Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Biometrické Bezpečnostní Systémy Filip Orság Technologie rozpoznání mluvčího.

Podobné prezentace


Prezentace na téma: "Biometrické Bezpečnostní Systémy Filip Orság Technologie rozpoznání mluvčího."— Transkript prezentace:

1 Biometrické Bezpečnostní Systémy Filip Orság Technologie rozpoznání mluvčího

2 Zpracování řeči Zpracování řeči se dělí na: Rozpoznávání řeči Co bylo řečeno? Rozpoznávání mluvčích Kdo to řekl? Ostatní rozpoznávání Nebyl řečník opilý? Rozpoznávání mluvčích se dělí na: Identifikaci Řekni mi, kdo mluvil? Verifikaci Mluvčí tvrdí, že je A. Je to pravda?

3 Biometrický Bezpečnostní Systém BBS požaduje ověření nebo zjištění totožnosti na základě biometrických vlastností. BBS požaduje ověření nebo zjištění totožnosti na základě biometrických vlastností. Otisk prstu, hlas, styl chůze, dynamika a styl psaní (podpisu), pach … Dva možné přístupy Dva možné přístupy Identifikační Verifikační

4 BBS – Identifikační přístup Sejmutí biometrických údajů Zpracování a porovnání s údaji se všech dostupných uživatelů Vyhodnocení = uživatel v databázi BYL nalezen NEBYL nalezen BBS

5 BBS – Verifikační přístup BBS Sejmutí biometrických údajů a dotaz na identitu Zpracování a porovnání s údaji uživatele, za kterého se neznámý vydává Vyhodnocení = neznámý JE tím, za koho se vydává NENÍ tím, za koho se vydává = ?  

6 Výhody a nevýhody obou přístupů Identifikační přístup Identifikační přístup  Pohodlnější pro uživatele  Náročný na kvalitu algoritmů Malá chyba pozitivně identifikuje nepřítele  Výpočetně náročný Přístup do DB, množství výpočtů Verifikační přístup Verifikační přístup  Mnohem nižší výpočetní nároky Vše provádíme pouze jednou  Méně pohodlné Musíme zadat 1 údaj navíc (identitu, přihlašovací jméno)

7 Cíle disertační práce Zpracování řečového signálu Zpracování řečového signálu Rozlišení řečových a neřečových rámců = detekce hlasové aktivity ( Voice Activity Detection - VAD ) Extrakce příznaků závislých na mluvčím Extrakce příznaků závislých na mluvčím Získání příznaků použitelných k rozpoznání mluvčích ( Speaker Dependent Frequency Cepstrum Coefficients – SDFCC ) Návrh Biometrického Bezpečnostního Systému Návrh Biometrického Bezpečnostního Systému Návrh začlenění technologie rozpoznání mluvčího do komplexního BBS Návrh postupu generování unikátního vektoru pro kryptografické účely

8 VAD – detekce hlasové aktivity Postup: Postup: Použití neuronové sítě BP Aplikace součtu velikostí frekvencí ve spektru Experimenty: Experimenty: Porovnání s běžně používanými příznaky Test vlivu topologie BPN na úspěšnost VAD Výsledky: Výsledky: Méně rozsáhlé sítě dosahují lepších výsledků Chyba kolem 1% při použití kombinace hodnoty počtu průchodů nulou a součtu velikostí frekvencí

9 Příznaky závislé na mluvčím Výpočet dlouhodobého LPC spektra Generování jedinečné banky filtrů pro každého uživatele Výpočet kepstrálních koeficientů (postup stejný jako u MFCC) Výsledek = SDFCC (Speaker Dependent Frequency Cepstrum Coefficients)

10 Proces rozpoznání mluvčích Záznam Předzpracování Extrakce přáznaků Unikátní vektor + Test hlaso- vého hesla Délkavektoru: 64 bitů Klasifikace dynamických příznaků HMM Výběr příznaků (pro každý rámec) – MFCC, SDFCC, a mnohé další Statistické příznaky Záznam řečového signálu vzorkovací frekvence Hz vzorkovací frekvence Hz přesnost 16 bitů přesnost 16 bitů 1.Preemfáze 2.Rozdělení na rámce 3.Násobení oknem 4.Vypuštění neřečových rámců Příznaky z 1 rámce Dynamické příznaky Dynamické příznaky Identifikační nebo verifikační přístup

11 SDFCC – Experimenty a výsledky Experimenty: Experimenty: Verifikace a Identifikace (HMM-GM) Test verifikačního a identifikačního přístupu ověřování Použití SDFCC (různé tvary filtrů) a běžných příznaků Test vlivu počtu stavů HMM na kvalitu rozpoznání Výsledky: Výsledky: Menší počet stavů vykazuje často lepší výsledky Verifikace: EER = 3.9% (3 stavy) Identifikace: EER = 5.0% (3 stavy)

12 Biometrický Bezpečnostní Systém Teoretický návrh BBS Teoretický návrh BBS Single BSS - běžné Multi BSS – rozšíří se Rozpoznání mluvčího Rozpoznání otisku prstu Rozpoznání duhovky Finální Rozhodnutí Přijat / Zamítnut Multi-Biometric Security System Kryptografie Kryptografie Generování unikátního vektoru Využití dlouhodobého LPC spektra a kvantizace

13 BBS – Experimenty a výsledky Experimenty: Experimenty: Test unikátnosti vektorů (FAR, FRR) Test vlastností algoritmu - tolerance Výsledky: Výsledky: FAR < 4.0% (maximální tolerance) FRR < 85.0% (minimální tolerance)

14    Závěr Zpracování řečového signálu Zpracování řečového signálu VAD (Voice Activity Detection) – chyba ~ 1% Příznaky pro rozpoznávání mluvčích Příznaky pro rozpoznávání mluvčích SDFCC (Speaker Dependent Frequency Cepstrum Coefficients) chyba ~ 3.5% (verifikace), ~ 5% (identifikace) Biometrický Bezpečnostní systém Biometrický Bezpečnostní systém Návrh multi-biometrického bezpečnostního systému Postup pro generování unikátního vektoru


Stáhnout ppt "Biometrické Bezpečnostní Systémy Filip Orság Technologie rozpoznání mluvčího."

Podobné prezentace


Reklamy Google