專利名稱：影像擷取裝置的近端控制方法及應(yīng)用該方法的影像擷取裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明是關(guān)于一種影像擷取裝置的控制方法，特別是一種結(jié)合聲音與 影像辨識(shí)功能，以使控制命令可精確傳達(dá)的影像擷取裝置的控制方法。
背景技術(shù)：
一般在使用相機(jī)進(jìn)行拍照時(shí)，當(dāng)相機(jī)所設(shè)定的快門曝光時(shí)間較長(zhǎng)或握 持相機(jī)姿勢(shì)不當(dāng)，容易造成使用者于按壓快門時(shí)產(chǎn)生晃動(dòng)的手振現(xiàn)象，使 得拍出的相片因而模糊不清。此外，若考慮到拍攝者也要一起入鏡，且在 周遭無人可幫忙的狀況下，拍攝者就必須于拍照前先調(diào)整好拍攝場(chǎng)景、角 度、入鏡位置及相機(jī)各項(xiàng)參數(shù)，啟動(dòng)相機(jī)預(yù)拍的模式，并且要在倒數(shù)時(shí)間 內(nèi)到達(dá)定點(diǎn)，此種方式經(jīng)常會(huì)導(dǎo)致拍攝失敗而需多次嘗試才能拍到理想照 片。為了改善前述可能發(fā)生的狀況，而針對(duì)相機(jī)發(fā)展出可進(jìn)行無線操控的 遙控器，使拍攝者可于定點(diǎn)處直接操控相機(jī)啟動(dòng)快門，以拍得照片。此類 型的遙控器雖然提供無線操控功能，但是使用時(shí)必須令遙控器盡可能正對(duì) 著相機(jī)的接收器才能達(dá)到操控效果，且由于遙控器本身會(huì)耗電，因此要時(shí) 常注意遙控器電池的剩余電量多寡，且遙控器體積小容易遺失，亦可能造 成使用上的不便。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種影像擷取裝置的近端控制方法及應(yīng)用該 方法的影像擷取裝置。
為實(shí)現(xiàn)上述目的，本發(fā)明提供的影像擷取裝置的近端控制方法，包括 以下步驟
(a) 擷取一聲音信息及一影像信息；
(b) 對(duì)該聲音信息進(jìn)行語音辨識(shí)處理，并對(duì)該影像信息進(jìn)行影像辨識(shí)處
理；
(c) 判斷該聲音信息是否可清楚辨識(shí)，以決定是否進(jìn)一步結(jié)合該影像信 息輔助進(jìn)行辨識(shí)；以及
(d) 將該聲音信息轉(zhuǎn)換為控制指令予以執(zhí)行。 所述的方法，其中，步驟(b)還包括以下步驟 過濾掉該聲音信息中人聲頻段外的聲音；以及
分析該聲音信息是否包括一額外人聲，以決定該聲音信息是否可儲(chǔ)存 為一聲音樣本。
所述的方法，其中，該聲音信息由頻率分析或比對(duì)一預(yù)錄聲音樣本以 判斷是否包括該額外人聲。
所述的方法，其中，決定該聲音信息是否可儲(chǔ)存為一聲音樣本的步驟 后，還包括以下步驟
消除該聲音信息中的背景噪聲。
所述的方法，其中，步驟(b)是將該聲音信息與一語音數(shù)據(jù)庫進(jìn)行比對(duì)。
所述的方法，其中，步驟(b)還包括以下步驟分析該影像信息是否包括一人像，以決定是否對(duì)該人像的動(dòng)作特征進(jìn) 行影像辨識(shí)處理。
所述的方法，其中，該動(dòng)作特征包括人臉的嘴形變化、手勢(shì)或肢體動(dòng)作。
所述的方法，其中，步驟(C)還包括以下步驟
當(dāng)該聲音信息無法清楚辨識(shí)時(shí)，自一語音數(shù)據(jù)庫中挑選相近于該聲音 信息的至少一候選語音信息，并仿真可對(duì)應(yīng)各該候選語音信息的影像動(dòng)作 信息。
所述的方法，其中，挑選該候選語音信息并仿真可對(duì)應(yīng)各該候選語音 信息的影像動(dòng)作信息的步驟后，還包括以下步驟
比對(duì)該影像信息與各該影像動(dòng)作信息是否達(dá)到一定相似度；以及
當(dāng)該影像信息與該影像動(dòng)作信息未達(dá)到一定相似度時(shí)，發(fā)出一警告訊 息或返回步驟(a)重新進(jìn)行辨識(shí)。
本發(fā)明提供的影像擷取裝置，包括
一擷取模塊，用以擷取一聲音信息及一影像信息；
一辨識(shí)模塊，用以對(duì)該聲音信息進(jìn)行語音辨識(shí)處理，并對(duì)該影像信息 進(jìn)行影像辨識(shí)處理；
一判斷模塊，用以判斷該聲音信息是否可清楚辨識(shí)，以決定是否進(jìn)一 步結(jié)合該影像信息輔助進(jìn)行辨識(shí)；以及
一轉(zhuǎn)換模塊，用以將該聲音信息轉(zhuǎn)換為控制指令予以執(zhí)行。
所述的影像擷取裝置，其中，還包括一低通濾波器，以過濾該聲音信 息中人聲頻段外的聲音。所述的影像擷取裝置，其中，還包括一指示單元，可發(fā)出一警告訊息。 通過本發(fā)明的技術(shù)方案，使用者可通過聲控方式對(duì)本發(fā)明的影像擷取 裝置進(jìn)行操作，并視情況輔以影像辨識(shí)功能以提高對(duì)聲音指令的辨識(shí)程 度，并可以改善公知技術(shù)利用遙控器對(duì)影像擷取裝置進(jìn)行控制而遙控器易 耗電及容易遺失的缺失。


圖1是本發(fā)明的影像擷取裝置的示意圖。
圖2是本發(fā)明的影像擷取裝置的近端控制方法的主流程圖。
圖3是本發(fā)明的影像擷取裝置的近端控制方法的實(shí)際操作流程圖。 附圖中主要組件符號(hào)說明
影像擷取裝置1 擷取模塊10 辨識(shí)模塊20
判斷模塊30 轉(zhuǎn)換模塊40 低通濾波器50 指示模塊60
具體實(shí)施例方式
本發(fā)明的影像擷取裝置的近端控制方法包括以下步驟擷取一聲音信 息及一影像信息；對(duì)聲音信息進(jìn)行語音辨識(shí)處理，并對(duì)影像信息進(jìn)行影像辨識(shí)處理；判斷聲音信息是否可清楚辨識(shí)，以決定是否進(jìn)一步結(jié)合影像信 息輔助進(jìn)行辨識(shí)；將聲音信息轉(zhuǎn)換為控制指令予以執(zhí)行。由上述步驟，使
用者可通過聲控方式對(duì)本發(fā)明的影像擷取裝置進(jìn)行操作，并視情況輔以影 像辨識(shí)功能以提高對(duì)聲音指令的辨識(shí)程度。
本發(fā)明的影像擷取裝置可應(yīng)用前述方法加以控制，影像擷取裝置包括 一擷取模塊、 一辨識(shí)模塊、 一判斷模塊及一轉(zhuǎn)換模塊。擷取模塊用以擷取
一聲音信息及一影像信息；辨識(shí)模塊用以對(duì)聲音信息進(jìn)行語音辨識(shí)處理， 并對(duì)影像信息進(jìn)行影像辨識(shí)處理；判斷模塊用以判斷聲音信息是否可清楚 辨識(shí)，以決定是否進(jìn)一步結(jié)合影像信息輔助進(jìn)行辨識(shí)；轉(zhuǎn)換模塊用以將聲 音信息轉(zhuǎn)換為控制指令予以執(zhí)行。由此設(shè)計(jì)，本發(fā)明的影像擷取裝置可由 使用者以語音控制指令輕易地操作，并避免因操作不當(dāng)而影響所擷取影像 清晰度的狀況。
為能讓本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特 舉出本發(fā)明的具體實(shí)施例，并配合附圖作詳細(xì)說明如下。
請(qǐng)先參考圖1，是本發(fā)明的影像擷取裝置的一實(shí)施例的示意圖。如圖 1所示，本發(fā)明的影像擷取裝置1包括擷取模塊10、辨識(shí)模塊20、判斷模 塊30及轉(zhuǎn)換模塊40。在本發(fā)明的一實(shí)施例中，各模塊可分別由軟件程序、 硬件、固件、電路回路或其組合所組成；并且各模塊之間相互電性連接。 擷取模塊10用以擷取一聲音信息及一影像信息，在本實(shí)施例中，擷取模 塊IO可包括一麥克風(fēng)及一感光組件(圖未示)，以針對(duì)聲音信息及影像信 息分別進(jìn)行訊號(hào)擷取的動(dòng)作。辨識(shí)模塊20可包括一語音辨識(shí)單元201及 一影像辨識(shí)單元202，以分別針對(duì)聲音信息進(jìn)行語音辨識(shí)處理，并對(duì)影像信息進(jìn)行影像辨識(shí)處理。判斷模塊30用以判斷聲音信息是否可清楚辨識(shí)， 以決定是否進(jìn)一步結(jié)合影像信息輔助進(jìn)行辨識(shí)。轉(zhuǎn)換模塊40用以將聲音 信息轉(zhuǎn)換為控制指令，以對(duì)影像擷取裝置l執(zhí)行操控動(dòng)作。由此設(shè)計(jì)，當(dāng) 使用者發(fā)出一語音控制指令時(shí)，通過本發(fā)明的影像擷取裝置1將此語音控 制指令的聲音信息及影像信息分別擷取下來并進(jìn)行辨識(shí)，當(dāng)聲音信息可清 楚辨識(shí)時(shí)，即可直接將聲音信息轉(zhuǎn)換為控制指令；而當(dāng)聲音信息無法清楚
辨識(shí)時(shí)，再將影像信息配合聲音信息一同進(jìn)行辨識(shí)，以期能更精確地判別 此語音控制指令的內(nèi)容，再將其聲音信息轉(zhuǎn)換為控制指令。在本實(shí)施例中， 影像擷取裝置1可為一數(shù)字相機(jī)，但亦可為一數(shù)字?jǐn)z影機(jī)或其它具有影像 擷取功能的裝置所取代，不以本實(shí)施例為限。
此外，本發(fā)明的影像擷取裝置1還包括一低通濾波器50，可針對(duì)所擷
取到的聲音信息進(jìn)行處理，以過濾聲音信息中人聲頻段外的聲音，加強(qiáng)聲
音信息的訊號(hào)。影像擷取裝置1還包括一指示單元60，當(dāng)運(yùn)用聲音信息并 結(jié)合影像信息進(jìn)行辨識(shí)時(shí)，若仍無法清楚辨認(rèn)與聲音信息相符的控制指 令，則可通過指示單元60發(fā)出一警告訊息以提醒使用者。
以下請(qǐng)一并參考圖2及圖3是本發(fā)明的影像擷取裝置的近端控制方法 的主流程圖及實(shí)際操作流程圖。須注意的是，以下雖以圖l所示的影像擷 取裝置1為例說明本發(fā)明的影像擷取裝置的近端控制方法，但本發(fā)明并不 以適用于影像擷取裝置1為限，任何其它影像擷取裝置亦可適用本發(fā)明的 方法。如圖2及圖3所示，以下將詳細(xì)說明本發(fā)明的影像擷取裝置的近端 控制方法的各個(gè)步驟。
首先，本發(fā)明進(jìn)行步驟110:擷取一聲音信息及一影像信息。如圖1所示，本發(fā)明的影像擷取裝置的近端控制方法可應(yīng)用于影像擷取裝置1， 此影像擷取裝置1包括擷取模塊JO。當(dāng)使用者發(fā)出一語音控制指令時(shí)，由 擷取模塊10可將此語音控制指令的聲音信息及影像信息分別擷取出來， 以供后續(xù)的比對(duì)應(yīng)用。
接著，進(jìn)行步驟120:對(duì)聲音信息進(jìn)行語音辨識(shí)處理，并對(duì)影像信息 進(jìn)行影像辨識(shí)處理。如圖1所示，影像擷取裝置1包括辨識(shí)模塊20，辨識(shí)
模塊20可包括一語音辨識(shí)單元201及一影像辨識(shí)單元202，因此所取得的 聲音信息及影像信息可由辨識(shí)模塊20分別進(jìn)行語音辨識(shí)及影像辨識(shí)的動(dòng) 作。
如圖3所示，在本發(fā)明的一實(shí)施例中，步驟120還包括步驟121:過 濾掉聲音信息中人聲頻段外的聲音。當(dāng)使用者發(fā)出語音控制指令時(shí)，其所 處的背景環(huán)境中或多或少有一些其它聲音存在，使得擷取模塊10會(huì)將所 有聲音一并擷取下來，因此需針對(duì)聲音信息預(yù)先做處理，通過低通過濾器 將人聲頻段以外的其它聲音給過濾掉。 一般人類聲音頻段大約在 300~3000Hz左右，故在本實(shí)施例中可將低通過濾器的截止頻率設(shè)在 3000Hz左右。
步驟120還包括步驟122:分析聲音信息是否包括一額外人聲，以決 定聲音信息是否可儲(chǔ)存為一聲音比對(duì)樣本。如圖3所示，經(jīng)由步驟121所 處理過的聲音信息，可由頻率分析或比對(duì)使用者所預(yù)先錄制的聲音樣本， 以判斷此聲音信息中除了使用者所發(fā)出的聲音外是否包括其它人的聲音。 若在此步驟中判斷無額外人聲的存在，則可將此聲音信息儲(chǔ)存為一聲音樣 本以助于的后背景噪聲的比對(duì)。若在步驟122中判斷聲音信息包括有額外人聲的存在，則進(jìn)行步驟 123:消除聲音信息中的背景噪聲。如圖3所示，將預(yù)錄聲音樣本或于步
驟122所儲(chǔ)存的聲音樣本與包括有額外人聲的聲音信息進(jìn)行訊號(hào)相減處
理，去除不必要的額外人聲及噪聲，以取得噪聲比更強(qiáng)的聲音信息訊號(hào)。
接著進(jìn)行步驟124，依據(jù)前述步驟121至123對(duì)聲音信息的處理以強(qiáng) 化聲音信息，并將強(qiáng)化后的聲音信息與辨識(shí)模塊20的一語音數(shù)據(jù)庫進(jìn)行 語音辨識(shí)比對(duì)，以期找出與聲音信息相符的語音命令。
此外，在影像辨識(shí)方面，步驟120還包括步驟125:分析影像信息是 否包括一人像，以決定是否對(duì)人像的動(dòng)作特征進(jìn)行影像辨識(shí)處理。如圖3 所示，首先針對(duì)影像信息進(jìn)行分析，當(dāng)判斷影像信息中包括有人像存在時(shí)， 即進(jìn)行步驟126的影像辨識(shí)動(dòng)作。在本實(shí)施例中，人像的動(dòng)作特征為該人 臉的嘴形變化，亦即當(dāng)使用者發(fā)出一語音控制命令時(shí)所此命令所伴隨的嘴 形連續(xù)動(dòng)作。通過辨識(shí)模塊20可將使用者的嘴形變化先行記錄下來，以 供后續(xù)步驟所需的應(yīng)用。須注意的是，動(dòng)作特征亦可應(yīng)用使用者的手勢(shì)、 肢體動(dòng)作所取代，不以本實(shí)施例為限。若當(dāng)判斷影像信息中無人像存在時(shí)， 則進(jìn)行步驟127，關(guān)閉影像辨識(shí)動(dòng)作，純粹以聲音辨識(shí)功能判別使用者的 語音控制指令。
接著進(jìn)行步驟130:判斷聲音信息是否可清楚辨識(shí)，以決定是否進(jìn)一 步結(jié)合影像信息輔助進(jìn)行辨識(shí)。針對(duì)經(jīng)過語音辨識(shí)的聲音信息利用判斷模 塊30加以判別，若聲音信息無法清楚辨識(shí)為任一控制指令時(shí)，則進(jìn)行結(jié) 合影像信息輔助辨識(shí)的處理動(dòng)作。
在本發(fā)明的一實(shí)施例中，若在步驟130中判斷聲音信息無法清楚辨識(shí)的狀況下，則進(jìn)行步驟131:當(dāng)聲音信息無法清楚辨識(shí)時(shí)，自一語音數(shù)據(jù) 庫中挑選相近于聲音信息的至少一候選語音信息，并仿真可對(duì)應(yīng)各候選語 音信息的影像動(dòng)作信息。如圖3所示，語音數(shù)據(jù)庫中儲(chǔ)存有復(fù)數(shù)語音信息， 當(dāng)辨識(shí)模塊20判定聲音信息無法完全吻合任一復(fù)數(shù)語音信息時(shí)，則以該 聲音信息為基準(zhǔn)自語音數(shù)據(jù)庫中挑選較相近的至少一候選語音信息，并針 對(duì)所選出的各候選語音信息進(jìn)行對(duì)應(yīng)動(dòng)作仿真，以產(chǎn)生對(duì)應(yīng)的影像動(dòng)作信
息。以步驟125所舉出人臉的嘴形變化為例，在步驟131中可針對(duì)各候選
語音信息進(jìn)行對(duì)應(yīng)的嘴形變化模擬，以產(chǎn)生對(duì)應(yīng)各候選語音信息的影像動(dòng) 作信息。
于步驟131后進(jìn)行步驟132:比對(duì)影像信息與各影像動(dòng)作信息是否達(dá) 到一定相似度。如圖3所示，將步驟131中所產(chǎn)生對(duì)應(yīng)各候選語音信息的 影像動(dòng)作信息與經(jīng)步驟120所處理過的影像信息相互比對(duì)，判斷兩者的相 似程度是否可超過一定門坎值。若影像信息與影像動(dòng)作信息未達(dá)到一定相 似度時(shí)，則進(jìn)行步驟133，藉由指示模塊60發(fā)出一警告訊息以通知使用者， 或可設(shè)定返回步驟120重新進(jìn)行辨識(shí)。反之，若兩者的相似度超過門坎值， 則進(jìn)行步驟140，將原聲音信息對(duì)應(yīng)為某一控制指令。在本步驟中，門坎 值可通過使用者或裝置的默認(rèn)值來決定。
最后進(jìn)行步驟140:將聲音信息轉(zhuǎn)換為控制指令予以執(zhí)行。當(dāng)通過步 驟130或步驟132確認(rèn)聲音信息可符合某一控制指令后，即可將聲音指令 通過轉(zhuǎn)換模塊轉(zhuǎn)換為對(duì)影像擷取裝置的控制指令，以操控影像擷取裝置執(zhí) 行對(duì)應(yīng)動(dòng)作。
通過上述步驟，本發(fā)明的影像擷取裝置的近端控制方法可利用聲控方式針對(duì)影像擷取裝置1下達(dá)指令，當(dāng)受到外在環(huán)境影響語音控制指令的清 晰度時(shí)，配合對(duì)使用者所進(jìn)行的影像辨識(shí)比對(duì)，可提高影像擷取裝置l對(duì) 所下達(dá)指令的辨識(shí)度，于影像擷取裝置1的操控上更為便利。
惟須注意，上述實(shí)施例僅為例示性說明本發(fā)明的原理及其功效，而非 用于限制本發(fā)明的范圍。本領(lǐng)域技術(shù)人員均可在不違背本發(fā)明的技術(shù)原理 及精神下，對(duì)實(shí)施例作修改與變化。本發(fā)明的權(quán)利保護(hù)范圍應(yīng)如申請(qǐng)的權(quán) 利要求范圍所述。
權(quán)利要求
1、一種影像擷取裝置的近端控制方法，包括以下步驟(a)擷取一聲音信息及一影像信息；(b)對(duì)該聲音信息進(jìn)行語音辨識(shí)處理，并對(duì)該影像信息進(jìn)行影像辨識(shí)處理；(c)判斷該聲音信息是否可清楚辨識(shí)，以決定是否進(jìn)一步結(jié)合該影像信息輔助進(jìn)行辨識(shí)；以及(d)將該聲音信息轉(zhuǎn)換為控制指令予以執(zhí)行。
2、 如權(quán)利要求l所述的方法，其中，步驟(b)包括以下步驟 過濾掉該聲音信息中人聲頻段外的聲音；以及分析該聲音信息是否包括一額外人聲，以決定該聲音信息是否可儲(chǔ)存 為一聲音樣本。
3、 如權(quán)利要求2所述的方法，其中，該聲音信息由頻率分析或比對(duì)一 預(yù)錄聲音樣本以判斷是否包括該額外人聲。
4、 如權(quán)利要求2所述的方法，其中，決定該聲音信息是否可儲(chǔ)存為一聲音樣本的步驟后，還包括以下步驟 消除該聲音信息中的背景噪聲。
5、 如權(quán)利要求l所述的方法，其中，步驟(b)是將該聲音信息與一語音 數(shù)據(jù)庫進(jìn)行比對(duì)。
6、 如權(quán)利要求l所述的方法，其中，步驟(b)包括以下步驟分析該影像信息是否包括一人像，以決定是否對(duì)該人像的動(dòng)作特征進(jìn) 行影像辨識(shí)處理。
7、 如權(quán)利要求6所述的方法，其中，該動(dòng)作特征包括人臉的嘴形變化、 手勢(shì)或肢體動(dòng)作。
8、 如權(quán)利要求l所述的方法，其中，步驟(C)包括以下步驟當(dāng)該聲音信息無法清楚辨識(shí)時(shí)，自一語音數(shù)據(jù)庫中挑選相近于該聲音 信息的至少一候選語音信息，并仿真可對(duì)應(yīng)各該候選語音信息的影像動(dòng)作I pnK、。
9、 如權(quán)利要求8所述的方法，其中，挑選該候選語音信息并仿真可對(duì)應(yīng)各該候選語音信息的影像動(dòng)作信息的步驟后，還包括以下步驟比對(duì)該影像信息與各該影像動(dòng)作信息是否達(dá)到一定相似度；以及 當(dāng)該影像信息與該影像動(dòng)作信息未達(dá)到一定相似度時(shí)，發(fā)出一警告訊息或返回步驟(a)重新進(jìn)行辨識(shí)。
10、 一種影像擷取裝置，包括一擷取模塊，用以擷取一聲音信息及一影像信息；一辨識(shí)模塊，用以對(duì)該聲音信息進(jìn)行語音辨識(shí)處理，并對(duì)該影像信息 進(jìn)行影像辨識(shí)處理；一判斷模塊，用以判斷該聲音信息是否可清楚辨識(shí)，以決定是否進(jìn)一 步結(jié)合該影像信息輔助進(jìn)行辨識(shí);以及一轉(zhuǎn)換模塊，用以將該聲音信息轉(zhuǎn)換為控制指令予以執(zhí)行。
11、 如權(quán)利要求10所述的影像擷取裝置，其中，還包括一低通濾波器， 以過濾該聲音信息中人聲頻段外的聲音。
12、如權(quán)利要求10所述的影像擷取裝置，其中，包括一指示單元，可 發(fā)出一警告訊息。
全文摘要
一種影像擷取裝置的近端控制方法及應(yīng)用該方法的影像擷取裝置。影像擷取裝置的近端控制方法包括以下步驟擷取一聲音信息及一影像信息；對(duì)聲音信息進(jìn)行語音辨識(shí)處理，并對(duì)影像信息進(jìn)行影像辨識(shí)處理；判斷聲音信息是否可清楚辨識(shí)，以決定是否進(jìn)一步結(jié)合影像信息輔助進(jìn)行辨識(shí)；將聲音信息轉(zhuǎn)換為控制指令予以執(zhí)行。
文檔編號(hào)H04N5/232GK101472066SQ20071030559
公開日2009年7月1日 申請(qǐng)日期2007年12月27日 優(yōu)先權(quán)日2007年12月27日
發(fā)明者蔡昭宗 申請(qǐng)人:華晶科技股份有限公司