何國康，張志勇

（山西農(nóng)業(yè)大學(xué) 工學(xué)院，山西晉中 030801）

在現(xiàn)實(shí)生活中，照相機(jī)的拍照等動作往往需要通過手動操作相機(jī)按鈕來完成，這種方式在集體拍照、自拍等缺少拍照人員的情況下很不方便。隨著科技的發(fā)展，人類進(jìn)入智能化時代，其中語音識別技術(shù)在發(fā)展過程中逐步走向成熟[1]。為了解決以上問題，使照相機(jī)擺脫手動操作，提出的系統(tǒng)將非特定語音識別技術(shù)運(yùn)用到照相機(jī)上，通過語音識別技術(shù)來完成照相機(jī)的拍照任務(wù)。語音識別技術(shù)時時刻刻影響著人們的生活，所以語音識別技術(shù)的研究和語音識別產(chǎn)品的研發(fā)對人們生活水平的提高有著重要的意義[2]。

語音識別技術(shù)應(yīng)用在照相機(jī)上可以使照相機(jī)的操作更簡單，從傳統(tǒng)的按鈕到語音識別控制，極大地方便了相機(jī)的使用。目前，大多數(shù)語音識別主要在PC 機(jī)上進(jìn)行開發(fā)，其優(yōu)點(diǎn)是PC 機(jī)的性能較好，可以運(yùn)行更復(fù)雜的算法，但是可移植性非常低[3]。文中主要以嵌入式微控制器為核心，對系統(tǒng)加以實(shí)現(xiàn)，包括硬件的設(shè)計(jì)和軟件設(shè)計(jì)，相對于PC 機(jī)有體積小、功耗低、運(yùn)用靈活等特點(diǎn)[4]。

1 系統(tǒng)整體設(shè)計(jì)

按照系統(tǒng)功能及指標(biāo)要求，系統(tǒng)主要包括電源模塊、STM32F407ZGT6 最小系統(tǒng)、JTAG 下載電路、OV2640 攝像頭、STC11L08XE 最小系統(tǒng)和LD3320 語音識別系統(tǒng)[5]。整個系統(tǒng)由5 V 電源供電，在開機(jī)狀態(tài)下，系統(tǒng)采集到“開始”關(guān)鍵詞時，2.8 寸TFTLCD 可以實(shí)時顯示彩色攝像頭OV2640 所采集到的圖像；當(dāng)識別到“對比度”關(guān)鍵詞時，系統(tǒng)會對所采集圖像的對比度進(jìn)行逐次加一調(diào)整；當(dāng)識別到“特效”關(guān)鍵詞時，系統(tǒng)會對采集的圖像進(jìn)行特效的調(diào)整，比如使圖像灰度化、綠色化、黃色化等。系統(tǒng)總體結(jié)構(gòu)框圖如圖1 所示。

圖1 系統(tǒng)總體結(jié)構(gòu)框圖

2 硬件系統(tǒng)設(shè)計(jì)

2.1 電源控制電路

濾波電路對于一個系統(tǒng)的穩(wěn)定運(yùn)行非常重要，所以系統(tǒng)根據(jù)需求設(shè)計(jì)了帶有濾波電路的5 V 轉(zhuǎn)3.3 V 穩(wěn)壓電路，穩(wěn)壓芯片采用AMS1117-3.3 線性穩(wěn)壓芯片。該芯片的輸入電壓范圍為4.75～12 V，允許最大的輸出電流為1 A，輸出電壓為3.3 V[6]。

2.2 時鐘電路

在STM32 中，需要給系統(tǒng)提供一個8 MHz 的外部晶振作為系統(tǒng)時鐘[7]。除此之外，有時還需要給系統(tǒng)提供一個32.768 kHz 的RTC 時鐘振蕩器。如果不使用系統(tǒng)內(nèi)部RTC 時鐘也可以不設(shè)計(jì)這個電路。對于8 MHz 的外部晶振，需要在晶振的輸入和輸出端分別接入22 pF 的電容，同時需要在輸入和輸入端之間并聯(lián)一個1 MΩ的電阻，系統(tǒng)才能正常工作[8]。系統(tǒng)時鐘電路如圖2 所示。

圖2 系統(tǒng)時鐘電路

2.3 圖像采集電路

OV2640 攝像頭是一款CMOS 類型圖像傳感器，支持輸出最大為200 萬像素，支持使用VGA 時序輸出圖像數(shù)據(jù)，輸出的圖像數(shù)據(jù)格式支持YUV、YCbCr422、RGB565 以及JPEG 格式[9]。當(dāng)直接輸出JPEG 格式的圖像時，可大大減少數(shù)據(jù)量，方便網(wǎng)絡(luò)傳輸。由于系統(tǒng)需要在TFT 液晶顯示屏上直接顯示出來，所以需要選擇RGB565 格式。攝像頭內(nèi)部集成了圖像補(bǔ)償，同時還支持伽馬曲線、白平衡、飽和度、色度等基礎(chǔ)的圖像處理[10]。根據(jù)處理器的性能，傳感器輸出圖像數(shù)據(jù)幀率為15～60 幀范圍可調(diào)[11]。圖像采集電路的連接方式如圖3 所示。

圖3 圖像采集電路

2.4 LCD顯示電路

系統(tǒng)LCD顯示模塊采用的是2.8寸TFT液晶顯示屏幕，它可以顯示240×320 像素的RGB565 格式[12]。由于STM32 芯片中帶有FSMC 專用接口，所以顯示屏可以采用16 位并行方式與STM32 芯片進(jìn)行連接，相對于傳統(tǒng)的8 位接口方式，傳輸速率得到了很大的提升[13]。由于屏幕自身帶有RAM 存儲器，所以系統(tǒng)工作時可以直接采用DMA 方式將攝像頭采集的圖像直接傳輸?shù)斤@示屏RAM 中，大大減少了CPU 資源[14]。LCD 顯示電路具體實(shí)現(xiàn)方式如圖4 所示。

圖4 LCD顯示電路

3 軟件系統(tǒng)設(shè)計(jì)

3.1 開發(fā)調(diào)試環(huán)境介紹

系統(tǒng)軟件部分的設(shè)計(jì)使用Keil集成開發(fā)環(huán)境，對于STC11L08XE 和STM32F407ZGT6 的開發(fā)，Keil 分為兩種不同的版本，STC11L08XE 單片機(jī)的開發(fā)需要使用KeilforC51，而STM32F407ZGT6嵌入式微控制器的開發(fā)需要KeilforARM 版本[15]。Keil 能夠?qū)崿F(xiàn)程序的編輯、編譯、連接、調(diào)試、仿真等整個開發(fā)過程[16]。

3.2 系統(tǒng)總體軟件設(shè)計(jì)

系統(tǒng)開機(jī)后，首先對STM32、STC11、LD3320、OV2640 和LCD 進(jìn)行初始化，語音識別部分由STC11 單片機(jī)和LD3320 語音識別芯片協(xié)同完成。識別到系統(tǒng)語音庫中的關(guān)鍵詞時，STC11 單片機(jī)通過串口將數(shù)據(jù)發(fā)送給STM32 嵌入式微控制器，嵌入式微控制器根據(jù)接收的數(shù)據(jù)進(jìn)行一系列的照相機(jī)操作。當(dāng)系統(tǒng)識別到“開始”關(guān)鍵詞時，系統(tǒng)進(jìn)入實(shí)時圖像采集界面，OV2640 采集的圖像在LCD上顯示；系統(tǒng)識別到“特效”關(guān)鍵詞時，每識別一次，圖像會變換一次特效；當(dāng)系統(tǒng)識別到“縮放”關(guān)鍵詞時，LCD 顯示的圖像會被縮放；識別到“拍照”關(guān)鍵詞時，系統(tǒng)進(jìn)行一次拍照操作。系統(tǒng)的主流程控制圖如圖5 所示。

圖5 系統(tǒng)主流程控制圖

3.3 語音識別系統(tǒng)軟件設(shè)計(jì)

語音識別系統(tǒng)是通過STC11 單片機(jī)和LD3320語音識別芯片來完成的，STC11 單片機(jī)和LD3320 之間通過并行方式連接。語音識別程序的設(shè)計(jì)需要采用中斷方式來完成，它的工作分為單片機(jī)初始化和語音識別初始化、寫入識別關(guān)鍵詞、開始識別和中斷響應(yīng)幾個步驟。

1）單片機(jī)初始化和語音識別初始化。在初始化程序中，需完成軟件復(fù)位、工作模式設(shè)定、系統(tǒng)時鐘頻率設(shè)置、FIFO 設(shè)定。

2）寫入識別關(guān)鍵詞。關(guān)鍵詞需要根據(jù)LD3320芯片關(guān)鍵詞寫入規(guī)則進(jìn)行寫入，每一個關(guān)鍵詞應(yīng)對應(yīng)一個存儲字節(jié)，關(guān)鍵詞需要有相應(yīng)的編號，它可以相同或不連續(xù)，但是數(shù)值要小于256。關(guān)鍵詞需要使用標(biāo)準(zhǔn)普通話的漢語拼音，兩個字之間需要加一個空格，表1 是該系統(tǒng)的關(guān)鍵詞示例。

表1 關(guān)鍵詞示例

3）開始識別。在語音開始識別之前需要設(shè)置幾個相關(guān)的寄存器，麥克風(fēng)語音的輸入需要用到ADC轉(zhuǎn)換通道，可以通過設(shè)置ADC 的增益來設(shè)置麥克風(fēng)的靈敏度，麥克風(fēng)的靈敏度越高，可以識別的距離越遠(yuǎn)，但是抗干擾能力比較弱，容易發(fā)生誤識別。

4）中斷響應(yīng)。當(dāng)麥克風(fēng)采集到聲音時，不管識別的結(jié)果是否與庫中的關(guān)鍵詞相匹配，都會產(chǎn)生一個中斷信號。若識別到正確的結(jié)果，則STC11 單片機(jī)會通過串口向STM32 發(fā)送一個操作數(shù)據(jù)。

3.4 照相機(jī)系統(tǒng)軟件設(shè)計(jì)

系統(tǒng)的照相機(jī)部分是使用STM32F407ZGT6 芯片實(shí)現(xiàn)的，照相機(jī)系統(tǒng)主要由OV2640 攝像頭和TFTLCD 組成。STM32 和攝像頭采用DCMI 接口連接，圖像的傳輸使用DMA。圖像采集程序流程圖如圖6 所示。圖像采集過程的主要函數(shù)如下：

圖6 圖像采集程序流程圖

4 系統(tǒng)測試

為了驗(yàn)證設(shè)計(jì)的語音控制相機(jī)的可行性和實(shí)驗(yàn)效果，基于上述設(shè)計(jì)方案制作了一款基于語音識別控制的相機(jī)。系統(tǒng)PCB 圖和實(shí)物圖如圖7、8 所示。

圖7 系統(tǒng)PCB圖

圖8 系統(tǒng)實(shí)物圖

系統(tǒng)的相機(jī)功能是由語音識別進(jìn)行控制的，現(xiàn)將程序下載好后對語音控制功能進(jìn)行測試。

系統(tǒng)測試步驟如下：

1）系統(tǒng)開機(jī)后進(jìn)入系統(tǒng)初始化界面，在顯示屏上可以看到系統(tǒng)創(chuàng)作時間等信息。

2）靠近麥克風(fēng)用普通話說“開始”關(guān)鍵詞，系統(tǒng)識別成功后顯示屏上會實(shí)時顯示攝像頭采集的圖像，然后依次說出“特效”“對比度”“飽和度”“縮放”等關(guān)鍵詞，觀察屏幕上實(shí)時圖像的變化。

3）系統(tǒng)識別到“拍照”關(guān)鍵詞時，實(shí)時圖像結(jié)束傳輸，顯示屏顯示傳輸結(jié)束前一刻的畫面。

為了保證測試的準(zhǔn)確性，分別在安靜環(huán)境和嘈雜環(huán)境對系統(tǒng)的6 條語音進(jìn)行了測試。測試時分別讓3 個非特定人對每條語音指令進(jìn)行10 次測試，記錄成功的次數(shù)，測試的結(jié)果如表2 所示。

表2 系統(tǒng)測試結(jié)果

由測試的數(shù)據(jù)可以得出，在安靜環(huán)境下，系統(tǒng)的識別率可以穩(wěn)定達(dá)到85%以上；但在嘈雜環(huán)境下，識別率相較于安靜環(huán)境下有所降低。同時，在安靜環(huán)境中的穩(wěn)定性也比嘈雜環(huán)境中要好很多，在安靜環(huán)境下，一般說一遍語音就可以識別到，個別比較長的關(guān)鍵詞需要說2 到3 遍；但在嘈雜環(huán)境下，有時需要重復(fù)說幾遍關(guān)鍵詞才可以識別，在識別速度上嘈雜環(huán)境也較慢于安靜環(huán)境。

5 結(jié)論

文中采用STM32F407ZGT6 微控制器和LD3320語音識別模塊，完成了一套基于語音識別的相機(jī)控制系統(tǒng)。該系統(tǒng)將嵌入式、單片機(jī)、語音識別和通信技術(shù)融合在一起，實(shí)現(xiàn)了照相機(jī)的拍照、對比度調(diào)整、特效變換、縮放等功能。經(jīng)過測試，系統(tǒng)各個功能模塊工作正常，語音識別成功率也達(dá)到了預(yù)定的要求。但不可否認(rèn)，系統(tǒng)還存在許多不足，語音識別部分與現(xiàn)在的先進(jìn)水平相比存在非常大的差距，功能還不夠完善，以后要注重提高語音識別的正確率和精準(zhǔn)度以及系統(tǒng)的抗干擾能力，滿足不同環(huán)境下的使用需求。