[发明专利]基于改进神经网络的音频篡改识别方法

权利要求书

1.一种基于改进神经网络的音频篡改识别方法，其特征在于：包括以下步骤，

步骤A：对每条待检测的音频提取语音梅尔谱图和帧级特征；

步骤B：通过在标准CNNs结构中加入改进池化层构造出模型一，模型一用于将任意大小的谱图池化成固定长度；

步骤C，利用一层双向LSTM、一层单向LSTM和一层Attention层构造模型二，模型二用于获得音频的高层特征的权重比例；

步骤D，所述步骤A中提取的语音梅尔谱图作为模型一的输入，步骤A中提取的帧级特征作为模型二的输入，采用数据融合理论进行决策融合，判断音频是否篡改并确定篡改位置。

2.根据权利要求1所述的基于改进神经网络的音频篡改识别方法，其特征在于：所述步骤B中，模型一的构造方法包括顺序执行以下步骤：

步骤B1、通过两层卷积层，卷积核大小为3*3，卷积核个数为64，得到W*H*64的特征映射图，其中，W代表帧数，H代表梅尔频率；

步骤B2、通过两层卷积层，卷积核大小为5*5，卷积核个数为64，得到W*H*128的特征映射图；

步骤B3、连接采用步骤B2方法构造的两个两层卷积层，得到W*H*256的特征映射图，构造出三层池化层；

步骤B4、连接采用步骤B2方法构造的三层池化层，第一部分是对每个特征映射图进行最大池化操作得到一个输出结果，因此得到256维的输出，第二部分将每个特征映射图分为4块，每个特征映射图得到四个输出，因此得到4*256维的输出，第三部分将每个特征映射图分为16块，每个特征映射图得到16个输出，因此得到16*256维的输出；

步骤B5、将所有输出展开拼接成21*256维的一维数据，最后连接softmax层进行分类预测。

3.根据权利要求1所述的基于改进神经网络的音频篡改识别方法，其特征在于：所述步骤A中提取的帧级特征，包括：

语音特征编号1-11：从语音信号功率频谱图计算的色度图；

语音特征编号12-47：梅尔倒谱系数，一阶梅尔倒谱系数，二阶梅尔倒谱系数；

语音特征编号48-49：过零率，均方根；

语音特征编号50-59：谱图质心，P阶频谱图带宽，频谱图对比度，滚降频率；

语音特征编号60-62：用多项式拟合频谱图得到的多项式系数；

语音特征编号63-64：混沌关联维数，混沌熵；

语音特征编号65-67为：谐波能量特征、基频扰动特征、语音幅度扰动。

4.根据权利要求1所述的基于改进神经网络的音频篡改识别方法，其特征在于：步骤C中模型二最后输出softmax分类概率。

5.根据权利要求1所述的基于改进神经网络的音频篡改识别方法，其特征在于：步骤D，采用数据融合理论进行决策融合，对于模型一和模型二，融合后的音频篡改概率为：

其中，m₁表示模型1的输出概率，m₂表示模型2的输出概率，C表示篡改，为非篡改；

其中，K表示特征之间的冲突。