音声信号への口唇画像情報ハイディングによるマルチモーダル情報処理の検討

スポンサーリンク

概要

論文の詳細を見る
人間は発話の際に口を動かすため、口唇動作と発話の間には密接な関係がある。我々は音声信号のみを伝送・保存する環境においても画像情報を用いたマルチモーダル情報処理を実現するため、口唇画像から抽出した特徴量を音声信号に埋め込むことを提案する。本稿では提案手法の概要を示すとともに、マルチモーダルVADへの応用を検討する。SVMを用いた発話検出実験の結果、雑音環境において画像情報を組み合わせることで音響情報のみを用いたVADよりも高い精度が得られた。また、データの埋め込みによる音質および精度への影響の調査実験を行い、大きな影響は出ないことを確認した。
一般社団法人電子情報通信学会の論文
2013-01-22

著者

関連論文

もっと見る

スポンサーリンク