CN113486760A - 对象说话检测方法及装置、电子设备和存储介质 - Google Patents
对象说话检测方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113486760A CN113486760A CN202110735963.6A CN202110735963A CN113486760A CN 113486760 A CN113486760 A CN 113486760A CN 202110735963 A CN202110735963 A CN 202110735963A CN 113486760 A CN113486760 A CN 113486760A
- Authority
- CN
- China
- Prior art keywords
- target object
- face
- determining
- video frames
- driver
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 110
- 230000033001 locomotion Effects 0.000 claims abstract description 142
- 230000005236 sound signal Effects 0.000 claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 67
- 230000006870 function Effects 0.000 claims description 80
- 238000012545 processing Methods 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 14
- 230000004807 localization Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 18
- 230000003993 interaction Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/24—Speech recognition using non-acoustical features
- G10L15/25—Speech recognition using non-acoustical features using position of the lips, movement of the lips or face analysis
Abstract
本公开涉及一种对象说话检测方法及装置、电子设备和存储介质，所述方法包括：获取车舱内的视频流，以及车载麦克风采集的声音信号；对视频流的多个视频帧中的每一个视频帧进行人脸检测，确定车内的目标对象在每一个视频帧中的人脸区域；根据目标对象在多个视频帧中的N个视频帧中的人脸区域，确定目标对象嘴唇的唇动识别结果，N为大于1的整数；根据唇动识别结果以及第一声音信号，确定目标对象的说话检测结果，其中，第一声音信号包括与N个视频帧对应的时间段的声音信号，说话检测结果包括目标对象处于说话状态或处于未说话状态。本公开实施例可提高对象说话检测的准确性。
Description
技术领域
本公开涉及智能车舱技术领域，尤其涉及一种对象说话检测方法及装置、电子设备和存储介质。
背景技术
车舱智能化包括多模交互，个性化服务，安全感知等方面的智能化，是当前汽车行业发展的重要方向。车舱多模交互意在为乘客提供舒适的交互体验，多模交互的手段包括语音识别、手势识别等。其中，语音识别在车载交互领域占有重大的市场份额。
然而，车舱内存在多处声源，如音响、开车产生的噪音、车舱外噪音等，对语音识别造成了非常强的干扰。相关技术中，基于纯语音的信号检测手段难以抑制语音误报，误报率较高。
发明内容
本公开提出了一种对象说话检测技术方案。
根据本公开的一方面，提供了一种对象说话检测方法，包括：
获取车舱内的视频流，以及车载麦克风采集的声音信号；对所述视频流的多个视频帧中的每一个视频帧进行人脸检测，确定车内的目标对象在所述每一个视频帧中的人脸区域；根据所述目标对象在所述多个视频帧中的N个视频帧中的人脸区域，确定所述目标对象嘴唇的唇动识别结果，N为大于1的整数；根据所述唇动识别结果以及第一声音信号，确定所述目标对象的说话检测结果，其中，所述第一声音信号包括与所述N个视频帧对应的时间段的所述声音信号，所述说话检测结果包括所述目标对象处于说话状态或处于未说话状态。
在一种可能的实现方式中，所述根据所述唇动识别结果以及第一声音信号，确定所述目标对象的说话检测结果，包括：在所述唇动识别结果为发生唇动，且所述第一声音信号包括语音的情况下，确定所述目标对象处于说话状态。
在一种可能的实现方式中，所述方法还包括：在所述目标对象处于说话状态的情况下，对所述第一声音信号进行内容识别，确定与所述第一声音信号对应的语音内容；在所述语音内容包括预设的语音指令的情况下，执行与所述语音指令对应的控制功能。
在一种可能的实现方式中，所述目标对象包括驾驶员，其中，所述在所述语音内容包括预设的语音指令的情况下，执行与所述语音指令对应的控制功能，包括：
在所述语音指令对应具有方向性的多个控制功能的情况下，根据所述目标对象在所述N个视频帧中的人脸区域，确定所述目标对象的注视方向；根据所述目标对象的注视方向，从所述多个控制功能中确定出目标控制功能；执行所述目标控制功能。
在一种可能的实现方式中，所述视频流包括驾驶员区域的第一视频流，和/或车舱内乘员区域的第二视频流；所述对所述视频流的多个视频帧中的每一个视频帧进行人脸检测，包括：基于所述第一视频流的多个第一视频帧中的每一个第一视频帧检测驾驶员的人脸；和/或基于所述第二视频流的多个第二视频帧中的每一个第二视频帧检测车舱内的人脸，并根据检测到的车舱内的人脸的位置确定所述每一个第二视频帧中的驾驶员的人脸。
在一种可能的实现方式中，所述获取车舱内的视频流，包括：获取驾驶员检测系统DMS摄像头采集的驾驶员区域的第一视频流；和/或获取乘员检测系统OMS摄像头采集的车舱内乘员区域的第二视频流。
在一种可能的实现方式中，所述方法还包括：根据所述多个视频帧中的每一个视频帧，确定所述目标对象的第一座位区域；
其中，所述根据所述唇动识别结果以及第一声音信号，确定所述目标对象的说话检测结果，包括：在所述第一声音信号包括语音的情况下，对所述第一声音信号进行音区定位，确定与所述第一声音信号对应的第二座位区域；在所述唇动识别结果为发生唇动，且所述第一座位区域与所述第二座位区域相同的情况下，确定所述目标对象处于说话状态。
在一种可能的实现方式中，所述视频流包括驾驶员区域的第一视频流，所述目标对象包括驾驶员，以及所述根据所述多个视频帧中的每一个视频帧，确定所述目标对象的第一座位区域，包括：响应于根据所述每一个视频帧在驾驶员区域检测到人脸，确定所述目标对象的第一座位区域为驾驶员区域；
和/或，所述视频流包括车舱内乘员区域的第二视频流，所述目标对象包括驾驶员和/或乘客，以及所述根据所述多个视频帧中的每一个视频帧，确定所述目标对象的第一座位区域，包括：对所述多个视频帧中的每一个视频帧进行人脸检测；根据检测到的人脸位置确定所述目标对象的第一座位区域。
在一种可能的实现方式中，所述方法还包括：在所述目标对象处于说话状态的情况下，对所述第一声音信号进行内容识别，确定与所述第一声音信号对应的语音内容；在所述语音内容包括预设的语音指令的情况下，根据所述目标对象的第一座位区域，确定与所述语音指令对应的区域控制功能；执行所述区域控制功能。
在一种可能的实现方式中，所述视频流包括驾驶员区域的第一视频流，所述目标对象包括驾驶员；所述根据所述唇动识别结果以及第一声音信号，确定所述目标对象的说话检测结果，包括：在根据所述第一声音信号进行音区定位确定所述第一声音信号来自驾驶员区域的情况下，根据所述唇动识别结果确定所述驾驶员是否发生唇动；响应于所述驾驶员未发生唇动，确定所述目标对象的说话检测结果为：所述驾驶员处于未说话状态。
在一种可能的实现方式中，根据所述目标对象在N个视频帧中的人脸区域，确定所述目标对象嘴唇的唇动识别结果，包括：对所述目标对象在所述N个视频帧中的人脸区域分别进行特征提取，得到所述目标对象的N个人脸特征；对所述N个人脸特征进行融合，得到所述目标对象的人脸融合特征；对所述人脸融合特征进行唇动识别，得到所述目标对象的唇动识别结果。
在一种可能的实现方式中，所述对所述目标对象在所述N个视频帧中的人脸区域分别进行特征提取，得到所述目标对象的N个人脸特征，包括：针对所述N个视频帧中的第i个视频帧，对所述目标对象在第i个视频帧中的人脸区域进行人脸关键点提取，得到多个人脸关键点，1≤i≤N；对所述多个人脸关键点进行归一化处理，得到所述目标对象的第i个人脸特征。
根据本公开的一方面，提供了一种对象说话检测装置，包括：
信号获取模块，用于获取车舱内的视频流，以及车载麦克风采集的声音信号；
人脸检测模块，用于对所述视频流的多个视频帧中的每一个视频帧进行人脸检测，确定车内的目标对象在所述每一个视频帧中的人脸区域；
唇动识别模块，用于根据所述目标对象在所述多个视频帧中的N个视频帧中的人脸区域，确定所述目标对象嘴唇的唇动识别结果，N为大于1的整数；
说话检测模块，用于根据所述唇动识别结果以及第一声音信号，确定所述目标对象的说话检测结果，其中，所述第一声音信号包括与所述N个视频帧对应的时间段的所述声音信号，所述说话检测结果包括所述目标对象处于说话状态或处于未说话状态。
在一种可能的实现方式中，所述说话检测模块用于：在所述唇动识别结果为发生唇动，且所述第一声音信号包括语音的情况下，确定所述目标对象处于说话状态。
在一种可能的实现方式中，所述装置还包括：
内容识别模块，用于在所述目标对象处于说话状态的情况下，对所述第一声音信号进行内容识别，确定与所述第一声音信号对应的语音内容；
功能执行模块，用于在所述语音内容包括预设的语音指令的情况下，执行与所述语音指令对应的控制功能。
在一种可能的实现方式中，所述目标对象包括驾驶员，其中，所述功能执行模块用于：在所述语音指令对应具有方向性的多个控制功能的情况下，根据所述目标对象在所述N个视频帧中的人脸区域，确定所述目标对象的注视方向；根据所述目标对象的注视方向，从所述多个控制功能中确定出目标控制功能；执行所述目标控制功能。
在一种可能的实现方式中，所述视频流包括驾驶员区域的第一视频流，和/或车舱内乘员区域的第二视频流；所述人脸检测模块，用于：基于所述第一视频流的多个第一视频帧中的每一个第一视频帧检测驾驶员的人脸；和/或
基于所述第二视频流的多个第二视频帧中的每一个第二视频帧检测车舱内的人脸，并根据检测到的车舱内的人脸的位置确定所述每一个第二视频帧中的驾驶员的人脸。
在一种可能的实现方式中，所述信号获取模块用于：获取驾驶员检测系统DMS摄像头采集的驾驶员区域的第一视频流；和/或获取乘员检测系统OMS摄像头采集的车舱内乘员区域的第二视频流。
在一种可能的实现方式中，所述装置还包括：座位区域确定模块，用于根据所述多个视频帧中的每一个视频帧，确定所述目标对象的第一座位区域；
其中，所述说话检测模块用于：在所述第一声音信号包括语音的情况下，对所述第一声音信号进行音区定位，确定与所述第一声音信号对应的第二座位区域；在所述唇动识别结果为发生唇动，且所述第一座位区域与所述第二座位区域相同的情况下，确定所述目标对象处于说话状态。
在一种可能的实现方式中，所述视频流包括驾驶员区域的第一视频流，所述目标对象包括驾驶员，以及所述座位区域确定模块用于：响应于根据所述每一个视频帧在驾驶员区域检测到人脸，确定所述目标对象的第一座位区域为驾驶员区域；和/或
所述视频流包括车舱内乘员区域的第二视频流，所述目标对象包括驾驶员和/或乘客，以及所述座位区域确定模块用于：对所述多个视频帧中的每一个视频帧进行人脸检测；根据检测到的人脸位置确定所述目标对象的第一座位区域。
在一种可能的实现方式中，所述装置还包括：内容识别模块，用于在所述目标对象处于说话状态的情况下，对所述第一声音信号进行内容识别，确定与所述第一声音信号对应的语音内容；功能确定模块，用于在所述语音内容包括预设的语音指令的情况下，根据所述目标对象的第一座位区域，确定与所述语音指令对应的区域控制功能；区域功能执行模块，用于执行所述区域控制功能。
在一种可能的实现方式中，所述视频流包括驾驶员区域的第一视频流，所述目标对象包括驾驶员；所述说话检测模块，用于：在根据所述第一声音信号进行音区定位确定所述第一声音信号来自驾驶员区域的情况下，根据所述唇动识别结果确定所述驾驶员是否发生唇动；响应于所述驾驶员未发生唇动，确定所述目标对象的说话检测结果为：所述驾驶员处于未说话状态。
在一种可能的实现方式中，所述唇动识别模块用于：对所述目标对象在所述N个视频帧中的人脸区域分别进行特征提取，得到所述目标对象的N个人脸特征；对所述N个人脸特征进行融合，得到所述目标对象的人脸融合特征；对所述人脸融合特征进行唇动识别，得到所述目标对象的唇动识别结果。
在一种可能的实现方式中，所述对所述目标对象在所述N个视频帧中的人脸区域分别进行特征提取，得到所述目标对象的N个人脸特征，包括：针对所述N个视频帧中的第i个视频帧，对所述目标对象在第i个视频帧中的人脸区域进行人脸关键点提取，得到多个人脸关键点，1≤i≤N；对所述多个人脸关键点进行归一化处理，得到所述目标对象的第i个人脸特征。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，能够获取车舱内的视频流和声音信号；对视频流的多个视频帧中每一帧进行人脸检测，确定对象的人脸区域；根据对象在N个视频帧中的人脸区域，确定唇动识别结果；根据唇动识别结果及声音信号共同判断对象是否在说话，从而提高对象说话检测的准确性，降低语音识别的误报率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的对象说话检测方法的流程图。
图2示出本公开的实施例的对象说话检测方法的唇动识别的示意图。
图3示出根据本公开实施例的对象说话检测装置的框图。
图4示出根据本公开实施例的一种电子设备的框图。
图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
在车载语音交互中，语音检测功能通常在车机中实时运行，需要将语音检测功能的误报率保持在非常低的水平。相关技术中，通常采用基于纯语音的信号检测手段，抑制语音误报的难度较高，导致误报率较高，用户交互体验较差。
根据本公开实施例的对象说话检测方法，能够通过计算机视觉技术，对车舱内的视频流进行检测，确定出视频帧中的对象，识别出对象的唇动状态，根据唇动状态和声音信号共同判断是否有人在说话，从而提高对象说话检测的准确性，降低语音识别的误报率，提升用户体验。
根据本公开实施例的对象说话检测方法可以由终端设备或服务器等电子设备执行，终端设备可以为车载设备、用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
其中，车载设备可以是车舱内的车机、域控制器或者处理器，还可以是DMS(DriverMonitor System，驾驶员检测系统)或者OMS(Occupant Monitoring System，乘员检测系统)中用于执行图像等数据处理操作的设备主机等。
图1示出根据本公开实施例的对象说话检测方法的流程图，如图1所示，所述对象说话检测方法包括：
在步骤S11中，获取车舱内的视频流，以及车载麦克风采集的声音信号；
在步骤S12中，对所述视频流的多个视频帧中的每一个视频帧进行人脸检测，确定车内的目标对象在所述每一个视频帧中的人脸区域；
在步骤S13中，根据所述目标对象在所述多个视频帧中的N个视频帧中的人脸区域，确定所述目标对象嘴唇的唇动识别结果，N为大于1的整数；
在步骤S14中，根据所述唇动识别结果以及第一声音信号，确定所述目标对象的说话检测结果，其中，所述第一声音信号包括与所述N个视频帧对应的时间段的所述声音信号，所述说话检测结果包括所述目标对象处于说话状态或处于未说话状态。
举例来说，本公开实施例可以应用于任意类型的车辆，例如乘用车、出租车、共享汽车、公交车、货运车辆、地铁、火车等。
在一种可能的实现方式中，在步骤S11中，可通过车载摄像头采集车舱内的视频流，并通过车载麦克风采集声音信号。其中，车载摄像头可以为设置于车辆中的任意摄像头，数量可以为一个或多个，类型可以为DMS摄像头、OMS摄像头、普通摄像头等。车载麦克风也可以设置在车辆中的任意位置，数量可以为一个或多个。本公开对车载摄像头及车载麦克风的设置位置、数量及类型不作限制。
在一种可能的实现方式中，可从视频流中获取多个视频帧，该多个视频帧可为视频流中连续的一组视频帧；也可为对视频流的视频帧序列进行采样得到的一组视频帧。本公开对此不作限制。
在一种可能的实现方式中，在步骤S12中，可对多个视频帧中的每一个视频帧进行人脸检测，确定每一个视频帧中的人脸框；并对各个视频帧中的人脸框进行跟踪，确定属于同一身份的对象的人脸框，从而确定出车内的对象在每一个视频帧中的人脸框。
其中，人脸检测的方式可例如为人脸关键点识别、人脸轮廓检测等；人脸跟踪的方式可例如为，根据相邻视频帧中人脸框的交并比，确定属于同一身份的对象。本领域技术人员应当理解，可采用相关技术中的任意方式实现人脸检测及跟踪，本公开对此不作限制。
在一种可能的实现方式中，视频帧中可能存在一个或多个对象的人脸，经步骤S12处理后，可得到各个对象的人脸区域。针对待分析的任一个对象(可称为目标对象)，可确定目标对象在多个视频帧中的N个视频帧中的人脸区域，N为大于1的整数。也即，从多个视频帧中选取对应一定时长(例如2s)的N个视频帧，以便后续进行唇动检测。在实时检测的情况下，该N个视频帧可为视频流中最新采集的N个视频帧。N可例如取值为10、15、20等，本公开对此不作限制。
其中，人的嘴唇在一定时长(例如2s)内发生嘴唇形状变化，即可认为人的嘴唇发生了唇动，该时长即为N个视频帧所对应的时长。该时长可例如设定为1s、2s或3s，本公开对此不作限制。
在一种可能的实现方式中，在步骤S13中，可根据目标对象在N个视频帧中的人脸区域，确定目标对象嘴唇的唇动识别结果。该唇动识别结果包括目标对象发生唇动或未发生唇动。
在一种可能的实现方式中，可将目标对象在N个视频帧中的人脸区域的区域图像，直接输入到预设的唇动识别网络中处理，输出唇动识别结果。也可先对目标对象在N个视频帧中人脸区域的区域图像进行特征提取，得到人脸特征；将人脸特征输入到预设的唇动识别网络中处理，输出唇动识别结果。本公开对具体的处理方式不作限制。
其中，唇动识别网络可例如为卷积神经网络，本公开对唇动识别网络的具体网络结构不作限制。
在一种可能的实现方式中，在步骤S14中，可根据目标对象的唇动识别结果和与所述N个视频帧对应的时间段的第一声音信号，共同确定目标对象的说话检测结果。
在一种可能的实现方式中，第一声音信号包括与N个视频帧对应的时间段的声音信号，例如，N个视频帧对应的时间段为最近的2s(2s前-现在)，第一声音信号也为最近2s的声音信号。对第一声音信号进行语音检测，可确定第一声音信号中是否包括语音，本公开对语音检测的实现方式不作限制。
在一种可能的实现方式中，目标对象的说话检测结果包括目标对象处于说话状态或处于未说话状态。例如，如果唇动识别结果为发生唇动，且第一声音信号包括语音，则认为目标对象处于说话状态；如果第一声音信号包括语音，而唇动识别结果为未发生唇动，则认为目标对象处于未说话状态；如果唇动识别结果为发生唇动，而第一声音信号不包括语音，则认为目标对象处于未说话状态。本公开对具体的判定方式不作限制。
根据本公开的实施例，能够获取车舱内的视频流和声音信号；对视频流的多个视频帧中每一帧进行人脸检测，确定对象的人脸区域；根据对象在N个视频帧中的人脸区域，确定唇动识别结果；根据唇动识别结果及声音信号共同判断对象是否在说话，从而提高对象说话检测的准确性，降低语音识别的误报率。
下面对本公开的实施例的对象说话检测方法进行展开说明。
如前所述，在步骤S11中，可获取车载摄像头采集的、车舱内的视频流，以及车载麦克风采集的声音信号。
在一种可能的实现方式中，步骤S11可包括：
获取驾驶员检测系统DMS摄像头采集的驾驶员区域的第一视频流；和/或
获取乘员检测系统OMS摄像头采集的车舱内乘员区域的第二视频流。
也就是说，车载摄像头可例如包括驾驶员检测系统DMS摄像头，和/或乘员检测系统OMS摄像头。DMS摄像头采集的视频流为驾驶员区域的视频流(称为第一视频流)，OMS摄像头采集的视频流为车舱内乘员区域的视频流(称为第二视频流)。这样，步骤S11中获取的视频流可包括第一视频流和/或第二视频流。
在另一种可能的实现方式中，驾驶员区域的第一视频流和车舱内乘员区域的第二视频流还可以由设置在车舱内的非专用于驾驶员检测或乘员检测的摄像头采集获得。或者，在第二视频流包含驾驶员区域的视频信息的情况下，可通过对第一视频流中驾驶员区域的视频信息进行截取来获得上述第一视频流。
通过这种方式，能够获取车舱内不同区域的视频流，以便后续分别进行处理，从而提高对象说话检测的全面性。
在一种可能的实现方式中，步骤S12中对所述视频流的多个视频帧中的每一个视频帧进行人脸检测，可包括：
基于所述第一视频流的多个第一视频帧中的每一个第一视频帧检测驾驶员的人脸；和/或
基于所述第二视频流的多个第二视频帧中的每一个第二视频帧检测车舱内的人脸，并根据检测到的车舱内的人脸的位置确定所述每一个第二视频帧中的驾驶员的人脸。
也就是说，在步骤S11获取的视频流包括第一视频流和/或第二视频流的情况下，可分别对第一视频流和第二视频流进行处理。
在一种可能的实现方式中，针对第一视频流，可从第一视频流中获取多个视频帧(称为第一视频帧)，该多个第一视频帧可为第一视频流中连续的一组视频帧；也可为对第一视频流的视频帧序列进行采样得到的一组视频帧。
在一种可能的实现方式中，第一视频帧对应于驾驶员区域，该区域仅包括驾驶员。在该情况下，可对多个第一视频帧中的每一个第一视频帧进行人脸检测及追踪，得到驾驶员在每一个第一视频帧中的人脸区域。
在一种可能的实现方式中，针对第二视频流，可从第二视频流中获取多个视频帧(称为第二视频帧)，该多个第二视频帧可为第二视频流中连续的一组视频帧；也可为对第二视频流的视频帧序列进行采样得到的一组视频帧。
在一种可能的实现方式中，第二视频帧对应于车舱内乘员区域，包括驾驶员和/或乘客。在该情况下，可对多个第二视频帧中的每一个第二视频帧进行人脸检测及追踪，得到车舱内的各个乘员在每一个第二视频帧中的人脸区域；并根据各个乘员在每一个第二视频帧中的人脸区域的位置，确定每一个第二视频帧中的驾驶员的人脸，以及各个乘客的人脸。例如，在驾驶员区域处于车舱的左前部、采集第二视频流的摄像头为由车舱前方的顶部位置(例如前挡风玻璃顶部)朝向车舱内的方向设置的情况下，可将处于第二视频帧中右下位置的人脸，确定为驾驶员的人脸。本公开对各个乘员的具体确定方式不作限制。
通过这种方式，能够确定出第一视频流中驾驶员的人脸，确定出第二视频流中不同乘员(驾驶员和/或乘客)的人脸，从而能够分别进行唇动识别、说话检测及相应的响应，进一步提高检测的说话准确性，并使得后续的响应更有针对性。
在一种可能的实现方式中，可在步骤S13中进行唇动识别。其中，步骤S13可包括：
对所述目标对象在所述N个视频帧中的人脸区域分别进行特征提取，得到所述目标对象的N个人脸特征；
对所述N个人脸特征进行融合，得到所述目标对象的人脸融合特征；
对所述人脸融合特征进行唇动识别，得到所述目标对象的唇动识别结果。
举例来说，可对目标对象在N个视频帧中人脸区域的图像分别进行特征提取，得到目标对象在N个视频帧中的人脸特征。其中，特征提取的方式可例如为人脸关键点提取。
在一种可能的实现方式中，对所述目标对象在所述N个视频帧中的人脸区域分别进行特征提取的步骤可包括：
针对所述N个视频帧中的第i个视频帧，对所述目标对象在第i个视频帧中的人脸区域进行人脸关键点提取，得到多个人脸关键点，1≤i≤N；
对所述多个人脸关键点进行归一化处理，得到所述目标对象的第i个人脸特征。
也就是说，对于N个视频帧中任意一个(称为第i个视频帧(frame-i)，1≤i≤N)，可对目标对象在第i个视频帧中的人脸区域进行人脸关键点提取，得到多个人脸关键点(landmarks-i)，其中，人脸关键点的数量可例如为106个，本公开对此不作限制。
在一种可能的实现方式中，可对多个人脸关键点(landmarks-i)求取均值mean-i与标准差std-i，再通过下面的公式(1)对多个人脸关键点landmarks-i进行归一化，得到归一化后的多个人脸关键点Landmarks-i-normalize：
Landmarks-i-normalize ＝ (landmarks-i – mean-i)/std-i (1)
在一种可能的实现方式中，可将归一化后的多个人脸关键点Landmarks-i-normalize，直接作为目标对象的第i个人脸特征；也可从Landmarks-i-normalize中选取部分的人脸关键点，例如选取人脸下半部分的人脸关键点或选取人脸关键点中的嘴部关键点，作为目标对象的第i个人脸特征。本公开对此不作限制。
通过关键点提取及归一化，能够使得人脸特征更加规范，提高后续唇动识别的精度。
在一种可能的实现方式中，对N个视频帧分别进行处理，可得到目标对象的N个人脸特征。
在一种可能的实现方式中，在实时检测的情况下，该N个视频帧中的前N-1个视频帧可能已经在之前的唇动识别中进行了处理。在本次的唇动识别中，可以对目标对象在最新的第N个视频帧中的人脸区域进行特征提取，得到第N个人脸特征；并读取之前的处理中已有的N-1个人脸特征，从而得到目标对象的N个人脸特征。这样，能够减小计算量，提高处理效率。
在一种可能的实现方式中，在得到目标对象的N个人脸特征后，可对该N个人脸特征进行融合，得到目标对象的人脸融合特征。可按照帧顺序进行排序，得到人脸特征landmarks-1-normalize、landmarks-2-normalize、…、landmarks-N-normalize，对该N个人脸特征进行拼接或叠加，即可得到人脸融合特征，记为face-video-feature。
在一种可能的实现方式中，可对人脸融合特征进行唇动识别，得到目标对象的唇动识别结果。可预设有唇动识别神经网络，将人脸融合特征输入唇动识别神经网络中处理，输出目标对象的唇动识别结果。
其中，该唇动识别神经网络可例如为卷积神经网络，包括多个全连接层、softmax层等，用于对人脸融合特征进行二分类。人脸融合特征输入唇动识别神经网络的全连接层，可得到二维的输出，分别对应发生唇动和未发生唇动；经过softmax层处理后，得到归一化的得分(score)或置信度。
在一种可能的实现方式中，可设置有发生唇动的得分或置信度的预设阈值(例如设置为0.8)。如果超过该预设阈值，则确定目标对象处于说话状态；反之，则确定目标对象处于未说话状态。本公开对唇动识别神经网络的网络结构、训练方式及预设阈值的具体取值均不作限制。
图2示出本公开的实施例的对象说话检测方法的唇动识别的示意图。如图2所示，对于待处理的N个视频帧：视频帧1、视频帧2、…、视频帧N，可分别对N个视频帧进行人脸检测，确定目标对象在N个视频帧中的人脸区域；对目标对象在N个视频帧中的人脸区域分别进行人脸特征提取，得到N个人脸特征；对N个人脸特征进行特征融合，得到目标对象的人脸融合特征；将人脸融合特征输入到唇动识别神经网络中进行处理，输出目标对象的唇动识别结果，包括发生唇动或未发生唇动。
通过这种方式，能够基于计算机视觉技术，实现对目标对象嘴唇的唇动识别，辅助判断对象是否在说话，提高说话检测的准确性。
在一种可能的实现方式中，在确定唇动识别结果后，可在步骤S14中进行说话检测。其中，步骤S14可包括：
在所述唇动识别结果为发生唇动，且所述第一声音信号包括语音的情况下，确定所述目标对象处于说话状态。
也就是说，基于唇动识别结果以及对应时间段的第一声音信号，共同判断对象是否在说话。如果唇动识别结果为发生唇动，且第一声音信号包括语音，则认为目标对象处于说话状态。也即，发生唇动与检测到语音这两个条件都满足，才判断目标对象在说话；如果仅满足一个条件，或两个条件都不满足，则判断目标对象未说话。
通过这种方式，能够有效抑制语音误报的情况，降低语音识别的误报率，提升用户体验。
在一种可能的实现方式中，在步骤S14之后，根据本公开实施例的对象说话检测方法还可包括：
在所述目标对象处于说话状态的情况下，对所述第一声音信号进行内容识别，确定与所述第一声音信号对应的语音内容；
在所述语音内容包括预设的语音指令的情况下，执行与所述语音指令对应的控制功能。
举例来说，如果在步骤S14中判断目标对象处于说话状态，则可启动语音识别功能，对第一声音信号进行内容识别，确定与第一声音信号对应的语音内容，本公开对语音内容识别的实现方式不作限制。
在一种可能的实现方式中，可预设有各种语音指令。如果识别出的语音内容包括预设的语音指令，则可执行与该语音指令对应的控制功能。例如，识别出语音内容包括语音指令“播放音乐”，则可控制车载的音乐播放设备播放音乐；识别出语音内容包括语音指令“打开左侧车窗”，则可控制左侧车窗打开。
通过这种方式，能够实现与车内乘员之间的语音交互，使得用户能够通过语音实现各种控制功能，提高用户使用的便利性，提升用户体验。
在一种可能的实现方式中，可不对目标对象的身份进行区分，也即判断目标对象在说话，就启动语音识别并执行相应的控制功能。也可对目标对象的身份进行区分，例如仅响应驾驶员的语音，在判断驾驶员在说话时进行语音识别，而不响应乘客的语音；或者根据乘客所在的座位区域，在判断乘客在说话时进行语音识别，并执行乘客所在的座位区域的区域控制功能等。
下面分别进行说明。
在一种可能的实现方式中，视频流包括驾驶员区域的第一视频流，目标对象包括驾驶员。其中，步骤S14可包括：
在根据所述第一声音信号进行音区定位确定所述第一声音信号来自驾驶员区域的情况下，根据所述唇动识别结果确定所述驾驶员是否发生唇动；
响应于所述驾驶员未发生唇动，确定所述目标对象的说话检测结果为：所述驾驶员处于未说话状态。
举例来说，第一视频流的第一视频帧为驾驶员区域的图像。在步骤S12中进行人脸检测及追踪，可得到驾驶员在每一个第一视频帧中的人脸区域。进而可在步骤S13中进行唇动识别，得到驾驶员的唇动识别结果，即发生唇动或未发生唇动。
在一种可能的实现方式中，可对第一声音信号进行音区定位，确定第一声音信号所对应的区域，例如驾驶员区域或乘员区域。本公开对音区定位的实现方式不作限制。
在一种可能的实现方式中，如果根据第一声音信号进行音区定位确定第一声音信号来自驾驶员区域，则可根据唇动识别结果确定驾驶员是否发生唇动；如果驾驶员未发生唇动，则可判断驾驶员未说话，即驾驶员处于未说话状态。在该情况下，可不对语音进行响应。
在一种可能的实现方式中，如果根据第一声音信号进行音区定位确定第一声音信号来自驾驶员区域，且根据唇动识别结果确定驾驶员发生唇动，则可判断驾驶员说话，即驾驶员处于说话状态。在该情况下，可启动语音识别功能，对语音进行响应。
通过这种方式，能够进一步降低语音识别的误报率。
在一种可能的实现方式中，视频流包括驾驶员区域的第一视频流，和/或车舱内乘员区域的第二视频流，目标对象包括驾驶员。
如前所述，在步骤S12中可对第一视频流的第一视频帧进行人脸检测及追踪，得到驾驶员在每一个第一视频帧中的人脸区域。在步骤S12中还可对第二视频流的第二视频帧进行人脸检测及追踪，确定人脸区域；并根据人脸区域的位置，确定每一个第二视频帧中的驾驶员的人脸。进而可在步骤S13中进行唇动识别，得到驾驶员的唇动识别结果，即发生唇动或未发生唇动，并在步骤S14中确定驾驶员的说话状态；如果驾驶员在说话，则启动语音识别功能，确定与第一声音信号对应的语音内容。
在一种可能的实现方式中，在所述语音内容包括预设的语音指令的情况下，执行与所述语音指令对应的控制功能的步骤，可包括：
在所述语音指令对应具有方向性的多个控制功能的情况下，根据所述目标对象在所述N个视频帧中的人脸区域，确定所述目标对象的注视方向；
根据所述目标对象的注视方向，从所述多个控制功能中确定出目标控制功能；
执行所述目标控制功能。
举例来说，语音指令可能对应于具有方向性的多个控制功能，例如，语音指令“打开车窗”可对应于左侧和右侧两个方向的车窗，多个控制功能包括“打开左侧的车窗”和“打开右侧的车窗”；也可对应于左前、左后、右前、右后四个方向的车窗，多个控制功能包括“打开左前侧的车窗”、“打开右前侧的车窗”、“打开左后侧的车窗”、“打开右后侧的车窗”。在该情况下，可结合图像识别确定相应的控制功能。
在一种可能的实现方式中，在语音指令对应具有方向性的多个控制功能的情况下，可根据目标对象在N个视频帧中的人脸区域，确定目标对象的注视方向。
在一种可能的实现方式中，可对目标对象在N个视频帧中人脸区域的图像分别进行特征提取，得到目标对象在N个视频帧中的人脸特征；对N个人脸特征进行融合，得到目标对象的人脸融合特征；将人脸融合特征输入到预设的注视方向识别网络中处理，得到目标对象的注视方向，也即目标对象的眼睛的视线方向。
其中，该注视方向识别网络可例如为卷积神经网络，包括卷积层、全连接层、softmax层等。本公开对注视方向识别网络的网络结构及训练方式均不作限制。
在一种可能的实现方式中，可根据目标对象的注视方向，从多个控制功能中确定出目标控制功能。例如，语音指令为“打开车窗”，并确定出目标对象的注视方向为朝向右侧，则可确定目标控制功能为“打开右侧的车窗”。进而，可执行目标控制功能，例如打开右侧的车窗。
通过这种方式，能够提高语音交互的准确性，进一步提高用户使用的便利性。
在一种可能的实现方式中，视频流包括驾驶员区域的第一视频流，和/或车舱内乘员区域的第二视频流，目标对象包括驾驶员和/或乘员。
在一种可能的实现方式中，根据本公开实施例的对象说话检测方法还可包括：
根据所述多个视频帧中的每一个视频帧，确定所述目标对象的第一座位区域。
也就是说，在目标对象包括驾驶员和/或乘员的情况下，可根据各个乘员在多个视频帧中的每一个视频帧中的人脸区域的位置，分别确定各个乘员的座位区域(称为第一座位区域)。其中，第一座位区域包括驾驶员区域或乘客区域，以小轿车场景为例，乘客区域可包括副驾驶区域、左后座位区域、右后座位区域等，本公开对座位区域的划分方式不作限制。
在一种可能的实现方式中，所述视频流包括驾驶员区域的第一视频流，所述目标对象包括驾驶员，以及所述根据所述多个视频帧中的每一个视频帧，确定所述目标对象的第一座位区域，包括：
响应于根据所述每一个视频帧在驾驶员区域检测到人脸，确定所述目标对象的第一座位区域为驾驶员区域；
和/或
所述视频流包括车舱内乘员区域的第二视频流，所述目标对象包括驾驶员和/或乘客，以及所述根据所述多个视频帧中的每一个视频帧，确定所述目标对象的第一座位区域，包括：
对所述多个视频帧中的每一个视频帧进行人脸检测；
根据检测到的人脸位置确定所述目标对象的第一座位区域。
举例来说，在视频流包括驾驶员区域的第一视频流的情况下，响应于根据所述每一个视频帧在驾驶员区域检测到人脸，可直接确定目标对象的第一座位区域为驾驶员区域，完成第一座位区域的确定过程。
在一种可能的实现方式中，在视频流包括车舱内乘员区域的第二视频流的情况下，可对多个视频帧中的每一个视频帧进行人脸检测及追踪，得到车舱内的各个乘员在每一个视频帧中的人脸区域；根据检测到的人脸位置，可确定目标对象的第一座位区域。
例如，在驾驶员区域处于车舱的左前部的情况下，可将处于视频帧中右下位置的人脸，确定为驾驶员的人脸，确定目标对象的第一座位区域为驾驶员区域；将处于视频帧中左下位置的人脸，确定为副驾驶的乘客的人脸，确定目标对象的第一座位区域为副驾驶区域。本公开对各个乘员的具体确定方式不作限制。
通过这种方式，能够实现乘员的座位区域的判定。
在确定目标对象的第一座位区域后，可在步骤S14中基于第一座位区域共同判断目标对象的说话状态。
在一种可能的实现方式中，步骤S14可包括：
在所述第一声音信号包括语音的情况下，对所述第一声音信号进行音区定位，确定与所述第一声音信号对应的第二座位区域；
在所述唇动识别结果为发生唇动，且所述第一座位区域与所述第二座位区域相同的情况下，确定所述目标对象处于说话状态。
举例来说，如果第一声音信号包括语音，则可对第一声音信号进行音区定位，确定第一声音信号所对应的座位区域(称为第二座位区域)，例如驾驶员区域或乘员区域。本公开对音区定位的实现方式不作限制。
在一种可能的实现方式中，对于任一目标对象，如果该目标对象的唇动识别结果为发生唇动，且第一座位区域与第二座位区域相同(也即通过图像定位出的座位区域与通过音区定位出的座位区域一致)，则可确定目标对象处于说话状态；进而可启动语音识别功能，对语音进行响应。
通过这种方式，在图像定位出的座位区域与音区定位出的座位区域一致，且发生唇动的条件下，判断对象在说话，进一步提高对象说话检测的准确性；并且，能够区分出在说话的对象，以便执行针对性的控制功能，进一步提高了用户使用的便利性。
在一种可能的实现方式中，根据本公开实施例的对象说话检测方法还可包括：
在所述目标对象处于说话状态的情况下，对所述第一声音信号进行内容识别，确定与所述第一声音信号对应的语音内容；
在所述语音内容包括预设的语音指令的情况下，根据所述目标对象的第一座位区域，确定与所述语音指令对应的区域控制功能；
执行所述区域控制功能。
举例来说，如果在步骤S14中确定目标对象处于说话状态，则可启动语音识别功能，对第一声音信号进行内容识别，确定与第一声音信号对应的语音内容，本公开对语音内容识别的实现方式不作限制。
在一种可能的实现方式中，如果识别出的语音内容包括预设的语音指令，则可根据目标对象的第一座位区域，确定与语音指令对应的区域控制功能。例如，识别出语音内容包括语音指令“打开车窗”，且目标对象的第一座位区域为左后座位区域，则可确定对应的区域控制功能为“打开左后侧车窗”。进而，可执行该区域控制功能，例如控制左后侧车窗打开。
通过这种方式，能够执行相应的区域控制功能，进一步提高用户使用的便利性。
根据本公开实施例的对象说话检测方法，能够获取车舱内的视频流和声音信号；对视频流的多个视频帧中每一帧进行人脸检测，确定对象的人脸区域；根据对象在N个视频帧中的人脸区域，确定唇动识别结果；根据唇动识别结果及声音信号共同判断对象是否在说话，从而提高对象说话检测的准确性，降低语音识别的误报率。
根据本公开实施例的对象说话检测方法，能够应用于智能车舱感知系统中，能够基于智能视频分析算法，分析车舱内乘员的唇动状态，并结合语音信号判断车舱内是否有人在说话，从而有效规避单纯依靠语音信号导致的误报情形，保证语音识别可以被正常触发，提升用户交互体验。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了对象说话检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种对象说话检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图3示出根据本公开实施例的对象说话检测装置的框图，如图3所示，所述装置包括：
信号获取模块31，用于获取车舱内的视频流，以及车载麦克风采集的声音信号；
人脸检测模块32，用于对所述视频流的多个视频帧中的每一个视频帧进行人脸检测，确定车内的目标对象在所述每一个视频帧中的人脸区域；
唇动识别模块33，用于根据所述目标对象在所述多个视频帧中的N个视频帧中的人脸区域，确定所述目标对象嘴唇的唇动识别结果，N为大于1的整数；
说话检测模块34，用于根据所述唇动识别结果以及第一声音信号，确定所述目标对象的说话检测结果，其中，所述第一声音信号包括与所述N个视频帧对应的时间段的所述声音信号，所述说话检测结果包括所述目标对象处于说话状态或处于未说话状态。
在一种可能的实现方式中，所述说话检测模块用于：在所述唇动识别结果为发生唇动，且所述第一声音信号包括语音的情况下，确定所述目标对象处于说话状态。
在一种可能的实现方式中，所述装置还包括：
内容识别模块，用于在所述目标对象处于说话状态的情况下，对所述第一声音信号进行内容识别，确定与所述第一声音信号对应的语音内容；
功能执行模块，用于在所述语音内容包括预设的语音指令的情况下，执行与所述语音指令对应的控制功能。
在一种可能的实现方式中，所述目标对象包括驾驶员，其中，所述功能执行模块用于：在所述语音指令对应具有方向性的多个控制功能的情况下，根据所述目标对象在所述N个视频帧中的人脸区域，确定所述目标对象的注视方向；根据所述目标对象的注视方向，从所述多个控制功能中确定出目标控制功能；执行所述目标控制功能。
在一种可能的实现方式中，所述视频流包括驾驶员区域的第一视频流，和/或车舱内乘员区域的第二视频流；所述人脸检测模块，用于：基于所述第一视频流的多个第一视频帧中的每一个第一视频帧检测驾驶员的人脸；和/或
基于所述第二视频流的多个第二视频帧中的每一个第二视频帧检测车舱内的人脸，并根据检测到的车舱内的人脸的位置确定所述每一个第二视频帧中的驾驶员的人脸。
在一种可能的实现方式中，所述信号获取模块用于：获取驾驶员检测系统DMS摄像头采集的驾驶员区域的第一视频流；和/或获取乘员检测系统OMS摄像头采集的车舱内乘员区域的第二视频流。
在一种可能的实现方式中，所述装置还包括：座位区域确定模块，用于根据所述多个视频帧中的每一个视频帧，确定所述目标对象的第一座位区域；
其中，所述说话检测模块用于：在所述第一声音信号包括语音的情况下，对所述第一声音信号进行音区定位，确定与所述第一声音信号对应的第二座位区域；在所述唇动识别结果为发生唇动，且所述第一座位区域与所述第二座位区域相同的情况下，确定所述目标对象处于说话状态。
在一种可能的实现方式中，
所述视频流包括驾驶员区域的第一视频流，所述目标对象包括驾驶员，以及所述座位区域确定模块用于：响应于根据所述每一个视频帧在驾驶员区域检测到人脸，确定所述目标对象的第一座位区域为驾驶员区域；和/或
所述视频流包括车舱内乘员区域的第二视频流，所述目标对象包括驾驶员和/或乘客，以及所述座位区域确定模块用于：对所述多个视频帧中的每一个视频帧进行人脸检测；根据检测到的人脸位置确定所述目标对象的第一座位区域。
在一种可能的实现方式中，所述装置还包括：内容识别模块，用于在所述目标对象处于说话状态的情况下，对所述第一声音信号进行内容识别，确定与所述第一声音信号对应的语音内容；功能确定模块，用于在所述语音内容包括预设的语音指令的情况下，根据所述目标对象的第一座位区域，确定与所述语音指令对应的区域控制功能；区域功能执行模块，用于执行所述区域控制功能。
在一种可能的实现方式中，所述视频流包括驾驶员区域的第一视频流，所述目标对象包括驾驶员；所述说话检测模块，用于：在根据所述第一声音信号进行音区定位确定所述第一声音信号来自驾驶员区域的情况下，根据所述唇动识别结果确定所述驾驶员是否发生唇动；响应于所述驾驶员未发生唇动，确定所述目标对象的说话检测结果为：所述驾驶员处于未说话状态。
在一种可能的实现方式中，所述唇动识别模块用于：对所述目标对象在所述N个视频帧中的人脸区域分别进行特征提取，得到所述目标对象的N个人脸特征；对所述N个人脸特征进行融合，得到所述目标对象的人脸融合特征；对所述人脸融合特征进行唇动识别，得到所述目标对象的唇动识别结果。
在一种可能的实现方式中，所述对所述目标对象在所述N个视频帧中的人脸区域分别进行特征提取，得到所述目标对象的N个人脸特征，包括：针对所述N个视频帧中的第i个视频帧，对所述目标对象在第i个视频帧中的人脸区域进行人脸关键点提取，得到多个人脸关键点，1≤i≤N；对所述多个人脸关键点进行归一化处理，得到所述目标对象的第i个人脸特征。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、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公开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。
用于执行本公开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，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。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公开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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，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的改进，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。
Claims (15)
1.一种对象说话检测方法，其特征在于，包括：
获取车舱内的视频流，以及车载麦克风采集的声音信号；
对所述视频流的多个视频帧中的每一个视频帧进行人脸检测，确定车内的目标对象在所述每一个视频帧中的人脸区域；
根据所述目标对象在所述多个视频帧中的N个视频帧中的人脸区域，确定所述目标对象嘴唇的唇动识别结果，N为大于1的整数；
根据所述唇动识别结果以及第一声音信号，确定所述目标对象的说话检测结果，其中，所述第一声音信号包括与所述N个视频帧对应的时间段的所述声音信号，所述说话检测结果包括所述目标对象处于说话状态或处于未说话状态。
2.根据权利要求1所述的方法，其特征在于，所述根据所述唇动识别结果以及第一声音信号，确定所述目标对象的说话检测结果，包括：
在所述唇动识别结果为发生唇动，且所述第一声音信号包括语音的情况下，确定所述目标对象处于说话状态。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
在所述目标对象处于说话状态的情况下，对所述第一声音信号进行内容识别，确定与所述第一声音信号对应的语音内容；
在所述语音内容包括预设的语音指令的情况下，执行与所述语音指令对应的控制功能。
4.根据权利要求3所述的方法，其特征在于，所述目标对象包括驾驶员，
其中，所述在所述语音内容包括预设的语音指令的情况下，执行与所述语音指令对应的控制功能，包括：
在所述语音指令对应具有方向性的多个控制功能的情况下，根据所述目标对象在所述N个视频帧中的人脸区域，确定所述目标对象的注视方向；
根据所述目标对象的注视方向，从所述多个控制功能中确定出目标控制功能；
执行所述目标控制功能。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述视频流包括驾驶员区域的第一视频流，和/或车舱内乘员区域的第二视频流；
所述对所述视频流的多个视频帧中的每一个视频帧进行人脸检测，包括：
基于所述第一视频流的多个第一视频帧中的每一个第一视频帧检测驾驶员的人脸；和/或
基于所述第二视频流的多个第二视频帧中的每一个第二视频帧检测车舱内的人脸，并
根据检测到的车舱内的人脸的位置确定所述每一个第二视频帧中的驾驶员的人脸。
6.根据权利要求1-5中任意一项所述的方法，其特征在于，所述获取车舱内的视频流，包括：
获取驾驶员检测系统DMS摄像头采集的驾驶员区域的第一视频流；和/或
获取乘员检测系统OMS摄像头采集的车舱内乘员区域的第二视频流。
7.根据权利要求1-6中任意一项所述的方法，其特征在于，所述方法还包括：
根据所述多个视频帧中的每一个视频帧，确定所述目标对象的第一座位区域；
其中，所述根据所述唇动识别结果以及第一声音信号，确定所述目标对象的说话检测结果，包括：
在所述第一声音信号包括语音的情况下，对所述第一声音信号进行音区定位，确定与所述第一声音信号对应的第二座位区域；
在所述唇动识别结果为发生唇动，且所述第一座位区域与所述第二座位区域相同的情况下，确定所述目标对象处于说话状态。
8.根据权利要求7所述的方法，其特征在于，
所述视频流包括驾驶员区域的第一视频流，所述目标对象包括驾驶员，以及所述根据所述多个视频帧中的每一个视频帧，确定所述目标对象的第一座位区域，包括：
响应于根据所述每一个视频帧在驾驶员区域检测到人脸，确定所述目标对象的第一座位区域为驾驶员区域；
和/或
所述视频流包括车舱内乘员区域的第二视频流，所述目标对象包括驾驶员和/或乘客，以及所述根据所述多个视频帧中的每一个视频帧，确定所述目标对象的第一座位区域，包括：
对所述多个视频帧中的每一个视频帧进行人脸检测；
根据检测到的人脸位置确定所述目标对象的第一座位区域。
9.根据权利要求7或8所述的方法，其特征在于，所述方法还包括：
在所述目标对象处于说话状态的情况下，对所述第一声音信号进行内容识别，确定与所述第一声音信号对应的语音内容；
在所述语音内容包括预设的语音指令的情况下，根据所述目标对象的第一座位区域，确定与所述语音指令对应的区域控制功能；
执行所述区域控制功能。
10.根据权利要求1-6中任意一项所述的方法，其特征在于，所述视频流包括驾驶员区域的第一视频流，所述目标对象包括驾驶员；
所述根据所述唇动识别结果以及第一声音信号，确定所述目标对象的说话检测结果，包括：在根据所述第一声音信号进行音区定位确定所述第一声音信号来自驾驶员区域的情况下，根据所述唇动识别结果确定所述驾驶员是否发生唇动；
响应于所述驾驶员未发生唇动，确定所述目标对象的说话检测结果为：所述驾驶员处于未说话状态。
11.根据权利要求1-10中任意一项所述的方法，其特征在于，根据所述目标对象在N个视频帧中的人脸区域，确定所述目标对象嘴唇的唇动识别结果，包括：
对所述目标对象在所述N个视频帧中的人脸区域分别进行特征提取，得到所述目标对象的N个人脸特征；
对所述N个人脸特征进行融合，得到所述目标对象的人脸融合特征；
对所述人脸融合特征进行唇动识别，得到所述目标对象的唇动识别结果。
12.根据权利要求11所述的方法，其特征在于，所述对所述目标对象在所述N个视频帧中的人脸区域分别进行特征提取，得到所述目标对象的N个人脸特征，包括：
针对所述N个视频帧中的第i个视频帧，对所述目标对象在第i个视频帧中的人脸区域进行人脸关键点提取，得到多个人脸关键点，1≤i≤N；
对所述多个人脸关键点进行归一化处理，得到所述目标对象的第i个人脸特征。
13.一种对象说话检测装置，其特征在于，包括：
信号获取模块，用于获取车舱内的视频流，以及车载麦克风采集的声音信号；
人脸检测模块，用于对所述视频流的多个视频帧中的每一个视频帧进行人脸检测，确定车内的目标对象在所述每一个视频帧中的人脸区域；
唇动识别模块，用于根据所述目标对象在所述多个视频帧中的N个视频帧中的人脸区域，确定所述目标对象嘴唇的唇动识别结果，N为大于1的整数；
说话检测模块，用于根据所述唇动识别结果以及第一声音信号，确定所述目标对象的说话检测结果，其中，所述第一声音信号包括与所述N个视频帧对应的时间段的所述声音信号，所述说话检测结果包括所述目标对象处于说话状态或处于未说话状态。
14.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至12中任意一项所述的方法。
15.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110735963.6A CN113486760A (zh) | 2021-06-30 | 2021-06-30 | 对象说话检测方法及装置、电子设备和存储介质 |
| PCT/CN2021/127097 WO2023273064A1 (zh) | 2021-06-30 | 2021-10-28 | 对象说话检测方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110735963.6A CN113486760A (zh) | 2021-06-30 | 2021-06-30 | 对象说话检测方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486760A true CN113486760A (zh) | 2021-10-08 |
Family
ID=77937073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110735963.6A Pending CN113486760A (zh) | 2021-06-30 | 2021-06-30 | 对象说话检测方法及装置、电子设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113486760A (zh) |
| WO (1) | WO2023273064A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114299944A (zh) * | 2021-12-08 | 2022-04-08 | 天翼爱音乐文化科技有限公司 | 视频处理方法、系统、装置及存储介质 |
| WO2023273064A1 (zh) * | 2021-06-30 | 2023-01-05 | 上海商汤临港智能科技有限公司 | 对象说话检测方法及装置、电子设备和存储介质 |
| CN115880744A (zh) * | 2022-08-01 | 2023-03-31 | 北京中关村科金技术有限公司 | 一种基于唇动的视频角色识别方法、装置及存储介质 |
| WO2024001539A1 (zh) * | 2022-06-30 | 2024-01-04 | 上海商汤智能科技有限公司 | 说话状态识别方法及模型训练方法、装置、车辆、介质、计算机程序及计算机程序产品 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320739A (zh) * | 2017-12-22 | 2018-07-24 | 景晖 | 根据位置信息辅助语音指令识别方法和装置 |
| CN108831462A (zh) * | 2018-06-26 | 2018-11-16 | 北京奇虎科技有限公司 | 车载语音识别方法及装置 |
| CN109814448A (zh) * | 2019-01-16 | 2019-05-28 | 北京七鑫易维信息技术有限公司 | 一种车载多模态控制方法及系统 |
| CN110503957A (zh) * | 2019-08-30 | 2019-11-26 | 上海依图信息技术有限公司 | 一种基于图像去噪的语音识别方法及装置 |
| CN110545396A (zh) * | 2019-08-30 | 2019-12-06 | 上海依图信息技术有限公司 | 一种基于定位去噪的语音识别方法及装置 |
| CN110750152A (zh) * | 2019-09-11 | 2020-02-04 | 云知声智能科技股份有限公司 | 一种基于唇部动作的人机交互方法和系统 |
| CN110857067A (zh) * | 2018-08-24 | 2020-03-03 | 上海汽车集团股份有限公司 | 一种人车交互装置和人车交互方法 |
| CN111240477A (zh) * | 2020-01-07 | 2020-06-05 | 北京汽车研究总院有限公司 | 一种车载人机交互方法、系统和具有该系统的车辆 |
| CN111341350A (zh) * | 2020-01-18 | 2020-06-26 | 南京奥拓电子科技有限公司 | 人机交互控制方法、系统、智能机器人及存储介质 |
| CN112026790A (zh) * | 2020-09-03 | 2020-12-04 | 上海商汤临港智能科技有限公司 | 车载机器人的控制方法及装置、车辆、电子设备和介质 |
| CN112102546A (zh) * | 2020-08-07 | 2020-12-18 | 浙江大华技术股份有限公司 | 一种人机交互控制方法、对讲呼叫方法及相关装置 |
| CN112397065A (zh) * | 2020-11-04 | 2021-02-23 | 深圳地平线机器人科技有限公司 | 语音交互方法、装置、计算机可读存储介质及电子设备 |
| CN112655000A (zh) * | 2020-04-30 | 2021-04-13 | 华为技术有限公司 | 车内用户定位方法、车载交互方法、车载装置及车辆 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101092820B1 (ko) * | 2009-09-22 | 2011-12-12 | 현대자동차주식회사 | 립리딩과 음성 인식 통합 멀티모달 인터페이스 시스템 |
| KR101655818B1 (ko) * | 2014-12-11 | 2016-09-08 | 현대자동차주식회사 | 웨어러블 글래스, 그 제어 방법 및 차량 제어 시스템 |
| CN109410957B (zh) * | 2018-11-30 | 2023-05-23 | 福建实达电脑设备有限公司 | 基于计算机视觉辅助的正面人机交互语音识别方法及系统 |
| CN110544491A (zh) * | 2019-08-30 | 2019-12-06 | 上海依图信息技术有限公司 | 一种实时关联说话人及其语音识别结果的方法及装置 |
| CN113486760A (zh) * | 2021-06-30 | 2021-10-08 | 上海商汤临港智能科技有限公司 | 对象说话检测方法及装置、电子设备和存储介质 |
-
2021
- 2021-06-30 CN CN202110735963.6A patent/CN113486760A/zh active Pending
- 2021-10-28 WO PCT/CN2021/127097 patent/WO2023273064A1/zh unknown
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320739A (zh) * | 2017-12-22 | 2018-07-24 | 景晖 | 根据位置信息辅助语音指令识别方法和装置 |
| CN108831462A (zh) * | 2018-06-26 | 2018-11-16 | 北京奇虎科技有限公司 | 车载语音识别方法及装置 |
| CN110857067A (zh) * | 2018-08-24 | 2020-03-03 | 上海汽车集团股份有限公司 | 一种人车交互装置和人车交互方法 |
| CN109814448A (zh) * | 2019-01-16 | 2019-05-28 | 北京七鑫易维信息技术有限公司 | 一种车载多模态控制方法及系统 |
| CN110503957A (zh) * | 2019-08-30 | 2019-11-26 | 上海依图信息技术有限公司 | 一种基于图像去噪的语音识别方法及装置 |
| CN110545396A (zh) * | 2019-08-30 | 2019-12-06 | 上海依图信息技术有限公司 | 一种基于定位去噪的语音识别方法及装置 |
| CN110750152A (zh) * | 2019-09-11 | 2020-02-04 | 云知声智能科技股份有限公司 | 一种基于唇部动作的人机交互方法和系统 |
| CN111240477A (zh) * | 2020-01-07 | 2020-06-05 | 北京汽车研究总院有限公司 | 一种车载人机交互方法、系统和具有该系统的车辆 |
| CN111341350A (zh) * | 2020-01-18 | 2020-06-26 | 南京奥拓电子科技有限公司 | 人机交互控制方法、系统、智能机器人及存储介质 |
| CN112655000A (zh) * | 2020-04-30 | 2021-04-13 | 华为技术有限公司 | 车内用户定位方法、车载交互方法、车载装置及车辆 |
| CN112102546A (zh) * | 2020-08-07 | 2020-12-18 | 浙江大华技术股份有限公司 | 一种人机交互控制方法、对讲呼叫方法及相关装置 |
| CN112026790A (zh) * | 2020-09-03 | 2020-12-04 | 上海商汤临港智能科技有限公司 | 车载机器人的控制方法及装置、车辆、电子设备和介质 |
| CN112397065A (zh) * | 2020-11-04 | 2021-02-23 | 深圳地平线机器人科技有限公司 | 语音交互方法、装置、计算机可读存储介质及电子设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023273064A1 (zh) * | 2021-06-30 | 2023-01-05 | 上海商汤临港智能科技有限公司 | 对象说话检测方法及装置、电子设备和存储介质 |
| CN114299944A (zh) * | 2021-12-08 | 2022-04-08 | 天翼爱音乐文化科技有限公司 | 视频处理方法、系统、装置及存储介质 |
| WO2024001539A1 (zh) * | 2022-06-30 | 2024-01-04 | 上海商汤智能科技有限公司 | 说话状态识别方法及模型训练方法、装置、车辆、介质、计算机程序及计算机程序产品 |
| CN115880744A (zh) * | 2022-08-01 | 2023-03-31 | 北京中关村科金技术有限公司 | 一种基于唇动的视频角色识别方法、装置及存储介质 |
| CN115880744B (zh) * | 2022-08-01 | 2023-10-20 | 北京中关村科金技术有限公司 | 一种基于唇动的视频角色识别方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023273064A1 (zh) | 2023-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113486760A (zh) | 对象说话检测方法及装置、电子设备和存储介质 | |
| KR20180102871A (ko) | 이동단말기 및 이동단말기의 차량 제어 방법 | |
| CN112037380A (zh) | 车辆控制方法及装置、电子设备、存储介质和车辆 | |
| CN113488043B (zh) | 乘员说话检测方法及装置、电子设备和存储介质 | |
| CN110532957B (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
| CN112026790B (zh) | 车载机器人的控制方法及装置、车辆、电子设备和介质 | |
| JP2023543339A (ja) | 車室内乗員検出方法及び装置、電子機器並びに記憶媒体 | |
| WO2023071174A1 (zh) | 车内人员检测方法及装置、电子设备和存储介质 | |
| CN114678021B (zh) | 音频信号的处理方法、装置、存储介质及车辆 | |
| CN110909203A (zh) | 视频分析方法及装置、电子设备和存储介质 | |
| WO2023273060A1 (zh) | 危险动作的识别方法及装置、电子设备和存储介质 | |
| CN112667084B (zh) | 车载显示屏的控制方法及装置、电子设备和存储介质 | |
| CN111435422B (zh) | 动作识别方法、控制方法及装置、电子设备和存储介质 | |
| CN113060144A (zh) | 分心提醒方法及装置、电子设备和存储介质 | |
| CN114005103A (zh) | 关联车内的人和物的方法及装置、电子设备和存储介质 | |
| CN114495072A (zh) | 乘员状态检测方法及装置、电子设备和存储介质 | |
| CN113989889A (zh) | 遮光板调节方法及装置、电子设备和存储介质 | |
| CN115171678A (zh) | 语音识别方法、装置、电子设备、存储介质及产品 | |
| CN114407630A (zh) | 车门控制方法及装置、电子设备和存储介质 | |
| CN113911054A (zh) | 车辆个性化配置方法及装置、电子设备和存储介质 | |
| CN113507569A (zh) | 车载摄像头的控制方法及装置、设备和介质 | |
| CN113449693A (zh) | 乘梯行为检测方法及装置、电子设备和存储介质 | |
| CN113361361B (zh) | 与乘员交互的方法及装置、车辆、电子设备和存储介质 | |
| CN115881125B (zh) | 车载多音区语音交互方法、装置、电子设备和存储介质 | |
| US20220206567A1 (en) | Method and apparatus for controlling vehicle display screen, and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40051880 Country of ref document: HK |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211008 |