基于高频和瓶颈特征的说话人验证系统重放攻击检测方法技术方案

基于高频和瓶颈特征的说话人验证系统重放攻击检测方法，涉及说话人验证系统中的重放攻击电子欺诈检测方法，为了解决现有基线系统检测说话人验证系统重放攻击的等错误率高，可靠性差的问题。提取语音音频的高频特征，并输入高斯混合模型得到分类结果一；采用Light CNN提取语音音频的瓶颈特征，并输入随机森林集成学习模型，得到分类结果二；将分类结果一和分类结果二输入LR分类器得到检测结果，实现对重放攻击的检测。

【技术实现步骤摘要】
基于高频和瓶颈特征的说话人验证系统重放攻击检测方法
本专利技术涉及说话人验证系统中的重放攻击电子欺诈检测方法。
技术介绍
当今时代，生物学身份验证的应用领域越来越广泛，但相关研究表示生物学验证技术比较容易遭受恶意欺诈(spoof)攻击。虽然对电子欺诈检测的研究已经取得一些进展，但这个问题还有诸多难点尚未攻克，生物学身份验证系统依然很容易受到欺诈攻击的影响。自动说话人验证(AutomaticSpeakerVerification，ASV)系统作为一种典型的生物学验证系统，欺诈攻击同样会对ASV系统安全造成影响。近年来ASV技术已经取得长足的进步，并达到可以大规模实际应用的程度，但ASV系统不仅要求系统的稳定性、可靠性，还要求对欺诈攻击的抵抗能力。然而在未对欺诈攻击采取对抗措施的ASV系统中，欺诈攻击很容易骗过ASV系统。目前欺诈攻击手段主要有以下四种：(1)模仿(Impersonation)攻击：攻击者通过模仿合法话者的声音来达到攻击的目的，这更多的是一种人工攻击手段。(2)重放攻击(ReplayAttack)：重放攻击过程如图1所示，攻击者通过黑客手段直接获取合法话者的语音数字信号，本文档来自技高网...

【技术保护点】
1.基于高频和瓶颈特征的说话人验证系统重放攻击检测方法，其特征在于，包括以下步骤：步骤一、提取训练集语音音频的高频特征，以该特征为训练集数据训练高斯混合模型，得到训练分类结果一；步骤二、采用Light CNN提取训练集语音音频的瓶颈特征，以该特征为训练集数据训练随机森林集成学习模型，得到训练分类结果二；步骤三、以训练分类结果一和训练分类结果二为训练集数据训练LR分类器，LR分类器输出最终训练的分类结果，完成训练；步骤四、提取评估集语音音频的高频特征，并输入完成训练的高斯混合模型得到评估分类结果一；步骤五、采用Light CNN提取评估集语音音频的瓶颈特征，并输入完成训练的随机森林集成学习模型，...

【技术特征摘要】
1.基于高频和瓶颈特征的说话人验证系统重放攻击检测方法，其特征在于，包括以下步骤：步骤一、提取训练集语音音频的高频特征，以该特征为训练集数据训练高斯混合模型，得到训练分类结果一；步骤二、采用LightCNN提取训练集语音音频的瓶颈特征，以该特征为训练集数据训练随机森林集成学习模型，得到训练分类结果二；步骤三、以训练分类结果一和训练分类结果二为训练集数据训练LR分类器，LR分类器输出最终训练的分类结果，完成训练；步骤四、提取评估集语音音频的高频特征，并输入完成训练的高斯混合模型得到评估分类结果一；步骤五、采用LightCNN提取评估集语音音频的瓶颈特征，并输入完成训练的随机森林集成学习模型，得到评估分类结果二；步骤六、将评估分类结果一和评估分类结果二输入完成训练的LR分类器得到检测结果，实现对重放攻击的检测。2.根据权利要求1所述的基于高频和瓶颈特征的说话人验证系统重放攻击检测方法，其特征在于，步骤一具体包括以下步骤：步骤一一、输入训练集语音音频，对语音音频进行预处理，包括预加重、分帧和加窗，然后进行快速傅里叶变换，再提取出IMFCC特征，以该特征作为高频特征；步骤一二、应用MVN对IMFCC特征进行修正；步骤一三、以步骤一二得到的IMFCC特征为训练集数据，将训练集数据分为真实语音特征和欺诈语音特征，并分别训练真实语音GMM和欺诈语音GMM，得到输出后计算对数似然比即训练分类结果一。3.根据权利要求2所述的基于高频和瓶颈特征的说话人验证系统重放攻击检测方法，其特征在于，步骤一一中，加窗时采用布莱克曼窗口。4.根据权...

【专利技术属性】
技术研发人员：韩纪庆，徐涌钞，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23