[0034] 虽然在低噪音环境中声纹识别准确率可达到95%以上，但是直接从声纹中提取生物密钥依然存在诸多困难。声纹生物特征是依概率进行识别的，从语音信号中提取的声纹特征存在很大的波动性。如果不作处理，直接比较两组声纹特征数字序列，99%的概率没有一个数字是相同的。现有的稳定声纹特征数字序列的方法主要是棋盘法，但其稳定效果有限，提取声纹生物密钥的成功率偏低。本发明提出了在高维空间中稳定声纹特征数字序列的技术，并进一步提出了对稳定后的声纹特征数字序列容错提取的技术。两者结合，可使声纹生物密钥提取成功率达到80%以上。
[0041] S(n)=S1(n)–a*S1(n-1)(0.9
[0042] 2）音框化（Framing）
[0043] 音框化即对语音信号分帧。
[0044] 3）汉明窗（Hamming Windowing）处理
[0045] 假设音框化后的信号为S(n)，n=0，1，…，N-1。那么乘上汉明窗后为:
[0046] S’(n)=S(n)*W(n)
[0047]
[0048] 4）快速傅立叶转换（FFT）
[0049] 对S’(n)实施基2FFT变换，得到线性频谱X(k)。
[0050] 5）三角带通滤波器（Triangle Filters）
[0051] 计算每个滤波器输出的对数能量z(m),m＝0,1,…,Ms-1，计算公式为其中Hm(k)为第m个梅尔尺度的三角形滤波器的频率响应，Ns
为语音信号的点数，一般取256，Ms为三角带通滤波器个数，一般取20。
[0052] 6）离散余弦转换（DCT）
[0053] 对上一步所获得的对数能量进行DCT变换，获得DCT系数数组r[20]，r[]=dct(z[])；
[0054] dct()变换公式为
[0055]
[0056] r[]即一帧语音信号的MFCC参数，一般为20个。
[0057] MFCC系数计算方法为语音信号处理领域通用算法。
[0058] 用MFCC系数训练用户GMM高斯混合模型，取混合数为8～32阶，阶数可由用户根据经验选定，记为N。GMM高斯混合模型如图2所示。图中有N个混合数，每个混合数对应一个高维高斯分布，维数为MFCC参数个数，一般为20；μi为高斯分布的均值向量，∑i为高维高斯分布的协方差矩阵，pi为对应高斯分布在整个GMM高斯混合模型中所占的比例权值，∑pi=1。GMM训练方法采用语音信号处理领域通用算法。
[0059] 第三步，混合数为N的高斯混合模型由N个高维高斯分布组成，取每一个高斯分布的均值向量，组成N×20维的矩阵，20为MFCC系数个数。高斯混合模型对应每一个高维高斯分布有一个权值，组合在一起为1×N维的权值向量，记为λ，用户端存储λ。
[0060] 第四步，将N×20维矩阵（记为S）扩展为2个矩阵，L×L维的随机误差方阵EX，L×L维的标准值方阵EY，L>N and L>20。
[0061] 取矩阵S的N个行向量，求均值，得均值向量EB（1×20维）；
[0062] 设定波动范围Er，如Er=4；为EB增加随机误差扰动，计算公式为
[0063]
[0064] Sj代表S矩阵中的第j行，EXj代表一个行向量；rand(-1,1)函数返回(-1,1)之间的随机数；将EXj以行为单位装配为L×20维的矩阵。
[0065] 构造L-20个非线性函数，输入变量是一维行向量(x1,x2,…,x20)，输出为一维行向量（x1,x2,…,x20，…，xL），L个元素。非线性函数可由用户自行定义，作为示例，可取如下非线性函数
[0066] Z(t)=(x1-x2)×sin(t)+(t^2)×(x3%10)(t为整数，0
[0067] sin(t)三角函数，(t^2)表示t的平方，(x3%10)表示x3模10运算。
[0068] 用构造的Z(t)对EXj进行运算，j遍历1～L，得L×L维矩阵，即随机误差方阵EX。
[0069] EY构造方法为：
[0070] 将均值向量EB重复L行，得L×20维矩阵，记为EYt。用Z(t)对EYtj进行运算，j遍历1～L，得L×L维矩阵，即标准值方阵EY。
[0071] 第五步，求解EX的广义逆矩阵，记为IEX，将IEX左乘矩阵EY得到高维空间投影矩阵PEX=IEX×EY，在用户端存储投影矩阵PEX。
[0072] 第六步，选取标准值方阵EY的前N×D个分量组成矩阵T，1
[0073] 对T的每一个分量进行一次棋盘法运算、正整数转化。
[0074] 棋盘法运算，伪代码为：
[0075] 对T中的每一个元素记为Ti
[0076]
[0077] mod()为取模函数，maxdis标记棋盘法的格子大小，取奇数，具体值可由用户根据经验选定。
[0078] 正整数转化方法为，对Ti四舍五入取整，再取绝对值，得正整数。
[0079] 运算完成得结果矩阵T1。
[0080] 第七步，设定一个n阶的多项式函数，形如f(x)=a0+a1*x+a2*x2+a3*x3+…+an*xn，n为阶数，a0～an∈正整数，其值域范围为0～224，即每个系数有24bit；将矩阵T1的每一个分量代入f(x)，计算后得结果矩阵T2，T2为正整数矩阵。在用户端存储T2及n值。
[0081] 声纹生物密钥训练完成。
[0082] 声纹生物密钥提取流程如图4所示，具体实施步骤为：
[0083] 第一步，用户录取自身语音，3秒左右。
[0084] 第二步，从录取语音中提取MFCC系数（Mel频率倒谱系数）。提取方法与声纹生物密钥训练时一致。
[0085] 依据声纹生物密钥训练时存储的λ，保持GMM高斯混合模型中pi的权值不变，训练用户GMM高斯混合模型，取混合数阶数与声纹生物密钥训练时一致，记为N。训练方法为语音信号处理领域通用方法。
[0086] 第三步，取每一个高斯分布的均值向量，组成N×20维的矩阵。
[0087] 第四步，将N×20维矩阵扩展为N×L维矩阵，记为EC，扩展方法与声纹生物密钥训练阶段扩展方法保持一致。
[0088] 第五步，将EC左乘PEX，得N×L维矩阵，取矩阵前N×D个分量组成矩阵；对矩阵的每一个分量进行一次棋盘法运算及正整数转化，方法与声纹生物密钥训练时一致，得矩阵ED。
[0089] 第六步，从矩阵ED中选取n+2个分量值，排序；从声纹生物密钥训练阶段存储的T2矩阵中选取n+2个分量值，排序；
[0090] 将两组排序结果依次配对，组成（z,f(z)）的形式，z为ED中选取的值，f(z)为T2中选取的值；
[0091] 将n+2个（z,f(z)）对，代入函数f(z)=a0+a1*z+a2*z2+a3*z3+…+an*zn，生成n+2个线性方程，其中，a0～an为n+1个未知数，a0～an∈正整数；
[0092] 如方程组有唯一解，则解得的(a0，a1，a2，a3，。。。，an)组成的数字序列即为提取的声纹生物密钥；如方程组没有唯一解，则从矩阵ED、T2中重新选取n+2个分量，组成（z,f(z)）对，再次尝试解方程组；遍历ED、T2的所有n+2个分量的排列组合，解得声纹生物密钥。密钥序列长度为24×(n+1)bit。
[0093] 本技术领域中的普通技术人员应当认识到，以上实施例仅是用来说明本发明，而并非作为对本发明的限定，只要在本发明的实质范围内，对以上实施例的变化、变型都将落在本发明的保护范围。
