CN115909548A - 一种智能手表及其解锁方法 - Google Patents
一种智能手表及其解锁方法 Download PDFInfo
- Publication number
- CN115909548A CN115909548A CN202211088308.7A CN202211088308A CN115909548A CN 115909548 A CN115909548 A CN 115909548A CN 202211088308 A CN202211088308 A CN 202211088308A CN 115909548 A CN115909548 A CN 115909548A
- Authority
- CN
- China
- Prior art keywords
- signal
- user
- voice signal
- training
- unlocking
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Telephone Function (AREA)
Abstract
本文提供了一种智能手表及其解锁方法,应用于所述智能手表,包括:获取使用者的语音信号;滤除所述语音信号中的噪声,得到除噪后的语音信号;将所述除噪后的语音信号输入匹配滤波器,输出处理后的语音信号;对所述除噪后的语音信号和所述处理后的语音信号进行卷积运算,得到结果序列;判断所述结果序列中指定位置处的结果数据是否大于设定阈值;若否,则停止执行后续步骤,解锁失败;若是,则根据所述使用者当前位置处的信号强度范围,预测所述使用者的坐标;判断所述使用者的坐标是否在预设坐标集合内;若是,则解锁成功;若否,则解锁失败。本文能够在保证数据安全性的前提下,提升用户使用感和体验感。
Description
技术领域
本发明涉及智能手表领域,特别地,涉及一种智能手表及其解锁方法。
背景技术
近年来,随着物联网和边缘计算的发展,以推动银行网点智能化为核心的“智慧网点”建设正如火如荼。在银行业中,客户经理一般会利用平板电脑进行通讯和收发消息,由于平板电脑不便携,因此现有技术中又提出了考虑运用智能手表进行通讯和消息收发的方案。但由于市售智能手表没有锁定功能,因此智能手表在被窃取后无法保证数据安全性。现有部分智能手表支持密码解锁,但因智能手表的显示屏较小,输入密码时非常不便,因此智能手表解锁不方便导致用户使用感和体验感差已经成为亟需解决的问题。
发明内容
本文实施例的目的在于提供一种智能手表及其解锁方法,以在保证数据安全性的前提下,提升用户使用感和体验感。
为达到上述目的,一方面,本文实施例提供了一种智能手表的解锁方法,应用于所述智能手表,包括:
获取使用者的语音信号;
滤除所述语音信号中的噪声,得到除噪后的语音信号;
将所述除噪后的语音信号输入匹配滤波器,输出处理后的语音信号;
对所述除噪后的语音信号和所述处理后的语音信号进行卷积运算,得到结果序列;
判断所述结果序列中指定位置处的结果数据是否大于设定阈值;
若否,则停止执行后续步骤,解锁失败;
若是,则根据所述使用者当前位置处的信号强度范围,预测所述使用者的坐标;
判断所述使用者的坐标是否在预设坐标集合内;
若是,则解锁成功;
若否,则解锁失败。
优选的,所述滤除所述语音信号中的噪声,得到除噪后的语音信号进一步包括:
将所述语音信号输入非递归式有限长单位冲激响应滤波器,得到滤波后的语音信号;
对所述滤波后的语音信号依次进行降采样和变采样,得到采样后的语音信号;
对所述采样后的语音信号依次预加重,得到预加重处理后的语音信号;
对所述预加重处理后的语音信号进行分帧操作;
对分帧后的每一帧语音信号进行短时傅里叶变换,得到频谱序列;
计算频谱序列的对数能量,对对数能量进行离散余弦变换得到梅尔频率倒谱;
利用数字低通滤波器对梅尔频率倒谱系数进行滤波,得到除噪后的语音信号。
优选的,所述计算频谱序列的对数能量进一步包括:
通过如下公式计算频谱序列的对数能量:
S(n)=ln(MELapr(fs,new*n/N)*(|X(n)|2));
MELapr(fs,new*n/N)=(-2.51*10-21)*(fs,new*n/N)5+(1.1*10-16)*(fs,new*n/N)4-(1.81*10-12)*(fs,new*n/N)3+(1.4*10-8)*(fs,new*n/N)2-(5.47*10-5)*(fs,new*n/N)+0.107;
其中,S(n)为频谱序列中第n个采样点对应的对数能量,X(n)为频谱序列中第n个采样点对应的频率,N为频谱序列的采样点数目,fs,new为降采样时的目标采样率。
优选的,所述设定阈值的确定方法包括:
获取语音的训练信号;
通过预设除噪方法滤除所述训练信号中的噪声,得到除噪后的训练信号;
将所述除噪后的训练信号输入匹配滤波器,输出处理后的训练信号;
对所述除噪后的训练信号和所述处理后的训练信号进行卷积运算,得到训练结果序列;
取训练结果序列中指定位置处的训练结果数据;
根据所述训练结果数据,计算得到设定阈值。
优选的,所述根据所述训练结果数据,计算得到设定阈值进一步包括:
通过如下公式计算得到设定阈值:
优选的,所述使用者当前位置处的信号强度范围的确定方法包括:
设置多个信号点,所述信号点用于向智能手表发射信号;
根据智能手表对应每一信号点的信号强度范围,确定使用者当前位置处对应每一信号点的信号强度范围。
优选的,所述根据所述使用者当前位置处的信号强度范围,预测所述使用者的坐标进一步包括:
根据所述使用者当前位置处对应每一信号点的信号强度范围,以及每一信号点的坐标,确定所述使用者的坐标范围;
根据所述使用者的坐标范围,预测所述使用者的坐标。
优选的,所述根据所述使用者当前位置处对应每一信号点的信号强度范围,以及每一信号点的坐标,确定所述使用者的坐标范围进一步包括:
根据所述使用者当前位置处对应每一信号点的信号强度范围,确定所述使用者当前位置与每一信号点之间的距离范围;
根据所述使用者当前位置与每一信号点之间的距离范围,以及每一信号点的坐标,确定所述使用者的坐标范围。
另一方面,本文实施例提供了一种智能手表,包括:
获取模块,用于获取使用者的语音信号;
除噪模块,用于滤除所述语音信号中的噪声,得到除噪后的语音信号;
处理模块,用于将所述除噪后的语音信号输入匹配滤波器,输出处理后的语音信号;
运算模块,用于对所述除噪后的语音信号和所述处理后的语音信号进行卷积运算,得到结果序列;
第一判断模块,用于判断所述结果序列中指定位置处的结果数据是否大于设定阈值;
若否,则停止执行后续步骤,解锁失败;
若是,则根据所述使用者当前位置处的信号强度范围,预测所述使用者的坐标;
第二判断模块,用于判断所述使用者的坐标是否在预设坐标集合内;
若是,则解锁成功;
若否,则解锁失败。
又一方面,本文实施例还提供了一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时,执行上述任意一项所述方法的指令。
又一方面,本文实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被计算机设备的处理器运行时,执行上述任意一项所述方法的指令。
由以上本文实施例提供的技术方案可见,本文实施例通过本文实施例的方法,在银行客户经理使用智能手表时,可以通过语音解锁智能手表,通过声纹识别进行解锁,可以杜绝手动输入密码时不方便的问题,提升体验感。同时,为了确保数据安全性,可以通过智能手表确定使用者的坐标,若坐标在预设坐标集合内才可解锁成功。
为让本文的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本文实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本文的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本文实施例提供的一种智能手表的解锁方法的流程示意图;
图2示出了本文实施例提供的用于滤除语音信号中的噪声,得到除噪后的语音信号的流程示意图;
图3示出了本文实施例提供的设定阈值的确定方法的流程示意图;
图4示出了本文实施例提供的使用者当前位置处的信号强度范围的确定方法的流程示意图;
图5示出了本文实施例提供的用于根据使用者当前位置处的信号强度范围,预测使用者的坐标的流程示意图;
图6示出了本文实施例提供的用于根据使用者当前位置处对应每一信号点的信号强度范围,以及每一信号点的坐标,确定使用者的坐标范围的流程示意图;
图7示出了本文实施例提供的一种智能手表的模块结构示意图;
图8示出了本文实施例提供的计算机设备的结构示意图。
附图符号说明:
100、获取模块;
200、除噪模块;
300、处理模块;
400、运算模块;
500、第一判断模块;
600、第二判断模块;
702、计算机设备;
704、处理器;
706、存储器;
708、驱动机构;
710、输入/输出模块;
712、输入设备;
714、输出设备;
716、呈现设备;
718、图形用户接口;
720、网络接口;
722、通信链路;
724、通信总线。
具体实施方式
下面将结合本文实施例中的附图,对本文实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本文一部分实施例,而不是全部的实施例。基于本文中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本文保护的范围。
近年来,随着物联网和边缘计算的发展,以推动银行网点智能化为核心的“智慧网点”建设正如火如荼。在银行业中,客户经理一般会利用平板电脑进行通讯和收发消息,由于平板电脑不便携,因此现有技术中又提出了考虑运用智能手表进行通讯和消息收发的方案。但由于市售智能手表没有锁定功能,因此智能手表在被窃取后无法保证数据安全性。现有部分智能手表支持密码解锁,但因智能手表的显示屏较小,输入密码时非常不便,因此智能手表解锁不方便导致用户使用感和体验感差已经成为亟需解决的问题。
为了解决上述问题,本文实施例提供了一种智能手表及其解锁方法,能够在保证数据安全性的同时提升用户使用感和体验感。图1是本文实施例提供的一种智能手表的解锁方法的流程示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或装置产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
需要说明的是,本文的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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本文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、装置、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。
参照图1,本文示出了一种智能手表的解锁方法,应用于所述智能手表,包括:
S101:获取使用者的语音信号;
S102:滤除所述语音信号中的噪声,得到除噪后的语音信号;
S103:将所述除噪后的语音信号输入匹配滤波器,输出处理后的语音信号;
S104:对所述除噪后的语音信号和所述处理后的语音信号进行卷积运算,得到结果序列;
S105:判断所述结果序列中指定位置处的结果数据是否大于设定阈值;
S106:若否,则停止执行后续步骤,解锁失败;
S107:若是,则根据所述使用者当前位置处的信号强度范围,预测所述使用者的坐标;
S108:判断所述使用者的坐标是否在预设坐标集合内;
S109:若是,则解锁成功;
S110:若否,则解锁失败。
使用者在对智能手表解锁时,一般会说出“开机”或者“开锁”等语音指令,此时智能手表可以获取使用者的语音信号,具体的可以在智能手表内设置拾音器,用于获取使用者的语音信号。在获取使用者的语音信号后,滤除语音信号中的噪声,然后将除噪后的语音信号输入匹配滤波器,理论上匹配滤波器输出端的信号瞬时功率与噪声平均功率的比值较大,输出的处理后的语音信号信噪比较高。
对于人的声纹来说,就像指纹一样能够唯一标识特定的人。除噪后的语音信号和处理后的语音信号进行卷积运算后可以得到结果序列,根据结果序列中指定位置处的结果数据是否大于设定阈值,可以判断当前获取的使用者的声纹是否为设定声纹,进而确定是否解锁成功。其中设定声纹可以为智能手表的所有者提前录入智能手表的声纹,只有结果序列中指定位置处的结果数据大于设定阈值时,才表明当前的使用者为智能手表的所有者,反之,则解锁失败。
除了声纹验证之外,特别是在银行等对智能手表的安全性要求较高的使用场景中,需要确保使用者在一定范围内才可以使用智能手表。通过智能手表确定使用者当前位置处的信号强度范围,进而确定使用者的坐标,判断使用者的坐标是否在预设坐标集合内,若是才可以解锁成功。
通过本文实施例的方法,在银行客户经理使用智能手表时,可以通过语音解锁智能手表,通过声纹识别进行解锁,可以杜绝手动输入密码时不方便的问题,提升体验感。同时,为了确保数据安全性,可以通过智能手表确定使用者的坐标,若坐标在预设坐标集合内才可解锁成功。
在本文实施例中,参照图2,所述滤除所述语音信号中的噪声,得到除噪后的语音信号进一步包括:
S201:将所述语音信号输入非递归式有限长单位冲激响应滤波器,得到滤波后的语音信号;
S202:对所述滤波后的语音信号依次进行降采样和变采样,得到采样后的语音信号;
S203:对所述采样后的语音信号依次预加重,得到预加重处理后的语音信号;
S204:对所述预加重处理后的语音信号进行分帧操作;
S205:对分帧后的每一帧语音信号进行短时傅里叶变换,得到频谱序列;
S206:计算频谱序列的对数能量,对对数能量进行离散余弦变换得到梅尔频率倒谱;
S207:利用数字低通滤波器对梅尔频率倒谱系数进行滤波,得到除噪后的语音信号。
其中,非递归式有限长单位冲激响应滤波器在运算能力足够的前提下可以无限增加精度,一方面在通过非递归式有限长单位冲激响应滤波器进行滤波时可以滤除实际工作场景中的机械噪声和各类环境次生噪声,且滤波的精准度较高,另一方面非递归式有限长单位冲激响应滤波器,利于低性能终端处理(硬件上往往有供此种滤波器专用的加速模块),该种滤波器稳定不会产生震荡。
在本文实施例中,进行降采样和变采样的主要目的是降低后续数据处理的复杂度,提高后续傅里叶变换的频谱精度。首先,将滤波后的语音信号通过第一滤波器,要求第一滤波器的带宽B<fs,new,以免降采样后频谱混叠,其中fs,new为降采样后的目标采样率。且在fs,new处的增益小于设定带宽,一般来说设定带宽为-40dB,设定带宽太小滤波器算法复杂度高不利于小型智能设备运行,设定带宽太大噪声消除得不够多。一般来说,带宽B取值为2kHz~5kHz,由处理器性能决定,如果性能好,可以用高一点的采样率,以提高识别准确度。然后,将降采样后的信号通过多相滤波器进行高效的变采样,得到采样后的语音信号。
在进行降采样和变采样时,语音信号在时间上进行离散化,按照一定时间间隔进行采样,进而得到多个采样点。通过传递函数H(z)=1-a*z-1对采样后的语音信号进行预加重处理,增加人声的高频分辨率。其中a为预加重系数,0.9<a<1,z-1表示单位延时。经过预加重处理后的语音信号为y(n)=x(n)-ax(n-1),n为第n个采样点,x(n)为第n个采样点的输入信号,y(n)为第n个采样点的输出信号。
对预加重处理后的语音信号进行分帧操作,帧长为W(W可以是10~30ms之间的整数),帧移取i*W(i可以是0~0.5之间的任意数),以降低数据处理量。
对分帧后的每一帧语音信号进行短时傅里叶变换得到频谱序列X(n),n=0,…,N-1,N为采样点的数目,可以通过去掉语音信号中的极低频分量以减少后续运算量,例如可以去掉200Hz以下频段的信号,对应的可以去掉个点,为向上取整。
进一步的,所述计算频谱序列的对数能量进一步包括:
通过如下公式计算频谱序列的对数能量:
S(n)=ln(MELapr(fs,new*n/N)*(|X(n)|2));
MELapr(fs,new*n/N)=(-2.51*10-21)*(fs,new*n/N)5+(1.1*10-16)*(fs,new*n/N)4-(1.81*10-12)*(fs,new*n/N)3+(1.4*10-8)*(fs,new*n/N)2-(5.47*10-5)*(fs,new*n/N)+0.107;
其中,S(n)为频谱序列中第n个采样点对应的对数能量,X(n)为频谱序列中第n个采样点对应的频率,N为频谱序列的采样点数目,fs,new为降采样时的目标采样率。
对对数能量进行离散余弦变换得到梅尔频率倒谱,其系数即为梅尔频率倒谱系数反映了语音数据的特征。将含有多个滤波器的梅尔滤波器组近似为单个公式,在对精度影响较小的情况下,降低计算复杂度,提升处理速度、降低功耗。
使用数字低通滤波器对梅尔频率倒谱系数进行滤波,平滑处理只保留梅尔频率倒谱系数的包络,去除偶然情况的噪声。数字低通滤波器的归一化截止频率参数为0.3~0.8之间,可以根据环境调整,如果噪声比较大环境嘈杂,截止频率应该低一点。
在本文实施例中,参照图3,所述设定阈值的确定方法包括:
S301:获取语音的训练信号;
S302:通过预设除噪方法滤除所述训练信号中的噪声,得到除噪后的训练信号;
S303:将所述除噪后的训练信号输入匹配滤波器,输出处理后的训练信号;
S304:对所述除噪后的训练信号和所述处理后的训练信号进行卷积运算,得到训练结果序列;
S305:取训练结果序列中指定位置处的训练结果数据;
S306:根据所述训练结果数据,计算得到设定阈值。
其中语音的训练信号可以是使用者提前录入的训练信号,通过将使用者的语音的训练信号提前录入来识别使用者的声纹,方便后续判断。
其中预设除噪方法可以参考上述S201至S207步骤来进行除燥,然后将除噪后的训练信号输入匹配滤波器输出处理后的训练信号。不论是S104还是S304进行卷积运算时,均可以通过如下公式进行卷积运算(仅以S304步骤示例):
其中,h(l′)为处理后的训练信号,MEt(l′)为除噪后的训练信号,y(l′)为训练结果序列,L为处理后的训练信号和除噪后的训练信号的长度,卷积运算后得到的训练结果序列的长度为处理后的训练信号和除噪后的训练信号长度之和减一。
对S105和S305来说,指定位置均为l′=L时的位置,以S305步骤示例,指定位置处的结果数据为y(L)的值。
在本文实施例中,通过如下公式计算得到设定阈值:
当然,在多数情况下,使用者提前录入的语音的训练信号时可以多次录入,则对于每次录入的训练信号均可以执行上述S301至S305,得到多个训练结果数据,对多个训练结果数据求平均后再通过训练结果数据的平均值计算得到设定阈值。在S105中,当结果序列中指定位置处的结果数据大于设定阈值时,可以执行后续步骤。
在本文实施例中,参照图4,所述使用者当前位置处的信号强度范围的确定方法包括:
S401:设置多个信号点,所述信号点用于向智能手表发射信号;
S402:根据智能手表对应每一信号点的信号强度范围,确定使用者当前位置处对应每一信号点的信号强度范围。
其中,多个信号点一般为三个或三个以上,能够更准确的确定使用者的位置。可以在智能手表中设置无线信号模块,信号点向智能手表发射信号后无线信号模块可以接收到信号。
进一步的,参照图5,所述根据所述使用者当前位置处的信号强度范围,预测所述使用者的坐标进一步包括:
S501:根据所述使用者当前位置处对应每一信号点的信号强度范围,以及每一信号点的坐标,确定所述使用者的坐标范围;
S502:根据所述使用者的坐标范围,预测所述使用者的坐标。
更进一步的,参照图6,所述根据所述使用者当前位置处对应每一信号点的信号强度范围,以及每一信号点的坐标,确定所述使用者的坐标范围进一步包括:
S601:根据所述使用者当前位置处对应每一信号点的信号强度范围,确定所述使用者当前位置与每一信号点之间的距离范围;
S602:根据所述使用者当前位置与每一信号点之间的距离范围,以及每一信号点的坐标,确定所述使用者的坐标范围。
其中多个信号点的坐标为已知坐标,使用者当前位置处对应每一信号点的信号强度范围可以通过如下公式表达:
RSSI=-(10mlog10d+R);
其中RSSI为使用者当前位置处对应每一信号点的信号强度,d为使用者当前位置处与每一信号点之间的距离,R为使用者当前位置处与每一信号点之间距离为1米时测得的RSSI值,m为信号衰减因子,可取2~4间的任意数。
使用者当前位置处对应每一信号点的信号强度可以通过智能手表内的无线信号模块得到,进而可以通过上述公式得到使用者当前位置处与每一信号点之间的距离。由于无线信号模块得到的当前位置处对应每一信号点的信号强度可能不准确,因此对于每一信号点来说,可以通过无线信号模块多次获取RSSI值计算得到多个d值,进而得到使用者当前位置与每一信号点之间的距离范围。
由于已知每一信号点的坐标,又得到使用者当前位置与每一信号点之间的距离范围,因此可以通过如下公式计算得到使用者的坐标范围:
其中(x,y)为每一信号点的坐标,dA为使用者当前位置与每一信号点之间的距离,该距离可以为距离范围中的最小值、最大值或任意值,即可计算得到与该距离对应的使用者当前位置的坐标(xA,yA)。
通过上述公式,可以计算得到使用者当前位置的多个坐标,即坐标范围,根据坐标范围,可以通过如下公式预测使用者的坐标:
其中,s为坐标范围中坐标的数目,(xs,ys)为坐标范围中的任一坐标。
由此,判断使用者的坐标是否在预设坐标集合内,预设坐标集合即为允许使用者进行智能手表解锁的范围,若在,则解锁成功,若不在,则解锁失败。以此确保使用者在允许的范围内使用智能手表,进而提高智能手表在使用时的安全性能。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。且本申请实施例描述的技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
基于上述所述的一种智能手表的解锁方法,本文实施例还提供一种智能手表。所述的装置可以包括使用了本文实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本文实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本文实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图7是本文实施例提供的一种智能手表一个实施例的模块结构示意图,参照图7所示,本文实施例提供的一种智能手表包括:获取模块100、除噪模块200、处理模块300、运算模块400、第一判断模块500、第二判断模块600。
获取模块100,用于获取使用者的语音信号;
除噪模块200,用于滤除所述语音信号中的噪声,得到除噪后的语音信号;
处理模块300,用于将所述除噪后的语音信号输入匹配滤波器,输出处理后的语音信号;
运算模块400,用于对所述除噪后的语音信号和所述处理后的语音信号进行卷积运算,得到结果序列;
第一判断模块500,用于判断所述结果序列中指定位置处的结果数据是否大于设定阈值;若否,则停止执行后续步骤,解锁失败;若是,则根据所述使用者当前位置处的信号强度范围,预测所述使用者的坐标;
第二判断模块600,用于判断所述使用者的坐标是否在预设坐标集合内;若是,则解锁成功;若否,则解锁失败。
参照图8所示,基于上述所述的一种智能手表的解锁方法,本文一实施例中还提供一种计算机设备702,其中上述方法运行在计算机设备702上。计算机设备702可以包括一个或多个处理器704,诸如一个或多个中央处理单元(CPU)或图形处理器(GPU),每个处理单元可以实现一个或多个硬件线程。计算机设备702还可以包括任何存储器706,其用于存储诸如代码、设置、数据等之类的任何种类的信息,一具体实施方式中,存储器706上并可在处理器704上运行的计算机程序,所述计算机程序被所述处理器704运行时,可以执行根据上述方法的指令。非限制性的,比如,存储器706可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备702的固定或可移除部件。在一种情况下,当处理器704执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备702可以执行相关联指令的任一操作。计算机设备702还包括用于与任何存储器交互的一个或多个驱动机构708,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备702还可以包括输入/输出模块710(I/O),其用于接收各种输入(经由输入设备712)和用于提供各种输出(经由输出设备714)。一个具体输出机构可以包括呈现设备716和相关联的图形用户接口718(GUI)。在其他实施例中,还可以不包括输入/输出模块710(I/O)、输入设备712以及输出设备714,仅作为网络中的一台计算机设备。计算机设备702还可以包括一个或多个网络接口720,其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。
通信链路722可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图1-图6中的方法,本文实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令,其中当处理器执行所述指令时,其中的程序使得处理器执行如图1至图6所示的方法。
应理解,在本文的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本文实施例的实施过程构成任何限定。
还应理解,在本文实施例中,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,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本文所提供的几个实施例中,应该理解到,所揭露的系统、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。另外,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,也可以是电的,机械的或其它的形式连接。
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文实施例方案的目的。
另外,在本文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,也可以是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,本文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,包括若干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)执行本文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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本文的方法及其核心思想;同时,对于本领域的一般技术人员,依据本文的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本文的限制。
Claims (11)
1.一种智能手表的解锁方法,其特征在于,应用于所述智能手表,包括:
获取使用者的语音信号;
滤除所述语音信号中的噪声,得到除噪后的语音信号;
将所述除噪后的语音信号输入匹配滤波器,输出处理后的语音信号;
对所述除噪后的语音信号和所述处理后的语音信号进行卷积运算,得到结果序列;
判断所述结果序列中指定位置处的结果数据是否大于设定阈值;
若否,则停止执行后续步骤,解锁失败;
若是,则根据所述使用者当前位置处的信号强度范围,预测所述使用者的坐标;
判断所述使用者的坐标是否在预设坐标集合内;
若是,则解锁成功;
若否,则解锁失败。
2.根据权利要求1所述的智能手表的解锁方法,其特征在于,所述滤除所述语音信号中的噪声,得到除噪后的语音信号进一步包括:
将所述语音信号输入非递归式有限长单位冲激响应滤波器,得到滤波后的语音信号;
对所述滤波后的语音信号依次进行降采样和变采样,得到采样后的语音信号;
对所述采样后的语音信号依次预加重,得到预加重处理后的语音信号;
对所述预加重处理后的语音信号进行分帧操作;
对分帧后的每一帧语音信号进行短时傅里叶变换,得到频谱序列;
计算频谱序列的对数能量,对对数能量进行离散余弦变换得到梅尔频率倒谱;
利用数字低通滤波器对梅尔频率倒谱系数进行滤波,得到除噪后的语音信号。
3.根据权利要求2所述的智能手表的解锁方法,其特征在于,所述计算频谱序列的对数能量进一步包括:
通过如下公式计算频谱序列的对数能量:
S(n)=ln(MELapr(fs,new*n/N)*(|X(n)|2));
MELapr(fs,new*n/N)=(-2.51*10-21)*(fs,new*n/N)5+(1.1*10-16)*(fs,new*n/N)4-(1.81*10-12)*(fs,new*n/N)3+(1.4*10-8)*(fs,new*n/N)2-(5.47*10-5)*(fs,new*n/N)+0.107;
其中,S(n)为频谱序列中第n个采样点对应的对数能量,X(n)为频谱序列中第n个采样点对应的频率,N为频谱序列的采样点数目,fs,new为降采样时的目标采样率。
4.根据权利要求1所述的智能手表的解锁方法,其特征在于,所述设定阈值的确定方法包括:
获取语音的训练信号;
通过预设除噪方法滤除所述训练信号中的噪声,得到除噪后的训练信号;
将所述除噪后的训练信号输入匹配滤波器,输出处理后的训练信号;
对所述除噪后的训练信号和所述处理后的训练信号进行卷积运算,得到训练结果序列;
取训练结果序列中指定位置处的训练结果数据;
根据所述训练结果数据,计算得到设定阈值。
6.根据权利要求1所述的智能手表的解锁方法,其特征在于,所述使用者当前位置处的信号强度范围的确定方法包括:
设置多个信号点,所述信号点用于向智能手表发射信号;
根据智能手表对应每一信号点的信号强度范围,确定使用者当前位置处对应每一信号点的信号强度范围。
7.根据权利要求6所述的智能手表的解锁方法,其特征在于,所述根据所述使用者当前位置处的信号强度范围,预测所述使用者的坐标进一步包括:
根据所述使用者当前位置处对应每一信号点的信号强度范围,以及每一信号点的坐标,确定所述使用者的坐标范围;
根据所述使用者的坐标范围,预测所述使用者的坐标。
8.根据权利要求7所述的智能手表的解锁方法,其特征在于,所述根据所述使用者当前位置处对应每一信号点的信号强度范围,以及每一信号点的坐标,确定所述使用者的坐标范围进一步包括:
根据所述使用者当前位置处对应每一信号点的信号强度范围,确定所述使用者当前位置与每一信号点之间的距离范围;
根据所述使用者当前位置与每一信号点之间的距离范围,以及每一信号点的坐标,确定所述使用者的坐标范围。
9.一种智能手表,其特征在于,包括:
获取模块,用于获取使用者的语音信号;
除噪模块,用于滤除所述语音信号中的噪声,得到除噪后的语音信号;
处理模块,用于将所述除噪后的语音信号输入匹配滤波器,输出处理后的语音信号;
运算模块,用于对所述除噪后的语音信号和所述处理后的语音信号进行卷积运算,得到结果序列;
第一判断模块,用于判断所述结果序列中指定位置处的结果数据是否大于设定阈值;若否,则停止执行后续步骤,解锁失败;若是,则根据所述使用者当前位置处的信号强度范围,预测所述使用者的坐标;
第二判断模块,用于判断所述使用者的坐标是否在预设坐标集合内;若是,则解锁成功;若否,则解锁失败。
10.一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器运行时,执行根据权利要求1-8任意一项所述方法的指令。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-8任意一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211088308.7A CN115909548A (zh) | 2022-09-07 | 2022-09-07 | 一种智能手表及其解锁方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211088308.7A CN115909548A (zh) | 2022-09-07 | 2022-09-07 | 一种智能手表及其解锁方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115909548A true CN115909548A (zh) | 2023-04-04 |
Family
ID=86471486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211088308.7A Pending CN115909548A (zh) | 2022-09-07 | 2022-09-07 | 一种智能手表及其解锁方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909548A (zh) |
-
2022
- 2022-09-07 CN CN202211088308.7A patent/CN115909548A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107731223B (zh) | 语音活性检测方法、相关装置和设备 | |
WO2020258667A1 (zh) | 图像识别方法及装置、非易失性可读存储介质、计算机设备 | |
CN110503971A (zh) | 用于语音处理的基于神经网络的时频掩模估计和波束形成 | |
WO2017181772A1 (zh) | 语音检测方法、装置及存储介质 | |
CN103366745B (zh) | 基于语音识别保护终端设备的方法及其终端设备 | |
EP3644312B1 (en) | Method and apparatus for recovering audio signals | |
KR20160032138A (ko) | 청각 장면 분석 및 음성 모델링에 기초한 음성 신호 분리 및 합성 | |
CN110444202B (zh) | 复合语音识别方法、装置、设备及计算机可读存储介质 | |
CN106357411A (zh) | 一种身份验证方法和装置 | |
WO2020192532A1 (zh) | 指纹图像处理方法及相关装置 | |
CN108053822A (zh) | 一种语音信号处理方法、装置、终端设备及介质 | |
CN109741762B (zh) | 声音活动检测方法及装置和计算机可读存储介质 | |
US8838445B1 (en) | Method of removing contamination in acoustic noise measurements | |
EP3588120B1 (en) | System and method for improved signal detection in nmr spectroscopy | |
CN114550731A (zh) | 一种音频识别方法、装置、电子设备及存储介质 | |
CN113486861A (zh) | 摩尔纹图片生成方法和装置 | |
CN115909548A (zh) | 一种智能手表及其解锁方法 | |
CN112633218A (zh) | 人脸检测方法、装置、终端设备及计算机可读存储介质 | |
CN106707789A (zh) | 一种基于指纹识别的智能家居控制系统 | |
CN113539300A (zh) | 基于噪声抑制的语音检测方法、装置、存储介质以及终端 | |
CN110660399A (zh) | 声纹识别的训练方法、装置、终端及计算机存储介质 | |
CN113035176B (zh) | 语音数据处理方法、装置、计算机设备及存储介质 | |
US11462228B2 (en) | Speech intelligibility calculating method, speech intelligibility calculating apparatus, and speech intelligibility calculating program | |
CN113555031B (zh) | 语音增强模型的训练方法及装置、语音增强方法及装置 | |
CN114449339A (zh) | 背景音效的转换方法、装置、计算机设备及存储介质 |
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 |