本發(fā)明涉及聲紋識別，更具體地說，本發(fā)明涉及一種聲紋識別方法及系統(tǒng)。

背景技術(shù)：

1、聲紋識別作為一種更便捷、自然的身份認證手段，廣泛應(yīng)用于身份驗證、電話客服、金融安保、教育醫(yī)療、公安刑偵、智能家居，智慧建筑等領(lǐng)域；聲紋識別是一項具有廣泛應(yīng)用前景的人工智能技術(shù)，上至國家安全、軍事通信，下至智能手機聲紋解鎖、智能設(shè)備喚醒服務(wù)，聲紋識別都在發(fā)揮著巨大的作用；為許多領(lǐng)域帶來更好的安全性、用戶體驗和成本效益，具有廣泛的社會意義和經(jīng)濟意義。

2、與傳統(tǒng)的安全認證方式，如密碼、簽名、指紋等相比，聲紋識別具有不易被竊取、遺忘、丟失或偽造，具有更高的安全性和可靠性等諸多優(yōu)點。

3、但是其在實際使用時，仍舊存在一些缺點，如傳統(tǒng)的聲紋數(shù)據(jù)環(huán)境噪聲會對聲紋的提取和匹配造成干擾，降低識別的準確性，并且說話者的心理狀態(tài)、情緒或健康狀況可能導(dǎo)致發(fā)音變化，從而影響識別效果。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明的實施例提供一種聲紋識別方法，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、步驟a1：使用麥克風(fēng)采集設(shè)備捕獲用戶的聲音信號數(shù)據(jù)；

4、步驟a2：對采集到的聲音信號數(shù)據(jù)使用譜減法進行去噪處理；

5、步驟a3：將預(yù)處理后的聲音信號數(shù)據(jù)轉(zhuǎn)換為特征參數(shù)；

6、步驟a4：將特征參數(shù)進行構(gòu)建隱馬爾可夫模型并訓(xùn)練；

7、步驟a5：用于將經(jīng)過隱馬爾可夫模型訓(xùn)練后的數(shù)據(jù)進行計算得出聲紋值與數(shù)據(jù)庫中的聲紋模型進行匹配，計算相似度得分；

8、步驟a6：根據(jù)相似度得分判斷是否匹配成功，進行身份驗證。

9、優(yōu)選的，所述步驟a1中，選擇一款麥克風(fēng)，確保麥克風(fēng)與錄音設(shè)備兼容；將麥克風(fēng)正確連接到錄音設(shè)備上；對于usb麥克風(fēng)，只需將其插入設(shè)備的usb端口即可；對于需要聲卡或音頻接口的麥克風(fēng)，需要將麥克風(fēng)連接到聲卡或音頻接口，然后將聲卡或音頻接口連接到電腦或其他錄音設(shè)備。

10、在錄音設(shè)備上設(shè)置正確的輸入源為麥克風(fēng)；調(diào)整音量控制，確保麥克風(fēng)音量適中，避免過大或過小導(dǎo)致的錄音失真或不清晰；打開錄音軟件或設(shè)備的錄音功能；按下錄音按鈕開始錄音；此時，聲音將通過麥克風(fēng)被捕獲并轉(zhuǎn)換為數(shù)字信號存儲在設(shè)備中；在錄音過程中，注意監(jiān)控錄音質(zhì)量；如果發(fā)現(xiàn)有噪聲、雜音或音量不均等問題，可以嘗試調(diào)整麥克風(fēng)位置、降低環(huán)境噪聲或調(diào)整錄音設(shè)備設(shè)置。

11、優(yōu)選的，所述步驟a2中，將采集到的聲音信號數(shù)據(jù)使用譜減法進行去噪去處理。

12、優(yōu)選的，所述步驟a3中，特征參數(shù)包括第一聲音頻率、譜帶寬、第二聲音特征系數(shù)；

13、第一聲音頻率的計算方法具體為：

14、，其中，i表示為第一聲音頻率，g表示為第一基音周期；

15、譜帶寬的計算方法具體為：

16、，其中，j表示為譜帶寬，表示為功率譜密度函數(shù)方差；

17、第二聲音特征系數(shù)的計算方法具體為：

18、，其中，表示為第u維的第二聲音特征系數(shù)，f表示為語音信號的長度，r表示為頻域信息的維度，表示為第q個幀的fbank特征，表示為圓周率，q表示為第q幀；v表示為一個常數(shù)，v與濾波器有關(guān)，如果使用m個三角濾波器，則m就是濾波器的數(shù)量。

19、優(yōu)選的，所述步驟a4中，將第一聲音頻率、譜帶寬和線性預(yù)測系數(shù)進行構(gòu)建隱馬爾可夫模型，構(gòu)建隱馬爾可夫模型的方法具體為：

20、步驟1：數(shù)據(jù)預(yù)處理：對計算出的第一聲音頻率、譜帶寬和線性預(yù)測系數(shù)進行標準化處理，以確保不同特征在同一尺度上，便于模型訓(xùn)練。

21、步驟2：初始化模型參數(shù)：設(shè)定每個隱藏狀態(tài)的初始概率；

22、初始化狀態(tài)轉(zhuǎn)移概率矩陣n；狀態(tài)轉(zhuǎn)移概率矩陣n的計算方法具體為：

23、，其中，表示為狀態(tài)轉(zhuǎn)移概率矩陣，表示為從狀態(tài)j轉(zhuǎn)移到狀態(tài)k的計數(shù)；

24、初始化觀測概率矩陣r，對于每個隱藏狀態(tài)，定義觀測到特定特征值的概率；觀測概率矩陣的計算方法具體為：

25、，其中，表示為觀測概率矩陣，在狀態(tài)?m下觀測到觀測值p的概率，表示為狀態(tài)?m下觀測到觀測值p的計數(shù)，

26、步驟3：模型訓(xùn)練：使用期望最大化算法調(diào)整模型參數(shù)；

27、步驟4：模型評估：將數(shù)據(jù)作為測試集，評估模型的性能，根據(jù)評估結(jié)果調(diào)整模型參數(shù)；

28、通過步驟1－步驟4，使用第一聲音頻率、譜帶寬和線性預(yù)測系數(shù)構(gòu)建一個隱馬爾可夫模型，用于聲學(xué)信號的處理和分析。

29、優(yōu)選的，所述步驟a5中，聲紋值的計算方法具體為：

30、，其中，z表示為聲紋值，j表示為譜帶寬，i表示為第一聲音頻率，表示為時間變量，表示為第二聲音特征系數(shù)，、表示為權(quán)重系數(shù)。

31、相似度得分的計算方法具體為：

32、，其中，z表示為聲紋值，表示為數(shù)據(jù)庫中第i個聲紋模型的聲紋值，i表示為第i個聲紋模型。

33、優(yōu)選的，所述步驟a6中，將計算得出的相似度得分與閾值進行對比，若計算得出的相似度得分大于閾值，則輸出聲紋匹配成功，此時，系統(tǒng)提示：用戶驗證成功；若計算得出的相似度得分小于閾值，則輸出聲紋匹配失敗，此時，系統(tǒng)提示：用戶驗證失敗，請重新驗證。

34、本發(fā)明的技術(shù)效果和優(yōu)點：

35、本系統(tǒng)通過麥克風(fēng)采集用戶聲音信號，進行降噪和預(yù)處理后，提取特征參數(shù)如第一聲音頻率、譜帶寬和第二聲音特征系數(shù)；接著，利用這些特征構(gòu)建并訓(xùn)練隱馬爾可夫模型（hmm）；訓(xùn)練后的模型用于計算聲紋值，并與數(shù)據(jù)庫中的聲紋模型進行匹配，計算相似度得分；根據(jù)相似度得分與預(yù)設(shè)閾值的比較結(jié)果，系統(tǒng)將輸出身份驗證成功或失敗的指令；本發(fā)明通過譜減法降噪去除了聲紋提取時的環(huán)境噪聲，提高了識別的準確性，并且隱馬爾可夫模型經(jīng)過訓(xùn)練，去除了心理狀態(tài)、情緒或健康狀況對發(fā)音產(chǎn)生變化的影響，降低影響識別效果。

技術(shù)特征：

1.一種聲紋識別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種聲紋識別方法，其特征在于：

3.根據(jù)權(quán)利要求1所述的一種聲紋識別方法，其特征在于：所述步驟a2中，將采集到的聲音信號數(shù)據(jù)使用譜減法進行去噪的步驟具體為：

4.根據(jù)權(quán)利要求1所述的一種聲紋識別方法，其特征在于：所述步驟a3中，特征參數(shù)包括第一聲音頻率、譜帶寬、第二聲音特征系數(shù)；

5.根據(jù)權(quán)利要求4所述的一種聲紋識別方法，其特征在于：譜帶寬的計算方法具體為：

6.根據(jù)權(quán)利要求4所述的一種聲紋識別方法，其特征在于：第二聲音特征系數(shù)的計算方法具體為：

7.根據(jù)權(quán)利要求1所述的一種聲紋識別方法，其特征在于：所述步驟a4中，將第一聲音頻率、譜帶寬和線性預(yù)測系數(shù)進行構(gòu)建隱馬爾可夫模型，構(gòu)建隱馬爾可夫模型的方法具體為：

8.根據(jù)權(quán)利要求1所述的一種聲紋識別方法，其特征在于：所述步驟a5中，聲紋值的計算方法具體為：

9.根據(jù)權(quán)利要求1所述的一種聲紋識別方法，其特征在于：所述步驟a6中，將計算得出的相似度得分與閾值進行對比，若計算得出的相似度得分大于閾值，則輸出聲紋匹配成功，此時，系統(tǒng)提示：用戶驗證成功；若計算得出的相似度得分小于閾值，則輸出聲紋匹配失敗，此時，系統(tǒng)提示：用戶驗證失敗，請重新驗證。

10.一種聲紋識別系統(tǒng)，使用如權(quán)利要求1-9任一項所述一種聲紋識別方法，其特征在于：

技術(shù)總結(jié)
本發(fā)明公開了一種聲紋識別方法及系統(tǒng)，具體涉及聲紋識別領(lǐng)域，本發(fā)明通過使用麥克風(fēng)捕獲用戶的聲音信號，并通過設(shè)備進行錄音；接著，對采集到的聲音信號數(shù)據(jù)進行降噪；然后，將處理后的聲音信號轉(zhuǎn)換為特征參數(shù)，特征參數(shù)包括第一聲音頻率、譜帶寬和第二聲音特征系數(shù)；接下來，利用這些特征參數(shù)構(gòu)建隱馬爾可夫模型并進行訓(xùn)練；最后，將訓(xùn)練后的模型用于聲紋匹配，計算相似度得分，并根據(jù)閾值判斷身份驗證是否成功；若相似度得分超過設(shè)定的閾值，則認為聲紋匹配成功，否則失敗。

技術(shù)研發(fā)人員：宮汶政,劉安琪,裴陽木子,曹藝婷,鄭夢旭,宋丞燁,楊國濤,高博
受保護的技術(shù)使用者：吉林大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26