说话者身份验证方法及系统技术方案

本发明专利技术公开一种说话者身份验证方法，包括：获取所述说话者的音频数据和面部图像数据；从所述音频数据中提取语音特征嵌入，从所述面部图像数据中提取面部特征嵌入；根据所述语音特征嵌入和所述面部特征嵌入确定身份特征嵌入，以用于进行说话者身份验证。本发明专利技术提出了一种使用多模态的信息(来自人脸和声音)来进行人身份验证的一种方案，避免了单一模态下容易受到外部因素影响而无法进行身份验证的问题，提升了进行身份验证的成功率。

Speaker authentication method and system

【技术实现步骤摘要】
说话者身份验证方法及系统
本专利技术涉及人工智能
，尤其涉及一种说话者身份验证方法及系统。
技术介绍
现有技术中的说话者身份验证方法有基于声纹的验证方法和基于人脸识别的验证方法。这些技术都是使用人的某些生理特征，来达到验证一个人身份的目的。人的某个生理特征在某种情况下可能不具有区分某个人的条件。例如，在比较嘈杂的环境，我们可能听不到某个特定人的声音；在一个人扭脸或在他/她运动的时候人脸特征可能不具备区分一个人的条件。
技术实现思路
本专利技术实施例提供一种说话者身份验证方法及系统，用于至少解决上述技术问题之一。第一方面，本专利技术实施例提供一种说话者身份验证方法，包括：获取所述说话者的音频数据和面部图像数据；从所述音频数据中提取语音特征嵌入，从所述面部图像数据中提取面部特征嵌入；根据所述语音特征嵌入和所述面部特征嵌入确定身份特征嵌入，以用于进行说话者身份验证。第二方面，本专利技术实施例提供一种说话者身份验证系统，包括：视听数据获取模块，用于获取所述说话者的音频数据和面部图像数据；特征提取模块，用于从所述音频数据中提取语音特征嵌入，从所述面部图像数据中提取面部特征嵌入；身份特征嵌入确定模块，用于根据所述语音特征嵌入和所述面部特征嵌入确定身份特征嵌入，以用于进行说话者身份验证。第三方面，本专利技术实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本专利技术上述任一项说话者身份验证方法。第四方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术上述任一项说话者身份验证方法。第五方面，本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项说话者身份验证方法。本专利技术实施例的有益效果在于：提出了一种使用多模态的信息(来自人脸和声音)来进行人身份验证的一种方案，避免了单一模态下容易受到外部因素影响而无法进行身份验证的问题，提升了进行身份验证的成功率。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的说话者身份验证方法的一实施例的流程图；图2为本专利技术的说话者身份验证方法的另一实施例的流程图；图3为本专利技术的说话者身份验证系统的一实施例的原理框图；图4为本专利技术的说话者身份验证系统的另一实施例的原理框图；图5a为本专利技术中所使用的简单软注意力融合的示意图；图5b为本专利技术中所使用的紧凑型双线性池化融合的示意图；图5c为本专利技术中所使用的门式多模态融合的示意图；图6a为本专利技术中原始对比损失下正负对之间的距离的分布图；图6b为本专利技术中新的对比损失下正负对之间的距离的分布图；图7为本专利技术的电子设备的一实施例的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本专利技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本专利技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。在本专利技术中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利技术提供一种说话者身份验证方法，该方法可以用于终端设备，该终端设备同时具备人脸识别和声纹识别功能，例如，可以是智能手机、平板电脑、智能音箱、车机终端、智能机器人等，本专利技术对此不作限定。如图1所示，本专利技术的实施例提供一种说话者身份验证方法，包括：S10、获取所述说话者的音频数据和面部图像数据。示例性地，执行本方法的终端设备为智能手机，可以通过智能手机的麦克风获取说话者的音频数据，同时通过智能手机的摄像头获取说话者的人脸图像。S20、从所述音频数据中提取语音特征嵌入，从所述面部图像数据中提取面部特征嵌入。示例性地，语音特征嵌入可以为声纹特征。可以分别使用Resnet34和SeResnet50来提取声纹和面部特征嵌入。S30、根据所述语音特征嵌入和所述面部特征嵌入确定身份特征嵌入，以用于进行说话者身份验证。本专利技术实施例提出了一种使用多模态的信息(来自人脸和声音)来进行人身份验证的一种方案，避免了单一模态下容易受到外部因素影响而无法进行身份验证的问题，提升了进行身份验证的成功率。如图2所示，为本专利技术的说话者身份验证方法的另一实施例的流程图，在该实施例中，所述根据所述语音特征嵌入和所述面部特征嵌入确定身份特征嵌入包括：S31、将所述语音特征嵌入输入至第一嵌入特征转本文档来自技高网...

【技术保护点】
1.一种说话者身份验证方法，包括：/n获取所述说话者的音频数据和面部图像数据；/n从所述音频数据中提取语音特征嵌入，从所述面部图像数据中提取面部特征嵌入；/n根据所述语音特征嵌入和所述面部特征嵌入确定身份特征嵌入，以用于进行说话者身份验证。/n

【技术特征摘要】
1.一种说话者身份验证方法，包括：
获取所述说话者的音频数据和面部图像数据；
从所述音频数据中提取语音特征嵌入，从所述面部图像数据中提取面部特征嵌入；
根据所述语音特征嵌入和所述面部特征嵌入确定身份特征嵌入，以用于进行说话者身份验证。


2.根据权利要求1所述的方法，其中，所述根据所述语音特征嵌入和所述面部特征嵌入确定身份特征嵌入包括：
将所述语音特征嵌入输入至第一嵌入特征转换层得到预处理语音特征嵌入；
将所述面部特征嵌入输入至第二嵌入特征转换层得到预处理面部特征嵌入；
对所述预处理语音特征嵌入和预处理面部特征嵌入进行融合处理，以得到身份特征嵌入。


3.根据权利要求2所述的方法，其中，所述对所述预处理语音特征嵌入和预处理面部特征嵌入进行融合处理，以得到身份特征嵌入包括：
通过注意力层，根据所述语音特征嵌入和所述面部特征嵌入确定注意力得分：



根据所述注意力得分确定加权系数：



根据所述加权系数和所述预处理语音特征嵌入以及所述预处理面部特征嵌入确定身份特征嵌入：



其中，ev为语音特征嵌入，ef为面部特征嵌入，为预处理语音特征嵌入，为预处理面部特征嵌入。


4.根据权利要求2所述的方法，其中，所述对所述预处理语音特征嵌入和预处理面部特征嵌入进行融合处理，以得到身份特征嵌入包括：
采用紧凑型双线性池化方式对所述预处理语音特征嵌入和预处理面部特征嵌入进行融合处理，以得到身份特征嵌入。


5.根据权利要求2所述的方法，其中，所述对所述预处理语音特征嵌入和预处理面部特征嵌入进行融合处理，以得到身份特征嵌入包括：
根据所述语音特征嵌入和所述面部特征嵌入确定门向量：
z＝σ(fatt([ef，ev]))
采用所述门向量对所述预处理语音特征嵌入和预处理面部特征嵌入进行融合得到身份特征嵌入：



其中，ev为语音特征嵌入，ef为面部特征嵌入，为预处理语音特征嵌入，为预处理面部特征嵌入，⊙表示逐元素乘积。


6.一种说话者身份验证系统，包括：
视听数据获取模块，用于获取所述说话者的音频数据和面部图像数据；
特征提取模块，用于从所述音频数据中提取语音特征嵌入，从所述面部图像数据中提取面部特征嵌入；
身份特征嵌入确定模...

【专利技术属性】
技术研发人员：钱彦旻，陈正阳，王帅，
申请(专利权)人：苏州思必驰信息科技有限公司，
类型：发明
国别省市：江苏;32