基于短時自相關的語音感知哈希認證算法

張永兵，米保全，周 亮，張 濤

(1.甘肅機電職業技術學院，甘肅 天水 741001； 2.蘭州理工大學 計算機與通信學院，甘肅 蘭州 730050)

0 引言

多媒體語音作為傳遞信息最為直接和方便的多媒體應用之一，在一些特定的環境下包含有重要和敏感的機密內容，如金融會議、法庭證據、軍事指令和通信錄音等。與此同時，現代音頻處理工具的多樣化以及無線和網絡等通信信道的開放性，使得對于語音的改動變得非常容易。在即時通信領域內，如何在確保語音通信的安全性、真實性以及完整性的前提下，進行安全通信的傳輸認證操作，具有十分重要的研究意義[1-2]。

語音的感知特征作為語音信號的重要參數，感知哈希技術是通過提取語音信號中的感知特征并映射成一段唯一的摘要，通過數學距離進行度量，可以建立一種有效機制來比較2個語音片段的聽覺質量，并為語音內容的認證、檢索以及拷貝威懾等信息服務方式提供安全可靠的途徑[3-5]。通常，在錄制語音時，會對語音進行壓縮、采樣和剪切等操作，并且難以避免地會引入一定的環境噪聲，這些操作對感知哈希系統的性能會產生很大影響[6-7]，如何降低這些操作對認證性能的影響是研究中首要關注的問題。

目前，在文獻[8]中由Kalker T等提出的語音感知哈希算法得到了廣泛應用。通過利用感知哈希技術來進行驗證多媒體音頻信息的內容完整性和真實性，以此來達到保護多媒體信息的目的。針對語音信息的獨特特性，選取感知哈希技術作為支持，生成由語音內容感知特性映射得到的感知哈希特征值，可以對語音、音頻以及寬帶音頻信號進行認證。近年來，國內外研究學者對語音感知哈希認證算法做了大量研究，對特征的提取和處理方法眾多，其基本思路是研究如何利用語音信息的時頻特性[9-11]、梅爾頻率倒譜系數[12]、多重分形特征[13]等，或幾種特征相結合的特征構造感知哈希值。Huang等人[14]在文獻中提出了一種語音自適應梅爾頻率倒譜系數和線性預測倒譜系數融合的語音感知哈希算法，該算法通過由語音生成的感知哈希串來進行哈希匹配，以此來實現語音信號的認證。此算法有效提高了哈希認證的魯棒性，并且可以實現語音內容小范圍篡改的檢測，但是此算法的區分性和魯棒性表現一般。Chen等[15]提出一種線性預測結合非負矩陣語音感知哈希算法，該算法在認證效率上有較好的表現，但是算法的區分性和魯棒性效果不佳。

針對上述文獻中遇到的問題，為了進一步權衡語音感知哈希算法在語音內容保持操作魯棒性和區分性折中的平衡性，獲得較好的魯棒性和區分性，以及可以滿足現有環境下語音通信的語音內容認證算法復雜度低和認證精度高的要求，提出了一種基于自相關的語音感知哈希認證算法。設計了一種基于短時互相關系數的語音感知哈希算法，并通過得到的感知哈希序列對語音數據進行內容認證。通過利用語音數據的短時互相關特征，并結合非負矩陣分解得到的特征參數矩陣所構造的感知哈希序列具有較好的魯棒性和區分性，能夠滿足對語音內容完整性認證的需求。

1 相關理論

1.1 短時自相關

語音信號在短時范圍內可以認為是穩態、時不變的，故在語音信號相關性分析時采用短時分析技術。在短時分析中，通過對語音分幀來分析每幀語音的特征參數，對整體的語音信號來講，每一幀特征參數構成了其特征參數序列。設語音信號為s(n)，通過加窗函數分幀處理后得到第i幀的語音信號為si(m)，可定義為：

si(m)=ω(m)×s((i-1)×inc+m)，

1≤m≤L，1≤i≤fm，

(1)

式中，ω(m)為窗函數；si(m)為第i幀的數值，m=1，2，…，L，i=1，2，…，fm，L為幀長；inc為幀移長度；fm為分幀后的總幀數。

自相關函數用于衡量信號自身時間波形的相似性。語音信號s(n)按式(1)分幀后為si(m)，i表示第i幀(i=1，2，…，fm)。每幀數據的短時自相關函數定義為：

(2)

式中，L為語音分幀后每幀的長度；k為延遲量；m為幀內樣點，m=1，2，…，L。

在信號分析理論中，自相關函數能夠用來確定輸出信號有多大程度來自輸入信號，是在噪聲背景下提取有用信息的重要方法，廣泛應用于語音、圖像處理等信號分析中。對于語音信號來說，短時自相關分析是一個重要的方法，能夠用來求解濁音的基音周期，以及語音識別中的特征參數等[16]。本文將提取語音信號的短時自相關系數來構造用于認證的語音感知哈希序列。

2 基于短時自相關的語音感知哈希認證算法

基于短時自相關的語音感知哈希認證算法流程如圖1所示。

圖1 語音感知哈希認證算法流程

語音信號經過預處理和分幀與加窗后，采用短時自相關分析求得自相關系數矩陣，并將其構造為用于認證的感知哈希序列。對語音信號進行感知哈希構造和匹配的詳細處理步驟如下：

步驟1：預處理。

設輸入的語音信號為s(n)，通過數字濾波器預加重處理后的語音為s′(n)，其目的是對語音的高頻部分進行預加重處理，去除雜音的影響，并增加語音的高頻分辨率，以便于更好地提取語音的感知特征。

步驟2：分幀與加窗。

語音信號在短時范圍內可以認為是穩態、時不變的，故通常對語音進行分幀處理來分析每幀的特征參數，對s′(n)利用式(1)可得到通過加窗函數w(m)分幀處理后的第i幀語音信號si(m)。

步驟3：特征提取。

根據式(2)首先計算每幀語音信號si(m)的自相關系數，得到自相關系數矩陣X(fm，B)，其中B為計算每個語音幀所得到的自相關系數的長度，為2L-1；然后對互相關系數矩陣X(fm，B)的每一條行向量[g(1，Bj)，g(2，Bj)， …，g(fm，Bj)]′中的數值進行降序排列，其中j=1，2，…，2L-1，并由每一行中數值較大的值構成最終的自相關系數矩陣G(fm，，D)，其中D為每一行中數值較大的系數個數，即相關性較大的數值個數，綜合考慮算法的效率和感知哈希的性質，本文方法中D的取值為24；最后，對矩陣G(fm，，D)利用非負矩陣分解進行降維處理，生成最終的特征參數矩陣H1(fm，1)。

步驟4：感知哈希構造。

對特征參數矩陣H1(fm，1)進行二進制哈希構造，則語音信號s(n)的感知哈希序列為H。計算H1(fm，1)矩陣的中值hm，并把其放到該矩陣最后新增一列，則H1(fm，1)矩陣變為H1(fm，hm)。二進制哈希構造方法為：用參數矩陣中的上一行數據減下一行數據，若大于0，則該行數據變為1，否則為0。即

(3)

步驟5：哈希匹配。

對于2個語音片段s1，s2，H1記為語音信號x1的感知哈希值，H2記為語音信號x2的感知哈希值，研究采用歸一化漢明距離來度量2段語音信號的相似性。D記為H1，H2的歸一化漢明距離D(：，：)，即比特誤碼率(Bit Error Rate，BER)，表示感知哈希序列錯誤比特數與總比特數的比值，計算公式為：

(4)

式中，N為感知哈希序列的總長度；i=1，2，…，fm。對語音感知哈希系統的性能進行評價，可以用以下的假設性檢驗來描述：

P0：若s1，s2感知相同，則D(H1，H2)≤τ；
P1：若s1，s2感知不同，則D(H1，H2)>τ，

τ為感知認證閾值，通過設置匹配閾值τ的大小，比較語音段s1，s2的感知哈希序列的數學距離。若2條語音段的數學距離D(H1，H2)≤τ，則認為2個語音段s1，s2的感知內容相同，認證通過；否則，認證不通過。

3 實驗結果及分析

實驗中所用的語音數據庫是TTS(Text to Speech)和TIMIT(Texas Instruments and Massachusetts Institute of Technology)中的語音，由英文男女、中文男女錄制的不同內容語音所組成，采樣精度為16 bit、采樣頻率為16 kHz，長度為4 s的wav格式語音段，共1 280段，單聲道。其中英文600段，中文680段。實驗硬件平臺為：Intel(R) Core(TM) i5-3337U CPU，1.80 GHz，內存4 G。軟件環境是Win7下的Matlab R2014a。

3.1 區分性分析

通過對1 280條語音段進行感知哈希值的兩兩匹配，得到818 560個BER數據。這些BER數據之間的分布規律如圖2所示。可以看出，不同語音的BER值的概率分布與標準正態分布的概率曲線幾乎在同一條直線上，所以本文提出的算法所計算得到的感知哈希的數學距離值近似服從正態分布。

圖2 BER分布規律

為了進一步驗證實驗的正確性，計算了算法的誤識率(False Accept Rate，FAR)：

(5)

式中，τ為感知認證閾值；μ為BER均值；δ為BER方差；x為誤識率。不同算法在不同閾值下的FAR值如表1所示。

表1 不同閾值下的FAR值

τ文獻[17]文獻[18]本文算法0.102.94×10-211.48×10-223.19×10-300.151.14×10-161.05×10-171.67×10-230.201.11×10-121.73×10-131.11×10-170.252.75×10-096.75×10-109.56×10-130.301.68×10-066.25×10-071.08×10-8

感知哈希算法的FAR值越低，說明感知哈希算法的區分性越好。從表1可以看出，本文提出的語音感知哈希認證算法FAR好于文獻[17-18]，主要是因為所提取的語音短時自相關感知特征更能表征語音信號。當設置匹配閾值τ=0.3時，每108個語音片段大約有1個被誤識，表明本文算法具有較強的抗碰撞能力，即具有良好的區分性，能夠滿足語音內容的認證要求。

3.2 魯棒性分析

通常，音頻信號經過一些增加減小音量、濾波、壓縮和重采樣等操作處理后，其在音頻信號中的數字表示所產生的特定改變不影響內容表達。感知哈希的魯棒性是指原始語音數據與其通過內容保持操作處理后的語音之間的BER小于預設閾值，魯棒性實驗需要對原始語音段和其內容保持操作之間的BER進行分析，所用的內容保持操作類型共有9種，具體如表2示。

表2 內容保持操作種類

操作手段操作方式簡稱音量調節1音量降低50%V.↓音量調節2音量增大50%V.↑巴特沃斯濾波12階低通濾波,截止頻率3.4 kHzB.WFIR濾波12階低通濾波,截止頻率3.4 kHzF.I.R重采樣1采樣頻率下降至8 kHz,再上升至16 kHzR.8→16重采樣2采樣頻率上升至32 kHz,再下降至16 kHzR.32→16窄帶噪聲30 dB窄帶高斯噪聲,中心頻率分布在0～4 kHzW.NMP3_32kMP3編碼后恢復,碼率為32 kHzM.32MP3_192kMP3編碼后恢復,碼率為192 kHzM.192

本文提出的基于短時自相關的語音感知哈希認證算法與文獻[17-18]中提出的方法，經過表2所列出的內容保持操作后的1 280條語音片段的感知哈希值與原始數據的感知哈希值進行數學距離計算，在執行每個內容保持操作實驗時計算平均BER，對比結果如表3所示。

表3 平均比特誤碼率比較

操作類型文獻[17]文獻[18]本文算法均值最大值均值最大值均值最大值V.↓0.038 50.109 00.004 00.072 20.000 40.016 1V.↑0.060 40.146 60.025 60.105 60.011 60.072 3B.W0.078 00.191 70.142 20.250 00.105 70.212 9F.I.R0.085 40.184 20.161 50.258 30.121 40.249 0R.8→160.003 20.030 10.001 20.019 40.000 20.008 0R.32→160.042 30.161 70.009 80.075 00.000 80.016 1G.N0.433 90.569 40.260 60.519 50.058 10.257 0M.320.276 10.361 90.021 80.072 20.030 20.075 7M.1920.260 00.302 50.003 50.038 90.001 10.015 9

從表3可以看出，本文提出的語音感知哈希認證算法對9種內容操作手段的魯棒性整體好于文獻[17-18]，并且本文算法的BER均值都較小，魯棒性很強，能夠較好地滿足認證需求。

和區分性分析類似，語音認證系統常用誤拒率(False Reject Rate，FRR)用來評價感知哈希算法的魯棒性，它表示感知相同的語音內容被系統判定為感知不同的概率，計算公式如式(6)所示，其中μ表示BER的均值，δ表示BER的標準差，τ表示BER閾值：

(6)

為了對算法整體的魯棒性和區分性進行說明，繪制了FAR-FRR曲線進行進一步說明，對1 280個語音段進行感知哈希值的兩兩對比，得到了818 560個BER數據，再根據表2所述內容保持操作得到BER，獲得FAR和誤拒率(False Reject Rate，FRR)，繪制出FAR-FRR曲線，對比文獻[18]FAR-FRR曲線的結果如圖3所示。

圖3 本文算法與文獻[11]的FAR-FRR曲線比較

從圖3(a)可以看出，影響區分性的FAR和魯棒性的FRR的值有明顯的判決空間，說明本文算法同時具有良好的區分性和魯棒性，能夠準確地識別經過內容保持操作的語音和不同內容的語音，很好地平衡了算法的區分性和魯棒性。對比圖3(b)，文獻[18]在圖中發生了交叉，表明文獻[18]算法不能很好地解決區分性和魯棒性之間的平衡，這是由于文獻[18]所提算法對添加窄帶高斯白噪聲操作的魯棒性較差，并且由于本文FAR-FRR曲線沒有明顯的判決空間，設置一定的閾值就能很好地將這2種操作區分開。

4 結束語

本文提出了一種基于短時自相關的語音感知哈希認證算法，該算法提取了語音信號的短時自相關特征作為感知特征來構造哈希值，通過計算哈希值之間的數學距離，對語音內容進行認證，并著重分析了算法的魯棒性和區分性，通過實驗分析可知，本文算法具有較強的區分性，能夠較好地對不同內容語音進行認證，同時本文算法的魯棒性表現也非常突出，并且本文算法的FAR-FRR曲線之間有明顯的判決區間，很好地平衡了算法的區分性和魯棒性，可以滿足語音在實時通信環境下語音認證要求。但缺點是認證效率一般，接下來需要進一步提升認證效率。