通过反响建模和使用ANNs的可取消技术来增强扬声器识别

科学领域:

• 语音处理和信号分析.
• 生物识别安全系统 生物识别安全系统
• 机器学习用于模式识别.

背景情况:

• 扬声器识别系统在杂和反响声学环境中面临挑战,影响准确性.
• 现有的方法在强度和对潜在入侵者的安全性方面扎.
• 可取消生物识别技术旨在通过创建生物识别特征的不可逆转转换来提高安全性.

研究的目的:

• 在不利的声学条件下提高扬声器识别系统的有效性.
• 开发一种新的可取消的扬声器识别系统,能够对回声产生强大影响.
• 在不同的系统配置中评估各种特征提取技术的性能.

主要方法:

• 使用Mel-Frequency Cepstral Coefficients (MFCCs),离散小弦转换 (DCT),离散正弦转换 (DST) 和离散波纹转换 (DWT) 的特征提取.
• 使用过器建模反响,并通过自动相关函数 (ACF) 分析音调频率.
• 实施可取消框架,包括对特征扭曲进行理过,以隐藏说话者的身份.

主要成果:

• 基于离散波纹转换 (DWT) 的功能在受反响影响的扬声器识别系统中表现出卓越的性能.
• 基于离散等边形变换 (DCT) 的功能在可取消的扬声器识别系统中实现了最高的性能.
• 拟议的新系统在共振和开放环境中都表现出了弹性.

结论:

• 功能选择对于优化基于系统要求 (标准与可取消) 和环境条件的扬声器识别性能至关重要.
• 拟议的子过技术有效地创建可取消的功能,以增强生物识别安全性.
• 该研究提供了有效的解决方案,用于在具有挑战性的现实世界声学场景中强大的扬声器识别.