JP2000030069A - 信号照合装置 - Google Patents
信号照合装置Info
- Publication number
- JP2000030069A JP2000030069A JP11148932A JP14893299A JP2000030069A JP 2000030069 A JP2000030069 A JP 2000030069A JP 11148932 A JP11148932 A JP 11148932A JP 14893299 A JP14893299 A JP 14893299A JP 2000030069 A JP2000030069 A JP 2000030069A
- Authority
- JP
- Japan
- Prior art keywords
- signal
- learning
- probability
- threshold
- hmm model
- 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
Links
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 4
- 230000036962 time dependent Effects 0.000 claims description 4
- 230000005236 sound signal Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 21
- 238000007781 pre-processing Methods 0.000 abstract description 12
- 238000006243 chemical reaction Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 9
- 230000009466 transformation Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241001648319 Toronia toru Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G10L15/10—Speech classification or search using distance or distortion measures between unknown speech and reference templates
-
- 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
-
- 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
- G10L17/04—Training, enrolment or model building
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)
- Image Analysis (AREA)
- Character Discrimination (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
(57)【要約】 （修正有）
【課題】 ＨＭＭモデルλを使用したユーザ特定信号の
照合において、ユーザに対して装置が初期化されるユー
ザからの追加的な原信号を使用せずに照合のための改善
された誤り率を有する改善された閾値の決定を達成す
る。 【解決手段】 入力信号の近似的な記述を与え選択可能
なサンプリング間隔に関連づけられる特徴ベクトル
ｏt ’の組を発生する手段と、信号のためのＨＭＭモデ
ルλを準備する手段と、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第１の確
率値を決める手段と、第１の確率値を閾値τと比較し、
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、閾値
は、ＨＭＭモデルを学習するために使用される学習信号
及び学習に使用されない追加的な照合信号によって形成
される自動的に決められる個人依存の第２の確率値（ｌ
validate）に依存する。
照合において、ユーザに対して装置が初期化されるユー
ザからの追加的な原信号を使用せずに照合のための改善
された誤り率を有する改善された閾値の決定を達成す
る。 【解決手段】 入力信号の近似的な記述を与え選択可能
なサンプリング間隔に関連づけられる特徴ベクトル
ｏt ’の組を発生する手段と、信号のためのＨＭＭモデ
ルλを準備する手段と、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第１の確
率値を決める手段と、第１の確率値を閾値τと比較し、
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、閾値
は、ＨＭＭモデルを学習するために使用される学習信号
及び学習に使用されない追加的な照合信号によって形成
される自動的に決められる個人依存の第２の確率値（ｌ
validate）に依存する。
Description
【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第１
の確率値を決める手段と、上記第１の確率値を閾値と比
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。
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第１
の確率値を決める手段と、上記第１の確率値を閾値と比
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。
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。
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】しかしながら上述の種
類の装置では、学習に使用されうる原信号の数を増加す
ることによる閾値決定の効果的な改善、従って誤り率の
効果的な改善は、しばしば装置を動作させる前には使用
可能でない不均衡なほど多数の追加的な原信号を必要と
するという問題がある。
類の装置では、学習に使用されうる原信号の数を増加す
ることによる閾値決定の効果的な改善、従って誤り率の
効果的な改善は、しばしば装置を動作させる前には使用
可能でない不均衡なほど多数の追加的な原信号を必要と
するという問題がある。
【０００５】従って、本発明は照合のために追加的な信
号を使用することなく改善された閾値決定及びより良い
誤り率を達成するように上述の種類の装置を改善するこ
とを目的とする。
号を使用することなく改善された閾値決定及びより良い
誤り率を達成するように上述の種類の装置を改善するこ
とを目的とする。
【０００６】
【課題を解決するための手段】この目的は、閾値（τ）
は、上記ＨＭＭモデル（λ）を学習するために使用され
る学習信号及び学習に使用されない少なくとも１つの追
加的な照合信号によって形成される自動的に決められる
個人依存の第２の確率値（ｌvalidate）に依存すること
によって達成される。
は、上記ＨＭＭモデル（λ）を学習するために使用され
る学習信号及び学習に使用されない少なくとも１つの追
加的な照合信号によって形成される自動的に決められる
個人依存の第２の確率値（ｌvalidate）に依存すること
によって達成される。
【０００７】装置を動作させる前に使用可能な原信号の
群を、ＨＭＭモデルの学習のためにのみ使用される信号
と、ＨＭＭモデルの学習のために使用されないが閾値を
改善するための照合信号としてのみ使用される少なくと
も１つの信号へ細分化することは、装置による照合の効
果的に高められた誤りレートを改善することを提供す
る。装置は個人依存の第２の確率値を各ユーザに対して
別々に自動的に決め、決められるべき個人依存閾値は上
記第２の確率値に依存する。望ましくは、第２の確率値
は、ＨＭＭモデル（λ）の学習の後に照合信号の入力上
に形成される第１の確率値の平均値、特に相加平均値を
形成することによって形成される。このように、照合信
号確率値の平均値が形成される。
群を、ＨＭＭモデルの学習のためにのみ使用される信号
と、ＨＭＭモデルの学習のために使用されないが閾値を
改善するための照合信号としてのみ使用される少なくと
も１つの信号へ細分化することは、装置による照合の効
果的に高められた誤りレートを改善することを提供す
る。装置は個人依存の第２の確率値を各ユーザに対して
別々に自動的に決め、決められるべき個人依存閾値は上
記第２の確率値に依存する。望ましくは、第２の確率値
は、ＨＭＭモデル（λ）の学習の後に照合信号の入力上
に形成される第１の確率値の平均値、特に相加平均値を
形成することによって形成される。このように、照合信
号確率値の平均値が形成される。
【０００８】誤りレートが更に改善されうるよう、閾値
は、個人依存の第２の確率値及びユーザ独立定数の総和
によって形成される。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。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。
は、個人依存の第２の確率値及びユーザ独立定数の総和
によって形成される。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。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。
【０００９】
【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。
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。
【００１０】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。
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。
【００１１】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。
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。
【００１２】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。
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。
【００１３】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。
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。
【００１４】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。
／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。
【００１５】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、
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、
【００１６】
【数１】
【００１７】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。
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。
【００１８】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レートが規則的に改善
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。
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レートが規則的に改善
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。
【００１９】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。
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。
【００２０】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。
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。
【００２１】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。
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。
【００２２】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。
（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。
【００２３】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。
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。
【００２４】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。
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。
【００２５】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。
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。
【００２６】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。
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１】本発明による照合装置を示すブロック図であ
る。
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。
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。
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。
図である。
【図６】使用されるＨＭＭモデルの原理を示す図であ
る。
る。
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 (51)Int.Cl.7 識別記号 ＦＩ テーマコート゛(参考） Ｇ０６Ｆ 15/70 ４６０Ｂ (71)出願人 590000248 Ｇｒｏｅｎｅｗｏｕｄｓｅｗｅｇ １, 5621 ＢＡ Ｅｉｎｄｈｏｖｅｎ， Ｔｈ ｅ Ｎｅｔｈｅｒｌａｎｄｓ
Claims (7)
- 【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第１
の確率値を決める手段と、 上記第１の確率値を閾値（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、 上記閾値（τ）は、上記ＨＭＭモデル（λ）を学習する
ために使用される学習信号及び学習に使用されない少な
くとも１つの追加的な照合信号によって形成される自動
的に決められる個人依存の第２の確率値（ｌvalidate）
に依存することを特徴とする装置。 - 【請求項２】 上記第２の確率値（ｌvalidate）は、上
記ＨＭＭモデル（λ）の学習の後に照合信号の入力上に
形成される第１の確率値（ｌavg ）の平均値、特に相加
平均値を形成することによって形成されることを特徴と
する、請求項１記載の装置。 - 【請求項３】 上記閾値（τ）は上記第２の確率値（ｌ
validate）とユーザ独立定数（Ｃ）との総和であること
を特徴とする請求項１又は２記載の装置。 - 【請求項４】 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乃至３のうちいずれか１項記載の装置。 - 【請求項５】 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乃至４のうちいずれか１項記載の装
置。 - 【請求項６】 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乃至４のうちいずれか１項記載
の装置。 - 【請求項７】 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第１
の確率値が決められ、 閾値決定器は、上記第１の確率値を閾値（τ）と比較
し、上記信号の照合について決定し、 上記閾値（τ）は、上記ＨＭＭモデル（λ）を学習する
ために使用される学習信号及び学習に使用されない少な
くとも１つの追加的な照合信号によって形成される自動
的に決められる個人依存の第２の確率値（ｌvalidate）
に依存することを特徴とする方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE19824353:7 | 1998-05-30 | ||
| DE19824353A DE19824353A1 (de) | 1998-05-30 | 1998-05-30 | Vorrichtung zur Verifizierung von Signalen |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2000030069A true JP2000030069A (ja) | 2000-01-28 |
Family
ID=7869486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP11148932A Pending JP2000030069A (ja) | 1998-05-30 | 1999-05-27 | 信号照合装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US6349148B1 (ja) |
| EP (1) | EP0964391A3 (ja) |
| JP (1) | JP2000030069A (ja) |
| DE (1) | DE19824353A1 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070004891A (ko) * | 2004-04-29 | 2007-01-09 | 코닌클리케 필립스 일렉트로닉스 엔.브이. | 오디오 신호의 분류를 위한 방법 빛 시스템 |
| DE102006049262A1 (de) * | 2006-10-19 | 2008-04-30 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Ansteuerung von Personenschutzmitteln |
| CN105631433B (zh) * | 2016-01-14 | 2019-05-31 | 江苏大学 | 一种两维线性鉴别分析的人脸识别方法 |
| FR3094106B1 (fr) | 2019-03-21 | 2021-12-10 | Inst Mines Telecom | Procédé de vérification d’identité ou d’identification utilisant des signatures manuscrites apposées sur un capteur numérique |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4363102A (en) * | 1981-03-27 | 1982-12-07 | Bell Telephone Laboratories, Incorporated | Speaker identification system using word recognition templates |
| US5226091A (en) * | 1985-11-05 | 1993-07-06 | Howell David N L | Method and apparatus for capturing information in drawing or writing |
| DE68928987T2 (de) * | 1989-10-02 | 1999-11-11 | Koninkl Philips Electronics Nv | Datenverarbeitungssystem mit einer Berührungsanzeige und einem Digitalisiertablett, beide integriert in einer Eingabevorrichtung |
| GB2237916A (en) * | 1989-11-10 | 1991-05-15 | Nat Res Dev | Signature verification |
| AU6433094A (en) * | 1993-03-25 | 1994-10-11 | British Telecommunications Public Limited Company | Speech recognition with pause detection |
| 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 |
| 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 |
| SE505522C2 (sv) * | 1996-07-01 | 1997-09-08 | Telia Ab | Förfarande och arrangemang för adaptering av modeller vid exempelvis talarverifieringssystem |
| US6539352B1 (en) * | 1996-11-22 | 2003-03-25 | Manish Sharma | Subword-based speaker verification with multiple-classifier score fusion weight and threshold adaptation |
| US5995927A (en) * | 1997-03-14 | 1999-11-30 | Lucent Technologies Inc. | Method for performing stochastic matching for use in speaker verification |
-
1998
- 1998-05-30 DE DE19824353A patent/DE19824353A1/de not_active Ceased
-
1999
- 1999-05-26 EP EP99201665A patent/EP0964391A3/de not_active Withdrawn
- 1999-05-26 US US09/320,624 patent/US6349148B1/en not_active Expired - Fee Related
- 1999-05-27 JP JP11148932A patent/JP2000030069A/ja active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| DE19824353A1 (de) | 1999-12-02 |
| EP0964391A3 (de) | 2000-01-05 |
| US6349148B1 (en) | 2002-02-19 |
| EP0964391A2 (de) | 1999-12-15 |
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 | |
| US7620547B2 (en) | Spoken man-machine interface with speaker identification | |
| JPH02238495A (ja) | 時系列信号認識装置 | |
| JP3584458B2 (ja) | パターン認識装置およびパターン認識方法 | |
| KR20010039771A (ko) | 시청각적 발성자 인식 및 발성 검증 방법 및 장치 | |
| WO2002029784A1 (en) | Audio visual speech processing | |
| US20040111261A1 (en) | Computationally efficient method and apparatus for speaker recognition | |
| EP1005019B1 (en) | Segment-based similarity measurement method for speech recognition | |
| JPH1139493A (ja) | 距離及び方向に鑑みたパターン整合装置及びその方法 | |
| CA2304747C (en) | Pattern recognition using multiple reference models | |
| CN112906544A (zh) | 一种适用于多目标的基于声纹和人脸的匹配方法 | |
| US5864807A (en) | Method and apparatus for training a speaker recognition system | |
| Lee et al. | Improved segmentation through dynamic time warping for signature verification using a neural network classifier | |
| CN111667839A (zh) | 注册方法和设备、说话者识别方法和设备 | |
| JP2000030069A (ja) | 信号照合装置 | |
| US5828998A (en) | Identification-function calculator, identification-function calculating method, identification unit, identification method, and speech recognition system | |
| 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 | |
| JP2000011180A (ja) | 信号照合装置 | |
| KR100719942B1 (ko) | 패턴 인식 | |
| JP2004240154A (ja) | 情報認識装置 | |
| Han et al. | An on-line signature verification system using multi-template matching approaches | |
| Teoh et al. | Nearest neighbourhood classifiers in biometric fusion | |
| Soltane | Face, voice and signature multi-modal biometric verification fusion systems | |
| KR20070119156A (ko) | 치열영상을 이용한 생체인식 시스템과 그 인식 방법 및이를 기록한 기록매체 |