[发明专利]利用残差网络的伪装语音检测方法

说明书

本发明涉及语音识别领域，尤其涉及一种利用残差网络的伪装语音检测方法。包括以下步骤，S1:利用特征提取模块对语音信号x(n)进行处理后得到基于调制频谱的语音特征‑常Q调制包络；S2:将提取出来的常Q调制包络特征以Q调制包络特征图的形式输出，经预处理后输入到改进后的ResNet分类网络中；S3:Q调制包络特征以图片的形式输入到分类网络中后，首先通过1个7×7卷积层和一个3×3池化层，然后通过16个残差单元实现深度特征提取；S4:经过16个残差单元后，通过平均池化层，最终通过全连接层和Softmax层输出语音分类。本发明通过常数Q变换与采用改进残差网络，提高了伪装语音检测的准确性。

技术领域

本发明涉及语音识别领域，尤其涉及一种利用残差网络的伪装语音检测方法。

背景技术

伪装语音检测技术是指根据语音特性的不同，将伪装语音(包括重放语音、合成语音、转换语音及模仿语音)检测出来，达到区分真实语音和伪装语音的目的，在语音生物特征识别领域具有非常重要的应用。常用的伪装语音检测方法包含特征提取和分类器两部分。目前，特征提取多用梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients,MFCCs)、常Q倒谱系数(Constant Q Cepstral Coefficients,CQCCs)等，常用的分类器有高斯混合模型(Gaussian Mixture Model,GMM)、隐马尔科夫模型(Hidden Markov Model，HMM)、支持向量机(Support Vector Machines,SVM)等传统机器学习方法。但是这些方法只能检测特定种类的伪装语音，伪装种类未知时，检测效果下降，无法适应多变的伪装语音挑战。

发明内容

为解决上述问题，本发明提供一种利用残差网络的伪装语音检测方法，

为实现以上技术目的，本发明采用以下技术方案；

利用残差网络的伪装语音检测方法，其特征在于，包括以下步骤，

S1:利用特征提取模块对语音信号x(n)进行处理后得到基于调制频谱的语音特征-常Q调制包络(CQME)；

S2:将提取出来的常Q调制包络特征以Q调制包络特征图的形式输出，经预处理后输入到改进后的ResNet分类网络中；

S3:Q调制包络特征以图片的形式输入到分类网络中后，首先通过1个7×7卷积层和一个3×3池化层，然后通过16个残差单元实现深度特征提取；

S4:经过16个残差单元后，通过平均池化层，最终通过全连接层和Softmax层输出语音分类。

进一步地，步骤S1中，特征提取模块对语音信号x(n)进行处理包括以下步骤，

S11:将输入的语音x(n)通过一个分频滤波器组，将语音分成K个不同频段的信号x_k(n)，其中k＝1,2,…,K；

S12:对分频求得的信号x_k(n)提取包络；

S13:对语音包络进行非线性处理；

S14:将经过非线性处理的包络lg(m_k(n))通过常数Q变换变换到频域；

S15:计算每个频率段的均方值，得到基于调制频谱的语音特征——常Q调制包络(Constant Q transform modulation envelope,CQME)。

进一步地，步骤S2中，Q调制包络特征图为以频率——幅值为横纵坐标绘制的图像。

进一步地，步骤S2中，输入到ResNet分类网络的调制包络特征图经过预处理将大小调整为224×224×3。

进一步地，步骤S2中，ResNet分类网络为50层的残差网络。