伪装语音检测是通过对说话人的声音进行分析,进而识别出它是真实说话人的语音还是人为恶意伪装的语音。伪装语音通常由人为模仿、设备回放、语音转换及语音合成技术生成,通过这些蓄意的操作能够伪装成特定的说话人声音,从而达到欺骗自动说话人认证系统的目的。伪装语音识别系统可针对恶意的伪装语音实现伪装检测,提高自动说话人认证系统安全性能,具有广阔的应用前景。伪装语音识别通常需要对目标语音信号特征提取,再跟其对应的真实语音的特征比对分析进而判定真伪。语音信号的纹理特征便是一种区分真伪语音的重要特征参数,基于局部二进制模式提取语音声学特征中的纹理信息,再用以检测伪装语音。而该方法步骤较为复杂,需预先提取语音信号的声学特征向量,同时检测的效果依赖该声学特征,面对部分通过改变语音声学特征生成的伪装欺骗时,伪装语音检测效果较差。而且该方法在检测语音转换的欺骗攻击时效果也比较差。针对基于局部二进制模式的伪装语音检测方法在检测语音转换的欺骗攻击时效果较差的情况,本文提出了一种基于完整局部二进制模式(Completed Local Binary Pattern,CLBP)的伪装语音检测方法。本文利用变量Q变换将语料库中训练集的真实语音和伪装语音转换为语音语谱图,并应用完整局部二进制模式提取语谱图中的纹理特征向量,用获得的纹理特征向量训练具有真伪语音分类功能的分类器,实现了伪装语音检测。实验选用ASVspoof 2015语音库进行测试,实验结果表明,基于完整局部二进制模式的伪装语音检测方法在检测语音转换的欺骗攻击时效果较好,并且当变量Q变换的附加参数?值为50时,由完整局部二进制模式特征向量训练的基于径向基核函数的支持向量机系统的伪装语音检测性能最佳。为增强基于CLBP的伪装语音检测方法在面对未知的欺骗攻击时的检测效果,本文引入了方向梯度直方图(Histogram of Gradient,HOG)特征,提出了一种基于CLBP-HOG的伪装语音检测方法,同样将语音信号的语谱图作为特征提取的对象,应用方向梯度直方图算法提取语谱图中不同方向上的梯度分布特征向量,并将其与语谱图中的CLBP特征向量联合在一起,形成CLBP-HOG特征向量,用获得的CLBP-HOG特征向量训练具有真伪语音分类功能的分类器。方向梯度直方图特征能够获取语谱图中声纹的边缘和拐角信息,为纹理特征提供补充信息。实验结果表明,基于CLBP-HOG的伪装语音检测方法改善了基于CLBP的伪装语音检测方法对未知伪装语音检测效果,提高了伪装语音检测系统的整体检测效果。