[发明专利]基于电网频率波动超矢量的数字音频篡改自动检测方法

权利要求书

1.一种基于电网频率波动超矢量的数字音频篡改自动检测方法，其特征在于，所述基于电网频率波动超矢量的数字音频篡改自动检测方法为：

通过提取语音信号中ENF的相位波动特征，相位谱和频率谱波动拟合参数特征，进行特征融合后，进行通用背景模型训练；

然后对背景模型进行自适应得到相应的语音信号特征模型；将数据库样本作同样的特征提取，依次将每个特征向量与通用背景模型进行自适应，每个样本均得到相对应的自适应模型；

将自适应模型的混合高斯均值矩阵代表该特征向量所适应出的模型，使用优化的支持向量机分类器对代表自适应模型的均值矩阵进行训练，得到训练模型；

所述基于电网频率波动超矢量的数字音频篡改自动检测方法具体包括以下步骤：

步骤一：对大量原始语音信号进行特征提取；

步骤二：通用背景模型UBM建立；

步骤三：使用数据库中的样本对UBM模型进行自适应，每个样本得到GMM-UBM模型；

步骤四：将每个GMM-UBM的均值矩阵作为ENF波动超矢量，在每条语音和高维向量之间构建映射关系，使用优化的SVM学习器进行分类，区分原始语音和篡改语音，得到数字音频盲篡改检测模型；

步骤一，具体包括：

步骤1)：对每个原始信号x[n]x[n]进行预处理，包括下采样、去直流分量，通过中心频率在ENF标准频率处的带通滤波器，得到信号中的ENF成分x_ENFC[n]x_ENFC[n]；

步骤2)：对x_ENFC[n]x_ENFC[n]进行基于DFT¹的相位谱估计，提取相位谱波动特征F；对x_ENFC[n]x_ENFC[n]进行基于Hilbert的瞬时频率谱估计；分别对相位谱和频率谱进行曲线拟合，提取相位谱拟合特征和瞬时频率谱拟合特征进行特征融合得到特征向量。

2.如权利要求1所述的基于电网频率波动超矢量的数字音频篡改自动检测方法，其特征在于，步骤二，具体包括：

步骤A1：建立UBM模型；

UBM模型采用高斯混合模型；高斯混合模型利用多维概率密度函数对语音信号特征向量进行建模；高斯混合模型的概率密度为M个高斯分量概率密度分布的加权和，混合高斯概率密度公式如下：

其中X是一个D维的特征向量X＝{x₁，x₂，x₃，…，x_D}，p_i(X)，i＝1，…，M是子分布，w_i，i＝1，…，M是混合权重，每个子分布的D维特征向量的联合高斯概率密度分布公式如下

其中u_i是均值向量，Σ_i是协方差矩阵；完整的混合高斯模型由权重参数、均值向量和协方差矩阵组成，表示为：λ＝{w_i，u_i，∑_i}，i＝1，…，M；

步骤A2：利用期望最大化算法迭代出UBM模型的参数；

第一步，令p(x_t|z_t)最大，z_t的分布为

Q_t(z_t)：＝p(z_t|x_t，λ)；

特征向量为X_t，与X_t对应的隐藏变量为z_t；

第二步，对似然函数最大化以获得新的模型参数，通过不断迭代获得UBM模型参数；

重复这两个步骤直到模型参数不再发生变化或者执行5-10次，得到稳定的UBM模型。