一种与说话内容无关的声纹鉴别认证方法技术

本发明专利技术属于模式识别和身份认证技术领域，特别涉及通过人类声纹信息进行鉴别与认证的方法。本发明专利技术包括人类声纹信息的提取和处理，声纹特征信息的抗噪、抗信道干扰处理，个人声纹信息模型建立，个人声纹信息的检测与认证，声纹信息背景库建立及调整方法，似然得分投影方法。本发明专利技术具有鉴别认证准确率高、鉴别认证速度快、对声纹信号要求低等优点，可广泛应用于司法、公安、银行、国防等需要声纹鉴别、认证的部门和单位。

【技术实现步骤摘要】

本专利技术为，属于模式识别和身份认证

技术介绍
在已有的技术中，基于通用背景模型(Universal Background Model，以下简称UBM)的一种与说话内容无关的声纹鉴别认证(Voiaprint Identification Certification)方法，包括通用背景模型训练方法，样本声纹模型自适应方法，及检材声纹鉴别认证方法三个部分。通用背景模型UBM训练方法(1)从大量说话人的声纹信号中提取出声纹特征，形成多个说话人的特征矢量序列；(2)使用提取出的特征矢量序列训练出一个大型的、能够表征人类声纹信息的背景空间模型。方法是对所有说话人的声纹特征矢量采用某种聚类方法(如K-均值算法、EM 算法)进行聚类，得到M个高斯分量，其中第m个高斯分布均值向量为μ m，协方差矩阵为 Σ m，第m个高斯分布聚类中涵盖的特征矢量数目占总体特征矢量数目的百分比称为ω m，则通用背景模型可表征为UBM =、μ,, Σ, ,ω1 \l< m < Μ} ^样本声纹模型自适应方法(1)从样本语音信号中提取出声纹信息特征，形成样本特征矢量序列；(2)将通用背景模型UBM根本文档来自技高网...

【技术保护点】
１．一种与说话内容无关的声纹鉴别认证方法，其特征在于该方法包括以下步骤：（１）从大量说话人的声纹信号中提取声纹特征信息，形成背景特征矢量序列；（２）将背景特征矢量序列做规整处理，如去均值处（ＣＭＳ）、短时高斯化（ＳｈｏｒｔＴｉｍｅ　Ｇａｕｓｉａｎｉｚａｔｉｏｎ）、特征映射（Ｆｅａｔｕｒｅ　Ｍａｐｐｉｎｇ）等；（３）将规整处理后的背景特征矢量序列通过特征分解技术，如主分量分析（ＰＣＡ）、核－主分量分析（ＫＰＣＡ）、线性分量分析（ＬＤＡ）、异质线性分量分析（ＨＬＤＡ）等，得到区分性分析矩阵和降维的最终的背景特征矢量序列；（４）将最终的背景特征矢量序列聚类成Ｍ类高斯混合空间背景模型；（５）从大量不同...

【技术特征摘要】
1.一种与说话内容无关的声纹鉴别认证方法，其特征在于该方法包括以下步骤(1)从大量说话人的声纹信号中提取声纹特征信息，形成背景特征矢量序列；(2)将背景特征矢量序列做规整处理，如去均值处(CMS)、短时高斯化(ShortTime Gausianization)、特征映身寸(Feature Mapping)等；(3)将规整处理后的背景特征矢量序列通过特征分解技术，如主分量分析(PCA)、 核-主分量分析(KPCA)、线性分量分析(LDA)、异质线性分量分析(HLDA)等，得到区分性分析矩阵和降维的最终的背景特征矢量序列；(4)将最终的背景特征矢量序列聚类成M类高斯混合空间背景模型；(5)从大量不同信道、不同说话人的语音信号中提取声纹特征信息，形成信道背景特征矢量序列，并将该特征矢量序列做规整处理及区分性处理，再通过因子分析技术得到信道信息背景矩阵；(6)从样本说话人语音信号中提取其声纹特征信息，形成样本特征矢量序列，并通过规整处理、区分性处理得到最终样本特征矢量序列；(7)将样本特征矢量序列通过自适应模型调整方法从高斯混合空间背景模型调整为含有其个性信息的样本说话人模型；(8)从检材说话人语音信号中提取其声纹特征信息，形成检材特征矢量序列，并通过规整处理、区分性处理得到最终检材特征矢量序列；(9)将最终检材特征矢量序列通过信道背景矩阵和样本说话人模型，调整为符合样本信道特性的特征矢量序列；(10)计算调整后的检材特征矢量序列与样本说话人模型、背景模型的平均似然比得分的差，作为结果得分；(11)将结果得分通过分数投影方法映射成为概率分数作为最终鉴别结果返回；2.如权力要求1所述方法，其特征在于步骤0)、(5)、(6)、(7)、(8)中的特征规整处理，以短时高斯化为例，该方法包括以下步骤(1)建立长度为...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：博石金北京信息技术有限公司，
类型：发明
国别省市：11