1.一种基于特征融合的长序列生物哈希认证方法，其特征在于，该认证方法具体按以下步骤进行：

注册阶段：

步骤1：对输入的语音信号s(n)进行预加重后，再进行分帧加窗处理，预加重语音信号x(n)被分为N帧，得到处理后信号x(n,m)；其中，n(n=1,2,…,N)为帧的索引号，m(m=1,2,…,N)为每帧数据的索引号；

步骤2：鲁棒特征提取

1.MFCC特征提取

通过离散傅里叶变换将处理后信号转换为频域信号 ，然后，求功率谱并进行Mel滤波器变换，得到Mel谱Pn={P(n,l1)︱n =1,2,…,N；l1=1,2,…,L1}；对Mel谱取对数并进行离散余弦变换（DCT），得梅尔倒谱系数MFCCn={MFCC(n,i)︱=1,

2,…,N；i=1,2,…,L1}；

2.CQCC特征提取

对处理后信号进行恒Q变换，得变换后的频谱信号 ；

然后，求功率谱、取对数和均匀采样,得到变换后特征Rn={R(n,l2)︱=1,2,…,N；l2=1,2,…,L2}；再进行离散余弦变换，得恒Q倒谱系数CQCCn={CQCC(n,j)︱n =1,2,…,N；j=1,2,…, J2}；

3.求相邻帧空间余弦值

将提取的MFCC特征值和CQCC特征值统一设为MQ(n,i)(n=1,2,…,N；i=1,2,…,L)，且L=L1=L2；对MFCC特征值和CQCC特征值的行向量分别求均值MQ(i) (i=1,2,…,L)和MQ1(i) (i=

1,2,…,L)，然后将MQ(i)和MQ1(i)进行矩阵拼接，得矩阵Λ1=[MQ1MQ]、Λ2=[MQMQ1]，对矩阵Λ1和矩阵Λ2的每一列均求余弦值，得到生物特征向量F(n)(n=1,2,…,Np)；

步骤3：通过2D‑SIMM产生一个伪随机矩阵，对伪随机矩阵进行施密特正交化，得到正交集矩阵；

步骤4：构造生物安全模板

提取正交集矩阵中的行向量，得正交行向量V1(n) (n=1,2,…,Np)；将生物特征向量F(n)与正交行向量V1(n)点乘，得到方阵Ψ(n,n)；

*

对方阵Ψ(n,n)进行混沌移位，得到加密后方阵Ψ(n,n)；将正交集矩阵中行向量V2(n) *

(n=1,2,…,Np)对加密后方阵Ψ(n,n)进行投影降维，得到生物安全模板W(n)；

*

W(n)= V2(n)·Ψ(n,n)=[ W(1), W(2),…, W(Np)]步骤5：二值化处理生物安全模板W(n)，生成一维二进制生物哈希长序列h(n)，其中，设h(1)=0，h(n)为每一帧生物哈希值；

然后将生物哈希长序列h(n)存储到云端，完成注册阶段；

认证阶段：

步骤1：认证用户提供认证语音，将该认证语音经过注册阶段的步骤1～步骤5，得到生物哈希长序列H(n)；

步骤2：通过汉明距离计算认证语音得到的生物哈希长序列H(n)与储存在云端的生物哈希长序列h(n)的误码率BER(h,H)：式中，⊕是异或逻辑运算，Np为生物哈希序列的长度；

利用BER假设检验来描述哈希匹配：T0：如果两个语音片段的生物哈希长序列h(n)和生物哈希长序列H(n)具有相同的内容，则：BER(h, H)≤τ，认证通过；

T1：如果两个语音片段的生物哈希长序列h(n)和生物哈希长序列H(n)具有不同的内容，则：BER(h, H)＞τ，认证失败；

其中，τ表示感知认证阈值；

步骤3：将认证的结果反馈给认证用户。

2.如权利要求1所述的基于特征融合的长序列生物哈希认证方法，其特征在于，将方阵*

Ψ(n,n)的行和列都移动0.5N（N代表哈希序列的长度）位，得到加密后方阵Ψ(n,n)。

3.如权利要求1所述的基于特征融合的长序列生物哈希认证方法，其特征在于，为了评估认证方法的性能，由下面两个公式分别计算误识率和误拒率；

式中：τ为感知认证阈值；μ为BER均值；σ为BER标准差；一般采用FRR和FAR来评价认证方法的鲁棒性和区分性；FRR值越低，感知鲁棒性越强；FAR值越低，区分性越好。