音頻監(jiān)控，如何讓”好聲音”從聽得見到聽得懂？

10月，在東半球最好的相聲晚會(huì)——“錘子手機(jī)”發(fā)布會(huì)上，科大訊飛的語音識(shí)別技術(shù)意外火了。羅永浩花了二十分鐘來講錘子手機(jī)采用的這項(xiàng)技術(shù)。

而在安防領(lǐng)域，音頻系統(tǒng)早已是安全防范系統(tǒng)的重要組成部分。雖然超過70%的網(wǎng)絡(luò)攝像機(jī)擁有單向或多向的音頻功能，但真正實(shí)際應(yīng)用音頻功能的監(jiān)控?cái)z像機(jī)卻很少。對(duì)未來音頻監(jiān)控市場(chǎng)的分析認(rèn)為，會(huì)保持穩(wěn)步增長的趨勢(shì)，增幅會(huì)在10%左右。IHS預(yù)測(cè)未來音頻功能將在視頻監(jiān)控系統(tǒng)中得到更多的重視。

在很多事件中，我們調(diào)取錄像資料，發(fā)現(xiàn)只有畫面沒有聲音，一切只靠當(dāng)事人的口供，無疑給公安機(jī)關(guān)偵破案件帶來障礙，公眾的質(zhì)疑很難避免。加裝音頻監(jiān)控?zé)o疑將會(huì)解決質(zhì)疑的問題并且增加證據(jù)的說服力。

因此，現(xiàn)在很多的智慧安防系統(tǒng)，已經(jīng)要求增加音頻采集，例如在平安城市、公檢法辦案區(qū)、金融機(jī)構(gòu)、公共交通、教育監(jiān)考、行政服務(wù)、執(zhí)法取證等領(lǐng)域，越來越多的優(yōu)質(zhì)項(xiàng)目需要高清晰、高保真的音視頻同步監(jiān)控系統(tǒng)，在優(yōu)質(zhì)安防工程中已凸顯出音頻監(jiān)控的重要性。

如何從“聽得見”到“聽得懂”？

聲紋識(shí)別

音頻監(jiān)控經(jīng)過多年的發(fā)展，已經(jīng)可以做到通過聲音的識(shí)別來判斷說話人的情緒、所處的環(huán)境等問題。而在音頻監(jiān)控環(huán)節(jié)中，聲紋識(shí)別提供了重要的技術(shù)支撐。

聲紋識(shí)別屬于生物識(shí)別技術(shù)的一種，是一項(xiàng)根據(jù)語音波形中反映說話人生理和行為特征的語音參數(shù)，自動(dòng)識(shí)別說話人身份的技術(shù)。這里需要強(qiáng)調(diào)的是，和語音識(shí)別不同，聲紋識(shí)別利用的是語音信號(hào)中的說話人信息，而不考慮語音中的字詞意思，它強(qiáng)調(diào)說話人的個(gè)性，而語音識(shí)別的目的是識(shí)別出語音信號(hào)中的言語內(nèi)容，并不考慮說話人是誰，它強(qiáng)調(diào)共性。

同時(shí)，與其他生物識(shí)別相比，聲紋識(shí)別的應(yīng)用有一些特殊的優(yōu)勢(shì)：

(1)蘊(yùn)含聲紋特征的語音獲取方便、自然，聲紋提取可在不知不覺中完成，因此使用者的接受程度也高；

(2)獲取語音的識(shí)別成本低廉，使用簡單，一個(gè)麥克風(fēng)即可，在使用通訊設(shè)備時(shí)更無需額外的錄音設(shè)備；

(3)適合遠(yuǎn)程身份確認(rèn)，只需要一個(gè)麥克風(fēng)或電話、手機(jī)就可以通過網(wǎng)路(通訊網(wǎng)絡(luò)或互聯(lián)網(wǎng)絡(luò))實(shí)現(xiàn)遠(yuǎn)程登錄；

(4)聲紋辨認(rèn)和確認(rèn)的算法復(fù)雜度低；

(5)配合一些其他措施，如通過語音識(shí)別進(jìn)行內(nèi)容鑒別等，可以提高準(zhǔn)確率；

這些優(yōu)勢(shì)使得聲紋識(shí)別的應(yīng)用越來越受到系統(tǒng)開發(fā)者和用戶青睞，聲紋識(shí)別的世界市場(chǎng)占有率15.8%，僅次于指紋和掌紋的生物特征識(shí)別，并有不斷上升的趨勢(shì)。

聲音定位

人們經(jīng)常借助聽覺來判斷發(fā)音物體的位置。例如，當(dāng)你獨(dú)自行走時(shí)，突然聽到一個(gè)響聲，你會(huì)立刻判斷出這個(gè)聲音是什么聲音、對(duì)你有無威脅、它來自何方等等。確定聲音的方向和距離需要比較來自兩耳信息，雖然你會(huì)很快做判斷和反應(yīng)，但聲音定位過程是聽覺系統(tǒng)復(fù)雜綜合的功能。

而聲音定位則是通過強(qiáng)度差、時(shí)間差、因色差、相位差等來實(shí)現(xiàn)。

音頻場(chǎng)景分析

作為人們感知外界環(huán)境的一個(gè)重要通道,聽覺在視線障礙、不利光照條件等情況中可起到視覺無法替代的作用,是視覺的重要補(bǔ)充。相比于圖像數(shù)據(jù),音頻信號(hào)往往可使用相對(duì)簡單的設(shè)備進(jìn)行采集并且占用更少的存儲(chǔ)空間和處理時(shí)間。隨著當(dāng)前移動(dòng)平臺(tái)計(jì)算能力的不斷提高,出現(xiàn)了越來越多基于音頻的各類應(yīng)用,所涉及的音頻處理算法一直是相關(guān)研究領(lǐng)域的重點(diǎn)。

其中，提取、分析和有效利用音頻數(shù)據(jù)所攜帶的語義信息,對(duì)基于內(nèi)容的多媒體檢索、摘要以及開發(fā)上下文自適應(yīng)的應(yīng)用等具有重要意義。

音頻場(chǎng)景分析主要是為了分析、決策、預(yù)警所監(jiān)聽環(huán)境下發(fā)生的異常行為。其核心技術(shù)是基于各類異常聲音在時(shí)域、頻域的特征，結(jié)合模式識(shí)別的分類方法對(duì)異常事件報(bào)警。

語音識(shí)別

與機(jī)器進(jìn)行語音交流，讓機(jī)器明白你說什么，這是人們長期以來夢(mèng)寐以求的事情。語音識(shí)別技術(shù)就是讓機(jī)器通過識(shí)別和理解過程把語音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)。

語音識(shí)別技術(shù)經(jīng)過幾十年的發(fā)展，基于深度學(xué)習(xí)的人工智能語音將得到大范圍的應(yīng)用。

音頻監(jiān)控在安防領(lǐng)域大有可為

由于傳統(tǒng)視頻監(jiān)控系統(tǒng)，受攝像機(jī)鏡頭和安裝角度限制，監(jiān)控區(qū)域很難做到無死角覆蓋，即使通過多角度安裝攝像機(jī)，也無法保證全覆蓋，由于攝像機(jī)圖像采集受諸多環(huán)境因素(例如：現(xiàn)場(chǎng)照明、強(qiáng)光源干擾等)影響而無法有效采集現(xiàn)場(chǎng)圖像。而音頻監(jiān)控技術(shù)由于音頻本身的技術(shù)特性，基本上不存監(jiān)控死角，能更有效的掌控現(xiàn)場(chǎng)的實(shí)時(shí)情況。所以音頻監(jiān)控技術(shù)越來可以更好的彌補(bǔ)視頻監(jiān)控技術(shù)的不足。

同時(shí)，聲音具有一系列獨(dú)有的特征，如不受白天和黑夜的影響，不容易遮擋，具有方向性等等。在球機(jī)上安置拾音器，對(duì)聲音的方向進(jìn)行定位，當(dāng)檢測(cè)到異常聲音時(shí)控制球機(jī)到相應(yīng)位置，這樣一來，在一定程度上就可以第一時(shí)間看到異常聲音所處位置的實(shí)時(shí)視頻，為判定事態(tài)提供了多種信息。

人工智能時(shí)代，語音技術(shù)以及和語音技術(shù)相關(guān)的應(yīng)用、圖像技術(shù)以及相關(guān)應(yīng)用在今天變得格外重要。而圍繞著語音、圖像以及其他傳感器所產(chǎn)生的數(shù)據(jù)，以及這些數(shù)據(jù)的生產(chǎn)、分析、組織和消費(fèi)，在之后的很長的時(shí)間里，注定會(huì)成為智能領(lǐng)域中最重要的發(fā)展方向。我們期待智能音頻帶給安防的巨大變化。

（本文部文字內(nèi)容來源于 CPS中安網(wǎng)）