CN112669837A - 智能终端的唤醒方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种智能终端的唤醒方法、装置及电子设备，涉及语音识别、自然语言处理、深度学习等人工智能技术领域。实现方案为：采集视频数据及音频数据；对视频数据进行人体检测，以确定视频数据中用户的第一位置；对音频数据进行解析，以确定音频数据是否为唤醒事件及唤醒事件对应的唤醒方位；在音频数据为唤醒事件的情况下，根据与唤醒事件关联的视频数据中用户的第一位置与唤醒方位的匹配度，确定唤醒事件的置信度；根据唤醒事件的置信度，确定是否唤醒智能终端。由此，将视频数据和音频数据相结合，以确定进行智能终端的语音唤醒，有利于避免误唤醒的现象、提高唤醒的可靠性，进而提升对话系统的体验。

Description

智能终端的唤醒方法、装置及电子设备

技术领域

本申请涉及数据处理技术领域，具体涉及语音识别、自然语言处理、深度学习等人工智能技术领域，尤其涉及一种智能终端的唤醒方法、装置、电子设备、存储介质和计算机程序产品。

背景技术

随着人工智能技术和理念的兴起，很多产品都希望采用对话式的人机交互方式，来提升产品体验。因此语音技术得到了广泛的应用，通过语音识别来响应人们通过语音发出的指令，进行人机交互的前提是唤醒产品，因此，对语音进行识别以实现唤醒的技术尤为重要。

发明内容

本申请提供一种用于智能终端的唤醒方法、装置及电子设备。

根据本申请的第一方面，提供了一种智能终端的唤醒方法，包括：

采集视频数据及音频数据；

对所述视频数据进行人体检测，以确定所述视频数据中用户的第一位置；

对所述音频数据进行解析，以确定所述音频数据是否为唤醒事件及所述唤醒事件对应的唤醒方位；

在所述音频数据为唤醒事件的情况下，根据与所述唤醒事件关联的视频数据中用户的第一位置与所述唤醒方位的匹配度，确定所述唤醒事件的置信度；

根据所述唤醒事件的置信度，确定是否唤醒所述智能终端。

根据本申请的第二方面，提供了一种智能终端的唤醒装置，包括：

第一采集模块，用于采集视频数据及音频数据；

第一确定模块，用于对所述视频数据进行人体检测，以确定所述视频数据中用户的第一位置；

第二确定模块，用于对所述音频数据进行解析，以确定所述音频数据是否为唤醒事件及所述唤醒事件对应的唤醒方位；

第三确定模块，用于在所述音频数据为唤醒事件的情况下，根据与所述唤醒事件关联的视频数据中用户的第一位置与所述唤醒方位的匹配度，确定所述唤醒事件的置信度；

第四确定模块，用于根据所述唤醒事件的置信度，确定是否唤醒所述智能终端。

根据本申请的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一方面实施例所述的智能终端的唤醒方法。

根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，所述计算机指令用于使所述计算机执行上述一方面实施例所述的智能终端的唤醒方法。

根据本申请的第五方面，提供了一种计算机程序产品，所述计算机程序被处理器执行时，实现上述一方面实施例所述的智能终端的唤醒方法。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1为本申请实施例提供的一种智能终端的唤醒方法的流程示意图；

图2为本申请实施例提供的一种确定唤醒事件的置信度的流程示意图；

图3为本申请实施例提供的另一种确定唤醒事件的置信度的流程示意图；

图4为本申请实施例提供的又一种确定唤醒事件的置信度的流程示意图；

图5为本申请实施例提供的一种结合视频数据和音频数据进行语音唤醒的示意图；

图6为本申请实施例提供的一种智能终端的唤醒装置的结构示意图；

图7为用来实现本申请实施例的智能终端的唤醒方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

AI(Artificial Intelligence，人工智能)人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术，语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。

深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能，随着人工智能技术的发展，利用NLP(Natural LanguageProcessing，自然语言处理)技术、深度学习技术进行文本纠错的方式越来越广泛，NLP是计算机科学领域与人工智能领域中的一个重要方向，它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助，它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

随着AI技术和理念的兴起，很多产品都希望采用对话式的人机交互方式，来提升产品体验。因此语音技术得到了广泛的应用，通过语音识别来响应人们通过语音发出的指令，进行人机交互的前提是唤醒产品，因此，对语音进行识别以实现唤醒的技术尤为重要。

相关技术中，为了能让语音唤醒和识别更加准确，往往需要对硬件采集进来的原始音频做加工，例如根据计算出的方向做增益，根据统计识别出噪声等等。但是由于环境和场景的复杂性，在识别真实人声方向和跟踪噪声时存在很大的偏差和不确定性，例如，无法分辨人声还是物体发声，从而导致识别率降低、唤醒可靠性较低。

为此，本申请实施例提出了一种智能终端的唤醒方法、装置及电子设备。本申请实施例，引入视频技术，根据视频数据和音频数据确定是否唤醒智能终端，有利于避免误唤醒，提高唤醒的可靠性。

下面参考附图描述本申请实施例的智能终端的唤醒方法、装置及电子设备。

图1为本申请实施例提供的一种智能终端的唤醒方法的流程示意图。

需要说明的是，本申请实施例的智能终端的唤醒方法执行主体可以为电子设备，具体的，电子设备可以是但不限于服务器、终端，终端可以是但不限于个人电脑、智能手机、IPAD等。

本申请实施例以智能终端的唤醒方法被配置于智能终端的唤醒装置中来举例说明，该装置可以应用于电子设备中，以使该电子设备可以执行智能终端的唤醒方法。

如图1所示，该智能终端的唤醒方法包括以下步骤：

S101，采集视频数据及音频数据。

可以理解的是，如果用户根据实际需求想要对智能终端进行唤醒，以实现人机交互，那么用户可以语音输入音频信号，相应的，电子设备即可监测到该音频信号，进而将音频信号转化为音频数据，以根据音频数据唤醒智能终端。

需要说明的是，实际应用中，由于环境和场景的复杂性，电子设备监测到的音频信号可能是单纯的用户输入的音频信号，也可能是混合的音频信号，例如用户输入的音频信号及周围其他物体发出的音频信号(噪声)，还可能是单纯的其他物体发出的音频信号。也就是说，音频数据可能是用户发出的，也可能是用户的声音和噪声混合而成的，还可能是噪声。

音频数据的准确性对于唤醒技术而言是至关重要的，为了确定音频数据到底是上述哪一种，本申请实施例在仅仅唤醒时，不仅仅采集音频数据，还采集视频数据，以辅助语音识别。

具体地，可在电子设备上设置麦克风阵列及摄像装置(例如摄像头)，电子设备可实时监测音频数据和视频数据，当监测音频数据时，可通过麦克风阵列采集音频数据，同时可通过摄像头采集当前的视频数据，其中，视频数据用于记录当前用户、用户的行为及当前环境或者场景，视频中可包含用户(该用户可能是发出发出声音的用户也可能是未发出声音的用户)以及用户周围的其他发声物体，例如电视机、音箱、喇叭等。

S102，对视频数据进行人体检测，以确定视频数据中用户的第一位置。

其中，将视频数据中用户的位置定义为第一位置，可通过人体的坐标表示用户的位置。

具体地，在采集到视频数据之后，对视频数据进行人体检测，以确定视频数据中用户的第一位置。具体而言，可通过人脸识别或者人体检测算法确定并获取与用户的第一位置对应的坐标。

需要说明的是，本申请实施例中的视频数据中的用户有可能是静止不动的，有可能是走动的，因此，确定出的用户的第一位置有可能是一个，也有可能是多个。

S103，对音频数据进行解析，以确定音频数据是否为唤醒事件及唤醒事件对应的唤醒方位。

其中，唤醒事件可以是指用于唤醒智能终端的操作动作，例如用户对着智能终端说话；唤醒事件也可以是指用于唤醒智能终端的音频数据，例如用户对着智能终端的说的话“小度小度，请播放歌曲”等。

本申请实施例中，厂家或者用户可事先给智能终端配置若干唤醒事件，作为确定唤醒事件的基础。

具体地，在采集到音频数据之后，为了确定音频数据是否包括用户为了唤醒智能终端输入的音频数据，需对音频数据进行解析以确定音频数据是否为唤醒事件。具体来说，可对采集到的音频数据进行唤醒词(唤醒关键词)检测，以判断音频数据中是否包含唤醒词，如果是，则确定音频数据是唤醒事件；否则说明音频数据不是唤醒事件。其中，唤醒词可以是厂家预先定义的，或者，还可以由用户进行设置，对此不作限制。例如唤醒词可以为“小度小度”。

在确定出音频数据为唤醒事件之后，可进一步对音频数据进行方位检测，以确定唤醒事件对应的唤醒方位，也就是说确定唤醒事件的发生方位，以便于后续是否唤醒智能终端的确定。

例如，当东偏南30度出现唤醒词时，比如“小度小度”，此时，可以确定位于电子设备东偏南30度的方位为当前的唤醒方位。

需要说明的是，本申请实施例中确定音频数据是否为唤醒事件的方式还可以为相关技术中的其他方式，只要可实现步骤S103即可，本申请实施例对此不做限制。

S104，在音频数据为唤醒事件的情况下，根据与唤醒事件关联的视频数据中用户的第一位置与唤醒方位的匹配度，确定唤醒事件的置信度。

其中，置信度是指可信程度或者可靠程度。

具体地，在确定出第一位置及唤醒方位之后，可根据自然语言处理技术获取第一位置与唤醒方位的匹配度，进而根据该匹配度，确定唤醒事件的置信度。

应当理解，匹配度越高，表示第一位置与唤醒方位之间的相似度越高。匹配度为0，表示第一位置与唤醒方位之间不匹配；匹配度为1，表示第一位置与唤醒方位之间匹配。

应当理解，匹配度与置信度之间呈正相关的关系：匹配度越高，确定出的唤醒事件的置信度越高；匹配度越低，确定出的唤醒事件的置信度越低。置信度的大小范围可以为大于或者等于0、且小于或者等于1。

S105，根据唤醒事件的置信度，确定是否唤醒智能终端。

本申请实施例中，厂家或者用户可设置置信度阈值，作为确定是否唤醒智能终端的基础。

具体地，在确定出唤醒事件的置信度之后，可将该置信度与置信度阈值进行比对，以根据两者的大小关系确定是否唤醒智能终端。具体来说，如果唤醒事件的置信度大于或者等于置信度阈值，说明唤醒事件的置信度较高，于是确定唤醒智能终端；如果唤醒事件的置信度小于置信度阈值，说明唤醒事件的置信度较低，于是确定不唤醒智能终端。

或者，还可以根据唤醒事件的置信度与置信度阈值之间的差值的绝对值确定是否唤醒智能终端。具体来说，如果绝对值大于或者等于绝对值阈值(可以是厂家或者用户设置的)，那么确定不唤醒智能终端；如果绝对值小于绝对值阈值，那么确定唤醒智能终端。

举例而言，置信度阈值为0.5，如果通过执行上述步骤S101至S104后确定出的置信度为0.3，则确定不唤醒智能终端；如果置信度为0.6则，则确定唤醒智能终端。

通过执行上述步骤，可以分辨出人声还是物体发声，即在用户进行唤醒时，可以避免其他噪声的干扰；在用户无需进行唤醒时，可以避免智能终端因其他物体发声而唤醒。

本申请实施例的智能终端的唤醒方法，将视频数据和音频数据相结合以确定是否进行智能终端的语音唤醒，有利于避免误唤醒的现象、提高唤醒的可靠性，进而提升对话系统的体验。

上述步骤S104中确定唤醒事件的置信度时，为了提高置信度的准确性，可根据确定实际有效的视频数据中用户的有效位置来获取置信度，也可根据实际有效的时间段内的用户的位置来获取置信度，或者，还可根据用户的唇动状态确定置信度。

下面通过三个实施例描述如何更加准确地确定唤醒事件的置信度：

在本申请的一个实施例中，如图2所示，上述步骤S104，可包括以下步骤S201至S204：

S201，确定唤醒事件对应的目标音频数据的采集时段。

其中，目标音频数据是指唤醒事件对应的实际有效的音频数据，可以是唤醒词之后的音频数据。例如，如果唤醒事件为“亲爱的小度小度，放首歌给我好吗”，可见其中的唤醒词为“小度小度”，那么该唤醒事件对应的目标音频数据为“小度小度，放首歌给我好吗”。

其中，采集时段可以是指目标音频数据的起始采集时刻(采集开始的时刻)与截止采集时刻(采集结束的时刻)之间的时间段，可包括起始采集时刻及截止采集时刻。另外，该采集时段可以通过起始采集时刻及截止采集时刻表示，例如可通过北京时间表示为“早上8点10分3秒至早上8点10分10秒”，也可以通过表示为“第3秒至第10秒”；或者，也可以通过累计时间段表示，例如表示为“7秒”。

具体地，在执行完上述步骤S103之后，在音频数据为唤醒事件的情况下，确定唤醒事件对应的目标音频数据的起始采集时刻及截止采集时刻。具体来说，可以通过确定唤醒词的采集时刻来确定起始采集时刻，可将起始采集时刻经过预设时间段之后的时刻确定为截止采集时刻，也就是说，采集时段为起始采集时刻之后的预设时间段。其中，预设时间段可以是用户根据实际需求设置的，比如可以是唤醒事件的采集时长与起始采集时刻的差值。

例如，如果唤醒事件“亲爱的小度小度，放首歌给我好吗”的采集时长为10秒、且目标音频数据“小度小度，放首歌给我好吗”的起始采集时刻为第3秒，那么目标音频数据对应的采集时段为7秒。

需要说明的是，本申请实施例在确定目标音频数据的采集时段时，可通过任何方式确定，只要能确定出可靠的采集时段即可，可以但不限于本申请实施例的上述确定方式。

S202，获取采集时段内的目标视频数据。

其中，目标音频数据是指唤醒事件对应的实际有效的视频数据。

具体地，在确定出目标音频数据的采集时段之后，为了确定出与唤醒事件对应的视频数据，可从上述步骤S101中采集到的视频数据中获取采集时间段内的视频数据，即获取到目标视频数据。

具体来说，在步骤S101中是同时采集音频数据与视频数据的情况下，获取目标音频数据时，根据目标音频数据的起始采集时刻及采集时段，从视频数据中获取目标视频数据。

例如，如果目标音频数据的起始采集时刻为第3秒、采集时段为7秒，那么采集到的视频数据中获取第3秒到第10秒之间的视频数据，即为目标视频数据。

或者，在步骤S101中没有同时采集音频数据与视频数据的情况下，可将目标音频数据的采集时段确定或者转换为通用的北京时间段，进而可从采集到的视频数据中获取该北京时间段内的视频数据，即获取到目标视频数据。

例如，如果目标音频数据的采集时段为早上8点10分3秒至早上8点10分10秒，那么采集到的视频数据中获取从早上8点10分3秒至早上8点10分10秒之间的视频数据，即为目标视频数据。

S203，根据目标视频数据中每帧图像中用户的第一位置，确定目标视频数据对应的目标第一位置。

需要说明的，采集时段内的目标视频数据中，用户可能是静止不动的，也可能是走动的。因此需要确定目标音频数据中每帧图像中用户的位置(一帧图像可能对应一个位置，也可能没有对应的位置)，并根据多个位置确定目标视频数据中用户的位置，即为目标第一位置。

具体地，在确定出目标视频数据之后，可获取目标视频数据中的每帧图像，并确定每帧图像中用户的坐标，即确定出第一位置，从而确定出多个第一位置，可根据多个第一位置确定目标视频数据对应的目标第一位置。具体而言，可将多帧图像对应的第一位置进行加权处理，以确定出最终的目标第一位置。

S204，根据目标第一位置与唤醒方位的匹配度，确定唤醒事件的置信度。

在确定出目标视频数据对应的目标第一位置之后，可将目标第一位置与唤醒方位(执行上述步骤S103得出的)进行比对，以得出目标第一位置与唤醒方位的匹配度，进而根据该匹配度确定唤醒事件的置信度。

由此，根据目标音频数据的采集时段获取目标视频数据，进而确定目标视频数据中用户的目标第一位置，从而提高用户的位置的准确性和可靠性，提高置信度的准确性。

在本申请的另一个实施例中，如图3所示，上述步骤S104，可包括以下步骤S301至S303：

S301，存储当前时刻采集的视频数据中用户的第一位置、及对应的采集时刻。

具体地，在采集到视频数据，并确定出视频数据中用户的第一位置之后，在当前时刻采集视频中用户的第一位置、及对应的采集时刻，并进行存储。由于视频数据中用户的第一位置至少有一个，因此，存储数据中至少存在一个第一位置即对应的采集时刻。

例如，存储数据中的第一位置A对应的采集时刻为第4秒或者北京时间早上8点10分4秒；存储数据中的第一位置B对应的采集时刻为第6秒或者北京时间早上8点10分6秒。

S302，在已存储的各采集时刻中任一采集时刻与当前时刻的差值大于阈值的情况下，将任一采集时刻及对应的第一位置从存储数据中删除。

本申请实施例中，“任一”表示“其中一个”的意思，而不是“每个”的意思。

其中，阈值可以是厂家或者用户设置的，也可以是根据目标音频数据的起始采集时刻与当前时刻的差值确定的，例如起始采集时刻为北京时间早上8点10分3秒，而当前时刻为北京时间早上8点10分15秒，则可将阈值确定为3秒和15秒之间的差值的绝对值，即12秒。

在确定出存储数据之后，可计算存储数据中的每个采集时刻与当前时刻的差值，如果该差值大于阈值，那么将该差值对应的采集时刻、及该差值对应的第一位置从存储数据中删除；如果该差值小于或者等于阈值，那么将该差值对应的采集时刻、及该差值对应的第一位置在存储数据中继续保留，以供后续调用。

例如，可设置阈值为12秒，当前时刻为北京时间早上8点10分15秒，如果存储数据中的数据为：第一位置A及对应的采集时刻a为北京时间早上8点10分2秒、第一位置B及对应的采集时刻b为北京时间早上8点10分6秒，可得出采集时刻a与当前时刻之间的差值的绝对值为13秒，大于阈值12秒，那么将第一位置A及对应的采集时刻a从存储数据中删除；也可得出采集时刻b与当前时刻之间的差值的绝对值为9秒，小于阈值12秒，那么将第一位置B及对应的采集时刻保留在存储数据中，以备调用。

如此可对步骤S102中获取到的多个第一位置进行了删除处理，之后，可根据处理后的存储数据中的第一位置确定目标第一位置，即执行下述步骤S303。

S303，根据存储数据中的第一位置确定目标第一位置，根据目标第一位置与唤醒方位的匹配度，确定唤醒事件的置信度。

具体来说，在存储数据中存在一个第一位置时，该第一位置即为目标第一位置；在存储数据中存在多个第一位置时，可将多个第一位置进行加权处理，得到目标第一位置。再之后，根据目标第一位置与唤醒方位的匹配度，确定唤醒事件的置信度。

也就是说，将视频数据中的距离当前时刻时间较长的用户的第一位置删除，保留距离当前时刻时间较短的第一位置，根据保留的第一位置与唤醒方位之间的匹配度，确定唤醒事件的置信度。由此，能够保证获取到实际有效的时间段内的用户的位置，从而保证用户的位置的准确性、可靠性，提高置信度的准确性。

在本申请的又一个实施例中，如图4所示，上述步骤S104，可包括以下步骤S401至S403：

S401，对关联的视频数据进行唇动检测，以确定用户的唇动状态。

具体地，在采集到视频数据之后，可检测视频中的用户的唇部动作，以根据唇部动作确定用户的唇动状态，例如可以是张嘴说话、张嘴吃东西、打哈欠、闭合等。

S402，根据用户的唇动状态，确定第一位置的置信度。

例如，如果唇动状态为闭合或者打哈欠或者张嘴吃东西，则说明唇部不符合说话的状态，即用户没有说话，确定出第一位置的置信度极低甚至为0；如果唇动状态为张嘴说话，则说明唇部负荷说话的状态，确定出第一位置的置信度较高甚至为1。

S403，根据第一位置与唤醒方位的匹配度、及第一位置的置信度，确定唤醒事件的置信度。

具体地，在确定出第一位置、唤醒方位及第一位置的置信度之后，可确定第一位置与唤醒方位的匹配度，并根据该匹配度和第一位置的置信度确定唤醒事前的置信度。

具体来说，在匹配度和置信度同时满足条件的情况下，可以确定唤醒智能终端，而在匹配度和置信度不同时满足条件的情况下，可以确定不唤醒智能终端。即在该实施例中，在第一位置与唤醒方位匹配、第一位置的置信度为0的情况下，说明用户并没有说话，此时的音频数据可能是用户周围的其他物体发出的，此时，可确定出唤醒事件的置信度为0，即不唤醒智能终端；在第一位置与唤醒方位匹配、第一位置的置信度为1的情况下，说明用户处于说话状态，此时的音频数据是用户发出的，此时，可确定出唤醒事件的置信度为1，即唤醒智能终端。

由此，根据第一位置与唤醒方位的匹配度、及用户的唇动状态，确定唤醒事件的置信度，能够提高置信度的准确性，避免其他物体发声导致智能终端被误唤醒，从而提高了唤醒的有效性。

如上所述，均是从视频数据角度描述了如何确定准确度较高的唤醒事件的置信度，进而确定是否唤醒智能终端。需要说明的是，可根据视频数据对音频数据进行辅助处理，以使语音识别更加准确，也即从音频数据角度描述如何准确度较高的唤醒事件的置信度。

下面通过两个实施例进行说明：

即在本申请的一个实施例中，智能终端的唤醒方法，还可包括：对视频数据进行物体检测，以确定视频数据的每帧图像中各物体的第三位置；根据每帧图像中各物体的第三位置，对每帧图像关联的音频数据进行预处理。

本申请实施例将帧图像中物体的位置定义为第三位置。

具体地，在确定出音频数据及视频数据之后，可获取视频数据中的多帧图像，并确定每帧图像中个物体的第三位置，其中，每帧图像中可能没有物体，也可能有至少一个物体，从而得到至少一个第三位置。之后，根据至少一个第三位置，对每帧图像关联的音频数据进行预处理。其中，关联的音频数据，可以是与每帧图像同时刻的(通常，图像采集比声音采集快)，也可以是与每帧图像相邻的后一时刻或后一段时间的音频数据。从而得到预处理后的音频数据，通过该音频数据进行语音唤醒，准确率较高。

具体而言，在对关联的音频数据进行预处理时，可通过语音活动检测(VoiceActivity Detection，简称VAD)算法对音频数据进行过滤、增强等处理。

例如，如果采集到的音频数据为“亲爱的小度小度，请帮我放一首歌曲”，经过预处理，可将其中的“亲爱的”过滤掉，从而保留有效的音频数据“小度小度，请帮我放一首歌曲”。

如此即实现了根据视频数据对音频数据进行预处理。之后，可执行上述步骤S103，即对音频数据进行解析，以确定音频数据是否为唤醒事件及唤醒事件对应的唤醒方位。

由此，根据视频数据中各个物体的位置，对关联的音频数据进行预处理，从而使得语音识别更加准确，提高了唤醒方位的准确度以及唤醒事件置信度的准确度，从而提高了语音唤醒的准确度。

在本申请的还一个实施例中，上述步骤S104，可包括：对音频数据进行声源位置识别，以确定音频数据中声源的第二位置；根据与唤醒事件关联的音频数据中声源的第二位置、与唤醒事件关联的视频数据中用户的第一位置及唤醒方位的匹配度，确定唤醒事件的置信度。

其中，声源位置是指发出声音的位置，本申请实施例中将音频数据中发出声音的位置称为第二位置。

具体地，在确定出第一位置及唤醒方位之后，识别音频数据中的声源位置，以确定音频数据中的第二位置，之后，可获取与唤醒事件关联的音频数据及视频数据，进一步确定该音频数据中声源的第二位置，同时获取该视频数据中用户的第一位置，并确定第二位置与第一位置的匹配度、第二位置与唤醒方位的匹配度，根据两个匹配度确定唤醒事件的置信度。

具体而言，与唤醒事件关联的音频数据中声源的第二位置，与关联的视频数据中用户的第一位置匹配，且第二位置与唤醒方位匹配的情况下，可确定出唤醒事件的置信度为1，进而确定出唤醒智能终端；在第二位置与第一位置不匹配和/或第二位置与唤醒方位不匹配的情况下，可确定出不唤醒智能终端。

例如，如果第二位置为电子设备南偏西30度的位置、第一位置也为电子设备南偏西30度的位置、唤醒方位为电子设备东偏南30度的方位，可见第二位置与第一位置匹配，但是第二位置与唤醒方位不匹配，那么可确定不换新智能终端。

进一步地，上述步骤S104，还可包括：根据任一时刻音频数据中声源的第二位置及视频数据中用户的第一位置，确定参考位置；根据参考位置，对与任一时刻相邻的下一时刻的音频数据进行预处理。

具体地，在确定出音频数据中声源的第二位置之后，可将任一时刻音频数据声源的第二位置与视频数据中用户的第一位置进行比对，以得出二者匹配时，可将该任一时刻的第二位置确定为参考位置。之后，根据参考位置，可对与任一时刻相邻的下一时刻的音频数据进行增强、过滤等预处理。

例如，如果在第3秒的第二位置为电子设备南偏西30度的位置、第一位置也为电子设备南偏西30度的位置，可见第二位置与第一位置匹配，可将该第二位置作为参考位置，之后，对与第3秒相邻的第4秒的音频数据进行增强、过滤等处理。

由此，引入音频数据中的声源位置，对唤醒事件的置信度进行辅助确定，从而更加准确地确定唤醒事件的置信度，提高了唤醒准确度。

总的来说，本申请实施例，如图5所示，通过引入视频数据，分析出当前场景中的人和其他发声物体，来判断人声方位和其他发声物体如音箱、电视所在的噪声方位。根据当前声音定位的信息和视频分析的信息来判断唤醒时间的置信度，同时把视频分析的结果反馈给音频算法，辅助判断人声和噪音方位。判断发生的方位是否是真实的人在发声来辅助判断出误唤醒的情况，同时帮助音频信号算法在有人体的方向做算法上的增强和处理，来提高识别效果。

本申请实施例还提出了一种智能终端的唤醒装置，图6为本申请实施例提供的一种智能终端的唤醒装置的结构示意图。

如图6所示，该智能终端的唤醒装置600包括：第一采集模块610、第一确定模块620、第二确定模块630、第三确定模块640及第四确定模块650。

其中，第一采集模块610，用于采集视频数据及音频数据；第一确定模块620，用于对视频数据进行人体检测，以确定视频数据中用户的第一位置；第二确定模块630，用于对音频数据进行解析，以确定音频数据是否为唤醒事件及唤醒事件对应的唤醒方位；第三确定模块640，用于在音频数据为唤醒事件的情况下，根据与唤醒事件关联的视频数据中用户的第一位置与唤醒方位的匹配度，确定唤醒事件的置信度；第四确定模块650，用于根据唤醒事件的置信度，确定是否唤醒智能终端。

在本申请的一个实施例中，第三确定模块640，可包括：第一确定单元，用于确定唤醒事件对应的目标音频数据的采集时段；第一获取单元，用于获取采集时段内的目标视频数据；第二确定单元，用于根据目标视频数据中每帧图像中用户的第一位置，确定目标视频数据对应的目标第一位置；第三确定单元，用于根据目标第一位置与唤醒方位的匹配度，确定唤醒事件的置信度。

在本申请的一个实施例中，智能终端的唤醒装置600还可包括：第一存储模块，用于存储当前时刻采集的视频数据中用户的第一位置、及对应的采集时刻；第一删除模块，用于在已存储的各采集时刻中任一采集时刻与当前时刻的差值大于阈值的情况下，将任一采集时刻及对应的第一位置从存储数据中删除。

在本申请的一个实施例中，第三确定模块640，可包括：第四确定单元，用于对关联的视频数据进行唇动检测，以确定用户的唇动状态；第五确定单元，用于根据用户的唇动状态，确定第一位置的置信度；第六确定单元，用于根据第一位置与唤醒方位的匹配度、及第一位置的置信度，确定唤醒事件的置信度。

在本申请的一个实施例中，智能终端的唤醒装置600还可包括：第五确定模块，用于对视频数据进行物体检测，以确定视频数据的每帧图像中各物体的第三位置；第一处理模块，用于根据每帧图像中各物体的第三位置，对每帧图像关联的音频数据进行预处理。

在本申请的一个实施例中，第三确定模块640，还可包括：第七确定单元，用于对音频数据进行声源位置识别，以确定音频数据中声源的第二位置；第八确定单元，用于根据与唤醒事件关联的音频数据中声源的第二位置、与唤醒事件关联的视频数据中用户的第一位置及唤醒方位的匹配度，确定唤醒事件的置信度。

在本申请的一个实施例中，智能终端的唤醒装置600还可包括：第六确定模块，用于根据任一时刻音频数据中声源的第二位置及视频数据中用户的第一位置，确定参考位置；第二处理模块，用于根据参考位置，对与任一时刻相邻的下一时刻的音频数据进行预处理。

需要说明的是，本申请实施例的智能终端的唤醒装置的其他具体实施方式可参见前述智能终端的唤醒方法的具体实施方式，为避免冗余，此处不再赘述。

本申请实施例的智能终端的唤醒装置，将视频数据和音频数据相结合以确定是否唤醒智能终端，有利于避免误唤醒的现象、提高唤醒的可靠性，进而提升对话系统的体验。

根据本申请的实施例，本申请还提供了一种智能终端的唤醒方法的电子设备、可读存储介质和计算机程序产品。下面结合图7进行说明。

如图7所示，是根据本申请实施例的智能终端的唤醒方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元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。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如智能终端的唤醒方法。例如，在一些实施例中，智能终端的唤醒方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM703并由计算单元701执行时，可以执行上文描述的智能终端的唤醒方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行智能终端的唤醒方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS(VirtualPrivate Server，虚拟专用服务器)服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种智能终端的唤醒方法，包括：

采集视频数据及音频数据；

对所述视频数据进行人体检测，以确定所述视频数据中用户的第一位置；

对所述音频数据进行解析，以确定所述音频数据是否为唤醒事件及所述唤醒事件对应的唤醒方位；

在所述音频数据为唤醒事件的情况下，根据与所述唤醒事件关联的视频数据中用户的第一位置与所述唤醒方位的匹配度，确定所述唤醒事件的置信度；

根据所述唤醒事件的置信度，确定是否唤醒所述智能终端。

2.如权利要求1所述的方法，其中，所述根据与所述唤醒事件关联的视频数据中用户的第一位置与所述唤醒方位的匹配度，确定所述唤醒事件的置信度，包括：

确定所述唤醒事件对应的目标音频数据的采集时段；

获取所述采集时段内的目标视频数据；

根据所述目标视频数据中每帧图像中用户的第一位置，确定所述目标视频数据对应的目标第一位置；

根据所述目标第一位置与所述唤醒方位的匹配度，确定所述唤醒事件的置信度。

3.如权利要求2所述的方法，其中，还包括：

存储当前时刻采集的视频数据中用户的第一位置、及对应的采集时刻；

在已存储的各采集时刻中任一采集时刻与当前时刻的差值大于阈值的情况下，将所述任一采集时刻及对应的第一位置从存储数据中删除。

4.如权利要求1所述的方法，其中，所述根据与所述唤醒事件关联的视频数据中用户的第一位置与所述唤醒方位的匹配度，确定所述唤醒事件的置信度，包括：

对所述关联的视频数据进行唇动检测，以确定所述用户的唇动状态；

根据所述用户的唇动状态，确定所述第一位置的置信度；

根据所述第一位置与所述唤醒方位的匹配度、及所述第一位置的置信度，确定所述唤醒事件的置信度。

5.如权利要求1所述的方法，其中，还包括：

对所述视频数据进行物体检测，以确定所述视频数据的每帧图像中各物体的第三位置；

根据所述每帧图像中各物体的第三位置，对所述每帧图像关联的音频数据进行预处理。

6.如权利要求1-5任一所述的方法，其中，所述根据与所述唤醒事件关联的视频数据中用户的第一位置与所述唤醒方位的匹配度，确定所述唤醒事件的置信度，包括：

对所述音频数据进行声源位置识别，以确定所述音频数据中声源的第二位置；

根据与所述唤醒事件关联的音频数据中声源的第二位置、与所述唤醒事件关联的视频数据中用户的第一位置及所述唤醒方位的匹配度，确定所述唤醒事件的置信度。

7.如权利要求6所述的方法，其中，还包括：

根据任一时刻音频数据中声源的第二位置及视频数据中用户的第一位置，确定参考位置；

根据所述参考位置，对与所述任一时刻相邻的下一时刻的音频数据进行预处理。

8.一种智能终端的唤醒装置，包括：

第一采集模块，用于采集视频数据及音频数据；

第一确定模块，用于对所述视频数据进行人体检测，以确定所述视频数据中用户的第一位置；

第二确定模块，用于对所述音频数据进行解析，以确定所述音频数据是否为唤醒事件及所述唤醒事件对应的唤醒方位；

第三确定模块，用于在所述音频数据为唤醒事件的情况下，根据与所述唤醒事件关联的视频数据中用户的第一位置与所述唤醒方位的匹配度，确定所述唤醒事件的置信度；

第四确定模块，用于根据所述唤醒事件的置信度，确定是否唤醒所述智能终端。

9.如权利要求8所述的装置，所述第三确定模块，包括：

第一确定单元，用于确定所述唤醒事件对应的目标音频数据的采集时段；

第一获取单元，用于获取所述采集时段内的目标视频数据；

第二确定单元，用于根据所述目标视频数据中每帧图像中用户的第一位置，确定所述目标视频数据对应的目标第一位置；

第三确定单元，用于根据所述目标第一位置与所述唤醒方位的匹配度，确定所述唤醒事件的置信度。

10.如权利要求9所述的装置，还包括：

第一存储模块，用于存储当前时刻采集的视频数据中用户的第一位置、及对应的采集时刻；

第一删除模块，用于在已存储的各采集时刻中任一采集时刻与当前时刻的差值大于阈值的情况下，将所述任一采集时刻及对应的第一位置从存储数据中删除。

11.如权利要求8所述的装置，所述第三确定模块，包括：

第四确定单元，用于对所述关联的视频数据进行唇动检测，以确定所述用户的唇动状态；

第五确定单元，用于根据所述用户的唇动状态，确定所述第一位置的置信度；

第六确定单元，用于根据所述第一位置与所述唤醒方位的匹配度、及所述第一位置的置信度，确定所述唤醒事件的置信度。

12.如权利要求8所述的装置，还包括：

第五确定模块，用于对所述视频数据进行物体检测，以确定所述视频数据的每帧图像中各物体的第三位置；

第一处理模块，用于根据所述每帧图像中各物体的第三位置，对所述每帧图像关联的音频数据进行预处理。

13.如权利要求8-12任一所述的装置，所述第三确定模块，还包括：

第七确定单元，用于对所述音频数据进行声源位置识别，以确定所述音频数据中声源的第二位置；

第八确定单元，用于根据与所述唤醒事件关联的音频数据中声源的第二位置、与所述唤醒事件关联的视频数据中用户的第一位置及所述唤醒方位的匹配度，确定所述唤醒事件的置信度。

14.如权利要求13所述的装置，还包括：

第六确定模块，用于根据任一时刻音频数据中声源的第二位置及视频数据中用户的第一位置，确定参考位置；

第二处理模块，用于根据所述参考位置，对与所述任一时刻相邻的下一时刻的音频数据进行预处理。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的智能终端的唤醒方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的智能终端的唤醒方法。

17.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的智能终端的唤醒方法。

Images