近年來,審計機關(guān)除了在日常審計工作中需要開展個別訪談外,也有越來越多的審計人員參與到巡視的訪談工作中。但是,審計機關(guān)的信息化建設(shè)側(cè)重點大多偏向文本等結(jié)構(gòu)化數(shù)據(jù)的分析運用,對于訪談中語音和微表情信息的異常情況無法及時做出科學判斷。在此背景下,本文提出一種面向語音與微表情信息異常性的深度分析方案,并進行深入研究,為審計機關(guān)獲取語音及微表情信息的準確性、時效性提供了強有力的支撐。 

【文章來源】：江蘇通信. 2019,35(04)

【文章頁數(shù)】：4 頁

【部分圖文】：

語音信號的特征提取和模式匹配圖1語音異常性分析技術(shù)路線示意圖在語音異常性

?SHREVEM指出在進行微表情異常性分析時應當引入光流閾值，從而實現(xiàn)微表情的檢測功能；文獻《TheMachineKnowsWhatYouareHiding：AnAutomaticMicro-ExpressionRecognitionSystem》提出了一種借助支持向量機和Gabor（Gabor函數(shù)是用于邊緣提取的線性濾波器）濾波的微表情異常性分析方案。一個完整的微表情異常性分析過程一般包含以下四個步驟：（1）樣本采集；（2）預處理；（3）特征提��；（4）分類。技術(shù)路線如圖2所示。其中，特征提取和分類是成功分析微表情異常性的關(guān)鍵步驟。在特征提取步驟中，針對序列圖像需要對形變特征和幀間運動數(shù)據(jù)進行聯(lián)合分析；而分類則需要考慮算法的識別精度、成本花費（時間成本、推廣成本等），目前的主流算法有隨機森林算法和支持向量機算法等。圖1語音異常性分析技術(shù)路線示意圖圖2微表情異常性分析技術(shù)路線示意圖


本文編號：3308851