[发明专利]一种基于几何约束全局相干场和视觉引导的说话人声源定位方法和系统在审
| 申请号： | 202310147501.1 | 申请日： | 2023-02-02 |
| 公开（公告）号： | CN116087878A | 公开（公告）日： | 2023-05-09 |
| 发明（设计）人： | 刘宏;李一迪;任家乐;王国权 | 申请（专利权）人： | 北京大学深圳研究生院 |
| 主分类号： | G01S5/18 | 分类号： | G01S5/18;G06V40/16;G06V10/82;G06F30/27;G06N3/08;G06N3/0464;G10L25/30;G06F111/04 |
| 代理公司： | 北京君尚知识产权代理有限公司 11200 | 代理人： | 邱晓锋 |
| 地址： | 518055 广东省深*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于几何约束全局相干场和视觉引导的说话人声源定位方法和系统。该方法包括：采用相机几何模型提取几何约束全局相干场线索，以表示声源信号的空间特征；根据与音频信号同步的视频帧的图片样本中的说话人位置标注，生成视觉引导的二值化伪标签；采用卷积神经网络结合全连接网络构成声学网络，声学网络利用几何约束全局相干场线索生成声学位置图谱，计算声学位置图谱与生成的伪标签的均方误差来训练声学网络；采用训练好的声学网络生成声学位置图谱，根据声学位置图谱中的峰值位置确定说话人声源的位置坐标。本发明利用视觉模态和听觉模态之间的互补性和一致性，增强了声学网络对于声源位置的学习能力，能够实现准确的声源定位。 | ||
| 搜索关键词： | 一种 基于 几何 约束 全局 相干 视觉 引导 说话 人声 定位 方法 系统 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京大学深圳研究生院，未经北京大学深圳研究生院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/202310147501.1/，转载请声明来源钻瓜专利网。
