JP2000067235A

JP2000067235A - 図形分類方法、図形検索方法、記録媒体、図形分類装置、及び、図形検索装置

Info

Publication number: JP2000067235A
Application number: JP10234174A
Authority: JP
Inventors: Hirofumi Nishida; 広文西田
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 1998-08-20
Filing date: 1998-08-20
Publication date: 2000-03-03

Abstract

(57)【要約】【課題】ノイズや局所的変形に頑健な効率的な図形分
類検索を実現する。【解決手段】図形を入力し（１００）、その構造的特
徴を抽出し（１０５）、抽出された構造的特徴に変換規
則を適用して変形図形の構造的特徴を合成する（１１
０）。あるいは、入力図形をある角度ずつ回転させた図
形と、その反転図形の構造的特徴を抽出し、それに変換
規則を適用する。それら各構造的特徴からインデックス
を計算し、分類表１２０の対応したエントリーのモデル
識別子リストを参照し投票操作を行う（１１５）。図形
の複雑度、面積、長さ、円形度に関する入力図形とモデ
ルの類似度を、各モデルの得票数に掛け合わせた値を類
似度スコアとし、類似度スコアが高いいくつかのモデル
を分類候補に選ぶ（１１６）。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、図形の分類・検索
の分野に係り、特に、図形輪郭の構造的特徴を利用する
図形の分類・検索技術に関する。

【０００２】

【従来の技術】従来の文書画像解析・認識システムで
は、主にテキスト情報を扱ってきたが、マルチメディア
技術が文書処理システムに取り入れられている現在にお
いては、絵やグラフィックスのような非テキスト情報が
文書の重要な要素の一つになっている。特に、マルチメ
ディア文書は地図、線画、図などの人工的なグラフィカ
ルな画像とともに、自然界で観測される物体の画像を含
んでいる。ユニコードやＳＧＭＬのような、文字コード
や構造化された言語で表現できるテキスト情報に比べ、
自然物の画像に含まれる情報は一般に複雑であり、その
構造を単純でコンパクトな形に表現するのが難しい。

【０００３】画像は色、テクスチャ、形状のようないく
つかの要素を持っている。色やテクスチャは数学的、物
理的に取り扱いやすく、それらの性質と変換は統計的な
方法によって表現することができる。一方、形状の解析
・表現は、数十年に渡って研究されてきたにも拘わら
ず、いまだに難しい研究課題である。

【０００４】形状分類・検索の効率を上げるのに有効な
方法の一つとして特徴インデクシングがある。しかしな
がら、特徴インデクシングは、ノイズや変形に敏感で、
形状のわずかな変化により性能（分類精度）が急激に落
ちることが知られている。

【０００５】形状による大規模画像データベースからの
効率的で頑健な検索は難しい問題である。最近は、効率
と頑健性の向上という点から、画像データベースからの
形状検索の研究が精力的になされている。例えば、物体
の境界輪郭からなる大規模画像データベースの構造的組
織化に関し、Del BimboらやMokhtarianらは、曲率のス
ケール空間法を特徴インデクシングに適用する方法を提
案している（A.DelBimbo and P.Pala,“Image indexing
using shape-based visual features，”Proceedings
of 13th International Conference on Pattern Recogn
ition，Vienna，Austria，August 1996，vol.C,pp.351-
355；F.Mokhtarian，S.Abbasi，and J.Kittler，“Effi
cient and Robust Retrieval by Shape Contentthrough
Curvature Scale Space，” Proceedings of the Firs
t InternationalWorkshop on Image Database and Mult
imedia Search，Amstrdam，TheNetherlands，August 19
96，pp.35-42）。また、Sclaroffは、「モーダル・マッ
チング」と呼ばれる有限要素法に基づく画像のインデク
シングの方法を提案している（F.Sclaroff,“Deformabl
e prototypes for encoding shape categoriesin image
databases，” Pattern Recognition 30(4)，1997，62
7-641）。さらに、Steinらによる「構造的インデクシン
グ」では、境界輪郭のいくつかの異なる多角形近似から
形状特徴を抽出することによりノイズや形状の局所的変
形に対応する（F.Stein and G.Medioni，“Structural
indexing: effifient 2-Dobject recognition，” IEEE
Transactions on Pattern Analysis and MachineIntel
ligence，vol.14，no.12，pp.1198-1204，1992）。

【０００６】

【発明が解決しようとする課題】以上に述べた方法に
は、いくつかの技術的問題がある。曲率のスケール空間
法では、境界輪郭を多くの異なるサポートサイズで平滑
化するために多大な計算量が必要になる。Sclaroffの方
法では、形状空間を十分に張るようなプロトタイプ形状
集合をユーザが指定する必要があるが、このような操作
はエンドユーザには難しい。SteinとMedioniの方法で
は、入力画像から多くの多角形近似を生成することによ
り、効率が落ちてしまう。

【０００７】図形の分類・検索における性能評価基準と
して、効率と頑健性が重要であるが、これらは両立させ
ることが難しい面がある。頑健性を向上するということ
は、分類・検索方法が画像に対してある種の多様性や変
形を許容することを意味するが、もし、多くの異なるパ
ラメータを使って様々な画像を生成するというような力
任せの方法をとると、効率の低下を招くことは明かであ
る。効率と頑健性の両方を同時に達成するための鍵は、
形状の多様さや変形を許容するような、コンパクトで構
造化された画像表現にある。

【０００８】本発明は、以上の諸点に鑑み、図形輪郭の
構造的特徴を変えてしまうようなノイズや局所的な変
形、さらには図形の回転や反転に対して頑健で、かつ効
率的な、新しい図形分類又は検索のための方法及び装置
を提供することにある。

【０００９】

【課題を解決するための手段】本発明にあっては、図形
の閉輪郭線（又は線図形そのもの）を多角形近似し、量
子化方向特徴と準凹凸構造に基づいて、連続した線分を
より高いレベルの構造的特徴に統合する特徴抽出方法を
採用する。この方法は、比較的簡単な処理によってコン
パクトな構造的特徴を抽出することができる。しかし、
このような方法で得られる構造的特徴は、ノイズやスケ
ールによって生ずる局所的な凹凸構造の変化により変動
するため、１つのモデルに１つのサンプルしか使えない
ような場合に、単純に、モデルの構造的特徴と入力図形
の構造的特徴とを突き合わせて図形の分類や検索を行う
と、ノイズや局所的変形に弱い。

【００１０】そこで、本発明にあっては、入力図形から
抽出した構造的特徴に予め定めた図形変形に関する特徴
変換の規則を適用することにより、ノイズや局所的変形
によって抽出される可能性のある構造的特徴を合成し、
これら抽出された構造的特徴と合成された各構造的特徴
をそれぞれ入力図形の分類に利用する。

【００１１】本発明では構造的インデクシングが用いら
れる。モデル構築の際に、モデル図形から抽出した構造
的特徴に予め定めた変換規則を適用することにより、ノ
イズや局所的変形によって抽出される可能性のある構造
的特徴を合成する。そして、構造的特徴から計算された
インデックスのエントリーに、その構造的特徴を持つモ
デルの識別子のリストを格納した大規模な表（分類表と
呼ぶ）を用意する。

【００１２】入力図形の分類の際には、入力図形から抽
出された構造的特徴と変換規則により合成された構造的
特徴のそれぞれを用いて分類表を参照し、各モデルに対
する投票操作を行い、他の大局的な図形特徴パラメータ
に関する入力図形と各モデルの類似度と、投票操作によ
って得られた各モデルの得票数とを組合せて、入力図形
と各モデルとの類似度スコアを求め、類似度スコアが高
いモデルを入力図形の分類候補として選択する。

【００１３】本発明の別の態様によれば、図形の回転や
反転に対応するため、入力図形の回転図形及びその反転
図形から構造的特徴を抽出し、それら各構造的特徴に特
徴変換規則を適用して変形図形の構造的特徴を合成し、
これら構造的特徴のそれぞれを用いて分類表を参照し各
モデルに対する投票操作を行い、得票数の多いモデルを
分類候補として選択する。あるいは、得票操作による得
られた各モデルの得票数と、他の大局的な図形特徴パラ
メータに関する入力図形と各モデルの類似度とを組合せ
て、入力図形の各回転図形及び各反転図形と各モデルと
の類似度スコアを求め、類似度スコアが高いモデルを入
力図形の分類候補として選択する。

【００１４】

【発明の実施の形態】以下、本発明の方法及び装置の一
実施形態としての図形分類検索システムについて説明す
る。図１は、この図形分類検索システムの概略構成を示
すブロック図である。

【００１５】図１において、図形入力部１００は分類
（認識）したい図形、あるいは、検索したい図形そのも
の又はその検索キーとしての図形を入力する部分であ
る。ここで入力される図形とは、物体や図形の輪郭を表
す閉曲線であり、イメージスキャナやデジタルカメラ等
の機器より撮像された画像から輪郭抽出によって抽出さ
れる場合と、デジタイザ等の機器により最初から線図形
として（必要に応じて細線化処理を施されて）入力され
る場合とがある。

【００１６】特徴抽出部１０５は、入力された図形の閉
輪郭線（又は入力された線図形、以下同様）を多角形近
似（区分線分近似）したのち、量子化方向特徴と準凹凸
構造に基づいて解析することにより、連なっている線分
をより高いレベルの構造的特徴に統合する部分である。
このような特徴抽出方法については後にさらに詳しく説
明するが、コンパクトな表現の構造的特徴を得ることが
できる。また、この特徴抽出部１０５においては、入力
図形の面積と長さ、入力図形の回転図形とその反転図形
の構造的特徴が抽出されることがある。

【００１７】特徴抽出部１０５で抽出される構造的特徴
は、ノイズや輪郭線の局所的変形によって変化するの
で、ある特定の変形操作によって生じる構造的特徴の変
換規則を考え、特徴合成部１１０において、この変換規
則を、特徴抽出部１０５により抽出された構造的特徴に
適用することにより、ノイズや局所的変形により発生し
得る変形図形の構造的特徴を合成する。ここで合成され
た構造的特徴と、特徴抽出部１０５で抽出された構造的
特徴がすべて投票操作部１１５へ与えられる。また、抽
出された面積と長さは分類部１１６へ与えられる。

【００１８】投票操作部１１５は、与えられた各構造的
特徴からインデックス（アドレス）を計算し、このイン
デックスに対応した分類表１２０のエントリーを参照
し、各モデルに対する投票操作を行う。分類部１１６
は、投票操作によって得られた得票数と、後述の大局的
図形特徴パラメータに関する入力図形と各モデルの類似
度とを組合せた類似度スコアを求め、類似度スコアの高
いいくつかのモデルを分類候補に選択する。あるいは、
得票数の多いモデルを分類候補として選択する。１２１
は、他の大局的な図形特徴パラメータに関する入力図形
とモデルとの類似度の計算に必要なデータが格納された
データテーブルである。

【００１９】図形検索を目的とした場合には、図形検索
部１１７は、分類部１１６により分類結果として得られ
たモデル識別子を検索キーとして持つ図形（具体的に
は、当該モデル図形そのもの又は、それに相当する図形
を含む図形）を図形データベース１２５より検索し出力
する。

【００２０】分類表１２０は当該システムの外部で作成
されてもよいが、当該システムは分類表１２０を作成す
るための手段、すなわちモデル図形入力部１５０、特徴
抽出部１５５、特徴合成部１６０及び表作成部１６５を
有する。モデル図形入力部１５０はモデル図形（閉じた
閉輪郭線又は線図形）を入力する部分であり、特徴抽出
部１５５は特徴抽出部１０５と同様のモデル図形の構造
的特徴の抽出処理と面積及び長さの検出処理を行う部分
である（ただし、モデル図形の回転図形、反転図形の特
徴抽出処理は行わない）。特徴合成部１６０は、特徴抽
出部１５５によりモデル図形から抽出された構造的特徴
に対して特徴合成部１１０と同様の特定の変換規則を適
用することにより、モデル図形にノイズや局所的変形が
加わった場合に発生し得る構造的特徴を合成する部分で
ある。したがって、モデル図形入力部１５０、特徴抽出
部１５５及び特徴合成部１６０はそれぞれ、図形入力部
１００、特徴抽出部１０５及び特徴合成部１１０と兼用
することが可能である。表作成部１６５は、特徴抽出部
１５５により抽出された構造的特徴、又は、特徴合成部
１６０により合成された各構造的特徴から計算されたイ
ンデックスのエントリーに、その構造的特徴を持つモデ
ルの識別子のリストを格納した、図２に模式的に示すよ
うな構造の大規模な表を分類表１２０として作成する部
分である。この分類表１２０の作成の際に、モデルｉ毎
の構造的特徴の個数ｃ_i（後述）と、図形の面積Ａ_i及び
長さＬ_iがデータテーブル１２１に格納される。なお、
この面積と長さは、図形の大きさを正規化した後の面積
と長さである。

【００２１】この図形分類検索システムは、例えば、図
３に簡略化して示すようなＣＰＵ２００、メモリ２０
５、ハードディスク等の大容量記憶装置２１０、画像若
しくは図形入力のためのスキャナ、デジタルカメラ、デ
ジタイザ等の入力装置２１５、ユーザインターフェイス
のためのディスプレイ２２０とキーボードやマウス等の
入力装置２２５、フロッピーディスクやＣＤ−ＲＯＭ等
の記録媒体２３５に対する読み書きを行う媒体ドライブ
２３０等をシステムバス２４０で相互に接続した構成の
コンピュータ上で、ソフトウェアにより実現することが
できる。図形データベース１２５、分類表１２０及びデ
ータテーブル１２１は大容量記憶装置２１０に保存され
る。このコンピュータ上で図形分類検索システムにおけ
る一連の処理ステップ（後述）、換言すれば図１中の各
機能部１００，１０５，１１０，１１５，１１６，１１
７，１５０，１５５，１６０，１６５の機能を実現する
ための分類検索プログラム２５０は、例えば、同プログ
ラムが記録された記録媒体２３５より媒体ドライブ２３
０によって読み込まれて大容量記憶装置２１０に格納さ
れ、必要な時にその全部又は一部がメモリ２０５にロー
ドされてＣＰＵ２００により実行される。分類表１２０
とデータテーブル１２１も、同じ記録媒体２３５から読
み込まれてもよい。このプログラム２０５の実行時に、
分類表１２０とデータテーブル１２１もメモリ２０５に
ロードされて参照される。分類すべき図形やモデル図形
は、例えば入力装置２１５を利用して入力される。

【００２２】［実施例１］以下、本発明の第１の実施例
におけるシステム各部の処理内容について詳細に説明す
る。

【００２３】〈図形入力部１００又はモデル図形入力部
１５０〉図形入力部１００は、前述のように分類すべき
図形又は検索キーとしての図形を入力する。入力図形と
しての閉輪郭線の一例を図９に示す。モデル図形入力部
１５０は同様のモデル図形の閉輪郭線（又は線図形）を
入力する。

【００２４】〈特徴抽出部１０５又は１５５〉図４は、
特徴抽出部１０５又は１５５の処理の流れを示すフロー
チャートである。また、図５は、この特徴抽出の過程で
得られるデータを関連付けて模式的に示した図である。
なお、図４中の輪郭抽出処理のためのステップ３００
は、輪郭抽出が必要とされる図形の画像が図形入力部１
００から入力された場合にのみ必要な処理ステップであ
り、輪郭抽出済みの図形が直接入力された場合には不要
である。例えば、図８に示す図形画像が入力された場合
には、ステップ３００によって図９に示すような閉輪郭
線が抽出される。

【００２５】特徴抽出部１０５はまず、図形入力部１０
５から入力された図形の閉輪郭線（又はステップ３００
で抽出された閉輪郭線、以下同様）を多角形近似する
（ステップ３０１）。この多角形近似若しくは区分線分
近似は、Ramerの方法など、公知の任意の方法で行って
よい。例えば、図９に示した閉輪郭線は、図１０に示す
ような多角形に近似される。そして、多角形近似された
輪郭図形の面積Ａ_oと長さＬ_oを抽出する（ステップ３０
２）。なお、面積と長さは、輪郭図形の大きさを正規化
してから検出する。この正規化は、ステップ３０２又は
それより前の段階で行われる。

【００２６】次に、多角形近似された閉輪郭線を、量子
化方向特徴と準凹凸構造をもとにして解析し構造的特徴
を抽出する（ステップ３０３〜３０９）。この特徴抽出
の詳細は、H.Nishida，“Curve description based on
directional featuresand quasi-convexity/concavit
y，” Pattern Recognition， vol.28，no.7，pp.1045-
1051，July 1995 に譲り、ここではその概略を説明す
る。

【００２７】２Ｎ個（Ｎは自然数）の量子化方向コード
を決めるためにＮ本の軸を導入する。例えば、Ｎ＝４の
とき、図１１（ａ）に示すように４本の軸に沿って０，
１，．．．，６，７の８つの方向コードを定義し、Ｎ＝
６のとき、図１１（ｂ）に示すように６本の軸に沿って
１２個の方向コードを定義する。以下、Ｎ＝４と仮定し
て説明する。

【００２８】２Ｎ方向とＮ本の軸をもとにして、以下の
ような手順によって、多角形近似された閉輪郭線の線分
を「セグメント」に統合しながら、輪郭を解析する。

【００２９】まず、閉輪郭線をＮ本の各軸に沿って見た
ときに、極大点又は極小点となる点を、輪郭点の分割点
とする（ステップ３０３）。例えば、図１０の閉輪郭線
からは、図１２に示す太短線と閉輪郭線との交点がそれ
ぞれ分割点として抽出される。各分割点の近傍の（）
中の数字１〜１３は分割点のラベルであり、図５中の
「分割点」欄の数字に対応している。

【００３０】閉輪郭線は分割点で「部分セグメント」に
分割される。換言すれば、この分割によって、輪郭上の
連続した線分が「部分セグメント」に統合される。この
部分セグメントは、Ｎ本のどの軸上でも、それを１つの
端点からもう１つの端点へと辿る運動の射影が単調変化
するような、連続した線分の集まりである。例えば、図
１０の閉輪郭線から、図１２に示すような１３個の部分
セグメントＡ〜Ｍが得られる。これら各部分セグメント
と分割点とが対応付けられて図５の「部分セグメント」
欄に示されている。隣り合う部分セグメントが共有する
分割点は、それら部分セグメントの「連結点」でもある
ので、以下の説明中では「連結点」と呼ぶ。

【００３１】次に、隣接する２つの部分セグメントの連
結点の局所的な凹凸構造によって、「連結の向き」（凹
凸）をチェツクする（ステップ３０４）。すなわち、隣
接する２つの部分セグメントをａとｂとして、ａからｂ
に移るように輪郭を辿った時に、連結点の周りで反時計
回りになるときには、すなわち輪郭の凸部分に相当する
ときには、その連結の向きをａ−→ｂと表す。逆に、連
結点の周りで時計回りになるときには、つまり輪郭の凹
部分に相当するときには、その連結の向きをｂ−→ａと
表す。図１２に示す各連結点の「連結の向き」（凹凸）
を図５の「凹凸」欄に示す。「凹凸」欄において、
「０」は凸であること、すなわち「連結の向き」がａ−
→ｂであることを示し、「１」は凹であること、すなわ
ち「連結の向き」がｂ−→ａであることを示す。

【００３２】次に、各連結点に関し「方向特徴」を求め
る（ステップ３０５）。まず、各連結点の方向を求め
る。すなわち、隣接する２つの部分セグメントを、その
連結の向きに辿った時に、その連結点が極値をとる量子
化方向を求める。例えば、図１２の部分セグメントＡ，
Ｂの連結点の場合、図１６から明らかなように、Ａから
Ｂを辿ったときに、その連結点は、方向３の軸及び方向
４の軸に沿って極値をとり、それぞれ方向３と方向４の
向きに凸であるので、その方向は３と４である。また、
図１２の部分セグメントＧ，Ｈの連結点の場合、図１７
から明らかなように、ＨからＧを辿ったときに、その連
結点は方向３，４，５の各軸に沿って極値をとり、それ
ぞれ方向３，４，５の向きに凸であるので、その方向は
３，４，５である。図１２の閉輪郭線の各連結点の方向
は図５の「方向」欄に示す通りである。

【００３３】そして、ａ−→ｂ又はｂ−→ａの部分セグ
メントａ，ｂの連結点が量子化方向（j，j+1(mod 2
N)，...，k）に向いているとき、それぞれの連結点の方
向特徴をａ−^j,k→ｂ，ｂ−^j,k→ａと表す。例えば図１
２に示した１３個の部分セグメントに対しては、次のよ
うな部分セグメントの連結点の特徴が得られる。

【００３４】Ｌ−^3,3→Ｍ，Ｋ−^2,2→Ｌ，Ｊ−^1,1→
Ｋ，Ｉ−^0,0→Ｊ，Ｈ−^7,7→Ｉ，Ｈ−^3,5→Ｇ，Ｆ−^1,1
→Ｇ，Ｅ−^0,0→Ｆ，Ｄ−^7,7→Ｅ，Ｃ−^6,6→Ｄ，Ｂ−
^5,5→Ｃ，Ａ−^3,4→Ｂ，Ａ−^7,7→Ｍ_o 次に、以上のようにして得られた部分セグメントの連結
点の特徴をまとめ、ａ₀ −^{j(1,0),j(1,1)}→ ａ₁ −^{j(2,0),j(2,1)}→・・・・−
^{j(n,0),j(n,1)}→ ａ_n の形の系列を得る（ステップ３０６）。この形の系列に
対応する部分輪郭を「セグメント」と呼ぶ。なお、セグ
メントの２端点のうちで、ａ₀上にある端点をセグメン
トの始点、ａ_n上にある端点をセグメントの終点とし、
１つのセグメントを始点から終点へと辿ると、セグメン
トの各部分セグメントの連結点の周りでは、いつも反時
計回りに動くものとする。したがって、例えば、図１２
に示す１３個の部分セグメントから、図１３に示す４個
のセグメントＳ1，Ｓ2，Ｓ3，Ｓ4、すなわち、Ｓ1：Ａ−^7,7→ＭＳ2：Ａ−^3,4→Ｂ−^5,5→Ｃ−^6,6→Ｄ−^7,7→Ｅ−^0,0→
Ｆ−^1,1→ＧＳ3：Ｈ−^3,5→ＧＳ4：Ｈ−^7,7→Ｉ−^0,0→Ｊ−^1,1→Ｋ−^2,2→Ｌ−^3,3→
Ｍが得られる。図５の「セグメント」欄に、これら各セグ
メントと部分セグメントとの対応が示されている。「凹
凸」欄と対比すると明らかなように、凹（＝１）の分割
点では、それを連結点とする２つの部分セグメントが１
つのセグメントに統合され、また、凹（＝１）の分割点
と次の凹（＝１）の分割点との間の部分セグメントが１
つのセグメントに統合される。

【００３５】次に、各セグメントの回転の度合と方向を
記述する特性数＜ｒ，ｄ＞を求める（ステップ３０
７）。ここで、ｒとｄは例えば次式により計算する。た
だし、式中のＡ％Ｂは整数Ａを自然数Ｂで割った余りを
示す。

【００３６】

【数１】

【００３７】例えば、図１３に示す４つのセグメントの
特性数は、それぞれ<2,7>，<8,3>，<4,3>，<6,7>とな
る。

【００３８】さらに、輪郭線を囲む最小の直立長方形の
中心が(0.5,0.5）、長い辺の長さが１になるような座標
系を設定し、この座標系で、セグメントの大きさと位置
の特徴として、その始点の位置（ｘ_s，ｙ_s）と終点の位
置（ｘ_E，ｙ_E）、セグメントを囲む最小の直立長方形の
大きさ（Ｗ，Ｈ）と中心の位置（ｘ_c，ｙ_c）を計算し、
これらの８つの実数を０からＬ−１までの整数に量子化
した８つのパラメータに特性数<r,d>を加えた１０個の
整数の組

【００３９】

【外１】

【００４０】で、セグメントの特徴を記述する（ステッ
プ３０８）。

【００４１】さらに隣接するセグメントの結合をチッェ
クし、セグメントの結合を記述する（ステップ３０
９）。隣接するセグメントＳ，Ｔは互いに、対応する系
列の先頭又は最後の部分セグメントを共有して結合す
る。先頭の部分セグメントを共有する場合を「ｈ結合」
と呼び、Ｓ−^h−Ｔと表し、最後の部分セグメントを共
有する場合を「ｔ結合」と呼び、Ｓ−^t−Ｔと表す。た
だし、セグメントは図形の内部を左手に見るような順番
で並んでいるものとする。したがって、例えば図１３に
示す４個のセグメントＳ1,Ｓ2,Ｓ3,Ｓ4の結合は、Ｓ1−^h−Ｓ2−^t−Ｓ3−^h−Ｓ4−^t−Ｓ1 と記述される（図５の「セグメント」欄参照）。

【００４２】特徴抽出部１５５による処理内容は、対象
がモデル図形として入力された閉じた閉輪郭線（又は閉
じた線図形）であることを別にすれば、以上に述べた特
徴抽出部１０５の処理内容と同じである。

【００４３】〈特徴合成部１１０又は１６０〉後述のよ
うに、投票操作部１１５では、モデル毎に１つの投票箱
を用意し、入力図形から抽出された各セグメント特徴
（前記の１０個の整数の組）に対応する分類表１２０の
エントリー（モデル図形の識別子のリスト）を参照し、
同リスト上の各モデル識別子に対応した投票箱に１票を
投票する。ところが、前に簡単に触れたように、入力図
形に重畳するノイズや輪郭の局所的変形により、輪郭の
セグメントの特徴は簡単に変化してしまう。この変化を
考慮せず、入力図形及びモデル図形から抽出されたセグ
メント特徴だけを用いたのでは、ノイズや局所的変形が
あると、正しいモデル図形に対する得票数が多くなると
は限らず、ノイズや局所的変形に弱い。また、１つのモ
デルに１つのサンプル図形しか使えない場合には、パタ
ーン認識における、データからの統計的・帰納的学習の
手法を用いることができない。

【００４４】このような弱点を解消するため、ある種類
の図形の変形操作によって生じる特徴の変換規則を構築
し、図形から抽出されたセグメントの特徴にこの特徴変
換規則を適用することにより、ノイズや輪郭の局所的変
形によって発生する変形図形から抽出される可能性のあ
るセグメント特徴を合成する。このセグメント特徴の合
成は、特徴合成部１１０及び同１６０で行われ、図形
（入力図形又はモデル図形）から抽出されたセグメント
特徴及び変換規則により合成されたセグメント特徴が、
入力図形の分類及び分類表１２０の作成の両方に使われ
る。

【００４５】ノイズ又は輪郭の局所的変形によるセグメ
ントの特徴変換として、具体的には例えば次の３通りを
考える。

【００４６】輪郭の法線方向の揺らぎによって生じる
凹凸構造の変化による、輪郭のセグメント分割の変動
と、それにともなう量子化された回転数・方向つまり特
性数＜ｒ，ｄ＞の再定義。

【００４７】小さな回転による量子化された回転数・
方向つまり特性数＜ｒ，ｄ＞の変化。セグメントの大きさや中心と端点の位置の揺らぎによ
る特性数以外の特徴（８つのパラメータ）の変化。

【００４８】これらの特徴変換について順に説明する。

【００４９】《特徴変換：輪郭の法線方向に沿った変
動》多角形近似された輪郭から構造的特徴（セグメント
特徴）によるコンパクトな表現を得ることができるが、
これは輪郭線に加わるノイズや観測されるスケールによ
って生ずる凹凸変化に影響を受けやすい。例えば、図１
４の（Ａ）の部分輪郭と（Ｂ）の部分輪郭は大局的に見
るとよく似ているが、局所的な変形のために構造的な特
徴は異なったものとなる。Ｎ＝４としたとき、（Ａ）の
部分輪郭は、それぞれ特性数<6,6>，<2,6>，<3,2>を持
ちＳ1−^t−Ｓ2−^h−Ｓ3 のように結合する３つのセグメ
ントにより表される。

【００５０】これに対し、（Ｂ）の部分輪郭は、それぞ
れ特性数<6,6>，<2,6>，<2,2>，<2,6>，<3,2>を持ちＳ
1'−^t−Ｓ2'−^h−Ｓ3'−^t−Ｓ4'−^h−Ｓ5'のように結合
する５つのセグメントにより表される。

【００５１】このようなノイズや観測スケールによる構
造変化は輪郭の法線方向の変形と考えることができるの
で、かかる変形を吸収するために、構造的特徴が互いに
似たものになるようにセグメントを編集することを考え
る。図１４に示す２つの部分輪郭の場合、図１５の
（Ａ）と（Ｂ）に示すように、Ｓ2,Ｓ2',Ｓ3'，Ｓ4'の
部分を覆う如く｛Ｓ1,Ｓ2,Ｓ3｝と｛Ｓ1',Ｓ2',Ｓ3',Ｓ
4',Ｓ4',Ｓ5'｝をそれぞれ１つのセグメントＳ，Ｓ'に
置き換えることによって、互いに似た構造的特徴を持つ
ように変換できる。

【００５２】一般的には、次のような規則で変換する。

【００５３】（１）Ｓ1−^h−Ｓ2−^t−・・・−^t−Ｓnのよ
うに結合し、特性数＜ｒ_i,ｄ_i＞を持つ連続したｎ個
（ｎは奇数）のセグメントＳi（i=1,...,n）について、

【００５４】

【数２】

【００５５】ならば（統合条件１）、これらのｎ個のセ
グメントを、

【００５６】

【外２】

【００５７】を持つ１つのセグメントＳに統合する。

【００５８】（２）Ｓ1−^t−Ｓ2−^h−・・・−^h−Ｓnの
ように結合し、特性数＜ｒ_i,ｄ_i＞を持つ連続したｎ個
（ｎは奇数）のセグメントＳi（i=1,...,n）について、

【００５９】

【数３】

【００６０】ならば（統合条件２）、これらｎ個のセグ
メントを、

【００６１】

【外３】

【００６２】を持つ１つのセグメントＳに統合する。

【００６３】特徴合成部１１０又は１６０は、統合する
セグメントの最大個数を示す整数パラメータをＭとし、
入力図形又はモデル図形の多角形近似された閉輪郭線か
ら抽出された各セグメントに対し、連続するｎ個（n=1,
3,...,M）のセグメントを上記の規則により統合し、変
形したセグメントの特性数を合成する。閉輪郭線から抽
出されるセグメントの個数をｍとすると、上記の規則に
よりｍＭのオーダーの個数（これをＯ（ｍＭ）個と記
す、以下同様）の特性数が生成される。例えば、Ｎ＝４
のとき、図１３の４つのセグメントは特性数<2,7>，<8,
3>，<4,3>，<6,7>を持つが、Ｍ＝３のときに<2,7>，<8,
3>，<10,3>，<4,3>，<6,7>，<12,7>の６つの特性数が合
成される。

【００６４】《特徴変換：図形の回転による特性数の
変化》セグメントの特性数＜ｒ，ｄ＞（ｒ≧２）は、図
形の回転によって変化することがある。いま特性数＜
ｒ，ｄ＞を持つセグメントが系列ａ₀−^d,d→ａ₁−^d+1,d+1→・・・−^r+d-2,r+d-2→ａ_n で表されるとする。このセグメントを

【００６５】

【外４】

【００６６】だけ回転させると、このセグメントは次の
５通りに変化し得る。

【００６７】(1)α₀−^d,d→α₁−^d+1,d+1→・・・−
^r+d-2,r+d-2→α_n (2)α_-1−^d-1,d-1→α₀−^d,d→α₁−^d+1,d+1→・・・−
^r+d-2,r+d-2→α_n (3)α₀−^d,d→α₁−^d+1,d+1→・・・−^r+d-2,r+d-2→α_n−
^r+d-1,r+d-1→α_n+1 (4)α₀−^d,d→α₁−^d+1,d+1→・・・−^r+d-3,r+d-3→α_n-1 (5)α₁−^d+1,d+1→・・・−^r+d-2,r+d-2→α_n このそれぞれの場合から、セグメントに微小な回転を与
えることにより、特性数は、 (1) ＜ｒ，ｄ＞ (2) ＜ｒ＋１，ｄ−１＞ (3) ＜ｒ＋１，ｄ＞ (4) ＜ｒ−１，ｄ＞（ｒ≧３） (5) ＜ｒ−１，ｄ＋１＞（ｒ≧３）に変換され得る。

【００６８】例えば、特性数＜ｒ，ｄ＞を持つ円弧

【００６９】

【外５】

【００７０】において、 (1) ε＝π／(２Ｎ)，ψ＝±π／(４Ｎ) (2) ε＝π／Ｎ，ψ＝−π／(４Ｎ) (3) ε＝π／Ｎ，ψ＝π／(４Ｎ) (4) ε＝π／(４Ｎ)，ψ＝−π／(４Ｎ) (5) ε＝π／(４Ｎ)，ψ＝π／(４Ｎ) を考えればよい。このうち、(1)，(2)，(4)について、
Ｎ＝４，ｒ＝４，ｄ＝０の変換例を図１１に示す。

【００７１】特徴合成部１１０又は１６０は、「輪郭の
法線方向に沿った変動」による変換規則（特徴変換）
を適用して、各セグメントに対し最大

【００７２】

【外６】

【００７３】個の変形したセグメントの特性数を合成
し、これら合成された特性数それぞれに対して、ここで
述べる「図形の回転による特性数の変化」による変換規
則（特徴変換）によって最大５個の特性数を合成す
る。したがって、各セグメントから、特徴変換及び特
徴変換の適用により最大

【００７４】

【外７】

【００７５】個の特性数が生成される。閉輪郭線から抽
出されるセグメントの個数をｍとすれば、この段階でＯ
（ｍＭ）個の特性数が生成されることになる。

【００７６】例えば、Ｎ＝４のときに、図１３の４つの
セグメントはそれぞれ特性数<2,7>，<8,3>，<4,3>，<6,
7>を持つが、これに特徴変換を適用すれば、Ｍ＝３の
ときに、６個の特性数<2,7>，<8,3>，<10,3>，<4,3>，<
6,7>，<12,7>が合成される。これらの合成された特性数
に特徴変換を適用すれば、２８個の特性数<2,7>，<3,
6>，<3,7>，<8,3>，<9,2>，<9,3>，<7,3>，<7,4>，<10,
3>，<11,2>，<11,3>，<9,3>，<9,4>，<4,3>，<5,2>，<
5,3>，<3,3>，<3,4>，<6,7>，<7,6>，<7,7>，<5,7>，<
5,8>，<12,7>，<13,6>，<13,7>，<11,7>，<11,8>が合成
される。

【００７７】《特徴変換：局所的な大きさや位置の変
動》セグメントのパラメータ、すなわちセグメントの始
点の位置（ｘ_s，ｙ_s）と終点の位置（ｘ_E，ｙ_E）、セグ
メントを囲む最小の直立長方形の大きさ（Ｗ，Ｈ）と中
心の位置（ｘ_c，ｙ_c）は、局所的な変形やノイズによっ
て変動する。また、これらパラメータｘ_s，ｙ_s，ｘ_E，
ｙ_E，ｘ_c，ｙ_c，Ｗ，ＨはＬ段階（Ｌは自然数）に量子
化されて取り扱われる。すなわち、パラメータｐ（ｐは
ｘ_s，ｙ_s，ｘ_E，ｙ_E，ｘ_c，ｙ_c，Ｗ，Ｈのいずれか）の
値が、ｉ≦ｐＬ＜ｉ＋１（０≦ｉ＜Ｌ）のとき、ｐの値
は整数ｉに量子化される。このような量子化による誤差
を考慮する必要がある。

【００７８】そこで、特徴合成部１６０では、特徴変換
として、実数パラメータα（０≦α≦１）に対して、
ｉ≦ｐＬ≦ｉ＋α／２（０＜ｉ＜Ｌ）ならば、ｐの量子
化値として整数ｉの他にｉ−１も生成し、また、ｉ＋１
−α／２≦ｐＬ＜ｉ＋１（０≦ｉ＜Ｌ−１）ならば、ｐ
の量子化値として整数ｉの他にｉ＋１も生成する。

【００７９】したがって、特徴変換、特徴変換及び
当該特徴変換によって、各セグメントから最大

【００８０】

【外８】

【００８１】個の特徴（前記の１０個の整数の組）が生
成される。よって、閉輪郭線から抽出されるセグメント
の個数をｍとすると、最大

【００８２】

【外９】

【００８３】個の特徴が生成される。さらに、パラメー
タｐの値が区間［０，１］上で一様分布すると仮定する
と、１つのセグメントから平均Ｏ（(１＋α)⁸・Ｍ）
個、１つの輪郭線から平均Ｏ（(１＋α)⁸・Ｍｍ）個の
特徴が合成されることになる。

【００８４】なお、この特徴変換の適用による特徴合
成はモデル構築の際に特徴合成部１６０で実行され、特
徴合成部１１０では実行されない。つまり、分類表１２
０を作成する際には、図形分類時に比べ、より多くの変
形図形を考慮する。

【００８５】図６は、以上に述べた特徴合成部１１０の
処理の流れを示すフローチャートである。特徴合成部１
１０においては、まず、特徴抽出部１０５によって入力
図形から抽出されたセグメント系列中の１つのセグメン
トを前記特徴変換のための統合候補の先頭セグメント
に設定し（ステップ４００）、この先頭セグメントから
３つ目のセグメントを、統合候補の末尾セグメントに設
定する（ステップ４０１）。そして、先頭セグメントか
ら末尾セグメントまでのセグメント系列について特徴変
換のための前記統合条件１又は２が成立するか判定す
る（ステップ４０２）。統合条件１と統合条件２のいず
れも成立しないときには、現在の末尾セグメントから２
つ先のセグメント（統合するセグメント数は奇数であ
る）を改めて末尾セグメントに設定し（ステップ４０
７）、統合条件の判定を行う（ステップ４０１）。

【００８６】統合条件１又は統合条件２が成立した場
合、先頭セグメントから末尾セグメントまでのセグメン
ト系列の統合セグメントを生成し（ステップ４０３）、
成立した統合条件に応じて、その統合セグメントの特性
数と８組のパラメータを計算する（ステップ４０４）。
かくして、例えば図１４に示したようなセグメント系列
が図１５に示すようなセグメントに統合され、そのセグ
メント特徴が作られるわけである。

【００８７】このようにして統合セグメントの特徴が得
られると、次に、この統合セグメントに対し前記特徴変
換を適用する（ステップ４０５）。この特徴変換の
適用によって、統合セグメントの特性数を回転操作した
５つの変形セグメント特徴が得られる。ただし、この変
形セグメント特徴の８組のパラメータとしては、統合セ
グメントの８組のパラメータがそのまま用いられる。

【００８８】特徴合成部１１０は、得られた５つの変形
（合成）セグメント特徴を保存し（ステップ４０６）、
再び末尾セグメントを先に移動させ（ステップ４０
７）、ステップ４０２以降の処理を続ける。この処理の
繰り返しは、末尾セグメントが先頭セグメントまで戻る
か、又は先頭セグメントから末尾セグメントまでのセグ
メント数が一定値を越えるまで続く。

【００８９】末尾セグメントが先頭セグメントまで戻る
か、又は先頭セグメントから末尾セグメントまでのセグ
メント数が一定値を越えると（ステップ４０８，ＹＥ
Ｓ）、特徴合成部１１０は、現在の先頭セグメントの１
つ先のセグメントを改めて先頭セグメントに設定し（ス
テップ４０９）、ステップ４０１以降の処理を繰り返し
て行う。ただし、新たに設定した先頭セグメントが、最
初に先頭セグメントに設定したセグメントに戻ったとき
には（ステップ４１０，ＹＥＳ）、処理を終了する。

【００９０】〈表作成部１６５〉構造的インデクシング
によるモデルの構築においては、モデル図形入力部１５
０により入力したモデル図形から特徴抽出部１５５によ
って抽出されたセグメント特徴に対し、特徴合成部１６
０において前述の３つの特徴変換（変換モデル）
を適用することにより、１つのモデル図形につき平均Ｏ
（(１＋α)⁸・Ｍｍ）個のセグメント特徴を生成する。
表作成部１６５は、それらの各セグメント特徴から分類
表１２０のインデックスを計算し、このインデックスの
エントリーのモデル識別子リストに、そのモデルの識別
子を付加することにより、モデル集合に対する分類表１
２０を作成する。

【００９１】モデル集合に含まれるモデルの個数をｎ、
分類表１２０のインデックスの総数をＩとすると、分類
表１２０の各エントリーには平均Ｏ（(１＋α)⁸・Ｍｍ
ｎ／Ｉ）個のモデル識別子が格納される。ここで、モデ
ルｉ（ｉ＝1,2,...,n）に対し、特徴変換と特徴変換
を適用し合成される特徴の数（インデックスの数）ｃ
_iが予め求められてデータテーブル１２１に保存され
る。例えばＮ＝４，Ｍ＝３のとき、モデル図形が図１３
の輪郭線を持つとすればｃ_i＝２８となる。

【００９２】〈投票操作部１１５及び分類部１１６〉図
７は、投票操作部１１５及び分類部１１６の処理の流れ
を示すフローチャートである。

【００９３】投票操作部１１５は、入力図形に関するセ
グメント特徴（入力図形の輪郭から得られたセグメント
特徴と、それに対し特徴変換及びを適用して合成し
たセグメント特徴）の中からセグメント特徴を１つ選び
（ステップ５００）、そのセグメント特徴から分類表１
２０のインデックス（アドレス）を計算する（ステップ
５０２）。そのインデックス（アドレス）に対応する分
類表１２０のエントリーをアクセスし、モデル識別子リ
ストを読み出す（ステップ５０３）。そして、そのモデ
ル識別子リスト中の各モデル識別子（ｉ）に対応した得
票数ｖ_iに１を加算する（ステップ５０４）。ただし、
得票数ｖｉの初期値は０である。つまり、注目したセグ
メント特徴と同じセグメント特徴を持つモデルの投票箱
に１票ずつ投票するわけである。ステップ５００〜５０
４の処理ループを、未処理のセグメント特徴がなくなる
まで（ステップ５０１，ＮＯ）繰り返す。

【００９４】投票操作が終わると、分類部１１６におい
て、１票以上を得票した各モデルｉの得票数ｖ_iを、デ
ータテーブル１２１に格納されている構造的特徴数ｃ_i
で正規化し（ステップ５０５）、正規化得票数ｖ_i／ｃ_i
の大きな順にモデルをソートする（ステップ５０６）。
そして、上位のいくつかのモデルを第一次候補として選
択する（ステップ５０７）。なお、このような正規化得
票数による候補の絞り込みを行わず、１票以上の得票が
あった全てのモデルをステップ５０８以降の処理対象に
してもよいが、正規化得票数の小さなモデルは最終的な
候補となる可能性が低いため、本実施例では、この絞り
込みを行って以後の処理量の削減を図っている。

【００９５】次に、分類部１１６は、第一次候補となっ
た各モデルｉに対し、図形の複雑度や大局的な性質と関
係した次の４つの図形特徴パラメータに関する入力図形
との類似度を計算する（ステップ５０８）。

【００９６】（１）複雑度の類似度：min(ｃ_i／ｃ_o，ｃ
_o／ｃ_i）ただし、ｃ_iはモデルｉの特徴数であり、データテーブ
ル１２１より得れる。ｃ_oは入力図形の特徴数、すなわ
ち前記変換規則によって合成された構造的特徴の個
数である。

【００９７】（２）面積の類似度：min(Ａ_i／Ａ_o，Ａ_o
／Ａ_i）ただし、Ａ_iはモデルｉの図形の面積であり、データテ
ーブル１２１より得られる。Ａ_oは入力図形の面積であ
り、特徴抽出部１０５で検出されたものである。

【００９８】（３）長さの類似度：min(Ｌ_i／Ｌ_o，Ｌ_o
／Ｌ_i) ただし、Ｌ_iはモデルｉの図形の長さであり、データテ
ーブル１２１より得られる。Ｌ_oは入力図形の長さであ
り、特徴抽出部１０５で検出されたものである。

【００９９】（４）円形度の類似度：min(Ｔ_i／Ｔ_o，Ｔ
_o／Ｔ_i）ただし、Ｔ_i＝４πＡ_i／Ｌ_i ²、Ｔ_o＝４πＡ_o／Ｌ_o ² で
ある。なお、Ｔ_iは予め計算しデータテーブル１２１に
格納してもよい。

【０１００】次に分類部１１６は、第一次候補となった
各モデルｉの正規化得票数ｖ_i／ｃ_iと、それに関連した
上記（１）から（４）の類似度の値を掛け合わせて、当
該モデルｉと入力図形との類似度スコアＳiを計算する
（ステップ５０９）。そして、類似度スコアの大きい順
にモデルをソートし（ステップ５１０）、上位のいくつ
かのモデルを最終的な分類候補として選択する（ステッ
プ５１１）。

【０１０１】なお、図形検索が目的の場合は、最終的な
分類候補となったモデルの識別子を検索キーとして、図
形検索部１１７で図形データベース１２５より該当する
図形パターンを取り出し、それを検索結果として例えば
ディスプレイ２２０に出力する。

【０１０２】以上に説明したように、入力図形から抽出
された構造的特徴に特定の変換規則を適用することによ
り変形図形の構造的特徴を合成するため、比較的少ない
計算量で、ノイズや局所的変形がある場合も考慮した図
形分類用特徴を取得することができる。また、モデル図
形から抽出された構造的特徴と、それに特定の変換規則
を適用して合成した構造的特徴のそれぞれを使うことに
より、比較的少ない計算量で、ノイズや局所的変形を考
慮した構造的インデクシングのための分類表を作成する
ことができる。したがって、１つのモデルに対して１つ
のサンプルしか使えないような場合にも、ノイズや局所
的変形に頑健で、効率的な構造的インデクシングによる
図形分類・検索が可能である。また、分類表を参照した
投票による得票数と、大局的な図形特徴パラメータに関
する入力図形とモデルの類似度を組み合わせて、入力図
形とモデル図形との類似度スコアを求めるため、大局的
な図形特徴の異なるモデルを分類候補から排除すること
ができ、得票数のみに依存する方法より確実な図形分類
・検索が可能である。

【０１０３】［実施例２］次に、本発明の第２の実施例
におけるシステム各部の処理内容について詳細に説明す
る。なお、前記第１実施例と処理内容が同じ部分につい
ては説明を省略する。

【０１０４】＜特徴抽出部１０５＞図１９は、特徴抽出
部１０５の処理の流れを示すフローチャートである。ま
ず、前記第１実施例と同様に、必要に応じて入力図形の
輪郭抽出を行い（ステップ６００）、その閉輪郭線を多
角形近似し（ステップ６０１）、多角形近似された輪郭
図形の面積Ａ_oと長さＬ_oを検出する（ステップ６０
２）。次に、多角形近似された輪郭図形を２π／Ｄずつ
回転させたＤ個の回転図形と、各回転図形を反転させた
Ｄ個の反転図形、合計２Ｄ個の図形（多角形近似された
輪郭図形）を生成する（ステップ６０３）。ここで、Ｄ
は自然数（例えば３２）である。２Ｄ個の図形のうちの
１つは、入力図形そのものの多角形近似された輪郭図形
である。そして、これら２Ｄ個の回転図形又は反転図形
のそれぞれを対象として、構造的特徴を抽出する（ステ
ップ６０４〜６１０）。ステップ６０４〜６１０はそれ
ぞれ図４の対応したステップ３０３〜３０９と同一の処
理ステップであるので、その説明は省略する。

【０１０５】このようにして２Ｄ個の回転図形又は反転
図形のそれぞれより抽出されたセグメント特徴が、特徴
合成部１１０による特徴合成処理の対象となる。特徴合
成処理の内容は前記第１実施例と同一である。

【０１０６】＜投票操作部１１５及び分類部１１６＞図
２０は、投票操作部１１５及び分類部１１６の処理の流
れを示すフローチャートである。

【０１０７】投票操作部１１５は、２Ｄ個の回転図形又
はその反転図形の中から１つの図形（ｊ，ｋ）を選ぶ
（ステップ７００）。ｊ（＝０，１，．．．，Ｄ）は量
子化回転角度、ｋ（＝０，１）は反転の有無を表す。選
んだ図形に関するセグメント特徴（抽出されたセグメン
ト特徴と、それに対し特徴変換及びを適用して合成
されたセグメント特徴）の中からセグメント特徴を１つ
選び（ステップ７０２）、そのセグメント特徴から分類
表１２０のインデックス（アドレス）を計算する（ステ
ップ７０４）。そのインデックス（アドレス）の分類表
１２０のエントリーをアクセスし、モデル識別子リスト
を読み出す（ステップ７０５）。そして、そのモデル識
別子リスト中の各モデル識別子（ｉ）に対応した２Ｄ個
の投票箱の図形（ｊ，ｋ）に対応した投票箱（ｉ，ｊ，
ｋ）に１票を投じる（ステップ７０６）。すなわち、得
票数ｖ_ijkに１を加算する。ただし、各投票箱の初期値
（得票数の初期値）は０である。セグメント特徴を１つ
ずつ選びながらステップ７０２〜７０６の処理ループを
繰り返し、未処理のセグメント特徴がなくなると（ステ
ップ７０３，ＮＯ）、この処理ループを抜けてステップ
７００に戻り、次の図形を選択し、ステップ７０２〜７
０６の処理ループを繰り返す。未処理の図形がなくなる
と（ステップ７０１，ＮＯ）、投票操作を終了する。

【０１０８】投票操作が終わると、分類部１１６におい
て、１票以上を得票したモデルｉの得票数ｖ_ijkを、デ
ータテーブル１２１に格納されている特徴数ｃ_iで正規
化し（ステップ７０７）、各モデルｉの正規化得票数ｖ
_ijk／ｃ_i(j=1,2,...,D，k=1,2)の中で最も大きなものを
当該モデルｉのスコアとし、スコアの大きい順にモデル
をソートする（ステップ７０８）。そして、上位のいく
つかのモデルを分類候補として選択する（ステップ７０
９）。

【０１０９】以上に説明したように、本実施例によれ
ば、入力図形の回転図形及びその反転図形の構造的特徴
を図形分類に利用するため、分類表１２０を作成する際
に様々な角度のモデル図形や反転したモデル図形を用意
することなく、モデル図形に対し回転した図形や反転し
た図形も分類可能となる。

【０１１０】[実施例３]図２１は、本発明の第３の実施
例における分類部１１６の処理の流れを示すフローチャ
ートである。分類部１１６以外の処理の内容は前記第２
実施例と同一である。

【０１１１】図２１において、分類部１１６はまず、投
票操作部１１５の投票操作（図２０のステップ７００〜
７０６）で１票以上を得票したモデルｉの得票数ｖ_ijk
を、データテーブル１２１に格納されている特徴数ｃ_i
で正規化する（ステップ８００）。次に、１票以上を得
票した各モデルｉに関し、前記第１実施例において説明
した４つの大局的図形特徴パラメータに関する入力図形
との類似度、すなわち（１）複雑度の類似度、（２）面
積の類似度、（３）長さの類似度、（４）円形度の類似
度を計算する（ステップ８０１）。そして、１票以上を
得票した各モデルｉの正規化得票数ｖ_ijk／ｃ_iに、当該
モデルの４つの類似度を掛け合わせ、モデルｉ、量子化
回転角度ｊ、反転の有無ｋの組に対するスコアＳ_ijkを
計算する（ステップ８０２）。１つのモデルについて２
Ｄ個の投票箱が用意されるから、このスコアは１モデル
につき最大２Ｄ個求まる。次に、モデルｉのスコアＳ
_ijkの最大値をモデルｉと入力図形との類似度スコアと
し、類似度スコアの大きい順にモデルをソートする（ス
テップ８０３）。そして、上位のいくつかのモデルを分
類候補として選択する（ステップ８０４）。

【０１１２】以上に説明したように、本実施例によれ
ば、入力図形の回転図形及びその反転図形の構造的特徴
を図形分類に利用するため、分類表１２０を作成する際
に様々な角度のモデル図形や反転したモデル図形を用意
することなく、モデル図形に対し回転した図形や反転し
た図形も分類可能である。また、大局的な図形特徴パラ
メータに関する入力図形とモデル図形との類似度も考慮
するため、大局的な図形特徴の異なるモデルを分類候補
から排除することができ、得票数のみに依存する方法に
比べ、より高精度な図形分類が可能である。

【０１１３】

【発明の効果】以上に詳細に説明した如く、本発明の方
法又は装置は、図形のノイズや局所的変形を考慮した分
類表を用い、また、入力図形に対しても、その構造的特
徴に特定の変換規則を適用してノイズや局所的変形によ
り生ずる可能性のある変形図形の構造的特徴を合成する
ことにより、例えば１モデルにつき１サンプルしか用意
できないような環境であっても、図形のノイズや局所的
変形に頑健で効率的な構造的インデクシングによる図形
分類・検索が可能である。また、大局的な図形特徴パラ
メータに関する入力図形とモデルとの類似度を、投票操
作による各モデルの得票数と組み合わせた類似度スコア
を用いることにより、大局的な図形特徴の異なるモデル
を分類候補から排除し、より高精度な図形分類・検索が
可能である。また、入力図形を回転させた図形及びその
反転図形の構造的特徴を抽出し、また変換規則を適用し
変形図形の構造的特徴を合成し、それら構造的特徴を図
形分類に利用することにより、分類表を作成する際に様
々な角度のモデル図形や反転したモデル図形を用意する
ことなく、モデル図形に対し回転した図形や反転した図
形についても、高精度な分類・検索が可能である。本発
明の記録媒体によれば、そのような図形分類を一般的な
コンピュータを利用し容易に実施できる。

【図面の簡単な説明】

【図１】本発明の一実施形態としての図形分類検索シス
テムのブロック図である。

【図２】構造的インデクシングのための分類表の模式図
である。

【図３】本発明をプログラムで実現するためのコンピュ
ータのハードウェア構成の一例を簡略化して示すブロッ
ク図である。

【図４】本発明の第１の実施例における特徴抽出処理の
流れを示すフローチャートである。

【図５】特徴抽出過程で得られるデータを関連付けて示
す図である。

【図６】特徴合成処理の流れを示すフローチャートであ
る。

【図７】本発明の第１の実施例における投票操作部及び
分類部の処理の流れを示すフローチャートである。

【図８】入力される図形の画像の一例を示す図である。

【図９】図形の閉輪郭線の一例を示す図である。

【図１０】多角形近似された閉輪郭線の一例を示す図で
ある。

【図１１】方向軸と量子化方向コードの例を示す図であ
る。

【図１２】輪郭の部分セグメントへの分割例を示す図で
ある。

【図１３】部分セグメントの統合による輪郭のセグメン
トへの分割例を示す図である。

【図１４】大局的には似ているが局所的変形により構造
的特徴が異なった２つの部分輪郭の例を示す図である。

【図１５】図１４の２つの部分輪郭を近づけるための編
集の例を示す図である。

【図１６】図１２中の部分セグメントＡ，Ｂの連結点に
関する量子化方向の説明のための図である。

【図１７】図１２中の部分セグメントＧ，Ｈの連結点に
関する量子化方向の説明のための図である。

【図１８】回転によるセグメントの特性数の変換の例を
示す図である。

【図１９】本発明の第２の実施例における特徴抽出処理
の流れを示すフローチャートである。

【図２０】本発明の第２の実施例における投票操作部及
び分類部の処理の流れを示すフローチャートである。

【図２１】本発明の第３の実施例における分類部の処理
の流れを示すフローチャートである。

【符号の説明】

１００図形入力部１０５特徴抽出部１１０特徴合成部１１５投票操作部１１６分類部１２０分類表１２１データテーブル１２５図形データベース１５０モデル図形入力部１５５特徴抽出部１６０特徴合成部１６５表作成部２００ＣＰＵ２０５メモリ２１０ハードディスク等の大容量記憶装置２１５スキャナ、デジタルカメラ、デジタイザ等の入
力装置２２０ディスプレイ２２５キーボード、マウス等の入力装置２３０媒体ドライバ２３５フロッピーディスクやＣＤ−ＲＯＭ等の記録媒
体２５０図形分類検索プログラム

Claims

【特許請求の範囲】

【請求項１】図形の閉輪郭線を多角形近似し、その量
子化方向特徴及び準凹凸構造に基づいて連続したいくつ
かの線分をより高いレベルの構造的特徴に統合する方法
により、モデル図形集合中の各モデル図形から構造的特
徴を抽出するとともに、抽出された構造的特徴に特定の
変換規則を適用することにより変形図形の構造的特徴を
合成し、構造的特徴から計算されたインデックスのエン
トリーに、その構造的特徴を持つモデルの識別子のリス
トを格納した分類表を用意し、入力図形から前記特徴抽出方法によって抽出された構造
的特徴と、それに対し特定の変換規則を適用することに
より合成された変形図形の構造的特徴とを用い該分類表
を参照して各モデルに対する投票操作を行い、得られた
各モデルの得票数と、他の大局的な図形特徴パラメータ
に関する、入力図形と各モデルの類似度とを組み合わせ
て、入力図形と各モデルとの類似度スコアを求め、類似
度スコアが高いモデルを入力図形の分類候補とする図形
分類方法。
【請求項２】図形の閉輪郭線を多角形近似し、その量
子化方向特徴及び準凹凸構造に基づいて連続したいくつ
かの線分をより高いレベルの構造的特徴に統合する方法
により、モデル図形集合中の各モデル図形から構造的特
徴を抽出するとともに、抽出された構造的特徴に特定の
変換規則を適用することにより変形図形の構造的特徴を
合成し、構造的特徴から計算されたインデックスのエン
トリーに、その構造的特徴を持つモデルの識別子のリス
トを格納した分類表を用意し、入力図形の回転図形及び
その反転図形のそれぞれから前記特徴抽出方法によって
抽出された構造的特徴と、それに対し特定の変換規則を
適用することにより合成された変形図形の構造的特徴と
を用い該分類表を参照して各モデルに対する投票操作を
行い、得られた得票数の多いモデルを入力図形の分類候
補とする図形分類方法。
【請求項３】図形の閉輪郭線を多角形近似し、その量
子化方向特徴及び準凹凸構造に基づいて連続したいくつ
かの線分をより高いレベルの構造的特徴に統合する方法
により、モデル図形集合中の各モデル図形から構造的特
徴を抽出するとともに、抽出された構造的特徴に特定の
変換規則を適用することにより変形図形の構造的特徴を
合成し、構造的特徴から計算されたインデックスのエン
トリーに、その構造的特徴を持つモデルの識別子のリス
トを格納した分類表を用意し、入力図形の回転図形及びその反転図形のそれぞれから前
記特徴抽出方法によって抽出された構造的特徴と、それ
に対し特定の変換規則を適用することにより合成された
変形図形の構造的特徴とを用い該分類表を参照して各モ
デルに対する投票操作を行い、得られた各モデルの得票
数と、他の大局的な図形特徴パラメータに関する、入力
図形と各モデルの類似度とを組み合わせて、入力図形の
各回転図形及びその各反転図形と各モデルとの類似度ス
コアを求め、類似度スコアが高いモデルを入力図形の分
類候補とする図形分類方法。
【請求項４】請求項１、２又は３記載の図形分類方法
による分類結果に基づいて図形データベースを検索する
ことを特徴とする図形検索方法。
【請求項５】請求項１記載の図形分類方法のための、
入力図形の構造的特徴を抽出する処理と、変形図形の構
造的特徴を合成する処理と、投票操作の処理と、類似度
スコアを求める処理と、類似度スコアが高いモデルを選
択する処理をコンピュータに実行させるためのプログラ
ムが記録されたことを特徴とするコンピュータ読み取り
可能記録媒体。
【請求項６】請求項２記載の図形分類方法のための、
入力図形の回転図形及びその反転図形の構造的特徴を抽
出する処理と、変形図形の構造的特徴を合成する処理
と、投票操作の処理と、得票数の多いモデルを選択する
処理をコンピュータに実行させるためのプログラムが記
録されたことを特徴とするコンピュータ読み取り可能記
録媒体。
【請求項７】請求項３記載の図形分類方法のための、
入力図形の回転図形及びその反転図形の構造的特徴を抽
出する処理と、変形図形の構造的特徴を合成する処理
と、投票操作の処理と、類似度スコアを求める処理と、
類似度スコアが高いモデルを選択する処理をコンピュー
タに実行させるためのプログラムが記録されたことを特
徴とするコンピュータ読み取り可能記録媒体。
【請求項８】図形の閉輪郭線を多角形近似し、その量
子化方向特徴及び準凹凸構造に基づいて連続したいくつ
かの線分をより高いレベルの構造的特徴に統合する方法
により、モデル図形集合中の各モデル図形から構造的特
徴を抽出するとともに、抽出された構造的特徴に特定の
変換規則を適用することにより変形図形の構造的特徴を
合成し、構造的特徴から計算されたインデックスのエン
トリーに、その構造的特徴を持つモデルの識別子のリス
トを格納した分類表と、図形を入力する図形入力手段と、該図形入力手段による
入力図形の構造的特徴を前記特徴抽出方法によって抽出
する特徴抽出手段と、該特徴抽出手段により抽出された
構造的特徴に対し特定の変換規則を適用することにより
変形図形の構造的特徴を合成する特徴合成手段と、該特
徴抽出手段及び該特徴合成手段によって得られた構造的
特徴を用い該分類表を参照して各モデルに対する投票操
作を行う投票手段と、該投票操作によって得られた各モ
デルの得票数と、他の大局的な図形特徴パラメータに関
する、入力図形と各モデルの類似度とを組み合わせて、
入力図形と各モデルとの類似度スコアを求め、類似度ス
コアが高いモデルを入力図形の分類候補として選択する
分類手段とを具備する図形分類装置。
【請求項９】図形の閉輪郭線を多角形近似し、その量
子化方向特徴及び準凹凸構造に基づいて連続したいくつ
かの線分をより高いレベルの構造的特徴に統合する方法
により、モデル図形集合中の各モデル図形から構造的特
徴を抽出するとともに、抽出された構造的特徴に特定の
変換規則を適用することにより変形図形の構造的特徴を
合成し、構造的特徴から計算されたインデックスのエン
トリーに、その構造的特徴を持つモデルの識別子のリス
トを格納した分類表と、図形を入力する図形入力手段と、該図形入力手段による
入力図形の回転図形及びその反転図形のそれぞれの構造
的特徴を前記特徴抽出方法によって抽出する特徴抽出手
段と、該特徴抽出手段により抽出された構造的特徴に対
して特定の変換規則を適用することにより変形図形の構
造的特徴を合成する特徴合成手段と、該特徴抽出手段及
び該特徴合成手段によって得られた構造的特徴を用い該
分類表を参照して各モデルに対する投票操作を行う投票
手段と、該投票操作によって得られた得票数の多いモデ
ルを分類候補として選択する分類手段とを具備する図形
分類装置。
【請求項１０】図形の閉輪郭線を多角形近似し、その
量子化方向特徴及び準凹凸構造に基づいて連続したいく
つかの線分をより高いレベルの構造的特徴に統合する方
法により、モデル図形集合中の各モデル図形から構造的
特徴を抽出するとともに、抽出された構造的特徴に特定
の変換規則を適用することにより変形図形の構造的特徴
を合成し、構造的特徴から計算されたインデックスのエ
ントリーに、その構造的特徴を持つモデルの識別子のリ
ストを格納した分類表と、図形を入力する図形入力手段と、該図形入力手段による
入力図形の回転図形及びその反転図形のそれぞれの構造
的特徴を前記特徴抽出方法によって抽出する特徴抽出手
段と、該特徴抽出手段により抽出された構造的特徴に対
して特定の変換規則を適用することにより変形図形の構
造的特徴を合成する特徴合成手段と、該特徴抽出手段及
び該特徴合成手段によって得られた構造的特徴を用い該
分類表を参照して各モデルに対する投票操作を行う投票
手段と、該投票操作によって得られた各モデルの得票数
と、他の大局的な図形特徴パラメータに関する、入力図
形と各モデルの類似度とを組み合わせて、入力図形の各
回転図形及びその各反転図形と各モデルとの類似度スコ
アを求め、類似度スコアが高いモデルを入力図形の分類
候補として選択する分類手段とを具備する図形分類装
置。
【請求項１１】該分類表を作成するための手段をさら
に具備することを特徴とする請求項８、９又は１０記載
の図形分類装置。
【請求項１２】請求項８、９、１０又は１１記載の図
形分類装置に、該分類手段による分類結果に基づいて図
形データベースを検索する検索手段を付加したことを特
徴とする図形検索装置。