CN116567150B - 一种会议室防窃听偷录的方法及系统 - Google Patents
一种会议室防窃听偷录的方法及系统 Download PDFInfo
- Publication number
- CN116567150B CN116567150B CN202310842072.XA CN202310842072A CN116567150B CN 116567150 B CN116567150 B CN 116567150B CN 202310842072 A CN202310842072 A CN 202310842072A CN 116567150 B CN116567150 B CN 116567150B
- Authority
- CN
- China
- Prior art keywords
- audio signal
- signal data
- data
- audio
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000005236 sound signal Effects 0.000 claims abstract description 220
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 230000008878 coupling Effects 0.000 claims abstract description 40
- 238000010168 coupling process Methods 0.000 claims abstract description 40
- 238000005859 coupling reaction Methods 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000003064 k means clustering Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 8
- 210000005069 ears Anatomy 0.000 claims description 7
- 230000033764 rhythmic process Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012958 reprocessing Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 230000000873 masking effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005669 field effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000003926 auditory cortex Anatomy 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/56—Arrangements for connecting several subscribers to a common circuit, i.e. affording conference facilities
- H04M3/568—Arrangements for connecting several subscribers to a common circuit, i.e. affording conference facilities audio processing specific to telephonic conferencing, e.g. spatial distribution, mixing of participants
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0264—Noise filtering characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0316—Speech enhancement, e.g. noise reduction or echo cancellation by changing the amplitude
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明涉及信号处理领域，本发明公开了一种会议室防窃听偷录的方法及系统，该方法可以可以有效防止会议室内的防窃听偷录设备，屏蔽面积广，不会影响到其他的音频电子设备、也不会对人体造成伤害。通过音频数据采集模型对室内环境中的音频信号进行高速率采样，得到第一音频信号数据；将所述第一音频信号数据输入至音频信号处理模型中进行数据预处理，得到目标音频信号数据；利用K‑means聚类算法将所述目标音频信号数据进行数据处理，得到仿真干扰信号数据；通过卷积神经网络模型计算所述仿真干扰信号数据和所述目标音频信号数之间的耦合度；将所述耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中。
Description
技术领域
本发明涉及信号处理领域，特别是一种会议室防窃听偷录的方法及系统。
背景技术
目前国内外对防窃听技术的研究有很多，现有技术中最常见的防窃听设备仅是针对无线窃听装置，而且它是通过提前排查周围环境查找存在的无线窃听器，只能实现“防窃听”但未实现“反录音”。常见的无线窃听器的主要工作原理是通过窃听器录制下声音信号，然后通过电磁波的方式进行数据传输。所以针对这类无线窃听设备，主要依靠无线窃听设备探测器，这类探测设备通过对全频段范围内的电磁波进行扫描，可以发现环境中利用某些频段进行无线信息传输的设备，通过对这些设备的排查，可以发现潜在的窃听装置。除此之外，还有利用电磁干扰，将电磁信号耦合进入电路，干扰转化为电信号后的声音信息，可以利用电磁白噪声进行电磁干扰，但是可屏蔽距离较短、影响其他电子设备、对人体造成伤害是这种防窃听方法存在的问题。
发明内容
本发明的目的是为了解决上述问题，设计了一种会议室防窃听偷录的方法及系统。
实现上述目的本发明的技术方案为，进一步，在一种会议室防窃听偷录的方法中，该防窃听偷录方法包括以下步骤：
通过音频数据采集模型对室内环境中的音频信号进行高速率采样，得到第一音频信号数据；
将所述第一音频信号数据输入至音频信号处理模型中进行数据预处理，得到目标音频信号数据；
利用K-means聚类算法将所述目标音频信号数据进行数据处理，得到仿真干扰信号数据；
通过卷积神经网络模型计算所述仿真干扰信号数据和所述目标音频信号数之间的耦合度；
将所述耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中。
进一步，在上述防窃听偷录方法中，所述通过音频数据采集模型对室内环境中的音频信号进行高速率采样，得到第一音频信号数据包括：
设定音频数据采集模型中音频信号的采样频率；
通过所述音频数据采集模型对室内环境中所述采样频率为30KHz-85KHz的音频信号进行高速率采样；
过滤所述采样频率小于30KHz的音频信号和大于85KHz的音频信号，得到第一音频信号数据。
进一步，在上述防窃听偷录方法中，所述将所述第一音频信号数据输入至音频信号处理模型中进行数据预处理，得到目标音频信号数据包括：
获取所述第一音频信号数据，利用递归对数最小平均p范数算法对所述第一音频信号数据进行降噪处理，得到第二音频信号数据；
获取所述第二音频信号数据，利用双边带调幅调制算法对所述第二音频信号数据进行幅值及平方计算，得到解调后的音频平方数据；
将所述音频平方数据通过滤波计算处理，得到目标音频信号数据。
进一步，在上述防窃听偷录方法中，所述利用K-means聚类算法将所述目标音频信号数据进行数据处理，得到仿真干扰信号数据包括：
获取所述目标音频信号数据，随机确定所述目标音频信号数据中K个初始点作为质心音频信号数据；
将所述质心音频信号数据中的每个点分配至一个簇中, 得到距每个点最近的仿真音频信号数据；
将所述仿真音频信号数据分配至所述质心音频信号数据所对应的簇中，每个簇的质心音频信号数据更新为簇所有点的平均值，得到仿真干扰信号数据。
进一步，在上述防窃听偷录方法中，所述利用K-means聚类算法将所述目标音频信号数据进行数据处理，得到仿真干扰信号数据还包括：
所述仿真干扰信号数据为人耳不可听的超声波音频数据，与所述目标音频信号的音频频率、音色、旋律、节奏、能量、过零率、LPC系数数据相同的干扰音频信号；
所述仿真干扰信号数据音频频率随着所述目标音频信号数据的变化而进行变化。
进一步，在上述防窃听偷录方法中，所述通过卷积神经网络模型计算所述仿真干扰信号数据和所述目标音频信号数之间的耦合度包括：
获取所述仿真干扰信号数据，通过卷积神经网络模型计算所述仿真干扰信号数据的卷积值，得到第一卷积值；
获取所述目标音频信号数，通过卷积神经网络模型计算所述目标音频信号数的卷积值，得到第二卷积值；
令第一卷积值=A；第二卷积值=B，耦合度=C；则耦合度C=（A/B）%。
进一步，在上述防窃听偷录方法中，所述将所述耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中包括：
设定阈值为85%-99%；判断所述耦合度是否大于设定的阈值，若所述耦合度大于设定阈值，则将所述仿真干扰信号数据通过音频信号输出模型输出至室内环境中；
若所述耦合度小于设定阈值，则将所述仿真干扰信号数据输入至所述音频信号处理模型进行再次处理。
进一步，在上述防窃听偷录方法中，所所述将所述耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中还包括：
所述音频信号输出模型为超声波信号输出装置，输出高定向性、人耳不可听的音频信号；
所述音频信号输出模型还包括实时监测环境中的语音信号和实时输出的防窃听信号。
实现上述目的本发明的技术方案为，进一步，在上述一种会议室防窃听偷录的系统中，所述防窃听偷录系统，包括：
音频采样模块，用于通过音频数据采集模型对室内环境中的音频信号进行高速率采样，得到第一音频信号数据；
数据处理模块，用于将所述第一音频信号数据输入至音频信号处理模型中进行数据预处理，得到目标音频信号数据；
数据分析模块，用于利用K-means聚类算法将所述目标音频信号数据进行数据处理，得到仿真干扰信号数据；
判断模块，用于通过卷积神经网络模型计算所述仿真干扰信号数据和所述目标音频信号数之间的耦合度；
信号输出模块，用于将所述耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中。
进一步，在上述一种会议室防窃听偷录的系统中，所述数据分类模块，包括：
降噪子模块，用于获取所述第一音频信号数据，利用递归对数最小平均p范数算法对所述第一音频信号数据进行降噪处理，得到第二音频信号数据；
解调子模块，用于获取所述第二音频信号数据，利用双边带调幅调制算法对所述第二音频信号数据进行幅值及平方计算，得到解调后的音频平方数据；
计算子模块，用于将所述音频平方数据通过滤波计算处理，得到目标音频信号数据。
其有益效果在于，通过音频数据采集模型对室内环境中的音频信号进行高速率采样，得到第一音频信号数据；将所述第一音频信号数据输入至音频信号处理模型中进行数据预处理，得到目标音频信号数据；利用K-means聚类算法将所述目标音频信号数据进行数据处理，得到仿真干扰信号数据；通过卷积神经网络模型计算所述仿真干扰信号数据和所述目标音频信号数之间的耦合度；将所述耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中。可以有效防止会议室内的防窃听偷录设备，屏蔽距离长，屏蔽面积广、不会影响到其他的音频电子设备、也不会对人体造成伤害。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明实施例中基于会议室防窃听偷录的方法的第一个实施例示意图；
图2为本发明实施例中基于会议室防窃听偷录的方法的第二个实施例示意图；
图3为本发明实施例中基于会议室防窃听偷录的方法的第三个实施例示意图；
图4为本发明实施例中基于会议室防窃听偷录的系统的第一个实施例示意图；
图5为本发明实施例中基于会议室防窃听偷录的系统的第二个实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面结合附图对本发明进行具体描述，如图1所示，一种会议室防窃听偷录的方法，该防窃听偷录方法包括以下步骤：
步骤101、通过音频数据采集模型对室内环境中的音频信号进行高速率采样，得到第一音频信号数据。
具体的，设定音频数据采集模型中音频信号的采样频率；通过音频数据采集模型对室内环境中所述采样频率为30KHz-85KHz的音频信号进行高速率采样；过滤采样频率小于30KHz的音频信号和大于85KHz的音频信号，得到第一音频信号数据。
具体的，音频数据采集模型采用可以采集室内音频的设备或者装置，可以采集室内人耳可听见的声波和人耳不可听见的超声波。主要包括麦克风传感器、前置放大电路、低通滤波器和模数转换器。声音信号经过麦克风传感器转变为电信号，然后电信号通过前置放大器、低通滤波器之后传输至 ADC 进行数模转化，最后进入处理器进行信号处理。
具体的，音频数据采集模型例如可以采用MEMS麦克风。MEMS麦克风传感器一般存在一个音孔用于与外部环境相连接，在与音孔连接的空隙中有隔膜和背板，还包含用于信号处理的 MEMS芯片。隔膜是悬浮在背板之上的，它可以通过上下移动改变两者之间的尺寸。同时隔膜和背板之间存在一些固定电荷，因此两者可以构成一个简易的电容器件。当在声波的作用下，空气产生振动，空气压力通过音孔作用于振膜，振膜在气压的作用下则会发生弯曲。这种弯曲的机械变化进一步导致电容的变化，而在背板上的电荷量不变，因而机械变化最终产生交流信号，这样气压的变化转变成了电信号的处理。
步骤102、将第一音频信号数据输入至音频信号处理模型中进行数据预处理，得到目标音频信号数据。
具体的，音频信号处理模型为一种音频降噪处理算法，它适合应用在噪声信号是一种平稳的而且是一种加性噪声的环境。通过对一段不含人声的含噪信号作为噪声信号，估算出噪声的频谱，然后将含噪信号的频谱减去噪声信号频谱，就可以认为得到语音信号的频谱。最后利用含噪信号的相位来复原语音信号的相位，因为相位的变化并不会影响语音的可懂性。使用谱减法的前提是将某段含噪信号作为纯噪音信号，并进一步将这段的噪声应用到整段信号中以此得到纯净的语音信号频谱。
具体的，音频信号处理模型可以采用自适应滤波算法是在音频降噪中运用的较多的一种算法。它主要是根据环境中的语音信号和噪声信号，来时刻调整滤波器参数，从而实现一种最优化的滤波效果，是一种对加权系数进行最优化以获得最小误差的计算方法。是一种最小均方误差自适应算法，改进为变步长的最小均方误差算法，可以对处理过后的语音信号质量进一步提高。
具体的，音频信号处理模型还可以采用改进递归对数最小均方p范数算法，通过拟牛顿法来构建正定矩阵进行语音降噪处理，可以有效的降低含噪信号中的有色噪声信号，提高了语音质量。
具体的，音频信号处理模型还包括声学参量阵算法和自适应滤波算法组合利用；声学参量阵算法超声换能器发出超声波之后，可以沿着轴向不断进行自解调，解调出来的差频波沿着轴向不断累计，形成一个虚拟存在的线性声源，它可以导致差频波在轴向上先呈现出由于虚源叠加而不断增强，而后又因为空气衰减而不断减小这样一个声压先增后减的现象。声学参量阵又有它具有出色地指向性，所以可以减少音频的多径干扰，同时降低由于传播起伏所引起的失真干扰。
声学参量阵还可以采用平方根法，为了消除双边带调制产生的谐波分量，当采用此种调制方式，将不会出现谐波分量。采用这种方法，会出现自解调信号幅度失真，即它的有效信号输出不如双边带调制方法。平方根法虽然能够提供无谐波失真的自解调信号，但由于它引入了无限的谐波，使得信号的频率分量分布在整个频带上。
步骤103、利用K-means聚类算法将目标音频信号数据进行数据处理，得到仿真干扰信号数据。
具体的，K-means聚类算法是针对音频信号数据分布波动，存在不同的初始值对应不同的局部最大值情况。如果仅利用EM的算法求解易陷入局部最优解，并且迭代次数多，计算复杂。若要用GMM进行一次完整的建模需要提前对观测数据即进行一次粗分类也就是先确立初始值，本文为了保证聚类结果的准确率，使用K-means算法来计算群聚中心点，作为EM参数中均值的初始值。
步骤104、通过卷积神经网络模型计算仿真干扰信号数据和目标音频信号数之间的耦合度。
具体的，获取仿真干扰信号数据，通过卷积神经网络模型计算所述仿真干扰信号数据的卷积值，得到第一卷积值；获取目标音频信号数，通过卷积神经网络模型计算目标音频信号数的卷积值，得到第二卷积值；令第一卷积值=A；第二卷积值=B，耦合度=C；则耦合度C=（A/B）%。
具体的，卷积神经网络模型属于一类人工神经网络，其中基于卷积核或滤波器的共享权结构，沿着输入特征滑动的操作，称为特征映射。卷积神经网络是多层感知器的正则化版本，在多层感知器的一般定义中表示为全连接网络一即一层中的每个神经元都连接到下一层中的所有神经元。这种全连接网络的“完全连通性”使它们的数据容易过度拟合，为了防止过拟合现象出现典型的方法包括：在训练期间设置惩罚参数(如权重衰减)或减少神经元之间的连接(如跳过连接、丢弃法等)。
具体的，卷积神经网络模型可以采用基于梅尔频谱图的音频分类算法和频谱图极大极小峰谷轨迹的音频分类算法，其中频谱图极大极小峰谷轨迹的音频分类算法中频谱图是可视化音频信号的节奏－频谱特性的一种常用方法，频谱图是可视化音频信号的节奏-频谱特性的一种常用方法，分别为语音和音乐的频谱图。谱图可以有高时间分辨率(宽带谱图)或高频分辨率(窄带谱图)，但这两个特点不能同时具有。宽带频谱图是由较短的时间窗口生成的，它们的特征是垂直的条纹，以突出的水平波段的形式代表音高周期和共振峰频率(在语音的情况下)。窄带频谱图使用更长的分析窗口生成，并有描绘基频及其谐波的水平条纹。音频帧的频谱中的峰值可以在频谱图中出现条纹模式。通过追踪频谱图中最高频谱峰的轨迹，可以捕获不同的类别特定特性，研究人员还使用了频谱图来提取特征，例如，梅斯加拉尼等人的灵感来自于听觉皮层处理方法，他们使用类似Gabor的频谱-时间响应场从频谱图中提取特征。而Neammalai等人对标准频谱图进行值化和平滑形成二值图像，并将其作为特征进行分类。
步骤105、将耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中。
具体的，设定阈值为85%-99%；判断所述耦合度是否大于设定的阈值，若所述耦合度大于设定阈值，则将所述仿真干扰信号数据通过音频信号输出模型输出至室内环境中；若所述耦合度小于设定阈值，则将所述仿真干扰信号数据输入至所述音频信号处理模型进行再次处理。
具体的，音频信号输出模型为超声波信号输出装置，输出高定向性、人耳不可听的音频信号；音频信号输出模型还可实时监测环境中的语音信号和实时输出的防窃听信号。
具体的，音频信号输出模型例如可以采用驻极体麦克风。当驻极体膜片遇到声波振动时，就会引起与金属极板间距离的变化，也就是驻极体振动膜片与金属极板之间的电容随着声波变化，进而引起电容两端固有的电场发生变化（U=Q/C），从而产生随声波变化而变化的交变电压。由于驻极体膜片与金属极板之间所形成的“电容”容量比较小（一般为10PF~40PF左右），因而它的输出阻抗值（XC=1/2πfC）很高，达到 MΩ级别。这样高的阻抗是不能直接与一般音频放大器的输入端相匹配的，所以在话筒内接入了一只结型场效应管来进行阻抗变换。通过输入阻抗非常高的场效应管将“电容”两端的电压取出来，并同时进行放大，就得到了和声波相对应的输出电压信号。
其有益效果在于，通过音频数据采集模型对室内环境中的音频信号进行高速率采样，得到第一音频信号数据；将所述第一音频信号数据输入至音频信号处理模型中进行数据预处理，得到目标音频信号数据；利用K-means聚类算法将所述目标音频信号数据进行数据处理，得到仿真干扰信号数据；通过卷积神经网络模型计算所述仿真干扰信号数据和所述目标音频信号数之间的耦合度；将所述耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中。可以有效防止会议室内的防窃听偷录设备，屏蔽距离长，屏蔽面积广、不会影响到其他的音频电子设备、也不会对人体造成伤害。
本实施例中，请参阅图2，本发明实施例中基于会议室防窃听偷录的方法的第二个实施例，将第一音频信号数据输入至音频信号处理模型中进行数据预处理，得到目标音频信号数据包括以下步骤：
步骤201、获取第一音频信号数据，利用递归对数最小平均p范数算法对第一音频信号数据进行降噪处理，得到第二音频信号数据；
具体的，递归对数最小平均p范数算法是一种自适应滤波算法，性能主要由收敛速度和稳态误差来衡量，变步长是提高算法性能的有效方法。在高斯噪声下，采用瞬时误差来更新步长是一种简单有效的方法；但在非高斯噪声(脉冲噪声)下，估计误差对脉冲噪声敏感，不能直接用于步长的更新，需建立步长与误差之间的非线性关系式，以对抗脉冲噪声的干扰。基于变形高斯函数的抗脉冲噪声干扰变步长方法，采用变形高斯函数来控制算法步长的改变，与其他变步长方法相比计算复杂度更低、算法收敛性更好和稳态性能更优。
具体计算步骤：引入参数a, b，提出改进的变形高斯函数，其表达式为；其中，参数a, b共同控制函数f(e(n))的形状和取值范围，不同参数a, b下函数图像中，在误差较大时，函数值很小且趋于0，函数值不受误差突变的影响，在脉冲噪声下该函数有着良好的稳定性。函数在当误差在附近时，函数能取得较大值，以提高收敛速度；当误差接近原点时，函数值逐渐接近于0，以降低稳态误差。改进的变形高斯函数f(e(n))反映了误差的动态变化，对脉冲噪声具有鲁棒性，且实现简单，可使用该函数来更新步长。
步骤202、获取第二音频信号数据，利用双边带调幅调制算法对第二音频信号数据进行幅值及平方计算，得到解调后的音频平方数据；
步骤203、将音频平方数据通过滤波计算处理，得到目标音频信号数据。
具体的，滤波计算处理是数据去噪算法。
本实施例中，请参阅图3，本发明实施例中基于会议室防窃听偷录的方法的第三个实施例，利用K-means聚类算法将所述目标音频信号数据进行数据处理，得到仿真干扰信号数据还包括以下步骤：
步骤301、获取目标音频信号数据，随机确定目标音频信号数据中K个初始点作为质心音频信号数据；
步骤302、将质心音频信号数据中的每个点分配至一个簇中, 得到距每个点最近的仿真音频信号数据；
步骤303、将仿真音频信号数据分配至所述质心音频信号数据所对应的簇中，每个簇的质心音频信号数据更新为簇所有点的平均值，得到仿真干扰信号数据。
具体的，仿真干扰信号数据为人耳不可听得超声波音频数据，与所述目标音频信号的音频频率、音色、旋律、节奏、能量、过零率、LPC 系数等数据相近的干扰音频信号；
所述仿真干扰信号数据音频频率随着所述目标音频信号数据的变化而进行变化。
上面对本发明实施例提供的一种会议室防窃听偷录的方法进行了描述，下面对本发明实施例的基于会议室防窃听偷录的系统进行描述，请参阅图4，本发明实施例中防窃听偷录系统一个实施例包括：
401、音频采样模块，用于通过音频数据采集模型对室内环境中的音频信号进行高速率采样，得到第一音频信号数据；
402、数据处理模块，用于将所述第一音频信号数据输入至音频信号处理模型中进行数据预处理，得到目标音频信号数据；
403、数据分析模块，用于利用K-means聚类算法将所述目标音频信号数据进行数据处理，得到仿真干扰信号数据；
404、判断模块，用于通过卷积神经网络模型计算所述仿真干扰信号数据和所述目标音频信号数之间的耦合度；
405、信号输出模块，用于将所述耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中。
具体的，防窃听偷录系统可以为基于 LabVIEW 开发平台，搭建了一套隐私信号实时采集处理系统，可以针对环境中的语音信号进行实时采集，并通过前文提到的注入信号生成算法进行数据处理，最后将注入信号通过模拟通道输出，通过超声参量阵进行发射，实现防窃听功能。
音频信号采集模块，用于获取数据采集卡得到模拟数据，并设置了数据的采集率，进行了时钟同步，设置了每通道采样数。采用中心频率为25kHz的换能器阵列，为了获得更好的响应，所以选择的信号调制的载波频率也为25kHz。为了保证对语音信号的采样不失真，选择 96kHz作为NImyDAQ的采集率。
信号处理模块，用于生成与隐私信号相互耦合的噪音信号。由于通过麦克风传感器获取到的模拟信号存在一个直流偏量，所以为了可以更好的调制信号，在数据进入算法前，先取均值再减去均值以此去除直流量。之后进行耦合噪音的生成与噪音的调制输出。
输出模块，用于防窃听注入信号的输出。通过信号处理模块之后的，选择输出的模拟通道，利用myDAQ实现模拟量的输出。
展示模块，用于可以在前端界面设置不同模拟采样输入通道、模拟输出通道、采样率以及每通道采样数等关键参数，实时监测环境中的语音信号和实时输出的防窃听信号。
本实施例中，请参阅图5，本发明实施例中基于安全产品风险威胁的防窃听偷录方法的第二个实施例，数据处理模块包括：
4021、降噪子模块，用于获取所述第一音频信号数据，利用递归对数最小平均p范数算法对所述第一音频信号数据进行降噪处理，得到第二音频信号数据；
具体的，加性噪音测试了纯音掩蔽信号和噪音掩蔽信号两组音频数据，可以看到，对于纯音掩蔽信号，由于这是一个频率离散的信号，所以可以使得能量更加集中，相同功率下可以实现更好的掩蔽效果。下图分别为录音笔和手机所录到的纯音掩蔽信号和噪音掩蔽信号。可以看到，相同的注入信号对于不同的录音设备。
4022、解调子模块，用于获取所述第二音频信号数据，利用双边带调幅调制算法对所述第二音频信号数据进行幅值及平方计算，得到解调后的音频平方数据；
具体的，音频去噪处理过后，其信号时域分布与原始音频相比几乎一致，这是因为耦合信号本质上是一个乘性信号，只是在进过非线性变化之后和原音频进行耦合，所以它具有乘性噪声的特性，即它的存在是由于信号的存在，当信号不存在，或者说振幅为零时，耦合噪声也将不存在。
4023、计算子模块，用于将所述音频平方数据通过滤波计算处理，得到目标音频信号数据。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变和改进，这些变和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种会议室防窃听偷录的方法，其特征在于，所述防窃听偷录的方法包括以下步骤：
通过音频数据采集模型对室内环境中的音频信号进行高速率采样，得到第一音频信号数据；
获取所述第一音频信号数据，利用递归对数最小平均p范数算法对所述第一音频信号数据进行降噪处理，得到第二音频信号数据；获取所述第二音频信号数据，利用双边带调幅调制算法对所述第二音频信号数据进行幅值及平方计算，得到解调后的音频平方数据；将所述音频平方数据通过滤波计算处理，得到目标音频信号数据；
将所述第一音频信号数据输入至音频信号处理模型中进行数据预处理，得到目标音频信号数据；
获取所述目标音频信号数据，随机确定所述目标音频信号数据中K个初始点作为质心音频信号数据；将所述质心音频信号数据中的每个点分配至一个簇中, 得到距每个点最近的仿真音频信号数据； 将所述仿真音频信号数据分配至所述质心音频信号数据所对应的簇中，每个簇的质心音频信号数据更新为簇所有点的平均值，得到仿真干扰信号数据；所述仿真干扰信号数据为人耳不可听的超声波音频数据，与所述目标音频信号的音频频率、音色、旋律、节奏、能量、过零率、LPC系数数据相同的干扰音频信号；所述仿真干扰信号数据音频频率随着所述目标音频信号数据的变化而进行变化；
利用K-means聚类算法将所述目标音频信号数据进行数据处理，得到仿真干扰信号数据；
获取所述仿真干扰信号数据，通过卷积神经网络模型计算所述仿真干扰信号数据的卷积值，得到第一卷积值；获取所述目标音频信号数，通过卷积神经网络模型计算所述目标音频信号数的卷积值，得到第二卷积值；令第一卷积值=A；第二卷积值=B，耦合度=C；则耦合度C=（A/B）%；
通过卷积神经网络模型计算所述仿真干扰信号数据和所述目标音频信号数之间的耦合度；
将所述耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中。
2.如权利要求1所述的一种会议室防窃听偷录的方法，其特征在于，所述通过音频数据采集模型对室内环境中的音频信号进行高速率采样，得到第一音频信号数据包括：
设定音频数据采集模型中音频信号的采样频率；
通过所述音频数据采集模型对室内环境中所述采样频率为30KHz-85KHz的音频信号进行高速率采样；
过滤所述采样频率小于30KHz的音频信号和大于85KHz的音频信号，得到第一音频信号数据。
3.如权利要求1所述的一种会议室防窃听偷录的方法，其特征在于，所述将所述耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中包括：
设定阈值为85%-99%；判断所述耦合度是否大于设定的阈值，若所述耦合度大于设定阈值，则将所述仿真干扰信号数据通过音频信号输出模型输出至室内环境中；
若所述耦合度小于设定阈值，则将所述仿真干扰信号数据输入至所述音频信号处理模型进行再次处理。
4.如权利要求1所述的一种会议室防窃听偷录的方法，其特征在于，所述将所述耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中还包括：
所述音频信号输出模型为超声波信号输出装置，输出高定向性、人耳不可听的音频信号；
所述音频信号输出模型还包括实时监测环境中的语音信号和实时输出的防窃听信号。
5.一种会议室防窃听偷录的系统，其特征在于，防窃听偷录系统包括以下模块：
音频采样模块，用于通过音频数据采集模型对室内环境中的音频信号进行高速率采样，得到第一音频信号数据；
数据处理模块，用于获取所述第一音频信号数据，利用递归对数最小平均p范数算法对所述第一音频信号数据进行降噪处理，得到第二音频信号数据；获取所述第二音频信号数据，利用双边带调幅调制算法对所述第二音频信号数据进行幅值及平方计算，得到解调后的音频平方数据；将所述音频平方数据通过滤波计算处理，得到目标音频信号数据；
数据分析模块，用于获取所述目标音频信号数据，随机确定所述目标音频信号数据中K个初始点作为质心音频信号数据；将所述质心音频信号数据中的每个点分配至一个簇中,得到距每个点最近的仿真音频信号数据； 将所述仿真音频信号数据分配至所述质心音频信号数据所对应的簇中，每个簇的质心音频信号数据更新为簇所有点的平均值，得到仿真干扰信号数据；所述仿真干扰信号数据为人耳不可听的超声波音频数据，与所述目标音频信号的音频频率、音色、旋律、节奏、能量、过零率、LPC系数数据相同的干扰音频信号；所述仿真干扰信号数据音频频率随着所述目标音频信号数据的变化而进行变化；
判断模块，用于获取所述仿真干扰信号数据，通过卷积神经网络模型计算所述仿真干扰信号数据的卷积值，得到第一卷积值；获取所述目标音频信号数，通过卷积神经网络模型计算所述目标音频信号数的卷积值，得到第二卷积值；令第一卷积值=A；第二卷积值=B，耦合度=C；则耦合度C=（A/B）%；
信号输出模块，用于将所述耦合度大于设定阈值的仿真干扰信号数据通过音频信号输出模型输出至室内环境中。
6.如权利要求5所述的一种会议室防窃听偷录的系统，其特征在于，所述数据处理模块包括：
降噪子模块，用于获取所述第一音频信号数据，利用递归对数最小平均p范数算法对所述第一音频信号数据进行降噪处理，得到第二音频信号数据；
解调子模块，用于获取所述第二音频信号数据，利用双边带调幅调制算法对所述第二音频信号数据进行幅值及平方计算，得到解调后的音频平方数据；
计算子模块，用于将所述音频平方数据通过滤波计算处理，得到目标音频信号数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310842072.XA CN116567150B (zh) | 2023-07-11 | 2023-07-11 | 一种会议室防窃听偷录的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310842072.XA CN116567150B (zh) | 2023-07-11 | 2023-07-11 | 一种会议室防窃听偷录的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116567150A CN116567150A (zh) | 2023-08-08 |
| CN116567150B true CN116567150B (zh) | 2023-09-08 |
Family
ID=87486579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310842072.XA Active CN116567150B (zh) | 2023-07-11 | 2023-07-11 | 一种会议室防窃听偷录的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116567150B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8418985D0 (en) * | 1984-02-27 | 1984-08-30 | Tad Avanti | Cordless telephone system |
| CN106571134A (zh) * | 2016-10-08 | 2017-04-19 | 深圳市金立通信设备有限公司 | 一种防偷录方法及终端 |
| CN107295148A (zh) * | 2016-03-31 | 2017-10-24 | 北京中密安信息安全技术有限公司 | 防窃听录音方法和干扰屏蔽器 |
| CN107527620A (zh) * | 2017-07-25 | 2017-12-29 | 平安科技（深圳）有限公司 | 电子装置、身份验证的方法及计算机可读存储介质 |
| CN109036454A (zh) * | 2018-06-06 | 2018-12-18 | 安徽继远软件有限公司 | 基于dnn的说话人无关单通道录音分离的方法和系统 |
| CN114337850A (zh) * | 2021-12-30 | 2022-04-12 | 浙江大学 | 一种基于超声波注入技术的防窃听方法及系统 |
| CN114665937A (zh) * | 2022-03-02 | 2022-06-24 | 网络通信与安全紫金山实验室 | 一种多输入多输出收发机设计方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11488571B2 (en) * | 2020-07-02 | 2022-11-01 | International Business Machines Corporation | Anti-eavesdrop security device |
-
2023
- 2023-07-11 CN CN202310842072.XA patent/CN116567150B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8418985D0 (en) * | 1984-02-27 | 1984-08-30 | Tad Avanti | Cordless telephone system |
| CN107295148A (zh) * | 2016-03-31 | 2017-10-24 | 北京中密安信息安全技术有限公司 | 防窃听录音方法和干扰屏蔽器 |
| CN106571134A (zh) * | 2016-10-08 | 2017-04-19 | 深圳市金立通信设备有限公司 | 一种防偷录方法及终端 |
| CN107527620A (zh) * | 2017-07-25 | 2017-12-29 | 平安科技（深圳）有限公司 | 电子装置、身份验证的方法及计算机可读存储介质 |
| CN109036454A (zh) * | 2018-06-06 | 2018-12-18 | 安徽继远软件有限公司 | 基于dnn的说话人无关单通道录音分离的方法和系统 |
| CN114337850A (zh) * | 2021-12-30 | 2022-04-12 | 浙江大学 | 一种基于超声波注入技术的防窃听方法及系统 |
| CN114665937A (zh) * | 2022-03-02 | 2022-06-24 | 网络通信与安全紫金山实验室 | 一种多输入多输出收发机设计方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于聚类分析与说话人识别的语音跟踪;郝敏;刘航;李扬;简单;王俊影;;计算机与现代化(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116567150A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111833896B (zh) | 融合反馈信号的语音增强方法、系统、装置和存储介质 | |
| Liu et al. | Asynchronous Binaural Spatial Audition Sensor With 2$\,\times\, $64$\,\times\, $4 Channel Output | |
| US20120099732A1 (en) | Systems, methods, apparatus, and computer-readable media for far-field multi-source tracking and separation | |
| US20030179888A1 (en) | Voice activity detection (VAD) devices and methods for use with noise suppression systems | |
| US20120059648A1 (en) | Voice Activity Detector (VAD) -Based Multiple-Microphone Acoustic Noise Suppression | |
| CN112992169B (zh) | 语音信号的采集方法、装置、电子设备以及存储介质 | |
| CN107479030A (zh) | 基于分频和改进的广义互相关双耳时延估计方法 | |
| CN106340303B (zh) | 一种基于时间频率域的语音降噪方法 | |
| CN108109617A (zh) | 一种远距离拾音方法 | |
| CN109493877A (zh) | 一种助听装置的语音增强方法和装置 | |
| US20220005491A1 (en) | A Dual-Microphone Adaptive Filtering Algorithm for Collecting Body Sound Signals and Application Thereof | |
| KR102191736B1 (ko) | 인공신경망을 이용한 음성향상방법 및 장치 | |
| CN109104683A (zh) | 一种双麦克风相位测量校正的方法及校正系统 | |
| Shi et al. | Fusion feature extraction based on auditory and energy for noise-robust speech recognition | |
| WO2023108864A1 (zh) | 小型麦克风阵列设备的区域拾音方法及系统 | |
| CN116567150B (zh) | 一种会议室防窃听偷录的方法及系统 | |
| CN112367599B (zh) | 一种具有云端后台支持的助听器系统 | |
| Hosseini et al. | Time difference of arrival estimation of sound source using cross correlation and modified maximum likelihood weighting function | |
| SongGong et al. | Indoor multi-speaker localization based on Bayesian nonparametrics in the circular harmonic domain | |
| CN107547981A (zh) | 一种集音装置、监控装置及集音方法 | |
| CN113409800A (zh) | 一种监控音频的处理方法、装置、存储介质及电子设备 | |
| CN107330462B (zh) | 基于时频分析的手势识别方法及其装置 | |
| Sulavko et al. | Personal identification based on acoustic characteristics of outer ear using cepstral analysis, Bayesian classifier, and artificial neural networks | |
| CN113327589B (zh) | 一种基于姿态传感器的语音活动检测方法 | |
| CN110211606A (zh) | 一种语音认证系统的重放攻击检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |