JP2000011181A - 信号照合装置 - Google Patents

信号照合装置

Info

Publication number
JP2000011181A
JP2000011181A JP11148933A JP14893399A JP2000011181A JP 2000011181 A JP2000011181 A JP 2000011181A JP 11148933 A JP11148933 A JP 11148933A JP 14893399 A JP14893399 A JP 14893399A JP 2000011181 A JP2000011181 A JP 2000011181A
Authority
JP
Japan
Prior art keywords
signal
feature vector
user
hmm model
function block
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.)
Pending
Application number
JP11148933A
Other languages
English (en)
Inventor
Jannes G A Dolfing
ゲイスベルトゥス アルノルドゥス ドルフィング ヤヌス
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of JP2000011181A publication Critical patent/JP2000011181A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/16—Hidden Markov models [HMM]
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
    • G10L15/142—Hidden Markov Models [HMMs]
    • G10L15/144—Training of HMMs

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)
  • Character Discrimination (AREA)
  • Image Analysis (AREA)

Abstract

(57)【要約】 【課題】 本発明はＨＭＭモデルλを使用したユーザ特
定信号の照合において照合が当該のユーザ及び上記ユー
ザに割り当てられたユーザ特定信号に対してより良く適
合されるようにすることを目的とする。 【解決手段】 本発明は、入力信号の近似的な記述を与
える役割を果たし上記信号の選択可能なサンプリング間
隔に関連づけられる特徴ベクトル（ｏt ’）の組
（Ｏ’）を発生する手段と、上記信号のためのＨＭＭモ
デル（λ）を準備する手段と、上記ＨＭＭモデル（λ）
が所与であるとき、特徴ベクトル（ｏt ’）の組
（Ｏ’）の発生の確率を記述する確率値を決める手段
と、上記確率値を閾値（τ）と比較し、上記信号の照合
について決定する閾値決定器とを含む、時間依存性のユ
ーザ特定信号の照合のための装置に関する。ＬＤＡ変換
によって特徴ベクトルの中に集められた特徴の関連性の
自動的な個人特定評価のため、及び関連性があると評価
された特徴の自動選択のための手段（１０）が設けられ
ていることが提案される。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、入力信号の近似的
な記述を与える役割を果たし上記信号の選択可能なサン
プリング間隔に関連づけられる特徴ベクトルの組を発生
する手段と、上記信号のための隠れマルコフモデル（Ｈ
ＭＭ）を準備する手段と、上記ＨＭＭモデルが所与であ
るとき、特徴ベクトルの組の発生の確率を記述する確率
値を決める手段と、上記確率値を閾値と比較し、上記信
号の照合について決定する閾値決定器とを含む、時間依
存性のユーザ特定信号の照合のための装置に関する。
【０００２】
【従来の技術】時間依存性のユーザ特定信号、特に署名
又は音声信号の照合のために、入力信号が実際に特定の
ユーザから生じたものであるか又は偽造されたものであ
るかが検査される。本願では、「時間依存性」とは信号
が所与の時間間隔でユーザによって発生され、特定の異
なる信号成分は時間間隔の中の異なる時点に関連づけら
れることを意味すると理解される。照合が行われる前
に、１つ以上の原信号によって信号モデルが形成されね
ばならない。このためいわゆる隠れマルコフモデル（Ｈ
ＭＭ）が使用される。モデルを形成するために使用され
る原信号は、ＨＭＭモデルのいわゆる学習のための学習
信号である。
【０００３】学習の完了後、信号は装置によって照合さ
れうる。このため、一方でユーザ識別符号、例えばユー
ザ名又はユーザに割り当てられた番号が入力され、他方
でユーザ特定信号が入力される。入力信号は１組の特徴
ベクトルへ変換される。署名の場合にベクトル成分を形
成するために、例えば署名の書込み中に通過された座標
及び入力スタイラスによって加えられた圧力が評価され
る。続いて、ユーザ識別符号と共にユーザに割り当てら
れたＨＭＭモデルに対する特徴ベクトルの組が生ずる確
率を記述する確率値が形成される。入力信号は、選択可
能な閾値までは原信号として認識され、その閾値を超過
すれば偽造されたものとして認識される。
【０００４】
【発明が解決しようとする課題】本発明は、照合が当該
のユーザ及び上記ユーザに割り当てられたユーザ特定信
号に対してより良く適合されるよう上述の種類の装置を
構成することを目的とする。
【０００５】
【課題を解決するための手段】上記の目的は、ＬＤＡ変
換によって特徴ベクトルの中に集められた特徴の関連性
の自動的な個人特定評価のため、及び関連性があると評
価された特徴の自動選択のための手段が設けられている
ことによって達成される。いわゆるＬＤＡ（線形弁別分
析）変換は、例えば、K.Fukunaga: "Introduction to S
tatistical Pattern Recognition",第２版、Academic P
ress, New York,1990,第10.2章に記載される既知の変換
である。これに基づいて形成された変換された特徴ベク
トルは、夫々のユーザ特定信号の特徴付けに対する関連
性に従って配置される成分を有する。特徴ベクトルの成
分の選択可能な数は、関連する環境に対して適合するよ
う選択されえ、結果として減少された次元の特徴ベクト
ルが得られる。選択には、ユーザ特定信号の偽造も、他
のユーザのユーザ特定信号も考慮されない。ＬＤＡ変換
による特徴ベクトルの減少は、使用されるＨＭＭモデル
の減少を伴う。これはより高速な照合動作及び必要とさ
れる記憶容量の減少を導く。概して、本願における確率
値という用語は確率から導出された値、特に確率の元の
値又は確率の対数値を示すと理解される。
【０００６】望ましくは、本発明はオンライン照合のた
めに使用されるが、オフライン照合にもまた適してい
る。ユーザ特定信号は、例えば署名又は音声信号であ
る。
【０００７】
【発明の実施の形態】以下、本発明の実施例を図面を参
照して詳述する。図１に示される時間依存のユーザ特定
信号ｓ（ｔ）の照合のための装置１は、信号ｓ（ｔ）を
ディジタル化されたサンプリング値ｓD （ｔ）のストリ
ームへ変換する機能ブロック２を含む。信号ｓ（ｔ）は
特に署名を表わすが、例えば音声信号であってもよい。
署名照合のために、機能ブロック２は例えば米国特許第
５，２３１，３８１号に詳述されるフィリップス社の製
品ＰＡＩＤ（Philips Advanced Interactive Display）
によって実現されうる。その中で、署名は特殊入力スタ
イラスによって入力されえ、署名の書込み中に通過され
た入力面上の座標（ｘ及びｙ座標）、書込み中に入力ス
タイラスを通じて入力面へ印加された圧力、及び空間中
の入力スタイラスの当該の傾斜が決められる。
【０００８】入力スタイラスによって発生されたアナロ
グ入力値は前処理動作を受けるディジタルサンプリング
値ｓD （ｔ）へ変換され、前処理動作は機能ブロック３
によって表わされ以下図２及び図３を参照して詳述され
る。前処理動作は特徴ベクトルｏt を発生し、特徴ベク
トルｏt は所与のサンプリング間隔又は所与のサンプリ
ング時点ｔに対してディジタルサンプリング値ｓ
D （ｔ）から導出されたディジタル値（特徴）を含む成
分を有する。特徴ベクトルｏt は次に、肯定又は否定の
決定、即ちＹ又はＮの出力を有し、特にバイナリ値１又
は０の出力を有する機能ブロック４に従って更に処理さ
れる。以下、図４を参照してこれについて詳述する。こ
のため、ユーザ特定信号ｓ（ｔ）の入力に加えて、例え
ば当該ユーザ名又は当該ユーザに割り当てられた番号を
入力することによって夫々のユーザ識別符号Ｋが入力さ
れることが必要とされ、また確実にされる。肯定決定Ｙ
は、入力信号ｓ（ｔ）が、入力ユーザ識別符号Ｋを伴っ
てユーザから生じたオリジナルであると識別され照合さ
れたことを意味する。否定決定Ｎは、入力信号ｓ（ｔ）
が偽造として分類されたことを意味する。
【０００９】図２は、機能ブロック３によって表わされ
る前処理動作の可能な変形を示す図である。ディジタル
化されたサンプリング値ｓD （ｔ）は、平滑化フィルタ
５へ印加される。続いてサンプリング値ｓD （ｔ）は機
能ブロック６においてフレームの中へ集められ、フレー
ムは選択可能な長さの時間間隔又は選択可能な長さの空
間中の距離に対応する。続いて、各フレームに対して特
徴ベクトルｏt が形成される（機能ブロック７）。例え
ば、各フレームに対する様々なサンプリング値から、空
間中の所与の位置に対応し、平均化によって様々なサン
プリングされた座標値から形成される所与のｘ値及び所
与のｙ値を有する座標対が決められる。同様に、各フレ
ームに対して、入力面に与えられた圧力に関する値、及
び入力スタイラスの空間中の傾斜に対する座標対が決め
られる。特徴ベクトルの中に集められる特徴の数は、所
望であれば更に増加されうる。フレームは重なり合う
か、又は重なり合わずに互いに連続しうる。
【００１０】図３に示される前処理動作の更なる変形に
よれば、サンプリング値ｓD （ｔ）を有するサンプリン
グされた信号は固定長のフレームではなく、機能ブロッ
ク８に従って可変長のセグメントへ細分化される。セグ
メント境界は、ｘ座標の方向に速度ｖx 、又はｙ座標の
方向に速度ｖy に対する符号の変化が生じる点によって
特に画成される。速度ｖx 及びｖy は検出されたｘ及び
ｙ値の関数の微分によって獲得される。このようにして
形成されたセグメントは重なり合うか、又は重なり合わ
ずに相互に連続しうる。フレームを使用する処理と同様
に、特徴ベクトルｏt は各セグメントに対して形成され
る（機能ブロック９）。セグメント化を含む前処理動作
が使用されることが望ましい。
【００１１】前処理動作は、装置１へ印加されるユーザ
特定信号ｓ（ｔ）を記述するために使用される特徴ベク
トルｏt ＝ｏl ＝，．．．，ｏT の組Ｏを生成する。こ
こで、Ｔはフレーム又はセグメントの数を示し、夫々に
対して夫々の特徴ベクトルｏ t が関連づけられる。選択
可能なサンプリング間隔又はサンプリング時点は、各フ
レーム又はセグメントに割り当てられる。
【００１２】以下図４を参照して、肯定／否定決定（Ｙ
／Ｎ）を生成するための特徴ベクトルｏt のうちの１つ
の処理を説明する。まず、前処理動作によって生成され
た特徴ベクトルｏt はＬＤＡ（線形弁別分析）変換を受
ける。この変換は、例えば、K.Fukunaga: "Introductio
n to Statistical Pattern Recognition",第２版、Acad
emic Press, New York,1990,第10.1及び10.2章に記載さ
れている。次元Ｌの特徴ベクトルｏt は次に次元Ｌ×Ｄ
のユーザ特定変換マトリックスＷによって乗算され（機
能ブロック１０）、それにより次元Ｄ（Ｄ≦Ｌ）の変換
された特徴ベクトルｏt ’を生成する。
【００１３】このようにして発生された特徴ベクトルｏ
t ’の組Ｏ’は更にユーザ特定ＨＭＭモデルλに従って
処理される（機能ブロック１１）。ＨＭＭモデルの構造
は、L.R.Rabiner 及びB.H.Juang による出版物「Fundam
entals of speech recognition」、第１版、Prentice
Hall, 1993, 第6.4 乃至6.6 章に記載されている。機能
ブロック１１は、ユーザ特定信号のためのＨＭＭモデル
λが所与であるとき、ｌavg （Ｏ’，λ）を特徴ベクト
ルｏt ’の組Ｏ’について決められるべき確率値とし、
ｔを特徴ベクトルｏt ’が形成されるべきサンプリング
間隔を特徴付ける変数とし（ｔはフレーム又はセグメン
トを特徴付ける）、Ｔを特徴ベクトルｏ t ’の総数と
し、ｑt をＨＭＭモデルλの観察された状態についての
変数とし、ｂql（Ｏt ’）を所与の特徴ベクトルｏt ’
についてのＨＭＭモデルλの状態ｑ t についての放出確
率密度又は放出確率とすると、以下の式、
【００１４】
【数１】
【００１５】に従って形成される確率値ｌavg を生成す
る。確率値ｌavg はこのようにして平均値を形成するこ
とにより、本例では相加平均値を形成することによって
生成される。確率値ｌavg は、機能ブロック１２によっ
て表わされ値ｌavg を閾値τと比較する閾値決定器に印
加される。この閾値は、ｌvalidateを自動的に決定され
る個人依存確率値とすると、以下の式、τ＝ｌvalidate
＋ Ｃに従って形成される。この閾値を所与のユーザ
に対して決めるために、まずＨＭＭモデルはユーザの所
与の数（例えば１０）の原信号ｓ（ｔ）（学習信号）に
よって学習される。このようにして決定されたＨＭＭモ
デルは、後の段階において機能ブロック１１の中で照合
装置１の動作のために使用される。この学習に関連し
て、装置１の動作中に使用されるＬＤＡ変換マトリック
スＷもまた以下詳述されるように記載される。
【００１６】続いて、このように調整された照合装置１
は連続して１つ以上（例えば５）の追加的な原信号ｓ
（ｔ）（照合信号）を供給される。装置１は各照合信号
ｓ（ｔ）に対する確率値ｌavg を決定する。続いてこの
ようにして決定された確率値ｌ avg は平均化される。本
例ではこれは相加平均値を形成することによって実現さ
れる。本実施例において閾値τを決定するために、照合
装置１に対して達成されうる誤り率が規則的に改善され
るよう、経験的に決定され実際のフレーム条件に依存す
る定数Ｃが付加される。定数Ｃはユーザ独立である。
【００１７】しかしながら定数Ｃの追加は絶対に必要な
ものではない。更に定数Ｃは照合装置の特徴的な照合行
動をユーザ特定要件へ調整するために使用されうる。定
数Ｃはいわゆる「等しい誤り率」（ＥＥ）、従って誤り
の多い照合の数及び偽造としてのユーザ特定信号の誤っ
た分類の数が等しくなる閾値を見出し調整するために使
用されうる。Ｃはまた誤った照合の数及び偽造としての
誤った分類の数が等しくなるよう調整されうる。この調
整は、特に所与の領域への不正アクセスが全ての状況に
おいて排除されるべき軍事適用の場合に特に興味深い。
定数Ｃはまた、偽造としての誤った分類の数がゼロに等
しく、誤った照合の数が所与の値となるよう調整されう
る。これは、例えば銀行業務のある所与の分野において
例えば顧客がいらいらしないようにするときに有用であ
る。
【００１８】信号ｓ（ｔ）に対して決められた確率値ｌ
avg が装置１の動作中に閾値τの上又は下であるかに依
存して、機能ブロック１２において実行される閾値τと
の比較は、夫々否定決定及び肯定決定に対応する偽造又
は原信号であるという結果を与える。機能ブロック１２
によって供給される出力値は、追加的に確率値ｌavgと
閾値τとの間の隔たりに関する情報を与えられ得る。か
かる情報は更なる処理の間に使用されうる。
【００１９】ＬＤＡ変換を通じて、信号ｓ（ｔ）に対し
て形成された特徴ベクトルｏt ’は使用されるＨＭＭモ
デルλに適合され、結果としてユーザ依存の信号ｓ
（ｔ）の照合中の誤り率を改善させる。特徴ベクトルｏ
t ’の適合は以下のように構成される。即ち、特徴ベク
トルｏt ’は、特徴ベクトルｏt ’の成分の数に対応す
る次元を有する多次元座標系によって多次元空間の中に
プロットされる。ＬＤＡ変換は、一方では座標系の適当
な回転を与え、他方では座標系の座標の適当な圧縮又は
拡張を与え、それにより座標系はＬＤＡ変換のクラス
（ＨＭＭモデルλの状態に対応）により良く適合され
る。ＬＤＡ変換によって変更された特徴ベクトルｏt ’
は、ここで処理される個人依存信号ｓ（ｔ）の特徴付け
のためのそれらの値に従い最もコンパクトな配置で配置
される成分を有する。
【００２０】この面は、特徴ベクトルｏt ’の信号ｓ
（ｔ）に対する特徴付け、従ってその照合に依存して、
特徴ベクトルｏt ’の所与の特徴を自動的に選択するた
めに使用されうる。これは特に、より減少された次元の
ＬＤＡ変換マトリックスＷが使用されるよう、ＬＤＡ変
換中に最小の固有値を含むＬＤＡ変換マトリックスＷの
行を無視することによって行われる。これは、減少され
た数のパラメータを有するＨＭＭモデルλに対応する。
これは、最終的には装置１の動作中の計算作業の量を減
少し、必要とされる記憶空間を減少するために使用され
る。
【００２１】以下、図５を参照して本例におけるＨＭＭ
モデルλの学習を説明する。このモデルは個人特定的で
あり、即ちかかるＨＭＭモデルλはユーザ識別符号Ｋと
共に各ユーザに対して形成され、装置１の中に記憶され
る。ＨＭＭモデルλの学習は、当該ユーザの原信号であ
る学習信号の所与の数によって実行される。例えば、１
０の原信号が使用される。機能ブロック１３はＨＭＭモ
デルλに対する第１の学習ランを表わし、仮ＨＭＭモデ
ルλ’を生成する。この学習ランの間、学習信号に対応
する特徴ベクトルｏt ’はモデリングのために直接使用
される。即ち特徴ベクトルｏt ’はＬＤＡ変換を受けな
い。
【００２２】ＨＭＭモデルの学習は、ヴィタビ近似によ
って近似的に実行されるいわゆる最尤規準に基づいて実
行される。この点については引用されたL.R.Rabiner 及
びB.H.Juang による出版物「Fundamentals of speech r
ecognition」が参照される。仮ＨＭＭモデルλ’の形成
の後、そこからＬＤＡ変換マトリックスＷが計算される
（機能ブロック１４）。マトリックスＷを決定するため
に固定値問題は解決されねばならない。ＬＤＡ変換のク
ラスは、仮ＨＭＭモデルλ’の状態として定義される。
マトリックスＷの決定に関する詳細については引用され
たK.Fukunaga:"Introduction to Statistical Pattern
Recognition”が参照される。続いて、ユーザの学習信
号を使用して新たな学習ランが実行され（機能ブロック
１５）、この学習ランは、特徴ベクトルｏt ’の代わり
に変換された特徴ベクトルｏt ’＝Ｗｏt に基づく。
【００２３】図６は、機能ブロック１１へ変換されたＨ
ＭＭモデルの基本構造を示す図である。いわゆる左から
右へのモデル（Ｂａｋｉｓモデル）が使用される。状態
は円によって示され、状態遷移は矢印によって示され
る。この点に関する詳細については、L.Yang, B.Widjaj
a 及びR.Prasadによる”Application of hidden Markov
-models for signature verification”, Pattern reco
gnition 28, pp.161-170が参照される。
【００２４】上述の機能ブロックは、例えばユーザ特定
信号の入力及びディジタル化のための適当な入力ユニッ
トが接続されるＰＣ（例えば署名の場合は上述のフィリ
ップス社の機器ＰＡＩＤ）上のソフトウエアによって実
施される。本発明は特にオンライン照合に適している。
署名手順の変換は署名が紙の上に出される入力スタイラ
スによってもまた実行されうる。
【図面の簡単な説明】
【図１】本発明による照合装置を示すブロック図であ
る。
【図２】前処理の第１の可能なフローチャートを示す図
である。
【図３】前処理の第２の可能なフローチャートを示す図
である。
【図４】前処理に続く処理を示すブロック図である。
【図５】使用されるＨＭＭモデルの学習を示すブロック
図である。
【図６】使用されるＨＭＭモデルの原理を示す図であ
る。
【符号の説明】
１ 照合装置 ２ ディジタルサンプリング ３ 前処理 ４ 照合 ５ 平滑化フィルタ ６ フレーム化 ７ フレームに対する特徴ベクトル形成 ８ 可変長セグメント化 ９ セグメントに対する特徴ベクトル形成 １０ マトリックスによる変換 １１ ＨＭＭモデル １２ 閾値決定器 １３ 第１の学習 １４ ＬＤＡ変換マトリックス形成 １５ 新たな学習
───────────────────────────────────────────────────── フロントページの続き (71)出願人 590000248 Ｇｒｏｅｎｅｗｏｕｄｓｅｗｅｇ １, 5621 ＢＡ Ｅｉｎｄｈｏｖｅｎ， Ｔｈ ｅ Ｎｅｔｈｅｒｌａｎｄｓ

Claims (5)

    【特許請求の範囲】
  1. 【請求項１】 入力信号の近似的な記述を与える役割を
    果たし上記信号の選択可能なサンプリング間隔に関連づ
    けられる特徴ベクトル（ｏt ’）の組（Ｏ’）を発生す
    る手段と、 上記信号のためのＨＭＭモデル（λ）を準備する手段
    と、 上記ＨＭＭモデル（λ）が所与であるとき、特徴ベクト
    ル（ｏt ’）の組（Ｏ’）の発生の確率を記述する確率
    値を決める手段と、 上記確率値を閾値（τ）と比較し、上記信号の照合につ
    いて決定する閾値決定器とを含む、時間依存性のユーザ
    特定信号の照合のための装置であって、 ＬＤＡ変換によって特徴ベクトルの中に集められた特徴
    の関連性の自動的な個人特定評価のため、及び関連性が
    あると評価された特徴の自動選択のための手段（１０）
    が設けられていることを特徴とする装置。
  2. 【請求項２】 オンライン照合が実行されることを特徴
    とする請求項１記載の装置。
  3. 【請求項３】 上記ユーザ特定信号は署名であることを
    特徴とする請求項１又は２記載の装置。
  4. 【請求項４】 上記ユーザ特定信号は音声信号であるこ
    とを特徴とする請求項１又は２項記載の装置。
  5. 【請求項５】 入力信号の近似的な記述を与える役割を
    果たし上記信号の選択可能なサンプリング間隔に関連づ
    けられる特徴ベクトル（ｏt ’）の組（Ｏ’）が発生さ
    れる、時間依存性のユーザ特定信号を照合する方法であ
    って、 ＨＭＭモデル（λ）は上記信号のために準備され、 上記ＨＭＭモデル（λ）が所与であるとき、特徴ベクト
    ル（ｏt ’）の組（Ｏ’）の発生の確率を記述する確率
    値が決められ、 閾値決定器は、確率値を閾値（τ）と比較し、上記信号
    の照合について決定し、 上記特徴ベクトルの中に集められる特徴の関連性の自動
    的な個人特定評価はＬＤＡ変換によって実行され、関連
    性があると評価された特徴は自動的に選択されることを
    特徴とする方法。
JP11148933A 1998-05-30 1999-05-27 信号照合装置 Pending JP2000011181A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19824354A DE19824354A1 (de) 1998-05-30 1998-05-30 Vorrichtung zur Verifizierung von Signalen
DE19824354:5 1998-05-30

Publications (1)

Publication Number Publication Date
JP2000011181A true JP2000011181A (ja) 2000-01-14

Family

ID=7869487

Family Applications (1)

Application Number Title Priority Date Filing Date
JP11148933A Pending JP2000011181A (ja) 1998-05-30 1999-05-27 信号照合装置

Country Status (4)

Country Link
US (1) US6317507B1 (ja)
EP (1) EP0964390A3 (ja)
JP (1) JP2000011181A (ja)
DE (1) DE19824354A1 (ja)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7890158B2 (en) 2001-06-05 2011-02-15 Lumidigm, Inc. Apparatus and method of biometric determination using specialized optical spectroscopy systems
US6560352B2 (en) 1999-10-08 2003-05-06 Lumidigm, Inc. Apparatus and method of biometric identification or verification of individuals using optical spectroscopy
US6628809B1 (en) * 1999-10-08 2003-09-30 Lumidigm, Inc. Apparatus and method for identification of individuals by near-infrared spectrum
US8666757B2 (en) * 1999-07-28 2014-03-04 Fair Isaac Corporation Detection of upcoding and code gaming fraud and abuse in prospective payment healthcare systems
US6816605B2 (en) 1999-10-08 2004-11-09 Lumidigm, Inc. Methods and systems for biometric identification of individuals using linear optical spectroscopy
US7110885B2 (en) * 2001-03-08 2006-09-19 Dnaprint Genomics, Inc. Efficient methods and apparatus for high-throughput processing of gene sequence data
ATE492001T1 (de) 2003-04-04 2011-01-15 Lumidigm Inc Multispektralbiometriesensor
US7668350B2 (en) 2003-04-04 2010-02-23 Lumidigm, Inc. Comparative texture analysis of tissue for biometric spoof detection
US7751594B2 (en) 2003-04-04 2010-07-06 Lumidigm, Inc. White-light spectral biometric sensors
US7460696B2 (en) 2004-06-01 2008-12-02 Lumidigm, Inc. Multispectral imaging biometrics
US8229185B2 (en) 2004-06-01 2012-07-24 Lumidigm, Inc. Hygienic biometric sensors
US8787630B2 (en) 2004-08-11 2014-07-22 Lumidigm, Inc. Multispectral barcode imaging
US7801338B2 (en) 2005-04-27 2010-09-21 Lumidigm, Inc. Multispectral biometric sensors
US8355545B2 (en) 2007-04-10 2013-01-15 Lumidigm, Inc. Biometric detection using spatial, temporal, and/or spectral techniques
JP2009544108A (ja) 2006-07-19 2009-12-10 ルミダイム インコーポレイテッド 多重生体認証のマルチスペクトル画像
US8175346B2 (en) 2006-07-19 2012-05-08 Lumidigm, Inc. Whole-hand multispectral biometric imaging
US7995808B2 (en) 2006-07-19 2011-08-09 Lumidigm, Inc. Contactless multispectral biometric capture
US7801339B2 (en) 2006-07-31 2010-09-21 Lumidigm, Inc. Biometrics with spatiospectral spoof detection
US7804984B2 (en) 2006-07-31 2010-09-28 Lumidigm, Inc. Spatial-spectral fingerprint spoof detection
EP2120713A2 (en) 2007-03-21 2009-11-25 Lumidigm, Inc. Biometrics based on locally consistent features
EP2471023A1 (en) 2009-08-26 2012-07-04 Lumidigm, Inc. Multiplexed biometric imaging and dual-imager biometric sensor
US8570149B2 (en) 2010-03-16 2013-10-29 Lumidigm, Inc. Biometric imaging using an optical adaptive interface
CN101930608A (zh) * 2010-08-26 2010-12-29 北京交通大学 篡改图像的盲检测方法和系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5226091A (en) * 1985-11-05 1993-07-06 Howell David N L Method and apparatus for capturing information in drawing or writing
EP0421025B1 (en) * 1989-10-02 1999-05-06 Koninklijke Philips Electronics N.V. Data processing system with a touch screen and a digitizing tablet, both integrated in an input device
GB2237916A (en) * 1989-11-10 1991-05-15 Nat Res Dev Signature verification
ES2141824T3 (es) * 1993-03-25 2000-04-01 British Telecomm Reconocimiento de voz con deteccion de pausas.
DE19508711A1 (de) * 1995-03-10 1996-09-12 Siemens Ag Verfahren zur Erkennung einer Signalpause zwischen zwei Mustern, welche in einem zeitvarianten Meßsignal vorhanden sind
US5687287A (en) * 1995-05-22 1997-11-11 Lucent Technologies Inc. Speaker verification method and apparatus using mixture decomposition discrimination
US5839103A (en) * 1995-06-07 1998-11-17 Rutgers, The State University Of New Jersey Speaker verification system using decision fusion logic
EP0768617A3 (en) * 1995-10-16 1997-07-23 At & T Corp Intermediate and segmental method of handwriting recognition
US5995927A (en) * 1997-03-14 1999-11-30 Lucent Technologies Inc. Method for performing stochastic matching for use in speaker verification

Also Published As

Publication number Publication date
EP0964390A2 (de) 1999-12-15
EP0964390A3 (de) 1999-12-29
US6317507B1 (en) 2001-11-13
DE19824354A1 (de) 1999-12-02

Similar Documents

Publication Publication Date Title
JP2000011181A (ja) 信号照合装置
JP4728972B2 (ja) インデキシング装置、方法及びプログラム
Matthews et al. Extraction of visual features for lipreading
JP3584458B2 (ja) パターン認識装置およびパターン認識方法
JPH02238495A (ja) 時系列信号認識装置
Sahoo et al. Emotion recognition from audio-visual data using rule based decision level fusion
WO2002029784A1 (en) Audio visual speech processing
WO2006024117A1 (en) Method for automatic speaker recognition
KR20010039771A (ko) 시청각적 발성자 인식 및 발성 검증 방법 및 장치
Scanlon et al. Feature analysis for automatic speechreading
EP1005019B1 (en) Segment-based similarity measurement method for speech recognition
CA2304747C (en) Pattern recognition using multiple reference models
Battaglino et al. Acoustic context recognition using local binary pattern codebooks
JP4652232B2 (ja) 話者の圧縮表現用の音声信号の分析のための方法およびシステム
US6134525A (en) Identification-function calculator, identification-function calculating method, identification unit, identification method, and speech recognition system
JP2000030069A (ja) 信号照合装置
Luque et al. Audio, video and multimodal person identification in a smart room
JP2000011180A (ja) 信号照合装置
KR100795947B1 (ko) 치열영상을 이용한 생체인식 시스템과 그 인식 방법 및이를 기록한 기록매체
Han et al. An on-line signature verification system using multi-template matching approaches
Soltane Face, voice and signature multi-modal biometric verification fusion systems
Teoh et al. Nearest neighbourhood classifiers in biometric fusion
KR20040098661A (ko) 패턴 인식
Ding et al. Speaker Identity Recognition by Acoustic and Visual Data Fusion through Personal Privacy for Smart Care and Service Applications.
Carrasco et al. Bimodal biometric person identification system under perturbations