Zusammenfassung - Otto-von-Guericke-Universität Magdeburg
Zusammenfassung - Otto-von-Guericke-Universität Magdeburg
Zusammenfassung - Otto-von-Guericke-Universität Magdeburg
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
7 Fusion<br />
multimodalen [SPC + 05, UHW + 06], multisensorischen [SVO07], multialgorithmischen<br />
[SVD05, SVVS05], Multi-Sample- [CKV04], Multi-Instanz- [SVD07b] und hybriden<br />
Systeme [VS05].<br />
• Entscheidungsebene: Wie im Falle der Fusion auf der Vergleichsebene können für<br />
biometrische Systeme auf Basis einer Fusion auf Entscheidungsebene diverse singlebiometrische<br />
Systeme kombiniert werden, jedoch ohne die Einschränkung auf solche<br />
Systeme, die einen Zugriff auf die Ähnlichkeitswerte gestatten. Die biometrischen Entscheidungen<br />
der verschiedenen Einzelsysteme werden zumeist mittels boolscher Algebra<br />
oder einer Art <strong>von</strong> Mehrheitsentscheidung miteinander fusioniert. Beispiele sind<br />
etwa die multialgorithmische Fusion für die Fingerabdruck- [PJ02, HG07], Gesichts-<br />
[CSKV04] oder Sprechererkennung [SSY03], die multi-sensorische Fusion <strong>von</strong> zweidimensionalen<br />
Textur- und dreidimensionalen Formdaten für die Gesichtserkennung<br />
[TRV + 07] oder die multimodale Fusion <strong>von</strong> audio-visuellen Daten zur Erkennung anhand<br />
<strong>von</strong> Sprache und Gesichtsbildern [WCM05].<br />
In der Literatur ist durch Verwendung der verschiedenen Fusionsstrategien in den meisten<br />
Fällen eine tatsächliche Verbesserung der biometrischen Leistungsfähigkeit gegenüber den<br />
einzelnen Teilsystemen dokumentiert. Beispielsweise Scheidat et al. beschreiben in [SVO07]<br />
eine relative Verbesserung der Erkennungsgenauigkeit ihres multisensorischen Systems zur<br />
biometrischen Handschriftenerkennung um etwa 36,2 %. In [SPC + 05] dokumentieren Stylianou<br />
et al. einen EER-Wert <strong>von</strong> 0,0009 für die multimodale Fusion <strong>von</strong> Gesichts-, Sprach- und<br />
Unterschriftsdaten im Gegensatz zum EER-Wert <strong>von</strong> 0,0401 der besten einzelnen Modalität<br />
(Sprache). Jedoch sind den Verbesserungen der Leistungsfähigkeit in der Praxis Grenzen gesetzt.<br />
Kittler et al. beschreiben dies in [KMJS97, S. 847] etwa für die Multi-Sample-Fusion in<br />
der Gesichtsbiometrie wie folgt:<br />
»We show that the performance gains achieved by means of fusion are initially<br />
monotonic but soon reach saturation (after three or four frames in our experiments).«<br />
Für das Problem der Suche in handschriftlichen Daten wird sich zeigen müssen, inwieweit<br />
diese Aussagen über die Möglichkeiten und Grenzen <strong>von</strong> Fusionstechniken gültig sind.<br />
7.2 Fusionsstrategien der Handschriftsuche<br />
Neben einer Reihe <strong>von</strong> Gemeinsamkeiten zwischen biometrischen Authentifikationssystemen<br />
auf der einen und Handschriftsuchsystemen auf der anderen Seite, etwa im abstrakten Systemaufbau<br />
und in der Art der Datenverarbeitung, existieren entscheidende Unterschiede, welche<br />
eine Adaptierbarkeit der im vorangegangenen Abschnitt dargestellten Fusionsstrategien<br />
nicht trivial machen. Im Falle der Biometrie ist einer der wichtigsten Verarbeitungsschritte<br />
der Vergleich des Merkmalsdatensatzes eines biometrischen Musters einer Person mit anderen<br />
Merkmalsdatensätzen derselben Person (Verifikation) oder mit den Merkmalsdatensätzen<br />
verschiedener Personen (Identifikation). Es kommt also zumeist zu einer mehrfachen Ausführung<br />
eines Vergleiches <strong>von</strong> mehr oder minder ähnlichen Objekten. Hingegen berücksichtigt<br />
90