基于稀疏表示的内在变化鲁棒说话人验证

内在变化是显着加重说话者验证系统性能的主要因素之一。 在本文中,我们着重于使用稀疏表示来减轻因内在变化而引起的影响。 因为过完备的字典增加了灵活性和适应信号表示中的可变数据的能力,所以我们期望字典的冗余可以有益于解决每个说话者内在变化的隐式特性。 示例词典和学习词典都在一个内在变异语料库上进行评估,并与GMM-UBM,联合因子分析(JFA)和i-vector系统进行比较。 在我们的系统中,我们选择K-SVD算法,将K-means算法推广到具有奇异值分解(SVD)的字典中。 实验结果表明,两种稀疏表示系统均比GMM-UBM,JFA和i-vector系统具有更高的精度,特别是分别比GMM-UBM分别高37.17%和41.55%。 我们还发现基于K-SVD的稀疏表示系统几乎具有最佳性能,可实现14.23%的平均错误均等率(EER)。