跳到主要內容

科技大觀園商標

分類項目
Menu

優質生活體驗屋:魔鏡

97/10/07 瀏覽次數 18790
在科技的運作與連結下,整合網路、通訊、影視娛樂的服務,會讓數位生活就如同身在五星級飯店一樣,無論身在何處,都有處處為你設想的專人生活服務。智慧家電一直是賣場中的熱門商品,這類家用產品提供消費者在影音娛樂上更美好的享受與便利。在世界趨勢及政府的努力推動下,數位家庭概念逐漸在消費者心目中形成,數位生活的市場占有率將逐年提高,而臺灣家庭對數位娛樂的需求也會持續增加。

鏡子是生活中常見的用品,也常是童話故事的主角之一。如何結合現代科技與童話故事的想像,是創意的重點。以魔鏡為架構的智慧生活多媒體平台,可實現大家耳熟能詳的「白雪公主」童話故事情節。

神奇的魔鏡

在「優質數位生活體驗屋」中,成功大學電機系及資工系共同研發展示一套多媒體人機互動系統,名為「魔鏡」,它的創意來自於童話故事書《白雪公主》。童話故事中萬能的魔鏡會答覆問題,並提供使用者想知道的資訊。因此,基於便利現代人生活的需求,把日常生活中常用的鏡子創意地設計為也可以提供數位資訊服務。

魔鏡系統可提供時間查詢、多媒體影音播放、行事曆查詢、網路氣象、新聞檢索等服務。它結合了自動語音辨識技術,以聲控的方式操作魔境,且配合語音合成及立體精靈影像輸出,達到生動便利的人機互動。利用影像追蹤技術,讓魔鏡精靈可以追蹤使用者臉部的位置,擬人化地與使用者交談。

在其他服務方面,也提供像是下載即時的網路新聞和網路氣象資訊的服務,告訴您最新的生活須知,提供的影音服務可以選播影片和音樂做為休閒用。綜合而言,魔鏡結合了語音訊號處理、影像處理、網路資料檢索等技術,對於未來的數位生活提供了人性化的服務。

這個創意作品提供的數位生活有無限的想像空間,增加了鏡子及液晶顯示的附加價值,能夠凸顯數位科技對於日常生活的影響。作品如同童話故事「白雪公主」般的情節,擁有魔鏡的所有情境與功能,使用的情境舉例如下。

早上起床,小美在浴室梳洗……
小美:魔鏡!魔鏡!
魔鏡:您好!請問需要什麼服務?
小美:來點音樂吧!
魔鏡:為您播放〈……〉
小美:今天天氣如何?
魔鏡:今天天氣多雲時陰短暫陣雨(下載分析網路天氣資料)。
魔鏡:氣溫攝氏 27 度,降雨機率 50%。
小美:有什麼新聞呢?
魔鏡:社會新聞有……(下載分析網路新聞資料)
小美:今天有什麼行程?
魔鏡:您今天上午 1 0點,開會。下午 3 點,牙醫。(讀取資料庫內行事曆)
小美:魔鏡!魔鏡!誰是世界上最美麗的人?
魔鏡:當然是您了!親愛的主人。
(系統展示可參考 http://www.youtube.com/watch? V=4CgYQKUoHX4)

在國際間,數位生活已逐漸成為一個新的商業市場,很多專家學者完成了許多周延完整的計畫。歷年來,也有許多研究把鏡面與顯示器結合,並應用在數位生活上,使得結合鏡面與顯示器所發展的產品擁有無限的想像空間。

半反射鏡面與液晶顯示器

在電視影集和電影裡,常常有證人辨認嫌犯的劇情:證人和犯人會分開在兩個房間,證人可以透過單面反光鏡辨識嫌犯,但嫌犯甚麼都看不見。事實上,單面反光鏡正反兩面的光學性質根本沒有分別,它之所以能產生單面反光的效果,完全是因為鏡的兩側處於不同光度的環境所造成的。

在實際使用時,嫌犯面向鏡面,而且身處有強光的房間,因為光線充足,反射的光較多,嫌犯在鏡中便只會看見自己的影像。而證人是站在鏡子的另一邊一個光線很微弱的房間裡,雖然證人房間裡部分的光線也可以穿過單面反光鏡,但由於光度很低,因此嫌犯看不到證人。

運用相同的原理,當液晶螢幕打開時,鏡子前面的人就可以看到液晶螢幕的所有資料。半反射鏡想法類似於電影裡審問嫌犯房間內的鏡子,利用特殊材質,光線明亮的一方可以看見鏡中的反射影像,卻無法看到鏡後方的景物。利用半反射鏡的特性,在鏡後安裝一個影像顯示裝置。當鏡子後方的影像顯示裝置關閉時,整體裝置看起來如同一般鏡子,當鏡子後方的影像顯示裝置投影成像時,使用者便可立即看見成像的資訊內容,以及出現的魔鏡精靈。

自動語音辨識

語音人機介面就是利用語音做為對機器下達命令的輸入媒介,因此首要之務是讓電腦理解人類的語言。語音技術牽涉的範圍極為廣大,包括語言學、音韻學、統計學、聽覺效能、訊號處理等,都是影響語音技術的因素。如何訓練出一組良好的辨識模型,讓它可以模擬各種發音的特性,包含不同人的聲音特質、不同地方的腔調和口音等,都是語音辨識中最重大的關鍵。語音辨識系統發展已有數十年歷史,但仍有一些問題需要克服。

在早期,研究語音辨識有專家系統、類神經網路等方法,目前全球有關語音研究最常使用的模型,是隱藏式馬可夫模型(hidden Markov model, HMM)。這個模型最早是由馬可夫在 1913 年提出的,發展到今日已成為語音辨識系統的主流,是把語音訊號處理技術應用在人機互動上,最方便自然的方法。

藉由有效音段偵測可以辨別語音輸入的訊號,隨時偵測從音效卡收錄到的聲音。只有正確的交談或命令會被輸入,再估算輸入訊號的能量。由於做為語音輸入的訊號通常會有相對較高的能量,所以需要設定邊界值做為判斷的依據。

在不同的使用場所中,環境聲音對於語音命令訊號的能量會有疊加作用。在較安靜的環境下,如室內,能量通常相對較低。相反地,像是戶外及開車途中等較吵雜的環境,語音的能量相對較高。因此在實際應用上,邊界值設定需要隨著環境自動調變,例如利用每次啟動語音命令的前0.25秒,偵測環境噪音動態來調整適合的邊界值。

在處理語音訊號時,面對語音這種具有高度變化和差異性的訊號,需要找到穩定且具有鑑別性的特徵參數做為辨識與分類用。魔鏡利用梅爾倒頻譜特徵參數做為語音訊號特徵分析。考慮前後文發聲變異的影響,自動語音辨識採用右文相關的次音節模型,利用統計式隱藏式馬可夫模型建立語音辨識模組。並把中文分成母音和子音,以次音節為單位建構出可能的辨識音節網路。共定義了 151 個辨識聲學模型,包括 112 個子音和 38 個母音,以及 1 個靜音。

語音及唇形合成

語音合成是把輸入的文字轉換成語音輸出。應用自動語音合成技術,能夠隨機地把給使用者的回應及服務內容朗讀出來,使魔鏡更親近使用者。

語音合成技術是先把輸入文字做語言學預處理,這是對文章段落進行特殊符號、斷詞及斷句的分析,再根據文章中的標點、段落等做文本的劃分,並把它轉換成相應的讀音。接著進行文本分析,就是針對文章中的語句做詞的切分,並把字碼轉換成對應的音碼,再透過語音韻律規則資料庫演算出準確的音高、音長、音強與音節間的停頓長短,以便正確地表達語意。最後透過電腦音效卡、喇叭等輸出裝置,模擬真人智慧發音。如此,魔鏡可以把網路氣象、新聞等資訊自動朗讀出來。

同時,為使魔鏡精靈模擬真人發音的唇形,首先經由一組事先拍攝的唇形變化影片擷取 62 個唇形特徵點變化參數。另外,根據定義的 40 個聲學模型,分別拍攝其發音的唇形影帶。接著利用光學流動態偵測的方式,自動偵測唇形周圍幾個特徵點的變化。

擷取出唇形特徵點在三個座標軸中的位移之後,必須先在 3D 模型中定義出這 62 個特徵點的位置。其餘網格中的點則由鄰近的控制點來控制,位移量是鄰近控制點位移量乘以個別權重的總和,而控制點的權重與控制點到網格點距離的平方成反比。

影像處理

魔鏡可以透過內建攝影機抓取使用者的臉部影像,在對話中進行影像追蹤,使得3D虛擬精靈在對話中能注視著使用者,讓人機互動更為真實。在三維空間中,要在不固定的位置與距離中同時做到人臉辨識與人機介面是一件困難的事,且希望前端的人機介面所計算的參數也能夠應用在後端的辨識系統,技術的開發可應用於戶外與戶內等不同背景與光線的情況,並有別於過去採用的邊緣濾波器法來獲得人臉的特徵點。

在人臉偵測方面,使用膚色來偵測人臉,容易遭受光源位置與亮度的影響,而導致較高的錯誤率與較低的精確率。許多的研究成果顯示,單純地採用灰階影像中的資訊來從事類神經網路、面板匹配等方法,都比膚色判斷佳,但是利用膚色的資訊來判斷,的確有助於加快運算速度以及有效輔助人臉偵測。把色彩轉換後的 Y 灰階影像與 RGB 灰階影像進行比較,可以發覺 G 灰階影像非常近似 Y 灰階影像,R 與 B 灰階影像則顯得昏暗與變形。因此,單純採用 G 灰階影像做為發展人臉偵測與特徵點擷取的主要參考資訊。

在人臉的偵測與識別時,穩定性最高的可分析資料能夠得到最佳的偵測效果,也就是說這些資訊較不會隨著亮度、人臉形狀與複雜背景的改變而改變。在灰階影像上有哪些人臉五官是較不受以上現象干擾,可做為人臉偵測的優先判斷準則呢?相較於其他部位,在臉頰的偵測上,臉頰膚色的穩定性與均勻度的表現較佳。

互動式多媒體鏡面系統

影像與語音處理各有本身的限制,尤其是在辨識功能上,例如語音辨識會受限於吵雜的環境所導致的雜訊干擾,影像辨識則受限於影像解析度、複雜的背景與亮度,使得參考資訊不足。結合影音處理技術並應用在數位生活中,只需簡單低成本的設備,非常符合一般大眾的需求。

魔鏡-互動式多媒體鏡面系統的技術是非常廣泛且龐大的,如何整合相關的技術並達到人性化、最佳化、低成本的目標,是未來致力研究的方向。
OPEN
回頂部