技术特征:
1.一种基于特征融合的长序列生物哈希认证方法,其特征在于,该认证方法具体按以下步骤进行:
注册阶段:
步骤1:对输入的语音信号s(n)进行预加重后,再进行分帧加窗处理,预加重语音信号x(n)被分为n帧,得到处理后信号x(n,m);其中,n(n=1,2,…,n)为帧的索引号,m(m=1,2,…,n)为每帧数据的索引号;
步骤2:鲁棒特征提取
1.mfcc特征提取
通过离散傅里叶变换将处理后信号转换为频域信号
2.cqcc特征提取
对处理后信号进行恒q变换,得变换后的频谱信号
3.求相邻帧空间余弦值
将提取的mfcc特征值和cqcc特征值统一设为mq(n,i)(n=1,2,…,n;i=1,2,…,l),且l=l1=l2;对mfcc特征值和cqcc特征值的行向量分别求均值mq(i)(i=1,2,…,l)和mq1(i)(i=1,2,…,l),然后将mq(i)和mq1(i)进行矩阵拼接,得矩阵λ1=[mq1mq]、λ2=[mqmq1],对矩阵λ1和矩阵λ2的每一列均求余弦值,得到生物特征向量f(n)(n=1,2,…,np);
步骤3:通过2d-simm产生一个伪随机矩阵,对伪随机矩阵进行施密特正交化,得到正交集矩阵;
步骤4:构造生物安全模板
提取正交集矩阵中的行向量,得正交行向量v1(n)(n=1,2,…,np);将生物特征向量f(n)与正交行向量v1(n)点乘,得到方阵ψ(n,n);
对方阵ψ(n,n)进行混沌移位,得到加密后方阵ψ*(n,n);将正交集矩阵中行向量v2(n)(n=1,2,…,np)对加密后方阵ψ*(n,n)进行投影降维,得到生物安全模板w(n);
w(n)=v2(n)·ψ*(n,n)=[w(1),w(2),…,w(np)]
步骤5:二值化处理生物安全模板w(n),生成一维二进制生物哈希长序列h(n),
其中,设h(1)=0,h(n)为每一帧生物哈希值;
然后将生物哈希长序列h(n)存储到云端,完成注册阶段;
认证阶段:
步骤1:认证用户提供认证语音,将该认证语音经过注册阶段的步骤1~步骤5,得到生物哈希长序列h(n);
步骤2:通过汉明距离计算认证语音得到的生物哈希长序列h(n)与储存在云端的生物哈希长序列h(n)的误码率ber(h,h):
式中,⊕是异或逻辑运算,np为生物哈希序列的长度;
利用ber假设检验来描述哈希匹配:
t0:如果两个语音片段的生物哈希长序列h(n)和生物哈希长序列h(n)具有相同的内容,则:ber(h,h)≤τ,认证通过;
t1:如果两个语音片段的生物哈希长序列h(n)和生物哈希长序列h(n)具有不同的内容,则:ber(h,h)>τ,认证失败;
其中,τ表示感知认证阈值;
步骤3:将认证的结果反馈给认证用户。
2.如权利要求1所述的基于特征融合的长序列生物哈希认证方法,其特征在于,将方阵ψ(n,n)的行和列都移动0.5n(n代表哈希序列的长度)位,得到加密后方阵ψ*(n,n)。
3.如权利要求1所述的基于特征融合的长序列生物哈希认证方法,其特征在于,为了评估认证方法的性能,由下面两个公式分别计算误识率和误拒率;
式中:τ为感知认证阈值;μ为ber均值;σ为ber标准差;一般采用frr和far来评价认证方法的鲁棒性和区分性;frr值越低,感知鲁棒性越强;far值越低,区分性越好。
技术总结
本发明公开了一种基于特征融合的长序列生物哈希认证方法,语音信号预加重和分帧加窗处理后,提取MFCC特征和CQCC特征,求相邻帧空间余弦值,得生物特征向量,施密特正交化伪随机矩阵,点乘生物特征向量与正交集矩阵中的行向量,得方阵,混沌移位方阵,得加密后方阵,将正交集矩阵中行向量对加密后方阵进行投影降维,得生物安全模板;二值化处理生物安全模板,生成生物哈希长序列h(n);将用户的认证语音经上述步骤得生物哈希长序列H(n);通过汉明距离计算H(n)与h(n)的误码率,若误码率小于等于阈值,认证通过;结果反馈给认证用户。该认证方法可以有效降低不同语音片段被确认为相同片段的概率,提高认证率,且对常见低信噪比噪声背景具有良好的鲁棒性。
技术研发人员:黄羿博;安丽
受保护的技术使用者:西北师范大学
技术研发日:2021.02.01
技术公布日:2021.06.15
本文用于企业家、创业者技术爱好者查询,结果仅供参考。