reconocimiento de hablante - upv/ehu...identificacion hablante 2 definición •r econocimiento del...
TRANSCRIPT
identificacion hablante 1
Reconocimiento de hablante
Speaker recognition: a tutorial, J, P, Campbell, Proc IEEE 85(9)pp.1437
Recent advances in automatic speaker authentication, Q. Li, B.H.Juang, C.H. Lee, Q. Zhou, F.K. Soong, IEEE Robotics &
Automation Magazine, (march 1999) 6(1)pp.24-34
identificacion hablante 2
Definición
• Reconocimiento del hablante (Speaker recognition)– Es el uso de una máquina para reconocer a una persona a partir de
una frase hablada.
• Verificación, Automated Speaker Verification (ASV):– autentificación de la identidad declarada por una persona en base al
análisis de la voz.
– La decisión es binaria: aceptación o rechazo.
• Identificación, Automated Speaker Identification (ASI):– No existe declaración a priori de la identidad y el sistema decide
cual es la persona o su grupo, o si la persona es desconocida.
identificacion hablante 3
Dependiente de texto: elusuario debe declamaruna frase que se leindica.
identificacion hablante 4
Esquema de sistema de verificación
El usuario presenta una tarjetainteligente encriptada que contiene suinformación de identidad.
Intenta ser autentificado pronunciandouna frase indicada en el microfono.
Existe un balance entre precisión yduración de la sesión.
Entra también ruido y versionesretrasadas de su voz por las superficiesreflectantes acústicas.
identificacion hablante 5
Fuentes de error en sistemas de verificación del hablante
Mala pronunciación de las frases
Estados emocionales
Posición del micro
Acústica de la habitación
Diferentes microfonos
Enfermedades
Envejecimiento
Motivación para ASV: es el sistema más económico, y potencialmente omnipresente através del teléfono, es un sistema biométrico (inherente a la persona), se puede hacerrobusto al ruido y variaciones de canal, usuario y falsificaciones.
identificacion hablante 6
Fases generales
1 Adquisición digital de la voz
2 Extracción de características
3 Emparejamiento de patrones
4 Realización de la decisión de aceptación rechazo
5 Registro (enrollment)
Adquisición:
Señal analógica suavizada(antialiasing) digitalizada conun A/D 12-16 bits a 8000-20.000 muestras por seg.
identificacion hablante 7
identificacion hablante 8
identificacion hablante 9
Base de datos de entrenamiento y test de sistemas de reconocimiento del hablante,controlada científicamente, alta calidad. Las entradas están digitalizadas de formaestándar. Realizada en 1990 por ITT. Es la referencia para sistemas en entornos detipo oficina.
identificacion hablante 10
Producción de la voz en el tracto vocal:
Faringe laríngea, faringe oral, cavidad oral,faringe nasal, cavidad nasal.
Excitación: fonación, susurro, fricación,compressión, vibración
Modulación: el tracto vocal modula la ondasonora alterandola por sus resonancias.
Características dependientes del hablante:las que se refieren a la estructura físicaparticular del tracto vocal más lasaprendidas
identificacion hablante 11
Extracción de características
• Predicción lineal (LP)– Impone un modelo lineal de la señal.
– Los coeficientes de este modelo lineal seutilizan como características para elreconocimiento.
identificacion hablante 12
Modelo lineal de la señal que relaciona el input actual un
con los inputs recientes.
Predicción de la señal
Error de predicción o residual
Criterio del minimo error cuadrático
Que se minimiza buscando
identificacion hablante 13
La condición de minimo resulta en las ecuaciones
Correlación de lag τ
Ecuación de Yule que da los coeficientes del modelo de regresión(predicción) lineal en función de las correlaciones de la señal.
identificacion hablante 14
Método recurrente deDurbin para resolverlas ecuaciones de Yule
Representación de la señal en térmimos de la predicción linealy el error de predicción.
identificacion hablante 15
Si una señal de voz se ajusta al modelo lineal dado, losresifuales forman un tren de pulsos que se repiten a la tasa dela vibración de las cuerdas vocales.
Los máximos de los errores de predicción ocurren a la tasa devibración de las cuerdas vocales
La detección de los máximos de error de predicción se puedeutilizar como método de detección de “pitch”.
identificacion hablante 16
Características
• Se pueden calcular a partir de loscoeficientes de la predicción lineal– Coeficientes de reflexión: coinciden con los ki
intermedios del método de Durbin
– Ratios log-area
– Frecuencias LSP
– LP cepstrum
identificacion hablante 17
Ratios Log-area: se basan en el modelado del tracto vocalcomo una serie de tubos cilindricos.
Dadas unas condiciones de contorno, los coeficientes dereflexión corresponden a relaciones entre las areas de loscilindros consecutivosNo existe biunicidad de areas y señal producida, por loque no existe garantía de emparejamiento.
identificacion hablante 18
Condiciones de contorno:
Glotis cerrada y un area grandetras los labios.
Coeficientes de reflexión entérminos de las areas de loscilindros
Los LAR logaritmos de los ratios entre areas consecutivasse expresan en términos de los coeficientes de reflexión:
identificacion hablante 19
LSP: linear spectra prediction.Se basa en la transformación del sistema lineal dado por lapredicción lineal. Las raíces se descomponen en polinomiosauxiliares
Los LSP son los ceros de P(z) y Q(z).
Satisfacen una propiedad de entrelazado:
identificacion hablante 20
Coeficientes cepstrales
• Cálculo de los coeficiontes Mel Cepstrum– Extraer una ventana de la señal
– Hace la FFT
– Calcula la magnitud
– Calcula el log
– Transforma las frecuencias de acuerdo a laescala mel, ajustada a la percepción humana.
– Obtiene la FFT inversa.
identificacion hablante 21
identificacion hablante 22
Selección de características
• PCA principal component analysis:reducción dimensional que mantiene lavarianza de los datos,– no parece apropiado para speaker recognition
dado que es un problema de discriminación yno de representación
• Factor analysis: reducción que mantiene lacorrelación entre los datos.
identificacion hablante 23
La transformación lineal deun vector aleatorio condistribución gausiana siguesiendo gausiana
La proyección lineal puede permitir la discriminación linealde las clases o minimizar el error de la discriminación lineal.
identificacion hablante 24
Casos en los que el discriminante de Fisher no es de utilidad paradeterminar las características más apropiadas para ladiscriminación
identificacion hablante 25
Distancia de Kullback-Leibler, divergencia directa odiscriminación entre clases
La divergencia simétrica define la información total paradiscriminar entre las clases
En el caso de distribuciones normales queda:
identificacion hablante 26
Distancia de Bhattacharyya entre dos clases con distribuciónnormal, relaciona las matrices de covarianza y las medias
identificacion hablante 27
Pattern matching
• Template models: el resultado es unadistancia a los patrones almacenados.
• Stochastic models: devuelve laverosimilitud de la pertenencia a una clase
• Para aproximar la verosimilitud en el casode los templates se puede utilizar un modeloexponencial
identificacion hablante 28
Dynamic Time Warping: aplicación de la programacióndinámica al emparejamiento de patrones, para tratar deemparejar los patrones a pesar de las variaciones temporales
identificacion hablante 29
Nearest neighbor: se almacenan todas las instancias, para un testse evalúan los DTW con cada patrón y se promedian lasdistancias correspondientes al mismo individuo.
identificacion hablante 30
Modelos estocásticos
• Se plantea el problema de emparejamientode patrones como la evaluación de laverosimilitud de una observación dado unmodelo
identificacion hablante 31
HMM Hidden Markov ModelsLas observaciones son funciones probabilísticas del estadodel sistema, el cual no es observable (hidden).
identificacion hablante 32
Clasificación y teoría de la decisión
• Dado un valor de emparejamiento entre elinput y un modelo de la voz del hablante, ladecisión de verificación consiste en decidirsi aceptar o rechazar, continuar intentando odar por finalizado el tiempo (time-out).
identificacion hablante 33
Test de hipótesis paradeterminar la verificaciónde un usuario. H0 impostor,H1 auténtico
identificacion hablante 34
El ratio de verosimilitud basado en la teoría de la decisiónbayesiana con costos idénticos resulta ser:
La probabilidad condicional de la hipótesis pA(z|H1) parael hablante A se estima usando sus scores y su modelo.La probabilidad condicional de la hipótesis nula pA(z|H0)se estima utilizando los scores de otros hablantes sobre elmodelo del hablante A.
La decisión bayesianabusca la minimizacióndel error dado por elsolapamiento de las pdf’s
identificacion hablante 35
Decisión bayesiana de mínimo error
El umbral T se escoge de diversas maneras
1 de acuerdo a una estimación de los ratios de lasprobabilidades a priori
2 para que satisfaga un criterio fijo de falsa aceptación(FA) o falso rechazo (FR)
3 buscando un ratio FA/FR deseado
identificacion hablante 36
Curva ROC relaciona los tipos de error con el umbral dedecisión.
Se escoge el umbral de decisión que da la misma tasa deerror FA y FR (equal error rate) (el óptimo ideal es elorigen)
identificacion hablante 37
extracción de características
selección de características: solo fonadas
Estructura de un sistema deidentificación del hablante