[发明专利]一种说话人验证系统及其重放攻击检测方法

说明书

本发明实施例提供一种说话人验证系统及重放攻击检测方法，所述方法包括：分别提取待测语音信号的MGD‑gram特征、STFT‑gram特征和CQT‑gram特征；将所述待测语音信号的MGD‑gram特征、STFT‑gram特征、CQT‑gram特征分别输入到训练好的具有平衡焦点损失函数的第一端到端残差网络模型、第二端到端残差网络模型和第三端到端残差网络模型，分别获得第一得分、第二得分和第三得分；采用确定好的融合方式融合所述第一得分、所述第二得分和所述第三得分，并根据融合后的得分输出重放攻击检测结果。本发明能够提高辨别重放攻击的准确率，且在雨、雾等视觉恶劣自然环境下，相对于利用人脸识别技术验证身份，本发明采用动态特征的声纹+强辨别的反欺骗技术，具有更高的安全性和可靠性。

技术领域

本发明涉及声纹识别技术领域，尤其涉及一种说话人验证系统及其重放攻击检测方法。

背景技术

声纹识别(Voiceprint Recognize)是一项提取说话人声音特征和说话内容信息，自动核验说话人身份的技术。自动说话人验证(Automatic Speaker Verification，ASV)系统是一种采用声纹识别技术验证人身份的生物验证系统。

重放攻击(Replay Attacks)又称重播攻击、回放攻击，是指攻击者发送一个目的主机已接收过的包，来达到欺骗系统的目的，主要用于身份认证过程，破坏认证的正确性。

目前，随着自动说话人验证技术的飞速发展，说话人验证系统在智能助手和银行系统等方面得到广泛应用，但是，其脆弱性也日益突出。特别面对重放攻击，当前的自动说话人验证系统的辨别能力差。更具威胁性的是，重放不需要具备专业技能，只需要一台高质量的录音设备。

经过2017和2019两届ASVspoof挑战赛，目前最先进的反欺骗系统主要遭受两个挑战：一方面，在构建一个包含越来越多特性的系统时，需要选择信息特征表示。选择更少但足够的、互补的特征极其重要。另一方面，大多数研究者广泛使用平衡交叉熵损失函数来辨别重放攻击，但因为训练集、测试集、评估集和真实数据的分布存在差异，辨别效果可能不是最优的。

发明内容

本发明的目的在于提供一种说话人验证系统、说话人验证系统的重放攻击检测方法，能够提高辨别重放攻击的准确率，提高说话人验证系统的安全性和可靠性。

第一方面，本发明实施例提供一种说话人验证系统的重放攻击检测方法，包括：

分别提取待测语音信号的MGD-gram特征、STFT-gram特征和CQT-gram特征；

将所述待测语音信号的MGD-gram特征输入到训练好的具有平衡焦点损失函数的第一端到端残差网络模型，获得第一得分；

将所述待测语音信号的STFT-gram特征输入到训练好的具有平衡焦点损失函数的第二端到端残差网络模型，获得第二得分

将所述待测语音信号的CQT-gram特征输入到训练好的具有平衡焦点损失函数的第三端到端残差网络模型，获得第三得分；

采用确定好的融合方式融合所述第一得分、所述第二得分和所述第三得分，并根据融合后的得分输出重放攻击检测结果。

作为优选方案，通过以下方式训练具有平衡焦点损失函数的端到端残差网络模型：其中，所述具有平衡焦点损失函数的端到端残差网络模型模型的输出为得分；

通过补长/截断的方式对训练集语音信号进行预处理；

提取预处理后的所述训练集语音信号的特征；

将所述特征输入到具有残差连接的CNN模型或者采用具有特征通道建模能力的SENet网络，进行高层次特征的提取；

将所述高层次特征通过非线性全连接层+softmax层，计算所述高层次特征的概率分布；