DE19908380A1 - Identifikationssystem durch Ähnlichkeitsbeziehungen (stark komprimierte Daten) - Google Patents
Identifikationssystem durch Ähnlichkeitsbeziehungen (stark komprimierte Daten)Info
- Publication number
- DE19908380A1 DE19908380A1 DE19908380A DE19908380A DE19908380A1 DE 19908380 A1 DE19908380 A1 DE 19908380A1 DE 19908380 A DE19908380 A DE 19908380A DE 19908380 A DE19908380 A DE 19908380A DE 19908380 A1 DE19908380 A1 DE 19908380A1
- Authority
- DE
- Germany
- Prior art keywords
- patterns
- similarities
- similarity relationships
- identification method
- data
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
Bei der Klassifikation unterschiedlicher Daten übersteigt die benötigte Datenmenge häufig die Speicherkapazität, z. B. Speicherung der Daten auf einer Chip- oder Magnetstreifenkarte. DOLLAR A Gelöst wird dieses Problem durch die Auswertung der Ähnlichkeitsabfolge zu anderen, unabhängigen Daten. Anhand dieser Daten werden zuvor Klassifikatoren gelernt, deren Anzahl immer von der jeweiligen Anwendung abhängt. Die neuen Daten werden nun anhand dieser Klassifikation klassifiziert. Als Ergebnis erhält man eine Aussage über die Ähnlichkeit zu den gelernten Referenzdaten. Die Ähnlichkeitsabfolge, die sich daraus ergibt, ist charakteristisch für die jeweiligen Daten. DOLLAR A Bei diesem Verfahren werden nicht mehr die Klassifikation der jeweiligen Daten gespeichert, sondern nur noch das Ergebnis einer Klassifikation anhand bereits vorhandener Klassifikatoren. DOLLAR A Verwendung findet dieses Verfahren z. B. bei der Identifikation von Personen anhand äußerlicher Merkmale, aber auch in anderen Bereichen, wenn eine sichere Klassifikation mit Hilfe sehr weniger Klassifikationsdaten ermöglicht werden soll.
Description
Die Erfindung betrifft ein Verfahren entsprechend dem Oberbegriff des Anspruchs 1.
Damit ein Identifikationsverfahren überall Einsatz finden kann, benötigt man sehr stark
komprimierte Daten, um diese zum Beispiel auf Chip- oder Magnetstreifenkarten speichern zu
können.
Es ist bekannt, Menschen anhand ihrer Stimme, ihres Gesichtes oder anderer körperlicher
Merkmale zu identifizieren. Hierfür werden zum Beispiel unterschiedliche künstliche neuronale
Netze, aber auch andere Klassifikatoren, wie zum Beispiel das Next-Neighbour-Verfahren
verwendet. Das Problem hierbei sind die großen benötigten Datenmengen, die auf
herkömmlichen Magnetstreifenkarten nicht zu speichern sind.
Aufgabe der Erfindung ist es, ein Verfahren zur Verfügung zu stellen, das einen
Identifikationsvorgang anhand von sehr stark komprimierten Daten ermöglicht.
Das Verfahren wird durch Anspruch 1 gelöst.
Beliebige Daten haben Merkmale, die zueinander mehr oder weniger ähnlich sind. Diese
Ähnlichkeitsbeziehungen sind Grundlage dieses Identifikationsverfahrens. In einem Archiv sind
sehr viele verschiedene Daten mit ihren besonderen Merkmalen gespeichert. Von beliebigen
Daten, die nun neu klassifiziert werden sollen, werden die benötigten Daten aufgenommen und
mit denen im Archiv verglichen. Dieser Vergleichsvorgang wird mit einem beliebigen
Klassifikator vorgenommen. Man erhält nun Aussagen über die Ähnlichkeitsbeziehungen der
neuen Daten zu den gespeicherten und kann diese Beziehungen als Erkennungsmerkmale
verwenden.
Ein großer Vorteil dieses Verfahrens ist die geringe Datenmenge, die zu einer sehr sicheren
Identifikation ausreicht.
Ein weiterer Vorteil des Verfahrens liegt in der äußerst kurzen Einlernphase, da hierfür ein
einmaliger Klassifikationsvorgang ausreicht, um die benötigten Ähnlichkeitsbeziehungen zu
erhalten.
Den Kern des Systems bildet ein Klassifikator. Hier kann im Prinzip ein beliebiges
Klassifikationsverfahren verwendet werden. Sehr gute Ergebnisse liefert aber ein künstliches
neuronales Netz. Diesem Klassifikator werden als Eingabedaten mehrere verschiedene
Lernmuster zur Verfügung gestellt. Als Lernmuster dienen zum Beispiel fouriertransformierte
Audiodaten verschiedener Personen. Diese Daten muß der verwendete Klassifikator
gegebenenfalls einlernen. Im Endeffekt sollte es nun möglich sein, alle eingelernten Daten zu
reproduzieren, bzw. diese wiederzuerkennen.
Nun legt man ein neues, unbekanntes Muster an den Klassifikator an und berechnet die
entsprechenden Klassifikationsergebnisse. Bei geeigneten Lerndaten liefert der Klassifikator
Ähnlichkeitsbeziehungen der eingelernten Daten zu dem neu angelegten Muster.
Dieser Sachverhalt wird nun am Beispiel eines Backpropagationsnetzwerkes verdeutlicht. Als
Eingabedaten werden die Zahlenwerte der Graustufen eines Bildes verwendet. Die
Lernstichprobe umfaßt zehn Gesichtsbilder von zehn verschiedenen Personen. Die
Ausgabeschicht des Netzes sollte nach der Einlernphase diese Gesichtsbilder unterscheiden
können, d. h. wenn eines der bekannten Muster angelegt wird, so sollte der Ausgabewert eines
Endneurons etwa Eins betragen, während alle anderen die Aktivität Null aufweisen.
Legt man nun ein neues, unbekanntes Gesicht an, so wird nach der Reproduktionsphase
irgendeines der Ausgabeneuronen z. B. einen sehr großen Wert ausgeben. Das neue,
unbekannte Gesicht ist hier einem eingelernten Muster sehr ähnlich. Ordnet man nun alle
Ausgabewerte der Reihe nach (je nach Größe) an, so erhält man Auskunft über die
Ähnlichkeitsbeziehungen des neuen Gesichtes zu den alten Gesichtern.
Diese Ähnlichkeitsabfolge kann man nun als Identifikationsmerkmal verwenden, da diese
Reihenfolge - abgesehen von kleinen Schwankungen - reproduzierbar ist. Legt man also wieder
das Gesichtsbild des gleichen Menschen an den Klassifikator an, so wird es auch wieder die
gleiche Ähnlichkeitsabfolge aufweisen, wie beim ersten Mal. In diesem konkreten Beispiel
wäre die benötigte Datenmenge 10 Byte, wenn in jedem Byte die entsprechende Position in der
Ähnlichkeitsabfolge der Ausgabeneuronen gespeichert wird.
Theoretisch gäbe es hier schon über 3600000 (10!) Möglichkeiten wie diese Reihenfolge
aussehen kann, wobei natürlich nicht alle praktisch genutzt werden können, da gewisse
Schwankungen toleriert werden müssen.
Verwendet man jedoch mehrere Klassifikatoren, bzw. mehrere Muster pro Klassifikator, so
kann die Anzahl der theoretisch, und damit auch der praktisch nutzbaren Reihenfolgen der
Ähnlichkeiten als Identifikationsmerkmal nutzen.
Hierbei muß berücksichtigt werden, daß die Sicherheit der Klassifikation mit der Anzahl der
anfangs eingelernten Klassifikatoren steigt.
Dieses Verfahren ermöglicht folglich die Klassifikation von Daten nicht mehr anhand ihrer
eigentlichen Struktur, sondern anhand von Ähnlichkeitsbeziehungen zu anderen, bekannten
Daten.
Diese Ähnlichkeitsbeziehungen können durch eine sehr kleine Reihe von Zahlen festgehalten
werden. Deshalb kann auch von stark komprimierten Identifikationsdaten gesprochen werden.
Claims (2)
1. Identifikationsverfahren durch Ähnlichkeitsbeziehungen
dadurch gekennzeichnet, daß Merkmale eines zu klassifizierenden Musters nicht mehr
direkt berücksichtigt werden, sondern nur noch durch Ähnlichkeitsbeziehungen zu anderen
bekannten Mustern.
2. Verfahren nach Anspruch 1
dadurch gekennzeichnet, daß ein Klassifikator (neuronales Netz, Next-Neighbour, . . .) auf
eine bestimmte Lerndatenmenge trainiert wird und ein neu zu klassifizierendes Muster
reproduziert. Das Klassifikationsergebnis liefert Aufschluß über Ähnlichkeiten zwischen
dem neuen Muster und bereits trainierten Mustern. Diese Ähnlichkeiten werden als
Erkennungsmerkmal des neu zu erkennenden Musters verwendet.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19908380A DE19908380A1 (de) | 1999-02-25 | 1999-02-25 | Identifikationssystem durch Ähnlichkeitsbeziehungen (stark komprimierte Daten) |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19908380A DE19908380A1 (de) | 1999-02-25 | 1999-02-25 | Identifikationssystem durch Ähnlichkeitsbeziehungen (stark komprimierte Daten) |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19908380A1 true DE19908380A1 (de) | 2000-08-31 |
Family
ID=7898976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19908380A Withdrawn DE19908380A1 (de) | 1999-02-25 | 1999-02-25 | Identifikationssystem durch Ähnlichkeitsbeziehungen (stark komprimierte Daten) |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19908380A1 (de) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4206112A1 (de) * | 1991-02-28 | 1992-09-03 | Toshiba Kawasaki Kk | Mustererkennungsvorrichtung |
WO1996012246A1 (en) * | 1994-10-12 | 1996-04-25 | Lockheed Martin Corporation | Method for pairing fingerprint minutia using attributed relational graphs |
-
1999
- 1999-02-25 DE DE19908380A patent/DE19908380A1/de not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4206112A1 (de) * | 1991-02-28 | 1992-09-03 | Toshiba Kawasaki Kk | Mustererkennungsvorrichtung |
WO1996012246A1 (en) * | 1994-10-12 | 1996-04-25 | Lockheed Martin Corporation | Method for pairing fingerprint minutia using attributed relational graphs |
Non-Patent Citations (1)
Title |
---|
GERNERT,Dieter: Ähnlichkeitsmasse für hierarchischaufgebaute Strukturen und ihre Anwendung in der Mustererkennung, Informatik-Fachberichte, DAGM- Symposium, 1981, Springer-Verlag, S.131-136 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE2844156C2 (de) | ||
DE68908910T2 (de) | Paralleles, mehrere Einheiten umfassendes, anpassungsfähiges Musterklassifizierungssystem, das Korrelationen zwischen den Einheiten und eine Klassentrennungsmethodologie innerhalb der Einheiten benutzt. | |
DE3811378C2 (de) | ||
DE60208223T2 (de) | Anordnung und verfahren zur gesichtserkennung unter verwendung von teilen des gelernten modells | |
DE69617544T2 (de) | Verfahren und -vorrichtung zur erzeugung eines mensch/maschine-dialogs mit bedienereingriff | |
DE1547032A1 (de) | Einrichtung zum Identifizieren einer Person | |
CH654790A5 (de) | Verfahren zur aufzeichnung von daten auf ausweiskarten und vorrichtung zur durchfuehrung des verfahrens. | |
EP0821346A2 (de) | Verfahren zur Sprecherverifikation durch einen Rechner anhand mindestens eines von einem Sprecher eingesprochenen Sprachsignals | |
EP0097203B1 (de) | Verfahren zur Erkennung von gefälschten Datenträgern sowie Datenträger zur Durchführung des Verfahrens | |
CH648678A5 (de) | Verfahren zur geheimen kennzeichnung und auswertung maschinenlesbarer datentraeger sowie vorrichtungen zur durchfuehrung dieses verfahrens. | |
EP0980565B1 (de) | Verfahren zur anpassung eines referenzdatensatzes anhand mindestens eines eingabedatensatzes durch einen rechner | |
DE2422028A1 (de) | Schaltungsanordnung zur identifizierung einer formantfrequenz in einem gesprochenen wort | |
EP0920684B1 (de) | Chipkarte mit personalisierungsspeicher und verfahren zum ein- und ausgeben von daten | |
DE1574153A1 (de) | Ausweis-Kontrolliergeraet | |
DE3853702T2 (de) | Spracherkennung. | |
DE3129282A1 (de) | Verfahren zur sprecherabhaengigen erkennung von einzelnen gesprochenen worten in fernmeldesystemen | |
DE60102928T2 (de) | Verfahren und vorrichtung zur bildverarbeitung | |
DE2054941A1 (de) | Anordnung zur Auswahl von Datensätzen | |
CH717006A2 (de) | Verfahren zur Benutzeridentifikation. | |
DE19908380A1 (de) | Identifikationssystem durch Ähnlichkeitsbeziehungen (stark komprimierte Daten) | |
EP0965088B1 (de) | Sichere identifikation mit vorauswahl und rückweisungsklasse | |
DE4231937C1 (de) | Verfahren zum Feststellen der Identität des Inhabers einer Chipkarte, inbesondere Kreditkarte | |
DE19710664C2 (de) | Verfahren und Vorrichtung zur Personenerkennung | |
DE942002C (de) | Durch Aufzeichnungstraeger gesteuerte Maschine, insbesondere fuer die Auswertung kriminalistischer Suchunterlagen | |
DE2951043A1 (de) | Anordnung zum vergleichen einer komplexen analogen wellenform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OM8 | Search report available as to paragraph 43 lit. 1 sentence 1 patent law | ||
8139 | Disposal/non-payment of the annual fee |