一种特征声音检测的方法、装置及设备

    公开(公告)号:CN111739542B

    公开(公告)日:2023-05-09

    申请号:CN202010402845.9

    申请日:2020-05-13

    Abstract: 本申请适用于计算机技术领域,提供了一种特征声音检测的方法,包括:获取初始音频数据;计算所述初始音频数据在预设频段的幅值谱;将所述幅值谱划分为预设数量的子带,根据各所述子带计算目标能量信息;若所述目标能量信息大于预设能量阈值,判定所述初始音频数据中包括特征声音。上述方法,计算得到各子带的目标能量信息,通过判断目标能量信息是否大于预设能量阈值,从而判定初始音频数据中是否包括特征声音,不需要采集大量的特征声音作为训练样本,节省了资源。不要需要经过大量的计算,在使用过程中对硬件的要求较低,也提高了特征声音检测的效率,减少了误检的概率。并且特征声音的检测不会受声音数据能量大小的影响,鲁棒性强。

    麦克风异常检测方法、装置、设备及存储介质

    公开(公告)号:CN112969134B

    公开(公告)日:2022-05-10

    申请号:CN202110174376.4

    申请日:2021-02-07

    Inventor: 何志连 王丹

    Abstract: 本申请提供了一种麦克风异常检测方法、装置、设备及存储介质,其方法包括:获取麦克风采集的音频信号数据;根据所述麦克风采集的音频信号数据,采用预设的特征值计算算法计算出所述麦克风相对于麦克风阵列的时域特征值和频域特征值;分别将所述麦克风相对于麦克风阵列的时域特征值和频域特征值与对应预设的标准阈值进行比对,根据比对结果判断所述麦克风是否异常。该方法通过计算麦克风相对于麦克风阵列的时域特征值和频域特征值来判断麦克风阵列中的麦克风是否异常,此判断过程采用相对阈值,使得麦克风异常检测不受幅值大小和前端算法增益大小的影响,大大减少了漏检与虚警的现象,提高异常检测的可靠性和鲁棒性。

    一种特征声音的定位方法、装置及设备

    公开(公告)号:CN111722185A

    公开(公告)日:2020-09-29

    申请号:CN202010412004.6

    申请日:2020-05-15

    Abstract: 本申请适用于声源定位技术领域,提供了一种特征声音的定位方法,包括:获取初始音频数据;当所述初始音频数据为特征声音时,计算所述特征声音的一维空间谱,并搜索所述一维空间谱的峰值,得到第一峰值,将所述第一峰值对应的角度作为目标方位角;计算所述特征声音的二维空间谱,并搜索所述二维空间谱的峰值,得到第二峰值,将所述第二峰值对应的角度作为目标俯仰角。上述方案,分别确定目标方位角和目标俯仰角,将现有技术中对目标方位角和目标俯仰角的二维搜索分解成两次一维搜索,并且在搜索过程中引入了聚类的策略,极大地减少了计算量,从而可以实时的对特征声音进行定位。

    一种麦克风阵列增益调节方法、装置及终端设备

    公开(公告)号:CN109887522A

    公开(公告)日:2019-06-14

    申请号:CN201910077644.3

    申请日:2019-01-24

    Inventor: 余超宝 王丹

    Abstract: 本申请适用于信号处理技术领域,提供了一种麦克风阵列增益调节方法、装置及终端设备,方法包括:获取模数转换器的第一增益以及经过模数转换器放大后的语音信号的语音幅值;判断是否存在大于预设最高语音信号幅值阈值或小于预设最低语音信号幅值阈值的语音幅值;当存在大于预设最高语音信号幅值阈值的语音幅值时,根据第一增益和语音幅值中的最大值计算第二增益;当存在小于预设最低语音信号幅值阈值的语音幅值时,根据第一增益和语音幅值中的最小值计算第二增益;将模数转换器的第一增益更新为第二增益。本申请可以解决现有的麦克风阵列通常将ADC的增益设置为固定值,可能在波峰位置出现削波现象,或出现语音能量过小无法识别的情况的问题。

    一种特征声音检测的方法、装置及设备

    公开(公告)号:CN111739542A

    公开(公告)日:2020-10-02

    申请号:CN202010402845.9

    申请日:2020-05-13

    Abstract: 本申请适用于计算机技术领域,提供了一种特征声音检测的方法,包括:获取初始音频数据;计算所述初始音频数据在预设频段的幅值谱;将所述幅值谱划分为预设数量的子带,根据各所述子带计算目标能量信息;若所述目标能量信息大于预设能量阈值,判定所述初始音频数据中包括特征声音。上述方法,计算得到各子带的目标能量信息,通过判断目标能量信息是否大于预设能量阈值,从而判定初始音频数据中是否包括特征声音,不需要采集大量的特征声音作为训练样本,节省了资源。不要需要经过大量的计算,在使用过程中对硬件的要求较低,也提高了特征声音检测的效率,减少了误检的概率。并且特征声音的检测不会受声音数据能量大小的影响,鲁棒性强。

Patent Agency Ranking