基于设备本底噪声频谱特征的手机来源识别

随着手机录音设备的普及以及各种功能强大且易于操作的数字媒体编辑软件的出现,手机来源识别已成为多媒体取证领域的热点问题。将本底噪声作为手机的"指纹",提出了一种基于本底噪声的手机来源识别方法。该方法先通过静音段录音的估计得到本底噪声;然后计算本底噪声的频谱特征在时间轴方向上的均值,将其作为手机来源识别的分类特征;最后采用主成分分析(PCA)法对特征进行降维,并采用支持向量机(SVM)进行分类。实验部分对24款主流型号的手机进行了分类,结果表明本文方法的平均识别准确率(accuracy)和平均召回率(recall)达到了99.24%,同时也验证了相比MFCC,本底噪声有更加优越的性能。

基于语音静音段特征的手机来源识别方法

手机来源识别已成为多媒体取证领域重要的热点问题。提出了一种基于语音静音段特征的手机来源识别方法,该方法先通过使用自适应端点检测算法得到语音的静音段;然后将静音段的梅尔频谱系数(MFC)的均值作为分类特征;最后结合WEKA平台的Cfs Subset Eval评价函数按照最佳优先(Best First)搜索进行特征选择,并采用支持向量机(SVM)对手机来源进行识别。实验部分对23款主流型号的手机进行了分类,结果表明所提特征具有较好的分类性能,在TIMIT数据库和自建的CKC-SD数据库上,平均识别准确率分别为99.23%和99.00%。另外,与语音段MFC特征和梅尔倒谱系数(MFCC)特征进行了对比,实验结果证明所提特征具有更加优越的性能。

基于语音频谱融合特征的手机来源识别

随着手机录音设备的普及以及各种功能强大且易于操作的数字媒体编辑软件的出现,语音的手机来源识别已成为多媒体取证领域重要的热点问题,针对该问题提出了一种基于频谱融合特征的手机来源识别算法。首先,通过分析不同手机相同语音的语谱图,发现不同手机的语音频谱特征是不同的;然后对语音的频谱信息量、对数谱和相位谱特征进行了研究;其次,将三个特征串联构成原始融合特征,并用每个样本的原始融合特征构建样本特征空间;最后,采用WEKA平台的CfsSubsetEval评价函数按照最佳优先搜索原则对所构建的特征空间进行特征选择,并采用LibSVM对特征选择后的样本特征空间进行模型训练和样本识别。实验部分给出了特征选择后的频谱单一特征和频谱融合特征在23款主流型号的手机语音库上分类的结果。实验结果表明,该算法使用频谱融合特征有效提高了手机品牌类内的平均识别准确率,在TIMIT翻录语音数据库和自建的CKC-SD语音数据库上分别达到99.96%和99.91%;另外,与Hanilci基于梅尔倒谱系数特征的录音设备来源识别算法进行了对比,平均识别准确率分别提高了6.58和5.14个百分点。因此可得本文所提特征可有效提高平均识别准确率,降低手机类内识别的误判率。

基于线性预测梅尔频率倒谱系数的设备来源识别

由于手机录音设备的不断普及,各种功能强大的数字媒体编辑软件的出现,鉴别手机录音设备所录制的音频数据的真伪已经成为数字取证技术关注的热点问题。本文将线性预测系数(LPC)和梅尔频率倒谱系数(MFCC)特征进行结合,得到新的特征,即线性预测梅尔频率倒谱系数(LPMFCC)。然后将LPMFCC与能量特征结合得到的组合特征作为手机的指纹,选择支持向量机LIBSVM作为分类器,在两种语音库上进行手机设备来源识别实验。实验表明,LPMFCC特征作为手机指纹进行实验的识别率相对于LPC提升了12%,相对于MFCC提升了2%,并且LPMFCC与能量特征的组合特征相比于单一的LPMFCC特征对手机录音设备的来源更有区分性。