Desarrollo de Soluciones Cliente-Servidor para la Verificación ...

4.5. Desarrollo de Módulos de Reconocimiento Biométrico según la Especificación
BioAPI 79
nominado BWAVoiceBSP. El reconocedor de locutor en una primera etapa transforma
la voz a un dominio adecuado donde la identidad de los locutores pueda ser diferenciada.
Este proceso se denomina parametrización de voz. Los vectores de parámetros
utilizados por el reconocedor de locutor son 12 Mel Frequency Cepstral Coefficients
(MFCC) [Davis y Mermelstein, 1980], añadiendo además la energía logarítmica. A este
vector se le añaden además sus primeras y segundas diferencias temporales, denominadas
popularmente ∆ y ∆∆, obteniendo finalmente vectores de dimensión 39. En cuanto al
proceso para su obtención, se puede resumir en los siguientes pasos:
1. Preénfasis La señal acústica se filtra linealmente para realzar las altas frecuencias,
que tienen menores energías en señales de voz.
2. Enventanado La señal acústica es dividida en fragmentos de igual longitud según
una ventana Hamming [Nuttall, 1981]. Cada una de estas ventanas se trata a partir
de aquí independientemente.
3. Cálculo de la potencia espectral Se obtiene la Fast Fourier Transform (FFT) de la
señal enventanada, y se calcula la potencia espectral como el cuadrado del módulo
de esta señal transformada.
4. Escalado Mel Se transforma el eje de frecuencia a la escala psicoacústica Mel.
5. Cálculo del Cepstrum Se calcula el logaritmo de la potencia espectral en escala Mel,
y a esta señal se le aplica la transformada de coseno, obteniendo los coeficientes
MFCC.
6. Adición de diferencias y energía
De los vectores así obtenidos, se eliminan los que no correspondan con segmentos de
voz. Para ello se utiliza un detector de actividad de voz.
Una vez la voz está transformada de esta forma, se aplica el paradigma de reconocimiento
GMM-UBM (del inglés Gaussian Mixture Models-Universal Background Model)
[Reynolds y otros, 2000] para realizar el reconocimiento de locutor. En este tipo de
reconocedores de locutor la voz se modela estadísticamente mediante mezclas de gausianas
Λ, cuya expresión matemática se muestra a continuación:
p (x | Λ) =
M∑
i=1
ω Λ,i
exp ( − 1 2 (x − µ Λ,i) t Σ Λ,i −1 (x − µ Λ,i ) )
(2π) N/2 |Σ Λ,i | 1/2 (4.3)
Según este esquema, la verificación de locutor se realiza mediante el siguiente contraste
de hipótesis:
{
H0 : la voz pertenece al locutor u
H 1 : la voz pertenece a algún otro locutor,
donde la hipótesis H 0 está representada por el GMM del usuario u: Λ u ; y la hipótesis
alternativa H 1 está representada por el UBM: Λ UBM . Este contraste de hipótesis permite