Biometryczne rozpoznawanie mówców w kryminalistyce

Transkrypt

1 Wa ldemar Ma ciejko Biometryczne rozpoznawanie mówców w kryminalistyce Wstęp Pomiar dowolnej w ielkośc i fizyc znej jest obciążony błędem wynikającym z dokładności aparatury pom iarowej oraz metodyki pomiaru. Do oceny i eliminacji tych b ł ę dów w klasy cznej metrologii wykor zystywana jest analiza statystyczna. Pomiar w ie lkości fizycznych opisujących anatomiczne i behawioralne cechy ludzkie jest znacznie bardziej zł ożon y, p o n ieważ j u ż samo badane zjawisko jest niepewne. Oprócz czynników wymienionych wy że j na wynik pom iaru ma wpływ szereg dodatkowych zjawisk. Każda badana wiel ko ś ć jest wypadkową uwaru nkowań indywidu alnych i grupowych. Dlateg o zaobserwowana u jednostki cec ha musi b yć rozpatrywana w k on t e kś ci e b a d a ń tej cechy w populacji. Analiza statystyc zna w pomiarach biome trycznych, inaczej n iż w klasycznej metrologii, jest narzędz iem opis ującym relację, jaka zachodzi pom iędzy cec h ą obserwowaną u jednostki a t ą samą cechą zmierzoną u zbio rowośc i ', Ws półcześn ie dorobek biometrii s ł u ż y budowie wyko rzyst u j ą c ych anatomiczne lub behawioralne cechy ludzkie zautomatyzowanych systemów rozpoznawania osób. J edn ą z techn ik biometrycznych jest automatyczne rozpoznawanie osób na podstawie mowy. Ten rodzaj rozpoznawania osób znala z ł zastosowanie tam, gdzie ważna jest weryfikacja tożsamo ś ci na odl e g ło ść z wykorzystaniem telefonii, czyli główni e w instytucjach finan sowy ch. Inną d zie d z iną jest dyscypl ina kryminalistyki - tonoskopia. Wykorzystanie systemów automa tycznego rozpoznawania m ówc ów (w skrócie ARM ) w kryminalistyce przez wiele lat n ap ot y ka ło poważn e trud ności. Prz ykładem może tu być projekt AUROS rozw ijany w latach 70. ubieg łego wieku w Niemczech Zachodnich oraz system SA SIS budowany w USA. Oba twor zone były na potrze by badań kryminalistycznych i zostały porzucone ze wzg lędu na niesatysfa kcjonujące wyniki'. Gł ó wn ymi przeszkodami była zła jakość na g ra ń oraz krótki czas ich trwania. Pojawienie s i ę szybkich kompute rów oraz opracowanie nowych metod parametryzacji sygnał u i modelowania statystycznego cech osobniczych u mo ż l i wiły wd rożen ie nowej generacji systemów. Dotychczasowe trudn o ś c i zw i ą z a n e gł ównie z jakością nagra ń w dużym stopniu z o stały przezw yci ężo n e. Krokiem milowym w rozwoju systemów autornatycz nego rozpoznania mówców by ła zmiana pod e j śc i a do procesu obliczania cech osobn iczych. Metody wyko rzystywane obecnie, b az u j ąc e na liniowym kodowaniu predykcyjnym, modelowaniu perceptualnym oraz analizie homeomorficznej opracowywano g ł ównie w latach GO. i 70. ub i eg ł eg o wieku. Wówczas rozw ijane systemy ARM o pi era ły si ę g łów nie na niskopoziomowych cechach widmowych. Systemy w s pó łcze s ne natomiast na podstawie obserwacji cech widmowych z uż yciem metod modelowania statystycznego dokonują opisu jednostek fonetycznych mowy. Według danych literatu rowyc h najczę śc i ej proces mode lowania statystycznego prowadzony jest z wykorzystaniem metody GMM3. Celem niniejszegoopracowaniajest przedstawienie algorytmów obliczania widmowych cech gł osu oraz metody ichmodelowania statystycznego opartego na mieszaninie modeli normalnych. Prezentowane wyniki ba d a ń przeprowadzono z wykor zystaniem bazy m ówc ów p o l s koj ęz ycz nych. Przy tej okazji przedstawiono równi eż met odologię oceny pracy systemu o p racowaną przez NIST (Nationa l Institute ot Standards and Technology). Automatyczny system rozpoznawania mówców Działanie systemu automatycznegorozpoznania mówców s k ła da si ę z trzech głównych etap ów, są to: przetwarzanie wstę p ne, modelowanie i testowanie. Proces powyż sz y przebiega równolegle j synchronicznie na trzech ź ró dłach syg nału : wypowiedzi dowodowej (okreś la n ej w publikacji jako wypowiedzi testowa - na rycinie 1 to wy powie d ż }), wypowiedzi porównawczej (inaczej wy powi edź wzorcewa - na rycinie 1 to wy pow iedź mówcy,\1) oraz wypowiedziach mówców z bazy populacyjnej (na rycin ie 1 to wypowied ż - Af). Struktura takie go systemu przedstawiona jest na rycini e 1. Wyniki b ad a ń z dziedziny psychoakustyki wskazują, ż e postrzeganie wysokośc i tonu przez c z łowie ka jest uwarunkowane przede wszystkim częstotliwo ś ci ą tego tonu oraz jego poziomem. Stwierdzono rów nież, że najmniejsza postrzegana różnica częstotliwoś ci występuje dla w arto ści około 1 khz i dla dżwięków o poziomie z zakre su G0-70 PROBLEMY KRYMINALISTYKI 75(1) 01 19

2 db SPL'. Wyniki tych badań doprowadziły do stworzenia subiektywnej skali wysokości, tzw. mel-ska li. Między mel - s k a l ą a skalą częstotliwościową istnieje liniowa zale ż ność do około 1000 Hz, powyżej natomiast tej wartośc i zale ż no ś ć przechod zi w logarytmiczną. Parametry widmowe, na których opiera się przedmiotowy system ARM, bazują właśn ie na met-skali. Obliczane są one według schematu przedstawionego na rycinie. Bazą parametrów MFCC (Mel Frequency Cepstrel Goellicienls) jest dyskretne widmo sygnału. Widmo poddawane jest filtracji za pomocą filtrów pasmowo-przepustowych, których częstotliwości środkowe są równomiernie rozłożone na melowej osi częstot liwośc i (tzw. bank filtrów). Ten etap jest rodzajem ważenia charakterystyki widmowej, której efektem jest modyfikowanie rozdzielczości zależnie od zakresu częstot liwości". Następnie wektory obserwacji z wszystkich pasm poddawane są logarytmowaniu i obliczona zostaje dyskretna odwrotna transformata Fouriera. To ostatnie przekształcenie to tzw. transformata cepstralna. Dodatkowa informacja obejmująca dynamikę zmian sygnału w czasie reprezentowana jest przez tzw. wsp ółczynniki delta. W ten sposób z każdej ramki otrzymywany jest wektor cech złożony z 16 współczynników MFCC, 16 LlMFCC, energii E oraz ile. W sumie daje to 34 cechy widmowe w jednym wektorze obserwacji. Wyliczone zgodnie z ryciną parametry widmowe stanowią bazę dalszych obliczeń. Następnym etapem jest identyfikacja i eliminacja wektorów obserwacji, które nie niosą informacji osobniczej, a które zo s t a ły obliczone na fragmentach nagrań, gdzie brak jest sygna łu mowy. Pauzy są nieodłącznym elementem każdej wypow iedzi. Są to zawieszenia głosu między dwoma kolejnymi dźw iękami w strumieniu fonetycznym. Pauzy są też elementem składn i oraz podkreślają intonacyjne rozczłonkowanie ciągu wypowiedzenioweqo". System ARM samoczynnie potrafi rozpoznać sygnał nie niosący informacji osobniczej, jednakże cały proces ekstrakcji i przygotowania danych widmowych przebiega przy założeniu, że nagranie poddane analizie zawiera wypowiedź pochodzącą od jednego mówcy. Zgodnie z ryciną 1 w przypadku wypowiedzi dowodowej jest to mówca y, a porównawczej mówca M. Tak więc podobnie jak w przypadku klasycznej analizy fonoskopijnej badania z wykorzystaniem systemu ARM muszą zostać poprzedzone identyfikacją mówcy Prze twa rzani e w s tęp ne Modelowanie mówcy Testowanie _ Parametry Wyk rywanie Normalizacja' Uczen ie, Model M Mówca M syg n a łu : ciszy model parametrów MAP MFCC, PLP bi-modaln y CMS Parametry Wykrywa nie Normalizacja, P(Y IM) LR Wypo wiedź Y syg n ału : ciszy model parametrów P(Y I-M) MFCC, PLP bi-modaln y CMS,-, sygna łu : ciszy model parametrów i: ML-EM Mówca - M Parametry Wykrywanie Normalizacja ' Uczen ie, Model-M MFCC, PLP bi-modalny CMS (UBM) li :J Ryc. 1. Schemat pracy systemu Fig. 1. Main modules ot automatic speaker recognition Źródło (ryc. 1-11): autor. -i Preemfaza Okienkowanie FFT Bank filtrów melowych Odwrotna FFT MFCC Energia E Delta MFCC Delta E Ryc.. Proces obliczania parametrów widmowyc h MFCC Fig.. Btock diagram ot processing steps for extracfing spectral MFC coefficients 0 PROBLEMY KRYMINALISTYKI 75(1) 01

3 w obręb ie materiału. W niniejszych badaniach do detekcji ramek mowy wykorzystano kryterium energe tyczne. Me toda ta polega na porównaniu energii poszczególnych ramek. Na podstawie analizy statystycznej prowadzonej na przestrzeni całeg o nagrania ustanowiony jest próg elirni nacji. Ramki, reprezentowane przez wsp ółczynn ik energetyczny, którego wa rtość znajd uje s ię pon iżej prog u, są etykietowane i pomijane w dalszej analiz ie. Założe n iem tej metody jest istotna różn ica charakterystyk ene rgetycz nyc h pom ięd zy sygna łe m ciszy a sygnałem mowy. Energia sekwencji próbek {s... fi c A1 obliczana jest ze wzoru:.v (1 ), E, = logl>; n=l gdzie s" to wartość sygnatu w danej chw ili. Najbardziej zło żonym etapem jest ustalenie progu eliminacji. Jedno z pode j ść wykorzystuje do tego celu analizę sta tystyczną. Metoda ta polega na zamodelowaniu dwu modalnego rozkładu gęstości współczynników energetycznych obliczonych na wszystkich wek torach obserwacji (ryc. 3). Nastę p nie weryfikowany jest warunek: p (E, IPDF,""",,) < p(e, IPDFe;,,,) (). Jeżel i warunek jest prawdziwy wektor zostaje zaety kielowany jako cisza i pom in ię ty w dalszej analizie. Sygna ł p rzesyłany przez ok reś ło ny kan ał transm isji to splot dwóch składowych: sygnału oryginalnego i odpowiedzi kanału. Takie zjawiska jak echo kanał u i inne zakłócenia addytywne powst aj ą ce w trakcie trans misji, mod yf i k u j ąc parame try widmowe, wp lywają negatywnie na efektywność pracy systemu. Jedną z metod pozwa l aj ą cą u s u n ą ć z wektorów obserwacji skladową d odaną przez kana ł jest technika CMS (Cepslral Mean Sublraclion). Zgodnie z tą metodą obliczenie nowych parametrów następuje przez odjęcie od warto śc i danego współczynnika obliczonegow danej ramce sygnału k.) współczynn ika uś rednionego po calej wypow iedzi', Wyrażenie to przedstawiono na równaniu (3): N c.c'is(n) = c. (n) - I le.(i)] ;=1 R p(x 10) = I i=l m,p;(x) (3). Z czasem metoda ta została zmodyfikowana i uzupelniona o normal izację współczynników, natomiast operacja uśre dnian ia jest prowadzona jedynie na ramkach reprezentujących wypowiedzi. Oznacza to, ż e zmodyfi kow ana operacj a CMS mus i być poprzedzona algorytmem detekcji s yg na ł u mowy. Op isane wyż ej d ziałan ia to w s tępny proces przetwarzan ia parametrów widmowych. Zgodnie z ryciną 1 kolejny etap to modelowanie cech osobniczych mówcy. Prezentowana tutaj metoda wykorzystuje mieszaninę modeli normalnych (Gaussian Mix lure Models). Modele mieszanin roz kładów Gaussa op i erają s ię na założeniu, że gęstość p rawdopodob ie ń stwa wystąp ienia pewnej cechy zde finiowanej w przestrzeni wielowymiarowej mo że zostać przybliżona f unkcją b ę d ącą w ażoną sumą sko ńczone j liczby rozkła d ó w normal nyc h. P rawdopodo b i e ń stwo wystąpienia zatem danej cechy zdef iniowane jes t nas tępująco : (4), gdzie R to liczba rozkł adów Gaussa (tzw. rz ą d mode lu) w mieszaninie, w,to waga każd eg o komponentu mieszaniny s pe ł niająca n astęp u j ąc y wa runek : R Im,= 1 ;=1 Czynnik p,(x) z wy ra ż e nia (4) obliczany jes t ze wzoru: p,(x) (5). I. ' e x P { - ' ( X- )l )' ( L r '( x -)l)} ( Jl")""IL,I''' ", (5), gdzie D to liczba elementów wektora, 11, jest wektorem wartości ś rednich o wymiarach D x I, E, jest macierzą kowarlanej o wymiarach D.r D. Rea s u m ując, model ", , "... \ norm/looi Ell.f---+-,- IIIJiliIl Ryc. 3. Rozkład dwumodalny (rząd modelu równy ) obliczony na okola a-mlnutcwym nagraniu Fig. 3. Bi'gaussian modeling (order equa/s ) ot the energy distribulion cetcatetea on 3-minutes utterance PROBLEM Y KRYMINALISTYKI 75(1) 01 1

4 mówcy opisany za pomocą GMM zdefin iowany jest przez następujący zbiór parametrów mieszaniny rozkladów : O (w" u, :) gdzie i l,... R". Model graficzny stworzony na bazie obliczonych parametrów rozkładu przedstawiono na rycinie 4. Model populacyjny, którego parametry są wykorzystywane do oszacowania wartości mianownika wyrażenia (7), stanowi estymację parametrów populacji na podstawie próby z tej populacji. Model taki w skrócie nazywany jest UBM (Universal Background Mode. Kryterium wyboru odpo-..r----r '" ł fi: cr uoe norm{c1) Ryc. 4. Model GMM rz ędu równego 8 dla pojedynczego współczyn nika MFCC obliczonego na zo- sekunco we] wypowiedzi mówcy posł ug uj ąceg o si ę j ęzykiem polskim Fig. 4. Gaussian Mixture Model, order equafs 8 of the MFC coefficientcalcu/atedon 0 seconds utterance ot Polishspeaker Na podstawie empirycznych obserwacji stwierdzono, że komponenty mieszaniny zbudowane na podstawie dłu gookresowych obserwacji widma sygnału reprezen t ują jednostki fonetyczne, które określane są jako klasy akustyczne. Pojedyncze rozkłady reprezentują samogłoski i spółgłoski, a ich kombinacja jest rep rezentacją układu artykulacyjnego mówcy. Ponieważ modelowane klasy nie są w żaden sposób oznaczane, mówi się o niejawnych klasach lub modelach'. Ostatnim elementem pracy systemu jest identyfikacja. Polega ona na ocenie ilorazu dwóch prawdopodobieństw według następującej zależności: akceptacja c> LLR łog( p (Y 1M) ) <: s (7). p(y 1- M uom ) Licznik wyrażenia (7) to prawdopodobieństwo przynale ż noś c i parametrów widmowych wypowiedzi Y do modelu GMM mówcy M. Mianownik natomiast to prawdopodobieństwo przyna leżności parametrów Y do modelu populacyjnego - M. Jeże li wynik ilorazu przekroczy określony wcześniej próg h, tożsamość mówcy zostaje zaakceptowana. Wyrażenia (7) nie na le ż y utożsamiać z ilorazem wiarygodnoś ci (Likelihood Ratio) oznaczanym w literaturze również przez LR (lub LLR), którego formal izacja matematycznajest podoona'vuoraz wiarygodności stanowi ocenę prawdziwoś ci jednej z dwóch przeciwstawnych hipotez". W niniejszym opracowaniu autor, posługując s i ę skrótem LLR, odnosi się do wartości zdefiniowanej w wyrażeni u (7). wiedniej próby z populacji jest jednoc ześnie konkretną apl ikacją systemu. Dotyczy to przede wszystkim systemów pracujących na potrzeby analizy kryminalistycznej. Tutaj istotny jest dobór struktury modelu populacyjnego nie tylko ze względu na płeć, wiek oraz język, którym posługują się mówcy, ale rów n i e ż technikę rejestracji, jaka została użyta w celu utrwalenia g ł osów będących przedm iotem analizy. Wyniki badań Miarą stopnia zgodności cech osobniczych mówców jest wartość uzyskana na podstawie wyrażenia (7). Wynik pracy systemu interpretuje się na podstawie wyznaczonego zgodnie z badaniam i eksperymentalnego progu J. Przyjęty próg pracy systemu determinuje prawdopodobieństwo popełnienia błędu. Zależność tę obrazuje rycina 5. Przedstawia on dwa rozkłady utworzone na podstawie wyników LLR, gdzie rozkład zielony reprezentuje międzyosobniczą z mi e n n oś ć wyników porównań. Rozkład czerwony natomiast jest interpretowany jako wewnątrzo sobniczy zakres zmienności LLR. Gdy 6 ro śnie, rośnie równ ież prawdopodo bieństwo błędnego odrzucenia, maleje natomiast prawdopodobieństwo b łędnej akceptacji. Gdy J maleje. jedn ocze śnie maleje prawdopodobieństwo błędnego odrzucenia, rośnie natomiast prawdopodobień stwo błędnej akceptacji. Istnieje zatem funkcja pomiędzy progiem J a prawdopodobieństwem b łędnego odrzucenia i prawd opodobieństwem błędnej akceptacj i. PROBLEMY KRYMINALISTYKI 75(1) 01

5 O" ''" 0 Ci. DO> o 005 ł prawdopodobieństwo g. o lm błęd n e g o odrzucen ia t a: :- llr prawdopodob ieństwo błędnej akceptacji '" l 3 Ryc. 5. Roz kłady wa rtości logarytm u LR wyznaczonego zgodnie z wyraża n i e m (7) dla wyników 1754 porów na ń pomi ędzy tymi samymi mówcam i ( ro z k ł ad czerwo ny) oraz 5446 porównań pomi ędzy róż nym i mówcami (rozkład zielony) Fig. 5. Distribulions ot log LR scores cetcutstea according to expresston no. 7, red curve repres ents within score variability cafcufated for 1754 comparisons, green curve repres ents between score variability calcu /ated for 5446 comparisons Funkcja taka prezentowana jes t graficzn ie za pomocą charakterystyk DET (Oetection Error Tredeoiti. Charakterystyki te mówi ą o relacji, jaka zachodzi p omięd z y prawdopodo bie ństwe m wy stąp ienia błędn ej akceptacji (P,) i p rawdopodob ieńs twem błędneg o odrzucenia (P,J Dzięki nie liniowo wys kalowanym osio m ro ś n i e rozdzielczość chara kterystyki, co ułatwia porównanie ró żnych krzywych reprezentujących pracę w różnyc h warunkach lub różnych system ów", Oprócz charakterystyk DET do oceny wykorzys tano również w sp ółc zyn nik EER (Equal Error Rate). Jest to punkt na krzywej DET. dla którego wa rtośc i prawdopodob i eń stwa wystąp ienia jednego z dwóch rodzajów b łędów są sobie równe. Rycina 6 przedstawia dwie charakterystyki DET wraz z ich interpret acj ą. Do ba dań wykorzystano bazę składającą się z 44 mówców polskojęzycznych. Jej opis zawarty jest w tabeli. 40 Porównanre sku teczności przypadków: pracy systemu dla dwóch nagranie testowe (dowodowe) o czasie trwania około 30 sekund, nag ranie wzarcane (porównawcze) o czasie trwania około 30 sekund Otrzymano rezultat prawdopodobieństwa błedu EER = - 5.1%. nagrame testowe (dowodowe) o czasie trwania około 5 sekund, nagranie wzorcowe (porównawcze) o czasie trwania około 30 sekund. Otrzymano rezultat prawdopodob ieństwa błędu EER = - 11% Interpretacja: skrócenie czasu trwania nagrania dowodowego o 5 sekund spowodowało pogorszenie pracy systemu 0-6% (z - 5,1 % do - 11%). Pogorszenie skuteczności pracy systemu jest widoczne przez odsuni ęc ie s ię charaktery stki w kierun ku prawego górnego rogu pola wy kresu Prawdopodobienstwo błędne] akceptacji (%) Pfa Ryc. 6. Charakterystyki DET wraz z ich interpretacją. Wyniki uzyskano na podstawie wypow iedzi 44 mówców polskojęzycznych kom un ikuj ący ch si ę za pośrednictwem telefonii GSM Fig. 6. Example ot two DET curves with description. Test base consists ot 44 Polish language speakers communicating with GSM PROBLEMY K RYMłNA listyk I75(1j 01 3

6 Opis bazy mówców wykorzystanej w badaniach Tabela Description ot group ot apeakers used in the study Badanie Opis bazy Liczba i opis wypowiedzi testowych (dowodowych) Liczba i opis wypowiedzi wzorcowych (porównawczych) Wpływ czasu trwania nagrania testowego oraz wpływ czasu trwan ia nagran ia wzorcowego na skuteczność 44 mówców, rejestracja z wykorzystaniem GSM 160 wypowiedzi 170 wypowiedzi (częstotliwość próbkowania (średnio ok. 4 wypowiedzi (średnio ok. 4 wypowiedzi 8000 khz, rozdzielczość od kazdego mówcy) od kazdego mówcy) 16 bit, zapis PGM WAV) Wpływ jakości nagrania 44 mówców, rejestracja z wykorzystaniem GSM z dodaniem szumu białego (częstotliwość próbkowania 8000 khz. rozdzielczość 16 bit, zapis PGM WAV) 160 wypowiedzi 170 wypowiedzi (średnio ok. 4 wypowiedzi (średnio ok. 4 wypowiedzi od każdego mówcy) od każdego mówcy) 44 mówców, wypowiedzi GSM : 160 wypowiedzi GSM : 170 wypowiedz! każdego zarejestrowano ( śred n i o ok. 4 wypowiedzi (średnio ok. 4 wypowiedzi trzema technikami od każdego mówcy). od każdego mówcy). GSM, PSTN oraz w PSTN : 13 wypowiedzi PSTN : 49 wypowiedzi Badanie wpływu warunkach pokojowych (średnio ok. 5 wypowiedzi (średnio ok. 5 wypowiedzi transmisji mik. pojemnościowy od każdego mówcy). od każdego mówcy). (częstotliwość próbkowania Mik. pojemnościowy : Mik. pojemnościowy : Hz, rozdzielczość wypowiedzi (średnio 31 wypowiedzi (średnio bit, zap is bezstratny PCM ok. 8-9 wypowiedzi ok. 8-9 wypowiedzi WAV). od każdego mówcy) od każdego mówcy) W ramach eksperymentu zbadano wpływ czasu trwania, jakości oraz techniki transmisji na skuteczność sys temu. W badaniach wykorzystano nagrania typowe dia kryminalistycznej identyfikacji mówców. W pierwszej kolejności zbadano jak obniży się sku teczność systemu w miarę skracania trwania nagrania testowego (dowodowego). Badania te przeprowadzono dla wypowiedzi zarejestrowanych za pośrednictwem GSM. Wynik przedstawiony jest na rycinie 7. Krzywa czerwona reprezentuje wyniki dla przypadku, w którym nagrania testowe (dowodowe) trwają 30 s, krzywa czarna 10 s, a jasnoniebieska 5 s. Najlepszy rezultat otrzymano dla wypowiedzi testowych (dowodowych) trwających około 30 s, dla których prawdopodobieństwobłędu (EER) wynosi najmniej i jest równe około 5,%. Dla wypowiedzi o czasie trwania 10 s oraz 5 s otrzymano bardzo zbliżone wyniki, prawdopodobieństwo błędu (E ER) równe jest około 11%. W kolejnej serii pomiarowej sprawdzono wpływ czasu trwania nagrania wzorcowego (porównawczego) na skuteczność systemu ARM. Wypowiedzi zarejestrowano za pośrednictwem telefonii GSM. Wyniki tych badań przedstawiono na rycinie 8. Badania przeprowadzono w czterech seriach pomiarowych. We wszystkich przypadkach czas trwania nagrania dowodowego to 30 s. Krzywa czerwona reprezentuje wyniki badań, w których czas trwania nagran ia porównawczego czerwona), dla tego przypadku uzyskano prawdopodobieńwynosi 30 s. Krzywa żółta reprezentuje wyniki dla przypadku, w którym czas trwania nagrania porównawczego wynosi 15 5, krzywa czarna 10 s i krzywa jasnoniebieska 5 s. Wyniki jednoznacznie wskazują, że im dłuższy czas trwania nagrania wzorcowego, tym wyższa skuteczność systemu (krzywe zbliżają się do lewego dolnego rogu wykresu). Najlepszy rezultat uzyskano dla nagrań o czasie trwania 30 s, dla którego prawdopodobieństwobłędu wynosi - 5,%, najgorszy natomiast dla czasu trwania równego 5 s. Dla tego przypadku prawdopodobieństwobłędu wynosi około 38,6%. Kolejne badania dotyczyły skutecznościsystemu w funkcji stopnia zakłóceńnagraniatestowego (dowodowego) oraz nag rania wzorcowego (porównawczego). Zakłócenia symulowano szumem białym. Stopień zakłóceniaopisano za pomocą współczynnika SNR, zdefiniowanego poniżej (8). SNR = 101 (PHMS. Sygnal J db agio p RMS,Szum (8). Wypowiedzi zostały zarejestrowane za pośredn ictwem telefonii GSM. Wyn ik badań przedstawiony jest na rycinie 9. Najlepszy rezultat uzyskano dla sytuacji, w której wy powiedż testową (dowodową) oraz wzorcową (porównawczą) charakteryzuje współczynnik SNR > 0 db (krzywa 4 PROBLEMY KRYMINALISTYKI 75(1) 01

7 Z PRAKTYK I siwo błęd u równe 5,%. W mia rę, gdy maleje SNR, skutecz ność systemu spada. Dla wypowiedzi testowych (dowodowych), dla których SNR = 5 db, sk utecz ność systemu spada do - 0%. Jednak dla wypowiedzi wzorcowych o takim samym SNR sk uteczność spada j u ż do - 4%. Ostatnimelementem zbadanym w ramach niniejszej pracy jest sku teczność systemu zal eżnie od toru elektroakustyc znego. Przeanalizowano wypowiedzi zarejestrowaneza pośrednictwem trzech różnych kanałów: telefonij stacjonarnej PSTN, telefonii komórkowej GSM oraz mikrofonu pojemnościowego - wypowiedzi bezpośrednie zarejestrowane w warunkach pokojowych. Czas trwania porównywanych wypowiedzi wynosi ł o koło 30 s, ws półczynnik SNR > 0 db. W wyniku ba dań uzyskano ws półczynnik EER dla teletonii stacjonarnej (krzywa czerwona) równy około 6,6%, dla telefonii komórkowej 5,% (krzywa niebieska) oraz dla _ tesł"3os, wzóp3qs EER= btst-105, wzo<t30s EER-l0690 tes.-or.-30s EER l ł 0 g, {; o 10 lest= 30s. wzór-:30s EER=5.163 test=30s. wzór-:15s EER= test=30s, wzór=10 s EER= lest=30s. wzór=5s EER= < :o ł 5 l l' t" '.- --* == "'''--J Prawdopodob ienstwo biednej akceptacji (%) 40 Ryc. 7. Ocena pracy systemu ARM dla malejącego czasu trwania nagrania testowego (dowodowego) przy stałym czasie trwania nagrania wzorcowego (porównawczego) Fig. 7. Automatic speaker recognition evajuation in function ot duration ot test utterance and conslant duration ot target unerance RyC. 8. Badanie s ku tecz nośc i pracy systemu ARM dla malejącego czasu trwania nagran ia wzorcowego przy stałym czasie trwania nagrania testowego Fig. 8. Automatic speaker recognition eva/uation in tunction ot duration ot target utterance and constant duration ot test unerance _.. SNR:Ode. WZÓfSNR>Od8 PSTN-PSTN ec EERaS 163.'.0 EER-S 60S _ tnł SNR.l5dB. ""ZÓf SNR,.OdB Mic.MId EER.1 S 40tO EERa43541 GSM-GSM _test SNR-5dB. wzór SNR>OdB EER EER S163 l _$l: SNR"OdB. wzór SNR"'lSdB l.0 EER o te'sł SNR>OdB. 'fiz'óifsnr=5db 0 EERa j i j! "! " l 5 5 i i ł l S 10 0 P '-oopodo n s two biednej akceptacji (%) " P'lIWdopodobienstwo biednej e kceptłlcji (% ) " Ryc. 9. Badanie s ku teczności systemu ARM zależnie od j a k ości nag rań testowego i wzorcowego Fig. 9. Automalie speaker recognition evaluation in tunction ot quality ot target and test utterance RyC. 10. Porównan ie skutecznoś ci systemu ARM dla wypowiedzi przesł a nych różnym i metoda mi transmisji syg nał u mowy Fig. 10. Comparison ot automatic speaker recognition system tor test and targe t utterances transmitted with 3 different methods PROBLEMV KRYMIN ALISTYKI 75(1) 01 5

8 mikrofonu pojemnościowego4,4% (krzywa zielona). Wyn i ki te pokazują, że zbudowany system nie jest uzależniony od techniki rejestracji i transmisji dźw ięku. We wszystkich analizowanych przypadkach rezultat był podobny. analizy porównawczej wypowiedzi mówców obcojęzycznych oraz wypowiedzi zaledwie kilkusekundowych ró ż n iących s ię pod względem leksykalnym. Fundamentalna, ze wzg lędu na ocenę dowodu z opinii b iegłego przez organ procesowy, jest zn a j omoś ć prawdopodobieństwa błędu Wnioski Na podstawie badań stwierdzono: Spadek czasu trwania nagrania dowodowego powoduje spadek skuteczności systemu. Dla wypowiedzi trzydziestosekundowych uzyskano wynik prawdopod obieństwa błędu równy 5,%, dla wypowiedzi ozies ię ciosekundowych 10,7% oraz dla pięciosekundowych 11,6 %. Materiał badawczy zare jestrowano za pośrednictwem telefonii GSM. Spadek czasu trwania nagrania porównawczego powoduje spadek skuteczności systemu. Dla wypowiedzi piętnastosekundowych uzyskano wynik 18,%, dla wypowiedzi dz iesięc iose kundowyc h prawdopodobieństwo błędu wynosi 4,1% i dla wypowiedzi p ięciosekundowych 38,8%. Materiał badawc zy zarejestrowano za pośred nictwem telefonii GSM. Pogorszenie j a k o śc i nagrań powoduje spadek skutec zności systemu. Na podstawie bad ań stwierdzono, że parametr SNR ana lizowanych nag ra ń nie powinien być mniejszy niż 0 db. Materiał badawczy zarejestrowano za pośredn ictwem telefonii GSM. technika rejestracji nie wpływa na skuteczność systemu. Przebadano wypowiedzi zarejestro wane za pośrednictwem telełonii GSM, PSTN oraz bezpośrednio mikrofonu pojemnościowego w warunkach pokojowych. Dla trzech przypadków uzyskano podobny rezultat. W badaniach wykorzystano nagran ia o następujących paramet rach: c z ę s totl i wo ść próbkowania 8 khz (dla nag rań telefonicznych) oraz 44 khz (dla wypowiedzi bezpośredn ic h ), rozdz ie lczość 16 bit, format zap isu PCM WAV. Podsumowanie Praca powyższa koncentruje się na współcześn ie stosowanych metodach w systemach automatycznego rozpoznawan ia mówców oraz na próbie odpowiedzi na pytanie: czy biometryczne systemy tego typu mogą być skutecznym narzędziem w badaniach fonoskopijnych. W pracy, dzięki przeanalizowaniu wpływu różnych, typowych dla spraw kryminalistycznych czynników, potwierdzono wartość diagnostyczną metody' >. Przytoczone wyniki badań pokazuj ą jednoznacznie użyteczność tego typu oprogramowania w kryminalistyce. Wykorzystanie systemów automatycznej identyfikacji mówców, w przeciwieństwie do tradycyjnych metod stosowanych dotychczas w fonoskopii opartych głównie na analizie językowo-audytywnej, ma wiele niewątpliwych zalet, są to m.in. obiektywizacja wyn iku, możliwość metody zastosowanej w badaniach. Ważne jest to równ ież w ko n te k ś c ie normy PN-EN ISO/lEC 1705 :005, która zakład a, że wynik miarodajny to wynik, którego w artość rzeczywista z określonym prawdopodob ieństwem znajduje s i ę w ewnątrz znanego przedziału niepewn ości". Niewątpliwe zalety s p ow o d uj ą, że oprogramowanie tego typu w nieda lekiej przysz łoś ci stanie się ważnym narzędziem wspierającym biegłych fonoskopii p osł ugujących się tradycyjnymi metodam i opartymi na audytywnej ana lizie j ę zy k owej. PRZYP ISY 1 R. Tadeusiew icz, A. Izworski, J. Majewski: Biometria, Wyda wnic two AGH, Kraków 1993, s D, Meuwly: Encyclopedia of forensic sciences, Academic Press 000, s B.G,B, Fauve, D, Matrouf, N, 5chefler, J,F, Bonastre, J.S,O, Mason: State-of-the-art performance in text-i n dependent speaker verification through open-source sottware, "IEEE Transactions on audio, speech and language processing" wrzesień 007, vol. 15, nr 7. 4 C.J.B. Moore: Wprowadzenie do psychologii s łyszenia, PWN, Wars zawa-poznań 1999, s ,B, Davis, p, Mermelstein: Comparison of parametric representations for monosytlabie word recognition in continuously spoken sentences, "IEEE Transacti ons on acous tics, speech and signal processing" 1980, 8 (4), s J, Malczewski: Nauka o j ę z y k u, Wydawnictwo Szkolne i Pedagogiczne, Warszawa 1990, s S. Furui: Cepstral analysis tech nique for automatic speaker verification, "IEEE Transact ions acoustics, spe ech, signal processing" 1981, ASSP-9, s O,A, Reynolds, T,F, Quatieri, R.B, Ounn: Speaker verification using adapted gaussian mixture mode ls,.diqital Signal Processing" 000, nr 1O, s O,A, ReynoJds, R,C, Rose: Robust text -independent speaker identification using gaussian mixture speaker models, "IEEE Transactions on Speech and Audio Proces sing" 1995, nr 3 (1), s C.G.G. Aitken, F. Taroni: Statistics and the evaluation of evidence for forensic scient lsts. John Wiley & Sons, Ltd., Chichester 004, s ; p, Rose: Foren sic speaker identification, Taylor & Francis 00, s J. Gonzales-Rodriguez, A. Drygajlo, O. Ram o s-castro, M, Garcia-Gomar, J. Ortega-Garcia: Robust estimation, interpretation and assessment of likelihood ratlos in terensic speaker recognition,.cornputer Speech and Language" 006, nr 0, s PROBLEMY KRYMINALI STYKI 75(1) 01

9 1A. Martin, G. Doddington, T. Kamm, M. Ordowski, M. Przybocki: The DET curve in assessment of detection task performance, [w:] Proceedings of the 5'" European Conference on Speech Communication and Technology, vol. 4, Rhodes, Greece 1997, s Termin wartości diagnostycznej (identyfikacyjnej) zdefiniowano w literaturze, patrz na przykład: T. Wid/a: Ocena dowodu z opinii biegłego, Prace naukowe Uniwersytetu Śląskiego w Katowicach nr 1309, Uniwersytet Ślą ski, Katowice 199, s PN-EN iso/lec 1705:005, Ogólne wymagania dotyczące kompetencji laboratoriów badawczych i wzorc uj ą c yc h, PKN, Warszawa 005. Streszczenie Automatyczne Rozpoznawanie Mówców (ARM) jest jedną z najszybciej rozwijających się metodbionletrycznych. Wspó łczesj lc systemy, dzięki efektywnemu przetwarzani u sygna łu mowy oraz skutecznym metodom rozpoznawania, If/og ą być wykorzystane UJ wielu dziedzinach, m.in. identyfikacji kryminalistycznej. W pracy opisono krótktj h is torię rozwojuarm, przedstaunono system zgodny ze współczesnym stanem wiedzy w zakresie przetwarzania sygna łu oraz metod rozpoznawania. Opisal/o rów n ież metody oceny pracysystemu. Słowa kluczowe: Au tomatyczne Rozpoznawanie Mówców, GMM, UHM, OET, EER, LR, wartość diagnostyczna metody Summary Automatic Speaker Recognition (ARM) belongs to one oj tue most extensively devcloped biometrie tcchnioues. Tbe highfy effeetive sigi/al proceeeing and recognition methods can be sllcccssfully imptetncntca ill oavious ficlds, such aslorensie science. Tl,is paper describes a brief liistory of ARM deoelopment, etate-oj-the-art signal processing and recognition met!lods, inctuding tedmiq uceoj systems asscssmcut, Keywords: Automat/c Speaker Recognition, GMM, UBM, VET, EER, LR, method'sdiagnoeticoalue PROBLEMY KRYMINALISTYKI 75(1) 01 7