Biometrické Bezpečnostní Systémy

1. Biometrické Bezpečnostní Systémy Technologie rozpoznání mluvčího Filip Orság

2. Zpracování řeči • Zpracování řeči se dělí na: • Rozpoznávání řeči • Co bylo řečeno? • Rozpoznávání mluvčích • Kdo to řekl? • Ostatní rozpoznávání • Nebyl řečník opilý? • Rozpoznávání mluvčích se dělí na: • Identifikaci • Řekni mi, kdo mluvil? • Verifikaci • Mluvčí tvrdí, že je A. Je to pravda?

3. Biometrický Bezpečnostní Systém • BBS požaduje ověření nebo zjištění totožnosti na základě biometrických vlastností. • Otisk prstu, hlas, styl chůze, dynamika a styl psaní (podpisu), pach … • Dva možné přístupy • Identifikační • Verifikační

4. BBS – Identifikační přístup BBS • Sejmutí biometrických údajů • Zpracování a porovnání s údaji se všech dostupných uživatelů • Vyhodnocení = uživatel v databázi • BYL nalezen • NEBYL nalezen

5. BBS – Verifikační přístup BBS • Sejmutí biometrických údajů a dotaz na identitu • Zpracování a porovnání s údaji uživatele, za kterého se neznámý vydává • Vyhodnocení = neznámý • JE tím, za koho se vydává • NENÍ tím, za koho se vydává ?   =

6. Výhody a nevýhody obou přístupů • Identifikační přístup • Pohodlnější pro uživatele • Náročný na kvalitu algoritmů • Malá chyba pozitivně identifikuje nepřítele • Výpočetně náročný • Přístup do DB, množství výpočtů • Verifikační přístup • Mnohem nižší výpočetní nároky • Vše provádíme pouze jednou • Méně pohodlné • Musíme zadat 1 údaj navíc (identitu, přihlašovací jméno)

7. Cíle disertační práce • Zpracování řečového signálu • Rozlišení řečových a neřečových rámců = detekce hlasové aktivity (Voice Activity Detection - VAD) • Extrakce příznaků závislých na mluvčím • Získání příznaků použitelných k rozpoznání mluvčích (Speaker Dependent Frequency Cepstrum Coefficients – SDFCC) • Návrh Biometrického Bezpečnostního Systému • Návrh začlenění technologie rozpoznání mluvčího do komplexního BBS • Návrh postupu generování unikátního vektoru pro kryptografické účely

8. VAD – detekce hlasové aktivity • Postup: • Použití neuronové sítě BP • Aplikace součtu velikostí frekvencí ve spektru • Experimenty: • Porovnání s běžně používanými příznaky • Test vlivu topologie BPN na úspěšnost VAD • Výsledky: • Méně rozsáhlé sítě dosahují lepších výsledků • Chyba kolem 1% při použití kombinace hodnoty počtu průchodů nulou a součtu velikostí frekvencí

9. Příznaky závislé na mluvčím • Výpočet dlouhodobého LPC spektra • Generování jedinečné banky filtrů pro každého uživatele • Výpočet kepstrálních koeficientů (postup stejný jako u MFCC) • Výsledek = SDFCC (Speaker Dependent Frequency Cepstrum Coefficients)

10. Proces rozpoznání mluvčích Příznaky z 1 rámce Dynamické příznaky • Záznam řečového signálu • vzorkovací frekvence 22050 Hz • přesnost 16 bitů Záznam Předzpracování Extrakce přáznaků • Preemfáze • Rozdělení na rámce • Násobení oknem • Vypuštění neřečových rámců Délka vektoru: 64 bitů Unikátní vektor + Test hlaso- vého hesla Výběr příznaků(pro každý rámec) – MFCC, SDFCC, a mnohé další Statistické příznaky Klasifikace dynamických příznaků HMM Identifikační nebo verifikační přístup

11. SDFCC – Experimenty a výsledky • Experimenty: • Verifikace a Identifikace (HMM-GM) • Test verifikačního a identifikačního přístupu ověřování • Použití SDFCC (různé tvary filtrů) a běžných příznaků • Test vlivu počtu stavů HMM na kvalitu rozpoznání • Výsledky: • Menší počet stavů vykazuje často lepší výsledky • Verifikace: EER = 3.9% (3 stavy) • Identifikace: EER = 5.0% (3 stavy)

12. Biometrický Bezpečnostní Systém Rozpoznání mluvčího Finální Rozpoznání otisku prstu Rozpoznání duhovky Rozhodnutí Přijat / Zamítnut Multi-Biometric Security System • Teoretický návrh BBS • Single BSS - běžné • Multi BSS – rozšíří se • Kryptografie • Generování unikátního vektoru • Využití dlouhodobého LPC spektra a kvantizace

13. BBS – Experimenty a výsledky • Experimenty: • Test unikátnosti vektorů (FAR, FRR) • Test vlastností algoritmu - tolerance • Výsledky: • FAR < 4.0% (maximální tolerance) • FRR < 85.0% (minimální tolerance)

14. Závěr  • Zpracování řečového signálu • VAD(Voice Activity Detection) – chyba ~ 1% • Příznaky pro rozpoznávání mluvčích • SDFCC(Speaker Dependent Frequency Cepstrum Coefficients) chyba ~ 3.5% (verifikace), ~ 5% (identifikace) • Biometrický Bezpečnostní systém • Návrh multi-biometrického bezpečnostního systému • Postup pro generování unikátního vektoru   