Ovoz orqali shaxsni tanib olish — biometrik autentifikatsiya shakllaridan biri bo‘lib, inson shaxsini uning ovozining o‘ziga xos xususiyatlari majmui asosida aniqlash imkonini beradi. Bu biometriyaning dinamik usullariga kiradi. Biroq inson ovozi yosh, hissiy holat, sog‘liq, gormonal fon va boshqa ko‘plab omillarga qarab o‘zgarishi mumkinligi sababli, bu usul mutlaqo aniq emas. Ovoz yozish va uni qayta eshittirish texnikasi rivojlangani sari ushbu tanib olish texnologiyasi axborotni himoyalash, muhofaza hamda kirishni boshqarish tizimlarida, kriminalistikada.
Tarix
Nutqni tanib olish bo‘yicha ishlar o‘tgan asrning o‘rtalarida boshlangan. Birinchi tizim 1950-yillarning boshida yaratilgan: ishlab chiquvchilar oldiga raqamlarni tanib olish vazifasi qo‘yilgan. Yaratilgan tizim raqamlarni tanib olishi mumkin edi, biroq ular faqat bitta odamning ovozida aytilgan bo‘lishi kerak edi. Bunga Bell Laboratories kompaniyasining «Audrey» tizimi misol bo‘ladi. U nutqning har bir bo‘lagidagi quvvat spektrining formantalarini aniqlash asosida ishlagan. Umuman olganda, tizim uchta asosiy qismdan iborat edi: analizatorlar va kvantlagichlar, shablonlarni moslashtiruvchi tarmoq hamda sensorlar. U turli chastota filtrlari va kommutatorlardan tashkil topgan elementlar bazasida yaratilgan, sensorlar tarkibida esa gaz bilan to‘ldirilgan naychalar ham bo‘lgan[manbada ko‘rsatilmagan].
O‘n yillik oxiriga kelib, so‘zlovchi kimligidan qat’i nazar, unli tovushlarni tanib oladigan tizimlar paydo bo‘ldi. 70-yillarda yanada yaxshi natijalarga erishish imkonini bergan yangi usullar qo‘llana boshlandi — dinamik dasturlash usuli va chiziqli bashoratlash usuli (Linear Predictive Coding — LPC). Yuqorida tilga olingan Bell Laboratories kompaniyasida aynan shu usullardan foydalanadigan tizimlar yaratildi. 80-yillarda ovozni tanib olish tizimlari rivojidagi navbatdagi qadam yashirin Markov modellaridan (Hidden Markov Models — HMM) foydalanish bo‘ldi. Shu davrda ovozni tanib olishga mo‘ljallangan dastlabki yirik dasturlar, masalan, Kurzweil text-to-speech paydo bo‘la boshladi. 80-yillarning oxirida esa sun’iy neyron tarmoqlar (Artificial Neural Network — ANN) usullari ham qo‘llanila boshlandi. 1987-yilda bozorda ovozni tushuna oladigan Worlds of Wonder’s Julie doll qo‘g‘irchoqlari paydo bo‘ldi. Yana 10 yil o‘tgach, Dragon Systems kompaniyasi «NaturallySpeaking 1.0» dasturini chiqardi.
Ishonchlilik
Ovozni tanib olishdagi xatolarning asosiy manbalari quyidagilardir:
- yozib olish muhiti (atrofdagi shovqinning darajasi va turi, reverberatsiya);
- nutqning ifodalanishiga bog‘liq omillar (nutq davomiyligi, gapiruvchining psixofiziologik holati — kasalligi, hissiy holati va hokazo, nutq tili, aksent, ovoz balandligi);
- aloqa kanalining sifati pastligi (xalaqitlar, mikrofon va uzatish kanalidagi buzilishlar, kanalda ishlatiladigan kodlash turi va hokazo).
Jinsni ovozdan aniqlash alohida vazifa turi sifatida ajratilishi mumkin va bu masala ancha muvaffaqiyatli hal qilinadi: dastlabki ma’lumotlar hajmi katta bo‘lganda jins deyarli xatosiz aniqlanadi, urg‘uli unli tovush kabi qisqa bo‘laklarda esa xato ehtimoli erkaklar uchun 5,3 %, ayollar uchun 3,1 % ni tashkil etadi.
Ovozga taqlid qilish muammosi ham ko‘rib chiqilgan. France Telecom tadqiqotlariga ko‘ra, professional tarzda ovozga taqlid qilish shaxsni aniqlashda xato ehtimolini deyarli oshirmaydi: taqlidchilar nutqning o‘ziga xos jihatlarini bo‘rttirib, ovozning faqat tashqi ko‘rinishini takrorlaydi, ammo uning asosiy ichki tuzilishini nusxalay olmaydi. Hatto yaqin qarindoshlar va egizaklarning ovozlari ham hech bo‘lmaganda artikulyatsiyani boshqarish dinamikasi bilan farqlanadi. Biroq kompyuter texnologiyalari rivojlanishi bilan tahlilning yangi usullarini talab qiladigan muammo — ovozni o‘zgartirish texnologiyasi paydo bo‘ldi; bu xato ehtimolini 50 % gacha oshiradi.
Tizim ishonchliligini tavsiflash uchun ikkita mezon qo‘llanadi: FRR (False Rejection Rate) — kirishga noto‘g‘ri rad javobi berish ehtimoli (birinchi turdagi xato) va FAR (False Acceptance Rate) — tizim begona shaxsni o‘z foydalanuvchisi deb xato tanib, unga kirishga ruxsat berish ehtimoli (ikkinchi turdagi xato). Ba’zan tanib olish tizimlari EER (Equal Error Rates) ko‘rsatkichi bilan ham tavsiflanadi. Bu FRR va FAR ehtimollari tenglashadigan nuqtadir. Tizim qanchalik ishonchli bo‘lsa, EER shunchalik past bo‘ladi.
Turli biometrik belgilar bo‘yicha identifikatsiya xatolari qiymatlari
| Biometrik belgi | Sinov | Sinov sharoitlari | FRR % | FAR % |
|---|---|---|---|---|
| Barmoq izlari | FVC 2006 | Turli guruhlardan iborat aholi (jumladan, jismoniy mehnat bilan shug‘ullanuvchilar va keksalar) | 2,2 | 2,2 |
| Yuz | MBE 2010 | Politsiya fotosuratlar bazasi
Hujjatlardagi fotosuratlar bazasi |
4,0
0,3 |
0,1
0,1 |
| Ovoz | NIST 2010 | Matnga bog‘liq bo‘lmagan tanib olish | 3..4 | 1,0 |
| Ko‘zning rangdor pardasi | ICE 2006 | Nazorat qilinadigan yoritish, tasvirlar sifatining keng diapazoni | 1,1…1,4 | 0,1 |
Qo‘llanilishi
Tanib olishni ikkita asosiy yo‘nalishga ajratish mumkin: identifikatsiya va verifikatsiya. Birinchi holda tizim foydalanuvchining shaxsini uning ovozi orqali mustaqil aniqlashi kerak; ikkinchi holda esa foydalanuvchi taqdim etgan identifikatorning to‘g‘riligini tasdiqlashi yoki rad etishi kerak. Tekshirilayotgan so‘zlovchini aniqlash har bir so‘zlovchi nutqining individual xususiyatlarini hisobga oluvchi ovoz modellarini juft-juft taqqoslashdan iborat. Demak, avvalo yetarlicha katta ma’lumotlar bazasini to‘plash zarur. Bu taqqoslash natijalariga ko‘ra, ma’lum bir ehtimol bilan qiziqtirayotgan foydalanuvchining nutqi yozilgan fonogrammalar ro‘yxatini shakllantirish mumkin.
Ovoz orqali shaxsni tanib olish natijalarining yuz foiz to‘g‘riligini kafolatlay olmasa-da, kriminalistika va sud ekspertizasi, razvedka, terrorizmga qarshi monitoring, xavfsizlik, bank ishi va boshqa sohalarda ancha samarali qo‘llanishi mumkin.
Tahlil
Nutq signaliga ishlov berishning butun jarayonini bir nechta asosiy bosqichga ajratish mumkin:
- signalga dastlabki ishlov berish;
- mezonlarni ajratib olish;
- so‘zlovchini tanib olish.
Har bir bosqich bitta algoritm yoki algoritmlar majmuasidan iborat bo‘lib, ular birgalikda kerakli natijani beradi.
Ovozning asosiy xususiyatlari uchta omil ta’sirida shakllanadi: ovoz boylamlari tebranishining mexanikasi, nutq yo‘llarining anatomiyasi va artikulyatsiyani boshqarish tizimi. Bundan tashqari, ba’zan so‘zlovchining lug‘at boyligi va o‘ziga xos nutq iboralaridan foydalanish mumkin. So‘zlovchining shaxsini aniqlashda asos bo‘ladigan belgilar nutq hosil bo‘lishining barcha omillarini hisobga oladi: ovoz manbai, nutq yo‘llarining rezonans chastotalari va ularning so‘nishi, shuningdek, artikulyatsiyani boshqarish dinamikasi. Bu manbalarni batafsil ko‘rib chiqsak, ovoz manbai xususiyatlariga asosiy tonning o‘rtacha chastotasi, asosiy ton chastotasining konturi va tebranishlari, shuningdek, qo‘zg‘atuvchi impuls shakli kiradi. Nutq yo‘llarining spektral xususiyatlari spektrning o‘rovchi egri chizig‘i va uning o‘rtacha qiyaligi, formanta chastotalari, uzoq muddatli spektr yoki kepstr orqali tavsiflanadi. Bundan tashqari, so‘zlarning davomiyligi, ritm (urg‘ularning taqsimlanishi), signal darajasi, pauzalar chastotasi va davomiyligi ham hisobga olinadi. Bu xususiyatlarni aniqlash uchun ancha murakkab algoritmlardan foydalanishga to‘g‘ri keladi. Biroq, masalan, formanta chastotalarini aniqlashdagi xatolik ancha katta bo‘lgani sababli, soddalashtirish maqsadida spektr o‘rovchi egri chizig‘i yoki nutq yo‘llarining uzatish funksiyasi asosida chiziqli bashoratlash usuli bilan hisoblangan kepstr koeffitsiyentlaridan foydalaniladi. Ushbu kepstr koeffitsiyentlaridan tashqari, ularning vaqt bo‘yicha birinchi va ikkinchi ayirmalari ham qo‘llanadi. Bu usul birinchi marta Devis va Mermelshteyn ishlarida taklif etilgan.
Kepstral tahlil
Ovozni tanib olishga oid ishlarda nutq signallari spektrini kepstral o‘zgartirish usuli eng ko‘p qo‘llanadi. Usulning ishlash tartibi quyidagicha: 10 — 20 ms vaqt oralig‘ida joriy quvvat spektri hisoblanadi, so‘ng shu spektr logarifmiga teskari Furye almashtirishi qo‘llanadi (kepstr) va koeffitsiyentlar aniqlanadi: , — nutq signali spektridagi yuqori chastota, — quvvat spektri. Kepstral koeffitsiyentlar soni n spektrni qanchalik tekislash talab etilishiga bog‘liq bo‘lib, 20 dan 40 gacha bo‘ladi. Agar polosali filtrlar to‘plamidan foydalanilsa, diskret kepstral almashtirish koeffitsiyentlari quyidagicha hisoblanadi: , bunda Y(m) — m-filtrning chiqish signali, — kepstrning n-koeffitsiyenti.
Eshitish xususiyatlari chastotalar shkalasini nochiziqli o‘zgartirish orqali, odatda mel shkalasi yordamida hisobga olinadi. Ushbu shkala eshitishda kritik chastota polosalari deb ataluvchi oraliqlar mavjudligiga asoslanadi: bunday polosa chegarasidagi har qanday chastotali signallar bir-biridan farqlanmaydi. Mel shkalasi quyidagicha hisoblanadi: , bunda f — chastota (Hz), M — meldagi chastota. Yoki boshqa shkala — bark shkalasi qo‘llanadi; unda ikkita chastota orasidagi farq bitta kritik chastota polosasiga teng bo‘lsa, u 1 bark hisoblanadi. B chastotasi quyidagicha hisoblanadi: . Topilgan koeffitsiyentlar adabiyotlarda ba’zan MFCC — mel chastotali kepstral koeffitsiyentlar (Mel Frequency Cepstral Coefficients) deb belgilanadi. Ularning soni 10 dan 30 gacha bo‘ladi. Kepstral koeffitsiyentlarning vaqt bo‘yicha birinchi va ikkinchi ayirmalaridan foydalanish qaror qabul qilish fazosining o‘lchamliligini uch baravar oshiradi, biroq so‘zlovchini tanib olish samaradorligini yaxshilaydi.
Kepstr signal spektrining o‘rovchi egri chizig‘i shaklini tavsiflaydi. Bu shaklga qo‘zg‘atish manbai xususiyatlari ham, nutq yo‘llarining o‘ziga xos jihatlari ham ta’sir qiladi. Tajribalar spektrning o‘rovchi egri chizig‘i ovozni tanib olishga kuchli ta’sir qilishini ko‘rsatgan. Shu sababli ovozni tanib olishda bu egri chiziqni tahlil qilishning turli usullaridan foydalanish asosli hisoblanadi.
Usullar
Ko‘plab tizimlarda kepstral koeffitsiyentlar hamda ularning birinchi va ikkinchi ayirmalaridan iborat belgilar fazosi qo‘llangani sababli, qaror qabul qilish qoidalarini yaratishga katta e’tibor beriladi. Eng keng tarqalgan usullar — belgilar fazosida ehtimollik zichligini normal taqsimotlarning vaznli aralashmasi yordamida approksimatsiya qilish (GMM — Gauss aralashma modellari, Gauss Mixture Models), tayanch vektorlar usuli (SVM — Support Vector Machines), yashirin Markov modellari usuli (HMM — Hidden Markov Models), sun’iy neyron tarmoqlar hamda faktorli tahlil.
usulining o‘zgartirilgan ko‘rinishlaridir. GMM usuli har qanday ehtimollik zichligi funksiyasini normal taqsimotlarning vaznli yig‘indisi sifatida ifodalash mumkinligi haqidagi teoremaga asoslanadi:
; — so‘zlovchi modeli; k — model komponentlari soni; — komponentlarning vaznlari, bunda — ko‘p o‘lchamli argumentning taqsimot funksiyasi ., — uning vazni, k — aralashmadagi komponentlar soni. Bu yerda n — belgilar fazosining o‘lchamliligi, — aralashmaning j-komponentiga tegishli matematik kutilma vektori, - kovariatsiya matritsasi.
Bunday modeldan foydalanadigan tizimlarda diagonal kovariatsiya matritsasi juda ko‘p qo‘llanadi. U modelning barcha komponentlariga yoki hatto barcha modellarga umumiy bo‘lishi mumkin. Kovariatsiya matritsasi, vaznlar va o‘rtacha qiymatlar vektorlarini topish uchun ko‘pincha EM-algoritmidan foydalaniladi. Kirishda o‘quv vektorlari ketma-ketligi X = {x1, . . . , xT } . Model parametrlariga boshlang‘ich qiymatlar beriladi, so‘ng algoritmning har bir iteratsiyasida parametrlar qayta baholanadi. Boshlang‘ich parametrlarni aniqlash uchun odatda klasterlash algoritmi, masalan, K-o‘rtachalar usuli qo‘llanadi. O‘quv vektorlari to‘plami M ta klasterga ajratilgach, model parametrlari quyidagicha aniqlanadi: boshlang‘ich qiymatlar klasterlar markazlariga mos keladi, kovariatsiya matritsalari shu klasterga kirgan vektorlar asosida hisoblanadi, komponentlarning vaznlari esa mazkur klasterdagi vektorlar sonining barcha o‘quv vektorlari soniga nisbatidan aniqlanadi.
Parametrlar quyidagi formulalar asosida qayta baholanadi:
- hisoblanishi lozim bo‘lgan aposterior ehtimolliklar (Estimation-step — baholash bosqichi):.
- modelning yangi parametrlarini hisoblash (Maximization-step — maksimallashtirish bosqichi):;;. Bosqichlar parametrlar yaqinlashguniga qadar takrorlanadi.
GMM usulini vektorli kvantlash ( (sentroidlar usuli) yondashuvining davomi deb ham atash mumkin. Unda belgilar fazosining bir-birini kesmaydigan sohalari uchun kodlar kitobi tuziladi (ko‘pincha K-means usuli bilan klasterlash qo‘llanadi). Vektorli kvantlash kontekstga bog‘liq bo‘lmagan tanib olish tizimlaridagi eng sodda modeldir.
Tayanch vektorlar usuli (SVM) ko‘p o‘lchamli fazoda ikki sinfni — tekshirilayotgan so‘zlovchi parametrlarini va taqqoslash bazasidagi boshqa so‘zlovchilar parametrlarini — ajratib turuvchi gipertekislikni quradi. Gipertekislik maxsus tarzda tanlangan tayanch vektorlar yordamida hisoblanadi. Ajratuvchi sirt har doim ham gipertekislikka mos kelavermagani uchun o‘lchangan parametrlar fazosi yuqoriroq o‘lchamli belgilar fazosiga nochiziqli o‘zgartiriladi. Agar yangi belgilar fazosida sinflarni chiziqli ajratish sharti bajarilsa, tayanch vektorlar usuli orqali ajratuvchi sirt hosil qilinadi. Shunday qilib, SMM usulining muvaffaqiyati har bir holatda nochiziqli o‘zgartirishning to‘g‘ri tanlanishiga bog‘liq. Tayanch vektorlar usuli ko‘pincha GMM yoki HMM usullari bilan birga qo‘llanadi. Odatda, bir necha soniya davom etadigan qisqa iboralar uchun kontekstga bog‘liq yondashuvda fonemalarga bog‘liq HMM modellari yaxshiroq natija beradi.
Ommaboplik
Nyu-Yorkdagi International Biometric Group konsalting kompaniyasi ma’lumotlariga ko‘ra, eng keng tarqalgan texnologiya — barmoq izlarini skanerlash. Qayd etilishicha, biometrik qurilmalar savdosidan tushgan 127 mln dollarning 44 % i daktiloskopik skanerlarga to‘g‘ri keladi. Yuz xususiyatlarini tanib olish tizimlari talab bo‘yicha ikkinchi o‘rinni egallaydi (14 %). Keyingi o‘rinlarda kaft shakli (13 %), ovoz (10 %) va ko‘zning rangdor pardasi (8 %) bo‘yicha tanib olish qurilmalari turadi. Ushbu ro‘yxatda imzoni tekshirish qurilmalarining ulushi 2 % ni tashkil etadi. Ovoz biometriyasi bozoridagi eng taniqli ishlab chiqaruvchilar qatoriga Nuance Communications, SpeechWorks va VeriVoice kiradi.
2016-yil fevral oyida The Telegraph nashri Buyuk Britaniyaning HSBC banki mijozlari ovoz orqali identifikatsiyadan foydalanib hisobvaraqlariga kirishi va tranzaksiyalarni amalga oshirishi mumkin bo‘lishi haqida maqola chop etdi. Yangi tizimga o‘tish yoz boshida rejalashtirilgan edi.
Manbalar
- Yu. N. Matveyev Ovoz va boshqa biometrik belgilar orqali shaxsni identifikatsiya qilish texnologiyalari — ISSN 0236-3933. N. E. Bauman nomidagi Moskva davlat texnika universiteti xabarnomasi. «Asbobsozlik» turkumi. 2012
- V. N. Sorokin, V. V. Vyugin, A. A. Tananykin Ovoz orqali shaxsni tanib olish: tahliliy sharh — ISSN 1819-5822. «Axborot jarayonlari», 12-jild, № 1, 1–30-betlar
- K. L. Tassov, R. A. Dyatlov Ovoz orqali insonni identifikatsiya qilish usuli. «Muhandislik jurnali: fan va innovatsiyalar», 2013, 6-son. URL: http://engjournal.ru/catalog/it/biometric/1103.html
- L. F. Lamel, J. L. Goven (2000). Telefon orqali so‘zlovchini verifikatsiya qilish. «Nutq kommunikatsiyasi» jurnali — So‘zlovchini tanib olish va uning tijoriy hamda kriminalistik qo‘llanilishi
- H. Kuvabara, Y. Sagisaka (1995). So‘zlovchining individualligiga xos akustik belgilar: boshqarish va o‘zgartirish. «Nutq kommunikatsiyasi»
- S. Devis, P. Mermelshteyn (1980). Uzluksiz aytilgan gaplardagi bir bo‘g‘inli so‘zlarni tanib olish uchun parametrik ifodalarni taqqoslash. IEEE: Akustika, nutq va signallarga ishlov berish bo‘yicha ilmiy nashr.
Havolalar
- Computerworld Rossiya (2014), № 25. Ovoz va tashqi ko‘rinish orqali autentifikatsiya (13-oktabr, 2014-yil). Murojaat sanasi: 6-avgust, 2021-yil.
- Biometriya nima? FindBiometrics. Murojaat sanasi: 6-avgust, 2021-yil. Arxivlangan 11-avgust, 2021-yilda.