Zusammenfassung - Otto-von-Guericke-Universität Magdeburg
Zusammenfassung - Otto-von-Guericke-Universität Magdeburg
Zusammenfassung - Otto-von-Guericke-Universität Magdeburg
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
7.1 Überblick über Biometrie und biometrische Fusion<br />
voraus, dass die zu fusionierenden Sensordaten in irgendeiner Weise sinnvoll fusionierbar,<br />
das heißt kompatibel sind. Es ist schwerlich möglich, die Helligkeitsinformationen<br />
der Pixelwerte eines Gesichtsbildes mit den Amplitudenwerten einer zeitdiskret abgetasteten<br />
Schallwelle der menschlichen Stimme zu verknüpfen. Hingegen ist es praktisch<br />
möglich, etwa aus mehreren kleinen Einzelaufnahmen <strong>von</strong> Fingerlinienbildern<br />
aus leicht verschiedenen Perspektiven ein größeres Gesamtbild eines Fingerabdrucks<br />
zu generieren (engl. fingerprint mosaicking), um hierdurch mehr Informationen für die<br />
Fingerabdruckerkennung zu gewinnen [JR02, SRSC05, MMJP03, S. 77].<br />
Ein weiteres Beispiel ist die Bestimmung <strong>von</strong> räumlichen Informationen der Gesichtsoberfläche<br />
auf Grundlage <strong>von</strong> Bildinformationen mehrerer Kameras [Hsu02]. Dieses<br />
Prinzip ist vergleichbar mit dem menschlichen Vermögen, mithilfe der beiden Augen<br />
dreidimensional sehen zu können.<br />
• Merkmalsebene: Wie zuvor bei der Ebene der Sensordaten ist es auch für die Fusion<br />
auf Merkmalsebene nötig, dass die zu fusionierenden Daten überhaupt fusionierbar<br />
(kompatibel), das heißt, gemeinsam im folgenden Verarbeitungsschritt (Vergleich, siehe<br />
Abbildungen 7.1 und 7.2) vergleichbar sind.<br />
Für Multi-Sample-Systeme mit Merkmalsdaten (Merkmalsvektoren) einer festen Größe<br />
könnte eine Fusion auf Merkmalsebene dadurch realisiert werden, dass beispielsweise<br />
ein Durchschnittsvektor der einzelnen Merkmalsvektoren bestimmt wird, welcher in<br />
den folgenden biometrischen Verarbeitungsschritten genauso verwendet wird, wie dies<br />
in einem singlebiometrischen System der Fall wäre [RNJ06, S. 65f].<br />
Für eine biometrische Fusion singlebiometrischer Teilsysteme, deren Merkmalsdaten<br />
sich als Vektoren ausdrücken lassen, welche jedoch untereinander nicht dieselbe Länge<br />
haben müssen, ließe sich eine Fusion auf Merkmalsebene dadurch erreichen, dass<br />
die einzelnen Merkmalsvektoren miteinander konkateniert werden, wodurch die Länge<br />
des entstehenden Vektors gleich der Summe der einzelnen Vektorlängen wäre. Hierbei<br />
können die einzelnen zu fusionierenden Systeme beziehungsweise ihre Merkmalsdaten<br />
gänzlich verschieden <strong>von</strong>einander sein, etwa Mel-Frequenz-Cepstral-Koeffizienten der<br />
menschlichen Stimme, kombiniert mit geometrischen Merkmalen der Lippenbewegung<br />
[RNJ06, S. 69f]. Eine solche Fusion setzt jedoch voraus, dass das Vergleichsmodul gegenüber<br />
den singlebiometrischen Systemen angepasst wird, um die nunmehr längeren<br />
Merkmalsvektoren miteinander vergleichen und für diese einen Ähnlichkeitswert bestimmen<br />
zu können.<br />
• Vergleichsebene: Die in der wissenschaftlichen Literatur am häufigsten anzutreffende<br />
Art <strong>von</strong> biometrischer Fusion ist jene, die auf der Vergleichsebene, also auf Basis<br />
<strong>von</strong> Ähnlichkeitswerten (engl. matching scores) stattfindet. Der Grund dafür mag<br />
sein, dass hierfür jede Kombination beliebiger singlebiometrischer Systeme möglich<br />
ist, die einen Zugriff auf die zur biometrischen Entscheidung nötigen Ähnlichkeitswerte<br />
gestatten. Praktisch ist es zumeist nötig, die unterschiedlichen Ähnlichkeitswerte<br />
der Einzelsysteme zu normalisieren und eventuell individuell zu gewichten. Beispiele<br />
für die biometrische Fusion auf der Vergleichsebene finden sich im Bereich der<br />
89