JP2002304626A - データ分類装置および物体認識装置 - Google Patents

データ分類装置および物体認識装置

Info

Publication number
JP2002304626A
JP2002304626A JP2002013337A JP2002013337A JP2002304626A JP 2002304626 A JP2002304626 A JP 2002304626A JP 2002013337 A JP2002013337 A JP 2002013337A JP 2002013337 A JP2002013337 A JP 2002013337A JP 2002304626 A JP2002304626 A JP 2002304626A
Authority
JP
Japan
Prior art keywords
class
data
model
category
model data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2002013337A
Other languages
English (en)
Other versions
JP3938872B2 (ja
Inventor
Mihoko Shimano
美保子 島野
Kenji Nagao
健司 長尾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Holdings Corp
Original Assignee
Matsushita Electric Industrial Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Matsushita Electric Industrial Co Ltd filed Critical Matsushita Electric Industrial Co Ltd
Priority to JP2002013337A priority Critical patent/JP3938872B2/ja
Priority to US10/059,143 priority patent/US6912527B2/en
Publication of JP2002304626A publication Critical patent/JP2002304626A/ja
Application granted granted Critical
Publication of JP3938872B2 publication Critical patent/JP3938872B2/ja
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99931—Database or file accessing
    • Y10S707/99937—Sorting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99941—Database schema or data structure
    • Y10S707/99943—Generating database or data structure, e.g. via user interface

Landscapes

  • Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

(57)【要約】 【課題】 カテゴリの分布に関わらず、入力デー
タを正確なカテゴリに分類すること。 【解決手段】 本発明は、複数のモデルデータからな
るモデルデータ群を所定の項目に従って分類することで
モデルデータ群をアプリケーションが求めるカテゴリよ
り小さい分布を持つクラス毎に分類し、このクラスの代
表値と入力された入力データを比較し、入力データと最
も類似度の高い代表値を持つクラスを判定し、この判定
したクラスが属するカテゴリを求めることで入力データ
のカテゴリを求めるようにしたものである。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、入力されたデータ
をカテゴリに分類するデータ分類装置およびデータ分類
装置を具備した物体認識装置に関する。
【０００２】
【従来の技術】従来より、入力された入力データを、ア
プリケーションが求めるカテゴリに分類するデータ分類
装置がある。従来のデータ分類装置は、入力データがど
のカテゴリに入るかを分類する際に、まず、入力データ
のベクトルと、夫々のカテゴリの代表ベクトルとを求め
る。カテゴリの代表ベクトルは、カテゴリに含まれる全
モデルデータのベクトルの重心ベクトルである。
【０００３】次に、従来のデータ分類装置は、入力デー
タのベクトルと、カテゴリの代表ベクトルとを比較し、
入力データのベクトルと最も類似度の高い代表ベクトル
を持つカテゴリを検出する。そして、従来のデータ分類
装置は、入力データを、最も類似度の高い代表ベクトル
を持つカテゴリに分類する。
【０００４】
【発明が解決しようとする課題】しかしながら、カテゴ
リの代表ベクトルが正確にカテゴリの分布を示さない場
合がある。例えば、図１９に示すように、カテゴリＡが
広くかつ中心部分が空になるように分布し、カテゴリＢ
が小さくかつカテゴリＡの中心部分に分布している場合
である。この場合、カテゴリＡの代表ベクトルの位置は
ａ点に、カテゴリＢの代表ベクトルはｂ点になり、それ
ぞれのカテゴリの代表ベクトル間の位置が非常に近くな
る。そこに、点ｃのベクトルであらわされる入力データ
が入力されると、入力データはカテゴリＡの代表ベクト
ルと類似度が高く、入力データはカテゴリＡに分類され
ることになる。しかし、実際には、カテゴリＡとカテゴ
リＢの分布を考えると、入力データはカテゴリＢと類似
度が高く、カテゴリＢに分類されるべきである。
【０００５】このように、従来のデータ分類装置におい
ては、入力データが適切なカテゴリに分類されない場合
がある。
【０００６】本発明は、かかる点に鑑みてなされたもの
であり、カテゴリの分布に関わらず、入力データを正確
なカテゴリに分類することを目的とする。
【０００７】
【課題を解決するための手段】本発明は、複数のモデル
データからなるモデルデータ群を所定の項目に従って分
類することでモデルデータ群をアプリケーションが求め
るカテゴリより小さい分布を持つクラス毎に分類し、こ
のクラスの代表値と入力された入力データを比較し、入
力データと最も類似度の高い代表値を持つクラスを判定
し、この判定したクラスが属するカテゴリを求めること
で入力データのカテゴリを求めるようにしたものであ
る。
【０００８】これにより、入力データとクラスを比較す
ることで、入力データの属するカテゴリが求められる。
この結果、カテゴリの分布の大小に関わらず、入力デー
タを正確なカテゴリに分類することができるので、デー
タ分類の精度を上げることができ、実用的なデータ分類
をすることが可能となる。
【０００９】
【発明の実施の形態】本発明の第１の態様にかかるデー
タ分類装置は、複数のモデルデータからなるモデルデー
タ群を所定の項目に従って分類することで前記モデルデ
ータ群をアプリケーションが求める分類であるカテゴリ
より小さい分布を持つクラス毎に分類するクラス構築手
段と、前記クラス毎に分類された前記モデルデータ群の
データを用いて前記クラスの代表値を求める代表値算出
手段と、外部から入力された入力データと前記代表値と
を比較し、前記入力データと最も類似度の高い前記代表
値を持つ前記クラスを判定するクラス判定手段と、判定
した前記クラスを用いて前記入力データの属する前記カ
テゴリを求めるカテゴリ判定手段と、を具備した構成を
採る。
【００１０】この構成により、入力データとクラスの代
表値を比較することで、入力データの属するクラスが求
めることができ、さらに、入力データの属するクラスか
ら入力データの属するカテゴリを求めることができる。
また、クラスはカテゴリよりも小さい分布を持つので入
力データの属するクラスを正確に求めることができるの
で、入力データの属するクラスから入力データの属する
カテゴリが正確に判断できる。つまり、カテゴリの分布
の大小に関わらず、入力データの属するカテゴリが正確
に判断できる。よって、データ分類の精度を上げること
ができ、実用的なデータ分類をすることが可能となる。
【００１１】本発明の第２の態様は、第１の態様にかか
るデータ分類装置において、前記クラスは、複数の前記
カテゴリに属さないような分布を持つ。
【００１２】このように、クラスが複数のカテゴリに属
さないようにクラスを細分化することにより、入力デー
タの属するクラスから入力データの属するカテゴリを正
確に判定できる。
【００１３】本発明の第３の態様は、第２の態様にかか
るデータ分類装置において、前記カテゴリ判定手段が前
記入力データの属する前記カテゴリが複数あると判断し
た場合に、前記クラス構築手段が前記所定の項目に新た
な項目を加えて前記クラスを分類することで、前記クラ
スの分布が複数の前記カテゴリに属さないようにする。
【００１４】このように、クラスの分布が複数のカテゴ
リに属さないようになるまで、クラスの再構成を行うこ
とで、モデルデータ群を適切にクラス分けすることがで
きる。この結果、入力データの属するクラスから入力デ
ータの属するカテゴリを正確に判定できる。
【００１５】本発明の第４の態様は、第１の態様から第
３の態様のいずれかにかかるデータ分類装置において、
前記クラス毎の特徴が明確になるように座標系に変換す
る特徴抽出行列を算出する行列算出手段を具備し、前記
カテゴリ判定手段は前記特徴抽出行列により変換した前
記入力データおよび前記代表値を比較することで前記入
力データと最も類似度の高い前記代表値を持つ前記クラ
スを判定する。
【００１６】このように、入力データとクラスの比較
が、各クラスの特徴が大きく現れた座標系で行うことが
できる。このように、分類に適した座標系に変換した後
に、入力データとクラスとを比較することで、入力デー
タの正確な比較を行える。よって、入力データとクラス
の分類が正確に行える。
【００１７】本発明の第５の態様は、第４の態様にかか
るデータ分類装置において、前記行列算出手段は、前記
クラス内の前記モデルデータ群のクラス内分散が小さく
なるように座標系を変換する特徴抽出行列を算出する。
【００１８】これにより、クラス内のモデルデータの分
布を小さくした状態で、入力データとクラスとの比較を
行える。つまり、クラスの分布の特徴が明らかな状態で
入力データとクラスとの比較を行えるので、入力データ
のクラスとの比較が正確に行えるようになる。
【００１９】本発明の第６の態様は、第４の態様にかか
るデータ分類装置において、前記行列算出手段は、前記
クラスの前記クラス間のクラス間分散が大きくなるよう
に座標系を変換する特徴抽出行列を算出する。
【００２０】これにより、クラス間のクラス分布を大き
くした状態で、入力データとクラスとの比較を行える。
つまり、クラスの分布の特徴が明らかな状態で入力デー
タとクラスとの比較を行えるので、入力データのクラス
との比較が正確に行えるようになる。
【００２１】本発明の第７の態様は、第４の態様にかか
るデータ分類装置において、前記行列算出手段は、前記
クラス内の前記モデルデータ群のクラス内分散が小さ
く、かつ前記クラスの前記クラス間のクラス間分散が大
きくなるように座標系を変換する特徴抽出行列を算出す
る。
【００２２】これにより、クラス内のモデルデータの分
布を小さくすると共に、クラス間のクラス分布を大きく
した状態で、入力データとクラスとの比較を行える。つ
まり、クラスの分布の特徴が明らかな状態で入力データ
とクラスとの比較を行えるので、入力データのクラスと
の比較が正確に行えるようになる。
【００２３】本発明の第８の態様は、第７の態様にかか
るデータ分類装置において、前記行列算出手段は、前記
クラス内に含まれる前記モデルデータ群のクラス内共分
散行列に対する前記クラス間のクラス間共分散行列の比
である分散比が最大になるように座標系を変換する特徴
抽出行列を算出する。
【００２４】このような分散比が最大となる座標系に変
換することで、クラス間共分散ができるだけ大きくかつ
クラス内共分散ができるだけ小さくなる。また、分散比
が最大となる座標系に変換する行列を求めることで、特
徴抽出行列を容易に求めることができる。
【００２５】本発明の第９の態様は、第７の態様にかか
るデータ分類装置において、前記行列算出手段は、前記
クラス内に含まれる前記モデルデータ群のクラス内共分
散行列に対する前記モデルデータ群の共分散行列との比
である分散比が最大になるように座標系を変換する特徴
抽出行列を算出する。
【００２６】このような分散比が最大となる座標系は、
モデルデータ群の共分散行列が大きくかつクラス内共分
散が小さくなる座標系であるので、この分散比が最大と
なる座標系に変換する行列を求めることで、特徴抽出行
列を容易に求めることができる。
【００２７】本発明の第１０の態様は、第８の態様また
は第９の態様にかかるデータ分類装置において、前記ク
ラス構築手段は、前記全モデルデータ群の共分散行列が
単位行列になる座標系に変換してから、前記モデルデー
タ群のクラス分けを行う。
【００２８】これにより、全モデルデータの共分散行列
が単位行列になるように座標系を変換してからクラス分
けを行うことができる。この結果、、容易に特徴抽出行
列を求められる。
【００２９】本発明の第１１の態様は、第１の態様から
第１０の態様のいずれかにかかるデータ分類装置におい
て、前記クラス構築手段は、前記クラス内の前記モデル
データ群のクラス内分散が最小になるように前記モデル
データ群のクラス分けを行う。
【００３０】このようにクラス内分散を小さくするよう
にモデルデータをクラス分けすることで、クラス間の特
徴を明確にできる。
【００３１】本発明の第１２の態様は、第１の態様から
第１１の態様のいずれかにかかるデータ分類装置におい
て、前記モデルデータを前記モデルデータから取り出し
た一部のデータの画素値を１次元ベクトルに表現したモ
デルパターンベクトルとして扱い、前記入力データを前
記入力データから取り出した一部のデータの画素値を１
次元ベクトルに表現した入力パターンベクトルとして扱
う。
【００３２】これにより、モデルデータおよび入力デー
タの分類対象の領域を絞り込むことができ、入力データ
の属するクラスの判定が効率的かつ正確にできる。
【００３３】本発明の第１３の態様にかかる物体認識装
置は、第１の態様から第１２の態様のいずれかに記載の
データ分類装置を具備し、前記カテゴリを物体の種別と
し前記モデルデータを前記種別で分類し、前記入力デー
タの属する前記カテゴリを判定することで、前記入力デ
ータの前記種別を判定する。
【００３４】この構成により、正確に入力データの種別
を判定することができる。
【００３５】本発明の第１４の態様にかかる物体認識装
置は、第１の態様から第１２の態様のいずれかに記載の
データ分類装置を具備し、前記カテゴリを物体までの距
離とし前記モデルデータを前記物体までの距離で分類
し、前記入力データの属する前記カテゴリを判定するこ
とで、前記入力データの実空間上の距離を判定する。
【００３６】この構成により、正確に入力データの実空
間上の距離を判定することができる。
【００３７】本発明の第１５の態様は、複数のモデルデ
ータからなるモデルデータ群を所定の項目に従って分類
することで前記モデルデータ群をアプリケーションが求
めるカテゴリより小さい分布を持つクラス毎に分類し、
前記クラス毎に分類された前記モデルデータ群から前記
クラスの代表値を求め、外部から入力された入力データ
と前記代表値とを比較し、前記入力データと最も類似度
の高い前記代表値を持つ前記クラスを判定し、判定した
前記クラスを用いて前記入力データの属する前記カテゴ
リを求めることを特徴とするデータ分類方法である。
【００３８】本発明の第１６の態様は、コンピュータ
に、複数のモデルデータからなるモデルデータ群を所定
の項目に従って分類することで前記モデルデータ群をア
プリケーションが求めるカテゴリより小さい分布を持つ
クラス毎に分類させ、前記クラス毎に分類された前記モ
デルデータ群から前記クラスの代表値を求めさせ、外部
から入力された入力データと前記代表値とを比較させ、
前記入力データと最も類似度の高い前記代表値を持つ前
記クラスを判定させ、判定した前記クラスを用いて前記
入力データの属する前記カテゴリを求めさせることを特
徴とするプログラムである。
【００３９】（実施の形態１）以下、本発明の実施の形
態１にかかるデータ分類装置について添付図面を用いて
説明する。まず、実施の形態１におけるデータ分類装置
の構成について図１を用いて説明する。図１は、実施の
形態１にかかるデータ分類装置のブロック図である。
【００４０】実施の形態１にかかるデータ分類装置１０
０は、コンピュータシステム１０１を中心とした構成を
採っている。
【００４１】コンピュータシステム１０１には、プログ
ラムに基づいて所定の処理を行うＣＰＵ１０２が設けら
れている。プログラムは、メモリ１０３に格納されてい
る。また、メモリ１０３は、プログラムを格納するほか
に、ＣＰＵ１０２のワーク用のメモリとして使用され
る。
【００４２】また、コンピュータシステム１０１には、
外部とのデータのやり取りをするインターフェースユニ
ット（以下、Ｉ／Ｆとする）１０４〜１０７が設けられ
ている。
【００４３】Ｉ／Ｆ１０４は、ＣＰＵ１０２により制御
され、外部に設けられた画像データを保存する大規模な
画像データベース１０８から送られてくる画像データを
受信し、画像メモリ１０９に格納する。なお、画像デー
タベース１０８は、２次記憶装置や光磁気ディスクなど
で構成されている。また、Ｉ／Ｆ１０４は、画像メモリ
１０９に格納されたデータを読み出す動作もする。
【００４４】Ｉ／Ｆ１０５は、ＣＰＵ１０２により制御
され、物体の画像を撮影するためのビデオカメラ（以
下、カメラという）１１０から送られてきた画像データ
を受信し、画像メモリ１１１に格納する。また、Ｉ／Ｆ
１０５は、画像メモリ１１１に格納されたデータを読み
出す動作もする。
【００４５】Ｉ／Ｆ１０６は、入力手段であるキーボー
ド１１２から入力された情報をＣＰＵ１０２などに送
る。また、Ｉ／Ｆ１０６は、表示手段であるディスプレ
イ１１３に対して表示データを送信する。
【００４６】Ｉ／Ｆ１０７は、カメラ１１０から入力さ
れた画像データをデータ分類装置１００が分類した結果
を出力端子１１８に対して送信する。なお、入力された
画像データを分類する処理については後述する。
【００４７】また、コンピュータシステム１０１には、
画像メモリ１０９、１１１に格納された画像データの画
素値を１次元ベクトルに表現したパターンベクトルを格
納するパターンベクトルメモリ１１４が設けられてい
る。また、画像データをパターンベクトルに変換する処
理は、ＣＰＵ１０２が行う。
【００４８】また、コンピュータシステム１０１には、
画像データベース１０８から入力された種々のモデルで
ある画像データ（以下、モデルデータという）をパター
ンベクトルに変換したモデルパターンベクトルを格納し
ているカテゴリ構成モデルデータデータベース１１５が
設けられている。カテゴリ構成モデルデータデータベー
ス１１５に格納されたパターンベクトルは、カテゴリ毎
に分類されて格納されている。
【００４９】また、コンピュータシステム１０１には、
カテゴリ構成モデルデータデータベース１１５に格納さ
れたカテゴリ構成のモデルデータを、カテゴリよりも小
さい分布をもつクラス毎に分類し格納したクラス構成モ
デルデータデータベース１１６が設けられている。ま
た、カテゴリ構成されたモデルデータをクラス構成に再
構成する処理は、ＣＰＵ１０２が行う。
【００５０】また、コンピュータシステム１０１内部の
各構成は、ＣＰＵバス１１７により接続されており、Ｃ
ＰＵバス１１７を介して情報の送受信を行う。
【００５１】以上のように構成されたデータ分類装置１
００は、カメラ１１０から入力された画像データ（以
下、入力画像データ）がクラス構成モデルデータデータ
ベース１１６に登録されているクラスのうち、どのクラ
スに一番類似しているかを判断することでデータ分類を
行う。データ分類装置１００のデータ分類処理は、カテ
ゴリ毎に分けられたカテゴリ構成モデルデータデータベ
ース１１５からクラス構成モデルデータデータベース１
１６の構築を行うオフライン処理と、入力画像データが
クラス構成モデルデータデータベース１１６のどのクラ
スに最も類似するかのクラス判定を行うオンライン処理
とに大別される。
【００５２】次に、データ分類装置１００のオフライン
処理について説明する。オフライン処理の目的は、カテ
ゴリ構成モデルデータデータベース１１５から、クラス
構成モデルデータデータベース１１６を構築することで
ある。このオフライン処理が、本発明の特徴である。ま
ず、データ分類装置１００のオフライン処理を行うため
の構成について図２を用いて説明する。図２は、実施の
形態１にかかるデータ分類装置のオフライン処理のため
の機能ブロック図である。なお、既に説明した部分と同
一の部分には同一の符番を付与する。
【００５３】画像データベース１０８には、複数のモデ
ルデータが格納されている。モデルデータは、Ｉ／Ｆ１
０４を介して画像メモリ１０９に格納される。
【００５４】また、データ分類装置１００には、画像メ
モリ１０９に格納されたモデルデータからモデルパター
ンを作成し、さらにモデルパターンからパターンベクト
ルを作成するパターンベクトル作成部２０１が設けられ
ている。モデルパターンは、モデルデータから任意に長
方形の部分画像を抽出したものである。パターンベクト
ルは、モデルパターンの画素値を１次元ベクトルに表現
したベクトルである。なお、モデルパターンの大きさ及
びその形はいかなる物であっても良い。また、パターン
ベクトルは、エッジ画像をベクトル化したものであって
も、二値画像の座標情報を１次元ベクトルに表現したベ
クトル等であっても良い。
【００５５】次に、パターンベクトル作成部２０１は、
作成したパターンベクトルに対応するモデルパターン
（モデルデータでも良い）をディスプレイ１１３に表示
する。そして、パターンベクトル作成部２０１は、表示
されたモデルパターンを見たユーザがキーボード１１２
から入力した、モデルパターンに対応するカテゴリ情報
を得る。そして、パターンベクトル作成部２０１は、作
成したパターンベクトルを、ユーザが入力したカテゴリ
毎に分類した状態で、カテゴリ構成モデルデータデータ
ベース１１５に格納する。なお、ユーザが入力するカテ
ゴリ情報は、データ分類装置１００のアプリケーション
が求めるカテゴリ情報である。
【００５６】また、パターンベクトル作成部２０１は、
カテゴリ構成モデルデータデータベース１１５に作成し
たモデルデータのパターンベクトルを格納する際に、パ
ターンベクトルに分類したカテゴリ名を記述したラベル
をつける。また、ラベルとは、モデルパターンの種類や
所属等を表現する情報である。
【００５７】カテゴリ構成モデルデータデータベース１
１５の構成について、図３を用いて説明する。図３は、
実施の形態１にかかるカテゴリ構成モデルデータデータ
ベースの構成を示す図である。
【００５８】図３からわかるようにカテゴリ構成モデル
データデータベース１１５には、アプリケーションが求
めるカテゴリ４０１と、カテゴリ４０１に対応するモデ
ルデータ４０２との組が複数格納されている。なお、カ
テゴリ構成モデルデータデータベース１１５に格納され
るモデルデータはパターンベクトルになっている。
【００５９】また、アプリケーションが求めるカテゴリ
としては、人物を示す「Ａさん」「Ｂさん」「Ｃさん」
などのカテゴリや、車のタイプを示す「セダン」「トラ
ック」「ＲＶ」などのカテゴリや、物体までの距離を示
す情報など、さまざまなカテゴリが考えられる。また、
カテゴリ４０１に対応するモデルデータには、カテゴリ
４０１の名前のラベルが付与されている。図３の例で
は、画像ａ１、画像ａ２には「Ａ」というラベルが、画
像ｂ１、画像ｂ２には「Ｂ」というラベルが、画像ｃ
１、画像ｃ２には「Ｃ」というラベルが、付与されてい
る。
【００６０】また、データ分類装置１００には、カテゴ
リ構成モデルデータデータベース１１５にカテゴリ毎に
格納されたモデルデータをデータ分類装置１００が分類
しやすくなるようなクラス構成に再構成するクラス構成
構築部２０２が設けられている。クラス構成構築部２０
２は、カテゴリ構成モデルデータデータベース１１５か
らパターンベクトルを抽出し、パターンベクトルをモデ
ルパターンに変換しＩ／Ｆ１０６を介してディスプレイ
１１３に送信し、表示する。そして、クラス構成構築部
２０２は、ディスプレイ１１３に表示されたモデルパタ
ーンを見たユーザがキーボード１１２から入力した、所
定の項目に対応するモデルパターンの種別情報をＩ／Ｆ
１０６を介して得る。そして、クラス構成構築部２０２
は、カテゴリ構成モデルデータデータベース１１５のパ
ターンベクトルをモデルパターンの種別情報によりクラ
ス構成に構成し直した状態で、クラス構成モデルデータ
データベース１１６に格納する。
【００６１】また、所定の項目とは、モデルデータ（モ
デルパターン）をクラス分けするための基準情報であ
る。また、本実施の形態では、クラスに分類する際の項
目をアプリケーションの要する分類目的に従って自由
に、複数かつ階層化して持つことができる。項目の具体
例としては、モデルパターンの大きさ、モデルパターン
のエッジ画像のエッジ量、モデルパターンの平均濃淡値
レベル（白〜灰〜黒、あるいは色）、モデルパターンの
種類、モデルパターンの形状、撮影カメラの種類、モデ
ルパターンの色、モデルデータとカメラ間の距離、モデ
ルデータの撮影時期、モデルデータが人の顔データの場
合には顔の向き、表情、顔の色、および髪型、モデルデ
ータを撮影した際の光源の種類、モデルデータの撮影し
た際の光源の方向、画像内のサイズ、などがある。
【００６２】また、ユーザがキーボード１１２から入力
する種別情報は、項目によりモデルデータ（モデルパタ
ーン）を分類する情報である。入力する種別情報は、例
えば、分類モデルパターンをクラス分けする項目が、モ
デルデータのパターンの大きさである場合は「大」
「中」「小」などの大きさ情報、項目がモデルデータの
エッジ画像のエッジ量である場合はエッジ量情報、項目
がモデルデータの平均濃淡値レベル（白〜灰〜黒、ある
いは色）である場合は平均濃淡値レベル情報、項目がモ
デルデータの種類である場合は人物名や車名などの種類
情報、項目が形状である場合は具体的な形状を示す形状
情報である。
【００６３】また、クラス構成構築部２０２は、クラス
ごとに含まれるモデルデータのパターンベクトルの重心
の値を代表ベクトルとしてクラス構成モデルデータデー
タベース１１６に格納する。なお、クラス毎の代表値
は、モデルデータのパターンベクトルの平均値など、モ
デルデータの特徴が現れる値であれば良い。
【００６４】また、クラス構成構築部２０２は、モデル
データに、分類したクラスのラベルをつけ、クラス構成
モデルデータデータベース１１６に格納する。また、ク
ラスのラベルには、モデルデータが所属するクラスを識
別する情報である（クラス番号やクラス名）と、クラス
の項目の種別が記述される。なお、クラスのラベルに
は、所属するクラスがわかるだけの情報、例えばクラス
の番号のみを記述する形態でも良い。
【００６５】次に、クラス構成モデルデータデータベー
ス１１６の構成について図４を用いて説明する。図４
は、実施の形態１にかかるクラス構成モデルデータデー
タベースの構成を示す図である。
【００６６】図４からわかるようにクラス構成モデルデ
ータデータベース１１６には、クラスの種別を示すクラ
ス番号５０１と、クラスに対応するカテゴリ４０１と、
クラスに対応する項目５０２と、クラスに分類されたモ
デルデータ４０２と、クラスの代表値５０３と、の組が
複数格納されている。図４の例では、項目５０２として
形状５０２ａと大きさ５０２ｂが設定されている。ま
た、夫々のクラスにはラベルとして、クラス番号５０１
と、クラスの項目５０２が記述されている。また、モデ
ルデータはパターンベクトルで格納されている。
【００６７】次に、図５を用いて、カテゴリ構成とクラ
ス構成の関係を説明する。図５は、カテゴリ構成とクラ
ス構成の関係を説明する図である。
【００６８】図５の例では、最上位層の項目が形状であ
り、形状の項目の下位層における項目が大きさである。
そして、図からわかるように、モデルデータは、カテゴ
リで分類され、さらに形状の項目で分類され、さらに大
きさの項目で分類されている。
【００６９】また、本実施の形態では、パターンベクト
ル作成部２０１、クラス構成構築部２０２は、ＣＰＵ１
０２がメモリ１０３に格納されたプログラムを読みこむ
ことで行う。
【００７０】次に、データ分類装置１００のオフライン
処理について、図６のオフライン処理の動作フローチャ
ートを用いて説明する。図６は、実施の形態１にかかる
データ分類装置のオフライン処理の動作フローチャート
である。
【００７１】まず、データ分類装置１００は、画像デー
タベース１０８からモデルデータを入力し、Ｉ／Ｆ１０
４を介して、画像メモリ１０９に蓄積する（Ｓ３０
１）。
【００７２】次に、パターンベクトル作成部２０１が、
画像メモリ１０９に一旦蓄えられたモデルデータからモ
デル部分を取り出し、モデルパターンを作成する。さら
に、パターンベクトル作成部２０１は、モデルパターン
からパターンベクトルを作成する（Ｓ３０２）。次に、
パターンベクトル作成部２０１は、作成したパターンベ
クトルに対応するモデルパターンをディスプレイ１１３
に表示する（Ｓ３０３）。
【００７３】これに対して、ディスプレイ１１３に表示
されたモデルの画像を見たユーザが、キーボード１１２
からモデルパターンに対応するカテゴリ情報を入力す
る。この際に、ユーザが入力するカテゴリ情報は、デー
タ分類装置のアプリケーションが求めるカテゴリ情報で
ある。
【００７４】そして、パターンベクトル作成部２０１
は、キーボード１１２から入力されたカテゴリ情報を得
て（Ｓ３０４）、Ｓ３０２において作成したパターンベ
クトルを予めアプリケーションが求めるカテゴリ毎に分
類する（Ｓ３０５）。
【００７５】次に、パターンベクトル作成部２０１は、
Ｓ３０２において作成したパターンベクトルに、Ｓ３０
５において分類したカテゴリ名を記述したラベルをつ
け、カテゴリ構成モデルデータデータベース１１５に格
納する（Ｓ３０６）。
【００７６】なお、実施の形態１では、パターンベクト
ルのカテゴリを表すラベルをカテゴリに分類した後で付
与するが、モデルデータに初めからカテゴリを表すラベ
ルが付されている形態であってもよい。この形態の場合
には、パターンベクトル作成部２０１がカテゴリのラベ
ルと参照することで、パターンベクトルをカテゴリに分
類し、カテゴリ構成モデルデータデータベース１１５に
格納する。
【００７７】次に、データ分類装置１００は、モデルデ
ータをクラスに分類する処理に移行する。
【００７８】まず、クラス構成構築部２０２が、カテゴ
リ構成モデルデータデータベース１１５を参照し、分類
されたカテゴリ毎にパターンベクトルを抽出し、モデル
パターンに変換しディスプレイ１１３に表示する（Ｓ３
０７）。
【００７９】また、クラス構成構築部２０２は、パター
ンベクトルからモデルパターンを生成できない場合に
は、画像メモリ１０９からパターンベクトルに対応した
モデルデータを抽出し、さらに抽出したモデルデータか
らモデルパターンを作成しディスプレイ１１３に表示す
る。
【００８０】なお、パターンベクトル作成部２０１が作
成したモデルパターンを、クラス構成モデルデータベー
ス１１６に格納しておき、クラス構成構築部２０２がク
ラス構成モデルデータベース１１６からモデルパターン
を抽出する形態でも良い。
【００８１】これに対して、ディスプレイ１１３に表示
されたモデルパターンを見たユーザは、所定の項目によ
り表示されたモデルパターンを分類する。そして、ユー
ザは分類したモデルパターンの種別情報をキーボード１
１２から入力する。
【００８２】そして、クラス構成構築部２０２は、キー
ボード１１２から入力された種別情報を得て（Ｓ３０
８）、モデルデータを項目に従って分類する（Ｓ３０
９）。
【００８３】次に、クラス構成構築部２０２は、設定さ
れた項目全てに対してモデルデータの分類ができたか判
断する（Ｓ３１０）。そして、Ｓ３１０において、必要
とする全ての項目に対してモデルデータの分類が終了し
ていないと判断した場合は、クラス構成構築部２０２
は、Ｓ３０９において分類したモデルデータをＳ３０９
で使用した項目の下位階層における項目で分類する（Ｓ
３１１）。そして、必要とする全ての項目を用いてモデ
ルデータの分類が終了するまで、Ｓ３１０、Ｓ３１１の
処理を繰り返す。
【００８４】そして、Ｓ３１０において、必要とする全
ての項目に対してモデルデータの分類が終了したと判断
すると、クラス構成構築部２０２は、最終的なモデルデ
ータの分類をクラスとすることで、モデルデータをクラ
スに分類する（Ｓ３１２）。
【００８５】次に、クラス構成構築部２０２は、Ｓ３０
８において作成したパターンベクトルに、Ｓ３１２にお
いて分類したクラスのラベルをつけ、クラス構成モデル
データデータベース１１６に格納する（Ｓ３１３）。
【００８６】また、クラスのラベルには、モデルデータ
が所属するクラスを識別する情報である（クラス番号や
クラス名）と、クラスの項目の種別が記述される。
【００８７】次に、クラス構成構築部２０２は、各クラ
スの代表値を計算し（Ｓ３１４）、クラス構成モデルデ
ータデータベース１１６に格納する（Ｓ３１５）。
【００８８】以上がオフラインで実行されるプロセスで
ある。このようにして、データ分類装置１００は、オフ
ライン処理により、予めカテゴリ毎に分類しておいたモ
デルデータを、カテゴリより小さい分布を持つクラス毎
に再構成することができる。
【００８９】なお、モデルデータをパターンベクトルに
変換する処理を、クラス構成モデルデータデータベース
１１６にパターンベクトルを格納する際に行っても良
い。この場合は、モデルデータをクラス毎に異なるスケ
ール変換を施したり、あるいはクラス毎に取り出すパタ
ーンの形状を異なるように選択したりする等、クラス毎
に異なる処理を行って同一要素数のパターンベクトルを
作成するようにしても良い。
【００９０】また、実施の形態１では、モデルデータを
カテゴリに基づいたクラス分類を行ったが、カテゴリ構
成を無視して、クラス構成を作成することも可能であ
る。この場合は、まず、モデルデータを全ての項目に従
って分類する。そして、モデルデータをクラスに分類し
た結果、カテゴリ間をまたがるクラスが発生した場合に
は、カテゴリ間にまたがるクラスをカテゴリにより分割
する。このように、カテゴリ間をまたがるクラスがなく
なったものを、最終的に分類されたクラス構成とすれば
よい。
【００９１】また、カテゴリ構成を無視してモデルデー
タのクラス分けを行う場合には、項目に従って分類して
いき、カテゴリ間をまたぐクラスがなくなった時点でデ
ータベースの分類を終了するようにしても良い。これに
より、すべての項目を用いた分類を行う必要がなくな
る。
【００９２】つまり、カテゴリ構成を無視してモデルデ
ータをクラス分けする場合には、分類を繰り返し行った
後の最終分類時のクラス構成において、クラスに含まれ
るモデルデータが複数カテゴリに含まないようになって
いれば良い。図７に、クラスの構築と分類を複数回数
（図では２回）、繰り返す場合のクラス構成の例を示
す。図７に示すように、最初の項目を使ってモデルデー
タを分類した段階では複数のカテゴリにクラスがまたが
っているが、２番目の項目を使ってモデルデータを分類
した時点で複数のカテゴリにまたがったクラスはなくな
っている。このようにクラスが分割された時点でクラス
の分類を終了する。
【００９３】次に、データ分類装置１００のオンライン
処理について説明する。オンライン処理目的は、入力デ
ータが最も類似するクラスの判定である。まず、データ
分類装置１００のオンライン処理を行うための構成につ
いて図８を用いて説明する。図８は、実施の形態１にか
かるデータ分類装置のオンライン処理のための機能ブロ
ック図である。なお、既に説明した部分と同一の部分に
は同一の符番を付与する。
【００９４】データ分類装置１００には、画像データ入
力手段として、カメラ１１０が設けられている。また、
カメラ１１０から入力された画像データは、Ｉ／Ｆ１０
５を介して画像メモリ１１１に格納される。また、デー
タ分類装置１００には、画像メモリ１１１に格納された
画像データからパターンベクトルを作成するパターンベ
クトル作成部２０１が設けられている。
【００９５】また、データ分類装置１００には、パター
ンベクトル作成部２０１で作成した入力画像の入力パタ
ーンベクトルと、クラス構成モデルデータデータベース
１１６に格納されたクラスの代表値とを比較し、これら
の類似度を計算する入力パターンベクトル判別部８０１
が設けられている。
【００９６】また、データ分類装置１００には、入力パ
ターンベクトル判別部８０１が、入力パターンベクトル
と最も高い類似度を算出したクラスと、算出したクラス
の属するカテゴリを判定する入力データ判定部８０２が
設けられている。
【００９７】さらに、データ分類装置１００には、入力
データ判定部８０２が判定した判定結果を出力する結果
出力部８０３が設けられている。結果出力部８０３とし
ての動作は、Ｉ／Ｆ１０７および出力端子１１８が行
う。
【００９８】また、本実施の形態では、パターンベクト
ル作成部２０１、入力パターンベクトル判別部８０１、
入力データ判定部８０２は、ＣＰＵ１０２がメモリ１０
３に格納されたプログラムを読みこむことで行う。
【００９９】次に、データ分類装置１００のオンライン
処理について、図９のオンライン処理の動作フローチャ
ートを用いて説明する。
【０１００】まず、データ分類装置１００は、ビデオカ
メラ１１０から認識対象となる入力データを入力する。
次に、データ分類装置１００は、入力データを、Ｉ／Ｆ
１０５を介して画像メモリ１１１に送り、記憶する（Ｓ
４０１）。
【０１０１】次に、パターンベクトル作成部２０１が、
画像メモリ１１１に一旦蓄えられた入力データから、一
部のデータを抽出し、さらにこの一部のデータの画素値
を１次元のデータ列として表現した入力パターンベクト
ルを作成し、パターンベクトルメモリ１１４に蓄積する
（Ｓ４０２）。
【０１０２】なお、クラス構成モデルデータデータベー
ス１１６に格納されているモデルデータのパターンベク
トルがクラス毎に異なる方法で作成されている場合に
は、パターンベクトル作成部２０１は入力データからク
ラス毎に定められたパターンベクトルの作成方法に従
い、入力パターンベクトルを作成する。
【０１０３】また、パターンベクトル作成部２０１は、
入力パターンベクトルの代表値として、入力パターンベ
クトルの中心点の座標もパターンベクトルメモリ１１４
に蓄積する。
【０１０４】次にデータ分類装置１００は、入力データ
に最も類似したモデルデータを判定する最適マッチング
処理に移行する。まず、入力パターンベクトル判別部８
０１がパターンベクトルメモリ１１４に格納された入力
データの入力パターンベクトルの代表値と、クラス構成
モデルデータデータベース１１６に格納された各クラス
の代表値５０３との類似度をそれぞれ計算する（Ｓ４０
３）。実施の形態１では、入力データと各クラスとの類
似度を、入力パターンベクトルの代表値（点）と各クラ
スの代表値５０３とのユークリッド距離により判断して
いる。つまり、入力パターンベクトルの代表値と各クラ
スの代表値５０３とのユークリッド距離が近いほど類似
度が高いということになる。
【０１０５】次に、入力データ判定部８０２が、入力パ
ターンベクトル判別部８０１が判定した入力パターンベ
クトルの代表値と、各クラスの代表値５０３との類似度
を比較し、最も類似度の高いクラスを認識結果として判
定する（Ｓ４０４）。
【０１０６】さらに、入力データ判定部８０２は、入力
パターンベクトルと最も類似度の高いクラスの属するカ
テゴリを判定する。
【０１０７】そして、結果出力部８０３が、入力データ
判定部８０２が判定した、クラス、クラスにおける種
別、カテゴリ、および入力パターンベクトルを、出力す
る（Ｓ４０５）。
【０１０８】このように、結果出力部８０３が、入力デ
ータに対応するクラスを出力するだけでなく、クラスに
おける種別、カテゴリを出力することで、入力データの
認識がより正確に行える。例えば、入力データに対応す
るカテゴリが「Ａさん」およびクラスにおける種別が
「右向きの顔」となっていれば、入力画像が「Ａさんの
右向きの顔」ということがわかる。また、カメラで遠く
の車を撮影した画像を入力し、この画像に対応するカテ
ゴリが「セダン」およびクラスにおける種別が「５０ｍ
の距離」となっていれば、入力データが「セダン」であ
り、さらに車との距離が「５０ｍ」であることがわか
る。
【０１０９】以上説明したように、実施の形態１によれ
ば、入力データと、クラスの代表値を比較することで、
入力データの属するクラスを求めることができ、さら
に、入力データの属するクラスから入力データの属する
カテゴリを求めることができる。また、クラスはカテゴ
リよりも小さい分布を持つので入力データの属するクラ
スを正確に求めることができるので、入力データの属す
るクラスから入力データの属するカテゴリが正確に判断
できる。つまり、カテゴリの分布の大小に関わらず、入
力データの属するカテゴリが正確に判断できる。よっ
て、データ分類の精度を上げることができ、実用的なデ
ータ分類をすることが可能となる。
【０１１０】また、実施の形態１は、クラスが複数のカ
テゴリに属さないようにクラスを細分化するので、入力
データの属するクラスから入力データの属するカテゴリ
を正確に判定できる。
【０１１１】また、実施の形態１は、モデルデータをモ
デルデータから取り出した一部のデータを１次元のベク
トルであらわしたパターンベクトルとし、入力画像デー
タを入力画像データから取り出した入力パターンを１次
元ベクトルに表現した入力パターンベクトルとして扱う
ので、モデルデータおよび入力データの分類対象の領域
を絞り込むことができ、入力データの属するクラスの判
定が効率的かつ正確にできる。
【０１１２】また、データ処理装置１００は、上述した
オフラインとオンラインの処理を繰り返し行うことで、
データ分類精度を上げることも可能である。つまり、オ
ンライン処理において入力データ判別部８０２が入力デ
ータの属するカテゴリが複数あると判断した場合に、ク
ラス構成構築部２０２が新たな項目を加えてモデルデー
タをクラス分けすることで、クラスの分布が複数のカテ
ゴリに属さないようにする。このように、クラスの分布
が複数のカテゴリに属さないようになるまで、クラスの
再構成を行うことで、モデルデータを適切にクラス分け
することができる。この結果、入力データの属するクラ
スから入力データの属するカテゴリを正確に判定でき
る。
【０１１３】また、本実施の形態にかかるデータ分類装
置１００を画像認識のような、物体認識を行う物体認識
装置全般に、利用することが可能である。
【０１１４】具体例としては、モデルデータとしてカテ
ゴリ分けした顔の画像を採用し、顔の画像を入力し、上
述した動作により入力した顔の画像がどのカテゴリに属
するか判断することで、顔を認証する認証システムを構
成できる。また、モデルデータとして異なる距離で撮影
した複数の画像を採用すると共に距離をカテゴリとして
採用し、入力画像と最も類似度の高いカテゴリを認識す
ることで、入力画像の実空間上の距離を認識する距離検
出システムに応用できる。また、入力データの種類とモ
デルデータとをかえることで、データ分類装置１００
を、ゲートシステム、虹彩認証システム、指紋認証シス
テム、文字認識システム、人物検出システム、車検出シ
ステム、車認識システムなどにも応用できる。
【０１１５】このように、データ分類装置１００を物体
認識装置に使用することで、物体認識装置の物体認識精
度を向上できる。
【０１１６】また、実施の形態１では、入力データとし
て画像データを用いて画像データの分類を行ったが、入
力データとして、例えば音声データなどのようにカテゴ
リという概念に分け、どのカテゴリに属するか認識処理
をするデータであればいかなるデータを用いても良い。
【０１１７】なお、実施の形態１では、モデルデータを
パターンベクトルに変換してから、カテゴリ構成モデル
データデータベース１１５およびクラス構成モデルデー
タデータベース１１６に格納したが、モデルデータをモ
デルパターンで格納しても、モデルデータのまま格納し
ても良い。この場合は、必要に応じて、カテゴリ構成モ
デルデータデータベース１１５およびクラス構成モデル
データデータベース１１６からモデルパターンもしくは
モデルデータを抽出しパターンベクトルを作成するよう
にする。
【０１１８】（実施の形態２）実施の形態２は、座標系
を、モデルデータから求めたクラスのクラス間分散がで
きるだけ大きく、かつクラス内分散ができるだけ小さく
なるような特徴をもつ特徴座標系（特徴空間）に変換
し、この特徴座標系上で入力画像データとクラスの比較
を行うようにしたものである。これにより、入力画像デ
ータとクラスとの正確な比較が可能となる。
【０１１９】以下、実施の形態２にかかるデータ分類装
置について説明する。まず、実施の形態２におけるデー
タ分類装置の構成について図１０を用いて説明する。図
１０は、実施の形態２にかかるデータ分類装置のブロッ
ク図である。
【０１２０】実施の形態２にかかるデータ分類装置１０
００と実施の形態１のデータ分類装置１００との違い
は、実施の形態２のコンピュータシステム１００１が、
特徴抽出行列メモリ１００２と、モデル特徴ベクトルデ
ータベース１００３と、特徴ベクトルメモリ１００４
と、を備えた点である。
【０１２１】特徴抽出行列メモリ１００２は、座標系を
特徴座標系に変換する特徴抽出行列を格納した特徴行列
メモリ１００２である。なお、特徴座標系および特徴抽
出行列については後で詳述する。
【０１２２】また、モデル特徴ベクトルデータベース１
００３は、クラス構成モデルデータデータベース１１６
に格納されたモデルデータを特徴抽出行列により変換し
て求めたモデルデータの特徴ベクトル（モデル特徴ベク
トル）を記憶するデータベースである。また、モデル特
徴ベクトルデータベース１００３は、モデル特徴ベクト
ルの他にクラス毎の代表値を格納している。モデル特徴
ベクトルデータベース１００３に格納されたクラス毎の
代表値は、各クラスに属するモデル特徴ベクトルの代表
値である。
【０１２３】また、特徴ベクトルメモリ１００４は、入
力データの入力パターンベクトルを特徴抽出行列で変換
した特徴ベクトル（入力特徴ベクトル）を記憶するメモ
リである。
【０１２４】以上のように構成されたデータ分類装置１
０００は、カテゴリ毎に分けられたカテゴリ構成モデル
データデータベース１１５からクラス構成モデルデータ
データベース１１６の構築を行い、さらに、特徴抽出行
列の計算とモデル特徴ベクトルデータベース１００３の
構築を行うオフライン処理と、入力データがどのクラス
に最も類似するかのクラス判定をオンライン処理と、を
行う。
【０１２５】次に、データ分類装置１０００のオフライ
ン処理について説明する。まず、データ分類装置１００
０のオフライン処理を行うための構成について図１１を
用いて説明する。図１１は、実施の形態２にかかるデー
タ分類装置のオフライン処理のための機能ブロック図で
ある。なお、既に説明した部分と同一の部分には同一の
符番を付与する。
【０１２６】実施の形態２のデータ分類装置１０００は
実施の形態１のデータ分類装置１００とは、モデルデー
タから特徴ベクトルを予め作成する学習手段である特徴
抽出行列算出部１１０１と、特徴抽出行列メモリ１００
２と、モデル特徴ベクトル算出部１１０２と、モデル特
徴ベクトルデータベース１００３と、を具備した点が異
なる。
【０１２７】特徴抽出行列算出部１１０１は、クラス構
成モデルデータデータベース１１６に格納されている各
パターンベクトルから、クラス内に含まれるパターンベ
クトルが最もまとまりかつクラス間が最も分離されるよ
うな特徴抽出行列を算出する。そして、特徴抽出行列算
出部１１０１は、算出した特徴抽出行列を、特徴抽出行
列メモリ１００２に格納する。
【０１２８】また、モデル特徴ベクトル算出部１１０２
は、特徴抽出行列メモリ１００２に格納された特徴抽出
行列を用いてパターンベクトルを変換し、各モデルデー
タのモデル特徴ベクトルを算出して、クラスに分けてモ
デル特徴ベクトルデータベース１００３に格納する。ま
た、モデル特徴ベクトル算出部１１０２は、クラス毎に
含まれるモデル特徴ベクトルの平均値である代表値をモ
デル特徴ベクトルデータベース１００３に格納する。な
お、クラス毎のモデルクラス特徴ベクトルの代表値は、
平均値以外の値、例えば重心値等であっても良い。
【０１２９】モデル特徴ベクトルデータデータベース１
００３の構成は、図１２に示すようになっている。図１
２は、実施の形態２にかかるモデル特徴ベクトルデータ
データベースの構成図である。
【０１３０】モデル特徴ベクトルデータデータベース１
００３には、クラス５０１と、クラス５０１に対応する
モデルデータのモデル特徴ベクトル１２０１と、クラス
５０１におけるモデル特徴ベクトル１２０１の代表値
（ベクトル）１２０２と、の組が複数格納されている。
【０１３１】なお、モデル特徴ベクトルデータデータベ
ース１００３には、モデルデータのモデル特徴ベクトル
１２０１を格納しない形態であっても良い。
【０１３２】なお、実施の形態２では、特徴抽出行列算
出部１１０１と、モデル特徴ベクトル算出部１１０２の
処理を、ＣＰＵ１０２がプログラムを実行することで行
う。
【０１３３】次に、データ分類装置１０００のオフライ
ン処理について、図１３のオフライン処理の動作フロー
チャートを用いて説明する。
【０１３４】オフライン処理の目的は、カテゴリ構成モ
デルデータデータベース１１５からクラス構成モデルデ
ータデータベース１１６を構築し、このクラス構成モデ
ルデータデータベース１１６から特徴抽出行列を計算
し、さらに特徴抽出行列を用いて、モデル特徴ベクトル
データベース１００３を構築する点である。
【０１３５】まず、データ分類装置１０００は、実施の
形態１と同様に図６のＳ３０１〜Ｓ３１５の処理を行
い、カテゴリ構成モデルデータデータベース１１５から
クラス構成モデルデータデータベース１１６を構築する
（Ｓ１３０１）。
【０１３６】その後、データ分類装置１０００は、特徴
抽出行列を以下の手順で計算する。例えばデータの判別
方法には、文献（Fisher.R.Ａ., "The use of multiple
measurements in taxonomic problems", Ann. Eugenic
s. 7. Part II,pp.179-188,1936.） に記載されたもの
が知られている。特徴抽出行列は、このFisherの判別関
数の考えに従って算出される。
【０１３７】まず、特徴抽出行列算出部１１０１が、ク
ラス構成モデルデータデータベース１１６を参照し、同
一クラスに分類されるパターンベクトルのセットを抽出
する。次に、特徴抽出行列算出部１１０１は、パターン
ベクトルのセットからクラス内共分散行列ＣWを、クラ
ス毎に（式１）に従って計算する（Ｓ１３０２）。
【０１３８】
【数１】 次に、特徴抽出行列算出部１１０１は、クラス間共分散
行列ＣBを、各パターンベクトルのセットから（式２）
に従って計算する（Ｓ１３０３）。
【０１３９】
【数２】 さらに、特徴抽出行列算出部１１０１は、全クラスの共
分散行列ＣTを、（式３）に従って計算する。
【０１４０】
【数３】 ここで、特徴抽出行列算出部１１０１は、Fisherの考え
に従って判別評価基準として、クラス間の分散であるク
ラス間分散をできるだけ大きく、同時にクラス内のパタ
ーンベクトルの分散であるクラス内分散をできるだけ小
さくなるように、クラス間分散とクラス内分散の分散比
Ｊ（式４）を最大にするような変換ベクトルａを求め
る。
【０１４１】
【数４】 クラスが３つの場合における判別分析法の概念図を図１
４に示す。図１４からわかるように、クラス内分散を小
さく、かつクラス間分散を大きくすることで、クラス間
の分布領域が離れる。これにより、クラスの特徴が明ら
かになる。
【０１４２】また、分散比Ｊ（式４）を最大にするよう
な変換ベクトルａを求めるのは、固有値問題（式５）を
解くことに等しい。
【０１４３】
【数５】 そこで、特徴抽出行列算出部１１０１は、（式５）から
ＡTを求め、求めたＡTを特徴抽出行列として特徴抽出行
列メモリ１００２に記憶する（Ｓ１３０４）。
【０１４４】次に、モデル特徴ベクトル算出部１１０２
が、特徴抽出行列メモリ１００２を参照し、特徴抽出行
列を得る。次に、モデル特徴ベクトル算出部１１０２
は、特徴抽出行列を用いて、クラス構成モデルデータデ
ータベース１１６に格納されたモデルデータを変換し、
モデル特徴ベクトルを計算する（Ｓ１３０５）。そし
て、モデル特徴ベクトル算出部１１０２が、算出したモ
デル特徴ベクトルをモデル特徴ベクトルデータベース１
００３に登録する（Ｓ１３０６）。
【０１４５】次に、モデル特徴ベクトル算出部１１０２
は、クラス毎のモデル特徴ベクトルの代表値をクラス毎
のモデル特徴ベクトルの平均値を計算することで求め
（Ｓ１３０７）、モデル特徴ベクトルデータベース１０
０３に登録する（Ｓ１３０８）。
【０１４６】以上が、データ分類装置１０００がオフラ
インで実行するプロセスである。
【０１４７】このように、実施の形態２によれば、オフ
ライン処理により、クラス内のモデルデータの分布を小
さくすると共に、クラス間のクラス分布を大きくした状
態で、入力データとクラスとの比較を行える。つまり、
クラスの分布の特徴が明らかな状態で入力データとクラ
スとの比較を行えるので、入力データのクラスとの比較
が正確に行えるようになる。
【０１４８】次に、データ分類装置１０００のオンライ
ン処理について説明する。オンライン処理目的は、入力
された画像が最も類似するクラスの判定である。まず、
データ分類装置１０００のオンライン処理を行うための
構成について図１５を用いて説明する。図１５は、実施
の形態２にかかるデータ分類装置のオンライン処理のた
めの機能ブロック図である。なお、既に説明した部分と
同一の部分には同一の符番を付与する。
【０１４９】実施の形態２のデータ分類装置１０００は
実施の形態１のデータ分類装置１００とは、特徴抽出行
列メモリ１００２と、入力特徴ベクトル算出部１５０１
と、特徴ベクトルメモリ１００４と、入力パターンベク
トル判別部１５０２と、モデル特徴ベクトルデータベー
ス１００３と、を具備した点が異なる。
【０１５０】入力特徴ベクトル算出部１５０１は、特徴
抽出行列メモリ１００４からオフライン処理で算出され
た特徴抽出行列を抽出し、特徴抽出行列を用いてパター
ンベクトルメモリ１１４に格納された入力パターンベク
トルを変換し、入力特徴ベクトルを算出する。そして、
入力特徴ベクトル算出部１５０１は、算出した入力特徴
ベクトルを特徴ベクトルメモリ１００２に格納する。
【０１５１】入力パターンベクトル判別部１５０２は、
特徴ベクトルメモリ１００２に格納された入力特徴ベク
トルと、モデル特徴ベクトルデータデータベース１００
３に格納された代表値１２０２とを比較して類似度を計
算する。
【０１５２】なお、実施の形態２では、入力特徴ベクト
ル算出部１５０１と、入力パターンベクトル判別部１５
０２との処理を、ＣＰＵ１０２がプログラムを実行する
ことで行う。
【０１５３】次に、データ分類装置１０００のオンライ
ン処理について、図１６のオンライン処理の動作フロー
チャートを用いて説明する。
【０１５４】まず、データ分類装置１０００は、実施の
形態１と同様に図９のＳ４０１、Ｓ４０２の処理を行
い、入力パターンベクトルｂを作成し、パターンベクト
ルメモリ１１４に格納する（ＳＴ１６０１）。
【０１５５】次に、入力特徴ベクトル算出部１５０１
が、パターンベクトルメモリ１１４に格納された入力パ
ターンベクトルｂに、特徴抽出行列メモリ１００４に格
納されたオフライン時に求めた特徴抽出行列ＡTを用い
て（式６）に従って入力特徴ベクトルｆを算出する（Ｓ
１６０２）。
【０１５６】
【数６】 そして、入力特徴ベクトル算出部１５０１は、特徴ベク
トルメモリ１００２に入力特徴ベクトルｆを蓄積する。
【０１５７】次に、入力パターンベクトル判別部１５０
２が、モデル特徴ベクトルデータベース１００３に格納
された各クラスの代表値１２０２を抽出する（Ｓ１６０
３）。そして、入力パターンベクトル判別部１５０２
は、特徴ベクトルメモリ１００２に格納された入力特徴
ベクトルｆと、各クラスの代表値１２０２と、相関距離
をとり、類似度を計算する（Ｓ１６０４）。類似度は、
入力特徴ベクトルｆと、各クラスの代表値１２０２と、
相関距離が近いほど高い。
【０１５８】次に、入力データ判定部８０２が、実施の
形態１と同様に図９に示すＳ４０４、Ｓ４０５の処理を
行い、最も類似度の高いクラスを認識結果として出力す
る。
【０１５９】以上説明したように、実施の形態２によれ
ば、座標系を、クラス間分散ができるだけ大きく、かつ
クラス内分散ができるだけ小さくなるような特徴をもつ
特徴座標系（特徴空間）に変換した特徴座標系上で入力
画像データとクラスの比較が行える。つまり、入力デー
タとクラスの比較が、各クラスの特徴が大きく現れた座
標系で行うことができる。このように、分類に適した座
標系に変換した後に、入力データとクラスとを比較する
ことで、入力データの正確な比較を行える。よって、入
力データとクラスの分類が正確に行える。
【０１６０】また、実施の形態２によれば、クラス内の
共分散行列とクラス間の共分散行列を用いて、クラス間
分散ができるだけ大きく、かつクラス内分散ができるだ
け小さくなるように座標系を変換する特徴抽出行列を求
めることができる。このように、クラス内の共分散行列
とクラス間の共分散行列を用いることにより、容易に特
徴抽出行列を求められる。
【０１６１】また、実施の形態２によれば、クラス内の
共分散行列Ｃwに対するクラス間の共分散行列ＣBの比で
ある分散比Ｊが最大になるように座標系を変換する特徴
抽出行列ＡTを算出できる。分散比Ｊが最大になるよう
に座標系を変換する行列を求めることで、特徴抽出行列
ＡTを算出できる。分散比Ｊが最大となる座標系は、ク
ラス間の共分散行列ＣBが大きくかつクラス内共分散行
列ＣWが小さくなる座標系であるので、分散比Ｊが最大
となる座標系に変換する行列を求めることで、特徴抽出
行列ＡTを求めることができる。また、このように、特
徴抽出行列ＡTを求めることで、特徴抽出行列ＡTを計算
により容易に求めることができる。
【０１６２】また、実施の形態２では、入力画像データ
およびモデルデータの特徴を示す特徴量として、特徴ベ
クトルを用いたが、特徴量の表現方法は特徴ベクトル以
外であっても良い。例えば、特徴量は単なる数値であっ
ても良い。
【０１６３】なお、実施の形態２では、クラス間分散が
できるだけ大きく、かつクラス内分散ができるだけ小さ
くなるように座標系を変換する特徴抽出行列を求めた
が、特徴抽出行列はクラス間分散ができるだけ大きくな
るように座標系を変換する行列であっても、クラス内分
散ができるだけ小さくなるように座標系を変換する行列
であっても良い。これらの特徴抽出行列によっても、座
標系をクラスの特徴が明確になる座標系に変換できる。
【０１６４】また、実施の形態２では、特徴抽出行列と
して、クラス内分散およびクラス間分散を考慮した行列
を用いたが、クラス毎の特徴が明確に現れる座標系に変
換する行列であればいかなる行列であっても良い。例え
ば、特徴抽出行列として、主成分分析手法や部分空間法
等を行う座標系に変形する行列を用いても良い。主成分
分析手法を行う座標系は、サンプルデータであるモデル
データ間の間隔を広げる座標系（固有空間）である。ま
た、部分空間法を行う座標系は、座標系の次元を下げて
クラスの特徴をあらわす座標系である。なお、主成分分
析手法や部分空間法については、森健一,"パターン認
識",電子情報通信学会,(1988)に開示されている。
【０１６５】（実施の形態３）実施の形態３は、データ
ベースのクラスを再構成する際に、ユーザ操作の介入な
しに、クラス内分散が小さくなるようにクラスを再構成
するものである。
【０１６６】以下、実施の形態３にかかるデータ分類装
置のクラスについて説明する。実施の形態２と実施の形
態３と異なるのはオフライン処理であるので、オフライ
ン処理についてのみ説明をする。まず、実施の形態３に
かかるデータ分類装置１７００のオフライン処理を行う
ための構成について図１７を用いて説明する。図１７
は、実施の形態３にかかるデータ分類装置のオフライン
処理のための機能ブロック図である。なお、既に説明し
た部分と同一の部分には同一の符番を付与する。
【０１６７】実施の形態３にかかるデータ分類装置１７
００と、実施の形態２にかかるデータ分類装置１０００
とでは、クラス構成構築部１７０１が異なる。実施の形
態２ではユーザがモデルデータをクラス分けに関する情
報を入力し、これに基づいてモデルデータのクラス分け
をしていたが、実施の形態３ではクラス分けの処理をユ
ーザ操作の介入なしに行う。これにともない、クラス構
成構築部１７０１には、キーボード１１２からの情報が
入力されないようになっている。
【０１６８】具体的には、クラス構成構築部１７０１
は、ISODATA法を用いて、クラス内分散が小さくなるよ
うにモデルデータのクラス分けを行う。なお、本実施の
形態では、クラス構成構築部１７０１は、クラスタリン
グ法としてISODATA法を採用するが、ISODATA法以外のク
ラスタリング法、例えばK-mean法などを用いても良い。
ISODATA法については、森健一,"パターン認識",電子情
報通信学会,p122(1988)に記載されている。具体的に
は、ISODATA法は、クラスタの分割と併合を繰り返し、
クラス内分散を小さくするクラスタリング手法である。
【０１６９】さらに、クラス構成構築部１７０１は、特
徴抽出行列をFisherの線形判別分析の方法で求める場合
において、特徴抽出行列の算出が簡単になるように、全
モデルデータの共分散行列ＣTが単位行列になるように
座標系を座標変換してから、クラス分けを行っている。
【０１７０】次に、データ分類装置１７００のオフライ
ン処理について、図１８のオフライン処理の動作フロー
チャートを用いて説明する。
【０１７１】まず、データ分類装置１７００は、実施の
形態１と同様に図６のＳ３０１〜Ｓ３０６の処理を行
い、カテゴリ構成モデルデータデータベース１１５を構
築する（Ｓ１８０１）。
【０１７２】次に、クラス構成構築部１７０１は、カテ
ゴリ構成モデルデータデータベース１１５から全モデル
データを抽出し、モデルデータ群の共分散行列ＣTを算
出する（Ｓ１８０２）。これは、データ分類装置１７０
０が、後段の処理で、（式７）に示される判別基準J1を
算出し、判別基準J1を最大化にすることで、特徴抽出行
列を算出するからである。
【０１７３】
【数７】 ところで、判別基準J1を最大化する特徴抽出行列Ａ
Tは、（式５）のＣBをＣTに置き換えた固有値問題を解
くことで求められる。この（式５）のＣBをＣTに置き換
えた固有値問題を解くのは、共分散行列ＣTが単位行列
になっていると、非常に容易になる。
【０１７４】また、判別基準J1の性質を調べると、判別
基準J1は正則な線形変換を施してもその性質は不変であ
るということがわかる。つまり、判別基準J1を最大化す
るクラス構成は座標系に関わらず同じであるということ
を示している。
【０１７５】よって、次に、クラス構成構築部１７０１
は、後段の特徴抽出行列ＡTの算出を容易にするため
に、座標系（空間）を共分散行列ＣTが単位行列になる
座標系に変換する。具体的には、クラス構成構築部１７
０１は、（式８）に示す行列Uを用いて、座標系を共分
散行列ＣTが単位行列になる座標系に変換する（Ｓ１８
０３）。
【０１７６】
【数８】 次に、クラス構成構築部１７０１は、行列Uで変換され
た座標系で最もクラス内分散を小さくするクラス構成
を、ISODATA法により求める（Ｓ１８０４）。そして、
クラス構成構築部１７０１は、求めたクラス構成に基づ
いてクラス構成モデルデータデータベース１１６を作成
する（Ｓ１８０５）。
【０１７７】また、共分散行列ＣTは一定なので、（式
７）からわかるように、最もクラス内分散を小さくする
クラス構成を求めることは、判別基準J1を最大化するク
ラス構成を求めることに等しい。
【０１７８】以降、クラス構成構築部１７０１は、求め
たクラス構成モデルデータデータベース１１６を元に実
施の形態２と同様に図１３のＳ１３０２〜Ｓ１３０８の
処理を行い、クラス識別が精度良くできるような特徴抽
出関数を算出する（Ｓ１８０６）。そして、データ分類
装置１７００は、オフライン処理を終了する。
【０１７９】以上説明したように、実施の形態３によれ
ば、カテゴリ構成モデルデータデータベース１１５から
クラス構成モデルデータデータベース１１６を再構成す
る際に、ISODATA法を使用することで、ユーザ操作の介
入なしに計算により、クラス内分散を小さくするように
モデルデータをクラス分けできる。また、このように、
クラス内分散を小さくするようにモデルデータをクラス
分けすることで、クラス間の特徴を明確にできる。
【０１８０】また、実施の形態３によれば、クラス内共
分散行列ＣWに対する全モデルデータ群の共分散行列ＣT
の比である分散比Ｊ1が最大になるように座標系を変換
する行列を求めることで、特徴抽出行列ＡTを算出でき
る。分散比Ｊ1が最大となる座標系は、共分散行列ＣTが
大きくかつクラス内共分散行列ＣWが小さくなる座標系
であるので、分散比Ｊ1が最大となる座標系に変換する
行列を求めることで、特徴抽出行列ＡTを求めることが
できる。また、このように、特徴抽出行列ＡTを求める
ことで、特徴抽出行列ＡTを計算により容易に求めるこ
とができる。
【０１８１】また、実施の形態３によれば、全モデルデ
ータの共分散行列ＣTが単位行列になるように座標系を
変換してからクラス分けを行うことができる。これによ
り、実施の形態３にように全モデルデータ群の共分散行
列ＣTを用いて特徴抽出行列を求める場合には、容易に
特徴抽出行列を求められる。
【０１８２】なお、実施の形態３では、共分散行列ＣT
が大きくかつクラス内共分散行列ＣWが小さくなるよう
に座標系を変換する特徴抽出行列を求めたが、特徴抽出
行列は共分散行列ＣTが大きくなるように座標系を変換
する行列であっても良い。この特徴抽出行列によって
も、座標系をクラスの特徴が明確になる座標系に変換で
きる。
【０１８３】
【発明の効果】以上説明したように本発明によれば、入
力画像データと最も類似度の高いクラスを検出し、この
検出したクラスの属するカテゴリを求めることで、入力
データのカテゴリを求めるようにできる。これにより、
カテゴリの分布に関わらず、入力データを正確なカテゴ
リに分類することができる。
【図面の簡単な説明】
【図１】本発明の実施の形態１にかかるデータ分類装置
のブロック図
【図２】実施の形態１にかかるデータ分類装置のオフラ
イン処理のための機能ブロック図
【図３】実施の形態１にかかるカテゴリ構成モデルデー
タデータベースの構成を示す図
【図４】実施の形態１にかかるクラス構成モデルデータ
データベースの構成を示す図
【図５】カテゴリ構成とクラス構成の関係を説明する図
【図６】実施の形態１にかかるデータ分類装置のオフラ
イン処理の動作フローチャート
【図７】実施の形態１のクラスの構築と分類を複数回、
繰り返す場合のクラス構成の例を示した図
【図８】実施の形態１にかかるデータ分類装置のオンラ
イン処理のための機能ブロック図
【図９】実施の形態１にかかるデータ分類装置のオンラ
イン処理の動作フローチャート
【図１０】本発明の実施の形態２にかかるデータ分類装
置のブロック図
【図１１】実施の形態２にかかるデータ分類装置のオフ
ライン処理のための機能ブロック図
【図１２】実施の形態２にかかるモデル特徴ベクトルデ
ータデータベースの構成図
【図１３】実施の形態２にかかるデータ分類装置のオフ
ライン処理の動作フローチャート
【図１４】クラスが３つの場合における判別分析法の概
念図
【図１５】実施の形態２にかかるデータ分類装置のオン
ライン処理のための機能ブロック図
【図１６】実施の形態２にかかるデータ分類装置のオン
ライン処理の動作フローチャート
【図１７】本発明の実施の形態３にかかるデータ分類装
置のオフライン処理のための機能ブロック図
【図１８】実施の形態３にかかるデータ分類装置のオフ
ライン処理の動作フローチャート
【図１９】カテゴリの代表ベクトルとカテゴリの分布を
示す図
【符号の説明】
１００、１０００、１７００ データ分類装置 １０１、１００１ コンピュータシステム １０２ ＣＰＵ １０８ 画像データベース １１０ ビデオカメラ １１２ キーボード １１３ ディスプレイ １１４ パターンベクトルメモリ １１５ カテゴリ構成モデルデータデータベース １１６ クラス構成モデルデータデータベース ２０１ パターンベクトル作成部 ２０２、１７０１ クラス構成構築部 ８０１ 入力パターンベクトル判別部 ８０２ 入力データ判定部 ８０３ 結果出力部 １００２ 特徴抽出行列メモリ １００３ モデル特徴ベクトルデータベース １００４ 特徴ベクトルメモリ １１０１ 特徴抽出行列算出部 １１０２ モデル特徴行列算出部 １５０１ 入力特徴ベクトル算出部 １５０２ 入力パターンベクトル判別部
───────────────────────────────────────────────────── フロントページの続き Ｆターム(参考） 5B075 ND34 NR12 UU06 UU08 UU13 UU40 5L096 FA33 JA03 JA11 JA18 JA22 KA11 MA07

Claims (16)

    【特許請求の範囲】
  1. 【請求項１】 複数のモデルデータからなるモデルデー
    タ群を所定の項目に従って分類することで前記モデルデ
    ータ群をアプリケーションが求める分類であるカテゴリ
    より小さい分布を持つクラス毎に分類するクラス構築手
    段と、前記クラス毎に分類された前記モデルデータ群の
    データを用いて前記クラスの代表値を求める代表値算出
    手段と、外部から入力された入力データと前記代表値と
    を比較し、前記入力データと最も類似度の高い前記代表
    値を持つ前記クラスを判定するクラス判定手段と、判定
    した前記クラスを用いて前記入力データの属する前記カ
    テゴリを求めるカテゴリ判定手段と、を具備したことを
    特徴とするデータ分類装置。
  2. 【請求項２】 前記クラスは、複数の前記カテゴリに属
    さないような分布を持つことを特徴とする請求項１記載
    のデータ分類装置。
  3. 【請求項３】 前記カテゴリ判定手段が前記入力データ
    の属する前記カテゴリが複数あると判断した場合に、前
    記クラス構築手段が前記所定の項目に新たな項目を加え
    て前記クラスを分類することで、前記クラスの分布が複
    数の前記カテゴリに属さないようにすることを特徴とす
    る請求項２記載のデータ分類装置。
  4. 【請求項４】 前記クラス毎の特徴が明確になるように
    座標系に変換する特徴抽出行列を算出する行列算出手段
    を具備し、前記カテゴリ判定手段は前記特徴抽出行列に
    より変換した前記入力データおよび前記代表値を比較す
    ることで前記入力データと最も類似度の高い前記代表値
    を持つ前記クラスを判定することを特徴とする請求項１
    から請求項３のいずれかに記載のデータ分類装置。
  5. 【請求項５】 前記行列算出手段は、前記クラス内の前
    記モデルデータ群のクラス内分散が小さくなるように座
    標系を変換する特徴抽出行列を算出すること特徴とする
    請求項４に記載のデータ分類装置。
  6. 【請求項６】 前記行列算出手段は、前記クラスの前記
    クラス間のクラス間分散が大きくなるように座標系を変
    換する特徴抽出行列を算出すること特徴とする請求項４
    に記載のデータ分類装置。
  7. 【請求項７】 前記行列算出手段は、前記クラス内の前
    記モデルデータ群のクラス内分散が小さく、かつ前記ク
    ラスの前記クラス間のクラス間分散が大きくなるように
    座標系を変換する特徴抽出行列を算出することを特徴と
    する請求項４に記載のデータ分類装置。
  8. 【請求項８】 前記行列算出手段は、前記クラス内に含
    まれる前記モデルデータ群のクラス内共分散行列に対す
    る前記クラス間のクラス間共分散行列の比である分散比
    が最大になるように座標系を変換する特徴抽出行列を算
    出することを特徴とする請求項７記載のデータ分類装
    置。
  9. 【請求項９】 前記行列算出手段は、前記クラス内に含
    まれる前記モデルデータ群のクラス内共分散行列に対す
    る前記モデルデータ群の共分散行列との比である分散比
    が最大になるように座標系を変換する特徴抽出行列を算
    出することを特徴とする請求項７記載のデータ分類装
    置。
  10. 【請求項１０】 前記クラス構築手段は、前記全モデル
    データ群の共分散行列が単位行列になる座標系に変換し
    てから、前記モデルデータ群のクラス分けを行うことを
    特徴とする請求項８または請求項９記載のデータ分類装
    置。
  11. 【請求項１１】 前記クラス構築手段は、前記クラス内
    の前記モデルデータ群のクラス内分散が最小になるよう
    に前記モデルデータ群のクラス分けを行うことを特徴と
    する請求項１から請求項１０のいずれかに記載のデータ
    分類装置。
  12. 【請求項１２】 前記モデルデータを前記モデルデータ
    から取り出した一部のデータの画素値を１次元ベクトル
    に表現したモデルパターンベクトルとして扱い、前記入
    力データを前記入力データから取り出した一部のデータ
    の画素値を１次元ベクトルに表現した入力パターンベク
    トルとして扱うことを特徴とする請求項１から請求項１
    １のいずれかに記載のデータ分類装置。
  13. 【請求項１３】 請求項１から請求項１２のいずれかに
    記載のデータ分類装置を具備し、前記カテゴリを物体の
    種別とし前記モデルデータを前記種別で分類し、前記入
    力データの属する前記カテゴリを判定することで、前記
    入力データの前記種別を判定することを特徴とする物体
    認識装置。
  14. 【請求項１４】 請求項１から請求項１２のいずれかに
    記載のデータ分類装置を具備し、前記カテゴリを物体ま
    での距離とし前記モデルデータを前記物体までの距離で
    分類し、前記入力データの属する前記カテゴリを判定す
    ることで、前記入力データの実空間上の距離を判定する
    ことを特徴とする物体認識装置。
  15. 【請求項１５】 複数のモデルデータからなるモデルデ
    ータ群を所定の項目に従って分類することで前記モデル
    データ群をアプリケーションが求めるカテゴリより小さ
    い分布を持つクラス毎に分類し、前記クラス毎に分類さ
    れた前記モデルデータ群から前記クラスの代表値を求
    め、外部から入力された入力データと前記代表値とを比
    較し、前記入力データと最も類似度の高い前記代表値を
    持つ前記クラスを判定し、判定した前記クラスを用いて
    前記入力データの属する前記カテゴリを求めることを特
    徴とするデータ分類方法。
  16. 【請求項１６】 コンピュータに、複数のモデルデータ
    からなるモデルデータ群を所定の項目に従って分類する
    ことで前記モデルデータ群をアプリケーションが求める
    カテゴリより小さい分布を持つクラス毎に分類させ、前
    記クラス毎に分類された前記モデルデータ群から前記ク
    ラスの代表値を求めさせ、外部から入力された入力デー
    タと前記代表値とを比較させ、前記入力データと最も類
    似度の高い前記代表値を持つ前記クラスを判定させ、判
    定した前記クラスを用いて前記入力データの属する前記
    カテゴリを求めさせることを特徴とするプログラム。
JP2002013337A 2001-02-02 2002-01-22 データ分類装置および物体認識装置 Expired - Lifetime JP3938872B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2002013337A JP3938872B2 (ja) 2001-02-02 2002-01-22 データ分類装置および物体認識装置
US10/059,143 US6912527B2 (en) 2001-02-02 2002-01-31 Data classifying apparatus and material recognizing apparatus

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2001026439 2001-02-02
JP2001-26439 2001-02-02
JP2002013337A JP3938872B2 (ja) 2001-02-02 2002-01-22 データ分類装置および物体認識装置

Publications (2)

Publication Number Publication Date
JP2002304626A true JP2002304626A (ja) 2002-10-18
JP3938872B2 JP3938872B2 (ja) 2007-06-27

Family

ID=26608829

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2002013337A Expired - Lifetime JP3938872B2 (ja) 2001-02-02 2002-01-22 データ分類装置および物体認識装置

Country Status (2)

Country Link
US (1) US6912527B2 (ja)
JP (1) JP3938872B2 (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006025272A1 (ja) * 2004-09-01 2006-03-09 Nec Corporation 映像分類装置、映像分類プログラム、映像検索装置、および映像検索プログラム
JP2007500910A (ja) * 2003-05-21 2007-01-18 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ 物理オブジェクトを認証する方法及びシステム
JP2008052683A (ja) * 2006-08-28 2008-03-06 Tokyo Metropolitan Univ 不審者判別システム及びプロファイル配布システム
JP2008309671A (ja) * 2007-06-15 2008-12-25 Ihi Corp 物体認識方法および装置
JP2010508593A (ja) * 2006-10-31 2010-03-18 ビジネス・オブジェクツ・ソシエテ・アノニム データのカテゴリフィルタ処理のための装置及び方法
WO2011058605A1 (ja) * 2009-11-12 2011-05-19 株式会社 東芝 計量空間学習装置
KR101244934B1 (ko) 2011-12-06 2013-03-19 경북대학교 산학협력단 코드북을 이용한 객체 인식 장치, 객체 인식 방법 및 기록 매체
WO2018155412A1 (ja) * 2017-02-21 2018-08-30 日本電気株式会社 分類装置と分類方法並びにプログラム

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040042665A1 (en) * 2002-08-30 2004-03-04 Lockheed Martin Corporation Method and computer program product for automatically establishing a classifiction system architecture
US20050192960A1 (en) * 2002-11-01 2005-09-01 Fujitsu Limited Feature-pattern output apparatus, feature-pattern output method, and computer product
US7676739B2 (en) * 2003-11-26 2010-03-09 International Business Machines Corporation Methods and apparatus for knowledge base assisted annotation
US8301584B2 (en) * 2003-12-16 2012-10-30 International Business Machines Corporation System and method for adaptive pruning
US7720291B2 (en) * 2004-02-17 2010-05-18 Corel Corporation Iterative fisher linear discriminant analysis
US20070299957A1 (en) * 2004-09-22 2007-12-27 Bevilacqua John F Method and System for Classifying Networked Devices
US7912875B2 (en) * 2006-10-31 2011-03-22 Business Objects Software Ltd. Apparatus and method for filtering data using nested panels
US8478705B2 (en) * 2010-01-15 2013-07-02 International Business Machines Corporation Portable data management using rule definitions
US8666998B2 (en) 2010-09-14 2014-03-04 International Business Machines Corporation Handling data sets
US8949166B2 (en) 2010-12-16 2015-02-03 International Business Machines Corporation Creating and processing a data rule for data quality
US8898104B2 (en) 2011-07-26 2014-11-25 International Business Machines Corporation Auto-mapping between source and target models using statistical and ontology techniques
US9817821B2 (en) * 2012-12-19 2017-11-14 Abbyy Development Llc Translation and dictionary selection by context
US9262443B2 (en) * 2013-05-15 2016-02-16 Canon Kabushiki Kaisha Classifying materials using texture
CN108564044B (zh) * 2018-04-17 2021-04-27 杭州依图医疗技术有限公司 一种确定肺结节密度的方法及装置
US11580390B2 (en) * 2020-01-22 2023-02-14 Canon Medical Systems Corporation Data processing apparatus and method

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06111021A (ja) 1992-09-30 1994-04-22 Omron Corp 画像判別装置
US5960407A (en) * 1996-10-08 1999-09-28 Vivona; Robert G. Automated market price analysis system
US6493702B1 (en) * 1999-05-05 2002-12-10 Xerox Corporation System and method for searching and recommending documents in a collection using share bookmarks

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007500910A (ja) * 2003-05-21 2007-01-18 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ 物理オブジェクトを認証する方法及びシステム
JPWO2006025272A1 (ja) * 2004-09-01 2008-07-31 日本電気株式会社 映像分類装置、映像分類プログラム、映像検索装置、および映像検索プログラム
WO2006025272A1 (ja) * 2004-09-01 2006-03-09 Nec Corporation 映像分類装置、映像分類プログラム、映像検索装置、および映像検索プログラム
JP4973188B2 (ja) * 2004-09-01 2012-07-11 日本電気株式会社 映像分類装置、映像分類プログラム、映像検索装置、および映像検索プログラム
JP2008052683A (ja) * 2006-08-28 2008-03-06 Tokyo Metropolitan Univ 不審者判別システム及びプロファイル配布システム
US8504589B2 (en) 2006-10-31 2013-08-06 Business Objects Software Ltd. Categorical filtering of data
JP2010508593A (ja) * 2006-10-31 2010-03-18 ビジネス・オブジェクツ・ソシエテ・アノニム データのカテゴリフィルタ処理のための装置及び方法
JP2013020633A (ja) * 2006-10-31 2013-01-31 Business Objects S A データのカテゴリフィルタ処理のための装置及び方法
JP2008309671A (ja) * 2007-06-15 2008-12-25 Ihi Corp 物体認識方法および装置
WO2011058605A1 (ja) * 2009-11-12 2011-05-19 株式会社 東芝 計量空間学習装置
JP5355708B2 (ja) * 2009-11-12 2013-11-27 株式会社東芝 計量空間学習装置及びパターン認識装置
US8943005B2 (en) 2009-11-12 2015-01-27 Kabushiki Kaisha Toshiba Metric learning apparatus
KR101244934B1 (ko) 2011-12-06 2013-03-19 경북대학교 산학협력단 코드북을 이용한 객체 인식 장치, 객체 인식 방법 및 기록 매체
WO2018155412A1 (ja) * 2017-02-21 2018-08-30 日本電気株式会社 分類装置と分類方法並びにプログラム
US11443233B2 (en) 2017-02-21 2022-09-13 Nec Corporation Classification apparatus, classification method, and program

Also Published As

Publication number Publication date
US20020143761A1 (en) 2002-10-03
US6912527B2 (en) 2005-06-28
JP3938872B2 (ja) 2007-06-27

Similar Documents

Publication Publication Date Title
JP2002304626A (ja) データ分類装置および物体認識装置
EP2017770B1 (en) Face meta-data generation and face similarity calculation
Zhao et al. Fingerprint image synthesis based on statistical feature models
Kadhim et al. A Real-Time American Sign Language Recognition System using Convolutional Neural Network for Real Datasets.
JP2014232533A (ja) Ｏｃｒ出力検証システム及び方法
JP2005149506A (ja) 対象物自動認識照合方法および装置
Chowdhury et al. Lip as biometric and beyond: a survey
Paul et al. Rotation invariant multiview face detection using skin color regressive model and support vector regression
Karthikeyan et al. Image Processing based Improved Face Recognition for Mobile Devices by using Scale-Invariant Feature Transform
Shaker et al. Human Gender and Age Detection Based on Attributes of Face.
JP2004178569A (ja) データ分類装置、物体認識装置、データ分類方法及び物体認識方法
Abushanap et al. A survey of human face recognition for partial face view
JP4375571B2 (ja) 顔類似度算出方法および装置
Mahdi et al. Matching 3D facial shape to demographic properties by geometric metric learning: a part-based approach
Mali et al. Human gender classification using machine learning
Curran et al. The use of neural networks in real-time face detection
Mahdi et al. 3D facial matching by spiral convolutional metric learning and a biometric fusion-net of demographic properties
Muthukumaran et al. Face and Iris based Human Authentication using Deep Learning
Marzoog et al. Gender and race classification using geodesic distance measurement
Elsayed et al. Hybrid method based on multi-feature descriptor for static sign language recognition
Devi et al. Face Emotion Classification using AMSER with Artificial Neural Networks
Chen Design and simulation of AI remote terminal user identity recognition system based on reinforcement learning
McKeon et al. Employing region ensembles in a statistical learning framework for robust 3D facial recognition
Akhtar et al. Temporal analysis of adaptive face recognition
Alexander et al. Local Binary Pattern Histogram for Face Recognition in Student Attendance System

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20041008

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20061226

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20070223

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20070320

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20070326

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20110406

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120406

Year of fee payment: 5

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130406

Year of fee payment: 6

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130406

Year of fee payment: 6

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20140406

Year of fee payment: 7

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313113

S533 Written request for registration of change of name

Free format text: JAPANESE INTERMEDIATE CODE: R313533

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350