|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于设备本底噪声频谱特征的手机来源识别显示文摘随着手机录音设备的普及以及各种功能强大且易于操作的数字媒体编辑软件的出现,手机来源识别已成为多媒体取证领域的热点问题。将本底噪声作为手机的'指纹',提出了一种基于本底噪声的手机来源识别方法。该方法先通过静音段录音的估计得到本底噪声;然后计算本底噪声的频谱特征在时间轴方向上的均值,将其作为手机来源识别的分类特征;最后采用主成分分析(PCA)法对特征进行降维,并采用支持向量机(SVM)进行分类。实验部分对24款主流型号的手机进行了分类,结果表明本文方法的平均识别准确率(accuracy)和平均召回率(recall)达到了99.24%,同时也验证了相比MFCC,本底噪声有更加优越的性能。 | 裴安山 王让定 严迪群 | 2017 | 电信科学2017，33，1： | 9 |
| 2 | 基于设备噪声估计的录音设备源识别显示文摘针对录音设备源识别问题,首先分析了语音录音的产生过程,在此基础上提出了一种基于设备噪声估计的录音设备指纹,为了获取充分的设备噪声,使用了一个包含两种噪声估计算法的设备噪声估计器。为了验证提出的设备指纹的有效性,同时考虑了5种分类方法来进行录音设备源识别,并在两个录音库上进行了实验。其中一个包含22个录音设备,该22个设备分别来自4类常用的录音设备,另一个音库包含21个手机的语音录音。实验结果证明了本文方法的有效性。 | 邹领 贺前华 邝细超 李洪滔 蔡梓文 | 2017 | 吉林大学学报(工学版)2017，47，1： | 6 |
| 3 | 基于语音静音段特征的手机来源识别方法显示文摘手机来源识别已成为多媒体取证领域重要的热点问题。提出了一种基于语音静音段特征的手机来源识别方法,该方法先通过使用自适应端点检测算法得到语音的静音段;然后将静音段的梅尔频谱系数(MFC)的均值作为分类特征;最后结合WEKA平台的Cfs Subset Eval评价函数按照最佳优先(Best First)搜索进行特征选择,并采用支持向量机(SVM)对手机来源进行识别。实验部分对23款主流型号的手机进行了分类,结果表明所提特征具有较好的分类性能,在TIMIT数据库和自建的CKC-SD数据库上,平均识别准确率分别为99.23%和99.00%。另外,与语音段MFC特征和梅尔倒谱系数(MFCC)特征进行了对比,实验结果证明所提特征具有更加优越的性能。 | 裴安山 王让定 严迪群 | 2017 | 电信科学2017，33，7： | 6 |
| 4 | 基于非线性幂函数的听觉特征提取算法研究显示文摘为提高说话人识别系统的识别率,提出采用非线性幂函数对人耳的听觉特性进行模拟,分别得到新的梅尔频率倒谱系数MFCC及其差分、加权倒谱系数.对得到的新的特征值进行增减分量分析,以获得高贡献值的倒谱分量,组成新的混合参数,使用高斯混合模型(GMM)分别对纯语音和三种典型噪声背景下的语音进行说话人识别,与传统MFCC相比,采用非线性幂函数改进的MFCC在识别率及鲁棒性上均有明显提高. | 岳倩倩 周萍 景新幸 | 2015 | 微电子学与计算机2015，32，6： | 5 |
| 5 | 基于语音频谱融合特征的手机来源识别显示文摘随着手机录音设备的普及以及各种功能强大且易于操作的数字媒体编辑软件的出现,语音的手机来源识别已成为多媒体取证领域重要的热点问题,针对该问题提出了一种基于频谱融合特征的手机来源识别算法。首先,通过分析不同手机相同语音的语谱图,发现不同手机的语音频谱特征是不同的;然后对语音的频谱信息量、对数谱和相位谱特征进行了研究;其次,将三个特征串联构成原始融合特征,并用每个样本的原始融合特征构建样本特征空间;最后,采用WEKA平台的CfsSubsetEval评价函数按照最佳优先搜索原则对所构建的特征空间进行特征选择,并采用LibSVM对特征选择后的样本特征空间进行模型训练和样本识别。实验部分给出了特征选择后的频谱单一特征和频谱融合特征在23款主流型号的手机语音库上分类的结果。实验结果表明,该算法使用频谱融合特征有效提高了手机品牌类内的平均识别准确率,在TIMIT翻录语音数据库和自建的CKC-SD语音数据库上分别达到99.96%和99.91%;另外,与Hanilci基于梅尔倒谱系数特征的录音设备来源识别算法进行了对比,平均识别准确率分别提高了6.58和5.14个百分点。因此可得本文所提特征可有效提高平均识别准确率,降低手机类内识别的误判率。 | 裴安山 王让定 严迪群 | 2018 | 计算机应用2018，38，3： | 3 |
| 6 | 一种低信噪比环境下的语音端点检测算法显示文摘端点检测技术是语音信号处理的关键技术之一,为提高低信噪比环境下端点检测的准确率和稳健性,提出了一种非平稳噪声抑制和调制域谱减结合功率归一化倒谱距离的端点检测算法。该算法首先通过抑制非平稳噪声再采用调制域谱减消除残余噪声来提升信噪比,减少语音失真。然后再提取每帧信号的功率归一化倒谱系数,计算每帧信号与背景噪声的功率归一化倒谱距离。最后将该倒谱距离作为检测参数,采用双门限判决方法进行端点检测。实验结果表明,该端点检测算法对语音帧和噪声帧具有较好的区分性。此外,在低信噪比环境下,所提出的算法对于不同类型的噪声都具有较好的稳健性。 | 卜玉婷 曾庆宁 郑展恒 | 2020 | 声学技术2020，39，5： | 3 |
| 7 | 数字音频来源被动取证研究综述显示文摘数字音频来源被动取证研究旨在不依赖主动嵌入的数字水印或数字签名等冗余信息,通过原始数字音频数据的内在设备信息提取出表征设备源机器指纹的特征,进而对数字音频证据来源做出判断,在司法取证、军事信息、新闻传播等领域有着广泛的应用前景。目前,数字音频来源被动取证的研究综述面临时效性不足、针对性不够的问题。据此,给出了数字音频来源被动取证的研究框架和基本思路。对该领域常用的数据集做了简要的分析。根据数字音频来源被动取证的研究对象,将领域内的研究分为特征表达和表征建模两大模块,对频域信息特征、倒谱特征、基于高斯超矢量信息的特征、融合特征、深度特征五类特征,高斯混合取证模型、支持向量机决策模型、稀疏表达分类器决策模型、其他机器学习决策模型、深度学习决策模型五类模型的性能进行了比较分析。总结分析了数字音频来源被动取证领域的研究现状和存在的问题,并对未来的研究方向进行了展望。 | 王志锋 湛健 曾春艳 叶俊民 田元 闵秋莎 左明章 | 2020 | 计算机工程与应用2020，56，5： | 2 |
| 8 | 遗传算法优化时间卷积网络的手机来源识别显示文摘基于语音的手机来源识别已成为近年来多媒体取证领域中的一个研究热点。已有研究鲜有考虑环境背景噪声,难以满足司法领域实际应用场景的需求。提出一种遗传算法优化时间卷积网络的手机来源识别方法。基于对数域的Mel滤波器组系数特征,利用时间卷积网络进行深度语音特征学习,并利用线性判别分析提取低维深度特征,将低维深度特征输入到支持向量机中进行训练和识别。特别的,为了提高整体的识别性能,引入遗传算法,通过设计编码方式、适应度函数和遗传操作对时间卷积网络结构进行智能优化。对比实验结果表明,所提方法可对时间卷积网络结构进行自动设计,尽可能地发挥网络性能,从而进一步提升了识别准确率。 | 武钦芳 吴张倩 苏兆品 张国富 | 2022 | 计算机工程与应用2022，58，3： | 1 |
| 9 | 自然环境背景噪声下基于低维深度特征的手机来源识别显示文摘基于语音的手机来源识别是近年来多媒体取证领域中的一个研究热点,但已有研究大都局限于纯净语音或人工背景噪声语音.本文以自然环境背景噪声下的手机语音为研究对象,提出一种基于低维深度特征的手机来源识别方法.首先提取对数域的Mel滤波器组系数作为基本的声学特征,然后输入到时间卷积网络中进行训练,进一步提取能够表征语音设备的深度特征,并利用线性判别分析进行降维,去除高维深度特征中的冗余.最后,将得到的低维深度特征输入到支持向量机中进行分类和识别.在47种不同型号手机录制的37600条自然环境背景噪声语音样本库上的测试结果表明,本文所提方法在自然环境背景噪声下具有更优的识别性能,且对不同品牌、相同品牌不同型号、不同样本长度、不同数据集规模和不同采样率都具有很好的适应性. | 苏兆品 吴张倩 岳峰 武钦芳 张国富 | 2021 | 电子学报2021，49，4： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员