Сочинение на тему Исследования в области биометрии

Современные достижения в технологии привели к нашей зависимости от машин при выполнении повседневных задач. Тем не менее, нарушения очень конфиденциальных данных повысили осознание того, что информация, к которой можно получить доступ онлайн, небезопасна. Некоторые из этих нарушений связаны с человеческим взаимодействием и, следовательно, привели к тому, что научное сообщество ищет альтернативные методы, чтобы минимизировать риск несанкционированного доступа к персональным данным. Одна из областей, которая привлекла значительное внимание, является биометрией. Биометрия включает в себя использование физических характеристик человеческого тела, которые являются уникальными для этого человека, таких как отпечатки пальцев, радужная оболочка и голос, чтобы проверить личность этого человека. Постановка проблемы Для слушателя речевой сигнал несет много уровней информации. В то время как речь передает сообщение с использованием слов, оно также содержит информацию о поле, эмоциях, языке и, как правило, личности говорящего. В этом разделе обсуждается мотивация использования распознавания говорящего, а также общие категории и задачи, связанные с ним, после чего обсуждается цель данной работы и предлагаемое решение.

Мотивация В связи с растущим числом сервисов, к которым можно получить доступ по телефону, через Интернет или через мобильные приложения, обслуживание и запоминание нескольких паролей, ПИН-кодов и деталей аутентификации, необходимых для удаленного доступа к учетным записям, стало более сложным. Тем более что эксперты по безопасности рекомендуют использовать разные аутентификации для разных учетных записей. Между тем, при существующей в настоящее время инфраструктуре идентичность динамиков является биометрической, что может быть легко протестировано для приложений удаленного доступа. Это делает распознавание динамиков ценным для многих реальных приложений. Определение Распознавание говорящего включает в себя идентификацию говорящего на основе слов, которые он произносит, и его можно разделить на две категории: тексто-независимый и тексто-независимый. Текст-зависимый требует, чтобы говорящий произносил то же слово, которое использовалось для извлечения признаков, тогда как текст-независимый может идентифицировать говорящего независимо от упомянутых слов. Распознавание текстозависимого говорящего предшествует знанию произносимого текста.

Независимое от текста распознавание говорящего опирается на физиологические характеристики говорящего и не делает никаких предположений о контексте речи. Распознавание говорящего можно разделить на две основные задачи: идентификация говорящего и проверка говорящего. Идентификация говорящего связана с определением того, кто является говорящим из группы известных голосов или говорящих. Проверка говорящего включает в себя определение того, является ли человек тем, кем он / она утверждает. Целью дипломной работы Целью данной работы является представление экспериментальной оценки методов выделения признаков, которые могут быть использованы для независимой от текста проверки говорящего. Извлечение функции – это процесс извлечения специфических свойств динамика из необработанного сигнала и сохранения его в векторе характеристик.

Речевой сигнал состоит из множества функций, которые могут не иметь значения для проверки говорящего. Хорошая особенность должна включать в себя следующие характеристики: Должна различать громкоговорители при небольшой изменчивости внутри громкоговорителя. • Будьте устойчивы к шуму. • часто и естественно встречаются в речи. • Быть легко извлечь из речевого сигнала. • Не должен быть подвержен мимике. • Должен быть стабильным во времени и не зависеть от здоровья говорящих. Между тем, число признаков также следует учитывать, поскольку количество необходимых обучающих выборок для надежной оценки плотности растет экспоненциально с количеством признаков. Кроме того, экономия вычислений также достигается за счет меньших размеров. Предлагаемое решение Одна из структур любой системы проверки динамиков – это обработка интерфейса. Фронтальная обработка обычно состоит из некоторой формы обнаружения голосовой активности (VAD) для удаления неречевых участков сигнала с последующим извлечением функций, которые содержат идентичность говорящего, из речевого сигнала. Извлечение векторов признаков затем используется для построения модели говорящего или тестирования на модели и принятия решения, является ли человек тем, кем он является. Но, прежде чем перейти к внешней обработке, требуется речевой сигнал.

Набор данных, состоящий из 44 слов, записан с использованием 12 мужчин и 12 женщин-добровольцев, воспитанных в провинции Манитоба. Выбор этих 44 слов обусловлен наличием достаточного количества речевых данных для построения модели и в то же время быстрой записью, что делает ее практичным для использования в реальных приложениях. Кроме того, волонтеры из определенного географического местоположения могут ограничивать разнообразие акцентов и форм речи, и, таким образом, анализ будет основан на физиологических факторах говорящего. Традиционный подход к решению проблемы распознавания говорящего заключался в использовании линейных методов. Тем не менее, процесс производства речи является нелинейным. Речь имеет нелинейные характеристики, и ее мультифрактальная природа была доказана. VAD на основе фрактальной размерности (FD) используется для разделения неречевых сегментов сигнала. Выбор FD обусловлен оценкой FD на основе сложности сигнала и не зависит от амплитуды. Fusion – это комбинация информации из нескольких источников [KiLi10], которая используется для объединения нелинейного метода с традиционными методами и формирования векторов признаков. Признаками, используемыми для формирования вектора признаков, являются кепстральные коэффициенты линейного предсказания (LPCC), кепстральные коэффициенты Mel-частоты (MFCC), фрактальная размерность Хигучи (HFD), фрактальная размерность дисперсии (VFD), скорость пересечения нуля (ZCR) и развороты рассчитывать (TC). Теория и программирование этих алгоритмов полностью обсуждаются в главе 3, а мотивы их использования обсуждаются в разделе 5.4.

При извлечении векторов признаков машина опорных векторов (SVM) используется для построения модели динамика и проверки ее на предмет невидимых данных. Выбор SVM обусловлен доступностью различных функций ядра, подходящих для разных типов функций, и наличием высоко оптимизированных библиотек, которые можно использовать. Формулировка тезиса Этот тезис состоит из трех частей, которые включают запись набора данных, обработку интерфейса и классификацию. В следующем разделе обсуждается утверждение диссертации, за которым следует цель диссертации и вопросы исследования. Утверждение тезиса Суть этого тезиса состоит в том, чтобы оценить пригодность встраивания фрактальных методов, в силу характера речи, во внешний процесс системы проверки диктора и исследовать эффективность этих методов. Но прежде чем приступить к внешним процессам любой системы проверки динамиков, необходим речевой сигнал. Поэтому добровольцы записываются, а полученные сигналы сохраняются в хранилище.

Более того, подробное описание процедур записи предоставлено в качестве руководства и обеспечивает повторяемость записей. Цель дипломной работы Есть три основные цели этой диссертации:

<Р> <сильный> 1. Регистрация участвующих добровольцев и создание набора данных, который можно было бы использовать для изучения независимой от текста проверки говорящего:

Разработка набора протоколов для обеспечения качества и воспроизводимости записей;

Хранение набора данных в репозитории, доступном для исследователей, для дальнейшего изучения в области распознавания говорящего.

<Р> <сильный> 2. Изучите целесообразность использования FD при обработке внешнего интерфейса системы проверки громкоговорителей:

Сравнение HFD и VFD с использованием данных испытаний; Изучение влияния добавления цветного шума на оценку FD с использованием алгоритмов HFD и VFD; Реализация VAD на основе FD речевого сигнала; Оцените эффективность алгоритма VAD и каждого алгоритма в объединении признаков путем: а) разделения данных на данные обучения и тестирования; б) извлечения признаков из речевой части сигнала и формирования множества векторов признаков на основе объединения различных функции для оценки эффектов каждого алгоритма; c) построение модели обучения на основе данных обучения для каждой комбинации векторов признаков и использование данных тестирования для измерения точности классификации; d) Извлечение одинаковых векторов признаков с использованием разных VAD и сравнение результатов точности.

Вопрос исследования Целью данного тезиса является надежное извлечение признаков из речи, которое можно использовать в независимой от текста системе проверки говорящего.

Однако для достижения этой цели возникает ряд исследовательских вопросов, которые рассматриваются ниже:

Какой набор тестовых слов использовать, который будет практичным для реального приложения и в то же время содержит достаточно данных для проверки докладчика?

Как записать эти тестовые слова, чтобы обеспечить качество, повторяемость и сходство всех записей?