一種用戶身份驗證方法與設(shè)備的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明多個實施例設(shè)及一種用戶的身份驗證方法與設(shè)備，尤其是智能家居領(lǐng)域的 用戶身份驗證技術(shù)。
【背景技術(shù)】
[0002] 隨著計算機等方面技術(shù)的迅速發(fā)展W及人們生活水平的提高，家居服務機器人已 逐步進入大眾的生活。為了實現(xiàn)家居服務機器人恰當合法W及方便的使用，家居服務機器 人需要具備用戶身份驗證的功能。比如，用戶通過語音命令家居服務機器人去打開或關(guān)閉 某一家用電器，如果沒有身份驗證功能，那就是任何人都可W去命令去做類似的事情，運顯 然是不合理的。
[0003] 生物認證現(xiàn)在已經(jīng)成為身份驗證的研究熱點，逐漸成為身份驗證的主流方法。生 物認證相對于傳統(tǒng)的身份驗證方法具有更好的安全性，同時更為便捷。生物認證主要包括 接觸式與非接觸式兩大類，其中接觸式的生物認證包括指紋認證、掌紋認證等，非接觸式的 生物認證包括面部、聲紋、虹膜等認證方式。
[0004] 單一生物特征的生物認證是目前通常采用的方法，但是，單一的生物特征具有一 定的不穩(wěn)定性，比如，聲音會隨著音量、速度和音質(zhì)的變化（如人感冒時）而影響聲紋特征。 在面部結(jié)構(gòu)相似（如雙胞胎）的運種情況下，現(xiàn)有技術(shù)水平下的面部認證基本失效；外部遮 擋物，如眼鏡、胡須、頭發(fā)等的遮擋可能導致面部特征的變化。而且，單一生物特征的生物認 證方式還存在一定的漏桐，例如，非合法使用者可W用錄音去破解聲紋識別系統(tǒng)，用照片或 視頻去破解面部識別系統(tǒng)。

【發(fā)明內(nèi)容】
陽〇化]因此，為了提高身份驗證的穩(wěn)定性、安全性，同時考慮到用戶體驗，本發(fā)明提供一 種多重身份驗證方法及實現(xiàn)此方法的設(shè)備，其安全程度高，穩(wěn)定性強，用戶體驗好，適用于 各類人群。本發(fā)明的方法和設(shè)備例如可應用于家居服務機器人或其他計算設(shè)備，諸如移動 電話或便攜式計算機。
[0006] 本發(fā)明的用戶身份驗證方法和設(shè)備的實現(xiàn)主要是采用多重身份驗證的融合方式， 避免上述單一驗證缺陷和問題，它可由若干種單一的生物認證方式組成：例如面部識別和 聲紋、虹膜、掌紋、指紋識別等。作為本發(fā)明的技術(shù)方案之一，前一次身份驗證步驟是作為后 一次/多次身份驗證步驟的邏輯基礎(chǔ)。例如，前一次身份驗證的評分值會作為后一次驗證 方式的邏輯引用值，或者，前一次的身份驗證的特征矢量是作為后一次驗證方式的激勵信 號。在本技術(shù)方案效果中，即使前一次的驗證被處理器或計算機判定為例如"非合法用戶"， 后一次驗證操作仍可W繼續(xù)進行，最終的判定是基于多次驗證的禪合來實現(xiàn)（例如，評分 賦值、矢量和）。
[0007] 為實現(xiàn)上述目的和效果，在一個實施例中，提供了一種用戶身份驗證方法，包括： 結(jié)合至少兩種非接觸身份驗證方式對用戶特征進行識別；W及根據(jù)上述識別驗證所述用 戶。
[0008] 在另一實施例中，提供了一種用戶身份驗證設(shè)備，包括：接收裝置，用于接收至少 兩種身份驗證方式的用戶特征；W及連接至所述接收裝置的處理器，被配置為：結(jié)合所述 至少兩種身份驗證方式對所述用戶特征進行識別；W及根據(jù)上述識別驗證所述用戶。
[0009] 在上述實施例中，所述"結(jié)合"步驟是通過特定設(shè)計的融合邏輯加W實施，所述融 合邏輯的方式是通過W下結(jié)合附圖的具體實例加W詳盡描述。
【附圖說明】
[0010] 圖1為本發(fā)明的用戶身份驗證方法的第一實施例的流程圖；
[0011] 圖2為圖1所示實施例的步驟300的詳細流程圖；
[0012] 圖3為本發(fā)明實現(xiàn)上述方法的設(shè)備原理圖。
【具體實施方式】
[0013] 下文將描述一個或多個特定實施例。為了提供對運些實施例的簡要描述，說明書 中未描述實際實施方案的所有特征。應當理解的是，下述實施方案的實現(xiàn)步驟可在次序之 間有所不同。此外，相同或相似的特征可指示相同功能的部件或?qū)崿F(xiàn)方式。
[0014] 基于機器人的用戶身份驗證
[0015] 在一個實施例中，執(zhí)行用戶身份驗證的主體是機器人。本實施例中所指的"機器 人"，是泛指具備大型運算功能的移動機械裝置或者嵌入在數(shù)據(jù)計算設(shè)備（例如移動電話、 PC機）的運算載體內(nèi)，運種載體可W是搭載的處理器或者相同類型的集成電路板或軟件命 令模塊，機器人能夠按照其上位設(shè)備，或用戶本身口述的指令通過大型計算的方式完成相 應的動作，在數(shù)據(jù)運算方面，機器人的計算效率或存儲量可能是有限的，從而可通過例如遠 程獲取所需完成的指令W及相關(guān)的數(shù)據(jù)集。
[0016] 此外，在本發(fā)明所示實施例中，機器人是指按照仿生結(jié)構(gòu)制造出的人型機械結(jié)構(gòu)， 特定使用在室內(nèi)用戶家居環(huán)境下服務于居民的機器人裝置，機器人在執(zhí)行用戶的指令時， 出于安全方面的考慮，需要對用戶進行多次身份驗證操作。在本實施例中，非接觸式身份驗 證方式包括了用戶語音、面部或步態(tài)方式。
[0017] 參照圖1，圖1為本發(fā)明的用戶身份驗證方法的第一實施例的流程圖。根據(jù)本發(fā)明 的一個實施例，通過上述機器人進行用戶身份驗證的方法可包括：
[0018] 在步驟100中，用戶可通過語音方式呼喚機器人，機器人通過麥克風或者類似揚 聲器等傳感器設(shè)備收集運段用戶語音片段內(nèi)容，W通過聲紋識別的方式被喚醒。用戶呼喚 機器人時，不限于指定的語句，但是可W包括機器人的名字或特定編碼（運是為了防止操 作對象的誤解）。進一步地，在該步驟中用戶呼喚機器人時，機器人提取語音信息中的聲紋 特征，通過內(nèi)置的聲紋識別算法判斷是否為用戶模型庫中的用戶，如果是，進行后續(xù)操作； 否則不進行任何響應；
[0019] 在步驟200中，在呼喚機器人后如果接收到用戶聲紋識別驗證信息（信息包含了 驗證矢量），機器人使用其本體上裝設(shè)的攝像頭進行360°掃描，尋找聲源W確定用戶的位 置，例如機器人可根據(jù)聲源方向移動到用戶面前。機器人通過攝像頭掃描用戶的面部，提取 面部特征來進行面部識別；
[0020] 在步驟300中，使用與上述兩種非接觸身份驗證方式相關(guān)聯(lián)的融合邏輯對用戶特 征進行識別；W及
[0021] 在步驟400中，根據(jù)上述識別驗證用戶。
[0022] 在上述實施例的步驟100,即上述用戶身份驗證步驟之前，可進一步包括：在機器 人內(nèi)置的計算機或處理器中，或者單獨設(shè)計的存儲器中搭建一個用戶特征模型庫，每個用 戶模型庫可包括聲紋模型庫和面部模型庫，在一個較佳例子里，又包括用戶的特定標識符 識別庫，例如用戶的用戶名和賬戶信息；例如，為了安全性考慮，聲紋模型和面部模型的錄 入只能通過本地錄入，而不能遠程操作。聲紋模型庫或面部模型庫在邏輯上可關(guān)聯(lián)于用戶 的所述特定標識符識別庫，在身份識別完成后，機器人自動生成與所述特定標識符對應的 提取信號來完成對用戶信息的觸發(fā)。在另一個較佳例子里，用戶特征識別庫被搭建為矢量 空間或矩陣形式，基于本發(fā)明各個實施例的主要精神，可不另外再單獨區(qū)別聲紋模型庫和 面部模型庫，運兩種模型庫可W被合并入上述矢量空間，所述的處理器在每一次需要驗證 時，基于該矢量空間形成評判矢量（例如，下文所述的預設(shè)評判矢量G')，將評判矢量作為 驗證是否通過的一個基礎(chǔ)。
[0023] 參照圖2,圖2為圖1所示實施例的步驟300的詳細流程圖。在一個較佳例子中， 上述用戶身份驗證方法中的步驟300可進一步包括步驟：
[0024] 在步驟301中，獲取通過語音身份驗證方式的用戶特征得到的第一標識矢量V，根 據(jù)第一標識矢量V來獲取通過面部身份驗證方式的用戶特征得到的第二標識矢量F。例如， 通過獲取來自步驟100中的語音聲紋特征信號，設(shè)定取樣區(qū)間[0,k]，從而根據(jù)運些取樣樣 本點信號組成表征聲紋樣本的第一標識矢量V={vl，v2，…，vm}T(m<k)。并且，通過機 器人計算機響應于聲紋特征信號的特定頻譜獲取來自步驟200中的面部特征信號，設(shè)定特 征區(qū)間[0,P]，從而根據(jù)運些取樣樣本點信號組成表征面部特征的第二標識矢量F={fl， f2，…，fn}T(n<p)。
[0025] 其中，對特定頻譜的測算可通過例如全通翅曲函數(shù)，從而在不增加樣本點數(shù)目的 前提下抽取聲紋樣本中一定幅值頻譜（例如，使用測定能量值的方式）。對一段聲紋樣本信 號的重要頻段提高分析精度，對該信號的不重要頻段降低分析精度，而不同于W往單純?yōu)?了提高取樣精度而增加樣本點數(shù)量值。對聲紋特征的提取包括了用戶尋找和用戶驗證確認 兩種方式。其中，機器人存儲器內(nèi)存儲的聲紋特征庫可為多個室內(nèi)用戶，為了響應每一用戶 的口令，需要首先進行用戶尋找步驟，然后對該用戶進行身份驗證確認。
[00%] 在步驟302中，為了實現(xiàn)第一標識矢量V與第二標識矢量F的完全禪合性，將第一 標識矢量V進行加權(quán)歸一化得出矢量V' =V?O，其中O表示對矢量V的加權(quán)；
[0027] 在步驟303中，使用歸一化后的第一標識矢量V'作為對第二標識矢量F的激勵 源，則可通過所述融合邏輯將所述第一、第二標識矢量相互卷積禪合得出驗證矢量G。其中 在與所述的第二標識矢量F相關(guān)的[0,n]矢量區(qū)間內(nèi)任一樣本點T，使用上述融合邏輯， 該融合邏輯是使用機器人內(nèi)置計算機實現(xiàn)的邏輯，該邏輯滿足下述關(guān)系式：
[0029] 其中，驗證矢量G是表示用戶特征與用戶特征樣本之間的關(guān)系函數(shù)，計算機可通 過運個邏輯關(guān)系將其與預設(shè)評判矢量G'加W比較W得出是否判斷用戶為合法用戶。例如， 比較可使用測算兩矢量間相角0的方式，滿足關(guān)系式：
[0031] 其中所述相角極限越趨近于零，則表示用戶特征越符合于預存的用戶特征模型。 較佳地，對上述用戶面部特征的識別選擇為圖像區(qū)域算法識別，在本發(fā)明系統(tǒng)中可采用區(qū) 域特征建模的方式，或者通過圖像比對判定灰度值的方式。而采用灰度值測算獲得的向量 為特征向量。
[0032] 在步驟304中，將所述驗證矢量G與一個用戶特征模型庫（或者，至少一個用戶身 份標識碼）進行匹配。按照前述，用戶身份標識碼是來自所建立的用戶特征模型庫，用戶特 征模型可被計算機轉(zhuǎn)譯為用戶的姓名、賬戶或序列代碼。
[0033] 作為改進，為了上述方法能夠W高級驗證的方式來驅(qū)動機器人執(zhí)行更為復雜的指 令或者是運種驗證方式的一種變形，上述方法中的得出驗證矢量G又可包括步驟： 陽034] 在步驟305中，根據(jù)第一標識矢量V、第二標識矢量F中或者是矢量G獲取通過步 態(tài)或掌紋身份驗證方式得到的第=標識矢量W;W及
[0035] 在步驟306中，通過所述融合邏輯將所述第一、第二和第=標識矢量相禪合得出 驗證矢量H。例如，驗證矢量H是使用與前述融合邏