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。