CN114333905A - 耳机佩戴检测方法和装置、电子设备、存储介质 - Google Patents

Abstract

本公开实施例提供耳机佩戴检测方法和装置、电子设备、存储介质，涉及计算机技术领域。该耳机佩戴检测方法，包括：获取原始音频数据；获取通过麦克风采集到的录制音频数据；根据原始音频数据、录制音频数据进行相关运算处理，得到相关运算分值；将录制音频数据输入到逻辑回归分类模型中，得到模型运算分值；根据相关运算分值、模型运算分值进行分值合并处理，得到目标分值；对目标分值进行判决处理，得到耳机佩戴检测结果，本公开实施例提供耳机佩戴检测方法可以提高耳机佩戴的检测准确率。

Description

耳机佩戴检测方法和装置、电子设备、存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种耳机佩戴检测方法和装置、电子设备、存储介质。

背景技术

当前检测耳机是否佩戴的方法为传感器检测，如测距传感器检测、光线传感器检测等；其中，测距传感器的检测效果不稳定，光线传感器的检测效果在夜间环境下具有局限性，因此，传感器检测方法的检测准确率较低。

发明内容

本公开实施例的主要目的在于提出一种耳机佩戴检测方法和装置、电子设备、存储介质，能够提高耳机佩戴的检测准确率。

为实现上述目的，本公开实施例的第一方面提出了一种耳机佩戴检测方法，包括：

获取原始音频数据；

获取通过麦克风采集到的录制音频数据；

根据所述原始音频数据、所述录制音频数据进行相关运算处理，得到相关运算分值；

将所述录制音频数据输入到逻辑回归分类模型中，得到模型运算分值；

根据所述相关运算分值、所述模型运算分值进行分值合并处理，得到目标分值；

对所述目标分值进行判决处理，得到耳机佩戴检测结果。

在一些实施例，所述根据所述原始音频数据、所述录制音频数据进行相关运算处理，得到相关运算分值，包括：

根据所述原始音频数据得到自相关分值；

根据所述原始音频数据、所述录制音频数据得到互相关分值；

根据所述自相关分值对所述互相关分值进行归一化处理，得到相关运算分值。

在一些实施例，所述根据所述原始音频数据得到自相关分值，包括：

获取自相关预备表格；

根据所述原始音频数据在所述自相关预备表格中进行查询处理，得到所述自相关分值。

在一些实施例，所述根据所述原始音频数据、所述录制音频数据得到互相关分值，包括：

对所述原始音频数据、所述录制音频数据进行互相关处理，得到互相关序列；所述互相关序列包括至少两个互相关参数；

将所述互相关序列中数值最大的所述互相关参数作为所述互相关分值。

在一些实施例，所述方法还包括训练所述逻辑回归分类模型，具体包括：

获取初始网络模型；所述初始网络模型包括损失函数梯度；

获取音频数据集；所述音频数据集包括已佩戴耳机状态下的第一采集音频数据、未佩戴耳机状态下的第二采集音频数据；

根据所述音频数据集对所述初始网络模型进行训练，更新所述损失函数梯度；

根据更新后的所述损失函数梯度更新所述初始网络模型，得到所述逻辑回归分类模型。

在一些实施例，所述根据所述相关运算分值、所述模型运算分值进行分值合并处理，得到目标分值，包括：

获取加权参数；

根据所述加权参数对所述相关运算分值、所述模型运算分值进行加权乘加处理，得到所述目标分值。

在一些实施例，所述对所述目标分值进行判决处理，得到耳机佩戴检测结果，包括：

获取判决阈值；

根据所述判决阈值对所述目标分值进行判决处理，得到所述耳机佩戴检测结果。

为实现上述目的，本公开的第二方面提出了一种耳机佩戴检测装置，包括：

原始音频数据获取模块，用于获取原始音频数据；

录制音频数据获取模块，用于获取通过麦克风采集到的录制音频数据；

相关运算处理模块，用于根据所述原始音频数据、所述录制音频数据进行相关运算处理，得到相关运算分值；

分类模型运算模块，用于将所述录制音频数据输入到逻辑回归分类模型中，得到模型运算分值；

分值合并处理模块，用于根据所述相关运算分值、所述模型运算分值进行分值合并处理，得到目标分值；

判决模块，用于对所述目标分值进行判决处理，得到耳机佩戴检测结果。

为实现上述目的，本公开的第三方面提出了一种电子设备，包括：

至少一个存储器；

至少一个处理器；

至少一个程序；

所述程序被存储在存储器中，处理器执行所述至少一个程序以实现本公开如上述第一方面所述的方法。

为实现上述目的，本公开的第四方面提出了一种存储介质，该存储介质是计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：

如上述第一方面所述的方法。

本公开实施例提出的耳机佩戴检测方法和装置、电子设备、存储介质，首先通过获取原始音频数据，通过麦克风采集录制音频数据，根据原始音频数据、录制音频数据进行相关运算处理，得到相关运算分值，将录制音频数据输入到逻辑回归分类模型中，得到模型运算分值，然后根据相关运算分值、模型运算分值进行分值合并处理，得到目标分值，最后对目标分值进行判决处理，得到耳机佩戴检测结果,通过本公开实施例提供的技术方案可以增强耳机佩戴检测过程的稳定性，提高检测在多场景下的可用性，提高耳机佩戴的检测准确率。

附图说明

图1是本公开实施例提供的耳机佩戴检测方法的流程图。

图2是图1中的步骤S130的流程图。

图3是图2中的步骤S210的流程图。

图4是图2中的步骤S220的流程图。

图5是本公开另一实施例提供的耳机佩戴检测方法的部分流程图。

图6是图1中的步骤S150的流程图。

图7是图1中的步骤S160的流程图。

图8是本公开实施例提供的耳机佩戴检测装置的模块框图。

图9是本公开实施例提供的电子设备的硬件结构示意图。

附图标记：原始音频数据获取模块810、录制音频数据获取模块820、相关运算处理模块830、分类模型运算模块840、分值合并处理模块850、判决模块860、处理器901、存储器902、输入/输出接口903、通信接口904、总线905。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。

检测耳机是否佩戴是一项十分重要的功能。当前检测耳机是否佩戴的方法包括传感器检测，如测距传感器检测、光线传感器检测等；其中，测距传感器的检测效果不稳定，光线传感器的检测效果在夜间环境下具有局限性，因此，传感器检测方法的检测准确率较低。

此外，当前检测耳机是否佩戴的方法还包括回声能量检测法，具体为通过播放提示音并检测回声能量的方式来实现检测，其中，起点为提示音有能量的时间点，在传统的回声能量检测法中，起点在录制的过程中很难判决，需要反复调试抓取时间点，回声能量检测法中对比的原始音频是按照起点来计算数据帧能量的，如果起点检测不准确，则计算值就会有误差；当录音和对比音的比较点对齐的越好，计算结果越准确。

回声能量检测法需要实现调参，对音频的时间起点的要求较高，且当外界噪声比较强时，可能因音源与回声之间的能量相等而出现误判，从而导致检测的效率和准确率都较低。

基于此，本公开实施例提供一种耳机佩戴检测方法和装置、电子设备、存储介质，首先通过获取原始音频数据，通过麦克风采集录制音频数据，根据原始音频数据、录制音频数据进行相关运算处理，得到相关运算分值，将录制音频数据输入到逻辑回归分类模型中，得到模型运算分值，然后根据相关运算分值、模型运算分值进行分值合并处理，得到目标分值，最后对目标分值进行判决处理，得到耳机佩戴检测结果，通过本公开实施例提供的技术方案可以增强耳机佩戴检测过程的稳定性，提高检测在多场景下的可用性，省去了调参的过程，降低了噪声对检测过程的影响，降低了对音频的时间起点的精确度的依赖，提高了耳机佩戴的检测效率和准确率。

本公开实施例提供耳机佩戴检测方法和装置、电子设备、存储介质，具体通过如下实施例进行说明，首先描述本公开实施例中的耳机佩戴检测方法。

本公开实施例提供的耳机佩戴检测方法，涉及计算机技术领域，尤其涉及音频采集和处理技术领域。本公开实施例提供的耳机佩戴检测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现耳机佩戴检测方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本公开实施例提出了一种耳机佩戴检测方法，包括：获取原始音频数据；获取通过麦克风采集到的录制音频数据；根据原始音频数据、录制音频数据进行相关运算处理，得到相关运算分值；将录制音频数据输入到逻辑回归分类模型中，得到模型运算分值；根据相关运算分值、模型运算分值进行分值合并处理，得到目标分值；对目标分值进行判决处理，得到耳机佩戴检测结果。

图1是本公开实施例提供的耳机佩戴检测方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S110至步骤S160，具体包括：

S110，获取原始音频数据；

S120，获取通过麦克风采集到的录制音频数据；

S130，根据原始音频数据、录制音频数据进行相关运算处理，得到相关运算分值；

S140，将录制音频数据输入到逻辑回归分类模型中，得到模型运算分值；

S150，根据相关运算分值、模型运算分值进行分值合并处理，得到目标分值；

S160，对目标分值进行判决处理，得到耳机佩戴检测结果。

需要说明的是，图1所示的耳机佩戴检测方法用于具有内置麦克风的耳机，如耳罩式耳机等。其中，内置麦克风为功能性麦克风，其作用是进行音频的采集以完成耳机佩戴情况的检测。

在步骤S110中，原始音频数据为预设的用于进行佩戴检测的音频，又称为检测提示音，检测提示音的音量通常为50dB及以上。本公开不对检测提示音的大小、格式做限制，可以由用户自定义，能够实现对音频的采集和判决即可。

在步骤S120中，录制音频数据为耳机通过麦克风采集到的音频，该音频是由耳机的扬声器播放原始音频数据后再由麦克风采集得到，用于后续的运算和判决过程。

在一些实施例中，麦克风的数量为至少一个，当有多个麦克风时，可以对多个麦克风录制得到的录制音频数据进行叠加，然后再进行均值平滑处理，以提高录制音频数据的质量，从而提升后续的判决的准确率。

在步骤S130中，相关运算处理包括自相关处理和互相关处理，其中，自相关处理的对象是原始音频数据，互相关处理的对象是原始音频数据和录制音频数据。通过音频的自相关和互相关的性质，来实现对原始音频数据和录制音频数据之间相关性的评估，以得到相关运算分值。

具体地，相关运算分值表征采集前后的音频的相似程度，相关运算分值越大，则采集前后音频越相似，说明耳机处于佩戴状态的可能性越大；反之，相关运算分值越小，则采集前后的音频越不相似，说明耳机处于未佩戴状态的可能性越大。

在步骤S140中，逻辑回归分类模型是一种二分类的神经网络模型，由初始网络模型经过数据集训练得到，用于对录制音频数据进行分类。具体地，当录制音频数据输入到逻辑回归分类模型中之后，模型输出模型运算分值，模型运算分值为归一化的分值，其数值范围为(0，1)。

具体地，模型运算分值表征处于佩戴状态的可能性，模型运算分值越大，则耳机处于佩戴状态的可能性越大；反之，模型运算分值越小，则耳机处于佩戴状态的可能性越小。

在步骤S150中，分值合并处理具体为：将得到的相关运算分值和模型运算分值进行合并以得到目标分值，分值合并处理使得目标分值具有两种评估方式的综合特征，从而使得耳机佩戴检测的准确度更高。

具体地，分值合并处理的方式包括但不限于：相乘、相加、加权乘加等方式。

在步骤S160中，判决处理具体为：将得到的目标分值与判决阈值进行比对以得到耳机佩戴检测结果。其中，耳机佩戴检测结果包括：耳机已佩戴、耳机未佩戴。

本公开实施例提供的耳机佩戴检测方法首先通过获取原始音频数据，通过麦克风采集录制音频数据，根据原始音频数据、录制音频数据进行相关运算处理，得到相关运算分值，将录制音频数据输入到逻辑回归分类模型中，得到模型运算分值，然后根据相关运算分值、模型运算分值进行分值合并处理，得到目标分值，最后对目标分值进行判决处理，得到耳机佩戴检测结果，通过本公开实施例提供的技术方案可以增强耳机佩戴检测过程的稳定性，提高检测在多场景下的可用性，省去了调参的过程，降低了噪声对检测过程的影响，降低了对音频的时间起点的精确度的依赖，提高了耳机佩戴的检测效率和准确率。

在一些实施例，根据原始音频数据、录制音频数据进行相关运算处理，得到相关运算分值，包括：根据原始音频数据得到自相关分值；根据原始音频数据、录制音频数据得到互相关分值；根据自相关分值对互相关分值进行归一化处理，得到相关运算分值。

图2是一些实施例中的步骤S130的流程图，图2示意的步骤S130包括但不限于步骤S210至步骤S230：

S210，根据原始音频数据得到自相关分值；

S220，根据原始音频数据、录制音频数据得到互相关分值；

S230，根据自相关分值对互相关分值进行归一化处理，得到相关运算分值。

在步骤210中，原始音频数据为预设的用于进行佩戴检测的音频，又称为检测提示音；自相关分值表征原始音频数据的自相关情况，用于对互相关分值进行归一化处理。

在步骤220中，录制音频数据为耳机通过麦克风采集到的音频，由耳机的扬声器播放原始音频数据后由麦克风采集得到；互相关分值表征原始音频数据与录制音频数据的互相关情况，用于生成互相关分值。

在步骤230中，归一化处理具体为：以自相关分值为分母，以互相关分值为分子进行运算，得到相关运算分值。归一化处理得到的相关运算分值更能体现出采集前后语音的相关程度，对于检测的结果更有利。

具体地，归一化过程为：corr＝corr1/corr2，其中corr1为互相关分值，corr2为自相关分值，corr为归一化处理得到的相关运算分值。

在一些实施例，根据原始音频数据得到自相关分值，包括：获取自相关预备表格；根据原始音频数据在自相关预备表格中进行查询处理，得到自相关分值。

图3是一些实施例中的步骤S210的流程图，图3示意的步骤S210包括但不限于步骤S310至步骤S320：

S310，获取自相关预备表格；

S320，根据原始音频数据在自相关预备表格中进行查询处理，得到自相关分值。

在步骤S310中，自相关预备表格为在提前预备好的关于原始音频数据的自相关分值的记录。具体地，先对原始音频数据进行自相关处理，得到自相关序列；自相关序列包括至少两个互相关参数，然后将自相关序列中数值最大的自相关参数作为自相关分值，记为corr2，以便进行后续的归一化。

在步骤S320中，由于原始音频数据不需要实时采集，因此设置自相关预备表格，以查询处理的方式得到自相关分值，来提高耳机佩戴检测方法的检测效率。

在一些实施例，根据原始音频数据、录制音频数据得到互相关分值，包括：对原始音频数据、录制音频数据进行互相关处理，得到互相关序列；互相关序列包括至少两个互相关参数；将互相关序列中数值最大的互相关参数作为互相关分值。

图4是一些实施例中的步骤S220的流程图，图4示意的步骤S220包括但不限于步骤S410至步骤S420：

S410，对原始音频数据、录制音频数据进行互相关处理，得到互相关序列；

S420，将互相关序列中数值最大的互相关参数作为互相关分值。

在步骤S410中，互相关序列包括至少两个互相关参数，其中，互相关参数就是互相关序列的元素。

具体地，若原始音频数据为A＝[1 2 3]，录制音频数据为B＝[2,3,1]，则互相关处理过程为：C＝conv(A，B)＝[2 7 13 11 3]，其中C＝[2 7 13 11,3]即为得到的互相关序列。

在步骤S420中，若互相关序列为C＝[2 7 13 11 3]，包含5个互相关参数，分别为2、7、13、11、3，数值最大的为13，则将13作为互相关分值，记为corr1。

在一些实施例，方法还包括训练逻辑回归分类模型，具体包括：获取初始网络模型；初始网络模型包括损失函数梯度；获取音频数据集；音频数据集包括已佩戴耳机状态下的第一采集音频数据、未佩戴耳机状态下的第二采集音频数据；根据音频数据集对初始网络模型进行训练，更新损失函数梯度；根据更新后的损失函数梯度更新初始网络模型，得到逻辑回归分类模型。

如图5所示，图5是另一些实施例提供的耳机佩戴检测方法的流程图，耳机佩戴检测方法还包括：

S510，获取初始网络模型；

S520，获取音频数据集；

S530，根据音频数据集对初始网络模型进行训练，更新损失函数梯度；

S540，根据更新后的损失函数梯度更新初始网络模型，得到逻辑回归分类模型。

在步骤S510中，初始网络模型包括损失函数梯度，损失函数梯度用于训练初始网络模型，从而确定模型参数的值，以得到逻辑回归分类模型。

在步骤S520中，音频数据集包括已佩戴耳机状态下的第一采集音频数据、未佩戴耳机状态下的第二采集音频数据。

在步骤S530至步骤S540中，经过音频数据集的训练，得到逻辑回归分类模型，逻辑回归分类模型是一种二分类的神经网络模型，由初始网络模型经过数据集训练得到，用于对录制音频数据进行分类。

在一些实施例，根据相关运算分值、模型运算分值进行分值合并处理，得到目标分值，包括：获取加权参数；根据加权参数对相关运算分值、模型运算分值进行加权乘加处理，得到目标分值。

图6是一些实施例中的步骤S150的流程图，图6示意的步骤S150包括但不限于步骤S610至步骤S620：

S610，获取加权参数；

S620，根据加权参数对相关运算分值、模型运算分值进行加权乘加处理，得到目标分值。

需要说明的是，分值合并处理的方式包括但不限于：相乘、相加、加权乘加等方式，图6所示的实施例采用的是加权乘加的方式。

在步骤S610中，加权参数为进行加权乘加时使用的参数。

在步骤S620中，若加权参数为λ，则加权乘加处理过程为：y＝λ*x+(1-λ)*corr；其中，y为得到的目标分值，x为模型运算分值，corr为相关运算分值。

需要说明的是，加权参数为λ表征对某种计算方法的偏向程度，因此，加权参数为λ可以根据实际情况进行调整。

在一些实施例，对目标分值进行判决处理，得到耳机佩戴检测结果，包括：获取判决阈值；根据判决阈值对目标分值进行判决处理，得到耳机佩戴检测结果。

图7是一些实施例中的步骤S160的流程图，图7示意的步骤S160包括但不限于步骤S710至步骤S720：

S710，获取判决阈值；

S720，根据判决阈值对目标分值进行判决处理，得到耳机佩戴检测结果。

在步骤S710中，若分值合并处理的方式为相乘，即y＝x*corr，则判决阈值的经验值为0.7。

在步骤S720中，若计算得到的目标分值y大于等于0.7，则耳机佩戴检测结果为耳机已佩戴；若计算得到的目标分值y小于0.7，则耳机佩戴检测结果为耳机未佩戴。需要说明的是，在耳机佩戴情况下，麦克风录制的录制音频数据与原始音频数据的包络相似度极高，因此其相关性更强，表现出来的目标分值y就越大。

请参阅图8，图8示意了一实施例的耳机佩戴检测装置，耳机佩戴检测装置包括：原始音频数据获取模块810、录制音频数据获取模块820、相关运算处理模块830、分类模型运算模块840、分值合并处理模块850、判决模块860。

其中，原始音频数据获取模块810，用于获取原始音频数据；录制音频数据获取模块820，用于获取通过麦克风采集到的录制音频数据；相关运算处理模块830，用于根据所述原始音频数据、所述录制音频数据进行相关运算处理，得到相关运算分值；分类模型运算模块840，用于将所述录制音频数据输入到逻辑回归分类模型中，得到模型运算分值；分值合并处理模块850，用于根据所述相关运算分值、所述模型运算分值进行分值合并处理，得到目标分值；判决模块860，用于对所述目标分值进行判决处理，得到耳机佩戴检测结果。

本实施例的耳机佩戴检测装置的具体实施方式与上述耳机佩戴检测方法的具体实施方式基本一致，属于相同的发明构思，在此不再赘述。

本公开实施例还提供了一种电子设备，包括：

至少一个存储器；

至少一个处理器；

至少一个程序；

所述程序被存储在存储器中，处理器执行所述至少一个程序以实现本公开实施上述的耳机佩戴检测方法。该电子设备可以为包括手机、平板电脑、个人数字助理(PersonalDigital Assistant，简称PDA)、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；

存储器902，可以采用ROM(ReadOnlyMemory，只读存储器)、静态存储设备、动态存储设备或者RAM(RandomAccessMemory，随机存取存储器)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本公开实施例的耳机佩戴检测方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本公开实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述耳机佩戴检测方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本公开实施例的优选实施例，并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本公开实施例的权利范围之内。

Claims (10)

1.一种耳机佩戴检测方法，其特征在于，包括：

获取原始音频数据；

获取通过麦克风采集到的录制音频数据；

根据所述原始音频数据、所述录制音频数据进行相关运算处理，得到相关运算分值；

将所述录制音频数据输入到逻辑回归分类模型中，得到模型运算分值；

根据所述相关运算分值、所述模型运算分值进行分值合并处理，得到目标分值；

对所述目标分值进行判决处理，得到耳机佩戴检测结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述原始音频数据、所述录制音频数据进行相关运算处理，得到相关运算分值，包括：

根据所述原始音频数据得到自相关分值；

根据所述原始音频数据、所述录制音频数据得到互相关分值；

根据所述自相关分值对所述互相关分值进行归一化处理，得到相关运算分值。

3.根据权利要求2所述的方法，其特征在于，所述根据所述原始音频数据得到自相关分值，包括：

获取自相关预备表格；

根据所述原始音频数据在所述自相关预备表格中进行查询处理，得到所述自相关分值。

4.根据权利要求2所述的方法，其特征在于，所述根据所述原始音频数据、所述录制音频数据得到互相关分值，包括：

对所述原始音频数据、所述录制音频数据进行互相关处理，得到互相关序列；所述互相关序列包括至少两个互相关参数；

将所述互相关序列中数值最大的所述互相关参数作为所述互相关分值。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括训练所述逻辑回归分类模型，具体包括：

获取初始网络模型；所述初始网络模型包括损失函数梯度；

获取音频数据集；所述音频数据集包括已佩戴耳机状态下的第一采集音频数据、未佩戴耳机状态下的第二采集音频数据；

根据所述音频数据集对所述初始网络模型进行训练，更新所述损失函数梯度；

根据更新后的所述损失函数梯度更新所述初始网络模型，得到所述逻辑回归分类模型。

6.根据权利要求1所述的方法，其特征在于，所述根据所述相关运算分值、所述模型运算分值进行分值合并处理，得到目标分值，包括：

获取加权参数；

根据所述加权参数对所述相关运算分值、所述模型运算分值进行加权乘加处理，得到所述目标分值。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述对所述目标分值进行判决处理，得到耳机佩戴检测结果，包括：

获取判决阈值；

根据所述判决阈值对所述目标分值进行判决处理，得到所述耳机佩戴检测结果。

8.一种耳机佩戴检测装置，其特征在于，包括：

原始音频数据获取模块，用于获取原始音频数据；

录制音频数据获取模块，用于获取通过麦克风采集到的录制音频数据；

相关运算处理模块，用于根据所述原始音频数据、所述录制音频数据进行相关运算处理，得到相关运算分值；

分类模型运算模块，用于将所述录制音频数据输入到逻辑回归分类模型中，得到模型运算分值；

分值合并处理模块，用于根据所述相关运算分值、所述模型运算分值进行分值合并处理，得到目标分值；

判决模块，用于对所述目标分值进行判决处理，得到耳机佩戴检测结果。

9.一种电子设备，其特征在于，包括：

至少一个存储器；

至少一个处理器；

至少一个程序；

所述程序被存储在存储器中，处理器执行所述至少一个程序以实现：

如权利要求1至7任一项所述的方法。

10.一种存储介质，所述存储介质为计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：

如权利要求1至7任一项所述的方法。

Images