chanong 众所周知，图像二维码在中国随处可见，并且被运用到了极致。 对于信息共享、个人账户登录、签到等，可以方便有效地传递信息，给大家带来很多便利。 那么移动互联网手机硬件的各种传感器中，哪些非网络传感器可以传输信息呢？
声波用于介质距离传输，利用声音来传递信息，达到数据传输的目的。 信息只能在具有声音播放和录音功能的设备之间传输，不限于手机，如iPad、手机、电视、广告牌等；
2 声波传输算法详解
声波传输主要分为数据编码、合成声音信号、播放声源、记录声源、声波识别、数据解码，最后得到传输的二进制数据。
2.1 数据编码和声波播放 2.1.1 数据编码
传输有用的二进制数据，对二进制数据进行编码加密，并添加相应的crc校验码，最终形成相应的传输码流。
2.1.2 声音信号合成
对于加密后的二进制码流，生成相应的可播放的声波信号。 这里，利用人耳感知模型将加密的二进制数据隐藏在声波中，并随声波一起传输信息。 人耳感知模型-绝对掩蔽阈值，如下图：
声音信号在空气中传播并呈现时间幅度信号。 另外，人耳听到的声音可以在频域上进行区分，比如常见的低音炮、男中音、女高音，都是指不同的频率。 人耳对不同频率的敏感度不一致。 经过长期研究，人们发现，如上图所示，横轴是人耳感知的频率，纵轴是不同频率下声音的响度。 也可以通过以下公式求得：
2.1.3 混音模块
人耳感知模型产生的声波信号与背景音乐混合。 有一个统一背景音乐格式和声波信号格式的过程。 因此，需要进行滤波、重采样和混合操作。 流程如下：
2.2 声波识别与解码 2.2.1 基于隐马尔可夫模型的声波识别
声音在空气中传播。 由于外界噪声、扬声器放音和麦克风录音的干扰，最终录制的声音信号的频域特性会发生一定程度的衰减和改变。 因此，隐马尔可夫模型HMM被用来识别和解码声波。
隐马尔可夫模型（HMM）是一种描述具有隐藏未知参数的马尔可夫过程的统计模型。 困难在于从可观察的参数确定过程的隐含参数。 然后，这些参数用于进一步分析，例如模式识别。
在正常的马尔可夫模型中，观察者可以直接看到状态。 这样，状态的转移概率就是所有的参数。 在隐马尔可夫模型中，状态不是直接可见的，但受状态影响的一些变量是可见的。 每个状态在可能的输出符号上都有一个概率分布。 因此，输出符号的序列可以揭示有关状态序列的一些信息。 如下图所示，其中：
x为隐藏状态，可以认为是各个频段的特征；
y为最终确定的频段特性；
a为转换概率，即某个频段特征x1实际被识别为x2的概率；
b为输出概率，即确定某个频段x1，最终输出y1的概率。
图HMM状态转换图
隐马尔可夫模型的概率计算公式可以为：
假设最终输出结果为Y = y(0), y(1), …, y(L-1)；
隐藏条件为 X = x(0), x(1), … , x(L-1);
长度为L，L为频带数，则马尔可夫模型的概率可表示为：
HMM存在三个典型问题：
1）模型参数已知，近似状态转移概率已知，计算特定输出序列的概率。 通常使用算法来解决。
2）给定模型参数，找到最有可能产生特定输出序列的隐藏状态序列。 这通常使用算法来解决。
3）给定输出序列，找到最可能的状态转移和输出概率。 通常使用 Baum-Welch 算法和算法来求解。
本设计满足了三个典型问题中的第一个，即模型参数已知，状态转移概率已知，计算输出序列的概率来确定最终输出，提高抗干扰性，提高识别精度。
3.算法效果及优缺点
通过空气中的声波传输数据，1~2秒即可传输数十亿数据（4byte=32bit数据），识别时间高度稳定。 只有 5% 的识别时间超过 2 秒。 数据传输距离可达10米甚至更远。 可用于一对一和一对多广播数据传输。
3.1 算法效果：
下图是在Mac上播放并被三星S6手机识别的声波。 在咖啡厅、公交车站、地铁站等地进行了测试，测试数据超过1000次。 横轴为mac与手机之间的距离，单位为米； 纵轴是识别数据所需的平均时间，以秒为单位。
图 1. 不同环境中不同距离处识别声波的平均时间。
从1米的识别测试结果可以看出识别数据的时间稳定性，如下图所示。 将1000次测试的结果按照识别时间重新排序，如下图。 可以看出，超过2秒的识别仅占5%。 。
图1000次识别的测试重排序图
3.2 声波的优点和缺点
优势：
缺点：
PS：欢迎有兴趣的同学一起讨论！
微信扫一扫打赏
支付宝扫一扫打赏
