的號碼發(fā)現(xiàn)系統(tǒng)的一種結(jié)構(gòu)示意圖；
[0049] 圖3是根據(jù)本發(fā)明實(shí)施例提供的號碼發(fā)現(xiàn)系統(tǒng)的另一種結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0050] 為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明實(shí)施例的方案，下面結(jié)合附圖和實(shí)施 例的方式對本發(fā)明作進(jìn)一步的詳細(xì)說明。以下實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不 能解釋為對本發(fā)明的限制。
[0051]為了更好地理解本發(fā)明，下面首先對現(xiàn)有技術(shù)中聲紋識別技術(shù)進(jìn)行簡單說明。聲 紋識別（Voiceprint Recognition，VPR)，也稱為說話人識別（Speaker Recognition)，有兩 類，即說話人辨認(rèn)（Speaker Identification)和說話人確認(rèn)（Speaker Verification)。前 者用以判斷某段語音是若干人中的哪一個所說的，是"多選一"問題；而后者用以確認(rèn)某段 語音是否是指定的某個人所說的，是"一對一判別"問題。不同的任務(wù)和應(yīng)用會使用不同的 聲紋識別技術(shù)，如縮小刑偵范圍時可能需要辨認(rèn)技術(shù)，而銀行交易時則需要確認(rèn)技術(shù)。不管 是辨認(rèn)還是確認(rèn)，都需要先對說話人的聲紋進(jìn)行建模，這就是所謂的"訓(xùn)練"或"學(xué)習(xí)"過程， 聲紋模型可以包括以下任意一種：說話人因子向量模型、高斯混合模型、隱馬爾可夫模型、 動態(tài)時間規(guī)整模型或向量量化模型等。
[0052]在對說話的人辨認(rèn)方面，根據(jù)待識別的說話人是否在注冊的說話人集合內(nèi)，說話 人辨認(rèn)可以分為開集(open-set)辨認(rèn)和閉集(close-set)辨認(rèn)。前者假定待識別說話人可 以在集合外，而后者假定待識別說話人在集合內(nèi)。顯然，開集辨認(rèn)需要有一個對集外說話人 的"拒識問題"，而且閉集辨認(rèn)的結(jié)果要好于開集辨認(rèn)結(jié)果。本質(zhì)上講，說話人確認(rèn)和開集說 話人辨認(rèn)都需要用到拒識技術(shù)，為了達(dá)到很好的拒識效果，通常需要訓(xùn)練一個假冒者模型 或背景模型，以便在拒識時有可比較的對象，閾值容易選定。而建立背景模型的好壞直接影 響到拒識甚至聲紋識別的性能。一個好的背景模型，往往需要通過預(yù)先采集好的若干說話 人的數(shù)據(jù)，通過某種算法去建立。
[0053]聲紋識別主要有三個關(guān)鍵問題，一是聲紋特征提取，二是模式匹配，即模式識別， 三是相似度規(guī)整。其中，聲紋特征可以是感知線性預(yù)測系數(shù)（Perceptual Linear PrediCtive，PLP)，它是受人的聽覺系統(tǒng)研究成果推動而導(dǎo)出的聲學(xué)特征，通過對人的聽覺 機(jī)理的研究發(fā)現(xiàn)，當(dāng)兩個頻率相近的音調(diào)同時發(fā)出時，人只能聽到一個音調(diào)，當(dāng)然也可以是 梅爾頻率倒譜系數(shù)(Mel Frequency Cepstrum Coefficient，MFCC)、線性預(yù)測系數(shù)（linear prediction Coefficient，LPC)等聲紋特征。解決前兩個關(guān)鍵問題的技術(shù)已相對成熟，但是 對于相似度規(guī)整技術(shù)，現(xiàn)有技術(shù)中隨著非目標(biāo)人數(shù)據(jù)達(dá)到一定量時，相似度規(guī)整效果的提 升就趨于穩(wěn)定，無法再進(jìn)一步地提升聲紋識別的準(zhǔn)確性。
[0054]本發(fā)明提供的號碼發(fā)現(xiàn)方法及系統(tǒng)，通過從獲取的目標(biāo)人已知使用號碼及候選測 試號碼的相關(guān)信息中提取各號碼的通話信息，然后根據(jù)候選測試號碼的通話信息與外界導(dǎo) 入的目標(biāo)人相關(guān)信息和/或目標(biāo)人的已知使用號碼的通話信息的關(guān)聯(lián)度對所述相似度得分 進(jìn)行規(guī)整，使得對相似度得分的規(guī)整不僅僅依賴于上述假冒者模型或背景模型，可以進(jìn)一 步地提升聲紋識別的準(zhǔn)確性。
[0055] 為了更好的理解本發(fā)明的技術(shù)方案和技術(shù)效果，以下將結(jié)合流程圖和具體的實(shí)施 例進(jìn)行詳細(xì)的描述。
[0056] 如圖1所示，是本發(fā)明實(shí)施例提供的號碼發(fā)現(xiàn)方法的流程圖，包括以下步驟：
[0057]步驟S01，根據(jù)收集的目標(biāo)人的語音數(shù)據(jù)構(gòu)建目標(biāo)人聲紋模型。
[0058] 語音數(shù)據(jù)為通過具有麥克風(fēng)的設(shè)備收集的語音數(shù)據(jù)，可以是說話人實(shí)時的發(fā)音， 也可以是通過錄音設(shè)備等保存的語音數(shù)據(jù)，當(dāng)然，還可以是通訊設(shè)備，例如移動電話、遠(yuǎn)程 電話會議系統(tǒng)等手段傳播的語音數(shù)據(jù)。
[0059] 在本實(shí)施例中，所述目標(biāo)人指實(shí)際應(yīng)用中需要進(jìn)行號碼發(fā)現(xiàn)的人，號碼發(fā)現(xiàn)屬于 說話人辨認(rèn)技術(shù)的范圍，簡單說即從大量使用號碼中發(fā)現(xiàn)目標(biāo)人使用的號碼。目標(biāo)人語音 數(shù)據(jù)的收集可以從其日常說話中自動獲取，如通話語音，也可以是專門進(jìn)行目標(biāo)人語音數(shù) 據(jù)錄制，對此本實(shí)施例不作限定。
[0060] 在實(shí)際應(yīng)用中，所述語音數(shù)據(jù)的聲紋特征，可以是PLP特征，當(dāng)然也可以是MFCC、 LPC等聲紋特征。所述目標(biāo)人聲紋模型的構(gòu)建，采用現(xiàn)有技術(shù)，如首先提取目標(biāo)人語音數(shù)據(jù) 的聲紋特征，如PLP特征，再基于聲紋特征構(gòu)建聲紋模型，如當(dāng)下較為流行的說話人因子向 量（ivector)〇
[0061] 在一個具體實(shí)施例中，說話人因子向量I的表達(dá)式如式(2)所示：
[0062] M=m+TI (2)
[0063] 其中，Μ為從目標(biāo)人的語音中提取的均值超矢量，m為通用背景模型的均值，T為因 子載荷矩陣;通用背景模型為通過EM算法訓(xùn)練得到的混合高斯模型；通用背景模型及因子 載荷矩陣的獲取同現(xiàn)有技術(shù)，在此不再詳述。
[0064] 需要說明的是，所述聲紋模型還可以為高斯混合模型、隱馬爾可夫模型、動態(tài)時間 規(guī)整模型、向量量化模型等，具體視使用效果而定。
[0065] 步驟S02,獲取目標(biāo)人的已知使用號碼和候選測試號碼以及各號碼的通話信息。
[0066] 在本實(shí)施例中，所述候選測試號碼按照預(yù)設(shè)條件選取;所述預(yù)設(shè)條件包括以下任 意一個或多個:號碼的地域信息、使用年限、使用頻率、某個時段的有效語音時長、是否擁有 指定和/或共同的聯(lián)系人
[0067] 在一個具體實(shí)施例中，根據(jù)目標(biāo)人的已知使用號碼的話單信息，選取在某一周期T 內(nèi)與目標(biāo)人的已知使用號碼a通話的所有話單A，并將與目標(biāo)人的已知使用號碼a通話次數(shù) 大于η的所有話單記為A'。待發(fā)現(xiàn)的候選測試號碼的通話信息，選取符合一定條件的待測試 號碼作為候選測試號碼，而候選測試號碼使用人的通話語音數(shù)據(jù)作為候選測試號碼的通話 信息。所述候選測試號碼選取的條件，可以包括在周期Τ內(nèi)選取有效語音時長大于時長閾值 1^的測試號碼作為候選測試號碼，記為Β。
[0068] 步驟S03,提取所述候選測試號碼的使用人的聲紋特征。
[0069] 在本實(shí)施中，通過各候選測試號碼獲取該號碼相應(yīng)說話人的語音數(shù)據(jù)，例如通過 撥打該號碼進(jìn)行電話錄音或運(yùn)營商提供的通話錄音等，當(dāng)然，也可以通過找到該號碼使用 人以獲取語音數(shù)據(jù);然后從獲取的各候選測試號碼的語音數(shù)據(jù)中提取聲紋特征，例如通過 公式(2)獲取各候選測試號碼的使用人的語音數(shù)據(jù)的說話人因子向量。
[0070] 步驟S04,計算過程:計算各候選測試號碼的使用人的聲紋特征與目標(biāo)人聲紋模型 的相似度得分。
[0071] 在本實(shí)施例中，根據(jù)說話人因子向量計算各候選測試號碼的使用人的聲紋特征與 目標(biāo)人聲紋模型的相似度得分，具體地，可以根據(jù)各說話人因子向量之間的距離來判斷說 話人因子向量之間的相似度，例如，KLD距離，歐式距離，cos相關(guān)度距離等，本實(shí)施例采用 cos相關(guān)度距離進(jìn)行說明。
[0072]在一個具體實(shí)施例中，計算各候選測試號碼使用人的說話人因子向量與目標(biāo)人的 說話人因子向量兩兩之間的COS相關(guān)度距咼ClQ，C2Q，C3Q，...，其中，ClQ，C2Q，C3Q分別為第1、第 2、第3候選測試號碼的使用人的聲紋特征與目標(biāo)人λ聲紋模型之間的cos相關(guān)度距離，當(dāng)cos 相關(guān)度距離越大，則代表這兩個號碼的使用人的語音信號特征越相似。具體數(shù)學(xué)公式如式 (3)所示：
[0073] I U I * /t I
[0074] 在其他實(shí)施例中，還可以通過采用概率線性鑒別分析PLDA技術(shù)以去除信道的干擾 信息，從而提升判斷語音信號類之間相似度的準(zhǔn)確性。
[0075] 當(dāng)然，還可以根據(jù)其他計算各候選測試號碼使用人與目標(biāo)人聲紋的相似度得分的 方法獲取相似度得分，在此不做限定。
[0076]步驟S05,計算過程結(jié)束后，基于候選測試號碼的通話信息與目標(biāo)人的已知使用號 碼的通話信息和/或外界導(dǎo)入的目標(biāo)人相關(guān)信息的關(guān)聯(lián)度對所述相似度得分進(jìn)行規(guī)整。 [0077]在本實(shí)施例中，所述基于候選測試號碼的通話信息與目標(biāo)人的已知使用號碼的通 話信息和/或外界導(dǎo)入的目標(biāo)人相關(guān)信息的關(guān)聯(lián)度對所述相似度得分進(jìn)行規(guī)整，包括以下 任意一個或多個步驟:將各相似度得分乘以預(yù)設(shè)的函數(shù)以擴(kuò)大候選測試號碼的使用人的聲 紋特征與目標(biāo)人聲紋模型的相似度得分的