CN114706552A - 基于交互页面的语音控制方法、装置、设备及存储介质 - Google Patents
基于交互页面的语音控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114706552A CN114706552A CN202111552851.3A CN202111552851A CN114706552A CN 114706552 A CN114706552 A CN 114706552A CN 202111552851 A CN202111552851 A CN 202111552851A CN 114706552 A CN114706552 A CN 114706552A
- Authority
- CN
- China
- Prior art keywords
- text
- display image
- images
- image
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003709 image segmentation Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 239000012634 fragment Substances 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
- G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/28—Constructional details of speech recognition systems
- G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Computational Linguistics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明涉及语音处理技术，揭露一种基于交互页面的语音控制方法，包括：获取显示图像，对显示图像进行图像分割，得到多个子图；生成显示图像及多个子图分别对应的特征码，并判断预设的数据表中是否存在所述特征码，根据判断结果获取显示图像或多个子图包含的操作文本，并将获取到的多个所述操作文本以缓存形式存储在操作文本缓存库中；接收针对所述交互页面的控制语音，将所述控制语音转化为控制文本；确定所述操作文本缓存库中与所述控制文本的匹配度满足匹配条件的操作文本为目标操作文本，以及控制所述交互页面执行所述目标操作文本对应的操作。本发明还提出一种基于交互页面的语音控制装置、设备以及介质。本发明可以提高语音控制的效率。
Description
技术领域
本发明涉及语音处理技术领域，尤其涉及一种基于交互页面的语音控制方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能技术的不断发展，在人们的日常生活中，涌现出越来越多的支持语音控制的智能家居设备，例如，智能电视、智能音箱、智能空调等智能家居设备。用户可以根据智能家居设备显示屏或外观上的指引文本信息，实现对相应智能设备的语音控制，给人们的生活带来了便利。
但现有技术中，在根据用户语音进行设备控制时，通常对用户发出语音指令的当前页面元素分别进行图像分析或文本分析后，找到对应的操作位置以及操作文本，进而完成用户的语音控制，但该方法识别分析过程过长，会导致整个语音控制的实现过程效率较低。
发明内容
本发明提供一种基于交互页面的语音控制方法、装置及计算机可读存储介质，其主要目的在于解决语音控制的效率较低的问题。
为实现上述目的，本发明提供的一种基于交互页面的语音控制方法，包括：
获取交互页面的显示图像，对所述显示图像进行图像分割，得到多个子图；
生成所述显示图像及多个所述子图分别对应的特征码，并判断预设的数据表中是否存在所述显示图像或多个所述子图分别对应的特征码，根据判断结果获取所述显示图像或多个所述子图包含的操作文本，并将获取到的多个所述操作文本以缓存形式存储在操作文本缓存库中；
接收针对所述交互页面的控制语音，将所述控制语音转化为控制文本；
确定所述操作文本缓存库中与所述控制文本的匹配度满足匹配条件的操作文本为目标操作文本，以及控制所述交互页面执行所述目标操作文本对应的操作。
可选地，所述生成所述显示图像及多个所述子图分别对应的特征码，包括：
将所述显示图像和所述多个子图压缩为预设尺寸，得到多个压缩图像，并对所述多个压缩图像进行灰度化；
计算所述多个压缩图像中每一个像素点的灰度特征值，并将所述灰度特征值组合得到所述显示图像和所述多个子图的特征码。
可选地，所述判断预设的数据表中是否存在所述显示图像及多个所述子图分别对应的特征码，包括：
提取所述显示图像对应的特征码在所述数据表中检索；
若检索到所述显示图像对应的特征码，则判定所述数据表中存在所述显示图像对应的特征码；
若检索不到所述显示图像对应的特征码，则逐一选取所述多个子图对应的特征码在所述数据表中检索，并判断是否能够检索到所有子图对应的特征码；
若能够检索到所有子图对应的特征码，则判定所述数据表中存在所有所述子图对应的特征码；
若检索不到任一子图对应的特征码，则判定所述数据表中不存在所述显示图像及多个所述子图对应的特征码；
若能够检索到部分子图对应的特征码，则判定所述数据表中存在部分所述子图对应的特征码。
可选地，
所述根据判断结果获取所述显示图像或多个所述子图包含的操作文本，包括：
当判定所述数据表中存在所述显示图像对应的特征码时，从所述数据表中提取所述显示图像对应的特征码所对应的文本为所述显示图像包含的操作文本；
当判定所述数据表中存在所有所述子图对应的特征码时，从所述数据表中提取所有所述子图对应的特征码所对应的文本为所有所述子图包含的操作文本；
当判定所述数据表中存在部分所述子图对应的特征码时，确定不存在于所述数据表的子图为目标图像，根据所述目标图像获取所述操作文本；
当判定所述数据表中不存在所述显示图像及多个所述子图对应的特征码时，确定所述显示图像及多个所述子图为目标图像；
其中，所述根据所述目标图像获取所述显示图像或多个所述子图包含的操作文本包括：
利用预设的图像相似度算法计算得到所述数据表中存储的图像与所述目标图像的相似度分值，并判断所述相似度分值是否大于预设阈值；
当所述相似度分值大于预设阈值，从所述数据表中提取所述目标图像所对应的文本作为所述目标图像包含的操作文本；
当所述相似度分值小于或等于预设阈值，对所述目标图像进行文本识别，得到识别文本并将所述识别文本作为所述目标图像包含的操作文本。
可选地，所述对所述显示图像进行图像分割，得到多个子图，包括：
利用预构建的分割网络对所述显示图像进行特征提取，得到所述显示图像的多重图像特征；
对根据多重图像特征对所述显示图像进行图像分割，得到所述显示图像的多个子图。
可选地，所述利用预构建的分割网络对所述显示图像进行特征提取，得到所述显示图像的多重图像特征，包括：
利用所述分割网络对所述显示图像进行卷积处理和池化处理，得到池化图像；
对所述池化图像进行全连接处理，得到全连接特征图；
对所述全连接特征图进行多尺度的特征提取，得到所述显示图像的多重图像特征。
可选地，所述确定所述操作文本缓存库中与所述控制文本的匹配度满足匹配条件的操作文本为目标操作文本，包括：
逐一计算所述操作文本缓存库中的缓存操作文本与所述语音文本的相似度，并判断是否存在大于第一阈值的相似度；
若存在大于第一阈值的相似度，则在大于阈值的相似度中选取最大的相似度所对应的缓存操作文本作为目标操作文本；
若不存在大于第一阈值的相似度，则对所述控制语音进行发音单元识别，根据识别结果确定目标操作文本。
为了解决上述问题，本发明还提供一种基于交互页面的基于交互页面的语音控制装置，所述装置包括：
图像获取模块，用于获取交互页面的显示图像，对所述显示图像进行图像分割，得到多个子图；
图像文本获取模块，用于生成所述显示图像及多个所述子图分别对应的特征码，并判断预设的数据表中是否存在所述显示图像及多个所述子图分别对应的特征码，根据判断结果获取所述显示图像或多个所述子图包含的操作文本，并将获取到的多个所述操作文本以缓存形式存储在操作文本缓存库中；
控制语音获取模块，用于接收针对所述交互页面的控制语音，将所述控制语音转化为控制文本；
语音控制模块，用于确定所述操作文本缓存库中与所述控制文本的匹配度满足匹配条件的操作文本为目标操作文本，以及控制所述交互页面执行所述目标操作文本对应的操作。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于交互页面的语音控制方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于交互页面的语音控制方法。
本发明实施例通过首先在获取到页面交互的显示图像之后，通过图像分割和特征码查询的方法快速的提取显示图像内包含的操作文本并存储至操作文本缓存库中，使得交互的显示图像包含的操作文本能够进行快速复用，当根据控制语音获得控制文本后，直接从操作文本缓存库中进行查找与控制文本匹配的操作文本，提高了在语音控制时确定控制语音对应的操作文本的效率，进而提高语音控制效率。并且，本方案可以针对大量用户以及不同大量页面进行快速准确地操作，提高了用户体验。因此本发明提出的基于交互页面的语音控制方法、装置、电子设备及计算机可读存储介质，可以解决语音控制的效率较低的问题。
附图说明
图1为本发明一实施例提供的基于交互页面的语音控制方法的流程示意图；
图2为本发明一实施例提供的判断数据表中是否存在显示图像及多个子图分别对应的特征码的流程示意图；
图3为本发明一实施例提供的确定目标操作文本的流程示意图；
图4为本发明一实施例提供的基于交互页面的语音控制装置的功能模块图；
图5为本发明一实施例提供的实现所述基于交互页面的语音控制方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于交互页面的语音控制方法。所述基于交互页面的语音控制方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于交互页面的语音控制方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于交互页面的语音控制方法的流程示意图。在本实施例中，所述基于交互页面的语音控制方法包括：
S1、获取交互页面的显示图像，对所述显示图像进行图像分割，得到多个子图。
本发明实施例中，所述显示图像可以通过直接读对当前页面进行截图或者通过系统函数调取当前页面来获取其中，所述显示图像包括图像信息，进一步的，获取到的显示图像还可以包括图像信息以外的文字信息、图标信息等，如显示图像页面中的图标和文字。
本发明实施例中，所述对所述显示图像进行图像分割，得到多个子图，包括：
利用预构建的分割网络对所述显示图像进行特征提取，得到所述显示图像的多重图像特征；
对根据多重图像特征对所述显示图像进行图像分割，得到所述显示图像的多个子图。
本发明实施例中，所述分割网络可采用具有特征提取功能的卷积神经网络，例如Segnet网络、E-net网络、V-net网络和ResNet50网络等。
本发明一实施例中，所述分割网络采用ResNet50网络，并在所述分割网络中添加了FPN特征金字塔结构，以实现对显示图像的多重特征提取，得到显示图像对应的多重图像特征。
具体地，所述利用预构建的分割网络对所述显示图像进行特征提取，得到所述显示图像的多重图像特征，包括：
利用所述分割网络对所述显示图像进行卷积处理和池化处理，得到池化图像；
对所述池化图像进行全连接处理，得到全连接特征图；
对所述全连接特征图进行多尺度的特征提取，得到所述显示图像的多重图像特征。
例如，存在显示图像A，利用分割网络对所述显示图像A进行卷积、池化及全连接处理，得到该显示图像A对应的全连接特征图，再利用分割网络中的包含5层输出的FPN特征金字塔结构对该全连接特征图进行多重特征提取，可得到该显示图像A多重图像特征为5种不同尺寸的图像特征。
进一步地，所述对根据多重图像特征对所述显示图像进行图像分割，得到所述显示图像的多个子图，包括：
从预设的分割框图中选择与所述多重图像特征对应的分割框图；
根据所述分割框图多次框选所述显示图像，将框选得到的不同图像作为多个子图。
例如，所述多重图像特征为五种尺寸的图像特征，则根据这五种尺寸的图像特征分别在预设的分割框图中选择对应的分割框图，再利用该对应的分割框图在所述显示图像中逐一框选，则得到框选出的子图。
本发明实施例中，通过对显示图像进行多重特征提取，可实现获取多种尺度的图像特征，有利于提高分割得到的子图的精确度。
S2、生成所述显示图像及多个所述子图分别对应的特征码，并判断预设的数据表中是否存在所述显示图像及多个所述子图分别对应的特征码，根据判断结果获取所述显示图像或多个所述子图包含的操作文本，并将获取到的多个所述操作文本以缓存形式存储在操作文本缓存库中。
本发明实施例中，所述显示图像的所述多个子图对应的特征码可以为表示图像而形成的MD5码或哈希码等。
本发明实施例中，所述数据表中为预先存储的图像信息数据库，包含大量的图像和子图，还包括这些图像和子图对应的信息(如特征码、文本)。
本发明实施例中，所述生成所述显示图像及多个所述子图分别对应的特征码，包括：
将所述显示图像和所述多个子图压缩为预设尺寸，得到多个压缩图像，并对所述多个压缩图像进行灰度化；
计算所述多个压缩图像中每一个像素点的灰度特征值，并将所述灰度特征值组合，得到所述显示图像和所述多个子图分别对应的特征码。
本发明实施例中，所述灰度特征值可以为灰度差异值、灰度平均值等；若灰度特征值为灰度差异值，则计算所述压缩图像中相邻像素点的灰度的差异值，对所述差异值处理，即得到灰度差异值，分析所述灰度差异值(如正数或0记为1，负数记为0)得到显示图像和所述多个子图的特征值；若灰度特征值为灰度平均值，则计算所述压缩图像中所有像素点的灰度值的平均值，即为灰度平均值，根据所述灰度平均值进行分析(如大于或等于所述灰度平均值记为1，小于所述灰度平均值记为0)，得到所述交互页面和所述多个子图的图像的特征码。
本发明另一可选实施例中，还可以通过将所述显示图像和所述多个子图转化为字符数组，在将该字符数据进行MD5编码，即得到所述显示图像和所述多个子图的MD5码，该MD5码即可作为特征码。
本发明一可选实施例中，所述根据判断结果获取所述显示图像或多个所述子图包含的操作文本之前，所述方法还包括：
将所述显示图像和所述多个子图与所述显示图像和所述多个子图对应的特征码形成映射关系；
生成所述显示图像和所述多个子图包含的操作文本，将所述显示图像和所述多个子图与所述显示图像和所述多个子图包含的文本形成映射关系并将所述映射关系存储至数据表中。
本发明实施例中，所述对应的文本可以通过所述显示图像和所述多个子图进行标注得到，或者通过预训练的模型识别图像中的文本得到操作文本。
本发明实施例中，在所述显示图像和所述多个子图与所述显示图像和所述多个子图对应的特征码所形成的映射关系填入所述数据表后，还可以根据所述显示图像和所述多个子图、所述显示图像和所述多个子图所对应的特征码及所述显示图像和所述多个子图所对应的文本生成对应的列表标签。例如：所述显示图像和所述多个子图的列表对应的列表标签为图像；所述显示图像和所述多个子图所对应的特征码的列表标签为特征码；所述显示图像和所述多个子图所对应的文本的列表标签为文本。
本发明实施例中，请参阅图2所示，所述判断预设的数据表中是否存在所述显示图像及多个所述子图分别对应的特征码，包括：
S21、提取所述显示图像对应的特征码在所述数据表中检索；
若检索到所述显示图像对应的特征码，则执行S22、判定所述数据表中存在所述显示图像对应的特征码；
若检索不到所述显示图像对应的特征码，则执行S23、逐一选取所述多个子图对应的特征码在所述数据表中检索，并判断是否能够检索到所有子图对应的特征码；
若能够检索到所有子图对应的特征码，则执行S24、判定所述数据表中存在所有所述子图对应的特征码；
若检索不到任一子图对应的特征码，则执行S25、判定所述数据表中不存在所述显示图像及多个所述子图对应的特征码；
若能够检索到部分子图对应的特征码，则执行S26、判定所述数据表中存在部分所述子图对应的特征码。
本发明实施例中，所述根据判断结果获取所述显示图像或多个所述子图包含的操作文本，包括：
当判定所述数据表中存在所述显示图像对应的特征码时，从所述数据表中提取所述显示图像对应的特征码所对应的文本为所述显示图像包含的操作文本；
当判定所述数据表中存在所有所述子图对应的特征码时，从所述数据表中提取所有所述子图对应的特征码所对应的文本为所有所述子图包含的操作文本；
当判定所述数据表中存在部分所述子图对应的特征码时，确定不存在于所述数据表的子图为目标图像，根据所述目标图像获取所述操作文本；
当判定所述数据表中不存在所述显示图像及多个所述子图对应的特征码时，确定所述显示图像及多个所述子图为目标图像；
其中，所述根据所述目标图像获取所述显示图像或多个所述子图包含的操作文本包括：
利用预设的图像相似度算法计算得到所述数据表中存储的图像与所述目标图像的相似度分值，并判断所述相似度分值是否大于预设阈值；
当所述相似度分值大于预设阈值，从所述数据表中提取所述目标图像所对应的文本作为所述目标图像包含的操作文本；
当所述相似度分值小于或等于预设阈值，对所述目标图像进行文本识别，得到识别文本并将所述识别文本作为所述目标图像包含的操作文本。
本发明实施例中，所述数据表中的文本数量多于所述操作文本缓存库中的文本数量，所述操作文本缓存库中的文本只包括交互页面的显示图像以及交互页面的显示图像的子图所对应的文本。
本发明实施例中，所述数据表中图像、图像对应的特征码以及图像对应的对应的文本可以为关联存储，因为可以根据图像对应的特征码提取图像对应的文本；将提取的文本存储至操作文本缓存库后，可以从该操作文本缓存库中获取该图像中对应的所有的文本。
本发明实施例中，若在数据表中检索不到特征码，则需要进行图像识别，判断在数据表中是否存在相似图像。
本发明实施中，所述图像相似度算法包括但不限于SIFT算法，感知哈希算法、模板匹配算法；通过所述图像相似度算法将识别不到特征码的图像逐一与数据表中的预存储的图像进行相似度计算，得到相似度值，并通过选取所述相似度值大于预设阈值的数据表中的图像作为所述目标图像，所述目标图像对应的文本即为操作文本。
本发明实施例中，若在数据表中检索不到图像对应的特征码，利用图像相似度算法也得不到结果大于预设阈值的图像，则该图像可能在数据表中不存在，因此需要进行文本识别，从而得到所述对应的图像的文本。
本发明实施例中，所述对所述目标图像进行文本识别，得到识别文本，包括：
利用分割算法获取所述目标图像中的所有字符；
利用预训练的文本识别网络对所述所有字符进行文本识别，得到识别文本。
具体地，所述利用分割算法获取所述目标图像中的所有字符，包括：
对所述对应的图像进行水平投影，并获取投影后每一行的上界限和下界限；
根据所述上界限和所述下界限进行切割；
对切割后的每一行进行垂直投影，并获取投影后每一个字符的左界限和右界限；
根据所述左界限和所述右界限对所述每一个字符进行切割，得到多个字符。
本发明实施例中，所述文本识别网络可以为对CNN神经网络训练得到的，通过将文本训练数据输入所述CNN神经网络进行预测，并通过预测的结果计算损失值对所述神经网络进行优化得到文本识别网络。
本发明另一可选实施例中，还可以采用CTPN深度神经网络、SegLink算法等对所述目标图像进行文本检测并进行字符分割。
S3、接收针对所述交互页面的控制语音，将所述控制语音转化为控制文本。
本发明实施例中，所述将所述控制语音转化为控制文本，包括：
对所述控制语音进行语音特征提取得到特征向量；
将特征向量输入到预设的声学模型，得到音素信息；
将所述音素信息按照预设的音素个数，得到多个音素片段；
逐个将每一个所述音素片段在预设词库内进行检索；
将在所述词库中检索到的音素片段所对应的文本作为所述控制文本；
将未在所述词库中检索到的音素片段进行近似音转换，将转换后的音素片段与所述词库进行再次匹配。
本发明实施例中，所述声学模型包括但不限于HMM(隐马尔可夫模型)；所述按照预设音素的个数逐音匹配可以是以单个音、两个音、三个音、四个音的方式与所述词库进行匹配；所述词库包括流行词、常用词、根据词性(如形容词、名词、副词等)划分的标准词等。
本发明实施例中，近似音转换包括首字母转换和发音转换。例如，首字母为F或者H时，则对匹配对应的音素进行首字母F、H之间的替换，并与为替换的部分进行重新组合；首字母为L、M、N或者R时，则进行首字母L、M、N、R之间的替换，与未替换的部分进行重新组合；发音存在Z、C、S与Zh、Ch、Sh平翘舌音的转换时，则将进行平翘舌的转换，并与未替换的部分进行重新组合。
S4、确定所述操作文本缓存库中与所述控制文本的匹配度满足匹配条件的操作文本为目标操作文本，以及控制所述交互页面执行所述目标操作文本对应的操作。
本发明实施例中，所述执行所述目标文本对应的操作之前，可以对所述文本缓存库中的操作文本匹配对应的操作代码，通过所述操作代码可以执行对应的操作。例如：存在操作文本为“电影A”、“下一页”，其分别对应的操作代码可以为“跳转详情页”和“跳转下一页”。
本发明实施例中，请参阅图3所示，所述确定所述操作文本缓存库中与所述控制文本的匹配度满足匹配条件的操作文本为目标操作文本，包括：
S41、逐一计算所述操作文本缓存库中的缓存操作文本与所述语音文本的相似度，并判断是否存在大于第一阈值的相似度；
若存在大于第一阈值的相似度，则执行S42、在大于阈值的相似度中选取最大的相似度所对应的缓存操作文本作为目标操作文本；
若不存在大于第一阈值的相似度，则执行S43、对所述控制语音进行发音单元识别，根据识别结果确定目标操作文本。
进一步地，本发明实施例可通过如下公式计算所述文本缓存库中的操作文本与所述控制文本的相似度：
其中，所述cosθ为相似度分值，a为所述控制文本，bi为所述文本缓存库中第i个操作文本。
具体地，所述利用所述控制语音进行发音单元识别，根据识别结果确定目标操作文本，包括：
将所述控制语音划分为多个发音单元并在所述多个发音单元中逐一选取一个作为目标发音单元；
根据所述目标发音单元和预设的标准发音单元计算最小距离，并判断所述最小距离是否小于第二阈值；
若所述最小距离小于第二阈值，则确定所述标准发音单元对应的文本为目标操作文本；
若所述最小距离大于或等于第二阈值，则确定未查找到目标操作文本，将未查找到目标操作文本的结果输出给用户。
进一步地，本发明实施例可通过如下公式计算所述目标发音单元和预设的标准发音单元的最小距离：
其中，D为所述相似度，R为所述目标发音单元，T为所述标准发音单元，θ为预设系数。
本发明实施例通过首先在获取到页面交互的显示图像之后，通过图像分割和特征码查询的方法快速的提取显示图像内包含的操作文本并存储至操作文本缓存库中，使得交互的显示图像包含的操作文本能够进行快速复用，当根据控制语音获得控制文本后，直接从操作文本缓存库中进行查找与控制文本匹配的操作文本，提高了在语音控制时确定控制语音对应的操作文本的效率，进而提高语音控制效率。并且，本方案可以针对大量用户以及不同大量页面进行快速准确地操作，提高了用户体验。因此本发明提出的基于交互页面的语音控制方法，可以解决整个语音控制的实现过程效率较低的问题。
如图4所示，是本发明一实施例提供的基于交互页面的语音控制装置的功能模块图。
本发明所述基于交互页面的语音控制装置100可以安装于电子设备中。根据实现的功能，所述基于交互页面的语音控制装置100可以包括图像获取模块101、图像文本获取模块102、控制语音获取模块103及语音控制模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像获取模块101，用于获取交互页面的显示图像，对所述显示图像进行图像分割，得到多个子图；
所述图像文本获取模块102，用于生成所述显示图像及多个所述子图分别对应的特征码，并判断预设的数据表中是否存在所述显示图像及多个所述子图分别对应的特征码，根据判断结果获取所述显示图像或多个所述子图包含的操作文本，并将获取到的多个所述操作文本以缓存形式存储在操作文本缓存库中；
所述控制语音获取模块103，用于接收针对所述交互页面的控制语音，将所述控制语音转化为控制文本；
所述语音控制模块104，用于确定所述操作文本缓存库中与所述控制文本的匹配度满足匹配条件的操作文本为目标操作文本，以及控制所述交互页面执行所述目标操作文本对应的操作。
详细地，本发明实施例中所述基于交互页面的语音控制装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于交互页面的语音控制方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于交互页面的语音控制方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如语音控制程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行语音控制程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如语音控制程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的语音控制程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取交互页面的显示图像，对所述显示图像进行图像分割，得到多个子图；
生成所述显示图像及多个所述子图分别对应的特征码，并判断预设的数据表中是否存在所述显示图像及多个所述子图分别对应的特征码，根据判断结果获取所述显示图像或多个所述子图包含的操作文本，并将获取到的多个所述操作文本以缓存形式存储在操作文本缓存库中；
接收针对所述交互页面的控制语音，将所述控制语音转化为控制文本；
确定所述操作文本缓存库中与所述控制文本的匹配度满足匹配条件的操作文本为目标操作文本，以及控制所述交互页面执行所述目标操作文本对应的操作。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取交互页面的显示图像，对所述显示图像进行图像分割，得到多个子图；
生成所述显示图像及多个所述子图分别对应的特征码，并判断预设的数据表中是否存在所述显示图像及多个所述子图分别对应的特征码，根据判断结果获取所述显示图像或多个所述子图包含的操作文本，并将获取到的多个所述操作文本以缓存形式存储在操作文本缓存库中；
接收针对所述交互页面的控制语音，将所述控制语音转化为控制文本；
确定所述操作文本缓存库中与所述控制文本的匹配度满足匹配条件的操作文本为目标操作文本，以及控制所述交互页面执行所述目标操作文本对应的操作。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于交互页面的语音控制方法，其特征在于，所述方法包括：
获取交互页面的显示图像，对所述显示图像进行图像分割，得到多个子图；
生成所述显示图像及多个所述子图分别对应的特征码，并判断预设的数据表中是否存在所述显示图像及多个所述子图分别对应的特征码，根据判断结果获取所述显示图像或多个所述子图包含的操作文本，并将获取到的多个所述操作文本以缓存形式存储在操作文本缓存库中；
接收针对所述交互页面的控制语音，将所述控制语音转化为控制文本；
确定所述操作文本缓存库中与所述控制文本的匹配度满足匹配条件的操作文本为目标操作文本，以及控制所述交互页面执行所述目标操作文本对应的操作。
2.如权利要求1所述的基于交互页面的语音控制方法，其特征在于，所述生成所述显示图像及多个所述子图分别对应的特征码，包括：
将所述显示图像和所述多个子图压缩为预设尺寸，得到多个压缩图像，并对所述多个压缩图像进行灰度化；
计算所述多个压缩图像中每一个像素点的灰度特征值，并将所述灰度特征值组合得到所述显示图像和所述多个子图的特征码。
3.如权利要求1所述的基于交互页面的语音控制方法，其特征在于，所述判断预设的数据表中是否存在所述显示图像及多个所述子图分别对应的特征码，包括：
提取所述显示图像对应的特征码在所述数据表中检索；
若检索到所述显示图像对应的特征码，则判定所述数据表中存在所述显示图像对应的特征码；
若检索不到所述显示图像对应的特征码，则逐一选取所述多个子图对应的特征码在所述数据表中检索，并判断是否能够检索到所有子图对应的特征码；
若能够检索到所有子图对应的特征码，则判定所述数据表中存在所有所述子图对应的特征码；
若检索不到任一子图对应的特征码，则判定所述数据表中不存在所述显示图像及多个所述子图对应的特征码；
若能够检索到部分子图对应的特征码，则判定所述数据表中存在部分所述子图对应的特征码。
4.如权利要求3所述的基于交互页面的语音控制方法，其特征在于，所述根据判断结果获取所述显示图像或多个所述子图包含的操作文本，包括：
当判定所述数据表中存在所述显示图像对应的特征码时，从所述数据表中提取所述显示图像对应的特征码所对应的文本为所述显示图像包含的操作文本；
当判定所述数据表中存在所有所述子图对应的特征码时，从所述数据表中提取所有所述子图对应的特征码所对应的文本为所有所述子图包含的操作文本；
当判定所述数据表中存在部分所述子图对应的特征码时，确定不存在于所述数据表的子图为目标图像，根据所述目标图像获取所述操作文本；
当判定所述数据表中不存在所述显示图像及多个所述子图对应的特征码时，确定所述显示图像及多个所述子图为目标图像；
其中，所述根据所述目标图像获取所述显示图像或多个所述子图包含的操作文本包括：
利用预设的图像相似度算法计算得到所述数据表中存储的图像与所述目标图像的相似度分值，并判断所述相似度分值是否大于预设阈值；
当所述相似度分值大于预设阈值，从所述数据表中提取所述目标图像所对应的文本作为所述目标图像包含的操作文本；
当所述相似度分值小于或等于预设阈值，对所述目标图像进行文本识别，得到识别文本并将所述识别文本作为所述目标图像包含的操作文本。
5.如权利要求1所述的基于交互页面的语音控制方法，其特征在于，所述对所述显示图像进行图像分割，得到多个子图，包括：
利用预构建的分割网络对所述显示图像进行特征提取，得到所述显示图像的多重图像特征；
根据多重图像特征对所述显示图像进行图像分割，得到所述显示图像的多个子图。
6.如权利要求5所述的基于交互页面的语音控制方法，其特征在于，所述利用预构建的分割网络对所述显示图像进行特征提取，得到所述显示图像的多重图像特征，包括：
利用所述分割网络对所述显示图像进行卷积处理和池化处理，得到池化图像；
对所述池化图像进行全连接处理，得到全连接特征图；
对所述全连接特征图进行多尺度的特征提取，得到所述显示图像的多重图像特征。
7.如权利要求1至6中任一项所述的基于交互页面的语音控制方法，其特征在于，所述确定所述操作文本缓存库中与所述控制文本的匹配度满足匹配条件的操作文本为目标操作文本，包括：
逐一计算所述操作文本缓存库中的缓存操作文本与所述语音文本的相似度，并判断是否存在大于第一阈值的相似度；
若存在大于第一阈值的相似度，则在大于阈值的相似度中选取最大的相似度所对应的缓存操作文本作为目标操作文本；
若不存在大于第一阈值的相似度，则对所述控制语音进行发音单元识别，根据识别结果确定目标操作文本。
8.一种基于交互页面的基于交互页面的语音控制装置，其特征在于，所述装置包括：
图像获取模块，用于获取交互页面的显示图像，对所述显示图像进行图像分割，得到多个子图；
图像文本获取模块，用于生成所述显示图像及多个所述子图分别对应的特征码，并判断预设的数据表中是否存在所述显示图像及多个所述子图分别对应的特征码，根据判断结果获取所述显示图像或多个所述子图包含的操作文本，并将获取到的多个所述操作文本以缓存形式存储在操作文本缓存库中；
控制语音获取模块，用于接收针对所述交互页面的控制语音，将所述控制语音转化为控制文本；
语音控制模块，用于确定所述操作文本缓存库中与所述控制文本的匹配度满足匹配条件的操作文本为目标操作文本，以及控制所述交互页面执行所述目标操作文本对应的操作。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于交互页面的语音控制方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于交互页面的语音控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111552851.3A CN114706552A (zh) | 2021-12-17 | 2021-12-17 | 基于交互页面的语音控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111552851.3A CN114706552A (zh) | 2021-12-17 | 2021-12-17 | 基于交互页面的语音控制方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114706552A true CN114706552A (zh) | 2022-07-05 |
Family
ID=82167659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111552851.3A Pending CN114706552A (zh) | 2021-12-17 | 2021-12-17 | 基于交互页面的语音控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114706552A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024187861A1 (zh) * | 2023-03-13 | 2024-09-19 | 合众新能源汽车股份有限公司 | 车载语音交互方法、系统及计算机可读介质 |
-
2021
- 2021-12-17 CN CN202111552851.3A patent/CN114706552A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024187861A1 (zh) * | 2023-03-13 | 2024-09-19 | 合众新能源汽车股份有限公司 | 车载语音交互方法、系统及计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111782772A (zh) | 基于ocr技术的文本自动生成方法、装置、设备及介质 | |
| CN110033018B (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
| CN111695439A (zh) | 图像结构化数据提取方法、电子装置及存储介质 | |
| CN113157739B (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
| CN113254654A (zh) | 模型训练、文本识别方法、装置、设备和介质 | |
| CN112820269A (zh) | 文本转语音方法、装置、电子设备及存储介质 | |
| CN114241499A (zh) | 表格图片识别方法、装置、设备和可读存储介质 | |
| CN113378970A (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN114399775A (zh) | 文档标题生成方法、装置、设备及存储介质 | |
| CN115221276A (zh) | 基于clip的中文图文检索模型训练方法、装置、设备及介质 | |
| CN114398557A (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
| CN115238670B (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
| CN114677526A (zh) | 图像分类方法、装置、设备及介质 | |
| CN114706552A (zh) | 基于交互页面的语音控制方法、装置、设备及存储介质 | |
| CN114595321A (zh) | 问题标注方法、装置、电子设备及存储介质 | |
| CN113918704A (zh) | 基于机器学习的问答方法、装置、电子设备及介质 | |
| CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
| CN115409041B (zh) | 一种非结构化数据提取方法、装置、设备及存储介质 | |
| CN112329666A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
| CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
| CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
| CN112233194B (zh) | 医学图片优化方法、装置、设备及计算机可读存储介质 | |
| CN115205758A (zh) | 基于视频与文本的智能转换方法、装置、电子设备及介质 | |
| CN113723114A (zh) | 基于多意图识别的语义分析方法、装置、设备及存储介质 | |
| CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |