用户验证方法和设备及说话者验证方法和设备技术

公开了用户验证方法和设备及说话者验证方法和设备，其中，用户验证方法包括：基于与用户对应的输入数据生成与用户对应的特征向量；确定表示特征向量和注册的用于用户验证的注册特征向量之间的相似性的第一参数；确定表示特征向量和与广义用户对应的用户模型之间的相似性的第二参数；并且基于所述第一参数和所述第二参数验证用户。

【技术实现步骤摘要】
用户验证方法和设备及说话者验证方法和设备本申请要求于2018年12月27日在韩国知识产权局提交的第10-2018-0170905号韩国专利申请的权益，所述韩国专利申请的全部公开出于所有目的通过引用包含于此。
下面的描述涉及一种使用广义用户模型的用户验证方法和设备。
技术介绍
最近，为了将输入模式分类为属于组的成员，研究人员正在积极地开展对应用高效和准确的模式识别的方法的研究。这样一个研究领域集中在通过数学表达式对用于模式识别的特性进行建模的人工神经网络。为了将输入模式分类为属于组的成员，神经网络采用算法。通过这种算法，神经网络可生成输入模式和输出模式之间的映射。生成这种映射的能力可被称为神经网络的学习能力。此外，神经网络可具有基于先前学习的结果生成相对于尚未用于学习的输入模式的相对准确的输出的泛化能力。目前，对用户验证的需求正在增加。然而，当前用户验证的可靠性相对低，难以满足对用户验证的不断增长的需求。
技术实现思路
提供本
技术实现思路
以简化的形式介绍在以下具体实施方式中进一步描述的构思的选择。本
技术实现思路
不意在辨识要求权利的主题的关键特征或必要特征，也不意在用于帮助确定要求权利的主题的范围。在一个总体方面，提供一种用户验证方法，包括：基于与用户对应的输入数据生成与用户对应的特征向量；确定表示特征向量和注册的用于用户验证的注册特征向量之间的相似性的第一参数；确定表示特征向量和与广义用户对应的用户模型之间的相似性的第二参数；并且基于所述第一参数和所述第二参数生成用户的验证结果。用户模型可包括通过对与广义用户对应的广义特征向量进行聚类而获得的特征聚类。确定所述第二参数的步骤可包括：基于特征向量和每个特征聚类之间的相似性选择特征聚类的一部分作为代表特征聚类；并且基于特征向量和代表特征聚类之间的相似性确定所述第二参数。确定所述第二参数的步骤可包括：基于可包括特征向量和高斯分布的高斯混合模型(GMM)确定所述第二参数，并且高斯分布可对应于表示广义用户的广义特征向量的分布。确定所述第二参数的步骤可包括：使用被训练为输出网络输入和用户模型之间的相似性的神经网络确定所述第二参数。生成特征向量的步骤可包括：通过使用被训练为从输入提取特征的神经网络从输入数据提取特征来生成特征向量。生成用户的验证结果的步骤可包括：基于所述第一参数和所述第二参数确定置信度得分；并且通过比较置信度得分和阈值获得用户的验证结果。置信度得分可响应于特征向量和注册特征向量之间的相似性的增大而增大，并且可响应于特征向量和用户模型之间的相似性的增大而减小。生成用户的验证结果的步骤可包括：基于所述第二参数确定阈值；并且通过比较与所述第一参数对应的置信度得分和阈值生成用户的验证结果。阈值可响应于特征向量和用户模型之间的相似性的增大而增大。所述第一参数可响应于特征向量和注册特征向量之间的距离的减小而增大，并且所述第二参数可响应于特征向量和用户模型之间的距离的减小而增大。在另一个总体方面，提供一种说话者验证方法，包括：通过从与用户对应的语音数据提取特征生成与用户对应的特征向量；确定表示特征向量和注册的用于用户验证的注册特征向量之间的相似性的第一参数；确定表示特征向量和与广义用户对应的用户模型之间的相似性的第二参数；并且基于所述第一参数和所述第二参数生成用户的验证结果。注册特征向量可基于由注册用户输入的语音数据。特征向量可包括用于识别用户的信息，并且注册特征向量可包括用于识别注册用户的信息。用户模型可包括通过对与广义用户对应的广义特征向量进行聚类而获得的特征聚类。确定所述第二参数的步骤可包括：基于可包括特征向量和高斯分布的高斯混合模型(GMM)确定所述第二参数，并且高斯分布可对应于表示广义用户的广义特征向量的分布。确定所述第二参数的步骤可包括：使用被训练为输出网络输入和用户模型之间的相似性的神经网络确定所述第二参数。生成用户的验证结果的步骤可包括：基于所述第一参数和所述第二参数确定置信度得分；并且通过比较置信度得分和阈值获得用户的验证结果。生成用户的验证结果的步骤可包括：基于所述第二参数确定阈值；并且通过比较与所述第一参数对应的置信度得分和阈值生成用户的验证结果。在另一个总体方面，提供一种用户验证设备，包括：处理器，被配置为：基于由用户输入的输入数据生成与用户对应的特征向量；确定表示特征向量和注册的用于用户验证的注册特征向量之间的相似性的第一参数；确定表示特征向量和与广义用户对应的用户模型之间的相似性的第二参数；并且基于所述第一参数和所述第二参数生成用户的验证结果。用户模型可包括通过对与广义用户对应的广义特征向量进行聚类而获得的特征聚类。处理器可被配置为：基于特征向量和每个特征聚类之间的相似性选择特征聚类的一部分作为代表特征聚类；并且基于特征向量和代表特征聚类之间的相似性确定所述第二参数。处理器可被配置为：基于包括特征向量和高斯分布的高斯混合模型(GMM)确定所述第二参数，并且高斯分布对应于表示广义用户的广义特征向量的分布。处理器可被配置为：使用基于被训练为输出网络输入和用户模型之间的相似性的神经网络进行操作的比较器来确定所述第二参数。处理器可被配置为：通过使用被训练为从输入提取特征的神经网络从输入数据提取特征来生成特征向量。处理器可被配置为：基于所述第一参数和所述第二参数确定置信度得分，并且通过比较置信度得分和阈值获得用户的验证结果。处理器可被配置为：基于所述第二参数确定阈值，并且通过比较与所述第一参数对应的置信度得分和阈值生成用户的验证结果。所述设备可包括：存储指令的存储器，当所述指令被执行时，将处理器配置为：生成特征向量，确定所述第一参数，确定所述第二参数，并且生成验证结果。在另一个总体方面，提供一种说话者验证设备，包括：处理器，所述处理器被配置为：通过从与用户对应的语音数据提取特征生成与用户对应的特征向量；确定表示特征向量和注册的用于用户验证的注册特征向量之间的相似性的第一参数；确定表示特征向量和与广义用户对应的用户模型之间的相似性的第二参数；并且基于所述第一参数和所述第二参数生成用户的验证结果。注册特征向量可基于由注册用户输入的语音数据。所述设备可包括：存储指令的存储器，当所述指令被执行时，将所述处理器配置为：生成特征向量，确定所述第一参数，确定所述第二参数，并且生成验证结果。在另一个总体方面，提供一种电子装置，包括：传感器，被配置为从用户接收输入；存储器，被配置为存储输入、用于用户验证的注册特征向量、与广义用户对应的用户模型和指令；以及处理器，被配置为：执行所述指令以实现被配置为从输入提取与用户对应的特征向量的特征提取器，实现被配置为确定表示特征向量和注册特征向量之间的相似性的第一参数的第一比较器，实现被配置为确定表示特征向量和用户模型之间的相似性的第二参数的第二比较器，并且基于所述第一参数和所述第二参数验证用户。<本文档来自技高网...

【技术保护点】
1.一种用户验证方法，所述用户验证方法包括：/n基于与用户对应的输入数据生成与用户对应的特征向量；/n确定表示特征向量和注册的用于用户验证的注册特征向量之间的相似性的第一参数；/n确定表示特征向量和与广义用户对应的用户模型之间的相似性的第二参数；并且/n基于所述第一参数和所述第二参数生成用户的验证结果。/n

【技术特征摘要】
20181227 KR 10-2018-01709051.一种用户验证方法，所述用户验证方法包括：
基于与用户对应的输入数据生成与用户对应的特征向量；
确定表示特征向量和注册的用于用户验证的注册特征向量之间的相似性的第一参数；
确定表示特征向量和与广义用户对应的用户模型之间的相似性的第二参数；并且
基于所述第一参数和所述第二参数生成用户的验证结果。


2.根据权利要求1所述的用户验证方法，其中，用户模型包括通过对与广义用户对应的广义特征向量进行聚类而获得的特征聚类。


3.根据权利要求2所述的用户验证方法，其中，确定所述第二参数的步骤包括：
基于特征向量和每个特征聚类之间的相似性选择特征聚类的一部分作为代表特征聚类；并且
基于特征向量和代表特征聚类之间的相似性确定所述第二参数。


4.根据权利要求1所述的用户验证方法，其中，确定所述第二参数的步骤包括：基于包括特征向量和高斯分布的高斯混合模型确定所述第二参数，并且
高斯分布对应于表示广义用户的广义特征向量的分布。


5.根据权利要求1所述的用户验证方法，其中，确定所述第二参数的步骤包括：使用被训练为输出网络输入和用户模型之间的相似性的神经网络确定所述第二参数。


6.根据权利要求1所述的用户验证方法，其中，生成特征向量的步骤包括：通过使用被训练为从输入提取特征的神经网络从输入数据提取特征来生成特征向量。


7.根据权利要求1所述的用户验证方法，其中，生成用户的验证结果的步骤包括：
基于所述第一参数和所述第二参数确定置信度得分；并且
通过比较置信度得分和阈值获得用户的验证结果。


8.根据权利要求7所述的用户验证方法，其中，置信度得分响应于特征向量和注册特征向量之间的相似性的增大而增大，并且响应于特征向量和用户模型之间的相似性的增大而减小。


9.根据权利要求1所述的用户验证方法，其中，生成用户的验证结果的步骤包括：
基于所述第二参数确定阈值；并且
通过比较与所述第一参数对应的置信度得分和阈值生成用户的验证结果。


10.根据权利要求9所述的用户验证方法，其中，阈值响应于特征向量和用户模型之间的相似性的增大而增大。


11.根据权利要求1所述的用户验证方法，其中，所述第一参数响应于特征向量和注册特征向量之间的距离的减小而增大，并且所述第二参数响应于特征向量和用户模型之间的距离的减小而增大。


12.一种存储指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，使得处理器执行如权利要求1所述的用户验证方法。


13.一种说话者验证方法，所述说话者验证方法包括：
通过从与用户对应的语音数据提取特征生成与用户对应的特征向量；
确定表示特征向量和注册的用于用户验证的注册特征向量之间的相似性的第一参数；
确定表示特征向量和与广义用户对应的用户模型之间的相似性的第二参数；并且
基于所述第一参数和所述第二参数生成用户的验证结果。


14.根据权利要求13所述的说话者验证方法，其中，注册特征向量基于由注册用户输入的语音数据。


15.根据权利要求14所述的说话者验证方法，其中，特征向量包括用于识别用户的信息，并且注册特征向量包括用于识别注册用户的信息。


16.根据权利要求13所述的说话者验证方法，其中，用户模型包括通过对与广义用户对应的广义特征向量进行聚类而获得的特征聚类。


17.根据权利要求13所述的说话者验证方法，其中，确定所述第二参数的步骤包括：基于包括特征向量和高斯分布的高斯混合模型确定所述第二参数，并且
高斯分布对应于表示广义用户的广义特征向量的分布。


18.根据权利要求13所述的说话者验证方法，其中，确定所述第二参数的步骤包括：使用被训练为输出网络输入和用户模型之间的相似性的神经网络确定所述第二参数。


19.根据权利要求13所述的说话者验证方法，...

【专利技术属性】
技术研发人员：李焕，金圭洪，崔昌圭，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：韩国;KR