CN1372222A - 基于指纹和声纹的交叉认证系统 - Google Patents

Abstract

本发明是一种基于指纹和声纹的交叉认证系统,利用标准归一化方法将指纹认证和声纹认证的识别结果归一化到同一范围,把两个数值组合成一个新的判决向量,先对样本向量进行训练得出支持向量,再用支持向量机的方法对两种识别结果采用融合算法进行判断,得出最终结果。本发明有益的效果是:利用多生物特征(指纹、声纹)进行交叉身份认证,并采用支持向量机方法进行融合,把两种身份认证的结果加以综合。利用两种生物特征信息识别的优点及适用的领域,提高容错力,降低不确定性,克服单个生物特征信息的不完整性,增强识别决策结果的可靠性,使其具有更广泛的安全性和适应件。

Description

基于指纹和声纹的交叉认证系统

                        技术领域

本发明涉及一种生物特征识别技术，主要是一种基于指纹和声纹的交叉认证系统。

                        背景技术

生物特征识别技术是指通过计算机利用人类自身生理或行为特征进行身份认定的一种技术，它以人体惟一的、可靠的、稳定的生理特征(如指纹、虹膜、脸部、掌纹等)或行为特征(话音、击键、步态、签名等)为依据，采用计算机的强大功能和网络技术进行图像处理和模式识别，用以鉴别人的身份。该技术具有很好的安全性、可靠性和有效性，与传统的身份确认手段相比，不依赖各种人造的和附加的物品来证明人的自身，而用来证明自身的恰恰是人本身，所以，它不会丢失、不会遗忘，很难伪造和假冒，是种“只认人、不认物”、方便安全的保安手段。近几年来，全球的生物特征识别技术正从研究阶段逐步转向应用阶段。这些系统很好地解决了传统安全保护方式存在的隐患，提供了相对方便、快速、准确的身份识别方法。但是每种生物特征识别都有其适用的范围，故这些系统也存在着各自的缺点。

                        发明内容

本发明所要解决的技术问题是提供一种利用多生物特征进行交叉身份认证，并采用支持向量机方法进行把两种身份认证的结果加以融合的基于指纹和声纹的交叉认证系统。

本发明解决其技术问题所采用的技术方案。这种基于指纹和声纹的交叉认证系统，利用标准归一化方法将指纹认证和声纹认证的识别结果归一化到同一范围，把两个数值组合成一个新的判决向量，先对样本向量进行训练得出支持向量，再用支持向量机的方法对两种识别结果采用融合算法进行判断，得出最终结果。

本发明解决其技术问题所采用的技术方案还可以进一步完善。所述的指纹认证为指纹图像录入以后，经方向估计，纹路提取，细节提取各个步骤获得指纹细节作为指纹的基本特征，利用指纹模板匹配的方法进行身份识别。所述的声纹认证是指采用高斯混合模型进行声纹识别，对每一个用户建立一个高斯混合模型，输入的语音信号(训练音，测试音)首先要进行特征提取，得到一特征向量序列，然后对每个人的模型参数进行模型训练，最后将该序列输入到相关用户模型参数的GMM中进行身份识别。所述的方向估计是指：a).将输入的指纹图像分为w×w大小互不相交的小区域；b).在每一子区域内计算每一个点的梯度G_x，G_y；c).在每一点(i，j)，计算局部走向：d).计算各个子区域相临点(i，j)的连贯性：e).确定指纹图像中的有效区域：述的纹路提取是指沿着纹路方向的局部灰度值最大点就是指纹纹路点。根据以上获得的方向估计，对指纹纹路进行增强处理。指纹模板匹配是指根据提取的特征参数对两个指纹模板(参考模板和输入模板)进行对齐工作，输入模板特征和参考模板特征都被变换到极坐标下面，对细节进行弹性串匹配。

本发明有益的效果是：利用多生物特征(指纹、声纹)进行交叉身份认证，并采用支持向量机方法进行融合，把两种身份认证的结果加以综合。利用两种生物特征信息识别的优点及适用的领域，提高容错力，降低不确定性，克服单个生物特征信息的不完整性，增强识别决策结果的可靠性，使其具有更广泛的安全性和适应性。

                        具体实施方式

下面结合实施例对本发明作进一步描述。这种基于指纹和声纹的交叉认证系统：

第一步：指纹认证

指纹认证过程：指纹图像录入以后，经方向估计，纹路提取，细节提取各个步骤获得指纹细节作为指纹的基本特征，利用指纹模板匹配的方法进行身份识别。

一、细节提取

1、方向估计

A)、将输入的指纹图像分为w×w大小互不相交的小区域；

B)、在每一子区域内计算每一个点的梯度G_x，G_y；

C)、在每一点(i，j)，计算局部走向： $V_x(i,j)=\underset{u=i-\frac{w}{2}}{\overset{i+\frac{w}{2}}{\mathrm{\Σ}}}\underset{v=j-\frac{w}{2}}{\overset{j+\frac{w}{2}}{\mathrm{\Σ}}}2G_x(u,v)G_y(u,v),$ $V_y(i,j)=\underset{u=i-\frac{w}{2}}{\overset{i+\frac{w}{2}}{\mathrm{\Σ}}}\underset{v=j-\frac{w}{2}}{\overset{j+\frac{w}{2}}{\mathrm{\Σ}}}(G_x^2(u,v)-G_y^2(u,v)),$ $\mathrm{\θ}(i,j)=\frac{1}{2}{\tan }^{-1}\left(\frac{V_x(i,j)}{V_y(i,j)}\right),$

D)、计算各个子区域相临点(i，j)的连贯性： $C(i,j)=\frac{1}{N}\sqrt{\underset{(i^{\′},j^{\′})\∈D}{\mathrm{\Σ}}{|\mathrm{\θ}(i^{\′},j^{\′})-\mathrm{\θ}(i,j)|}^2},$

        |θ′-θ|＝d  如果(d＝(θ′-θ+360)mod360)＜180

    否则|θ′-θ|＝d-180

如果上面计算出来的连贯性大于阀值T_c，则该点附近的点要重新检测走向直到连贯性满足要求；

E)、指纹图像中有效区域的确定： $\mathrm{CL}(i,j)=\sqrt{\frac{1}{w\×w}\frac{(V_x{(i,j)}^2+V_y{(i,j)}^2)}{V_e(i,j)}}$

其中 $V_e(i,j)=\underset{u=i-\frac{w}{2}}{\overset{i+\frac{w}{2}}{\mathrm{\Σ}}}\underset{w=j-\frac{w}{2}}{\overset{j+\frac{w}{2}}{\mathrm{\Σ}}}(G_x^2(u,v)+G_y^2(u,v))$

如果CL(i，j)的值小于设定的阈值T_s，则认为点(i，j)是背景点。

2、纹路提取

沿着纹路方向的局部灰度值最大点就是指纹纹路点。根据以上获得的方向估计，对指纹纹路进行增强处理。

A)、将指纹图像与两个掩模函数进行卷积运算，掩模函数为：

其中 $\mathrm{\Ω}=[-|\frac{L\sin \left(\mathrm{\θ}(i,j)\right)}{2}|,|\frac{L\sin \left(\mathrm{\θ}(i,j)\right)}{2}\left|\right]$

这里，θ(i，j)为点(i，j)处的方向估计，δ是一个大常数。L×H(均为奇数例如11×7)为函数大小，如果卷积以后两种像素值均大于T_ridge，则认为该点是纹路点；

B)、对于上一步得到的纹路进行纹路补偿和光滑处理：

如果一个纹路分叉和其主干段形成的夹角大于T_lower(＝70°)小于T_upper(＝110°)，而且分叉的长度小于T_branch(＝20个像素)，则去除该分叉。

如果一个纹路中断段的长度小于T_break(＝15个像素点)，而且没有其他的纹路通过该段，则将该中断段补上；

C)、上述步骤的结果是指纹图像以二值表示，将得到的二值化纹路生成理想的宽度为一个像素的纹路。

3、细节提取

不失一般性，假设一个点在细化的纹路上(宽度为1，其有8个邻接点)，则其值为1，否则为0。令(i，j)为细化纹路上的一个点，N₀，N₁，…N₇表示其8个邻接点，则

表示纹路的端点，而

表示纹路的分叉点。

每一个提取出来的细节点用一下参数表示：1)x坐标；2)y坐标；3)该点的方向，定义为相关细节点所在子区域的方向；4)相关的纹路特征。表示为一个由10个采样值构成的一维数组，采样值为采样点到通过细节点并沿着该点纹路切线方向的直线的距离。

二、指纹匹配

1、对齐

根据提取的特征参数对两个指纹模板(参考模板和输入模板)进行对齐工作。

A)、计算纹路的相似度：

假设参考模板上的纹路d和输入模板上的纹路D，d∈R^d，D∈R^D是一维的数组。纹路上每个点为d_i和D_i，两者的相似度用以下公式计算： $S=\frac{\underset{i=0}{\overset{L}{\mathrm{\Σ}}}{d}_i{D}_i}{\sqrt{\underset{i=0}{\overset{L}{\mathrm{\Σ}}}{d}_i^2{D}_i^2}}$

如果计算得出的相似度S(0≤S≤1)大于设定的阈值T_r(＝0.8)，则认为这两个纹路匹配，否则计算下一对纹路的相似度；

B)、计算两个匹配纹路的坐标变换：

坐标平移 $\left[\begin{array}{c}\mathrm{\Δx}\\ \mathrm{\Δy}\end{array}\right]=\left[\begin{array}{c}{x}^d\\ y^d\end{array}\right]-\left[\begin{array}{c}{x}^D\\ x^D\end{array}\right]$

坐标旋转 $\mathrm{\Δ\θ}=\frac{1}{L}\underset{i=0}{\overset{L}{\mathrm{\Σ}}}({\mathrm{\γ}}_i-{\mathrm{\Γ}}_i)$

其中，L是d和D两者中比较短的纹路长度，γ_i和Г_i是纹路上第i个取样点的射角。而两个纹路的缩放比例假设为1；

C)、根据上述公式，将输入模板的所有特征细节点进行坐标变化：

假设在参考模板上的细节点为(x^d，y^d，θ^d)^T，输入模板的所有细节点可以变化为： $\left[\begin{array}{c}{x}_i^{\′}\\ y_i^{\′}\\ {\mathrm{\θ}}_i^{\′}\end{array}\right]=\left[\begin{array}{c}\mathrm{\Δx}\\ \mathrm{\Δy}\\ \mathrm{\Δ\θ}\end{array}\right]+\left[\begin{array}{ccc}\cos \mathrm{\Δ\θ}& \sin \mathrm{\Δ\θ}& 0\\ \sin \mathrm{\Δ\θ}& -\cos \mathrm{\Δ\θ}& 0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}{x}_i-x^d\\ y_i-y^d\\ {\mathrm{\θ}}_i-{\mathrm{\θ}}^d\end{array}\right]$

其中(x_i，y_i，θ_i)，(i＝1，2，…N)和(x_i′，y_i′，θ_i′)，(i＝1，2，…N)分别表示变换前后的输入模板的细节点。

2、匹配

输入模板特征和参考模板特征都被变换到极坐标下面，对细节进行弹性串匹配。

  A)、把参考模板和输入模板的特征细节点按极角的升序排列：

      参考模板为：P＝((r₁，e₁，θ₁)，…(r_M，e_M，θ_M))

      输入模板为：Q＝((R₁，E₁，Θ₁)，…(R_N，E_N，Θ_N))

  B)、计算两个模板之间的距离C(M，N)：

 其中，α，β，γ是权重，δ，ε，ζ描述了一个参考模板中细节点的邻近区域，Ω是两个细节点没有匹配的惩罚参数；C)、通过对模板距离的计算，得出两个模板中匹配的细节点的个数，记为M_PQ，匹配结果为： $S_f=\frac{100M_{\mathrm{PQ}}{M}_{\mathrm{PQ}}}{\mathrm{MN}}$

第二步：声纹认证

声纹认证的方法：我们采用高斯混合模型(GMM)进行声纹识别。对每一个用户建立一个高斯混合模型，需要对每个人的模型参数进行训练。输入的语音信号(训练音，测试音)首先要进行特征提取。

声纹认证分为特征提取，模型训练，身份识别三个部分。

一、特征提取

1、采样与量化

A)、用锐截止滤波器对语音信号进行滤波，使其奈奎斯特频率F_N为4KHz；

B)、设置语音采样率F＝2F_N；

C)、对语音信号s_a(t)按周期进行采样，得到数字语音信号的振幅序列

D)、用脉冲编码调制(PCM)对s(n)进行量化编码，得到振幅序列的量化值表示s′(n)。

2、预加重处理

A)、设置数字滤波器的Z传递函数H(z)＝1-az^-1中的预加重系数a，a可取1或比1稍小的值；

B)、s′(n)通过数字滤波器，得到语音信号的高、中、低频幅度相当的振幅序列s″(n)。

  3、加窗

  A)、计算语音帧的帧长N，N需满足： $20\≤\frac{N}{F}\≤30$

这里F是语音采样率，单位为Hz；

B)、以帧长为N、帧移量为N/2，把s″(n)划分成一系列的语音帧F_m，每一语音帧包含N个语音信号样本；

C)、计算哈明窗函数：

D)、对每一语音帧F_m加哈明窗：

    ω(n)×F_m(n){F_m′(n)|n＝0，1，…，N-1}。

4、线性预测系数(LPC)的提取

A)、设置线性预测系数(LPC)的阶数p；

B)、计算p阶LPC系数{a_i}(i＝1，2，…，p)，由递推式： $R_i=\underset{n=i}{\overset{N-1}{\mathrm{\Σ}}}s\left(n\right)s(n-i)$

       E₀＝R₀ $K_i=-[R_i+{\mathrm{\Σ}}_{j=1}^{i-1}\underset{v1\≤i\≤p}{a_j^{(i-1)}}{R}_{i-j}]/E_{i-1}$ $a_i^{\left(i\right)}=k_i$ $a_j^{\left(i\right)}=a_j^{(i-1)}+k_i{a}_{i-j}^{(i-1)}$        v1≤j≤i-1 $E_{\hat{i}}(1-k_i^2)E_{i-1}$

       vi＝1，2，....，p $a_j=a_j^{\left(p\right)}$

       v1≤j≤p

即可算得{a_i}，其中R_i为自相关函数。

二、训练

每一说话人的语音特征在特征空间中都形成了特定的分布，可以用这一分布来描述说话人的个性。高斯混合模型(GMM)是用多个高斯分布的线性组合近似说话人的特征分布。

每一说话人的概率密度函数的函数形式是相同的，所不同的只是函数中的参数。M阶高斯混合模型GMM用M个单高斯分布的线性组合来描述帧特征在特征空间中的分布，即： $p\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{P}_i{b}_i\left(x\right)$

           b_i(x)＝N(x，μ_i，R_i) $=\frac{1}{{\left(2\mathrm{\π}\right)}^{p/2}|p_i{|}^{1/2}}\exp \{-\frac{1}{2}{(x-{\mathrm{\μ}}_i)}^T{R}_i^{-1}(x-{\mathrm{\μ}}_i)\}$

其中，p是特征的维数，b_i(x)为核函数，是均值矢量为μ_i、协方差矩阵为R_i的高斯分布函数，M(可选，一般为16，32)是GMM模型的阶数，在建立说话人模型以前设为一确定整数。 $\mathrm{\λ}\stackrel{\mathrm{\Δ}}{=}\{P_i,{\mathrm{\μ}}_i,R_i|i=1,2,...,M\}$ 为说话人特征分布GMM中的参数。作为高斯混合分布的加权系数，p_i应满足使得： ${\∫}_{-\∞}^{+\∞}p(x/\mathrm{\λ})\mathrm{dx}=1$

由于计算GMM中的p(x)需要求p×p维方阵R_i(i＝1，2，…M)的逆，运算量大。为此，将R_j设为对角阵，将求逆运算转化为求倒数运算，提高运算速度。

三、识别

用户语音输入后，经特征提取，得到一特征向量序列。该序列输入到相关用户模型参数的GMM中，得到相似度值S_s。

第三步：交叉认证

将前面两部分的识别结果利用标准归一化方法将其输出归一化到同一范围。两个数值组合成一个新的判决向量(S_f，S_s)^T。我们用支持向量机的方法：(SVM)进行两种识别结果融合以后的判断。支持向量机需要对样本向量进行训练得出支持向量，才可以应用于判决。

一、训练

设训练样本为(x_i，y_i)，i＝1，2…，n，其中x_i＝(S_f，S_s)^T表示判决向量，y_i＝±1表示判决结果。+1表示识别正确，-1表示识别错误。训练过程即为求下列函数的最小值： $\mathrm{\φ}\left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2=\frac{1}{2}(w\·w)$

约束条件是：

    y_i[(w·x_i)+b]-1≥0，i＝1，2，…，n

问题可转化为简单的对偶问题：在约束条件 $\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=0$

    α_i＞0，i＝1，…n下对α_i求解下列函数的最大值： $Q\left(\mathrm{\α}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j\left(x_i{\·x}_j\right)$ 若α_i ^*为最优解，则 $w^{*}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}{y}_i{x}_i$

二、判决

通过以上计算，得出判断函数

   f(x)＝sgn{(w^*·x)+b^*}

对于新输入的判决向量x，如果上式计算结果大于0，则表示接受该用户为合法用户，否则拒绝。

Claims (6)

1、一种基于指纹和声纹的交叉认证系统，其特征是利用标准归一化方法将指纹认证和声纹认证的识别结果归一化到同一范围，把两个数值组合成一个新的判决向量，先对样本向量进行训练得出支持向量，再用支持向量机的方法对两种识别结果采用融合算法进行判断，得出最终结果。

2、根据权利要求1所述的基于指纹和声纹的交叉认证系统，其特征是所述的指纹认证为指纹图像录入以后，经方向估计，纹路提取，细节提取各个步骤获得指纹细节作为指纹的基本特征，利用指纹模板匹配的方法进行身份识别。

3、根据权利要求1所述的基于指纹和声纹的交叉认证系统，其特征是所述的声纹认证是指采用高斯混合模型进行声纹识别，对每一个用户建立一个高斯混合模型，输入的语音信号(训练音，测试音)首先要进行特征提取，得到一特征向量序列，然后对每个人的模型参数进行模型训练，最后将该序列输入到相关用户模型参数的GMM中进行身份识别。

4、根据权利要求2所述的基于指纹和声纹的交叉认证系统，其特征是所述的方向估计是指：a).将输入的指纹图像分为w×w大小互不相交的小区域；b).在每一子区域内计算每一个点的梯度G_x，G_y；c).在每一点(i，j)计算局部走向：d).计算各个子区域相临点(i，j)的连贯性：e).确定指纹图像中的有效区域：

5、根据权利要求2所述的基于指纹和声纹的交叉认证系统，其特征是所述的纹路提取是指沿着纹路方向的局部灰度值最大点就是指纹纹路点。根据以上获得的方向估计，对指纹纹路进行增强处理。

6、根据权利要求2所述的基于指纹和声纹的交叉认证系统，其特征是指纹模板匹配是指根据提取的特征参数对两个指纹模板(参考模板和输入模板)进行对齐工作，输入模板特征和参考模板特征都被变换到极坐标下面，对细节进行弹性串匹配。