本文涉及但不限于生物安全動態(tài)認證技術(shù)領(lǐng)域，尤指一種身份認證的方法和裝置。

背景技術(shù)：

隨著互聯(lián)網(wǎng)信息技術(shù)的不斷發(fā)展，網(wǎng)上業(yè)務(wù)、電子商務(wù)等日益繁榮，人們與計算機網(wǎng)絡(luò)的聯(lián)系越來越緊密，各種網(wǎng)絡(luò)安全威脅也隨之而來，保護用戶個人信息成為人們急需解決的問題。動態(tài)聲紋密碼識別技術(shù)結(jié)合了說話人識別和語音識別兩重身份認證技術(shù)，從而可以有效地防止了錄音攻擊，極大地增強了系統(tǒng)的安全性。通常，在接收到用戶含有密碼的語音后，系統(tǒng)首先對聲紋和動態(tài)密碼分別計算得分，然后分別比較兩種得分與閾值大小，或者將兩種得分融合后判斷其與綜合閾值的大小，若大于事先設(shè)定的閾值，則請求人進入被保護系統(tǒng)，否則，拒絕其進入。但在實際應(yīng)用時，受環(huán)境的影響，說話人聲紋匹配分數(shù)分布和文本匹配分數(shù)分布往往各不相同，而僅僅利用預(yù)先設(shè)定的閾值來判斷則有失準確性。

技術(shù)實現(xiàn)要素：

以下是對本文詳細描述的主題的概述。本概述并非是為了限制權(quán)利要求的保護范圍。

本發(fā)明實施例提供一種身份認證的方法，包括：

獲取輸入語音的語音特征，將所述語音特征與預(yù)存的目標聲紋模型進行匹配，得到聲紋匹配分數(shù)；

根據(jù)所述語音特征和預(yù)設(shè)的目標文本模型對所述輸入語音進行切分，獲取初始切分單元以及初始語音切分單元的個數(shù)，如所述初始語音切分單元的個數(shù)小于第一閾值，則判定所述輸入語音為非法語音；如所述初始語音切分單元的個數(shù)大于或等于第一閾值，則對所述初始切分單元進行強制切分，使得切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同；

將每個所述切分單元的語音特征與所有所述目標文本模型進行匹配，得到每個所述切分單元與每個所述目標文本模型的切分單元文本匹配分數(shù)；

根據(jù)所述切分單元文本匹配分數(shù)、所述聲紋匹配分數(shù)和預(yù)先訓(xùn)練的概率神經(jīng)網(wǎng)絡(luò)pnn分類器進行身份認證。

可選地，所述pnn分類器是通過以下方式進行訓(xùn)練的：

將目標語音與所述目標文本模型和目標聲紋模型進行匹配分別得到第一文本打分和第一聲紋打分，將所述第一文本打分和第一聲紋打分組合成為所述判決分類器的接受特征信息；

將非目標語音與所述目標文本模型和目標聲紋模型進行匹配分別得到第二文本打分和第二聲紋打分，將所述第二文本打分和第二聲紋打分組合成為所述判決分類器的拒絕特征信息；

根據(jù)所述接受特征信息和所述拒絕特征信息對所述pnn分類器進行訓(xùn)練。

可選地，在根據(jù)所述接受特征信息和所述拒絕特征信息對所述pnn分類器進行訓(xùn)練之前，還包括對所述目標語音和所述非目標語音的聲紋打分和文本打分進行得分規(guī)整，包括：

依次選取所述目標文本模型，取非目標文本的語音特征與對應(yīng)的所述目標文本模型匹配，得到冒認文本打分，獲取所述目標文本模型對應(yīng)的冒認文本打分的均值及標準差；

將所述第一文本打分和所述第二文本打分分別減去對應(yīng)的所述冒認文本打分的均值且除以所述標準差，分別得到規(guī)整后的文本打分；

合并規(guī)整后的第一文本打分和所述第一聲紋打分，獲取每一目標文本對 應(yīng)的最大值和最小值；利用該最大值和最小值將規(guī)整后的第一文本打分和所述第一聲紋打分進行歸一化，作為所述pnn分類器的接受特征信息；

合并規(guī)整后的第二文本打分和所述第二聲紋打分，獲取每一目標文本對應(yīng)的最大值和最小值；利用該最大值和最小值將規(guī)整后的第二文本打分和所述第二聲紋打分進行歸一化，作為所述pnn分類器的拒絕特征信息。

可選地，所述根據(jù)所述語音特征和預(yù)設(shè)的目標文本模型對所述輸入語音進行切分，獲取初始切分單元，包括：

根據(jù)目標密碼中的目標文本序列，將對應(yīng)的目標文本隱馬爾可夫模型hmm組合成第一復(fù)合hmm；

將所述語音特征作為所述第一復(fù)合hmm的輸入進行維特比解碼，得到第一狀態(tài)輸出序列，將所述第一狀態(tài)輸出序列中為單個目標文本hmm的狀態(tài)數(shù)的整數(shù)倍的狀態(tài)對應(yīng)的位置作為初始切分點；

依次選取所述相鄰兩個初始切分點作為區(qū)間起止點，在所述區(qū)間內(nèi)，以指定幀為單位計算平均能量，尋找平均能量連續(xù)指定次增大的點，并將開始增大的點作為新的初始切分點，由所述初始切分點分割成的所述初始切分單元。

可選地，將對應(yīng)的目標文本hmm組合成第一復(fù)合hmm，包括：

所述第一復(fù)合hmm的狀態(tài)數(shù)為單個目標文本hmm的狀態(tài)數(shù)總和；所述第一復(fù)合hmm的每個狀態(tài)的高斯混合模型參數(shù)與所述單個目標文本hmm模型每個狀態(tài)的高斯混合模型參數(shù)相同；

將所述單個目標文本hmm的狀態(tài)轉(zhuǎn)移矩陣中的最后一個狀態(tài)自身轉(zhuǎn)移概率設(shè)為0，轉(zhuǎn)移到下一個狀態(tài)的狀態(tài)轉(zhuǎn)移概率設(shè)為1；所述目標文本的最后一個單個目標文本hmm的狀態(tài)轉(zhuǎn)移概率矩陣不作改變；

將所述單個目標文本hmm的狀態(tài)轉(zhuǎn)移概率矩陣按照所述目標文本的單個目標文本排列順序合并，得到所述復(fù)合hmm的狀態(tài)轉(zhuǎn)移概率矩陣。

可選地，所述對所述初始切分單元進行強制切分，使得切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同，包括：

選擇特征段最長的所述初始切分單元進行強制切分，使得強制切分后的所有切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同。

可選地，所述對所述初始切分單元進行強制切分，使得切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同，包括：

按照所述初始切分單元的長度從大到小的順序開始強制拆分，每次將一個所述初始切分單元平均切分成兩個段，直至切分后的切分單元總個數(shù)等于所述目標文本的個數(shù)為止；

若強制切分的次數(shù)大于等于第二閾值，則強制切分結(jié)束；若強制切分的次數(shù)小于所述第二閾值，則將當前每個切分單元分別與每個目標文本隱馬爾可夫模型hmm進行匹配打分，分別選定最高打分對應(yīng)的所述目標文本hmm，將所選定的所述目標文本hmm組合成第二復(fù)合hmm；將所述語音特征作為所述第二復(fù)合hmm的輸入進行維特比解碼，得到第二狀態(tài)輸出序列，將所述第二狀態(tài)輸出序列中為單個目標文本hmm的狀態(tài)數(shù)的整數(shù)倍的狀態(tài)對應(yīng)的位置作為切分點，由該切分點對所述語音特征分割得到的不同單元為所述切分單元，若當前的所述切分單元個數(shù)小于第三閾值，則將當前切分后的切分單元作為所述初始切分單元繼續(xù)進行強制切分，當前的所述切分單元個數(shù)大于或小于所述第三閾值，則強制切分結(jié)束。

可選地，所述將每個所述切分單元的語音特征與所有所述目標文本模型進行匹配，得到每個所述切分單元與每個所述目標文本模型的切分單元文本匹配分數(shù)，包括：

將每個所述切分單元的語音特征作為每個目標文本隱馬爾可夫模型hmm的輸入，將根據(jù)維特比算法獲得的輸出概率作為對應(yīng)的切分單元文本匹配分數(shù)。

可選地，所述根據(jù)所述切分單元文本匹配分數(shù)、所述聲紋匹配分數(shù)和預(yù)先訓(xùn)練的判決分類器進行身份認證，包括：

取每個所述切分單元對應(yīng)的所述切分單元文本匹配分數(shù)中m個最高分數(shù)對應(yīng)的文本作為待選文本，若所述待選文本中包含所述切分單元對應(yīng)的目標文本，則所述切分單元認證通過，計算通過的切分單元的總數(shù)，若通過的 切分單元總數(shù)小于或等于第四閾值，則文本認證不通過，身份認證不通過；若通過的切分單元總數(shù)大于所述第四閾值，則所述輸入語音的文本認證通過；

判斷所述聲紋匹配分數(shù)是否大于第五閾值，如是，則聲紋認證通過，身份認證通過；如不是，則將每個所述切分單元與對應(yīng)目標文本模型的文本打分以及所述聲紋匹配分數(shù)進行得分規(guī)整，將規(guī)整后的打分作為所述判決分類器的輸入進行身份認證。

本發(fā)明實施例還提供了一種身份認證的裝置，包括概率神經(jīng)網(wǎng)絡(luò)pnn分類器，包括：

聲紋匹配模塊，設(shè)置為獲取輸入語音的語音特征，將所述語音特征與預(yù)存的目標聲紋模型進行匹配，得到聲紋匹配分數(shù)；

切分模塊，設(shè)置為根據(jù)所述語音特征和預(yù)設(shè)的目標文本模型對所述輸入語音進行切分，獲取初始切分單元以及初始語音切分單元的個數(shù)，如所述初始語音切分單元的個數(shù)小于閾值，則判定所述輸入語音為非法語音；如所述初始語音切分單元的個數(shù)大于或等于第一閾值，則對所述初始切分單元進行強制切分，使得切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同；

文本匹配模塊，設(shè)置為將每個所述切分單元的語音特征與所有所述目標文本模型進行匹配，得到每個所述切分單元與每個所述目標文本模型的切分單元文本匹配分數(shù)；

認證模塊，設(shè)置為根據(jù)所述切分單元文本匹配分數(shù)、所述聲紋匹配分數(shù)和預(yù)先訓(xùn)練的所述pnn分類器進行身份認證。

可選地，所述裝置還包括處理模塊，

所述聲紋匹配模塊，是設(shè)置為將目標語音與目標聲紋模型進行匹配得到第一聲紋打分，將非目標語音與所述目標聲紋模型進行匹配得到第二聲紋打分；

所述文本匹配模塊，是設(shè)置為將所述目標語音與所述目標文本模型進行匹配得到第一文本打分，將所述非目標語音與所述目標文本模型進行匹配得到第二文本打分；

所述處理模塊，設(shè)置為將所述第一文本打分和第一聲紋打分組合成為所述pnn分類器的接受特征信息，將所述第二文本打分和第二聲紋打分組合成為所述pnn分類器的拒絕特征信息；

所述pnn分類器，根據(jù)所述接受特征信息和所述拒絕特征信息進行訓(xùn)練。

可選地，所述處理模塊，還設(shè)置為依次選取所述目標文本模型，取非目標文本的語音特征與對應(yīng)的所述目標文本模型匹配，得到冒認文本打分，獲取所述目標文本模型對應(yīng)的冒認文本打分的均值及標準差；將所述第一文本打分和所述第二文本打分分別減去對應(yīng)的所述冒認文本打分的均值且除以所述標準差，分別得到規(guī)整后的文本打分；合并規(guī)整后的第一文本打分和所述第一聲紋打分，獲取每一目標文本對應(yīng)的最大值和最小值；利用該最大值和最小值將規(guī)整后的第一文本打分和所述第一聲紋打分進行歸一化，作為所述pnn分類器的接受特征信息；合并規(guī)整后的第二文本打分和所述第二聲紋打分，獲取每一目標文本對應(yīng)的最大值和最小值；利用該最大值和最小值將規(guī)整后的第二文本打分和所述第二聲紋打分進行歸一化，作為所述pnn分類器的拒絕特征信息。

可選地，所述切分模塊，根據(jù)所述語音特征和預(yù)設(shè)的目標文本模型對所述輸入語音進行切分，獲取初始切分單元，包括：根據(jù)目標密碼中的目標文本序列，將對應(yīng)的目標文本隱馬爾可夫模型hmm組合成第一復(fù)合hmm；將所述語音特征作為所述第一復(fù)合hmm的輸入進行維特比解碼，得到第一狀態(tài)輸出序列，將所述第一狀態(tài)輸出序列中為單個目標文本hmm的狀態(tài)數(shù)的整數(shù)倍的狀態(tài)對應(yīng)的位置作為初始切分點；依次選取所述相鄰兩個初始切分點作為區(qū)間起止點，在所述區(qū)間內(nèi)，以指定幀為單位計算平均能量，尋找平均能量連續(xù)指定次增大的點，并將開始增大的點作為新的初始切分點，由所述初始切分點分割成的所述初始切分單元。

可選地，所述切分模塊，將對應(yīng)的目標文本hmm組合成第一復(fù)合hmm，包括：所述第一復(fù)合hmm的狀態(tài)數(shù)為單個目標文本hmm的狀態(tài)數(shù)總和；所述第一復(fù)合hmm的每個狀態(tài)具有的高斯混合模型參數(shù)與所述單個目標文本hmm的每個狀態(tài)具有的高斯混合模型參數(shù)相同；將所述單個目標文本 hmm的狀態(tài)轉(zhuǎn)移矩陣中的最后一個狀態(tài)自身轉(zhuǎn)移概率設(shè)為0，轉(zhuǎn)移到下一個狀態(tài)的狀態(tài)轉(zhuǎn)移概率設(shè)為1；所述目標文本的最后一個單個目標文本hmm的狀態(tài)轉(zhuǎn)移概率矩陣不作改變；將所述單個目標文本hmm的狀態(tài)轉(zhuǎn)移概率矩陣按照所述目標文本的單個目標文本排列順序合并，得到所述復(fù)合hmm的狀態(tài)轉(zhuǎn)移概率矩陣。

可選地，所述切分模塊，對所述初始切分單元進行強制切分，使得切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同，包括：選擇特征段最長的所述初始切分單元進行強制切分，使得強制切分后的所有切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同。

可選地，所述切分模塊，對所述初始切分單元進行強制切分，使得切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同，包括：按照所述初始切分單元的長度從大到小的順序開始拆分，每次將一個所述初始切分單元平均切分成兩個段，直至切分后的單元總個數(shù)等于所述目標文本的個數(shù)為止；若強制切分的次數(shù)大于等于第二閾值，則強制切分結(jié)束；若強制切分的次數(shù)小于所述第二閾值，則將當前每個切分的單元分別與每個目標文本隱馬爾可夫模型hmm進行匹配打分，分別選定最高打分對應(yīng)的所述目標文本hmm，將所選定的所述目標文本hmm組合成第二復(fù)合hmm；將所述語音特征作為所述第二復(fù)合hmm的輸入進行維特比解碼，得到第二狀態(tài)輸出序列，將所述第二狀態(tài)輸出序列中為單個目標文本hmm的狀態(tài)數(shù)的整數(shù)倍的狀態(tài)對應(yīng)的位置作為切分點，由該切分點對所述語音特征分割得到的不同單元為所述切分單元，若當前的所述切分單元個數(shù)小于第三閾值，則將當前切分后的切分單元作為所述初始切分單元繼續(xù)進行強制切分，若當前的所述切分單元個數(shù)大于或等于第三閾值，則強制切分結(jié)束。

可選地，所述文本匹配模塊，將每個所述切分單元的語音特征與所有所述目標文本模型進行匹配，得到每個所述切分單元與每個所述目標文本模型的切分單元文本匹配分數(shù)，包括：將每個所述切分單元的語音特征作為每個目標文本隱馬爾可夫模型hmm的輸入，將根據(jù)維特比算法獲得的輸出概率作為對應(yīng)的切分單元文本匹配分數(shù)。

可選地，所述認證模塊，根據(jù)所述切分單元文本匹配分數(shù)、所述聲紋匹 配分數(shù)和預(yù)先訓(xùn)練的判決分類器進行身份認證，包括：取每個所述切分單元對應(yīng)的所述切分單元文本匹配分數(shù)中m個最高分數(shù)對應(yīng)的文本作為待選文本，若所述待選文本中包含所述切分單元對應(yīng)的目標文本，則所述切分單元認證通過，計算通過的切分單元的總數(shù)，若通過的切分單元總數(shù)小于或等于第四閾值，則文本認證不通過，身份認證不通過；若通過的切分單元總數(shù)大于所述第四閾值，則所述輸入語音的文本認證通過；判斷所述聲紋匹配分數(shù)是否大于第五閾值，如是，則聲紋認證通過，身份認證通過；如不是，則將每個所述切分單元與對應(yīng)目標文本模型的文本打分以及所述聲紋匹配分數(shù)進行得分規(guī)整，將規(guī)整后的打分作為所述pnn分類器的輸入進行身份認證。

本發(fā)明實施例還提供了一種計算機可讀存儲介質(zhì)，存儲有計算機可執(zhí)行指令，所述計算機可執(zhí)行指令用于上述的一種身份認證的方法。

綜上，本發(fā)明實施例提供一種身份認證的方法及裝置，將聲紋與動態(tài)密碼認證兩者相結(jié)合，實現(xiàn)了對用戶進行雙重驗證的目的，提高了系統(tǒng)的安全性、可靠性和準確性。

附圖說明

圖1是本發(fā)明實施例提供的一種身份認證的方法的流程圖；

圖2是本發(fā)明實施例的訓(xùn)練pnn分類器的方法的流程圖；

圖3是本發(fā)明實施例一的一種身份認證的方法的流程圖；

圖4是本發(fā)明實施例一的語音信號初始切分的方法的流程圖；

圖5是本發(fā)明實施例一的聲紋與文本初步認證的方法的流程圖；

圖6是本發(fā)明實施例一的得分規(guī)整的方法的流程圖；

圖7是本發(fā)明實施例二的一種身份認證的方法的流程圖；

圖8是本發(fā)明實施例二的語音信號初始切分的方法的流程圖；

圖9為本發(fā)明實施例的一種身份認證的裝置的示意圖。

具體實施方式

下文中將結(jié)合附圖對本發(fā)明的實施例進行詳細說明。需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互任意組合。

圖1是本發(fā)明實施例提供的一種身份認證的方法的流程圖，如圖1所示，本實施例的方法包括以下步驟：

步驟11、獲取輸入語音的語音特征，將所述語音特征與預(yù)存的目標聲紋模型進行匹配，得到聲紋匹配分數(shù)；

步驟12、根據(jù)所述語音特征和預(yù)設(shè)的目標文本模型對所述輸入語音進行切分，獲取初始切分單元以及初始語音切分單元的個數(shù)，如所述初始語音切分單元的個數(shù)小于閾值，則判定所述輸入語音為非法語音，結(jié)束流程；如所述初始語音切分單元的個數(shù)大于或等于第一閾值，則對所述初始切分單元進行強制切分，使得切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同；

步驟13、將每個所述切分單元的語音特征與所有所述目標文本模型進行匹配，得到每個所述切分單元與每個所述目標文本模型的切分單元文本匹配分數(shù)；

步驟14、根據(jù)所述切分單元文本匹配分數(shù)、所述聲紋匹配分數(shù)和預(yù)先訓(xùn)練的pnn(probabilisticneuralnetworks，概率神經(jīng)網(wǎng)絡(luò))分類器進行身份認證。

本發(fā)明實施例提供的一種身份認證方法，將聲紋與動態(tài)密碼認證兩者相結(jié)合，實現(xiàn)了對用戶進行雙重驗證的目的，提高了系統(tǒng)的安全性、可靠性和準確性。

本實施例中，需要預(yù)先對pnn分類器進行訓(xùn)練，根據(jù)已有的語音獲取目標文本模型和目標聲紋模型；將已有語音與所述目標文本模型和目標聲紋模型進行匹配得到文本打分和聲紋打分，根據(jù)所述聲紋打分和文本打分組合成接受特征信息和拒絕特征信息，將所述信息接受特征和所述拒絕特征信息作為綜合pnn判決分類器的輸入進行訓(xùn)練，得到最終的綜合判決分類器；實現(xiàn)方式如下：

將目標語音與所述目標文本模型和目標聲紋模型進行匹配分別得到第一文本打分和第一聲紋打分，將所述第一文本打分和第一聲紋打分組合成為所述判決分類器的接受特征信息；

將非目標語音與所述目標文本模型和目標聲紋模型進行匹配分別得到第二文本打分和第二聲紋打分，將所述第二文本打分和第二聲紋打分組合成為所述判決分類器的拒絕特征信息；

根據(jù)所述接受特征信息和所述拒絕特征信息對所述pnn分類器進行訓(xùn)練。

所述目標語音為所述目標話者讀取所述目標文本的語音，所述非目標語音為所述目標話者讀取非目標文本的語音以及非目標話者的語音。

可選地，在訓(xùn)練所述綜合分類器之前對所述聲紋打分和文本打分進行得分規(guī)整，例如包括以下步驟：

a.依次選取目標文本模型，取非目標文本語音特征與該目標文本模型匹配，得到冒認文本打分；

b.求所述目標文本模型對應(yīng)的所述冒認文本打分均值及標準差；

c.將所述第一文本打分和所述第二文本打分分別減去對應(yīng)的所述冒認文本打分的均值且除以所述標準差，分別得到規(guī)整后的文本打分；

d.合并所述聲紋打分和規(guī)整后的文本打分，求得每一目標文本對應(yīng)的最大值和最小值，利用步驟d中的所述最大值和最小值將所述聲紋打分和文本打分進行歸一化；例如：

合并規(guī)整后的第一文本打分和所述第一聲紋打分，獲取每一目標文本對應(yīng)的最大值和最小值；利用該最大值和最小值將規(guī)整后的第一文本打分和所述第一聲紋打分進行歸一化，作為所述pnn分類器的接受特征信息；

合并規(guī)整后的第二文本打分和所述第二聲紋打分，獲取每一目標文本對應(yīng)的最大值和最小值；利用該最大值和最小值將規(guī)整后的第二文本打分和所述第二聲紋打分進行歸一化，作為所述pnn分類器的拒絕特征信息。

本實施例中為方便描述，做以下定義：

目標文本：事先選定作為備選密碼的文本，如0～9數(shù)字；

目標話者：系統(tǒng)受信任的話者，在聲紋認證時需要讓其通過的話者；

冒認話者：系統(tǒng)非受信任話者，在聲紋認證時需要拒絕其進入的話者；

目標密碼：系統(tǒng)受信任的目標文本組合，在文本認證時需要讓其通過；

冒認密碼：系統(tǒng)不受信任的文本組合，在文本認證時需要拒絕其進入的文本。

系統(tǒng)進行認證之前，需要選擇目標文本集，并針對目標文本集中的每個目標文本進行訓(xùn)練，得到目標文本模型集。以下實施例目標文本集選擇為：0～9十個數(shù)字，目標模型集由0～9十個數(shù)字訓(xùn)練出來的模型組成，目標模型種類可以為hmm(hiddenmarkovmodel，隱馬爾可夫模型)。為方便描述，動態(tài)密碼均由0～9十個數(shù)字中的8個組成，即系統(tǒng)選擇8個目標文本，作為目標密碼。同時在系統(tǒng)進行認證之前，需要注冊目標話者的聲紋信息，通過訓(xùn)練生成聲紋模型，并通過聲紋模型和目標模型訓(xùn)練綜合判決分類器，如圖2所示包括如下步驟：

步驟001：訓(xùn)練目標文本模型：使用0～9的數(shù)字錄音訓(xùn)練單個數(shù)字的hmm，每個數(shù)字的模型稱為目標文本模型，訓(xùn)練方法可使用現(xiàn)有的訓(xùn)練方法；

hmm是一個雙重隨機過程，一個過程用來描述短時平穩(wěn)信號的時變性，另一個過程用來描述hmm模型的狀態(tài)數(shù)與特征序列之間的對應(yīng)關(guān)系。兩個過程相互作用，不僅能夠描述語音信號的動態(tài)特性，而且可以解決短時平穩(wěn)信號之間的過渡問題。

步驟002：注冊目標話者聲紋模型：系統(tǒng)在使用之前，事先注冊目標話者聲紋模型，目標話者即為系統(tǒng)受信任的話者，在認證時需要讓其通過；

步驟003：求接受特征：使用目標話者的目標文本對應(yīng)的語音與其對應(yīng)的hmm進行匹配，得到目標文本接受打分；使用目標話者的目標文本對應(yīng)的語音與目標話者聲紋模型進行打分，得到目標話者聲紋接受打分；一系列的目標話者聲紋接受打分和目標文本接受打分組成綜合分類器的接受特征， 對應(yīng)綜合分類器輸出為1；

步驟004：求拒絕特征：使用目標文本對應(yīng)的語音與非對應(yīng)的hmm模型進行匹配，得到冒認文本的拒絕打分；使用冒認話者與目標聲紋模型進行打分，得到冒認聲紋拒絕打分，由一系列的冒認文本拒絕打分和冒認聲紋拒絕打分組成綜合分類器的拒絕特征，對應(yīng)綜合分類器輸出為0；

步驟005：訓(xùn)練分類器：合并綜合分類器的接受特征和拒絕特征，將合并后的特征進行得分規(guī)整(詳見步驟109)后作為分類器的訓(xùn)練輸入，根據(jù)現(xiàn)有訓(xùn)練算法(如梯度下降算法)可得到綜合分類器。

實施例一：

如圖3所示，包括以下步驟：

步驟101、預(yù)處理：根據(jù)短時能量和短時過零率，對用戶輸入的測試語音進行預(yù)處理，去掉語音中的非語音段；

步驟102、特征參數(shù)提?。簩︻A(yù)處理后的測試語音進行特征參數(shù)提取，該系統(tǒng)可以采用12維梅爾頻域倒譜系數(shù)(melfrequencycepstrumcoefficient，簡稱mfcc)和其一階差分系數(shù)作為特征參數(shù)，共24維；

步驟103、計算聲紋匹配分數(shù)：將測試語音特征與目標話者的聲紋模型進行匹配，得到聲紋匹配分數(shù)；

步驟104、對語音特征初始切分：通過對測試語音特征的初始切分，獲得初始切分單元以及初始切分單元個數(shù)。

本實施例中，根據(jù)目標密碼中的目標文本序列，將對應(yīng)的目標文本hmm組合成復(fù)合hmm；

將所述語音特征作為所述復(fù)合hmm的輸入進行viterbi(維特比)解碼，得到第一狀態(tài)輸出序列，將所述第一狀態(tài)輸出序列中為單個目標文本hmm的狀態(tài)數(shù)的整數(shù)倍的狀態(tài)對應(yīng)的位置作為初始切分點；

依次選取所述相鄰兩個初始切分點作為區(qū)間起止點，在所述區(qū)間內(nèi)，以指定幀為單位計算平均能量，尋找平均能量連續(xù)指定次增大的點，并將開始增大的點作為新的初始切分點，否則，不更新初始切分點，由所述初始切分 點分割成的所述初始切分單元。

其中，所述復(fù)合hmm的狀態(tài)數(shù)為單個目標文本hmm的狀態(tài)數(shù)總和；所述復(fù)合hmm的每個狀態(tài)具有的高斯混合模型參數(shù)與所述單個目標文本hmm的每個狀態(tài)具有的高斯混合模型參數(shù)相同，

將所述單個目標文本hmm的狀態(tài)轉(zhuǎn)移矩陣中的最后一個狀態(tài)自身轉(zhuǎn)移概率設(shè)為0，轉(zhuǎn)移到下一個狀態(tài)的狀態(tài)轉(zhuǎn)移概率設(shè)為1；所述目標文本的最后一個單個目標文本hmm的狀態(tài)轉(zhuǎn)移概率矩陣不作改變；

將所述單個目標文本hmm的狀態(tài)轉(zhuǎn)移概率矩陣按照所述目標文本的單個目標文本排列順序合并，得到所述復(fù)合hmm的狀態(tài)轉(zhuǎn)移概率矩陣。

對語音特征初始切分的方法如圖4所示，包括步驟如下：

步驟104a、復(fù)合hmm模型的組合：按照目標密碼中目標文本序列，將對應(yīng)的單個目標文本hmm組合為復(fù)合hmm模型。

假設(shè)每個數(shù)字的hmm模型有8個狀態(tài)數(shù)，每個狀態(tài)由3個高斯函數(shù)擬合，那么，復(fù)合hmm模型的狀態(tài)數(shù)為單個目標文本hmm模型狀態(tài)數(shù)之和，每個狀態(tài)仍由3個高斯函數(shù)擬合，且其高斯混合模型參數(shù)與單個hmm模型每個狀態(tài)的高斯混合模型參數(shù)相同，復(fù)合hmm的狀態(tài)轉(zhuǎn)移概率矩陣參數(shù)的變化以3個單個目標文本hmm模型連接成一個復(fù)合型hmm為例進行說明，該例中單個目標文本hmm模型狀態(tài)數(shù)為3，如下式所示：

組合成復(fù)合hmm模型時，每個狀態(tài)矩陣將改寫成如下形式：

于是復(fù)合hmm模型的狀態(tài)轉(zhuǎn)移概率矩陣為：

步驟104b、viterbi(維特比)解碼：利用viterbi解碼將步驟102中得到的特征序列與步驟104a中得到的復(fù)合hmm模型匹配，得到一個最佳狀態(tài)輸出序列，使每一幀特征都有其對應(yīng)的狀態(tài)；

步驟104c、尋找初始切分點：由步驟104a可知單個數(shù)字hmm模型的狀態(tài)數(shù)為8，在步驟104b中所得最佳狀態(tài)輸出序列中尋找對應(yīng)狀態(tài)為8的整數(shù)倍的位置作為初始切分點p(i)；

步驟104d、更新初始切分點：依次選取步驟104c中相鄰的兩個初始切分點p(i-1)和p(i)，并分別作為區(qū)間的起始點和終止點。在該區(qū)間內(nèi)，每k幀組成一段，共l段，每段平均能量為e(n)，n為段索引號，計算s(n-1)＝e(n)-e(n-1)n＝2…l，從s(n1)>0，n1＝1…l-1的索引號開始向后搜索，若s(n1+1)，s(n1+2)，……，s(n1+q)均大于0，其中q是一個大于1的常數(shù)，則將n1段的起始點作為新的初始切分點代替p(i-1)；若無該類索引號，則不 更新初始切分點。由初始切分點分割成的不同單元即初始切分單元，假設(shè)初始切分單元個數(shù)為m，由于最佳狀態(tài)序列的最大狀態(tài)為64，所以初始切分單元個數(shù)小于等于8個(該更新過程并未改變初始切分點個數(shù))；

步驟105、初始切分單元個數(shù)判決：步驟104將語音切分后得到若干個初始切分單元，對于目標密碼語音，其初始切分單元個數(shù)一般近似等于目標密碼中目標文本個數(shù)；對于冒認密碼語音，其切分單元個數(shù)往往遠小于目標密碼中目標文本個數(shù)。由步驟104可知測試語音初始切分單元數(shù)為m，假設(shè)最少切分單元個數(shù)為t，當m<t時，系統(tǒng)直接拒絕該請求人，判決結(jié)束，否則，執(zhí)行步驟106；

步驟106、強制切分：當8-m>0時，取初始切分單元中對應(yīng)特征段最長的切分單元，并將該特征段平均切分為(8-m+1)份，強制切分后的切分單元總數(shù)變?yōu)?；

步驟107、計算文本匹配分數(shù)：將步驟106中得到的切分單元對應(yīng)特征序列與0～9十個目標文本的目標模型hmm進行匹配，每個切分單元對應(yīng)10個匹配打分，假設(shè)該打分為word_score(i,j)，該變量表示動態(tài)密碼中第i個切分單元與數(shù)字j的模型的文本匹配分數(shù)；

步驟108、聲紋與文本初步認證：

取每個所述切分單元對應(yīng)的所述切分單元文本匹配分數(shù)中m個最高分數(shù)對應(yīng)的文本作為待選文本，若所述待選文本中包含所述切分單元對應(yīng)的目標文本，則所述切分單元認證通過，計算通過的切分單元的總數(shù)，若通過的切分單元總數(shù)小于或等于第四閾值，則文本認證不通過，身份認證不通過，判決結(jié)束；若通過的切分單元總數(shù)大于所述第四閾值，則所述輸入語音的文本認證通過；

判斷所述聲紋匹配分數(shù)是否大于第五閾值，如是，則聲紋認證通過，身份認證通過，判決結(jié)束；如不是，則將每個所述切分單元與對應(yīng)目標文本模型的文本打分以及所述聲紋匹配分數(shù)進行得分規(guī)整，將規(guī)整后的打分作為所述判決分類器的輸入進行身份認證。

如圖5所示，其實施方法如下：

步驟108a、每個切分單元各取m個最高得分：由上述步驟106可知，每個切分單元對應(yīng)有10個得分，各取m(一般為2或3)個最高打分，分別對應(yīng)m個待匹配文本；

步驟108b、切分單元文本認證：對每個切分單元進行文本認證，若切分單元對應(yīng)的m個待匹配文本中包含該切分單元對應(yīng)的目標文本，則該切分單元的文本認證通過，反之，認證不通過；

步驟108c、計算切分單元文本認證通過的總個數(shù)w；

步驟108d、測試語音文本認證：假設(shè)測試語音切分單元文本認證通過的最小數(shù)為p，當w大于p時，則判定該語音文本認證通過，并轉(zhuǎn)至步驟108e，否則，文本認證不通過，身份認證不通過，判決結(jié)束；

步驟108e、測試語音聲紋認證：設(shè)置一個較大的聲紋閾值，以保證系統(tǒng)的嚴格性，當聲紋匹配分數(shù)大于閾值時，聲紋認證通過，該測試語音身份認證通過，否則，轉(zhuǎn)至步驟109；

步驟109、得分規(guī)整：首先求得大量冒認密碼語音對應(yīng)目標文本模型的打分均值與方差，在得到測試語音中每個切分單元對應(yīng)的文本打分后減去冒認得分均值并除以標準差。如圖6所示，其實施方法如下：

步驟109a、求大量冒認文本打分：依次取0～9的單個數(shù)字模型hmm，假設(shè)取數(shù)字l的模型hmm^l，根據(jù)viterbi算法，取大量非l的冒認語音特征作為模型hmm^l的輸入，得到大量冒認文本打分；

步驟109b、求均值與標準差：計算每個文本對應(yīng)的冒認文本打分均值與標準差；

步驟109c、零歸整及歸一化：在步驟107計算文本匹配分數(shù)的基礎(chǔ)上，找出每個切分單元與其對應(yīng)目標文本模型的打分，此時每個切分單元對應(yīng)一個文本打分。根據(jù)零歸整方法，將每個文本打分分別減去對應(yīng)文本的冒認打分均值并除以標準差，得到規(guī)整后的文本匹配分數(shù)，將步驟103中得到的聲紋匹配分數(shù)與規(guī)整后的8個文本匹配分數(shù)合并組成一個9維的特征向量score(得分)。由于該特征向量中的聲紋匹配分數(shù)不論是目標話者還是冒認話者的聲紋打分，其打分一般遠大于文本匹配分數(shù)，因此，又對特征向量增加了 歸一化處理，使得聲紋匹配分數(shù)與文本匹配分數(shù)均在[0，1]之間。假設(shè)該特征向量的最大值和最小值分別為max_score和min_score，對特征向量作線性變換，得到一個新的特征向量new_score＝(score-min_score)/(max_score-min_score)；

步驟110綜合判決：利用綜合判決分類器對輸入特征向量new_score進行判決，對于每一個輸入，其輸出為1或0，當輸出為1時表示測試語音判決通過，輸出為0時拒絕測試語音通過。

實施例二：

針對第一種實施方式中步驟104的對于語音特征初始切分、步驟105的切分單元個數(shù)判決，以及步驟106的強制切分，本實施例中采用以下方法進行切分和判決：

步驟201，語音信號初始切分；

本實施例中，按照所述初始切分單元的長度從大到小的順序開始拆分，每次將一個所述初始切分單元平均切分成兩個段，直至切分單元的總個數(shù)等于所述目標文本的個數(shù)為止；

若強制切分的次數(shù)大于等于第二閾值，則強制切分結(jié)束；若強制切分的次數(shù)小于所述第二閾值，則將當前每個切分的單元分別與每個目標文本hmm進行匹配打分，分別選定最高打分對應(yīng)的所述目標文本hmm，將所選定的所述目標文本hmm組合成第二復(fù)合hmm；

將所述語音特征作為所述第二復(fù)合hmm的輸入進行維特比解碼，得到第二狀態(tài)輸出序列，將所述第二狀態(tài)輸出序列中為單個目標文本hmm的狀態(tài)數(shù)的整數(shù)倍的狀態(tài)對應(yīng)的位置作為切分點，由該切分點對所述語音特征分割得到的不同單元即為所述切分單元，若當前的切分單元個數(shù)小于第三閾值，則將當前切分后的切分單元作為所述初始切分單元繼續(xù)進行強制切分，若當前的切分單元個數(shù)大于或等于第三閾值，則強制切分結(jié)束，并將上述強制切分后的切分單元作為最終切分單元。如圖8所示，包括如下步驟：

步驟201a、初始分割：計算語音信號包絡(luò)，選擇8個極大包絡(luò)處附近區(qū)域作為初始分割結(jié)果；

步驟201b、根據(jù)打分對初始分割段判決：將每個分割段對0～9十個數(shù)字模型進行打分，每個分割段取最高得分對應(yīng)的數(shù)字，并作為該分割段的判決結(jié)果；

步驟201c、復(fù)合hmm模型的組合：根據(jù)上述步驟201b中的分割判決結(jié)果，選擇相應(yīng)的hmm模型，組合成復(fù)合hmm模型，該組合過程可參見第一種實施方式中的步驟104a；

步驟201d、根據(jù)viterbi解碼作進一步分割：根據(jù)步驟201c輸出的組合模型對輸入信號進行viterbi解碼，根據(jù)最佳狀態(tài)序列對信號做進一步分割，該分割過程可參見第一種實施方式中的步驟104c。

步驟202、強制切分：將分割段長度大小排序，按大小順序平均分割為兩個，直至分割為8段為止。

步驟203、初始切分判決：若步驟201d的分割段個數(shù)小于x(相當于第三閾值，x<8)個，則轉(zhuǎn)至步驟201b，將步驟202的輸出結(jié)果作為步驟201b的輸入，繼續(xù)進行分割；若分割段個數(shù)大于或等于x，則分割結(jié)束。設(shè)定一個最大迭代次數(shù)d(相當于第二閾值)，若該過程迭代次數(shù)等于d時，步驟201b的分割段數(shù)仍小于x個，則停止迭代，并拒絕該語音；若該過程迭代次數(shù)小于d或等于d時分割段數(shù)大于等于x，則繼續(xù)進行判決，執(zhí)行第一種實施方式中的步驟107及后續(xù)步驟。

圖9為本發(fā)明實施例的一種身份認證的裝置的示意圖，本實施例的裝置包括pnn分類器，如圖9所示，本實施例的裝置包括：

聲紋匹配模塊，設(shè)置為獲取輸入語音的語音特征，將所述語音特征與預(yù)存的目標聲紋模型進行匹配，得到聲紋匹配分數(shù)；

切分模塊，設(shè)置為根據(jù)所述語音特征和預(yù)設(shè)的目標文本模型對所述輸入語音進行切分，獲取初始切分單元以及初始語音切分單元的個數(shù)，如所述初始語音切分單元的個數(shù)小于閾值，則判定所述輸入語音為非法語音；如所述初始語音切分單元的個數(shù)大于或等于第一閾值，則對所述初始切分單元進行強制切分，使得切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同；

文本匹配模塊，設(shè)置為將每個所述切分單元的語音特征與所有所述目標 文本模型進行匹配，得到每個所述切分單元與每個所述目標文本模型的切分單元文本匹配分數(shù)；

認證模塊，設(shè)置為根據(jù)所述切分單元文本匹配分數(shù)、所述聲紋匹配分數(shù)和預(yù)先訓(xùn)練的所述pnn分類器進行身份認證。

在一可選實施例中，所述裝置還包括處理模塊，

所述聲紋匹配模塊，是設(shè)置為將目標語音與目標聲紋模型進行匹配得到第一聲紋打分，將非目標語音與所述目標聲紋模型進行匹配得到第二聲紋打分；

所述文本匹配模塊，是設(shè)置為將所述目標語音與所述目標文本模型進行匹配得到第一文本打分，為將所述非目標語音與所述目標文本模型進行匹配得到第二文本打分；

所述處理模塊，設(shè)置為將所述第一文本打分和第一聲紋打分組合成為所述pnn分類器的接受特征信息，將所述第二文本打分和第二聲紋打分組合成為所述pnn分類器的拒絕特征信息；

所述pnn分類器，根據(jù)所述接受特征信息和所述拒絕特征信息進行訓(xùn)練。

在一可選實施例中，所述處理模塊，還設(shè)置為依次選取所述目標文本模型，取非目標文本的語音特征與對應(yīng)的所述目標文本模型匹配，得到冒認文本打分，獲取所述目標文本模型對應(yīng)的冒認文本打分的均值及標準差；將所述第一文本打分和所述第二文本打分分別減去對應(yīng)的所述冒認文本打分的均值且除以所述標準差，分別得到規(guī)整后的文本打分；合并規(guī)整后的第一文本打分和所述第一聲紋打分，獲取每一目標文本對應(yīng)的最大值和最小值；利用該最大值和最小值將規(guī)整后的第一文本打分和所述第一聲紋打分進行歸一化，作為所述pnn分類器的接受特征信息；合并規(guī)整后的第二文本打分和所述第二聲紋打分，獲取每一目標文本對應(yīng)的最大值和最小值；利用該最大值和最小值將規(guī)整后的第二文本打分和所述第二聲紋打分進行歸一化，作為所述pnn分類器的拒絕特征信息。

在一可選實施例中，所述切分模塊，根據(jù)所述語音特征和預(yù)設(shè)的目標文 本模型對所述輸入語音進行切分，獲取初始切分單元，包括：根據(jù)目標密碼中的目標文本序列，將對應(yīng)的目標文本隱馬爾可夫模型hmm組合成第一復(fù)合hmm；將所述語音特征作為所述第一復(fù)合hmm的輸入進行維特比解碼，得到第一狀態(tài)輸出序列，將所述第一狀態(tài)輸出序列中為單個目標文本hmm的狀態(tài)數(shù)的整數(shù)倍的狀態(tài)對應(yīng)的位置作為初始切分點；依次選取所述相鄰兩個初始切分點作為區(qū)間起止點，在所述區(qū)間內(nèi)，以指定幀為單位計算平均能量，尋找平均能量連續(xù)指定次增大的點，并將開始增大的點作為新的初始切分點，由所述初始切分點分割成的所述初始切分單元。

在一可選實施例中，所述切分模塊，將對應(yīng)的目標文本hmm組合成第一復(fù)合hmm，包括：所述第一復(fù)合hmm的狀態(tài)數(shù)為單個目標文本hmm的狀態(tài)數(shù)總和；所述第一復(fù)合hmm的每個狀態(tài)具有的高斯混合模型參數(shù)與所述單個目標文本hmm的每個狀態(tài)具有的高斯混合模型參數(shù)相同；將所述單個目標文本hmm的狀態(tài)轉(zhuǎn)移矩陣中的最后一個狀態(tài)自身轉(zhuǎn)移概率設(shè)為0，轉(zhuǎn)移到下一個狀態(tài)的狀態(tài)轉(zhuǎn)移概率設(shè)為1；所述目標文本的最后一個單個目標文本hmm的狀態(tài)轉(zhuǎn)移概率矩陣不作改變；將所述單個目標文本hmm的狀態(tài)轉(zhuǎn)移概率矩陣按照所述目標文本的單個目標文本排列順序合并，得到所述復(fù)合hmm的狀態(tài)轉(zhuǎn)移概率矩陣。

在一可選實施例中，所述切分模塊，對所述初始切分單元進行強制切分，使得切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同，包括：選擇特征段最長的所述初始切分單元進行強制切分，使得強制切分后的所有切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同。

在一可選實施例中，所述切分模塊，對所述初始切分單元進行強制切分，使得切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同，包括：按照所述初始切分單元的長度從大到小的順序開始拆分，每次將一個所述初始切分單元平均切分成兩個段，直至切分單元的總個數(shù)等于所述目標文本的個數(shù)為止；若強制切分的次數(shù)大于等于第二閾值，則強制切分結(jié)束；若強制切分的次數(shù)小于所述第二閾值，則將當前每個切分的單元分別與每個目標文本hmm進行匹配打分，分別選定最高打分對應(yīng)的所述目標文本hmm，將所選定的所述目標文本hmm組合成第二復(fù)合hmm；將所述語音特征作為所述第二復(fù)合 hmm的輸入進行維特比解碼，得到第二狀態(tài)輸出序列，將所述第二狀態(tài)輸出序列中為單個目標文本hmm的狀態(tài)數(shù)的整數(shù)倍的狀態(tài)對應(yīng)的位置作為切分點，由該切分點對所述語音特征分割得到的不同單元即為切分單元，若當前的切分單元個數(shù)小于第三閾值，則將當前切分后的切分單元作為所述初始切分單元繼續(xù)進行強制切分，若當前的切分單元個數(shù)大于或等于第三閾值，強制切分結(jié)束，并將上述強制切分后的切分單元作為最終切分單元。

在一可選實施例中，所述文本匹配模塊，將每個所述切分單元的語音特征與所有所述目標文本模型進行匹配，得到每個所述切分單元與每個所述目標文本模型的切分單元文本匹配分數(shù)，包括：將每個所述切分單元的語音特征作為每個目標文本隱馬爾可夫模型hmm的輸入，將根據(jù)維特比算法獲得的輸出概率作為對應(yīng)的切分單元文本匹配分數(shù)。

在一可選實施例中，所述認證模塊，根據(jù)所述切分單元文本匹配分數(shù)、所述聲紋匹配分數(shù)和預(yù)先訓(xùn)練的判決分類器進行身份認證，包括：取每個所述切分單元對應(yīng)的所述切分單元文本匹配分數(shù)中m個最高分數(shù)對應(yīng)的文本作為待選文本，若所述待選文本中包含所述切分單元對應(yīng)的目標文本，則所述切分單元認證通過，計算通過的切分單元的總數(shù)，若通過的切分單元總數(shù)小于或等于第四閾值，則文本認證不通過，身份認證不通過，判決結(jié)束；若通過的切分單元總數(shù)大于所述第四閾值，則所述輸入語音的文本認證通過；判斷所述聲紋匹配分數(shù)是否大于第五閾值，如是，則聲紋認證通過，身份認證通過，判決結(jié)束；如不是，則將每個所述切分單元與對應(yīng)目標文本模型的文本打分以及所述聲紋匹配分數(shù)進行得分規(guī)整，將規(guī)整后的打分作為所述pnn分類器的輸入進行身份認證。

本發(fā)明實施例還提供了一種計算機可讀存儲介質(zhì)?？蛇x地，在本實施例中，上述存儲介質(zhì)可以被設(shè)置為存儲由處理器執(zhí)行的程序代碼，程序代碼的步驟如下：

s1、獲取輸入語音的語音特征，將所述語音特征與預(yù)存的目標聲紋模型進行匹配，得到聲紋匹配分數(shù)；

s2、根據(jù)所述語音特征和預(yù)設(shè)的目標文本模型對所述輸入語音進行切 分，獲取初始切分單元以及初始語音切分單元的個數(shù)，如所述初始語音切分單元的個數(shù)小于第一閾值，則判定所述輸入語音為非法語音；如所述初始語音切分單元的個數(shù)大于或等于第一閾值，則對所述初始切分單元進行強制切分，使得切分單元的總個數(shù)與預(yù)設(shè)的目標文本的個數(shù)相同；

s3、將每個所述切分單元的語音特征與所有所述目標文本模型進行匹配，得到每個所述切分單元與每個所述目標文本模型的切分單元文本匹配分數(shù)；

s4、根據(jù)所述切分單元文本匹配分數(shù)、所述聲紋匹配分數(shù)和預(yù)先訓(xùn)練的概率神經(jīng)網(wǎng)絡(luò)pnn分類器進行身份認證。

可選地，在本實施例中，上述存儲介質(zhì)可以包括但不限于：u盤、只讀存儲器(read-onlymemory，簡稱為rom)、隨機存取存儲器(randomaccessmemory，簡稱為ram)、移動硬盤、磁碟或者光盤等每種可以存儲程序代碼的介質(zhì)。

本領(lǐng)域普通技術(shù)人員可以理解上述方法中的全部或部分步驟可通過程序來指令相關(guān)硬件完成，所述程序可以存儲于計算機可讀存儲介質(zhì)中，如只讀存儲器、磁盤或光盤等?？蛇x地，上述實施例的全部或部分步驟也可以使用一個或多個集成電路來實現(xiàn)。相應(yīng)地，上述實施例中的各模塊/單元可以采用硬件的形式實現(xiàn)，也可以采用軟件功能模塊的形式實現(xiàn)。本發(fā)明不限制于任何特定形式的硬件和軟件的結(jié)合。

以上僅為本發(fā)明的優(yōu)選實施例，當然，本發(fā)明還可有其他多種實施例，在不背離本發(fā)明精神及其實質(zhì)的情況下，熟悉本領(lǐng)域的技術(shù)人員當可根據(jù)本發(fā)明作出各種相應(yīng)的改變和變形，但這些相應(yīng)的改變和變形都應(yīng)屬于本發(fā)明所附的權(quán)利要求的保護范圍。