声纹证据的应用欢迎访问Freekaoyan
 声纹证据的应用声纹证据的应用(2)声纹证据的应用(3)声纹证据的应用(4)
欢迎访问Freekaoyan论文站
欢迎访问Freekaoyan论文站
　声纹识别是根据声音波形中反映讲话人生理及行为特征的声音参数，进有身份识别的技术。声纹证据以其特有的准确性、方便性在案件侦破中发挥着有效摧毁犯罪嫌疑人心理防线，为警方提供初始证据的作用。同时，声纹的相对稳定性使其在司法部门的应用还有待检验。
$e声纹识别,声纹证据,应用
$f科学研究表明，［1］人的身体特征如指纹、声纹、掌纹等都具有唯一性、稳定性的特点，即每个人的这些特征都与别人不同，且终生不变。由于人的身体特征不可复制，基于这些特征应运而生了多种生物识别手段，比如指纹识别、声纹识别、掌纹识别等，并已广泛应用于诸多领域。其中，声纹识别是根据声音波形中反映讲话人生理及行为特征的声音参数，进行身份识别的技术。近年来，该技术以其特有的准确性、方便性、经济性受到世人瞩目。
            一、声纹识别原理
    声纹（Voiceprint）就是借助声谱仪绘出的声音图像。我们知道，声音是由口、喉、声道等器官运动产生的。其中，声道形状是最重要的生理因素，而韵律、口音、发声速度等构成后天行为因素。通过对声音的研究表明：年龄、语言习惯、发音器官等的差异都会导致人的声纹各不相同，且声纹从十几岁到五十多岁基本不变。据此，构成声纹识别的基础，即可以通过分析声纹的唯一性作为识别身份的一种手段。

    声纹识别是基于生理学和行为特征的说话者嗓音、语言模式的运用。根据应用环境不同，分为说话人辨识和说话人确认。前者指识别说话人是否已注册，是哪个注册人，其辨识结果要好手说话人确认；后者指识别说话人的身份与其声明是否一致刑侦工作中更具实际价值。声纹识别系统包括声效特征提取和声组模式匹配，前者提取唯一表现说话人身份的有效且稳定可靠的特征；后者对训练和识别时的特征模式做相似性匹配。
    （一）声纹特征提取
    声纹特征提取即提取声音信号中表征人的基本特征，该特征能有效地区分不同的说话人，且对同一说话人的变化保持相对稳定。考虑到特征的可量化性、训练样本的数量和声纹识别系统性能的评价问题。目前主要对较低层次的声学特征进行识别。说话人特征大体归为以下几类：［2］
    1．基音轮廓、共振峰频率带宽及其轨迹。基于发声器官生理结构提取的特征参数。
    2．谱包络参数。声音通过滤波器组输出，并以合适的速率对输出抽样作为声纹识别特征。
    3，听觉特性参数。模拟人耳对声音频率感知特性而提出的，如美倒谱系数、感知线性预测等。
    4．线性预测系数。线性预测与声道参数模型相符合，由它导出的各种参数，如反射系数、自相关系数、线性预测系数等作为识别特征，效果较好。
    此外，还可通过对不同特征参量的组合来提高识别系统性能。特别是组合参量间相关性不大时，由于它们分别反映声音信号不同特征，因而效果更好。
    （二）声纹模式匹配
    声纹研究的重点是对各种声学参数线性、非线性处理及新的模式匹配方法。这些技术大致分为；
    1．矢量量化。通过把每个人的特定文本编成码本，识别时将测试文本按此码本进行编码，以量化产生的失真度作为判决标准。其识别精度较高，判断速度较快。
    2．概率统计。考虑到短时间内声音信息相对平稳，通过对稳态特征如基音、声门增益、低队反射系数的统计分析，利用均值、方差等统计量和概率密度函数进行判决。其优点是不用对特征参量在时域上进行规整，适合文本无关的说话人识别。
    3．动态时间规整。说话人声音信息既有稳定的因素如发声习惯、发声器官结构，又有时变的因素如请速、语调、重音、韵律等。将识别模板与参考模板进行时间对比，并按照某种距离测定得出两模板间的相似程度。常用方法是基于最近邻原则的动态对间规整DTW。
    4．人工神经网络。这种分布式并行处理结构的网络模型在某种程度上模拟生物感知特性，具有自组织和自学习能力、很强的复杂分类边界区分能力，及对不完全信息的鲁棒性，其性能近似理想的分类器。缺点是训练时间长、动态时间规整能力弱，且网络规模可能随说话人数目增加到难以训练的程度。
免费考研网www.freekaoyan.com