-
题名基于设备本底噪声频谱特征的手机来源识别
被引量:9
- 1
-
-
作者
裴安山
王让定
严迪群
-
机构
宁波大学
-
出处
《电信科学》
北大核心
2017年第1期85-94,共10页
-
基金
国家自然科学基金资助项目(No.61672302
No.61300055)
+7 种基金
浙江省自然科学基金资助项目(No.LZ15F020002
No.LY17F020010)
宁波大学科研基金资助项目(No.XKXL1405
No.XKXL1420
No.XKXL1509
No.XKXL1503)
宁波大学科研创新基金资助项目(No.G16079)
宁波大学王宽诚幸福基金资助项目~~
-
文摘
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。
-
关键词
多媒体取证
手机来源识别
本底噪声
频谱特征
-
Keywords
multimedia forensics, cell-phone origin identification, self-noise, spectral feature
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于语音静音段特征的手机来源识别方法
被引量:6
- 2
-
-
作者
裴安山
王让定
严迪群
-
机构
宁波大学信息科学与工程学院
-
出处
《电信科学》
北大核心
2017年第7期103-111,共9页
-
基金
国家自然科学基金资助项目(No.61672302
No.61300055)
+6 种基金
浙江省自然科学基金资助项目(No.LZ15F020002
No.LY17F020010)
宁波大学科研基金资助项目(No.XKXL1405
No.XKXL1420
No.XKXL1509
No.XKXL1503)
宁波大学王宽诚幸福基金资助项目~~
-
文摘
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。
-
关键词
多媒体取证
手机来源识别
静音段
梅尔频谱特征
-
Keywords
audio forensics, source cell-phone identification, silent segment, Mel frequency coefficient
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于语音频谱融合特征的手机来源识别
被引量:3
- 3
-
-
作者
裴安山
王让定
严迪群
-
机构
宁波大学信息科学与工程学院
-
出处
《计算机应用》
CSCD
北大核心
2018年第3期884-890,共7页
-
基金
国家自然科学基金资助项目(61672302
61300055)
+4 种基金
浙江省自然科学基金资助项目(LZ15F020002
LY17F020010)
宁波市自然科学基金资助项目(2017A610123)
宁波大学科研基金资助项目(XKXL1509
XKXL1503)~~
-
文摘
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。
-
关键词
多媒体取证
手机来源识别
频谱融合特征
特征选择
-
Keywords
multimedia forensics
cell-phone source identification
spectral fusion feature
feature selection
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名遗传算法优化时间卷积网络的手机来源识别
被引量:2
- 4
-
-
作者
武钦芳
吴张倩
苏兆品
张国富
-
机构
合肥工业大学计算机与信息学院
智能互联系统安徽省实验室(合肥工业大学)
工业安全与应急技术安徽省重点实验室(合肥工业大学)
安全关键工业测控技术教育部工程研究中心
-
出处
《计算机工程与应用》
CSCD
北大核心
2022年第3期151-158,共8页
-
基金
国家自然科学基金(61573125)
安徽省重点研究与开发计划(202004d07020011)
+1 种基金
教育部人文社会科学研究青年基金(19YJC870021,18YJC870025)
中央高校基本科研业务费专项资金(PA2020GDKC0015)。
-
文摘
基于语音的手机来源识别已成为近年来多媒体取证领域中的一个研究热点。已有研究鲜有考虑环境背景噪声,难以满足司法领域实际应用场景的需求。提出一种遗传算法优化时间卷积网络的手机来源识别方法。基于对数域的Mel滤波器组系数特征,利用时间卷积网络进行深度语音特征学习,并利用线性判别分析提取低维深度特征,将低维深度特征输入到支持向量机中进行训练和识别。特别的,为了提高整体的识别性能,引入遗传算法,通过设计编码方式、适应度函数和遗传操作对时间卷积网络结构进行智能优化。对比实验结果表明,所提方法可对时间卷积网络结构进行自动设计,尽可能地发挥网络性能,从而进一步提升了识别准确率。
-
关键词
手机来源识别
时间卷积网络
网络结构
遗传算法
智能优化
-
Keywords
source cell-phone identification
temporal convolutional network
network architecture
genetic algorithm
intelligent optimization
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
-
-
题名自然环境背景噪声下基于低维深度特征的手机来源识别
被引量:1
- 5
-
-
作者
苏兆品
吴张倩
岳峰
武钦芳
张国富
-
机构
大数据知识工程教育部重点实验室(合肥工业大学)
合肥工业大学计算机与信息学院
智能互联系统安徽省实验室
工业安全与应急技术安徽省重点实验室(合肥工业大学)
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2021年第4期637-646,共10页
-
基金
国家自然科学基金(No.61573125)
教育部人文社会科学研究青年基金(No.19YJC870021,No.18YJC870025)
+1 种基金
安徽省重点研究与开发计划(No.202004d07020011)
中央高校基本科研业务费专项资金(No.PA2020GDKC0015,No.PA2019GDQT0008,No.PA2019GDPK0072)。
-
文摘
基于语音的手机来源识别是近年来多媒体取证领域中的一个研究热点,但已有研究大都局限于纯净语音或人工背景噪声语音.本文以自然环境背景噪声下的手机语音为研究对象,提出一种基于低维深度特征的手机来源识别方法.首先提取对数域的Mel滤波器组系数作为基本的声学特征,然后输入到时间卷积网络中进行训练,进一步提取能够表征语音设备的深度特征,并利用线性判别分析进行降维,去除高维深度特征中的冗余.最后,将得到的低维深度特征输入到支持向量机中进行分类和识别.在47种不同型号手机录制的37600条自然环境背景噪声语音样本库上的测试结果表明,本文所提方法在自然环境背景噪声下具有更优的识别性能,且对不同品牌、相同品牌不同型号、不同样本长度、不同数据集规模和不同采样率都具有很好的适应性.
-
关键词
手机来源识别
自然环境背景噪声
低维深度特征
时间卷积网络
线性判别分析
-
Keywords
source cell-phone identification
background noise
low-dimensional deep features
temporal convolutional network
linear discriminant analysis
-
分类号
TN912.3
[电子电信—通信与信息系统]
-
-
题名实际噪声下基于时序卷积网络的手机来源识别
被引量:1
- 6
-
-
作者
吴张倩
苏兆品
武钦芳
张国富
-
机构
合肥工业大学计算机与信息学院
智能互联系统安徽省实验室(合肥工业大学)
工业安全与应急技术安徽省重点实验室(合肥工业大学)
安全关键工业测控技术教育部工程研究中心
-
出处
《计算机工程与科学》
CSCD
北大核心
2021年第8期1461-1469,共9页
-
基金
国家自然科学基金(61573125)
安徽省重点研究与开发计划(202004d07020011,202104d07020001)
+2 种基金
中国工程院咨询研究重点项目(2020-XZ-3)
教育部人文社会科学研究青年基金(19YJC870021,18YJC870025)
中央高校基本科研业务费专项资金(PA2020GDKC0015,PA2019GDQT0008,PA2019GDPK0072)。
-
文摘
针对实际环境噪声下的手机来源识别问题,提出一种基于线性判别分析和时序卷积网络的手机来源识别方法。首先,通过分析不同手机语音特征在实际环境噪声下的分类性能,基于带能量描述符、常数Q变换域和线性判别分析得到一种新的手机语音混合特征。然后,以此混合特征为输入,基于时序卷积网络进行训练和分类。最后,在10个品牌、47种手机型号、32900条语音样本的实际环境噪声语音库上的测试结果显示,所提方法的平均识别准确率达到99.82%。此外,与经典的基于带能量描述符和支持向量机的方法,以及基于常数Q变换域和卷积神经网络的方法相比,平均识别准确率分别提高了0.44和0.54个百分点,平均召回率分别提高了0.45和0.55个百分点,平均精确率分别提高了0.41和0.57个百分点,平均F1分数分别提高了0.49和0.55个百分点。实验结果表明,所提方法具有更优的综合识别性能。
-
关键词
手机来源识别
实际环境噪声
混合特征
线性判别分析
时序卷积网络
-
Keywords
source cell-phone identification
practical environmental noise
mixed feature
linear discriminant analysis
temporal convolutional network
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
-
-
题名基于线性预测梅尔频率倒谱系数的设备来源识别
被引量:2
- 7
-
-
作者
秦天芸
王让定
裴安山
-
机构
宁波大学信息科学与技术学院
-
出处
《数据通信》
2018年第4期20-25,共6页
-
基金
国家自然科学基金资助项目(No.61672302
No.61300055)
+1 种基金
浙江省自然科学基金资助项目(No.LZ15F020010
No.Y17F020051)
-
文摘
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。
-
关键词
手机来源识别
LPMFCC
组合特征
支持向量机
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-