[发明专利]用于智能相机说话者跟踪和取景的面部检测引导的声源定位水平角度后处理

权利要求书

1.一种方法，包括：

使用相机(1116)获取图像，其中所述图像包括布置成行和列的像素；

确定与所述图像中描绘的一个或多个面部对应的一个或多个边界框(1003)；

确定与所述图像相关联的多个槽(602)，其中所述多个槽中的每一个与所述列中的一个或多个相关联；

使用麦克风阵列(1214)来获取多个音频样本(1002)；

确定与所述多个音频样本中的一个或多个相关联的声源定位(SSL)水平角度值(1002)；

针对相应的SSL水平角度值(1002)，确定所述多个槽中的一个或多个对应的槽；

对于与每个相应的SSL水平角度值相关联的所述一个或多个对应的槽中的每一个，使槽条目计数增加(606)；

相对于所述一个或多个边界框中的每个边界框来确定第一范围(616、640、650)，所述第一范围指示从第一列延伸到第二列的像素；

针对所述每个边界框来确定与所述每个边界框的所述第一范围(616、640、650)相关联的所述槽条目计数(618)的总和；

基于所述一个或多个边界框的所述槽条目计数(618)的所述总和来确定具有最大总和的第一边界框(620)；以及

确定指示所述第一边界框的输出数据(624)。

2.根据权利要求1所述的方法，其中所述确定与所述图像相关联的所述多个槽(602)包括：

确定所述图像的第一像素宽度；

确定第二范围，其中所述第二范围包括与在操作期间来自所述麦克风阵列的输出相关联的可能的SSL水平角度值的范围；以及

将所述第一像素宽度除以所述第二范围。

3.根据权利要求1所述的方法，进一步包括：

使用SSL算法(1002)来处理所述多个音频样本(1002)中的所述一个或多个，以确定指示声音的方向的所述SSL水平角度值。

4.根据权利要求1所述的方法，进一步包括：

使用经训练的机器学习系统(1003)来处理所述图像，以确定在所述图像中描绘的所述一个或多个边界框。

5.根据权利要求1所述的方法，进一步包括：

确定所述第一边界框的第一宽度(610)；

确定所述第一边界框的所述第一宽度(610)小于第一值(612、614)，其中所述第一值(612)指示最小像素值(612)；以及

通过将所述第一值(614)乘以第二值(616)来确定所述第一边界框的所述第一范围(616)，其中所述第二值是预定值(616)。

6.根据权利要求1所述的方法，进一步包括：

确定所述第一边界框的第一宽度(610)；

确定所述第一边界框的所述第一宽度(610)大于第一值(612、616)，所述第一值(612)指示最小像素值(612)；以及

通过将所述第一宽度(610)乘以第二值(616)来确定所述第一边界框的所述第一范围(616)，其中所述第二值是预定值(616)。

7.根据权利要求1所述的方法，进一步包括：

确定所述第一边界框的参考像素(610)；以及

相对于所述参考像素将预定像素范围(640)指定为所述第一边界框的所述第一范围(640)。

8.根据权利要求1所述的方法，进一步包括：

确定两个或更多个边界框之间的距离(650)；以及

基于所述两个或更多个边界框之间的所述距离(650)来确定所述两个或更多个边界框中的至少一者的所述第一范围(650)。

9.根据权利要求1所述的方法，进一步包括：

确定所述第一边界框的所述槽条目计数(618)的所述总和大于阈值(622)；以及

响应于所述第一边界框的所述槽条目计数的所述总和大于所述阈值(622、624)而发送所述输出数据(624)。

10.根据权利要求1所述的方法，进一步包括：

确定与所述第一边界框相关联的参考像素(610)；以及

发送所述输出数据(624)，其中所述输出数据(624)指示与所述参考像素(624)相关联的方向。