ELECTROTEHNICA, ELECTRONICA, AUTOMATICA

Sistem automat de fotografiere acționat de recunoașterea unei amprente

auditive

Adrian MATEIANU, Dragoş DEACONU, Aurel CHIRILĂ , Valentin NĂVRĂPESCU

Abstract

Obiectivul acestui proiect este de a investiga algoritmi de recunoaştere vocală prin programare şi simularea
sistemului proiectat în Matlab. Totodată, un alt scop al acestui proiect este de a utiliza cunoştinţele dobândite
printr-o aplicaţie reală, precum un sistem automat de fotografiere prin comandă vocală.
Cuvinte cheie: sistem automat de fotografiere, Matlab, amprentă auditivă, comandă vocală, DSLR

cele de comunicaţii, cu efecte revoluţionare

1. INTRODUCERE
Lucrarea descrie procesul din spatele
implementării unui algoritm de recunoaştere a
unei amprente vocale folosind mediul de
programare Matlab.
Algoritmul utilizat foloseşte metoda
comparaţiei spectrelor frecvenţelor a 2 amprente
vocale în urma unei analize spectrale în
domeniul frecvenţă. Se va construi o bază de
date ce va conţine o serie de amprente vocale ce
vor fi reprezentate sub formă vectorială şi
normalizate astfel încât media acestora va fi
utilizată ca standard în procesul de comparaţie.
O data ce standardul a fost ales, se va ajusta
deviaţia şi anume precizia cu care sistemul va
reacţiona ca urmare a recunoaşterii amprentei
auditive. Ca exemplificare practică am folosit un
model de sistem compus dintr-un microfon
conectat prin intermediul unei plăci audio a unui
laptop, acesta va fi folosit pentru a da comanda.
Algoritmul din Matlab va decide veridicitatea
amprentei, iar în cazul favorabil va comanda mai
departe prin intermediul unei plăci de achiziţie de
date I/O conectate printr-o conexiune USB un
trigger cu infraroşu ce va declanşa obturatorul
unui aparat foto DSLR.
Vorbirea constituind un element distinctiv al
speciei şi forma cea mai naturală de comunicare
pentru fiinţele umane, este normal ca studiul ei
să prezinte interes pentru o mare varietate de
discipline, începând cu anatomia şi fiziologia,
trecând prin cele lingvistice (fonetică, fonologie)
şi terminând cu cele tehnice, interesate de
prelucrarea vorbirii în diverse scopuri aplicative.
În condiţiile în care actualmente are loc o
adevărată fuziune între sistemele de calcul şi
asupra modului în care oamenii comunică
[1][2][3], prelucrarea automată vorbirii capătă o
importanţă deosebită, iar disciplinele tehnice, în
calitate de solicitante şi beneficiare ale unor
rezultate din domeniile fundamentale, devin
motorul cercetărilor asupra vorbirii.
În ansamblul aplicaţiilor tehnice bazate pe
prelucrarea automată a vorbirii putem distinge ca
domenii de bază:
• analiza semnalului vocal [4][5][6];
• îmbunătăţirea calităţii prin reducerea
efectelor zgomotelor şi distorsiunilor [6];
• codarea semnalului vocal [7][8];
• sinteza semnalului vocal [4][9][10][11];
• identificarea limbii vorbite de o
persoană[12];
• recunoaşterea vorbitorului, putând urmări
identificarea acestuia dintre mai multe persoane,
de exemplu în expertize criminalistice, sau
verificarea identităţii pe care acesta o pretinde,
cu aplicaţii în controlul accesului [13][14][15];
• recunoaşterea automată a vorbirii
[16][17][18];
• înţelegerea vorbirii [19][20].
Metoda fundamentală de recunoaştere a
vorbirii este de a decoda un semnal vocal într-o
manieră secvenţială pe baza caracteristicilor
acustice ale semnalului şi relaţiile dintre
caracteristicile acustice şi simbolurile fonetice.
Abordarea recunoaşterii amprentei vocale pentru
recunoaşterea vocală este de fapt una în care
amprentele sunt folosite direct. Această metodă
implică formarea de modele ale vorbirii şi
recunoaşterea de amprente prin comparaţie cu
modelul. Procedura de formare adoptată este
capabilă de a caracteriza în mod adecvat
 ELECTROTEHNICA, ELECTRONICA, AUTOMATICA
proprietăţile acustice ale modelului. Acest tip de
caracterizare a vorbirii prin formare este numit
model de clasificare pentru că aparatul învaţă
care proprietăţi acustice ale clasei de vorbire
sunt fiabile şi repetabile în toate formările de
modele. Utilitatea metodei este modelul – etapa
de comparaţie care face comparaţia directă a
discursului necunoscut cu fiecare model posibil
aflat în faza de pregătire şi clasifică discursul
necunoscut în funcţie de cât de bine se potrivesc
modelele.
2. DESCRIEREA CONCEPTELOR DE BAZĂ
Cele mai importante evoluţii au avut loc însă
în anii ’80. Aşa cum am menţionat deja, există o
gamă largă de metode pentru abordarea
recunoaşterii automate a vorbirii, dar mulţimea
factorilor care influenţează semnalul vocal,
determinând caracterul său cvasialeator, face ca
problema să fie una extrem de complexă, aşa
încât orice nouă idee, oricât de bine justificată
din punct de vedere teoretic, nu poate fi validată
decât prin experimente cuprinzătoare.
Indiferent însă de caracteristicile şi domeniul
lor de utilizare, sistemele contemporane de
recunoaştere automată a vorbirii pot fi descrise
prin schema bloc din Fig. 2.1.
Fig. 2.1 Schema bloc tipică a unui sistem de recunoaştere
automată a vorbirii[21]
Primul bloc, de extragere a caracteristicilor,
transformă semnalul vocal rezultat dintr-o
pronunţie într-un şir de vectori acustici care îl
caracterizează pe intervale scurte,
conformitate cu natura sa nestaţionară.
După obţinerea şirului de vectori acustici,
recunoaşterea propriu-zisă presupune rezolvarea
a două probleme, tratate în blocurile următoare:
• analiza acustică a porţiunii de semnal
corespunzătoare unui vector în raport cu nişte
modele acustice, concretizată în calculul unor
scoruri acustice: funcţie de metoda de
recunoaştere utilizată şi tipul modelelor acustice,
scorurile pot fi distanţe între vectorul curent şi cei
din modele, sau probabilităţi condiţionate ca
vectorul să fi apărut în urma pronunţiei unităţilor
modelate;
• decodarea lingvistică prin alinierea
vectorilor acustici cu modelele asociate unui şir
de cuvinte, folosind algoritmi de căutare; aceasta
urmăreşte obţinerea unei estimări optime a
şirului de cuvinte prin pronunţarea căruia s-a
obţinut semnalul şi poate include constrângeri
secvenţiale: la nivelul cuvintelor, acestea pot fi
impuse prin dicţionare de pronunţii ale cuvintelor
din vocabularul sistemului în termenii
eventualelor unităţi de modelare acustică
sublexicală, iar la nivelul întregii pronunţii, prin
gramatici sau modele lingvistice statistice ale
aplicaţiei.
Ø Recunoaşterea automată a vorbirii
Indiferent de abordările folosite în încercările
de a rezolva diferite probleme ale recunoaşterii
automate a vorbirii, esenţială pentru aprecierea
şi compararea acestora este evaluarea
performanţelor sistemelor în care ele sunt
implementate.
O primă problemă care apare este cea a
evaluării unor distanţe acustice, ce pot fi folosite
împreună cu metode de recunoaştere a formelor
[23][24][25] pentru a încerca o estimare locală, la
nivel de cadre, a identităţii lingvistice a
semnalelor vocale.
Datorită inegalităţii dintre gamele în care
componentele vectorilor acustici pot lua valori,
distanţele acustice acordă ponderi inegale
acestor componente, ceea ce duce la o
anizotropie a spaţiului acustic. Anizotropia poate
fi redusă utilizând transformări ale spaţiului
acustic, bazate pe distribuţia vectorilor acustici.
Tratarea matematică riguroasă a majorităţii
problemelor recunoaşterii automate a vorbirii a
devenit posibilă prin considerarea ei ca o
problemă de teoria comunicaţiei [22], ceea ce a
creat premisele utilizării sistematice a unor
metode statistice, capabile să acopere
variabilitatea semnalelor vocale. În prezent,
instrumentele matematice esenţiale în
recunoaşterea vorbirii sunt modelele Markov
în
ascunse (MMA).
Sistemele de recunoaştere automată a vorbirii
pot face erori, ca şi oamenii, în ceea ce priveşte
şirul de cuvinte pe care îl estimează a fi fost
pronunţat, iar obiectivul lor fiind tocmai estimarea
corectă a acestui şir, principalele metrice pentru
evaluarea performanţelor lor se definesc pe baza
erorilor apărute în acest proces.
Performanţele pot fi influenţate de foarte mulţi
factori, astfel încât orice valori ale metricelor
trebuie însoţite de precizarea condiţiilor în care
au fost obţinute, condiţii determinate de
caracteristicile aplicaţiei şi ale sistemului de
recunoaştere evaluat. Câteva dintre condiţii sunt:
 ELECTROTEHNICA, ELECTRONICA, AUTOMATICA
• mărimea vocabularului, dată de numărul de
cuvinte distincte din dicţionarul sistemului evaluat
şi pe care acesta le poate recunoaşte: într-o
aplicaţie necesitând un vocabular redus, în care
apar puţine cuvinte între care sistemul trebuie să
aleagă la un moment dat, erorile pot să apară
mai rar decât într-o aplicaţie cu un vocabular mai
mare, între cuvintele căruia pot exista mai multe
posibilităţi de confuzie;
• tipul vocabularului: funcţie de luarea sau nu
în calcul a posibilităţii ca în pronunţii să apară şi
cuvinte din afara lui, putem avea un vocabular
deschis, în care un singur cuvânt special va
corespunde tuturor cuvintelor necunoscute care
pot aparea în pronunţii, sau un vocabular închis;
• cuvintele din vocabular: chiar dacă o
aplicaţie utilizează un vocabular mic şi închis,
prezenţa în el şi utilizarea în proporţie mare a
unor cuvinte uşor de confundat din punct de
vedere acustic va duce la creşterea frecvenţei
erorilor;
• tipul pronunţiilor: un sistem pentru
recunoaşterea pronunţiilor discrete, a unor
cuvinte rostite cu pauze între ele, va putea obţine
performanţe superioare unuia pentru
recunoaşterea vorbirii continue, fără pauze între
cuvinte, care trebuie să realizeze şi delimitarea,
nu numai recunoaşterea cuvintelor;
• stilul vorbirii: sunt mai uşor de recunoscut
semnalele vocale obţinute prin citire, respectând
restricţiile impuse de un text, decât cele rezultate
dintr-o conversaţie spontană, în care regulile
gramaticale pot să nu fie respectate, apar ezitări,
reluări, vorbitorii se pot întrerupe reciproc, se pot
suprapune etc.;
• gramatica sau modelul lingvistic al
aplicaţiei: în cazul unei aplicaţii în care secvenţa
cuvintelor este rigidă, iar fiecare cuvânt are un
număr redus de succesori posibili, erorile vor fi
mai puţin frecvente decât în cazul uneia în care
cuvintele se pot succeda mai liber, iar succesorii
unui cuvânt pot fi în număr mai mare;
• tipul modelelor acustice: un sistem cu
modele dependente de vorbitor poate avea
performanţe mai bune decât unul cu modele
independente de vorbitor, iar performanţele
acestuia cresc adaptând la vorbitor modelele;
• condiţiile acustice ale mediului în care sunt
rostite pronunţiile: zgomotele, reverberaţiile etc.
vor duce la scăderea calităţii semnalului şi a
performanţelor;
• caracteristicile canalului de comunicaţie
dintre utilizator şi sistem: un canal de
comunicaţie cu o bandă mai îngustă (de tip
telefonic) sau afectat de zgomote, distorsiuni etc.
poate duce la scăderea performanţelor;
• vorbitorii folosiţi pentru realizarea evaluării,
caracteristicile vocii şi ale vorbirii fiind
dependente de multe variabile biologice (sex,
vârstă) şi sociale (grad de educaţie, ocupaţie,
mediu social) care pot afecta performanţele fie
prin intermediul semnalului vocal, fie prin modul
de utilizare a sistemului în aplicaţie.
Erorile din funcţionarea unui sistem de
recunoaştere automată a vorbirii pot aparea
datorită imperfecţiunii modelelor acustice sau
lingvistice folosite (erori de modelare) sau
eliminării greşite din procesul de căutare a unor
cuvinte corecte (erori de căutare). Funcţie de
modul în care se manifestă la nivelul şirului de
cuvinte estimat, aceste erori se pot clasifica în:
• substituţii ale unui cuvânt pronunţat cu un
altul, datorate asemănării acustice dintre ele în
condiţiile unei modelări acustice imperfecte sau
absenţei cuvântului corect dintre alternativele
permise la un moment dat;
• inserţii ale unor cuvinte nepronunţate:
acestea sunt de obicei cuvinte scurte, cel mai
adesea monosilabice (prepoziţii, conjuncţii,
pronume), asemănătoare din punct de vedere
acustic cu porţiuni ale unor cuvinte mai lungi.[21]
Ø Recunoaşterea fonemelor pe baza
coeficienţilor MFCC
Metoda descrisă are la bază modelul de
percepţie auditivă a omului, model în care
frecvenţele sunt date de o scară mel şi faptul că
persoanele cu implant auditiv pot recunoaşte
secvenţele rostite, folosind numai un set foarte
redus de informaţii. Metoda calculează procentul
de recunoaştere a unor foneme folosind pattern-
uri extrase din benzile de frecvenţă mel, aplicând
un set de operaţii specifice celor ce se realizează
în implantul cochlear (IC). Simulările realizate au
vizat determinarea importanţei specifice a unor
benzi spectrale în procesul de recunoaştere a
unor foneme.
Implantul cohlear generează pe baza
semnalelor recepţionate, utilizând stimularea
electrică artificială, un pattern de activitate
neuronală, care permite pacienţilor cu implant să
recunoască semnalele vorbite sau alte sunete
din mediul înconjurător. Influenţa zgomotului
asupra inteligibilităţii vorbirii are efecte puternice
asupra pacienţilor cu implant cochlear. La ora
actuală există numeroase studii în acest sens
care vizează fie îmbunătăţirea tehnicilor de
filtrare, fie creşterea robusteţei la zgomot a
algoritmilor de recunoaştere [26][27[28].
 ELECTROTEHNICA, ELECTRONICA, AUTOMATICA

3. IMPLEMENTAREA SISTEMULUI AUTOMAT DE

RECUNOAȘTERE A UNEI AMPRENTE AUDITIVE
Structura aplicaţiei este prezentată în Fig. 3.1,
iar interfaţa grafică se poate vedea în Fig. 3.2 şi
în Fig. 3.3.
Aplicaţia citeşte un fişier de configurare care
stochează o listă cu calea de acces şi denumirile
fişierelor .wav pentru care se doreşte extragerea
caracteristicilor, se setează parametri şi se
efectuează extragerea şi salvarea coeficienţilor.
Totodată se extrage şi codul fonemului
corespunzător cadrului analizat pe baza fişierelor
de segmentare şi a dicţionarului de foneme a Fig. 3.2
bazei de date, şi se salvează împreună cu
vectorii acustici.

Fig.3.3

Acest proiect a avut ca scop final o aplicaţie a

unei automatizări şi anume un sistem automat de
fotografiere utilizând comanda vocală primită de
la utilizator. Am considerat că este o necesitate
în fotografia profesională şi am pornit de la ideea
de mobilitate şi a înlesni controlul complet al
procesului de fotografiere, în urma experienţelor
căpătate în domeniul fotografic de-a lungul
timpului, mai exact în fotografia de produs, într-
un mediu controlat cum este un studio
profesional de fotografie.

Acesta presupune un ansamblu format în

principal din:
• un aparat foto profesional DSLR Nikon;
• un sistem de calcul ce rulează mediul de
programare Matlab;
• baza de date a amprentelor vocale;
• programul de recunoaştere vocală şi
Fig. 3.1 Diagrama de activităţi a aplicaţiei pentru extragerea
interfaţa grafică;
parametrilor[28] • placă audio integrată în sistemul de calcul;
• microfon conectat printr-o mufă tip jack,
fiind utilizat ca mijloc de intrare a datelor şi
comandă;
• modul de achiziţie de date NI USB 6009
conectat prin USB cu intrări analogice ce
facilitează conversia semnalului de comandă,
ieşiri analogice şi canale digitale;
• un dispozitiv de comandă prin infraroşu.
 ELECTROTEHNICA, ELECTRONICA, AUTOMATICA
Fig. 3.4Ansamblul sistemului automat de recunoaştere a unei
amprente vocale
Ø Interfaţă grafică utilizator-maşină
S-a realizat o interfaţă grafică cu funcţia GUI
inclusă în Matlab pentru a aduce un grad de
confort şi manevrabilitate a comenzilor şi
totodată să fie prietenoasă cu utilizatorul în
ultimă instanţă. Programul a fost conceput cu 5
funcţii principale: Start / Rafală / Start Expunere /
Stop Expunere / Eroare
Numărul lor şi gradul de utilizare pentru aplicaţia
din proiect, au fost îngrădite de softul aparatului
foto DSLR, implicit funcţiile acestuia şi de nivelul
de cunoştinte din acest moment.
Fig. 3.5 Comanda Start
Fig. 3.6 Start – Distanţă acustică dintre vectorii a 2 înregistrări
consecutive
Aici se poate observa eroarea apărută datorită
interferenţelor, chiar dacă s-a încercat ca
înregistrările să aibă loc într-un mediu izolat
fonic, dar apoi calitatea înregistrărilor este dată şi
de tipul microfonului folosit. Astfel, se poate
concluziona dificultatea creării unui astfel de
sistem automat de recunoaştere a unei amprente
auditive.
4. ACKNOWLEDGMENT
This work was supported by POSDRU based
on POSDRU/107/1.5/S/76903 financing program
and EDL – UPB.
5. CONCLUZII
Înainte de a fi utilizate în cadrul proiectului, au
fost evaluate experimental o parte din metode
într-o aplicaţie simplă, de recunoaştere automată
a unui vocabular mic de cuvinte pronunţate
izolat, folosind o bază de date vocale de mici
dimensiuni colectată ad-hoc în etapa de
fundamentare a metodelor utilizate. Aceste
evaluări au confirmat calităţile coeficienţilor
cepstrali în recunoaşterea automată a vorbirii şi
au arătat că performanţele cele mai bune se
obţin prin utilizarea cepstrului melodic.
Pentru recunoaşterea automată a vorbirii au
fost încercate de-a lungul timpului diferite
metode, în urma performanţelor demonstrate prin
evaluarea sistemelor în care au fost
implementate, se numără printre cele mai
frecvent utilizate în sistemele contemporane de
recunoaştere a vorbirii şi au fost utilizate şi în
cercetările proprii. Utilizarea parametrilor
semnalului vocal pentru recunoaşterea automată
a vorbirii presupune gruparea lor în vectori dintr-
un spaţiu acustic. Modelele Markov ascunse,
constituie fundamentul sistemelor moderne de
recunoaştere a vorbirii. Acestea permit
rezolvarea elegantă a ambelor probleme prin
construcţia ierarhică a unor modele, înglobându-
le pe cele lingvistice şi acustice, cunoscute sub
numele de reţele de recunoaştere sau reţele
integrate, în care şirul cel mai probabil de cuvinte
este găsit cel mai adesea folosind algoritmul
Viterbi [21].
Procesarea vorbirii depinde foarte mult de
colectarea unui număr mare de unităţi acustice,
iar de aici apar erorile de recunoaştere a vorbirii.
Există o serie de limitări în sensul că sunt
necesare înregistrări fără zgomot de fundal şi
cuvintele trebuie pronunţate cât mai clar.
Pe viitor, doresc să aprofundez mai mult
algoritmul ascuns a lui Markov pentru a dezvolta
un model mai robust, cu precizie ridicată de
recunoaştere a unei amprente auditive.
 ELECTROTEHNICA, ELECTRONICA, AUTOMATICA
REFERINȚE [16] L. Rabiner şi B.H. Juang. Fundamentals of
Speech Recognition. Prentice Hall, 1993.
[1] L.R. Rabiner. Applications of Voice
[17] F. Jelinek. The Development of an
Processing to Telecommunications.
Experimental Discrete Dictation Recognizer.
Proceedings of the IEEE, 82(2):199–228,
Proceedings of the IEEE, 73(11):1616–24,
februarie 1994.
noiembrie 1985.
[2] J.L. Flanagan. Technologies for Multimedia
[18] J.R. Deller, J.G. Proakis şi J.H.L. Hansen.
Communications. Proceedings of the IEEE,
Discrete-Time Processing of Speech Signals.
82(4):590–603, aprilie 1994.
Macmillan Publishing Company, New York,
[3] L. Torres, E. Masgrau şi M.A. Lagunas
1993.
(editori), SIGNAL PROCESSING V: Theories
[19] J. Allen. Natural Language Understanding.
and Applications, pag. 1199–1201. Elsevier
Benjamin/Cummings, Redwood City,
Science Publishers, 1990.
California, 1995.
[4] L.R. Rabiner şi R.W. Schafer. Digital
[20] W. Minker, A. Waibel şi J. Mariani.
Processing of Speech Signals. Prentice-Hall,
Stochastically-based semantic snalysis.
1978.
Kluwer Academic Publishers,
[5] G. Stolojanu, V. Podaru şi F. Cetină.
Boston/Dordrecht/Londra, 1999.
Prelucrarea numerică a semnalului vocal.
[21] Marian Boldea, Contribuţii la recunoaşterea
Editura Militară, Bucureşti, 1984.
automată a vorbirii continue în limba română,
[6] J.R. Deller, J.G. Proakis şi J.H.L. Hansen.
Universitatea Politehnică din Timişoara,
Discrete-Time Processing of Speech Signals.
Facultatea de Automatică şi Calculatoare,
Macmillan Publishing Company, New York,
2003
1993.
[22] F. Jelinek, L.R. Bahl şi R.L. Mercer. Design
[7] A.S. Spanias. Speech Coding: A Tutorial
of a Linguistic Statistical Decoder for the
Review. Proceedings of the IEEE,
Recognition of Continuous Speech. IEEE
82(10):1541–82, octombrie 1994.
Transactions on Information Theory,
[8] F. Itakura. Minimum Prediction Residual
21(3):250–56, mai 1975.
Principle Applied to Speech Recognition. IEEE
[23] R.O. Duda şi P.E. Hart. Pattern
Transactions on Acoustics, Speech, and
Classification and Scene Analysis. John Wiley
Signal Processing, 23(1):67–71, februarie
& Sons, New York, 1973.
1975.
[24] K. Fukunaga. Introduction to Statistical
[9] J. Allen, M.S. Hunnicut şi D. Klatt. From
Pattern Recognition. Academic Press, New
text to speech: The MITalk system. Cambridge
York, 1972.
University Press, 1987.
[25] R. Vancea, Şt. Holban şi D. Ciubotariu.
[10] T. Dutoit. An Introduction to Text-to-Speech
Recunoaşterea formelor – Aplicaţii. Editura
Synthesis. Kluwer Academic Publishers,
Academiei, Bucureşti, 1989.
Dordrecht, Olanda, 1997.
[26] Bhattacharya A. and F. -G. Zeng (2005),
[11] J.P.H. van Santen, R.W. Sproat, J.P. Olive
Companding to improve cochlear implant’s
şi J. Hirschberg (editori). Progress in Speech
speech processing in noise, in Proceedings of
Synthesis. Springer, New York, 1997.
Conference on Implantable Auditory
[12] Y.K. Muthusamy, E. Barnard şi R.A. Cole.
Prostheses, Pacific Grove, Calif, USA, July-
Reviewing Automatic Language Identification.
August 2005.
IEEE Signal Processing Magazine, (5):33–41,
[27] Loizou P. C., K. Kasturi, L. Turicchia, R.
octombrie 1994.
Sarpeshkar, M. Dorman, and T. Spahr (2005),
[13] G.R. Doddington. Speaker Recognition –
Evaluation of the companding and other
Identifying People by their Voices.
strategies for noise reduction in cochlear
Proceedings of the IEEE, 73(11):1651–64,
implants, in Proceedings of Conference on
noiembrie 1985.
Implantable Auditory Prostheses, Pacific
[14] D. O’Shaughnessy. Speaker Recognition.
Grove, Calif, USA, July-August 2005.
IEEE Acoustics, Speech, and Signal
[28] Cap. 5 Tehnici de procesare şi
Processing Magazine, (5):4–17, octombrie
recunoaştere a semnalului vocal, URL:
1986.
http://www.scribd.com/doc/79832639/Cap5-
[15] H. Gish şi M. Schmidt. Text-Independent
Tehnici-de-proc-si-recun-a-semnalului-vocal
Speaker Identification. IEEE Signal Processing
Magazine, (5):18–32, octombrie 1994.
 ELECTROTEHNICA, ELECTRONICA, AUTOMATICA

6. Biografie Bucureşti (UPB) (Romania) in

2004, and the M.Tech. and Ph.D.
degrees in electrical engineering
Valentin NĂVRĂPESCU was from the same university (UPB),
born in Bucharest (Romania) in in 2006 and 2010, respectively.
1959. He received the B.E. In 2004, he joined the
degree and Ph.D. degree in Department of Electrical
electrical engineering from Engineering, Universitatea
Universitatea Politehnica din Politehnica din Bucureşti, as a
Bucureşti (UPB) (Romania) in Teaching Assistant. His current
1984 and 1996, respectively. He research interests include active
is currently a Professor in the filters, power quality, power
Department of Electrical electronics, electrical machines
Machines and Materials, UPB, and drives.
and has been the Director of the
Laboratory of Electrical Drives,
UPB, since 2000. From 2008, he
Dragoş DEACONU was born in
is the Director of the
Bucharest (Romania) in 1980.
Electromechanical Energy
He received the B.E. degree in
Conversion Equipment Research
electrical engineering from
Center and in 2012 he was
Universitatea Politehnica din
elected Dean of the Faculty of
Electrical Engineering, UPB. He Bucureşti (UPB) (Romania) in
has published more than 100 2004, and the M.Tech. and Ph.D.
degrees in electrical engineering
scientific papers and books in
from the same university (UPB)
the field of electrical drives and
in 2006 and 2009, respectively.
microcontrollers. His research
In 2004, he joined the
interests concern power
Department of Electrical
electronics and power quality,
Engineering, Universitatea
electric drives and machines.
Politehnica din Bucureşti, as a
Teaching Assistant. His current
Aurel CHIRILĂ was born in research interests include power
Bucharest (Romania), in 1981. electronics, electrical machines
He received the B.E. degree in and drives, active filters, and
electrical engineering from power quality.
Universitatea Politehnica din
 Anexă obligatorie

Coordonatele fiecărui autor:

Prenumele şi NUMELE Adrian MATEIANU
Titlul ştiinţific ing. (student la master)
Societatea /Instituţia /Univ.
Depart.Secţie/Fac./Cat.
Universitatea POLITEHNICA din Bucureşti, Facultatea de Inginerie Electrică
Adresa poştală completă
(profesională)
Spl. Independenţei, nr. 313, Sector 6, 060042, Bucureşti, România
Telefon fix -
Telefon mobil +40747769885
e-mail adrianmateianu@gmail.com, mateianuadrian@yahoo.com

Prenumele şi NUMELE Valentin NĂVRĂPESCU

Titlul ştiinţific dr. ing. (profesor)
Societatea /Instituţia /Univ.
Depart.Secţie/Fac./Cat.
Universitatea POLITEHNICA din Bucureşti, Facultatea de Inginerie Electrică
Adresa poştală completă
(profesională)
Spl. Independenţei, nr. 313, Sector 6, 060042, Bucureşti, România
Telefon fix +40214029564
Telefon mobil +40722309386
e-mail valentin.navrapescu@gmail.com, valentin.navrapescu@upb.ro

Prenumele şi NUMELE Aurel CHIRILĂ

Titlul ştiinţific dr. ing. (şef de lucrări)
Societatea /Instituţia /Univ.
Depart.Secţie/Fac./Cat.
Universitatea POLITEHNICA din Bucureşti, Facultatea de Inginerie Electrică
Adresa poştală completă
(profesională)
Spl. Independenţei, nr. 313, Sector 6, 060042, Bucureşti, România
Telefon fix +40214029564
Telefon mobil +40722379374
e-mail aurel.chirila@gmail.com, aurel.chirila@upb.ro

Prenumele şi NUMELE Dragoş DEACONU

Titlul ştiinţific dr. ing. (şef de lucrări)
Societatea /Instituţia Universitatea POLITEHNICA din Bucureşti, Facultatea de Inginerie
/Univ.
Depart.Secţie/Fac./Cat. Electrică
Adresa poştală completă
(profesională)
Spl. Independenţei, nr. 313, Sector 6, 060042, Bucureşti, România
Telefon fix +40214029564
Telefon mobil +40721201401
e-mail dragos.deaconu@gmail.com, dragos.deaconu@upb.ro

Sistem automat de fotografiere acționat de recunoașterea unei amprente auditive

Adrian MATEIANU, Dragoş DEACONU, Aurel CHIRILĂ, Valentin NĂVRĂPESCU

Abstract
Obiectivul acestui proiect este de a investiga algoritmi de recunoaştere vocală prin programare şi
simularea sistemului proiectat în Matlab. Totodată, un alt scop al acestui proiect este de a utiliza
cunoştinţele dobândite printr-o aplicaţie reală, precum un sistem automat de fotografiere prin comandă
vocală.

Cuvinte cheie: sistem automat de fotografiere, Matlab, amprentă auditivă, comandă vocală, DSLR