Statistik, Datenanalyse und Simulation
|
|
- Mathias Ziegler
- vor 7 Jahren
- Abrufe
Transkript
1 Dr. Michael O. Distler Mainz, 12. Juli 2011
2 Gesichtserkennung Begriffsunterscheidung: Lokalisation eines Gesichts im Bild Zuordnung des Gesichts zu einer bestimmten Person Technische Gesichtserkennung: Gesichtserkennung zählt zu den biometrischen Verfahren. Sie wird sicherheitstechnisch, kriminalistisch und forensisch eingesetzt: Zum Zweck der Identifikation oder Verifikation (Authentifizierung). Zur Zutrittskontrolle zu sicherheitsempfindlichen Bereichen. Zur Suche nach Dubletten in Datenbanken, etwa in Melderegistern.
3 Verfahren zur Gesichtserkennung 2D-Verfahren Simple Gesichtserkennungsverfahren verwenden eine zweidimensionale (2D) geometrische Vermessung besonderer Merkmale (z.b. Augen, Nase, Mund). Hierbei wird deren Position, Abstand und Lage zueinander bestimmt. Heutige Verfahren setzen jedoch meist auf komplexe Berechnungen wie die Waveletanalyse oder Hauptkomponentenanalyse. 3D-Verfahren: Dreidimensionale (3D) Erfassung des Gesichts. Durch die zusätzlichen Informationen sollen höhere Erkennungsgenauigkeit, bessere Posenunabhängigkeit und Überwindungssicherheit erzielt werden. Derzeit (Stand: 2006) sind die 2D-Verfahren noch den 3D-Verfahren überlegen.
4 Eigengesichter - Eigenfaces Eigengesichter (engl. auch Eigenfaces genannt) ist ein Verfahren zur Gesichtserkennung, das auf der Hauptkomponentenanalyse basiert. Entwickelt wurde das Verfahren von Matthew Turk und Alex Pentland. facerec/basic.html 7562 Bilder von etwa 3000 Personen. x i enthält die Pixelwerte des i-ten Bildes. Eigengesichter sind basierend auf 128 Bildern von Gesichtern berechnet worden. Zur Erkennung wurden die ersten 20 Eigenvektoren (=Eigengesichter) benutzt. Fast jede Person hat mindestens 2 Bilder; viele Personen haben variierende Bilder mit unterschiedlichem Gesichtsausdruck, unterschiedlicher Haartracht, Barttracht,...
5 MIT Media Lab - Vision and Modeling Group
6 MIT Media Lab - Vision and Modeling Group Ähnlichkeitssuche basierend auf den Hauptkomponenten Nebenstehend ist das linke Bild oben das Testbild. Basierend auf dem euklidischen Abstand im Raum der Hauptkomponenten wurden die folgenden 15 Bilder als nächste Nachbarn klassifiziert. Interessanterweise stammen alle 15 Bilder von der korrekten Person, obwohl die Datenbank aus insgesamt 7562 Bildern von unterschiedlichen Personen bestand!
7 The ORL Database of Faces attarchive/facedatabase.html Die Datenbank enthält 10 verschiedene Bilder von 40 verschiedenen Personen. Die Bilder wurden zu unterschiedlichen Zeiten, mit verschiedenen Gesichtsausdrücken und Beleuchtungen gemacht. Alle Bilder sind im PGM Format, 92x112 Pixel groß und mit 256 Graustufen. Die ersten fünf Bilder jeder Person sind die Trainingsbilder.
8 The ORL Database of Faces - Personen 1 5
9 The ORL Database of Faces - Personen 6 10
10 The ORL Database of Faces - Personen 11 15
11 The ORL Database of Faces - Personen 16 20
12 The ORL Database of Faces - Personen 21 25
13 The ORL Database of Faces - Personen 26 30
14 The ORL Database of Faces - Personen 31 35
15 The ORL Database of Faces - Personen 36 40
16 Eigengesichter - Eigenfaces Das Durchschnittsgesicht
17 Eigengesichter - Eigenfaces... zu den größten Eigenwerten und zu den kleinsten Eigenwerten
18 Eigengesichter - Eigenfaces Festlegung der Eigenface-Basis: Kumulierte Stärke Index der Eigengesichter
19 Eigengesichter - Eigenfaces Fünf Testbilder abgebildet auf 12 Eigengesichter (65%)
20 Eigengesichter - Eigenfaces Fünf Testbilder abgebildet auf 23 Eigengesichter (75%)
21 Eigengesichter - Eigenfaces Fünf Testbilder abgebildet auf 32 Eigengesichter (80%)
22 Eigengesichter - Eigenfaces Fünf Testbilder abgebildet auf 70 Eigengesichter (90%)
23 Eigengesichter - Eigenfaces Fünf Testbilder abgebildet auf 98 Eigengesichter (95%)
24 Eigengesichter - Eigenfaces
25 Eigengesichter - Eigenfaces
26 Quellen Turk, M., and Pentland, A., Eigenfaces for Recognition, Journal of Cognitive Neuroscience, Vol. 3, No. 1, pp , Winter 1991, http: // Photobook/Eigenfaces Demo: mit.edu/vismod/demos/facerec/basic.html
Anwendungen der Hauptkomponentenanalyse. Volker Tresp vertreten durch Florian Steinke
Anwendungen der Hauptkomponentenanalyse Volker Tresp vertreten durch Florian Steinke 1 Dimensionsreduktion für Supervised Learning 2 Beispiel: Kaufentscheidung 3 Verbesserte Abstandsmaße durch Hauptkomponentenanalyse
MehrEigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection
Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection Peter N. Belhumeur, João P. Hespanha, David J. Kriegman IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 5. Juli 2011 Zunächst: PCA (Hauptkomponentenanalyse) ist eine mathematische Prozedur, die eine Anzahl von (möglicherweise korrelierten) Variablen
MehrGesichtserkennung. Seminar Biometrische Identifikationsverfahren SoSe2004. Yasushi Tomii Steffen Scheer
Seminar Biometrische Identifikationsverfahren SoSe2004 Yasushi Tomii Steffen Scheer 1. Einleitung Bei der Gesichterkennung werden die charakteristischen Merkmale eines menschlichen Gesichtes verwendet
MehrSEMINAR AUTOMATISCHE GESICHTSERKENNUNG
SEMINAR AUTOMATISCHE GESICHTSERKENNUNG OBERSEMINAR AUTOMATISCHE ANALYSE VON GESICHTSAUSDRÜCKEN Organisation, Überblick, Themen Überblick heutige Veranstaltung 1. Organisatorisches 2. Überblick über beide
MehrFriedrich-Schiller-Universität Jena. Angewandte Biometrie Modul 9 Gesichtserkennung. Dr. Andreas Wolf
Friedrich-Schiller-Universität Jena Angewandte Biometrie Modul 9 Gesichtserkennung Dr. Andreas Wolf Aufbau Gesichtserkennung Technischer Ablauf Bekannte Algorithmen Anwendungen DoD Report DoD Report Geschichte
MehrHauptkomponenten-basierte Klassifikationsverfahren (PCA)
Hauptkomponenten-basierte Klassifikationsverfahren (PCA) Projektseminar: Wetterlagen und Feinstaub - Übung Dozent: Claudia Weitnauer Referent: Esther Oßwald, Julian Dare Datum: 30.05.2011 Übersicht 1 Einleitung
MehrGesichtsdetektierung und Gesichtserkennung
[ 1 / 103 ] Technische Universität Bergakademie Freiberg stefan@guettel.com Fakultät für Mathematik und Informatik Institut für Numerische Mathematik und Optimierung Spezialistenlager des GCG Halle, 15.01.2009
MehrPrincipal Component Analysis (PCA)
Principal Component Analysis (PCA) Motivation: Klassifikation mit der PCA Berechnung der Hauptkomponenten Theoretische Hintergründe Anwendungsbeispiel: Klassifikation von Gesichtern Weiterführende Bemerkungen
MehrHauptkomponentenanalyse. Volker Tresp
Hauptkomponentenanalyse Volker Tresp 1 Mathematische Vorbereitung: Singulärwertzerlegung 2 Singulärwertzerlegung Singulärwertzerlegung, auch SVD von Singular Value Decomposition Eine beliebige (rechteckige,
MehrBeobachtung und Messung von Merkmalen des Menschen Ziel: (Wieder-)Erkennung natürlicher Vorgang
12 Biometrie Beobachtung und Messung von Merkmalen des Menschen Ziel: (Wieder-)Erkennung natürlicher Vorgang Gesichtserkennung ist angeboren Tiere nutzen z.b. Töne zum finden ihrer Jungen Verwendung mehrerer
MehrREIHE INFORMATIK TR Gesichtserkennung in Bildern und Videos mit Hilfe von Eigenfaces
Technical Report TR-05-008, Mathematics and Computer Science Department, University of Mannheim, September 2005 by Stephan Kopf, Alexander Oertel REIHE INFORMATIK TR-05-008 Gesichtserkennung in Bildern
MehrBildverstehen Objekt- und Gesichtserkennung
Bildverstehen Objekt- und Gesichtserkennung Sprachliche Informationsverarbeitung - Spinfo Universität zu Köln Seminar: Künstliche Intelligenz II Seminarleiter: Claes Neuefeind Referenten: Milagros Pacco
MehrBIOMETRIE IN DER IT-SICHERHEIT
BIOMETRIE IN DER IT-SICHERHEIT Dr.-Ing. Rainer Ulrich Fraunhofer-Institut für Integrierte Schaltungen IIS Biometrie Die Vermessung von Lebewesen Biometrische Statistiken Höhe von Stühlen Konfektionsgrößen
MehrTechnik und Leistungsfähigkeit automatischer Gesichtserkennung
From: FIfF-Kommunikation, 19(1), 27 30, 2002. Technik und Leistungsfähigkeit automatischer Gesichtserkennung Rolf P. Würtz Institut für Neuroinformatik Ruhr-Universität, 44780 Bochum http://www.neuroinformatik.ruhr-uni-bochum.de/people/rolf/
MehrSEMINAR AUTOMATISCHE GESICHTSERKENNUNG OBERSEMINAR NEURONALE NETZE FÜR COMPUTER VISION
PROSEMINAR COMPUTER VISION SEMINAR AUTOMATISCHE GESICHTSERKENNUNG OBERSEMINAR NEURONALE NETZE FÜR COMPUTER VISION Organisation, Überblick, Themen Übersicht der heutigen Veranstaltung Organisatorisches
MehrJulius-Maximilians-Universität Würzburg Institut für Informatik Lehrstuhl für Künstliche Intelligenz und Angewandte Informatik.
Julius-Maximilians-Universität Würzburg Institut für Informatik Lehrstuhl für Künstliche Intelligenz und Angewandte Informatik Bachelorarbeit im Studiengang Informatik zur Erlangung des akademischen Grades
MehrGesichtsidentifikation mit dem Erkennungssystem FaceVACS SDK der Firma Cognitec
Gesichtsidentifikation mit dem Erkennungssystem FaceVACS SDK der Firma Cognitec Zwischenpräsentation Autoren: Alexander Mielchen und Lorenz Kaipf 20.05.2014 1 Gliederung Aufgabenstellung und Randbedingungen
MehrPERSONENAUTHENTIFIKATION MITTELS GESICHTSERKENNUNG AUF CHIPKARTEN
PERSONENAUTHENTIFIKATION MITTELS GESICHTSERKENNUNG AUF CHIPKARTEN DI Dr. Stefan Pittner Wissenschaftlicher Mitarbeiter Institut für IT Sicherheitsforschung Fachhochschule St. Pölten 3100 St. Pölten 24.
MehrBiometrie. ein Überblick
Biometrie ein Überblick Überblick: Definitionen und Herleitung Blick in die Geschichte Allgemeines zur Biometrie Überblick über einige Verfahren sprachliche Herkunft: aus dem Griechischen abgeleitet von:
MehrSegmentierung von Faserstrukturen in tomographischen Aufnahmen. Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern
Segmentierung von Faserstrukturen in tomographischen Aufnahmen Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern Oliver Wirjadi Frankfurt, 7.03.007 Bildquelle: Institut für
MehrRekapitulation, Erweiterung und Systematisierung technischer Fehler biometrischer Systeme (welche Komponenten machen welche Fehler)
Dozentin: Andrea Knaut Referenten: Marco Kähler, Marcel Zentel Seminar: Automatisierte Fingerabdruckidentifizierung praktisch hinterfragen Hu Berlin Rekapitulation, Erweiterung und Systematisierung technischer
MehrMerkmalerkennung am Beispiel SIFT
Merkmalerkennung am Beispiel SIFT Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH Salzburg) Merkmalerkennung
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................415 Aufbau
MehrProjektionen für f r die Scanregistrierung mit Hilfe von Bildmerkmalen
Projektionen für f r die Scanregistrierung mit Hilfe von Bildmerkmalen Prof. Dr. Andreas Nüchter Jacobs University Bremen Campus Ring 1 28759 Bremen 1 Hintergrund (1) Automatisierung von terrestrischen
MehrGLANZKORREKTURALGORITHMEN
GLANZKORREKTURALGORITHMEN FÜR DIE GESICHTSERKENNUNG Diplomarbeit am Institut für Medien- und Phototechnik Fakultät für Informations-, Medien- und Elektrotechnik Fachhochschule Köln Autor Jörg Seedorfer
MehrVerzeichnung und Messgenauigkeit aufgrund der Verzeichnung. Tutorial
Verzeichnung und Messgenauigkeit aufgrund der Verzeichnung Seite 2 1. Definition Verzeichnung Verzeichnung (engl. distortion) ist ein geometrischer Abbildungsfehler eines optischen Systems. Dieser Fehler
MehrKapitel 31 Bild- und Tonretrieval. HHU Düsseldorf, WS 2008/09 Information Retrieval 483
Kapitel 31 Bild- und Tonretrieval HHU Düsseldorf, WS 2008/09 Information Retrieval 483 Multimedia Information Retrieval Content-based Information Retrieval gesprochene Sprache Musik und weitere Audio-Dokumente
MehrTechnische Gesichtserkennung
Technische Gesichtserkennung Gliederung Was ist Gesichtserkennung? Anwendungsbereiche der Gesichtserkennung Technische Verfahren Paul-Viola Algorithmus Gesichtsverfolgung via Webcam Hardware Software Demo
MehrAndreas G. Ranftl Digitale Gesichtserkennung Theoretischer Überblick und praktische C++-Implementierung Bachelor + Master Publishing
Bachelorarbeit Andreas G. Ranftl Digitale Gesichtserkennung Theoretischer Überblick und praktische C++-Implementierung Bachelor + Master Publishing Andreas G. Ranftl Digitale Gesichtserkennung Theoretischer
MehrSingulärwert-Zerlegung
Singulärwert-Zerlegung Zu jeder komplexen (reellen) m n-matrix A existieren unitäre (orthogonale) Matrizen U und V mit s 1 0 U AV = S = s 2.. 0.. Singulärwert-Zerlegung 1-1 Singulärwert-Zerlegung Zu jeder
MehrRheinisch Westfälische Technische Hochschule Aachen Lehr- und Forschungsgebiet Informatik 4 Prof. Dr. Ing. Felix Freiling. Seminar: SeVVes 2006
Rheinisch Westfälische Technische Hochschule Aachen Lehr- und Forschungsgebiet Informatik 4 Prof. Dr. Ing. Felix Freiling Seminar: SeVVes 2006 alternative Authentifizierungsverfahren: Passfaces & CAPTCHAs
MehrAVI-Studio Überwachungssystem. Gesichtserkennung
Überwachungssystem Vocord Gesichtserkennung Was ist Gesichtserkennung? Die Vocord Gesichtserkennung ist ein System für die biometrische Gesichtserkennung auf Basis von nichtkooperativer Zielerkennung.
MehrIdeen und Konzepte der Informatik. Maschinelles Lernen. Kurt Mehlhorn
Ideen und Konzepte der Informatik Maschinelles Lernen Kurt Mehlhorn Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung mit und ohne Trainingsdaten Gesichts-
MehrLehrveranstaltung Fernerkundung. Mod. 1 p. 1. Typische Schritte in einem Fernerkundungsprojekt. Bildgeometrie. Vorlesungs- und Übungsplan SS 2010
Lehrveranstaltung Fernerkundung Vorlesungs- und Übungsplan 07.04.10 Einführung, Strahlung, Sensoren 14.04.10 Digitale Bilder, Bildstatistik& Kontraststreckung 21.04.10 Bild Verbesserung & Indexe 28.05.10
MehrDatenkomprimierung. Lauflängenkodierung
Datenkomprimierung Datenkomprimierung dient der Einsparung von Speicherplatz und von Übertragungskapazität für digitale Daten. Dabei werden Daten in neuen Datenstrukturen platzsparender repräsen@ert. Wir
MehrHauptseminar Machine Learning: Support Vector Machines, Kernels. Katja Kunze
Hauptseminar Machine Learning: Support Vector Machines, Kernels Katja Kunze 13.01.2004 Inhaltsverzeichnis 1 Einführung 2 1.1 Grundlagen............................ 2 2 Lineare Seperation 5 2.1 Maximum
MehrModulteilprüfung Geometrie (BaM-GS), Probeklausur
HRZ-Benutzername: Modulteilprüfung Geometrie (BaM-GS), Probeklausur Dr. Patrik Hubschmid // SoSe 2013, 4. Juli 2013 Kontrollieren Sie, ob Sie alle Blätter (8 einschlieÿlich zweier Deckblätter) erhalten
MehrKlassifikation und Ähnlichkeitssuche
Klassifikation und Ähnlichkeitssuche Vorlesung XIII Allgemeines Ziel Rationale Zusammenfassung von Molekülen in Gruppen auf der Basis bestimmter Eigenschaften Auswahl von repräsentativen Molekülen Strukturell
MehrData Mining und Maschinelles Lernen Lösungsvorschlag für das 7. Übungsblatt
Data Mining und Maschinelles Lernen Lösungsvorschlag für das 7. Übungsblatt Knowledge Engineering Group Data Mining und Maschinelles Lernen Lösungsvorschlag 7. Übungsblatt 1 Aufgabe 1a) Auffüllen von Attributen
MehrDigitale Bildverarbeitung Einheit 12 3D-Rekonstruktion
Digitale Bildverarbeitung Einheit 12 3D-Rekonstruktion Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einen Eindruck davon
MehrLänge, Skalarprodukt, Geradengleichungen
Länge, Skalarprodukt, Geradengleichungen Jörn Loviscach Versionsstand: 9. April 2010, 18:48 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu: http://www.youtube.com/joernloviscach
MehrSommersemester Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Fernerkundung und Waldinventur
Fernerkundung Grundlagen geometrischer Korrekturen und von resampling Techniken. Verschiebung der Scan-Linien bei Satellitenbildern Die Erdrotation ist einer der wesentlichen Gründe für die geometrischen
MehrObjekterkennung am Beispiel des Viola-Jones-Objektdetektors
Objekterkennung am Beispiel des Viola-Jones-Objektdetektors Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH
MehrMimiken deuten. Station 1. Name: Welche Gesichtsausdrücke werden hier dargestellt? Finde jeweils ein passendes Adjektiv. Bewegung und Ausdruck
Station 1 Mimiken deuten Welche Gesichtsausdrücke werden hier dargestellt? Finde jeweils ein passendes Adjektiv. Wie wird Mimik erzeugt? Welche Formen können die hier abgebildeten Körperteile einnehmen?
MehrDie Rücktransformation: Z = A t (Y µ) = Y = AZ + µ
Die Rücktransformation: Z = A t (Y µ) = Y = AZ + µ Kleine Eigenwerte oder Eigenwerte gleich Null: k Eigenwerte Null = Rang(Σ) = m k Eigenwerte fast Null = Hauptkomponenten beinahe konstant Beschränkung
MehrDiplomarbeit. Fakultät für Elektrotechnik und Informationstechnik
Diplomarbeit Fakultät für Elektrotechnik und Informationstechnik Professur Robotersysteme Diplomarbeit Entwicklung einer offenen Softwareplattform für Visual Servoing Praktische Realisierung am Beispiel
MehrSpartenübergreifende Nutzung der GND : am Beispiel des Projekts IN2N. Brigitte Wiechmann, DNB
Spartenübergreifende Nutzung der GND : am Beispiel des Projekts IN2N Brigitte Wiechmann, DNB 1 IN2N - Projekt IN2N = Institutionenübergreifende Integration von Normdaten DFG-Projekt, Laufzeit 01.12.2012-28.02.2014
MehrViola-Jones Gesichtserkennung mit WebGL
Viola-Jones Gesichtserkennung mit WebGL Tobias Groß, Björn Meier Hardware/Software Co-Design, University of Erlangen-Nuremberg 18. Juli 2013 Outline Motivation Viola-Jones Funktionsweise Blockbewertung
MehrComputer Vision: AdaBoost. D. Schlesinger () Computer Vision: AdaBoost 1 / 10
Computer Vision: AdaBoost D. Schlesinger () Computer Vision: AdaBoost 1 / 10 Idee Gegeben sei eine Menge schwacher (einfacher, schlechter) Klassifikatoren Man bilde einen guten durch eine geschickte Kombination
MehrGesichter und Maschinen
Gesichter und Maschinen Max Neupert 28. Februar 2016 Zusammenfassung Ich kann dich sehen. Du versteckst dich in Mustern und Formen, in vertrauten Umrissen und Kontrasten. Deine Augen schauen hinter Autofelgen
MehrBachelorarbeit. Active Appearance Models zur automatischen Annotation von Gesichtsausdrücken in Bildern
Otto-Friedrich-Universität Bamberg Professur Kognitive Systeme Bachelorarbeit Active Appearance Models zur automatischen Annotation von Gesichtsausdrücken in Bildern Active Appearance Models for automated
MehrAutomatische Gesichtserkennung: Methoden und Anwendungen
Automatische Gesichtserkennung: Methoden und Anwendungen Dominikus Baur baurd@i.lmu.de Universität München Amalienstrasse 17, 80333 München, Deutschland Zusammenfassung Automatische Gesichtserkennung bietet
MehrStörungen in der Wahrnehmung von Gesichtern (Prosopagnosie) Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum
Störungen in der Wahrnehmung von Gesichtern (Prosopagnosie) 1 Definition Prospopagnosie: Einschränkung im Erkennen und Identifizieren von Gesichtern, obwohl Personen aufgrund ihrer Stimme oder ihres Ganges
MehrSoziale Netzwerke durch Augenkontakt auf Basis der Balancetheorie
Soziale Netzwerke durch Augenkontakt auf Basis der Balancetheorie Studienarbeit im Studiengang Computervisualistik vorgelegt von: Patrick Alexander Bardow bardow@uni-koblenz.de Betreuer: Dipl. Inf. Claudia
MehrPrüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?
1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2
MehrBiometrische Verfahren im Spannungsfeld von Authentizität im elektronischen Rechtsverkehr und Persönlichkeitsschutz
Astrid Albrecht Biometrische Verfahren im Spannungsfeld von Authentizität im elektronischen Rechtsverkehr und Persönlichkeitsschutz Nomos Verlagsgesellschaft Baden-Baden Inhaltsverzeichnis Abkürzungsverzeichnis
MehrAbbildung 1: Beispielprojekt - 3D Modell in ArchiCAD 11
HS Energieberater Beispielprojekt Das Beispielprojekt für den IFC Import wurde in ArchiCAD 11 erzeugt und als IFC Datei von der Firma GraphiSoft für dieses Anwenderhandbuch bereitgestellt. IFC Datei: 20080212_IAI_Demo_AC11.ifc
MehrEuklidische Normalformen der dreidimensionalen Quadriken
Euklidische Normalformen der dreidimensionalen Quadriken Es existieren 17 verschiedene Typen räumlicher Quadriken mit folgenden Normalformen: Euklidische Normalform der dreidimensionalen Quadriken 1-1
MehrOrientierungshilfe Biometrische Authentisierung Möglichkeiten und Grenzen
Orientierungshilfe Biometrische Authentisierung Möglichkeiten und Grenzen Herausgegeben vom Arbeitskreis Technische und organisatorische Datenschutzfragen der Konferenz der Datenschutzbeauftragten des
MehrVISION SENSOR CS 50 DER KLEINSTE VISION SENSOR DER WELT
VISION SENSOR DER KLEINSTE VISION SENSOR DER WELT EINFACH WIE EIN SENSOR. DIE FEATURES. PERFEKT FÜR KLEINE ARBEITSABSTÄNDE. Vision Sensor der kleinste Vision Sensor der Welt bietet bei einfachstem Handling
MehrKorrespondenzanalyse
Seite 1 von 5 Korrespondenzanalyse Ziel der Korrespondenzanalyse... 1 Anforderungen an die Daten (Stärke des Verfahrens)... 1 Einordnung in die multivariaten Verfahren... 1 Normierung der Daten... 1 Festlegung
MehrEmpirische Forschungsmethoden
Winfried Stier Empirische Forschungsmethoden Zweite, verbesserte Auflage Mit 22 Abbildungen und 53 Tabellen Springer L Inhaltsverzeichnis I. Grundlagen 1 1.1. Methoden, Methodologie, Empirie 1 1.2. Einige
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrMusterlösungen zur Linearen Algebra II Übungsklausur
Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,
MehrTitelbild. Höhe: 13cm Breite: 21 cm. Gesichtsidentifikation mit 18 Megapixel Kameras überführt Straftäter
Titelbild Höhe: 13cm Breite: 21 cm Gesichtsidentifikation mit 18 Megapixel Kameras überführt Straftäter Fall gelöst! Das britische Unternehmen Acumé Forensic ist bekannt für Identitätsgutachten, die zur
MehrOrientierungshilfe Biometrische Authentisierung Möglichkeiten und Grenzen
Orientierungshilfe Biometrische Authentisierung Möglichkeiten und Grenzen Herausgegeben vom Arbeitskreis Technische und organisatorische Datenschutzfragen der Konferenz der Datenschutzbeauftragten des
MehrMusterlösungen zur Linearen Algebra II Weihnachtszettel
Musterlösungen zur Linearen Algebra II Weihnachtszettel Aufgabe. Welche der folgenden Matrizen 3 0 0 A = 0 4, B = 3, C = 0 0 0 6 0 0 0 sind über R und welche über C diagonalisierbar? Bestimmen Sie dazu
MehrScene Reconstruction with Multiple View Geometry
Scene Reconstruction with Multiple View Geometry Anwendungen 2 16.06.2010 Nikolaus Rusitska nikolausrusitska@gmx.de Inhalt Rückblick Techniken Related Work Fazit 1 Rückblick Techniken Related Work Fazit
Mehr5.Tutorium Multivariate Verfahren
5.Tutorium Multivariate Verfahren - Hauptkomponentenanalyse - Nicole Schüller: 27.06.2016 und 04.07.2016 Hannah Busen: 28.06.2016 und 05.07.2016 Institut für Statistik, LMU München 1 / 18 Gliederung 1
MehrPrüfung EM1 28. Jänner 2008 A :=
1. Die Menge der Eigenwerte der Matrix ist Prüfung EM1 28. Jänner 2008 A := ( 0 1 ) 0 1 A. {1, 0} B. { 1} C. {0} D. {0, 1, 1} E. {0, 1} 2. Es seien V ein n-dimensionaler reeller Vektorraum, ein Skalarprodukt
MehrNeue Ansätze für Mustererkennung und automatisches Lernen
Z Y X Neue Ansätze für Mustererkennung und automatisches Lernen Vortrag im Rahmen des 2. Technologieforums Bildverarbeitung am 03./04. November 2015 Johannes Zügner STEMMER IMAGING GmbH, Puchheim GLIEDERUNG
MehrCrashkurs: Diagonalisieren
Crashkurs: Diagonalisieren Wenn man gefragt wird, welches Thema der Linearen Algebra am wichtigsten ist, dann kann man eigentlich nur eine Antwort geben: Diagonalisierung Diagonalisierung spielt die zentrale
MehrBiometrie allgemein Biometrische Authentifizierungssysteme Fingerabdruck. Denitsa MANOVA und Daniela PÖLL. 18. Jänner 2013
18. Jänner 2013 Inhalt der Präsentation 1 Biometrie allgemein Definition Methoden 2 Begriffserklärungen Registrierung - Verifizierung - Identifizierung Anforderungen Fehlerrate bei der Erkennung Angriffsmöglichkeiten
MehrÜbungen zu Multimedia-Datenbanken Aufgabenblatt 4 - Musterlösungen
Übungen zu Multimedia-Datenbanken Aufgabenblatt 4 - Musterlösungen Übung: Dipl.-Inf. Tina Walber Vorlesung: Dr.-Ing. Marcin Grzegorzek Fachbereich Informatik, Universität Koblenz Landau Ausgabe: 31.0.2010
Mehrx y Kenner der Kegelschnitte werden hier eine Ellipse erkennen, deren Hauptachsen aber nicht mit der Richtung der Koordinatenachsen zusammenfallen.
Matrizen / ensoren - eil ensoren - zweidimensionales Beispiel um das Eigenwertproblem zu verdeutlichen hier als Beispiel ein zweidimensionales Problem die entsprechenden Matrizen und Determinanten haben
MehrP AP 1 = D. A k = P 1 D k P. = D k. mit P 0 3
Matrixpotenzen In Anwendungen müssen oft hohe Potenzen einer quadratischen Matrix berechnet werden Ist die Matrix diagonalisierbar, dann kann diese Berechnung wie folgt vereinfacht werden Sei A eine diagonalisierbare
MehrJackyCSV. Ereignisauswertung für LeserPlus-Manager CSV-Export-Dateien. Direktes Auslesen der Ereignisprotokolle aus Leser 4 Plus und Leser 7
JackyCSV Ereignisauswertung für LeserPlus-Manager CSV-Export-Dateien Direktes Auslesen der Ereignisprotokolle aus Leser 4 Plus und Leser 7 Bedienungsanleitung Seite 2 Inhaltsverzeichnis Seite 2 Inhaltsverzeichnis
MehrBiometrische Verfahren im Spannungsfeld von Authentizität im elektronischen Rechtsverkehr und Persönlichkeitsschutz
Inhaltsverzeichnis der Dissertation Biometrische Verfahren im Spannungsfeld von Authentizität im elektronischen Rechtsverkehr und Persönlichkeitsschutz Die Dissertation befasst sich einleitend mit den
MehrP2P DATENBANKEN. Anwendungen 1 WS 2009/2010. Julissa Cusi Juarez. Department Informatik
P2P DATENBANKEN Anwendungen 1 WS 2009/2010 Julissa Cusi Juarez Department Informatik HAW Hamburg 02.12.2009 1 Agenda 1. Motivation 2. Klassische Datenbanksysteme 3. Verteilte Datenbanksysteme 4. Peer to
MehrDigitale Bildverarbeitung Einheit 12 3D-Modellierung
Digitale Bildverarbeitung Einheit 12 3D-Modellierung Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einen Eindruck
Mehr1 Vektorrechnung als Teil der Linearen Algebra - Einleitung
Vektorrechnung als Teil der Linearen Algebra - Einleitung www.mathebaustelle.de. Einführungsbeispiel Archäologen untersuchen eine neu entdeckte Grabanlage aus der ägyptischen Frühgeschichte. Damit jeder
MehrAutomatische Gesichtserkennung an der Haustür
Automatische Gesichtserkennung an der Haustür Robert Malz Hochschule Bonn-Rhein-Sieg Fachbereich Informatik Email: robert.malz@smail.inf.h-brs.de Idris Nawid Hochschule Bonn-Rhein-Sieg Fachbereich Informatik
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrPrüfung Lineare Algebra 2
1. Überprüfen Sie die folgenden Aussagen: (1) Zwei reelle symmetrische Matrizen sind genau dann ähnlich, wenn sie die gleiche Signatur haben. (2) Jede symmetrische Matrix ist kongruent zu einer Diagonalmatrix,
Mehr2017 targens GmbH. 1 targens.de
1 targens.de Jürgen Krumrain & Wolfgang Kloiber - Köln, den 231035.2017 Henne oder Ei? Prüfung gegen Listen 2 targens.de Zahlen und Fakten auf einen Blick Firmensitz: Stuttgart Geschäftsstellen: Frankfurt
Mehr2.2 Kollineare und koplanare Vektoren
. Kollineare und koplanare Vektoren Wie wir schon gelernt haben, können wir einen Vektor durch Multiplikation mit einem Skalar verlängern oder verkürzen. In Abbildung 9 haben u und v die gleiche Richtung,
MehrBiometrie Eine Möglichkeit Basiskompetenzen im Geometrieunterricht zu vermitteln
Biometrie Eine Möglichkeit Basiskompetenzen im Geometrieunterricht zu vermitteln Abstract. Biometrische Erkennungssysteme halten immer mehr Einzug in unseren Alltag. Die Grundprinzipien, die sich hinter
MehrBigBrother is watching you! but......does he recognize you?
B r a i n d u m p 2 0 0 7 : F o t o F a h n d u n g BigBrother is watching you! but......does he recognize you? W h o a m I? Martin falsepositive@cccmz.de signalpirat.de Digitale Photogrammetrie (=Gewinnung
MehrVISION SENSOR CS 50 DER KLEINSTE VISION SENSOR DER WELT
VISION SENSOR DER KLEINSTE VISION SENSOR DER WELT EINFACH WIE EIN SENSOR. DIE FEATURES. PERFEKT FÜR KLEINE ARBEITSABSTÄNDE. Vision Sensor der kleinste Vision Sensor der Welt bietet bei einfachstem Handling
MehrVISION SENSOR CS 50 DER KLEINSTE VISION SENSOR DER WELT
VISION SENSOR DER KLEINSTE VISION SENSOR DER WELT EINFACH WIE EIN SENSOR. DIE FEATURES. PERFEKT FÜR KLEINE ARBEITSABSTÄNDE. Vision Sensor der kleinste Vision Sensor der Welt bietet bei einfachstem Handling
MehrGHF SoSe 2011 HS MD-SDL
GHF SoSe 2011 HS MD-SDL 6/28/2011 1 Bitte recherchieren Sie die verschiedenen Bestimmungsstücke des Validitätskonzepts Bitte überlegen Sie sich Strategien zur Prüfung dieser verschiedenen Bestimmungsstücke
MehrEuklidischer Raum Kartesisches Koordinatensystem. 1 E Ma 1 Lubov Vassilevskaya
Euklidischer Raum Kartesisches Koordinatensystem 1 E Ma 1 Lubov Vassilevskaya Algebra und Geometrie Man zerlegt die Mathematik in Teildisziplinen: Arithmetik, Algebra, Geometrie und so weiter, doch diese
MehrLänge, Skalarprodukt, Vektorprodukt
Länge, Skalarprodukt, Vektorprodukt Jörn Loviscach Versionsstand: 20. April 2009, 19:39 1 Überblick Ein Vektorraum muss nur eine Minimalausstattung an Rechenoperationen besitzen: die Addition zweier Vektoren
MehrMehrdimensionale Skalierung
Mehrdimensionale Skalierung Datenanalyse Dietmar Maringer Abteilung für Quantitative Methoden, WWZ der Universität Basel Herbstsemester 2010 D Maringer: Datenanalyse Mehrdimensionale Skalierung (1) Problemstellung
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
MehrTriangulierungen und Kartographie
Triangulierungen und Kartographie Ein Einblick in geometrische und topologische Methoden Stefan Krauss, Clara Löh Fakultät für Mathematik, Universität Regensburg, 93040 Regensburg 23. Juli 2014 Was verraten
MehrAnalysis of Crash Simulation Data using Spectral Embedding with Histogram Distances
Analysis of Crash Simulation Data using Spectral Embedding with Histogram Distances Luisa Schwartz Universität Bonn Institut für Numerische Simulation Fraunhofer SCAI 25. September 2014 Luisa Schwartz
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrSeminar: Multi-Core Architectures and Programming. Viola-Jones Gesichtsdetektor
Seminar: Multi-Core Architectures and Programming Viola-Jones Gesichtsdetektor Hardware-Software-Co-Design Universität Erlangen-Nürnberg 1 Übersicht Einleitung Viola-Jones Gesichtsdetektor Aufbau Blockmerkmale
Mehr