-
Technisches
Gebiet
-
Die
vorliegende Erfindung bezieht sich auf eine Sprachvergleichsvorrichtung
und ein Sprachvergleichsverfahren für das Identifizieren einer
Person mit Sprachdaten.
-
Stand der
Technik
-
Im
Allgemeinen wird für
das Identifizieren eines Sprechers mit einer Sprache ein zu vergleichendes Sprachsignal
vor einem Vergleich in einen akustischen Parameter wie das Frequenzspektrum
oder Ähnliches umgewandelt,
da es nicht effizient ist, das Sprachsignal direkt mit registrierten
Sprachsignalen zu vergleichen. Andere für den Zweck verfügbare Parameter
können
die Grundfrequenz ("Principle"-Frequenz, "Pitch"-Frequenz), Sprachenergie,
Formantenfrequenz, Nullstellenzahl und Ähnliches sein.
-
Da
diese akustischen Parameter in erster Linie phonetische Information
und personengebundene Information in zweiter Linie beinhalten, muss
hier für
einen Vergleich aus den akustischen Parametern eine neue charakteristische
sprechereindeutige Größe ("amount") erzeugt werden,
um die Trefferquote zu verbessern, wenn ein Sprecher identifiziert
wird.
-
Eine
konventionelle Sprecheridentifikation wird auf die folgende Art
und Weise durchgeführt.
-
14 ist ein Flussdiagramm,
das einen Ablauf einer Sprecheridentifikation mittels einer konventionellen
Sprachvergleichsvorrichtung illustriert.
-
- (1) Ein für
ein Wort geäußertes Eingabesprachsignal
wird in Rahmen von vorgegebener Zeiteinheit unterteilt, und für jeden
der Rahmen wird das Frequenzspektrum berechnet, um eine Zeitreihenverteilung
der Frequenzspektren (im Folgenden bezeichnet als "Soundspektrogramm") abzuleiten (Schritt
C1).
- (2) Ein Sprachabschnitt wird aus dem Soundspektrogramm ermittelt
(Schritt C2).
- (3) Es wird bestimmt, ob der Sprachabschnitt ein gesprochener,
ein nicht gesprochener oder ein stiller Abschnitt ist, um die gesprochenen
Abschnitte aus dem Sprachabschnitt zu extrahieren. Dann wird der Sprachabschnitt
in Blöcke
unterteilt, von denen jeder jedem der gesprochenen Abschnitte entspricht (Schritt
C3).
- (4) Als charakteristische sprechereindeutige Größe wird
für die
Blöcke
ein additiver Mittelwert des Soundspektrogramms in der Zeitrichtung
(im Folgenden bezeichnet als "Durchschnittsspektrum") berechnet (Schritt
C4).
- (5) Es wird bestimmt, ob die Verarbeitung der Registrierung
oder dem Vergleich dient, und das Durchschnittsspektrum für die Blöcke wird
als charakteristische Größe eines
registrierten Sprechers registriert, wenn die Registrierung vorgesehen
ist (Schritte C5 → C6).
- (6) Es wird bestimmt, ob die Verarbeitung der Registrierung
oder dem Vergleich dient, und die Ähnlichkeit bezüglich der
charakteristischen Größe des registrierten
Sprechers wird mit dem Durchschnittsspektrum der Blöcke, welches
als charakteristische Größe eines
unbekannten Sprechers verwendet wird, berechnet (Schritt C5 → C7).
- (7) Die Ähnlichkeit
des unbekannten Sprechers mit dem registrierten Sprecher wird mit
einem vorher gesetzten Schwellwert verglichen, um die Identität des registrierten
Sprechers mit dem unbekannten Sprecher zu bestimmen (Schritt C8).
-
Wie
oben beschrieben, vergleicht der durch die konventionelle Sprachvergleichsvorrichtung
durchgeführte
Sprecheridentifikationsablauf ein von einem registrierten Sprecher
eingegebenes Sprachsignal (im Folgenden bezeichnet als das "registrierte Sprachsignal") mit einem von einem
unbekannten Sprecher für
den Vergleich eingegebenen Sprachsignal (im Folgenden bezeichnet
als das "unbekannte
Sprachsignal"),
indem er (1) das Sprachsignal in das Soundspektrogramm konvertiert;
(2) einen Sprachabschnitt aus dem Soundspektrogramm ermittelt; (3)
einen gesprochenen Abschnitt aus dem ermittelten Sprachabschnitt
extrahiert auf Basis einer Bestimmung, ob der Sprachab schnitt ein
gesprochener, nicht gesprochener oder stiller Abschnitt ist; und
(4) eine charakteristische Größe für jeden
von aus dem extrahierten gesprochenen Abschnitt unterteilten Blöcken ableitet.
Auf diese Weise bringt die Berechnung der charakteristischen Größe, die
auf die Vergleichsbearbeitung angewandt wird, um tatsächlich ("actually") die Identität des registrierten
Sprachsignals mit dem unbekannten Sprachsignal zu bestimmen, mindestens
vier Vorverarbeitungsstufen mit sich, so dass eine große Zahl
von Verarbeitungsschritten für
die gesamte Sprecheridentifikationsverarbeitung benötigt wird.
-
Ferner
benötigt,
obwohl der konventionelle Sprecheridentifikationsablauf, der das
additive Mittel des Soundspektrogramms in einem Block in der Zeitrichtung
als eine charakteristische sprechereindeutige Größe verwendet, in seiner relativ
einfachen Verarbeitung vorteilhaft ist, die Erzeugung einer stabilen
charakteristischen Größe Sprachsignaldaten
für eine
relativ lange Zeitspanne. Zusätzlich
ist dieser Ablauf nicht für
textabhängige
Sprecheridentifikation geeignet, da Information in der Zeitachsenrichtung
komprimiert wird. Weiterhin wird keine hinreichende charakteristische
Größe bereitgestellt,
da der konventionelle Sprecheridentifikationsablauf als Begleiterscheinung
der Mittelung der phonetischen Information personengebundene Information mittelt,
die der phonetischen Information überlagert ist. Daher muss,
um die Trefferquote zu verbessern, eine zusätzliche charakteristische Größe hinzugefügt werden,
was zur Folge hat, dass eine extrem große Anzahl von Vorverarbeitungsschritten
benötigt
wird.
-
Daher
impliziert die Verbesserung der Trefferquote das Problem einer damit
einhergehenden extrem großen
Anzahl von Vorverarbeitungsschritten.
-
Offenbarung
der Erfindung
-
Entsprechend
ist es die Aufgabe der vorliegenden Erfindung, eine Sprachvergleichsvorrichtung
und ein Sprachvergleichsverfahren bereitzustellen, welche fähig sind,
einen Sprecher mit einer hohen Trefferquote ohne das Erfordernis
einer großen
Anzahl von Vorverarbeitungsschritten zu identifizieren.
-
Die
vorliegende Erfindung wird durch die unabhängigen Ansprüche definiert.
Ausgestaltungen der Erfindung werden durch die abhängigen Ansprüche definiert.
-
Entsprechend
der vorliegenden Erfindung wird eine Sprachvergleichsvorrichtung
bereitgestellt, welche Datenkonvertierungsmittel für die Konvertierung
von zwei einem Vergleich unterzogenen Sprachsignalen in zwei zweidimensionale
Daten, die kennzeichnend für
Sprachcharakteristika der zwei Sprachsignale sind; Schablonen ("templates")-Platzierungsmittel für das Platzieren einer Vielzahl
von Schablonen für
das Definieren einer Vielzahl von Teilflächen ("areas") auf einen der zweidimensionalen Daten;
Korrelierte-Teilflächen-Ermittlungsmittel
für das
Ermitteln von Teilflächen
auf den anderen der zweidimensionalen Daten, die eine maximale Korrelation
bezüglich
einer Vielzahl von Teilflächen
auf den anderen der zweidimensionalen Daten haben und der Vielzahl
von Schablonen entsprechen; und Vergleichsbestimmungsmittel für das Vergleichen
eines gegenseitigen Lageverhältnisses
der Vielzahl von Schablonen auf den einen der zweidimensionalen
Daten mit einem gegenseitigen Lageverhältnis der Vielzahl von Teilflächen auf
den anderen der zweidimensionalen Daten, die durch das Korrelierte-Teilflächen-Ermittlungsmittel
ermittelt wurden, um Identität
zwischen den beiden Sprachsignalen zu bestimmen, umfasst.
-
Zusätzliche
Vorteile der vorliegenden Erfindung werden in der folgenden Beschreibung
dargelegt werden und werden teilweise aus der Beschreibung naheliegend
sein oder können
aus der Praxis der vorliegenden Erfindung erfahren werden.
-
Die
Aufgabe und Vorteile der vorliegenden Erfindung können mittels
der im Folgenden genau aufgezeigten Vermittlungen und Kombinationen
realisiert und erhalten werden.
-
Kurze Beschreibung
der Zeichnungen
-
Die
beigefügten
Zeichnungen, welche in die Beschreibung eingefügt sind und einen Teil derselben
bilden, illustrieren gegenwärtig
bevorzugte Ausgestaltungen der vorliegenden Erfindung und dienen
zusammen mit der obigen allgemeinen Beschreibung und der nachstehend
angeführten
genauen Beschreibung der bevorzugten Ausgestaltungen dazu, die Prinzipien
der vorliegenden Erfindung zu erklären, in denen:
-
1 ein Blockdiagramm ist,
das die Konfiguration eines elektrischen Schaltkreises in einer
Sprachvergleichsvorrichtung entsprechend einer ersten Ausgestaltung
der vorliegenden Erfindung illustriert;
-
2 ein Blockdiagramm ist,
das die Konfiguration von operationellen Funktionen in der Ausführung eines
Sprechregistrierungs-/-vergleichsverarbeitungsprogramms in der ersten
Ausgestaltung der Sprachvergleichsvorrichtung illustriert;
-
3 ein Flussdiagramm ist,
das die Sprachregistrierungs-/-vergleichsverarbeitung in der ersten
Ausgestaltung der Sprachvergleichsvorrichtung illustriert;
-
4A und 4B zeigen, wie Sprachsignaldaten in Soundspektrogrammdaten
in einer Soundspektrogramm-Konvertierungseinheit in der Sprachvergleichsvorrichtung
konvertiert werden;
-
5A und 5B einen Vergleich eines registrierten
Sprachspektrogramms mit einem unbekannten Sprachspektrogramm und
eine Platzierung einer Schablone auf dem registrierten Sprachspektrogramm
entsprechend der Sprachregistrierungs-/-vergleichsverarbeitung in der Sprachvergleichsvorrichtung
zeigen;
-
6A und 6B einen Vergleich einer Verteilung von
Positionen, an denen Schablonenteilflächen auf einem registrierten
Sprachspektrogramm platziert sind, mit einer Verteilung von Positionen,
an denen maximal korrelierte Teilflächen auf einem unbekannten
Sprachspektrogramm ermittelt wurden, entsprechend der Sprachregistrierungs-/-vergleichsverarbeitung
in der Sprachvergleichsvorrichtung zeigt;
-
7 ein Blockdiagramm ist,
das die Konfiguration von operationellen Funktionen in der Ausführung eines
Sprachregistrierungs-/-vergleichsverarbeitungsprogramms entsprechend
einer zweiten Ausgestaltung der Sprachvergleichsvorrichtung der
vorliegenden Erfindung illustriert;
-
8 ein Flussdiagramm ist,
das die Sprachregistrierungs-/-vergleichsverarbeitung in der zweiten Ausgestaltung
der Sprachvergleichsvorrichtung illustriert;
-
9 ein Blockdiagramm ist,
das die Konfiguration von operationellen Funktionen in der Ausführung eines
Sprachregistrierungs-/-vergleichsverarbeitungsprogramms entsprechend
einer dritten Ausgestaltung der Sprachvergleichsvorrichtung der
vorliegenden Erfindung illustriert;
-
10 ein Flussdiagramm ist,
das die Sprachregistrierungs-/-vergleichsverarbeitung in der dritten Ausgestaltung
der Sprachvergleichsvorrichtung illustriert;
-
11 zeigt, wie ein Sprachabschnitt
aus einem Soundspektrogramm "A" einer registrierten
Sprache in einer Sprachabschnittsermittlungseinheit in der Sprachvergleichsvorrichtung
der dritten Ausgestaltung ermittelt wird;
-
12A und 12B einen Vergleich eines registrierten
Sprachspektrogramms mit einem unbekannten Sprachspektrogramm und
eine Platzierung einer Schablone auf dem registrierten Sprachspektrogramm
in der Sprachregistrierungs-/-vergleichsverarbeitung in der Sprachvergleichsvorrichtung
der dritten Ausgestaltung zeigen;
-
13A und 13B einen Vergleich einer Verteilung
von Positionen, an denen Schablonenteilflächen auf einem registrierten
Sprachspektrogramm platziert sind, mit einer Verteilung von Positionen,
an denen maximal korrelierte Teilflächen auf einem unbekannten
Sprachspektrum ermittelt wurden, entsprechend der Sprachregistrierungs-/-vergleichsverarbeitung
in der Sprachvergleichsvorrichtung der dritten Ausgestaltung zeigen;
und
-
14 ein Flussdiagramm ist,
das einen Sprecheridentifikationsablauf illustriert, der durch eine
konventionelle Sprachvergleichsvorrichtung durchgeführt wird.
-
Beste Art und Weise für die Ausführung der
Erfindung
-
Eine
bevorzugte Ausgestaltung einer Sprachvergleichsvorrichtung und eines
Sprachvergleichsverfahrens entsprechend der vorliegenden Erfindung
wird nun bezugnehmend auf die beigefügten Zeichnungen beschrieben
werden.
-
Erste Ausgestaltung
-
1 ist ein Blockdiagramm,
das die Konfiguration eines elektrischen Schaltkreises in einer
Sprachvergleichsvorrichtung entsprechend der ersten Ausgestaltung
der vorliegenden Erfindung illustriert.
-
Die
illustrierte Sprachvergleichsvorrichtung umfasst einen Computer-basierten
Controller (CPU) 11. Die CPU 11 reagiert auf ein
Eingabesignal von einer Eingabeeinheit 12, um ein zuvor
in einem Speicherelement 13 gespeichertes Systemprogramm;
ein von einem externen Aufzeichnungsmedium 14 wie einer
Diskette oder Ähnlichem über ein
Diskettenlaufwerk in das Speicherelement 13 gelesenes Sprachregistrierungs-/-vergleichsverarbeitungsprogramm;
oder ein von einem externen Computer über ein Kommunikationsnetzwerk
wie das Internet und einen Übertragungscontroller 15 in
das Speicherelement 13 heruntergeladenes Sprachregistrierungs-/-vergleichsverarbeitungsprogramm
zu initiieren, und kontrolliert den Betrieb von Komponenten der
Vorrichtung mit einer RAM 16, die als Arbeitsspeicher benutzt
wird.
-
Die
CPU 11 ist zusätzlich
zur Eingabeeinheit 12, dem Speicherelement 13,
dem Übertragungscontroller 15 und
der RAM 16 mit einer Ausgabeeinheit 17 und einem
Drucker 18 verbunden.
-
Die
Eingabeeinheit 12 umfasst eine Tastatur, eine Maus und
ein Mikrofon für
das Eingeben einer Sprache.
-
Das
Speicherelement 13 speichert das Sprachregistrierungs-/-vergleichsverarbeitungsprogramm, welches
Sprachdaten registriert, die für
eine Sprache kennzeichnend sind, die von einem Nutzer für einen
Satz oder ein Wort geäußert und
in die Sprachvergleichsvorrichtung eingegeben wurde, und die registrierten Sprachdaten
mit neu eingegebenen Sprachdaten vergleicht, die für denselben
Satz oder dasselbe Wort kennzeichnend sind, um die Identität dazwischen
zu bestimmen, und speichert ferner für die Re gistrierung zweidimensionale
Daten, die aus zu registrierenden Sprachdaten konvertiert wurden,
welche entsprechend der Sprachregistrierungs-/-vergleichsverarbeitung
eingegeben werden.
-
Die
RAM 16 speichert temporär
zweidimensionale Daten, die für
ein Soundspektrogramm kennzeichnend sind, das aus Sprachdaten konvertiert
wurde, welche entsprechend der Sprachregistrierungs-/-vergleichsverarbeitung
mit registrierten Sprachdaten verglichen werden sollten. Das Soundspektrogramm
der in dem Speicherelement 13 gespeicherten registrierten
Sprachdaten wird dem Soundspektrogramm der in der RAM 16 gespeicherten
unbekannten Sprachdaten zugeordnet, um die Identität dazwischen
zu bestimmen.
-
In
diesem Fall wird der Vergleich des Soundspektrogramms der registrierten
Sprache mit dem Soundspektrogramm der unbekannten Sprache durchgeführt, indem
z. B. rechteckige Schablonen an einer Vielzahl von Positionen auf
den zweidimensionalen Daten platziert werden, die die registrierte
Sprache repräsentieren, eine
Teilfläche
ermittelt wird, an welcher auf den unbekannten zweidimensionalen
Sprachdaten ein maximaler Korrelationskoeffizient für alle registrierten
zweidimensionalen Sprachdaten innerhalb der Vielzahl von Schablonen
erhalten wird, und eine Verteilung der Positionen, an denen die
Schablonen auf den registrierten zweidimensionalen Sprachdaten platziert
sind (gegenseitiges Lageverhältnis)
mit einer Verteilung der Positionen, an denen der maximale Korrelationskoeffizient
auf den unbekannten zweidimensionalen Sprachdaten ermittelt wird
(gegenseitiges Lageverhältnis)
verglichen wird.
-
Dann
kann das Ergebnis der Bestimmung der Identität zwischen der registrierten
Sprache und der unbekannten Sprache an der Ausgabeeinheit 17 ausgegeben
werden oder durch den Drucker 18 gedruckt werden.
-
2 ist ein Blockdiagramm,
das die Konfiguration von operationellen Funktionen entsprechend
der Ausführung
des Sprachregistrierungs-/-vergleichsverarbeitungsprogramms in der
ersten Ausgestaltung der Sprachvergleichsvorrichtung illustriert.
-
In
den funktionellen Blöcken,
die kennzeichnend für
die operationellen Funktionen in der Sprachvergleichsvorrichtung
sind, sind entsprechende Komponenten in dem elektronischen Schaltkreis
in 1 zusätzlich durch
Bezugszeichen in Klammem bezeichnet.
-
Eine
Sprachsignaldaten-Eingabeeinheit 21 verwendet ein Mikrofon
oder Ähnliches,
um zu registrierende Sprache oder zu vergleichende Sprache in ein
elektrisches Signal zu konvertieren, und gibt das resultierende
elektrische Signal in eine nachfolgende Einheit ein. Sprachsignaldaten,
die kennzeichnend für
eine registrierte Sprache oder eine unbekannte Sprache sind, die über die
Sprachsignaldaten-Eingabeeinheit 21 eingegeben wurde, werden
einer Sprachspektrogramm-Konvertierungseinheit 22 zugeführt.
-
Die
Soundspektrogramm-Konvertierungseinheit 22 konvertiert
Sprachsignaldaten, die für
eine registrierte Sprache oder eine unbekannte Sprache kennzeichnend
sind, die von der Sprachsignaldaten-Eingabeeinheit 21 eingegeben
wurden in zweidimensionale Daten (Soundspektrogramm), welche eine
Zeitserienverteilung des Frequenzspektrums in Form einer Dichte
repräsentieren,
so dass eine stärkere
("more") Frequenzkomponente
heller erscheint und eine schwächere
("less") Frequenzkomponente
dunkler erscheint auf einem Koordinatensystem, welches die Frequenz
auf der vertikalen Achse und die Zeit auf der horizontalen Achse angibt
(vgl. 4A und 4B). Das Soundspektrogramm
der registrierten Sprache oder der unbekannten Sprache, das durch
die Soundspektrogramm-Konvertierungseinheit 22 konvertiert
wurde, wird für
die registrierte Sprache einer Registrierter-Sprecher-Informationseinheit 23 und
für die
unbekannte Sprache einer Maximal-Korrelierte-Teilflächen-Ermittlungseinheit 26 einer
Vergleichseinheit 24 zugeführt.
-
Die
Registrierter-Sprecher-Informationsspeichereinheit 23 registriert
Daten, die kennzeichnend für
registrierte Sprachen in Form von Soundspektren sind, die durch
die Soundspektrogramm-Konvertierungseinheit 22 konvertiert
wurden.
-
Eine
Schablonenplatzierungseinheit 25 der Vergleichseinheit 24 definiert
eine Vielzahl rechteckiger Teilflächen (Schablonen) von beliebiger
Größe und platziert
die Schablonen an beliebigen Positionen auf einem Soundspektrogramm
einer registrierten Sprache, das in der Registrierter-Sprecher-Informationsspeichereinheit 23 gespeichert
ist (vgl. 5). Zweidimensionale
Daten innerhalb der Teilflächen,
die jeweils der Vielzahl von Schablonen entsprechen, die durch die
Schablonenplatzierungseinheit 25 platziert wurden, werden der
Maximal-Korrelierte-Teilflächen-Ermittlungseinheit 26 zugeführt.
-
Die
Maximal-Korrelierte-Teilflächen-Ermittlungseinheit 26 ermittelt
eine Vielzahl von Teilflächen
(maximal korrelierten Teilflächen),
die für
die zweidimensionalen Daten innerhalb der Teilflächen, die jeweils der Vielzahl
von Schablonen auf dem registrierten Soundspektrogramm entsprechend,
das von der Schablonenplatzierungseinheit 25 zugeführt wurde,
maximale Korrelationen auf einem unbekannten Sprachsoundspektrogramm
haben (vgl. 6). Koordinatendaten,
die kennzeichnend sind für
die jeweiligen Positionen der Vielzahl von Schablonen, die durch
die Schablonenplatzierungseinheit auf dem registrierten Sprachsoundspektrogramm
platziert wurden, und Koordinatendaten, die kennzeichnend sind für die jeweiligen
Positionen einer Vielzahl von maximal korrelierten Teilflächen, die
durch die Maximal-Korrelierte-Teilflächen-Ermittlungseinheit 26 ermittelt
wurden, werden einer Vergleichsbestimmungseinheit 27 zugeführt.
-
Die
Vergleichsbestimmungseinheit 27 stützt sich auf die Koordinatendaten,
die kennzeichnend sind für die
jeweiligen Positionen der Vielzahl von Schablonen auf dem registrierten
Sprachsoundspektrogramm, das von der Schablonenplatzierungseinheit 25 zugeführt wurde
und auf die Koordinatendaten, die kennzeichnend sind für die jeweiligen
Positionen der Vielzahl von maximal korrelierten Teilflächen, die
durch die Maximal-Korrelierte-Teilflächen-Ermittlungseinheit
ermittelt wurden, um eine Verteilung der Positionen, an denen die
Schablonen auf dem registrierten Sprachsoundspektrogramm platziert
sind (gegenseitiges Lageverhältnis),
mit einer Verteilung der Positionen, an denen die maximal korrelierten
Teilflächen
auf dem unbekannten Sprachsoundspektrogramm ermittelt wurden (gegenseitiges
Lageverhältnis),
zu vergleichen, um für
eine Evaluierung der Identität
die Ähnlichkeit
der registrierten Sprache mit der unbekannten Sprache aus einem
Unterschied zwischen denselben zu bestimmen. Das Ergebnis der Evaluierung
für die
Identität
zwischen der registrierten Sprache und der unbekannten Sprache,
das durch die Vergleichsbestimmungseinheit 27 produziert wurde,
wird eine Vergleichsergebnis-Ausgabeeinheit 28 zugeführt und
dort ausgegeben.
-
Als
Nächstes
wird die Sprachvergleichsvorrichtung insbesondere hinsichtlich des
Betriebs mit der oben beschriebenen Konfiguration beschrieben werden.
-
3 ist ein Flussdiagramm,
das eine Sprachregistrierungs-/-vergleichsverarbeitung in der ersten Ausgestaltung
der Sprachvergleichsvorrichtung illustriert.
-
4A und 4B zeigen, wie Sprachsignaldaten in der
Soundspektrogramm-Konvertierungseinheit 22 in der Sprachvergleichsvorrichtung
in Soundspektrogrammdaten konvertiert werden.
-
5A und 5B zeigen einen Vergleich eines registrierten
Sprachspektrogramms mit einem unbekannten Sprachspektrogramm (zu
vergleichenden Daten) und eine Platzierung von Schablonen auf dem
registrierten Sprachspektrogramm entsprechend der Sprachregistrierungs-/-vergleichsverarbeitung
in der Sprachvergleichsvorrichtung.
-
6A und 6B zeigen einen Vergleich einer Verteilung
von Positionen, an denen Schablonenteilflächen auf einem registrierten
Sprachspektrogramm platziert sind mit einer Verteilung von Positionen,
an denen maximal korrelierte Teilflächen auf einem unbekannten
Sprachspektrogramm (zu vergleichenden Daten) ermittelt wurden entsprechend
der Sprachregistrierungs-/-vergleichsverarbeitung in der Sprachvergleichsvorrichtung.
-
Für die Verwendung
der Sprachvergleichsvorrichtung als Personenidentifikationsvorrichtung
werden zuerst Sprachsignaldaten einer registrierten Person, die
der Identifikation unterzogen wird, von der Sprachsignaldaten-Eingabeeinheit 21 eingegeben.
Diese eingegebenen registrierten Sprachsignaldaten a(n) werden wie
in 4A und 4B (Schritte S1 und S2) gezeigt
in der Soundspektrogramm-Konvertierungseinheit 22 in Zeitseriendaten
A(n, f) eines Frequenzspektrums (im Folgenden bezeichnet als das
Soundspektrogramm "A") konvertiert.
-
Die
Konvertierungsverarbeitung, die in der Soundspektrogramm-Konvertierungseinheit 22 durchgeführt wird,
um die Sprachsignaldaten in das Soundspektrogramm zu konvertieren,
bringt eine Unterteilung der Sprachsignaldaten d(n) in Rahmen in
Intervallen von vorgegebener Zeiteinheit (die Anzahl von Abtastpunkten ist
N), ein Multiplizieren der unterteilten Datenserie dN(n)
mit einer Humming Fensterfunktion wN(n)
als Fensterfunktion, ein Fast Fourier Transformieren (FFT) des Multiplikationsergebnisses,
um Frequenzspektren S(f) zu berechnen, ein Anordnen der für die jeweiligen
unterteilten Rahmen be rechneten Frequenzspektren S(f) in eine Zeitreihe
und ein Konvertieren der Frequenzspektren S(f) in ein Soundspektrogramm
S(n, f), in welchem die horizontale Achse die Zeit und die vertikale
Achse die Frequenz repräsentiert,
mit sich. Es sollte angemerkt werden, dass ein Spektralwert abgeleitet
wird, indem ein Logarithmus von einem Originalwert genommen wird, und
der logarithmische Wert mit einem Maximalwert von 255 normalisiert
wird. In anderen Worten hat das Soundspektrogramm das Aussehen ("aspect") zweidimensionaler
Multilevelabstufungsdaten, d. h. Multilevelabstufungsbilddaten,
so dass diese Ausgestaltung das Soundspektrogramm als Multilevelabstufungs-Stimmenabdrucksbild
auf die Sprecheridentifikation anwendet.
-
Im
Folgenden wird das Soundspektrogramm als Multilevelabstufungsbilddaten
betrachtet, in denen jedes Wort Pixeldaten entspricht.
-
Das
Soundspektrogramm "A", das einer Sprache
eines registrierten Sprechers entspricht, die durch die Soundspektrogramm-Konvertierungseinheit 22 erhalten
wurde, wird in der Registrierter-Sprecher-Informationsspeichereinheit 23 gespeichert
und als eine charakteristische Größe des registrierten Sprechers
registriert (Schritt S3).
-
Andererseits,
da Sprachsignaldaten eines unbekannten Sprechers, der der Identifikation
in der Personenidentifikationsvorrichtung unterzogen wird, über die
Sprachsignaldaten-Eingabeeinheit 21 eingegeben werden,
werden die eingegebenen unbekannten Sprachsignaldaten b(n) in der
Soundspektrogramm-Konvertierungseinheit 22 in ein Soundspektrogramm
B(n, f) (im Folgenden bezeichnet als das Spektrogramm "B") konvertiert auf eine Art und Weise ähnlich den
Sprachdaten des registrierten Sprechers (Schritte S1 bis S4).
-
Anschließend wird
in der Schablonenplatzierungseinheit 25 in der Vergleichseinheit 24 das
Soundspektrogramm "A" der registrierten
Sprache, das in der Registrierter-Sprecher-Informationsspeichereinheit 22 registriert
ist, gelesen. Dann werden wie in 5A gezeigt
eine Vielzahl von rechteckigen Teilflächen, d. h. Schablonen ti(i = 1 bis m, wobei m eine ganze Zahl größer oder
gleich zwei ist) definiert und im Soundspektrogramm "A" platziert (Schritt S5).
-
Anschließend rasterscannt
die Maximal-Korrelierte-Teilflächen-Ermittlungseinheit 26 in
der Vergleichseinheit 24 eine rechteckige Teilfläche, die
jeder der Schablonen ti entspricht, die
im Soundspektrogramm "A" der registrierten
Sprache definiert sind, auf einer Pixel für Pixel-Basis in der horizontalen
Richtung und in der vertikalen Richtung auf dem Soundspektrogramm "B" der unbekannten Sprache, um sequenziell einen
Korrelationskoeffizienten zu berechnen, wobei sie alle Pixeldaten
in der zugehörigen
Schablone ti und Pixeldaten im Soundspektrogramm "B" der unbekannten Sprache in der rechteckigen
Teilfläche
benutzt. Somit wird, wie in 6B (Schritte
S6 und S7) gezeigt, eine Teilfläche
Ti im Soundspektrogramm "B" einer
unbekannten Sprache ermittelt, in welcher ein maximaler Korrelationskoeffizient
vorhanden ist. Wie der Korrelationskoeffizient berechnet wird, wird
später
beschrieben werden.
-
Die
Berechnung des maximalen Korrelationskoeffizienten auf dem Soundspektrogramm "B" der unbekannten Sprache, die auf den
Bilddaten jeder Schablone ti, die im Soundspektrogramm "A" der registrierten Sprache definiert
ist, basiert, und die Ermittlung der Teilfläche Ti werden
sequenziell für
jede Schablone ti durchgeführt (Schritte
S6 bis S8). Dann, nachdem bestimmt wurde, dass die jeweiligen Teilflächen Ti auf dem Soundspekrogramm "B" der unbekannten Sprache für alle Schablonen
ti als diejenigen ermittelt worden sind, die
maximale Korrelationskoeffizienten haben, vergleicht die Vergleichsbestimmungseinheit 27 in
der Vergleichseinheit 24, wie in 6A und 6B gezeigt,
eine Verteilung der jeweiligen Schablonenteilflächen {ti},
die im Soundspektrogramm "A" der registrierten
Sprache platziert sind (Lageverhältnis),
mit einer Verteilung der jeweiligen Teilflächen {Ti},
die aus dem Soundspektrogramm "B" der unbekannten
Sprache ermittelt wurden (Lageverhältnis), basierend auf ihren
jeweiligen Koordinatendaten, um die Identität zwischen denselben zu evaluieren
(Schritte S8 und S9).
-
Im
Folgenden wird ein spezielles Beispiel beschrieben werden.
-
Die
Koordinaten, die als Basis dienen für ein Spezifizieren der Positionen
einer Schablone t1, die auf dem Soundspektrogramm "A" der registrierten Sprache platziert
ist, und einer rechteckigen Teilfläche T1 auf dem
Bild, das aus dem Soundspektrogramm "B" der
unbekannten Sprache ermittelt wurde, z. B. die Koordinaten der linken
oberen Ecken der beiden Rechtecke, werden erfasst ("acquired") und jeweils an
vorgegebenen Stellen der RAM 16 als ti(X1, Y1) und T1(XT1, YT1) gespeichert.
-
Als
Nächstes
werden Schablonen t2 bis t5 im
Soundspektrogramm "A" der registrierten
Sprache definiert, so dass diese Schablonen auf den jeweiligen Ecken
der Schablone t1 zentriert sind. Es sollte
hierbei angemerkt werden, dass die Platzierung der definierten Schablonen
beliebig ist, und dass die Anzahl der Schablonen nicht auf vier
beschränkt
ist, sondern jede beliebige Anzahl sein kann, solange eine erforderliche
Vergleichsgenauigkeit für
den Sprachvergleich gewährleistet
werden kann. Ferner kann auch die Größe der hierbei definierten
Schablonen beliebig sein.
-
Dann, ähnlich der
Ermittlung der rechteckigen Teilfläche T1,
wird in jeder der Schablonen t2 bis t5 (im Folgenden repräsentiert durch ti(i
= 2, 3, 4, 5)) eine rechteckige Teilfläche, die dieselbe Größe hat wie
die Schablone ti, im Soundspektrogramm "B" der unbekannten Sprache gesetzt. Die
rechteckige Teilfläche
wird zweidimensional in Einheiten von Pixeln verschoben, und ein
Korrelationskoeffizient zwischen der rechteckigen Teilfläche und
der Schablone ti wird jedes Mal berechnet,
wenn die rechteckige Teilfläche
verschoben wird. Schließlich
wird eine rechteckige Teilfläche
an einer Position, an welcher ein maximaler Korrelationskoeffizient vorhanden
ist, als rechteckige Teilfläche
Ti ausersehen ("desginated"), und die Koordinaten, welche als Basis für ein Spezifizieren
der Positionen der Schablone ti und der
rechteckigen Teilfläche
Ti auf dem Bild dienen, z. B. die Koordinaten
der oberen linken Ecken der beiden Rechtecke, werden erfasst und
jeweils an vorbestimmten Stellen der RAM 16 als ti(Xi, Yi)
und Ti(XTi, YTi) gespeichert.
-
Anschließend wird
eine Differenz zwischen dem relativen Abstand Δi von
t1 nach ti und dem
relativen Abstand von T1 nach Ti berechnet,
basierend auf der folgenden Gleichung für alle möglichen Werte von i(= 2, 3,
4, 5): Δ=|(Xi–X1)–(XTi–XT1),(Yi–Y1)–(YTi–YT1))|
-
Dann
wird bestimmt, ob oder ob nicht alle der berechneten Werte Δi innerhalb
eines vorbestimmten Bereichs liegen. Wenn alle Werte innerhalb des
vorbestimmten Bereichs liegen, kann bestimmt werden, dass die registrierte
Sprache mit der unbekannten Sprache übereinstimmt, und andernfalls
wird bestimmt, dass die unbekannte Sprache nicht mit der registrierten
Sprache übereinstimmt,
gefolgt von einer Ausgabe des Bestim mungsergebnisses auf der Vergleichsergebnis-Ausgabeeinheit 28.
Es sollte angemerkt werden, dass der hierbei benutzte vorbestimmte
Bereich als Bereich definiert ist, in welchem basierend auf einer
Verteilung des Ergebnisses von aus Bilddaten von Soundspektrogrammen,
die von einer Vielzahl von Personen erfasst wurden, tatsächlich ("actually") berechneten Δi eine
gewünschte
Vergleichsgenauigkeit gewährleistet
ist.
-
Auf
diese Weise wird die Evaluierung gemacht bezüglich ob oder ob nicht die
unbekannte Person, die die unbekannten Sprachsignaldaten b(n) eingegeben
hat, die Identität
mit dem registrierten Sprecher hat, der die registrierten Sprachsignaldaten
a(n) registriert hatte, und das Evaluierungsergebnis wird ausgegeben
oder gedruckt.
-
In
der vorangehenden Sprachregistrierungs-/-vergleichsverarbeitung
werden die Schablonen auf dem Soundspektrogramm "A" der
registrierten Sprache platziert. Alternativ können die Schablonen auf dem
Soundspektrogramm "B" der unbekannten
Sprache platziert werden, um die maximal korrelierten Teilflächen Ti auf dem Soundspektrogramm "A" zu finden. Ferner, während die
jeweiligen Teilflächen
t1, T1, t2 bis t5 und T2 bis T5 als rechteckig
definiert sind, sind diese Teilflächen nicht auf rechteckig beschränkt sondern
können
eine beliebige Gestalt haben. Ferner, während t1 und
T1 und t2 bis t5 und T2 bis T5 bevorzugt von derselben Größe und Gestalt
sind, ist ein geringfügiger
Unterschied gewährbar,
solange für
den Sprachvergleich eine erforderliche Vergleichsgenauigkeit gewährleistet
werden kann.
-
Weiterhin
kann eine Vielzahl von anderen Verfahren als das Verfahren der Evaluierung
von Δi in der vorangehenden Verarbeitung für die Vergleichsbestimmung
verwendet werden. Zum Beispiel kann die Bestimmung gemacht werden,
basierend auf einem Unterschied in Gestalt oder Fläche zwischen
einer mit ti als Scheitelpunkt gebildeten
Figur und einer mit Ti als Scheitelpunkt
gebildeten Figur.
-
Als
Nächstes
wird die in der Sprachregistrierungs-/-vergleichsverarbeitung benutzte
Berechnung eines Korrelationskoeffizienten beschrieben werden. Im
Speziellen wird hierbei die Berechnung eines Korrelationskoeffizienten
zwischen einer rechteckigen Teilfläche "A" und
einer rechteckigen Teilfläche "B" beschrieben.
-
Als
erstes wird angenommen, dass in der rechteckigen Teilfläche "A" und der rechteckigen Teilfläche "B" enthaltene Pixel jeweils A(i, j) und
B(m, n) sind. Es sollte angemerkt werden, dass eine Gesamtzahl von
in der rechteckigen Teilfläche "A" und der rechteckigen Teilfläche "B" enthaltenen Pixeln gleich ist. Ferner
wird angenommen, dass Signalintensitäten, die durch Multilevelabstufungswerte,
die für
den Kontrast dieser Pixel kennzeichnend sind, jeweils Xij und
Ymn sind.
-
Die
folgende Gleichung wird definiert, wenn diese Signalintensitäten verallgemeinert
und durch Zpq repräsentiert werden: <z>=N–1∑Zpq
-
In
der obigen Gleichung gibt N die Gesamtzahl von in einer zugehörigen rechteckigen
Teilfläche
enthaltenen Pixeln an. Ferner gibt ∑ in der obigen Gleichung die
Gesamtsumme über
alle Pixel an, die in der zugehörigen
rechteckigen Teilfläche
enthalten sind. In anderen Worten gibt die obige Gleichung einen
Mittelwert der Signalintensitäten
für die
in der zugehörigen
rechteckigen Teilfläche
enthaltenen Pixel an.
-
Als
Nächstes
wird ferner die folgende Gleichung definiert: <z2>=N–1∑Zpg2
-
Die
obige Gleichung gibt einen quadratischen Mittelwert der Signalintensitäten für die in
der zugehörigen
rechteckigen Teilfläche
enthaltenen Pixel an.
-
Ein
Korrelationskoeffizient C
AB zwischen der
rechteckigen Teilfläche "A" und der rechteckigen Teilfläche "B" kann hier durch die folgende Gleichung
berechnet werden, welche unter Benutzung der Definitionen der vorangehenden
Gleichungen ausgedrückt
ist:
wobei <XY>=(1/N)∑X
ijY
mn ist.
-
Der
Korrelationskoeffizient zwischen den Teilflächen wird berechnet, wobei
die obige Gleichung benutzt wird.
-
In
der Berechnung des Korrelationskoeffizienten durch die vorangehende
Gleichung kann anstatt der Signalintensitäten aller Pixel in der rechteckigen
Teilfläche
zu benutzen die Berechnung gemacht werden, wobei nur diejenigen
Pixel, welche sich auf einer beliebigen Linie innerhalb jeder der
rechteckigen Teilflächen
befinden; nur diejenigen Pixel, welche in einem Teil jeder der rechteckigen
Teilflächen
enthalten sind; oder nur diejenigen Pixel, die als Ergebnis von
beliebig aus jeder der rechteckigen Teilflächen abgetasteten Pixeln ausgewählt wurden,
benutzt werden, solange für
den Sprachvergleich eine erforderliche Vergleichsgenauigkeit gewährleistet
werden kann. Die Benutzung eines solchen Berechnungsansatzes ist
vorteilhaft in einer Reduktion der Anzahl von Pixeln, die der Berechnung
des Korrelationskoeffizienten unterzogen werden, und einer resultierenden
Reduktion der Menge von Berechnungen. Weiterhin können alternativ
andere Korrelationskoeffizienten-Berechnungsverfahren in der Sprachregistrierungs-/-vergleichsverarbeitung
verwendet werden.
-
Wie
im Vorangehenden gewürdigt
wird entsprechend der Sprachvergleichsvorrichtung der wie oben beschrieben
konfigurierten ersten Ausgestaltung die Verarbeitung für die Konvertierung
von Sprachsignaldaten in ein Soundspektrogramm nur als die Vorverarbeitung
für die
Berechnung einer charakteristischen Größe benötigt, die auf die Vergleichsverarbeitung
angewandt wird für
die tatsächliche
Bestimmung der Identität
zwischen registrierten Sprachsignaldaten und unbekannten Sprachsignaldaten,
so dass die Anzahl von Verarbeitungsschritten signifikant reduziert
werden kann. Zusätzlich,
da das Soundspektrogramm, das aus den Sprachsignaldaten konvertiert
wurde, als zweidimensionale Multilevelabstufungsdaten gehandhabt
wird, d. h. als Pixeldaten, und ein Kontrastmuster des Soundspektrogramms
selbst als die charakteristische Größe für die Benutzung im Vergleich
benutzt wird, kann der Vergleich erreicht werden, indem eine charakteristische Größe benutzt
wird, von der personengebundene Information nicht verloren geht.
Es ist daher möglich,
eine Sprecheridentifizierungsvorrichtung zu realisieren, welche
eine genügend
hohe Trefferquote aufrecht erhält, während sie
die Anzahl von Verarbeitungsschritten reduziert, um die gesamte
Vergleichsverarbeitung zu vereinfachen.
-
In
der Sprachvergleichsvorrichtung der ersten Ausgestaltung wurden
Gesamtmultilevelabstufungsbilddaten eines Soundspektrogramms in
der Registrierter-Sprecher-Informationsspeichereinheit 23 für eine Registrierung
als eine charakteristische Größe eines
registrierten Sprechers gespeichert. Für das Vergleichen unbekannter
Sprachsignaldaten, die durch einen unbekannten Sprecher eingegeben
wurden, platziert die Schablonenplatzierungseinheit 25 Schablonen
im Soundspektrogramm, das aus der Registrierter-Sprecher-Informationsspeichereinheit 23 gelesen
wurde, für
ein Vergleichen mit Multilevelabstufungsbilddaten eines Soundspektrogramms
einer unbekannten Sprache. Alternativ, wie in der folgenden Sprachvergleichsvorrichtung
entsprechend einer zweiten Ausgestaltung beschrieben, können die
Schablonen vorher auf den Multilevelabstufungsbilddaten eines Soundspektrogramms
einer registrierten Sprache platziert werden, und nur Bilddaten,
die den Teilflächen
der Schablonen entsprechen, werden in der Registrierter-Sprecher-Informationsspeichereinheit 23 als
eine charakteristische Größe des registrierten
Sprechers gespeichert, um die Menge an Information pro registriertem
Sprecher zu reduzieren, welche in der Registrierter-Sprecher-Informationsspeichereinheit 23 gespeichert
werden soll.
-
Zweite Ausgestaltung
-
7 ist ein Blockdiagramm,
das die Konfiguration operationeller Funktionen in der Ausführung eines Sprachregistrierungs-/-vergleichsverarbeitungsprogramms
entsprechend der zweiten Ausgestaltung der Sprachvergleichsvorrichtung
der vorliegenden Erfindung illustriert.
-
8 ist ein Flussdiagramm,
das die Sprachregistrierungs-/-vergleichsverarbeitung in der zweiten Ausgestaltung
der Sprachvergleichsvorrichtung illustriert.
-
Im
Speziellen, für
eine Registrierung einer charakteristischen Größe eines registrierten Sprechers, platziert
die Schablonenplatzierungseinheit 25 vorher Schablonen
ti auf einem Soundspektrogramm "A" des registrierten Sprechers (Schritt
A3), welches durch die Soundspektrogramm-Konvertierungseinheit 22 konvertiert
wurde (Schritte A1 und A2), und jede der Teilflächen im Soundspektrogramm "A", die von jeder aller Schablonen ti, die darauf platziert sind, umgeben ist,
wird in der Registrierter-Sprecher-Informa tionsspeichereinheit 23 als
eine charakteristische Größe des registrierten
Sprechers registriert (Schritt A4).
-
Für das Vergleichen
von Sprachdaten eines zu identifizierenden Sprechers liest die Maximal-Korrelierte-Teilflächen-Ermittlungseinheit 26 in
der Vergleichseinheit 24 die Anteile im Soundspektrogramm "A" des registrierten Sprechers, die den
jeweiligen Schablonen ti entsprechen und
in der Registrierter-Sprecher-Informationsspeichereinheit 23 registriert
sind. Dann, ähnlich
der ersten Ausgestaltung, wird der Vergleich durchgeführt, indem
die jeweiligen Maximalkorrelationskoeffiziententeilflächen Ti auf dem Soundspektrogramm einer unbekannten
Sprache ermittelt werden (Schritte A1 und A5 bis A8), und indem
ein Lageverhältnis
der jeweiligen Schablonen ti mit einem Lageverhältnis der
jeweiligen ermittelten Teilflächen
Ti für
die Ermittlung eines Unterschieds dazwischen verglichen wird (Schritt
A9).
-
Wie
gewürdigt,
entsprechend der Sprachvergleichsvorrichtung der wie oben beschrieben
konfigurierten zweiten Ausgestaltung, ist es möglich, die Menge an Information
pro registriertem Sprecher, die in der Registrierter-Sprecher-Informationsspeichereinheit 23 zu
speichern ist, zu reduzieren und entsprechend die Gesamtspeicherkapazität der Registrierter-Sprecher-Informationsspeichereinheit 23 selbst
zu reduzieren. In anderen Worten, die Sprachvergleichsvorrichtung
der zweiten Ausgestaltung kann mit einer kleineren Speicherkapazität implementiert
werden als die Sprachvergleichsvorrichtung der ersten Ausgestaltung.
-
In
der Sprachvergleichsvorrichtung entsprechend der ersten und zweiten
Ausgestaltungen werden eine Vielzahl von Schablonen ti an
beliebigen Positionen in dem gesamten Soundspektrogramm "A" eines registrierten Sprechers platziert.
Alternativ, wie in der folgenden Sprachvergleichsvorrichtung einer
dritten Ausgestaltung beschrieben, kann die Sprachvergleichsvorrichtung
so konfiguriert sein, dass sie einen Sprachabschnitt, welcher genügend Sprachcharakteristika
eines registrierten Sprechers enthält, von dem Soundspektrogramm "A" einer registrierten Sprache über einen
vorher gesetzten Schwellwert ermittelt und Schablonen ti an
beliebigen Positionen im im ermittelten Sprachabschnitt enthaltenen
Spektrogramm "A" platziert, um eine unbekannte
Sprache, basierend auf mehr charakteristischen Sprachdaten des registrierten
Sprechers vergleicht, und dabei die Trefferquote weiter verbessert.
-
Dritte Ausgestaltung
-
9 ist ein Blockdiagramm,
das die Konfiguration operationeller Funktionen in der Ausführung eines Sprachregistrierungs-/-vergleichsverarbeitungsprogramms
entsprechend einer dritten Ausgestaltung der Sprachvergleichsvorrichtung
der vorliegenden Erfindung illustriert.
-
Die
operationellen Funktionsblöcke
der Sprachvergleichsvorrichtung in der dritten Ausgestaltung enthalten
zusätzlich
eine Sprachabschnittsermittlungseinheit 29, die zwischen
der Soundspektrogramm-Konvertierungseinheit 22 und der
Schablonenplatzierungseinheit 25 bereitgestellt wird.
-
Die
Sprachabschnittermittlungseinheit 29 ermittelt einen Sprachabschnitt,
welcher in ausreichendem Maße
Sprachcharakteristika eines registrierten Sprechers enthält, aus
einem Soundspektrogramm "A" einer registrierten
Sprache, das durch die Soundspektrogramm-Konvertierungseinheit 22 konvertiert
wurde (siehe 11). Im
Sprachabschnitt auf dem Soundspektrogramm "A",
der durch die Sprachabschnittsermittlungseinheit 29 ermittelt
wurde, platziert die Schablonenplatzierungseinheit 25 eine
Vielzahl von Schablonen ti, welche als Basis
für den
Sprachvergleich dienen.
-
10 ist ein Flussdiagramm,
das eine Sprachregistrierungs-/-vergleichsverarbeitung in der dritten Ausgestaltung
der Sprachvergleichsvorrichtung illustriert.
-
11 zeigt, wie ein Sprachabschnitt
aus dem Soundspektrogramm "A" der registrierten
Sprache in der Sprachabschnittsermittlungseinheit 29 in
der Sprachvergleichsvorrichtung der dritten Ausgestaltung ermittelt
wird.
-
12A und 12B zeigen einen Vergleich eines registrierten
Sprachspektrogramms mit einem (zu vergleichenden) unbekannten Sprachspektrogramm
und einer Platzierung einer Schablone auf dem registrierten Sprachspektrogramm
entsprechend der Sprachregistrierungs-/-vergleichsverarbeitung in
der Sprachvergleichsvorrichtung der dritten Ausgestaltung.
-
13A und 13B zeigen einen Vergleich einer Verteilung
von Positionen, an welchen Schablonenteilflächen auf einem registrierten
Sprachspektrogramm platziert sind, mit einer Verteilung von Positionen,
an welchem maximal korrelierte Teilflächen auf einem (zu vergleichenden)
unbekannten Sprachspektrogramm ermittelt werden, entsprechend der
Sprachregistrierungs-/-vergleichsverarbeitung in der Sprachvergleichsvorrichtung
der dritten Ausgestaltung.
-
Für die Benutzung
der Sprachvergleichsvorrichtung als Personenidentifikationsvorrichtung
werden Sprachsignaldaten einer registrierten Person, die der Identifikation
unterzogen wird, zuerst von der Sprachsignaldaten-Eingabeeinheit 21 eingegeben.
Diese eingegebenen registrierten Sprachsignaldaten a(n) werden in
der Soundspektrogramm-Konvertierungseinheit 22 in
ein Soundspektrogramm "A" konvertiert (Schritte
B1 und B2).
-
Dann
ermittelt die Sprachabschnittsermittlungseinheit 29 einen
Sprachabschnitt aus dem Soundspektrogramm "A" der
registrierten Sprache, die durch die Soundspektrogramm-Konvertierungseinheit 22 konvertiert
wurde (Schritt B3).
-
Hier,
wie in 11 illustriert,
summiert die Sprachabschnittsermittlungsverarbeitung, die in der Sprachabschnittsermittlungseinheit 29 durchgeführt wird,
zuerst für
das Soundspektrogramm "A" der registrierten
Sprache Spektralwerte in der Richtung der Frequenzachse auf, um
eine additive Spektralverteilung zu berechnen. Als Nächstes wird
ein Abschnitt innerhalb der additiven Spektralverteilung, der alle
Bereiche enthält,
die größere Werte
als ein zuvor gesetzter Schwellwert haben, als Sprachabschnitt ermittelt.
Indes, der gesetzte Schwellwert ist als Hälfte eines Maximalwerts in
der additiven Spektralverteilung definiert.
-
Nachdem
der Sprachabschnitt auf diese Weise in dem Soundspektrogramm "A" ermittelt wurde, definiert die Schablonenplatzierungseinheit 25 eine
Vielzahl von rechteckigen Teilflächen,
d. h. Schablonen ti(i = 1 bis m, wobei m
eine ganze Zahl größer oder
gleich zwei ist) und platziert die Schablonen ti auf
dem Sprachabschnitt im Soundspektrogramm "A",
wie in 12A gezeigt (Schritt
B4).
-
Dann
wird eine partielle Teilfläche
At, die alle Schablonen ti enthält, die
auf dem Sprachabschnitt im Soundspektrogramm "A" der
registrierten Sprache platziert wurden, in der Registrierter-Sprecher-Informationsspeichereinheit 23 für die Registrierung
als eine charakteristische Größe des registrierten
Sprechers gespeichert (Schritt B5).
-
Andererseits,
nachdem Sprachsignaldaten eines zu identifizierenden Sprechers von
der Sprachsignaldaten-Eingabeeinheit 26 für die Identifikation
in der Personenidentifizierungsvorrichtung eingegeben wurden, werden
die eingegebenen unbekannten Sprachsignaldaten b(n) in der Soundspektrogramm-Konvertierungseinheit 22 wie
oben beschrieben in ein Soundspektrogramm "B" konvertiert
(Schritte B1 bis B6).
-
Anschließend wird
die partielle Teilfläche
At, die die jeweiligen Schablonen ti im
Soundspektrogramm "A", das in der Registrierter-Sprecher-Informationsspeichereinheit 23 als
die charakteristische Größe des registrierten
Sprechers registriert wurde, enthält, in die Maximal-Korrelierte-Teilflächen-Ermittlungseinheit 26 in der
Vergleichseinheit 24 eingelesen. Die Maximal-Korrelierte-Teilflächen-Ermittlungseinheit 26 rasterscannt Bilddaten
einer Teilfläche,
die jeder der Schablonen ti entspricht,
auf einer Pixel für
Pixel-Basis auf dem Soundspektrogramm "B" der
unbekannten Sprache, um sequenziell einen Korrelationskoeffizienten
zu berechnen, indem sie alle Pixeldaten in der zugehörigen Schablone
ti und Pixeldaten im Soundspektrogramm "B" der entsprechenden unbekannten Sprache
benutzt (Schritt B7). Dann wird eine Teilfläche Ti im
Soundspektrogramm "B" einer unbekannten
Sprache ermittelt, in welcher ein maximaler Korrelationskoeffizient
vorhanden ist, wie in 13A und 13B gezeigt (Schritt B8).
-
Die
Berechnung des maximalen Korrelationskoeffizienten auf dem Soundspektrogramm "B" der unbekannten Sprache basierend auf
den Bilddaten jeder Schablone ti, die auf
dem Sprachabschnitt im Soundspektrogramm "A" der
registrierten Sprache definiert ist, und die Ermittlung der Teilfläche Ti werden sequenziell für jede Schablone ti durchgeführt (Schritte
S7 bis S9). Dann, nachdem bestimmt wurde, dass die jeweiligen Teilflächen Ti auf dem Soundspektrogramm "B" der unbekannten Sprache für alle Schablonen
ti als diejenigen ermittelt worden sind,
die maximale Korrelationskoeffizienten haben, vergleicht die Vergleichsbestimmungseinheit 27 in
der Vergleichseinheit 24 eine Verteilung der jeweiligen
Schablonenteilflächen
{ti}, die auf dem Sprachabschnitt im Soundspektrogramm "A" der registrierten Sprache platziert
sind (Lagebeziehung), mit einer Verteilung der jeweiligen Teilflächen {Ti}, die von dem Soundspektrogramm "B" der unbekannten Sprache basierend auf
ihren jeweiligen Koordinatendaten ermittelt wurden (Lagebeziehung),
um die Identität
dazwischen zu evaluieren (Schritte B9 und B10).
-
Auf
diese Weise wird die Evaluierung gemacht, ob oder ob nicht die unbekannte
Person, die die unbekannten Sprachsignaldaten b(n) eingegeben hat,
die Identität
mit dem registrierten Sprecher hat, der die registrierten Sprachsignaldaten
a(n) registriert hatte, und das Evaluationsergebnis wird ausgegeben
oder gedruckt.
-
Wie
gewürdigt,
entsprechend der Sprachvergleichsvorrichtung der wie oben beschrieben
konfigurierten dritten Ausgestaltung, werden nur zwei Verarbeitungsschritte,
d. h. die Verarbeitung für
die Konvertierung eines Soundspektrogramms aus Sprachsignaldaten
und die Sprachabschnittsermittlungsverarbeitung für die Ermittlung
eines Sprachabschnitts aus dem Soundspektrogramm einer registrierten
Sprache, als die Vorverarbeitung für die Berechnung der charakteristischen
Größe benötigt, die
auf die Vergleichsverarbeitung angewandt wird für die tatsächliche Bestimmung der Identität zwischen
registrierten Sprachsignaldaten und unbekannten Sprachsignaldaten,
wobei sie es möglich
machen, die Anzahl von Verarbeitungsschritten zu reduzieren. Zusätzlich wird
das aus den Sprachsignaldaten konvertierte Soundspektrogramm als
zweidimensionale Multilevelabstufungsdaten gehandhabt, d. h. als
Pixeldaten, und ein Kontrastmuster des Soundspektrogramms selbst
wird als die charakteristische Größe für die Benutzung in dem Vergleich
benutzt, und die Schablonen werden definiert und auf einem Sprachabschnitt,
der durch die Sprachabschnittsermittlungsverarbeitung ermittelt
wird, platziert, um ein Kontrastmuster in den Schablonen für den Vergleich
als eine charakteristische Größe der registrierten
Sprache zu benutzen. Deshalb kann der Vergleich erreicht werden,
indem eine charakteristische Größe benutzt
wird, welche personengebundene Information vollständiger widerspiegelt
als die Sprachvergleichsvorrichtung, die in der ersten und zweiten
Ausgestaltung beschrieben wurde. Es ist daher möglich, eine Sprecheridentifizierungsvorrichtung
zu realisieren, welche die Trefferquote gegenüber den ersten und zweiten
Ausgestaltungen weiter verbessert, während sie die Anzahl von Verarbeitungsschritten
reduziert, um die Gesamtvergleichsverarbeitung zu vereinfachen.
-
Zusätzliche
Vorteile und Modifikationen werden Fachmännern leicht einfallen. Daher
ist die vorliegende Erfindung in ihren breiteren Aspekten nicht
auf die speziellen Details, repräsentativen
Geräte
und hierin gezeigten und beschriebenen illustrierten Beispiele limitiert.
Entsprechend können
mannigfaltige Modifikationen gemacht werden, ohne den Schutzbereich
des generellen erfinderischen Konzepts, wie in den beigefügten Ansprüchen definiert,
zu verlassen. Zum Beispiel können
die in den jeweiligen Ausgestaltungen beschriebenen Techniken, d.
h. die Sprachregistrierungs-/-vergleichsverarbeitung in der ersten
Ausgestaltung, die im Flussdiagramm der 3 illustriert ist; die Sprachregistrierungs-/-vergleichsverarbeitung
in der zweiten Ausgestaltung, die im Flussdiagramm der 8 illustriert ist; die Sprachregistrierungs-/-vergleichsverarbeitung
in der dritten Ausgestaltung, die im Flussdiagramm der 10 illustriert ist, und Ähnliches
in einem externen Aufnahmemedium 14 gespeichert werden,
wie einer Speicherkarte (ROM-Karte, RAM-Karte oder Ähnliches),
einer magnetischen Platte (Diskette, Festplatte oder Ähnliches),
einer optischen Platte (CD-ROM, DVD oder Ähnliches), einem Halbleiterspeicher
oder Ähnlichem
für die
Verbreitung als ein Programm, das einen Computer veranlassen kann,
diese Techniken auszuführen.
In diesem Fall kann ein Computer, der als die Sprachvergleichsvorrichtung
funktioniert, das auf dem externen Aufzeichnungsmedium 14 gespeicherte
Programm in das Speicherelement 13 einlesen, und die Sprachregistrierungs-
und -vergleichsfunktionen implementieren, die in den jeweiligen
Ausgestaltungen beschrieben wurden und deren Betrieb durch das Leseprogramm
kontrolliert wird, um eine Verarbeitung auszuführen, die denen ähnlich ist,
die durch die zuvor genannten Techniken bereitgestellt wird.
-
Ferner
können
Daten, die durch das Programm benötigt werden, um die jeweiligen
Techniken zu implementieren, über
ein Netzwerk (öffentliches
Netzwerk) übermittelt
werden in Form von Programmcodes, so dass die Programmdaten durch
den Übermittlungscontroller 15 der
Sprachvergleichsvorrichtung abgerufen werden, der mit dem Netzwerk
verbunden ist, um die zuvor genannte Sprachregistrierungs- und -vergleichsfunktion
zu implementieren.
-
Gewerbliche
Anwendbarkeit
-
Entsprechend
der vorliegenden Erfindung werden eine Sprachvergleichsvorrichtung
und ein Sprachvergleichsverfahren bereitgestellt, welche fähig sind,
einen Sprecher mit einer hohen Trefferquote zu identifizieren, ohne
das Erfordernis nach einer großen
Anzahl von Vorverarbeitungsschritten.
