Application Forensique à La Reconnaissance Vocale Du Locuteur
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Résumé
Dans cet article, nous nous intéressons à la Reconnaissance Vocale des Locuteurs Arabophones en vue de la Forensique c’est-à-dire dans le domaine Criminalistique (RVC) en particulier sur les deux tâches majeures l’Identification Vocale d’un Locuteur Arabophone Criminalistique (IVC) et l’Authentification Vocale d’un Locuteur Arabophone Criminalistique (AVC) en mode indépendant du texte. A partir des signaux vocaux de ces locuteurs des informations relatives à leurs identités sont extraites par l’analyse cepstrale MFCC (Mel Frequency Cepstral Coefficients) avec ces derniers en estimant des modèles GMM (Gaussian Mixture Models) de locuteurs robustes. Ainsi une trace vocale, peut être analysée et par la suite comparée avec les GMM en appliquant l’approche Bayésienne, Likelihood-Ratio (LLR), afin de permettre son identification et son authentification. Nos expériences réalisées sur le système RVC montrent qu’un GMM composé de 32 Gaussiennes est largement suffisant pour représenter la distribution des vecteurs d’un seul locuteur (le criminel) ainsi que le matériel d’enregistrements qui donne de meilleures performances de ce système élaboré. En effet, nous avons obtenu des résultats satisfaisants. Ceux-ci peuvent aider la justice à prendre une décision afin de résoudre des problèmes criminalistiques
##plugins.themes.bootstrap3.article.details##
Références
61
62
Ouassila Kenai, Mhania Guerti
[6]
[8]
[9]
Science Casework”, Science & Justice, 38(3), 198-202, Suisse 1998. Andrzej D.. Meuwly D. and Alexander A., “Statistical Methods and Bayesian In- terpretation of Evidence in Forensic Au- tomatic Speaker Recognition”, Speech Processing Group, the Forensic Science Service. Gonzales-Rodriguez J, Ortega-Garcia J. and Sanchez-Bote J., “Forensic Identifi- cation Reporting Using Automatic Bio- metric Systems”, Speech and Signal Pro- cessing Group (ATVS), DIAC, Spain 2005. Kanungo T. and Mount D. M., “An Effi- cient k-Means Clustering Algorithm: Analysis and Implementation”, IEEE transactions on pattern analysis and ma- chine intelligence, Vol. 24, N° 7. July 2002. Dempster A. P., Laird N-M and Rubin D- B., “Maximum-likelihood from incom- plete data via the EM algorithm”, J. Roy- al Statist. Soc. Ser. B, 39, 1997. [10] Bilmes J., Gentle, A. “Tutorial of the EM Algorithm and its Application to Parame- ter Estimation for Gaussian Mixture and Hidden Markov Models”, Report, Uni- versity of Berkeley, ICSI-TR-97-021, 1997. [11] Burget L., Matejka P., Schwarz P. Glembek O. and Cemocky J-H., “Analy- sis of Feature Extraction and Channel Compensation in a GMM Speaker Recognition System”, IEEE Transactions on Audio, Speech, and Language Pro- cessing, Vol 15, N° 7, 2007. [12] Amrous A-L, Debyeche M. and Krobba À.… “Coopération de connaissances dans les modéles de Markov cachés pour la re- connaissance de mots isolés arabes”, 1st International Conference on Image and Signal Processing and their Applications, Mostaganem, Algérie 2009. [13] Kenai O. and Guerti M., “Identification d’un Locuteur Arabophone en vue la Criminalistique”, | Third — International Conference on Industrial Engineering & Manufacturing, Université de Batna, 4-5,
2013.