CN109150538A - 一种指纹与声纹融合身份认证方法 - Google Patents
一种指纹与声纹融合身份认证方法 Download PDFInfo
- Publication number
- CN109150538A CN109150538A CN201810787119.6A CN201810787119A CN109150538A CN 109150538 A CN109150538 A CN 109150538A CN 201810787119 A CN201810787119 A CN 201810787119A CN 109150538 A CN109150538 A CN 109150538A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- vocal print
- sequence
- image
- voice signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN
- H04L9/3231—Biological data, e.g. fingerprint, voice or retina
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biodiversity & Conservation Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明属于生物特征身份认证技术领域,为指纹与声纹融合身份认证方法,首先采集指纹图像、声音信号,并进行相应处理后生成指纹、声纹融合认证模板;然后采集用户指纹图像并处理得到用户指纹特征序列,与指纹模板进行余弦相似度计算获得指纹相似度分值,采集用户语音信号并进行分帧、MFCC序列计算等处理获得用户声纹特征序列,并计算得到声纹相似度分值,再根据指纹、声纹相似度分值用后验概率进行指纹与声纹融合判决。本发明在每一次认证过程中依据后验概率的高低动态调节指纹与声纹在融合认证中的占比程度,优化最终的融合认证效果。
Description
技术领域
本发明属于生物特征身份认证技术领域,具体涉及一种基于指纹、声纹双生物特征动态融合的身份认证方法。
背景技术
随着互联网+行业的蓬勃发展,对用户泛在身份认证的需求愈发强烈。目前,口令认证在基于互联网的服务行业中依然是进行用户身份认证的主要手段,但同时,基于人类生物特征的身份认证手段正在迅速普及。口令认证虽然部署方便,但存在用户记忆能力有限导致口令强度不足的问题,生物特征认证可免去人类记忆密钥的负担,部署的方便性问题可随着软件框架与生物特征采集设备的进步得到解决。但另一方面,生物特征认证的安全性问题却逐渐突显,单生物特征认证的强度、稳定性及隐私保持能力均显不足;比较而言,多模态生物特征认证可增强认证强度、稳定性并提供更丰富的隐私保持手段,是生物特征认证技术发展的趋势。
现有的多模态生物特征认证技术,主要分为2类:1)先进行单生物特征识别,再通过固定比例计算多特征融合分数进行认证判决;2)对多生物特征在特征层进行融合,用统一的特征识别算法进行判决。上述两类方法各有优势,目前第2类方法由于多特征融合后的特征特异性难以可靠保证,使得第2类方法的稳定性偏低;而第1类方法因固定比例特征融合,限制了多模态生物特征认证的准确性上限。
发明内容
为了解决现有多模态生物特征认证技术所存在的问题,本发明提出一种指纹与声纹融合身份认证方法,利用动态贝叶斯分析对指纹与声纹两类生物特征在判决阶段进行动态融合计算,可比现有方法提高认证准确率5%以上。
本发明采用以下技术方案来实现:一种指纹与声纹融合身份认证方法,包括指纹、声纹融合认证模板生成的步骤,以及指纹、声纹动态双生物特征融合认证的步骤;
其中,指纹、声纹融合认证模板生成的步骤包括:
S11、采集指纹图像;
S12、对指纹图像进行预处理,获得指纹特征序列X1;
S13、对指纹纹线细化后的图像进行主成份分析,提取运算结果序列;对同一枚指纹多次进行主成份分析后的结果序列取均值,记为X2;得到指纹模板[X1||X2];
S14、采集语音信号;
S15、对语音信号进行预处理,得到MFCC序列;
S16、利用MFCC序列训练GMM高斯混合模型,获取GMM高斯混合模型的特征参数序列X3;
S17、将序列X1、X2、X3组成集合{X1,X2,X3},并存储为指纹、声纹融合认证模板;
指纹、声纹动态双生物特征融合认证的步骤包括:
S21、采集用户指纹图像与语音信号;
S22、对用户指纹图像按步骤S12和步骤S13进行处理,取得用户指纹特征序列XS1、XS2;
S23、将序列XS1、XS2前后拼接为[XS1||XS2],与存储的指纹模板[X1||X2]进行余弦相似度计算,获得指纹相似度分值a1;
S24、对用户语音信号进行分帧处理,分为T段,对每一段语音信号计算MFCC序列,记为将所有T段MFCC序列前后串接得到用户声纹特征序列YS1,将序列YS1输入GMM高斯混合模型计算后验概率,得到声纹相似度分值b1;
S25、根据指纹、声纹相似度分值a1、b1,用后验概率进行指纹与声纹融合判决。
在一个优选的实施例中,步骤S25中用后验概率进行指纹与声纹融合判决过程如下:
如果a1<δ1,b1<δ2,则判定用户身份验证失败;δ1,δ2分别为根据先验概率设定的指纹、声纹相似度阈值;
如果a1>δ1,b1<δ2,计算:
当时,判定用户身份验证成功,否则失败;
如果a1<δ1,b1>δ2,计算:
当时,判定用户身份验证成功,否则失败;
其中,0.5<δ3<1,为根据生物特征信息采集的现场噪声情况设定的经验值。
与现有技术相比,本发明取得的有益效果主要为:首先在指纹、声纹的特征空间中分别进行第一轮识别,并获得指纹、声纹的相似度分值,再将同量纲的相似度分值放在同一空间中用后验概率进行融合判决;本发明基于动态贝叶斯对指纹与声纹双生物特征融合认证,可在每一次认证过程中依据后验概率的高低动态调节指纹与声纹在融合认证中的占比程度,即每一次融合认证过程中指纹与声纹的比例是不一样的,优化最终的融合认证效果。
附图说明
图1为指纹与声纹融合身份认证方法的流程图。
图2为指纹预处理的效果示意图,其中(a)为原始图像,(b)为增强后图像,(c)为二值化后图像,(d)为指纹纹线细化后图像,(e)为特征点参数提取后图像。
图3为声纹预处理的流程图。
图4为GMM高斯混合模型示意图。
具体实施方式
如图1,本发明指纹与声纹融合身份认证方法基于动态贝叶斯,分两部分:第一部分为指纹、声纹融合认证模板生成部分,第二部分为指纹、声纹动态双生物特征融合认证部分。
第一部分具体步骤如下:
S11、采集指纹图像;
S12、对指纹图像进行预处理,包括指纹图像归一化、图像增强、图像二值化、指纹纹线细化、指纹特征点参数提取等,获得指纹特征序列,并记为X1;指纹图像预处理中各阶段均采用现有通用技术,为标准操作,指纹原始图像及预处理各阶段处理后的图像,见图2的(a)-(e)。
S13、对指纹纹线细化后的图像进行主成份分析,提取运算结果序列;对同一枚指纹多次进行主成份分析后的结果序列取均值,记为X2;得到指纹模板[X1||X2]。主成份分析可采用PCA运算,PCA运算为人工智能领域内常用算法。
S14、采集语音信号;
S15、对语音信号进行预处理,如图3,包括:对语音信号进行预加重、分帧处理,对分帧处理后的每一帧语音信号进行加窗、傅里叶变换、Mel频率滤波器组滤波、离散余弦变换(DCT),获取MFCC参数等,得到MFCC序列;语音信号预处理中各阶段均采用现有通用技术,为声纹信号处理的标准操作。
S16、利用MFCC序列训练GMM高斯混合模型Y1,获取GMM高斯混合模型Y1的特征参数序列,记为X3;
GMM高斯混合模型计算过程如图4所示,将MFCC序列处理为一串声纹特征向量序列求解GMM高斯混合模型Y1,即求出高斯混合模型的特征参数λ({μi,∑i,wi,M},1≤μ≤M),使得特征向量序列出现的似然概率最大,其中M为GMM高斯模型的混合数个数,μi为多元高斯分布函数的均值,∑i为协方差矩阵,wi为M个多元高斯模型的权值分布,各参量含义可参考图4所示,δi为多元高斯分布模型,为声纹特征向量序列的似然函数。多元高斯分布模型与似然函数为本领域的常用函数。
声纹特征向量序列的似然函数求解过程使用最大似然估计中的EM(ExpectationMaximization,简称EM)算法进行,具体步骤为对模型的特征参数λ({μi,∑i,wi,M},1≤μ≤M)分别进行迭代计算如下:
以上运算迭代进行,直至μi,∑i+1变量两次迭代之间的差值小于某一阈值即为收敛,|μi+1-μi|<εu,|∑i+1-∑i|<ε∑。
S17、将序列X1、X2、X3拼接组成集合{X1,X2,X3},并存储为指纹、声纹融合认证模板Y1{X1,X2,X3}。
第二部分具体步骤如下:
S21、采集用户指纹图像与语音信号;
S22、对用户指纹图像按步骤S12和步骤S13进行处理,取得用户指纹特征序列XS1、XS2;
S23、将序列XS1、XS2前后拼接为[XS1||XS2],与存储的指纹模板[X1||X2]进行余弦相似度计算,获得指纹相似度分值a1;其中余弦相似度计算为行业内通用算法。
S24、对用户语音信号按步骤S15进行分帧处理,用户语音信号经分帧处理后分为若干段(记为T段),对每一段语音信号计算MFCC序列(记为),将所有T段MFCC序列前后串接得到用户声纹特征序列YS1,将用户声纹特征序列YS1输入GMM高斯混合模型Y1计算后验概率,得到声纹相似度分值b1,具体计算过程如下;
其中,为D维矢量,是M组D维高斯概率密度函数;pi,i=1,...,M是M组高斯向量的混合数, pi均来自于指纹、声纹融合认证模板Y1{X1,X2,X3}。
S25、根据取得的指纹、声纹相似度分值a1、b1,进行指纹与声纹融合判决。由于指纹、声纹是两类异构生物特征,直接在二进制空间中进行融合判决,容易产生互相间特征干扰,降低识别准确度。本方法将指纹、声纹先在各自的特征空间中进行第一轮识别,并获得相似度分值,再将同量纲的相似度分值放在同一空间中用后验概率进行融合判决,融合过程中根据动态贝叶斯方法进行匹配运算,具体方法如下:
如果a1<δ1,b1<δ2,则输入的用户特征序列与存储的融合认证模板不匹配,判定用户身份验证失败;δ1,δ2分别为根据先验概率设定的指纹、声纹相似度阈值;
如果a1>δ1,b1<δ2,计算:
当时,判定用户身份验证成功,否则失败;
如果a1<δ1,b1>δ2,计算:
当时,判定用户身份验证成功,否则失败;
其中,0.5<δ3<1,为根据生物特征信息采集的现场噪声情况设定的经验值。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种指纹与声纹融合身份认证方法,其特征在于,包括指纹、声纹融合认证模板生成的步骤,以及指纹、声纹动态双生物特征融合认证的步骤;
其中,指纹、声纹融合认证模板生成的步骤包括:
S11、采集指纹图像;
S12、对指纹图像进行预处理,获得指纹特征序列X1;
S13、对指纹纹线细化后的图像进行主成份分析,提取运算结果序列;对同一枚指纹多次进行主成份分析后的结果序列取均值,记为X2;得到指纹模板[X1||X2];
S14、采集语音信号;
S15、对语音信号进行预处理,得到MFCC序列;
S16、利用MFCC序列训练GMM高斯混合模型,获取GMM高斯混合模型的特征参数序列X3;
S17、将序列X1、X2、X3组成集合{X1,X2,X3},并存储为指纹、声纹融合认证模板;
指纹、声纹动态双生物特征融合认证的步骤包括:
S21、采集用户指纹图像与语音信号;
S22、对用户指纹图像按步骤S12和步骤S13进行处理,取得用户指纹特征序列XS1、XS2;
S23、将序列XS1、XS2前后拼接为[XS1||XS2],与存储的指纹模板[X1||X2]进行余弦相似度计算,获得指纹相似度分值a1;
S24、对用户语音信号进行分帧处理,分为T段,对每一段语音信号计算MFCC序列,记为将所有T段MFCC序列前后串接得到用户声纹特征序列YS1,将序列YS1输入GMM高斯混合模型计算后验概率,得到声纹相似度分值b1;
S25、根据指纹、声纹相似度分值a1、b1,用后验概率进行指纹与声纹融合判决。
2.根据权利要求1所述的指纹与声纹融合身份认证方法,其特征在于,步骤S25中用后验概率进行指纹与声纹融合判决过程如下:
如果a1<δ1,b1<δ2,则判定用户身份验证失败;δ1,δ2分别为根据先验概率设定的指纹、声纹相似度阈值;
如果a1>δ1,b1<δ2,计算:
当时,判定用户身份验证成功,否则失败;
如果a1<δ1,b1>δ2,计算:
当时,判定用户身份验证成功,否则失败;
其中,0.5<δ3<1,为根据生物特征信息采集的现场噪声情况设定的经验值。
3.根据权利要求1所述的指纹与声纹融合身份认证方法,其特征在于,步骤S12中的指纹图像预处理包括指纹图像归一化、图像增强、图像二值化、指纹纹线细化和指纹特征点参数提取。
4.根据权利要求1所述的指纹与声纹融合身份认证方法,其特征在于,步骤S13所述的主成份分析采用PCA运算。
5.根据权利要求1所述的指纹与声纹融合身份认证方法,其特征在于,步骤S15中对语音信号进行预处理包括:预加重、分帧处理,对分帧处理后的每一帧语音信号进行加窗、傅里叶变换、Mel频率滤波器组滤波及离散余弦变换,获取MFCC参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810787119.6A CN109150538B (zh) | 2018-07-16 | 2018-07-16 | 一种指纹与声纹融合身份认证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810787119.6A CN109150538B (zh) | 2018-07-16 | 2018-07-16 | 一种指纹与声纹融合身份认证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109150538A true CN109150538A (zh) | 2019-01-04 |
CN109150538B CN109150538B (zh) | 2021-06-25 |
Family
ID=64801017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810787119.6A Active CN109150538B (zh) | 2018-07-16 | 2018-07-16 | 一种指纹与声纹融合身份认证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109150538B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110796A (zh) * | 2019-05-13 | 2019-08-09 | 哈尔滨工程大学 | 一种基于深度学习的海上船舶时序数据的分析方法 |
CN110111794A (zh) * | 2019-04-16 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 应用程序的启动方法、装置、计算机设备及存储介质 |
CN110334546A (zh) * | 2019-07-08 | 2019-10-15 | 辽宁工业大学 | 基于主成分分析优化的差分隐私高维数据发布保护方法 |
CN112528259A (zh) * | 2020-12-23 | 2021-03-19 | 平安普惠企业管理有限公司 | 身份验证方法、装置、计算机设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1372222A (zh) * | 2001-12-29 | 2002-10-02 | 浙江大学 | 基于指纹和声纹的交叉认证系统 |
CN102014295A (zh) * | 2010-11-19 | 2011-04-13 | 嘉兴学院 | 一种网络敏感视频检测方法 |
CN103873254A (zh) * | 2014-03-03 | 2014-06-18 | 杭州电子科技大学 | 一种人类声纹生物密钥生成方法 |
CN104361276A (zh) * | 2014-11-18 | 2015-02-18 | 新开普电子股份有限公司 | 一种多模态生物特征身份认证方法及系统 |
CN104821882A (zh) * | 2015-05-08 | 2015-08-05 | 南京财经大学 | 一种基于语音生物特征的网络安全验证方法 |
CN104901805A (zh) * | 2014-11-17 | 2015-09-09 | 深圳市腾讯计算机系统有限公司 | 一种身份鉴权方法、装置和系统 |
CN105635099A (zh) * | 2015-07-23 | 2016-06-01 | 宇龙计算机通信科技(深圳)有限公司 | 身份认证方法、身份认证系统、终端和服务器 |
CN106030668A (zh) * | 2013-12-02 | 2016-10-12 | 身份认证管理公司 | 用于多密钥的真正的生物识别身份认证的方法和系统 |
CN106599866A (zh) * | 2016-12-22 | 2017-04-26 | 上海百芝龙网络科技有限公司 | 一种多维度用户身份识别方法 |
CN107294730A (zh) * | 2017-08-24 | 2017-10-24 | 北京无线电计量测试研究所 | 一种多模态生物特征身份认证方法、装置及系统 |
CN108121902A (zh) * | 2017-12-21 | 2018-06-05 | 上海亦源智能科技有限公司 | 人脸识别身份自认证方法及系统 |
-
2018
- 2018-07-16 CN CN201810787119.6A patent/CN109150538B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1372222A (zh) * | 2001-12-29 | 2002-10-02 | 浙江大学 | 基于指纹和声纹的交叉认证系统 |
CN102014295A (zh) * | 2010-11-19 | 2011-04-13 | 嘉兴学院 | 一种网络敏感视频检测方法 |
CN106030668A (zh) * | 2013-12-02 | 2016-10-12 | 身份认证管理公司 | 用于多密钥的真正的生物识别身份认证的方法和系统 |
CN103873254A (zh) * | 2014-03-03 | 2014-06-18 | 杭州电子科技大学 | 一种人类声纹生物密钥生成方法 |
CN104901805A (zh) * | 2014-11-17 | 2015-09-09 | 深圳市腾讯计算机系统有限公司 | 一种身份鉴权方法、装置和系统 |
CN104361276A (zh) * | 2014-11-18 | 2015-02-18 | 新开普电子股份有限公司 | 一种多模态生物特征身份认证方法及系统 |
CN104821882A (zh) * | 2015-05-08 | 2015-08-05 | 南京财经大学 | 一种基于语音生物特征的网络安全验证方法 |
CN105635099A (zh) * | 2015-07-23 | 2016-06-01 | 宇龙计算机通信科技(深圳)有限公司 | 身份认证方法、身份认证系统、终端和服务器 |
CN106599866A (zh) * | 2016-12-22 | 2017-04-26 | 上海百芝龙网络科技有限公司 | 一种多维度用户身份识别方法 |
CN107294730A (zh) * | 2017-08-24 | 2017-10-24 | 北京无线电计量测试研究所 | 一种多模态生物特征身份认证方法、装置及系统 |
CN108121902A (zh) * | 2017-12-21 | 2018-06-05 | 上海亦源智能科技有限公司 | 人脸识别身份自认证方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111794A (zh) * | 2019-04-16 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 应用程序的启动方法、装置、计算机设备及存储介质 |
CN110110796A (zh) * | 2019-05-13 | 2019-08-09 | 哈尔滨工程大学 | 一种基于深度学习的海上船舶时序数据的分析方法 |
CN110110796B (zh) * | 2019-05-13 | 2020-12-18 | 哈尔滨工程大学 | 一种基于深度学习的海上船舶时序数据的分析方法 |
CN110334546A (zh) * | 2019-07-08 | 2019-10-15 | 辽宁工业大学 | 基于主成分分析优化的差分隐私高维数据发布保护方法 |
CN112528259A (zh) * | 2020-12-23 | 2021-03-19 | 平安普惠企业管理有限公司 | 身份验证方法、装置、计算机设备和存储介质 |
CN112528259B (zh) * | 2020-12-23 | 2024-03-05 | 深圳市兴海物联科技有限公司 | 身份验证方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109150538B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Spoofing detection in automatic speaker verification systems using DNN classifiers and dynamic acoustic features | |
CN109150538A (zh) | 一种指纹与声纹融合身份认证方法 | |
Rodrigues et al. | Robustness of multimodal biometric fusion methods against spoof attacks | |
Soltane et al. | Face and speech based multi-modal biometric authentication | |
EP1704668B1 (en) | System and method for providing claimant authentication | |
CN111370003B (zh) | 一种基于孪生神经网络的声纹比对方法 | |
CN107886957A (zh) | 一种结合声纹识别的语音唤醒方法及装置 | |
WO2014029099A1 (en) | I-vector based clustering training data in speech recognition | |
CN106709402A (zh) | 基于音型像特征的真人活体身份验证方法 | |
CN102737633A (zh) | 一种基于张量子空间分析的说话人识别方法及其装置 | |
CN108922543B (zh) | 模型库建立方法、语音识别方法、装置、设备及介质 | |
CN103794207A (zh) | 一种双模语音身份识别方法 | |
CN113223536B (zh) | 声纹识别方法、装置及终端设备 | |
CN109994118B (zh) | 语音密码验证方法、装置、存储介质及计算机设备 | |
CN108875463A (zh) | 多视角向量处理方法和设备 | |
CN113241081B (zh) | 一种基于梯度反转层的远场说话人认证方法及系统 | |
CN111613230A (zh) | 声纹验证方法、装置、设备及存储介质 | |
CN116883900A (zh) | 一种基于多维生物特征的视频真伪鉴别方法和系统 | |
CN111028847A (zh) | 一种基于后端模型的声纹识别优化方法和相关装置 | |
CN113948093B (zh) | 一种基于无监督场景适应的说话人识别方法及系统 | |
CN106373576B (zh) | 一种基于vq和svm算法的说话人确认方法及其系统 | |
Iqbal et al. | Voice Recognition using HMM with MFCC for Secure ATM | |
Zhang et al. | Multimodal biometric authentication system for smartphone based on face and voice using matching level fusion | |
TWI778234B (zh) | 語者驗證系統 | |
CN110688972B (zh) | 用于提升人脸生成性能的系统以及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |