基于視頻跟蹤的麥克風(fēng)陣列聲源定位方法、裝置及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種基于視頻跟蹤的麥克風(fēng)陣列聲源定位方法、裝置及系統(tǒng)，所述方法包括：統(tǒng)計麥克風(fēng)陣列中多個麥克風(fēng)獲取當(dāng)前語音的時間差信息；依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置信息；依據(jù)所述大致位置信息對攝像機執(zhí)行第一次聲源跟蹤控制，以進行視頻采集并執(zhí)行人臉檢測；依據(jù)人臉檢測結(jié)果對攝像機執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。采用本發(fā)明，在用戶使用電視會議系統(tǒng)中，不用人工控制攝像頭，攝像機即能實現(xiàn)自動對發(fā)言人的精確視頻定位跟蹤，并且由于進一步結(jié)合了人臉識別，從而可以進一步提高聲源定位的精確性。
【專利說明】基于視頻跟蹤的麥克風(fēng)陣列聲源定位方法、裝置及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及電視會議【技術(shù)領(lǐng)域】，具體而言，涉及一種基于視頻跟蹤的麥克風(fēng)陣列聲源定位方法、裝置及系統(tǒng)。
【背景技術(shù)】
[0002]目前商用的多媒體視頻會議系統(tǒng)包括用以采集會場視頻畫面的攝像機、用以采集發(fā)言人音頻信號的麥克風(fēng)陣列以及用以播放當(dāng)前會場視頻畫面的顯示裝置。在會議進行當(dāng)中，為了更好的使與會人員更能詳細的了解當(dāng)前發(fā)言人的情況，通常需要將布置于會場的攝像機對準當(dāng)前發(fā)言人，并實時采集并播放其實際發(fā)言情況。
[0003]目前，聲源定位技術(shù)的應(yīng)用非常廣泛，在多媒體視頻會議中，通過聲源定位技術(shù)可以估計出聲源的位置和方向角，并以此控制攝像機進行轉(zhuǎn)向，以對當(dāng)前發(fā)言人進行實時視頻跟蹤，并實時通過顯示裝置播出其發(fā)言視頻。
[0004]然而在實際應(yīng)用中，其聲源定位常常采用麥克風(fēng)陣列技術(shù)，但該技術(shù)由于易受噪聲、混響等因素的影響，以致在進行聲源定位時往往不夠精確，存在一定的偏差。

【發(fā)明內(nèi)容】

[0005]為了解決現(xiàn)有的聲源定位技術(shù)還存在的易受噪聲、混響等因素的影響，導(dǎo)致定位不夠精確的技術(shù)問題，本發(fā)明的目的在于提供一種基于視頻跟蹤的麥克風(fēng)陣列聲源定位方法、裝置及系統(tǒng)。
[0006]為了達到本發(fā)明的目的，本發(fā)明采用以下技術(shù)方案實現(xiàn):
[0007]—種基于視頻跟蹤的麥克風(fēng)陣列聲源定位方法，包括:
[0008]統(tǒng)計麥克風(fēng)陣列中多個麥克風(fēng)獲取當(dāng)前語音的時間差信息；
[0009]依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置信息；
[0010]依據(jù)所述大致位置信息對攝像機執(zhí)行第一次聲源跟蹤控制，以進行視頻采集并執(zhí)行人臉檢測；
[0011]依據(jù)人臉檢測結(jié)果對攝像機執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
[0012]優(yōu)選地，依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置信息的方法為:
[0013]利用所述時間差信息以及和麥克風(fēng)陣列中多個麥克風(fēng)與攝像機之間的位置關(guān)系構(gòu)造多個雙曲面，并通過計算多個雙曲面的交點得到當(dāng)前聲源的大致位置信息。
[0014]優(yōu)選地，依據(jù)人臉檢測結(jié)果對攝像機執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置的方法為:
[0015]依據(jù)預(yù)設(shè)的發(fā)言者姿態(tài)模型對采集的多個人臉圖像進行篩選，得到當(dāng)前發(fā)言人人臉圖像；[0016]依據(jù)所述當(dāng)前發(fā)言人所處的位置對攝像機執(zhí)行第二次聲源跟蹤控制，以將該當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
[0017]一種基于視頻跟蹤的麥克風(fēng)陣列聲源定位裝置，包括:
[0018]時延計算模塊，用于統(tǒng)計麥克風(fēng)陣列中多個麥克風(fēng)獲取當(dāng)前語音的時間差信息；
[0019]位置估算模塊，用于依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置信息；
[0020]攝像機控制模塊，用于依據(jù)所述大致位置信息對攝像機執(zhí)行第一次聲源跟蹤控制，以進行視頻采集；
[0021]人臉識別模塊，用于對采集的視頻圖像執(zhí)行人臉檢測；
[0022]位置校正模塊，用于依據(jù)人臉檢測結(jié)果對攝像機執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
[0023]優(yōu)選地，位置估算模塊利用所述時間差信息以及和麥克風(fēng)陣列中多個麥克風(fēng)與攝像機之間的位置關(guān)系構(gòu)造多個雙曲面，并通過計算多個雙曲面的交點得到當(dāng)前聲源的大致
位置信息。
[0024]優(yōu)選地，位置校正模塊包括:
[0025]篩選模塊，用于依據(jù)預(yù)設(shè)的發(fā)言者姿態(tài)模型對采集的多個人臉圖像進行篩選，得到當(dāng)前發(fā)言人人臉圖像；
[0026]執(zhí)行模塊，用于依據(jù)所述當(dāng)前發(fā)言人所處的位置對攝像機執(zhí)行第二次聲源跟蹤控制，以將該當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
[0027]—種電視會議系統(tǒng),包括:
[0028]麥克風(fēng)陣列，用于采集語音信息；
[0029]攝像機，用于采集會場視頻信息；
[0030]顯示裝置，用于播放當(dāng)前會場視頻圖像；
[0031]其中，所述電視會議系統(tǒng)還包括:
[0032]基于視頻跟蹤的麥克風(fēng)陣列聲源定位裝置，所述裝置包括:
[0033]時延計算模塊，用于統(tǒng)計麥克風(fēng)陣列中多個麥克風(fēng)獲取當(dāng)前語音的時間差信息；
[0034]位置估算模塊，用于依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置信息；
[0035]攝像機控制模塊，用于依據(jù)所述大致位置信息對攝像機執(zhí)行第一次聲源跟蹤控制，以進行視頻采集；
[0036]人臉識別模塊，用于對采集的視頻圖像執(zhí)行人臉檢測；
[0037]位置校正模塊，用于依據(jù)人臉檢測結(jié)果對攝像機執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
[0038]優(yōu)選地，位置估算模塊利用所述時間差信息以及和麥克風(fēng)陣列中多個麥克風(fēng)與攝像機之間的位置關(guān)系構(gòu)造多個雙曲面，并通過計算多個雙曲面的交點得到當(dāng)前聲源的大致
位置信息。
[0039]優(yōu)選地，位置校正模塊包括:
[0040]篩選模塊，用于依據(jù)預(yù)設(shè)的發(fā)言者姿態(tài)模型對采集的多個人臉圖像進行篩選，得到當(dāng)前發(fā)言人人臉圖像；[0041]執(zhí)行模塊，用于依據(jù)所述當(dāng)前發(fā)言人所處的位置對攝像機執(zhí)行第二次聲源跟蹤控制，以將該當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
[0042]通過上述本發(fā)明的技術(shù)方案可以看出，采用本發(fā)明，在用戶使用電視會議系統(tǒng)中，不用人工控制攝像頭，攝像機即能實現(xiàn)自動對發(fā)言人的精確視頻定位跟蹤，并且由于進一步結(jié)合了人臉識別，從而可以進一步提高聲源定位的精確性，以將發(fā)言人置于視頻播放畫面的中間位置，便于與會者能夠清楚的了解當(dāng)前發(fā)言人的發(fā)言情況，采用本發(fā)明，提高了用戶體驗。
【專利附圖】

【附圖說明】
[0043]圖1是本發(fā)明實施例提供的一種基于視頻跟蹤的麥克風(fēng)陣列聲源定位方法流程示意圖；
[0044]圖2是本發(fā)明實施例提供的一種電視會議系統(tǒng)結(jié)構(gòu)示意圖。
[0045]本發(fā)明目的的實現(xiàn)、功能特點及優(yōu)異效果，下面將結(jié)合具體實施例以及附圖做進一步的說明。
【具體實施方式】
[0046]下面結(jié)合附圖和具體實施例對本發(fā)明所述技術(shù)方案作進一步的詳細描述，以使本領(lǐng)域的技術(shù)人員可以更好的理解本發(fā)明并能予以實施，但所舉實施例不作為對本發(fā)明的限定。
[0047]如圖1所示，本發(fā)明實施例提供的一種基于視頻跟蹤的麥克風(fēng)陣列聲源定位方法，包括如下具體步驟:
[0048]S10、統(tǒng)計麥克風(fēng)陣列中多個麥克風(fēng)獲取當(dāng)前語音的時間差信息；
[0049]S11、依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置
信息；
[0050]S12、依據(jù)所述大致位置信息對攝像機執(zhí)行第一次聲源跟蹤控制，以進行視頻采集并執(zhí)行人臉檢測；
[0051]S13、依據(jù)人臉檢測結(jié)果對攝像機執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
[0052]本實施例中，在所述步驟Sll中，依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置信息的方法為:
[0053]S110、利用所述時間差信息以及和麥克風(fēng)陣列中多個麥克風(fēng)與攝像機之間的位置關(guān)系構(gòu)造多個雙曲面，并通過計算多個雙曲面的交點得到當(dāng)前聲源的大致位置信息。
[0054]本實施例中，在所述步驟S12中，依據(jù)步驟SI I所得到的大致位置信息對攝像機執(zhí)行第一次聲源跟蹤控制，以進行視頻采集的方式可以采用現(xiàn)有的攝像機調(diào)整方法執(zhí)行，另夕卜，對采集到的視頻圖像信息執(zhí)行人臉檢測的方法同樣采用現(xiàn)有技術(shù)中的人臉識別算法執(zhí)行。
[0055]通過上述技術(shù)方案可以看出，本發(fā)明實施例提供的基于視頻跟蹤的麥克風(fēng)陣列聲源定位方法的核心思想是:充分利用音視頻領(lǐng)域的現(xiàn)有技術(shù)，首先采用麥克風(fēng)陣列初步估算發(fā)言人的大致位置，然后再結(jié)合人臉檢測技術(shù)進一步定位，使發(fā)言人位于攝像機采集的視頻圖像的中間位置，從而實現(xiàn)發(fā)言人的精確定位。
[0056]下面結(jié)合附圖對該方法在會議電視中的具體實施應(yīng)用作進一步的詳細介紹，其包括如下步驟:
[0057]步驟1、通過麥克風(fēng)陣列接收發(fā)言人的語音信息，并估計出語音到達不同麥克風(fēng)的時間差；
[0058]步驟2、利用時間差以及麥克風(fēng)陣列與會議電視攝像頭之間的位置構(gòu)造多個雙曲面，并在某種最優(yōu)準則下，通過計算多個雙曲面的交點得到聲源的大致位置，其中，本實施方式中，采用某種現(xiàn)有技術(shù)中的最優(yōu)準則，以及采用現(xiàn)有技術(shù)計算多個雙曲面的焦點得到聲源的大致位置；
[0059]步驟3、根據(jù)步驟2求得的聲源的大致位置控制攝像頭進行視頻跟蹤，這樣參加會議的人員無需手動控制攝像頭，該算法自動控制攝像頭對發(fā)言人進行跟蹤；
[0060]步驟4、在步驟3的跟蹤的基礎(chǔ)上，在攝像頭新采集的視頻圖像上對當(dāng)前發(fā)言人進行快速有效的人臉檢測；
[0061]步驟5、根據(jù)當(dāng)前發(fā)言人的人臉在采集的視頻圖像中的位置，對步驟3的視頻跟蹤結(jié)果進行校準，使發(fā)言人位于視頻圖像的中間位置，從而達到精確定位的目的。
[0062]另外，特殊的場合下，置于攝像機采集的視頻圖像中的人臉圖像可能有至少2幅，此時需要對發(fā)言人進行篩選，因此在本實施例中，在所述步驟S13中，依據(jù)人臉檢測結(jié)果對攝像機執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置的方法為:
[0063]S131、依據(jù)預(yù)設(shè)的發(fā)言者姿態(tài)模型對采集的多個人臉圖像進行篩選，得到當(dāng)前發(fā)言人人臉圖像；
[0064]S132、依據(jù)所述當(dāng)前發(fā)言人所處的位置對攝像機執(zhí)行第二次聲源跟蹤控制，以將該當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
[0065]參考圖2，本發(fā)明實施例還提供了一種基于視頻跟蹤的麥克風(fēng)陣列聲源定位裝置100，包括:
[0066]時延計算模塊10，用于統(tǒng)計麥克風(fēng)陣列200中多個麥克風(fēng)獲取當(dāng)前語音的時間差
信息；
[0067]位置估算模塊20，用于依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置信息；
[0068]攝像機控制模塊30，用于依據(jù)所述大致位置信息對攝像機300執(zhí)行第一次聲源跟蹤控制，以進行視頻采集；
[0069]人臉識別模塊40，用于對采集的視頻圖像執(zhí)行人臉檢測；
[0070]位置校正模塊50，用于依據(jù)人臉檢測結(jié)果對攝像機300執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
[0071]具體地，位置估算模塊20利用所述時間差信息以及和麥克風(fēng)陣列200中多個麥克風(fēng)與攝像機300之間的位置關(guān)系構(gòu)造多個雙曲面，并通過計算多個雙曲面的交點得到當(dāng)前聲源的大致位置信息。
[0072]特殊的場合下，置于攝像機300采集的視頻圖像中的人臉圖像可能有至少2幅，此時需要對發(fā)言人進行篩選，因此在本實施例中，參考圖2，具體地，位置校正模塊50包括:[0073]篩選模塊501，用于依據(jù)預(yù)設(shè)的發(fā)言者姿態(tài)模型對采集的多個人臉圖像進行篩選，得到當(dāng)前發(fā)言人人臉圖像；
[0074]執(zhí)行模塊502，用于依據(jù)所述當(dāng)前發(fā)言人所處的位置對攝像機300執(zhí)行第二次聲源跟蹤控制，以將該當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
[0075]繼續(xù)參考圖2，本發(fā)明實施例還提供了一種電視會議系統(tǒng)，包括:
[0076]麥克風(fēng)陣列200，用于采集語音信息；
[0077]攝像機300，用于采集會場視頻信息；
[0078]顯示裝置400，用于播放當(dāng)前會場視頻圖像；
[0079]其中，所述電視會議系統(tǒng)還包括:
[0080]基于視頻跟蹤的麥克風(fēng)陣列聲源定位裝置100，所述裝置100包括:
[0081]時延計算模塊10，用于統(tǒng)計麥克風(fēng)陣列200中多個麥克風(fēng)獲取當(dāng)前語音的時間差
信息；
[0082]位置估算模塊20，用于依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置信息；
[0083]攝像機300控制模塊30，用于依據(jù)所述大致位置信息對攝像機300執(zhí)行第一次聲源跟蹤控制，以進行視頻采集；
[0084]人臉識別模塊40，用于對采集的視頻圖像執(zhí)行人臉檢測；
[0085]位置校正模塊50，用于依據(jù)人臉檢測結(jié)果對攝像機300執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
[0086]具體地，位置估算模塊20利用所述時間差信息以及和麥克風(fēng)陣列200中多個麥克風(fēng)與攝像機300之間的位置關(guān)系構(gòu)造多個雙曲面，并通過計算多個雙曲面的交點得到當(dāng)前聲源的大致位置信息。
[0087]特殊的場合下，置于攝像機300采集的視頻圖像中的人臉圖像可能有至少2幅，此時需要對發(fā)言人進行篩選，因此在本實施例中，具體地，位置校正模塊50包括:
[0088]篩選模塊501，用于依據(jù)預(yù)設(shè)的發(fā)言者姿態(tài)模型對采集的多個人臉圖像進行篩選，得到當(dāng)前發(fā)言人人臉圖像；
[0089]執(zhí)行模塊502，用于依據(jù)所述當(dāng)前發(fā)言人所處的位置對攝像機300執(zhí)行第二次聲源跟蹤控制，以將該當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
[0090]綜上，采用本發(fā)明，在用戶使用電視會議系統(tǒng)中，不用人工控制攝像機300，攝像機300即能實現(xiàn)自動對發(fā)言人的精確視頻定位跟蹤，并且由于進一步結(jié)合了人臉識別，從而可以進一步提高聲源定位的精確性，以將發(fā)言人置于視頻播放畫面的中間位置，便于與會者能夠清楚的了解當(dāng)前發(fā)言人的發(fā)言情況，采用本發(fā)明，提高了用戶體驗。
[0091]以上所述僅為本發(fā)明的優(yōu)選實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的【技術(shù)領(lǐng)域】，均同理包括在本發(fā)明的專利保護范圍內(nèi)。
【權(quán)利要求】
1.一種基于視頻跟蹤的麥克風(fēng)陣列聲源定位方法，其特征在于，包括: 統(tǒng)計麥克風(fēng)陣列中多個麥克風(fēng)獲取當(dāng)前語音的時間差信息； 依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置信息； 依據(jù)所述大致位置信息對攝像機執(zhí)行第一次聲源跟蹤控制，以進行視頻采集并執(zhí)行人臉檢測； 依據(jù)人臉檢測結(jié)果對攝像機執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
2.如權(quán)利要求1所述的基于視頻跟蹤的麥克風(fēng)陣列聲源定位方法，其特征在于，依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置信息的方法為: 利用所述時間差信息以及和麥克風(fēng)陣列中多個麥克風(fēng)與攝像機之間的位置關(guān)系構(gòu)造多個雙曲面，并通過計算多個雙曲面的交點得到當(dāng)前聲源的大致位置信息。
3.如權(quán)利要求1所述的基于視頻跟蹤的麥克風(fēng)陣列聲源定位方法，其特征在于，依據(jù)人臉檢測結(jié)果對攝像機執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置的方法為: 依據(jù)預(yù)設(shè)的發(fā)言者姿態(tài)模型對采集的多個人臉圖像進行篩選，得到當(dāng)前發(fā)言人人臉圖像； 依據(jù)所述當(dāng)前發(fā)言人所處的位置對攝像機執(zhí)行第二次聲源跟蹤控制，以將該當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻畫面的中間位置。
4.一種基于視頻跟蹤的麥克風(fēng)陣列聲源定位裝置，其特征在于，包括: 時延計算模塊，用于統(tǒng)計麥克風(fēng)陣列中多個麥克風(fēng)獲取當(dāng)前語音的時間差信息； 位置估算模塊，用于依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置信息； 攝像機控制模塊，用于依據(jù)所述大致位置信息對攝像機執(zhí)行第一次聲源跟蹤控制，以進行視頻采集； 人臉識別模塊，用于對采集的視頻圖像執(zhí)行人臉檢測； 位置校正模塊，用于依據(jù)人臉檢測結(jié)果對攝像機執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
5.如權(quán)利要求4所述的基于視頻跟蹤的麥克風(fēng)陣列聲源定位裝置，其特征在于，位置估算模塊利用所述時間差信息以及和麥克風(fēng)陣列中多個麥克風(fēng)與攝像機之間的位置關(guān)系構(gòu)造多個雙曲面，并通過計算多個雙曲面的交點得到當(dāng)前聲源的大致位置信息。
6.如權(quán)利要求4所述的基于視頻跟蹤的麥克風(fēng)陣列聲源定位裝置，其特征在于，位置校正模塊包括: 篩選模塊，用于依據(jù)預(yù)設(shè)的發(fā)言者姿態(tài)模型對采集的多個人臉圖像進行篩選，得到當(dāng)前發(fā)言人人臉圖像； 執(zhí)行模塊，用于依據(jù)所述當(dāng)前發(fā)言人所處的位置對攝像機執(zhí)行第二次聲源跟蹤控制，以將該當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
7.—種電視會議系統(tǒng),包括: 麥克風(fēng)陣列，用于采集語音信息； 攝像機，用于采集會場視頻信息；顯示裝置，用于播放當(dāng)前會場視頻圖像； 其特征在于，所述電視會議系統(tǒng)還包括: 基于視頻跟蹤的麥克風(fēng)陣列聲源定位裝置，所述裝置包括: 時延計算模塊，用于統(tǒng)計麥克風(fēng)陣列中多個麥克風(fēng)獲取當(dāng)前語音的時間差信息； 位置估算模塊，用于依據(jù)所述時間差信息以及多個麥克風(fēng)的位置信息獲取當(dāng)前聲源的大致位置信息； 攝像機控制模塊，用于依據(jù)所述大致位置信息對攝像機執(zhí)行第一次聲源跟蹤控制，以進行視頻采集； 人臉識別模塊，用于對采集的視頻圖像執(zhí)行人臉檢測； 位置校正模塊，用于依據(jù)人臉檢測結(jié)果對攝像機執(zhí)行第二次聲源跟蹤控制，以將當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
8.如權(quán)利要求7所述的電視會議系統(tǒng)，其特征在于，位置估算模塊利用所述時間差信息以及和麥克風(fēng)陣列中多個麥克風(fēng)與攝像機之間的位置關(guān)系構(gòu)造多個雙曲面，并通過計算多個雙曲面的交點得到當(dāng)前聲源的大致位置信息。
9.如權(quán)利要求7所述的電視會議系統(tǒng)，其特征在于，位置校正模塊包括: 篩選模塊，用于依據(jù)預(yù)設(shè)的發(fā)言者姿態(tài)模型對采集的多個人臉圖像進行篩選，得到當(dāng)前發(fā)言人人臉圖像； 執(zhí)行模塊，用于依據(jù)所述當(dāng)前發(fā)言人所處的位置對攝像機執(zhí)行第二次聲源跟蹤控制，以將該當(dāng)前發(fā)言人的人臉圖像置于當(dāng)前視頻圖像的中間位置。
【文檔編號】G06K9/00GK103841357SQ201210475401
【公開日】2014年6月4日 申請日期:2012年11月21日 優(yōu)先權(quán)日:2012年11月21日
【發(fā)明者】孫濤 申請人:中興通訊股份有限公司