自動(dòng)說話人確認(rèn)技術(shù)(Automatic speaker verification,ASV)是生物識(shí)別技術(shù)的一種,通過說話人的語音信號(hào)自動(dòng)確定該說話人的身份。在實(shí)際身份驗(yàn)證場(chǎng)景中,欺騙者通過語音轉(zhuǎn)換、語音合成和錄音重放就能得到與真實(shí)語音非常相似的欺騙語音。目前的ASV系統(tǒng)很難檢測(cè)到欺騙語音與真實(shí)語音之間的細(xì)微差別,欺騙語音可以輕松地通過ASV系統(tǒng),這對(duì)ASV系統(tǒng)的安全性造成了嚴(yán)重的威脅。因此,近年來說話人確認(rèn)反欺騙技術(shù)得到了越來越多的關(guān)注。本文主要對(duì)基于高斯混合模型(Gaussian Mixture Model,GMM)、i-vector和輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)(Light Convolution Neural Network,LCNN)的說話人確認(rèn)反欺騙模型在得分融合方面進(jìn)行研究。為了提高說話人確認(rèn)反欺騙模型的準(zhǔn)確率和魯棒性,本文提出在基于不同攻擊方法和重放配置下分別對(duì)GMM模型、i-vector模型和LCNN模型進(jìn)行不同模型的得分融合。本文實(shí)驗(yàn)均在ASVspoof挑戰(zhàn)數(shù)據(jù)集上進(jìn)行,相關(guān)工作總結(jié)如下:首先,本文對(duì)基于不同攻擊方法和重放配置的GMM模型使用概率規(guī)整、線性回歸和支持向量機(jī)(Sup...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景與意義
    1.2 說話人確認(rèn)反欺騙研究及現(xiàn)狀分析
        1.2.1 欺騙攻擊方法
        1.2.2 說話人確認(rèn)反欺騙技術(shù)研究歷史與現(xiàn)狀
    1.3 主要研究?jī)?nèi)容
    1.4 本文的主要結(jié)構(gòu)
2 說話人確認(rèn)反欺騙系統(tǒng)
    2.1 說話人確認(rèn)反欺騙系統(tǒng)總體框架
    2.2 特征提取
    2.3 說話人確認(rèn)反欺騙模型
        2.3.1 GMM模型
        2.3.2 i-vector模型
        2.3.3 卷積神經(jīng)網(wǎng)絡(luò)模型
    2.4 評(píng)估數(shù)據(jù)集
        2.4.1 ASVspoof2015 數(shù)據(jù)集
        2.4.2 ASVspoof2019 數(shù)據(jù)集
    2.5 衡量指標(biāo)
        2.5.1 等錯(cuò)誤率與DET曲線
        2.5.2 串聯(lián)檢測(cè)代價(jià)函數(shù)t-DCF
    2.6 本章小結(jié)
3 基于GMM模型的說話人確認(rèn)反欺騙方法
    3.1 GMM-LLR基線系統(tǒng)
    3.2 基于不同攻擊方法和重放配置的GMM模型得分融合
        3.2.1 基于不同攻擊方法的GMM模型得分融合
        3.2.2 基于不同重放配置的GMM模型得分融合
    3.3 得分融合方法
        3.3.1 線性回歸
        3.3.2 概率規(guī)整
        3.3.3 支持向量機(jī)
    3.4 實(shí)驗(yàn)設(shè)置及結(jié)果分析
        3.4.1 實(shí)驗(yàn)設(shè)置
        3.4.2 基于攻擊方法的GMM模型得分融合實(shí)驗(yàn)
        3.4.3 基于重放配置的GMM模型得分融合實(shí)驗(yàn)
    3.5 本章小結(jié)
4 基于i-vector模型的說話人確認(rèn)反欺騙方法
    4.1 i-vector模型
        4.1.1 信道補(bǔ)償
        4.1.2 長(zhǎng)度規(guī)整
    4.2 打分模型
        4.2.1 余弦距離
        4.2.2 概率線性判別分析
        4.2.3 支持向量機(jī)
    4.3 基于不同攻擊方法和重放配置的i-vector模型
        4.3.1 基于不同攻擊方法的i-vector模型
        4.3.2 基于不同重放配置的i-vector模型
    4.4 基于不同攻擊方法和重放配置的i-vector模型得分融合
    4.5 實(shí)驗(yàn)設(shè)置及結(jié)果分析
        4.5.1 實(shí)驗(yàn)設(shè)置
        4.5.2 i-vector模型實(shí)驗(yàn)
        4.5.3 基于攻擊方法和重放配置的i-vector模型實(shí)驗(yàn)
        4.5.4 基于攻擊方法和重放配置的i-vector得分融合
    4.6 本章小結(jié)
5 基于LCNN模型的說話人確認(rèn)反欺騙方法
    5.1 CNN模型
        5.1.1 非線性激活函數(shù)
        5.1.2 防過擬合策略
    5.2 基于LCNN的說話人確認(rèn)反欺騙模型
        5.2.1 語譜圖
        5.2.2 MFM激活函數(shù)
    5.3 實(shí)驗(yàn)設(shè)置及結(jié)果分析
        5.3.1 實(shí)驗(yàn)設(shè)置
        5.3.2 LCNN模型實(shí)驗(yàn)
        5.3.3 基于攻擊方法和重放配置的LCNN模型實(shí)驗(yàn)
        5.3.4 基于攻擊方法和重放配置的LCNN模型得分融合
    5.4 本章小節(jié)
6 結(jié)論與展望
參考文獻(xiàn)
致謝
在讀期間公開發(fā)表論文(著)及科研情況



本文編號(hào)：4036515