WO2002023492A2 - Verfahren zur klassifizierung von dokumenten - Google Patents

Verfahren zur klassifizierung von dokumenten Download PDF

Info

Publication number
WO2002023492A2
WO2002023492A2 PCT/EP2001/010542 EP0110542W WO0223492A2 WO 2002023492 A2 WO2002023492 A2 WO 2002023492A2 EP 0110542 W EP0110542 W EP 0110542W WO 0223492 A2 WO0223492 A2 WO 0223492A2
Authority
WO
WIPO (PCT)
Prior art keywords
document
features
determined
documents
components
Prior art date
Application number
PCT/EP2001/010542
Other languages
English (en)
French (fr)
Other versions
WO2002023492A3 (de
Inventor
Norbert Holl
Alfred Kraxenberger
John C. Weaver
Original Assignee
Giesecke & Devrient Gmbh
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 Giesecke & Devrient Gmbh filed Critical Giesecke & Devrient Gmbh
Priority to AU2001291857A priority Critical patent/AU2001291857A1/en
Publication of WO2002023492A2 publication Critical patent/WO2002023492A2/de
Publication of WO2002023492A3 publication Critical patent/WO2002023492A3/de

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
    • G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
    • G07D7/20—Testing patterns thereon
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
    • G07D11/00—Devices accepting coins; Devices accepting, dispensing, sorting or counting valuable papers
    • G07D11/50—Sorting or counting valuable papers

Definitions

  • the invention relates to a method for classifying documents, in particular banknotes, in which features of a document to be classified are determined and a class from a number of possible classes for the document is determined on the basis of the features of the document.
  • Classification methods are used, among other things, for the detection and, if necessary, sorting of banknotes in banknote processing machines or automated teller machines. First physical properties of the banknote to be classified are measured and a large number of features of the banknote are derived from this. Based on the characteristics, a class is then determined using classification criteria, i.e. selected from several possible classes and assigned to the banknote. In a subsequent sorting process, the banknote can then be output into a sorting compartment provided for the determined class in order to be fed from there to further processing steps, possibly a reissue.
  • classification criteria i.e. selected from several possible classes and assigned to the banknote.
  • the required classification criteria are usually defined in a separate adaptation process before the actual classification. With a large number of features and classification criteria in particular, this process is also very time-consuming. In addition, the specialist knowledge and experience of an expert This is necessary to ensure the reliable definition and setting of the classification criteria.
  • the method according to claim 1 it is provided here to select from the multitude of features of the document to be checked those features which have a higher significance in the classification than the other features of the document.
  • the class for the document is then determined based on the selected characteristics, i.e. selected from several possible classes.
  • the features are measurement values obtained by measurement on the document or values derived therefrom.
  • the features are determined for certain feature areas which have a certain position and size on the document.
  • the features each contain measured values or values for the light intensity reflected and / or transmitted by square surfaces of a specific position and size, possibly at a specific wavelength or in a specific wavelength range.
  • the possible classes from which one should be selected are, for example, the possible denominations of the documents to be classified. In the case of banknotes, these are the nominal values of the various banknotes. Possible classes can then be provided for 10, 20, 50, 100, 200, 500 and 1000 DM notes, for example. In general, a class can also be determined with regard to authenticity and / or fitness, ie the suitability of the document for reuse. The individual possible classes then reflect, for example, different degrees of authenticity or fitness of the documents to be classified.
  • a higher significance of the selected features is understood to mean a higher distinctiveness between the individual possible classes compared to the other features. This means that documents from different classes differ more clearly in the selected characteristics than in the other characteristics.
  • the selected features are in particular features of certain feature areas in which the differences between documents of different classes are particularly large.
  • the number of characteristics used to determine the class is reduced. Since fewer features then have to be checked using classification criteria, the effort required, i.e. the computing time for the classification process is reduced. In addition, since only features with high significance are used, high reliability is guaranteed at the same time.
  • the features of the document are combined to form a feature vector, the individual features of the document forming the individual components of the feature vector. From the components of the feature vector, those components, ie features, are selected which have a higher significance than the remaining components of the feature vector. The selected components then form the components of a significant feature vector, on the basis of which the class for the document is determined.
  • the combination of the features to form computationally easier-to-use vectors further simplifies the method, in particular in the case of a computer-assisted implementation.
  • the features or components of the significant feature vector to be selected are determined in a separate adaptation process using reference documents.
  • the adaptation process is in particular as follows: For each possible class, for example denomination, a large number of characteristics of one or more reference documents are determined.
  • the reference documents of a class are preferably used reference documents if the significant components determined in the adaptation process are to be used to subsequently classify used documents.
  • a reference vector is generated for each reference document, the individual components of which are formed by the features of a reference document.
  • a factor analysis Principal Component Analysis, PCA
  • Significant components of the reference vectors are determined for which the differences between the reference documents of the different classes are particularly large.
  • the significant components of the reference vectors correspond to the components to be selected of the feature vector of a document to be classified, ie during the actual classification, ie the determination of the class for the document, those features or components of the feature vector of a document to be classified are then selected which the determined significant component corresponding to the reference vectors.
  • the factor analysis used here represents a reliable and fast approximation for the reduction of a discrete number of vector components.
  • the described determination of significant features in the adaptation process on the basis of reference documents can also be fully automated, so that no further expert knowledge is required here.
  • 1 shows a banknote with regularly distributed feature areas
  • Fig. 4 each a flow chart of the adaptation process and the actual classification.
  • FIG. 1 shows a bank note 10 with regularly distributed feature areas 12.
  • all feature areas 12 have a square or rectangular shape.
  • any other, for. B. circular, geometric shapes conceivable.
  • the position and size of the individual feature areas 12 can also differ more clearly from one another than in the example.
  • At least one feature is derived for the individual feature areas 12.
  • an image of the bank note 10 is recorded, which consists of individual pixels with associated intensity values.
  • the feature of the respective feature area 12 is then derived from the intensity values of pixels, which are each within the individual feature areas 12, for example by averaging the intensity values, possibly at one or more specific wavelengths.
  • FIG. 2 shows the banknote 10 shown in FIG. 1 with regularly distributed feature areas 12, with selected feature areas 14 additionally being drawn in, which are used to determine the class, i.e. For example, the nominal value of the banknote 10 can be used.
  • the determination or determination of the position of the feature areas 14 to be selected takes place in a separate adaptation process before the classification using reference documents.
  • the selected feature areas 14 have a higher significance, i.e. Distinctive character when classifying banknotes 10 with different denominations than the remaining feature areas 12.
  • the differences between banknotes of different classes e.g. B. 10, 20, 50, 100, 200, 500, 1000 DM bills, particularly large.
  • the actual classification, i.e. H. the determination of a class for the document to be classified then takes place on the basis of the selected feature areas 14.
  • the position and / or the size of the feature areas 12 is made corresponding to the size the banknotes scaled.
  • the feature areas 14 to be selected are then also in the case of banknotes 10 of different formats, and thus of different denominations, always in the same relative position or have a correspondingly scaled size.
  • FIG. 3 illustrates the different significance of two features fl and f 2 in the classification using the example of a two-dimensional feature space.
  • feature f2 is plotted over feature f 1 for two classes and ten reference documents each.
  • Each point 15 shown here lies at the tip of a reference vector 16 for a single reference document with the components fl and £ 2.
  • only two reference vectors 16 are shown in the example shown.
  • the points 15 of the reference vectors 16 of the two different classes lie in two areas 18 that are separate from one another.
  • the documents of both classes can be clearly distinguished from one another solely by the feature fl.
  • the first class is assigned to a document to be checked if the feature fl of the document lies within the interval II. If the feature fl is within the interval 12, the document is assigned the second class.
  • a clear assignment of a document to be classified to one of the two classes on the basis of feature f2 alone is not possible, since for this feature the feature vectors 16 of both classes are not in separate areas.
  • a factor analysis is carried out with the reference vectors of the reference documents.
  • the coordinate system of the feature space is transformed in such a way that the classes can be clearly differentiated in the manner described above using as few features as possible.
  • those significant components are determined from the reference vectors of reference documents for which the feature vectors of documents belonging to different classes are located in separate areas in the feature space.
  • the factor analysis has the following steps: For each class of the possible classes, an average reference vector is determined from the reference vectors of the reference documents of the respective class; a reference vector averaged over all possible classes is determined; a correlation matrix is calculated from the mean reference vectors and the averaged reference vector; the correlation matrix is diagonized, its eigenvalues being determined with the associated eigenvectors; the eigenvalues are sorted according to their size.
  • a set of orthonormal basic vectors is derived from the eigenvectors that belong to the eigenvalues that are greater than a predetermined threshold value and combined into a transformation matrix.
  • the transformation matrix then describes the transformation of the reference vectors 16 to significant reference vectors, the components of which contain the significant features.
  • Fig. 4 shows a flowchart of the adaptation process (left part) and the actual classification (right part).
  • measurement data for example the print image
  • the measurement data for example from pixels of the recorded print images
  • Features are determined, for example by averaging the intensity values of individual pixels which lie within a feature area 12.
  • significant features are determined on the basis of which the individual reference documents can be clearly assigned to a class.
  • Significant features are preferably determined by factor analysis (PCA) of the reference vectors 16, the components of which contain the individual features of the reference documents.
  • PCA factor analysis
  • the classification criteria are calculated from the determined significant features that form the components of a significant reference vector. This is preferably done by calculating a linear classifier from the significant reference vectors.
  • the right part of FIG. 4 shows the classification of a banknote to be classified.
  • a first step 40 measurement data, in particular the printed image, of the banknote are first recorded and in a further step 41, analogously to step 31, preprocessed during the adaptation process, with a large number of features on the banknote to be classified is obtained.
  • a subset of features is selected from the large number of features of the document which have a higher significance in the classification than the other features of the document.
  • the selected subset of features are features that were determined as significant features in step 32 during the adaptation process.
  • the arrow running from step 32 in the direction of step 42 is intended to indicate that for this purpose data, for example the locations of the feature areas determined as significant or the transformation matrix, are transferred from the adaptation process to the actual classification.
  • the brackets around steps 41 and 42 are intended to indicate that the two steps 41 and 42 can be combined.
  • the determination of the features of the feature areas 12 in step 41 takes place here only for the significant feature areas 14 determined in step 32 during the adaptation process. In this way, the calculation of the features for a large number of feature areas 12 is reduced to the calculation of only the significant feature areas 14 This significantly reduces the time required for the classification.
  • step 43 the class for the document is determined from the characteristics of the selected subset, the classification criteria determined in step 33 of the adaptation process being used. This is also indicated by a corresponding arrow from step 33 in the direction of step 43.
  • this is a linear classifier, so that the significant features of the document to be classified combined into a feature vector simply result in multiplication with a matrix M and addition of a vector B to the class which is assigned to the document.
  • a preselection can already be made in which such features 12 are excluded from further processing, which are in the range of typical faults on or in the documents. This can include the border area, corners and vertical or horizontal stripes through the middle of the document.
  • the determination of significant features from these areas and the classification based on such features is not sufficiently reliable.
  • the selected significant features 14 do not lie in the region of the edges and corners of the bank note 10.
  • there are also no vertical stripes three units wide and two units wide horizontal through the middle of the bank note significant features 14.
  • the expected error rate can be calculated, which indicates the statistically expected proportion of incorrectly classified documents.
  • the error rate can be derived from the mutual distances between the areas 18 belonging to the individual classes in the feature space of the significant features.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Inspection Of Paper Currency And Valuable Securities (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Klassifizierung von Dokumenten, insbesondere Banknoten, bei welchem anhand von Merkmalen eines zu klassifizierenden Dokuments eine Klasse aus mehreren möglichen Klassen ermittelt wird. Zur Beschleunigung der Klassifizierung bei gleichzeitig hoher Zuverlässigkeit ist vorgesehen, dass aus den Merkmalen des Dokuments solche Merkmale ausgewählt werden, welche eine höhere Signifikanz aufweisen als die übrigen Merkmale des Dokuments, und anhand der ausgewählten Merkmale die Klasse für das Dokument ermittelt wird. Dokumente verschiedener Klassen unterscheiden sich hierbei in den ausgewählten Merkmalen deutlicher als in den übrigen Merkmalen. Eine bevorzugte Ausführung des Verfahrens sieht vor, dass die auszuwählenden Merkmale in einem separaten Adaptionsprozess anhand von Referenzdokumenten ermittelt werden. Die Merkmale der Referenzdokumente werden hierbei zu Referenzvektoren zusammengefasst, aus welchen mittels Faktorenanalyse (PCA) signifikante Komponenten ermittelt werden, welche den auszuwählenden Merkmalen des zu klassifizierenden Dokuments entsprechen.

Description

Verfahren zur Klassifizierung von Dokumenten
Die Erfindung betrifft ein Verfahren zur Klassifizierung von Dokumenten, insbesondere Banknoten, bei welchem Merkmale eines zu klassifizierenden Dokuments ermittelt werden und anhand der Merkmale des Dokuments eine Klasse aus mehreren möglichen Klassen für das Dokument ermittelt wird.
Klassifizierungsverfahren werden unter anderem bei der Erkennung und gegebenenfalls Sortierung von Banknoten in Banknotenbearbeitungsmaschinen oder Geldeingabeautomaten eingesetzt. Hierbei werden zunächst physikalische Eigenschaften der zu klassifizierenden Banknote gemessen und daraus eine Vielzahl von Merkmalen der Banknote abgeleitet. Anhand der Merkmale wird dann mit Hilfe von Klassifizierungskriterien eine Klasse er- mittelt, d.h. aus mehreren möglichen Klassen ausgewählt, und der Banknote zugeordnet. In einem anschließenden Sortiervorgang kann die Banknote dann in ein für die ermittelte Klasse vorgesehenes Sortierfach ausgegeben werden, um von dort aus weiteren Bearbeitungsschritten, ggf. einer Wiederausgabe, zugeführt zu werden.
Die bekannten Verfahren zur Klassifizierung von Dokumenten sind jedoch wegen der im allgemeinen großen Anzahl der zur Ermittlung der Klasse herangezogenen Merkmale sehr zeitintensiv. Infolgedessen ist eine Klassifizierung der Dokumente in Echtzeit kaum realisierbar.
Darüber hinaus werden die erforderlichen Klassifizierungskriterien meist in einem separaten Adaptionsprozeß vor der eigentlichen Klassifizierung festgelegt. Insbesondere bei einer großen Anzahl von Merkmalen und Klassifizierungskriterien gestaltet sich auch dieser Prozeß als sehr zeitaufwendig. Außerdem ist hierbei oft das Spezialwissen und die Erfahrung eines Exper- ten erforderlich, um eine zuverlässige Festlegung und Einstellung der Klassifizierungskriterien zu gewährleisten.
Es ist Aufgabe der vorliegenden Erfindung, ein schnelles und zugleich zu- verlässiges Verfahren zur Klassifizierung von Dokumenten anzugeben.
Diese Aufgabe wird durch das Verfahren gemäß Anspruch 1 gelöst. Erfindungsgemäß ist hierin vorgesehen, aus der Vielzahl der Merkmale des zu überprüfenden Dokuments diejenigen Merkmale auszuwählen, welche eine höhere Signifikanz bei der Klassifizierung aufweisen als die übrigen Merkmale des Dokuments. Anhand der ausgewählten Merkmale wird dann die Klasse für das Dokument ermittelt, d.h. aus mehreren möglichen Klassen ausgewählt.
Bei den Merkmalen handelt es sich um durch Messung an dem Dokument erhaltene Meßwerte oder davon abgeleitete Werte. Insbesondere werden die Merkmale für bestimmte Merkmalsbereiche, welche eine bestimmte Lage und Größe auf dem Dokument aufweisen, ermittelt. Beispielsweise enthalten die Merkmale jeweils Meßwerte bzw. Werte für die von quadratischen Flä- chen bestimmter Lage und Größe reflektierte und/ oder transmittierte Lichtintensität, gegebenenfalls bei einer bestimmten Wellenlänge oder in einem bestimmten Wellenlängenbereich.
Bei den möglichen Klassen, aus welchen eine ausgwählt werden soll, handelt es sich beispielsweise um die möglichen vorkommenden Stückelungen der zu klassifizierenden Dokumente. Im Falle von Banknoten handelt es sich hierbei um die Nennwerte der verschiedenene Banknoten. Mögliche Klassen können dann beispielsweise für 10, 20, 50, 100, 200, 500 und 1000 DM- Scheine vorgesehen sein. Im allgemeinen kann die Ermittlung einer Klasse aber auch im Hinblick auf die Echtheit und/ oder Fitneß, d.h. die Tauglichkeit des Dokuments für eine Wiederverwendung, erfolgen. Die einzelnen möglichen Klassen spiegeln dann beispielsweise unterschiedliche Echtheits- bzw. Fitneßgrade der zu klassifizierenden Dokumente wider.
Unter einer höheren Signifikanz der ausgewählten Merkmale wird eine im Vergleich zu den übrigen Merkmalen höhere Unterscheidungskraft zwi- sehen den einzelnen möglichen Klassen verstanden. Dies bedeutet, daß sich Dokumente aus verschiedenen Klassen in den ausgewählten Merkmalen deutlicher unterscheiden als in den übrigen Merkmalen. Bei den ausgewählten Merkmalen handelt es sich insbesondere um Merkmale bestimmter Merkmalsbereiche, in welchen die Unterschiede zwischen Dokumenten un- terschiedlicher Klassen besonders groß sind.
Durch die Auswahl einer Teilmenge aus der ursprünglichen Vielzahl von Merkmalen wird die Anzahl der für die Ermittlung der Klasse herangezogenen Merkmale reduziert. Da dann weniger Merkmale anhand von Klassifi- zierungskriterien geprüft werden müssen, wird der erforderliche Aufwand, d.h. die Rechenzeit, für das Klassifizierungsverfahren reduziert. Da außerdem nur Merkmale mit hoher Signifikanz herangezogen werden, ist gleichzeitig eine hohe Zuverlässigkeit gewährleistet.
Es ist vorteilhaft, wenn die Merkmale des Dokuments zu einem Merkmalsvektor zusammengefaßt werden, wobei die einzelnen Merkmale des Dokuments die einzelnen Komponenten des Merkmalsvektors bilden. Aus den Komponenten des Merkmalsvektors werden dann diejenigen Komponenten, d.h. Merkmale, ausgewählt, welche eine höhere Signifikanz aufweisen als die übrigen Komponenten des Merkmalsvektors. Die ausgewählten Komponenten bilden dann die Komponenten eines signifikanten Merkmalsvektors, anhand dessen die Klasse für das Dokument ermittelt wird. Die Zusammenfassung der Merkmale zu rechentechnisch leichter handhabbaren Vektoren führt hierbei zu einer weiteren Vereinfachung des Verfahrens, insbesondere bei einer computergestützten Durchführung.
In einer bevorzugten Ausführung des Verfahrens ist vorgesehen, daß die auszuwählenden Merkmale bzw. Komponenten des signifikanten Merk- malsvektors in einem separaten Adaptionsprozeß anhand von Referenzdokumenten ermittelt werden. Der Adaptionsprozeß gestaltet sich insbesondere wie folgt: Für jede mögliche Klasse, z.B. Stückelung, wird jeweils eine Vielzahl von Merkmalen jeweils eines oder mehrerer Referenzdokumente ermittelt. Bei den Referenzdokumenten einer Klasse handelt es sich vor- zugsweise um gebrauchte Referenzdokumente, wenn mit den im Adaptionsprozeß ermittelten signifikanten Komponenten anschließend eine Klassifizierung von gebrauchten Dokumenten vorgenommen werden soll. Für jedes Referenzdokument wird ein Referenzvektor erzeugt, dessen einzelne Komponenten durch die Merkmale jeweils eines Referenzdokuments gebil- det werden. Mit den Referenzvektoren wird eine Faktorenanalyse (Principle Component Analysis, PCA) durchgeführt. Hierbei werden signifikante Komponenten der Referenzvektoren ermittelt, für welche die Unterschiede zwischen den Referenzdokumenten der verschiedenen Klassen besonders groß sind. Die signifikanten Komponenten der Referenzvektoren entspre- chen dann den auszuwählenden Komponenten des Merkmalsvektors eines zu klassifizierenden Dokuments, d.h. bei der eigentlichen Klassifizierung, also der Ermittlung der Klasse für das Dokument, werden dann diejenigen Merkmale bzw. Komponenten des Merkmalsvektors eines zu klassifizierenden Dokuments ausgewählt, welche den ermittelten signifikanten Kompo- nenten der Referenzvektoren entsprechen. Die verwendete Faktorenanalyse stellt hierbei eine zuverlässige und schnelle Näherung zur Reduktion einer diskreten Zahl von Vektorkomponenten dar. Die beschriebene Ermittlung von signifikanten Merkmalen im Adaptionsprozeß anhand von Referenzdokumenten ist darüber hinaus voll automatisierbar, so daß hier kein weiteres Expertenwissen mehr erforderlich ist.
Die Erfindung wird nachfolgend anhand von Figuren beispielhaft erläutert. Es zeigen:
Fig. 1 eine Banknote mit regelmäßig verteilten Merkmalsbereichen;
Fig. 2 eine Banknote mit regelmäßig verteilten Merkmalsbereichen und ausgewählten Merkmalsbereichen;
Fig. 3 einen zweidimensionalen Merkmalsraum und
Fig. 4 jeweils ein Ablaufdiagramm des Adaptionsprozesses sowie der eigentlichen Klassifizierung.
Fig. 1 zeigt eine Banknote 10 mit regelmäßig verteilten Merkmalsbereichen 12. In dem dargestellten Beispiel weisen alle Merkmalsbereiche 12 eine quadratische bzw. rechteckige Form auf. Generell sind jedoch auch beliebige andere, z. B. kreisförmige, geometische Formen denkbar. Auch können sich Lage und Größe der einzelnen Merkmalsbereiche 12 deutlicher voneinander unterscheiden als im Beispiel.
Für die einzelnen Merkmalsbereiche 12 wird jeweils mindestens ein Merkmal abgeleitet. Vorzugsweise wird hierzu, z.B. mit Hilfe eines CCD-Sensors, ein Bild der Banknote 10 aufgenommen, welches aus einzelnen Bildpunkten mit zugehörigen Intensitätswerten besteht. Aus den Intensitätswerten von Bildpunkten, welche jeweils innerhalb der einzelnen Merkmalsbereiche 12 liegen, wird dann, z.B. durch Mittelung der Intensitätswerte, gegebenenfalls bei einer oder mehreren bestimmten Wellenlängen, das Merkmal des jeweiligen Merkmalsbereichs 12 abgeleitet. Im allgemeinen ist es auch möglich, neben oder anstelle von optischen Eigenschaften der Banknote 10 andere physikalische Eigenschaften, z.B. magnetische, zu messen und daraus Merkmale abzuleiten.
Fig. 2 zeigt die in Fig. 1 dargestellte Banknote 10 mit regelmäßig verteilten Merkmalsbereichen 12, wobei zusätzlich ausgewählte Merkmalsbereiche 14 eingezeichnet sind, welche für die Ermittlung der Klasse, d.h. beispielsweise des Nennwertes, der Banknote 10 herangezogen werden. Die Festlegung oder Ermittlung der Lage der auszuwählenden Merkmalsbereiche 14 erfolgt hierbei in einem separaten Adaptionsprozeß vor der Klassifizierung anhand von Referenzdokumenten. Gemäß der Erfindung weisen hierbei die ausgewählten Merkmalsbereiche 14 eine höhere Signifikanz, d.h. Unterscheidungskraft, bei der Klassifizierung der Banknoten 10 unterschiedlicher Nennwerte auf als die restlichen Merkmalsbereiche 12. In den im Adaptionsprozeß ermittelten Merkmalsbereichen 14 sind die Unterschiede zwischen Banknoten unterschiedlicher Klassen, z. B. 10, 20, 50, 100, 200, 500, 1000 DM-Scheine, besonders groß. Die eigentliche Klassifizierung, d. h. die Ermittlung einer Klasse für das zu klassifizierende Dokument, erfolgt dann anhand der ausgewählten Merkmalsbereiche 14.
Um eine möglichst gleiche relative Lage der Merkmalsbereiche 12 und 14 auch bei Banknoten 10 unterschiedlichen Formats zu gewährleisten, wird die Lage und/ oder die Größe der Merkmalsbereiche 12 entsprechend der Größe der Banknoten skaliert. Die auszuwählenden Merkmalsbereiche 14 befinden sich dann auch bei Banknoten 10 unterschiedlichen Formats, und damit unterschiedlichen Nennwerts, immer in derselben relativen Lage bzw. weisen eine entsprechend skalierte Größe auf.
Fig. 3 verdeutlicht am Beispiel eines zweidimensionalen Merkmalsraumes die unterschiedliche Signifikanz von zwei Merkmalen fl und f 2 bei der Klassifizierung. In dem Diagramm ist für zwei Klassen und jeweils zehn Referenzdokumente das Merkmal f2 über dem Merkmal f 1 aufgetragen. Jeder dargestellte Punkt 15 liegt hierbei an der Spitze eines Referenzvektors 16 für ein einzelnes Referenzdokument mit den Komponenten fl und £2. Im gezeigten Beispiel sind aus Gründen der Anschaulichkeit lediglich zwei Referenzvektoren 16 eingezeichnet. Wie aus dem Diagramm ersichtlich ist, liegen die Punkte 15 der Referenzvektoren 16 der beiden unterschiedlichen Klassen in zwei voneinander getrennten Bereichen 18. Offensichtlich lassen sich die Dokumente beider Klassen eindeutig alleine durch das Merkmal fl voneinander unterscheiden. So wird einem zu überprüfenden Dokument die erste Klasse zugeordnet, wenn das Merkmal fl des Dokuments innerhalb des Intervalls II liegt. Befindet sich das Merkmal fl innerhalb des Intervalls 12, so wird dem Dokument die zweite Klasse zugeordnet. Im Gegensatz dazu ist eine eindeutige Zuordnung eines zu klassifizierenden Dokuments zu einer der beiden Klassen alleine anhand des Merkmals f2 nicht möglich, da für dieses Merkmal die Merkmalsvektoren 16 beider Klassen nicht in voneinander getrennten Bereichen liegen.
In dem einfachen Beispiel ist gezeigt, daß die für eine eindeutige Zuordnung der Klassen zu einzelnen Dokumenten erforderliche Anzahl von Merkmalen reduziert werden kann. Im allgemeinen müssen jedoch diese für die Klassifizierung signifikanten Merkmale aus einer Vielzahl von Merkmalen gefun- den werden. Darüber hinaus sind i.a. unterschiedliche Merkmale zumindest geringfügig korreliert, d.h. voneinander abhängig. Die Bereiche 18 der Klassen im dargestellten Beispiel erstrecken sich dann im zweidimensionalen Merkmalsraum stärker in Richtung der Diagonalen des Merkmalsraums (nicht dargestellt), so daß eine eindeutige Zuordnung anhand des Merkmals fl schwieriger oder unmöglich wird.
Um auch in diesem allgemeineren Fall eine klare Unterscheidbarkeit der Klassen anhand ausgewählter signifikanter Merkmale zu erreichen, wird mit den Referenzvektoren der Referenzdokumente eine Faktorenanalyse (PCA) durchgeführt. Unter anderem wird hierbei das Koordinatensystem des Merkmalsraumes so transformiert, daß eine eindeutige Unterscheidung der Klassen in der oben beschriebenen Weise anhand von möglichst wenigen Merkmalen erfolgen kann. Mit Hilfe der Faktorenanalyse werden somit aus den Referenzvektoren von Referenzdokumenten diejenigen signifikanten Komponenten ermittelt, für welche die Merkmalsvektoren von zu unterschiedlichen Klassen gehörenden Dokumenten im Merkmalsraum in voneinander getrennten Bereichen liegen.
Die Faktorenanalyse weist hierbei folgende Schritte auf: Für jede Klasse der möglichen Klassen wird aus den Referenzvektoren der Referenzdokumente der jeweiligen Klasse ein mittlerer Referenzvektor ermittelt; ein über alle möglichen Klassen gemittelter Referenzvektor wird ermittelt; aus den mitteleren Referenzvektoren und dem gemittelten Referenzvektor wird eine Korrelationsmatrix berechnet; die Korrelationsmatrix wird diagonalisiert, wobei deren Eigenwerte mit den zugehörigen Eigenvektoren bestimmt werden; die Eigenwerte werden ihrer Größe nach sortiert. Aus den Eigenvektoren, die zu den Eigenwerten gehören, welche größer sind als ein vorgegebener Schwellenwert, wird ein Satz orthonormaler Basisvektoren abgeleitet und zu einer Transformationsmatrix zusammengefaßt. Die Transformationsmatrix beschreibt dann die Transformation der Referenzvektoren 16 zu signifikanten Referenzvektoren, deren Komponenten die signifikanten Merkmale enthalten.
Fig. 4 zeigt jeweils ein Ablauf diagramm des Adaptionsprozesses (linker Teil) sowie der eigentlichen Klassifizierung (rechter Teil). In dem im linken Teil der Figur dargestellten Adaptionsprozeß werden zunächst in einem ersten Schritt 30 Meßdaten, beispielsweise das Druckbild, von mehreren Ref erenz- dokumenten je Klasse erfaßt und einer Vorverarbeitung 31 zugeführt, in welcher aus den Meßdaten, beispielsweise aus Bildpunkten der erfaßten Druckbilder, Merkmale ermittelt werden, beispielsweise durch Mittelung der Intensiätswerte einzelner Bildpunkte, welche innerhalb eines Merkmalsbereichs 12 liegen. In Schritt 32 erfolgt die Ermittlung signifikanter Merk- male, anhand welcher sich die einzelnen Referenzdokumente eindeutig einer Klasse zuordnen lassen. Die Ermittlung signifikanter Merkmale erfolgt vorzugsweise durch Faktorenanalyse (PCA) der Referenzvektoren 16, deren Komponenten die einzelnen Merkmale der Referenzdokumente enthalten. Aus den ermittelten signifikanten Merkmalen, welche die Komponenten ei- nes signifikanten Referenzvektors bilden, werden im folgenden Schritt 33 die Klassifizierungskriterien berechnet. Dies erfolgt vorzugsweise durch Berechnung eines linearen Klassifizierers aus den signifikanten Referenzvektoren.
Im rechten Teil der Figur 4 ist die Klassifizierung einer zu klassifizierenden Banknote dargestellt. Es werden zunächst in einem ersten Schritt 40 Meßdaten, insbesondere das Druckbild, der Banknote erfaßt und in einem weiteren Schritt 41 analog Schritt 31 während des Adaptionsprozesses vorverarbeitet, wobei eine Vielzahl von Merkmalen auf der zu klassifizierenden Banknote erhalten wird. Im folgenden Schritt 42 wird aus der Vielzahl von Merkmalen des Dokuments eine Teilmenge von Merkmalen ausgewählt, welche eine höhere Signifikanz bei der Klassifizierung aufweisen als die übrigen Merkmale des Dokuments. Bei der ausgewählten Teilmenge von Merkmalen han- delt es sich um solche Merkmale, welche in Schritt 32 während des Adaptionsprozesses als signifikante Merkmale ermittelt wurden. Der von Schritt 32 in Richtung Schritt 42 verlaufende Pfeil soll andeuten, daß hierzu Daten, z.B. die Orte der als signifikant ermittelten Merkmalsbereiche oder die Transformationsmatrix, aus dem Adaptionsprozeß an die eigentliche Klassifizie- rung übergeben werden.
Die Klammer um die Schritte 41 und 42 soll andeuten, daß die beiden Schritte 41 und 42 zusammengefaßt werden können. Die Ermittlung der Merkmale der Merkmalsbereiche 12 in Schritt 41 erfolgt hierbei nur noch für die in Schritt 32 während des Adaptionsprozesses ermittelten signifikanten Merkmalsbereiche 14. Auf diese Weise reduziert sich die Berechnung der Merkmale für eine Vielzahl von Merkmalsbereichen 12 auf die Berechnung lediglich der signifikanten Merkmalsbereiche 14. Der Zeitaufwand bei der Klassifizierung wird hierdurch deutlich vermindert.
In Schritt 43 wird aus den Merkmalen der ausgewählten Teilmenge die Klasse für das Dokument ermittelt, wobei die in Schritt 33 des Adaptionsprozesses ermittelten Klassifizierungskriterien herangezogen werden. Auch dies ist durch einen entsprechenden Pfeil von Schritt 33 in Richtung Schritt 43 ange- deutet. Insbesondere handelt es sich hierbei um einen linearen Klassifizierer, so daß die zu einem Merkmalsvektor zusammengefaßten signifikanten Merkmale des zu klassifizierenden Dokuments einfach durch Multiplikation mit einer Matrix M und Addition eines Vektors B auf die Klasse führen, welche dem Dokument zugeordnet wird. Während der Schritte 31 und 41 kann nach der Ermittlung der Merkmale 12 bereits eine Vorauswahl getroffen werden, in welcher solche Merkmale 12 von der weiteren Verarbeitung ausgenommen werden, welche im Bereich von typischen Störungen auf oder in den Dokumenten liegen. Dies können u.a. der Randbereich, Ecken sowie vertikale oder horizontale Streifen durch die Mitte des Dokuments sein. Da dort oft Schäden durch Risse, Fehlstellen, Knicke und Falten auftreten, ist die Ermittlung signifikanter Merkmale aus diesen Bereichen sowie die Klassifizierung anhand solcher Merkmale nicht ausreichend zuverlässig. Wie der Figur 2 zu entnehmen ist, liegen die ausgewählten signifikanten Merkmale 14 nicht im Bereich der Ränder und Ek- ken der Banknote 10. Außerdem befinden sich auf einem drei Einheiten breiten vertikalen und einem zwei Einheiten breiten horizontalen Streifen durch die Mitte der Banknote ebenfalls keine signifikanten Merkmale 14.
Zur Abschätzung der Qualität einer Klassifizierung bei einer vorgenommenen Adaption kann die zu erwartende Fehlerrate berechnet werden, welche den statistisch zu erwartenden Anteil falsch klassifizierter Dokumente angibt. Die Fehlerrate kann aus den gegenseitigen Abständen der zu den ein- zelnen Klassen gehörenden Bereichen 18 im Merkmalsraum der signifikanten Merkmale abgeleitet werden.

Claims

P a t e n t a n s p r ü c h e
1. Verfahren zur Klassifizierung von Dokumenten, insbesondere Banknoten, bei welchem
Merkmale (12) eines zu klassifizierenden Dokuments (10) ermittelt werden und
anhand der Merkmale (12) des Dokuments (10) eine Klasse aus meh- reren möglichen Klassen für das Dokument (10) ermittelt wird,
dadurch gekennzeichnet, daß
aus den Merkmalen (12) des Dokuments (10) solche Merkmale (14) ausgewählt werden, welche eine höhere Signifikanz aufweisen als die übrigen Merkmale des Dokuments (10), und
anhand der ausgewählten Merkmale (14) die Klasse für das Dokument (10) ermittelt wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß
die Merkmale (12) des Dokuments (10) einzelnen Komponenten eines Merkmalsvektors zugeordnet werden,
aus den Komponenten des Merkmalsvektors diejenigen Komponenten ausgewählt werden, welche eine höhere Signifikanz aufweisen als die übrigen Komponenten des Merkmalsvektors, die ausgewählten Komponenten die Komponenten eines signifikanten
Merkmalsvektors bilden und aus dem signifikanten Merkmalsvektor die Klasse für das Dokument
(10) ermittelt wird.
3 . Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die auszuwählenden Merkmale (14) bzw. Komponenten des signifikanten Merkmalsvektors in einem Adaptionsprozeß (30 - 33) anhand von Referenzdokumenten ermittelt werden.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß der Adaptionsprozeß (30 - 33) folgende Teilschritte aufweist:
für jede mögliche Klasse werden Merkmale (fl, f2) jeweils eines oder mehrerer Referenzdokumente ermittelt,
die Merkmale (fl, f2) jedes Referenzdokuments werden einzelnen Komponenten jeweils eines zu jedem Referenzdokument gehörenden Referenzvektors (16) zugeordnet,
mit den Referenzvektoren (16) wird eine Faktorenanalyse (PCA) durchgeführt, wobei signifikante Komponenten der Referenzvektoren (16) ermittelt werden, welche den Komponenten eines signifikanten Referenzvektors zugeordnet werden, und welche die auszuwählen- den Komponenten des Merkmalsvektors des zu klassifizierenden Dokuments bilden.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, daß die Faktorenanalyse (PCA) folgende Schritte aufweist: für jede mögliche Klasse wird ein mittlerer Referenzvektor ermittelt,
ein über alle möglichen Klassen gemittelter Referenzvektor wird er- mittelt,
aus den mittleren Referenzvektoren und dem gemittelten Referenzvektor wird eine Korrelationsmatrix berechnet,
- die Korrelationsmatrix wird diagonalisiert, wobei deren Eigenwerte mit deren zugehörigen Eigenvektoren bestimmt werden,
die Eigenwerte werden ihrer Größe nach sortiert,
- aus den Eigenvektoren, die zu Eigenwerten gehören, welche größer sind als ein vorgegebener Schwellenwert, wird ein Satz orthonormaler Basisvektoren abgeleitet und zu einer Transformationsmatrix zusammengefaßt, welche eine Transformation der Referenzvektoren zu den signifikanten Referenzvektoren beschreibt.
6. Verfahren nach einem der Ansprüche 4 bis 5, dadurch gekennzeichnet, daß die Klasse für das Dokument (10) anhand eines oder mehrerer Klassifizierungskriterien ermittelt wird, welche aus dem signifikanten Referenzvektoren abgeleitet werden.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, daß die Ableitung von Klassifizierungskriterien durch Berechnung eines linearen Klassifizierers aus den signifikanten Referenzvektoren erfolgt.
8. Verfahren nach einem der Ansprüche 4 bis 7, dadurch gekennzeichnet, daß eine bei der Ermittlung der Klasse für das zu klassifizierende Dokument (10) zu erwartende Fehlerrate aus den Referenzvektoren ermittelt wird.
9. Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, daß die auszuwählenden Merkmale (14) nicht im Bereich von typischen Störungen auf oder in den zu klassfizierenden Dokumenten (10) bzw. Referenzdokumenten liegen.
10. Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, daß die Merkmale Meßwerte oder davon abgeleitete Werte von Merkmalsbereichen (12, 14) angeben, wobei jeder Merkmalsbereich (12, 14) eine bestimmte Lage und Größe auf den zu klassifizierenden Dokumenten (10) bzw. Referenzdokumenten aufweist.
11. Verfahren nach Anspruch 10, dadurch gekennzeichnet, daß die Lage der Merkmalsbereiche (12, 14) und/ oder deren Größe entsprechend der Größe des Dokuments (10) bzw. Referenzdokuments skaliert wird.
PCT/EP2001/010542 2000-09-14 2001-09-12 Verfahren zur klassifizierung von dokumenten WO2002023492A2 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
AU2001291857A AU2001291857A1 (en) 2000-09-14 2001-09-12 Method for classifying documents

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE10045360.0 2000-09-14
DE10045360A DE10045360A1 (de) 2000-09-14 2000-09-14 Verfahren zur Klassifizierung von Dokumenten

Publications (2)

Publication Number Publication Date
WO2002023492A2 true WO2002023492A2 (de) 2002-03-21
WO2002023492A3 WO2002023492A3 (de) 2002-11-07

Family

ID=7656113

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2001/010542 WO2002023492A2 (de) 2000-09-14 2001-09-12 Verfahren zur klassifizierung von dokumenten

Country Status (3)

Country Link
AU (1) AU2001291857A1 (de)
DE (1) DE10045360A1 (de)
WO (1) WO2002023492A2 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1618515A2 (de) * 2003-04-30 2006-01-25 Ventana Medical Systems, Inc. Farbbildkomprimierung über spektraldekorrelation und beseitigung räumlicher redundanz
EP1927937A3 (de) * 2006-12-01 2009-07-29 NEC Corporation System zur Identifizierung eines Zertifikatstempels und Verfahren zur Identifizierung eines Zertifikatstempels
CN103646458A (zh) * 2013-12-23 2014-03-19 华中科技大学 主成份分析鉴别纸币真伪的方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10117250A1 (de) * 2001-04-06 2002-10-17 Giesecke & Devrient Gmbh Verfahren zum Test von Meßsystemen
DE10145608B4 (de) * 2001-09-15 2006-01-26 Eads Deutschland Gmbh Modellbasierte Objektklassifikation und Zielerkennung
DE102004036229A1 (de) * 2004-07-26 2006-02-16 Giesecke & Devrient Gmbh Verfahren für die Prüfung von Banknoten
DE102005044092A1 (de) * 2005-09-15 2007-03-22 Giesecke & Devrient Gmbh Banknotenerkennung
JP4988408B2 (ja) 2007-04-09 2012-08-01 株式会社デンソー 画像認識装置
DE102010021803A1 (de) * 2010-05-27 2011-12-01 Giesecke & Devrient Gmbh Vorrichtung zur Echtheitsprüfung von Wertdokumenten

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0698857A2 (de) * 1994-08-25 1996-02-28 Sony Corporation Mustererkennung
US5757001A (en) * 1996-05-01 1998-05-26 The Regents Of The University Of Calif. Detection of counterfeit currency
EP0849699A2 (de) * 1996-12-17 1998-06-24 Honda Giken Kogyo Kabushiki Kaisha Anlage und Verfahren zur Bilderkennung
WO2000033262A1 (en) * 1998-12-02 2000-06-08 Mars, Incorporated Classification method and apparatus

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH684222A5 (de) * 1992-03-10 1994-07-29 Mars Inc Einrichtung zur Klassifizierung eines Musters, insbesondere von einer Banknote oder von einer Münze.
CH684856A5 (de) * 1992-11-30 1995-01-13 Mars Inc Verfahren zur Klassifizierung eines Musters - insbesondere eines Musters einer Banknote oder einer Münze - und Einrichtung zur Durchführung des Verfahrens.
DE19538004A1 (de) * 1995-03-31 1996-10-02 Fraunhofer Ges Forschung Verfahren zur Grobklassifizierung von Objekten
DE19636074C2 (de) * 1996-09-05 1999-08-12 Siemens Ag Lernfähiges Bildverarbeitungssystem zur Klassierung
DE29916927U1 (de) * 1999-09-28 2000-01-20 Weiss Andreas Vorrichtung für die Überprüfung der Echtheit von Banknoten

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0698857A2 (de) * 1994-08-25 1996-02-28 Sony Corporation Mustererkennung
US5757001A (en) * 1996-05-01 1998-05-26 The Regents Of The University Of Calif. Detection of counterfeit currency
EP0849699A2 (de) * 1996-12-17 1998-06-24 Honda Giken Kogyo Kabushiki Kaisha Anlage und Verfahren zur Bilderkennung
WO2000033262A1 (en) * 1998-12-02 2000-06-08 Mars, Incorporated Classification method and apparatus

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1618515A2 (de) * 2003-04-30 2006-01-25 Ventana Medical Systems, Inc. Farbbildkomprimierung über spektraldekorrelation und beseitigung räumlicher redundanz
EP1618515A4 (de) * 2003-04-30 2008-01-23 Ventana Med Syst Inc Farbbildkomprimierung über spektraldekorrelation und beseitigung räumlicher redundanz
EP1927937A3 (de) * 2006-12-01 2009-07-29 NEC Corporation System zur Identifizierung eines Zertifikatstempels und Verfahren zur Identifizierung eines Zertifikatstempels
CN103646458A (zh) * 2013-12-23 2014-03-19 华中科技大学 主成份分析鉴别纸币真伪的方法
CN103646458B (zh) * 2013-12-23 2015-10-28 华中科技大学 主成份分析鉴别纸币真伪的方法

Also Published As

Publication number Publication date
WO2002023492A3 (de) 2002-11-07
AU2001291857A1 (en) 2002-03-26
DE10045360A1 (de) 2002-03-28

Similar Documents

Publication Publication Date Title
EP0692089B1 (de) Produktionsnahe farbkontrolle mit bildgebenden sensoren
EP2095341B1 (de) Verfahren zur erkennung von verschmutzungen und/oder farbabnutzungen im bereich von farbübergängen auf wertdokumenten und mittel zur durchführung des verfahrens
DE102007035884B4 (de) Linienrauschunterdrückungsvorrichtung, -verfahren und -programm
EP0585724A2 (de) Verfahren und Vorrichtung zur Erkennung von Druckbildern auf Dokumenten
CH684856A5 (de) Verfahren zur Klassifizierung eines Musters - insbesondere eines Musters einer Banknote oder einer Münze - und Einrichtung zur Durchführung des Verfahrens.
EP3287951B1 (de) Verfahren für die urheberschaftsbewertung eines gemäldes
EP1576553A2 (de) Verfahren und vorrichtung für die überprüfung von banknoten
EP1897067B1 (de) Verfahren und vorrichtung zur erkennung einer münze unter verwendung ihres prägebildes
WO2002023492A2 (de) Verfahren zur klassifizierung von dokumenten
EP3111426B1 (de) Verfahren zum ermitteln eines sortierergebnisses für ein wertdokument und mittel zur durchführung des verfahrens
DE60204066T2 (de) Automatische Lokalisierung von Tabellen in Dokumenten
WO2011082792A1 (de) Verfahren zur prüfung von wertdokumenten
DE19942223A1 (de) Klassifikationsverfahren mit Rückweisungsklasse
EP3680106A1 (de) Mn-detektion im druckbild
EP2096578A2 (de) Verfahren und Vorrichtung zur Charakterisierung der Formation von Papier
EP2394250B1 (de) Verfahren und vorrichtung zum verifizieren von dokumenten unter verwendung einer wavelet-transformation
EP3435056B1 (de) Druckinspektionsvorrichtung zur optischen inspektion eines druckbildes eines druckobjekts
EP2084652A1 (de) Verfahren und vorrichtung zum identifizieren von gegenständen
DE19917899C2 (de) Verfahren zur Fehlererkennung und Fehlerbewertung von Druckprodukten
DE102018207725B3 (de) Auflösungsbereinigte Druckvorschau
EP1567991B1 (de) Verfahren und vorrichtung zur prüfung von wertdokumenten
DE10024559B4 (de) Verfahren zur Erkennung von Objekten
DE10040614A1 (de) Verfahren zur automatischen Erkennung einer gerichteten Struktur
DE10066189B4 (de) Verfahren zur Erkennung von Objekten
EP1179802B1 (de) Verfahren und Einrichtung zur Erstellung von Korrelations-Bildpunktmengen

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A2

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BY BZ CA CH CN CO CR CU CZ DK DM DZ EC EE ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NO NZ PH PL PT RO RU SD SE SG SI SK SL TJ TM TR TT TZ UA UG US UZ VN YU ZA ZW

AL Designated countries for regional patents

Kind code of ref document: A2

Designated state(s): GH GM KE LS MW MZ SD SL SZ TZ UG ZW AM AZ BY KG KZ MD RU TJ TM AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
121 Ep: the epo has been informed by wipo that ep was designated in this application
AK Designated states

Kind code of ref document: A3

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BY BZ CA CH CN CO CR CU CZ DK DM DZ EC EE ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NO NZ PH PL PT RO RU SD SE SG SI SK SL TJ TM TR TT TZ UA UG US UZ VN YU ZA ZW

AL Designated countries for regional patents

Kind code of ref document: A3

Designated state(s): GH GM KE LS MW MZ SD SL SZ TZ UG ZW AM AZ BY KG KZ MD RU TJ TM AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

122 Ep: pct application non-entry in european phase
NENP Non-entry into the national phase

Ref country code: JP