翻录对语音真实性检验的影响研究

目的深入研究在法庭语音证据的真实性检验中,翻录操作对常用声痕迹特征产生的影响。方法录制100段原始语音,其中20段语音经实验室、室外环境直接转录,80段语音进行篡改处理后利用不同采样设备转录,得到翻录后语音。然后使用声纹鉴定工作站及Adobe Audition软件对翻录前后的数字音频,分别在文件属性、听觉和图谱检验等方面进行比对和分析。结果翻录过程会留下操作本身产生的声痕迹特征,在声谱图上表现为语音的本底噪声增强、频响范围改变、动作声痕迹遗留;翻录时高采样率设备平滑篡改痕迹的效果优于低采样率设备。结论总结出翻录对文件属性、听觉分析,篡改点图谱等造成的影响及翻录后篡改痕迹的变化规律,实验结果对司法语音真实性检验具有重要借鉴价值。

基于深度卷积神经网络的语音降噪研究

目的为了提高实际工作中获取到的音频资料中语音的质量,降低噪声对语音质量及可懂度的影响,提出了一种基于深度卷积神经网络的语音降噪模型。方法该模型通过卷积、加偏置、批量归一化、Relu激活的多层循环结构,能够有效地对低信噪比条件下语音中的洗衣机噪声、鼓掌噪声、汽车内部噪声等多种常见的环境噪声进行降噪处理。结果最终含噪语音经过模型处理后的MOS评分达到3.91分,其中最高分4.05分,最低分3.81分。结论该模型能够切实提高含噪语音的质量及可懂度,对于实际的公安工作、智慧警务建设、语音分析、语音文本识别等具有重要的意义和价值。

基于迁移学习的AI合成人脸图像鉴别研究

目的人工智能(Artificial Intelligence,AI)生成高质量人脸图像的伪造技术愈发成熟,使得人脸图像的真实性检验面临重大考验。利用一种深度学习的方法对真伪人脸图像进行二分类,以实现对伪造图像的识别。方法提出一种基于迁移学习的方法,构建MobileNetV2网络,保留其在ImageNet数据集上的预训练权值,并对采用FaceSwap技术生成的5274张假脸图像和6650张真脸图像进行辨识。结果迁移模型在测试集上预测的准确度能达到0.94,该网络架构对于真假人脸图像的辨别具有一定的稳健性。结论利用迁移学习的方法能够实现对真伪人脸图像的辨识,在一定程度上对AI合成人脸图像的真实性检验具有借鉴意义。

一种端到端的基于ResNet的车辆检测追踪技术研究

视频中的车辆检测追踪是公安技术部门研究的重点。提出了一种端到端的基于ResNet模型的车辆检测追踪技术,ResN et模型中的残差单元能够对该网络提取到的车辆特征在多层网络之间高效传递,减少了因深度增加导致神经网络退化的问题,提高了对车辆检测的效率。实验结果表明,在对白天和夜晚两种环境下的视频进行车辆检测,其检测率分别为95%、93%,整体检测率为94%,该方法表现出良好的鲁棒性。

基于语音情感分析系统的语音压力测谎

目的探究语音情感分析系统(Layered Voice Analysis,LVA)在不同情况下的表现,并通过分析数据找出影响系统识别率的因素。方法设置两种不同场景对20名研究对象进行提问,并录音。通过LVA语音系统对语音样本进行分析,使用SPSS统计软件对系统生成的参数进行统计分析。结果在未告知研究对象实验真相的情况下LVA语音系统平均识别率为91.75%,要远高于研究对象在知情情况下的识别率。在询问过程中,当未涉及敏感问题时,随着时间的推移研究对象的心理压力逐渐减小。结论LVA语音系统具有良好的情感分析和识别能力,可为司法工作提供参考。

基于深度神经网络的车辆图片特征自动识别技术研究

针对公安工作中嫌疑车辆种类型号众多、排查分类困难等问题,尝试提出一种基于AlexNet深度神经网络的车辆自动识别技术,能够快速实时对车辆进行分类识别,极大减少了利用人工进行嫌疑车辆排查的时间。该方法可以自适应地避免复杂环境背景对识别效果的干扰,提高嫌疑车辆的识别准确度。经验证,用1000张自然环境下车辆照片进行编程实验和仿真模拟,识别率达到了97.26%。该方法具有优良的鲁棒性和普适性。

GFCC与韵律特征参数融合的语音情感识别

为了有效提高语音情感识别的准确率,结合Mel频率倒谱系数特征准确性高、GFCC特征抗噪性强的特点,提出了一种将GFCC与Mel频率倒谱系数、韵律特征相融合的语音情感识别算法。针对高兴、悲伤、惊恐、中性、生气5种情感语音,分别对单一Mel频率倒谱系数特征算法、单一GFCC特征算法及改进的混合特征算法进行实验比对分析。实验结果表明,加入GFCC的混合特征后,语音情感识别算法的识别准确率及稳定性均有明显的提高,对公安工作具有现实的意义。