JP2000076464A

JP2000076464A - 図形認識方法、図形認識装置、図形分類方法、図形分類装置、記録媒体、及び、図形特徴抽出方法

Info

Publication number: JP2000076464A
Application number: JP10247481A
Authority: JP
Inventors: Hirofumi Nishida; 広文西田
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 1998-09-01
Filing date: 1998-09-01
Publication date: 2000-03-14

Abstract

(57)【要約】【課題】図形（自然界の物体を含む）の効率的な認
識、分類のため、階層的な形状の構造を利用する。【解決手段】特徴抽出部１０１において、入力図形の
輪郭の凸包の近似多角形を求め、該近似多角形を初期多
角形として辺を再帰的に２分割していくことにより該入
力図形を階層的に多角形近似し、該初期多角形を記述す
るパラメータと、該階層的な多角形近似の過程における
各階層での多角形の生成パラメータをそれぞれ特徴量と
して抽出する。特徴照合部１０３は、特徴抽出部により
抽出された特徴量を、大局的なものから順にモデル記憶
部１０４に格納されているモデルの特徴量と照合するこ
とにより認識候補を絞り込む。対象図形の複雑さに応じ
適応的にかいそうの深さを調節し効率的に図形を認識す
る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、図形の認識及び分
類の分野に係り、特に、図形の輪郭の階層的な形状構造
を利用する図形認識及び分類技術に関する。

【０００２】

【従来の技術】これまで、画像認識の応用としては、文
字認識や文書認識が主なものであったが、デジタルカメ
ラの普及などにより、自然画像を容易にコンピュータに
取り込むことができるようになるにつれ、自然界の物体
を対象とした認識技術の重要性が増しつつある。

【０００３】文字や文書は人間が取り決めた規則によっ
て生成される。これに対し、自然界の物体、例えば山、
谷、海岸線、島、星、雲、植物の葉などの形状は、ある
物理的な規則により記述できることが知られている。特
に、フラクタルの理論は、このような自然界の物体の形
状を合成する場合に威力を発揮することが知られおり、
コンピュータ・グラフィックスにも応用されてきた。

【０００４】２次元の閉輪郭図形の生成アルゴリズムの
一つとして、次に述べるように、凸多角形から出発し
て、辺を再帰的に分割していくものがある。（ステップ１）初期多角形として、凸ｎ角形を指定す
る。（ステップ２）多角形の各辺に点を１つずつ選び、法線
方向に動かして、倍の数の辺からなる多角形を作る。（ステップ３）終了条件が満たされれば終了、さもなけ
ればステップ（２）に戻る。

【０００５】この図形生成アルゴリズムにおいて、ステ
ップ２がｍ回実行されると、図形はｎ・2^m 角形になる。
この中には、いくつかのパラメータがあるが、ステップ
２で辺の中点を選ぶ場合には、いわゆる「midpoint dis
placement algorithm」と呼ばれるフラクタル図形合成
のアルゴリズムの一つになる。

【０００６】しかし、自然界の物体は一見すると文字や
文書画像に比べて複雑な構造を持っており、しかも画像
入力が難しかったため、自然界の物体の形状などを効率
的かつ高性能に認識、分類する技術はいまだ開発されて
いないのが現状である。

【０００７】

【発明が解決しようとする課題】本発明の目的は、自然
界の物体の輪郭図形を含む図形の効率的な認識、分類の
ための方法及び装置と、そのための図形特徴抽出方法を
提供することにある。

【０００８】

【課題を解決するための手段】前述の図形生成アルゴリ
ズムが示すように、自然界の物体は再帰的な階層構造を
持っていることが知られている。本発明においては、そ
のような再帰的な階層構造を、図形の認識及び分類、並
びに、図形特徴の抽出に利用する。

【０００９】すなわち、請求項１の図形認識方法は、入
力図形の輪郭の凸包の近似多角形を記述するパラメータ
と、該凸包の近似多角形を初期多角形として辺を再帰的
に２分割していくことにより該入力図形を階層的に多角
形近似する過程における各階層での多角形の生成パラメ
ータをそれぞれ特徴量として用い、該入力図形を階層的
に認識する構成である。

【００１０】請求項２の図形認識装置は、特徴抽出部、
特徴照合部及びモデル記憶部を具備し、該特徴抽出部が
入力図形の輪郭の凸包の近似多角形を求め、該近似多角
形を初期多角形として辺を再帰的に２分割していくこと
により該入力図形を階層的に多角形近似し、該初期多角
形を記述するパラメータと、該階層的な多角形近似の過
程における各階層での多角形の生成パラメータをそれぞ
れ特徴量として抽出し、該特徴照合部が該特徴抽出部に
より抽出された各特徴量を該モデル記憶部に格納されて
いるモデルの特徴量と階層的に照合することにより認識
候補を絞り込む構成である。

【００１１】請求項３の図形分類方法は、分類対象の図
形集合中の各図形の輪郭の凸包の近似多角形を記述する
パラメータと、該各図形の凸包の近似多角形を初期多角
形として辺を再帰的に２分割していくことにより該各図
形を階層的に多角形近似していく過程における各階層で
の多角形の生成パラメータをそれぞれ特徴量として用い
て、該図形集合中の図形を階層的に複数のクラスタに分
割する構成である。

【００１２】請求項４の図形分類装置は、特徴抽出部と
クラスタリング部を具備し、該特徴抽出部が、分類対象
の図形集合中の各図形の輪郭の凸包の近似多角形を記述
するパラメータと、該各図形の凸包の近似多角形を初期
多角形として辺を再帰的に２分割していくことにより該
各図形を階層的に多角形近似していく過程における各階
層での多角形の生成パラメータをそれぞれ特徴量として
抽出し、該クラスタリング部が該特徴抽出部により抽出
された各特徴量にクラスタリング・アルゴリズムを適用
することにより該図形集合中の図形を階層的に複数のク
ラスタに分割する構成である。

【００１３】請求項５の記録媒体は、入力図形の輪郭の
凸包を求める処理、該凸包の近似多角形を求める処理、
該近似多角形を初期多角形として辺を再帰的に２分割し
ていくことにより該入力図形を階層的に多角形近似する
処理、該初期多角形を記述するパラメータと、該階層的
な多角形近似の過程における各階層での多角形の生成パ
ラメータをそれぞれ特徴量として抽出する処理、及び、
該抽出された各特徴量をモデルの特徴量と階層的に照合
することにより認識候補を順次絞り込む処理を、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ている
ことを特徴とする。

【００１４】請求項６の記録媒体は、分類対象の図形集
合中の各図形の輪郭の凸包の近似多角形を記述するパラ
メータを特徴量として抽出する処理、該近似多角形を初
期多角形として辺を再帰的に２分割していくことにより
該各図形を階層的に多角形近似していく過程における各
階層での多角形の生成パラメータを特徴量として抽出す
る処理、及び、該抽出された各特徴量にクラスタリング
・アルゴリズムを適用することにより、該図形集合中の
図形を階層的に複数のクラスタに分割する処理を、コン
ピュータに実行させるたのプログラムが記録されている
ことを特徴とする。

【００１５】請求項７の図形特徴抽出方法は、図形の輪
郭の凸包の近似多角形を求め、該近似多角形を初期多角
形として辺を再帰的に２分割していくことにより該図形
を階層的に多角形近似し、該初期多角形を記述するパラ
メータと、該階層的な多角形近似の過程における各階層
での多角形の生成パラメータとを特徴量として抽出する
構成である。

【００１６】

【発明の実施の形態】図１は、本発明による図形認識方
法及び装置の一実施形態としての図形認識システムのブ
ロック図である。

【００１７】図１において、１００はデジタルカメラや
イメージスキャナなどを利用して画像を入力する画像入
力部である。１０１は図形輪郭抽出部であり、画像入力
部１００より入力された画像から、例えばエッジ検出や
２値化などによって、認識対象図形（入力図形）の輪郭
を抽出する。抽出された図形輪郭は特徴抽出部１０２に
入力される。なお、初めから図形輪郭を入力可能な場合
は、その図形輪郭を直接的に特徴抽出部１０２に入力し
てよい。特徴抽出部１０２は、図形輪郭が前述の如き図
形生成アルゴリズムによって作られていると仮定し、図
形輪郭の階層的な形状特徴の抽出を行う。１０４は認識
のためのモデル特徴が格納されているモデル記憶部であ
る。モデルの構築は、各クラスについて多数のモデル図
形を用意しておき、入力図形の特徴抽出の場合と同じ方
法で各サンプルの輪郭の階層的な形状特徴を抽出するこ
とによって行われ、抽出された特徴がモデル特徴として
モデル記憶部１０４に格納される。１０３は特徴照合部
であり、特徴抽出部１０２により抽出された入力図形の
輪郭の階層的な形状特徴とモデル記憶部１０４に格納さ
れているモデル特徴とを、大局的な特徴から順に階層的
に照合することにより、入力図形の認識候補を絞り込む
部分である。１０５は各部の処理の制御及びシステム全
体の処理の流れを制御する制御部である。

【００１８】特徴抽出部１０２の特徴抽出処理の内容に
ついて、図２に示すフローチャートに沿って、より具体
的に説明する。

【００１９】入力図形の輪郭の凸包を計算し（ステップ
２０１）、得られた凸包を多角形近似する（ステップ２
０２）。ただし、近似された多角形の頂点は、入力図形
の輪郭上のある点と一致させるものとする。凸包の計算
には、例えば当業者に周知のグラハム（Graham）のアル
ゴリズムなどを用いることができる。多角形近似は、例
えば当業者に周知のラマー（Ramer）のアルゴリズムに
よればよい。

【００２０】例えば、図３の（ａ）及び（ｂ）に示すよ
うな輪郭を持つ図形が入力されたとすると、ステップ２
０１，２０２によって、図４の（ａ）及び（ｂ）に示す
凸多角形が得られる。

【００２１】以上のようにして得られた入力図形の輪郭
の凸包の近似多角形を記述するパラメータとして、辺の
数ｎ、各辺の長さＬ_i（ｉ＝1,...,ｎ）、各頂点の角度
Ａ_I （ｉ＝１,...,ｎ）を考え、特徴ベクトルＦ(0)＝
（ｎ，Ｌ₁,...,Ｌ_n，Ａ₁,...,Ａ_n）を計算する（ステッ
プ２０３）。この際、最も上にある頂点（そのような頂
点が２つある場合は左にあるもの）から、多角形の内部
を左手に見るように辺を辿って（多角形の辺を辿って一
周するときに反時計周りになるような向き）、その順に
頂点に順番をつける。また、各辺をそのように辿った場
合の出発点と終着点を、その辺の始点と終点とし、ｉ番
目の頂点を始点とする辺をｉ番目の辺とする。したがっ
て、図４（ａ）の多角形の各辺の長さＬ_i、頂点の角度
Ａ_iは、図５に示すように番号付けされることになる。

【００２２】次に、入力図形輪郭の凸包の近似多角形を
初期多角形として、辺を再帰的に２分割し入力図形を階
層的に多角形近似する操作を繰り返し、その過程におい
て、各階層での多角形の生成パラメータを特徴量として
特徴ベクトルF(k)を計算する（ステップ２０４〜２０６
のループ）。この処理ループは、ある終了条件が満たさ
れるまで（ステップ２０６の判定結果がＹＥＳになるま
で）続けられる。その終了条件は、例えば、繰り返し回
数もしくは多角形と元の輪郭の誤差の収束状況、あるい
は図形認識の終了（認識候補が１つに絞り込まれた、候
補が見つからないことが確定した等）などである。

【００２３】より具体的に述べれば、いま、ｍ角形が与
えられているとし、そのｍ角形の辺をＥ_i（ｉ＝１,...,
ｍ）、Ｅ_iの長さをＬ_i、頂点をＶ_iとする。ステップ２
０２を終了した段階では、ｍ＝ｎである。

【００２４】ステップ２０４において、ｍ角形の各辺Ｅ
_iを２分割することにより、２ｍ個の辺からなる多角形
を作るが、その方法は次のとおりである。まず、各辺Ｅ
_iについて、その始点と終点に囲まれた、元の輪郭の一
部（開曲線）を考え、その開曲線上の各点ｐについて、
関数ｇ_i(p)＝（１−４×(ｔ_i(p)/Ｌ_i−0.5)²）×Ｄ_I (p)
の値を計算する。ここで、ｔ_i(p)は点ｐの辺Ｅ_iへの射
影と頂点Ｖ_iとの距離であり、Ｄ_i(p)は点ｐと辺Ｅ_iとの
距離である。そして、ｇ_i(p)が最大になる点Ｐ_iに新し
く多角形の頂点を設け、Ｅ_iの両端点と結ぶことによ
り、辺Ｅ_iを２分割する。図４の（ａ）及び（ｂ）に示
す多角形に対し、ステップ２０４の辺分割を１回行うこ
とにより作られる多角形を図６（ａ）及び（ｂ）に示
す。

【００２５】そして次のステップ２０５において、前ス
テップで作られたｍ角形の特徴ベクトルＦ(1)＝（Ｓ
(1),...,Ｓ(m)，Ｔ(1),...,Ｔ(m)）を計算する。ただ
し、辺Ｅ_i を分割した新しい頂点Ｐ_iに関し、Ｔ(i)＝ｔ_i
(Ｐ_i)／Ｌ_iと定義され、そしてＰ_i が元の多角形の外側
にあるときにはＳ(i)＝Ｄ_i(Ｐ_i)／Ｌ_i、Ｐ_iが元の多角
形の内側にあるときにはＳ(i)＝−Ｄ_i(Ｐ_i)／Ｌ_i と定
義される。図７は、図６（ａ）に示す多角形における頂
点Ｐ₁に関するＴ(1)，Ｓ(1)を説明している。Ｔ(1)×
Ｌ₁は、その定義及び図７から明らかなように頂点Ｐ₁の
辺Ｅ₁への射影と頂点Ｖ₁との距離ｔ₁(Ｐ₁)と等しく、Ｓ
(1)×Ｌ₁は頂点Ｐ₁と辺Ｅ₁との距離Ｄ₁(Ｐ₁)と等しい。

【００２６】図４の（ａ）及び（ｂ）に示す多角形にス
テップ２０４〜２０６のループを２回繰り返して作られ
る多角形は、それぞれ図８の（ａ）及び（ｂ）に示すよ
うなものになる。図８を図３を対比すれば、２回の辺の
分割処理でも、元の輪郭にかなり近い近似多角形が得ら
れることが理解されるであろう。

【００２７】同様の処理がｋ回繰り返された段階で終了
条件が成立したとする。ｋ回目の処理でｎ・２^k角形が生
成され、特徴ベクトルＦ(k)＝（Ｓ_k(1),...,Ｓ_k(ｎ・2^k)，Ｔ_k(1),...,Ｔ_k(ｎ・
2^k)) が抽出される。かくして、特徴ベクトル列（Ｆ(0)，Ｆ
(1),...,Ｆ(k)）により入力図形が階層的に記述された
ことになる。ただし、Ｆ(0)＝（ｎ，Ｌ₁,...,Ｌ_n，Ａ₁,...,Ａ_n）Ｆ(1)＝（Ｓ₁(1),...,Ｓ₁(2n)，Ｔ₁(1),...,Ｔ₁(2n)）Ｆ(2)＝（Ｓ₂(1),...,Ｓ₂(4n)，Ｔ₂(1),...,Ｔ₂(4n)）・・・・・Ｆ(k)＝（Ｓ_k(1),...,Ｓ_k(n・2^k)，Ｔ_k(1),...,Ｔ_k(n・
2^k)）である。

【００２８】ここで図３の（ａ）及び（ｂ）に示す２つ
の図形の識別を考える。図６の（ａ）及び（ｂ）を見れ
ば明らかなように、２つの図形の特徴ベクトルＦ(1)は
ほぼ同じ値をとるため、特徴ベクトルＦ(1)では識別で
きない。しかし、図８の（ａ）及び（ｂ）を比較すれば
明らかなように、それぞれの特徴ベクトルＦ(2)では明
確な差が生じるため、２つの図形は特徴ベクトルＦ(2)
で識別可能になる。

【００２９】ここまでの説明から理解されるように、こ
こで述べている階層的な特徴抽出の方法によれば、対象
図形の複雑度などに応じて、適応的に特徴の細かさ、つ
まり階層の深さを調節することにより、効率的な図形特
徴の抽出が可能である。

【００３０】以下、図形認識システムの画像入力から認
識候補の出力までの全体的な処理を説明する。図９は全
体的な処理フローを示すフローチャートである。

【００３１】まず、画像入力部１００によって認識しよ
うとする図形の画像が入力され（ステップ３００）、図
形輪郭抽出部１０１によって入力図形の輪郭が抽出され
る（ステップ３０１）。特徴抽出部１０２により、前述
した手順に従って入力図形の特徴ベクトルＦ(0)＝
（ｎ，Ｌ₁,...,Ｌ_n，Ａ₁,...,Ａ_n）が計算される（ステ
ップ３０２）。

【００３２】特徴照合部１０３において、モデル記憶部
１０４に格納されているモデル集合から、入力図形より
計算されたＦ(0)とｎが同じ値の特徴ベクトルＦ(0)を持
つモデルを全て選び出す（ステップ３０３）。そして、
選び出したモデルの中で、入力図形から計算されたＦ
(0)と（Ｌ₁,...,Ｌ_n，Ａ₁,...,Ａ_n）の値が近いＦ(0)を
持つモデルを選び出す（ステップ３０４）。選び出され
たモデルの集合をＳとする。なお特徴の比較では、各ク
ラスの学習サンプルに対して当業者周知の最近傍法を使
ってもよいし、各クラスについて予め計算しておいた特
徴の統計量（平均、分散、共分散など）を用いて当業者
周知のマハラノビス（Mahalanobis）距離などを計算し
てもよい。

【００３３】制御部１０５において、パラメータｋが０
に初期設定され（ステップ３０５）、終了判定が行われ
る（ステップ３０６）。ここに述べる例では、終了条件
は、モデル集合Ｓの要素が１つ以下である、又は、パラ
メータｋの値が予め決められた最大値以上である、こと
である。

【００３４】終了条件が不成立の場合、制御部１０５に
よってパラメータｋの値が１だけインクリメントされ
（ステップ３０７）、特徴抽出部１０２により入力図形
の特徴ベクトルＦ(k)＝（Ｓ_k(1),...,Ｓ_k(n・2^k)，Ｔ
_k(1),...,Ｔ_k(n・2^k)）が計算される（ステップ３０
８）。そして、特徴照合部３０９において、入力図形か
ら計算された特徴ベクトルＦ(k)と近い値の特徴ベクト
ルＦ(k)を持つモデルがモデル集合Ｓから選び出され、
選び出されたモデルの集合が改めてモデル集合Ｓとされ
る（ステップ３０９）。そして、再び終了判定が行われ
る（ステップ３０６）。終了条件が成立するまで、ステ
ップ３０７〜３０９の処理が繰り返される。終了条件が
成立すると、特徴照合部１０３から、モデル集合Ｓに含
まれる各モデルが認識候補として出力され（ステップ３
１０）、認識処理を終了する。なお、モデル集合Ｓが空
ならば認識結果は「リジェクト」となる。

【００３５】ごこで、例えば図３の（ａ）に示すような
図形が入力されたとする。また、図３の（ａ）及び
（ｂ）に示す図形に相当するモデルが存在するものとす
る。図４の（ａ）及び（ｂ）に示す凸包の近似多角形を
見れば明らかなように、２つのモデル及び入力図形の特
徴ベクトルＦ（０）では、ｎが共に７であり、その他の
要素（Ｌ₁,...,Ｌ_n，Ａ₁,....,Ａ_n）は近い値をとる。
したがって、ステップ３０４の段階で選ばれるモデル集
合Ｓ中に、図３の（ａ）及び（ｂ）に示す図形に相当す
る２つのモデルが含まれているであろう。次に、特徴ベ
クトルＦ(1)の計算と照合が行われるが、図６の（ａ）
及び（ｂ）を見れば明らかなように、２つのモデルと入
力図形の特徴ベクトルＦ(1)はほぼ同じ値をとるため、
特徴ベクトルＦ(1)では認識候補を２つのモデルの一方
に絞り込むことはできない。そこで、次に特徴ベクトル
Ｆ(2)の計算と照合が行われる。図８の（ａ）及び
（ｂ）を比較すれば明らかなように、それぞれの特徴ベ
クトルＦ(2)では明確な差が生じ、図３（ａ）に示す図
形に相当するモデルだけが認識候補として残る。この例
のように、特徴ベクトル列（Ｆ(0)，Ｆ(1),...）を使っ
て階層的に認識候補を絞り込むことが可能であり、対象
図形の複雑度などに応じて適応的に特徴の細かさ、つま
り階層数を調節し、効率的な図形認識が可能である。

【００３６】図１０は、本発明の図形分類方法及び装置
の一実施形態としての図形分類システムのブロック図で
ある。図１０において、４００は分類対象の図形の集合
が格納されている図形集合記憶部、４０１は前記図形認
識システムにおける特徴抽出部１０２と同様の階層的な
図形特徴を抽出する特徴抽出部である。図形集合記憶部
４００内の図形は既に輪郭抽出が済んでいるものとして
説明するが、輪郭抽出が必要な場合は特徴抽出部４０１
において特徴抽出に先だって図形の輪郭抽出が行われ
る。４０２はクラスタリング部であり、特徴抽出部４０
１によって抽出された階層的な図形特徴を用いて階層的
に図形のクラスタリングを行う。４０４は分類結果が格
納される分類結果記憶部である。４０３はシステムの各
部の制御及び全体の処理の流れの制御を行うとともに、
クラスタリング部４０２によるクラスタリングの結果か
ら分類結果データを作成し分類結果記憶部４０４に格納
する制御部である。

【００３７】図１１は、この図形分類システムの処理の
流れを示すフローチャートである。以下、このフローチ
ャートを参照しながら図形分類処理の内容を説明する。

【００３８】まず、制御部４０３において図形集合記憶
部４００に記憶されている全ての図形の集合をＣ⁰と設
定し（ステップ５００）、一連の処理が開始する。まず
特徴抽出部４０１において、図形集合Ｃ⁰の各図形の特
徴ベクトルＦ(0)＝（ｎ，Ｌ₁,...,Ｌ_n，Ａ₁,...,Ａ_n）
を計算する（ステップ５０１）。クラスタリング部４０
２において図形集合Ｃ⁰を、Ｆ(0)のｎの値が同じ図形の
クラスタに分割する（ステップ５０２）。制御部４０３
は、分割してできたクラスタの数をＮとして、各図形ク
ラスタをＣ₁,Ｃ₂，...,Ｃ_Nとする（ステップ５０２）。

【００３９】次に、制御部４０３でパラメータｋの値を
１に設定する（ステップ５０３）。クラスタリング部４
０２において、図形集合Ｃ_kの各図形に対し、Ｆ(0)のｎ
を除いたベクトル（Ｌ₁,...,Ｌ_n，Ａ₁,...,Ａ_n）にクラ
スタリングのアルゴリズムを適用し（当業者周知の階層
的クラスタリング、最大距離クラスタリング、Ｋ平均ア
ルゴリズム、Ｉｓｏｄａｔａアルゴリズム等、任意のア
ルゴリズムを使用してよい）、図形集合Ｃ_kをいくつか
の図形クラスタに分割する（ステップ５０４）。制御部
４０３で、パラメータｋを１だけインクリメントし（ス
テップ５０５）、ｋの値がＮ以下であるかチェックする
（ステップ５０６）。ｋの値がＮ以下ならば、クラスタ
リング部４０２において図形集合Ｃ_kに対し（Ｌ₁,...,
Ｌ_n，Ａ₁,...,Ａ_n）によるクラスタリングを行い、図形
集合Ｃ_kをいくつかの図形クラスタに分割する（ステッ
プ５０４）。パラメータｋの値がＮを超えるまで、同様
のクラスタリング処理が繰り返される。

【００４０】制御部４０３は、分割してできた図形クラ
スタの総数を改めてＮとし、それら図形クラスタを
Ｃ⁰ ₁，Ｃ⁰ ₂,...,Ｃ⁰ _Nとし（ステップ５０７）、パラメ
ータｊとｋの値を１に設定する（ステップ５０８，５０
９）。そして、特徴抽出部４０１において、図形クラス
タＣ^j-1 _kの各図形について、特徴ベクトルＦ(j)＝（Ｓ_j
(1),...,Ｓ_j(n・2^j)，Ｔ_j(1),...,Ｔ_j(n・2^j)）を計算し
（ステップ５１０）、クラスタリング部４０２におい
て、特徴ベクトルＦ(j)にクラスタリングのアルゴリズ
ムを適用することにより、図形集合Ｃ^j-1 _kをいくつかの
図形クラスタに分割する（ステップ５１１）。制御部４
０３でパラメータｋの値が１だけインクリメントされ
（ステップ５１２）、その値がＮ以下であるかチェツク
される（ステップ５１３）。パラメータｋの値がＮ以下
であれば、ステップ５１０からの処理が繰り返され、次
の図形集合Ｃ^j-1 _kについて同じ階層の特徴ベクトルF(j)
によるクラスタリングが行われる。

【００４１】パラメータｋの値がＮを超えると、制御部
４０３は、分割してできた図形クラスタの総数を改めて
Ｎとし、それら図形クラスタをＣ^j ₁，Ｃ^j ₂,...,Ｃ^j _Nと
し（ステップ５１４）、パラメータｊを１だけインクリ
メントし（ステップ５１５）、パラメータｊの値が予め
決めた最大値以下であるかチェックする（ステップ５１
６）。

【００４２】パラメータｊの値が最大値以下ならば、ス
テップ５０９からの処理が繰り返され、次の階層の特徴
ベクトルＦ(j)によるクラスタリング処理が繰り返され
る。パラメータｊの値が最大値を超えたときに分類処理
が終了する。

【００４３】以上の分類処理により、図形集合Ｃ⁰は、
図１２に示すように階層的に分類され、この分類結果を
記述するデータが制御部４０３によって作成され分類結
果記憶部４０４に格納される。図１２において、図形ク
ラスタＣ^j _kのパラメータｊは分類の階層レベルを表し、
パラメータkは同一階層でのクラスタ番号である。な
お、ステップ５０２による図形クラスタＣ₁，
Ｃ₂，．．．は図１２には表されていない。

【００４４】ここまでの説明から理解されるように、こ
の図形分類システムによれば、対象図形の複雑度などに
応じて、適応的に分類に利用する特徴の細かさ、すなわ
ち階層の深さを調節することにより、効率的な図形分類
が可能である。

【００４５】本発明は、例えば図１３に示すようなＣＰ
Ｕ６００、メモリ６０１、ハードディスク等の大容量記
憶装置６０２、イメージスキャナ６０３、フロッピーデ
ィスクやＣＤ−ＲＯＭなどの記録媒体６０５の読み書き
のための媒体ドライブ６０４、外部機器との入出力イン
ターフェース６０６などをシステムバス６０７で接続し
たようなコンピュータを利用し、ソフトウエアにより実
施することも可能である。この場合、図９に示すような
図形認識の各処理ステップもしくは図１に示すような図
形分類システムの各機能部の機能をコンピュータ上で実
行、実現させるためのプログラム６１０、あるいは、図
１１に示すような図形分類の各処理ステップもしくは図
１０に示す図形認識システムの各機能部の機能をコンピ
ュータ上で実行、実現させるためのプログラム６１１
は、それが記録された記録媒体６０５から媒体ドライブ
６０４により読み込まれ、例えば大容量記憶装置６０２
に格納され、実行時にメモリ６０１にロードされる。モ
デル記憶部１０４、図形集合記憶部４００、分類結果記
憶部４０４として、大容量記憶装置６０２又はメモリ６
０１が利用される。また、認識すべき画像は、例えばイ
メージスキャナ６０３を利用して入力され、又は、記録
媒体６０５から読み込まれ、あるいは入出力インターフ
ェース６０６を介して外部機器から入力される。図形認
識の結果は、例えば大容量記憶装置６０２に書き出さ
れ、あるいは入出力インターフェース６０６を介して外
部機器に出力される。

【００４６】

【発明の効果】以上に詳細に説明したように、請求項１
乃至４の各項記載の発明によれば、図形輪郭の階層的な
形状特徴を利用することにより、認識対象に応じて適応
的に階層の深さを調節し効率的に図形の認識又は階層的
分類を行うことができる。請求項５又は６記載の発明に
よれば、そのような効率的な図形認識又は分類をコンピ
ュータを利用して容易に実施することができる。請求項
７記載の発明によれば、図形輪郭の再帰的な階層構造を
利用し、対象図形の複雑さに応じた階層的な図形特徴を
効率よく抽出することができる、等々の効果を得られ
る。

【図面の簡単な説明】

【図１】本発明による図形認識システムのブロック図で
ある。

【図２】特徴抽出処理のフローチャートである。

【図３】図形輪郭の例を示す図である。

【図４】図３の図形輪郭の凸包の近似多角形を示す図で
ある。

【図５】図４の（ａ）の多角形の特徴ベクトルＦ(0)の
説明図である。

【図６】図６は図４の多角形の辺分割を１回行って得ら
れる多角形を示す図である。

【図７】図４の（ａ）の多角形の辺分割と、その特徴の
説明図である。

【図８】図４の多角形の辺分割を２回行って得られる多
角形を示す図である。

【図９】図形認識処理のフローチャートである。

【図１０】本発明の図形分類システムのブロック図であ
る。

【図１１】図形分類システムのフローチャートである。

【図１２】図形分類結果を示す図である。

【図１３】本発明をソフトウエアにより実施するための
コンピュータの一例を示すブロック図である。

【符号の説明】

１００画像入力部１０１図形輪郭抽出部１０２特徴抽出部１０３特徴照合部１０４モデル記憶部１０５制御部４００図形集合記憶部４０１特徴抽出部４０２クラスタリング部４０３制御部４０４分類結果記憶部６０５記録媒体６１０図形認識のためのプログラム６１１図形分類のためのプログラム

Claims

【特許請求の範囲】

【請求項１】入力図形の輪郭の凸包の近似多角形を記
述するパラメータと、該凸包の近似多角形を初期多角形
として辺を再帰的に２分割していくことにより該入力図
形を階層的に多角形近似する過程における各階層での多
角形の生成パラメータをそれぞれ特徴量として用い、該
入力図形を階層的に認識することを特徴とする図形認識
方法。
【請求項２】特徴抽出部、特徴照合部、及び、モデル
記憶部を具備し、該特徴抽出部は入力図形の輪郭の凸包
の近似多角形を求め、該近似多角形を初期多角形として
辺を再帰的に２分割していくことにより該入力図形を階
層的に多角形近似し、該初期多角形を記述するパラメー
タと、該階層的な多角形近似の過程における各階層での
多角形の生成パラメータをそれぞれ特徴量として抽出
し、該特徴照合部は該特徴抽出部により抽出された各特
徴量を該モデル記憶部に格納されているモデルの特徴量
と階層的に照合することにより認識候補を絞り込むこと
を特徴とする図形認識装置。
【請求項３】分類対象の図形集合中の各図形の輪郭の
凸包の近似多角形を記述するパラメータと、該各図形の
凸包の近似多角形を初期多角形として辺を再帰的に２分
割していくことにより該各図形を階層的に多角形近似し
ていく過程における各階層での多角形の生成パラメータ
をそれぞれ特徴量として用いて、該図形集合中の図形を
階層的に複数のクラスタに分割することを特徴とする図
形分類方法。
【請求項４】特徴抽出部、及び、クラスタリング部を
具備し、該特徴抽出部は、分類対象の図形集合中の各図
形の輪郭の凸包の近似多角形を記述するパラメータと、
該各図形の凸包の近似多角形を初期多角形として辺を再
帰的に２分割していくことにより該各図形を階層的に多
角形近似していく過程における各階層での多角形の生成
パラメータをそれぞれ特徴量として抽出し、該クラスタ
リング部は該特徴抽出部により抽出された各特徴量にク
ラスタリング・アルゴリズムを適用することにより該図
形集合中の図形を階層的に複数のクラスタに分割するこ
とを特徴とする図形分類装置。
【請求項５】入力図形の輪郭の凸包を求める処理、該
凸包の近似多角形を求める処理、該近似多角形を初期多
角形として辺を再帰的に２分割していくことにより該入
力図形を階層的に多角形近似する処理、該初期多角形を
記述するパラメータと、該階層的な多角形近似の過程に
おける各階層での多角形の生成パラメータをそれぞれ特
徴量として抽出する処理、及び、該抽出された各特徴量
をモデルの特徴量と階層的に照合することにより認識候
補を絞り込む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ている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】分類対象の図形集合中の各図形の輪郭の
凸包の近似多角形を記述するパラメータを特徴量として
抽出する処理、該近似多角形を初期多角形として辺を再
帰的に２分割していくことにより該各図形を階層的に多
角形近似していく過程における各階層での多角形の生成
パラメータを特徴量として抽出する処理、及び、該抽出
された各特徴量にクラスタリング・アルゴリズムを適用
することにより、該図形集合中の図形を階層的に複数の
クラスタに分割する処理をコンピュータに実行させるた
のプログラムが記録されている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】図形の輪郭の凸包の近似多角形を求め、
該近似多角形を初期多角形として辺を再帰的に２分割し
ていくことにより該図形を階層的に多角形近似し、該初
期多角形を記述するパラメータと、該階層的な多角形近
似の過程における各階層での多角形の生成パラメータと
を特徴量として抽出することを特徴とする階層的な図形
特徴抽出方法。