体包括以下内容：

首先，上述执行主体可以控制上述图像采集设备采集图像，从而得到初始图像。

然后，上述执行主体可以根据上述声源的位置和上述图像采集设备的成像平面的关系，从上述初始图像中截取图像作为采集得到的图像。

举例来说，如图3所示，图3是图像采集设备采集图像时的采集场景向yz平面投影得到的图像。这里，将成像平面的左上角作为原点(0,0,0)。假设，图像采集设备的焦点为O点，声源的位置为S点，图像采集设备的焦距为f，成像平面投影到y轴的最大值为d。直线OS与成像平面的交点为P，直线OS与成像平面的夹角为α。则P点在y轴的坐标为d/2–f/tanα，这样，执行主体可以将P点在初始图像中对应的点作为中心，以预设长度和宽度在上述初始图像中截取图像，并将截取的图像作为采集得到的图像，用于后续的人脸识别。其中，预设长度和宽度可以根据实际需要进行设定，此处不做限定。

通过本实现方式，在没有云台的场景下，上述执行主体可以根据声源的位置和图像采集设备的成像平面的关系，从初始图像中截取图像作为用于后续人脸识别的图像。该实现方式既确保了截取的图像中包括声源的位置处的信息，又保证了后续进行人脸识别的图像不会太大，从而节约了人脸识别的时间，提高了效率。

步骤203，响应于从采集到的图像中检测到人脸图像，对检测到的人脸图像进行人脸识别，得到人脸识别结果。

在本实施例中，执行主体可以对步骤202中采集到的图像进行人脸检测。响应于从采集到的图像中检测到人脸图像，执行主体可以对检测到人脸图像进行人脸识别，得到人脸识别结果。

作为示例，执行主体可以通过以下步骤对检测到的人脸图像进行人脸识别：

首先，可以对检测到人脸图像进行特征提取，得到人脸特征信息。需要说明的是，对人脸图像进行人脸特征提取是目前广泛研究和应用的公知技术，在此不再赘述。

然后，可以将提取到的人脸特征信息与预先设定的注册信息集合中的各个注册信息进行匹配，得到人脸识别结果。在这里，注册信息集合中的各条注册信息可以包括注册用户标识、注册声纹特征、注册人脸特征等等，此外，执行主体还可以将用户的用户行为数据与该用户的注册用户标识关联存储。在这里，用户行为数据可以是与用户相关的各种历史行为数据，例如，所收听过的音/视频的类型(例如，歌曲、新闻、相声等)、所收听过的音/视频的名称、所收听过的音/视频的表演者等等。这样，执行主体可以计算提取得到的人脸特征信息与注册信息集合中的各条注册信息的注册人脸特征的匹配度，并根据计算得到的匹配度判断上述人脸特征信息与上述注册信息集合中的注册信息的注册人脸特征是否匹配成功，当匹配度超过预先设定的阈值时，可以认为匹配成功，此时，可以认为发送上述语音信息的用户与匹配成功的注册人脸特征对应的注册用户为同一用户，可以将匹配成功的注册人脸特征对应的注册用户标识作为人脸识别结果。

步骤204，基于人脸识别结果和声纹识别结果确定用户标识，以及根据所确定的用户标识推送信息。

在本实施例中，执行主体可以基于步骤203的人脸识别结果和步骤201中的声纹识别结果确定用户标识。作为示例，执行主体可以判断人脸识别结果对应的用户标识和声纹识别结果对应的用户标识是否相同，如果相同，则将该用户标识确定为最终的用户标识。之后，执行主体可以根据所确定的用户标识推送信息。作为示例，执行主体可以获取最终的用户标识对应的用户的用户行为数据，并通过用户行为数据分析用户的偏好，进而为确定的用户标识对应的用户推送满足其个性化需求的信息。

在本实施例的一些可选的实现方式中，上述纹识别结果可以包括第一用户标识，上述人脸识别结果可以包括至少一个第二用户标识和与第二用户标识对应的人脸特征匹配度。在这里，上述第一用户标识可以是指通过声纹识别得到的用户标识。上述第二用户标识可以是指通过人脸识别得到的一个或多个用户标识，其中，第二用户标识对应的人脸特征匹配度可以用于表征进行人脸识别的人脸图像的人脸特征信息与对应的第二用户标识所关联存储的注册人脸特征信息之间的匹配度。以及

上述基于人脸识别结果和声纹识别结果确定用户标识，可以具体如下进行：首先，上述执行主体可以将上述第一用户标识与上述至少一个第二用户标识进行匹配。然后，响应于确定上述第一用户标识与上述至少一个第二用户标识中的第二用户标识相同，将与上述第一用户标识相同的第二用户标识作为待确定用户标识。最后，响应于确定上述待确定用户标识的人脸特征匹配度大于预设阈值，将上述待确定用户标识作为确定的用户标识。

通过本实现方式，上述执行主体可以在检测到多个人脸图像时，根据与第一用户标识相同的第二用户标识对应的人脸特征匹配度确定最终的用户标识，从而保证了用户识别的准确性。

继续参见图4，图4是根据本实施例的用于推送信息的方法的应用场景的一个示意图。在图4的应用场景中，智能音箱401可以对麦克风阵列采集的语音信息进行声纹识别得到声纹识别结果，以及根据语音信息确定声源的位置。之后，智能音箱401基于声源的位置，控制图像采集设备采集图像。然后，响应于从采集到的图像中检测到人脸图像，对检测到的人脸图像进行人脸识别，得到人脸识别结果。最后，智能音箱401可以基于人脸识别结果和声纹识别结果确定用户标识，并根据所确定的用户标识推送信息。

本申请的上述实施例提供的方法利用人脸识别结果和声纹识别结果确定用户标识，从而使交互者的身份识别更加准确。并且可以根据确定的用户标识推送信息，实现了富于针对性的信息推送。

进一步参考图5，其示出了用于推送信息的方法中用户注册的一个实施例的流程图500。如图5所示，本实施例中，执行主体可以通过以下步骤实现用户的注册：

步骤501，接收注册信息。

在本实施例中，上述执行主体可以接收注册信息，其中，上述注册信息可以包括注册用语音信息和注册用人脸图像。作为示例，注册用语音信息可以是要注册的用户向执行主体发送的一段自己的语音，此处，不对语音的内容做限定。作为示例，注册用语音信息可以是通过麦克风阵列采集的。注册用人脸图像可以是要注册的用户向执行主体发送的，或者执行主体控制图像采集设备采集注册用户的人脸图像。

步骤502，提取注册用语音信息的声纹特征，以及注册用人脸图像的人脸特征。

在本实施例中，上述执行主体可以提取步骤501中接收的注册用语音信息的声纹特征，还可以提取步骤501中接收的注册用人脸图像的人脸特征。

步骤503，将声纹特征、人脸特征与用户标识关联存储到注册信息集合。

在本实施例中，上述执行主体可以将步骤502中提取得到的声纹特征、人脸特征与用户标识关联存储到注册信息集合。其中，用户标识可以是用户输入的，例如，用户名，昵称等等，也可以是执行主体自动生成的。每一个用户标识可以唯一标识一个用户。用户标识可以包括但不限于数字、文本、字母、符号等等。实践中，执行主体还可以将用户产生的各种行为数据与该用户的用户标识关联存储。

本申请的上述实施例提供的方法实现了用户的注册，生成了注册信息集合，为声纹识别和人脸识别提供了基础。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于推送信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于推送信息的装置600包括：确定单元601、控制单元602、检测单元603和推送单元604。其中，确定单元601被配置成对采集的语音信息进行声纹识别得到声纹识别结果，以及根据上述语音信息确定声源的位置；控制单元602被配置成基于上述声源的位置，控制图像采集设备采集图像；检测单元603被配置成响应于从采集到的图像中检测到人脸图像，对检测到的人脸图像进行人脸识别，得到人脸识别结果；推送单元604被配置成基于上述人脸识别结果和上述声纹识别结果确定用户标识，以及根据所确定的用户标识推送信息。

在本实施例中，用于推送信息的装置600的确定单元601、控制单元602、检测单元603和推送单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述控制单元602进一步被配置成：基于上述声源的位置和上述图像采集设备的成像平面法线的位置关系，生成转动指令，以及将上述转动指令发送给支撑上述图像采集设备的云台，以控制上述云台转动；向上述图像采集设备发送图像采集指令，以控制上述图像采集设备采集图像。

在本实施例的一些可选的实现方式中，上述控制单元602进一步被配置成：控制上述图像采集设备采集图像，得到初始图像；根据上述声源的位置和上述图像采集设备的成像平面的关系，从上述初始图像中截取图像作为采集得到的图像。

在本实施例的一些可选的实现方式中，上述声纹识别结果包括第一用户标识，上述人脸识别结果包括至少一个第二用户标识和与第二用户标识对应的人脸特征匹配度；以及上述推送单元604进一步被配置成：将上述第一用户标识与上述至少一个第二用户标识进行匹配；响应于确定上述第一用户标识与上述至少一个第二用户标识中的第二用户标识相同，将与上述第一用户标识相同的第二用户标识作为待确定用户标识；响应于确定上述待确定用户标识的人脸特征匹配度大于预设阈值，将上述待确定用户标识作为确定的用户标识。

在本实施例的一些可选的实现方式中，上述语音信息是通过麦克风阵列采集的。以及上述装置还包括注册单元(图中未示出)，上述注册单元被配置成：接收注册信息，其中，上述注册信息包括注册用语音信息和注册用人脸图像；提取上述注册用语音信息的声纹特征，以及上述注册用人脸图像的人脸特征；将上述声纹特征、上述人脸特征与用户标识关联存储到注册信息集合。

下面参考图7，其示出了适于用来实现本申请实施例的设备的计算机系统700的结构示意图。图7示出的设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标、麦克风阵列、图像采集设备等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括确定单元、控制单元、检测单元和推送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，确定单元还可以被描述为“对麦克风阵列采集的语音信息进行声纹识别得到声纹识别结果，以及根据上述语音信息确定声源的位置的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：对采集的语音信息进行声纹识别得到声纹识别结果，以及根据上述语音信息确定声源的位置；基于上述声源的位置，控制图像采集设备采集图像；响应于从采集到的图像中检测到人脸图像，对检测到的人脸图像进行人脸识别，得到人脸识别结果；基于上述人脸识别结果和上述声纹识别结果确定用户标识，以及根据所确定的用户标识推送信息。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于推送信息的方法，包括：

对采集的语音信息进行声纹识别得到声纹识别结果，以及根据所述语音信息确定声源的位置；

基于所述声源的位置，控制图像采集设备采集图像；

响应于从采集到的图像中检测到人脸图像，对检测到的人脸图像进行人脸识别，得到人脸识别结果；

基于所述人脸识别结果和所述声纹识别结果确定用户标识，以及根据所确定的用户标识推送信息。

2.根据权利要求1所述的方法，其中，所述基于所述声源的位置，控制图像采集设备采集图像，包括：

基于所述声源的位置和所述图像采集设备的成像平面法线的位置关系，生成转动指令，以及将所述转动指令发送给支撑所述图像采集设备的云台，以控制所述云台转动；

向所述图像采集设备发送图像采集指令，以控制所述图像采集设备采集图像。

3.根据权利要求1所述的方法，其中，所述基于所述声源的位置，控制图像采集设备采集图像，包括：

控制所述图像采集设备采集图像，得到初始图像；

根据所述声源的位置和所述图像采集设备的成像平面的关系，从所述初始图像中截取图像作为采集得到的图像。

4.根据权利要求1所述的方法，其中，所述声纹识别结果包括第一用户标识，所述人脸识别结果包括至少一个第二用户标识和与第二用户标识对应的人脸特征匹配度；以及

所述基于所述人脸识别结果和所述声纹识别结果确定用户标识，包括：

将所述第一用户标识与所述至少一个第二用户标识进行匹配；

响应于确定所述第一用户标识与所述至少一个第二用户标识中的第二用户标识相同，将与所述第一用户标识相同的第二用户标识作为待确定用户标识；

响应于确定所述待确定用户标识的人脸特征匹配度大于预设阈值，将所述待确定用户标识作为确定的用户标识。

5.根据权利要求1所述的方法，其中，所述语音信息是通过麦克风阵列采集的，在对采集的语音信息进行声纹识别得到声纹识别结果之前，所述方法还包括：

接收注册信息，其中，所述注册信息包括注册用语音信息和注册用人脸图像；

提取所述注册用语音信息的声纹特征，以及所述注册用人脸图像的人脸特征；

将所述声纹特征、所述人脸特征与用户标识关联存储到注册信息集合。

6.一种用于推送信息的装置，包括：

确定单元，被配置成对采集的语音信息进行声纹识别得到声纹识别结果，以及根据所述语音信息确定声源的位置；

控制单元，被配置成基于所述声源的位置，控制图像采集设备采集图像；

检测单元，被配置成响应于从采集到的图像中检测到人脸图像，对检测到的人脸图像进行人脸识别，得到人脸识别结果；

推送单元，被配置成基于所述人脸识别结果和所述声纹识别结果确定用户标识，以及根据所确定的用户标识推送信息。

7.根据权利要求6所述的装置，其中，所述控制单元进一步被配置成：

基于所述声源的位置和所述图像采集设备的成像平面法线的位置关系，生成转动指令，以及将所述转动指令发送给支撑所述图像采集设备的云台，以控制所述云台转动；

向所述图像采集设备发送图像采集指令，以控制所述图像采集设备采集图像。

8.根据权利要求6所述的装置，其中，所述控制单元进一步被配置成：

控制所述图像采集设备采集图像，得到初始图像；

根据所述声源的位置和所述图像采集设备的成像平面的关系，从所述初始图像中截取图像作为采集得到的图像。

9.根据权利要求6所述的装置，其中，所述声纹识别结果包括第一用户标识，所述人脸识别结果包括至少一个第二用户标识和与第二用户标识对应的人脸特征匹配度；以及

所述推送单元进一步被配置成：

将所述第一用户标识与所述至少一个第二用户标识进行匹配；

响应于确定所述第一用户标识与所述至少一个第二用户标识中的第二用户标识相同，将与所述第一用户标识相同的第二用户标识作为待确定用户标识；

响应于确定所述待确定用户标识的人脸特征匹配度大于预设阈值，将所述待确定用户标识作为确定的用户标识。

10.根据权利要求6所述的装置，其中，所述语音信息是通过麦克风阵列采集的，所述装置还包括注册单元，所述注册单元被配置成：

接收注册信息，其中，所述注册信息包括注册用语音信息和注册用人脸图像；

提取所述注册用语音信息的声纹特征，以及所述注册用人脸图像的人脸特征；

将所述声纹特征、所述人脸特征与用户标识关联存储到注册信息集合。

11.一种设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

麦克风阵列，被配置成采集语音信息；

图像采集设备，被配置成采集图像；

和/或云台，被配置成支撑所述图像采集设备；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。