CN110691196A - 一种音频设备的声源定位的方法及音频设备 - Google Patents

Abstract

本发明公开了一种音频设备的声源定位的方法及音频设备。该音频设备包括麦克风阵列和摄像头，该方法包括：获取麦克风阵列拾取的声音信号指令，确定声音信号指令的声源方向；控制摄像头转向声源方向；采集声源方向的场景图像；对场景图像进行人脸识别以确定目标用户。本发明根据声音信号指令的声源方向，控制摄像头转向声源方向，通过摄像头采集场景图像，并通过对场景图像进行人脸识别确定发出声音信号指令的目标用户，能够进一步提高定位声源方向的准确性，以提高声音信号指令的识别率。

Description

一种音频设备的声源定位的方法及音频设备

技术领域

本发明涉及音频信号识别技术领域技术，尤其涉及一种音频设备的声源定位的方法及音频设备。

背景技术

音频设备包括智能音箱或者带麦克风或麦克风阵列的摄像头。智能音箱是音箱升级的产物，是用户可以使用语音进行上网的一个工具，近年来，随着智能音箱的不断发展，智能音箱所囊括的内容资源越来越丰富。例如，用户可以使用智能音箱进行点播歌曲、听故事、语音交互等。

现有技术中，音频设备通过麦克风阵列拾取声音信号，实现语音交互。但是，在多人场景下，例如小型多人会议，多个用户同时说话，音频设备仅通过麦克风阵列不能准确定位拾取的声音信号的声源方向，不能确定需要进行语音交互的目标用户，影响用户体验。

发明内容

本发明的一个目的是提供一种基于音频设备的声源定位新技术方案。

根据本发明的第一方面，提供了一种音频设备的声源定位的方法，所述方法包括：

获取所述麦克风阵列拾取的声音信号，确定所述声音信号的声源方向；

控制所述摄像头转向所述声源方向；

采集所述声源方向的场景图像；

对所述场景图像进行人脸识别以确定目标用户。

可选地，所述音频设备还包括屏幕，所述方法还包括下列任一或者任意组合：

控制所述摄像头转向所述目标用户的方向；

控制所述屏幕转向所述目标用户的方向；

增强所述目标用户的方向的声音信号。

可选地，所述目标用户的方向是指所述目标用户的嘴唇方向。

可选地，所述对所述场景图像进行人脸识别以确定目标用户，包括：

如果只识别出一个人脸，将所述人脸对应的用户确定为所述目标用户。

如果识别出多个人脸，根据所述场景图像对所述多个人脸的嘴唇进行动作识别；

如果只识别出一个嘴唇在动的人脸，将所述嘴唇在动的人脸对应的用户确定为所述目标用户。

可选地，所述对所述场景图像进行人脸识别以确定目标用户，还包括：

如果识别出多个嘴唇在动的人脸，确定所述多个嘴唇在动的人脸与所述声源方向之间的夹角的大小，将所述夹角最小的人脸对应的用户确定为所述目标用户。

可选地，所述对所述场景图像进行人脸识别以确定目标用户，还包括：

如果未识别出嘴唇在动的人脸，确定所述多个人脸与所述声源方向之间的夹角的大小，将所述夹角最小的人脸对应的用户确定为所述目标用户。

可选地，所述对所述场景图像进行人脸识别以确定目标用户，还包括：

如果所述夹角最小的人脸为多个，选取位于所述场景图像中最左侧或者最右侧的人脸对应的用户作为所述目标用户。

可选地，所述对所述场景图像进行人脸识别以确定目标用户，还包括：

如果未识别出人脸，启动所述摄像头的巡航功能以确定所述目标用户或者结束对所述麦克风阵列拾取的声音信号指令的声源定位。

根据本发明的第二方面，提供了一种音频设备，所述音频设备设置有麦克风阵列和摄像头，所述音频设备还包括：

初步定位模块，用于获取所述麦克风阵列拾取的声音信号指令，确定所述声音信号的声源方向；

第一转向模块，用于控制所述摄像头转向所述声源方向；

图像采集模块，用于采集所述声源方向的场景图像；

目标用户确定模块，用于对所述场景图像进行人脸识别以确定目标用户。

可选地，所述音频设备还包括屏幕，所述音频设备还包括下列任一或者任意组合：

所述第二转向模块，用于控制所述摄像头转向所述目标用户的方向；

所述第三转向模块，用于控制所述屏幕转向所述目标用户的方向；

所述增强模块，用于增强所述目标用户的方向的声音信号。

根据本发明的第三方面，提供了一种音频设备，所述音频设备设置有麦克风阵列和摄像头，所述音频设备还包括：

存储器，所述存储器用于存储计算机指令；

处理器，所述处理器用于从所述存储器中调用所述计算机指令，并在所述计算机指令的控制下执行如本发明第一方面任一项提供的音频设备的声源定位的方法。

根据本发明的一个实施例，根据声音信号指令的声源方向，控制摄像头转向声源方向，通过摄像头采集场景图像，以通过对场景图像进行人脸识别，可以确定发出声音信号指令的目标用户，能够进一步提高定位声源方向的准确性，以提高声音信号指令的识别率。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1示出了本发明实施例提供的音频设备的硬件配置示意图；

图2示出了本发明第一实施例的音频设备的声源定位的方法的流程示意图；

图3示出了本发明第一实施例的音频设备的声源定位的方法的场景示意图一；

图4示出了本发明第一实施例的音频设备的声源定位的方法的场景示意图二；

图5示出了本发明第一实施例的音频设备的声源定位的方法的场景示意图三；

图6示出了本发明一个例子的音频设备的声源定位的方法的流程示意图；

图7示出了本发明第二实施例的音频设备的示意图；

图8示出了本发明第三实施例的音频设备的示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

<硬件配置>

图1示出基于音频设备实现的音频设备100的硬件配置的框图。

本发明实施例涉及的音频设备是能够播放声音的设备，可以具有和用户进行语音交互的能力。音频设备可以通过无线或有线的方式与内容服务器进行交互，实现例如点播歌曲、听故事、语音交互等等。音频设备可以是具有麦克风阵列、摄像头、屏幕的智能音箱、具有麦克风阵列的摄像头、智能播放器等其他智能设备。

如图1所示，音频设备100可以包括处理器110、存储器120、接口装置130、通信装置140、显示装置150、输入装置160、扬声器170、麦克风180和摄像头190等等。其中，处理器110可以是中央处理器CPU、微处理器MCU等。存储器120例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置130例如包括USB接口、耳机接口等。通信装置140可以包括短距离通信装置，例如是基于Hilink协议、WiFi(IEEE 802.11协议)、Mesh、蓝牙、ZigBee、Thread、Z-Wave、NFC、UWB、LiFi等短距离无线通信协议进行短距离无线通信的任意装置，通信装置140也可以包括远程通信装置，例如是进行WLAN、GPRS、2G/3G/4G/5G远程通信的任意装置。显示装置150例如是液晶显示屏、触摸显示屏等。输入装置160例如可以包括触摸屏、键盘、体感输入等。用户可以通过扬声器170和麦克风180输出/输入语音信息，用户可以通过摄像头190采集图像数据。

图1所示的音频设备100仅仅是说明性的并且决不意味着对本发明、其应用或使用的任何限制。应用于本发明的实施例中，音频设备100的所述存储器120用于存储指令，所述指令用于控制所述处理器110进行操作以执行本发明实施例提供的任意一项音频设备的声源定位的方法。本领域技术人员应当理解，尽管在图1中对音频设备100示出了多个装置，但是，本发明可以仅涉及其中的部分装置，例如，音频设备100只涉及处理器110和存储器120。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。

本发明实施例涉及音频设备，该音频设备可以通过无线或有线的方式与内容服务器进行交互，实现例如点播歌曲、听故事、语音交互等等，语音交互可以是多人交互，例如视频通话、视频会议等，本发明对此不作限定。下面以音频设备用于多人视频会议为例，说明本实施例提供的音频设备的声源定位的方法。

现有技术中，音频设备通过麦克风阵列拾取声音信号，实现语音交互。但是，在多人场景下，例如小型多人会议，多个用户同时说话，音频设备仅通过麦克风阵列不能准确定位拾取的声音信号的声源方向，不能确定需要进行语音交互的目标用户，影响用户体验。

本申请提供的解决方案是：音频设备包括麦克风阵列、摄像头。音频设备通过麦克风拾取声音信号指令，对声音信号指令进行初步定位，确定声音信号指令的声源方向，控制摄像头转向声源方向，以采集声源方向的场景图像，通过对场景图像进行人脸识别，确定目标用户。这样，在多人场景下，例如小型多人会议，可以将发出声音信号指令的用户作为目标用户，或者选择其中一个用户作为目标用户，以对该目标用户的发出的声音信号指令进行识别，能够提高语音的识别率，提高用户体验，声音信号指令可以为特定的指令，避免间隔角度较大的多用户同时发出声音信号，不能初步确定声源方向的情况。

下面参照图2-8所示，做进一步说明。

<第一实施例>

图2是根据本发明实施例的音频设备的声源定位的方法的流程示意图，该方法由音频设备100实施。

音频设备可以是具有麦克风阵列、摄像头、屏幕的智能音箱、具有麦克风阵列的摄像头、智能播放器等其他智能设备。

根据图2所示，本实施例的方法可以包括如下步骤S2100-S2400：

步骤S2100，获取麦克风阵列拾取的声音信号指令，确定声音信号指令的声源方向。

麦克风阵列，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，是对空间传播声音信号进行空间采样的一种装置，可以通过采集到的声音信号确定其空间位置信息。例如，麦克风阵列可以是平面阵列。例如，6个麦克风组成的环形麦克风阵列。

音频设备的麦克风阵列可以用于拾取声音信号，基于麦克风阵列的语音识别功能，可以实现对声音信号的声源方向进行定位，还可以实现对音频设备本身或对其它物联网设备进行控制，以执行用户期望的各种命令。

本实施例中，麦克风阵列拾取的声音信号指令可以是用户发出的特定声音信号指令。

本实施例中，获取麦克风阵列拾取的声音信号指令，确定声音信号指令的声源方向的步骤S2100，可以进一步包括如下步骤。

判断麦克风阵列拾取的声音信号是否包括用户发出的声音信号指令，如果确定拾取的声音信号包含用户发出的声音信号指令，进一步确定声音信号指令的声源方向，如果确定拾取的声音信号中不包含用户发出的声音信号指令，结束对声音信号的声源方向的定位。

在一个更具体的例子中，获取麦克风阵列拾取的声音信号指令，确定声音信号指令的声源方向的步骤S2100，可以进一步包括如下步骤。

处理器根据麦克风阵列中每个麦克风接收到的声音信号指令计算得到声源方向。

本实施例基于对麦克风阵列中每个麦克风拾取的声音信号指令，确定声音信号指令的声源方向，能够实现对声源方向进行初步定位。

在确定声音信号指令的声源方向之后，进入：

步骤S2200，控制摄像头转向声源方向。

步骤S2300，采集声源方向的场景图像。

本实施例中，音频设备包括摄像头，摄像头用于采集场景图像，以供音频设备根据采集到的场景图像进行人脸识别，以进一步确定发出声音信号指令的目标用户。

音频设备还包括第一转向机构和第一马达，摄像头通过第一转向机构与音频设备连接，第一马达用于控制摄像头转动。第一转向机构可以是转轴，也可以是万向装置。摄像头可以通过转轴在三维空间中某一平面转动，例如在水平面左右转动，摄像头还可以通过万向装置转动至三维空间中任意位置。

音频设备还包括操作控制按键，控制按键可以用于控制摄像头转动。响应于用户对控制按键的操作或者语音控制信号，可以控制摄像头转向声源方向。

根据本例子的方案，根据声音信号指令的声源方向，控制摄像头转向声源方向，结合后续步骤，可以通过摄像头采集场景图像，以通过对场景图像的分析，可以确定发出声音信号指令的目标用户，能够进一步提高定位声源方向的准确性，以提高声音信号指令的识别率。

在采集声源方向的场景图像之后，进入：

步骤S2400，对场景图像进行人脸识别以确定目标用户。

人脸识别过程通常可以包括：图像采集、图像处理、特征提取和人脸识别几个步骤。由于在人脸识别的方面具有非常成熟的算法，而且本发明实施例适用于任意的人脸识别的算法，所以在此不做任何限定。本实施例中，对场景图像进行人脸识别以确定目标用户的步骤S2400，可以进一步包括如下步骤S2410-S2430。

步骤S2410，如果只识别出一个人脸，将人脸对应的用户确定为目标用户。

例如，如图3所示，在场景图像中只识别出一个人脸，可以表示声源方向只有一个用户A，则将该人脸对应的用户A作为目标用户，可以根据目标用户，调整摄像头的方向，能够进一步提高定位声源方向的准确性，以提高声音信号指令的识别率。

步骤S2420，如果识别出多个人脸，根据场景图像对多个人脸的嘴唇进行动作识别。

本实施例中，场景图像包括摄像头连续采集的多帧场景图像。通过连续采集的多帧场景图像进行分析，可以对场景图像中人脸的嘴唇进行动作识别，以判断场景图像中的人脸的嘴唇是否在动，可以进一步确定目标用户。

步骤S2430，如果只识别出一个嘴唇在动的人脸，将嘴唇在动的人脸对应的用户确定为目标用户。

本实施例中，只识别出一个嘴唇在动的人脸，可以表示场景中只有一个用户在讲话，将嘴唇在动的人脸对应的用户确定为目标用户，可以根据目标用户，调整摄像头的方向，能够进一步提高定位声源方向的准确性，以提高声音信号指令的识别率。

根据本例子的方案，结合摄像头进一步确定声源方向，在多人场景中通过人脸识别以及对人脸的嘴唇进行的动作识别，能够确定语音交互的目标用户，从而提高定位声源方向的准确性，以提高声音信号指令的识别率。

本实施例的一个例子中，如果识别出多个人脸，根据场景图像对多个人脸的嘴唇进行动作识别之后，还可以进一步包括步骤S2440。

步骤S2440，如果识别出多个嘴唇在动的人脸，确定多个嘴唇在动的人脸与声源方向之间的夹角的大小，将夹角最小的人脸对应的用户确定为目标用户。

本实施例中，人脸与声源方向之间的夹角的大小，可以反映人脸对应的用户偏离声源方向的程度，人脸与声源方向之间的夹角的越小，人脸对应的用户越靠近声源方向，人脸与声源方向之间的夹角的越大，人脸对应的用户越远离声源方向。夹角最小的人脸对应的用户为最接近声源方向的用户。

根据本例子的方案，可以根据人脸与声源方向之间的夹角的大小，判断人脸对应的用户偏离声源方向的程度，从而确定语音交互的目标用户，能够提高定位声源方向的准确性，以及提高声音信号指令的识别率。

在一个更具体的例子中，如果识别出多个嘴唇在动的人脸，确定多个嘴唇在动的人脸与声源方向之间的夹角的大小，将夹角最小的人脸对应的用户确定为目标用户，可以进一步包括步骤S2441-S2442。

步骤S2441，如果确定夹角最小的人脸只有一个，将夹角最小的人脸对应的用户确定为目标用户。

<例子一>，参考图4所示，在场景图像中识别出两个嘴唇在动的人脸，可以表示声源方向有两个用户，其中，人脸A对应用户A，人脸A与声源方向之间的夹角为α，人脸B对应用户B，人脸B与声源方向之间的夹角为β。如果夹角β小于夹角α，将用户B作为目标用户。

<例子二>，参考图5所示，在场景图像中识别出三个嘴唇在动的人脸，可以表示声源方向有三个用户，其中，人脸A对应用户A，人脸A与声源方向之间的夹角为α，人脸B对应用户B，人脸B与声源方向之间的夹角为β，人脸C对应用户C，人脸C与声源方向之间的夹角为γ。如果夹角β最小，将用户B作为目标用户。

步骤S2442，如果夹角最小的人脸为多个，选取位于场景图像中最左侧或者最右侧的人脸对应的用户作为目标用户。

选取位于场景图像中最左侧或者最右侧的人脸对应的用户，可以根据用户预先设定进行选取。例如，一般认为最左侧为主用户，可以预先设定在夹角最小的人脸为多个时，选取位于场景图像中最左侧的人脸对应的用户作为目标用户。

<例子一>，参考图4所示，在场景图像中识别出两个嘴唇在动的人脸，可以表示声源方向有两个用户，其中，人脸A对应用户A，人脸A与声源方向之间的夹角为α，人脸B对应用户B，人脸B与声源方向之间的夹角为β。如果夹角β与夹角α大小相等，选左侧用户A作为目标用户。

<例子二>，参考图5所示，在场景图像中识别出三个嘴唇在动的人脸，可以表示声源方向有三个用户，其中，人脸A对应用户A，人脸A与声源方向之间的夹角为α，人脸B对应用户B，人脸B与声源方向之间的夹角为β，人脸C对应用户C，人脸C与声源方向之间的夹角为γ。如果夹角α、夹角β与夹角γ大小相等，选最左侧用户A作为目标用户。如果夹角β与夹角γ大小相等且为最小值，将最左侧的夹角最小的用户B作为目标用户。

根据本例子的方案，可以根据人脸与声源方向之间的夹角的大小，判断人脸对应的用户偏离声源方向的程度，在夹角最小的人脸为多个时，根据用户预先设定的方式选取目标用户。本实施例提供了目标用户的多种确定方式，使该音频设备的适用性更广泛，在多人语音交互时，能够音频设备用户体验更佳。

本实施例的另一个例子中，如果识别出多个人脸，根据场景图像对多个人脸的嘴唇进行动作识别之后，还可以进一步包括步骤S2450。

步骤S2450，如果未识别出嘴唇在动的人脸，确定多个人脸与声源方向之间的夹角的大小，将夹角最小的人脸对应的用户确定为目标用户。

在一个更具体的例子中，如果识别出多个人脸，根据场景图像对多个人脸的嘴唇进行动作识别之后，可以进一步包括步骤S2451-S2452。

步骤S2451，如果确定夹角最小的人脸只有一个，将夹角最小的人脸对应的用户确定为目标用户。

例如，参考图5所示，在场景图像中识别出三个人脸，且三个人脸的嘴唇都未动，可以表示声源方向有三个用户，其中，人脸A对应用户A，人脸A与声源方向之间的夹角为α，人脸B对应用户B，人脸B与声源方向之间的夹角为β，人脸C对应用户C，人脸C与声源方向之间的夹角为γ。如果夹角β最小，将用户B作为目标用户。

根据本例子的方案，可以根据人脸与声源方向之间的夹角的大小，判断人脸对应的用户偏离声源方向的程度，从而确定语音交互的目标用户，能够提高定位声源方向的准确性，以及提高声音信号的识别率。

步骤S2452，如果夹角最小的人脸为多个，选取位于场景图像中最左侧或者最右侧的人脸对应的用户作为目标用户。

例如，参考图5所示，在场景图像中识别出三个人脸，且三个人脸的嘴唇都未动，可以表示声源方向有三个用户，其中，人脸A对应用户A，人脸A与声源方向之间的夹角为α，人脸B对应用户B，人脸B与声源方向之间的夹角为β，人脸C对应用户C，人脸C与声源方向之间的夹角为γ。如果夹角α、夹角β与夹角γ大小相等，选最左侧用户A作为目标用户。如果夹角β与夹角γ大小相等且为最小值，将最左侧的夹角最小的用户B作为目标用户。

根据本例子的方案，可以根据人脸与声源方向之间的夹角的大小，判断人脸对应的用户偏离声源方向的程度，在夹角最小的人脸为多个时，根据用户预先设定选取目标用户。本实施例提供了目标用户的多种确定方式，使该音频设备的适用性更广泛，在多人语音交互时，能够音频设备用户体验更佳。

本实施例的另一个例子中，对场景图像进行人脸识别以确定目标用户的步骤S2400，还可以进一步包括如下步骤S2460a。

步骤S2460a，如果未识别出人脸，启动摄像头的巡航功能以确定目标用户。

在场景图像中未识别出人脸，表示音频设备对声源方向的定位发生错误。例如，用户发出的声音信号指令经背景墙或者其他反射源反射后被音频设备的麦克风阵列拾取。此时，启动摄像头的巡航功能，在摄像头的扫描范围内采集多帧场景图像，根据获取的多帧场景图像进行人脸识别，将找到的人脸对应的用户作为目标用户，有助于提高音频设备下一次进行语音识别的准确性。

或者，对场景图像进行人脸识别以确定目标用户的步骤S2400，还可以进一步包括如下步骤S2460b。

步骤S2460b，如果未识别出人脸，结束对麦克风阵列拾取的声音信号指令的声源定位。

在场景图像中未识别出人脸，表示音频设备对声源方向的定位发生错误。例如，用户发出的声音信号指令经背景墙或者其他反射源反射后被音频设备的麦克风阵列拾取。此时，结束本次对麦克风阵列拾取的声音信号指令的声源定位，待用户再次发出声音信号指令时，音频设备的麦克风阵列重现对声音信号指令进行声源定位，以及调整摄像头的转向，以确定目标用户。

本实施例中，对场景图像进行人脸识别以确定目标用户之后，还可以进一步包括步骤S2500。

步骤S2500，控制摄像头转向目标用户的方向。

在处理器根据摄像头采集的场景图像进行人脸识别确认目标用户以后，处理器发出指令控制摄像头转向目标用户的方向，本实施例中，目标用户的方向可以是用户的嘴唇方向。控制摄像头转向目标用户的方向，能够提高定位声源方向的准确性，以及提高声音信号指令的识别率。

本实施例中，音频设备还包括屏幕，对场景图像进行人脸识别以确定目标用户之后，还可以进一步包括步骤S2600。

步骤S2600，控制屏幕转向目标用户的方向。

本实施例中，屏幕设置在音频设备的侧面，屏幕可以显示摄像头采集的场景图像，例如，音频设备可以通过摄像头和屏幕进行视频通话、视频会议等。

音频设备还包括第二转向机构和第二马达，屏幕通过第二转向机构与音频设备连接，第二马达用于控制屏幕转动。第二转向机构可以是转轴，也可以是万向装置。屏幕可以通过转轴在三维空间中某一平面转动，例如在水平面左右转动，屏幕还可以通过万向装置转动至三维空间中任意位置。

音频设备还包括操作控制按键，控制按键可以用于控制屏幕转动。响应于用户对控制按键的操作或者语音控制信号，可以控制屏幕转向目标用户的方向。

目标用户的方向可以是用户的人脸方向。控制屏幕转向目标用户的方向，能够实现多个用户采用该音频设备进行语音交互，使用户体验更好。

本实施例中，摄像头和屏幕可以为一体设置，通过屏幕通过第二转轴与音频设备连接，第二马达用于控制屏幕转动，以及控制摄像头转动。

本实施例中，音频设备还包括屏幕，对场景图像进行人脸识别以确定目标用户之后，还可以进一步包括步骤S2700。

步骤S2600，增强目标用户的方向的声音信号。

本实施例中，目标用户的方向可以是用户的嘴唇方向。基于目标用户的方向，可以将其他方向的声音信号进行削弱或者消除，以避免其他方向的声音信号对目标用户方向的声音信号造成干扰，提高语音识别的准确性。

以上已经结合附图和例子说明本实施例中提供的音频设备的声源定位的方法，根据声音信号指令的声源方向，控制摄像头转向声源方向，通过摄像头采集场景图像，以通过对场景图像进行人脸识别，可以确定发出声音信号指令的目标用户，能够进一步提高定位声源方向的准确性，以提高声音信号的识别率。

<例子>

以下将结合图6进一步说明本实施例中提供的音频设备的声源定位的方法。

本例子涉及的音频设备是能够播放声音的设备，可以具有和用户进行语音交互的能力。音频设备可以通过无线或有线的方式与内容服务器进行交互，实现例如点播歌曲、听故事、语音交互等等。音频设备可以是具有麦克风阵列、摄像头、屏幕的智能音箱、具有麦克风阵列的摄像头、智能播放器等其他智能设备。

该音频设备的声源定位的方法可以包括如下步骤：

步骤S601，获取麦克风阵列拾取的声音信号指令，确定声音信号指令的声源方向。

步骤S602，控制摄像头转向声源方向。

步骤S603，采集声源方向的场景图像。

步骤S604，对场景图像进行人脸识别，如果只识别出一个人脸，执行步骤S605，如果识别出多个人脸，执行步骤S606，如果未识别出人脸，执行步骤S611。

步骤S605，将人脸对应的用户确定为目标用户。

步骤S606，根据场景图像对多个人脸的嘴唇进行动作识别，如果只识别出一个嘴唇在动的人脸，执行步骤S607，如果识别出多个嘴唇在动的人脸，执行步骤S608，如果未识别出嘴唇在动的人脸，执行步骤S608。

步骤S607，将嘴唇在动的人脸对应的用户确定为目标用户。

步骤S608，确定多个嘴唇在动的人脸与声源方向之间的夹角的大小，如果夹角最小的人脸为一个，执行步骤S609，如果夹角最小的人脸为多个，执行步骤S610。

步骤S609，将夹角最小的人脸对应的用户确定为目标用户。

步骤S610，选取位于场景图像中最左侧或者最右侧的人脸对应的用户作为目标用户。

步骤S611，启动摄像头的巡航功能以确定目标用户或者结束对麦克风阵列拾取的声音信号指令的声源定位。

步骤S612，控制摄像头转向目标用户的方向，控制屏幕转向所述目标用户的方向，以及增强目标用户的方向的声音信号。

以上已经结合附图和例子说明本实施例中提供的音频设备的声源定位的方法，根据声音信号的声源方向，控制摄像头转向声源方向，通过摄像头采集场景图像，以通过对场景图像进行人脸识别，可以确定发出声音信号的目标用户，能够进一步提高定位声源方向的准确性，以提高声音信号的识别率。

<第二实施例>

在本实施例中，还提供一种音频设备，本发明实施例涉及的音频设备是能够播放声音的设备，可以具有和用户进行语音交互的能力。音频设备可以通过无线或有线的方式与内容服务器进行交互，实现例如点播歌曲、听故事、语音交互等等。音频设备可以是具有麦克风阵列、摄像头、屏幕的智能音箱、具有麦克风阵列的摄像头、智能播放器等其他智能设备。

该音频设备包括麦克风阵列、摄像头和屏幕。音频设备还包括第一转向机构和第一马达，摄像头通过第一转向机构与音频设备连接，第一马达用于控制摄像头转动。第一转向机构可以是转轴，也可以是万向装置。摄像头可以通过转轴在三维空间中某一平面转动，例如在水平面左右转动，摄像头还可以通过万向装置转动至三维空间中任意位置。

音频设备还包括第二转向机构和第二马达，屏幕通过第二转向机构与音频设备连接，第二马达用于控制屏幕转动。第二转向机构可以是转轴，也可以是万向装置。屏幕可以通过转轴在三维空间中某一平面转动，例如在水平面左右转动，屏幕还可以通过万向装置转动至三维空间中任意位置。

本实施例中，摄像头和屏幕可以为一体设置，通过屏幕通过第二转轴与音频设备连接，第二马达用于控制屏幕转动，以及控制摄像头转动。

音频设备还包括操作控制按键，控制按键可以用于控制摄像头和屏幕转动。响应于用户对控制按键的操作或者语音控制信号，可以控制摄像头和/或屏幕转向目标用户的方向。

如图7所示，该音频设备7000还包括初步定位模块7100、第一转向模7200、图像采集模块7300和目标用户确定模块7400。

初步定位模块7100可以用于获取麦克风阵列拾取的声音信号指令，确定声音信号指令的声源方向。

第一转向模块7200可以用于控制摄像头转向声源方向。

图像采集模块7300可以用于采集声源方向的场景图像。

目标用户确定模块7400可以用于对场景图像进行人脸识别以确定目标用户。

如图7所示，该音频设备7000还包括第二转向模块7500、第三转向模块7600、增强模块7700。

第二转向模块7500可以用于控制摄像头转向目标用户的方向。

第三转向模块7600可以用于控制屏幕转向目标用户的方向。

增强模块7700可以用于增强目标用户的方向的声音信号。

以上已经结合附图和例子说明本实施例中提供的音频设备，可以根据声音信号的声源方向，控制摄像头转向声源方向，通过摄像头采集场景图像，以通过对场景图像进行人脸识别，可以确定发出声音信号指令的目标用户，能够进一步提高定位声源方向的准确性，以提高声音信号指令的识别率。

<第三实施例>

在本实施例中，还提供一种音频设备8000，本发明实施例涉及的音频设备是能够播放声音的设备，可以具有和用户进行语音交互的能力。音频设备可以通过无线或有线的方式与内容服务器进行交互，实现例如点播歌曲、听故事、语音交互等等。音频设备可以是具有麦克风阵列、摄像头、屏幕的智能音箱、具有麦克风阵列的摄像头、智能播放器等其他智能设备。

如图8所示，音频设备8000包括处理器8100和存储器8200。

存储器8200，可以用于存储可执行的指令；

处理器8100，可以用于根据可执行的指令的控制，运行音频设备，执行如本实施例中提供的音频设备的声源定位的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分相互参见即可，每个实施例重点说明的都是与其他实施例的不同之处，但本领域技术人员应当清楚的是，上述各实施例可以根据需要单独使用或者相互结合使用。另外，对于装置实施例而言，由于其是与方法实施例相对应，所以描述得比较简单，相关之处参见方法实施例的对应部分的说明即可。以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (11)

1.一种音频设备的声源定位的方法，其中，所述音频设备包括麦克风阵列和摄像头，所述方法包括：

获取所述麦克风阵列拾取的声音信号指令，确定所述声音信号指令的声源方向；

控制所述摄像头转向所述声源方向；

采集所述声源方向的场景图像；

对所述场景图像进行人脸识别以确定目标用户。

2.根据权利要求1所述的方法，其中，所述音频设备还包括屏幕，所述方法还包括下列任一或者任意组合：

控制所述摄像头转向所述目标用户的方向；

控制所述屏幕转向所述目标用户的方向；

增强所述目标用户的方向的声音信号。

3.根据权利要求2所述的方法，其中，所述目标用户的方向是指所述目标用户的嘴唇方向。

4.根据权利要求1所述的方法，其中，所述对所述场景图像进行人脸识别以确定目标用户，包括：

如果只识别出一个人脸，将所述人脸对应的用户确定为所述目标用户。

如果识别出多个人脸，根据所述场景图像对所述多个人脸的嘴唇进行动作识别；

如果只识别出一个嘴唇在动的人脸，将所述嘴唇在动的人脸对应的用户确定为所述目标用户。

5.根据权利要求4所述的方法，其中，所述对所述场景图像进行人脸识别以确定目标用户，还包括：

如果识别出多个嘴唇在动的人脸，确定所述多个嘴唇在动的人脸与所述声源方向之间的夹角的大小，将所述夹角最小的人脸对应的用户确定为所述目标用户。

6.根据权利要求4所述的方法，其中，所述对所述场景图像进行人脸识别以确定目标用户，还包括：

如果未识别出嘴唇在动的人脸，确定所述多个人脸与所述声源方向之间的夹角的大小，将所述夹角最小的人脸对应的用户确定为所述目标用户。

7.根据权利要求5或6所述的方法，其中，所述对所述场景图像进行人脸识别以确定目标用户，还包括：

如果所述夹角最小的人脸为多个，选取位于所述场景图像中最左侧或者最右侧的人脸对应的用户作为所述目标用户。

8.根据权利要求1所述的方法，其中，所述对所述场景图像进行人脸识别以确定目标用户，还包括：

如果未识别出人脸，启动所述摄像头的巡航功能以确定所述目标用户或者结束对所述麦克风阵列拾取的声音信号指令的声源定位。

9.一种音频设备，其中，所述音频设备设置有麦克风阵列和摄像头，所述音频设备还包括：

初步定位模块，用于获取所述麦克风阵列拾取的声音信号指令，确定所述声音信号指令的声源方向；

第一转向模块，用于控制所述摄像头转向所述声源方向；

图像采集模块，用于采集所述声源方向的场景图像；

目标用户确定模块，用于对所述场景图像进行人脸识别以确定目标用户。

10.根据权利要求1所述的设备，其中，所述音频设备还包括屏幕，所述音频设备还包括下列任一或者任意组合：

所述第二转向模块，用于控制所述摄像头转向所述目标用户的方向；

所述第三转向模块，用于控制所述屏幕转向所述目标用户的方向；

所述增强模块，用于增强所述目标用户的方向的声音信号。

11.一种音频设备，其中，所述音频设备设置有麦克风阵列和摄像头，所述音频设备还包括：

存储器，所述存储器用于存储计算机指令；

处理器，所述处理器用于从所述存储器中调用所述计算机指令，并在所述计算机指令的控制下执行如权利要求1-8中任一项所述的音频设备的声源定位的方法。

Images