تشخیص خودکار گوینده مبتنی بر ویژگی های استخراج شده از بانک فیلتر گابور و شبکه های عصبی کانولوشنال

صدای یک انسان حاوی خصوصیاتی از قبیل: قومیت، جنسیت، احساس، سن و اطلاعات دیگری از فرد است و موضوع تشخیص گوینده به شناسایی هویت افراد بر اساس صدای آنها می پردازد. اگرچه محققان در طول سال های گذشته در این زمینه فعالیت داشته اند و روش هایی برای بهبود دقت تشخیص گوینده پیشنهاد داده اند اما هنوز چالش هایی در این زمینه وجود دارد. در این مقاله یک روش جدید تشخیص گوینده مبتنی بر فیلترهای گابور و شبکه های عصبی کانولوشنال ارایه شده است. در روش پیشنهادی، ابتدا اسپکتروگرام سیگنال صحبت فرد تشکیل می شود. سپس با طراحی موثر فیلترهای گابور، بانک فیلتر گابور ایجاد می گردد. در مرحله ی بعد اسپکتروگرام سیگنال از بانک فیلتر گابور عبور داده شده و ویژگی های سیگنال صحبت استخراج می شود. در مرحله ی آخر با استفاده از یک شبکه ی عصبی کانولوشنال، گوینده شناسایی می شود. برای ارزیابی روش پیشنهادی از دو پایگاه داده ی Aurora۲ و TIMIT استفاده شده است. نتایج نشان می دهد که روش پیشنهادی دقت بهتری نسبت به روش های پیشین دارد.

کلیدواژه ها:

بانک فیلتر گابور ، اسپکتروگرام ، تشخیص گوینده ، شبکه ی عصبی کانولوشنال