王志鋒 賀前華 張雪源 羅海宇 蘇卓生

(華南理工大學(xué)電子與信息學(xué)院，廣東廣州510640)

隨著說(shuō)話人識(shí)別技術(shù)的不斷發(fā)展，說(shuō)話人識(shí)別系統(tǒng)在司法取證、電子商務(wù)、金融系統(tǒng)等領(lǐng)域得到了非常廣泛的應(yīng)用［1］.與此同時(shí)，說(shuō)話人識(shí)別系統(tǒng)所面臨的前端攻擊及傳輸存儲(chǔ)等的安全問(wèn)題制約了說(shuō)話人識(shí)別系統(tǒng)的發(fā)展和應(yīng)用.

說(shuō)話人識(shí)別系統(tǒng)面臨的兩種常見(jiàn)攻擊是說(shuō)話人仿冒攻擊［2］和錄音回放攻擊［3］.說(shuō)話人仿冒攻擊是指攻擊者通過(guò)模仿說(shuō)話人識(shí)別系統(tǒng)中用戶的聲音對(duì)系統(tǒng)進(jìn)行的攻擊.在雙胞胎語(yǔ)音庫(kù)上的說(shuō)話人識(shí)別實(shí)驗(yàn)表明，現(xiàn)有的說(shuō)話人識(shí)別技術(shù)能夠區(qū)分具有類似聲學(xué)特性的雙胞胎語(yǔ)音［4］，因此實(shí)施說(shuō)話人仿冒攻擊需要有非常好的模仿技巧，使攻擊者的語(yǔ)音能夠和系統(tǒng)用戶的語(yǔ)音達(dá)到高度的相似，這使得仿冒攻擊的可實(shí)施性不高.錄音回放攻擊是指攻擊者事先用高保真錄音設(shè)備偷錄說(shuō)話人識(shí)別系統(tǒng)中用戶的語(yǔ)音，然后通過(guò)高保真功放在系統(tǒng)輸入端回放，以此對(duì)說(shuō)話人識(shí)別系統(tǒng)實(shí)施攻擊.與仿冒語(yǔ)音相比，錄音回放語(yǔ)音是真實(shí)來(lái)自于用戶本人，對(duì)說(shuō)話人識(shí)別系統(tǒng)造成的威脅更大.另外，現(xiàn)在性能好的高保真錄音及回放設(shè)備不斷涌現(xiàn)，其價(jià)格越來(lái)越便宜，體積越來(lái)越小，便于攜帶不易被發(fā)現(xiàn)，這使得錄音回放攻擊越來(lái)越容易實(shí)施.

防止錄音回放攻擊的一種方法是通過(guò)系統(tǒng)隨機(jī)挑選語(yǔ)句讓用戶跟讀，在進(jìn)行說(shuō)話人識(shí)別的同時(shí)還要判斷用戶是否按要求來(lái)跟讀.這種方法的實(shí)施需要事先準(zhǔn)備豐富的語(yǔ)音庫(kù)，并要求用戶按照語(yǔ)音內(nèi)容跟讀，當(dāng)用戶按照自己的習(xí)慣發(fā)音時(shí)，將有可能通不過(guò)說(shuō)話人識(shí)別系統(tǒng)［5］，而且這種方法會(huì)犧牲說(shuō)話人識(shí)別系統(tǒng)對(duì)于特定用戶特定文本的安全保護(hù)性，產(chǎn)生一些其它安全問(wèn)題［3］.

文獻(xiàn)［5］中以通用背景模型為基礎(chǔ)，利用系統(tǒng)直接采集的用戶原始數(shù)據(jù)中的靜音段對(duì)信道進(jìn)行建模，檢測(cè)待識(shí)別語(yǔ)音與訓(xùn)練語(yǔ)音的信道是否相同.由于靜音段幅度很小，比語(yǔ)音段更容易受到噪聲污染，故靜音中信道信息很容易被噪聲掩蓋.此外，以大量說(shuō)話人的通用背景模型為基礎(chǔ)，并不一定能夠訓(xùn)練出精確的信道模型.

回放語(yǔ)音在進(jìn)入說(shuō)話人識(shí)別系統(tǒng)錄音信道前，還經(jīng)歷了一次錄音和一次回放的過(guò)程.不同的錄音和回放設(shè)備引入不同的信道噪聲(麥克風(fēng)、揚(yáng)聲器、抖動(dòng)電路、前置放大器、功率放大器、輸入和輸出濾波器、A/D、D/A、取樣保持電路等都會(huì)引入相應(yīng)的噪聲［6］)，這些信道噪聲疊加在回放語(yǔ)音上，使得回放語(yǔ)音和原始語(yǔ)音存在細(xì)微的差異.文中將這些來(lái)自不同錄音與回放設(shè)備中換能器和不同電路引入的噪聲稱為信道模式噪聲.原始語(yǔ)音中含有系統(tǒng)錄音設(shè)備的信道模式噪聲，而回放語(yǔ)音中不僅含有系統(tǒng)的信道模式噪聲，還含有偷錄設(shè)備和回放設(shè)備的信道模式噪聲.為此，文中提出了一種通過(guò)提取原始語(yǔ)音和回放語(yǔ)音中的信道模式噪聲來(lái)檢測(cè)錄音回放攻擊的方法.

1 錄音回放攻擊檢測(cè)系統(tǒng)

基于信道模式噪聲的錄音回放攻擊檢測(cè)系統(tǒng)主要由5個(gè)部分組成:預(yù)處理、信道模式噪聲提取、長(zhǎng)時(shí)統(tǒng)計(jì)特征提取、基于支持向量機(jī)(SVM)的信道噪聲建模、原始語(yǔ)音和回放語(yǔ)音的分類識(shí)別，如圖1所示.

圖1 基于信道模式噪聲的錄音回放攻擊檢測(cè)系統(tǒng)結(jié)構(gòu)Fig.1 Structure of playback attack detection system based on channel pattern noise

根據(jù)錄音回放攻擊檢測(cè)模塊在說(shuō)話人識(shí)別系統(tǒng)中所處位置的不同，錄音回放攻擊檢測(cè)器可分為前端錄音回放攻擊檢測(cè)和后端錄音回放攻擊檢測(cè)，如圖2所示.進(jìn)行前端回放攻擊檢測(cè)時(shí)，輸入的用戶語(yǔ)音首先進(jìn)行回放攻擊檢測(cè)，如果被判定為錄音回放語(yǔ)音，則系統(tǒng)可直接拒絕為攻擊語(yǔ)音提供服務(wù).對(duì)于前端回放檢測(cè)，輸入語(yǔ)音可以來(lái)自系統(tǒng)中任意用戶，需要為所有用戶建立一個(gè)具有泛化能力且不被特定用戶所影響的回放攻擊檢測(cè)器.對(duì)于后端回放檢測(cè)，用戶語(yǔ)音首先進(jìn)行說(shuō)話人識(shí)別，如果判定為合法用戶，則將其輸入到后端檢測(cè)器進(jìn)行回放攻擊檢測(cè).此時(shí)，說(shuō)話人識(shí)別系統(tǒng)可為回放檢測(cè)器提供用戶信息，只需為單個(gè)用戶建立相應(yīng)的后端回放攻擊檢測(cè)器.

圖2 具有防錄音回放攻擊功能的說(shuō)話人識(shí)別系統(tǒng)結(jié)構(gòu)Fig.2 Structure of speaker recognition system with playback attack detector

1.1 基于統(tǒng)計(jì)幀的對(duì)數(shù)功率譜

一般認(rèn)為，信道噪聲是均勻地作用在整個(gè)發(fā)音之上［7］，不同錄音及回放設(shè)備的信道模式噪聲是和語(yǔ)音信號(hào)同時(shí)產(chǎn)生的.因此，考慮采用具有統(tǒng)計(jì)意義的長(zhǎng)時(shí)特征來(lái)描述信道模式噪聲，進(jìn)而獲得穩(wěn)定的信道噪聲分布.統(tǒng)計(jì)幀是語(yǔ)音信號(hào)中所有短時(shí)幀的相同頻率成分的平均值，設(shè)X={x1［n］，x2［n］，…，xT［n］}表示有T幀的語(yǔ)音信號(hào)，則第i(1≤i≤T)幀信號(hào)xi［n］(0≤n≤N-1)的離散傅里葉變換為

那么統(tǒng)計(jì)幀的表達(dá)式為

統(tǒng)計(jì)幀的具體提取過(guò)程如圖3所示.

圖3 統(tǒng)計(jì)幀的提取過(guò)程Fig.3 Procedure of extracting statistical frames

統(tǒng)計(jì)幀具有以下優(yōu)點(diǎn):1)統(tǒng)計(jì)幀是將大量短時(shí)語(yǔ)音幀在頻域進(jìn)行疊加，從而可獲得穩(wěn)定的信道模式噪聲分布;2)統(tǒng)計(jì)幀具有歸一化的作用，它可以將時(shí)域中不同長(zhǎng)度的語(yǔ)音信號(hào)映射為在頻域具有相同幀長(zhǎng)的信號(hào)，以降低特征提取和建模的計(jì)算復(fù)雜度.

因?yàn)閾Q能器和各種電路引入的信道噪聲為時(shí)域的卷積信號(hào)［7］，所以考慮在對(duì)數(shù)譜域來(lái)提取信道模式噪聲，將非線性噪聲轉(zhuǎn)換為線性噪聲.如圖4所示，在基于統(tǒng)計(jì)幀的對(duì)數(shù)功率譜上，原始語(yǔ)音與回放語(yǔ)音(原始語(yǔ)音與回放語(yǔ)音都來(lái)自同一個(gè)說(shuō)話人，且文本為同一數(shù)字串“5940247874”)在低頻部分存在差異，這是由原始語(yǔ)音和回放語(yǔ)音所包含的信道模式噪聲不同引起的，表明信道模式噪聲主要集中在信號(hào)的低頻部分.與信道引入的卷積噪聲主要集中在信號(hào)的低頻部分［8］一致.

圖4 基于統(tǒng)計(jì)幀的對(duì)數(shù)功率譜Fig.4 Logarithm power spectrum based on statistical frames

1.2 信道模式噪聲及特征

由于信道模式噪聲主要集中在信號(hào)的低頻部分，故文中采用去噪濾波器來(lái)提取信道模式噪聲，即

式中:yo［n］、yp［n］、No和Np分別為原始語(yǔ)音、回放語(yǔ)音、原始語(yǔ)音的信道模式噪聲及回放語(yǔ)音的信道模式噪聲;DFT為離散傅里葉變換;f為去噪濾波器，文中采用高通濾波器來(lái)過(guò)濾掉信號(hào)中的信道模式噪聲.通過(guò)對(duì)多個(gè)去噪濾波器的實(shí)驗(yàn)，最終采用文獻(xiàn)［9］中的濾波器.

基于信道模式噪聲的長(zhǎng)時(shí)統(tǒng)計(jì)特征提取的流程如圖5所示，在信道模式噪聲的基礎(chǔ)上提取了兩組長(zhǎng)時(shí)特征:6階Legendre多項(xiàng)式系數(shù)和6個(gè)統(tǒng)計(jì)特征.

圖5 基于信道模式噪聲的長(zhǎng)時(shí)統(tǒng)計(jì)特征提取流程圖Fig.5 Extraction flowchart of long-term features based on channel pattern noise

1.2.1 Legendre多項(xiàng)式系數(shù)

Legendre多項(xiàng)式是一組完備正交基，可以很好地進(jìn)行參數(shù)擬合，已在語(yǔ)種識(shí)別和一些實(shí)際問(wèn)題的解決中成功應(yīng)用［10］.Legendre多項(xiàng)式的形式如下:

信道模式噪聲變化緩慢，在實(shí)際應(yīng)用中Legendre多項(xiàng)式系數(shù)的階數(shù)不高，實(shí)際上使用6階的系數(shù)就能夠進(jìn)行信道模式噪聲的參數(shù)擬合.其中，L0為信道模式噪聲的直流部分，L1為信道模式噪聲分布曲線的斜率，L2為信道模式噪聲分布曲線的曲率，L3、L4、L5分別為信道模式噪聲分布曲線的細(xì)節(jié)信息.

1.2.2 統(tǒng)計(jì)特征

因信道模式噪聲一直伴隨著語(yǔ)音信號(hào)并且變化緩慢，故文中采用6種統(tǒng)計(jì)特征來(lái)描述信道模式噪聲:信道模式噪聲的最小值 PN_min、最大值 PN_max、均值 PN_mean、中值 PN_median，最大值和最小值的差PN_diff、標(biāo)準(zhǔn)差PN_stdev.

1.3 基于SVM的信道噪聲模型

SVM是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)的統(tǒng)計(jì)學(xué)習(xí)方法，具有很好的泛化和分類能力，已在說(shuō)話人識(shí)別中取得了很好的效果［11］.SVM可以看成由多個(gè)內(nèi)積K(xi，xj)求和構(gòu)成的二類分類器.錄音回放攻擊檢測(cè)實(shí)質(zhì)上是一個(gè)二分問(wèn)題.對(duì)于輸入矢量x，支持向量機(jī)的輸出為

式中:α*為分類的最優(yōu)化解，α*=(，，…，);b*為分類閾值;yi為分類標(biāo)簽，yi∈{-1，1}.

文中將兩組長(zhǎng)時(shí)特征組合成一個(gè)12維的特征矢量，并作為訓(xùn)練和識(shí)別的特征，選擇徑向基函數(shù)作為核函數(shù).然后采用自組織映射(SOM)算法［12］和格形搜索算法［13］找到最優(yōu)的懲罰因子C和γ參數(shù)，并將最優(yōu)參數(shù)用來(lái)訓(xùn)練信道噪聲模型.

2 APSD數(shù)據(jù)庫(kù)

由于沒(méi)有現(xiàn)成的數(shù)據(jù)庫(kù)，文中建立了原始語(yǔ)音和回放語(yǔ)音數(shù)據(jù)庫(kù)(APSD)進(jìn)行錄音回放攻擊檢測(cè)的研究.考慮到語(yǔ)速、文本類型、朗讀語(yǔ)音和自然語(yǔ)音等的影響，該數(shù)據(jù)庫(kù)的語(yǔ)料設(shè)計(jì)如下:1)20個(gè)孤立詞短語(yǔ);2)10個(gè)連續(xù)數(shù)字串，每個(gè)數(shù)字串包含10個(gè)數(shù)字;3)60個(gè)音素和音節(jié)分布均勻的句子(每句5～16個(gè)字)，其中15句選自863連續(xù)語(yǔ)音庫(kù)，15句選自863四大方言庫(kù)，15句選自《人民日?qǐng)?bào)》，15句選自“新華網(wǎng)”;4)兩篇音素和音節(jié)分布均勻的短文，共223個(gè)字，以正常的語(yǔ)速朗讀;5)第三部分和第四部分的語(yǔ)料以慢速和快速朗讀各一遍;6)從5個(gè)話題中選取一個(gè)進(jìn)行即興演講，長(zhǎng)度約為2min.

數(shù)據(jù)庫(kù)錄制歷時(shí)6個(gè)月，有9男4女參與錄制，用統(tǒng)一標(biāo)準(zhǔn)的普通話進(jìn)行錄音.經(jīng)統(tǒng)計(jì)，本語(yǔ)料庫(kù)的字頻和《現(xiàn)代漢語(yǔ)頻率詞典》提供的漢字字頻基本保持一致，包含1473個(gè)中文漢字、345個(gè)音節(jié)、漢語(yǔ)中所有的60個(gè)音素.

原始語(yǔ)音與回放語(yǔ)音的錄制模擬了實(shí)際錄音回放攻擊產(chǎn)生的整個(gè)物理過(guò)程.原始語(yǔ)音是通過(guò)固定的麥克風(fēng)和數(shù)據(jù)采集卡(創(chuàng)新5.1聲卡，設(shè)置為16kHz，16位)進(jìn)行采集.在采集原始語(yǔ)音的同時(shí)，用高保真的數(shù)字錄音筆錄制說(shuō)話人語(yǔ)音，模仿偷錄過(guò)程(偷錄者會(huì)盡量采用高保真的錄音設(shè)備獲得高品質(zhì)的偷錄語(yǔ)音，文中采用高保真數(shù)字錄音筆三星yep120，采樣率為22.05kHz，并用16位采樣)，然后通過(guò)便攜高保真直流功放(奧特藍(lán)星iMT237)在數(shù)據(jù)采集卡的輸入端回放錄音，從而采集回放語(yǔ)音.

3 實(shí)驗(yàn)結(jié)果與討論

從APSD數(shù)據(jù)庫(kù)中選取了12220個(gè)語(yǔ)音樣本，包含了13個(gè)說(shuō)話人的數(shù)據(jù)，每個(gè)人的數(shù)據(jù)為940個(gè)(470個(gè)原始樣本Au_R和470個(gè)回放樣本Pb_R)，實(shí)驗(yàn)數(shù)據(jù)的分布如表1所示.文中采用FRR(錯(cuò)誤拒絕率)和FAR(錯(cuò)誤接受率)作為評(píng)價(jià)錄音回放攻擊檢測(cè)系統(tǒng)性能的指標(biāo)，同時(shí)采用十折交叉驗(yàn)證進(jìn)行實(shí)驗(yàn)，結(jié)果為10次實(shí)驗(yàn)結(jié)果的平均值.統(tǒng)計(jì)幀的幀長(zhǎng)取512點(diǎn)，Legendre多項(xiàng)式取0～5階系數(shù).

表1 選取的實(shí)驗(yàn)樣本數(shù)Table 1 Numbers of selected data samples

實(shí)驗(yàn)1 組織了10名志愿者(7男3女)參與聽(tīng)覺(jué)實(shí)驗(yàn)，要求每個(gè)志愿者聽(tīng)100個(gè)語(yǔ)音樣本(50個(gè)原始語(yǔ)音樣本和50個(gè)回放語(yǔ)音樣本)，然后做出選擇(志愿者事先不知道語(yǔ)音樣本的類別).總共進(jìn)行了1000次聽(tīng)覺(jué)實(shí)驗(yàn)，正確識(shí)別率為58.6%，說(shuō)明人耳對(duì)原始語(yǔ)音和回放語(yǔ)音的分辨能力很低.

采用Au_R和Pb_R數(shù)據(jù)集分別在基于混合高斯模型(GMM)和隱馬爾科夫模型(HMM)的說(shuō)話人辨識(shí)系統(tǒng)上進(jìn)行說(shuō)話人識(shí)別實(shí)驗(yàn).實(shí)驗(yàn)時(shí)，GMM說(shuō)話人辨認(rèn)系統(tǒng)的高斯個(gè)數(shù)設(shè)為256，HMM說(shuō)話人辨認(rèn)系統(tǒng)的狀態(tài)個(gè)數(shù)設(shè)為4，每個(gè)狀態(tài)下的高斯個(gè)數(shù)設(shè)為64.原始語(yǔ)音和回放語(yǔ)音在GMM系統(tǒng)上的正確率分別為97.7318%和93.6966%，在HMM系統(tǒng)上的正確率分別為87.2781%和81.0897%，即回放語(yǔ)音的說(shuō)話人正確識(shí)別率和原始語(yǔ)音保持在同一個(gè)水平上，這說(shuō)明錄音回放語(yǔ)音對(duì)于說(shuō)話人識(shí)別系統(tǒng)的攻擊是真實(shí)存在的.

實(shí)驗(yàn)2 利用13個(gè)人的數(shù)據(jù)建立前端錄音回放攻擊檢測(cè)器，采用文中方法和文獻(xiàn)［5］中方法在APSD數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn).實(shí)現(xiàn)文獻(xiàn)［5］中方法時(shí)，采用雙門限法提取靜音，并用譜減法濾波，采用39維的Mel倒譜系數(shù)(MFCC)，建立信道模型時(shí)GMM的高斯個(gè)數(shù)設(shè)為512.文中方法的FRR和FAR分別為2.861 9%和2.450 7%，與文獻(xiàn)［5］中方法的15.6732%、15.6732%相比，下降了近13%.

將回放攻擊檢測(cè)模塊加載到GMM-UBM說(shuō)話人確認(rèn)系統(tǒng)(該系統(tǒng)的高斯個(gè)數(shù)為1024)的前端進(jìn)行對(duì)比實(shí)驗(yàn)，同一用戶的回放語(yǔ)音歸為不是該用戶的語(yǔ)音，實(shí)驗(yàn)結(jié)果如圖6所示.對(duì)于含有回放攻擊語(yǔ)音的數(shù)據(jù)，未加載回放攻擊檢測(cè)模塊時(shí)，說(shuō)話人確認(rèn)系統(tǒng)的錯(cuò)誤率很高，系統(tǒng)的等錯(cuò)誤率(EER，即FAR=FRR時(shí))為40.1709%，此時(shí)，系統(tǒng)的安全性能很低;加載文中回放攻擊檢測(cè)模塊后，系統(tǒng)的 EER為10.2564%，下降了約30%;加載文獻(xiàn)［5］中的回放攻擊檢測(cè)模塊后，系統(tǒng)的EER為29.0598%，下降了約11%，表明文中方法的檢測(cè)效果優(yōu)于文獻(xiàn)［5］中方法.

圖6 加載錄音回放攻擊檢測(cè)模塊前后說(shuō)話人確認(rèn)系統(tǒng)的錯(cuò)誤率對(duì)比Fig.6 Comparison of error rates between speaker verification systems with and without playback detector

為每個(gè)說(shuō)話人建立后端錄音回放攻擊檢測(cè)器，其中F01-F04為4位女性說(shuō)話人，M01-M09為9位男性說(shuō)話人，F(xiàn)03、M03及M04的FRR和FAR都為0，結(jié)果如表2所示.由圖6、表2可知，后端回放檢測(cè)的效果比前端檢測(cè)好.

表2 后端錄音回放攻擊檢測(cè)器的檢測(cè)結(jié)果Table 2 Detection results of back-end playba ck attack detector

實(shí)驗(yàn)3 以錄音回放攻擊檢測(cè)系統(tǒng)為基礎(chǔ)，將傳統(tǒng)的倒譜特征和文中的長(zhǎng)時(shí)統(tǒng)計(jì)特征進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果如表3所示.從表3中可知，由6階Legendre系數(shù)和6個(gè)統(tǒng)計(jì)特征組成的基于統(tǒng)計(jì)幀的12維長(zhǎng)時(shí)特征比其它特征有更好的識(shí)別性能.信道模式噪聲主要集中在語(yǔ)音信號(hào)的低頻部分，MFCC和線性預(yù)測(cè)倒譜系數(shù)(LPCC)等倒譜特征中低頻部分所占比重很小，不能很好地體現(xiàn)信道信息，而文中采用的長(zhǎng)時(shí)特征是基于信道模式噪聲提取的，可凸顯出信道信息，因此具有更好的識(shí)別性能.

表3 基于不同特征的回放攻擊檢測(cè)結(jié)果Table 3 Playback attack detection results based on different features

與基于短時(shí)幀的12維長(zhǎng)時(shí)特征相比，基于統(tǒng)計(jì)幀的12維長(zhǎng)時(shí)特征有更好的檢測(cè)效果和識(shí)別性能.這說(shuō)明基于統(tǒng)計(jì)幀的分析方法對(duì)于回放攻擊檢測(cè)是有效的.

實(shí)驗(yàn)4 考察不同語(yǔ)速、不同文本類型、不同說(shuō)話人等因素對(duì)錄音回放攻擊檢測(cè)系統(tǒng)的影響，結(jié)果如表4、5所示.表4表明，語(yǔ)速對(duì)錄音回放攻擊檢測(cè)系統(tǒng)有一定的影響，但影響不明顯.

表5表明，不同類型文本對(duì)錄音回放攻擊檢測(cè)性能有較大的影響，段落文本的FRR和FAR最低，主要是因?yàn)槎温涞臅r(shí)長(zhǎng)最長(zhǎng)，為3min左右(數(shù)字串和句子的長(zhǎng)度為5～8s，而短語(yǔ)的長(zhǎng)度為2～3s)，可以提供更多的信道噪聲信息，獲得更穩(wěn)定的信道噪聲分布.在實(shí)際應(yīng)用中，可以考慮采用數(shù)字串作為用戶進(jìn)入系統(tǒng)的口令(數(shù)字串的FAR低，可保證系統(tǒng)的安全性).

表4 語(yǔ)速對(duì)回放攻擊檢測(cè)性能的影響Table 4 Influence of speech rate on playback attack detection performance

表5 文本類型對(duì)回放攻擊檢測(cè)性能的影響Table 5 Influence of text type on playback attack detection performance

從表2可知，錄音回放攻擊檢測(cè)系統(tǒng)對(duì)不同說(shuō)話人的回放攻擊檢測(cè)性能也是不一樣的，不同說(shuō)話人對(duì)文中錄音回放攻擊檢測(cè)系統(tǒng)的性能也會(huì)產(chǎn)生影響.

4 結(jié)語(yǔ)

文中通過(guò)提取信道模式噪聲來(lái)檢測(cè)說(shuō)話人識(shí)別系統(tǒng)中的錄音回放攻擊，實(shí)驗(yàn)表明，回放攻擊檢測(cè)的FFR和 FAR分別為 2.861 9%、2.450 7%，與文獻(xiàn)［5］中方法相比，均下降了近13%.加載了文中的錄音回放攻擊檢測(cè)系統(tǒng)后，說(shuō)話人確認(rèn)系統(tǒng)的EER下降了約30%.

目前，文中只使用了一種錄音和回放設(shè)備，獲得了一些初步結(jié)果，還需要擴(kuò)展其它類型的錄音和回放設(shè)備，以及包含更多說(shuō)話人的數(shù)據(jù)來(lái)驗(yàn)證文中方法的魯棒性;另外，還將對(duì)信道模式噪聲的性質(zhì)做進(jìn)一步的研究，并利用信道模式噪聲來(lái)解決語(yǔ)音識(shí)別和說(shuō)話人識(shí)別中的信道不匹配問(wèn)題.

［1］Vale E E，Alcaim A.Adaptive weighting of subband classifier responses for robust text independent speaker recognition ［J］.Electronics Letters，2008，44(21):1280-1282.

［2］Wah Lau Yee，Wagner M，Tran D.Vulnerability of speaker verification to voice mimicking［C］∥Proceedings of Intelligent Multimedia，Video ＆ Speech Processing.Hong Kong:IEEE，2004:145-148.

［3］Shang Wei，Stevenson M.Score normalization in playback attack detection［C］∥Proceedings of Acoustics，Speech and Signal Processing.Dallas:IEEE，2010:1678-1681.

［4］Campbell J P，Shen W，Campbell W M，et al.Forensic speaker recognition ［J］.IEEE Signal Processing Magazine，2009，26(2):95-103.

［5］張利鵬，曹犟，徐明星，等.防止假冒者闖入說(shuō)話人識(shí)別系統(tǒng)［J］.清華大學(xué)學(xué)報(bào):自然科學(xué)版，2008，48(增刊):699-703.Zhang Li-peng，Cao Jiang，Xu Ming-xing，et al.Prevention of impostors entering speaker recognition systems［J］.Journal of Tsinghua University:Science and Technology，2008，48(S1):699-703.

［6］Pohlmann K C.Principles of digital audio［M］.6th ed.New York:McGraw-Hill，2010.

［7］趙力.語(yǔ)音信號(hào)處理［M］.2版.北京:機(jī)械工業(yè)出版社，2009.

［8］Hermansky H，Morgan N.RASTA processing of speech［J］.IEEE Transactions on Speech and Audio Processing，1994，2(4):578-589.

［9］Hanson B A，Applebaum T H.Subband or cepstral domain filtering for recognition of Lombard and channel-distorted speech［C］∥Proceedings of Acoustics，Speech and Signal Processing.Minneapolis:IEEE，1993:79-82.

［10］Lin Chi-Yueh，Wang Hsiao-Chuan.Language identification using pitch contour information［C］∥Proceedings of Acoustics，Speech and Signal Processing.Philadelphia:IEEE，2005:601-604.

［11］You Chang Huai，Lee Kong Aik，Li Haizhou.GMM-SVM kernel with a Bhattacharyya based distance for speaker recognition ［J］.IEEE Transactions on Audio，Speech，and Language Processing，2010，18(6):1300-1312.

［12］Tas?demir K，Milenov P，Tapsall B.Topology based hierarchical clustering of self-organizing maps［J］.IEEE Transactions on Neural Networks，2011，22(3):474-485.

［13］Hesterman J Y，Caucci L，Kupinski M A，et al.Maximum-likelihood estimation with a contracting grid search algorithm［J］.IEEE Transactions on Nuclear Science，2010，57(3):1077-1084.