[发明专利]一种基于AMBP的噪声鲁棒性伪装语音检测方法

权利要求书

1.一种基于AMBP的噪声鲁棒性伪装语音检测方法，其特征在于，包括：

S1.将含噪声的语音转换为语谱图；

S2.采用自适应中位数二进制模式AMBP算法对语谱图进行特征提取，得到语音的纹理特征向量；

S3.利用得到的语音纹理特征向量训练支持向量机，得到语音分类模型，并利用语音分类模型对语音进行检测分类，得到分类结果。

2.根据权利要求1所述的一种基于AMBP的噪声鲁棒性伪装语音检测方法，其特征在于，所述步骤S1具体包括：

S11.获取含噪声的语音；

S12.对获取的含噪声的语音中的语音信号进行分帧加窗处理，得到多帧短时语音信号，并对多帧短时语音信号中的每一帧语音信号进行快速傅里叶变换；

S13.计算进行快速傅里叶变换后的每一帧语音信号的能量谱密度，得到每一帧语音信号的能量谱密度；

S14.对得到的能量谱密度取对数，并进行灰度映射处理，得到含噪声的语音的语谱图。

3.根据权利要求2所述的一种基于AMBP的噪声鲁棒性伪装语音检测方法，其特征在于，所述步骤S11中获取含噪声的语音，表示为：

x(n)＝s(n)+d(n)

其中，x(n)表示含噪声的语音信号，s(n)表示纯净语音信号，d(n)表示噪声信号。

4.根据权利要求3所述的一种基于AMBP的噪声鲁棒性伪装语音检测方法，其特征在于，所述步骤S12中对多帧短时语音信号中的每一帧语音信号进行快速傅里叶变换，表示为：

其中，m表示每一帧的采样点数，0＜m＜M-1；X(n，k)表示第n帧语音的频谱。

5.根据权利要求4所述的一种基于AMBP的噪声鲁棒性伪装语音检测方法，其特征在于，所述步骤S13中得到每一帧语音信号的能量谱密度，表示为：

E(n，k)＝|X(n，k)|²＝X_R(n，k)²+X_I(n，k)²

其中，E(n，k)表示每一帧语音信号的能量谱密度；X_R(n，k)和X_I(n，k)分别表示X(n，k)的实部和虚部。

6.根据权利要求5所述的一种基于AMBP的噪声鲁棒性伪装语音检测方法，其特征在于，所述步骤S14中对得到的能量谱密度取对数，表示为：

P(n，k)＝10log₁₀E(n，k)＝10log₁₀|X(n，k)|²＝20log₁₀|X(n，k)|

将第n帧语音信号计算得到了m个P(n，k)值，并进行灰度映射处理，得到含噪声的语音的语谱图，表示为：

其中，H(n，k)表示第n帧的第k个值转换的灰度值；P(n，k)表示第n帧的第k个对数能量谱的值；P_min(n，k)表示第n帧中最小的值；P_max(n，k)表示第n帧中最大的值。

7.根据权利要求1所述的一种基于AMBP的噪声鲁棒性伪装语音检测方法，其特征在于，所述步骤S2具体为：采用自适应中位数二进制模式AMBP算法分析整个语谱图，得到纹理特征模式图，并对得到的纹理特征模式图进行统计，得到语音的纹理特征向量。

8.根据权利要求1所述的一种基于AMBP的噪声鲁棒性伪装语音检测方法，其特征在于，所述步骤S3中训练支持向量机具体为：

提取真实语音库和伪装语音库中所有语音信号的特征向量作为支持向量机的训练集，并对训练集设置标签，表示为：

(x_i，y_i)，i＝1，2，3，...，N，x_i∈R_n，y_i∈[-1，1]

其中，N表示训练样本的总数；n表示样本空间的维数；y_i表示样本的分类类别；y_i＝1表示伪装语音；y_i＝-1表示真实语音；

选用径向基核函数，并引入参数γ和错误惩罚因子C同时进行优化，训练最优支持向量确定一个最优超平面，得到目标函数，表示为：

采用的径向基核函数，表示为：

其中，α_i表示每个样本对应的拉格朗日乘子；错误惩罚因子C在确定径向基核函数后，控制错误分类样本的惩罚程度；解中只有一部分α_i不为零，所对应的样本为训练所得的支持向量；

求解α，得到语音分类模型，表示为：

其中，b表示分类阈值；x_i表示第i个样本向量；x_j表示核函数中心(标记向量)。