СПОСОБ АУТЕНТИФИКАЦИИ ДИКТОРА ПО ПАРОЛЬНОЙ ФРАЗЕ Российский патент 2011 года по МПК G10L15/00 G10L17/00 

Изобретение относится к области техники анализа речи, в частности к системам ограничения несанкционированного доступа в помещения или информационным ресурсам. Техническим результатом является повышение достоверности распознавания диктора при использовании парольной фразы ограниченной длины. Технический результат достигается тем, что в звуковом файле находятся интервалы, содержащие особые точки, выделяемые обобщенной процедурой линейного предсказания, в качестве параметрического описания звукового файла берется низкочастотная часть вейвлет преобразования от нормированной функции распределения особых точек.

Заявляемый способ относится к области техники анализа речи, в частности к системам ограничения несанкционированного доступа в помещения или к информационным ресурсам.

Известны способы и устройства для распознавания дикторов по речевому файлу, не зависящему от текста, на основе оценки статистических параметров в файле [1].

Данный способ предполагает наличие звукового файла для настройки и анализа продолжительностью порядка минуты, что не может быть применимо для аутентификации по парольной фразе, продолжительность которой составляет около 2-3 секунд.

Наибольшую популярность получили методы оценки параметров в модели на основе смеси Гауссовских распределений, например [2].

Этот метод позволяет распознавать диктора по произвольной фразе, но и в этом способе необходимы звуковые файлы продолжительностью порядка половины минуты, и сама процедура подсчета параметров требует значительных вычислительных ресурсов.

Известен метод идентификации диктора на основе коэффициентов линейного предсказания, теория которого представлена в [3]. Эти коэффициенты подсчитываются согласно формуле

Недостатком этого метода является слабая устойчивость коэффициентов предсказания, когда размер звукового файла имеет малую длину.

Известен способ идентификации диктора, совпадающий с заявленным решением по наибольшему количеству существенных признаков и достигаемому техническому результату, принятому за прототип, по особенностям произнесения парольной фразы на основе разбиения звукового файла на отдельные зоны и анализу различных параметров, вычисленных по этим зонам [4]. Полученная информация обрабатывается статистическими методами. Решение принимается путем оценки вероятности появления вычисленного вектора параметров в принятой статистической модели с учетом длин доверительных интервалов.

Недостатком известного метода является привязка способа разбиения на зоны к процедуре вычисления основного тона, который по короткой фразе определяется с высокой вариабельностью (изменчивостью). Таким образом, недостатком всех известных методов является отсутствие учета особенностей произнесения последовательности фонем в заданном контексте, который представлен парольной фразой. Известные методы основаны на применении гармонического анализа, предполагающего стационарность исследуемого участка звукового файла, что приводит к ошибкам при исследовании файлов малой длины.

Задачей данного изобретения является создание способа, учитывающего особенности произнесения последовательности отдельных фонем в контексте одной и той же парольной фразы, основанного на оценках параметров, не зависящих от коэффициента усиления микрофона и устойчивых к колебаниям длины звукового файла, отвечающего парольной фразе.

Поставленная задача решается путем выделения особых точек в звуковом файле и методом обработки распределения особых точек. Под особой точкой звукового файла заявителем понимается отсчет в звуковом файле, который сильно отличается от своего окружения. В отличие от метода линейного предсказания отклонение в каждой точке от окружения оценивается по разности между этим отсчетом и линейной аппроксимацией отсчетов как предшествующих этому отсчету, так и следующих за ним.

Заявленное техническое решение реализуется посредством применения ЭВМ с устройством звукового ввода и программы, обеспечивающей реализацию заявленного способа выделения особых точек и способа описания распределения этих особых точек.

Технический результат достигается тем, что способ аутентификации диктора по входному речевому сигналу диктора в виде парольной фразы включает сравнение параметров этого сигнала с заданной точностью ε с заранее сохраненными эталонами параметров входных речевых сигналов в виде той же парольной фразы, произносимых заранее известными дикторами, с последующей аутентификацией, при этом в качестве упомянутых параметров берется низкочастотная часть вейвлет преобразования от нормированной функции распределения особых точек вдоль звукового файла, отвечающего входному речевому сигналу диктора в виде парольной фразы, выделенных сравнением отсчета в этой точке в звуковом файле с предшествующими и последующими отсчетами посредством обобщенных коэффициентов линейного предсказания и порога Т, при этом нормирование функции распределения сводится к приведению ее к стандартной длине Len, принятой при подсчете эталонных параметров входных речевых сигналов в виде парольной фразы, произносимых заранее известными дикторами.

Сущность заявленного технического решения заключается в том, что аутентификация диктора по входному речевому сигналу диктора в виде парольной фразы включает сравнение параметрического описания этого сигнала с заранее сохраненными эталонными параметрическими описаниями входных речевых сигналов в виде той же парольной фразы, произнесенной известными дикторами, с последующей аутентификацией диктора на основе результатов сравнения, характеризуется тем, что в качестве упомянутых параметрических описаний берется низкочастотная часть вейвлет преобразования от нормированной функции распределения особых точек, выделенных сравнением отсчета в звуковом файле с его окружением, определенным посредством 2р обобщенных коэффициентов линейного предсказания и порога Т, при этом нормированная функция распределения особых точек получается из экспериментальной функции распределения путем приведения последней к стандартной длине Len, эта низкочастотная часть сравнивается с эталонными параметрическими описаниями с заданной точностью ε с последующим принятием решения о правильности аутентификации диктора.

Блок-схема алгоритма заявленного способа приведена на чертеже. Блок-схема состоит из четырех последовательно включенных блоков с номерами 1, 2. 3, 4, реализующих заявленный способ.

На вход блока 1 поступает звуковой файл. Этот блок подсчитывает обобщенные коэффициенты линейного предсказания согласно формуле

по формулам, приведенным ниже, и среднеквадратическое отклонение σ по стандартной формуле. В формуле (1) отсчет x_n аппроксимируется линейной комбинацией Р отсчетов до отсчета x_n и р отсчетов после отсчета x_n. Для отыскания коэффициенты a_k, b_k введем следующие обозначения:

, ,

,

,

В этих обозначениях отыскание коэффициентов в (1) сводится к решению системы уравнений

,

Обоснование указанных формул приведено в [5].

Блок 2 определяет, является ли центр интервала длины 2р+1 особой точкой.

На вход блока поступают звуковой файл, среднеквадратическое отклонение σ, обобщенные коэффициенты линейного предсказания a_k, b_k, k=1,…,p и порог T (выбирается из существующей экспериментальной базы КГУ). Для центра каждого интервала проверяется выполнение неравенства

При выполнении неравенства (2) центр интервала объявляется особой точкой. В силу однородности формулы выполнение неравенства (2) не зависит коэффициента усиления микрофона. На выходе блока получается последовательность z_n, состоящая из 1 и 0 в зависимости от того, является ли x_n особой точкой соответствующего интервала длины 2р+1 или не является особой точкой.

На вход блока 3 поступает последовательность {z_n}, сгенерированная блоком 2, и параметр Len, равный степени 2 (выбирается из существующей экспериментальной базы КГУ).

Блок 3 сначала подсчитывает обычную функцию распределения согласно формуле , где N - длина поступившей последовательности z_n. После этого производится нормирование найденной функции согласно формуле G(t)=F(t*N/Len), t=1,…,Len. Значения функции G(t) в виде последовательности длины Len поступают на вход блока 4.

Блок 4 осуществляет вейвлет преобразование полученной последовательности согласно формулам [L,H]=Wav(G), где L - низкочастотная часть, а H - высокочастотная часть вейвлет преобразования (см., например, [6]).

В частности, был использован фильтр Добеши db4. Последовательность L длины Len/2 сравнивается с эталонной последовательностью L′, хранящейся в базе данных КГУ. Если имеет место неравенство |L-L′|<ε, где ε(L) параметр из экспериментальной базы КГУ, то принимается решение о правильной аутентификации, в противном случае принимается решение об отказе в доступе к ресурсу.

Для эксперимента были использованы файлы из базы TIMIT, которая стала фактическим стандартом в задачах исследования речевых фалов. Эта база содержит фразы, произносимые разными дикторами, и эти фразы служили аналогами голосовых паролей.

Для исследования устойчивости найденных параметров использовалась одна и та же фраза, произносимая одним и тем же диктором.

Приведем результаты одного из экспериментов.

В качестве парольной фразы использована фраза "She had your dark suit in greasy wash water all year" из базы, произнесенная двенадцатью разными мужчинами.

После этого та же фраза была произнесена 10 раз одним оператором.

Файлы записаны в формате 16000 kHz, 16 bit и имеют длину 80-100 килобайт. Приведем результат одного из экспериментов.

Число коэффициентов линейного предсказания 2р выбиралось равным 12, параметр Т для выделения особых точек брался равным 0.02, длина Len нормированной функции распределения бралась равной 1024, для подсчета низкочастотной составляющей вейвлет преобразования использовалось преобразование db4. Параметр ε в процедуре принятия решения выбирался таким образом, чтобы вероятность ошибки первого рода (диктор не был аутентифицирован) составляла 0.05.

При указанном значении ε вероятность ошибки второго рода (неверная аутентификация диктора) равнялась 0.26.

Заявленное техническое решение соответствует критерию «новизна», предъявляемому к изобретениям, так как в результате исследования уровня техники на дату подачи заявки заявителем не выявлены технические решения, обладающие совокупностью заявленных признаков, приводящих к реализации поставленных целей - созданию способа аутентификации диктора по входному речевому сигналу диктора в виде парольной фразы, учитывающего особенности произнесения последовательности отдельных фонем в контексте одной и той же парольной фразы, основанного на оценках параметров, не зависящих от коэффициента усиления микрофона и устойчивых к колебаниям длины звукового файла, отвечающего парольной фразе.

Заявленное техническое решение соответствует критерию «изобретательский уровень», предъявляемому к изобретениям, так как для специалиста в заявленной области техники не являются очевидным полученные технические результаты, выражающиеся в том, что заявителем решена актуальная, не разрешенная до даты подачи настоящей заявки проблема, заключающаяся в необходимости создания надежного способа аутентификации диктора по входному речевому сигналу диктора в виде парольной фразы, существовавшая в течение длительного периода времени, которая разрешена авторами посредством создания принципиально нового способа, заключающегося в выделения особых точек в звуковом файле и методом обработки распределения особых точек, при этом под особой точкой звукового файла заявителем понимается отсчет в звуковом файле, который сильно отличается от своего окружения. В отличие от метода линейного предсказания отклонение в каждой точке от окружения оценивается по разности между этим отсчетом и линейной аппроксимацией отсчетов как предшествующих этому отсчету, так и следующих за ним. Таким образом, заявленное решение не вытекает явным образом из известного уровня техники, что также является дополнительным доказательством соответствия заявленного технического решения критерию «изобретательский уровень».

Заявленное техническое решение реализовано в лабораторных условиях Казанского государственного университета и может быть реализовано на любом специализированном предприятии(учреждении) с использованием стандартного оборудования, что является доказательством соответствия заявленного технического решения критерию «промышленная применимость», предъявляемому к изобретениям.

Источники информации

1. Патент РФ 2107950.

2. Патент США 6411930.

3. A.Oppenheim, R.Schafer. Discrete-time signal processing. Prentice Hall, 1989.

4. Патент РФ 2230375.

5. Е.Л.Столов. Алгоритм обработки голосового пароля // Исследования по информатике, № 11, "Отечество", Казань, 2007, с.103-108.

6. С.Малла. Вейвлеты в обработке сигналов. М.: Мир, 2005.

Изобретение относится к области техники анализа речи, в частности к системам ограничения несанкционированного доступа в помещения или информационным ресурсам. Техническим результатом является повышение достоверности распознавания диктора при использовании парольной фразы ограниченной длины. Указанный технический результат достигается тем, что осуществляют сравнение параметров входного речевого сигнала диктора в виде парольной фразы с заданной точностью ε с заранее сохраненными эталонами параметров входных речевых сигналов в виде той же парольной фразы, произносимых заранее известными дикторами, с последующей аутентификацией. В качестве упомянутых параметров берется низкочастотная часть вейвлет преобразования от нормированной функции распределения особых точек вдоль звукового файла, отвечающего входному речевому сигналу диктора в виде парольной фразы, выделенных сравнением отсчета в этой точке в звуковом файле с предшествующими и последующими отсчетами посредством обобщенных коэффициентов линейного предсказания и порога Т. Нормирование функции распределения сводится к приведению ее к стандартной длине Len, принятой при подсчете эталонных параметров входных речевых сигналов в виде парольной фразы, произносимых заранее известными дикторами. 1 ил.

Способ аутентификации диктора по входному речевому сигналу диктора в виде парольной фразы, включающий сравнение параметров этого сигнала с заданной точностью ε с заранее сохраненными эталонами параметров входных речевых сигналов в виде той же парольной фразы, произносимой заранее известными дикторами, с последующей аутентификацией, отличающийся тем, что в качестве упомянутых параметров берется низкочастотная часть вейвлет преобразования от нормированной функции распределения особых точек вдоль звукового файла, отвечающего входному речевому сигналу диктора в виде парольной фразы, выделенных сравнением отсчета в этой точке в звуковом файле с предшествующими и последующими отсчетами посредством обобщенных коэффициентов линейного предсказания и порога Т, при этом нормирование функции распределения сводится к приведению ее к стандартной длине Len, принятой при подсчете эталонных параметров входных речевых сигналов в виде парольной фразы, произносимой заранее известным дикторами.