Detecção de ataques de replays a sistemas de verificação automática de locutores (ASV).

Detalhes bibliográficos
Autor(a) principal: Montagnoli, Mateus Marques
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