Identificação de Voz Marcelo Lucena André Palhares

Roteiro Problema Hidden Markov Models (HMMs) Sistema de identificação de voz Resultados Conclusão

Problema Controlar o acesso a um determinado sistema a partir do teste biométrico de voz. Controlar o acesso a lugares restritos. Identificar pessoas em um ambiente.

Problema Não confundir identificação com reconhecimento de voz –Reconhecimento: apenas verificar se o sinal de entrada do sistema pertence a uma pessoa (no caso, já se sabe a qual pessoa da base de dados comparar) –Identificação: descobrir qual das pessoas da base de dados foi responsável por emitir o sinal de entrada do sistema

Problema Identificação dependente de texto –Para se dar acesso a pessoa, ela tem que dizer a frase correta No caso, o seu próprio nome Assim, deve ser rejeitada qualquer pessoa que disser algo diferente do seu próprio nome (se for usuária do sistema)

Hidden Markov Models Modelos probabilísticos de sinais Geralmente utilizados na modelagem de sinais que variam durante o tempo –Voz, escrita, gestos, etc. Quando se usa HMM para aprendizagem, o principal trabalho é estimar seus parâmetros –probabilidades de transição, distribuições de observações, etc.

Hidden Markov Models Consistem de N estados e probabilidades de transição de um estado para o outro Cada estado possui uma distribuição de probabilidade das M observações de saída do sistema (HMM discreta) Além disto, temos a distribuição de probabilidade inicial para a HMM

Hidden Markov Models Problema das moedas –Não se sabe quantas moedas foram lançadas, apenas o resultado dos lançamentos Pode ser modelado com HMMs supondo apenas 1 moeda, 2 moedas, 3 moedas, etc.

Hidden Markov Models

Tipos de HMMs –Ergódico Todos os estados são ligados a qualquer outro estado –Esquerda-direita Utilizados em problemas cujos sinais são variáveis temporais (voz, por exemplo) –Misto Mais versátil

Hidden Markov Models

Sistema de identificação de voz Arquitetura

Sistema de identificação de voz Conjunto de treinamento –Amostras coletadas Análise Espectral

Sistema de identificação de voz Vector quantization –Como são utilizadas HMMs discretas, devemos discretizar os vetores de características –Um vetor pertencerá a classe que lhe é mais próxima, baseado na distância euclidiana HMMs –Foi utilizado o modelo esquerda-direita com variação de 5 a 15 estados –O número de iterações do algoritmo Baum-Welch variou entre 10 e 30.

Sistema de identificação de voz Seletor –Responsável por definir o limiar de aquele sinal ter sido emitido ou não pela mesma pessoa da HMM que está sendo comparado –O limiar é diferente para cada HMM, definido através log da probabilidade do conjunto de treinamento somado ao dobro do desvio padrão

Resultados Cenário 1 –2 pessoas cadastradas no sistema (2 HMMs) –21 amostras de entrada –5 amostras de pessoas cadastradas –16 amostras aleatórias Cenário 2 –3 pessoas cadastradas no sistema (3HMMs) –30 amostras de entrada –8 amostras de pessoas cadastradas –22 amostras aleatórias

Cenário 1

Cenário 2

Conclusão e Trabalhos Futuros HMM dá bons resultados também para identificação de voz. Um estudo sobre qual a melhor característica espectral para as observações pode melhorar o desempenho. Melhorar a quantização dos vetores.

Perguntas ?