目前，在許多場所，音頻監(jiān)控的使用已經(jīng)普及開來。

       音頻監(jiān)控在公共場所(公園、校園、高速公路等)中使用已經(jīng)非常廣泛。一套完整的音頻監(jiān)控系統(tǒng)包括聲音采集部分、語音降噪處理部分、網(wǎng)絡(luò)錄音部分、語音對講部分、聲音智能分析部分。通過音頻監(jiān)控的場景分析來判斷公共場景下的異常行為，這種技術(shù)是基于各類異常聲音在時域、頻域的特征，結(jié)合模式識別的分類方法可以對異常事件報警。

 

       國家在對一些特殊的場地，場合，要求有視頻必須有音頻同步。例如檢察院審訊同步錄音錄像系統(tǒng)、公安局預(yù)審系統(tǒng)、看守所監(jiān)獄監(jiān)管系統(tǒng)等。北京地鐵、首都機場等公共交通樞紐也要有音頻監(jiān)控。在監(jiān)獄里，音頻監(jiān)控除了取證功能外，還可以起到預(yù)警作用，如發(fā)現(xiàn)“獄霸打架”。一般人說話的聲音強度大都在50分貝以內(nèi)，傳播的距離在30米左右，當音量高過一定分貝就可以起到報警作用，為避免造成更大的傷害起到一定的作用。

 

       近年來，隨著視頻監(jiān)控的普及，家庭、個人商鋪等的安防使用監(jiān)控系統(tǒng)越來越多，而對于家庭來說，監(jiān)控承擔了防盜，更成為家庭溝通交流的平臺，因此兼具音視頻功能的音頻監(jiān)控設(shè)備是當前家庭監(jiān)控的主流。具有音頻采集功能的家庭監(jiān)控，在小偷進入家門時，還可以進行遠程喊話，起到預(yù)警作用。

       音頻與視頻的有效結(jié)合能有效提升監(jiān)控質(zhì)量，滿足更多現(xiàn)實的需求，對于提升安全系數(shù)、提高破案能力等都有很大幫助。而事實上，音視頻結(jié)合監(jiān)控也給安防行業(yè)帶來新的發(fā)展方向。隨著數(shù)字網(wǎng)絡(luò)高清監(jiān)控的發(fā)展和普及，尤其是近兩年來價格戰(zhàn)和行業(yè)洗牌，安防行業(yè)的高清視頻已經(jīng)嚴重同質(zhì)化了，而音頻領(lǐng)域，廠家沒有那么多，在技術(shù)與質(zhì)量也還有很大的提升空間，是值得關(guān)注的方向。

        那么音頻監(jiān)控如何融入到視頻監(jiān)控中來呢?其實，和視頻監(jiān)控一樣，音頻監(jiān)控同樣面臨數(shù)字化智能化的變革。目前，在視頻監(jiān)控領(lǐng)域智能分析是大家看好的方向，而海量的音頻數(shù)據(jù)同樣需要通過智能分析和判別才能更有意義，所以視頻監(jiān)控廠商在發(fā)展音頻方向的同時， 同樣需要加強智能分析方面的能力，而不是停留在存儲和監(jiān)聽的基本功能上。

       語音識別是大家比較熟悉的技術(shù)，目前在很多設(shè)備中都有應(yīng)有。比如大家日常用的手機，語音識別技術(shù)使用已經(jīng)較成熟。語音識別技術(shù)就是讓機器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)。語音識別技術(shù)經(jīng)過幾十年的發(fā)展，基于深度學(xué)習(xí)的人工智能語音將得到大范圍的應(yīng)用。

        聲紋識別屬于生物識別技術(shù)的一種，是一項根據(jù)語音波形中反映說話人生理和行為特征的語音參數(shù)，自動識別說話人身份的技術(shù)。與語音識別不同的是，聲紋識別利用的是語音信號中的說話人信息，而不考慮語音中的字詞意思，它強調(diào)說話人的個性，而語音識別的目的是識別出語音信號中的言語內(nèi)容，并不考慮說話人是誰，它強調(diào)共性。

       音頻監(jiān)控經(jīng)過多年的發(fā)展，已經(jīng)可以做到通過聲音的識別來判斷說話人的情緒、所處的環(huán)境等問題。而在音頻監(jiān)控環(huán)節(jié)中，聲紋識別提供了重要的技術(shù)支撐。目前，聲紋識別的世界市場占有率15.8%，僅次于指紋和掌紋的生物特征識別，并有不斷上升的趨勢。

 

       人們經(jīng)常借助聽覺來判斷發(fā)音物體的位置。例如，當你獨自行走時，突然聽到一個響聲，你會立刻判斷出這個聲音是什么聲音、對你有無威脅、它來自何方等等。確定聲音的方向和距離需要比較來自兩耳信息，雖然你會很快做判斷和反應(yīng)，但聲音定位過程是聽覺系統(tǒng)復(fù)雜綜合的功能。而監(jiān)控系統(tǒng)中的聲音定位則是通過強度差、時間差、因色差、相位差等來實現(xiàn)的。

 

       作為人們感知外界環(huán)境的一個重要通道，聽覺在視線障礙、不利光照條件等情況中可起到視覺無法替代的作用，是視覺的重要補充。相比于圖像數(shù)據(jù)，音頻信號往往可使用相對簡單的設(shè)備進行采集并且占用更少的存儲空間和處理時間。隨著當前移動平臺計算能力的不斷提高，出現(xiàn)了越來越多基于音頻的各類應(yīng)用，所涉及的音頻處理算法一直是相關(guān)研究領(lǐng)域的重點。其中，提取、分析和有效利用音頻數(shù)據(jù)所攜帶的語義信息，對基于內(nèi)容的多媒體檢索、摘要以及開發(fā)上下文自適應(yīng)的應(yīng)用等具有重要意義。音頻場景分析主要是為了分析、決策、預(yù)警所監(jiān)聽環(huán)境下發(fā)生的異常行為。其核心技術(shù)是基于各類異常聲音在時域、頻域的特征，結(jié)合模式識別的分類方法對異常事件報警。