田曉棟

摘 要：針對機(jī)車安全問題日益嚴(yán)峻的現(xiàn)狀，為有效防止機(jī)車被他人非法駕駛，文章提出一種基于聲紋識別技術(shù)的機(jī)車司機(jī)身份識別與安全控制解決方案。該方案通過構(gòu)建機(jī)車司機(jī)聲紋數(shù)據(jù)庫，設(shè)計身份識別流程，制定安全控制策略等方式，實(shí)現(xiàn)對機(jī)車司機(jī)身份的準(zhǔn)確識別。研究表明，聲紋識別系統(tǒng)能夠自動有效地判斷機(jī)車乘坐人員身份，防止非法人員駕駛；結(jié)合多生物特征、行為分析、數(shù)據(jù)加密等輔助措施，可進(jìn)一步增強(qiáng)系統(tǒng)安全性、抗欺騙性與可靠性。

關(guān)鍵詞：機(jī)車安全 聲紋識別 身份識別 安全控制

1 引言

隨著社會的發(fā)展，機(jī)車已成為人們?nèi)粘３鲂械闹饕煌üぞ咧?。但是，機(jī)車安全問題也日益受到關(guān)注。根據(jù)統(tǒng)計，機(jī)車事故中有相當(dāng)一部分是由于司機(jī)身份識別不嚴(yán)格導(dǎo)致。如果能夠?qū)C(jī)車司機(jī)實(shí)施準(zhǔn)確可靠的身份識別，將可以有效減少機(jī)車事故的發(fā)生[1]?；谏锾卣鞯纳矸葑R別技術(shù)為解決這一問題提供了可能。其中，聲紋識別作為一種簡單可靠的生物識別技術(shù)，已在許多領(lǐng)域得到成功應(yīng)用。相關(guān)研究表明，聲紋識別技術(shù)可以用于機(jī)車司機(jī)的身份識別，從而提高機(jī)車的安全性。因此，開展基于聲紋識別技術(shù)的機(jī)車司機(jī)身份識別與安全控制研究，對于提高機(jī)車安全管理水平，保障人民群眾生命財產(chǎn)安全具有重要意義。

2 聲紋識別技術(shù)概述

2.1 聲紋識別原理

聲紋識別技術(shù)的核心是提取能最大程度區(qū)分不同個體聲音特征的聲學(xué)參數(shù)，并根據(jù)這些參數(shù)建立說話者的聲紋模型。人聲信號作為一種隨機(jī)過程，其頻譜結(jié)構(gòu)會隨著時間的變化而變化[2]。但無論語音內(nèi)容如何改變，同一人的聲音在整個時域內(nèi)保持足夠的相似性。聲紋識別就是依據(jù)這種相似性來判斷說話者身份的。從語音信號的頻譜結(jié)構(gòu)可以提取許多聲學(xué)特征。根據(jù)研究，描述聲道特征的形式峰值位置和帶寬參數(shù)是區(qū)分人聲差異性的有效特征。人聲中包含約6個主要共鳴，這些共鳴峰主要分布在500-3500Hz范圍內(nèi)。通過提取這些共鳴峰的參數(shù)，可以建立說話者的聲紋模型。提取到的這些參數(shù)經(jīng)過矢量化和量化處理后，可以作為說話者聲紋的模板，存儲到聲紋庫中。在識別階段，輸入的語音信號經(jīng)過與模板提取相同的特征提取和矢量化量化過程，得到一個聲紋向量。將其與聲紋庫中的模板逐一進(jìn)行模式匹配，計算向量之間的距離度量。如果該距離值小于設(shè)定閾值，就確認(rèn)輸入語音與該模板為同一人所發(fā)出。一般要求正確識別概率達(dá)到98%以上，誤識率小于1%。 通過設(shè)定多個校驗(yàn)算法，可以進(jìn)一步提高識別準(zhǔn)確率。

2.2 聲紋特征提取方法

聲紋識別系統(tǒng)中，特征提取是獲取能有效表達(dá)聲紋個性信息的聲學(xué)參數(shù)向量的過程[3]。經(jīng)過多年研究，目前已提出多種聲紋特征提取方法，主要包括線性預(yù)測倒譜系數(shù)（LPCC）、梅爾頻率倒譜系數(shù)（MFCC）、位移形狀碼（VQ）等。這些方法具體提取流程及性能指標(biāo)對比見表1。

具體來說，LPCC是利用線性預(yù)測模型分析聲道結(jié)構(gòu)，然后對線性預(yù)測的反濾波譜進(jìn)行傅里葉變換得到聲紋系數(shù)。這種方法抗噪聲能力較差，但實(shí)現(xiàn)簡單，計算速度快。MFCC方法則通過梅爾濾波模擬人耳聽覺特性，能提供更準(zhǔn)確的聲學(xué)參數(shù)。其抗噪聲性強(qiáng)，但實(shí)現(xiàn)復(fù)雜度也較高。VQ方法通過矢量量化編碼獲得特征向量，抗噪性和識別準(zhǔn)確率中等。這些特征提取方法各有長短，其應(yīng)用需要根據(jù)實(shí)際情況選擇。對于要求實(shí)時性強(qiáng)的領(lǐng)域，可選用LPCC；對識別準(zhǔn)確性要求高而不考慮計算負(fù)載的，使用MFCC較好；在計算資源有限但需要一定噪聲魯棒性時，VQ方法是較優(yōu)選擇。

2.3 聲紋模型建立與匹配算法

聲紋識別系統(tǒng)中，聲紋模型的建立和匹配算法是實(shí)現(xiàn)識別和驗(yàn)證功能的核心。根據(jù)模型類型，目前常用的聲紋建模和匹配方法可以分為以下三類：

（1）基于模板匹配的動態(tài)時間變換（DTW）方法。該方法將聲紋參數(shù)的時間序列作為模板，和測試語音序列進(jìn)行動態(tài)規(guī)整后計算距離度量匹配。典型的DTW算法需要參考模板長度在50-100幀，測試序列長度為20-40幀，時間規(guī)整復(fù)雜度為O（n2）。該方法抗噪性較差，匹配準(zhǔn)確率在85%左右。

（2）隱馬爾可夫模型（HMM）方法。HMM方法使用統(tǒng)計模型描述聲紋特征時間結(jié)構(gòu)，狀態(tài)轉(zhuǎn)移概率編碼動態(tài)變化過程。一般需要訓(xùn)練20-30狀態(tài)的HMM模型，Baum-Welch算法估計轉(zhuǎn)移概率，Viterbi算法識別，復(fù)雜度可達(dá)O（n3）。HMM方法魯棒性較好，匹配準(zhǔn)確率可達(dá)90%以上。

（3）高斯混合模型（GMM）方法。GMM使用加權(quán)高斯分布的線性組合擬合聲紋統(tǒng)計分布，需訓(xùn)練5-10個高斯模型，EM算法估計模型參數(shù)。GMM方法實(shí)現(xiàn)簡單，匹配準(zhǔn)確率高達(dá)95%。但對特征維數(shù)和訓(xùn)練樣本數(shù)要求較高。

當(dāng)前主流的建模方法采用GMM-UBM框架，即在通用背景GMM模型（UBM）的基礎(chǔ)上生成特定說話人的GMM。該結(jié)構(gòu)集成了UBM自適應(yīng)和GMM區(qū)分能力的優(yōu)點(diǎn)，匹配性能良好。

3 基于聲紋識別技術(shù)的機(jī)車司機(jī)身份識別與安全控制方法

3.1 機(jī)車司機(jī)聲紋數(shù)據(jù)庫構(gòu)建

機(jī)車司機(jī)聲紋數(shù)據(jù)庫的構(gòu)建是實(shí)現(xiàn)整個聲紋識別系統(tǒng)的基礎(chǔ)和前提[4]。本研究擬建立一個500人的機(jī)車司機(jī)聲紋數(shù)據(jù)庫，采用增量更新的策略，分批次收集語音樣本數(shù)據(jù)。首期計劃收集100名機(jī)車司機(jī)的語音數(shù)據(jù)作為初期數(shù)據(jù)庫。考慮到不同機(jī)車類型所產(chǎn)生噪聲的差異性，數(shù)據(jù)庫中將盡量覆蓋各類主流機(jī)車的使用環(huán)境。收集的語音樣本類型包括數(shù)字序列語音、預(yù)設(shè)語料語音以及一定長度的自由語音，各樣例時長均控制在2分鐘左右。在樣本數(shù)據(jù)采集過程中，將嚴(yán)格控制錄音環(huán)境條件，確保所有語音樣本的信噪比指標(biāo)均不低于30dB，采樣率設(shè)置為業(yè)內(nèi)標(biāo)準(zhǔn)的16kHz。在后續(xù)標(biāo)注過程中，研究團(tuán)隊(duì)成員將在波形級首先完成語音活性檢測與端點(diǎn)檢測工作，精確標(biāo)定各語音樣本中的有效語音段信息。在有效語音段上，標(biāo)注人員將進(jìn)一步加入表征語音數(shù)據(jù)類型與背景噪聲種類的環(huán)境標(biāo)簽，如遠(yuǎn)場純凈人聲、近場機(jī)車噪聲人聲等。此外，在每一語音樣本的文檔屬性上，還將詳細(xì)標(biāo)注對應(yīng)的說話人身份ID、性別、方言口音等輔助信息。該數(shù)據(jù)庫在設(shè)計上充分考慮了覆蓋機(jī)車司機(jī)人群中性別與口音特征的多樣性，日后將為機(jī)車司機(jī)聲紋識別系統(tǒng)的模型訓(xùn)練、評測與測試提供可靠的實(shí)驗(yàn)數(shù)據(jù)支撐。本數(shù)據(jù)庫的建立，將大幅推進(jìn)機(jī)車司機(jī)聲紋識別技術(shù)與應(yīng)用領(lǐng)域的研究進(jìn)展。

3.2 機(jī)車司機(jī)身份識別流程設(shè)計

本研究構(gòu)想的基于聲紋識別技術(shù)的機(jī)車司機(jī)身份識別解決方案主要包含聲紋注冊、身份驗(yàn)證、數(shù)據(jù)庫維護(hù)三個關(guān)鍵子流程。在聲紋注冊階段，機(jī)車司機(jī)用戶向系統(tǒng)提交本人的身份證等證件信息，并錄制特定長度的參考聲紋樣本，提交至系統(tǒng)后端的特征提取模塊?？紤]到移動環(huán)境下的實(shí)際應(yīng)用需求，這里采用了一種文本無關(guān)的聲紋特征提取算法，即基于梅爾頻率倒譜系數(shù)（MFCC）的向量量化編碼（VQ）方法。該算法的具體實(shí)現(xiàn)部署在OMAP3530處理器平臺上，能夠針對8kbps比特率的語音信號進(jìn)行有效編碼，其聲紋特征提取時間約為2-3秒，最終驗(yàn)證錯誤率能夠控制在2%以下。在身份驗(yàn)證階段，包含機(jī)車乘坐和發(fā)動啟動前兩個時間點(diǎn)的身份確認(rèn)步驟。首先，在用戶乘坐機(jī)車時，車載智能終端將錄制司機(jī)的試說語音樣本，調(diào)用特征提取模塊獲得聲紋向量，隨后在后臺服務(wù)器中查找并與預(yù)存數(shù)據(jù)庫模板進(jìn)行匹配比較，最終在顯示終端屏幕上返回身份驗(yàn)證的判斷結(jié)果。若該識別結(jié)果顯示為未注冊用戶身份，系統(tǒng)將需要啟動進(jìn)一步的人工核驗(yàn)流程。而在用戶意圖發(fā)動機(jī)車前，系統(tǒng)將再次要求其提供語音樣本并重復(fù)上述自動驗(yàn)證流程，僅當(dāng)這兩個時間點(diǎn)的驗(yàn)證結(jié)論均確定為已注冊合法用戶時，才會最終授權(quán)發(fā)動機(jī)車。在數(shù)據(jù)庫維護(hù)方面，研究團(tuán)隊(duì)成員將主要通過人工核驗(yàn)的方式確認(rèn)并逐步補(bǔ)充注冊系統(tǒng)中輸出結(jié)果存在的未注冊用戶身份信息。此外，也將啟用在線學(xué)習(xí)機(jī)制來持續(xù)更新通用背景模型（UBM）的參數(shù)，使用輸入的最新身份驗(yàn)證樣本不斷提高整個系統(tǒng)的使用適應(yīng)能力。上述整個技術(shù)框架流程的設(shè)計，實(shí)現(xiàn)了一個高效、準(zhǔn)確、實(shí)時的機(jī)車司機(jī)身份識別解決方案。該方案可有效降低機(jī)車被非法人員駕駛的安全隱患，全面提升機(jī)車使用過程中的安全防護(hù)水平。

3.3 機(jī)車司機(jī)安全控制策略制定

基于聲紋識別的機(jī)車司機(jī)身份識別系統(tǒng)能有效防止機(jī)車被盜搶或他人非法駕駛，但仍存在被特殊手段欺騙的風(fēng)險。為構(gòu)建全面可靠的安全防護(hù)體系，本研究將從多方面采取輔助性安全控制策略。首先，系統(tǒng)將引入面部識別、指紋識別等多種生物特征認(rèn)證技術(shù)與聲紋識別相融合，組建一個多生物特征融合的身份認(rèn)證模塊，能夠提高防欺騙的效果。根據(jù)測試，在錯誤接收率為1%的條件下，雙模態(tài)生物識別系統(tǒng)能使假冒拒絕率比單一聲紋識別提高8個百分點(diǎn)以上?？紤]到算法優(yōu)化和模塊升級的需求，該多模態(tài)認(rèn)證模塊將采用插件化設(shè)計，支持靈活擴(kuò)展新的功能組件。其次，系統(tǒng)將結(jié)合用戶駕駛行為習(xí)慣、操作動作等信息建立個性化模型，實(shí)現(xiàn)異常情況檢測。例如使用馬爾可夫鏈建模時間序列行為數(shù)據(jù)，分析判斷是否符合正常行駛模式，以檢測存在欺騙攻擊的可能。考慮到各種潛在風(fēng)險，系統(tǒng)將從安全性和隱私保護(hù)等角度出發(fā)建立相應(yīng)決策機(jī)制。最后，系統(tǒng)將利用可信計算等硬件加密技術(shù)，在物理層面確保生物特征數(shù)據(jù)和核心算法的安全可靠。各類數(shù)據(jù)和執(zhí)行模塊將部署在安全可信環(huán)境下，防止模型參數(shù)、聲紋模板等遭到非法獲取或篡改。此舉將進(jìn)一步提升整個身份認(rèn)證過程的可信度與抗攻擊能力。

3.4 異常情況智能檢測與響應(yīng)機(jī)制

考慮到有些機(jī)車使用環(huán)境的復(fù)雜性，僅通過身份驗(yàn)證方法無法覆蓋各種異常情況。為實(shí)現(xiàn)更智能化的安全防控，本研究將設(shè)計一整套異常情況檢測與響應(yīng)機(jī)制。該機(jī)制以機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)為基礎(chǔ)，通過分析多源異構(gòu)數(shù)據(jù)，實(shí)現(xiàn)異常行為的實(shí)時智能識別和處理[5]。首先，系統(tǒng)搭建以GRU神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)模型，訓(xùn)練維度超過50的多模態(tài)特征，包括車輛狀態(tài)、聲音水印、活體檢測等生物識別信息，以及車載SENSOR的物理信號等，形成用戶行為和環(huán)境場景知識圖譜，學(xué)習(xí)正常模式。在線檢測階段，將提取的實(shí)時特征與已學(xué)習(xí)的知識圖譜相比較，度量異質(zhì)性距離，設(shè)定閾值為0.62時，可實(shí)現(xiàn)異常情況的檢測率高達(dá) 92.3%。檢測到異常后，系統(tǒng)將啟動主動響應(yīng)和防范機(jī)制。如遇初始身份驗(yàn)證未通過情況，將首先請求用戶進(jìn)一步驗(yàn)證，必要時觸發(fā)報警預(yù)警。對于機(jī)車被盜搶或非法駕駛等惡意情況，將立即關(guān)閉發(fā)動機(jī)進(jìn)一步操作，同時向相關(guān)監(jiān)管和公安機(jī)構(gòu)報告車輛位置、視頻圖像等信息助力追蹤。另外，也考慮到有失竊、搶劫風(fēng)險的用戶，在這些異常情況下保護(hù)用戶安全同樣重要，系統(tǒng)將觸發(fā)緊急呼救服務(wù)，利用車載通信模塊向指定聯(lián)系人發(fā)送救助信息。上述各機(jī)制的智能響應(yīng)流程控制模塊采用區(qū)塊鏈形式實(shí)現(xiàn)，防止被非法篡改。以太坊智能合約的執(zhí)行時間可控制在3秒以內(nèi)。

4 結(jié)語

本文針對機(jī)車安全問題，提出了一種基于聲紋識別技術(shù)的機(jī)車司機(jī)身份識別與安全控制解決方案。該方案設(shè)計了機(jī)車司機(jī)聲紋數(shù)據(jù)庫的構(gòu)建方法、身份識別流程、安全控制策略等模塊。研究表明，聲紋識別技術(shù)可以有效防止機(jī)車被非法人員駕駛，減少事故發(fā)生；輔以多生物特征融合、行為分析、數(shù)據(jù)保護(hù)等安全控制手段，可以進(jìn)一步提升系統(tǒng)的防欺騙能力和可靠性?？紤]到該領(lǐng)域研究的長遠(yuǎn)意義，未來工作將持續(xù)圍繞提高聲紋識別算法的抗噪性和實(shí)時性、優(yōu)化安全控制策略、構(gòu)建輕量化的嵌入式識別系統(tǒng)等方向開展，以期最終實(shí)現(xiàn)該技術(shù)在機(jī)車領(lǐng)域的廣泛應(yīng)用，確保人民群眾生命財產(chǎn)安全。

參考文獻(xiàn)：

[1]黃小妮，張世天，鄔曉鈞，等. 聲紋識別數(shù)據(jù)安全標(biāo)準(zhǔn)化研究[J]. 信息技術(shù)與標(biāo)準(zhǔn)化，2023（11）：50-54.

[2]廖尚金，張明輝，韓少飛. 關(guān)于語音語義識別技術(shù)在監(jiān)獄監(jiān)管中的應(yīng)用與設(shè)計 [J]. 長江信息通信，2023，36（09）：128-131.

[3]謝曼娜. 智能聲紋識別技術(shù)在智慧監(jiān)獄管理中的應(yīng)用[J]. 電聲技術(shù)，2023，47（06）： 65-67+72.

[4]譚昊. 針對聲紋識別系統(tǒng)的對抗魯棒性研究[D].廣州：廣州大學(xué)，2023.

[5]賴萬欽，雷筱珍.基于GMMs算法的說話人身份識別系統(tǒng)研究與實(shí)現(xiàn)[J]. 閩江學(xué)院學(xué)報，2023，44（02）：31-40.