CN1841402A - 用于确定是否接受登记对象的系统、方法以及计算机程序产品 - Google Patents
用于确定是否接受登记对象的系统、方法以及计算机程序产品 Download PDFInfo
- Publication number
- CN1841402A CN1841402A CNA2005101341911A CN200510134191A CN1841402A CN 1841402 A CN1841402 A CN 1841402A CN A2005101341911 A CNA2005101341911 A CN A2005101341911A CN 200510134191 A CN200510134191 A CN 200510134191A CN 1841402 A CN1841402 A CN 1841402A
- Authority
- CN
- China
- Prior art keywords
- biologicall test
- template
- matching score
- test input
- proper vector
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004590 computer program Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000012360 testing method Methods 0.000 claims description 103
- 238000004166 bioassay Methods 0.000 claims description 38
- 239000000284 extract Substances 0.000 claims description 22
- 230000008676 import Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 39
- 230000006870 function Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000005039 memory span Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/04—Training, enrolment or model building
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种用于确定是否接受在生物测定系统中登记对象的系统、方法以及计算机程序产品的实施例。根据一个实施例，可以根据从对象中获得的生物测定输入的第一实例中提取的特征向量来生成模板。把从生物测定输入的第二实例中提取的特征向量与所述模板进行比较，以便基于所述生物测定输入的第一和第二实例之间的相似度来生成匹配得分。如果匹配得分符合阈值标准，则可以接受向生物测定系统中进行登记的所述对象。
Description
技术领域
此处所述的实施例总体上涉及数据处理，具体而言，涉及生物测定系统中的登记(enrollment)。
背景技术
生物测定学是用于测量并且统计分析生物学数据的科学技术。生物测定是用于识别登记者的身份或者验证所声称的身份的、可测量的物理特性或者个人行为特性。一般来说，生物测定学统计性地测量特定的人类解剖学和生理学特性，这些特性对于个体而言是唯一的。生物测定学的示例包括指纹、视网膜扫描、讲话者(语音)识别、签字识别以及手迹认识。
生物测定学可以用于识别和/或验证。在识别过程中，可以把对象(例如，某人)的生物测定样本(即，生物测定输入)与存储在生物测定系统中的生物测定数据进行比较，以便确立该对象的身份。验证(亦称鉴定)是用于验证一个对象是该对象所号称的那个对象的过程。识别是用于确定给定对象身份的过程。验证的目标在于确定该对象(也称为申请人)是真正的已登记对象(也称为真实或有效对象)还是冒名顶替者。
讲话者验证系统(亦称语音验证系统)试图把正进行其身份验证的讲话者的语音与已知的语音相匹配。讲话者验证系统有助于提供通过使用语音发声来确保安全访问的手段。由申请人在试图访问时提供字或者短语的口头提交或者仅仅提供一个讲话者单独说出的随机选择的字或者短语的样本，以便通过讲话者识别和/或讲话者验证系统。真正的申请人是发声与和所声称的身份相关联的已知特性相匹配的人。
在生物测定系统中，可以把登记定义为从某人(即，某对象)那里收集生物测定数据样本(即，生物测定输入)并随后把所述数据存储在基准模板中的初始过程，其中所述基准模板表示将用于稍后进行的比较中的对象身份。在登记过程中，对象可以把生物测定输入(例如，语音、指纹等等)提供给生物测定数据获取系统。因为环境中的细微变化就会改变所获取的生物测定的特性，所以通常获取某人的多个生物测定数据样本，以便为该对象创建基准模板。然而，由于生物测定学不充分的独特性，所以也许难以依照在识别和/或验证的过程中允许系统在以后识别某人的方式将该人登记到这样的生物测定系统中。把这种情况称为登记失败。登记失败情况可因为各种原因而发生，诸如：生物测定学不充分的独特性(例如，经常广泛从事手工作业的人员指纹磨损的非常严重以至于无法被获取)，难以提供一致的生物测定数据的生物测定实现方式(例如，由于视网膜识别系统所要求的精确度而使相当高比例的人员不能在这种系统中登记)。
登记失败情况的比率(称为“登记失败率”)是可用来衡量生物测定系统性能的一个衡量标准。可以把登记失败率定义为在为对象创建适当的登记模板的过程中一个给定生物测定系统的失败率。登记失败机制通常被用于在登记过程中通过从所述系统中消除不可靠的生物测定数据/对象而进行的质量控制。
发明内容
本发明描述了一种用于根据一个对象的生物测定输入来确定接受还是拒绝向生物测定系统进行登记的该对象的系统、方法以及计算机程序产品的实施例。根据一个实施例，可以根据从自对象中获得的生物测定输入的第一实例(例如，第一次出现)中提取的特征向量来生成基准模板。可以把从自所述对象获得的生物测定输入的第二实例(例如，第二次出现)中提取的特征向量与所述基准模板进行比较，以便基于生物测定输入的第一和第二实例之间的相似/相异程度来生成匹配得分。生物测定输入的第二实例包括生物测定输入的第一实例的重复。如果该匹配得分符合阈值标准，则可以接受所述对象登记到生物测定系统中。
然而，如果匹配得分未能符合阈值标准，那么可以拒绝所述对象登记到生物测定系统中。所述阈值标准可以基于有效(或者真实)对象和冒名顶替者之间的相等差错率。所述相等差错率可以通过有效对象的概率密度函数和冒名顶替者概率密度函数之间的交点来定义。
在一个实施例中，所述生物测定输入中的每一个均包括语音发声。在这样的实施例中，每次语音发声的持续时间可以小于三秒左右。在另一个实现方式中，每次语音发声的持续时间小于两秒左右。
所述匹配得分可以包括失真得分，其表示生物测定输入第二实例的特征向量与根据从生物测定输入的第一实例提取出的特征向量而生成的所述模板的失真度。在一个实施例中，所述基准模板可以包括十六个或更少的代码字，并且在一种实现方式中，可以包括八个代码字的基准模板。
在一个实施例中，还可以把从该对象的生物测定输入的第三实例(例如第三次出现)中提取出的特征向量与所述基准模板相比较，以便基于该生物测定输入的第一和第三实例之间的相似/相异程度来生成匹配得分。
对象的登记可以包括至少基于生物测定输入的第一和第二实例来生成该对象的代码簿。
附图说明
图1是根据例证性实施例的示例性生物测定登记系统的示意性框图；
图2是用于实现根据例证性实施例的登记失败机制的示例性过程的流程图；
图3是根据利用语音的生物测定系统的例证性实施例、用于生成阈值的示例性训练过程的流程图；并且
图4是以短期语音发声作为生物测定输入来实现的例证性生物测定系统的累积概率密度函数的图解表示图。
具体实施方式
此处描述了用于实现一个过程的实施例，所述过程用于确定对于为用户创建一个用在生物测定验证和/或识别系统中的唯一基准模板而言，诸如用户语音质量之类的用户生物测定输入的质量是否足够可靠。这种机制的实现方式通过就先前不正确地拒绝了真实或者有效对象(例如，真实的语音发声者)或者不正确地接受了冒名顶替者提供帮助，以此来帮助改善生物测定系统的性能。例如，可以使用此处所述的各种实施例来检测所获取的生物测定的不一致性，并且由此检测生物测定系统的登记失败状态。
一般说来，可以根据从自对象中获得的生物测定输入(例如语音发声)的第一实例(例如，第一次出现)中提取出的特征向量来生成基准模板。可以把从自所述对象获得的生物测定输入的第二实例(例如，第二次出现)中提取出的特征向量与所述基准模板进行比较，以便基于该生物测定输入的第一和第二实例之间的相似/相异程度来生成匹配得分。所述生物测定输入的第二实例包括生物测定输入的第一实例的重复。如果匹配得分符合阈值标准，则可以接受将所述对象登记到生物测定系统中。然而，如果匹配得分不能符合阈值标准，那么可以拒绝将所述对象登记到生物测定系统中。所述阈值标准可以基于有效(或者真实)对象和冒名顶替者之间的相等差错率。所述相等差错率可以通过有效对象的概率密度函数和冒名顶替者概率密度函数之间的交点来定义。在一个实施例中，可以从对象的生物测定输入的第三实例(例如第三次出现)中提取特征向量，并将其与所述基准模板相比较，以便基于生物测定输入的第一和第三实例之间的相似/相异程度来生成匹配得分。在一种实现方式中，每次语音发声的持续时间可以小于三秒左右。在另一个实现方式中，每次语音发声的持续时间可以小于两秒左右。所述匹配得分可以包括失真得分，该失真得分用于表示生物测定输入的第二实例的特征向量与根据从生物测定输入的第一实例提取出的特征向量而生成的所述模板的失真度。
图1是根据例证性实施例的可以用于实现登记失败机制的示例性生物测定登记系统100的示意性框图。在此示例性的生物测定登记系统100中，用户的生物测定输入102(例如，用户进行的语音发声)可以通过数据获取部件104来获取。在所述生物测定输入包括由用户进行语音发声的实施例中，语音发声例如可以包括由用户讲出的密码。所述数据获取部件104可以记录用户的生物测定输入，并且向特征提取部件106提供所获取的生物测定输入。在一个实施例中，所述数据获取部件可以包括缓冲器，用于临时存储所述生物测定输入。在语音发声实现方式中，可以把缓冲器称为输入语音发声缓冲器。所述特征提取部件106处理所获取的生物测定输入，以便提取出被称为特征向量的生物测定输入的特性特征。特征向量例如可以包括该生物测定输入的唯一、可识别的特征。
可以把提取出的特征向量提供给登记部件108(也称为“登记失败判定部件”)，该部件可以通过分析提取出的特征向量、基于生物测定输入的质量来确定是否把该用户登记在生物测定系统中。在生物测定输入包括语音发声的实现方式中，所述登记部件可以确定对于生成唯一的用户语音模式而言，所记录的语音发声是否具有足够的质量，其中所述的用户语音模式以后可以用于识别所述用户。如果所述登记部件108确定所记录的生物测定输入可用于创建用户的唯一模式(即，确定所提取的特征具有足够的或者非常好的质量)，那么可以按照“No(否)”分支，模板生成部件110可以使用例如模式匹配技术、基于提取出的特征向量来生成用户模板。所生成的模板可以存储在模板数据库112中。在生物测定输入是语音的实现方式中，所生成的模板可以包括用户的唯一声波纹。
反之，如果所述登记部件108确定所记录的生物测定输入无法用于创建用户的唯一模式(换言之，生物测定输入的质量太差以至于无法用于生物测定系统)，那么可以生成登记失败错误(如“Yes(是)”分支所示)。
图2是用于实现根据例证性实施例的登记失败机制的示例性过程200的流程图。此过程200例如可以作为生物测定登记过程的前身或者作为一部分来实现，以便用于生物测定验证和/或识别系统。此过程200的实施例可以用于使用语音发声作为用户生物测定输入的生物测定系统中(这种生物测定系统可以称为“语音生物测定系统”)，并且在使用短期发声的语音生物测定系统中尤其有用，诸如语音发声的持续时间为两、三秒或更少的系统。此过程200的实施例可以使用图1的示例性系统100来执行。
作为过程200的一部分，可以提示用户提供用户生物测定输入的多个样本。例如，在一种实现方式中，所述登记系统可以要求用户提供相同语音发声的至少两次重复(例如，所讲密码)。现在，将在用户提供相同生物测定输入的至少三次重复(例如，相同语音发声的至少三次重复)的环境下来描述过程200的实施例。
可以在数据获取操作202中获得用户的初始生物测定输入。在一个实施例中，响应于呈现给用户的适当提示，可以从所述用户那里获得此初始生物测定输入。在图1的示例性系统100中，所述数据获取操作202可以通过数据获取部件104来执行。在语音实现方式中，所获得的生物测定输入例如可以包括用户讲出的密码。
在特征提取操作204中、从在提取操作202中获取的生物测定输入中提取特征向量。在示例性的系统100中，所述提取操作204可以通过特征提取部件106来执行。
在判定206，如果用户的生物测定输入是从所述用户接收的初始生物测定输入(即，“第一实例”或者“第一重复”)，那么重复次数等于一，并按照“Yes”分支，在生成模板操作208中基于初始生物测定输入的特征向量来生成该用户的预备模板(或者“基准模板”)。可以把所生成的用户预备模板存储在模板数据库210中。在语音发声实现方式中，如果语音发声的持续时间很短(即，小于两至三秒)，生物测定输入可能没有展现出很多的语音变化。因此，可以利用小型的模板来为这些有限的语音变化建模，所述小型模板诸如八至十六点向量量化代码簿。在这种实现方式中，使用更大规模的代码簿可能引起可利用的有限数据的过拟合(over fitting)。
在生成了基准模板之后，返回212，并且从通过第二遍执行操作202和204而自用户处获得的生物测定输入的第二重复(或者“第二实例”)中提取特征向量。例如，响应于对用户的相应提示(例如，请求)，可以从用户那里获得生物测定的第二实例。
在进行第二遍判定206的过程中，对于第二生物测定输入(即，重复数不等于一)，按照“No”分支，在模式匹配操作214中，把从生物测定输入的第二重复中提取出的特征向量与从预备模板数据库210检索出的用户预备模板进行比较。例如，在一个实施例中，把从生物测定输入的第二重复中提取的特征向量与生物测定输入的第一重复的特征向量进行比较。把表示第二生物测定输入的特征向量与预备模板的特征向量之间的相似/相异程度的匹配得分(例如，失真得分)作为模式匹配操作214的比较结果而输出。
在阈值判定216中，可以把所输出的匹配得分与从登记失败判定阈值数据存储器218中获得的阈值相比较。如果在判定216中，所述匹配得分超出阈值(例如，失真得分表明在第一和第二生物测定输入之间存在有过多差异(即，第二生物测定输入与第一生物测定输入非常不同))，则确定第二生物测定输入的质量不足以用在登记中，并在操作220中生成登记失败错误(以此来表明登记失败状态)，并拒绝所述样本。在一个实施例中，可以从中提供用于判定216的阈值的所述登记失败判定阈值数据存储器218可以通过离线训练和统计分析过程来填充(populated)。
另一方面，如果所述匹配得分小于阈值(例如，失真得分表明第一和第二生物统计学之间的差异在使用所述生物测定输入在生物测定系统中登记用户的相似性的可接受范围之内，(即，这些生物测定输入可用于在生物测定系统中登记用户))，那么可以使用至少第一和第二生物测定输入来进行进一步处理，以便在进一步接受的采样操作222中、将所述用户登记到生物测定系统中。
对生物测定输入的第三重复(或者“第三生物测定输入”)重复过程200。在该过程的所述迭代过程中，从第三生物测定输入中提取出的特征向量(参见操作204)还可以与根据第一生物测定输入的特征向量而生成的基准模板相比较，以便确定第三生物测定输入的特征向量是否在与第一生物测定输入特征向量足以不同的范围之内，并因此适用于在生物测定系统中登记所述用户。
在一个实施例中，可以提示用户在至少通过操作216处理了第二重复之后提供所述生物测定输入的第三重复。在另一个实施例中，所述第二和第三生物测定输入可以由用户一个接一个地提供。在这样的实施例中，所述第二和第三生物测定输入可以被并行处理(即，相对同时或者并行地执行过程200的两次迭代)，或者所述第三生物测定输入可以被缓存在所述系统中，并且在第二生物测定输入之后被处理(即，顺序地、相继地执行过程200的两次迭代)。
正如前面提到的那样，从中提供用于判定216的阈值的所述登记失败判定阈值数据存储器218可以通过离线训练和统计分析过程来填充。图3是根据利用语音(即，语音发声)的生物测定系统的例证性实施例来生成阈值的示例性过程300的流程图。虽然就语音生物测定系统描述了所述过程，但是应该理解的是，此过程的实施例可以在使用其它类型的生物测定输入的生物测定系统中实现。在这样的过程300中生成的阈值可以用于图2所示的过程200的实施例。具体地，由过程300生成的阈值可以用于登记失败阈值确定216，并且可以存储在阈值数据库218中。在一个实施例中，所述训练过程300可以与图2的过程200离线执行。
所述阈值生成过程300可以利用训练数据库302，该训练数据库302包含来自一组给定讲话者的一组语音发声(例如，所讲密码)，其中每个讲话者均使其相关语音发声的多个重复存储在训练数据库302中。例如，对于每个讲话者来说，所述训练数据库可以包含由给定讲话者所讲的密码的多个重复的副本。在实现为短期间发声的实施例中，数据库中的所有发声可以包括短期间发声(例如，小于两或者三秒的语音)。
对于训练数据库302中的每个讲话者来说，可以在特征提取操作304中、从所存储的该特定讲话者的语音发声(即，生物测定输入)中提取出特征向量，并用于在模板生成操作306中(例如使用模式匹配技术)生成所述讲话者的模板。在实现为短发声的实施例中，所生成的基准模板可以包括使用低复杂性和/或低计算的模式匹配技术而生成的八和/或十六点基准模板，其中所述模式匹配技术能够生成八和/或十六点基准模板。可以把所生成的模板存储在模板数据库308中。
所述阈值生成过程300还可以利用测试数据库310，它是训练数据库的副本，以便使测试数据库310包含来自同一组讲话者的相同语音发声的副本，这些语音发声与训练数据库302中包含的那些相同(应该注意的是，训练和测试数据库可以是各自专用的)。在特征提取操作312中(与操作304相似)，可以为每位讲话者从存储在测试数据库中的多个语音发声重复中提取特征向量。所述模板生成过程包括对所讲密码的多个重复的特征提取以及用于生成八或者十六点基准模板的模式匹配技术。对于每位讲话者来说，从所述模板数据库308检索出在操作306中生成的模板，并在模式匹配操作314中将其与在操作312中提取出的讲话者的特征向量进行比较。把来自测试数据库的每位讲话者的生物测定数据与所述模板的相应特征向量和/或代码字进行匹配，以便获得针对每位讲话者的匹配得分，该匹配得分反映出从测试数据库中的、给定讲话者的发声中提取出的特征向量与该模板的那些特征向量(即，从自训练数据库中获得的发声副本中提取出的特征向量)之间的相似/相异程度。这些匹配得分包括一组可以被存储在有效及冒名顶替者匹配得分数据库316中的有效匹配得分(或者真实用户匹配得分)。
使用过程300，还可以为冒名顶替者生成匹配得分(“冒名顶替者匹配得分”)。为了生成冒名顶替者匹配得分，所述模式匹配操作314可以进一步涉及把每个讲话者的、具有讲话者讲出的密码而非所预料的密码(由有效讲话者讲出的无效密码)的生物测定数据与有效密码的模板进行比较。根据此比较生成的匹配得分可以包括一组可以被存储在匹配得分数据库316中的冒名顶替者得分。所述冒名顶替者匹配得分还可以包括通过对有效/真实讲话者的不完整语音发声的比较而推导出的得分。在一个实施例中，还可以把来自测试数据库的每位讲话者的生物测定数据与所有其他讲话者的模板进行匹配，并且把通过此比较得出的得分包括在该组冒名顶替者匹配得分中。
在过程300中生成的有效匹配得分和冒名顶替者匹配得分的分布可以通过累积分布来建模。
图4是以短期语音发声作为生物测定输入来实现的例证性生物测定系统的累积概率密度函数的图解表示400。如图4所示，所述概率密度函数图表400具有用于匹配分值(例如，失真分值)的轴402和概率轴404。该组有效匹配得分408(即，有效(或者真实)对象的概率密度函数)的正常曲线与该组冒名顶替者匹配得分410(即，冒名顶替者的概率密度函数)之间的交点406(也称为“临界阈值”或者“相等差错率”或者“交叉差错率”)表示有效讲话者和冒名顶替者之间的最大间隔点。在所述临界阈值处，误接受(即，系统接受冒名顶替者)的比例等于误拒绝的比例(即，系统拒绝有效对象)。
在利用短期间语音发声实现的示例性生物测定系统中，人们已经注意到，如果有效讲话者的匹配得分落入临界阈值的1.33倍的范围内，那么这样的讲话者的语音质量对于生物测定系统随后进行接受/拒绝判定而言是足够可靠的。此阈值组有助于不完全拒绝有效讲话者所讲的密码。为了生成所述阈值，被清除的匹配得分对应于通过将利用所讲密码的三个重复而生成的模板与测试密码进行比较而生成的匹配得分。在实际的在线登记过程中，密码的重复可以与使用该密码的一个重复而生成的模板进行比较。在这种实现方式中，当与脱机训练匹配得分的得分范围相比时，这些匹配得分具有不同的得分范围，并将增加临界阈值的33％考虑到所述得分范围的变化中。
据此，示例性的登记失败(FTE)阈值可以如下计算：
FTE阈值＝临界阈值+0.33×临界阈值
可以把计算出的登记失败阈值存储在阈值数据库(例如，图2中的数据库218)中，并且在讲话者向系统进行登记的期间可用来进行判定(例如，图2中的判定216)。
此处所述的登记失败机制的各种实施例可以通过提供屏幕或者过滤器来帮助防止极度不可靠的用户向给定生物测定系统进行注册而实现，以便改善生物测定系统(例如，语音生物测定系统)的性能。由于模板很小(即，模板具有较小的存储器容量)，故登记失败机制的实施例可以用于低复杂性的、使用固定的短期口述密码的生物测定系统。
此处所述的各种实施例还可以使用包括计算机软件、固件、硬件或者它们的任何组合或者子集的计算机编程或工程技术来实现。虽然此处提出的部件可以描述为具有各种子部件，但是各种子部件也可以被认为是所述系统的部件。例如，在系统的任何部件上执行的特定软件模块也可以被认为是系统的部件。另外，本发明实施例或部件可以在具有诸如微处理器之类的中央处理单元以及经由总线互联的多个其他单元的计算机上实现。这种计算机还可以包括随机存取存储器(RAM)，只读存储器(ROM)，用于连接诸如盘存储单元以及打印机之类的外围设备至总线的I/O适配器，用于连接诸如键盘、鼠标、扬声器、麦克风之类的各种用户接口装置和/或其他诸如触摸屏或者数字相机的用户接口装置至所述总线的用户接口适配器，用于连接计算机至通信网络(例如数据处理网络)的通信适配器以及用于连接总线至显示装置的显示适配器。所述计算机可以利用诸如Microsoft Windows操作系统(O/S)、Macintosh O/S、Linux O/S和/或UNIX O/S之类的操作系统。本领域中普通技术人员将理解的是，实施例还可以在不同于所提及的这些平台以及操作系统上实现。
本发明的实施例还可以使用计算机程序语言来实现，所述语言诸如ActiveX、Java、C以及C++语言之类的，并且利用面向对象编程方法来实现。任何由此生成的具有计算机可读代码的程序都可以在一个或多个计算机可读介质内被具体实现或者被提供，由此构成计算机程序产品(即，一种制造产品)。计算机可读介质例如可以是固定(硬)驱动器、软盘、光盘、磁带、诸如只读存储器(ROM)等等的半导体存储器、或者诸如互联网或者其他通信网络或者链路的任何发送/接收媒介。可以制作包含计算机代码的制造物，和/或通过直接执行来自一个介质的代码、通过把代码从一个介质复制到另一个介质或者通过经由网络来传输所述代码来使用它。
所属领域普通技术人员将很容易能够把软件与适当的通用或者专用计算机硬件结合以便创建计算机系统或者计算机子系统，由此来实现此处所述的各种实施例。
虽然已经描述了各种实施例，但是仅仅通过举例来体现它们，而不是限制性的。由此，任何实施例的广度和范围不应该受到任何上述示例性实施例的限制，而是仅仅根据如下的权利要求书及其等效物来限定。
Claims (20)
1.一种用于确定是否接受登记对象的方法，包括：
根据从对象的生物测定输入的第一实例中提取出的特征向量来生成模板；
把从对象的生物测定输入的第二实例中提取出的特征向量与所述模板进行比较，以便基于所述生物测定输入的第一和第二实例之间的相似度来生成匹配得分；以及
如果所述匹配得分符合阈值标准，则接受向生物测定系统中进行登记的所述对象。
2.如权利要求1所述的方法，其中如果所述匹配得分不符合阈值标准，则拒绝向所述生物测定系统中进行登记的所述对象。
3.如权利要求1所述的方法，其中每个生物测定输入包括语音发声。
4.如权利要求3所述的方法，其中每次语音发声的持续时间小于三秒左右。
5.如权利要求1所述的方法，其中所述匹配得分包括失真得分。
6.如权利要求1所述的方法，其中所述模板包括十六个或更少的代码字。
7.如权利要求1所述的方法，其中所述模板包括八个代码字。
8.如权利要求1所述的方法，其中登记包括基于所述生物测定输入的至少第一和第二实例来为所述对象生成代码簿。
9.如权利要求1所述的方法，还包括将从所述对象的生物测定输入的第三实例中提取出的特征向量与所述模板进行比较，以便基于所述生物测定输入的第一和第三实例之间的相似度来生成匹配得分。
10.如权利要求1所述的方法，其中所述阈值标准基于相等差错率。
11.如权利要求10所述的方法，其中所述相等差错率可以通过有效对象的概率密度函数和冒名顶替者的概率密度函数之间的交点来定义。
12.一种用于确定是否接受登记对象的系统，包括：
用于根据从对象的生物测定输入的第一实例中提取出的特征向量来生成模板的装置；
用于把从对象的生物测定输入的第二实例中提取出的特征向量与所述模板进行比较、以便基于所述生物测定输入的第一和第二实例之间的相似度来生成匹配得分的装置；以及
用于在所述匹配得分符合阈值标准的情况下接受向所述生物测定系统中进行登记的所述对象的装置。
13.如权利要求12所述的系统，其中如果所述匹配得分不符合阈值标准，则拒绝向所述生物测定系统中进行登记的所述对象。
14.如权利要求12所述的系统，其中每个生物测定输入包括语音发声。
15.如权利要求14所述的系统，其中每次语音发声的持续时间小于三秒左右。
16.如权利要求12所述的系统，其中所述模板包括十六个或更少的代码字。
17.一种用于确定是否接受登记对象的计算机程序产品，包括：
用于根据从对象的生物测定输入的第一实例中提取出的特征向量来生成模板的计算机代码；
用于把从对象的生物测定输入的第二实例中提取出的特征向量与所述模板进行比较、以便基于所述生物测定输入的第一和第二实例之间的相似度来生成匹配得分的计算机代码；以及
用于如果所述匹配得分符合阈值标准、则接受向生物测定计算机程序产品中进行登记的所述对象的计算机代码。
18.如权利要求17所述的计算机程序产品，其中如果所述匹配得分不符合阈值标准，则拒绝向所述生物测定计算机程序产品中进行登记的所述对象。
19.如权利要求17所述的所述计算机程序产品，其中每个生物测定输入包括语音发声。
20.如权利要求19所述的所述计算机程序产品，其中每次语音发声的持续时间小于三秒左右。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US11/096,668 | 2005-03-31 | ||
| US11/096,668 US20060222210A1 (en) | 2005-03-31 | 2005-03-31 | System, method and computer program product for determining whether to accept a subject for enrollment |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN1841402A true CN1841402A (zh) | 2006-10-04 |
Family
ID=37030415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNA2005101341911A Pending CN1841402A (zh) | 2005-03-31 | 2005-12-27 | 用于确定是否接受登记对象的系统、方法以及计算机程序产品 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20060222210A1 (zh) |
| JP (1) | JP2006285205A (zh) |
| CN (1) | CN1841402A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101197676B (zh) * | 2006-12-04 | 2010-12-08 | 株式会社日立制作所 | 认证系统的管理方法 |
| CN107871236A (zh) * | 2017-12-26 | 2018-04-03 | 广州势必可赢网络科技有限公司 | 一种电子设备声纹支付方法及装置 |
| CN109215643A (zh) * | 2017-07-05 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 一种交互方法、电子设备及服务器 |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7620819B2 (en) * | 2004-10-04 | 2009-11-17 | The Penn State Research Foundation | System and method for classifying regions of keystroke density with a neural network |
| US7603275B2 (en) * | 2005-10-31 | 2009-10-13 | Hitachi, Ltd. | System, method and computer program product for verifying an identity using voiced to unvoiced classifiers |
| US8189783B1 (en) * | 2005-12-21 | 2012-05-29 | At&T Intellectual Property Ii, L.P. | Systems, methods, and programs for detecting unauthorized use of mobile communication devices or systems |
| US8020005B2 (en) * | 2005-12-23 | 2011-09-13 | Scout Analytics, Inc. | Method and apparatus for multi-model hybrid comparison system |
| US20070198712A1 (en) * | 2006-02-07 | 2007-08-23 | Biopassword, Inc. | Method and apparatus for biometric security over a distributed network |
| US20070233667A1 (en) * | 2006-04-01 | 2007-10-04 | Biopassword, Llc | Method and apparatus for sample categorization |
| WO2008022157A2 (en) * | 2006-08-15 | 2008-02-21 | Vxv Solutions, Inc. | Adaptive tuning of biometric engines |
| US8332932B2 (en) * | 2007-12-07 | 2012-12-11 | Scout Analytics, Inc. | Keystroke dynamics authentication techniques |
| US8031981B2 (en) * | 2007-12-21 | 2011-10-04 | Daon Holdings Limited | Method and systems for generating a subset of biometric representations |
| WO2009132338A2 (en) | 2008-04-25 | 2009-10-29 | Aware, Inc. | Biometric identification and verification |
| JP5121681B2 (ja) * | 2008-04-30 | 2013-01-16 | 株式会社日立製作所 | 生体認証システム、認証クライアント端末、及び生体認証方法 |
| GB0819069D0 (en) * | 2008-10-17 | 2008-11-26 | Forensic Science Service Ltd | Improvements in and relating to methods and apparatus for comparison |
| TWI421857B (zh) * | 2009-12-29 | 2014-01-01 | Ind Tech Res Inst | 產生詞語確認臨界值的裝置、方法與語音辨識、詞語確認系統 |
| US9020208B2 (en) * | 2011-07-13 | 2015-04-28 | Honeywell International Inc. | System and method for anonymous biometrics analysis |
| EP2579182B1 (en) * | 2011-10-03 | 2019-08-28 | Accenture Global Services Limited | Biometric matching engine |
| US9600709B2 (en) | 2012-03-28 | 2017-03-21 | Synaptics Incorporated | Methods and systems for enrolling biometric data |
| US9589399B2 (en) | 2012-07-02 | 2017-03-07 | Synaptics Incorporated | Credential quality assessment engine systems and methods |
| US20140081637A1 (en) * | 2012-09-14 | 2014-03-20 | Google Inc. | Turn-Taking Patterns for Conversation Identification |
| US9275212B2 (en) * | 2012-12-26 | 2016-03-01 | Cellco Partnership | Secure element biometric authentication system |
| EP2958010A1 (en) * | 2014-06-20 | 2015-12-23 | Thomson Licensing | Apparatus and method for controlling the apparatus by a user |
| CN107492379B (zh) * | 2017-06-30 | 2021-09-21 | 百度在线网络技术（北京）有限公司 | 一种声纹创建与注册方法及装置 |
| CN107506629B (zh) * | 2017-07-28 | 2020-02-14 | Oppo广东移动通信有限公司 | 解锁控制方法及相关产品 |
| GB201802309D0 (en) * | 2017-11-14 | 2018-03-28 | Cirrus Logic Int Semiconductor Ltd | Enrolment in speaker recognition system |
| US11216541B2 (en) | 2018-09-07 | 2022-01-04 | Qualcomm Incorporated | User adaptation for biometric authentication |
| US11158325B2 (en) * | 2019-10-24 | 2021-10-26 | Cirrus Logic, Inc. | Voice biometric system |
| US11837238B2 (en) | 2020-10-21 | 2023-12-05 | Google Llc | Assessing speaker recognition performance |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5913192A (en) * | 1997-08-22 | 1999-06-15 | At&T Corp | Speaker identification with user-selected password phrases |
| US6107935A (en) * | 1998-02-11 | 2000-08-22 | International Business Machines Corporation | Systems and methods for access filtering employing relaxed recognition constraints |
| AU2850399A (en) * | 1998-03-03 | 1999-09-20 | Lernout & Hauspie Speech Products N.V. | Multi-resolution system and method for speaker verification |
| US6519565B1 (en) * | 1998-11-10 | 2003-02-11 | Voice Security Systems, Inc. | Method of comparing utterances for security control |
| US6826306B1 (en) * | 1999-01-29 | 2004-11-30 | International Business Machines Corporation | System and method for automatic quality assurance of user enrollment in a recognition system |
| US6691089B1 (en) * | 1999-09-30 | 2004-02-10 | Mindspeed Technologies Inc. | User configurable levels of security for a speaker verification system |
| US6473735B1 (en) * | 1999-10-21 | 2002-10-29 | Sony Corporation | System and method for speech verification using a confidence measure |
| US7356705B2 (en) * | 2001-05-18 | 2008-04-08 | Imprivata, Inc. | Biometric authentication for remote initiation of actions and services |
-
2005
- 2005-03-31 US US11/096,668 patent/US20060222210A1/en not_active Abandoned
- 2005-12-27 CN CNA2005101341911A patent/CN1841402A/zh active Pending
-
2006
- 2006-01-17 JP JP2006009047A patent/JP2006285205A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101197676B (zh) * | 2006-12-04 | 2010-12-08 | 株式会社日立制作所 | 认证系统的管理方法 |
| CN109215643A (zh) * | 2017-07-05 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 一种交互方法、电子设备及服务器 |
| CN109215643B (zh) * | 2017-07-05 | 2023-10-24 | 阿里巴巴集团控股有限公司 | 一种交互方法、电子设备及服务器 |
| CN107871236A (zh) * | 2017-12-26 | 2018-04-03 | 广州势必可赢网络科技有限公司 | 一种电子设备声纹支付方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20060222210A1 (en) | 2006-10-05 |
| JP2006285205A (ja) | 2006-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1841402A (zh) | 用于确定是否接受登记对象的系统、方法以及计算机程序产品 | |
| WO2017215558A1 (zh) | 一种声纹识别方法和装置 | |
| US9792912B2 (en) | Method for verifying the identity of a speaker, system therefore and computer readable medium | |
| US7356168B2 (en) | Biometric verification system and method utilizing a data classifier and fusion model | |
| Gonzalez-Rodriguez et al. | Bayesian analysis of fingerprint, face and signature evidences with automatic biometric systems | |
| US20070219801A1 (en) | System, method and computer program product for updating a biometric model based on changes in a biometric feature of a user | |
| US6681205B1 (en) | Method and apparatus for enrolling a user for voice recognition | |
| US6401063B1 (en) | Method and apparatus for use in speaker verification | |
| US7788101B2 (en) | Adaptation method for inter-person biometrics variability | |
| US6496800B1 (en) | Speaker verification system and method using spoken continuous, random length digit string | |
| Navaz et al. | Face recognition using principal component analysis and neural networks | |
| Ortega-Garcia et al. | Complete signal modeling and score normalization for function-based dynamic signature verification | |
| CN110111798B (zh) | 一种识别说话人的方法、终端及计算机可读存储介质 | |
| JP2016099880A (ja) | 生体認証方法、生体認証プログラム、生体認証装置 | |
| WO2008047136A1 (en) | Biometric matching method and apparatus | |
| WO2017079166A1 (en) | High speed reference point independent database filtering for fingerprint identification | |
| WO2004038532A2 (en) | Apparatus for online signature verification using pattern transform technique and method therefor | |
| CN114398611A (zh) | 一种双模态身份认证方法、装置以及存储介质 | |
| WO2005069221A1 (ja) | パターン識別システム、パターン識別方法、及びパターン識別プログラム | |
| CN1213398C (zh) | 使用行为模型来进行无干扰的说话者验证的方法和系统 | |
| Scheidat et al. | Distance-level fusion strategies for online signature verification | |
| US7162641B1 (en) | Weight based background discriminant functions in authentication systems | |
| Nallagatla et al. | Sequential decision fusion for controlled detection errors | |
| JP2020154061A (ja) | 話者識別装置、話者識別方法およびプログラム | |
| WO2019026415A1 (ja) | 署名照合システム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |