Detecção de ataques de replays a sistemas de verificação automática de locutores (ASV).
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://hdl.handle.net/11449/216066 |
Resumo: | In this work, are proposed two models that are able to detect replay spoofing attacks on Automa tic Speaker Verication (ASV). The models consists on a k-Nearest Neighbour (k-NN) classifier and Support Vector Machine (SVM) which will be trained and evaluated from the extraction of the voice signals features from the ASVspoof 2019 data base, the features used are the Power Spectrum Estimation and Teager Energy Operator. Futhermore, the analysis of all varieties of the quality of reproduction devices was done, where the k-NN classifier got good result working in low qualities with 87.76% of average accuracy, meanwhile, SVM was more eficient showing 97.21%, 87.37% and 71.23% of average accuracy in low, high and all qualities respectively |
id |
UNSP_b81dbbbb450544c5211b299d20ddf069 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/216066 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Detecção de ataques de replays a sistemas de verificação automática de locutores (ASV).Detection of replay attacks on automatic speaker verification (ASV) systems.Signal processingSpeaker recognitionProcessamento de sinaisReconhecimento de locutorBiometriaAtaque via gravação e reprodução de vozIn this work, are proposed two models that are able to detect replay spoofing attacks on Automa tic Speaker Verication (ASV). The models consists on a k-Nearest Neighbour (k-NN) classifier and Support Vector Machine (SVM) which will be trained and evaluated from the extraction of the voice signals features from the ASVspoof 2019 data base, the features used are the Power Spectrum Estimation and Teager Energy Operator. Futhermore, the analysis of all varieties of the quality of reproduction devices was done, where the k-NN classifier got good result working in low qualities with 87.76% of average accuracy, meanwhile, SVM was more eficient showing 97.21%, 87.37% and 71.23% of average accuracy in low, high and all qualities respectivelyNeste trabalho, são propostos dois modelos capazes de detectar ataques de gravação e reprodução de voz em sistemas de verificação automática de locutores (ASV). Os modelos consistem em um classificador de k-vizinho mais próximos (k-NN) e uma maquina de vetores de suporte (SVM), os quais serão treinados e validados a partir da extração das características dos sinais de voz presentes no banco de dados ASVspoof 2019, as características utilizadas são a Estimativa do Espectro de Potência e a Teager Energy Operator. Além disso, foi feita a análise de todas as qualidades de dispositivos de reprodução, onde o classificador k-NN obteve bons resultados trabalhando com qualidades baixas com 87,76% de acurácia média, enquanto que, o SVM se mostrou mais eficiente, com 97,21%, 87,37% e 71,23% de acurácia média em qualidades baixas, altas e todas as qualidades respectivamente.Não recebi financiamentoUniversidade Estadual Paulista (Unesp)Manacero Junior, Aleardo [UNESP]Universidade Estadual Paulista (Unesp)Montagnoli, Mateus Marques2022-01-25T20:01:46Z2022-01-25T20:01:46Z2022-01-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttp://hdl.handle.net/11449/216066porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2023-12-11T06:17:42Zoai:repositorio.unesp.br:11449/216066Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T20:03:32.647085Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Detecção de ataques de replays a sistemas de verificação automática de locutores (ASV). Detection of replay attacks on automatic speaker verification (ASV) systems. |
title |
Detecção de ataques de replays a sistemas de verificação automática de locutores (ASV). |
spellingShingle |
Detecção de ataques de replays a sistemas de verificação automática de locutores (ASV). Montagnoli, Mateus Marques Signal processing Speaker recognition Processamento de sinais Reconhecimento de locutor Biometria Ataque via gravação e reprodução de voz |
title_short |
Detecção de ataques de replays a sistemas de verificação automática de locutores (ASV). |
title_full |
Detecção de ataques de replays a sistemas de verificação automática de locutores (ASV). |
title_fullStr |
Detecção de ataques de replays a sistemas de verificação automática de locutores (ASV). |
title_full_unstemmed |
Detecção de ataques de replays a sistemas de verificação automática de locutores (ASV). |
title_sort |
Detecção de ataques de replays a sistemas de verificação automática de locutores (ASV). |
author |
Montagnoli, Mateus Marques |
author_facet |
Montagnoli, Mateus Marques |
author_role |
author |
dc.contributor.none.fl_str_mv |
Manacero Junior, Aleardo [UNESP] Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Montagnoli, Mateus Marques |
dc.subject.por.fl_str_mv |
Signal processing Speaker recognition Processamento de sinais Reconhecimento de locutor Biometria Ataque via gravação e reprodução de voz |
topic |
Signal processing Speaker recognition Processamento de sinais Reconhecimento de locutor Biometria Ataque via gravação e reprodução de voz |
description |
In this work, are proposed two models that are able to detect replay spoofing attacks on Automa tic Speaker Verication (ASV). The models consists on a k-Nearest Neighbour (k-NN) classifier and Support Vector Machine (SVM) which will be trained and evaluated from the extraction of the voice signals features from the ASVspoof 2019 data base, the features used are the Power Spectrum Estimation and Teager Energy Operator. Futhermore, the analysis of all varieties of the quality of reproduction devices was done, where the k-NN classifier got good result working in low qualities with 87.76% of average accuracy, meanwhile, SVM was more eficient showing 97.21%, 87.37% and 71.23% of average accuracy in low, high and all qualities respectively |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-01-25T20:01:46Z 2022-01-25T20:01:46Z 2022-01-10 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11449/216066 |
url |
http://hdl.handle.net/11449/216066 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1808129155531800576 |