[发明专利]一种用于车辆自动滑移门的声纹身份验证方法

权利要求书

1.一种用于车辆自动滑移门的声纹身份验证方法，其特征在于，包括以下步骤：

步骤1：搭建基于改进ECAPA-TDNN的声纹识别网络模型。

步骤2：使用大规模数据集进行训练并测试。

步骤3：注册阶段。声纹识别模型对车主授权的录入语音进行处理，并保存说话人声纹嵌入码。

步骤4：验证阶段。在车外拾音系统激活时，录入被测说话人语音并处理，将得到的声纹嵌入码与步骤3中已注册的声纹嵌入码进行相似度匹配，若判定为同一说话人，则控制门锁有刷电机驱动输出模块执行开锁动作。

2.根据权利要求1所述的声纹验证系统设计方法，其特征在于，在步骤1中，还包括：

步骤1-1：对于输入网络的语音Fbank特征，其向量维度为M×T，其中M为特征维度，T为语音段时长。

步骤1-2：使用卷积核分别为3、4、5的TDNN网络对步骤1-1所述Fbank特征进行一维卷积。可选的，生成通道数为512的3个特征向量，对所得特征再分别进行一次卷积核为3的一维卷积，输出特征维度为3×512×T，对三个特征在通道维度拼接，得到特征维度为1536×T。

步骤1-3：将前一步所得特征输入SE-Res2Net单元中，输出特征维度为1024×T。所述SE-Res2Net单元的主体是由Conv1d+ReLU+BN、Res2Net模块和基于通道注意力机制的挤压激励(SE)模块组成。所述Res2Net模块将输入特征映射按通道维度均匀切分为s个子集，记为x_i，其中i∈{1,2,…,s}。x₁不做处理直接映射到y₁上，其余每个x_i分别经过不同的3×3卷积核K_i。从i＝3开始，将x_i与K_i-1(x_i-1)相加输入K_i。输出y_i可以表示为：

所述SE模块首先进行压缩操作，为每一个通道生成一个描述符，得到一个帧级特征的均值向量z，表达式为：

式中h_t表示每个特征的embedding向量。然后进行激励操作，使用z中的描述符来计算每个通道的权重，即：

s＝σ(W₂f(W₁z+b₁）+b₂)

式中σ(·)为softmax激活函数，f(·)为ReLU激活函数，W₁∈R^R×C，W₂∈R^C×R，C为通道数，R为降维数。b₁，b₂为偏移量。向量s包含介于0和1之间的权值s_c，这些权重通过乘法作用于之前的特征矩阵h_c上，可得到通道加权的特征输出为：

步骤1-4：再重复步骤1-3所述步骤两次，连续经过三次SE-Res2Net单元处理的特征向量维度保持1024×T。将三次SE-Res2Net单元的输出按通道维度拼接得到特征向量维度为(3×1024)×T。使用一层全连接层使其维度降至1536×T。

步骤1-5：使用依赖于通道和上下文的注意力统计池化层，本质是计算加权平均值和加权标准差，首先计算标量分数e_tc，公式为：

其中，h^t是前一层网络在时间步t的激活值，权重矩阵W∈W^R×C和偏差b∈R^R×1将h₁从C维通道投影到一个较小的R维通道表示中，以减少参数数量，降低过拟合风险。意味着由激活函数f(·)得到的R维向后投影到C维空间表示中。接下来对e_tc应用Softmax变换便可以得到通道c上时量经过线性变换间步t的注意力分数：

通道c上的加权平均向量和加权标准差向量计算公式为：

注意力统计池化的最终输出为和合并后的向量。特征维度为3072×1。

步骤1-6：将前一步所述输出经过全连接层降维至192×1。此特征向量就是表征输入语音段深度声纹信息的嵌入码。在训练模型时，嵌入码后再接全连接层进行分类，分类数量为训练集中说话者数量。