基于攻击方法和重放配置的得分融合在说话人确认反欺骗中的研究

摘要

自动说话人确认技术（Automatic speaker verification，ASV）是生物识别技术的一种，通过说话人的语音信号自动确定该说话人的身份。在实际身份验证场景中，欺骗者通过语音转换、语音合成和录音重放就能得到与真实语音非常相似的欺骗语音。目前的ASV系统很难检测到欺骗语音与真实语音之间的细微差别，欺骗语音可以轻松地通过ASV系统，这对ASV系统的安全性造成了严重的威胁。因此，近年来说话人确认反欺骗技术得到了越来越多的关注。　　本文主要对基于高斯混合模型（Gaussian Mixture Model，GMM）、i-vector和轻量级卷积神经网络（Light Convolution Neural Network，LCNN）的说话人确认反欺骗模型在得分融合方面进行研究。为了提高说话人确认反欺骗模型的准确率和鲁棒性，本文提出在基于不同攻击方法和重放配置下分别对GMM模型、i-vector模型和LCNN模型进行不同模型的得分融合。本文实验均在ASVspoof挑战数据集上进行，相关工作总结如下：　　首先，本文对基于不同攻击方法和重放配置的GMM模型使用概率规整、线性回归和支持向量机（Support Vector Machine，SVM）进行得分融合。实验结果表明基于不同攻击方法和重放配置的GMM模型与SVM得分融合后与基线GMM模型相比，性能有显著的提高。　　其次，本文将概率线性判别分析（Probabilistic Linear Discriminant Analysis，PLDA）、SVM和余弦距离模型作为i-vector模型的后端，分别在i-vector模型与基于不同攻击方法和重放配置的i-vector模型上进行分析比较。实验结果表明基于SVM的模型性能优于PLDA和余弦距离。接着本文提出基于余弦距离打分的i-vector模型在不同攻击方法和重放配置中分别使用概率规整、线性回归和SVM进行得分融合。实验结果表明，基于余弦距离打分的i-vector模型和SVM得分融合后性能有了进一步的提升。　　最后，本文提出将LCNN模型全连接层的输出（Speaker Embedding）作为新的特征从而代替说话人确认反欺骗系统的i-vector，并使用PLDA、SVM和余弦距离进行打分。实验结果表明基于不同攻击方法和重放配置的LCNN模型使用SVM打分后性能表现得最好。接着本文提出基于余弦距离打分的Embedding在不同攻击方法和重放配置中分别采用概率规整、线性回归和SVM进行得分融合，实验结果表明使用SVM进行得分融合能进一步提高模型的性能。

目录

声明

1 绪论

1.1 课题研究背景与意义

1.2 说话人确认反欺骗研究及现状分析

1.3 主要研究内容

1.4 本文的主要结构

2 说话人确认反欺骗系统

2.1 说话人确认反欺骗系统总体框架

2.2 特征提取

2.3 说话人确认反欺骗模型

2.4 评估数据集

2.5 衡量指标

2.6 本章小结

3 基于GMM模型的说话人确认反欺骗方法

3.1 GMM-LLR基线系统

3.2 基于不同攻击方法和重放配置的GMM模型得分融合

3.3 得分融合方法

3.4 实验设置及结果分析

3.5 本章小结

4 基于i-vector模型的说话人确认反欺骗方法

4.1 i-vector模型

4.2 打分模型

4.3 基于不同攻击方法和重放配置的i-vector模型

4.4 基于不同攻击方法和重放配置的i-vector得分融合

4.5 实验设置及结果分析

4.6本章小结

5 基于LCNN模型的说话人确认反欺骗方法

5.1 CNN模型

5.2 基于LCNN的说话人确认反欺骗模型

5.3 实验设置及结果分析

5.4 本章小节

6 结论与展望

参考文献

致谢

在读期间公开发表论文（著）及科研情况