录音音频设备源认定方法和装置的制造方法
【技术领域】
[0001]本发明涉及音频分析技术领域，具体涉及一种录音音频设备源认定方法和装置。
【背景技术】
[0002]录音设备检测在当今社会具有重要的作用。在司法行业，确定一段特定的音频是否由声称的设备进行录制可以进行录音的有效性和合法性判断;在版权争议中，通过确定一段录音的原始录制设备可以辅助处理纠纷;等等。同时在音频处理领域，进行音频录制设备的检测也能为录音原始性及录音篡改检测等重要领域提供辅助，因为伪造的录音常常由不同来源的录音合并而成。因此，急需一种录音音频设备源认定方法和装置。
【发明内容】
[0003]有鉴于此，本发明实施例提供了一种录音音频设备源认定方法和装置，解决了现有技术中无法准确认定一段录音音频的设备源的问题。
[0004]本发明一实施例提供的一种录音音频设备源认定方法包括:
[0005]获取待认定录音的设备噪音信号；
[0006]将所获取的设备噪音信号与多个已知录音设备的设备噪音信号进行比对；
[0007]将比对结果为匹配的已知录音设备作为待认定录音的设备源。
[0008]进一步地，将所获取的设备噪音信号与多个已知录音设备的设备噪音信号进行比对包括:将所获取的设备噪音信号输入经过预先训练的噪音深度学习模型，其中所述噪音深度学习模型训练为根据输入的设备噪音信号输出已知的录音设备代号；
[0009]其中，将比对结果为匹配的已知录音设备作为待认定录音的设备源包括:根据所述噪音深度学习模型的输出结果判断所述待认定录音的设备源。
[0010]进一步地，获取待认定录音的设备噪音信号包括:将所述待认定录音随机取样为多个样本，获取每个样本的设备噪音信号;其中，
[0011]将所获取的设备噪音信号输入经过预先训练的噪音深度学习模型包括:将每个样本的设备噪音信号输入经过预先训练的噪音深度学习模型；
[0012]根据所述噪音深度学习模型的输出结果判断所述待认定录音的设备源包括:
[0013]将所述噪音深度学习模型的所有输出结果按照所述输出的录音设备代号进行统计分类，取统计分类的众数作为所述待认定录音的设备源。
[0014]进一步地，所述噪音深度学习模型的训练过程包括:
[0015]使用多个已知录音设备对同一个声源进行录音；
[0016]将录音得到的每个音频文件随机取样为多个样本；
[0017]获取每个样本的设备噪音信号；
[0018]根据每个样本的设备噪音信号和每个样本所对应的已知录音设备代号进行训练以建立噪音深度学习模型。
[0019]进一步地，使用多个已知录音设备对同一个声源进行录音包括:
[0020]在多个不同场景下，使用多个已知录音设备对同一个声源进行录音。
[0021]进一步地，获取每个样本的设备噪音信号包括:
[0022]将每个样本利用小波降噪的方法得到去噪信号，再将每个样本与各自的去噪信号做减运算得到每个样本的设备噪音信号。
[0023]进一步地，所述小波降噪的方法采用第一层小波分解系数估计噪声水平以进行去噪。
[0024]进一步地，根据每个样本的设备噪音信号和每个样本所对应的已知录音设备代号进行训练以建立噪音深度学习模型包括:
[0025]对每个样本的设备噪音信号进行傅里叶变换，并对傅里叶变换的结果进行归一化处理；
[0026]将每个样本的归一化处理结果和每个样本所对应的已知录音设备代号转化为矩阵，再将所述矩阵转换为多层感知器可处理的格式文件；
[0027]所述多层感知器根据所述格式文件进行训练以建立噪音深度学习模型。
[0028]进一步地，获取待认定录音的设备噪音信号包括:将待认定录音或待认定录音样本利用小波降噪的方法得到去噪信号，再将待认定录音或待认定录音样本与去噪信号做减运算得到待认定录音或待认定录音样本的设备噪音信号；
[0029]其中，将所获取的设备噪音信号输入经过预先训练的噪音深度学习模型包括:
[0030]对待认定录音或待认定录音样本的设备噪音信号进行傅里叶变换，并对傅里叶变换的结果进行归一化处理；以及，
[0031]将所述归一化处理的结果输入经过预先训练的噪音深度学习模型。
[0032]本发明一实施例还提供一种录音音频设备源认定装置，包括:
[0033]获取模块，配置为:获取待认定录音的设备噪音信号；
[0034]比对模块，配置为:将所获取的设备噪音信号与多个已知录音设备的设备噪音信号进行比对；
[0035]判断模块，配置为:将比对结果为匹配的已知录音设备作为待认定录音的设备源。
[0036]本发明实施例提供的一种录音音频设备源认定方法和装置，利用了录音设备本身固有设备噪音的特征，采用待认定录音中的设备噪音信号进行音源认定，可准确的从已知的录音设备中认定该待认定录音的设备源，对待认定录音的环境噪音和音频内容没有要求。
【附图说明】
[0037]图1所示为本发明一实施例提供的一种录音音频设备源认定方法的流程图。
[0038]图2所示为本发明另一实施例提供的一种录音音频设备源认定方法的流程图。
[0039]图3所示为本发明一实施例提供的噪音深度学习模型的预先训练过程的流程图。
[0040]图4所示为本发明另一实施例提供的一种录音音频设备源认定方法的流程图。
[0041]图5所示为本发明另一实施例提供的一种录音音频设备源认定方法中噪音深度学习模型的训练算法流程图。
[0042]图6所示为图5所示的录音音频设备源认定方法中待认定录音的认定算法流程图。
【具体实施方式】
[0043]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]图1所示为本发明一实施例提供的一种录音音频设备源认定方法的流程图。如图1所示，该录音音频设备源认定方法包括:
[0045]步骤101:获取待认定录音的设备噪音信号。由于录音设备都具备一定的设备噪音，而且这种设备噪音不会随着录音音频内容或环境噪音的变化而变化，因此录音音频中的设备噪音信号可被用来认定设备源。
[0046]步骤102:将所获取的设备噪音信号与多个已知录音设备的设备噪音信号进行比对。由于已知录音设备的设备噪音信号也是已知的，因此将待认定录音的设备噪音信号与已知录音设备的设备噪音信号做比对即可确认待认定录音可能是由哪个已知录音设备录制而成。
[0047]步骤103:将比对结果为匹配的已知录音设备作为待认定录音的设备源。在具体的比对过程中，有可能有多个已知录音设备的设备噪音信号分别与待认定录音中几段音频的设备噪音信号匹配，此时则说明待认定录音可能由该多个已知录音设备的录音文件拼接而成。
[0048]由此可见，本发明实施例利用了录音设备本身固有设备噪音的特征，采用待认定录音中的设备噪音信号进行音源认定，可准确的从已知的录音设备中认定该待认定录音的设备源，对待认定录音的环境噪音和音频内容没有要求。
[0049]在本发明一实施例中，为了提高上述比对过程的效率，可通过建立一个噪音深度学习模型来自动完成上述比对过程。该噪音深度学习模型训练为可根据输入的设备噪音信号直接输出已知的录音设备代号。此时，如图2所示，该录音音频设备源认定方法可具体包括:
[0050]步骤201:获取待认定录音的设备噪音信号。
[0051]步骤202:将所获取的设备噪音信号输入经过预先训练的噪音深度学习模型，其中噪音深度学习模型训练为根据输入的设备噪音信号输出已知的录音设备代号。此时上述步骤102的比对过程可由该噪音深度学习模型自动完成，并直接输出可能为设备源的已知的录音设备代号。
[0052]步骤203:根据噪音深度学习模型的输出结果判断待认定录音的设备源。噪音深度学习模型的输出结果可能会显示出多个录音设备代号，此时就说明该待认定录音有可能是被多种不同的录音设备的录音拼接而成。而当噪音深度学习模型的输出结果仅为一种录音设备代号时，则说明待认定录音的设备源就是该录音设备代号。
[0053]下面通过一个实施例来详细说明上述噪音深度学习模型的预先训练过程。如图3所示，该噪音深度学习模型的预先训练可具体包括:
[0054]步骤301:使用多个已知录音设备对同一个声源进行录音。这样每个录音音频中的音频内容都是相同的，不同的仅为各录音设备本身的固有噪音。在一进一步实施例中，为了进一步减小录音场景本身特定的背景噪声所带来的误差，可分别在多个不同场景下，使用多个已知录音设备对同一个声源进行录音。
[0055]应当理解，当待认定录音提供者声称该待认定录音的设备源为某一录音设备，而该录音设备又没在噪音深度学习模型的训练范围内时，则需要将该录音设备加入到该噪音深度学习模型的训练范围以更新该噪音深度学习模型。这样在后续的设备源认定过程中，通过该更新的噪音深度学习模型的输出结果即可判断出该提供者是否提供了错误的设备源信息。
[0056]步骤302:将录音得到的每个音频文件随机取样为多个样本。通过对音频文件进行尽量多的随机取样可提高后续深度学习的准确度和广泛度。
[0057]步骤303:获取每个样本的设备噪音信号。具体的方式可为将每个样本利用小波降噪的方法得到去噪信号，再将每个样本与各自的去噪信号做减运算得到每个样本的设备噪音信号。然而，本发明对设备噪音信号的获取方式并不做限定。
[0058]步骤304:根据每个样本的设备噪音信号和每个样本所对应的已知录音设备代号进行训练以建立噪音深度学习模型。这样所建立的噪音深度学习模型即可将设备噪音信号与已知录音设备代号对应起来，从而实现在输入一设备噪音信号后就可输出相应的已知录音设备代号