[發(fā)明專利]用戶驗(yàn)證方法和設(shè)備及說(shuō)話者驗(yàn)證方法和設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 201911084027.2
• 申請(qǐng)日: 2019-11-07
• 公開（公告）號(hào): CN111382407A
• 公開（公告）日: 2020-07-07
• 發(fā)明（設(shè)計(jì)）人: 李*煥;金圭洪;崔昌圭
• 申請(qǐng)（專利權(quán)）人: 三星電子株式會(huì)社
• 主分類號(hào): G06F21/32
• 分類號(hào): G06F21/32;G06K9/62
• 代理公司: 北京銘碩知識(shí)產(chǎn)權(quán)代理有限公司 11286
• 代理人: 方成;張川緒

公開了用戶驗(yàn)證方法和設(shè)備及說(shuō)話者驗(yàn)證方法和設(shè)備，其中，用戶驗(yàn)證方法包括：基于與用戶對(duì)應(yīng)的輸入數(shù)據(jù)生成與用戶對(duì)應(yīng)的特征向量；確定表示特征向量和注冊(cè)的用于用戶驗(yàn)證的注冊(cè)特征向量之間的相似性的第一參數(shù)；確定表示特征向量和與廣義用戶對(duì)應(yīng)的用戶模型之間的相似性的第二參數(shù)；并且基于所述第一參數(shù)和所述第二參數(shù)驗(yàn)證用戶。

本申請(qǐng)要求于2018年12月27日在韓國(guó)知識(shí)產(chǎn)權(quán)局提交的第10-2018-0170905號(hào)韓國(guó)專利申請(qǐng)的權(quán)益，所述韓國(guó)專利申請(qǐng)的全部公開出于所有目的通過(guò)引用包含于此。

技術(shù)領(lǐng)域

下面的描述涉及一種使用廣義用戶模型的用戶驗(yàn)證方法和設(shè)備。

背景技術(shù)

最近，為了將輸入模式分類為屬于組的成員，研究人員正在積極地開展對(duì)應(yīng)用高效和準(zhǔn)確的模式識(shí)別的方法的研究。這樣一個(gè)研究領(lǐng)域集中在通過(guò)數(shù)學(xué)表達(dá)式對(duì)用于模式識(shí)別的特性進(jìn)行建模的人工神經(jīng)網(wǎng)絡(luò)。為了將輸入模式分類為屬于組的成員，神經(jīng)網(wǎng)絡(luò)采用算法。通過(guò)這種算法，神經(jīng)網(wǎng)絡(luò)可生成輸入模式和輸出模式之間的映射。生成這種映射的能力可被稱為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力。此外，神經(jīng)網(wǎng)絡(luò)可具有基于先前學(xué)習(xí)的結(jié)果生成相對(duì)于尚未用于學(xué)習(xí)的輸入模式的相對(duì)準(zhǔn)確的輸出的泛化能力。

目前，對(duì)用戶驗(yàn)證的需求正在增加。然而，當(dāng)前用戶驗(yàn)證的可靠性相對(duì)低，難以滿足對(duì)用戶驗(yàn)證的不斷增長(zhǎng)的需求。

發(fā)明內(nèi)容

提供本發(fā)明內(nèi)容以簡(jiǎn)化的形式介紹在以下具體實(shí)施方式中進(jìn)一步描述的構(gòu)思的選擇。本發(fā)明內(nèi)容不意在辨識(shí)要求權(quán)利的主題的關(guān)鍵特征或必要特征，也不意在用于幫助確定要求權(quán)利的主題的范圍。

在一個(gè)總體方面，提供一種用戶驗(yàn)證方法，包括：基于與用戶對(duì)應(yīng)的輸入數(shù)據(jù)生成與用戶對(duì)應(yīng)的特征向量；確定表示特征向量和注冊(cè)的用于用戶驗(yàn)證的注冊(cè)特征向量之間的相似性的第一參數(shù)；確定表示特征向量和與廣義用戶對(duì)應(yīng)的用戶模型之間的相似性的第二參數(shù)；并且基于所述第一參數(shù)和所述第二參數(shù)生成用戶的驗(yàn)證結(jié)果。

用戶模型可包括通過(guò)對(duì)與廣義用戶對(duì)應(yīng)的廣義特征向量進(jìn)行聚類而獲得的特征聚類。

確定所述第二參數(shù)的步驟可包括：基于特征向量和每個(gè)特征聚類之間的相似性選擇特征聚類的一部分作為代表特征聚類；并且基于特征向量和代表特征聚類之間的相似性確定所述第二參數(shù)。

確定所述第二參數(shù)的步驟可包括：基于可包括特征向量和高斯分布的高斯混合模型(GMM)確定所述第二參數(shù)，并且高斯分布可對(duì)應(yīng)于表示廣義用戶的廣義特征向量的分布。

確定所述第二參數(shù)的步驟可包括：使用被訓(xùn)練為輸出網(wǎng)絡(luò)輸入和用戶模型之間的相似性的神經(jīng)網(wǎng)絡(luò)確定所述第二參數(shù)。

生成特征向量的步驟可包括：通過(guò)使用被訓(xùn)練為從輸入提取特征的神經(jīng)網(wǎng)絡(luò)從輸入數(shù)據(jù)提取特征來(lái)生成特征向量。

生成用戶的驗(yàn)證結(jié)果的步驟可包括：基于所述第一參數(shù)和所述第二參數(shù)確定置信度得分；并且通過(guò)比較置信度得分和閾值獲得用戶的驗(yàn)證結(jié)果。

置信度得分可響應(yīng)于特征向量和注冊(cè)特征向量之間的相似性的增大而增大，并且可響應(yīng)于特征向量和用戶模型之間的相似性的增大而減小。

生成用戶的驗(yàn)證結(jié)果的步驟可包括：基于所述第二參數(shù)確定閾值；并且通過(guò)比較與所述第一參數(shù)對(duì)應(yīng)的置信度得分和閾值生成用戶的驗(yàn)證結(jié)果。

閾值可響應(yīng)于特征向量和用戶模型之間的相似性的增大而增大。

所述第一參數(shù)可響應(yīng)于特征向量和注冊(cè)特征向量之間的距離的減小而增大，并且所述第二參數(shù)可響應(yīng)于特征向量和用戶模型之間的距離的減小而增大。