Sistema de Seguridad Por Reconocimiento de Voz (Tesis de Ingenieria ESIME)

INSTITUTO POLITECNICO NACIONAL
Escuela Superior de Ingeniería Mecánica y Eléctrica
Ingeniería en Comunicaciones y Electrónica
“Sistema de Seguridad Por

Reconocimiento de Voz”
TESIS
Que para Obtener el Título de:
Ingeniero en Comunicaciones y Electrónica
PRESENTAN
Pérez Badillo Eyra Oxana
Poceros Martínez Fernando
Villalobos Ponce José Alexis
ASESORES
M. en C. Jiménez Hernández Mario

Ing. Patricia Lorena Ramírez Rangel
México, D.F., Septiembre 2013

RESUMEN
RESUMEN
El presente trabajo de tesis se basa en un sistema de reconocimiento de voz que permite que el
usuario grabe una palabra por medio de un micrófono y ésta sea reconocida en la base de datos
existente en ese momento. Este tipo de proyectos han sido aceptados usando metodologías desde
la comparación de plantillas hasta análisis de espectros en hogares desde que se tuvo la necesidad
de mejorar la seguridad del hogar.
El sistema en sí posee un entorno gráfico en la computadora por medio del software MATLAB
llamado GUI, que proporciona las selecciones de grabación, donde la señal de voz es ingresada a
la computadora, grabada y es procesada por los algoritmos del programa que modifican la señal
llamado Predicción Lineal, obteniendo los parámetros LPC significativos de la señal de voz, para
luego ser almacenados en la computadora. La selección de reconocimiento permite que la palabra
sea comparada con la base de datos almacenada en la computadora en un proceso llamado
comparación de coeficientes LPC, dicha base de datos ya fue procesada digitalmente por el
programa, esta selección reconoce la palabra que fue grabada por el usuario al momento de querer
ingresar a su hogar. El entorno gráfico proporciona, por otra parte, un análisis gráfico de las
palabras grabadas y reconocidas. Como el Sistema de Reconocimiento de Voz es un sistema de
procesamiento digital de señales de voz, el análisis gráfico en el reconocimiento es un análisis del
espectro de frecuencias de la señal de voz.
Para poder comprobar que el sistema fuera confiable se hicieron 2 tipos de pruebas; Una entre los
usuarios del hogar tratando de acceder uno con el usuario del otro y otra donde personas ajenas a
las almacenadas en la Base de Datos trataran de acceder. Se pudo comprobar que el sistema de
reconocimiento por voz es confiable haciendo uso de diferentes métodos, los cuales limiten la
posibilidad de error de identificación ya sea entre usuarios almacenados o no, la dificultad más
grande de este proyecto se debió a que si el usuario cambia su tono de voz el sistema podría no
reconocerlo, esto se debe a que si el usuario dice su contraseña en estado de ebriedad, de tristeza o
felicidad su voz cambia y por consiguiente tambien los parámetros LPC.
I
INDIC
ÍNDICE
Pág.
Resumen I
Índice II
Índice de Figuras IV
Índice de Tablas V
Objetivo General 1
Objetivos Específicos 1
Planteamiento del problema 1
Hipótesis 2
Justificación 2
Capítulo 1. Conceptos importantes en los Reconocedores de Voz 3

Introducción 3
1.1. Historia del reconocedor de voz 3
1.2. Orden Cronológico de los Reconocedores de Voz 4
1.3. Características de la señal de voz 5
1.3.1. Articulación 6
1.3.2. Señal Acústica 8
1.3.3. Percepción Auditiva 10
1.4. Funcionamiento de un sistema de reconocimiento de voz 11
Capítulo 2. Métodos y Etapas para el Reconocimiento de Voz 12

2.1. Digitalización de la señal de voz 12
2.1.1. Codificación de la señal de voz 12
2.1.2. Muestreo y Cuantizacion 13
2.2. Métodos de Reconocimiento de Voz 17

2.2.1. Aproximación en Base a Plantillas 18
2.2.2. Predicción Lineal 20
2.2.3. Análisis Cepstral 21
2.3. Diagrama de Flujo del Reconocedor de Voz 21
2.4. Etapas del Reconocimiento de Voz 22
2.4.1. Generación de la señal Acústica 22
2.4.2. Conversión A/D o Adquisición 22
2.4.3. Pre-procesamiento 24
2.4.4. Eliminación de Ruido y Normalización 24
2.4.5. Filtro Pre-énfasis 25
2.4.6. Segmentación 25
2.4.7. Extracción de las Características 26
I
INDIC
2.4.8. Calculo de la Distancia 26

2.4.9. Toma de Decisión 27
Capítulo 3. Planteamiento del problema 28
Capítulo 4. Desarrollo de un Sistema de Seguridad por Reconocimiento

de Voz 31
4.1. Metodología 31
4.2. Micrófono 32
4.3. Entrenamiento y Base de Datos 32
4.3.1. Adquisición 32
4.3.2. Eliminación de Silencios y Normalización 33
4.3.3. Promedio 33
4.3.4. Base de Datos 34
4.4. Desarrollo 34
4.4.1. Adquisición 34
4.4.2. Eliminación de Silencios y Normalización 35
4.4.3. Parametrización 36
4.4.4. Reconocimiento de Habla (Toma de decisión) 38
4.4.5. Selección de la Acción a Realizar 40
4.4.6. Interfaz Grafica 40
4.4.7. Programa Completo 46
4.5. Implementación 46
Capítulo 5. Pruebas y Resultados 48

5.1. Pruebas Generales 49
5.1.1. Comparación de Contadores con usuario Alexis 49
5.1.2. Comparación de Contadores con usuario Fernando 51
5.1.3. Comparación de Contadores con usuario Oxana 53
5.1.4. Uso de los promedios 54
5.2. Pruebas de Reconocimiento 55
5.3. Pruebas Con intrusos o personas no Identificadas 57
5.4. Solución del Problema 59
5.5. Estudio Socio Económico 60
Conclusiones 63
Bibliografía y/o Referencias 65
Anexos 66
Anexo1 Programa Completo 66
Anexo 2 Diagrama de Conexión 72
Glosario 73
I
INDICE DE
ÍNDICE DE FIGURAS
Figura 1.1. Proceso de Comunicación del Habla 6
Figura 1.2. Órganos del cuerpo que intervienen en el aparato fonador 7
Figura 1.3. Diagrama a Bloques del Proceso General Del Reconocimiento de voz 11
Figura 2.1. Diferentes tipos de Transductores Eléctrico – Acústicos 13
Figura 2.2. Señales Senoidales Muestreadas a diferentes valores 14
Figura 2.3. Señal Cuantizada con 4 y 16 bits respectivamente 15
Figura 2.4. Señal Cuantizada Uniformemente 16
Figura 2.5. Señal Cuantizada No Uniformemente 16
Figura 2.6. Procesos en la que la señal obtiene sus características principales 18
Figura 2.7. Diagrama de Flujo de un Reconocedor de Voz 21
Figura 2.8. Diagrama de generación de la señal acústica 22
Figura 2.9. Diagrama de la adquisición de Voz 22
Figura 2.10. Señal tratada Digitalmente para ser muestreada 23
Figura 2.11. Diagrama de la digitalización de la señal de Voz 24
Figura 2.12. Diagrama de eliminación de ruido y Normalización 24
Figura 2.13. Diagrama de los filtros de énfasis 25
Figura 2.14. Diagrama de segmentación, ventaneo y recorte de la señal acústica 25
Figura 2.15. Diagrama que explica los procesos de extracción de características 26
Figura 2.16. Formula que muestra el cálculo realizado para obtener las distancias 26
Figura 2.17. Diagrama que muestra el proceso para obtener y comparar las distancias 27
Figura 3.1. Peligros En México 28
Figura 3.2. Intento de robo en México 29
Figura 3.3. Tecnología de Protección y/o seguridad 29
Figura 3.4. Seguridad en el hogar (Entrada principal) 30
Figura 4.1. Micrófono que se usara en el proyecto 32
Figura 4.2. Icono de GUIDE en MATLAB para crear interfaces 41
Figura 4.3. Selección de la GUI o abrir una nueva GUI 41
Figura 4.4. Inicio de la GUI con su ventana lateral izquierda de selección de objetos 42
Figura 4.5. Colocación, edición y uso de un Botón en la GUI 42
Figura 4.6. Interfaz gráfica imagen de la GUI 43
Figura 4.7. Interfaz gráfica del Reconocedor de Voz creado en MATLAB 43
Figura 4.8. Interfaz gráfica después de haber apretado el botón Grabar 44
Figura 4.9. Interfaz gráfica después de haber apretado el botón Identificar 45
Figura 4.10. Ventana que aparece después de presionar el botón Salir 45
Figura 4.11. Menú de Funciones del Sistema que despliega las acciones que se
puede realizar 46
Figura 4.12. Ventana que aparece después de seleccionar la Acción de Abrir Puerta 46
Figura 4.13. Maqueta e Interfaz grafica 47
Figura 4.14. Tarjeta de Adquisición de datos USB6008 47
Figura 5.1. Análisis de Factor Peso (Plantilla) 61
I
INDICE DE
ÍNDICE DE TABLAS
Tabla 5.1. Pruebas con ruido de 49.5 a 56 dBA 48
Tabla 5.2. Pruebas con ruido de 62.8 a 69.4 dBA 48
Tabla 5.3. Pruebas con ruido de 66.2 a 75.4 dBA 49
Tabla 5.4. Pruebas de Alexis mencionando Alexis 49
Tabla 5.5. Pruebas de Alexis mencionando Fernando 50
Tabla 5.6. Pruebas de Alexis mencionando Oxana 50
Tabla 5.7. Pruebas de Fernando mencionando Alexis 51
Tabla 5.8. Pruebas de Fernando mencionando Fernando 51
Tabla 5.9. Pruebas de Fernando mencionando Oxana 52
Tabla 5.10. Pruebas de Oxana mencionando Alexis 53
Tabla 5.11. Pruebas de Oxana mencionando Fernando 53
Tabla 5.12. Pruebas de Oxana mencionando Oxana 54
Tabla 5.13. Promedios Obtenidos para Alexis 55
Tabla 5.14. Promedios Obtenidos para Fernando 55
Tabla 5.15. Promedios Obtenidos para Oxana 55
Tabla 5.16. Resultados del Reconocimiento de Alexis 55
Tabla 5.17. Resultados del Reconocimiento de Fernando 56
Tabla 5.18. Resultados del Reconocimiento de Oxana 57
Tabla 5.19. Resultados del Reconocimiento para un Hombre Adulto 57
Tabla 5.20. Resultados del Reconocimiento para una Mujer Adulta 58
Tabla 5.21. Resultados del Reconocimiento para una Niña 58
Tabla 5.22. Análisis de PF (Factor de Peso) 61
Tabla 5.23. Análisis de Costos 62
Tabla 5.24. Análisis Total de Costo 62
V
OBJETIVO
OBJETIVO GENERAL
Diseñar un sistema de seguridad para el hogar que funcione en base al reconocimiento de voz.
OBJETIVOS ESPECÍFICOS
a) Aplicar métodos acústicos, matemáticos y físicos de la voz para identificar y reconocer a los
dueños del hogar.
b) Analizar la transmisión, aplicación y manipulación de las señales de voz para poderlas utilizar
en el sistema de seguridad
c) Aplicar un software que funcione como interfaz con el usuario y que además realice las
comparaciones y cálculos necesarios para el reconocimiento de voz, en este caso se usó
MATLAB.
PLANTEAMIENTO DEL PROBLEMA

Dado que en la actualidad es necesario tener mejores y más innovadores sistemas de seguridad que
interactúen con el dueño y que sean capaces de tener un procesamiento de información veloz y
precisa que les permita tomar decisiones rápidas y confiables.
Se propone el diseño, implementación y mejora de sistemas de reconocimiento de voz, por medio

de algoritmos implementados en un software (MATLAB) para analizar la señal capturada por un
micrófono y obtener un mejor reconocimiento de la voz.
1
OBJETIVO
HIPOTESIS
Al implementar un sistema de seguridad en el hogar por reconocimiento de voz en MATLAB la
seguridad será mejor, eficaz y barata a largo plazo haciendo uso de los métodos de cuantificación
de la señal de voz con ayuda de los coeficientes LPC y Cepstrum.
Se hará uso del software MATLAB para desarrollar e implementar el reconocedor de voz, debido
a que se está familiarizado con él y es mejor y más preciso que otros.
JUSTIFICACION
Debido a la inseguridad actual que se presenta en la Ciudad de México se realizara un sistema de
seguridad para el hogar utilizando la voz, con la finalidad de proponer a los habitantes de la
Ciudad un sistema capaz de resguardar su hogar.
2
CAPITULO 1: Conceptos importantes en los
Capítulo 1. Conceptos importantes en los

Reconocedores de Voz
INTRODUCCION
En el presente trabajo se encuentra la propuesta de un desarrollo realizado para lograr un
sistema de seguridad por reconocimiento de voz en un hogar, con el afán de facilitar el acceso a
su domicilio y la seguridad de que solo esa persona podrá tener acceso a él.
En la Actualidad los Sistemas de Reconocimiento de Voz han tenido un gran desarrollo y han sido
importantes en la vida cotidiana.
Primero se hará referencia a los conceptos básicos que debe de tener en cuenta para el desarrollo
de un sistema de seguridad, así como algunas consideraciones con respecto al habla y a las
señales de voz que se necesitan manejar.
Se darán a conocer los diferentes tipos de Métodos que existen para el reconocimiento de Voz, así
como las Etapas por las cuales debe pasar un reconocedor de voz para poder procesar la voz y
manejarla por medio de software.
Después se enfocara al planteamiento del problema relacionado con la realidad que vive México
en cuanto a la delincuencia justificando el uso de los reconocedores de voz como sistemas de
seguridad.
Se generara una propuesta de un sistema de reconocimiento de voz tanto en el desarrollo como las
observaciones que se obtuvieron dentro de él, aplicando los conceptos, métodos y etapas vistos.
Por último se darán las conclusiones, observaciones y problemas encontrados del trabajo
desarrollado así como un estudio socio-económico para calcular el costo del proyecto.
1.1. Historia del Reconocedor de Voz

La historia de los primeros Reconocedores de voz comienza hace 40 años pero los sucesos más
importantes que se desarrollaron dentro de la industria fueron gracias a que AT&T introdujo su
Sistema de reconocimiento de voz en 1992 para llamadas por cobrar, para a finales de 1993
procesaba 50 millones de llamadas al mes. En 1995 los teléfonos celulares ya ofrecían servicios de
marcado activado por voz.
En los 1990's en el sector Salud se inicia la generación de reportes clínicos por voz en salas de
emergencia (fomentado por las empresas se seguros Blue Cross y Blue Shield). Posteriormente se
amplió a diversas áreas de hospitales como radiología, cardiología, etc.
3
En 1995 se desarrollan los primeros prototipos de aparatos electrodomésticos Whirlpool Corp.
Actualmente las PC's integran utilerías de voz. Microsoft Corp.: Facilidades para construir objetos
de comandos de voz (voice-commandobjects) en Win95. CreativeLabs integra Procesamiento
automático en la mayoría de sus tarjetas soundblaster. Compaq y PureSpeech desarrollan
conjuntamente tecnología de voz. SeagateTech compró 25% de DragonSystems.
1.2. Orden Cronológico De los Reconocedores de Voz

1870's Alexander Graham Bell:
Quería construir un sistema/dispositivo que hiciera el habla visible a las personas con problemas
auditivos. Resultado: el teléfono
1880's Tihamir Nemes:

Solicita permiso para una patente para desarrollar un sistema de transcripción automática que
identificara secuencias de sonidos y los imprimiera (texto). Pero fue rechazado como "Proyecto no
Realista"
30 años después AT&T Bell Laboratories:

Construye la primera máquina capaz de reconocer voz (basada en Templates) de los 10 dígitos del
inglés. Requería extenso reajuste a la voz de una persona, pero una vez logrado tenía un 99% de
certeza. Por lo tanto surge la esperanza de que el reconocimiento de voz es simple y directo.
A mediados de los 60's:

La mayoría de los investigadores reconoce que era un proceso mucho más intrincado y sutil de lo
que habían anticipado. Por lo tanto empiezan a reducir los alcances y se enfocan a sistemas más
específicos:
 Dependientes del Locutor.
 Flujo discreto de habla (con espacios / pausasentre palabras)
 Vocabulario pequeño (menor o igual a 50 palabras)
Estos sistemas empiezan a incorporar técnicas de normalización del tiempo (minimizar diferencia
en velocidad del habla)
Además, ya no buscaban una exactitud perfecta en el reconocimiento.
Después:
IBM y CMV trabajan en reconocimiento de voz continuo pero no se ven resultados hasta los
1970's.
4
Principios 1970's:
Se produce el 1er Producto de reconocimiento de voz, el VIP100de ThresholdTechnology Inc.
(utilizaba un vocabulario pequeño, dependiente del locutor, y reconocía palabras discretas). Gana
el U.S. NationalAward en 1972.
Luego:
Nace el interés de ARPA del U.S. Department of Defense, y gracias al lanzamiento de grandes
proyectos de investigación y financiamiento por parte del gobierno se precipita la época de la
inteligencia artificial.
El proyecto financiado por ARPA busca el reconocimiento de habla continua, de vocabulario

grande. Impulsa que los investigadores se enfoquen al entendimiento del habla.
Los sistemas empiezan a incorporar módulos de:
 Análisis léxico (conocimiento léxico)

 Análisis sintáctico (Estructura de Palabras)
 Análisis semántico (Significado)
 Análisis pragmático (Intención)
80's a 90's:
Surgen los sistemas de vocabulario amplio, que ahora son la norma. (Más de1000 palabras).
Adicionalmente bajan los precios de estos sistemas.
Empresas importantes actualmente:
 Philips
 Lernout&Hauspie
 SensoryCircuits
 DragonSystems
 Speechworks
 Vocalis
 Dialogic
 Novell
 Microsoft
 NEC, Siemens, Intel (apoyo / soporte técnico), entre otros.
[3]
1.3. Características de la señal de voz

Los sistemas de reconocimiento de voz se enfocan en las palabras y los sonidos que distinguen una
palabra de la otra en un idioma. Estas son los fonemas. Por ejemplo, "tapa", "capa", "mapa",
"napa", son palabras diferentes puesto que su sonido inicial se reconoce como fonemas diferentes
en español.
5
Existen varias maneras para analizar y describir el habla. Los enfoques más
comúnmente usados son:
1. Articulación: Análisis de cómo el humano produce los sonidos del habla.

2. Señal Acústica: Análisis de la señal de voz como una secuencia de sonidos.
3. Percepción Auditiva: Análisis de cómo el humano procesa el habla.
Los tres enfoques proveen ideas y herramientas para obtener mejores y más eficientes resultados
en el reconocimiento.
Figura 1.1.Proceso de Comunicación del Habla
En la imagen anterior se observa que partes del oído intervienen en el proceso de

comunicación del habla.
1.3.1. Articulación
La Articulación se compone del sistema fonador que es un conjunto de órganos que intervienen
en la producción de sonidos. También llamado aparato bucal o articulatorio.
El aparato fonador consiste en tres grupos de órganos diferenciados [Figura 1.2]:
Órganos de respiración-cavidades infra-glóticas: pulmones, bronquios y tráquea.
Órganos de fonación-cavidades glóticas: laringe, cuerdas vocales y resonadores - nasal,

bucal y faríngeo.
Órganos de articulación-cavidad supra-glóticas: paladar, lengua, dientes, labios y

glotis.
[2]
6
Figura 1.2.Órganos del cuerpo que intervienen en el aparato fonador
El correcto funcionamiento del aparato fonador, es controlado por el sistema nervioso central.
Específicamente, se sabe que el control del habla se realiza en el área de Broca que se encuentra
en el hemisferio izquierdo de la corteza cerebral.
La articulación centra su atención en el aparato vocal: Garganta, boca, nariz, en donde se

producen los sonidos del habla.
 Garganta: Contiene las cuerdas vocales, cuya vibración produce los fonemas
"hablados".
 Boca y Nariz: "Cavidades de resonancia" por que refuerzan ciertas frecuencias sonoras.
o Cuando el paladar suave baja y deja el aire pasar por la nariz se generan los
fonemas nasales (/m/ /n/)
o La boca consiste de:
 Puntos de articulación
 Dientes
 Puente alveolar (puente óseo atrás de los dientes superiores)
7
 Paladar duro
 Paladar suave o velum
 Articuladores
 Labios
 Lengua
[1]
1.3.2. Señal Acústica
Un reconocedor no puede analizar los movimientos en la boca. En su lugar, la fuente de
información es la señal de voz misma.
El Habla es una señal analógica, es decir, un flujo continuo de ondas sonoras y silencios.
El conocimiento de la ciencia de la acústica se utiliza para identificar y describir los atributos

del habla que son necesarios para un reconocimiento de voz efectivo.
Algunas características importantes del análisis acústico son:
 Frecuencia y amplitud
Todos los sonidos causan movimientos entre las moléculas del aire. Algunos sonidos, tales como
los que produce una cuerda de guitarra, producen patrones regulares y prolongados de movimiento
del aire. Los patrones de sonidos más simples son los sonidos puros (pure tones), y se pueden
representar gráficamente por una onda sinoidal.
Frecuencia: Número de vibraciones (ciclos) del tono por segundo 100 por segundo = 100
ciclos/segundo = 100 Hz.
Tonos altos = Mayor frecuencia
Tonos bajos = Menor frecuencia
El volumen de un sonido refleja la cantidad de aire que es forzada a moverse. Se

describe y representa como amplitud de la onda y se mide en decibeles dB.
[2]
 Resonancia
La resonancia se define comúnmente como la habilidad que tiene una fuente vibrante de sonido de
causar que otro objeto vibre gracias a ella.
La mayoría de los sonidos incluyendo del habla tienen una frecuencia dominante llamada
frecuencia fundamental también conocida como pitch (tono) que se combina con frecuencias
secundarias en el habla, la frecuencia fundamental es la velocidad a la que vibran las cuerdas
vocales al producir un fonema sonoro.
8
Sumadas a la frecuencia fundamental hay otras frecuencias que contribuyen al timbre del
sonido. (Son las que nos permiten distinguir una trompeta de un violín, etc. o las voces de
diferentes personas)
Algunas bandas de la frecuencia secundarias juegan un rol importante en la distinción de un

fonema de otro. Se les llama formantes y son producidas por la resonancia.
La garganta, boca y nariz son cámaras de resonancia que amplifican las bandas o frecuencias
formantes contenidas en el sonido generado por las cuerdas vocales. Estas formantes amplificadas
dependen del tamaño y forma de la boca y si el aire pasa o no por la nariz.
Los patrones de las formantes son más fuertes (distinguibles) para vocales que para las
consonantes no sonoras.
 Estructura Armónica y Ruido
El habla no es un tono puro es continuación de múltiples frecuencias y se representa como una

onda compleja.
Vocales se componen de 2 o más ondas simples son ricos en frecuencias secundarias y contienen
estructuras internas que incluyen ondas cíclicas y a cíclicas.
Las ondas a cíclicas no tienen patrones repetitivos generalmente llamados ruido forman parte de
todos los fonemas sonoros, consonantes y semivocales.
Las frecuencias y características de los patrones a cíclicos proveen información importante sobre
la identidad de los fonemas.
La identidad de las consonantes también se revela por el cambio en las formantes que resultan
cuando los articuladores se mueven de un fonema anterior a la consonante y de ella al siguiente
fonema llamadas transiciones de formantes. Estas se analizan utilizando técnicas como la
transformada rápida de Fourier (FFT) generando espectrogramas.
La complejidad de las formas de onda de los fonemas y las constantes transiciones de un patrón
a otro dificultan el análisis de los patrones utilizando las representaciones complejas de las ondas.
Los patrones armónicos y de ruido se muestran con más claridad utilizando los espectrogramas de
banda ancha.
La localización (la distancia entre ellas) y cambio en las formantes ayudan a identificar fonemas y
palabras.
9
 Coarticulación
Los fonemas aparentemente tienen parámetros acústicos claramente definidos, pero más bien,
los fonemas tienden a ser abstracciones implícitamente definidas por la pronunciación de palabras
en un lenguaje.
La forma acústica de un fonema depende fuertemente del contexto acústico en el que sucede a éste
efecto se le llama coarticulación.
Investigadores, utilizan este concepto para distinguir entre la característica conceptual de un

sonido del habla (fonema) y una instancia o pronunciación específica de ese fonema (tono).
[1]
1.3.3. Percepción Auditiva

La variabilidad del habla producida por coarticulación y otros factores hacen del análisis de la voz
extremadamente difícil.
La facilidad del humano en superar estas dificultades sugiere que un sistema basado en la
percepción auditiva podría ser un buen enfoque desafortunadamente el conocimiento de la
percepción humana es incompleto, lo que se sabe es que el sistema auditivo está adaptado a la
percepción de la de voz.
El oído humano detecta frecuencias de 20Hz a 20,000 Hz pero es más sensible al rango entre 1000
y 6000 Hz. También es más sensible a cambios pequeños en la frecuencia en el ancho de banda
crítico para el habla. Además el patrón de sensibilidad a cambios en el tono (pitch) no corresponde
a la escala lineal de frecuencias de ciclos por segundo de la acústica.
Para representar mejor al patrón de percepción acústica, se tiene una escala llamada mel-scale, la
cual es una escala logarítmica que representa los niveles de la señal.
El humano no procesa frecuencias individuales independientemente, como lo sugiere el análisis

acústico. En su lugar escucha grupos de frecuencias por lo cual es capaz de distinguirlas de ruidos
alrededor.
1
1.4. Funcionamiento de un sistema de Reconocimiento de

Voz
El reconocimiento de voz generalmente es utilizado como una interfaz entre humano y

computadora para algún software.
Debe cumplir 3 tareas:
 Pre-procesamiento: Convierte la entrada de voz a una forma que el reconocedor pueda

procesar.
 Reconocimiento: Identifica lo que se dijo (traducción de señal a texto).
 Comunicación: Envía lo reconocido al sistema (Software/Hardware) que lo requiere.
Componentes en una aplicación:
Figura 1.3. Diagrama a Bloques del Proceso General Del

Reconocimiento de voz
Existe una comunicación bilateral en aplicaciones, en las que la interfaz de voz está íntimamente
relacionada al resto de la aplicación. Estas pueden guiar al reconocedor especificando las palabras
o estructuras que el sistema puede utilizar. Otros sistemas sólo tienen una comunicación unilateral.
Los Procesos de pre-procesamiento, reconocimiento y comunicación deberían ser invisibles al

usuario de la interfaz. El usuario lo nota en el desempeño del sistema de manera indirecta como:
certeza en el reconocimiento y velocidad. Estas características las utiliza para evaluar una interfaz
de reconocimiento de voz.
[6]
1
CAPITULO 2: Métodos y Etapas para Reconocimiento de
Capítulo 2. Métodos y Etapas para el Reconocimiento

de Voz
En este Capítulo se darán a conocer los diferentes tipos de Métodos que existen para el
reconocimiento de Voz, así como las Etapas por las cuales debe pasar un reconocedor de voz para
poder procesar la voz y manejarla por medio de software.
2.1. Digitalización de la señal de Voz
Para poder manipular la señal de voz este debe de ser transformada a una señal digital para poder
ser utilizada por el software de programación, este proceso se lleva a cabo en etapas con
consideraciones variables que hacen que la adquisición de la señal sea de forma correcta.
2.1.1. Codificación de la señal de voz

La codificación de una señal se refiere al método para convertir digitalmente el habla para
utilizarlo en diversos ambientes, desde juguetes parlantes, CD’s hasta transmisiones vía
telefónica.
Para utilizar la voz como dato en aplicaciones tan diversas como el voice mail, anotaciones en un
texto o un directorio parlante, es necesario almacenar la voz de manera que una computadora
pueda recuperarla.
La presentación digital de la voz nos provee también con las bases para el reconocimiento y
síntesis de voz.
El método convencional o secuencial de almacenamiento de datos, la cinta magnética requiere que

se le adelante y regrese hasta encontrar la posición buscada. Es propensa a daño mecánico, no se
pueden editar (cut/paste) y no duran mucho tiempo en uso.
Algunos factores que se deben de considerar para codificar la señal dependiendo del uso que
se le dé son:
 Memoria y Ancho de banda necesario para flexibilidad de uso.

 Costo de transmisión.
 Rangos de calidad
 Aplicación.
 Codificadores de Voz.
 Inteligibilidad: La mayor calidad posible
 Error e inteligibilidad.
 Edición Simple.
 Eliminación del silencio: Ahorrar espacio
 Time-scaling: Reproducción más rápida.
1
 Adaptación de Velocidad
 Robustez
2.1.2. Muestreo y Cuantización

El habla es una señal continua y varia en el tiempo. Las variaciones en la presión del aire se
irradian desde la cabeza y se transmiten por el aire.
Un micrófono convierte esas variaciones en presión del aire a variaciones en voltaje. Una señal
Análoga se puede transmitir a través de un circuito telefónico (voltaje) o almacenados en una cinta
magnética (flujo magnético).
En el Mundo Real los estímulos sensoriales son análogos. Sin embargo, para las computadoras es
necesario digitalizar la señal (primera fase del procesamiento de la señal)
Para esto se usan series de valores numéricos con una frecuencia regular (frecuencia de muestreo).
El número posible de valores está limitado por el número de bits disponible para representar a
cada muestra.
Figura 2.1. Diferentes tipos de Transductores Eléctrico – Acústicos
1
 Muestreo
El muestreo asigna un valor numérico a la señal en unidades discretas de tiempo constante

dependiendo de la frecuencia Nyquist que específica la frecuencia máxima a la que una señal
puede reproducirse completamente.
El teorema de Nyquist establece que:
Frecuencia muestreo = 2 veces la frecuencia máxima de la señal para poder reproducirla.
Para poder reproducir la señal análoga debe pasar por un filtro pasa-bajas a la frecuencia de
muestreo (quitar ruidos creados por el muestreo).
Figura 2.2. Señales Senoidales Muestreadas a diferentes valores
Si la señal varía más rápido se requiere una T más pequeña por lo tanto un menor ancho de banda
de frecuencias.
El humano produce señales de Voz desde los 100(hombre)-400(mujer) Hertz hasta los 15000Hz.
Teléfono: 3100Hz por lo tanto se muestrea a 8000 Hz, inteligible pero baja calidad. Comparado
con un CD, se muestrea a 44.1Hz.
El ancho de banda es mayor para instrumentos que para voz. Pero la diferencia es audible. Por lo
tanto se requiere mayor espacio para almacenar y transmitirla.
1
 Cuantización
La cuantizacion consiste en que cada muestra se representa con un valor digital limitando el
rango de valores discretos correspondiente a la original.
Ejemplo:
Utilizando 4 bits se pueden representar 16 valores diferentes. Con 8

bits ya son 256 valores.
Figura 2.3. Señal Cuantizada con 4 y 16 bits respectivamente Esto
se puede ver como la resolución:
1. El error o diferencia entre la señal original y la reconstruida se percibe como

ruido.
2. Por lo tanto, a mayor resolución mayor cuantización y menor ruido como consecuencia.
3. La resolución (# de bits por muestra) se describe generalmente en términos de la relación

señal-a-ruido (signaltonoise ratio o SNR).
4. A mayor SNR es mayor la fidelidad de la señal digitalizada.
5. SNR aproximadamente 2^B (B=bits/muestra)
6. Es independiente de la frecuencia de muestreo.
Existen diferentes técnicas de cuantizacion:
 Cuantización uniforme
 Cuantización no uniforme
 Cuantización logarítmica
 Cuantización vectorial
1
 Cuantificación uniforme
En los cuantificadores uniformes o lineales la distancia entre los niveles de reconstrucción es

siempre la misma, la mayoría usan un número de niveles que es una potencia de 2. No hacen
ninguna suposición acerca de la señal a cuantificar, de allí que no proporcionen los mejores
resultados.
Su ventaja es que son más fáciles y económicos al implementarlos.
Figura 2.4. Señal Cuantizada Uniformemente
 Cuantificación no uniforme
El problema de la cuantificación uniforme es que conforme aumenta la amplitud de la señal,

también aumenta el error. Este problema lo resuelve el cuantificador logarítmico de forma
parcial. Sin embargo, si conocemos la función de la distribución de probabilidad, podemos
ajustar los niveles de reconstrucción a la distribución de forma que se minimice el error
cuadrático medio. Esto significa que la mayoría de los niveles de reconstrucción se den en la
vecindad de las entradas más frecuentes y, consecuentemente, se minimice el error (ruido).
Figura 2.5. Señal Cuantizada No Uniformemente
1
 Cuantificación logarítmica
Las señales de voz pueden tener un rango dinámico superior a los 60 dB, por lo que para
conseguir una alta calidad de voz se deben usar un elevado número de niveles de reconstrucción.
Sin embargo, interesa que la resolución del cuantificador sea mayor en las partes de la señal de
menor amplitud que en las de mayor amplitud. Por tanto, en la cuantificación lineal se
desperdician niveles de reconstrucción y, consecuentemente, ancho de banda. Esto se puede
mejorar incrementando la distancia entre los niveles de reconstrucción conforme aumenta la
amplitud de la señal.
Para evitar desperdicio de niveles de reconstrucción y de ancho de banda se utiliza un método

sencillo para mejorar el incremento de la distancia entre los niveles de reconstrucción conforme
aumenta la amplitud de la señal. Para conseguir esto se hace pasar la señal por un compresor
logarítmico antes de la cuantificación. Esta señal comprimida puede ser cuantificada
uniformemente. A la salida del sistema la señal pasa por un expansor. A esta técnica se le llama
compresión.
 Cuantificación vectorial
Este método cuantifica los datos en bloques de N muestras. En este tipo de cuantificación, el
bloque de N muestras se trata como un vector N-dimensional. La cuantificación vectorial ofrece
mejores resultados que la cuantificación escalar, sin embargo, es más sensible a los errores de
transmisión y lleva consigo una mayor complejidad computacional.
2.2. Métodos de Reconocimiento de voz [4,6,9]
En el reconocimiento del habla, la señal de voz se ingresa a un procesamiento para producir una
representación de la voz en forma de secuencia de vectores o agrupaciones de valores que se
denominan parámetros, que deben representar la información contenida en la envolvente del
espectro.
Hay que tener en cuenta que el número de parámetros debe ser reducido, para no saturar la base de
datos, ya que mientras más parámetros tenga la representación menos fiables son los resultados y
más costosa la implementación.
Existen distintos métodos de análisis para la extracción de características, y se concentran en

diferentes aspectos representativos. En este trabajo de tesis utilizaremos los dos de mayor
importancia para el análisis de la voz tomando en cuenta su predecesor de Aproximación en base
a plantillas:
 Análisis de predicción lineal (LPC)

 Análisis Cepstral [8]
1
2.2.1. Aproximación en base a plantillas
Teoría que ha dado lugar a toda una familia de técnicas de reconocimiento de voz, causando un
considerable avance durante las décadas de los 70’s y 80’s.
Figura 2.6. Procesos en la que la señal obtiene sus características principales
El principio es simple, se almacenan patrones de voz típicos (templates) como modelos de

referencia en un diccionario de palabras candidato. El reconocimiento se lleva a cabo comparando
la expresión desconocida a los patrones almacenados (templates) seleccionando el que más se le
parece usualmente se construye patrones para las palabras completas.
Ventaja: Se evitan errores debidos a la segmentación o clasificación de unidades pequeñas que

pueden variar mucho acústicamente, como los fonemas.
Desventaja: Cada palabra requiere de su patrón y el tiempo de preparar y compararlos se vuelve

demasiado al incrementarse el tamaño del vocabulario.
Inicialmente se pensaba que se restringía sólo a reconocimiento dependiente del locutor. Sin
embargo se logro un reconocimiento independiente del loc. Utilizando técnicas de Cluster para
generar automáticamente grupos de patrones para cada palabra del vocabulario.
También pasó de ser para el reconocimiento de palabras aisladas a habla continua utilizando
técnicas de programación dinámica para encontrar la mejor cadena de patrones.
 Medición de características.
Se trata básicamente de una técnica de reducción de datos en la cual el gran número de datos en la
señal grabada es transformado en un grupo más pequeño de características que describen las
propiedades importantes de la señal.
1
El tipo de características que se calculan depende de:

1. Tiempo para calcularlas
2. Espacio para almacenarlas
3. Facilidad de Implementación.
Análisis mediante banco de filtros, Una muestra de voz se puede aproximar como una
combinación lineal de muestras anteriores.
 Determinación de similitud entre patrón de referencia de voz y

serial capturada.
R(t) T(t)
Se busca una función de alineamiento w(t) que mapee R y las partes correspondientes de T.
El criterio de correspondencia es la minimización de una medida de distancia D(T,R)

Por lo tanto se busca una w(t) tal que mística d(T(t), R(W(t))) función de ponderación deriva
de w(t)
D(T,R)= min INTEGRAL

dw(t)
Se buscan una alineación en tiempo "optima" a través de una curva que relacione el eje de tiempo
m de R al eje de tiempo del patrón T.
m=w(n) Restricciones
w(I)=1 W(NT)=NR
Para determinar el tipo de la alineación se propusieron diversas técnicas:
1. Alineamiento lineal m=w(n)=(n-1)[(NR-1)/(NT-1)]+1

2. Mapeo de eventos temporales (significativos) en ambos patrones
3. Máxima Correlación se varía la función para maximizar la correlación entre RyT
4. Dynamic Time Warping (se calcula la distancia entre R y T)
Se debe encontrar una medida que indique qué tan similares con los patrones R y T. Para ello
es necesario alinearlos de alguna forma.
[5,8]
 Reglas de decisión
El candidato con la menor distancia o una lista ordenada por distancias (de menos a mayor) Se
usa cuando se tienen varios patrones de referencia para cada cantidad R.
1
2.2.2. Predicción Lineal

Se trata de una de las técnicas más potentes de análisis de voz, y uno de los métodos más útiles
para codificar voz con buena calidad.
Su función es representar la envolvente espectral de una señal digital de voz en una forma
comprimida, utilizando la información de un modelo lineal, con lo cual se proporcionan unas
aproximaciones a los parámetros de la voz muy precisas.
Se fundamenta en establecer un modelo de filtro de tipo “todo polo”, para la fuente de sonido, el
filtro “todo polo” justifica su uso ya que permite describir la función de transferencia de un tubo,
que sin perdidas está formado por diferentes secciones.
El modelo recibe este nombre porque pretende extrapolar el valor de la siguiente muestra de voz
s(n) como la suma ponderada de muestras pasadas:
s(n) = s(n-1), s(n-2),…, s(n-K)……(2.1)
 Estimación de los LPC
Una estima o predicción de s(n) basada en p muestras anteriores, puede calcularse como lo
muestra la siguiente fórmula:
𝑠(𝑛) ≈ − ∑ 𝑎𝑘𝑠(𝑛 − 𝑘) … … . . (2.2)

𝑘=1
y el error de predicción se obtiene de:
s(𝑛) = 𝑠(𝑛) + ∑ 𝑎𝑘𝑠(𝑛 − 𝑘) … … … (2.3)

𝑘=1
Los LPC se obtienen minimizando un criterio cuadrático en los errores de predicción, para cada
cuadro en que es dividido el segmento de voz.
El número de coeficientes LPC que se obtienen dependen la frecuencia de muestreo como se

indica en la siguiente fórmula:
𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐i𝑎 𝑑𝑒 𝑀𝑢𝑒𝑠𝑡𝑟𝑒𝑜
𝐿𝑃𝐶 = ( 1000 ) + 3 … … . (2.4)
[5]
2
2.2.3. Análisis Cepstral

Como se sabe los sonidos de la voz se pueden representar mediante un espectrograma, que indica
las componentes frecuenciales de la señal de voz.
Es así entonces como el espectro nos proporciona información acerca de los parámetros del
modelo de producción de voz, tanto de la excitación como del filtro que representa el tracto vocal.
Estos coeficientes fueron utilizados solo para mostrar la señal acústica no se usaron para cálculos,
estimaciones, etc.
2.3. Diagrama de Flujo del Reconocedor de Voz

El siguiente diagrama de flujo muestra las acciones que deben seguirse para que el
Reconocedor de Voz funcione.
Figura 2.7. Diagrama de Flujo de un Reconocedor de Voz
2
2.4. Etapas del Reconocimiento de Voz

Las etapas para el correcto funcionamiento de un Reconocedor de Voz se mencionan a
continuación.
2.4.1. Generación de la Señal Acústica
Figura 2.8. Diagrama de generación de la señal acústica
2.4.2. Conversión A/D o Adquisición
Figura 2.9. Diagrama de la adquisición de Voz
 Obtención de la señal por el micrófono
El micrófono es un transductor electro-acústico. Su función es la de transformar la presión

acústica ejercida sobre su capsula por las ondas sonoras en energía eléctrica.
Cuando un micrófono está operando las ondas de sonido hacen que vibre el elemento magnético
del micrófono causando una corriente eléctrica hacia la tarjeta de sonido, donde el convertidor
A/D básicamente graba los voltajes eléctricos en intervalos específicos.
 Muestreo
El muestreo es para transformar una señal analógica o señal continúa a una señal digital o discreta,
es decir de la señal original (analógica) se toman muestras cada determinado tiempo y se hace una
copia de su valor en tiempos definidos, de esta forma surge la frecuencia de muestreo que es la
cantidad de muestras que se tienen de una señal en una unidad de tiempo y se mide en Hz (ciclos
por segundo).
2
Figura 2.10. Señal tratada Digitalmente para ser muestreada
La frecuencia de audio que percibe el ser humano está entre los 20 Hz y 20kHz,
frecuencias más elevadas el oído humano no lo percibe.
La frecuencia de la voz se encuentre entre frecuencias de 100Hz a 8kHz.
[4]
 Resolución o Cuantificación
El proceso de cuantificación es uno de los pasos que se siguen para lograr la

digitalización de una señal analógica. Este proceso es convertir una sucesión de muestras de
amplitud continua en una sucesión de valores discretos preestablecidos según el código utilizado.
Durante el proceso de cuantificación se mide el nivel de tensión de cada una de las muestras,
obtenidas en el proceso de muestreo, y se les atribuye un valor finito de amplitud, seleccionado por
aproximación dentro de un margen de niveles previamente fijado.
La cuantificación más comúnmente usada, es de 8 bits, mínimo requerido para una calidad baja,
puede mejorarse su S/R con una técnica no lineal de cuantificación, se obtienen excelentes
resultados aumentando la cuantificación a 16 bits.
[3,4]
2
 Ganancia
El siguiente paso es amplificar las señales a niveles que sean manejables. La señal vocal
tiene componentes de frecuencia que pueden llegar a los 10 kHz., sin embargo la mayor parte de
los sonidos vocales tiene energía espectral significativa hasta los 5 Khz. solamente los sonidos
fricativos poseen componentes que pueden llegar a los 10 kHz. Para tomar y no eliminar
información se debe amplificar la ganancia.
2.4.3. Pre-procesamiento
Figura 2.11. Diagrama de la digitalización de la señal de Voz
Para el análisis de la señal de voz se realiza un pre-procesamiento de la señal vocal. Esto sucede a
través de técnicas que permitan extraer la información acústica directamente a partir de la señal
vocal emitida, se realiza el muestreo y algún tipo de cuantizacion.
[3]
2.4.4. Eliminación de Ruido y Normalización
Figura 2.12. Diagrama de eliminación de ruido y Normalización
Primero se realiza un filtrado de la señal para reducir los efectos del ruido que acompaña la señal
de voz ingresada, sin este filtrado se tendrían datos que no necesitamos.
También se hace una segmentación, esto es detectar el inicio y final de la señal de voz para
eliminar el ruido inicial y final, esto ayuda a optimizar memoria y hacer más veloz el tiempo de
cálculo para comparaciones y por supuesto evitar errores, para hacer esto se hace uso del nivel de
energía.
2
2.4.5. Filtro Pre-énfasis

Se aplica un filtro digital pasa altas de primer orden a la señal, para enfatizar las frecuencias altas
de los formantes por dos razones, primero para que no se pierda información durante la
segmentación, ya que la mayoría de la información está contenida en las frecuencias bajas, en
segundo remueve la componente DC de la señal, aplanando espectralmente la señal.
Figura 2.13. Diagrama de los filtros de énfasis

[8]
2.4.6. Segmentación
La segmentación consiste en cortar la señal en segmentos de análisis. La señal de voz es asumida
como estacionaria en estos segmentos.
Durante la segmentación los segmentos son guardados cada uno como la columna de una matriz,
para el posterior procesamiento de la señal de voz.
Para el proceso una ventana de Hamming de 30ms es aplicada a la señal de voz, enfatizada
previamente con el filtro de pre-énfasis. Con un desplazamiento típico 10ms entre cada ventaneo.
Figura 2.14. Diagrama de segmentación, ventaneo y recorte de la señal acústica

[9]
2
2.4.7. Extracción de las características
Figura 2.15. Diagrama que explica los procesos de extracción de características
En este paso se utiliza el método de Predicción lineal para obtener coeficientes LPC y con ayuda
de Cepstrum entender el espectro frecuencia de la señal que se va a reconocer.
[9]
2.4.8. Calculo de Distancia

Una característica fundamental de los sistemas de reconocimiento es la forma en que los vectores
característicos son combinados y comparados con los patrones de referencia.
Para poder realizar estas operaciones es necesario definir una medida de distancia entre los
vectores característicos.
Algunas de las medidas de distancia más utilizadas son las distancias o métricas inducidas por las
normas en espacios Lp.
En el algoritmo de reconocimiento en MATLAB se utiliza una distancia Euclidea, definida del

siguiente modo: por ejemplo si fi y fi’, con i=0, 1, 2,…, D son las componentes de dos vectores
característicos f y f’, puede definirse la siguiente métrica inducida por la norma Lp:
………(2.5)
Figura 2.16. Formula que muestra el cálculo realizado para obtener las distancias
2
En el algoritmo primero se define el tamaño del mayor vector, y se calcula con la formula anterior
la distancia entre el vector de la palabra a reconocer y cada uno de los vectores de referencia en la
base de datos, luego se hacen las condiciones para obtener la menor distancia, con lo cual se
encuentra la palabra identificada en la base de datos.
Figura 2.17. Diagrama que muestra el proceso para obtener y comparar las distancias
2.4.9. Toma de Decisión

La toma de decisión se hace en cuestión de la diferencia entre las distancias de la señal graba que
tiene su base de datos y la señal que se está comparando, se toma la decisión para aquella que
cumpla con la menor distancia y cumpla ciertas condiciones, como tener mayor numero acertado
de coeficientes LPC o la envolvente de esta señal es muy parecida a la envolvente de la señal
grabada en base de datos.
2
CAPITULO 3: Planteamiento del
Capítulo3. Planteamiento del Problema

La inseguridad ciudadana se ha convertido en uno de los grandes desafíos de las sociedades
contemporáneas. El impacto del fenómeno sobre la calidad de vida de los ciudadanos obliga a los
gobiernos nacionales, locales y a los sectores organizados de la sociedad, a diseñar esquemas
alternativos a los existentes, siendo su propósito el disminuir los niveles de inseguridad, sin
sacrificar el avance de la Democracia y el respeto por los Derechos Humanos y las Garantías
Ciudadanas.
La seguridad es un pre requisito básico para que las personas puedan satisfacer sus necesidades
básicas y desarrollar sus potencialidades como seres humanos, se ha constituido como un Derecho
Humano exigible.
El robo a casa habitación es uno de los delitos cuya incidencia ha aumentado en la ciudad de
México, de acuerdo con un estudio de la empresa Multisistemas de Seguridad Industrial.
Figura 3.1.Peligros En México
De acuerdo con estadísticas dadas a conocer por funcionarios de la Secretaría de Seguridad

Pública y de la Procuraduría General de Justicia (PGJDF), ambas del Distrito Federal, así como el
Consejo Ciudadano de Seguridad Pública y Procuración de Justicia, en 68 por ciento de robos a
casa habitación la víctima fue abordada cuando llegaba a su domicilio; 20 por ciento abrieron la
puerta al asaltante, quien se hace pasar por prestador de algún servicio y en 12 por ciento el atraco
ocurrió cuando no había nadie en la vivienda.
2
El subprocurador de Averiguaciones Previas Desconcentradas de la PGJDF, Hiram Almeida

Estrada, indicó que la mayor incidencia de ese ilícito es en las delegaciones Tlalpan, Gustavo A.
Madero e Iztapalapa.
Figura 3.2. Intento de robo en México
La tecnología puede ser una herramienta sumamente útil y poderosa para reducir el riesgo a ser
víctimas de la inseguridad. Proponer y diseñar un sistema tecnológico ayudara a reducir los
riesgos de ser víctimas de un robo a domicilio, es vital para el desarrollo de satisfacer la necesidad
de vivir seguro y confiado al ciudadano.
Figura 3.3.Tecnología de Protección y/o seguridad
2
Es de enfoque el ingreso o acceso al hogar por ello se toman medidas para limitar el acceso a
personas desconocidas y las funciones que pueden realizar dentro de este, como encender luces,
entrar a diferentes habitaciones, hacer uso de teléfono etc. De esta forma el dueño y su familia
podrán sentirse seguros de vivir en un lugar controlado por ellos.
Usando tecnología eficiente y accesible para personas de cualquier nivel social se pretende dar un
servicio de seguridad al ciudadano, estando dentro y fuera de su hogar.
Figura 3.4.Seguridad en el hogar (Entrada principal)
3
CAPITULO 4: Desarrollo de Un sistema de
4. Desarrollo de un Sistema de Seguridad por

Reconocimiento de Voz
4.1. Metodología
Dentro de la metodología del proyecto se requiere:
 Generar una base de datos.

 Filtrar y normalizar la señal adquirida.
 Obtener sus coeficientes LPC.
 Comparación de los coeficientes LPC según la distancia.
 Permitir o denegar el acceso.
Primeramente para la base de datos se realizan 5 grabaciones del usuario, las cuales se hicieron
con un micrófono y en formato .WAV a través de MATLAB a 22 KHz de muestreo y 16 bits de
resolución.
Posteriormente se hizo el filtro que elimina el ruido y aumentaba su energía para que las
grabaciones sean parecidas a sus parámetros (Normalización).
Al tener las 5 muestras sin ruido y normalizadas se obtiene el promedio de estas para tener una
única señal promediada con la señal de voz del usuario.
Los coeficientes LPC se obtienen con una función dentro de MATLAB, el número de coeficientes
que se utilizan son 25, dado por la siguiente ecuación:
𝐿𝑃𝐶 = (22𝐾𝐻𝑧) + 3 = 24.48 ≈ 25………….(3.1)

1024
Con esto se obtienen vectores de 25 coeficientes LPC para cada una de las señales, que se
comparan en distancia para obtener la relación entre la señal grabada y las 3 señales guardadas en
la base de datos.
La medida de la distancia se realiza elemento por elemento uno a uno, entre la señal de voz
grabada y alguna de la de la base de datos.
Al final de la medición de las distancias se suman los coeficientes que tengan menos del rango
dado por el programa para dar el número exacto de coeficientes LPC en que se parecen las señales.
Este procedimiento se realiza 3 veces comparando la señal grabada con cada una de las bases de
datos.
La toma de decisión se hace en base a que la señal grabada debe tener como mínimo cierto número
de coeficientes LPC, que se parecen a la señal almacenada en la base de datos de ese usuario, si
alguna de esas relaciones supera ese mínimo se da por hecho que la voz grabada es de ese usuario,
por lo cual el programa reconoce a la persona y le
3
da acceso al sistema, si ninguna de las relaciones supera el mínimo para alguna de las 3 personas
el programa manda un error de que no se reconoció, negando el acceso al sistema a la persona que
grabo.
4.2. Micrófono
Las características principales del Micrófono, con el cual la adquisición de la señal de voz es
posible, son las siguientes:
 Suprime ruidos de funcionamiento no deseados.

 El protector contra viento y el interruptor de filtro pasa-altas evitan las interferencias del
viento o ruidos de baja frecuencia.
 Cuenta con un cuerpo de dimensiones reducidas para poder utilizarlo cómodamente.
 Ofrece la manera ideal de grabar un sonido nítido y claro.
El principal inconveniente es que el micrófono, captan tanto lo se requiere como lo que no: ruido
del entorno, reflexiones acústicas, etc.
Figura 4.1. Micrófono que se usara en el proyecto
4.3. Entrenamiento y Base de Datos
4.3.1. Adquisición
Mediante el Software de MATLAB se crea un programa en el editor, con el cual se puede adquirir
señales de voz en archivos WAV con Frecuencia de muestreo de 22Khz, a 16 bits de resolución,
mono canal y duración de 2 segundos.
Programa:
%Programa de Grabaciones de la Base de Datos
Fs = 22050; % Frecuencia de Muestreo s
= wavrecord(2*Fs, Fs, 1);
wavwrite(s,Fs,16,'F1.wav') % Guarda .wav señal grabada
3
4.3.2. Eliminación de Silencios y Normalización

Adquirida la señal de voz, se procede a eliminar el ruido por medio de un Filtro para obtener la
señal característica, aunado a esto se debe Normalizar la señal, debido a que en MATLAB la señal
debe tomar valores desde -1 hasta 1 para poder utilizarla de forma adecuada sin perdidas.
Programa:
%Programa de Grabaciones de la Base de Datos (Normalización y eliminación de ruido)

wavwrite(s,Fs,16,'F1.wav') % Guarda .wav señal grabada
lon = length(s); % Longitud del vector

d = max(abs(s)); % Obtiene el valor más Grande
s = s/d; % Normaliza la señal prom
= sum(s.*s)/lon; % Promedio señal entera
umbral = 0.02; % 2% de la energía promedio y
= [0];
for i = 1:400:lon-400 % Ventaneo cada 10ms

seg = s(i:i+399); % Segmentos
e = sum(seg.*seg)/400; % Promedio de cada segmento
% Si el promedio energético es mayor que la señal completa por el valor umbral if( e>
umbral*prom)
% Almacena en (y) sino es eliminado como espacio en blanco y =
[y;seg(1:end)];
end;
end;
% Guarda .wav señal normalizada y sin ruido

wavwrite(y,Fs,16,'F1b.wav')
plot(y) % Grafica señal Normalizada
sound(y,22050) % Reproduce Señal Normalizada
4.3.3. Promedio
Se procede a grabar 5 veces el comando a reconocer lo cual genera 5 grabaciones distintas, las
cuales se deben promediar para obtener una sola señal que caracterizara el comando grabado.
Una vez más se debe Normalizar a la señal.
3
Programa:
%Programa que Realiza el Promedio de la Base de Datos de Grabaciones clearall;

clc;
Fs = 22050; % Frecuencia de Muestreo

[rec1] = wavread('F1b.wav'); % Lee la primera grabación
[rec2] = wavread('F2b.wav'); % Lee la segunda grabación
[rec3] = wavread('F3b.wav'); % Lee la tercera grabación
[rec4] = wavread('F4b.wav'); % Lee la cuarta grabación
[rec5] = wavread('F5b.wav'); % Lee la quinta grabación
% Crea el vector final de grabación
prom=rec1;
tam = length(rec5);
fori = 1:1:tam
prom(i) = ((rec1(i)+rec2(i)+rec3(i)+rec4(i)+rec5(i))/5);
end;
lon = length(prom); % Longitud del vector

d = max(abs(prom)); % Obtiene el valor más Grande
prom = prom/d; % Normaliza la señal
% Guarda .wav señal Promediada
wavwrite(prom,Fs,16,'FProm.wav')
plot(prom) % Grafica señal Promediada
sound(prom,Fs) % Reproduce Señal Promediada
4.3.4. Base De Datos

Obtenidos los promedios de los comandos, se forma una base de datos con ellos, que servirán para
comparar con las grabaciones en tiempo real de identificación del software.
[k0,Fs,bits] = wavread('FProm.wav'); % Archivo De Promedio Fer [k1,Fs,bits] =

wavread('AProm.wav'); % Archivo De Promedio Alexis [k2,Fs,bits] =
wavread('EProm.wav'); % Archivo De Promedio Oxana
4.4. Desarrollo
4.4.1. Adquisición
La adquisición de la señal ocurre dentro del programa en la función de GRABAR en él se

adquieren señales de voz en archivos WAV con Frecuencia de muestreo de 22Khz, a 16 bits de
resolución, mono canal y duración de 2 segundos.
3
Parte del Programa:

wavwrite(s,Fs,16,'Prueba.wav') % Guarda .wav señal grabada
4.4.2. Eliminación de silencios y Normalización
La eliminación de silencio y ruido junto con la Normalización ocurre después de la adquisición de

la señal en esta parte se hace uso del nivel de energía de la señal, tomando el valor máximo y
normalizándolo a 1, por medio de la segmentación y ventanas de haming se elimina el ruido y los
silencios para que solo se tenga la señal pura que contenga la información de la voz.
Parte del Programa:

wavwrite(s,Fs,16,'Prueba.wav') % Guarda .wav señal grabada lon
= length(s); % Longitud del vector

s = s/d; % Normaliza la señal
prom = sum(s.*s)/lon; % Promedio señal entera
= [0];

% Si el promedio energético es mayor que la señal completa por el valor umbral if( e>
umbral*prom)
% Almacena en (y) sino es eliminado como espacio en blanco y =
[y;seg(1:end)];
end;
end;

wavwrite(y,Fs,16,'Limpia.wav')
3
4.4.3. Parametrización
La Parametrización u obtención de las características de la voz se realiza dentro de la función

IDENTIFICAR, en esta función se toman las 3 señales de las bases de datos y se obtienen sus
coeficientes LPC para analizar.
Adquiridos los coeficientes LPC de las 3 señales de la base de datos y de la señal grabada, se
realizan 3 algoritmos de medición de distancia, entre la señal grabada en tiempo real y cada una de
las grabaciones dentro de la base de datos, obteniendo 3 vectores que contienen 0 (si la relación
entre distancias es mayor al rango máximo) y 1 (si la relación entre distancias es menor al rango
máximo).
Posteriormente se suman los vectores de las relaciones y se obtiene un número entero el cual
representa que cantidad de coeficientes LPC, se parecen a la voz grabada y a cada una de las bases
de datos.
Si este número es igual a 25 indica que la señal grabada y la base de datos son perfectamente
iguales, mientras que si es igual a 0 indica que no poseen nada en común, el estándar mínimo en
el cual el numero de coeficientes puede indicar que la relación corresponde a alguna de las bases
de datos es si este número es igual o mayor a 17.
[4]
Parte del Programa:
% Obtiene el numero de Coeficientes LPC

num = (Fs/1024)+3;
% Obtiene los coeficientes del filtro LPC de Fer W0
= lpc(k0,num);
% Obtiene los coeficientes del filtro LPC de Alexis
W1 = lpc(k1,num);
% Obtiene los coeficientes del filtro LPC de Oxana W2
= lpc(k2,num);
% Obtiene los coeficientes del filtro LPC de La Grabación de GUI Wx
= lpc(kx,num);
% Vector que contendrá las distancias entre Fer y la grabación d0=0;
for z=1:25
% Obtiene la distancia cuadrática media
d0(z)=sqrt((W0(z)-Wx(z))*(W0(z)-Wx(z)));
if d0(z)<= 0.15
% Coloca un 1 en el vector si es próximo a Fer
d0(z)=1;
% Coloca un 0 en el vector si es lejano a Fer else
d0(z)=0;
end
end
% Vector que contendrá las distancias entre Alexis y la grabación
3
d1=0;
for z=1:25
if d1(z)<= 0.15
% Coloca un 1 en el vector si es próximo a Alexis
d1(z)=1;
% Coloca un 0 en el vector si es lejano a Alexis else
d1(z)=0;
end
end
% Vector que contendrá las distancias entre Oxana y la grabación d2=0;

for z=1:25
if d2(z)<= 0.15
% Coloca un 1 en el vector si es próximo a Oxana
d2(z)=1;
% Coloca un 0 en el vector si es lejano a Oxana else
d1(z)=0;
end
end
% Contador que almacena el número de coeficientes que se parecen

cont0=0;
for i = 1:25
% Suma todos los valores de la cadena
cont0 = d0(i)+cont0;
end
cont0
cont1=0;
for j = 1:25
cont1 = d1(j)+cont1;
end
cont1
cont2=0; for
x = 1:25
cont2 = d2(x)+cont2;
end
cont2
3
4.4.4. Reconocimiento del habla (Toma de decisión)

Debido a que el análisis de predicción lineal es frecuencia y aunando que los fonemas y
pronunciación en cada nombre de los usuarios es completamente diferente, la toma de decisión
depende de la relación de coeficientes LPC entre la voz grabada y las grabaciones en la base de
datos. Es identificado el usuario si sus coeficientes entran en un rango predispuesto, este rango se
define por una serie de pruebas realizadas.
SI el programa reconoce al usuario de acceso al sistema, indica en la interfaz gráfica de que

usuario corresponde la voz y le permite seleccionar la acción a realizar en el menú de
FUNCIONES DEL SISTEMA. Si no lo reconoció, no le da acceso al sistema por lo cual no podrá
seleccionar ninguna acción a realizar.
Parte del Programa:
if (cont0 > 17)
op = length(k0);
% Predicción de la Señal por filtro
predic = filter([0 -W0(2:end)],1,k0);
error = k0 - predic; % Error
% Vector de Autocorrelacion
Rsw = xcorr(k0);
R = Rsw(op:op+num); % Obtención R(0)
G = sqrt(sum(W0.*R')); % Obtención G
% Obtención de la envolvente H(z)
envolvente = abs(G./fft(W0,op));
% Transformada de Fourier de la señal original SW
= abs(fft(k0,op)); semilogy(SW(1:(op/2)),'g');
holdon;
semilogy(envolvente(1:(op/2)),'b');
holdoff;
title('Usuario Fernando Poceros','Fontname','Trebuchet
MS','Fontangle','Italic','Fontweight','Bold','Fontsize',20,'color',[1 1 1])
xlabel('Frecuencia','Fontname','Trebuchet
ylabel('Nivel de
voz','Fontname','Dotum','Fontangle','Italic','Fontweight','Bold','Fontsize',15,'color',[1 1 1]) msgbox('Identificado: Fer');
ID=1;
saveID.mat;
elseif (cont1 > 17)
op = length(k1);
3
Rsw = xcorr(k1);
holdon;
holdoff;
title('Usuario Alexis Villalobos','Fontname','Trebuchet
ylabel('Nivel de
voz','Fontname','Dotum','Fontangle','Italic','Fontweight','Bold','Fontsize',15,'color',[1 1 1]) msgbox('Identificado:
Alexis');
ID=2;
saveID.mat;
elseif (cont2 > 17) op
= length(k2);
predic = filter([0 -W2(2:end)],1,k2); % Predicción de la Señal por filtro
Rsw = xcorr(k2);
holdon;
holdoff;
title('UsuarioEyraOxana','Fontname','Trebuchet
ylabel('Nivel de
Oxana');
ID=3;
saveID.mat;
elsemsgbox('No Identificado!!!!!');
end
3
4.4.5. Selección de la Acción a realizar

Una vez que el usuario es reconocido puede elegir entre 4 opciones: Abrir Puerta, Cerrar Puerta,
Prender Luz y Apagar Luz, la variable ID indica a que usuario se reconoció, si:
ID=1 se trato de Fernando, si ID=2 se trato de Alexis y si ID=3 se trato de Oxana, el programa
permite a todos los usuarios poder realizar cualquiera de las 4 acciones.
Parte del Programa:
% MENU FUNCIONES DEL SISTEMA

functionMenu_Callback(hObject, eventdata, handles)
loadID;
if ID==1 || ID==2 || ID==3
P0=get(handles.Menu,'Value');
switch P0
case 1,
msgbox('No Selecciono Nada');
case 2,
msgbox('Abriendo Puerta');
case 3,
msgbox('Cerrando Puerta');
case 4, msgbox('Prendiendo
Luz'); case 5,
msgbox('Apagando Luz');
end
else
msgbox('No Identificado!!!');
end
4.4.6. Interfaz Grafica

Es diseñada una interfaz de usuario - máquina para lograr la comunicación entre ambos fácil de
entender, se utiliza MATLAB para crear una GUI, en esta se puede mostrar las gráficas de la señal
de voz, los botones que permiten identificar al usuario y las funciones que se pueden realizar
dentro la GUI.
El programa MATLAB tiene la opción para realizar esta interfaz en su barra de funciones donde
aparece el icono de GUIDE para crearla.
4
Figura 4.2. Icono de GUIDE en MATLAB para crear interfaces
Al seleccionar crear GUIDE, el programa da la opción de crear diferentes modos de GUIDES, la

opción que se selecciono es la que esta como predeterminada (en blanco),en esta se puede diseñar
la forma de la interfaz, con los botones o elementos necesarios.
Figura 4.3. Selección de la GUI o abrir una nueva GUI
Se escoge la GUIDE predeterminada para poder colocar los objetos necesarios.
4
Figura 4.4. Inicio de la GUI con su ventana lateral izquierda de selección de objetos
Una vez teniéndola la plantilla de la GUIDE se ajusta el tamaño, se colocan los botones, graficas,
textos, imágenes, graficas, etc. Con los diferentes botones que se tienen al lado izquierdo de la
pantalla, cuando se selecciona el botón y se coloca en el lugar que se requiere, se ajusta el tamaño
y color de este.
Figura 4.5. Colocación, edición y uso de un Botón en la GUI
4
El diseño realizado para el trabajo fue el siguiente:
Figura 4.6. Interfaz gráfica imagen de la GUI
Esta es la Interfaz gráfica realizada.
Figura 4.7. Interfaz gráfica del Reconocedor de Voz creado en MATLAB
4
Dentro de las funciones aparecen recuadros donde da aviso la interface del estado del programa,
los botones despliegan diferente información:
 Botón Grabar: Este botón realiza la función de activar el micrófono y grabar durante
dos segundos el comando a reconocer, en este caso es el nombre del usuario. Para
posteriormente limpiar la señal de ruido y normalizarla, una vez hecho esto imprime la
gráfica de la señal de voz en el recuadro de gráfica y aparece una ventana que indica
que la grabación se ha realizado con éxito, puede observarse en la figura:
Figura 4.8. Interfaz gráfica después de haber apretado el botón Grabar
 Botón Identificar: El botón Identificar es el que cumple la función más importante del
programa que es reconocer y tomar la decisión.
Consta de las siguientes etapas:

1) Obtener los coeficientes LPC de la señal grabada y de las 3 señales de la base de
datos de cada usuario, esto entrega 4 vectores que son las envolventes de la señal
(Grabación, Fernando, Alexis y Oxana).
2) Después obtener la relación de la señal grabada con cada una de las señales de la
base de datos, por medio de la distancia entre cada coeficiente LPC de cada uno
de los 4 vectores. En esta etapa se da un rango de aceptación en el cual un
coeficiente LPC al parecerse al otro se toma en cuenta o se desprecia, al final
todos los coeficientes LPC de la
4
relación se suman dando la relación de cuanto se parece la señal grabada con las 3
bases de datos.
3) La etapa final es la Toma de decisión la cual se realiza tomando en cuenta 2

condiciones, una que el número de coeficientes LPC que se tomaron en cuenta
superen un número mínimo requerido para cada usuario y dos que el número de
coeficientes LPC no sean iguales, ya que al tener dos relaciones iguales el
programa entra en conflicto para decidir a qué usuario identificar.
Figura 4.9. Interfaz gráfica después de haber apretado el botón Identificar
 Botón Cerrar Sesión: Este botón se ocupa para cerrar la sesión y volver al inicio de la
interfaz una vez que el usuario reconocido ha realizado alguna acción, este botón limpia
las variables utilizadas y reinicia el programa general.
 Botón Salir: El botón salir apaga y cierra la interfaz borrando todas las variables utilizas.
Figura 4.10. Ventana que aparece después de presionar el botón Salir
4
 Menú Funciones Del Sistema: Dentro de este menú, están las opciones de Abrir
Puerta, Cerrar Puerta, Apagar Luz y Cerrar Luz, se pueden agregar más opciones depende
de las necesidades del usuario, su función es indicarle al programa que es lo que el usuario
desea hacer.
Figura 4.11. Menú de Funciones del Sistema que despliega las acciones que se puede realizar
Figura 4.12. Ventana que aparece después de seleccionar la Acción de Abrir Puerta
4.4.7. Programa Completo

El Programa completo se puede observar en los Anexos como Anexo 1.
4.5. Implementación
Para la implementación de sistema de reconocimiento de voz, se fabricó una maqueta que
simularía un Hogar, la cual tendría una puerta y un foco.
Se realizaron algunos circuitos para poder hacer que la puerta se moviera con ayuda de un motor
eléctrico y que el foco se prendiera y apagara, estos circuitos se pueden encontrar dentro de
Anexos en Anexo 2.
Para la conexión entre la computadora (la interfaz gráfica) y los circuitos de la maqueta se utilizó
la tarjeta de adquisición de datos de National Instruments la cual puede ser reconocida por
MATLAB.
4
Figura 4.13. Maqueta e Interfaz grafica
Figura 4.14. Tarjeta de Adquisición de datos USB6008
4
CAPITULO 5: Pruebas y
Capítulo 5. Pruebas y Resultados

En este Capítulo se mostraran los resultados obtenidos al realizar pruebas con el programa de
reconocimiento de voz, para poder obtener y comparar los objetivos alcanzados, las ventajas y
desventajas del proyecto propuesto.
Para realizar las siguientes pruebas, se usa la voz de uno de los usuarios y dependiendo de los
resultados, se escogió el mejor lugar para realizar las pruebas de reconocimiento.
Estas pruebas consisten en la comparación de los coeficientes LPC de la voz grabada en una base
de datos y la voz en tiempo real, para estos hay un contador de cuantos coeficientes coinciden, por
lo cual las siguientes pruebas muestran la cantidad de coeficientes que se aproximan a los
originales en la base de datos.
Existen 3 contadores denominados Cont 0 para la relación entre los coeficientes LPC de Fernando
y la voz grabada al instante, Cont 1 corresponde a Alexis y Cont 2 corresponde a Oxana.
Estas pruebas se realizaron en un lugar cerrado con un nivel de ruido de:

49.5-56 dBA
Tabla 5.1. Pruebas con ruido de 49.5 a 56 dBA
Alexis Cont 0 Cont 1 Cont 2
Alexis 11 20 9
Alexis 13 18 13
Fernando 12 19 9
Fernando 11 21 10
Oxana 10 15 12
Oxana 9 19 12
Estas pruebas se realizaron en un lugar abierto con un nivel de ruido de:

62.8-69.4 dBA
Tabla 5.2. Pruebas con ruido de 62.8 a 69.4 dBA

Alexis 14 19 11
Alexis 14 18 12
Fernando 12 18 8
Fernando 10 22 9
Oxana 9 12 13
Oxana 11 19 12
Estas pruebas se realizaron en un lugar con un nivel de ruido de:

66.2-75.4 dBA
4
Tabla 5.3. Pruebas con ruido de 66.2 a 75.4 dBA

Alexis 17 19 14
Alexis 18 18 16
Fernando 16 18 10
Fernando 17 22 17
Oxana 10 12 19
Oxana 17 19 12
El lugar que se escogió para las pruebas generales fue en donde se obtuvieron mejores resultados,
en este caso en lugares con niveles de ruido entre 62.8-69.4 dBA.
5.1. Pruebas Generales
En las pruebas generales se mostraran 20 resultados de pruebas realizadas por cada usuario, en las
cuales cada usuario se graba mencionando los diferentes nombres con los que se programó; De
esta manera se determinara el promedio de cada uno de los contadores, para establecer un rango de
decisión.
El número máximo de relación se muestra de color amarillo, mientras que el número menor se
muestra en color verde.
5.1.1. Comparación de Contadores con usuario Alexis

Tabla 5.4. Pruebas de Alexis mencionando Alexis
Alexis 12 19 11
Alexis 14 18 13
Alexis 14 18 8
Alexis 10 22 11
Alexis 9 12 13
Alexis 11 19 12
Alexis 13 17 18
Alexis 9 19 10
Alexis 10 19 7
Alexis 11 19 9
Alexis 11 13 8
Alexis 14 19 11
Alexis 9 21 11
Alexis 9 17 12
Alexis 11 19 12
Alexis 12 17 12
Alexis 10 13 9
Alexis 12 16 11
Alexis 14 18 10
Alexis 14 15 9
Promedio 11.45 17.5 10.85
4
Tabla 5.5. Pruebas de Alexis mencionando Fernando

Fernando 9 11 8
Fernando 9 12 6
Fernando 13 13 9
Fernando 12 14 9
Fernando 11 17 9
Fernando 9 9 9
Fernando 13 16 8
Fernando 11 11 9
Fernando 9 14 9
Fernando 14 15 10
Fernando 8 10 6
Fernando 12 8 10
Fernando 10 8 9
Fernando 8 10 4
Fernando 14 18 9
Fernando 10 15 9
Fernando 10 8 10
Fernando 11 10 10
Fernando 10 11 11
Fernando 8 13 9
Promedio 10.55 12.15 8.65
Tabla 5.6. Pruebas de Alexis mencionando Oxana

Oxana 14 18 10
Oxana 12 14 9
Oxana 12 16 8
Oxana 14 12 13
Oxana 16 16 10
Oxana 13 13 10
Oxana 17 16 9
Oxana 12 12 9
Oxana 15 18 7
Oxana 14 14 12
Oxana 13 16 9
Oxana 14 10 11
Oxana 13 15 12
Oxana 12 20 12
Oxana 11 19 11
Oxana 19 18 10
Oxana 15 17 12
Oxana 10 14 11
Oxana 6 19 11
Oxana 15 13 8
Promedio 13.35 15.5 10.2
5
Con los Resultados Obtenidos, se determinó que el Usuario Alexis era reconocido de cualquier
forma cuando se grababa su nombre, por otro lado cuando se grababa el nombre de otro usuario el
reconocedor relacionaba su voz aunque el comando fuera erróneo.
5.1.2. Comparación de Contadores con usuario Fernando

Tabla 5.7. Pruebas de Fernando mencionando Alexis
Fernando Cont 0 Cont 1 Cont 2
Alexis 14 11 12
Alexis 18 9 9
Alexis 15 15 6
Alexis 18 15 9
Alexis 14 17 11
Alexis 18 13 11
Alexis 17 12 8
Alexis 19 17 8
Alexis 15 13 6
Alexis 18 13 9
Alexis 10 8 7
Alexis 16 13 8
Alexis 14 8 8
Alexis 13 12 7
Alexis 15 15 8
Alexis 14 15 13
Alexis 14 14 6
Alexis 16 13 8
Alexis 13 13 10
Alexis 19 15 7
Promedio 15.5 13.05 8.55
Tabla 5.8. Pruebas de Fernando mencionando Fernando

Fernando 17 13 11
Fernando 16 10 4
Fernando 14 12 12
Fernando 14 8 10
Fernando 17 13 8
Fernando 12 10 9
Fernando 11 10 10
Fernando 14 13 12
Fernando 11 6 11
Fernando 15 8 10
Fernando 15 9 11
5
CAPITULO 5: Pruebas y Resultados
Fernando 14 13 12
Fernando 16 12 12
Fernando 17 13 9
Fernando 14 14 10
Fernando 13 10 11
Fernando 15 11 12
Fernando 14 12 10
Fernando 12 10 6
Fernando 11 9 12
Promedio 14.1 10.8 10.1
Continuación Tabla 5.8
Tabla 5.9. Pruebas de Fernando mencionando Oxana

Oxana 15 14 10
Oxana 14 14 6
Oxana 17 15 13
Oxana 16 11 7
Oxana 20 10 8
Oxana 14 14 10
Oxana 15 12 11
Oxana 17 16 12
Oxana 14 17 11
Oxana 14 15 9
Oxana 15 10 11
Oxana 15 17 12
Oxana 18 18 11
Oxana 15 13 10
Oxana 15 17 11
Oxana 13 14 11
Oxana 14 10 9
Oxana 13 14 9
Oxana 12 12 10
Oxana 11 11 9
Promedio 14.85 13.7 10
Con los Resultados Obtenidos, se determinó que el Usuario Fernando era reconocido de cualquier
forma cuando se grababa su nombre teniendo unas incidencias con el Usuario Alexis, por otro lado
cuando se grababa el nombre de otro usuario el reconocedor relacionaba su voz aunque el
comando fuera erróneo.
5
5.1.3. Comparación de Contadores con usuario Oxana

Tabla 5.10. Pruebas de Oxana mencionando Alexis
Oxana Cont 0 Cont 1 Cont 2
Alexis 11 13 12
Alexis 10 19 11
Alexis 12 17 12
Alexis 16 18 12
Alexis 11 15 9
Alexis 14 18 12
Alexis 9 16 13
Alexis 11 15 15
Alexis 16 20 11
Alexis 11 16 11
Alexis 13 17 14
Alexis 11 15 14
Alexis 10 20 13
Alexis 12 13 12
Alexis 12 18 7
Alexis 13 17 10
Alexis 12 20 9
Alexis 11 15 12
Alexis 11 16 11
Alexis 13 18 14
Promedio 11.95 16.8 11.7
Tabla 5.11. Pruebas de Oxana mencionando Fernando

Fernando 9 9 10
Fernando 10 13 8
Fernando 11 11 7
Fernando 8 10 8
Fernando 10 11 6
Fernando 12 14 10
Fernando 9 9 12
Fernando 11 12 10
Fernando 9 16 8
Fernando 10 17 11
Fernando 8 10 5
Fernando 11 17 7
Fernando 5 7 7
Fernando 9 10 6
Fernando 10 12 6
Fernando 13 14 8
Fernando 6 10 8
Fernando 8 10 10
Fernando 11 10 10
Fernando 7 11 7
Promedio 9.35 11.65 8.2
5
Tabla 5.12. Pruebas de Oxana mencionando Oxana

Oxana 8 14 10
Oxana 9 12 11
Oxana 10 11 10
Oxana 15 12 11
Oxana 9 11 15
Oxana 10 13 11
Oxana 8 11 9
Oxana 9 14 10
Oxana 10 13 12
Oxana 9 8 8
Oxana 11 16 14
Oxana 10 12 11
Oxana 9 12 11
Oxana 9 11 10
Oxana 12 14 11
Oxana 4 13 11
Oxana 10 15 8
Oxana 8 12 11
Oxana 8 10 11
Oxana 7 16 8
Promedio 9.25 12.5 10.65
Con los Resultados Obtenidos, se determinó que el Usuario Oxana era reconocido de cualquier
forma cuando se grababa su nombre teniendo unas incidencias con el Usuario Fernando, por otro
lado cuando se grababa el nombre de otro usuario el reconocedor relacionaba su voz aunque el
comando fuera erróneo.
5.1.4 Uso de los Promedios
Durante las pruebas generales se obtuvieron Promedios en la relación entre LPC’s, estos
promedios se muestran a continuación; A partir de ellos se obtuvieron el rango entre coeficientes
que se deberán de colocar en el programa para poder obtener un reconocimiento de voz confiable y
seguro.
Alexis
Los promedios que se obtuvieron se utilizaron para obtener el rango que debería de tener cada
contador para el reconocimiento adecuado del individuo y se obtuvo que para el usuario Alexis:
Cont0 estará entre 13 y 15, Cont1 estará entre 16 y 25 mientras que Cont2 estará entre 9 y 13.
5
Tabla 5.13. Promedios Obtenidos para Alexis
Fernando
5
Palabra Cont 0 Cont 1 Cont 2
Alexis 11.45 17.5 10.85
Fernando 10.55 12.15 8.65
Oxana 13.35 15.5 10.2
Se obtuvo que para el usuario Fernando: Cont0 estará entre 11 y 25, Cont1 estará entre 9 y 11
mientras que Cont2 estará entre 7 y 10.
Tabla 5.14. Promedios Obtenidos para Fernando

Alexis 15.5 13.05 8.55
Fernando 14.1 10.8 10.1
Oxana 14.85 13.7 10
Oxana
Se obtuvo que para el usuario Oxana: Cont0 estará entre 7 y 10, Cont1 estará entre 11 y 16
mientras que Cont2 estará entre 7 y 14.
Tabla 5.15. Promedios Obtenidos para Oxana

Alexis 11.95 16.8 11.7
Fernando 9.35 11.65 8.2
Oxana 9.25 12.5 10.65
5.2. Pruebas de Reconocimiento

En las pruebas de Reconocimiento los usuarios grabaron los 3 comandos propios que cada uno
tenía tratando de accesar al sistema como otro usuario, los resultados fueron los siguientes:
Tabla 5.16. Resultados del Reconocimiento de Alexis
Alexis Id. Oxana Id. Fernando Id. Alexis No identificado
Alexis X
Alexis X
Alexis X
Alexis X
Alexis X
Alexis X
Fernando X
Fernando X
5
Fernando X
Fernando X
Fernando X
Fernando X
Oxana X
Oxana X
Oxana X
Oxana X
Oxana X
Oxana X
Continuación Tabla 5.16.
Algún usuario al querer accesar puede ser reconocido como si mismo a pesar de que no haya sido
esa la palabra mencionada, Esto se debe a que el análisis es en frecuencia, por lo que en
determinado momento puede ser reconocido como el mismo o no reconocido.
Tabla 5.17. Resultados del Reconocimiento de Fernando
Alexis X
Alexis X
Alexis X
Alexis X
Alexis X
Alexis X
Fernando X
Fernando X
Fernando X
Fernando X
Fernando X
Fernando X
Oxana X
Oxana X
Oxana X
Oxana X
Oxana X
Oxana X
5
Tabla 5.18. Resultados del Reconocimiento de Oxana
Alexis X
Alexis X
Alexis X
Alexis X
Alexis X
Alexis X
Fernando X
Fernando X
Fernando X
Fernando X
Fernando X
Fernando X
Oxana X
Oxana X
Oxana X
Oxana X
Oxana X
Oxana X
5.3. Pruebas con Intrusos o Personas no Registradas
Para estas pruebas se utilizaron 3 sujetos prueba, Un hombre adulto, una mujer adulta y una niña,
se trató de acceder al sistema como alguno de los usuarios, los resultados de las pruebas fueron los
siguientes:
Tabla 5.19. Resultados del Reconocimiento para un Hombre Adulto
Hombre Id. Oxana Id. Fernando Id. Alexis No identificado

Adulto
Alexis X
Alexis X
Alexis X
Alexis X
Alexis X
Alexis X
Fernando X
Fernando X
Fernando X
Fernando X
Fernando X
Fernando X
Oxana X
5
Oxana X
Oxana X
Oxana X
Oxana X
Oxana X
Tabla 5.20. Resultados del Reconocimiento para una Mujer Adulta
Mujer Adulta Id. Oxana Id. Fernando Id. Alexis No identificado
Alexis X
Alexis X
Alexis X
Alexis X
Alexis X
Alexis X
Fernando X
Fernando X
Fernando X
Fernando X
Fernando X
Fernando X
Oxana X
Oxana X
Oxana X
Oxana X
Oxana X
Oxana X
Tabla 5.21. Resultados del Reconocimiento para una Niña
Niña Id. Oxana Id. Fernando Id. Alexis No identificado
Alexis X
Alexis X
Alexis X
Alexis X
Alexis X
Alexis X
Fernando X
Fernando X
Fernando X
Fernando X
Fernando X
Fernando X
5
Oxana X
Oxana X
Oxana X
Oxana X
Oxana X
Oxana X
5.4. Solución del problema
Se propone implementar este sistema de seguridad por reconocimiento de voz en áreas con niveles
de ruido no mayores a 70dB, para que el sistema de reconocimiento de voz funcione de modo que
exista menor probabilidad de error, esto incrementaría la seguridad.
El sistema será seguro porque los coeficientes que se utilizaran en el software no podrán ser
alterados por ninguna persona, debido a que cada uno contiene sus propios coeficientes
inalterables en una base de datos establecida por el diseñador en la captura de voz.
No se podrán agregar usuarios nuevos al instante, tendrán que ser agregados previamente por el
proceso de adquisición y entrenamiento por lo cual es un proceso tardado y con acreditación del
dueño, esto permite mayor confiabilidad al sistema.
6
5.5. Estudio Socio Económico

La realización de un estudio económico adecuado sobre el tamaño y esfuerzo requerido es una de
las características fundamentales de un proyecto exitoso.
El estudio está asociado con el esfuerzo, costo y el tiempo de las actividades identificadas del
proyecto.
El objetivo del estudio del proyecto es reducir los costos e incrementar los niveles de servicio y de
calidad.
Se realizó una estimación orientada a la función del software. Evaluando los factores de ajuste de
complejidad de 0 a 5 donde:
 0.- Sin influencia

 1.- Incidental
 2.- Moderado
 3.- Medio
 4.- Significativo
 5.- Esencial
Se contestaron las siguientes preguntas respondiendo con el grado de influencia que se tiene en el
proyecto, esto para sacar una valoración de lo que contiene y realiza el software:
1.- ¿Requiere el sistema copias de seguridad fiables? R= 3 2.-
¿Se requiere comunicaciones de datos? R= 4
3.- ¿Existen funciones de procesamiento distribuido? R= 4 4.-
¿Es crítico el rendimiento? R= 3
5.- ¿Sera ejecutado el sistema en un entorno operativo existente y utilizado? R=5 6.- ¿Se
requiere entrada de datos interactiva? R= 5
7.- ¿Requiere la entrada interactiva, que las traslaciones de entrada se hagan sobre múltiples
pantallas o varias operaciones? R= 0
8.- ¿Se utilizan los archivos maestros de forma interactiva? R= 3
9.- ¿Son complejas las entradas, las salidas, los archivos o las peticiones? R=4 10.- ¿Es
complejo el procesamiento interno? R= 5
11.- ¿Se ha diseñado el código para ser reutilizable? R= 4
12.- ¿Están incluidas en el diseño la conversión y la instalación? R= 5
6
CAPITULO
CAPITULO 5:
5: Pruebas
Pruebas yy Resultados
13.- ¿Se ha diseñado el sistema para soportar múltiple instalaciones en diferentes

organizaciones? R= 4
14.- ¿Se ha diseñado la aplicación para facilitar los cambios y ser fácilmente utilizada por el
usuario? R= 5
Suma total de la valoración: 54
Sacamos los Parámetros de medida de pendiendo del factor de peso para evaluar el nivel de
complejidad del software
Figura 5.1. Análisis de Factor Peso (Plantilla)
Nota: se multiplica la cuenta con el valor elegido ya sea simple medio o complejo (en este caso
los números sombreados).
Tabla 5.22. Análisis de PF (Factor de Peso)
Parámetro de medida cuenta simple medio complejo
Número de entradas usuario: 3 X 6 = 18
Número de salidas de usuario: 3 X 5 = 15
Numero peticiones al usuario: 1 X 6 = 6
Numero de archivos: 45 X 10 = 450
Numero interfaces externos: 1 X 10 = 10
Cuenta total 499
6
Evaluando la influencia de factores globales que afecten la aplicación:
PF= cuenta total x (0.65+0.01 x (total de la valoración))
PF= 499 x (0.65+ 0.01 x (54))=593. 81
PF estimado: 593. 81
Datos históricos:
Productividad media de la organización en proyectos similares: 100 PF/per Tarifa
laboral: 300 $ /mes
Coste por PF: 3 $
Costo estimado del proyecto:
Coste total proyecto: PF estimado X coste por PF
Esfuerzo estimado: PF estimado/ (Productividad media de la organización en

proyectos)
Tabla 5.23. Análisis de Costos
Esfuerzo estimado: 5.9 personas-mes

Coste total proyecto: 1,781.43 $ (del puro software, no incluye el mantenimiento ni la instalación)
Tabla 5.24. Análisis Total de Costo
Costo
Mantenimiento básico del software 1200
Interfaz física usuario máquina. 4000 -11000
Tarjeta de adquisición de datos 2500
Diseño del área a colocar el reconocedor de Depende del área, lugar y la
voz y construcción del mismo complejidad del diseño y
construcción
Base de dato (por persona) 500
Mantenimiento físico (básico). 1000
Total aproximado:
$ 20,000
La estimación de costo con respecto a la instalación y diseño donde el software será

implementado, incrementaría o disminuirá dependiendo del lugar y la complejidad del diseño,
además de consultar el equipo y recursos con el que cuenta el cliente.
Nota: El mantenimiento tanto del software como del físico, dependerá de igual medida a lo que
el sistema necesite para estar en óptimas condiciones.
6
CONCLUSIONE
CONCLUSIONES
La seguridad de un hogar es la principal preocupación como habitante de la Cd. de México, Un
sistema de seguridad por reconocimiento de voz puede no solo aumentarla si no también tener la
tranquilidad de saber quién acceda al hogar.
En un sistema de reconocimiento de voz, la toma de decisión es difícil debido a factores como la

similitud de las palabras, el nivel de ruido del lugar donde se realizan las grabaciones y los estados
de ánimo del usuario.
El sistema de seguridad por voz será más confiable ya que pasara por diversos métodos siendo el
más importante la predicción lineal, obtención de parámetros llamados coeficientes LPC/Cepstrum
y condiciones implementadas por el programador, disminuyendo la probabilidad de error al
reconocer al usuario; Aunque un aspecto importante a considerar y que el programador no puede
corregir es si el usuario dice la palabra en un tono de extrema alegría o extrema tristeza ya que esto
modifica las características de su voz afectando los coeficientes LPC como a su vez lo haría si el
usuario está en estado alcohólico o inconveniente.
Para corregir este problema se propuso tener más bases de datos del mismo usuario pero en
diferentes estados de ánimo, así el usuario antes de identificarse podría indicar su estado de ánimo
y el programa relacionaría su grabación en el momento, con la base de datos asignada para ese
usuario en ese estado de ánimo (Comparación de coeficientes LPC en diferentes estados de
ánimo), esto podría facilitar en gran medida el acceso a otros usuarios es por esa razón por la cual
que no se implementó esta solución, y se optó por que el usuario grabara de forma correcta y
como lo realizo en las grabaciones cuando se diseñó su base de datos.
La seguridad por voz irá en aumento al paso de las diferentes etapas del sistema como filtrado,
normalización, obtención de parámetros y pitch, tecnologías que vallan mejorando la confiabilidad
y velocidad en la toma de decisión. Estas a su vez ayudaran en la implementación de sistemas de
seguridad eficientes.
La opción de usar MATLAB como herramienta principal permitió realizar una interfaz para
un sistema de reconocimiento de voz de uso fácil, eficaz y con capacidad de ejecutar operaciones
de procesamiento de señales llamada GUI.
El sistema de Reconocimiento de voz ampliará en gran medida la seguridad del hogar y será la
base de futuras implementaciones de seguridad total automatizada para el hogar, incluyendo
control de ventanas, luces, puertas, plomería, instalaciones de gas, etc. Haciendo de este un
proyecto base de Domótica.
Se aprendió que para realizar un reconocedor de voz, se necesitan muchas partes tanto software
como hardware que realicen cada una de sus funciones de manera adecuada, siendo el software el
de mayor importancia, gracias a este se pueden programar los algoritmos para poder reconocer al
usuario, pero el hardware también tiene su
6
CONCLUSIONE
importancia debido a que al usar un micrófono mejor se puede obtener una mejor calidad en la
señal adquirida y por lo tanto dejar que el software se encargue sólo del procesamiento de la señal
y no tenga que desperdiciar tiempo en limpiarla, filtrarla y normalizarla.
Se tuvieron algunos problemas durante la realización del proyecto, los cuales fueron los
siguientes:
El problema relacionado con la comparación entre la señal de voz adquirida y la base de datos de
cada usuario (Coeficientes LPC), debido a que se tenía un alto procesamiento de datos que se tuvo
que limitar para el rápido funcionamiento de este.
La solución para este problema fue colocar contadores que indicaran el número de coeficientes
LPC que se parecieron a los coeficientes LPC grabados en la Base de datos de cada usuario y el
número más cercano al máximo de Coeficientes LPC será el usuario identificado, para el
software es más fácil comparar un número contra otro, que un vector de miles de números contra
otro vector de miles de números, no se comprometió la integridad o seguridad del reconocimiento
sólo se agilizó el procesamiento del software para que al usuario le pareciera más agradable y
fluido.
Otro problema que se encontró fue que al aumentar la cantidad de usuarios el programa sería más
extenso y la similitud entre cada usuario y sus coeficientes LPC podría converger en un punto,
causando esto fallas en el sistema.
Este problema se pudo solucionar programando los límites de relación de cada contador en
relación con los demás haciéndolos más estrictos para que el software no pueda dar acceso a algún
usuario si no lo ha reconocido de manera adecuada.
De esta manera se pudieron solucionar los problemas que surgieron durante la realización del
proyecto, los cuales funcionaron correctamente y no han presentado fallas o alteraciones que
afecten el desempeño del proyecto.
6
BIBLIOGRAFIA Y/O
BIBLIOGRAFIA Y/O REFERENCIAS
[1] Franco Galván, Jorge Andrés. “Reconocimiento de Voz para Niños con Discapacidad en el
Habla”, Universidad de las Américas departamento de Ingeniería Electrónica 2010, Puebla,
México.
[2] Cruz Beltrán, Luis. A. y Acevedo Mosqueda, Marco. A. “Aplicación del Reconocimiento de
Voz de un Hablante Mediante una Red Neuronal Artificial Back propagation y Coeficientes LPC
sobre un Canal Telefónico”
[3]Schroeder, Manfred R..“ComputerSpeechRecognition, Compression andSinthesis”.
[4]Kai-Fu, Lee.“AutomaticSpeechRecognition”.
[5]Sreiner, Erich.“Matemáticas para las ciencias aplicadas”. Editorial Reverté 2009.
[6] Pereira Rama, Antonio. “Procesamiento Digital de la Señal Sonora Utilizando Matlab”.
[7] Romero Bauset, José Vicente; Dolores Rosello, Maria y Zalaya Báez, Ricardo. “Fundamentos
Matemáticos para la Ingeniería con MATLAB”, Universidad Politécnica de Valencia, España.
[8] “InsideSpeechRecognition”, Consulta: http://www.tldp.org/HOWTO/Speech-

Recognition-HOWTO/inside.html , Fecha de consulta: 25 de Abril del 2012.
[9]Harrington, Jonathan y Cassidy, Steve.“Techniques in Speech Acoustics”,

KluwerAcademicPublishers
[10] Barragán Guerrero, Diego Orlando. “Manual de interfaz gráfica de usuario en MATLAB”,
Universidad Técnica Particular de Loja. Escuela de Electrónica y Telecomunicaciones.
[11] Faúndez Zanuy, Marcos. “Tratamiento Digital de Voz e Imagen con Aplicación a la
Multimedia”, Marcombo.
[12] Gómez, J.C. “Apuntes: Medidas de distancia y Reconocimiento de Vocales”, Consulta:

http://www.eie.fceia.unr.edu.ar/%7Eprodivoz/apuntes_index/pdf/, Fecha de consulta: 30 de Junio
del 2012
[13] “VOICEBOX: Librería de MATLAB para el reconocimiento del habla”, Consulta:

http://www.ee.ic.ac.uk/hp/staff/dmb/voicebox/voicebox.html . , Fecha de consulta: 15 de Abril del
2012
[14]Rabiner, Johanson. “Digital Processing Of Speech Signals”.
[15] Help (ayuda del explorador), “MATLAB 2012”
6
ANEXO
ANEXOS
Anexo 1. Programa Completo
% INICIO DE LA GUI (NO EDITAR)
functionvarargout = recvoc(varargin)
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn',
@recvoc_OpeningFcn, ... 'gui_OutputFcn',
@recvoc_OutputFcn, ... 'gui_LayoutFcn', [] ,...
'gui_Callback', []); ifnargin&&ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
ifnargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% INICIALIZA LA GUI
functionrecvoc_OpeningFcn(hObject, eventdata, handles, varargin)
ID=0;
saveID.mat; handles.output
= hObject; guidata(hObject,
handles);
% SALIDAS DE LA GUI
functionvarargout = recvoc_OutputFcn(hObject, eventdata, handles)
varargout{1} = handles.output;
% BOTON GRABAR
functiongrabar_Callback(hObject, eventdata, handles)

wavwrite(s,Fs,16,'Prueba.wav') % Guarda .wav señal grabada lon
= length(s); % Longitud del vector
s = s/d; % Normaliza la señal
prom = sum(s.*s)/lon; % Promedio señal entera
6
ANEXO

= [0];

if( e> umbral*prom) % Si el promedio energético es mayor que la
señal completa por el valor umbral
y = [y;seg(1:end)]; % Almacena en (y) sino es eliminado como
espacio en blanco
end;
end;

wavwrite(y,Fs,16,'Limpia.wav')
title('Grafica de Voz','Fontname','Trebuchet
xlabel('Tiempo','Fontname','Trebuchet
ylabel('Nivel de
voz','Fontname','Dotum','Fontangle','Italic','Fontweight','Bold','Fontsize',15,'color',[1 1 1])
msgbox('Grabacion terminada');
% BOTON IDENTIFICAR
functionIdentificar_Callback(hObject, eventdata, handles)
% Lee el archivo De Promedio Fernando

[k0,Fs,bits] = wavread('FProm.wav');
% Lee el archivo De Promedio Alexis
[k1,Fs,bits] = wavread('AProm.wav');
% Lee el archivo De Promedio Oxana
[k2,Fs,bits] = wavread('EProm.wav');
% Lee el archivo que se grabo en la GUI
[kx,Fs,bits] = wavread('Limpia.wav');
loadID.mat;
% Obtiene el numero de Coeficientes

num = (Fs/1024)+3;
% Obtiene los coeficientes del filtro LPC de Fer W0
= lpc(k0,num);
% Obtiene los coeficientes del filtro LPC de Alexis
W1 = lpc(k1,num);
% Obtiene los coeficientes del filtro LPC de Oxana W2
= lpc(k2,num);
% Obtiene los coeficientes del filtro LPC de La Grabación de GUI Wx
= lpc(kx,num);
6
ANEXO
% Vector que contendrá las distancias entre Fer y la grabación d0=0;

for z=1:25
if d0(z)<= 0.15
% Coloca un 1 en el vector si es próximo a Fer
d0(z)=1;
% Coloca un 0 en el vector si es lejano a Fer else
d0(z)=0;
end
end
% Vector que contendrá las distancias entre Alexis y la grabación d1=0;

for z=1:25
if d1(z)<= 0.15
% Coloca un 1 en el vector si es próximo a Alexis
d1(z)=1;
% Coloca un 0 en el vector si es lejano a Alexis else
d1(z)=0;
end
end
% Vector que contendrá las distancias entre Oxana y la grabación d2=0;

for z=1:25
if d2(z)<= 0.15
% Coloca un 1 en el vector si es próximo a Oxana
d2(z)=1;
% Coloca un 0 en el vector si es lejano a Oxana else
d2(z)=0;
end
end
% Contador que almacena el numero de coeficientes que se parecen

cont0=0;
for i = 1:25
% Suma todos los valores de la cadena
cont0 = d0(i)+cont0;
end
cont0
cont1=0;
for j = 1:25
cont1 = d1(j)+cont1;
end
6
ANEXO
cont1
cont2=0; for
x = 1:25
cont2 = d2(x)+cont2;
end
cont2
if (cont0 > 17)

op = length(k0);
Rsw = xcorr(k0);
holdon;
holdoff;
title('Usuario Fernando Poceros','Fontname','Trebuchet
ylabel('Nivel de
msgbox('Identificado: Fer');
ID=1;
saveID.mat;
elseif (cont1 > 17)
op = length(k1);
Rsw = xcorr(k1);
holdon;
holdoff;
7
ANEXO
title('Usuario Alexis Villalobos','Fontname','Trebuchet

ylabel('Nivel de
Alexis');
ID=2;
saveID.mat;
elseif (cont2 > 17) op
= length(k2);
Rsw = xcorr(k2);
holdon;
holdoff;
title('UsuarioEyraOxana','Fontname','Trebuchet
ylabel('Nivel de
Oxana');
ID=3;
saveID.mat;
elsemsgbox('No Identificado!!!!!');
end
% BOTON CERRAR SESION

functionReiniciar_Callback(hObject, eventdata, handles)
% Cierra la Interfaz Grafica

close (GCBF)
clearall
% Abre la Interfaz Grafica de nuevo
runrecvoc
% BOTON SALIR
functionSalir_Callback(hObject, eventdata, handles)
7
ANEXO
ans=questdlg('¿Desea salir del programa?','SALIR','Si','No','No');

ifstrcmp(ans,'No')
guidata(hObject, handles);
return;
end
clear,clc,closeall
% GRAFICA DE TRABAJO
functionGrafica_CreateFcn(hObject, eventdata, handles)
handles.Grafica=1:1:882;
handles.h = plot(handles.Grafica,zeros(882,1));
title('Grafica de Voz','Fontname','Trebuchet
xlabel('Tiempo','Fontname','Trebuchet
ylabel('Nivel de
% MENU FUNCIONES DEL SISTEMA

functionMenu_Callback(hObject, eventdata, handles)
loadID;
if ID==1 || ID==2 || ID==3
P0=get(handles.Menu,'Value');
switch P0
case 1,
msgbox('No Selecciono Nada');
case 2,
msgbox('Abriendo Puerta');
case 3,
msgbox('Cerrando Puerta');
case 4, msgbox('Prendiendo
Luz'); case 5,
msgbox('Apagando Luz');
end
else
msgbox('No Identificado!!!');
end
% FUNCION MENU FUNCIONES DEL SISTEMA

functionMenu_CreateFcn(hObject, eventdata, handles)
ifispc&&isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
7
ANEXO
Anexo 2. Diagrama de Conexión
7
GLOSARI
GLOSARIO
Algoritmo: Conjunto ordenado y finito de operaciones que permite hallar la solución de un
problema.
Amplitud: Distancia entre los puntos más alto y más bajo de la onda, determina la intensidad. Es
una medida de la variación máxima del desplazamiento u otra magnitud física que varía
periódica o cuasi-periódicamente en el tiempo.
Armónico: En una onda periódica, cualquiera de sus componentes sinusoidales, cuya frecuencia
sea un múltiplo entero de la frecuencia fundamental.
Espectro: Distribución de la intensidad de una radiación en función de una magnitud

característica, como la longitud de onda, la energía, la frecuencia o la masa.
Filtro: Dispositivo que elimina o selecciona ciertas frecuencias de un espectro eléctrico, acústico,
óptico o mecánico, como las vibraciones.
Fonemas: Sonido de la voz
Frecuencia: Número de veces que se repite un proceso periódico por unidad de tiempo.
Impedancia: Relación entre la tensión alterna aplicada a un circuito y la intensidad de la

corriente producida. Se mide en ohm.
Interfaz: Conexión física y funcional entre dos aparatos o sistemas independientes.
Nítido: Limpio, terso, claro, puro.
Normalizar: Es el proceso de elaborar, aplicar y mejorar las normas que se aplican a distintas
actividades científicas, industriales o económicas con el fin de ordenarlas y mejorarlas. La
normalización persigue fundamentalmente tres objetivos:
 Simplificación: se trata de reducir los modelos para quedarse únicamente con los más
necesarios.
 Unificación: para permitir el intercambio a nivel internacional.
 Especificación: se persigue evitar errores de identificación creando un lenguaje claro y
preciso.
Pronunciar: Emitir y articular sonidos para hablar.
Resonancia: La resonancia es el reforzamiento de ciertas amplitudes sonoras como resultado de

la coincidencia de ondas similares en frecuencias, es un caso particular de resonancia
mecánica.
Ruido: Sonido inarticulado, por lo general desagradable.
7
GLOSARI
Segmento: Porción o parte cortada o separada de una cosa, de un elemento geométrico o de un

todo.
Sensibilidad: Capacidad de respuesta a muy pequeñas excitaciones, estímulos o causas.
Silencio: El silencio surge cuando no hay sonidos perceptibles, pero en realidad es un estado
mental, porque siempre suena algo, aunque sea muy levemente.
Sonido: Sensación producida en el órgano del oído por el movimiento vibratorio de los cuerpos,
transmitido por un medio elástico, como el aire.
Timbre: Calidad de los sonidos, que diferencia a los del mismo tono y depende de la forma y
naturaleza de los elementos que entran en vibración.
Tono: Cualidad de los sonidos, dependiente de su frecuencia, que permite ordenarlos de graves a
agudos.
Transductor: Dispositivo que transforma el efecto de una causa física, como la presión, la
temperatura, la dilatación, la humedad, etc., en otro tipo de señal, normalmente eléctrica.
Ventanas de Haming: En procesamiento de señales, una ventana de Haming es un zoom

de una señal de longitud voluntariamente limitada.

Sistema de Seguridad Por Reconocimiento de Voz (Tesis de Ingenieria ESIME)

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sistema de Seguridad Por Reconocimiento de Voz (Tesis de Ingenieria ESIME)

Cargado por

Copyright:

Formatos disponibles

INSTITUTO POLITECNICO NACIONAL

Escuela Superior de Ingeniería Mecánica y Eléctrica

Ingeniería en Comunicaciones y Electrónica

“Sistema de Seguridad Por

M. en C. Jiménez Hernández Mario

México, D.F., Septiembre 2013

Capítulo 1. Conceptos importantes en los Reconocedores de Voz 3

Capítulo 2. Métodos y Etapas para el Reconocimiento de Voz 12

2.2. Métodos de Reconocimiento de Voz 17

2.4.8. Calculo de la Distancia 26

Capítulo 3. Planteamiento del problema 28

Capítulo 4. Desarrollo de un Sistema de Seguridad por Reconocimiento

Capítulo 5. Pruebas y Resultados 48

PLANTEAMIENTO DEL PROBLEMA

Se propone el diseño, implementación y mejora de sistemas de reconocimiento de voz, por medio

Capítulo 1. Conceptos importantes en los

1.1. Historia del Reconocedor de Voz

En 1995 se desarrollan los primeros prototipos de aparatos electrodomésticos Whirlpool Corp.

1.2. Orden Cronológico De los Reconocedores de Voz

1880's Tihamir Nemes:

30 años después AT&T Bell Laboratories:

A mediados de los 60's:

Además, ya no buscaban una exactitud perfecta en el reconocimiento.

El proyecto financiado por ARPA busca el reconocimiento de habla continua, de vocabulario

Los sistemas empiezan a incorporar módulos de:

 Análisis léxico (conocimiento léxico)

1.3. Características de la señal de voz

1. Articulación: Análisis de cómo el humano produce los sonidos del habla.

Figura 1.1.Proceso de Comunicación del Habla

En la imagen anterior se observa que partes del oído intervienen en el proceso de

El aparato fonador consiste en tres grupos de órganos diferenciados [Figura 1.2]:

Órganos de respiración-cavidades infra-glóticas: pulmones, bronquios y tráquea.

Órganos de fonación-cavidades glóticas: laringe, cuerdas vocales y resonadores - nasal,

Órganos de articulación-cavidad supra-glóticas: paladar, lengua, dientes, labios y

Figura 1.2.Órganos del cuerpo que intervienen en el aparato fonador

La articulación centra su atención en el aparato vocal: Garganta, boca, nariz, en donde se

o La boca consiste de:

El conocimiento de la ciencia de la acústica se utiliza para identificar y describir los atributos

Algunas características importantes del análisis acústico son:

El volumen de un sonido refleja la cantidad de aire que es forzada a moverse. Se

Algunas bandas de la frecuencia secundarias juegan un rol importante en la distinción de un

 Estructura Armónica y Ruido

El habla no es un tono puro es continuación de múltiples frecuencias y se representa como una

Investigadores, utilizan este concepto para distinguir entre la característica conceptual de un

1.3.3. Percepción Auditiva

El humano no procesa frecuencias individuales independientemente, como lo sugiere el análisis

1.4. Funcionamiento de un sistema de Reconocimiento de

El reconocimiento de voz generalmente es utilizado como una interfaz entre humano y

Debe cumplir 3 tareas:

 Pre-procesamiento: Convierte la entrada de voz a una forma que el reconocedor pueda

 Reconocimiento: Identifica lo que se dijo (traducción de señal a texto).

 Comunicación: Envía lo reconocido al sistema (Software/Hardware) que lo requiere.

Componentes en una aplicación:

Figura 1.3. Diagrama a Bloques del Proceso General Del

Los Procesos de pre-procesamiento, reconocimiento y comunicación deberían ser invisibles al

Capítulo 2. Métodos y Etapas para el Reconocimiento

2.1. Digitalización de la señal de Voz

2.1.1. Codificación de la señal de voz

El método convencional o secuencial de almacenamiento de datos, la cinta magnética requiere que

 Memoria y Ancho de banda necesario para flexibilidad de uso.

2.1.2. Muestreo y Cuantización

Figura 2.1. Diferentes tipos de Transductores Eléctrico – Acústicos

El muestreo asigna un valor numérico a la señal en unidades discretas de tiempo constante