具体实施方式

本申请提供了一种控制音画同步的方法、装置及计算机存储介质，用于减少输入数据音画不同步对最终的视频画面处理结果带来的不利影响。

需要说明的是，本申请提供的控制音画同步的方法，可以应用于终端，还可以应用于服务器上，例如终端可以是智能手机或电脑、平板电脑、智能电视、视频会议电视或平板、智能手表、便携计算机终端也可以是台式计算机等固定终端。为方便阐述，本申请中以终端为执行主体进行举例说明。

请参阅图1，图1为本申请提供的控制音画同步的方法的一个实施例，该方法包括：

101、并行接收声源定位信息和目标检测信息，声源定位信息包括音频时间戳，目标检测信息包括画面时间戳；

目前，声源定位技术的应用非常广泛，在多媒体视频会议中，通过声源定位技术可以估计出声源的位置和方向角，此外，基于目标检测的图像识别技术也可以实现对画面中发言人的定位，因此结合声源定位和图像识别技术的方案能够同时考虑音、视频信息，使得最终特写画面的计算结果更加可靠。

在本实施例中，终端通过麦克风设备接收音频信息，并根据声源定位技术确定该音频信息中的声源定位信息，同时终端通过摄像头设备接收视频信息，并根据图像识别技术确定该视频信息中的目标检测信息，并行接收的目的是可以提高终端的处理效率。

终端接收到的声源定位信息包括音频时间戳，该音频时间戳可以是声源时间戳，也可以是接收到声源定位信息的时间戳，此外声源定位信息中还包含声源方位，该声源方位可以是一维的声源角度，也可以是二维或三维的声源位置，具体此处不做限定。

终端接收到的目标检测信息包括画面时间戳，该画面时间戳可以是该视频帧的采集时间戳，也可以是该视频帧被目标检测前的时间戳，此外目标检测信息中还包含目标检测包围盒集合，具体的，目标检测类型为人脸检测和/或人头检测和/或人体检测，优选为人脸检测。

102、根据音频时间戳配置预先创建的音画信息单元

终端预先创建有若干音画信息单元，该音画信息单元是用于存储时间戳、声源方位和有效目标检测结果的载体，终端通过一系列的处理，会将处理后的声源定位信息和目标检测信息写入该音画信息单元并进行存储，从而在终端需要计算特写画面时可以从该音画信息单元中读取时间戳、声源方位以及有效目标检测结果，并以这些数据作为依据来计算输出的视频图像结果。

终端将音画信息单元中的时间戳设置为接收到的声源定位信息的音频时间戳，该音频时间戳可以是声源定位信息中的声源时间戳，也可以是接收到声源定位信息时的时间戳。此外，终端还需要将音画信息单元中存储的声源方位设置为接收到的声源定位信息的声源方位，并将音画信息单元中存储的有效目标检测结果初始化为无效值，初始化的目的为接下来存储终端所接收到的目标检测信息做准备。

103、根据画面时间戳确定匹配的目标音画信息单元；

终端根据接收到的目标检测信息的画面时间戳在若干音画信息单元中匹配时间最邻近的音画信息单元，将其确定为目标音画信息单元。

104、将目标检测信息更新至目标音画信息单元。

对于匹配到的目标音画信息单元，终端将目标检测信息更新至该目标音画信息单元。目标音画信息单元中存储的声源定位信息和目标检测信息，由于经过了音频时间戳和画面时间戳的校准，能够减小或消除该目标音画信息单元中音画数据的音画时间差，从而在终端需要输出视频图像结果时可以从该目标音画信息单元中读取经过校准的音画数据并根据该音画数据来计算输出的视频图像结果。

在本实施例中，通过对声源定位信息和目标检测结果进行分别处理，首先根据声源定位信息中的音频时间戳来配置预先创建的音画信息单元，再根据接收到的目标检测结果中的画面时间戳来匹配相应的目标音画信息单元，再将目标检测结果更新到所匹配的目标音画信息单元中。本方法对声源定位和目标检测的延迟具有较好的容忍度，在实际应用中能极大限度的减少输入数据音画不同步对最终的视频画面处理结果带来的不利影响，从而提升用户体验。

下面对本申请提供的控制音画同步的方法进行详细说明，请参阅图2，图2为本申请提供的控制音画同步的方法的另一个实施例，该方法包括：

201、并行接收声源定位信息和目标检测信息，声源定位信息包括音频时间戳，目标检测信息包括画面时间戳；

202、根据音频时间戳配置预先创建的音画信息单元；

在本实施例中，步骤201至步骤202与前述实施例步骤101至步骤102类似，此处不再赘述。

需要说明的是，终端所获取的声源定位信息中的音频时间戳可以是声源时间戳，也可以是终端接收到声源定位信息时的时间戳。前者比后者更接近真实时间戳，理论偏差更小，但往往不易获得。而后者理论偏差更大，但能很容易获得。而本实施例中在计算音画时间差的过程中还包含音画时间补偿，可根据实际情况对这种偏差进行修正。因此不论选择上述两种时间戳的任意一种，本发明均能得到较为准确的结果。

同理，终端所获取的目标检测信息中的画面时间戳可以是该视频帧的采集时间戳，也可以是该视频帧被目标检测前的时间戳。前者相比后者更接近真实时间，理论偏差更小，但同样未必能获得，因而实际一般使用后者。如前所述，本实施例提供的音画同步方法能很好地对音画时间偏差进行补偿，故具体选用哪种时间戳，对最终的视频画面处理结果均无明显影响。

203、将音画信息单元存储至目标队列中；

终端以目标队列的形式来存储音画信息单元。

在一些具体的实施例中，该目标队列的长度固定，新的音画信息单元由队尾加入，且在加入前需要先判断目标队列长度是否已达到设定值（预设长度），若没有达到设定值，则执行步骤a，若达到设定值，则执行步骤b。

a）如果目标队列的长度没有达到设定值，则直接将新的音画信息单元由队尾加入该目标队列。

b）如果目标队列的长度已达到设定值，则先从目标队列的队首删除一个音画信息单元，再将新的音画信息单元由队尾加入该目标队列。

204、逆序遍历目标队列，根据画面时间戳和音频时间戳通过目标公式计算目标队列中所有音画信息单元的音画时间差；

在本实施例中，在确定匹配的目标音画信息单元前，需要先对目标检测信息和目标队列的状态进行检查，下面进行详细描述：

一、检查输入的目标检测信息：

终端检测输入的目标检测信息中检测到的目标数目，即检测到的人脸和/或人头和/或人体的数目，如果目标数目为0，则直接返回接收新的声源定位信息和目标检测信息。如果目标数目不为0，则进行目标音画信息单元的匹配。

二、检查目标队列：

如果目标队列中没有音画信息单元，则直接返回接收新的声源定位信息和目标检测信息。如果目标队列中存在音画信息单元，则进行目标音画信息单元的匹配。

需要说明的是，上述两种状态不分先后顺序且可以同时进行。在确定状态检查通过后，终端则根据目标检测信息中的画面时间戳从音画信息单元中匹配时间最邻近的音画信息单元。

具体的，终端逆序遍历目标队列中的音画信息单元，对于各个音画信息单元，终端根据目标公式计算音画时间差ΔT，若ΔT超过预设最大音频时间间隔则直接返回重新接收新的声源定位信息和目标检测信息，否则继续遍历，直到找到ΔT开始由小变大的极值点位置，相应位置的音画信息单元即为匹配到的目标音画信息单元。该预设最大音频时间间隔可根据不同设备的录制情况做具体设定。

具体的，目标公式如下：

ΔT（i）=abs（T1-T2(i)+T0）；

其中ΔT为音画时间差，i为音画信息单元编号，T1表示目标检测信息中的画面时间戳，T2(i)表示第i个音画信息单元的音频时间戳，T0为预设音画时间补偿。

具体的，该T0用于补偿音画不同步的问题，可根据不同设备的实际情况来设定和调整，若音频时间戳滞后于画面时间戳，则T0为正，反之T0为负，而当音频时间戳与画面时间戳延迟比较接近时，T0就趋近于0。

205、将音画时间差由小变大的极值点位置的音画信息单元确定为目标音画信息单元；

将音画时间差由小变大的极值点位置确定为要匹配的位置的原因是由于逆序遍历目标队列中的音画信息单元，由于新的音画信息单元是由队尾加入，相应的音频时间戳是由新到旧的，即越往前遍历，时间戳越早。ΔT未超过预设最大音频时间间隔的情况下，如图3和图4所示，由右至左只有两种变化趋势：

1）如图3所示，ΔT先变小后变大；

2）如图4所示，ΔT逐步增大。

因此只有当处于音画时间差由小变大的极值点（最低点）时，音频和画面的实际时间才最为接近，因而将该位置作为音画同步的匹配点，即将该位置的音画信息单元确定为目标音画信息单元。

206、统计目标检测信息中在声源方位的预设范围内的有效目标检测结果；

终端接收到的声源定位信息包括声源方位，声源方位可以是一维的声源角度，也可以是二维或三维的声源位置，具体此处不做限定。对于匹配到的目标音画信息单元，终端统计其声源方位（声源角度）的预设范围内的目标检测结果作为有效目标检测结果。

在一些具体的实施例中，音画信息单元中有效目标检测结果存储的是有效目标包围盒集合，即统计声源方位范围内的目标包围盒，并将其确定为有效目标检测结果。其中目标包围盒指的是目标检测中产生的矩形目标检测框，用于定位对象在图像中的位置，一般使用其中心点的横纵坐标结合包围盒长宽确定。

在另一些具体的实施例中，音画信息单元中有效目标检测结果存储的是有效目标数目，即统计声源方位范围内检测到的目标数目，并将其确定为有效目标检测结果。例如，目标检测任务为检测人脸信息，而声源方位为视频画面中的60°方向，预设范围为30°，终端则统计视频画面中30°至90°范围内的目标检测结果（检测到的人脸个数），若范围内的目标检测结果有2个，则有效目标检测结果为2个。优选的，音画信息单元中存储的有效目标检测结果为上述有效目标数目。

207、将有效目标检测结果更新至目标音画信息单元。

终端只将有效目标检测结果更新至目标音画信息单元，对于预设范围外的目标检测结果则不予考虑，进一步提高特写画面计算的准确性。

在本实施例中，通过对声源定位信息和目标检测结果进行分别处理，首先根据声源定位信息中的音频时间戳来配置预先创建的音画信息单元，再根据接收到的目标检测结果中的画面时间戳来匹配相应的目标音画信息单元，再将目标检测结果更新到所匹配的目标音画信息单元中。进一步的，本实施例中在确定匹配的目标音画信息单元时采用音画时间差来进行匹配，将目标队列中音画时间差由小变大的极值点位置的音画单元确定为目标音画信息单元，再统计声源方位的预设范围内的有效目标检测结果，将其更新至该目标音画信息单元，以便后续在计算视频图像结果时可以从该目标音画信息单元中读取音画数据并计算。

本方法对声源定位和目标检测的延迟具有较好的容忍度，在实际应用中能极大限度的减少输入数据音画不同步对最终的视频画面处理结果带来的不利影响，从而提升用户体验。

请参阅图5，图5为本申请提供的控制音画同步的装置一个实施例，该装置包括：

接收单元501，用于并行接收声源定位信息和目标检测信息，声源定位信息包括音频时间戳，目标检测信息包括画面时间戳；

配置单元502，用于根据音频时间戳配置预先创建的音画信息单元；

匹配单元503，用于根据画面时间戳确定匹配的目标音画信息单元；

更新单元504，用于将目标检测信息更新至目标音画信息单元。

在本实施例中，接收单元501对接收到的声源定位信息和目标检测结果进行分别处理，通过配置单元502根据声源定位信息中的音频时间戳来配置预先创建的音画信息单元，匹配单元503再根据接收到的目标检测结果中的画面时间戳来匹配相应的目标音画信息单元，更新单元504再将目标检测结果更新到所匹配的目标音画信息单元中。本装置对声源定位和目标检测的延迟具有较好的容忍度，在实际应用中能极大限度的减少输入数据音画不同步对最终的视频画面处理结果带来的不利影响，从而提升用户体验。

下面对本申请提供的控制音画同步的装置进行详细说明，请参阅图6，图6为本申请提供的控制音画同步的装置另一个实施例，该装置包括：

接收单元601，用于并行接收声源定位信息和目标检测信息，声源定位信息包括音频时间戳，目标检测信息包括画面时间戳；

配置单元602，用于根据音频时间戳配置预先创建的音画信息单元；

匹配单元603，用于根据画面时间戳确定匹配的目标音画信息单元；

更新单元604，用于将目标检测信息更新至目标音画信息单元。

可选的，该装置还包括：

存储单元605，用于将音画信息单元存储至目标队列中；

该匹配单元603具体用于：

根据画面时间戳从目标队列中确定匹配的目标音画信息单元。

可选的，匹配单元603具体用于：

逆序遍历目标队列，根据画面时间戳和音频时间戳通过目标公式计算目标队列中所有音画信息单元的音画时间差；

将音画时间差由小变大的极值点位置的音画信息单元确定为目标音画信息单元。

可选的，目标公式为：

ΔT（i）=abs（T1-T2(i)+T0）；

其中ΔT为音画时间差，i为音画信息单元编号，T1表示目标检测信息中的画面时间戳，T2(i)表示第i个音画信息单元的音频时间戳，T0为预设音画时间补偿。

可选的，声源定位信息中还包括声源方位；

更新单元604具体用于：

统计目标检测信息中在声源方位的预设范围内的有效目标检测结果，有效目标检测结果为有效目标包围盒集合或有效目标数目；

将有效目标检测结果更新至目标音画信息单元。

可选的，装置还包括：

第一确定单元606，用于确定目标检测信息中检测到的目标数目；

匹配单元603具体用于当第一确定单元确定目标数目不为0时，根据画面时间戳从目标队列中确定匹配的目标音画信息单元。

可选的，装置还包括：

第二确定单元607，用于确定目标队列中的音画信息单元的数目；

匹配单元603具体还用于当第二确定单元确定目标队列中的音画信息单元的数目不为0时，根据画面时间戳从目标队列中确定匹配的目标音画信息单元。

可选的，存储单元605具体用于：

判断目标队列的长度是否达到预设长度；

若否，则将音画信息单元存储至目标队列的队尾；

若是，则删除目标队列队首的音画信息单元并将音画信息单元存储至目标队列的队尾。

可选的，音频时间戳为声源定位信息中的声源时间戳；

或，

音频时间戳为接收到声源定位信息时的时间戳。

可选的，画面时间戳为视频帧采集时间戳；

或，

画面时间戳为视频帧被目标检测前的时间戳。

本实施例装置中，各单元的功能与前述图2所示方法实施例中的步骤对应，此处不再赘述。

本申请还提供了一种控制音画同步的装置，请参阅图7，图7为本申请提供的控制音画同步的装置一个实施例，该装置包括：

处理器701、存储器702、输入输出单元703、总线704；

处理器701与存储器702、输入输出单元703以及总线704相连；

存储器702保存有程序，处理器701调用程序以执行如上任一控制音画同步的方法。

本申请还涉及一种计算机可读存储介质，计算机可读存储介质上保存有程序，其特征在于，当程序在计算机上运行时，使得计算机执行如上任一控制音画同步的方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，read-onlymemory）、随机存取存储器（RAM，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。