Upload
gage-gutierrez
View
17
Download
1
Embed Size (px)
DESCRIPTION
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. - PowerPoint PPT Presentation
Citation preview
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
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
0
5
10
15
20
25
Acertos Erros
Modelo 1 /Cenario 1
0
5
10
15
20
Acertos Erros
Modelo 2 /Cenario 1
0
5
10
15
20
Acertos Erros
Modelo 2 /Cenario 1
Cenário 2
0
5
10
15
20
25
Acertos Erros
Modelo 1 /Cenario 2
0
5
10
15
20
25
30
Acertos Erros
Modelo 2 /Cenario 2
0
5
10
15
20
25
Acertos Erros
Modelo 3 /Cenario 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
?