Введение

В последние годы для идентификации личности человека наиболее перспективным считается применение биометрических технологий [1, 2, 3, 4], особенно в системах разграничения доступа, при проведении финансовых операций, при запросах информации ограниченного доступа по телефону, при управлении различными устройствами, в криминалистике и т.д. Применение биометрических технологий обладает рядом существенных преимуществ перед традиционными средствами идентификации, например надёжность идентификации и удобство использования [4].

Наиболее широкое применение в биометрической идентификации получили следующие параметры человека: особенности геометрии лица, отпечатки пальца, геометрия ладони рук, сетчатка и радужная оболочка глаза, голосовые характеристики, особенности подписи и клавиатурный подчерк. В некоторых случаях применение биометрических характеристик человека осложнено. Геометрии лица свойственна низкая уникальность, для анализа сетчатки и радужной оболочки глаза требуется дорогостоящее оборудование. Параметрам клавиатурного подчерка и подписи свойственна низкая стабильность и зависимость от эмоционального состояния человека. При применении сканеров отпечатков пальцев и геометрии ладони рук возможны вопросы чистоты контактных площадок и соблюдения санитарных норм.

Свести к минимуму недостатки указанных выше методов биометрической идентификации пользователей позволит разработка нового бесконтактного метода с использованием биометрических характеристик.

К подобному методу биометрической идентификации пользователей информационных систем относится идентификация по голосу, позволяющая получать и передавать в удостоверяющий центр биометрические данные без применения специализированных и дорогостоящих съемников биометрической информации: достаточно иметь телефон или микрофон, подключенный к компьютеру.

На данный момент распространенным методом при решении задач анализа и идентификации голоса является байесовский подход [6]. В основе принципа данного метода речевые единицы (РЕ) представляются гауссовой моделью сигналов и набором классов. Недостатками данного подхода является невысокая точность и надежность. Для сведения к мнимому указанных недостатков профессором Савченко В.В. была создана информационная теория восприятия речи (ИТВР) [5], фундаментом которой служит критерий минимума информационных рассогласований (МИР) [6] и кластерная модель речевых единиц. ИТВР можно считать одним из наиболее прогрессивным направлением развития акустической теории звука [7].

На данный момент существует множество зарубежных (Agnitio, Nuance, Voice Security Systems) и отечественных (Речевые технологии, Центр речевых технологий) компаний, разрабатывающих системы голосовой биометрии [2, 3, 4]. В большинстве разработанных систем вероятность ошибки идентификации составляет 1 - 3%, но данные разработки обладают рядом недостатков.

В большинстве существующих систем идентификации по голосу отсутствует настройка алгоритмов под изменяющиеся условия применения (уровень шума, фонемы речи конкретного человека, ошибки идентификации и т.д.), для осуществления процедуры идентификации используется спектральный анализ входного звукового сигнала и эталонного сигнала, записанного в базу, тем самым существует привязка к эталонным фразам.

Поэтому актуальной становится задача создания нового метода и алгоритма идентификации голосового сообщения по индивидуальным характеристикам голоса без представленных недостатков, позволяющая производить текстонезависимую идентификацию в условиях малой обучающей выборки, а также создать систему идентификации дикторов по голосу, реализующую данную модель и позволяющей её тестировать.

Объекты и методы исследования

Новизна метода идентификации заключается в кластеризации голосовых эталонов диктора, при этом звуковой сигнал сегментируется на элементарные речевые единицы. Далее все сегменты последовательно сравниваются с порогом по длительности и спектру, и в случае недостаточной длины и несоответствия спектра, текущий сегмент отбрасывается, переходя к следующему сегменту. После отбора таким образом элементарных речевых единиц, они проверяются на соответствие уже существующим в базе данных фреймам путем расчета вероятности информационного рассогласования между самим сегментом и эталонной реализацией фрейма. Элементарные речевые единицы относятся к тому фрейму, где вероятность информационного рассогласования минимальна, при условии, что она не превышает некоторого априорно установленного порога, после этого формируется кластер эталонов диктора. В противном случае формируем новый фрейм, который будет содержать единственный элемент – эту элементарную речевую единицу.

Схема метода кластеризации голосовых эталонов на основе элементарных речевых единиц отображена на рисунке 1.

Разработанный алгоритм идентификации использует в своей основе метод накопления полезной информации по результатам сравнения двух фонетических баз данных: тестируемой и эталонной (точнее, одной из эталонных) на множестве их элементарных речевых единиц. Указанный принцип широко применяется во многих системах при обработке информации на фоне помех, в частности, в радиолокационных системах. Основываясь на данном принципе был разработан новый метод статистического анализа фонем диктора для решения задачи идентификации по голосу.

В радиолокационных системах совокупность участков одной и той же дальности в различных азимутальных позициях зоны обзора составляет кольцо дальности, в котором и происходит накопление импульсных сигналов, что соответствует логике разработанной кластерной модели речевых единиц, где присутствует информационный центр множества реализаций фонем диктора и представлено информативное описание свойств речевой единицы.

Рис. 1. Схема метода кластеризации голосовых эталонов на основе элементарных речевых единиц

Fig. 1. Diagram of a method of clustering voice standards-based elementary speech units

Следовательно, оптимальное правило обнаружения сигнала по выборке его N дискретных значений заключается в сравнении числа единиц в выборке с пороговым числом k0. Если k>k0, то принимается решение о приеме сигнала, в противном случае об его отсутствии, что по логике соответствует принятию решения о принадлежности определяемой фонемы конкретному диктору или о её отвержении.

На основе совместного использования метода кластеризации элементарных речевых единиц и метода накопления информации был разработан новый адаптированный алгоритм идентификации фонем диктора.

Блок-схема алгоритма идентификации, реализуемого в среде программирования Matlab, отображена на рисунке 2.

В данной схеме names – массив фреймов в базе данных, tabulate(names) – алгоритм нахождения наиболее часто встречающегося фрейма, ii – переменный индекс фрейма диктора, namespeaker – обозначение (ФИО) диктора.

Таким образом разработан и реализован новый усовершенствованный алгоритм идентификации по голосу, основанный на совместном использовании метода кластеризации элементарных речевых единиц и метода накопления информации.

Рис. 2. Блок-схема алгоритма идентификации диктора по голосу

Fig. 2. Block diagram of a voice-based speaker identification

На рисунке 3 изображена блок-схема разработанной «информационной системы идентификации дикторов по голосу».

Рис. 3. Блок-схема «информационной системы идентификации дикторов по голосу»

Fig. 3. Block diagram of the «information system of a voice-based speaker identification»

Здесь М–микрофон, БВР – блок вывода результатов, БД – база данных, БОД – блок обработки данных, МПУ – микрофонный предусилитель, БВД – блок ввода данных, АТР – подсистема автоматического транскрибирования речевых сигналов, ИДГ – подсистема идентификации дикторов по голосу.

Результаты и их обсуждение

Для реализации предложенного алгоритма идентификации был разработан лабораторный образец «ИС ИДГ» [14]. Данная система представляет собой программный комплекс с расширенным функционалом для идентификации дикторов. Варианты применения данной информационной системы можно привести из самых различных областей. Это может быть, например, задача идентификации диктора по голосу, как для отдельного диктора, так и для группы дикторов, в зависимости от возраста, пола, национальности, эмоционального состояния. В качестве прикладной задачи можно привести удаленную идентификацию диктора при передаче речевого сигнала по каналам связи при низком качестве речи и высоком уровне помех.

При разработке «ИС ИДГ» были учтены требования ГОСТ Р 52633-2006 «Защита информации. Техника защиты информации. Требования к средствам высоконадежной биометрической идентификации» и ГОСТ Р ИСО/МЭК 19785-1-2008 «Автоматическая идентификация. Идентификация биометрическая. Единая структура форматов обмена биометрическими данными». Для работы необходим персональный компьютер с процессором класса не ниже 2000 МГц и 1Гб оперативной памяти, операционная система Windows, среда программирования Matlab, а также звуковая карта с частотой дискретизации 8 КГц и возможностью записи звуковых файлов в формате WAV.

Интерфейс «ИС ИДГ» состоит из главной формы, в которой отображаются дикторы, внесенные в базу данных. В данном меню возможен выбор режим работы, загрузка звукового файла, сохранение и последующее отображения данных. Общий вид интерфейса показан на рисунке 4.

Рис. 4. Интерфейс «информационной системы идентификации дикторов по голосу»

Fig. 4. Interface of the «information system of a voice-based speaker identification»

В представленном окне информационной системы отображаются дикторы, внесенные в базу данных. При выборе диктора из списка отображается краткая информация данном человеке.

На рисунке 5 изображен главный раздел информационной системы, в котором осуществляется последовательное сегментирование звукового сигнала, выделение фонем диктора и его последующая идентификация.

Рис. 5. Интерфейс раздела «Идентификация»

Fig. 5. Interface section «Identification»

Для ввода звукового файла исследуемого диктора выбирается меню "Сигнал"->"Загрузить". Загруженный звуковой файл неизвестного нам диктора отображается в виде звуковой дорожки. Далее звуковой файл разбивается на определенное количество фреймов, для этого необходимо в меню «Сегментирование» выбрать «Старт».

После того как звуковой файл разбит на фреймы, нам необходимо установить принадлежность записанного в данном файле голоса тому или иному диктору. Для этого в меню «Идентификация» нажимаем кнопку «Старт», при этом происходит подсчет всех фреймов и по наиболее часто повторяющимся (не менее 60%), названным в соответствии с именем диктора, принимается решение о принадлежности данного голоса конкретному диктору. Фреймы заведомо неизвестного диктора сравниваются с фреймами различных дикторов, занесенных в фонетическую базу данных.

Тестирование «ИС ИДГ» проводилось в соответствии с правилами тестирования систем идентификации, установленными в стандарте ИСО/МЭК 19795-1-2007 «Автоматическая идентификация. Идентификация биометрическая. Эксплуатационные испытания и протоколы испытаний в биометрии. Часть 1. Принципы и структура». В соответствии с данным стандартом необходимо проводить испытания в зависимости от возрастных, гендерных, физиологических, эмоциональных состояний испытуемой группы.

Программа экспериментальных испытаний информационной системы идентификации дикторов по голосу, проведенных в соответствии с описанной выше схемой, приведена в таблице 1 [8-13].

Таблица 1

Программа экспериментальных испытаний информационной системы идентификации дикторов по голосу

Table 1

The program of experimental tests of the information system of a voice-based speaker identification

Таким образом, стандарт ИСО/МЭК 19795-1 был адаптирован под испытания систем идентификации человека по речевому сигналу.

Так же по результатам эксперимента сделан вывод, что при увеличении числа идентифицируемых дикторов качество идентификации не снижается, в связи с чем в разработанной информационной системе нет явного ограничения на количество пользователей.

Представленные выше эксперименты проведены в разработанной «ИС ИДГ» и в аналогичных программно-аппаратных и программных комплексах идентификации по голосу российских производителей, среди которых система «VoiceKey» - ООО «Центр речевых технологий», система «ИКАР Лаб» - ООО «Центр речевых технологий», GritTec Speaker-ID – ООО“ГритТек”.

В таблице 2 представлено сравнение показателей программно-аппаратных комплексов идентификации по голосу российских производителей.

Таблица 2

Сравнение показателей программно-аппаратных комплексов идентификации по голосу российских производителей

Table 2

Comparison of software and hardware systems of voice-based identification produced by Russian manufacturers

Проведя анализ полученных результатов, можно сделать вывод, что разработанная в рамках диссертационных исследований «ИС ИДГ» имеет ряд преимуществ над системами аналогами, показав низкую вероятность ошибок при равных значениях FAR и FRR, небольшой процент ошибок при регистрации, низкую вероятность ложного принятия (FAR), но при этом «ИС ИДГ» уступает аналогам по показателям вероятности ложного отклонения (FRR). Алгоритмы идентификации «ИС ИДГ» возможно внедрить в существующие системы для разграничения прав доступа к корпоративным ресурсам в сети и в телефонном канале в режиме реального времени.

«ИС ИДГ» может выступать самостоятельно или дополнять имеющиеся системы разграничения доступа. Использование сервиса позволяет исключить случаи несанкционированного доступа к ресурсам, возникающие в случае утери, кражи, передачи обычного символьного пароля (вводимого с клавиатуры компьютера), HID (Proximity) RFID карты, hasp-ключа и т.д., в отличие от голоса, который всегда остается у пользователя системы.

Алгоритм разграничения доступа предусматривает наличие нескольких этапов работы информационной системы. На 1-м этапе происходит запись эталонного голоса диктора, а на 2-м - сравнение произнесенного голоса с эталоном. В стандартных алгоритмах идентификации существует следующий недостаток: нарушитель может записать на диктофон эталонное голосовое сообщение, а далее получить доступ воспроизведя данную запись. Для исключения данного недостатка предлагается следующий алгоритм работы системы разграничения доступа, рисунок 6.

Рис. 6. Алгоритм работы системы разграничения доступа по голосу

Fig. 6. Algorithm of the system of voice verification access control

На 1-м этапе записываются не связанные между собой короткие голосовые сообщения в виде отдельных слов (существительное, глагол, прилагательное, например, «мама мыла раму»). В алгоритме под цифрой 1 обозначен микрофон, 2- канал связи, 3 - аналого-цифровой преобразователь, 4- запоминающее устройство. На 2-м этапе информационная система выбирает несколько записанных диктором звуковых сообщений и предоставляет диктору возможность в выбранном порядке произнести данные слова с указанием текста в окне системы. Диктор произносит данные слова для последующего анализа в устройстве анализа данных – 5. Далее устройство идентификации – 6, выполняет процедуру анализа и подсчета повторяющихся фонем диктора, выполняет проверку содержания распознанных фонем в соответствии с произнесенным словом. При наибольшем соответствии фонем определенному диктору (не менее 60%) и совпадении произнесенных слов со словами в окне системы, принимается решение о предоставлении доступа пользователю.

Далее оценим эффективность предложенной схемы идентификации. Пусть при записи фонем используется N фраз. При идентификации голос диктора формируется из n эталонов. Тогда количество фонем диктора К будет равно:

                                                     (1)

Если нарушитель записал произношение диктора, то при попытке взлома, вероятность Р того, что записанное им сообщение совпадёт с запрашиваемым системой идентификации будет равна:

                                                    (2)

Ниже приведена таблица 3 вероятностей Р, рассчитанных в соответствие с формулой (2) для значений N и n. По горизонтали расположены значения N, а по вертикали - n, на пересечении столбца и строки - соответствующая им вероятность Р.

Таблица 3

Вероятности Р, рассчитанные для некоторых значений N и n

Table 3

The probabilities of P calculated for certain values of N and n

Как видно из таблицы, вероятность Р мала, поэтому вероятность взлома системы, даже, если нарушителю удалось подслушать и записать произношение фразы, также мала.

Заключение

Новизна и инновационность разработанного метода идентификации по голосу заключается в независимости от языка, национальности, возраста, пола, эмоционального состояния и здоровья диктора. Для идентификации требуется парольная фраза длиной всего 3-5 секунд, что позволяет существенно экономить время при прохождении этой процедуры и полностью ее автоматизировать. Динамически меняющаяся парольная фраза, которую предлагают произнести пользователю (например, определенную последовательность цифр) позволяет надежность систем разграничения доступа и защиты информации.

Полученные результаты применимы как в системах защиты информации от несанкционированного доступа [15], использующие параметры голоса для идентификации пользователей, так и в системах разграничения доступа в помещения с голосовой идентификацией. Разработанный алгоритм идентификации так же можно применять в системах криминалистической (фонетической) экспертизы, использующих в качестве доказательной базы голос подозреваемого.