DE19746077A1 - Sichere Identifikation mit Vorauswahl und Rückweisungsklasse - Google Patents
Sichere Identifikation mit Vorauswahl und RückweisungsklasseInfo
- Publication number
- DE19746077A1 DE19746077A1 DE19746077A DE19746077A DE19746077A1 DE 19746077 A1 DE19746077 A1 DE 19746077A1 DE 19746077 A DE19746077 A DE 19746077A DE 19746077 A DE19746077 A DE 19746077A DE 19746077 A1 DE19746077 A1 DE 19746077A1
- Authority
- DE
- Germany
- Prior art keywords
- classes
- class
- information
- area
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Ceased
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
- G06V30/2504—Coarse or fine approaches, e.g. resolution of ambiguities or multiscale approaches
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Description
Die Klassifikation von Datensätzen (z. B. Bilddaten,
Sprachsignal) ist Grundlage einer "intelligenten"
Computerleistung. Die Anwendungsgebiete sind zahlreich, z. B.
industrielle Fertigung, biometrische Personenerkennung,
medizinische Bildverarbeitung, etc.
Der Stand der Technik umfaßt zahlreiche Klassifikatoren, z. B.
- - Statistische Klassifikatoren (Normalverteilungsklass.)
- - Neuronale Netze
- - Synergetische Algorithmen
- - Nächster-Nachbar-Klassifikator
Standarliteratur in der Mustererkennung ist Niemann,
"Klassifikation von Mustern", Springer Verlag, 1983.
Die Erfindung geht von der Aufgabe aus, die Güte der
Klassifikation weiter zu verbessern, sei es durch neue
Klassifikatoren oder durch neue Prinzipielle Ansätze des
Klassifikationsansatzes. Gelöst wird das mit Anspruch 1 oder 10.
Einige Definitionen sollen das Verständnis der in den Ansprüchen
gewählten technischen Begriffe erleichtern:
Identifikation (oder Klassifikation) von n Klassen:
Nachdem aus einer vorgegebenen repräsentativen Stichprobe in einem sog. Einlernprozeß n Klassen gebildet werden, heißt die Einordnung eines (noch) unbekannten Musters in eine bestimmte Klasse <Identifikation<. Dabei kann durch Einführen einer Rückweisungsschwelle das Muster als unbekannt abgewiesen werden. Wenn es der Rückweisungsklasse näher ist, als den eingelernten oder bekannten Zielklassen der Identifikation, wird es dorthin klassifiziert. Rückweisungsschwelle und -klasse können alternativ und kumulativ vorgesehen werden. Ein "zurückgewiesenes Muster" (Objekt oder Person) liegt vor, wenn alle jeweils vorgesehenen "Rückweisungen" (Schwelle oder/und Klasse) angesprochen haben.
Identifikation (oder Klassifikation) von n Klassen:
Nachdem aus einer vorgegebenen repräsentativen Stichprobe in einem sog. Einlernprozeß n Klassen gebildet werden, heißt die Einordnung eines (noch) unbekannten Musters in eine bestimmte Klasse <Identifikation<. Dabei kann durch Einführen einer Rückweisungsschwelle das Muster als unbekannt abgewiesen werden. Wenn es der Rückweisungsklasse näher ist, als den eingelernten oder bekannten Zielklassen der Identifikation, wird es dorthin klassifiziert. Rückweisungsschwelle und -klasse können alternativ und kumulativ vorgesehen werden. Ein "zurückgewiesenes Muster" (Objekt oder Person) liegt vor, wenn alle jeweils vorgesehenen "Rückweisungen" (Schwelle oder/und Klasse) angesprochen haben.
Eine erfolgreiche "Identifikation" setzt voraus, daß aus
dem Testmuster hinreichende Information für eine
eindeutige Zuordnung in eine der n Klassen des
Einlernprozesses gewonnen werden kann.
Verifikation:
Durch ein A-Priori-Wissen über die Soll-Klasse wird eine Identifikation mit n=1 durchgeführt, d. h. es kann nach Art einer Binär-Entscheidung (nur) zu einer Akzeptanz oder Rückweisung des Testmusters kommen.
Durch ein A-Priori-Wissen über die Soll-Klasse wird eine Identifikation mit n=1 durchgeführt, d. h. es kann nach Art einer Binär-Entscheidung (nur) zu einer Akzeptanz oder Rückweisung des Testmusters kommen.
FAR, FRR, Gütefunktion:
Die FAR (false acception rate) gibt die Quote von falsch erkannten Mustern wieder; die FRR (false rejection rate) die Quote von falsch zurückgewiesenen Mustern (Mustern im Test, kurz: "Testmuster"). Ein Gütefunktion G=G(FAR,FRR) gibt die Güte eines Klassifikationsverfahrens an, z. B. G=1-FAR-FRR. Je genauer die Klassifikation, desto näher ist G an "Eins". Eine Gewichtung der FAR und FRR kann Einfluß nehmen, wenn der eine oder andere der Parameter FAR, FRR betont werden soll, beispielsweise durch eine Mittelwertbildung mit Gewichtungsfaktoren g1,g2, z. B. (g1.FAR+g2.FRR)/(g1+g2). In der praktischen Anwendung wird eher FRR von größerer Bedeutung sein, so daß z. B. g2=2 und g1=1 gewählt werden können, um die Güte G "meßbar" zu machen und Identifikationen zu vergleichen.
Die FAR (false acception rate) gibt die Quote von falsch erkannten Mustern wieder; die FRR (false rejection rate) die Quote von falsch zurückgewiesenen Mustern (Mustern im Test, kurz: "Testmuster"). Ein Gütefunktion G=G(FAR,FRR) gibt die Güte eines Klassifikationsverfahrens an, z. B. G=1-FAR-FRR. Je genauer die Klassifikation, desto näher ist G an "Eins". Eine Gewichtung der FAR und FRR kann Einfluß nehmen, wenn der eine oder andere der Parameter FAR, FRR betont werden soll, beispielsweise durch eine Mittelwertbildung mit Gewichtungsfaktoren g1,g2, z. B. (g1.FAR+g2.FRR)/(g1+g2). In der praktischen Anwendung wird eher FRR von größerer Bedeutung sein, so daß z. B. g2=2 und g1=1 gewählt werden können, um die Güte G "meßbar" zu machen und Identifikationen zu vergleichen.
Das erfindungsgemäße Verfahren dient der Erhöhung der
Klassifikationsgüte und umfaßt zwei Schritte:
- (a) Im ersten Schritt erfolgt eine <Identifikation< von n Klassen durch eine doppelte Ausnutzung der gegebenen Informationen besser gelöst. Dazu wird der Informationsgehalt des Testmusters in einen notwendigen und einen hinreichenden Teil für die Zugehörigkeit zu einer Klasse eingeteilt. Durch den notwendigen Teil kann eine Vorauswahl (Vorklassifizierung) der in Betracht kommenden Klassen vorgenommen werden. Es wird hierbei keine eindeutige (vielmehr eine unscharfe) Klassifikation geliefert, jedoch die Zahl der tatsächlich für das Muster in Frage kommenden Klassen stark eingeschränkt. Durch diesen Schritt kann die Identifikation "besser" (im Sinne der obigen Gütefunktion G) gelöst werden.
- (b) Im zweiten Schritt wird die Klassifikationsgüte durch eine
(zusätzliche) Rückweisungsklasse erhöht. Diese Klasse
dient zur Unterstützung der Rückweisung, d. h. zusätzlich
zu Rückweisungen, die z. B. durch Schwellenentscheidungen
gewonnen wurden, ist eine spezielle Rückweisungsklasse
<gleichberechtigt< zu den Identifikationsklassen (die
konkreten Zielklassen), in die klassifiziert werden kann.
Mit der Rückweisungsklasse wird ein A-Priori-Wissen über die Objekte/Personen, die abgewiesen werden sollen, dahingehend berücksichtigt, daß z. B. ein repräsentativer Querschnitt der abzuweisenden Objekte/Personen (allgemein: Muster) in diese Rückweisungsklasse eingelernt wird und dem Klassifikator damit bekannt ist.
Die Zusammensetzung der Rückweisungsklasse ist
"erfolgsorientiert", d. h. das Klassifikationsproblem muß durch
die Nutzung der Rückweisungsklasse besser (im Sinne der
Gütefunktion) gelöst werden. Sind abzuweisende Muster z. B.
bekannt, so können sie alle in die Rückweisungsklasse eingelernt
werden. In der Regel ist aber nur ein bestimmter Teil davon für
eine bessere Rückweisungsklasse notwendig, ein anderer Teil kann
z. B. aus einer völlig problemfremden Datenbank stammen.
Als Methode zur Auswahl der Rückweisungsmuster kommen
Auswahlverfahren in Betracht, z. B. Erproben aller Möglichkeiten
und Verwendung derjenigen Datensätze (von Mustern), die zu dem
besten Ergebnis führen.
Die Erfindung(en) werden nachfolgend anhand mehrerer
Ausführungsbeispiele erläutert und ergänzt.
Fig. 1 ist ein graphisches Beispiel einer Klassifikation mit
einer Rückweisungsklasse.
Eine konkrete Lern- und Klassifikationsvorgang erfolgt in
folgenden Schritten:
Bereitstellung der digitalen Datensätze eines Klassifikationsproblems.
Bestimmung der Identifikationsklassen K1, . . ., Kn durch eine repräsentative Stichprobe der jeweiligen Klasse (übliches Lernverfahren).
Für jede Teilmenge von {K1, . . ., Kn} wird eine Rückweisungsklasse bestimmt, die die Gesamtheit aller möglichen Testmuster von dieser Teilmenge abgrenzt. Es können dazu z. B. die Datensätze der anderen Klassen und/oder potentielle Rückweisungskandidaten verwendet werden.
Berechnung des notwendigen Informationsgehalts. Das können durchaus verschiedene Merkmale sein, die allerdings - damit es sinnvoll ist - zu einer Einschränkung in der Klassenauswahl 20 verwendet werden können.
Durch Berücksichtigung der notwendigen Bedingung wird die Identifikation von n Klassen auf eine Klassifikation 30 geringeren Grades m (im besten Fall m=1) zurückgeführt.
Der zweite Schritt beinhaltet die Identifikation/Verifikation 40, die zusätzlich mit der Rückweisungsklasse durchgeführt wird.
Erfolgt die Zuordnung in eine der m Klassen K1 . . . Km, gilt das Objekt bzw. die Person als entsprechend erkannt, erfolgt die Zuordnung in die Rückweisungsklasse 10 bzw. ist eine Rückweisungsschwelle überschritten, wird das Objekt bzw. die Person abgewiesen.
Bereitstellung der digitalen Datensätze eines Klassifikationsproblems.
Bestimmung der Identifikationsklassen K1, . . ., Kn durch eine repräsentative Stichprobe der jeweiligen Klasse (übliches Lernverfahren).
Für jede Teilmenge von {K1, . . ., Kn} wird eine Rückweisungsklasse bestimmt, die die Gesamtheit aller möglichen Testmuster von dieser Teilmenge abgrenzt. Es können dazu z. B. die Datensätze der anderen Klassen und/oder potentielle Rückweisungskandidaten verwendet werden.
Berechnung des notwendigen Informationsgehalts. Das können durchaus verschiedene Merkmale sein, die allerdings - damit es sinnvoll ist - zu einer Einschränkung in der Klassenauswahl 20 verwendet werden können.
Durch Berücksichtigung der notwendigen Bedingung wird die Identifikation von n Klassen auf eine Klassifikation 30 geringeren Grades m (im besten Fall m=1) zurückgeführt.
Der zweite Schritt beinhaltet die Identifikation/Verifikation 40, die zusätzlich mit der Rückweisungsklasse durchgeführt wird.
Erfolgt die Zuordnung in eine der m Klassen K1 . . . Km, gilt das Objekt bzw. die Person als entsprechend erkannt, erfolgt die Zuordnung in die Rückweisungsklasse 10 bzw. ist eine Rückweisungsschwelle überschritten, wird das Objekt bzw. die Person abgewiesen.
Ein sehr treffendes Beispiel des ersten Schrittes läßt sich
anhand des Unterschieds von Spracherkennung und
Sprecher-Erkennung erläutern:
Spracherkennung:
Ein gesprochenes Wort wird - möglichst unabhängig von dem spezifischen Sprecher - mit Methoden der Signalverarbeitung erkannt.
Ein gesprochenes Wort wird - möglichst unabhängig von dem spezifischen Sprecher - mit Methoden der Signalverarbeitung erkannt.
Sprecher-Erkennung:
Die Aufnahme eines Sprachsignals wird - möglichst unabhängig vom Inhalt - einem Sprecher zugeordnet.
Die Aufnahme eines Sprachsignals wird - möglichst unabhängig vom Inhalt - einem Sprecher zugeordnet.
Das angestrebte Ziel soll eine zuverlässige Sprecher-Erkennung
sein, die z. B. zur Zutritts- oder Zugangskontrolle dient.
Die Sprecher müssen für die Identifikation ihren Nachnamen
aussprechen. Eine notwendige Voraussetzung, daß z. B. Herr Maier
als derjenige auch erkannt wird, liegt darin, daß der Name
"Maier" ausgesprochen wurde. Durch eine Spracherkennung kommen
nur die Klassen in Betracht, die phonetisch wie "Maier" klingen.
In diesem Beispiel ist keine Reduzierung auf n=1 vorgesehen, da
z. B. auch Frau Maier oder Hr. Meyer, die auch erkannt werden
sollen, in die (klangliche) Unterauswahl "Maier" fallen und
klassifikationsrechtlich verwechselbar sind. Erst die
nachfolgende Sprecher-Erkennung ergibt ein eindeutige Zuordnung.
Das Beispiel 1 umschreibt also bei der Spracherkennung einen
notwendigen Informationsbereich, um alle Nicht-"Maier", die
nicht klanglich wie "Maier" klingen, vorab auszusondern.
Im Beispiel 2 müssen die Sprecher für die Identifikation ein
personenspezifisches eindeutiges Codewort nennen, z. B. eine
Zahlenfolge. Die vorgeschaltete Spracherkennung ergab eine
Reduzierung des Identifikationsproblems auf n=1, d. h. es ist
jetzt nur noch nötig, eine Verifikation durchzuführen, basierend
auf einem hinreichenden Informationsbereich, bei zuvor schon
ausgewertetem notwendigen Informationsbereich.
Obwohl im Stand der Technik Sprach- besser als
Sprecher-Erkennungen gelöst sind, stößt eine reine Sprecher-Erkennung
wegen beschränkter Rechenkapazität schnell an ihre Grenzen, da
ein Lernmuster mit jeder Klasse verglichen werden muß (Beispiel:
Bankkunden). Sowohl die FAR als auch die FRR sinken aber bei
kleinerer Klassenanzahl. Z.B. wird bei einem System "Sesam"
gemäß DE 44 13 788.5 (oder WO 95/25316) im reinen
Identifikationsfall bei 66 Personen eine Gütefunktion
(Gsesam=1-FRR+FAR) von unter 80% im akustischen Bereich erzielt,
während eine Verifikation die Gütefunktion auf 97,2% erhöht.
Ein Beispiel 3 soll mit Einbindung einer Rückweisungsklasse
erläutert werden. Bei der biometrischen Personenerkennung hat
jede berechtigte Person eine Identifikationsklasse. Die
Rückweisungsklasse wird über eine Auswahl eines großen Pools von
Personendatensätzen gebildet. Neben den Identifikationsklassen
stellt die Rückweisungsklasse den "Rest der Welt" dar, bildlich
oft mit "im übrigen" umschrieben. Dadurch werden in der Regel
unberechtigte Personen, die fälschlicherweise nicht abgewiesen
wurden, in die Rückweisungsklasse eingeordnet und dadurch
korrekt abgewiesen.
Bei z. B. 10 Aufnahmen (Muster) einer zu verifizierenden Person
und einem Pool von 200 Aufnahmen (Muster) von einer
repräsentativen Stichprobe der Bevölkerung werden die
biometrischen Daten Mimik, Gesichtsbild und Akustik als Merkmale
herangezogen. Weiterhin steht eine Teststichprobe von
20 Aufnahmen der zu verifizierenden Person und 100 Aufnahmen von
unbekannten Personen zur Verfügung. In die Rückweisungsklasse
werden die Aufnahmen aus "dem Pool" eingelernt, die zu einem
optimalen Ergebnis auf der Teststichprobe führen, d. h. die
Gütefunktion G wird maximiert. Es ist klar, daß bei diesem
Zahlenbeispiel schnelle Auswahlverfahren verwendet werden, da
das Erproben 2200 Testläufe erfordert.
Nicht berechtigte Personen konnten bislang nur über eine
Rückweisungsschwelle abgewiesen werden; in Abhängigkeit dieser
Schwelle ergibt sich aber eine hohe FAR oder FRR und damit ein
kleiner Gütewert G.
Die Erfindung geht von der Vorgabe aus, die Güte einer
Klassifikation in einer Identifikation weiter zu verbessern, sei
es durch neue Klassifikatoren oder durch neue prinzipielle
Ansätze des Klassifikationsansatzes. Vorgeschlagen wird dazu ein
Verfahren zum Klassifizieren mit zwei Verfahrensschritten, bei
dem der Informationsgehalt eines Musters (Objekt oder Person) in
zwei Informationsbereichen ausgewertet wird, von denen der erste
Bereich notwendige Informationen, der zweite Bereich
hinreichende Informationen beinhaltet. Durch den notwendigen
Informationsbereich wird eine noch unscharfe und mehrere, aber
eine stark begrenzte Anzahl von Klassen betreffende Vorauswahl
getroffen. Es erfolgt eine Identifikation mit dem hinreichenden
Informationsbereich nach der Vorauswahl, um die noch unscharfe
Vorauswahl hinsichtlich einer tatsächlichen Zielklasse zu
konkretisieren.
Claims (12)
1. Verfahren zum Klassifizieren von Mustern (Objekte oder
Personen), bei dem der Informationsgehalt eines Musters in
zwei Informationsbereiche eingeteilt wird, von denen der
erste Bereich notwendige Informationen und der zweite
Bereich hinreichende Informationen beinhaltet, umfassend
zwei Verfahrensschritte:
- (a) durch den notwendigen Informationsbereich wird eine noch unscharfe und mehrere, aber eine stark begrenzte Anzahl von Klassen betreffende Vorauswahl getroffen;
- (b) nach der Vorauswahl erfolgt eine Identifikation mit dem hinreichenden Informationsbereich, um die noch unscharfe Vorauswahl hinsichtlich einer tatsächlichen Zielklasse zu konkretisieren.
2. Verfahren nach Anspruch 1, bei dem eine Rückweisungsklasse
(10) als mögliche Klasse zur Vorab-Zuordnung solcher
Muster bereitsteht, die aufgrund von in der
Rückweisungsklasse eingelerntem A-Priori-Wissen mit
zumindest guter Wahrscheinlichkeit zurückzuweisen sind.
3. Verfahren nach einem der vorigen Ansprüche, bei dem
das/ein A-Priori-Wissen in der/einer Rückweisungsklasse
(10) vor dem Beginn des zweiten Verfahrensschrittes
eingelernt wird, orientiert an einem repräsentativen
Querschnitt der nicht in die Klassen der positiv
klassierenden Identifikation einzuordnenden Muster,
insbesondere aufgrund von sicher abzuweisenden Mustern.
4. Verfahren nach einem der vorigen Ansprüche, bei dem die
Rückweisungsklasse (10) jeweils zu den anderen Klassen des
jeweiligen Verfahrensschrittes, insbesondere den konkreten
Zielklassen des zweiten Verfahrensschrittes,
gleichberechtigt ist.
5. Verfahren nach einem der obigen Ansprüche, bei dem für
jede Teilmenge der Klassen der Identifikation eine
(individuelle) Rückweisungsklasse erlernt oder a-priori
bestimmt wird.
6. Verfahren nach Anspruch 5, bei dem jeweils eine Teilmenge
der unscharfe Bereich der Vorauswahl (20) ist, betreffend
die starke Einschränkung der möglichen Klassen für die
(folgende) Identifikation (40) in konkrete Zielklassen als
Endklassifikation.
7. Verfahren nach einem obiger Ansprüche, bei dem mit der
notwendigen Information das Klassifizierungsproblem auf
ein (noch nötiges) Erkennungsproblem deutlich geringeren
Grades reduziert wird.
8. Verfahren nach Anspruch 7, bei dem die Identifikation eine
Verifikation des unscharfen Vorauswahl-Bereichs ist, wobei
(nur) der hinreichende Informationsgehalt
(Informationsbereich) ausgewertet wird.
9. Verfahren nach einem obiger Ansprüche, bei dem eine erste
Zahl von Mustern vorliegt, die in begrenztem Umfang in die
Rückweisungsklasse eingelernt werden, daß sich eine andere
Musterzahl ergibt, um ein optimiertes Ergebnis der von der
ersten Musterzahl abweichenden Musterzahl zu erhalten,
wobei sich in der ersten und anderen Musterzahl auch eine
geringe Anzahl von nicht der Rückweisung zuzuordnenden
Mustern befindet.
10. Vorrichtung mit einem Rechenwerk und einer Eingabeeinheit
und einer Ausgabeeinheit, bei der das Rechenwerk so
programmiert ist, um das Verfahren nach einem der obigen
Verfahrensansprüche auszuführen.
11. Vorrichtung nach Anspruch 10, bei der eine Informa
tions-Splittingeinrichtung (50) vorgesehen ist, die eine
Trennung notwendiger und hinreichender Information
vornimmt, um einen ersten Klassifikator (20) mit einem
ersten Informationsbereich und einen Identifizierer (40)
mit hinreichendem Informationsbereich zu versorgen, welche
beiden Bereiche jeweils geringer sind, als die
Gesamtinformation des gerade zu klassifizierenden
Musters (60)
12. Vorrichtung nach Anspruch 10, bei der neben der zumindest
einen konkreten Zielklasse (40) eine Rückweisungsklasse
(10) als Speicherbereich definiert ist, die hierarchisch
und funktionell den Zielklassen gleichwertig, aber vom
Umfang her größer ist, um alle nicht in die mindestens
eine Zielklasse aufzunehmenden Muster (60) aufzunehmen.
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19746077A DE19746077A1 (de) | 1997-03-10 | 1997-10-17 | Sichere Identifikation mit Vorauswahl und Rückweisungsklasse |
AT98921350T ATE368261T1 (de) | 1997-03-10 | 1998-03-10 | Sichere identifikation mit vorauswahl und rückweisungsklasse |
PCT/DE1998/000708 WO1998040825A2 (de) | 1997-03-10 | 1998-03-10 | Sichere identifikation mit vorauswahl und rückweisungsklasse |
US09/381,064 US6519579B1 (en) | 1997-03-10 | 1998-03-10 | Reliable identification with preselection and rejection class |
DE59814066T DE59814066D1 (de) | 1997-03-10 | 1998-03-10 | Sichere identifikation mit vorauswahl und rückweisungsklasse |
JP53908598A JP2002501637A (ja) | 1997-03-10 | 1998-03-10 | 前選択と棄却クラスによる確実な識別 |
EP98921350A EP0965088B1 (de) | 1997-03-10 | 1998-03-10 | Sichere identifikation mit vorauswahl und rückweisungsklasse |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19709819 | 1997-03-10 | ||
DE19746077A DE19746077A1 (de) | 1997-03-10 | 1997-10-17 | Sichere Identifikation mit Vorauswahl und Rückweisungsklasse |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19746077A1 true DE19746077A1 (de) | 1998-09-17 |
Family
ID=7822865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19746077A Ceased DE19746077A1 (de) | 1997-03-10 | 1997-10-17 | Sichere Identifikation mit Vorauswahl und Rückweisungsklasse |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19746077A1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19903568A1 (de) * | 1999-01-29 | 2000-08-03 | Siemens Ag | Verfahren zum Messen und Auswerten biometrischer Merkmale eines Fingers |
DE10039668A1 (de) * | 2000-08-14 | 2002-02-28 | Mettler Toledo Gmbh | Messapparatur mit Benutzerprofil |
-
1997
- 1997-10-17 DE DE19746077A patent/DE19746077A1/de not_active Ceased
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19903568A1 (de) * | 1999-01-29 | 2000-08-03 | Siemens Ag | Verfahren zum Messen und Auswerten biometrischer Merkmale eines Fingers |
DE19903568B4 (de) * | 1999-01-29 | 2004-11-04 | Siemens Ag | Verfahren zum Messen und Auswerten biometrischer Merkmale eines Fingers |
DE10039668A1 (de) * | 2000-08-14 | 2002-02-28 | Mettler Toledo Gmbh | Messapparatur mit Benutzerprofil |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60208223T2 (de) | Anordnung und verfahren zur gesichtserkennung unter verwendung von teilen des gelernten modells | |
EP0604476B1 (de) | Verfahren zur erkennung von mustern in zeitvarianten messsignalen | |
DE69636057T2 (de) | Sprecherverifizierungssystem | |
DE69333811T2 (de) | Verfahren und Gerät zur Erzeugung und Einstellung eines Neurones | |
DE69815067T2 (de) | Verfahren zur bestimmung modell-spezifischer faktoren für die mustererkennung im insbesonderen für sprachmuster | |
DE10132013B4 (de) | Multimodale Biometrie | |
DE19630109A1 (de) | Verfahren zur Sprecherverifikation anhand mindestens eines von einem Sprecher eingesprochenen Sprachsignals, durch einen Rechner | |
DE19634769A1 (de) | Neurales Netzwerk zur Lokalisierung und Erkennung eines verformbaren Objekts | |
EP1926081A1 (de) | Verfahren zur Dialoganpassung und Dialogsystem zur Durchführung | |
EP0964390A2 (de) | Vorrichtung zur Verifizierung von Signalen | |
DE69333247T2 (de) | Trainingsverfahren und Gerät zur Erzeugung eines neues Neurons | |
DE4407998C2 (de) | Verfahren und Vorrichtung zur Erkennung eines Musters auf einem Beleg | |
EP0965088B1 (de) | Sichere identifikation mit vorauswahl und rückweisungsklasse | |
DE19746077A1 (de) | Sichere Identifikation mit Vorauswahl und Rückweisungsklasse | |
DE19942223A1 (de) | Klassifikationsverfahren mit Rückweisungsklasse | |
DE102019207566A1 (de) | Verfahren zur Steuerung eines Sicherheitssystems einer Ladestation zum Aufladen von Elektrofahrzeugen | |
DE202022107266U1 (de) | Ein Gesichtserkennungssystem zur Unterscheidung zwischen ähnlichen Gesichtern | |
DE102018105392A1 (de) | Verfahren zum Identifizieren mindestens einer Person, Identifizierungssystem und Fahrzeug | |
DE202022103465U1 (de) | Ein multimodales Authentifizierungssystem auf der Grundlage audiovisueller Daten | |
DE69734507T2 (de) | Verfahren zur optimierung eines erkennungswörterbuchs, so das ähnliche muster besser unterschieden werden können | |
EP1345208A2 (de) | Automatische Detektion von Sprecherwechseln in sprecheradaptiven Spracherkennungssystemen | |
DE102019207700A1 (de) | Klassifikationsvorrichtung zur Objektdetektion in Umfeldsensordaten und Verfahren | |
WO2001009845A1 (de) | Verfahren zur biometrischen erkennung | |
DE19820353A1 (de) | Verfahren und Vorrichtung zur Erkennung eines Musters auf einer Vorlage | |
DE60309191T2 (de) | System zum fuzzy-assoziativen beschreiben von multimedia-gegenständen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8131 | Rejection |