基于噪声一致性的数字语音异源拼接篡改检测算法

异源拼接是一种常见的数字语音篡改行为,其主要借助音频编辑软件将不同场景中录制的语音片段拼接在一起,以达到改变语音语义的目的。考虑到不同场景中所包含的背景噪声特性往往存在差异,提出了一种基于噪声一致性的数字语音异源拼接篡改检测算法。首先,采用时间递归平均（TRA）算法提取待检测语音中所含噪声;然后,通过突变点检测（CPD）算法检测噪声方差是否存在突变来判定待检测语音是否经过篡改,并对篡改位置作出定位。实验仿真结果表明,所提算法能对数字语音中的异源篡改位置进行有效检测。     

基于言语情境分析的数字语音篡改检测

针对使用拼接手段的数字语音篡改,提出一种基于言语情境分析的篡改检测方法。该方法从背景噪声分析和说话人状态特征分析两方面入手,把语音信号分为语音部分和静音部分,对包含噪声的各个静音片段各帧提取时域和频域特征,对各语音片段提取韵律特征和音质特征,并分别基于贝叶斯信息准则检测特征的跳变点,通过综合判断得到篡改检测结果。实验结果表明,该方法能够比较准确地检测和定位语音拼接点。     

基于Hilbert-Huang变换的含噪语音特征分析

应用Hilbert-Huang变换方法对语音特征进行分析,提高低信噪比语音端点检测的正确率.对语音信号进行Hilbert-Huang变换,得到语音信号在时域和频域上的能量分布,建立语音信号的时间–频率–振幅的三维Hilbert谱分布以及边际谱分布进行特征分析,最后通过语音端点检测验证Hilbert-Huang变换分析含噪语音特征及降噪的有效性.通过语音端点检测的结果表明,经过 Hilbert-Huang变换对含噪语音分析降噪后,检测准确率有显著提高.Hilbert-Huang变换方法能够真实描述语音信号的非线性以及非平稳特性,具有广泛的应用前景.     

数字彩色图像拷贝－变换－移动篡改检测

针对拷贝-变换-移动篡改技术,提出基于尺度不变特征变换（SIFT）特征点的检测算法。该算法利用快速匹配方法得到互相匹配的SIFT特征点作为种子点,根据SIFT特征点的尺度和方向信息制定合适的生长策略逐步生长出被篡改区域。实验结果证明,该算法对常用的润色操作和JPEG压缩有较好的稳健性。     

基于融合的高分辨率彩色图像拷贝—变换—移动篡改检测

拷贝—变换—移动篡改是一种操作简单但非常有效的数字图像篡改方法,现有检测框架无法检测。同时,在处理高分辨率篡改图像时,基于穷举搜索的现有算法框架会有计算量的困难。针对高分辨率彩色图像拷贝—变换—移动篡改提出了基于图像融合和尺度不变特征变换(SIFT)特征点匹配的检测算法。首先利用基于加权多尺度基本形的图像融合方法将降采样后的彩色图像信息融合至单幅灰度图像中,然后设计快速匹配方法得到融合图像中匹配的SIFT特征点作为种子点,最后根据图像处理规则和SIFT特征点的尺度和方向信息制定合适的生长策略逐步生长出被篡改区域。对手动制作的篡改图片和可疑新闻图片的实验结果表明,该算法对常用的润色操作和亮度调整以及JPEG有损压缩有较强的稳健性。     

基于离散小波变换的语音激活检测

为提高在噪声环境下语音检测的性能,提出了一种基于离散小波变换的语音激活检测(VAD)的方法。算法将语音信号进行3层离散小波变换,通过Teager能量算子(TEO),提取能量比值和能量差值两个参数,最后进行门限判决。实验结果表明,本算法在噪声环境中能够有效地正确判别语音段和噪声段,并且优于G.729B和AMR所提出的VAD的算法。     

基于改进型离散小波变换的语音激活检测

在语音信号处理系统中,语音激活检测是一个非常重要的方面.为了提高在噪声环境下语音激活检测的性能,提出了一种基于改进型离散小波变换的语音激活检测(VAD)的方法.算法将语音信号进行离散小波变换,然后通过Teager能量算子(TEO),提取能量比值和能量差值两个参数,最后进行门限判决.在MATLAB平台上,对语音信号进行激活检测仿真,实验结果表明在噪声环境中,提出的算法能够有效克服低信噪比环境的影响,并且优于倒谱距离和谱熵检测算法.     

基于广义高斯模型的音频篡改盲检测

针对音频篡改被动取证的问题,提出了一种基于改进离散余弦变换(MDCT)域的盲检测方法.音频信号MDCT系数直方图可用广义高斯分布模型进行拟合.原始音频的广义高斯模型形状参数集中分布在一定的区间内,而篡改后的音频信号在篡改发生边界,其广义高斯模型的形状参数将发生明显变化,通过设置形状参数阈值区分音频信号是否遭受篡改.实验结果表明,对于改变音频内容的删除、替换和拼接操作,该方法在篡改检测和定位方面具备有效性.     

同幅数字图像中Copy-Move型篡改的盲检测

为了快速有效地检测复制-粘贴(Copy-Move)图像篡改,提出了一种基于重叠块统计值的Copy-Move型篡改图像盲认证方式.该算法先将图像进行一次离散小波变换(Discrete wavelet transform,DWT)并取其低频部分分解为重叠块,接着统计各重叠块的7个统计值并计算重叠块间的相似性找出相似块,最后返回原篡改图像找出篡改部分.仿真结果表明,该方法能快速有效地检测出篡改部分经过JPEG有损压缩、高斯白噪声污染和这两者结合的篡改图像.     

基于小波变换的数字水印隐藏与检测算法

主要研究了在数字语音信号中加入数字水印的方法,提出了一种基于小波变换的数字水印隐藏与检测算法,用这种算法隐藏水印具有很强的隐藏性,对原始语音的影响基本上察觉不出来。叠加了水印的语音在经过多种强干扰及各种信号处理的变换之后,使用本算法仍能正确检测出水印的存在,如它可以抵抗噪声干扰、去噪算法对信号进行去噪处理、语音信号的有损压缩以及信号的重新采样等。     

智能视频监控系统中的干扰检测及分类

针对智能视频监控系统中的干扰检测问题,提出了一种新的检测方法,并将干扰类型进行了分类.该方法对智能视频监控系统中的遮挡、失焦、亮度异常、偏色和噪声污染五种干扰分别提取检测特征,实现了对不同类型干扰的分类检测.同时,该方法采用了自适应更新阈值的方法,降低了检测方法的复杂度,提高了其实用性.实验结果表明:在能够满足监控系统实时性的要求下,与经典方法相比本文方法的检测性能较好,适用范围较广,分类正确率达到了92.2％.     

飞机舱音信息鲁棒语音端点检测

提出了一种适用于飞机座舱噪声环境下的鲁棒语音端点检测方法.在分析噪声特征的基础上,首先直接针对带噪语音谱的离散傅里叶变换系数建立复拉普拉斯分布模型;然后进行基于二元假设检验的似然比测试;最后将信号相邻帧的相关性与基于最大后验概率的判决规则相结合.定义两种门限值,根据前一帧的状态与当前帧的观测值共同决策当前帧的状态,从而搜索出语音起止点.实验表明:与目前典型语音端点检测算法对比,该方法在飞机座舱噪声环境中具有较好的鲁棒性.     

基于指数门限的语音端点检测方法

提出了一种基于指数门限（ET）的端点检测方法.ET法为短时能量的概密函数（PDF）建立起统一的语音和噪声模型,根据当前语音数据的信噪比估计出最优的检测门限,并给出了最优检测门限的指数型公式.在“八六三”大词汇量连续语音数据库上的实验结果表明,ET法具有较好的检测性能,在噪声环境中表现出较好的稳健性,信噪比为0 dB时,检测正确率可达89.5%.在信噪比为0～15dB时,检测正确率要明显高于基本能量法、对数能量聚类法（LEC）以及χ2法等语音检测（VAD）方法.     

语音增强与检测的多任务学习方法研究

在许多语音信号处理的实际应用中,都要求系统能够低延迟地实时处理多个任务,并且对噪声要有很强的鲁棒性。针对上述问题,提出了一种语音增强和语音活动检测（Voice Activity Detection,VAD）的多任务深度学习模型。该模型通过引入长短时记忆（Long Short-Term Memory,LSTM）网络,构建了一个适合于实时在线处理的因果系统。基于语音增强和VAD的强相关性,该模型以硬参数共享的方式连接了两个任务的输出层,不仅减少了计算量,还通过多任务学习提高了任务的泛化能力。实验结果表明,相较串行处理两个任务的基线模型,多任务模型在语音增强结果非常相近、VAD结果更优的情况下,其速度快了44.2%,这对于深度学习模型的实际应用和部署将具有重要的意义。     

一种轻量级多尺度融合的图像篡改检测算法

现有ManTra-Net、DWT-CNN等基于深度学习的数字图像篡改检测算法存在计算复杂度高、检测准确度低等问题。为提取图像篡改与非篡改区域的差异性特征,提出一种基于MobileNetV3-LSTM混合模型的图像篡改检测算法。采用双分支网络架构,主分支网络为带有空洞卷积的轻量级CNN特征提取网络,副分支网络学习篡改图像边界上的差异性,在融合多尺度特征后进行端到端训练,最终输出预测定位图。在COVERAGE、CASIA2和COLUMBIA标准数据集上的实验结果表明,与Xavier-CNN、ELA等算法相比,该算法检测准确度平均提高9.2个百分点,参数量缩减82.3%,推理速度加快2倍,并且具有一定的泛化能力,适用于复制-粘贴、拼接等图像篡改操作的篡改区域检测定位任务。     

数字音频篡改被动检测研究综述

数字音频篡改被动检测是指不依赖任何预先嵌入的信息来鉴别数字音频真伪的技术,其最主要研究内容是判定数字音频的真实性和完整性,在司法取证、新闻公正、知识产权保护等领域有着广泛的应用前景。目前领域内相关综述主要从数字音频主动、被动取证总体框架开展,并未专门针对数字音频篡改被动取证研究进行系统全面总结,且涉及被动取证部分存在时效性不足的问题。据此首先总结了数字音频篡改被动检测的任务模型和取证框架,接着依据篡改手段、检测策略、所使用的统计特征及模型,将目前的数字音频篡改被动检测方法分为四类：基于篡改操作的检测方法、基于数字音频重压缩的检测方法、基于录音设备和音频录制环境的检测方法、基于数字音频信号自身统计特性的检测方法,然后分析了每种方法所采用的典型算法和扩展手段,并对不同检测算法进行性能比较,然后对这四类方法的检测特点和使用范围进行总结。最后综合近年来国内外研究人员的主要成果,总结了数字音频篡改被动检测研究面临的问题和挑战,并对未来的研究进行了展望。     

A Robust,Real-Time Voice Activity Detection Algorithm for Embedded Mobile Devices

When an Automatic Speech Recognition (ASR) system is applied in noisy environments, Voice Activity Detection (VAD) is crucial to the performance of the overall system. The employment of the VAD for ASR on embedded mobile systems will minimize physical distractions and make the system convenient to use. Conventional VAD algorithm is of high complexity, which makes it unsuitable for embedded mobile devices; or of low robustness, which holds back its application in mobile noisy environments. In this paper, we propose a robust VAD algorithm specifically designed for ASR on embedded mobile devices. The architecture of the proposed algorithm is based on a two-level decision making strategy, where there is an interaction between a lower features-based level and subsequent decision logic based on a finite-state machine. Many discriminating features are employed in the lower level to improve the robustness of the VAD. The two-level decision strategy allows different features to be used in different states and reduces the cost of the algorithm, which makes the proposed algorithm suitable for embedded mobile devices. The evaluation experiments show the proposed VAD algorithm is robust and contribute to the overall performance gain of the ASR system in various acoustic environments.     

语音识别系统中语音活动性检测方法的研究

针对当前语音活动性检测技术中传统方法普适性差和在低信噪比下检测性能陡降的问题,研究了在低信噪比强噪声（平稳和非平稳）环境下的语音时频增强相和基于改进谱熵能量的活动性检测相结合的语音识别系统的研究。首先估计背景噪声能量,分别对语音信号进行频域和时域的增强处理;然后利用一种鲁棒性更好的特征参数来判断语音端点。验证结果,表明,该方法在平稳和非平稳两类噪声环境下均具有较好的检测性能,其应用范围更广泛。     

基于能量和浊音特性的语音端点检测

论文提出一种适用于实际噪声环境的语音端点检测算法,并将其用于语音识别系统中。首先通过跟踪平稳噪声能量,检测能量变化非平稳的信号;然后在这段信号中根据浊音特性搜索并跟踪谐波,确定浊音的位置;最后结合能量和浊音信息检测语音的精确起止点。实验证明,该算法能在多种环境噪声中保持稳定可靠的性能。