[发明专利]语音信号频谱特征和深度学习的语音欺骗攻击检测方法

说明书

本发明公开了一种语音信号频谱特征和深度学习的语音欺骗攻击检测方法。在电子设备的麦克风接收到语音信号后，对语音进行信号处理工作，然后提取特定的特征，最后把标记好的特征输入深度卷积神经网络SE‑ResNet的分类器进行训练，采用训练后的分类器对待测的语音信号进行语音活体检测，输出是否为人声发出语音还是重放语音攻击的结果。本发明能准确有效地检测出针对说话人识别系统的以重放攻击为代表的语音欺骗攻击。

技术领域

本发明属于语音认证技术及安全技术领域，具体涉及一种基于语音信号频谱特征的发声体认证技术，以及可检测针对说话人识别系统的语音欺骗攻击的软件处理方法。

背景技术

说话人认证系统是一种通过提取说话人的语音特征并进行特征模式学习和匹配，从而对说话人身份进行鉴别的安全认证系统。由于其对硬件要求低(只需要麦克风)、成本低、用户操作简单方便、可进行远距离非接触式认证的特点，已经逐渐成为一种主流的用户认证和访问控制方式，在智能手机、智能音箱、智能家居等设备上得到了广泛的应用。

然而，现有的语音认证系统普遍容易遭受语音欺骗攻击。语音欺骗攻击指通过伪造与目标用户声音相似的语音来欺骗语音认证系统，从而冒充目标用户骗取访问权限的攻击手段。常见的语音欺骗攻击方式包括重放攻击、语音合成攻击、语音转换攻击。在重放攻击中，攻击者通过重新播放事先录制的目标用户真实语音来欺骗语音认证系统；在语音合成攻击中，攻击者利用人工智能或语音拼接等方式根据需要的语音内容合成虚假的目标用户声音；在语音转换攻击中，攻击者将其他人的语音转换为目标用户的声音。随着语音技术和电子设备的发展，语音欺骗攻击的门槛越来越低、效果越来越好、危害越来越大。因此，在这种情况下，亟需提出一种高效、低成本的语音欺骗攻击检测方法。

利用频谱特征进行攻击检测的关键是从真实语音和重放攻击的频谱中提取出差异性大的特征。

目前已有许多相关研究通过检测语音欺骗攻击引入的噪声和失真进行防护。然而这一类检测方法通常检测准确率低，且在攻击方法和设备升级后难以适用。此外还有通过用户佩戴额外设备进行活体检测的防御方法，此类方法由于需要额外设备导致成本较高、用户体验较差。

发明内容

为解决上述背景技术中存在的技术问题，本发明提供了一种基于频谱特征和深度卷积神经网络SE-ResNet的发声体认证检测方法，以及可检测针对语音认证系统的欺骗攻击的检测处理方法，能准确有效地检测出针对说话人识别系统的以重放攻击为代表的语音欺骗攻击。

本发明所采用的技术方案是：

在电子设备的麦克风接收到语音信号后，对语音进行信号处理工作，然后提取特定的特征，最后把标记好的特征输入深度卷积神经网络的分类器进行训练，采用训练后的分类器对待测的语音信号进行语音活体检测，输出是否为人声发出语音还是重放语音攻击的结果。

所述方法具体如下：

1)信号处理：

对原始语音信号Voice_in按照以下两步处理获得累计功率频谱S_pow：

第一步采用短时傅里叶变换，短时傅里叶变换的过程如下：首先用长度为1024，重叠长度为768的周期性汉明窗对原始语音信号Voice_in进行加窗处理，将原始语音信号Voice_in分成多个长度为1024的数据帧，然后对每一个数据帧进行快速傅里叶变换，傅里叶变换的点数nfft为4096；

第二步将各数据帧快速傅里叶变换后的结果进行累加，得到一个长度为4096的向量，最后取向量的前2049个数据点作为累积功率频谱S_pow；

2)特征提取：

利用为累积功率频谱S_pow进行特征提取，获得四种特征，分别是低频特征、能量分布特征、峰值特征和线性预测倒谱系数。