[发明专利]一种用于车辆自动滑移门的声纹身份验证方法

说明书

本发明公开了一种用于车辆自动滑移门的声纹身份验证方法，首先搭建基于改进ECAPA‑TDNN的声纹识别模型，使用了依赖于通道和上下文的注意力机制，关注每个特征图在不同时间步长上的特征属性。通过挤压激励块和Res2Net的结合，构建分层残差连接来处理多尺度特征。此外，在网络的底层引入不同时间上下文大小的多时延单元扫描输入序列，对模型在时间维度上的多尺度特征提取能力进行增强。在模型训练方面，针对训练数据应用了多角度的数据增强策略，以提高预训练模型的鲁棒性；在后端余弦相似度打分部分结合了动态分数归一化方法，减少了注册语音和测试语音之间的得分受到环境差别、语义内容不同等因素的影响。在模型的使用上，通过匹配系统注册阶段和验证阶段获得的声纹嵌入码，计算分数，高于设定阈值则控制门锁有刷电机驱动输出模块执行开锁动作。

技术领域

本发明属于声纹识别技术领域，特别涉及一种用于车辆自动滑移门的声纹身份验证方法。

背景技术

声纹识别是人机交互中身份验证的一种快捷高效的方式，在日常生活中广泛应用于信息安全、金融安全、司法鉴定、电话银行、数据库访问、信息服务、安全控制等领域。使用声纹进行身份认证易用性强，采样简单且接受度广。将声纹识别应用于更复杂和多样化的场景中是当前热门的发展态势。随着汽车电子技术的不断发展，智能化控制场景越来越丰富，为消费者带来了方便快捷的驾乘体验，但更具安全性、便捷性、智能化的解锁控制方式还有待进一步挖掘。目前声纹解锁应用在汽车上面临的最大挑战在于应用场景环境噪音复杂多变，影响模型识别效果。

发明内容

本发明提供了一种用于车辆自动滑移门的声纹身份验证方法，用于解决现有声纹验证系统中声纹识别模型特征提取性能不强、噪声鲁棒性差等技术问题。

本发明采取的技术方案包括如下步骤：

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。

进一步的，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：