本發(fā)明涉及信號處理技術(shù)領(lǐng)域，特別涉及一種基于聲紋識別的智能鎖的語音識別方法。本發(fā)明還涉及一種基于聲紋識別的智能鎖的語音識別系統(tǒng)。本發(fā)明還涉及一種包括上述語音識別系統(tǒng)的基于聲紋識別的智能鎖。

背景技術(shù)：

隨著入室盜竊事件時常發(fā)生，如何升級家居門鎖，確保室內(nèi)的安全，是人們不得不應(yīng)對的新挑戰(zhàn)。

目前，市面上傳統(tǒng)的家居門鎖基本采用鑰匙解鎖、密碼解鎖，由于鑰匙易丟失、易復(fù)制、特征性不強(qiáng)等特點(diǎn)，同樣的，密碼解鎖存在易遺忘密碼，密碼易泄露的缺點(diǎn)，容易造成資源浪費(fèi)的同時給用戶帶來安全隱患。另外，現(xiàn)有采用其他生物認(rèn)證技術(shù)的智能化設(shè)備如指紋識別，虹膜識別等，成本高，具有接觸性的不便性、不衛(wèi)生，例如指紋識別需要將手指放在傳感器上、虹膜識別需要將眼睛湊近攝像頭，不能提供很好的用戶體驗(yàn)且給用戶造成經(jīng)濟(jì)負(fù)擔(dān)。

在現(xiàn)有技術(shù)中，已經(jīng)出現(xiàn)了基于聲紋識別的智能門鎖。聲紋鎖是基于聲音的模式識別，跟指紋鎖有異曲同工之用。只要主人說出事先設(shè)定的暗語就能把鎖打開，別人即使說出暗語也打不開，這種聲紋鎖辨別聲音的主要依據(jù)是音色。但是，由于大多數(shù)聲紋鎖對聲音的識別和驗(yàn)證往往只采用gmm模型(gaussianmixturemodel，高斯混合模型)方法訓(xùn)練方法，實(shí)驗(yàn)表明，只采用gmm說話人識別模型，在訓(xùn)練和測試時的語音上下文內(nèi)容對識別結(jié)果有很大的影響。當(dāng)非目標(biāo)說話人的識別語音上下文和目標(biāo)說話人識別語音上下文較接近的時候，用該語音進(jìn)行目標(biāo)說話人測試時，錯誤接受的概率會大大的提高。

因此，如何提高聲紋鎖對目標(biāo)說話人的識別率，降低錯誤接受概率，保證門鎖安全性能，是本領(lǐng)域技術(shù)人員亟待解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于聲紋識別的智能鎖的語音識別方法，能夠提高聲紋鎖對目標(biāo)說話人的識別率，降低錯誤接受概率，保證門鎖安全性能。本發(fā)明的另一目的是提供一種基于聲紋識別的智能鎖的語音識別系統(tǒng)和一種包括上述語音識別系統(tǒng)的基于聲紋識別的智能鎖。

為解決上述技術(shù)問題，本發(fā)明提供一種基于聲紋識別的智能鎖的語音識別方法，包括：

提取待驗(yàn)證語音信號對應(yīng)的梅爾倒譜系數(shù)；

將所述梅爾倒譜系數(shù)作為輸入層輸入具有預(yù)設(shè)參數(shù)空間的區(qū)分深度置信網(wǎng)絡(luò)，以獲得所述區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出，并將其作為所述梅爾倒譜系數(shù)的特征向量；

將所述特征向量與各個注冊語音信號預(yù)先構(gòu)建的高斯混合模型進(jìn)行對比，并計(jì)算所述特征向量分別與各個注冊語音信號相匹配的后驗(yàn)概率；

判斷各所述后驗(yàn)概率中的最大值是否大于預(yù)設(shè)閾值，如果是，則待驗(yàn)證語音信號通過驗(yàn)證，并對鎖具進(jìn)行開鎖操作；反之則使鎖具保持鎖定狀態(tài)。

優(yōu)選地，在提取待驗(yàn)證語音信號對應(yīng)的梅爾倒譜系數(shù)之前，還包括：

對智能鎖的注冊人進(jìn)行注冊語音錄入，并對輸入的各個注冊語音信號構(gòu)建高斯混合模型。

優(yōu)選地，對輸入的各個注冊語音信號構(gòu)建高斯混合模型，具體包括：

提取各個注冊語音信號對應(yīng)的梅爾倒譜系數(shù)，并對輸入的各個所述注冊語音信號進(jìn)行預(yù)設(shè)編號綁定；

將各個所述注冊語音信號對應(yīng)的梅爾倒譜系數(shù)作為輸入層，同時將各個所述注冊語音信號綁定的編號作為輸出層，進(jìn)行區(qū)分深度置信網(wǎng)絡(luò)訓(xùn)練，并獲得所述區(qū)分深度置信網(wǎng)絡(luò)的參數(shù)空間；

將各個所述注冊語音信號對應(yīng)的梅爾倒譜系數(shù)輸入所述區(qū)分深度置信網(wǎng)絡(luò)，以獲得所述區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出，并將其作為各個所述注冊語音信號對應(yīng)的梅爾倒譜系數(shù)的特征向量；

將各所述特征向量作為輸入，并以最大期望算法為準(zhǔn)構(gòu)建高斯混合模型。

優(yōu)選地，提取待驗(yàn)證語音信號或各個注冊語音信號對應(yīng)的梅爾倒譜系數(shù)，具體包括：對待驗(yàn)證語音信號或各個注冊語音信號依次進(jìn)行預(yù)加重、加漢明窗、通過維納濾波法進(jìn)行去噪、進(jìn)行快速傅里葉變換、通過三角帶通濾波器進(jìn)行濾波和離散余弦轉(zhuǎn)換。

優(yōu)選地，在將各個所述注冊語音信號對應(yīng)的梅爾倒譜系數(shù)輸入所述區(qū)分深度置信網(wǎng)絡(luò)，以獲得所述區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出后，還包括：

通過公式：

校核所述區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出質(zhì)量，若d的值大于預(yù)設(shè)閾值，則隱層輸出質(zhì)量滿足預(yù)設(shè)要求；

其中，d為區(qū)分度，li為各注冊語音信號對應(yīng)的特征向量的對應(yīng)權(quán)值，si為矩陣s中的元素，s＝sb-sw，sb為類內(nèi)離散度矩陣，sw為類間離散度矩陣。

優(yōu)選地，在提取待驗(yàn)證語音信號對應(yīng)的梅爾倒譜系數(shù)之前，對智能鎖的注冊人進(jìn)行注冊語音錄入之后，還包括：

采集若干個未訓(xùn)練的注音信號；

若當(dāng)前未訓(xùn)練的語音信號的數(shù)量小于預(yù)設(shè)閾值，則將各未訓(xùn)練的語音信號所對應(yīng)的梅爾倒譜系數(shù)輸入所述區(qū)分深度置信網(wǎng)絡(luò)，以修正其參數(shù)空間；

若當(dāng)前未訓(xùn)練的語音信號的數(shù)量超過預(yù)設(shè)閾值，則將各未訓(xùn)練的語音信號所對應(yīng)的梅爾倒譜系數(shù)輸入已修正后的區(qū)分深度置信網(wǎng)絡(luò)，以獲取對應(yīng)的修正特征向量，并利用所述修正特征向量對所述高斯混合模型進(jìn)行修正。

優(yōu)選地，對所述高斯混合模型進(jìn)行修正，具體包括：

設(shè)各個未訓(xùn)練的語音信號分別對應(yīng)t個修正特征向量：

且各個修正特征向量分別對應(yīng)的似然比為：

{k1,k2,k3,...,kt}

則通過公式：

修正高斯混合模型的均值和方差。

本發(fā)明還提供一種基于聲紋識別的智能鎖的語音識別系統(tǒng)，包括：

提取模塊，用于待驗(yàn)證語音信號對應(yīng)的梅爾倒譜系數(shù)；

矯正模塊，用于將所述梅爾倒譜系數(shù)作為輸入層輸入具有預(yù)設(shè)參數(shù)空間的區(qū)分深度置信網(wǎng)絡(luò)，以獲得所述區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出，并將其作為所述梅爾倒譜系數(shù)的特征向量；

計(jì)算模塊，用于將所述特征向量與各個注冊語音信號預(yù)先構(gòu)建的高斯混合模型進(jìn)行對比，并計(jì)算所述特征向量分別與各個注冊語音信號相匹配的后驗(yàn)概率；

驗(yàn)證模塊，用于判斷各所述后驗(yàn)概率中的最大值是否大于預(yù)設(shè)閾值，如果是，則待驗(yàn)證語音信號通過驗(yàn)證，并對鎖具進(jìn)行開鎖操作；反之則使鎖具保持鎖定狀態(tài)。

優(yōu)選地，還包括：

注冊模塊，用于對智能鎖的注冊人進(jìn)行注冊語音錄入；

訓(xùn)練模塊，用于對輸入的各個注冊語音信號構(gòu)建高斯混合模型。

本發(fā)明還提供一種基于聲紋識別的智能鎖，包括聲音采集器、鎖具和如上述兩項(xiàng)中任一項(xiàng)所述的語音識別系統(tǒng)。

本發(fā)明所提供的基于聲紋識別的智能鎖的語音識別方法，主要包括四個步驟，其中，在第一步中，待驗(yàn)證語音信號輸入后，首先對其進(jìn)行預(yù)處理，將待驗(yàn)證語音信號所對應(yīng)的梅爾倒譜系數(shù)提取出來；在第二步中，再聯(lián)合區(qū)分深度置信網(wǎng)絡(luò)對待驗(yàn)證語音信號的梅爾倒譜系數(shù)進(jìn)行深度處理，將該梅爾倒譜系數(shù)作為輸入層輸入到區(qū)分深度置信網(wǎng)絡(luò)中，該區(qū)分深度置信網(wǎng)絡(luò)具有預(yù)設(shè)參數(shù)空間，可以直接獲得區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出，并且將該隱層輸出作為待驗(yàn)證語音信號的梅爾倒譜系數(shù)的特征向量；在第三步中，一般在智能鎖內(nèi)儲存有預(yù)設(shè)的若干個注冊語音信號，并且為了精確分析各個注冊語音信號，各個注冊語音信號均預(yù)先構(gòu)建好了高斯混合模型，如此，在本步驟中，將經(jīng)過預(yù)處理和深度處理后的待驗(yàn)證語音信號與各個注冊語音信號進(jìn)行對比，具體的，即將第二步中獲得的特征向量與各個注冊語音信號對應(yīng)的高斯混合模型進(jìn)行對比，在對比過程中可計(jì)算出該特征向量與各個注冊語音信號相匹配的后驗(yàn)概率；在第四步中，計(jì)算出待驗(yàn)證語音信號與各個注冊語音信號相匹配的后驗(yàn)概率后，為提高識別速率和質(zhì)量，可選擇各個后驗(yàn)概率中的最大值與預(yù)設(shè)閾值相比較，若其中的最大值大于(含等于)預(yù)設(shè)閾值，則說明該后驗(yàn)概率的可信度較高，并且該后驗(yàn)概率所對應(yīng)的待驗(yàn)證語音信號與其相比較的注冊語音信號相匹配的可信度較高，此時，待驗(yàn)證語音信號通過識別驗(yàn)證，可對鎖具進(jìn)行正常開鎖操作，反之，則待驗(yàn)證語音信號未通過識別驗(yàn)證，鎖具保持鎖定狀態(tài)。綜上所述，本發(fā)明所提供的語音識別方法，通過對待驗(yàn)證語音信號的預(yù)處理，獲得其梅爾倒譜系數(shù)，再對該梅爾倒譜系數(shù)導(dǎo)入?yún)^(qū)分深度置信網(wǎng)絡(luò)進(jìn)行深度處理，獲取其特征向量，再將該特征向量與各個注冊語音信號對應(yīng)的高斯混合模型進(jìn)行對比，計(jì)算待驗(yàn)證語音信號的識別概率，相比于現(xiàn)有技術(shù)，本發(fā)明通過區(qū)分深度置信網(wǎng)絡(luò)對待驗(yàn)證語音信號對應(yīng)的梅爾倒譜系數(shù)進(jìn)行矯正，改善了現(xiàn)有技術(shù)中僅使用高斯混合模型對語音文本的依賴性，提高了聲紋鎖對目標(biāo)說話人的識別率，降低錯誤接受概率，保證門鎖安全性能。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明所提供的一種具體實(shí)施方式的流程圖；

圖2為本發(fā)明所提供的一種具體實(shí)施方式的模塊圖；

圖3為本發(fā)明所提供的一種具體實(shí)施方式的結(jié)構(gòu)圖；

圖4為圖3的內(nèi)部結(jié)構(gòu)示意圖。

其中，圖2—4中：

提取模塊—1，矯正模塊—2，計(jì)算模塊—3，驗(yàn)證模塊—4，注冊模塊—5，訓(xùn)練模塊—6，聲音采集器—7，按鍵—8，顯示屏—9，語音提示器—10，存儲器—11，鎖具—12，控制器—13。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請參考圖1，圖1為本發(fā)明所提供的一種具體實(shí)施方式的流程圖。

在本發(fā)明所提供的一種具體實(shí)施方式中，基于聲紋識別的智能鎖的語音識別方法，主要包括四個步驟，分別為：提取待驗(yàn)證語音信號對應(yīng)的梅爾倒譜系數(shù)；將梅爾倒譜系數(shù)作為輸入層輸入具有預(yù)設(shè)參數(shù)空間的區(qū)分深度置信網(wǎng)絡(luò)，以獲得區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出，并將其作為梅爾倒譜系數(shù)的特征向量；將特征向量與各個注冊語音信號預(yù)先構(gòu)建的高斯混合模型進(jìn)行對比，并計(jì)算特征向量分別與各個注冊語音信號相匹配的后驗(yàn)概率；判斷各后驗(yàn)概率中的最大值是否大于預(yù)設(shè)閾值，如果是，則待驗(yàn)證語音信號通過驗(yàn)證，并對鎖具進(jìn)行開鎖操作；反之則使鎖具保持鎖定狀態(tài)。

其中，在第一步中，待驗(yàn)證語音信號輸入后，首先對其進(jìn)行預(yù)處理，將待驗(yàn)證語音信號所對應(yīng)的梅爾倒譜系數(shù)提取出來。具體的，該本步驟中，對待驗(yàn)證語音信號的預(yù)處理具體包括：依次對待驗(yàn)證語音信號進(jìn)行預(yù)加重、加漢明窗、通過維納濾波法進(jìn)行去噪、進(jìn)行快速傅里葉變換、通過三角帶通濾波器進(jìn)行濾波和離散余弦轉(zhuǎn)換操作，之后即可獲得梅爾倒譜系數(shù)(mel-frequencycepstralcoefficients，mfcc)。

在第二步中，再聯(lián)合區(qū)分深度置信網(wǎng)絡(luò)對待驗(yàn)證語音信號的梅爾倒譜系數(shù)進(jìn)行深度處理，將該梅爾倒譜系數(shù)作為輸入層輸入到區(qū)分深度置信網(wǎng)絡(luò)中，該區(qū)分深度置信網(wǎng)絡(luò)具有預(yù)設(shè)參數(shù)空間，可以直接獲得區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出，并且將該隱層輸出作為待驗(yàn)證語音信號的梅爾倒譜系數(shù)的特征向量。

在第三步中，一般在智能鎖內(nèi)儲存有預(yù)設(shè)的若干個注冊語音信號，并且為了精確分析各個注冊語音信號，各個注冊語音信號均預(yù)先構(gòu)建好了高斯混合模型，如此，在本步驟中，將經(jīng)過預(yù)處理和深度處理后的待驗(yàn)證語音信號與各個注冊語音信號進(jìn)行對比，具體的，即將第二步中獲得的特征向量與各個注冊語音信號對應(yīng)的高斯混合模型進(jìn)行對比，在對比過程中可計(jì)算出該特征向量與各個注冊語音信號相匹配的后驗(yàn)概率。

在第四步中，計(jì)算出待驗(yàn)證語音信號與各個注冊語音信號相匹配的后驗(yàn)概率后，為提高識別速率和質(zhì)量，可選擇各個后驗(yàn)概率中的最大值與預(yù)設(shè)閾值相比較，若其中的最大值大于(含等于)預(yù)設(shè)閾值，則說明該后驗(yàn)概率的可信度較高，并且該后驗(yàn)概率所對應(yīng)的待驗(yàn)證語音信號與其相比較的注冊語音信號相匹配的可信度較高，此時，待驗(yàn)證語音信號通過識別驗(yàn)證，可對鎖具進(jìn)行正常開鎖操作，反之，則待驗(yàn)證語音信號未通過識別驗(yàn)證，鎖具保持鎖定狀態(tài)。

綜上所述，本實(shí)施例所提供的語音識別方法，通過對待驗(yàn)證語音信號的預(yù)處理，獲得其梅爾倒譜系數(shù)，再對該梅爾倒譜系數(shù)導(dǎo)入?yún)^(qū)分深度置信網(wǎng)絡(luò)進(jìn)行深度處理，獲取其特征向量，再將該特征向量與各個注冊語音信號對應(yīng)的高斯混合模型進(jìn)行對比，計(jì)算待驗(yàn)證語音信號的識別概率，相比于現(xiàn)有技術(shù)，本實(shí)施例通過區(qū)分深度置信網(wǎng)絡(luò)對待驗(yàn)證語音信號對應(yīng)的梅爾倒譜系數(shù)進(jìn)行矯正，改善了現(xiàn)有技術(shù)中僅使用高斯混合模型對語音文本的依賴性，提高了聲紋鎖對目標(biāo)說話人的識別率，降低錯誤接受概率，保證門鎖安全性能。

為方便待驗(yàn)證語音信號與注冊語音信號的對比，在進(jìn)行驗(yàn)證步驟之前，還需首先進(jìn)行注冊步驟。如此，在提取待驗(yàn)證語音對應(yīng)的梅爾倒譜系數(shù)之前，還包括步驟：對智能鎖的注冊人進(jìn)行注冊語音錄入，并對輸入的各個注冊語音信號構(gòu)建高斯混合模型。

具體的，注冊人(即智能鎖的擁有者)可對智能鎖按照提示文本說出若干段語音，比如兩段對應(yīng)同一文本的語音等，然后智能鎖將其錄入并保存，錄入之后，首先可按照與待驗(yàn)證識別信號的相同處理方法進(jìn)行處理，即提取各個注冊語音信號對應(yīng)的梅爾倒譜系數(shù)，然后可對各個注冊語音信號所對應(yīng)的梅爾倒譜系數(shù)與預(yù)設(shè)編號進(jìn)行綁定，以便后續(xù)步驟中的辨識和匹配。優(yōu)選地，該編號可由注冊人進(jìn)行手動輸入，若輸入的編號已經(jīng)存在，則智能鎖提醒用戶重新輸入新的編號。

之后，在注冊語音信號的編號綁定結(jié)束后，可對各個注冊語音信號進(jìn)行深度處理和矯正，以提高信號質(zhì)量和高清晰辨識度。具體的，可聯(lián)合區(qū)分深度置信網(wǎng)絡(luò)模式(ddbn，divisiondeepbeliefnetwork，dbn)，將各個注冊語音信號所對應(yīng)的梅爾倒譜系數(shù)作為輸入層，同時將各個注冊語音信號所綁定的編號作為輸出層，以此進(jìn)行區(qū)分深度置信網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練完成后即可獲得該區(qū)分深度置信網(wǎng)絡(luò)的參數(shù)空間。

接著，在區(qū)分深度置信網(wǎng)絡(luò)訓(xùn)練完成后，即可將各個注冊語音信號所對應(yīng)的梅爾倒譜系數(shù)輸入到該區(qū)分深度置信網(wǎng)絡(luò)，以獲得該區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出，同時可將該隱層輸出作為各個注冊語音信號所對應(yīng)的梅爾倒譜系數(shù)的特征向量。如此，通過區(qū)分深度置信網(wǎng)絡(luò)對各個注冊語音信號進(jìn)行深度處理，對其對應(yīng)的梅爾倒譜系數(shù)進(jìn)行矯正，提高各個注冊語音信號的高清晰度和高辨識度。

最后，即可將各個注冊語音信號經(jīng)過區(qū)分深度置信網(wǎng)絡(luò)矯正后獲得的特征向量作為輸入，以此構(gòu)建高斯混合模型，同時，為提高精確性和分析質(zhì)量，在構(gòu)建高斯混合模型時，可以最大期望算法為準(zhǔn)則進(jìn)行構(gòu)建。同時，在高斯混合模型構(gòu)建完成之后，智能鎖還可將高斯混合模型與對應(yīng)編號進(jìn)行綁定，并且將訓(xùn)練好的高斯混合模型進(jìn)行存儲。

另外，在驗(yàn)證階段，計(jì)算待驗(yàn)證語音信號與各個注冊語音信號相匹配的后驗(yàn)概率時，具體的，可設(shè)待驗(yàn)證語音信號對應(yīng)的梅爾倒譜系數(shù)的特征向量為注冊語音信號集合數(shù)量為n，其中一個注冊語音信號n，對應(yīng)的高斯混合模型為λn，待驗(yàn)證語音信號是注冊語音信號n的后驗(yàn)概率為：

其中，p(λn)為第n個注冊語音信號輸入的先驗(yàn)概率，為在所有語音信號同時輸入的條件下特征向量的概率。

最后識別結(jié)果由最大后驗(yàn)概率準(zhǔn)則給出識別結(jié)果，即：

一般的，由于各個語音信號的先驗(yàn)概率都是未知的，可設(shè)其相等，即：

另外，對于一個確定的觀察特征矢量是一個對所有語音信號都相等的確定的常數(shù)。因此，求取最大后驗(yàn)概率的問題轉(zhuǎn)化為求取最大似然度的問題，即：

為了使模型更具備一般性，可采用對數(shù)似然比作為判斷標(biāo)準(zhǔn)。設(shè)選取注冊語音信號n*時待驗(yàn)證語音信號取得最大后驗(yàn)概率，對應(yīng)的高斯混合模型為其他注冊語音信號的高斯混合模型為則對數(shù)似然比為：

其中，可以是任意選擇的一個其他注冊語音信號的高斯混合模型，也可以遍歷所有的注冊語音信號的高斯混合模型。前者只需要求出的對數(shù)似然比大于閾值k即可，后者需要所有求出的對數(shù)似然比均大于k才能確認(rèn)待驗(yàn)證語音信號和注冊語音信號屬同一個人。

進(jìn)一步的，若對數(shù)似然比大于k*，其中k*>k，說明該段語音信號為優(yōu)質(zhì)語音信號，將對應(yīng)的梅爾倒譜系數(shù)標(biāo)注未訓(xùn)練標(biāo)志，綁定注冊人編號和對數(shù)似然比，并且，智能鎖將待驗(yàn)證語音信號的梅爾倒譜系數(shù)進(jìn)行儲存。

另外，考慮到高斯混合模型對訓(xùn)練數(shù)據(jù)量往往存在較高要求，若數(shù)據(jù)量不足的話，會大幅影響系統(tǒng)性能和精確度。為此，本實(shí)施例在提取待驗(yàn)證語音信號對應(yīng)的梅爾倒譜系數(shù)之前，以及智能鎖的注冊人進(jìn)行注冊語音錄入之后，增設(shè)了訓(xùn)練數(shù)據(jù)量采集步驟。

具體的，在智能鎖處于非注冊階段和非驗(yàn)證階段時，采集注冊人的若干個未訓(xùn)練的語音信號，當(dāng)前未訓(xùn)練的語音信號的數(shù)量小于預(yù)設(shè)閾值，比如小于50個時，可將各個未訓(xùn)練的語音信號所對應(yīng)的梅爾倒譜系數(shù)直接作為訓(xùn)練數(shù)據(jù)輸入?yún)^(qū)分深度置信網(wǎng)絡(luò)，對其參數(shù)空間進(jìn)行修正，以提高區(qū)分深度置信網(wǎng)絡(luò)對待驗(yàn)證語音信號和注冊語音信號的梅爾倒譜系數(shù)的矯正精確度。同時，若采集了足夠的未訓(xùn)練的語音信號時，比如超過50個時，可將各個未訓(xùn)練的語音信號所對應(yīng)的梅爾倒譜系數(shù)輸入已修正后的區(qū)分深度置信網(wǎng)絡(luò)，以獲取各個未訓(xùn)練的語音信號的梅爾倒譜系數(shù)所對應(yīng)的特征向量，同時利用該特征向量對前述已經(jīng)構(gòu)建好的高斯混合模型進(jìn)行修正。

具體的，在對高斯混合模型進(jìn)行修正時，可設(shè)各個未訓(xùn)練的語音信號分別t個修正特征向量：

同時，可各個修正特征向量分別對應(yīng)的似然比為：

{k1，k2,k3,...,kt}

最后，可通過公式：

對已經(jīng)構(gòu)建好的高斯混合模型進(jìn)行均值和方差修正，其中，li為各個特征向量或修正特征向量所對應(yīng)的權(quán)值。

不僅如此，考慮到無論是待驗(yàn)證語音信號還是注冊語音信號，在聯(lián)合區(qū)分深度置信網(wǎng)絡(luò)進(jìn)行對應(yīng)的梅爾倒譜系數(shù)矯正時，區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出直接影響到特征向量的精確性，為此，本實(shí)施例中增設(shè)了對區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出的質(zhì)量檢測步驟。

具體的，可通過公式：

校核區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出質(zhì)量。

具體的，可以類間距離最大，類內(nèi)距離最小為衡量標(biāo)準(zhǔn)，定義區(qū)分度d。設(shè)注冊語音信號有k個，以注冊語音信號n為例，該注冊語音信號擁有特征向量c個，每個特征向量對應(yīng)的權(quán)值為li，則注冊語音信號n特征向量的平均權(quán)值為：

定義矩陣s＝sb-sw，si為矩陣s中元素，其中，sb為類內(nèi)離散度矩陣，sw是類間離散度矩陣。如此，d越大，說明隱含層所提取的特征分量質(zhì)量越好，反之則越小。若d的值大于預(yù)設(shè)閾值，則說明隱層輸出質(zhì)量滿足預(yù)設(shè)要求。

如圖2所示，圖2為本發(fā)明所提供的一種具體實(shí)施方式的模塊圖。

本實(shí)施例還提供一種基于聲紋識別的智能鎖的語音識別系統(tǒng)，主要包括提取模塊1、矯正模塊2、計(jì)算模塊3和驗(yàn)證模塊4。其中，提取模塊1主要用于待驗(yàn)證語音信號對應(yīng)的梅爾倒譜系數(shù)。矯正模塊2主要用于將所述梅爾倒譜系數(shù)作為輸入層輸入具有預(yù)設(shè)參數(shù)空間的區(qū)分深度置信網(wǎng)絡(luò)，以獲得所述區(qū)分深度置信網(wǎng)絡(luò)的隱層輸出，并將其作為所述梅爾倒譜系數(shù)的特征向量。計(jì)算模塊3主要用于將所述特征向量與各個注冊語音信號預(yù)先構(gòu)建的高斯混合模型進(jìn)行對比，并計(jì)算所述特征向量分別與各個注冊語音信號相匹配的后驗(yàn)概率。驗(yàn)證模塊4主要用于判斷各所述后驗(yàn)概率中的最大值是否大于預(yù)設(shè)閾值，如果是，則待驗(yàn)證語音信號通過驗(yàn)證，并對鎖具12進(jìn)行開鎖操作；反之則使鎖具12保持鎖定狀態(tài)。

該語音識別系統(tǒng)的語音識別方法與前述相關(guān)內(nèi)容相同，此處不再贅述。

另外，本實(shí)施例中還增設(shè)了注冊模塊5和訓(xùn)練模塊6。其中，注冊模塊5主要用于對智能鎖的注冊人進(jìn)行注冊語音錄入，而訓(xùn)練模塊6與注冊模塊5信號連接，主要用于對輸入的各個注冊語音信號構(gòu)建高斯混合模型。

如圖3和圖4所示，圖3為本發(fā)明所提供的一種具體實(shí)施方式的結(jié)構(gòu)圖，圖4為圖3的內(nèi)部結(jié)構(gòu)示意圖。

本實(shí)施例還提供一種基于聲紋識別的智能鎖，主要包括聲音采集器7、鎖具12、按鍵8、顯示屏9、語音提示器10、存儲器11、控制器13和語音識別系統(tǒng)。其中，語音識別系統(tǒng)與上述相關(guān)內(nèi)容相同，此處不再贅述。而聲音采集器7主要用于收集語音信號，鎖具12可為電磁鎖，而按鍵8主要用于供用戶輸入數(shù)字編號等，顯示屏9主要用于為用戶提供反饋信息，比如語音文本、編號重新輸入等，語音提示器10主要用于為用戶提供反饋信息，比如語音文本聲音信息等，存儲器11主要用于存儲注冊語音信號或待驗(yàn)證語音信號的梅爾倒譜系數(shù)所對應(yīng)的編號等，控制器13主要用于在識別系統(tǒng)的識別結(jié)果的控制下，控制鎖具12進(jìn)行解鎖操作或保持鎖定操作。

對所公開的實(shí)施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實(shí)施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。