1.一种基于特征融合的高安全生物哈希密文语音检索方法，其特征在于，该检索方法具体按以下步骤进行：

对于服务端：

1）对输入的语音片段x(t)进行预加重，将预加重后的信号进行分帧和加窗函数平滑处理，得到预处理后语音信号；

2）将预处理后语音信号在离散傅里叶变换下的语音特征和离散傅里叶反变换下的语音特征通过拼接方法融合，得到特征数据库Data；

3）根据K‑means‑KNN算法，将特征数据库Data分为K类，比较类之间的距离，将测试样本分到权重最大的类中；

4）根据改进的Marotto混沌测量矩阵选择不同的密钥，为不同类的特征数据构造单一映射的混沌测量矩阵；然后，使用该混沌测量矩阵与对应类中的特征数据进行迭代，进一步二值化生成生物哈希序列；

5）构建密文语音库

a. 根据SPM混沌映射选择不同的密钥，为不同类的语音片段构造单一映射的且等长的混沌序列sk；

SPM混沌映射由Sine映射和分段线性混沌映射复合而成，如下式所示：其中， 为混沌系统的扰动参数，当参数γ∈(0,1)、η∈(0,1)时，系统处于混沌状态；

PWLCM如下式所示：

其中，当参数 时，系统处于混沌状态；但当时，系统会失去混沌特性；

′

b.将构造的混沌序列sk按照数值大小进行降序排列，得到新的序列sk；

′

c.不同类的语音片段根据与新的序列sk一一映射关系，得到密文语音片段Sk；

6）将一组关键字映像到一个有限的连续的地址集上，并以关键字在地址集中的”象”作为记录在表中的存储位置，这一映像过程为构造哈希索引表；将哈希索引与加密语音Sk同时上传至云端；

对于移动端

a. 对查询语音按照服务端相同的方法构造哈希索引并将其上传到云端；

b. 根据下式进行精确匹配查询：其中， 为归一化汉明距离，又被称为比特误码率(BER)，h1(i)和h2(i)分别为移动端某一语音片段生成的哈希索引和云端的哈希索引；

采用BER的假设检验来对哈希匹配进行描述：W1：如果两个语音片段和感知到的内容相同，那么：D＜τW2：如果两个语音片段和感知到的内容不同，那么：D≥τ其中，τ为阈值；当两个序列之间的BER小于设定的τ时，认证通过；否则，认证失败；

c. 将匹配成功的序列对应于相应的生物哈希序列，再对应密文语音库中相应的密文语音片段，最后进行解密。

2.如权利要求1所述的基于特征融合的高安全生物哈希密文语音检索方法，其特征在于，所述步骤2）中，离散傅里叶变换下的语音特征和离散傅里叶反变换下的语音特征的融合方法：

①将预处理后语音信号分别进行离散傅里叶变换与离散傅里叶反变换；

②将离散傅里叶变换后的语音特征取绝对值；

分别求取离散傅里叶反变换后语音特征的MAMDF函数与自相关函数；

MAMDF函数为改进的短时平均幅度差函数，它通过线性变换把寻找极值改为寻找峰值，如下式所示：

（1）式中， 为第i帧的短时平均幅度差函数， 为线性变换后的短时平均幅度差函数， 为峰值， 为峰值对应的位置；

求出所得峰值的自相关函数，如下式所示：（2）式中， 为自相关函数，ru0为主峰值，ru1为第一个或最大幅峰值；

③将取绝对值后的语音特征、MAMDF函数和自相关函数通过拼接的方法进行融合，得到特征数据Data。

3.如权利要求1所述的基于特征融合的高安全生物哈希密文语音检索方法，其特征在于，所述步骤3）中，特征数据库中训练集X和测试集Y的比例为7︰3。

4.如权利要求1所述的基于特征融合的高安全生物哈希密文语音检索方法，其特征在于，所述步骤4）中，改进的Marotto混沌测量矩阵生成如下：高维离散超混沌系统可以得到随机性和安全性更好的伪随机序列，并依此构造出混沌特性更高的测量矩阵；

四维离散超混沌系统如下式所示：其中， 参数α=4，β=4，χ=3.5，ε=2，δ=4，系统初值[X0,Y0,Z0,W0]=[0.7,0.8,1.5,0.8]，系统为超混沌状态；特别的，其余系统参数保持不变时，当0≤β≤

0.88、1.75≤β≤2.19和2.47≤β≤5，或者，当1.19≤ε≤1.38和1.53≤ε≤5，系统也处于超混沌状态；

改进的Marotto混沌测量矩阵如下式所示：其中， 为四维离散超混沌系统产生的伪随机序列； 为改进的序列；且H＞＞h，d为采样间隔且d=15，Φ为改进的Marotto混沌测量矩阵；Φ′为施密特正交化后的矩阵且为施密特正交化后的值。