DE19908380A1

DE19908380A1 - Identifikationssystem durch Ähnlichkeitsbeziehungen (stark komprimierte Daten)

Info

Publication number: DE19908380A1
Application number: DE19908380A
Authority: DE
Inventors: Matthias Schott; Verena Boegelein
Original assignee: Individual
Current assignee: Individual
Priority date: 1999-02-25
Filing date: 1999-02-25
Publication date: 2000-08-31

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.

Beispielbeschreibung der Patentanmeldung

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

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.