Hangfelismerés

A hangfelismerés a biometrikus hitelesítés egyik formája, amely lehetővé teszi egy személy azonosítását egyedi hangjellemzők kombinációja alapján . A biometrikus adatok dinamikus módszereire utal . Mivel azonban az ember hangja az életkortól, érzelmi állapottól, egészségi állapottól, hormonszinttől és számos egyéb tényezőtől függően változhat, ez nem teljesen pontos [1] . A hangrögzítési és -visszaadási technológia fejlődésével a felismerési technológiát változó sikerrel alkalmazzák az információbiztonság , a biztonsági és hozzáférési rendszerek, valamint a kriminalisztika területén .

Történelem

A beszédfelismeréssel kapcsolatos munka a múlt század közepéig nyúlik vissza. Az első rendszert az 1950-es évek elején hozták létre: fejlesztői a számok felismerését tűzték ki maguk elé. A kifejlesztett rendszer képes volt azonosítani a számokat , de egy hangon beszélve, mint például a Bell Laboratories "Audrey" rendszere . Azon dolgozott, hogy meghatározta a formánst az egyes beszédrészek teljesítményspektrumában [2] . Általánosságban elmondható, hogy a rendszer három fő részből állt: analizátorokból és kvantálókból, hálózati illesztő sablonokból és végül érzékelőkből. Különféle frekvenciaszűrők, kapcsolók, valamint gáztöltésű csövek elemi bázisán jött létre az érzékelők részeként [3] .

Az évtized végére megjelentek olyan rendszerek, amelyek a beszélőtől függetlenül felismerték a magánhangzókat [4] . A 70-es években új módszereket kezdtek alkalmazni, amelyek lehetővé tették a tökéletesebb eredmények elérését - a dinamikus programozási módszert [5] és a lineáris előrejelzési módszert (Linear Predictive Coding - LPC). Az előbb említett cégnél, a Bell Laboratories-nál olyan rendszereket hoztak létre, amelyek pontosan ezeket a módszereket használják [6] . A 80-as években a hangfelismerő rendszerek fejlesztésének következő lépése a rejtett Markov-modellek (Hidden Markov Models – HMM) alkalmazása volt. Ekkoriban kezdtek megjelenni az első nagyobb hangfelismerő programok, mint például a Kurzweil text-to-speech [7] . A 80-as évek végén a mesterséges neurális hálózatok (Artificial Neural Network – ANN) [8] módszereit is alkalmazni kezdték . 1987-ben megjelent a piacon a Worlds of Wonder's Julie baba, amely képes volt megérteni a hangot [7] . És 10 évvel később a Dragon Systems kiadta a "NaturallySpeaking 1.0" [9] programot .

Megbízhatóság

A hangfelismerési hibák fő forrásai a következők:

rögzítési környezet (környezeti zaj szintje és típusa, visszhangzás szintje );
prezentációs hatás (a beszéd időtartama, a beszélő pszichofiziológiai állapota (betegség, érzelmi állapot stb.), a beszéd nyelve, akcentus, beszédhangerő);
alacsony csatornaminőség (zaj, a mikrofon és az átviteli csatorna torzulása, a kódolás típusa a csatornában stb.) [10] .

Külön feladattípusként különíthető el a nemek felismerése, amit meglehetősen sikeresen megoldanak - nagy mennyiségű kiindulási adat mellett szinte hiba nélkül megtörténik a nem meghatározása, rövid szövegrészekben pedig, mint egy hangsúlyos magánhangzó, a hiba valószínűsége 5,3% a férfiaknál, ill. 3,1% a nők esetében [11] .

A hangutánzás problémáját is figyelembe vették. A France Telecom tanulmányai kimutatták, hogy a professzionális hangutánzás gyakorlatilag nem növeli az identitáshiba valószínűségét – az imitátorok csak külsőleg hamisítják a hangot, hangsúlyozva a beszéd jellegzetességeit, de a hang alapvető körvonalait nem tudják meghamisítani. Még a közeli rokonok, ikrek hangja is különbséget fog tenni, legalábbis az irányítás dinamikájában [11] . De a számítástechnika fejlődésével egy új probléma merült fel, amely új elemzési módszerek alkalmazását teszi szükségessé - a hangtranszformáció, amely 50% -ra növeli a hiba valószínűségét [11] .

A rendszer megbízhatóságának leírására két kritériumot használnak: FRR (False Rejection Rate) - a hozzáférés hamis megtagadásának valószínűsége ( első típusú hiba ) és FAR (False Acceptance Rate) - a hamis befogadás valószínűsége. amikor a rendszer tévesen valaki mást sajátjaként azonosít (második típusú hiba) . Ezenkívül a felismerési rendszereket olykor egy olyan paraméter jellemzi, mint az EER (Equal Error Rates), amely az FRR és FAR valószínűségek egybeesési pontját jelenti. Minél megbízhatóbb a rendszer, annál alacsonyabb az EER [12] .

Az azonosítási hibák értékei különböző biometrikus módozatokhoz [10]

biometrikus jel	Teszt	Teszt feltételek	FRR%	MESSZE%
Ujjlenyomatok	FVC 2006	Heterogén lakosság (beleértve a fizikai munkásokat és az időseket)	2.2	2.2
Arc	MBE 2010	Rendőrségi Fotóbázis Fényképek adatbázisa dokumentumokból	4.0 0.3	0.1 0.1
Hang	NIST 2010	Szövegfüggetlen felismerés	3...4	1.0
A szem szivárványhártyája	ICE 2006	Szabályozott világítás, széles képminőség	1.1…1.4	0.1

Alkalmazás

A felismerés két fő területre osztható: azonosítás és ellenőrzés . Az első esetben a rendszernek önállóan kell hangon azonosítania a felhasználót; a második esetben a rendszernek meg kell erősítenie vagy meg kell tagadnia a felhasználó által bemutatott azonosítót [11] . A vizsgált beszélő meghatározása a hangmodellek páronkénti összehasonlításából áll, amelyek figyelembe veszik az egyes beszélők beszédének egyéni jellemzőit. Így először egy kellően nagy adatbázist kell összegyűjtenünk. Ennek az összehasonlításnak az eredményei alapján pedig összeállítható azoknak a hangfelvételeknek a listája, amelyek bizonyos valószínűséggel a minket érdeklő felhasználó beszéde [11] .

Bár a hangfelismerés nem garantálja a 100%-ban helyes eredményt, meglehetősen hatékonyan használható olyan területeken, mint a kriminalisztika és a kriminalisztika; hírszerző szolgálat; terrorizmusellenes megfigyelés; biztonság; banki és így tovább [11] .

Elemzés

A beszédjel feldolgozásának teljes folyamata több fő szakaszra osztható:

jel előfeldolgozása;
kritériumok kiválasztása;
hangszóró felismerés.

Mindegyik szakasz egy-egy algoritmust vagy algoritmusok halmazát képviseli, ami végül a kívánt eredményt adja [13] .

A hang fő jellemzőit három fő tulajdonság alkotja: a hangredők oszcillációinak mechanikája, a hangpálya anatómiája és az artikulációt vezérlő rendszer. Ezen kívül esetenként lehetőség van a beszélő szótárának, beszédfordulatainak használatára [11] . A főbb jellemzők, amelyek alapján a beszélő személyiségéről döntés születik, a beszédprodukciós folyamat összes tényezőjének figyelembevételével alakul ki: a hangforrás, a hangcsatorna rezonanciafrekvenciái és azok csillapítása, valamint az artikuláció szabályozásának dinamikája. Ha részletesebben megvizsgáljuk a forrásokat, akkor a hangforrás tulajdonságai közé tartozik: az alaphang átlagos frekvenciája, az alaphang frekvenciájának kontúrja és ingadozásai, valamint a gerjesztő impulzus alakja. A hangpálya spektrális jellemzőit a spektrum burkológörbéje és átlagos meredeksége, formáns frekvenciái , hosszú távú spektruma vagy cepstrum írja le . Ezen kívül a szavak időtartamát, a ritmust (feszültségeloszlást), a jelszintet, a szünetek gyakoriságát és időtartamát is figyelembe veszik [14] . Ezeknek a jellemzőknek a meghatározásához meglehetősen bonyolult algoritmusokat kell alkalmazni, de mivel például a formáns frekvenciák hibája meglehetősen nagy, az egyszerűsítés kedvéért a spektrum burkolójából vagy a hangpálya átviteli függvényéből számolt cepstrum együtthatók . lineáris predikciós módszert alkalmazunk. Az említett cepstrum együtthatók mellett ezek első és második időbeli különbségét is felhasználjuk [11] . Ezt a módszert először Davis és Mermelstein javasolta [15] .

Cepstralis elemzés

A hangfelismeréssel foglalkozó munkákban a legnépszerűbb módszer a beszédjelek spektrumának cepstralis transzformációja [11] . A módszer sémája a következő: 10-20 ms időintervallumban kiszámítjuk az aktuális teljesítményspektrumot, majd ennek a spektrumnak a logaritmusának inverz Fourier-transzformációját (cepstrum) alkalmazzuk, és meghatározzuk az együtthatókat: , - felső frekvencia a beszédjel-spektrumban, - teljesítményspektrum. Az n cepstralis együtthatók száma a spektrum szükséges simításától függ, és 20-tól 40-ig terjed. Ha sávszűrő bankot használunk , akkor a diszkrét cepstralis transzformációs együtthatókat a következőképpen számítjuk ki , ahol Y(m) a kimenő jel az m-edik szűrő, az n-edik cepstrum együttható. $c_{n}={\frac {1}{\Theta }}\int _{0}^{\Theta }{\mid S(j,\omega ,t)\mid }^{2}\ exp ^{-jn\omega \Omega }d\omega$ $\Omega =2{\frac {2\pi }{\Theta )),\Theta$ ${\displaystyle {\mid S(j,\omega ,t)\mid }^{2))$ ${\displaystyle c_{n}=\sum _{m=1}^{N}\log {Y(m)^{2))\cos ({\frac {\pi n}{M))(m- {\frac {1}{2))))))$ $c_{n}$

A hallási tulajdonságokat a frekvencia skála nemlineáris transzformációja veszi figyelembe, általában a krétaskálában [11] . Ez a skála az úgynevezett kritikus sávok fülben való jelenléte alapján jön létre, így a kritikus sávon belül bármely frekvenciájú jel megkülönböztethetetlen. A mel skálát a következőképpen számítjuk ki , ahol f a frekvencia Hz-ben, M a frekvencia melben. Vagy egy másik skálát használnak - bark , úgy, hogy a két frekvencia közötti különbség a kritikus sávval egyenlő 1 bark. A B gyakoriságot a következőképpen számítjuk ki . Az irodalomban található együtthatókat néha MFCC - Mel Frequiency Cepstral Coefficients néven említik. Számuk 10-től 30-ig terjed. A cepstralis együtthatók első és második időkülönbségének alkalmazása megháromszorozza a döntési tér dimenzióját, de javítja a beszélőfelismerés hatékonyságát [11] . $M(f)=1125\ln {(1+{\frac {f}{700))))$ $B=13\operátornév {arctg{(0,00076f)}} +3.5\operátornév {arctg{\frac {f}{7500}}}$

A cepstrum a jel spektrum burkológörbéjének alakját írja le, amelyet mind a gerjesztőforrás tulajdonságai, mind a hangpálya jellemzői befolyásolnak. A kísérletek során azt találták, hogy a spektrum burkológörbéje erősen befolyásolja a hang felismerését. Ezért a különböző spektrumburkológörbe-elemzési módszerek alkalmazása hangfelismerésre teljes mértékben indokolt [11] .

Módszerek

Mivel sok rendszer használja a cepstralis együtthatók terét, azok első és második különbségét, ezért nagy figyelmet fordítanak a döntési szabályok felépítésére. A legnépszerűbb módszerek a jellemzőtérben a valószínűségi sűrűség közelítésére normál eloszlások súlyozott keverékével ( GMM - Gauss Mixture Models), a támogatási vektorgéppel (SVM - Support Vector Machines), a rejtett Markov-modellek módszerével (HMM - Hidden Markov-modellek), mesterséges neurális hálózatok , valamint a faktoranalízis módosításai [11] .

A GMM módszer abból a tételből következik, hogy bármely valószínűségi sűrűségfüggvény ábrázolható normáleloszlások súlyozott összegeként:

${\displaystyle p(x|\lambda )=\sum _{j=1}^{k}{\omega _{j}\phi (\chi ,\Theta _{j)))))$ ; a hangszóró modellje, k a modell komponenseinek száma; — a komponensek súlya olyan, hogy a többdimenziós argumentum eloszlásfüggvénye [11] . , - tömege, k - a keverékben lévő komponensek száma. Itt n a jellemzőtér dimenziója, a keverék j-edik komponensének matematikai várakozásának vektora és a kovarianciamátrix . $\lambda$ ${\omega _{j))$ $\sum _{j=1}^{n}{\omega _{j}}=1.$ $\phi (\chi ,\Theta _{j})$ ${\displaystyle \chi ,\Theta _{j))$ $\phi (\chi ,\Theta _{j})=p(\chi \mid \mu _{j},R_{j})={\frac {1}{({2\pi }) ^{\frac {n}{2}}{\mid R_{j}\mid }^{\frac {1}{2}}}}\exp {\frac {-1(\chi -\mu _{ j})^{T}R_{j}^{-1}(\chi -\mu _{j})}{2}}$ ${\displaystyle \omega _{j))$ $\mu _{j}\in \mathbb {R} ^{n}$ ${\displaystyle R_{j}\in \mathbb {R} ^{n\times n))$

Az ezzel a modellel rendelkező rendszerek nagyon gyakran diagonális kovariancia mátrixot használnak. Használható minden modell alkatrészhez vagy akár minden modellhez. A kovarianciamátrix, súlyok, átlagvektorok megtalálásához gyakran használják az EM algoritmust . A bemeneten van egy X = {x 1 , vektorok tanító sorozata. . . , x T } . A modellparaméterek inicializálása kezdeti értékekkel történik, majd az algoritmus minden iterációja során a paraméterek újraértékelésre kerülnek. A kezdeti paraméterek meghatározásához általában egy klaszterező algoritmust használnak , például a K-közép algoritmust . Miután a betanító vektorok halmazát M klaszterre osztottuk, a modell paraméterei a következőképpen definiálhatók: a kezdeti értékek egybeesnek a klaszterek középpontjával, a kovariancia mátrixok kiszámítása az ebbe a klaszterbe eső vektorok alapján történik, a komponensek súlyát ennek a klaszternek a vektorainak a képzési vektorok teljes számához viszonyított aránya határozza meg. ${\displaystyle \mu _{j))$

A paraméterek újraértékelése a következő képletek szerint történik:

utólagos valószínűségek számítása (Becslési lépés): . ${\displaystyle p(i|\chi _{t},\lambda )={\frac {\omega _{i}\phi (\chi _{t},\Theta _{i})}{ \sum _{j=1}^{k}{\omega _{j}\phi (\chi _{t},\Theta _{j})))}}$
új modellparaméterek számítása (Maximalizálási lépés): ; ; . A lépéseket addig ismételjük, amíg el nem érjük a [16] paraméterek konvergenciáját . $\omega _{j}={\frac {\sum _{j=1}^{k}{p(i|\chi _{j},\lambda ))){T))$ ${\mu _{i}={\frac {\sum _{t=1}^{n}{p(i|\chi _{t},\lambda )\chi _{t))} {\sum _{t=1}^{n}{p(i|\chi _{t},\lambda ))))))$ ${R_{i}={\frac {\sum _{t=1}^{n}{p(i|\chi _{t},\lambda )(\chi _{t}-\mu _{i}){(\chi _{t}-\mu _{i})}^{T))}{\sum _{t=1}^{n}{p(i|\chi _{ t},\lambda )}}}}}$

A GMM a vektorkvantálási módszer ( centroid módszer ) kiterjesztésének is nevezhető . Használatakor egy kódkönyv jön létre a jellemzőtér nem átfedő régióihoz (gyakran K-közepű klaszterezéssel). A vektorkvantálás a kontextusfüggetlen felismerő rendszerek legegyszerűbb modellje [11] .

A támogatási vektorgép (SVM) egy többdimenziós térben egy hipersíkot hoz létre, amely két osztályt választ el - a célhangszóró paramétereit és a hangszórók paramétereit a referenciabázistól. A hipersíkot speciális módon kiválasztott támaszvektorok segítségével számítják ki. A mért paraméterek terének nem lineáris transzformációja egy magasabb dimenziójú jellemzők terébe történik, mivel előfordulhat, hogy az elválasztó felület nem felel meg a hipersíknak. Az elválasztó felületet a hipersíkban a tartóvektor gép alkotja meg, ha az új jellemzőtérben a lineáris elválaszthatóság feltétele teljesül. Így az SMM alkalmazás sikere minden esetben a választott nemlineáris transzformációtól függ. A támogató vektorgépeket gyakran használják GMM-mel vagy HMM-mel. Általában a néhány másodperces rövid frázisoknál a fonémaérzékeny HMM-ek [11] jobban használhatók a kontextusfüggő megközelítéshez .

Népszerűség

A New York-i székhelyű International Biometric Group tanácsadó cég szerint a legelterjedtebb technológia az ujjlenyomat-szkennelés. Megjegyzendő, hogy a biometrikus eszközök eladásából származó 127 millió dolláros bevételből 44% a daktiloszkópiai szkennerek részesedése. Az arcfelismerő rendszerek a második helyen állnak 14%-kal, ezt követi a tenyérforma-felismerés (13%), a hangfelismerő (10%) és az íriszfelismerés (8%). Az aláírás-ellenőrző eszközök a lista 2%-át teszik ki. A hangbiometrikus piac legismertebb gyártói a Nuance Communications, a SpeechWorks, a VeriVoice [17] .

2016 februárjában a The Telegraph közzétett egy cikket, amelyben bejelentette, hogy az Egyesült Királyság HSBC bankjának ügyfelei hangazonosítással hozzáférhetnek számlákhoz és tranzakciókat hajthatnak végre. Az átállásnak a nyár elején kellett megtörténnie [18] .

Jegyzetek

↑ E. K. Bragina, S. S. Szokolov. A biometrikus hitelesítés modern módszerei: a fejlesztési kilátások áttekintése, elemzése és meghatározása // Vestnik ASTU. - 2016. - 61. sz . — ISSN 1812-9498 .
↑ KH Davis, R. Biddulph és S. Balashek. A kimondott számjegyek automatikus felismerése // J. Acoust. szoc. Am..
↑ BH Juang és Lawrence R. Rabiner. Automatikus beszédfelismerés – A technológiafejlesztés rövid története // USCB. - 2004. - október. Az eredetiből archiválva: 2016. december 20.
↑ JW Forgie és CD Forgie,. Magánhangzó-felismerő számítógépes programból nyert eredmények // J. Acoust. szoc. Am., 31.
↑ H. Sakoe és S. Chiba. Dinamikus programozási algoritmus optimalizálás kimondott szófelismeréshez // ASSP.
↑ F. Itakura és S. Saito, "Analysis synthesis telephony based on the maximum likelihood method", Jelentések a 6. Nemzetközi Akusztikai Kongresszusról
↑ 1 2 Beszédfelismerés az évtizedeken keresztül: Hogyan végeztünk Sirivel , PCWorld . Az eredetiből archiválva: 2016. december 6. Letöltve: 2016. december 14.
↑ JK Baker. Sztochasztikus modellezés az automatikus beszédmegértéshez. — Akadémiai Kiadó.
↑ Nuance Dragon természetesen beszélő, orvosi átírás, hangfelismerő szoftver . www.dragon-medical-transcription.com. Letöltve: 2016. december 14. Az eredetiből archiválva : 2015. augusztus 13.. (határozatlan)
↑ 1 2 Yu. N. Matveev Egy személy biometrikus azonosításának technológiái hanggal és egyéb módozatokkal
↑ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 V. N. Sorokin, V. V. Vyugin, A. A. Tananykin Személyiségfelismerés hanggal: analitikus áttekintés
↑ A biometrikus azonosítás jellemzői (elérhetetlen link) . Letöltve: 2016. december 2. Az eredetiből archiválva : 2017. május 19. (határozatlan)
↑ Tassov K. L., Dyatlov R. A. A személy hang alapján történő azonosításának módszere
↑ Kuwabara H., Sagisaka Y. (1995)
↑ Davis S., Mermelstein P. (1980)
↑ E.A. Pervushin. A beszélőfelismerés főbb módszereinek áttekintése // Matematikai struktúrák és modellezés. – 2011.
↑ A Nemzetközi Biometrikus Csoport (IBG) november 13-án közzéteszi a 2009-2014-es biometrikus piaci és ipari jelentés webes közvetítését és közzétételét – FindBiometrics , FindBiometrics ( 2008. november 11.). Az eredetiből archiválva : 2016. november 30. Letöltve: 2016. november 29.
↑ Tim Wallace . A jelszavak halála: az HSBC elindítja a hang- és ujjlenyomat-azonosítót , a The Telegraph (2016. február 19.). Az eredetiből archiválva : 2016. november 30. Letöltve: 2016. november 29.

Források

Yu. N. Matveev A biometrikus személyazonosítás hang- és egyéb módozatai technológiái – ISSN 0236-3933. Bulletin of MSTU im. N. E. Bauman. Ser. "Hangszerkészítés". 2012
V. N. Sorokin, V. V. Vyugin, A. A. Tananykin Személyiségfelismerés hanggal: analitikus áttekintés – ISSN 1819-5822 Információs folyamatok, 12. kötet, 1. szám, 1-30.
Tassov K. L., Dyatlov R. A. A személy hang alapján történő azonosításának módszere. Mérnöki Folyóirat: Tudomány és Innováció, 2013, sz. 6. URL: http://engjournal.ru/catalog/it/biometric/1103.html
Lamel LF, Gauvain JL (2000). Hangszóró ellenőrzése telefonon. Journal Speech Communication – Hangszórófelismerés és kereskedelmi és kriminalisztikai alkalmazásai
Kuwabara H., Sagisaka Y. (1995). A hangszóró egyéniségének akusztikai jellemzői: vezérlés és átalakítás. Beszédkommunikáció
Davis S., Mermelstein P. (1980). Paraméteres reprezentációk összehasonlítása egyszótagú szófelismeréshez folyamatosan beszélt mondatokban. IEEE Trans. Akusztika, beszéd, jelfolyamat.

Linkek

Computerworld Russia (2014) No. 25. Hanggal és megjelenéssel történő hitelesítés (2014.10.13.). Hozzáférés időpontja: 2021. augusztus 6. (határozatlan)
Mik azok a biometrikus adatok? . Keresse meg a biometrikus adatokat. Hozzáférés időpontja: 2021. augusztus 6. (határozatlan)