采用完整局部二進(jìn)制模式的偽裝語音檢測(cè)

徐劍， 簡志華，于佳祺，金易帆，游林，汪云路

（1. 杭州電子科技大學(xué)通信工程學(xué)院，浙江 杭州 310018；2. 杭州電子科技大學(xué)網(wǎng)絡(luò)空間安全學(xué)院，浙江 杭州 310018）

1 引言

隨著人工智能技術(shù)的深入發(fā)展，說話人證實(shí)得到廣泛研究與應(yīng)用[1]。但說話人證實(shí)系統(tǒng)容易受到偽裝語音攻擊，其安全性非常值得關(guān)注。偽裝語音檢測(cè)是通過對(duì)說話人的聲音進(jìn)行分析，進(jìn)而識(shí)別它是真實(shí)說話人的語音還是人為惡意偽裝的語音[2]。偽裝語音通常由設(shè)備回放、語音轉(zhuǎn)換及語音合成等技術(shù)生成[3-5]，通過蓄意的操作能夠偽裝成特定的說話人聲音，從而達(dá)到欺騙說話人證實(shí)系統(tǒng)的目的。偽裝語音識(shí)別系統(tǒng)可針對(duì)惡意的偽裝語音實(shí)現(xiàn)偽裝檢測(cè)，提高說話人證實(shí)系統(tǒng)安全性能，具有廣闊的應(yīng)用前景。

偽裝語音識(shí)別通常需要對(duì)目標(biāo)語音信號(hào)進(jìn)行特征提取，再與其對(duì)應(yīng)的真實(shí)語音特征對(duì)比分析進(jìn)而判定真/偽。傳統(tǒng)的偽裝語音識(shí)別系統(tǒng)提取的特征參數(shù)主要分為兩種：一種是語音信號(hào)的幅度譜特征，通常有高階梅爾倒譜系數(shù)、梅爾主頻率和對(duì)數(shù)幅度譜等[6-8]；另一種是語音信號(hào)的相位譜特征，通常有修正的群時(shí)延和相對(duì)相移等[9-11]。但這些特征在應(yīng)對(duì)未知類型偽裝語音的攻擊時(shí)，檢測(cè)效果往往不是很理想。

近些年，紋理分析逐漸成為計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的研究熱點(diǎn)，并在圖像的分類處理中得到較大的發(fā)展。局部二進(jìn)制模式（local binary pattern，LBP）是一種流行的紋理分析方法，最初在面部圖像識(shí)別中有廣泛的應(yīng)用[12-13]。最近，Alegre等[14]提出了一種基于LBP的反偽裝說話人證實(shí)方法，利用了LBP對(duì)級(jí)聯(lián)排列的聲學(xué)特征向量進(jìn)行紋理分析，從而區(qū)別真/偽語音。這種基于LBP的偽裝語音檢測(cè)策略相較于傳統(tǒng)的偽裝語音檢測(cè)策略所需要的先驗(yàn)知識(shí)（如偽裝語音類型、生成的算法等信息）較少，對(duì)于未知偽裝語音的檢測(cè)效果較好，有利于實(shí)際的應(yīng)用。不過，這種方法在面對(duì)由語音轉(zhuǎn)換生成的偽裝欺騙時(shí)檢測(cè)效果不如傳統(tǒng)的偽裝語音檢測(cè)方法，而且它的步驟較為復(fù)雜，需預(yù)先提取語音信號(hào)的聲學(xué)特征向量并級(jí)聯(lián)處理后才可獲取紋理特征向量。

本文提出了一種利用完整局部二進(jìn)制模式（completed local binary pattern，CLBP）[15]提取語音信號(hào)的紋理特征向量的方法，它可以有效地實(shí)現(xiàn)偽裝語音檢測(cè)。該方法的好處在于不用提前獲取、級(jí)聯(lián)語音信號(hào)的聲學(xué)特征向量，而是直接對(duì)語音信號(hào)的語譜圖進(jìn)行分析獲得語音信號(hào)的紋理特征向量。CLBP通過計(jì)算語音信號(hào)語譜圖的完整局部二進(jìn)制模式的符號(hào)差值（CLBP-sign，CLBP_S）、完整局部二進(jìn)制模式的幅度差值（CLBP-magnitude，CLBP_M）以及完整局部二進(jìn)制模式的中心灰度（CLBP-center，CLBP_C）而得，所獲取的圖像紋理特征更加全面，有助于提高偽裝語音檢測(cè)的準(zhǔn)確率。

2 基于LBP的偽裝語音檢測(cè)

2.1 LBP算法

LBP算法是一種對(duì)圖像局部紋理和空間結(jié)構(gòu)的測(cè)量方法，它的中心思想是比較圖像像素點(diǎn)間的局部差異，即圖像某一像素點(diǎn)跟其周圍像素點(diǎn)進(jìn)行灰度值大小的對(duì)比生成一串二進(jìn)制數(shù)，計(jì)算式為：

其中，gp表示相鄰像素點(diǎn)的灰度值，gc表示中心像素點(diǎn)灰度值，P表示相鄰像素點(diǎn)的個(gè)數(shù)，R是相鄰像素點(diǎn)與中心像素點(diǎn)的半徑距離，而s(x)表示符號(hào)函數(shù)，有：

若相鄰像素點(diǎn)的灰度值pg大于其中心像素點(diǎn)灰度值gc，二進(jìn)制位設(shè)置為1，否則設(shè)置為0。

2.2 LBP偽裝語音檢測(cè)方法

基于LBP的偽裝語音檢測(cè)方法是應(yīng)用LBP對(duì)語音信號(hào)的聲學(xué)特征向量進(jìn)行紋理分析，從而獲取反映語音聲學(xué)特性的紋理特征向量并用以真/偽語音的檢測(cè)，具體過程如圖1所示。包含的步驟有：首先，對(duì)一段語音信號(hào)進(jìn)行聲學(xué)特征提取并形成特征矢量序列，即矩陣。之后用LBP對(duì)整個(gè)矩陣進(jìn)行紋理分析，同時(shí)映射至LBPP,R，由此得到一幅紋理特征模式圖；最后將紋理特征模式圖中每一行的LBPP,R值用統(tǒng)計(jì)直方圖表示并垂直級(jí)聯(lián)得到紋理特征向量，用該紋理特征向量訓(xùn)練分類器，從而達(dá)到偽裝語音檢測(cè)的目的。

這種偽裝檢測(cè)策略有以下方面的缺陷：第一，在檢測(cè)語音轉(zhuǎn)換的欺騙攻擊時(shí)，偽裝檢測(cè)效果有欠缺；第二，步驟較為復(fù)雜，需預(yù)先提取傳統(tǒng)的語音信號(hào)的聲學(xué)特征向量，而且檢測(cè)的效果依賴該聲學(xué)特征，面對(duì)部分通過改變語音聲學(xué)特征生成的偽裝欺騙時(shí)，偽裝語音檢測(cè)效果較差。應(yīng)用LBP提取語音信號(hào)的紋理特征如圖1所示。

3 基于CLBP的偽裝語音檢測(cè)

3.1 CLBP算法

CLBP算法[15]是一種改進(jìn)的LBP算法，由CLBP_S、CLBP_M和CLBP_C 3部分組成，CLBP的組成框架如圖2所示。一段語音的聲學(xué)特征參數(shù)矢量序列構(gòu)成原始圖像，其紋理特征分為兩部分：局部差異和中心灰度。通過局部符號(hào)和幅度差異轉(zhuǎn)換分析圖像的局部符號(hào)差異和局部幅度差異分別得到CLBP_S和CLBP_M，再計(jì)算中心灰度與整幅圖像的灰度平均值的差值得CLBP_C，最后將三者組合構(gòu)成一幅CLBP圖并統(tǒng)計(jì)生成CLBP直方圖。

3.1.1 CLBP_S特征

CLBP_S特征表示圖像局部的符號(hào)差異，計(jì)算方法與LBP相同，首先讀取圖像的每個(gè)像素點(diǎn)灰度值，設(shè)置3×3的評(píng)估窗口進(jìn)行二進(jìn)制編碼，使其相鄰像素點(diǎn)與中心像素點(diǎn)進(jìn)行灰度值比較，若相鄰像素點(diǎn)的灰度值gp大于中心像素點(diǎn)灰度值gc，二進(jìn)制位設(shè)置為1，否則設(shè)置為0，即：

圖1 應(yīng)用LBP提取語音信號(hào)的紋理特征

圖2 CLBP的組成框架

該評(píng)估窗口可以生成8位二進(jìn)制數(shù)，同時(shí)轉(zhuǎn)換為十進(jìn)制值，每一個(gè)十進(jìn)制值代表一種紋理模式，從00000000(0)到11111111(255)一共有256種紋理模式。用該評(píng)估窗口分析整幅圖像，可以得到一幅包含256種紋理模式的特征圖像，通過直方圖統(tǒng)計(jì)并生成統(tǒng)計(jì)直方圖，將每一種紋理模式作為特征向量的一個(gè)維度，再將該紋理模式的數(shù)量作為特征向量在該維度下的值，所以一段語音可以得到1×256維的CLBP_S特征向量。

3.1.2 CLBP_M特征

CLBP_M特征表示的是圖像局部的幅度差異。先對(duì)相鄰像素點(diǎn)灰度值與中心像素點(diǎn)灰度值的差值取絕對(duì)值，記為相鄰像素點(diǎn)與中心像素點(diǎn)的幅度差值mp；再取整幅圖像所有幅度差值的平均，記為幅度差值的閾值c，即：

其中，gp為相鄰像素點(diǎn)的灰度值，gc為中心像素點(diǎn)灰度值；k為幅度差值pm的序號(hào)，N為mp的總數(shù)。將每個(gè)相鄰像素點(diǎn)與中心像素點(diǎn)的幅度差值的絕對(duì)值mp作為新的相鄰像素點(diǎn)灰度值，幅度差值的閾值c作為新中心像素點(diǎn)灰度值。設(shè)置3×3的評(píng)估窗口進(jìn)行二進(jìn)制編碼，使其新相鄰像素點(diǎn)與新中心像素點(diǎn)進(jìn)行灰度值比較，若新相鄰像素點(diǎn)的灰度值大于其新中心像素點(diǎn)灰度值，二進(jìn)制位設(shè)置為1，否則設(shè)置為0。該評(píng)估窗口同樣可以生成8位二進(jìn)制數(shù)并轉(zhuǎn)換為十進(jìn)制值，每一個(gè)十進(jìn)制值代表一種紋理模式，共有256種紋理模式。這樣一段語音的特征矢量序列構(gòu)成的圖就可以得到包含256種紋理模式的紋理特征，再將所有的紋理特征采用直方圖統(tǒng)計(jì)就可以得到1×256維的完整局部二進(jìn)制模式的幅度差值CLBP_M特征向量。CLBP_S特征和CLBP_M特征提取過程示意圖如圖3所示。

3.1.3 CLBP_C特征

CLBP_C特征表示整幅圖像的中心灰度水平，通過計(jì)算整幅圖像中所有中心像素點(diǎn)灰度值的平均cI，記為新的閾值，即：

其中，表示第k個(gè)中心像素點(diǎn)gc的灰度值，M為gc的總數(shù)。將每一局部區(qū)域的中心像素點(diǎn)的灰度值gc與cI比較，若中心像素點(diǎn)的灰度值大于cI記為1，否則記為0。這樣通過二進(jìn)制編碼就可以得到CLBP_C特征的值。

圖3 CLBP_S特征和CLBP_M特征提取過程示意圖

在分別計(jì)算CLBP_S特征、CLBP_M特征以及CLBP_C特征之后，將這些特征進(jìn)行串聯(lián)，得到用作偽裝語音檢測(cè)的CLBP特征向量。按照上述步驟，從所有真實(shí)語音和偽裝語音的特征參數(shù)矢量構(gòu)成的圖中求得CLBP特征向量，用作支持向量機(jī)的訓(xùn)練。

3.2 訓(xùn)練支持向量機(jī)

本文采用支持向量機(jī)[16]作為真/偽語音的分類器。給訓(xùn)練集設(shè)置標(biāo)簽，記為其中，N是訓(xùn)練樣本的總數(shù)，M是樣本空間的維數(shù)，yi是樣本的分類類別，yi=1表示偽裝語音，yi=－1表示真實(shí)語音。選用徑向基核函數(shù)（radial basic function，RBF），引入?yún)?shù)γ和錯(cuò)誤懲罰因子C同時(shí)進(jìn)行優(yōu)化，訓(xùn)練最優(yōu)支持向量確定一個(gè)最優(yōu)超平面。使目標(biāo)函數(shù)最大化，即：

受限條件為：

采用的RBF核函數(shù)為：

其中，iα為每個(gè)樣本對(duì)應(yīng)的拉格朗日乘子，錯(cuò)誤懲罰因子C在確定RBF核函數(shù)后，控制錯(cuò)誤分類樣本的懲罰程度。解中只有一部分iα不為零，所對(duì)應(yīng)的樣本就是訓(xùn)練所得的支持向量。

分類器支持向量機(jī)示意圖如圖4所示，支持向量機(jī)共有3層，從下至上分別為SVM輸入層、SVM隱藏層以及輸出層。通過上述步驟，可得分類函數(shù)：

其中，b為分類閾值，可由支持向量求得。應(yīng)用此分類決策函數(shù)可對(duì)待識(shí)別的語音信號(hào)的紋理特征分類，達(dá)到識(shí)別真/偽語音的目的。

圖4 分類器支持向量機(jī)示意圖

3.3 CLBP偽裝語音檢測(cè)

本文提出的基于CLBP的偽裝語音檢測(cè)算法，通過CLBP分析語音信號(hào)的特征參數(shù)矢量序列圖提取用以偽裝檢測(cè)的語音紋理特征向量。在提取語音信號(hào)的語譜圖時(shí)，首先對(duì)說話人語音信號(hào)進(jìn)行變量Q變換（VQT）得到清晰紋理的語譜圖，表示為：

其中，wNk是長度為Nk的窗函數(shù)，Q是VQT中的變量因子，k表示VQT譜的頻率序號(hào)，Nk值和k值有關(guān)。變量Q因子通過引入一個(gè)附加參數(shù)γ使Q因子向低頻平滑減小，以提高低頻處的分辨率，即：

將得到的語譜圖轉(zhuǎn)換為灰度圖，并提取CLBP特征，將其用作SVM訓(xùn)練及分類的語音紋理特征向量。采用上述方法獲取真實(shí)語音庫及偽裝語音庫中所有語音信號(hào)的CLBP紋理特征向量用作訓(xùn)練集，將訓(xùn)練得到的SVM作為識(shí)別偽裝語音的分類器。在識(shí)別時(shí)，同樣需要提取待識(shí)別的說話人語音紋理特征向量，進(jìn)而采用訓(xùn)練得到的SVM區(qū)分真/偽語音。

4 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析

4.1 數(shù)據(jù)集

實(shí)驗(yàn)選用ASVspoof 2015語音庫[17]評(píng)估本文所提算法的性能，該語音庫包含了真實(shí)語音和偽裝語音，真實(shí)語音是在無噪環(huán)境下由106位說話人錄制，其中包含45名男性和61名女性，而偽裝語音是采用多種不同算法修改真實(shí)語音而得。語音信號(hào)的采樣頻率為16 kHz，以16位比特量化，音頻文件格式為RIFF/WAVE。將語音庫中的數(shù)據(jù)集分為訓(xùn)練集、開發(fā)集和評(píng)估集3個(gè)子集，各個(gè)子集之間沒有重復(fù)，具體情況見表1。

表1 訓(xùn)練集、開發(fā)集和評(píng)估集的說話人和語音數(shù)量

實(shí)驗(yàn)語音庫中的偽裝語音由語音轉(zhuǎn)換和語音合成兩種偽裝方式生成見表2，共分為10個(gè)子集，分別表示為S1～S10，具體情況介紹可以參考文獻(xiàn)[18]。

表2 語音庫中各子集語音的數(shù)量及偽裝方式

4.2 偽裝語音檢測(cè)系統(tǒng)性能評(píng)估方法

實(shí)驗(yàn)采用等錯(cuò)誤率（equal error rate，EER）的指標(biāo)來評(píng)價(jià)偽裝語音檢測(cè)系統(tǒng)的性能。在偽裝語音檢測(cè)系統(tǒng)中，為判別語音樣本是否是真實(shí)的說話人聲音，會(huì)為該語音樣本計(jì)算打分。分?jǐn)?shù)越高，是真實(shí)語音的概率越大；反之越小，更可能是偽裝語音。檢測(cè)系統(tǒng)預(yù)先設(shè)定閾值θ，若得分高于閾值θ判定為真實(shí)語音，反之判定為偽裝語音。由此，可以得到兩種常見的指標(biāo)。

（1）錯(cuò)誤拒絕率（false rejection rate，F(xiàn)RR）

真/偽語音分類問題中，若真實(shí)語音樣本的得分小于閾值θ被系統(tǒng)誤認(rèn)為偽裝語音，則為錯(cuò)誤拒絕。錯(cuò)誤拒絕數(shù)量在所有真實(shí)語音案例的比例即錯(cuò)誤拒絕率PFR(θ)，計(jì)算式為：

（2）錯(cuò)誤接受率（false acceptance rate，F(xiàn)AR）

若偽裝語音樣本的得分大于閾值θ被系統(tǒng)誤認(rèn)為真實(shí)語音，則為錯(cuò)誤接受。錯(cuò)誤接受數(shù)量在所有偽裝語音數(shù)量中的比例即錯(cuò)誤接受率PFA(θ)，計(jì)算式為：

其中，PFR(θ)會(huì)隨著閾值θ的增大單調(diào)增大，而PFA(θ)會(huì)隨著閾值θ的增大單調(diào)減小。當(dāng)閾值θ=θEER時(shí)，這兩種錯(cuò)誤檢測(cè)率相等，便是等錯(cuò)誤概率EER，計(jì)算式為：

錯(cuò)誤拒絕率和錯(cuò)誤接受率相等時(shí)，EER大小可以用來評(píng)估偽裝語音檢測(cè)系統(tǒng)性能，EER越小，偽裝語音檢測(cè)效果越好，反之偽裝語音檢測(cè)效果越差。

4.3 偽裝語音檢測(cè)系統(tǒng)性能測(cè)試

實(shí)驗(yàn)采用LBP算法與本文所提CLBP算法進(jìn)行性能對(duì)比，采用的特征參數(shù)如下。

（1）分別提取線性倒譜系數(shù)（linear frequency cepstral coefficient，LFCC）和梅爾倒譜系數(shù)（mel-frequency cepstral coefficient，MFCC）這兩種聲學(xué)特征參數(shù)。應(yīng)用SPro5工具提取訓(xùn)練集中語音信號(hào)的38維LFCC特征（12LFCC、 12 ΔLFCC、12 ΔΔLFCC、ΔEnergy、 ΔΔEnergy）以及38 維MFCC特征（12 MFCC、 12 Δ MFCC、12 ΔΔMFCC、ΔEnergy、ΔΔEnergy），并用LBP和CLBP的紋理分析方法提取上述兩種聲學(xué)特征中各自的LBP特征向量和CLBP特征向量。

（2）利用VQT將訓(xùn)練集中每一個(gè)語音轉(zhuǎn)換為語譜圖，并用LBP和CLBP的紋理分析方法分別提取每一張語譜圖的LBP特征向量和CLBP特征向量。

將上述各類參數(shù)在開發(fā)集和評(píng)估集中進(jìn)行測(cè)試，比較各種情況下的偽裝語音檢測(cè)性能。在進(jìn)行VQT時(shí)，為了選擇合適的附加參數(shù)γ的值，實(shí)驗(yàn)在3個(gè)不同的分類器中進(jìn)行了性能測(cè)試。這3個(gè)分類器包括GMM-UBM、具有因子分析（factor analysis，F(xiàn)A）信道補(bǔ)償?shù)腉MM（GMM-FA）以及SVM-RBF系統(tǒng)，實(shí)驗(yàn)結(jié)果見表3。從表3的實(shí)驗(yàn)結(jié)果來看，在各類分類器，當(dāng)γ=50時(shí)，檢測(cè)系統(tǒng)的等錯(cuò)誤率最小，性能最好。另外，不論附加參數(shù)γ取何值，本文采用的方案CLBP_S/M/C+SVM-RBF具有最佳的性能。

采用不同特征參數(shù)在開發(fā)集數(shù)據(jù)中進(jìn)行性能對(duì)比，實(shí)驗(yàn)結(jié)果見表4。由表4可知，當(dāng)提取特征的對(duì)象相同時(shí)，采用CLBP_S/M/C的系統(tǒng)檢測(cè)效果普遍要好于采用LBP的系統(tǒng)；當(dāng)提取特征的方法相同時(shí)，對(duì)語譜圖提取紋理特征的檢測(cè)性能優(yōu)于LPCC和MFCC。因此，從實(shí)驗(yàn)結(jié)果來看，采用CLBP_S/M/C方法對(duì)語譜圖提取紋理特征向量具有最好的檢測(cè)效果。同時(shí)，實(shí)驗(yàn)也發(fā)現(xiàn)，不管采用哪個(gè)方法，在檢測(cè)S2這種偽裝語音類型時(shí)，EER都明顯增大，因?yàn)镾2是通過改變聲學(xué)特征而生成的偽裝語音，單純依靠聲學(xué)特征參數(shù)進(jìn)行檢測(cè)會(huì)比較困難。

表3 評(píng)估集中各個(gè)偽裝語音檢測(cè)系統(tǒng)的等錯(cuò)誤率比較

表4 開發(fā)集不同特征參數(shù)情況下等錯(cuò)誤率對(duì)比

從MFCC特征可以看出，通過它提取的紋理特征向量訓(xùn)練的系統(tǒng)檢測(cè)S2欺騙的效果最差，這是由于S2為通過調(diào)整第一階梅爾倒譜系數(shù)生成的語音轉(zhuǎn)換欺騙。在檢測(cè)S3、S4這兩種語音合成偽裝欺騙時(shí)，得到的等錯(cuò)誤率普遍小于檢測(cè)S1、S2和S5這3種由語音轉(zhuǎn)換偽裝欺騙求得的等錯(cuò)誤概率，可見基于紋理特征的檢測(cè)方法對(duì)語音合成的欺騙檢測(cè)效果較好。在檢測(cè)S1、S2和S5這3種語音轉(zhuǎn)換偽裝欺騙時(shí)，采用CLBP_S/M/C方法對(duì)語譜圖提取紋理特征向量進(jìn)行偽裝檢測(cè)相比于傳統(tǒng)基于LBP的方法具有更小的EER值，可見本文所提出的基于CLBP對(duì)語譜圖提取紋理特征向量的偽裝語音檢測(cè)方法比傳統(tǒng)的基于LBP的方法有更好的性能，提升了對(duì)語音轉(zhuǎn)換偽裝欺騙的檢測(cè)效果。

表5是系統(tǒng)在評(píng)估集的性能測(cè)試結(jié)果。從表5可知，由語譜圖提取紋理特征向量在S1～S9這9種偽裝欺騙中進(jìn)行偽裝檢測(cè)的等錯(cuò)誤率較小，檢測(cè)效果較好。同時(shí)，不管哪種情況，在檢測(cè)未知欺騙S10時(shí)，EER值均明顯增大。這說明與其他攻擊相比，使用MaryTTS的S10欺騙語音是最難檢測(cè)的攻擊類型，原因是S10欺騙語音不使用聲碼器，而是使用了單元選擇合成算法選擇語音段并級(jí)聯(lián)生成欺騙語音，保留了較多的紋理特征。在檢測(cè)S2和S6偽裝欺騙時(shí)，由LPCC和MFCC這些聲學(xué)參數(shù)提取紋理特征向量的性能表現(xiàn)較差，因?yàn)檫@依賴于語音信號(hào)提取的聲學(xué)特征，導(dǎo)致在檢測(cè)由語音信號(hào)的聲學(xué)特征生成的語音轉(zhuǎn)換欺騙時(shí)系統(tǒng)的偽裝檢測(cè)性能明顯降低。在檢測(cè)未知的語音轉(zhuǎn)換欺騙攻擊（S6～S9）時(shí)，傳統(tǒng)基于LBP對(duì)聲學(xué)特征提取紋理特征向量的偽裝語音檢測(cè)性能較差，而采用CLBP_S/M/C方法對(duì)語譜圖提取紋理特征向量的檢測(cè)性能較好。整體來看，基于CLBP_S/M/C紋理提取方法相比基于LBP的紋理提取方法在檢測(cè)效果上有了較大的提升。

表5 評(píng)估集中幾種偽裝語音檢測(cè)方法的EER對(duì)比

5 結(jié)束語

本文提出了一種基于CLBP的偽裝語音檢測(cè)算法，它有效地改善了傳統(tǒng)的基于LBP的偽裝語音檢測(cè)方法的性能，特別是在面對(duì)由語音轉(zhuǎn)換生成的偽裝語音時(shí)效果更加明顯。實(shí)驗(yàn)結(jié)果表明，當(dāng)VQT的附加參數(shù)γ=50時(shí)，由CLBP特征參數(shù)和SVM-RBF分類器構(gòu)建的偽裝語音檢測(cè)系統(tǒng)具有最佳的性能。