[发明专利]结合图像识别和语音定位的麦克风跟踪系统及方法

说明书

本发明公开了一种结合图像识别和语音定位的麦克风跟踪系统及方法，涉及声音定位技术领域。本发明包括摄像头、麦克风和后台服务器；麦克风包括声音采集模块和声音处理模块；声音采集模块用于当前现场场景的声音采集；声音处理模块用于根据当前麦克风处于的场景进行声音的增强处理；后台服务器用于计算麦克风与嘴部之间距离，并调节麦克风的距离和仰角。本发明通过摄像头采集两张俯视图场景和侧视图场景，以场景中的麦克风作为三维图像的原点，利用空间滤波算法计算麦克风与人嘴之间的距离和仰角并判断当前场景处于近场场景还是远场场景，麦克风处理模块对声音的强弱进行调节，智能调节最佳角度和距离，适用于复杂的环境，提高用户体验。

技术领域

本发明属于声音定位技术领域，特别是涉及一种结合图像识别和语音定位的麦克风跟踪系统及方法。

背景技术

现有的语音定位系统和方法都是基于麦克风阵列来完成定位，无法实现实时跟踪，只能通过语音唤醒定位系统重新进行麦克风阵列的定位，无法实时跟踪监控，用户体验效果较差。

同时，现有的语音定位系统和方法因自身的限制对适用环境的要求较高：一方面，抗干扰能力较差，例如抗回声干扰的能力较差，又例如集成在电视、音响等设备中的语音定位系统，因设备本身发音，自身发声内容同样会对定位干扰；另一方面，复杂环境的适应能力较差，噪声环境会降低定位精度，非稳态噪声的干扰，例如同时有多人说话，房间混响也会对定位精度造成影响，例如周围硬反射介质的高混响环境，如玻璃等。

此外，现有的语音定位系统和方法还受到麦克风阵列的限制，例如双麦克风阵列只能满足180°的平面定位，四阵列麦克风只能满足360°的平面定位，通常需要通过复杂阵型的麦克风阵列实现空间定位，而难以通过较简单设备实现立体的空间定位。

发明内容

本发明的目的在于提供一种结合图像识别和语音定位的麦克风跟踪系统及方法，通过摄像头采集两张俯视图场景和侧视图场景，以场景中的麦克风作为三维图像的原点，利用空间滤波算法计算麦克风与人嘴之间的距离和仰角并进行调节，解决了现有的麦克风无法实时进行人脸的跟踪定位、用户体验效果差的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种结合图像识别和语音定位的麦克风跟踪系统，包括摄像头、麦克风和后台服务器；

所述摄像头用于采集当前场景的图像序列，并将采集的图像序列发送至后台服务器进行处理；

所述麦克风包括声音采集模块和声音处理模块；所述声音采集模块用于当前现场场景的声音采集；所述声音处理模块用于根据当前麦克风处于的近场场景或远场场景进行声音的减弱或增强处理；

所述后台服务器包括图像识别单元和麦克风跟踪单元；所述图像识别单元用于识别图像序列中人员嘴部位置和麦克风位置，以麦克风作为三维坐标的原点，根据空间滤波算法计算麦克风与嘴部之间距离，利用预先设置好的距离阀值，判断当前场景处于近场场景还是远场场景；所述麦克风跟踪模块用于根据计算麦克风与嘴部之间距离调节麦克风的距离和仰角。

优选地，所述摄像头位置和麦克风位置统一三维坐标。

优选地，所述图像识别单元计算出人嘴到麦克风距离后判断出当前处于的场景以及定位出嘴与麦克风的方向，并反馈至麦克风的声音处理单元；所述声音处理单元对定位方向的声音信号进行加强并同时对其他方向的声音信号进行抑制。

优选地，所述麦克风为一组双麦克风阵列；所述麦克风固定在讲桌正前方；所述摄像头为一组摄像头，其中一摄像头位于麦克风正上方，另一摄像头固定在讲桌一侧且与麦克风高度相同。

本发明为一种结合图像识别和语音定位的麦克风跟踪方法，包括如下步骤：

步骤S1：采集当前场景图像序列；