基于生物特征的身份识别技术是当前国际上的重点研究内容,声纹识别是通过语音识别说话人的身份,在系统安全认证、司法鉴定、金融服务以及电子侦听等领域有着广泛的应用价值,而且比起其他生物特征识别技术如指纹识别、脸部识别等,更加经济简便,特别是对于远距离身份确认更为有效。 本文在对现有声纹识别技术进行深入研究的基础上,选取目前应用最广泛、有效的语音信号特征提取方案——美尔倒频谱系数(MFCC)和语者数学模型——高斯混合模型(GMM),构架了识别系统。对于语者辨识,语者特定模型直接用语者的语料借助于期望值最大化算法(EM)来训练,辨识算法采用了最大事后概率法则(MAP);而对于语者确认,为了减少语者自己语音本身的变异性,只留下语者间彼此的变异性,在建立语者特定模型时,先训练一个语者不特定模型,然后基于一种贝叶斯语者调适法的原理用语者的训练语料将语者不特定模型调适成语者特定模型,后端匹配则结合语者特定模型与预先训练好的背景模型(UBM)来建立一个对数相似值比侦测器,利用它求取语者分数并根据门槛值得出最终的结果。 本文重点研究了后端模式匹配算法,在模型的训练过程中引入了模糊C-均值聚类算法(FCM),使识别效果获得了明显改进。这种算法在聚类方面具有高鲁棒性,将其引入到EM训练算法中代替常用的硬聚类算法来寻求模型的初始点,可使GMM模型收敛至一个更好的局部最优点。最终的试验结果证明,采用上述各项方法构造的声纹识别系统具有优越的识别性能,其中语者确认系统平均可达到4.7%的相等错误率(EER);而改进的算法可使识别率平均提高3.5%。