[論文レビュー] Text-Independent Speaker Recognition for Low SNR Environments with Encryption

Aman Chadha, Divya Jyoti+1 more|arXiv (Cornell University)|Oct 31, 2011

Speech Recognition and Synthesis参考文献 19被引用数 6

ひとこと要約

本論文では、修正された自己相関ピッチ検出アルゴリズムとマルチレベル変換ベース暗号化を組み合わせたハイブリッド手法を用いて、低SNR環境に強く対応するテキスト非依存型発話者認識システムを提案する。この手法は、信号復号における平均二乗誤差を指数関数的に低減させ、騒音環境下でも従来手法に比べ優れた認識精度を示し、バイオメトリクス認証システムの耐障害性とセキュリティを向上させる。

ABSTRACT

Recognition systems are commonly designed to authenticate users at the access control levels of a system. A number of voice recognition methods have been developed using a pitch estimation process which are very vulnerable in low Signal to Noise Ratio (SNR) environments thus, these programs fail to provide the desired level of accuracy and robustness. Also, most text independent speaker recognition programs are incapable of coping with unauthorized attempts to gain access by tampering with the samples or reference database. The proposed text-independent voice recognition system makes use of multilevel cryptography to preserve data integrity while in transit or storage. Encryption and decryption follow a transform based approach layered with pseudorandom noise addition whereas for pitch detection, a modified version of the autocorrelation pitch extraction algorithm is used. The experimental results show that the proposed algorithm can decrypt the signal under test with exponentially reducing Mean Square Error over an increasing range of SNR. Further, it outperforms the conventional algorithms in actual identification tasks even in noisy environments. The recognition rate thus obtained using the proposed method is compared with other conventional methods used for speaker identification.

研究の動機と目的

• 従来の音声認識システムが低信号対雑音比（SNR）環境で性能を発揮できない問題に対処すること。
• 発話者認識のセキュリティを向上させ、音声サンプルおよび基準データベースの改ざんから保護すること。
• 騒音による音声品質の劣化に対しても高い認識精度を維持できるシステムを開発すること。
• 信号の送信および保存中にデータ整合性を保ちつつ、認識性能に悪影響を及げない暗号化技術を統合すること。
• 既存手法と比較して、騒音レベルが上昇する条件下でのシステムの耐障害性および認識精度を評価すること。

提案手法

• 低SNR条件下での耐障害性を向上させるために、修正された自己相関アルゴリズムをピッチ検出に用いる。
• 変換ベース暗号化に疑似ランダムノイズを追加することで、マルチレベル暗号化を音声データの保護に適用する。
• 信号の暗号化および復号には、信号の忠実度を維持するための階層的変換技術を用いる。
• 変換ベースのアプローチにより、安全なデータ取り扱いが可能であり、正確な発話者識別が実現される。
• 暗号化プロセスは歪みを最小限に抑え、正確な信号再構成と認識を可能にするように設計されている。
• ピッチ抽出と安全なデータ取り扱いを統合した統一フレームワークにより、エンドツーエンドの発話者認識が実現される。

実験結果

リサーチクエスチョン

• RQ1 提案手法は、従来手法と比較して低SNR環境下でどの程度の認識精度を達成するか？
• RQ2 マルチレベル暗号化方式は、送信および保存中における信号整合性をどの程度保持するか？
• RQ3 修正された自己相関アルゴリズムは、騒音環境下でも信頼性の高いピッチ検出を維持できるか？
• RQ4 SNR劣化が進行するに従い、信号再構成の平均二乗誤差はどのように変化するか？
• RQ5 発話者認識システムにおいて、不正アクセスやデータ改ざんに対するシステムの耐性はどの程度か？

主な発見

• SNRが上昇するに従い、信号復号における平均二乗誤差が指数関数的に減少する。これは、再構成精度が向上していることを示している。
• 実際の発話者識別タスクにおいて、提案手法の認識率は高騒音レベル下でも従来アルゴリズムを上回っている。
• 修正された自己相関アルゴリズムにより、低SNR環境下でのピッチ検出の耐障害性が向上し、認識性能の向上に寄与している。
• マルチレベル暗号化の統合により、保存および送信中のデータ整合性が保証され、不正アクセスから保護される。
• 顕著な騒音劣化に対しても高い認識精度を維持しており、ベースライン手法に比べて優れた耐障害性を示している。
• 実験結果から、提案手法が実世界の騒音環境において、安全かつ信頼性の高い発話者認識に有効であることが確認された。