CN101772015A

CN101772015A - 移动终端语音密码开机的方法

Info

Publication number: CN101772015A
Application number: CN200810246585A
Authority: CN
Inventors: 卢中江; 曹道刚
Original assignee: Individual
Current assignee: Individual
Priority date: 2008-12-29
Filing date: 2008-12-29
Publication date: 2010-07-07

Abstract

本发明公开了一种移动终端语音密码开机的方法，其中移动通信终端存有预先建立的用户声纹模型、发音内容模型和发音节奏模型，该方法包括：从移动终端用户语音声波中提取声学特征，形成待识别的声纹特征矢量序列、发音内容特征矢量序列和节奏特征矢量序列；将待识别的发音内容特征矢量序列与发音内容模型逐一匹配比较，得到发音内容匹配得分A；将待识别的声纹特征矢量序列与声纹模型逐一匹配比较，得到声纹匹配得分B；将待识别的发音节奏特征矢量序列与发音节奏模型逐一匹配比较，得到发音节奏匹配得分C；对发音内容匹配得分A、声纹匹配得分B和节奏匹配得分C进行综合匹配度运算，当得到的综合匹配度Z等于或大于预定阈值时，进行开机操作。

Description

移动终端语音密码开机的方法

技术领域

本发明涉及一种移动终端开机方法，特别涉及一种移动终端语音密码开机的方法。

背景技术

近年来，随着电子、计算机技术的飞速发展，移动终端的种类越来越多，功能越来越强大，产品价格也越来越低，包括手机、PDA、MP3/MP4等移动终端产品成为了人们日常生活必备品之一。移动终端产品的便携性也使得它成为人们最容易失窃和偷盗的财产之一。

同时，语音识别技术的发展，语音识别和语音合成相关的商业应用越来越多。将其引入移动终端，作为一种开机认证方式，确保移动终端的安全性。

人类语言的产生是人体语言中枢与发音器官之间一个复杂的生理物理过程，人在讲话时使用的发声器官--舌、牙齿、喉头、肺、鼻腔在尺寸和形态方面每个人的差异很大，所以任何两个人的声纹图谱都有差异。每个人的语音声学特征既有相对稳定性，又有变异性，不是绝对的、一成不变的。这种变异可来自生理、病理、心理、模拟、伪装，也与环境干扰有关。尽管如此，由于每个人的发音器官都不尽相同，因此在一般情况下，人们仍能区别不同的人的声音或判断是否是同一人的声音。

声纹识别(Voiceprint Recognition，VPR)，也称为说话人识别(SpeakerRecognition)，有两类，即说话人辨认(Speaker Identification)和说话人确认(Speaker Verification)。前者用以判断某段语音是若干人中的哪一个所说的，是“多选一”问题；而后者用以确认某段语音是否是指定的某个人所说的，是“一对一判别”问题。不管是辨认还是确认，都需要先对说话人的声纹进行建模，这就是所谓的“训练”或“学习”过程。

另一方面，声纹识别有文本相关(Text-Dependent)和文本无关(Text-Independent)的两种类型。与文本有关的声纹识别系统要求用户按照规定的内容发音，每个人的声纹模型逐个被精确地建立，而识别时也必须按规定的内容发音，因此可以达到较好的识别效果，但系统需要用户配合，如果用户的发音与规定的内容不符合，则无法正确识别该用户。而与文本无关的识别系统则不规定说话人的发音内容，模型建立相对困难，但用户使用方便，可应用范围较宽。根据特定的任务和应用，两种是有不同的应用范围的。

在说话人辨认方面，根据待识别的说话人是否在注册的说话人集合内，说话人辨认可以分为开集(open-set)辨认和闭集(close-set)辨认。前者假定待识别说话人可以在集合外，而后者假定待识别说话人在集合内。显然，开集辨认需要有一个对集外说话人的“拒识问题”，而且闭集辨认的结果要好于开集辨认结果。本质上讲，说话人确认和开集说话人辨认都需要用到拒识技术，为了达到很好的拒识效果，通常需要训练一个假冒者模型或背景模型，以便拒识时有可资比较的对象，阈值容易选定。而建立背景模型的好坏直接影响到拒识甚至声纹识别的性能。一个好的背景模型，往往需要通过预先采集好的若干说话人的数据，通过某种算法去建立。

声纹识别可以说有两个关键问题，一是特征提取，二是模式匹配(模式识别)。

特征提取的任务是提取并选择对说话人的声纹具有可分性强、稳定性高等特性的声学或语言特征。与语音识别不同，声纹识别的特征必须是“个性化”特征，而说话人识别的特征对说话人来讲必须是“共性特征”。虽然目前大部分声纹识别系统用的都是声学层面的特征，但是表征一个人特点的特征应该是多层面的，包括：(1)与人类的发音机制的解剖学结构有关的声学特征(如频谱、倒频谱、共振峰、基音、反射系数等等)、鼻音、带深呼吸音、沙哑音、笑声等；(2)受社会经济状况、受教育水平、出生地等影响的语义、修辞、发音、言语习惯等；(3)个人特点或受父母影响的韵律、节奏、速度、语调、音量等特征。从利用数学方法可以建模的角度出发，声纹自动识别模型目前可以使用的特征包括：(1)声学特征(倒频谱)；(2)词法特征(说话人相关的词n-gram，音素n-gram)；(3)韵律特征(利用n-gram描述的基音和能量“姿势”)；(4)语种、方言和口音信息；(5)通道信息(使用何种通道)；等等。

对于模式识别，有以下几大类方法：

(1)模板匹配方法：利用动态时间弯折(DTW)以对准训练和测试特征序列，主要用于固定词组的应用(通常为文本相关任务)；

(2)最近邻方法：训练时保留所有特征矢量，识别时对每个矢量都找到训练矢量中最近的K个，据此进行识别，通常模型存储和相似计算的量都很大；

(3)神经网络方法：有很多种形式，如多层感知、径向基函数(RBF)等，可以显式训练以区分说话人和其背景说话人，其训练量很大，且模型的可推广性不好；

(4)隐式马尔可夫模型(HMM)方法：通常使用单状态的HMM，或高斯混合模型(GMM)，是比较流行的方法，效果比较好；

(5)VQ聚类方法(如LBG)：效果比较好，算法复杂度也不高，和HMM方法配合起来更可以收到更好的效果；

(6)多项式分类器方法：有较高的精度，但模型存储和计算量都比较大；

(7)......

声纹识别需要解决的关键问题还有很多，诸如：短话音问题，能否用很短的语音进行模型训练，而且用很短的时间进行识别，这主要是声音不易获取的应用所需求的；声音模仿(或放录音)问题，要有效地区分开模仿声音(录音)和真正的声音；多说话人情况下目标说话人的有效检出；消除或减弱声音变化(不同语言、内容、方式、身体状况、时间、年龄等)带来的影响；消除信道差异和背景噪音带来的影响；......此时需要用到其他一些技术来辅助完成，如去噪、自适应等技术。

对说话人确认，还面临一个两难选择问题。通常，表征说话人确认系统性能的两个重要参数是错误拒绝率和错误接受率，前者是拒绝真正说话人而造成的错误，后者是接受集外说话人而造成的错误，二者与阈值的设定相关。在现有的技术水平下，两者无法同时达到最小，需要调整阈值来满足不同应用的需求，比如在需要“易用性”的情况下，可以让错误拒绝率低一些，此时错误接受率会增加，从而安全性降低；在对“安全性”要求高的情况下，可以让错误接受率低一些，此时错误拒绝率会增加，从而易用性降低。

发明内容

本发明的目的是提供一种移动终端语音密码开机的方法，以防止移动终端被非法使用的方法，本发明利用三种语音要素来提高语音密码开机的可靠性。

本发明所述的语音要素包括：声纹、发音内容、发音节奏。其中所述声纹是指与发声器官有关的声学特征如频谱、倒频谱、共振峰、基音、反射系数等等。发音内容是指规定的发音内容。发音节奏是指说话速度和/或节拍。

本发明的移动通信终端内存有预先建立移动终端用户的声纹模型、发音内容模型和发音节奏模型，因此本发明的移动终端语音密码开机的方法包括以下步骤：

从移动终端用户语音声波中提取声学特征，形成待识别的声纹特征矢量序列、发音内容特征矢量序列和节奏特征矢量序列；

将所述待识别的发音内容特征矢量序列与所述发音内容模型逐一匹配比较，得到发音内容匹配得分A；

将所述待识别的声纹特征矢量序列与所述声纹模型逐一匹配比较，得到声纹匹配得分B；

将所述待识别的发音节奏特征矢量序列与所述发音节奏模型逐一匹配比较，得到发音节奏匹配得分C；

对所述发音内容匹配得分A、声纹匹配得分B和节奏匹配得分C进行综合匹配度运算，当运算得到的综合匹配度Z等于或大于预定阈值时，进行开机操作。

其中，所述综合匹配度可以为：

Z＝A·α₁+B·α₂+C·α₃

在式中，α₁是发音内容匹配权重，α₂是声纹匹配权重，α₃是节奏匹配权重。

其中，所述综合匹配度表示为：

β₁、β₂、β₃分别是发音内容匹配阈值，声纹匹配阈值和发音节奏匹配阈值；

当综合匹配度Z＝1时，判定综合匹配度大于预定阈值；以及

当综合匹配度Z＝0时，判定综合匹配度小于预定阈值。

其中，从移动终端用户语音声波中提取声学特征的步骤包括：

移动终端开机后，在显示屏幕显示等待密码的提示信息；

用户根据所述提示输入语音口令；

把用户输入的语音口令转换成语音数字信号；

对所述语音数字信号进行语音处理，从所述语音数字信号中提取语音特征参数。

其中，所述语音处理包括：

对输入的所述语音数字信号进行语音滤波，以减少低频噪声干扰；

对经过语音滤波的语音数字信号进行语音压缩，以便减少运算数据量；

将压缩后的语音数字信号进行成帧处理，形成一帧一帧的语音数据序列；以及

然后从语音数据序列中提取有关声纹、发音内容和发音节奏的语音特征参数，形成待识别的声纹特征矢量序列、发音内容特征矢量序列和节奏特征矢量序列。

其中，当所述综合匹配度Z小于或等于预定阈值时，执行锁住键盘和/或通过射频电路向控制中心发送报警数据的操作。

本发明同时使用三种特征矢量序列来进行语音识别，而不是仅仅使用一种特征矢量序列进行语音识别，因此可以大大降低每一种特征矢量序列识别的难度，同时又可以利用综合匹配度来大大提高识别的安全性。

下面结合附图以具体实例对本发明进行详细说明。

附图说明

图1是适用于本发明的移动通信终端的示意图；

图2是本发明的移动终端中进行密码认证的工作流程。

具体实施方式

本发明的移动终端语音密码开机的方法用于各类移动终端如2G手机、3G手机或PDA的开机。

移动终端的用户首先需要预先建立移动终端用户的声纹模型、发音内容模型和发音节奏模型，将其分别存储在移动终端的存储器中，可以采用现有技术中的相应方法建立上述三种模型。

本发明的移动终端语音密码开机的方法包括以下步骤：

从移动终端发话人语音声波中提取声学特征，形成待识别的声纹特征矢量序列、发音内容特征矢量序列和节奏特征矢量序列，可以采用任何一种已知技术形成上述三种特征矢量序列中的每一种特征矢量序列；

将所述待识别的发音内容特征矢量序列与所述发音内容模型逐一匹配比较，得到发音内容匹配得分A，即发音内容匹配比例；

将所述待识别的声纹特征矢量序列与所述声纹模型逐一匹配比较，得到声纹匹配得分B，即声纹匹配比例；

将所述待识别的发音节奏特征矢量序列与所述发音节奏模型逐一匹配比较，得到发音节奏匹配得分C，即发音节奏匹配比例；

对所述发音内容匹配得分A、声纹匹配得分B和节奏匹配得分C进行综合匹配度运算，当所述综合匹配度Z等于或大于预定阈值时，进行开机操作。

本发明的特点在于同时使用三种特征矢量序列来进行语音识别，而不是仅仅使用一种特征矢量序列进行语音识别，因此可以大大降低每一种特征矢量序列识别的难度，同时又可以利用综合匹配度来大大提高识别的安全性和可靠性(下面将详细说明)。

在一个实例中，本发明的综合匹配度可以设为：

Z＝A·α₁+B·α₂+C·α₃

其中，α₁是发音内容匹配权重，α₂是声纹匹配权重，α₃是节奏匹配权重。

例如假定预定阈值为0.95，并且假定α₁＝0.8；α₂＝0.2；α₃＝0.2。那么，当发音内容匹配得分A、声纹匹配得分B和节奏匹配得分C分别等于0.8分时，即它们的匹配比例分别为0.8时，Z＝0.8·0.8+0.8·0.2+0.8·0.2＝0.96，大于预定阈值，可以判定移动终端发话人是该移动终端的用户(或机主)。

由于本发明采用三个语音因素进行语音识别，因而即时用户声音由于身体状况、情绪等原因而异常，也可以进行正确识别；例如在单一语音因素识别中，匹配得分为0.8的情况可能很多，即便不是他本人；而本发明同时考虑了三个不同因素的0.8匹配得分，这样则大大提高了识别的准确性，因为出现这种三个得分的概率远远低于单一语音因素的0.8匹配得分。

在一个实例中，本发明的综合匹配度可以表示为：

在式中，β₁、β₂、β₃分别是发音内容匹配阈值，声纹匹配阈值和发音节奏匹配阈值；

当综合匹配度Z＝1时，判定综合匹配度大于预定阈值；以及

当综合匹配度Z＝0时，判定综合匹配度小于预定阈值。

例如假定β₁＝0.8，β₂＝0.8，β₃＝0.8，那么，当发音内容匹配得分A、声纹匹配得分B和节奏匹配得分C分别等于0.8分时，即它们的匹配比例分别为0.8时，Z＝1，大于预定阈值，可以判定移动终端发话人是该移动终端的用户(或机主)。否则判定移动终端发话人不是该移动终端的机主。

其中从移动终端用户语音声波中提取声学特征的步骤包括：

移动终端开机后，在显示屏幕显示等待密码的提示信息；

用户根据所述提示输入语音口令；

把用户输入的语音口令转换成语音数字信号；

所述语音处理包括：

本发明所提出的方法和装置主要用于移动终端上，它主要包括以下几个方面的内容：

1)移动终端中的密码技术：手机的开机密码在出厂时为空，密码设定有移动终端拥有者完成。密码的修改只能由自身拥有者完成；密码在任何情况下不能被清空。

2)语音信号采集与处理：负责采集输入的声音密码信息，将其转换成语音数据信号，然后提取声纹、内容、节奏特征参数，形成相应的特征矢量序列；

3)语音识别：将声纹、内容、节奏特征矢量序列与预存的声纹、内容、节奏模型匹配比较，从而判断密码的正确性。

图1显示了一种适用于本发明的移动通信终端1，如图所示，包括：通信模块11、处理器12、存储器13、GPS 14、图像显示模块15、键盘模块16、语音采集模块17、语音提示模块18、以及输入/输出模块10。

其中，存储器13中存有该移动通信终端用户预先建立的声纹模型、发音内容模型和发音节奏模型。语音采集模块17采集用户输入的语音信号，将其转换成语音数字信号。处理器12包括语音处理模块、语音训练模块和语音识别模块(未显示)，其中语音处理模块用来实现本发明所述的语音处理功能；语音训练模块用来建立声纹模型、发音内容模型和发音节奏模型；语音识别模块用来实现声纹、内容、节奏特征矢量序列与预存的声纹、内容、节奏模型匹配比较，以及进行综合匹配运算，从而判断密码的正确性。语音提示模块18用来提示用户输入语音密码；通信模块11用来实现语音和/或数据通信；键盘模块16用来输入按键指令，并且当用户输入密码错误超过预期后，该键盘模块16被锁死。GPS 14用来通过接收GPS卫星信号，以便得到定位信息。输入/输出模块10包括用于语音通话的麦克风、扬声器或耳机、振铃器、照相机等。图像显示模块15用于显示文本、符号或图像信息。

本发明的流程如图1所示。

系统上电后，自检成功后，系统提示需要输入密码。获取的声音密码与终端中存放的开机密码进行比对，如相符则解锁成功，移动终端进入正常待机状态；如不相符或读不到解锁密码，手机则仍处于锁死状态。在锁死状态不允许操作系统的所有按键，而对于多次恶意试探或其它盗取密码的方式，也可触发系统向预先设置的控制中心自动发出数据报警信号(如公安110报警台等)。

本发明技术和方法如果运用在具有自动报警功能的手机上，则更加能够发挥长处。当非法获得此种手机者在无法解锁的情况下，触发自动报警功能，警方可以跟踪和追查，及时抓获买赃人或销赃者，继而牵出盗抢手机的犯罪团伙，更为可能的是，贪图便宜的人再也不敢购买来历不明的赃物手机，从而彻底堵死了赃物手机的销路。

尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims

1.一种移动终端语音密码开机的方法，其中所述移动通信终端根据用户输入的语音密码开机。

2.根据权利要求1所述的方法，其中所述移动通信终端具有用来采集用户输入的语音密码的语音采集模块。

3.根据权利要求2所述的方法，其中所述移动通信终端具有用来识别所述语音密码真伪的语音识别模块。

4.一种移动终端语音密码开机的方法，其中所述移动通信终端存有预先建立的用户声纹模型、发音内容模型和发音节奏模型，所述方法包括以下步骤：

5.根据权利要求4所述的方法，其中，所述综合匹配度为：

Z＝A·α₁+B·α₂+C·α₃

6.根据权利要求4所述的方法，其中，所述综合匹配度表示为：

其中β₁、β₂、β₃分别是发音内容匹配阈值，声纹匹配阈值和发音节奏匹配阈值；

当综合匹配度Z＝1时，判定综合匹配度大于预定阈值；以及

当综合匹配度Z＝0时，判定综合匹配度小于预定阈值。

7.根据权利要求5或6所述的方法，其中从移动终端用户语音声波中提取声学特征的步骤包括：

移动终端开机后，在显示屏幕显示等待密码的提示信息；

用户根据所述提示输入语音口令；

把用户输入的语音口令转换成语音数字信号；

8.根据权利要求4所述的方法，其中所述语音处理包括：

9.根据权利要求4所述的方法，其中，当所述综合匹配度Z小于或等于预定阈值时，执行锁住键盘和/或通过射频电路向控制中心发送报警数据的操作。

10.根据权利要求4所述的方法，其中：

所述声纹是指与发声器官有关的声学特征；

所述发音内容是指规定的发音内容；

所述发音节奏是指说话速度和/或节拍。