基于设备噪声估计的录音设备源识别

引用本文

邹领, 贺前华, 邝细超, 李洪滔, 蔡梓文. 基于设备噪声估计的录音设备源识别. 2017, 47(1): 274-280
ZOU Ling, HE Qian-hua, KUANG Xi-chao, LI Hong-tao, CAI Zi-wen. Source recording device recognition based on device noise estimation. Journal of Jilin University Engineering and Technology Edition, 2017, 47(1): 274-280 复制到剪切板

Permissions

基于设备噪声估计的录音设备源识别

邹领, 贺前华, 邝细超, 李洪滔, 蔡梓文

华南理工大学电子与信息学院,广州 510641

通讯作者:贺前华(1965-),男,教授,博士生导师.研究方向:语音及音频信号处理,声纹身份认证系统的安全.E-mail:eeqhhe@scut.edu.cn

作者简介:邹领(1981-),男,博士研究生.研究方向:数字多媒体取证,语音及音频信号处理.E-mail:zou.ling@mail.scut.edu.cn

基金:国家自然科学基金项目(61571192); 广东省公益项目(2015A010103003).

摘要

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。

关键词: 信息处理技术; 数字音频取证; 录音设备源识别; 噪声估计

中图分类号:TN912.3 文献标志码:A 文章编号:1671-5497(2017)01-0274-07

Source recording device recognition based on device noise estimation

ZOU Ling, HE Qian-hua, KUANG Xi-chao, LI Hong-tao, CAI Zi-wen

School of Electronic and Information Engineering, South China University of Technology, Guangzhou 510641, China

Abstract

To resolve this problem, first, the procedure of the speed recording is analyzed and a recording device fingerprint based on device noise is proposed. Then, a noise estimator including two noise estimation algorithms is applied to acquire sufficient device noise. Finally, to evaluate the effectiveness of the proposed device fingerprint, five classification techniques are utilized to identify the source recording device. Experiments are carried out on two corpora. One corpus comprises speech recordings obtained by 22 recording devices coming from four types of common recording devices, and the other corpus consists of speech recordings from 21 cell phones. Experiment results verify the effectiveness of the proposed method.

Keyword: information processing; digital audio forensic; source recording device recognition; noise estimation

Show Figures

0 引言

随着多媒体设备的普及, 法庭上使用音视频和图像作为证据的情况也越来越多, 而各种多媒体编辑软件的普及使得对多媒体文件进行篡改和编辑变得容易。因此, 在一个多媒体证据能作为有效的法庭证据之前, 必须对它的真伪进行鉴定。而作为数字音频取证方法之一的录音设备源识别^{[1, 2]}, 在过去的几年一直受到关注。

已有的录音设备源识别研究主要集中在:麦克风识别^{[3, 4, 5, 6, 7, 8, 9, 10]}、电话话筒识别^[11-19]、手机及移动设备识别^{[19, 20, 21, 22, 23, 24, 25]}、录音笔识别^[26]、多类型录音设备识别^[27]等方面。在模式识别中, 特征提取是关键步骤之一, 其对总体识别性能有决定性影响。总的来说, 现有的绝大多数录音设备源识别有关的工作都是对原始设备录音提取倒谱域特征, 如Mel频率倒谱系数(Mel-frequency cepstral coefficients, MFCCs)来描述设备的固有特征, 然后利用模式识别的方法来进行录音设备源识别。然而, MFCCs参数主要用于语音识别, 是一种基于人耳听觉特性的特征, 而录音设备源识别和语音识别并非同类型的问题, 关注的也并非语音信息, 因此在录音设备源识别中还用这种特征来识别并非十分合理。此外, 现有方法大都是直接对原始语音录音文件进行处理, 而原始语音信号中既含有录音设备有关的信息, 也含有很多无关的信息, 如语音内容信息、说话人信息、说话人情感信息等, 这些信息或多或少都对录音设备的识别形成干扰。

针对上述这些问题, 本文提出一种基于设备噪声估计的录音设备识别方法。证明了在噪声信号中含有可对录音设备识别的信息, 从而通过对语音录音中的噪声信号而不是对整个录音信号进行处理来减轻强语音信号的干扰, 有利于提取设备固有指纹。同时, 为了使得提取的录音设备指纹更加充分, 本文的设备噪声估计同时采用两种噪声估计方法。

1 数字语音录音过程分析

一个简化的数字语音录音模型如图1所示^[1]。其中, $\begin{matrix} s (n) \end{matrix}$ 代表语音信号; $\begin{matrix} h_{RIR} (n) \end{matrix}$ 代表环境脉冲响应; $\begin{matrix} d_{B} (n) \end{matrix}$ 代表环境背景噪声; $\begin{matrix} h_{Mic} (n) \end{matrix}$ 和 $\begin{matrix} d_{Mic} (n) \end{matrix}$ 分别代表麦克风脉冲响应和麦克风热噪声; $\begin{matrix} d_{T} (n) 和 d_{A / D} (n) \end{matrix}$ 分别为传输电路和A/D转换器所引入的热噪声和散粒噪声。那么所录制的语音信号为:

其中：

	Figure Option View Download New Window
	图1 数字语音录音系统简化示意图Fig.1 Simplified digital speech recording diagram

包含了直接的语音信号和录音环境的声学特征(通过 $\begin{matrix} h_{RIR} (n) \end{matrix}$ )以及麦克风的影响(通过 $\begin{matrix} h_{Mic} (n)), \end{matrix}$ 而噪声分量为:

$\begin{matrix} \begin{matrix} v (n) = h_{Mic} (n) \times d_{B} (n) + d_{Mic} (n) + d_{T} (n) + \\ d_{A / D} (n) = h_{Mic} (n) \times d_{B} (n) + d_{D} (n) \end{matrix} \end{matrix}$ (3)

式中: $\begin{matrix} d_{D} (n) = d_{Mic} (n) + d_{T} (n) + d_{A / D} (n) \end{matrix}$ 为录音设备噪声, 包括麦克风、传输电路和A/D转换器所引入的热噪声、散粒噪声。

由式(3)可见, 噪声分量 $\begin{matrix} v (n) \end{matrix}$ 中包含了与录音设备相关的信息(麦克风的脉冲响应 $\begin{matrix} h_{Mic} (n) \end{matrix}$ 和设备失真噪声 $\begin{matrix} d_{D} (n) \end{matrix}$ )以及背景噪声成分 $\begin{matrix} d_{B} (n) 。 \end{matrix}$ 通常噪声分量 $\begin{matrix} v (n) \end{matrix}$ 相比语音分量 $\begin{matrix} u (n) \end{matrix}$ 是相对较弱的, 且由式(3)可知, 噪声分量中含有设备相关信息, 因此, 从噪声分量 $\begin{matrix} v (n) \end{matrix}$ 提取设备相关信息比直接从含有相对较强语音信号的原始录音信号 $\begin{matrix} y (n) \end{matrix}$ 中提取更为有利, 这将会降低录音文件中相对较强的语音信号的影响, 从而有利于得到设备的固有指纹。

式(3)在频域的表达式为:

$\begin{matrix} V (k, l) = H_{Mic} (k, l) d_{B} (k, l) + d_{D} (k, l) \end{matrix}$ (4)

式中: $\begin{matrix} V (k, l) 、 H_{Mic} (k, l) 、 d_{B} (k, l) \end{matrix}$ 和 $\begin{matrix} d_{D} (k, l) \end{matrix}$ 分别是信号 $\begin{matrix} v (n) 、 h_{Mic} (n) 、 d_{B} (n) \end{matrix}$ 和d_D(n)的第l帧的第k个频点的短时傅里叶变换。

假设背景噪声和设备噪声的幅度及相位独立, 且麦克风脉冲响应和设备噪声是平稳的或跟背景噪声信号相比变化缓慢, 那么有:

$\begin{matrix} \begin{matrix} {\bar{P}}_{V} (k, l) = E \{{|V (k, l)|}^{2}\} = \\ E \{{|d_{B} (k, l)|}^{2}\} {|H_{Mic} (k)|}^{2} + {|d_{D} (k)|}^{2} = \\ {\bar{P}}_{d_{B}} (k, l) P_{H_{Mic}} (k) + P_{d_{D}} (k) \end{matrix} \end{matrix}$ (5)

式中: $\begin{matrix} E \{\cdot\} \end{matrix}$ 代表期望。从而有:

$\begin{matrix} \begin{matrix} \log {\bar{P}}_{V} (k, l) = \log (P_{d_{D}} (k) + \\ {\bar{P}}_{d_{B}} (k, l) P_{H_{Mic}} (k)) = \log P_{d_{D}} (k) + \\ \log (1 + \frac{P_{H_{Mic}} (k)}{P_{d_{D}} (k)} {\bar{P}}_{d_{B}} (k, l)) \end{matrix} \end{matrix}$ (6)

设x= $\begin{matrix} \frac{1}{L} \end{matrix} \begin{matrix} \overset{L}{\sum_{l = 1}} \end{matrix} \begin{matrix} {\bar{logP}}_{V} \end{matrix}$ (k, l)代表对一段录音分帧后求所有帧的噪声对数谱的均值, 由式(6)可知:

$\begin{matrix} \begin{matrix} x = \log P_{d_{D}} (k) + \\ \frac{1}{L} \overset{L}{\sum_{l = 1}} \log (1 + \frac{P_{H_{Mic}} (k)}{P_{d_{D}} (k)} {\bar{P}}_{d_{B}} (k, l)) \end{matrix} \end{matrix}$ (7)

特别地, 当无背景噪声, 即 $\begin{matrix} d_{B} (n) = 0 \end{matrix}$ 时, 噪声中仅有设备噪声, 且:

$\begin{matrix} x = \log P_{d_{D}} (k) \end{matrix}$ (8)

2 基于噪声估计的录音设备源识别

本文提出的基于噪声估计的录音设备源识别系统框图如图2所示。首先, 将一段语音信号分成短时帧; 其次, 逐帧进行噪声谱估计; 再次, 对每一帧估计出的噪声谱求对数后取均值, 得到平均噪声对数谱, 将其用于表征录音设备的特征。

	Figure Option View Download New Window
	图2 基于设备噪声估计的录音设备源识别系统Fig.2 Source recording device recognition system based on device noise estimation

考虑到单一的噪声估计方法的局限性, 在尝试了一些噪声估计算法后, 本文采用了两种噪声估计算法并进行组合, 具体为文献^{[28, 29]}中的基于语音活动检测(Voice activity detection, VAD)的噪声估计算法(见图2中算法1)和连续频谱最小值跟踪算法(见图2中算法2)^[30]。用这两种噪声估计方法得到的噪声估计分别求平均对数谱,

	Figure Option View Download New Window
	图3 本文音库中8个设备的同一句录音的平均噪声对数谱图Fig.3 Average noise log spectrum of 8 device

然后合并作为最终的设备特征。设 $\begin{matrix} x (n) \end{matrix}$ 为原始语音录音信号, x(n)分成L个短时帧, $\begin{matrix} V^{(i)} (k, l) \end{matrix}$ 代表对 $\begin{matrix} x (n) \end{matrix}$ 采用第i种噪声估计算法得到的第l帧的第k个频点的噪声谱幅值。那么对应于第i种算法得到的噪声特征向量 $\begin{matrix} f_{i} \in R^{D / 2} \end{matrix}$ (D为短时傅里叶变换的频点数)的第k个分量可以表示为:

$\begin{matrix} \begin{matrix} f_{i} (k) = \frac{1}{L} \overset{L}{\sum_{l = 1}} \log (V^{(i)} (k, l)) \\ k = 1, 2, \dots, D / 2 \end{matrix} \end{matrix}$ (9)

组合后的 $\begin{matrix} f = [f_{1}; f_{2}] \in R^{D} \end{matrix}$ 就是所用的噪声特征。

图3给出了本文22个设备音库中的8个设备同一句录音的平均噪声对数谱(采用文献^[30]中算法估计噪声), 其中包括两组同一品牌同一型号的设备。可以发现, 不同设备(甚至同一品牌同一型号的设备)的平均噪声对数谱差异明显。此外, 由于组合的噪声特征维度较高(若FFT点数取512时, 两种噪声特征合并后的维度为512), 因此本文采用LDA^[31]降维算法来降低组合特征的维度。设 $\begin{matrix} f \in R^{D} \end{matrix}$ 代表原始的高维噪声特征, 那么在训练得到了LDA降维矩阵 $\begin{matrix} M_{LDA} \in R^{D \times (C - 1)} \end{matrix}$ 之后, 一个低维(C-1维, C为设备类别数)的噪声特征向量 $\begin{matrix} z \in R^{C - 1} \end{matrix}$ 可通过式(10)得到:

$\begin{matrix} z = M_{LDA}^{T} f \end{matrix}$ (10)

图4为对本文22个设备音库中的8个录音设备的录音文件上提取降维后的21维噪声特征向量的第5个分量( $\begin{matrix} c_{5} \end{matrix}$ )的直方图。可以发现每一种设备的分布都不一样, 甚至同一品牌同一型号的设备的分布也有明显的差异, 表明了该特征对不同录音设备的区分能力。

	Figure Option View Download New Window
	图4 本文所提特征的第5个分量在8个设备同样语音录音上的直方图Fig.4 Histogram of c₅ component of proposed feature on 8 devices and same recorded speech signal

3 实验验证

3.1 实验数据库

实验使用的音库有两个:MOBIPHONE音库和自制音库。MOBIPHONE音库(一个包含21个手机的音库)信息详见文献^[20]。自制音库包含有22个常用录音设备, 分别是手机、平板电脑、录音笔和MP3。具体品牌、型号及本文编号如表1所示。该音库的录制方式为:从TIMIT音库中随机挑选出24个人的语音, 每个人有10段句子, 每段长约3 s。在实验室环境下通过一个扬声器依次播放这些TIMIT句子并分别用上述的22个设备进行录音, 得到的设备录音文件最后都统一转换成8 kHz采样率16 bits的wav文件。这样, 每个设备含有240个录音文件。

表1 实验所用音库所包含设备的具体信息和设备编号 Table 1 Specific information and device numbers of experimental corpus

3.2 实验参数设置

每一个设备录音库中一半用来训练, 另一半用来测试。语音短时帧的帧长取32 ms, 取50%的帧移, 分帧采用汉明窗, 短时傅里叶变换取512点, 得到噪声特征后, 在本文22个设备的音库上实验用LDA降到21维, 在MOBIPHONE音库上降到20维。本文在5种分类方法上进行了实验, 分别为:支持向量机(Support vector machine, SVM)、多层感知器(Multilayer perceptron, MLP)、朴素贝叶斯(Naive Bayes)、K最近邻(K-nearest neighbour, KNN)和旋转森林(Rotation forest), 这些分类方法都通过知名的WEKA数据挖掘软件^[32]来实现。实验中采样正确识别率来作为衡量性能的指标。

3.3 实验结果和讨论

首先, 将本文的噪声特征以及其他录音设备源识别文献中使用过的几种特征(包括MFCCs均值^[19], 基于MFCCs扩展的GLDS kernel超向量特征^[21]和SSF^[19])在本文音库和MOBIPHONE音库上进行实验, 分类算法采用3.2节所述的5种分类器, 取得的识别率如表2所示。在4种特征中, 绝大多数情况下, 本文提出的特征在两个库上都取得了相对最好的识别率, 验证了本文特征的有效性。

表2 不同特征在本文设备音库和MOBIPHONE音库上的识别率 Table 2 Recognition rates of various features on corpus of this paper and MOBIPHONE corpus %

其次, 为了验证本文特征对同一个品牌的录音设备的区分能力, 在包含5个NOKIA录音设备的子集上(称为NOKIA子集)上进行实验, 实验结果如表3所示。本文所提的特征跟其他几种特征相比取得了略高的识别率, 这表明了其具有区分同一品牌甚至同一品牌同一型号设备的能力。同时对比表2和表3发现, 所有特征对同一品牌设备子集的识别率低于对整个22个设备的识别率。这是因为同一品牌设备子集里的设备的相似度程度较高所以较难区分。分类器采用SVM时, 本文所提出的特征在NOKIA子集上的混淆矩阵如表4所示。可以看出, D6和D7由于是品牌和型号完全一样的设备(NOKIA 3600), 这两个设备互相混淆的程度最大, 从而被识别错的概率最高。

表3 不同特征在NOKIA子集上的识别率 Table 3 Recognition rates of various features on NOKIA subset %

第三, 为了验证特征对不同品牌设备的区分能力。从本文22个设备音库中挑选了5个品牌(包括IPAD、LG、NOKIA、SAMSUNG和SONY), 其中每个品牌挑选出两种设备作为该类的代表。对5个品牌的识别的结果如表5所示。

表4 噪声特征在NOKIA子集上的混淆矩阵 (SVM作为分类器) Table 4 Confusion matrix of noise feature on NOKIA subset(SVM utilized as classifier)

表5 不同特征在5个品牌设备库上的识别率 Table 5 Recognition rates of various features on 5 brands devices corpus %

几种特征都取得了较高的识别率。这是因为对不同品牌的设备更容易区分。这一点通过对比表5和表3也可以发现, 对这5种分类器, 所有特征对不同品牌设备的识别率都明显高于该特征对同一品牌设备的识别率。分类器采用SVM时, 本文所提特征在5个品牌设备上进行识别的混淆矩阵如表6所示。

表6 噪声特征在5个品牌设备库上的混淆矩阵 (SVM作为分类器) Table 6 Confusion matrix of noise feature on 5 brands devices corpus(SVM utilized as classifier)

第四, 为了验证两种噪声估计方法所得到的噪声特征分别对设备源识别的贡献, 依次只采用一种噪声估计算法并在本文22个设备音库、MOBIPHONE音库以及5个品牌设备子库上进行了实验, 分类器采用SVM, 分别得到两种噪声估计算法所得到的噪声特征下的识别率以及二者组合后的识别率, 结果如图5所示。在本文的22个设备录音库上, 只采用噪声估计算法1比只采用噪声估计算法2所得到的噪声特征的识别率略高,

	Figure Option View Download New Window
	图5 两种噪声特征和二者组合后的特征的识别率柱状图(SVM作为分类器)Fig.5 Effectiveness of various noise features on various corpus(SVM utilized as classifier)

且二者组合后最高。在MOBIPHONE音库上分别采用两种噪声估计算法所得到的噪声特征分别取得了95.99%和98.21%的识别率, 二者组合后的特征取得了99.09%的识别率, 而在5个品牌设备子库上只采用噪声估计算法2比只采用噪声估计算法1所得到的噪声特征的识别率微高且二者组合后最高。说明这两种噪声估计方法得到的噪声特征在性能上是接近的, 并具有一定的互补性。

4 结束语

经过对数字语音录音过程的分析发现在语音录音的噪声信号中包含有录音设备源识别所需要的信息。基于此, 提出了一种基于噪声估计的录音设备源识别方法。通过录音设备源识别实验以及与其他几种常用的录音设备源识别特征包括MFCCs均值特征、基于MFCCs的GLDS kernel超向量特征以及SSF特征做比较证明了该方法的有效性, 可以作为一种可选的录音设备源识别的方法。这4种特征对不同品牌设备的区分能力都高于对同一品牌设备的区分能力。实验发现本文所采用的两种噪声估计方法得到的噪声特征识别性能接近且组合后性能更好。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	Zhao H, Malik H. Audio recording location identification using acoustic environment signature[J]. IEEE Trans Inf Forensics Security, 2013, 8(11): 1746-1759. [本文引用:2]
[2]	曾锦华, 施少培, 杨旭, 等. 数字录音真实性司法鉴定研究现状[J]. 中国司法鉴定, 2014(4): 57-61. Zeng Jin-hua, Shi Shao-pei, Yang Xu, et al. The state of art in digital audio forensic authentication[J]. Chinese Journal of Forensic Sciences, 2014(4): 57-61. [本文引用:1]
[3]	Kraetzer C, Oermann A, Dittmann J, et al. Digital audio forensics: a first practical evaluation on microphone and environment classification[C]//The Workshop on Multimedia and Security, Dallas, TX, USA, 2007: 63-74. [本文引用:1]
[4]	Kraetzer C, Schott M, Dittmann J. Unweighted fusion in microphone forensics using a decision tree and linear logistic regression models[C]//The 11th ACM Multimedia and Security Workshop, New York, 2009: 49-56. [本文引用:1]
[5]	Buchholz R, Kraetzer C, Dittmann J. Microphone Classification Using Fourier Coefficients[M]. Berlin: Springer, 2010: 235-246. [本文引用:1]
[6]	Kraetzer C, Qian K, Schott M, et al. A context model for microphone forensics and its application in evaluations[C]//SPIE Conference on Media Watermarking, Security, and Forensics, London, 2011. [本文引用:1]
[7]	Kraetzer C, Qian K, Dittmann J. Extending a context model for microphone forensics[C]//Proc SPIE, 2012, 8303: 265-298. [本文引用:1]
[8]	Malik H, Miller J. Microphone identification using higher-order statistics[C]//AES 46th Conf Audio Forensics, Denver, CO, USA, 2012. [本文引用:1]
[9]	Eskidere O. Source microphone identification from speech recordings based on a Gaussian mixture model[J]. Turkish Journal of Electrical Engineering and Computer Sciences, 2014, 22(3): 754-767. [本文引用:1]
[10]	Garcia-Romero D, Espy-Wilson C. Speech forensics: automatic acquisition device identification[J]. J Acoust Soc Am, 2010, 127(3): 2044. [本文引用:1]
[11]	Garcia-Romero D, Espy-Wilson C. Automatic acquisition device identification from speech recordings[C]//Proc IEEE Int Conf Acoustics, Speech, Signal Processing (ICASSP), Dallas, TX, USA, 2010: 1806-1809. [本文引用:1]
[12]	Garcia-Romero D, Espy-Wilson C. Automatic acquisition device identification from speech recordings[J]. J Audio Eng Soc, 2009, 124(4): 2530. [本文引用:1]
[13]	Reynolds D A. HTIMIT and LLHDB: speech corpora for the study of hand set transducer effects[C]//Proc IEEE Int Conf Acoustics, Speech, Signal Processing (ICASSP), Munich, Germany, 1997: 1535-1538. [本文引用:1]
[14]	Kishore S P, Yegnanarayanana B. Identification of hand set type using autoassociative neural networks[C]//Fourth Int Conf Advances in Pattern Recognition and Digital Techniques, 1999: 353-356. [本文引用:1]
[15]	Mak M W, Kung S Y. Combining stochastic feature transformation and hand set identification for telephone-based speaker verification[C]//Proc IEEE Int Conf Acoustics, Speech, Signal Processing (ICASSP), Orland o, FL, 2002: 701-704. [本文引用:1]
[16]	Panagakis Y, Kotropoulos C. Automatic telephone hand set identification by sparse representation of rand om spectral features[C]//The 14th ACM Multimedia and Security Workshop, Coventry, UK, 2012: 91-96. [本文引用:1]
[17]	Panagakis Y, Kotropoulos C. Telephone hand set identification by feature selection and sparse representations[C]//IEEE Int Workshop Information Forensics and Security, Tenerife, Spain, 2012: 73-78. [本文引用:1]
[18]	Kotropoulos C. Telephone hand set identification using sparse representations of spectral feature sketches[C]//First Int Workshop Biometrics and Forensics, Lisbon, Portugal, 2013: 1-4. [本文引用:1]
[19]	Kotropoulos C. Source phone identification using sketches of features[J]. IET Biometrics, 2014, 3(2): 75-83. [本文引用:4]
[20]	Kotropoulos C, Samaras S. Mobile phone identification using recorded speech signals[C]//The 19th International Conference on Digital Signal Processing (DSP), Hongkong, 2014: 586-591. [本文引用:2]
[21]	Hanilçi C, Ertas F, Ertas T, et al. Recognition of brand and models of cell-phones from recorded speech signals[J]. IEEE Trans Inf Forensics Security, 2012, 7(2): 625-634. [本文引用:2]
[22]	Hanilçi C, Kinnunen T. Source cell-phone recognition from recorded speech using non-speech segments[J]. Digital Signal Processing, 2014, 35: 75-85. [本文引用:1]
[23]	Jahanirad M, Wahab A W A, Anuar N B, et al. Blind source mobile device identification based on recorded call[J]. Engineering Applications of Artificial Intelligence, 2014, 36: 320-331. [本文引用:1]
[24]	Zou L, Yang J C, Huang T S. Automatic cell phone recognition from speech recordings[C]//IEEE China Summit & International Conference on Proc Signal and Information Processing (China SIP), Beijing, 2014: 621-625. [本文引用:1]
[25]	Zou L, He Q H, Feng X H. Cell phone verification from speech recordings using sparse representation[C]//Proc IEEE Int Conf Acoustics, Speech, Signal Processing (ICASSP), New York, 2015: 1787-1791. [本文引用:1]
[26]	曾锦华, 施少培, 杨旭, 等. 录音设备识别司法鉴定技术研究[J]. 中国司法鉴定, 2014(6): 22-25. Zeng Jin-hua, Shi Shao-pei, Yang Xu, et al. Research on methods of audio recorder forensic identification[J]. Chinese Journal of Forensic Sciences, 2014(6): 22-25. [本文引用:1]
[27]	贺前华, 王志锋, Rudnicky A I, 等. 基于改进PNCC特征和两步区分性训练的录音设备识别方法[J]. 电子学报, 2014, 42(1): 191-198. He Qian-hua, Wang Zhi-feng, Rudnicky A I, et al. A recording device identification algorithm based on improved PNCC feature and two-step discriminative training[J]. Acta Electronica Sinica, 2014, 42(1): 191-198. [本文引用:1]
[28]	Boll S F. Suppression of acoustic noise in speech using spectral subtraction[J]. IEEE Trans Acoust, Speech, Signal Process, 1979, 27(2): 113-120. [本文引用:1]
[29]	Kamath S, Loizou P. A multi-band spectral subtraction method for enhancing speech corrupted by colored noise[C]//Proc IEEE Int Conf Acoustics, Speech, Signal Processing (ICASSP), Orland o, FL, 2002: 4164-4167. [本文引用:1]
[30]	Doblinger G. Computationally efficient speech enhancement by spectral minima tracking in subband s[C]//EUROSPEECH, Berlin, Germany, 1995: 1513-1516. [本文引用:2]
[31]	Duda R O, Hart P E, Stork D G. Pattern Classification[M]. 2nd ed. New York: Wiley, 2000. [本文引用:1]
[32]	Hall M, Frank E, Holmes G, et al. The WEKA data mining software: an update[J]. SIGKDD Explorations Newsletter, 2009, 11(1): 10-18. [本文引用:1]

2013

0.0

... 而作为数字音频取证方法之一的录音设备源识别^[1,2],在过去的几年一直受到关注 ...

... 1 数字语音录音过程分析一个简化的数字语音录音模型如图1所示^[1] ...

2014

0.0

... 而作为数字音频取证方法之一的录音设备源识别^[1,2],在过去的几年一直受到关注 ...

2007

0.0

... 已有的录音设备源识别研究主要集中在:麦克风识别^{[3,4,5,6,7,8,9,10]}、电话话筒识别^[11-19]、手机及移动设备识别^{[19,20,21,22,23,24,25]}、录音笔识别^[26]、多类型录音设备识别^[27]等方面 ...

2009

0.0

2010

0.0

2011

0.0

2012

0.0

2012

0.0

2014

0.0

2010

0.0

2010

0.0

2009

0.0

1997

0.0

1999

0.0

2002

0.0

2012

0.0

2012

0.0

2013

0.0

2014

0.0

... 3 实验结果和讨论首先,将本文的噪声特征以及其他录音设备源识别文献中使用过的几种特征(包括MFCCs均值^[19],基于MFCCs扩展的GLDS kernel超向量特征^[21]和SSF^[19])在本文音库和MOBIPHONE音库上进行实验,分类算法采用3 ...

2014

0.0

... MOBIPHONE音库(一个包含21个手机的音库)信息详见文献^[20] ...

2012

0.0

2014

0.0

2014

0.0

2014

0.0

2015

0.0

2014

0.0

2014

0.0

. 2014, 42(1):191-198 DOI:10.3969/j.issn.0372-2112.2014.01.031

A recording device identification algorithm based on improved PNCC feature and two-step discriminative training

基于改进PNCC特征和两步区分性训练的录音设备识别方法

He Qian-hua , Wang Zhi-feng , Rudnicky A I

贺前华, 王志锋

1. School of Electronic and Information Engineering, South China University of Technology, Guangzhou, Guangdong 510640, China; 2. School of Computer Science, Carnegie Mellon University, Pittsburgh 15213, USA

Recording device identification is a kind of blind digital audio forensic technique,which extracts digital evidence of device mechanism involved in the generation of the speech recording by analyzing the acoustic signal.This paper proposes a recording device identification algorithm which is based on improved PNCC feature and two-step discriminative training.Due to the fact that silence periods contain the device information and is not affected by speaker and texture factors,this paper extracts improved PNCC from silence periods,which uses long term analysis to remove the effect of background noise.GMM-UBM is set as the baseline system,which is improved by two steps discriminative training.The experimental result indicates that the average accuracy of recording device identification on 30 devices is 90.23%;for 15 inset and 15 outset devices testing,the EER is 15.17% and ACC is 96.65%,which proves the effectiveness of the proposed algorithm.

录音设备来源识别是通过分析已获取的数字语音信号从而确定其录制设备的一种技术，属于数字音频盲取证.本文提出了一种基于改进PNCC特征和两步区分性训练的录音设备识别方法，由于音频中的静音包含了完整的设备信息，且不受说话人和文本等因素的影响，因此从静音段提取改进的PNCC特征，利用了PNCC的长时帧分析去除背景噪声对设备信息的影响.在模型方面，以GMM-UBM为基准模型，并通过两步区分性训练调整集内设备模型和通用背景模型，提升模型区分能力.该方法对于30种设备闭集识别的平均正确识别率为90.23%；对于15个集内和15个集外设备的测试，等错误率为15.17%，集内平均正确识别率为96.65%，验证了本文算法的有效性.

1979

0.0

... 考虑到单一的噪声估计方法的局限性,在尝试了一些噪声估计算法后,本文采用了两种噪声估计算法并进行组合,具体为文献^[28,29]中的基于语音活动检测(Voice activity detection, VAD)的噪声估计算法(见图2中算法1)和连续频谱最小值跟踪算法(见图2中算法2)^[30] ...

2002

0.0

1995

0.0

... 图3给出了本文22个设备音库中的8个设备同一句录音的平均噪声对数谱(采用文献^[30]中算法估计噪声),其中包括两组同一品牌同一型号的设备 ...

2000

0.0

... 此外,由于组合的噪声特征维度较高(若FFT点数取512时,两种噪声特征合并后的维度为512),因此本文采用LDA^[31]降维算法来降低组合特征的维度 ...

2009

0.0

... 本文在5种分类方法上进行了实验,分别为:支持向量机(Support vector machine,SVM)、多层感知器(Multilayer perceptron,MLP)、朴素贝叶斯(Naive Bayes)、K最近邻(K-nearest neighbour,KNN)和旋转森林(Rotation forest),这些分类方法都通过知名的WEKA数据挖掘软件^[32]来实现 ...