JP2002506299A

JP2002506299A - オラシスマルチセグメントパターンセットによるハイパーデータの圧縮（ｃｈｏｍｐｓ）

Info

Publication number: JP2002506299A
Application number: JP2000534963A
Authority: JP
Inventors: アントニアデス，ジヨン，エイ．; バウムバック，マーク，エム．; パウレス，ジエフリー，エイ．; グロスマン，ジヨン，エム．; ハース，ダニエル，ジイ．; パルマデソ，ピーター，ジエイ．
Original assignee: US Government
Current assignee: US Government
Priority date: 1998-03-06
Filing date: 1999-01-11
Publication date: 2002-02-26
Also published as: KR20010041681A; AU2454999A; WO1999045497A1; US6167156A; AU764104B2; WO1999045492A3; CA2322892A1; EP1068586A2; AU2455099A; WO1999045492A2; EP1068586A4

Abstract

(57)【要約】インテリジェントハイパーセンサ処理システム（ＩＨＰＳ）は、小さな、弱いあるいは隠されたオブジェクト、実体、あるいは複合背景の中に埋め込まれたパターンを高速検出するためのシステムであり、ある型式の「ハイパーセンサ」によって供給されるデータのパターン又はシグネチャーを偏析また認識するための高速適応処理を提供する。本システムは、リアルタイムでダイナミックシナリオ内に隠されたオブジェクト／ターゲットを検出しようと試みる時に直面する問題を解決することによって、隠されたオブジェクト検出のための従来のシステムに代わるシステムを提供する。ＩＨＰＳのＣＨＯＭＰＳの実施形態は、センサによって収集された膨大な量のデータを処理し、圧縮し、操作する効率的な手段を提供する。ＣＨＯＭＰＳは、適応学習モジュールパイプラインを使用して、必要なシーンマッピングデータと共に圧縮データセットを構築し、効率的な記憶、ダウンロード及び信号情報の劣化が最小の完全なデータセットのその後の再構築を容易にする。

Description

【発明の詳細な説明】

【０００１】（背景技術）本発明は、一般的に処理信号に関し、より詳しくは複合背景に埋め込まれたオ
ブジェクト、実体又はパターンを含むハイパーセンサデータセットの迅速な圧縮
のためのシステムに関する。ハイパーセンサは、その出力として高次元ベクトル
又は多くの別個の要素から構成されるマトリックスを作り出すセンサであり、要
素の各々は、システム又は構成中のシーンの異なった属性の測定値である。ハイ
パースペクトルイメージャはハイパーセンサの実例である。音響又は他の形式の
信号、あるいは入力信号の異なった形式の組合せに基づくハイパーセンサも可能
である。

【０００２】歴史的に、複合背景に埋め込まれた小さな弱い又は隠れたオブジェクト、実体
又はパターンの検出に関する問題に対し３つの形態のアプローチがあった。

【０００３】第１の方法は低次元のセンサシステムを使用することであり、このシステムに
よって、可能なすべての属性のある小さな慎重に選択されたサブセット、例えば
１つ又はいくつかのスペクトル帯の周知のターゲットの明瞭なシグネチャーを検
出する試みが行われた。ターゲットシグネチャーが他の信号と激しく混合された
場合、これらのシステムは一般的に困難を有し、したがってこれらのシステムは
、典型的に、サブピクセルターゲット又は混合物の少数の化学的成分を理想的な
状態の下でのみせいぜい検出できるだけである。ターゲットは一般的に少なくと
も１つのピクセルを満たすか、あるいはあるハイパースペクトル帯におけるよう
にある点で支配的でなければならない。また、最適なバンドの選択は観測条件又
は背景（例えば天気と照明）によって変動する可能性があり、したがって、この
ようなシステムは予測可能な安定した環境で最善に機能する。これらのシステム
は高次元のセンサ（ハイパーセンサ）よりも単純であるが、サブドミナントター
ゲットに対し感度がより低く、また適応性が低い傾向を有する。

【０００４】第２の方法は高次元のセンサシステムを使用することであり、このシステムに
よって、背景の表象を構成するために主要素分析（ＰＣＡ）又は同様の線形法を
用いることによって、複合背景の周知の（予め指定された）ターゲットを検出す
る努力が行われた。次に、ターゲットを背景から分離するために直角投影法が使
用される。この方法は複数の不都合を有する。背景を特徴づけるために使用され
る方法は典型的に「リアルタイムアルゴリズム」ではなく、この方法は相対的に
遅く、またデータセット全体を同時に操作する必要があり、したがってリアルタ
イム操作よりも後処理により適している。背景について調べている時にターゲッ
トが統計学的に重要な測定にあるならば、背景の特徴付けは混乱することがあり
、プロセスを失敗させる。また、ターゲットシグネチャーの外観は環境状態によ
って変動する可能性があり、このことは予め明らかにする必要があるが、一般的
に行うことが非常に難しい。最後に、これらのＰＣＡ法は、予期しない目標を検
出し、また説明することに適していない（詳細に予め指定されなかったが、重要
であるかもしれないオブジェクト又は実体）。その理由は、これらの方法によっ
て構成される背景の表象が、非物質的なまた予想し難い方法で実際のシーン構成
要素の特性を混合しているからである。ＰＣＡ法は圧縮案のために使用されるが
、同一の多くの欠点を有する。線形ベクトル量子化（ＬＶＱ）も圧縮のために使
用される。現在のＬＶＱ案は、データを圧縮するために最小雑音部分（ＭＮＦ）
あるいはＰＣの平均パターンを使用し、この方法は遅くまたセンサ特性に関する
事前の知識を必要とする。

【０００５】より最近の方法は、「エンドメンバ(endmember)」問題に取り組む試みを行っている従来の凸集合法に基づく。エンドメンバは１組の基本的シグネチャーであ
り、これからデータセットに観測されるすべてのスペクトルは、凸結合、すなわ
ち非負の係数を有する加重和の形態で合成することができる。非負状態は、任意
の要素の負の部分を収容できないスペクトルの混合として、和を感覚的に解釈で
きることを保証する。かくして、すべてのデータベクトルは、ある誤差許容以内
までエンドメンバの混合である。エンドメンバが適切に構成されるならば、エン
ドメンバは、観測されるシーンの実際の要素のシグネチャーパターンに近似を示
す。直角投影技術は、各データベクトルをその構成エンドメンバ内に偏析するた
めに使用される。これらの技術は、概念的に以前の方法の最も強力な方法である
が、凸集合構想を実施するための現在の方法は遅く、（リアルタイム方法ではな
い）、また高次元のパターン空間を処理することができない。ターゲットよりも
より支配的なシーンのすべての要素をエンドメンバ集合で明らかにし、弱いター
ゲット問題を高次元にしなければならないので、上記の最後の問題は重大な制限
となり、弱いターゲットを検出するには上記方法を不適当にする。さらに、現在
の凸集合法は、発生頻度に関して支配的なシーンの要素に優先性を与え、明らか
に雑音上方にあるが、データセットではまれにしか起こらないシグネチャーパタ
ーンを無視する傾向を有する。このことは、ターゲットパターンが予め完全に指
定されないならば、強力であるが、小さなターゲットを検出するには凸集合法を
不適当にする。

【０００６】高次元のパターン空間で操作する場合、各ピクセルについて何億もの計算を必
要とする大量のデータを管理しなければならない。かくして記憶、ダウンロード
、及び／又はリアルタイム分析のための大量のデータを圧縮する必要性がますま
す重要となり、また同様に分かりにくくなっている。

【０００７】（発明の開示）したがって、本発明の目的は、複合背景に埋め込まれたオブジェクト又は実体
を検出するためのスペクトル情報を維持しつつ、マルチスペクトルデータを圧縮
することである。

【０００８】本発明の他の目的は、多次元分析を処理する能力を有する化学的、音響学的、
あるいは他の形態のハイパーセンサからの多次元のデータセットを正確かつ迅速
に圧縮することである。

【０００９】本発明の他の目的は、既存の方法と比較して計算上の負担の大幅な低減を提供
する高速の組のアルゴリズムによって信号を処理し、またデータを圧縮すること
である。

【００１０】本発明の他の目的は、ダイナミックシナリオのリアルタイム動作を提供する並
列処理を用いて、システム内のハイパースペクトル又はマルチスペクトルデータ
を圧縮することである。

【００１１】本発明のこれらの目的及び追加の目的は以下に説明する構造とプロセスによっ
て達成される。

【００１２】オラシスマルチセグメントパターンセットによるハイパーデータの圧縮、（Ｃ
ＨＯＭＰＳ）、システムは、ＣＨＯＭＰＳアルゴリズムを使用するインテリジェ
ントハイパーセンサ処理システム（ＩＨＰＳ）の改良バージョンであって、デー
タ出力のサイズを圧縮し、またＩＨＰＳプリスクリーナ操作又は他の多次元信号
処理システムの匹敵する操作の計算効率を高める。ＣＨＯＭＰＳ構成のプリスク
リーナは、最小数の操作により標本集合を構築するために用いられる構造化サー
チ法を使用する。ＩＨＰＳは、多数のセンサの出力を結合することによって一連
のパターンベクトルを形成する。センサからのデータストリームは、パイプライ
ンアーキテクチャを使用する処理システムに入力される。データストリームは、
同時に２つの独立したプロセッサパイプラインに送られる。デミキサパイプライ
ンと呼ばれる第１のプロセッサパイプラインは、デミキサモジュールを備え、こ
のモジュールは、各パターンベクトルを、混合の要素である１組の基本的なパタ
ーンの凸結合に分解する。分解は、適応学習モジュールを含む適応学習パイプラ
インと呼ばれる第２のパイプラインで生成される「フィルタベクトル」と呼ばれ
る投影操作を用いて達成される。弱い要素又は未定の小さなターゲットのシグネ
チャーパターンは、混合されていないデータの中にターゲットパターンを隠して
いる可能性のある背景パターンから分離される。偏析されたデータパターンの組
成を詳述する情報は、基本的なパターンとフィルタベクトルとに関する情報と共
にディスプレイ／アウトプットモジュールに送られる。

【００１３】ＩＨＰＳのＣＨＯＭＰＳ実施形態は、センサによって収集された膨大な量のデ
ータを圧縮して、操作する効率的な手段を提供する。ＣＨＯＭＰＳは、圧縮され
たデータセットを構築するために、必要なシーンマッピングデータと共に、プリ
スクリーナ、デミキサパイプライン及び適応学習モジュールパイプラインを使用
し、効率的な記憶、ダウンロード及び信号情報の劣化が最小の完全なデータセッ
トのその後の再構築を容易にする。

【００１４】（発明を実施するための最良の形態）次に、図面を参照すると、同様の参照番号は複数の図面の全体にわたって同様
の要素を示し、図１はデータキューブの図面と、空間及び波長情報の配向とを示
している。ＩＨＰＳは、多数のセンサの出力を結合することによって一連のパタ
ーンベクトルを形成する。各センサは観測されるシステムの異なった属性を測定
し、また他のすべてのセンサに対して一貫した関係を有する。

【００１５】好適な実施の形態では、光学システムは航空機又は宇宙船で使用することが可
能である。飛行機が対象領域の上方をあるいはそれに近接して飛ぶ時、下のシー
ンの連続スナップ写真を撮ることによって、ハイパーセンサ１０は対象のシーン
又は領域を走査する。各スナップ写真はスペクトルデータのフレームを構成する
。スペクトルデータはフレーム２１０によって走査されるフレームであり、また
輝度の変化として表示される。光学的な実例では、フレーム２１０は、シーンの
狭い直線的な帯から光を取り入れる狭いスリットの２次元焦点面の回折像である
。光学センサの別形態の配置が可能である。各フレーム２１０は複数回線２０５
を含み、各ライン２０５は、走査される領域の特定座標に相関するシーンの特定
の点に関するスペクトル特性である。空間情報がＸ軸に沿って表され、また波長
情報がλ方向に含まれるように、各フレーム２１０は構成される。図１に例示し
たように、データキューブ２００は連続フレーム２１０（異なった空間帯）の結
合によって創成され、又はイパーセンサによって供給されるシーンの観測スペク
トルデータを表す。データキューブ２００を創成するために使用される観測スペ
クトルデータは、ベクトル形式で表され、また一度に１つの空間ピクセル、すな
わち１つのスペクトルが処理される。各ピクセルは、標準化を実行すると共に悪
いスペクトルデータを一掃するプリプロセッサ（図示せず）に送られ、悪いスペ
クトルデータは、不完全なスペクトル情報により損なわれたデータ、さもなけれ
ば不用のデータである。

【００１６】次に、ベーシックシステムアーキテクチャのブロック図を示す図２を参照する
と、センサからのデータストリームは、並列パイプラインアーキテクチャを使用
する処理システム１００に入力される。データストリームは、同時に、２つの別
々のプロセッサパイプ、１つは偏析１４０のために、１つは適応学習操作１５０
のために送られる。デミキサモジュール２０は、各パターンベクトルを、混合の
要素である１組の基本的なパターンの凸結合に分解する。分解は、適応学習モジ
ュール３０によって第２のパイプラインで生成される「フィルタベクトル」と呼
ばれる投影操作を用いて達成される。ハイパーセンサ１０がデータを収集し、ま
た収集したデータをプリスクリーナ５０に伝送する。プリスクリーナ５０は、標
本を、あるいは新しいか又は有用な情報を含む可能性のあるハイパーセンサ１０
によって収集されたデータを抽出することによってサバイバ集合を構成する。弱
い要素又は未定の小さなターゲットのシグネチャーパターンは、混合されていな
いデータの中にターゲットパターンを隠している可能性のある背景パターンから
分離される。既知のターゲットのシグネチャーに関する事前の知識を利用するこ
とができ、また未知の要素の近似的なシグネチャーが自動的に決定される。偏析
されたデータパターンの組成を詳述する情報は、基本的なパターン及びフィルタ
ベクトルに関する情報と共に出力モジュール４０に送られる。学習モジュール３
０は最小化操作を実行し、また標本集合情報を低次元の空間に投影し、エンドメ
ンバとフィルタベクトルとを生成する。

【００１７】他の型式のハイパーセンサのために、センサアレイによって作り出されるスペ
クトルベクトルは、異なった周波数の音の振幅のような他の形態のデータ要素の
ベクトルによって置き換えられるであろう。入力データベクトルの構成は、セン
サの型式に依存してある程度変わることが可能である。入力データの形態と構成
におけるセンサ依存のこれらの変化は別として、処理システムの動作、能力及び
出力は同じままであろう。

【００１８】再び図２を参照すると、次にベクトルデータｄは同時に適応学習及びデミキサ
プロセッサパイプに送られる。図に例示したこの並列処理アーキテクチャは好適
な構造であるが、このシステム、アルゴリズム及び本出願に含まれるハードウェ
アは、従来のアーキテクチャを有するシステムで使用することが可能である。デ
ミキサプロセッサパイプライン１４０は、各パターンベクトルｄｋを、混合のエ
ンドメンバ又は要素である１組の基本的なパターンの凸結合に分解するデミキサ
モジュール２０を備える。分解は、適応学習モジュール３０によって生成される
「フィルタベクトル」と呼ばれる投影オペレータを用いて達成される。

【００１９】フィルタベクトルＦ_ｉは１組の最適マッチドフィルタであり、これらベクトル
は次の条件を満たす最小のベクトルである。

【数式１】ここで、δ_ｉｊはクロネッカーデルタ関数（ｉ＝ｊならばδ_ｉｊは１に等しく、
さもなければ０）であり、またベクトルＥ_ｊはシーンのエンドメンバであり、か
くして、各データベクトルｄ_ｋ（スペクトル）はエンドメンバ＋雑音ベクトルＮ _ｋの凸結合である。

【数式２】フィルタベクトルＦ_Ｊを有するｄ_ｋの内積は、和の中にエンドメンバＥ_ｊの係数
と、雑音による小さな誤差とを生じ、ここでＪはＪ番目のエンドメンバである。

【数式３】これによって、エンドメンバＪがスペクトルｄ_ｋに対して行う貢献が決定される
。フィルタベクトルは、直交条件によって課せられる制約に従い、上述の最小化
問題（最も小さい大きさ）を解決することによって確認される最適なマッチドフ
ィルタである。解は次の形式を有する。

【数式４】ここで、フィルタベクトルはマトリックスＦの列であり、エンドメンバ（単位大
きさを有すると仮定）はマトリックスＥの列であり、またマトリックスＭは要素
Ｍ_ｉｊ＝Ｅ_ｉ＊Ｅ_ｊを有する。

【００２０】フィルタベクトルは、弱い構成要素又は未定の小さなターゲットのシグネチャ
ーパターンを、スペクトルデータの中にターゲットパターンを隠している可能性
のある背景パターンから分離するのを可能にする。フィルタベクトルは、一度に
１つのエンドメンバを投影して出すことによってスペクトルを偏析する。

【００２１】ＣＨＯＭＰＳはフィルタベクトル操作に限定されない。スペクトルを偏析する
ために、スペクトルマッチドフィルタ（ＳＭＦ）又は類似物の使用のような当業
者に既知の複数の方法があり、その任意のものが圧縮使用に適切であり得る。

【００２２】偏析されたデータスペクトルの組成を詳述する情報Ｃ_ｋｊは、基本的なスペク
トルパターンに関する情報Ｅ_ｊと共に、デミキサモジュールからデミキサパイプ
ライン１４０を通してディスプレイ／アウトプットモジュール４０に送られ、ま
たフィルタベクトルが適応学習モジュール３０から適応学習パイプライン１５０
を介して送られる。ディスプレイ／アウトプットモジュール４０はシーンの構成
要素の分布を表示し、後の分析のための偏析データを伝送するか又は記憶する。

【００２３】適応学習又は第２のプロセッサパイプライン１５０はプリスクリーナ５０と適
応学習モジュール３０とを備える。プリスクリーナ５０のオブジェクトは、着信
する各スペクトルベクトルｄを最新の標本集合｛Ｓ｝と比較することによって、
標本集合｛Ｓ｝をユーザ特定の精度まで生成することである。

【００２４】次に図３を参照すると、プリスクリーナ５０は、プリプロセッサ（図示せず）
からデータベクトルｄを受け取り、またサバイバ又は標本集合５５と呼ばれるベ
クトル又は標本集合の低減された集合を生成する。次に、標本集合５５は適応学
習モジュール３０に伝送される。プリスクリーナ５０は、冗長な情報を含むスペ
クトルシグネチャーを処分することによって処理されたデータ量を低減する。こ
れによって、学習パイプラインの他の要素に対する計算上の負担が低減される。
標本集合５５は合計入力ストリームよりも概して１％少ないが、そのサイズは条
件と用途に応じて変動する。

【００２５】ＣＨＯＭＰＳでは、プリスクリーナ５０は、用途の適時性条件と処理システム
ハードウェアとに応じて複数の異なった方法で実施される。好適な実施形態では
、プリスクリーナモジュールは、マルチスレッド又はメッセージマルチプロセッ
サ動作を用いて実施される。次に、マルチスレッド動作を用いたＡＬＭプロセッ
サパイプライン１５０のブロック図を示した図１４を参照すると、センサ１０に
よって生成されるデータは多数のプロセッサパイプを通過する。データセットは
、各プリスクリーナ５０が入力ストリームの異なった部分を処理するように、分
割される。プリスクリーナが結合されて、各プリスクリーナモジュール５０が標
本集合情報を共有し、他のプリスクリーナからの最新条件を更新かつ受信するこ
とを可能にする。これによって、各プリスクリーナは、各プリスクリーナ５０に
よってベクトルデータセット｛ｄ｝から抽出された標本を反映する完全な標本集
合｛Ｓ｝を構築することが可能になる。マルチスレッド動作では、プリスクリー
ナ５０は、独立した操作のために切り離すこともできる。このモードでは、各プ
リスクリーナは完全なデータセットを処理し、また別個のソフトウェアモジュー
ルは並列プリスクリーナの出力を単一の標本集合にまとめる。

【００２６】次に、完全で更新された標本集合｛Ｓ｝はエンドメンバ生成用のＡＬＭ３０に
送られる。エンドメンバデータとフィルタベクトルは出力モジュールに送られる
。

【００２７】かくしてＣＨＯＭＰＳは、迅速かつ効率的に非常に大きなデータセットをサン
プリングし、またデータセットの大きな「塊」をプリスクリーンすることによっ
て標本集合を生成することができる。本出願の全体にわたって説明した圧縮及び
計算上の管理技術と結合して、プリスクリーナレベルで並列処理を用いる機能は
、ＩＨＰＳとＣＨＯＭＰＳの効率の本質的な改良をもたらし、リアルタイム動作
エンベロープを延ばす。

【００２８】また、図１４に例示したマルチプロセッサ構造は、機械のネットワーク内に分
布した多数のプリスクリーナを使用して利用することも可能である。また、ＣＨ
ＯＭＰＳはシングルスレッド操作を用いて利用することができ、この場合各ベク
トルは単一プロセッサによって連続的に処理される。

【００２９】図３は、プリスクリーナ５０の論理動作のフローチャートを例示している。プリスクリーナ５０は、サンプリングされた直近のピクセルのデータスペクトル
を標本集合５５の既存の要素と比較することによって５４、標本集合｛Ｓ｝を生
成する。標本集合は、次の関係に従ってドット操作を実行することによって生成
される。

【数式５】ここで、ｄ_ｉはｉ番目の新たにサンプリングされたデータベクトルであり、Ｓ_ｊは既存の標本集合ベクトルであり、またεはしきい値感受性を制御する変数であ
る。ここで、ベクトルｄ_ｉとＳ_ｊは単位大きさに標準化されると仮定される。か
くして、条件ｄ_ｉ・Ｓ_ｊ＝１は２つのベクトルが同一であることを意味し、また
条件ｄ_ｉ・Ｓ_ｊ＞１−εは、εが小さければ、２つのベクトルがほとんど同一で
あることを意味する。任意の標本Ｓ_ｊの上記の条件を満足するｄ_ｉのベクトルは
処分され５２、また次のベクトルが検証される。処分されたベクトルは標本集合
に含まれない。各標本の拒絶カウントは将来の呼び出しのためにアレイに記憶さ
れる。オペレータ又は制御システムによって設定されるεの値は、所望の標本集
合サイズ、標本集合値のメモリ長さ、データの所望の処理量及び信号５６の雑音
の関数である。一般的に、εの値が増加するにつれてシステムの感受性は減少す
る。プルーナ５１は、標本集合ベクトルＳ_ｊをメモリからいつ一掃すべきかを決
定するメモリ管理装置である。プルーナ５１は標本集合５５を監視し、また制御
パラメータを調整して標本集合サイズを制御する。これは、εの値と、標本の許
容される最高年数とを設定することによって達成され５４、前記最高年数によっ
て標本集合に追加するためのしきい値と、再生されることなく標本が標本集合内
に留まることを許される時間が決定される。

【００３０】ｄ_ｉ・Ｓ_ｊ＞１−ε比較で使用された標本集合ベクトル、Ｓ_ｊは、標本集合５
５の徹底的な分析を提供しつつドット操作数を最小にするように、構造化サーチ
技術を利用して選択することが好ましい。これは、新たにサンプリングされたデ
ータベクトルと、標本集合内に入力された直近のベクトルとを比較することによ
って達成することが可能である。完全なマッチに必要な操作数を最小にする他の
サーチ法もまた適切である。ＣＨＯＭＰＳは、以下に詳細に説明する有効なプリ
スクリーナ動作に必要な操作数を、最小にするように設計されたこのような複数
の構造化技術を利用する。

【００３１】ＣＨＯＭＰＳによって使用される計算管理技術はフォーカスサーチングと呼ば
れる。適切な標本を迅速に配置できるように、また新しいデータベクトルｄ_ｉが
既存の標本Ｓ_ｊと同様であるかどうかについて決定できる前に必要な標本比較の
数を減らすために、フォーカスサーチングは、着信データベクトルｄ_ｉと標本Ｓ _ｊとの比較をフォーカスすることに一般的に関係する優先性サーチとゾーンサー
チとを含む。

【００３２】優先性サーチでは、ＣＨＯＭＰＳは標本年数、過去の比較又は他のある統計的
基礎に基づき、ある標本に他のものよりも高い優先性を割り当てる。より高い優
先性が指定された標本は、当初、ｄ・Ｓ＞１−εプリスクリーナ比較で使用され
る。必要ならば、下位の優先性を有する標本は後に使用される。

【００３３】好適な実施の形態では、ＣＨＯＭＰＳが使用するそのような１つの計算管理技
術はポップアップテストと呼ばれる優先性サーチ技術の形態である。ポップアッ
プテストはポップアップスタックと呼ばれるデータ構造を使用する。ポップアッ
プスタックは、着信スペクトルデータベクトルｄ_ｉを直近に拒絶した標本ベクト
ルＳ_ｊのみを含む標本集合｛Ｓ｝のサブセットである。これらのベクトルは、直
近の標本入力と、直近に候補標本を拒絶した標本とを含む。データベクトルが他
の標本集合要素と異なっていると決定された場合、ポップアップスタックに入力
される。

【００３４】次に、ポップアップスタックテストのフローチャートを示す図１６を参照する
と、プリスクリーナは、最初にセンサからデータベクトルｄ_Ｎを受信し５５６、
ここで、Ｎはベクトルが受信される順序である。次に、プリスクリーナは、ｄ_ＮがＳ_ｊと類似しているかどうかを決定するために標準内積比較を実行する。不等
式の条件が満足されるならば、ｄ_ＮはＳ_ｊと類似しているか、あるいは反復デー
タとして拒絶され５６５、また次のデータベクトルｄ_Ｎ＋１が検索される５６６
。次に、Ｓ_ｊはスタックのトップに配置され５６７、この結果、サンプリングさ
れる次のデータベクトルはＳ_ｊと最初に比較される。条件が満足されないならば
、プリスクリーナはスタックＳ_ｊ＋１の次の標本を検索し５５５、またｄ_Ｎ・Ｓ _ｊ＞１−ε比較を繰り返し５６４、ここでＳ_ｊ＝Ｓ_ｊ＋１である。条件が満足さ
れるならば、プリスクリーナは類似しているとしてｄ_Ｎを再び拒絶し５６５、Ｓ _ｊ＋１をスタックのトップに配置し、また比較のために次のデータベクトルｄ_Ｎ _＋１を検索する５６６、５５６。条件が満足されないならば、プリスクリーナは
次のテキストを継続する５７０。

【００３５】かくして、ポップアップスタックは最後の標本に優先性を与えて、データベク
トルを類似しているとして拒絶する。リジェクタと呼ばれ、この標本は、より遠
い拒絶履歴を有する標本よりも次の着信データベクトルに類似している可能性が
統計学的により高い。かくして、ポップアップテストは、単一の比較動作によっ
てベクトルを類似しているとして迅速に分類する機会を改善する。ポップアップ
スタックの別の形態が可能であり、例えば最新のリジェクタに最高の優位性（最
初の比較で使用）を割り当てないことが可能であり、他の大多数の標本により高
い優先性を与えることが可能である。

【００３６】好ましくは、ポップアップテストは２又は３サイクルを越えて実行されないが
、ポップアップテストの多数の反復を実行することが可能である。好適な実施形
態では、２又は３サイクル後に、ＣＨＯＭＰＳは次にゾーンサーチを実行する。

【００３７】ゾーンサーチでは、ＣＨＯＭＰＳは基準点を選択し、また基準に対する標本集
合｛Ｓ｝と着信データベクトルｄとの関係に従ってそれらを規定する。標本デー
タセット｛Ｓ｝にはラベルがはられ、また基準点との規定されたある関係に従っ
て記憶され、前記基準点は、データベクトルｄ_ｉに関してパラメータを満足する
標本Ｓ_ｊをプリスクリーナが迅速に呼び出すのを可能にするように構成される。
かくして、ＣＨＯＭＰＳは基準点に対する着信データベクトル関係を利用し、標
本のゾーンを規定して、ｄ_ｉと比較すると共に着信データベクトルｄ_ｉが新しい
情報を含んでいるかどうか決定することができる。

【００３８】好適な実施形態ではＣＨＯＭＰＳは基準点としてベクトルを指示する。これら
のベクトルは基準ベクトルと呼ばれる。基準ベクトルは、標本集合｛Ｓ｝とデー
タセット｛ｄ｝のベクトルが規定される基準点として利用される。基準ベクトル
は任意であることが可能であるが、標本投影が各基準方向で最大可能なスプレッ
ドを生み出すように基準ベクトルが選択されるならば、必要な計算数のさらなる
低減が達成される。基準ベクトルは、現在の標本集合の最大の主要素に対する近
似として選択することが可能である。好適な実施形態では、基準ベクトルは当初
任意に選択され、またプリスクリーナが標本集合を構築すると、ＣＨＯＭＰＳは
主要素分析（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔｓＡｎａｌｙｓｉｓ）
を用いて、１つ以上の基準ベクトルを指定する。

【００３９】主要素分析では、ＣＨＯＭＰＳは標本ベクトルと各標本に関する拒絶カウント
とを使用して、共分散行列を見積もる。より多くのイメージピクセルが到着する
につれ、更新が有益であるかどうかについての使命条件と考慮とに基づき、基準
ベクトルが更新される。ＣＨＯＭＰＳでは、データベクトルは、基準ベクトルへ
のそれらの投影に基づきアドレスされる。

【００４０】次に、基準ベクトルＲとその上に投射された標本集合ベクトルＳ_Ｎとを例示し
た図１５を参照すると、基準ベクトルと各着信スペクトルベクトルとの間の角度
θ_Ｎが計算される。各標本の基準角は、角度θ_Ｎが将来の呼び出しのためにどの
ベクトルを表すかを示す表示と共に、アレイ又はテーブルに記憶される。

【００４１】好適な実施形態では、標本集合データ、標本数及び基準ベクトルに対するその
配向は、当業者に既知のリンクリスト又はハッシュテーブルに収容され、この結
果プリスクリーナによって、各標本を基準角θ_Ｎの関数として迅速に突き止めか
つ呼び出すことができる。かくして、実際の基準角は記憶する必要がなく、基準
角は、入力が占めるアドレスの関数として決定される。リンクリストへの新規入
力が行われると、標本が変更される度毎にアレイ全体をシャッフルまた再ロード
するよりも、むしろアドレスポインタが変更される。

【００４２】ＣＨＯＭＰＳの好適な実施形態は標的テストの形態も利用して、新しいデータ
ベクトルｄを類似しているとして拒絶する可能性が高い現在の標本集合内の標本
を突き止める。

【００４３】標的テストでは、ＣＨＯＭＰＳは基準ベクトルの標本投影と協働して基準ベク
トルのデータベクトル投影を利用して、着信ベクトルにおそらくマッチできなか
った既存のすべての標本を除去する。ＣＨＯＭＰＳは、可能なマッチが生じる可
能性のある領域を画定する円錐を構築して、その範囲内に落ちない標本を除くこ
とによって、これを達成する。

【００４４】標的テストは、新しいデータベクトルと基準ベクトルとによって規定される角
度を用いて、指定された角度精度（θ_ε）に新しいスペクトルベクトルをマッチ
させる現在の集合内のすべての標本を突き止め、ここでθ_ε＝ｃｏｓ^−１εであ
る。次に、それらの標本は標準プリスクリーナ比較不等式（ｄ_ｉ・Ｓ_ｊ＞１−ε
）によって使用されて、ｄｉがＳｊに類似しているかどうかについて決定を行う
。

【００４５】図１７は、基準ベクトルＲ６００と、可能なマッチ（標本拒絶）が生じる可能
性のある範囲を規定する円錐６１０とを例示している。マッチゾーン６２０−６
２２内の標本のみが新しいデータベクトルと比較される。最大厚さ２＊ｅのｑｉ
６６０に中心を有する環形を形成するマッチゾーン６５０に含まれるこれらの標
本は、所定の精度内の基準ベクトル上に類似の投影を有するそれらのベクトルを
表す。標本投影がマッチゾーン内に落ちなければ、その標本をデータベクトルｄ
ｉと比較する必要がない。これは、そこではデータベクトルｄｉは、マッチゾー
ン６５０の厚さによって規定される所望の精度で類似しないからである。

【００４６】標的テストでは、ＣＨＯＭＰＳは、基準ベクトルに対する角度によって順序づ
けられる標本テーブル内に入力のインデックスリストを維持することによって、
どのベクトルが環形内に位置するかを決定する。ゾーンが計算されると、θ_０で
始まりまた両方の方向に逸脱する角度を有する標本に対して候補ベクトルが比較
される場合に、ジグザグサーチが実行される。ゾーン全体がマッチしないなら、
ベクトルは新しい情報を含むように決定され、新しい標本として指定されまた標
本集合｛Ｓ｝に加えられる。

【００４７】かくして、基準ベクトルＲと標的テストを用いることによって、全体の標本集
合をテストするのに必要な比較の数は数千から２０のオーダに低減される。

【００４８】標的テストの代替実施形態では、サーチの精度と速度の相当の増大が、それぞ
れがそれ自身の関連標的を有する多数の基準ベクトルを指示することによって実
現される。１つのこのような実施形態が、ダブル標的円錐として説明可能なもの
を示している図１８に示されている。第１の円錐６１０は基準ベクトルＲに関し
て規定され、また第２の円錐７１０は第２の基準ベクトルＲ２７００を基準に
して規定される。新しいデータベクトルにマッチする候補である標本は、各基準
ベクトル７７７＊と８８８のマッチゾーンの交差部内に配置される。多数の基準
ベクトルによって規定される多数の標的を使用することによって、「ホットゾー
ン」あるいはマッチしていると思われる標本が存在しなければならない領域が低
減される。同時に両方のマッチゾーンを占めるベクトルのみが可能性のあるマッ
チであり、また新しいデータベクトルと比較する必要がある。図１８を参照する
と、このテスト条件を満足する唯一のベクトルは標本６２０である。かくして、
ＣＨＯＭＰＳは、標本６２０を可能な例外として、データセット内のすべての標
本がリジェクタ（データベクトルｄに類似していない）でないと結論することが
できる。ＣＨＯＭＰＳと標的テストの別形態とを使用することによって、プリス
クリーナは、プリスクリーナの比較テストから大多数の標本集合（標本６２０以
外のすべての標本）を除き、またデータベクトルと標本６２０とを比較した後、
すなわち単一比較の後、着信データベクトルが標本集合の標本に類似しているか
又はそれと異なっているかを示すことができる。

【００４９】ポップアップスタックのための２つ又は３つの比較を除いて、新しいデータベ
クトルが新しいデータを含み、また標本集合に加えるべきかどうかをプリスクリ
ーナが決定できる前に、１つのみの内積動作を処理するだけでよい。

【００５０】ゾーン形態テストの代替実施形態を使用して、使命条件と所望の精度に応じて
、プリスクリーナ上のコンピュータ負荷を最小にすることが可能である。例えば
実体標的テストを使用することが可能である。実体標的テストでは、完全な標本
集合よりもむしろベクトル拒絶合計が最も多い標本のみが使用される。

【００５１】標的テストのさらにもう１つの別形態では、冗長標本の生成が最小であるが、
アルゴリズム速度が増加する重要なファクタによって、適合ゾーン幅を小さくす
ることができる。基準ベクトルを有する角度θ_０を作る候補標本については、マ
ッチゾーンの幅はδによって与えられ、ここで、

【数式６】

【００５２】シーンを表すデータセットは、自動シーン分割モードと完全シーンモードとを
含む３つのモードのいずれか、あるいは適応／連続モードを使用して処理するこ
とが可能である。

【００５３】自動シーン分割モードでは、シーンは一連のセグメントに分割され、またプリ
スクリーナによって一度に１つのセグメントが処理される。セグメントサイズは
標本集合サイズの関数として決定される。この別形態は、特に動画像の解像を試
みる時に複数の利点を提供する。一般的に、動画像又は複合画像では、指定精度
を維持するためにより大きな標本集合が必要である。標本の数が増加するにつれ
て、処理時間が非常に急激に増加し、また圧縮比は減少する。複合設定のシーン
セグメントの中に加えられた次元性と標本は、標本を作り出したセグメントに影
響を与えるだけであり、おそらくより単純な後に続くセグメントに影響を与えな
いので、自動セグメンテーションは圧縮効率も増加することが可能である。

【００５４】完全シーンモードは、シーンがいくつかのより小さいセグメントとしてよりも
むしろ１つの連続的なデータセットとして扱われるという点を除いて、自動セグ
メンテーションモードに同一である。単一又は多数分割モードで操作する間に、
プリスクリーナは、各セグメント又はデータブロックの終わりにエンドメンバを
計算するための適応学習モジュール（ＡＬＭ）に標本集合を送る。

【００５５】適応モードでは、有限であるが、更新可能なライフタイムを標本に注入するこ
とによって同一の効率が達成され、すなわち、標本が予め規定された時間／フレ
ーム間隔の間に新しいベクトルとのスペクトルマッチを示さなかったならば、標
本は長期システムメモリに記憶される。個々の模範の寿命はエンドメンバへのそ
れらの関係とそれらのスペクトルのパターンの重要性に譲渡された優先性に依存
する。例えば、重要なサブピクセルオブジェクトを含む標本には、背景実体の変
化を含む標本よりも長いライフタイムが割り当てられる。

【００５６】適応／連続モードでは、新しい標本が囲み部分空間の次元性を変更する時、あ
るいは使命に依存する現在のエンドメンバ集合又は他の基準によって規定される
部分空間の外側に位置する新しい標本が規定される時、ＡＬＭサイクルが誘発さ
れる。

【００５７】新しい標本が確認された場合、その標本はＡＬＭによって作り出された直交基
底集合に投影して、新しいスペクトルが部分空間の次元性変更を作り出したかど
うかを確認することができる。エンドメンバ空間の投影は、現在のマッチドフィ
ルタベクトルを利用して、部分空間が、ＡＬＭのシュリンクラップ要素によって
決定される現在のシンプレックスの制約を通過して拡大したかどうかを示す。い
ずれかのテストによってＡＬＭにトリガが信号で送られる。最後のＡＬＭ以降の
イメージフレームの数のような追加の基準が、過剰の数の学習サイクルの誘発を
回避するために使用される。

【００５８】再び図２を参照すると、プリスクリーナ５０によって計算されるような標本集
合データは、適応学習モジュール３０に入力される５８。学習モジュール３０は
、標本集合から、現在のシーンを一緒に張る１組のエンドメンバ｛Ｅ｝を計算す
る。エンドメンバは１組の基本的なパターン（ベクトル）であり、そこからデー
タセットの任意のパターンベクトルを、雑音又は他の誤差基準によって決定され
る誤差以内に、低減次元空間の凸結合として再構築することができる。すべての
観測されたスペクトルベクトルｄｋが従来の基底ベクトルの凸結合として表示可
能であるという必要条件は、このような混合がこの特性を持たなければならない
ので、分解が要素の物理的混合として意味をなすことを保証する。得られるパタ
ーンは、シーンの実際の構成要素のシグネチャーに可能な限り一致する。

【００５９】次に図１２を参照すると、学習モジュール３０は凸角を用いる順序づけられた
グラム・シュミット分析を利用して、標本集合に含まれるスペクトル情報を保持
しつつ、低減次元のスパン空間１２５を構築する。スパン空間はスペクトルの無
比性の階層に基づき構築される。次に、ベクトルデータとして表された標本集合
の観測されたスペクトルは、スパン空間１２６内に投影される。ピクセル純度決
定アルゴリズムも利用して、凸角のサブセットを規定し、次にグラム・シュミッ
ト分析によって集合を完成することが可能である。エンドメンバの計算は、学習
モジュール３０によって、標本集合データのグラム・シュミット／凸角分析を用
いて標本集合データを低減次元のスパン空間に投影し、またグラム・シュミット
／凸角分析を用いて規定されたスパン空間体積を最小にするためにシュリンクラ
ップ最小化１２７を利用することによって実行される。エンドメンバは、図８に
例示したように、最小のスパン空間１２８によって規定されたハイパートライア
ングルの頂点によって規定される。

【００６０】グラム・シュミット／凸角（Ｓａｌｉｅｎｔ）分析スパン空間は、標本集合ベクトルのグラム・シュミット／凸角分析を用いるこ
とによって規定される。標本集合データを含むパラメータベクトル空間では、空
間内で最も遠く離れた２つのベクトルを決定し、次に、これらの２つのベクトル
によって形成された面内で、面内に位置する相互に直交の２つのベクトルを選択
する。これらの相互に直交のベクトルは、以下に明らかにする理由のため、便宜
上基底ベクトルと呼ぶ。次に、面から最も遠いデータキューブのベクトルを選択
し、また基底ベクトルと新たに選択されたベクトルが位置する超平面を識別し、
また超平面に位置して、他の２つの基底ベクトルに対し相互に直交するように、
第３の基底ベクトルを選択する。このプロセスは繰り返され、また最も遠くに留
まっているベクトルが、すべての基底ベクトルを含む超平面の所定の距離内にあ
ることが確認されるまで、ますます相互に直交の基底ベクトルを蓄積する。この
時点で、標本集合ベクトルは、これらの基底ベクトルによって規定された低減次
元の空間に投影される。

【００６１】作業しなければならないベクトル空間の次元の低減によって、ＣＨＯＭＰＳは
、任意の計算を実行するために行わなければならない操作の数をそれに応じて低
減する。データベクトルのどれも基底ベクトルによって張られる超体積の外側か
ら非常に遠くに位置しないので、ベクトルをこの部分空間内に投影することによ
ってベクトルの大きさ又は方向はほとんど変更されず、すなわち投影はすでに小
さくなった各ベクトルの構成要素を単に発散するだけである。さらに、このよう
な構成要素は必ずあまりに小さすぎて重要なイメージの特徴に対応できないので
、これらの構成要素は雑音である可能性が不釣り合いに高く、またそれらを処分
することはシステムの信号対雑音比を増加する。

【００６２】標本集合データのグラム・シュミット／凸角分析は次のアルゴリズムに従って
実行される。ａ）最も遠く離れた２つの標本ベクトル、Ｖ_１とＶ_２を指示する。図４はＶ_１とＶ_２の配向と、Ｖ_１とＶ_２が規定する面を例示している。ｂ）図５に例示したようにＰＶ_０１２とラベルが付けられた、Ｖ_１とＶ_２によ
って規定された面にＶ_１０とＶ_２０とラベルがつけられたＶ_１とＶ_２から基底ベ
クトルの２次元直交集合を生成する。ｃ）図６で〜Ｓ_１と規定された面ＰＶ_０１２に関して凸角ベクトル（面から最
も遠くに変位されたベクトル）を決定する。ｄ）凸角〜Ｓ_１はベクトルＳ_１⊥とＳ_１‖の和であると表すことができ、ここ
でＳ_１⊥は面ＰＶ_０１２に対して直交であり、Ｓ_１‖は面内に位置する。グラム
・シュミット手順を使用してＳ_１⊥を確認し、またこれをＶ_３０と呼ぶ。次にＶ _１０、Ｖ_２０及びＶ_３０は３次元の部分空間を規定する。図７、前記ステップに
よって創成された部分空間の図面参照されたい。ｅ）ステップ（ｄ）によって規定された部分空間から最も遠い標本ベクトルで
ある凸角〜Ｓ２を選択する。ｆ）Ｖ_４０と規定された〜Ｓ_２から新しい直交方向を生成する。次に、Ｖ_１０、Ｖ_２０及びＶ_３０と結合されたＶ_４０は４次元の部分空間を規定する。ｇ）ステップ（ｅ）と（ｆ）がＮ次元のスパン空間を規定するために繰り返さ
れる。各ステップで選択される凸角の現在の部分空間からの距離は、部分空間内
へのすべての標本の投影によってもたらされると思われる最大の見逃し誤りであ
る。残存誤差が特定の誤差許容内にあるまで、これは各段階で減少する。この時
点で、部分空間構築プロセスは終了する。Ｎの値は、重要であるが、まれなシグ
ネチャーを同時に維持しつつ、標本集合データベクトルの部分空間内への投影を
可能にするために必要な次元の数である。ｈ）すべての標本集合データをステップ（ａ）−（ｇ）で規定されたスパン空
間内に投影する。グラム・シュミット／凸角分析は、ＣＨＯＭＰｓにとって好適
な部分空間決定であるが、ＣＨＯＭＰｓは部分空間決定用のグラム・シュミット
／凸角方法に限定されない。ＰＣＡ法及びピクセル純度法を含むがそれらに限定
されない、当業者に既知の他の方法を使用することが可能である。

【００６３】シュリンクラップ（Shrinks Wrap）Ｎ次元のスパン空間が規定されると、スパン空間内のハイパートライアングル
の形態の凸マニホールドがシュリンクラップ最小化を用いて生成される。スパン
空間のシュリンクラップ最小化は簡単な最小化操作であり、この操作では、低減
次元の空間に投影されたすべてのデータベクトルがハイパートライアングル内に
含まれるという条件を維持しつつ、マニホールドの体積が低減される。ハイパー
トライアングルの頂点はエンドメンバであり、又はイパートライアングルそれ自
体によって規定される体積はエンドメンバのすべての可能な混合（凸結合）の軌
跡である。シュリンクラッププロセスは、ハイパートライアングルの形状と配向
がデータベクトル（標本）の実際の分布に可能な限り一致することを保証するこ
とによって、シーン（エンドメンバ）の物理的構成要素の優れた近似を決定する
。標本は実際の構成要素の混合であると考えられる。エンドメンバの数はスパン
空間の次元に等しい。

【００６４】凸角はシュリンクラッププロセスを案内するために使用される。図８を参照す
ると、ハイパートライアングルＴ_{Ｓ１Ｓ２Ｓ３}は凸角ベクトルによって規定され
るが、データを含む他のベクトルは、図９に示したようにＴ_{Ｓ１Ｓ２Ｓ３}が規定
するスパン空間内になくてもよい。シュリンクラップ操作は、スパン空間内に投
影されたすべてのデータベクトルが、凸マニホールドＴ_{Ｅ１Ｅ２Ｅ３}によって規
定される体積内に含まれるという条件を満足しなければならない。シュリンクラ
ップ操作はＴ_{Ｅ１Ｅ２Ｅ３}＝Ｔ_{Ｓ１Ｓ２Ｓ３}開始し、次に頂点Ｅ_１、Ｅ_２、Ｅ_３を操作することによって、あるいはＴ_{Ｅ１Ｅ２Ｅ３}を規定する面の配向を操作す
ることによって、上記の条件を満足するために最小の量だけトライアングルＴ_Ｅ _{１Ｅ２Ｅ３} を拡大又は収縮する。

【００６５】実例の目的で、上述の方法と次の方法が有効であると確認されたが、１つ以上
の開示された方法の組合せ、あるいは大多数のデータベクトルが最小の空間内に
含まれるという条件を維持する他の任意の最小化方法が適切である。

【００６６】適応学習モジュール３０は、次の手順の１つ又はその別の実施形態に従って１
組のフィルタベクトル｛Ｆ_ｉ｝及びエンドメンバ｛Ｅ_１，Ｅ_２，Ｅ_３．．．Ｅ_Ｎ｝を生成する。

【００６７】方法１図１０ａを参考にして、各エンドメンバＥ_ｉが凸角ベクトル〜Ｓ_ｉにマッチされ
、またすべてのデータベクトルが頂点｛Ｅ_ｉを有するハイパートライアングルの
内部にあるという条件｝に従って、可能な限りその凸角に近接するように、１組
のエンドメンバ｛Ｅ_ｉ｝を見つける。すなわち、すべてのｉとｋについて制約Ｆ _ｉ・ｄ_ｋ≧０に従って、次式を最小にする。

【数式７】フィルタベクトルは上述のように候補エンドメンバから計算される。この制約条
件は、エンドメンバ内へのｄ_ｋの分解のすべての係数が非負であることを意味し
、これは、すべてのｄ_ｋが_{ＴＥ１Ｅ２．．．ＥＮ}の内部にあると言うことに等し
い。これは、非線形の制約された最適化問題であり、この問題は、種々の反復の
制約された傾斜法を用いて近似的にまた迅速に解決することができる。

【００６８】方法２以前に設けた式を用いて、凸角｛〜Ｓ_ｉ｝から１組のフィルタベクトル｛Ｆ_ｓｉ｝を計算する。これらのベクトルは、一般的にシュリンクラップ制約を満たさな
い、図１０ｂ参照。各フィルタベクトルＦ_ｉが凸角フィルタベクトルＦ_ｓｉにマ
ッチされ、またすべてのデータベクトルがハイパートライアングルの内部にある
という条件｝に従って、可能な限りその凸角フィルタに近接するように、新しい
１組のフィルタベクトル｛Ｆ_ｉ｝を見つける。すなわち、すべてのｋについて制
約Ｆｉ＊ｄ_ｋ≧０に従って、次式を最小にする。

【数式８】これは、非線形の制約を有する１組の独立した二次計画問題であり、これは標準
方法を用いて平行して解決することができる。個々のフィルタベクトル計算の切
り離しは、頂点の代わりにトライアングルの平面を操作するコンピュータ計算を
増大させる。フィルタベクトルの解が与えられれば、エンドメンバからフィルタ
ベクトルを計算するために使用した同一の手順を用いてエンドメンバを見つける
（規定関係は標準化定数を除いて対称である）。

【００６９】方法３図１１を参考にして、標本ベクトルの組の近似の図心Ｃ_ｄを見つけ、次に、図心
に最も近い囲み空間の次元よりも１次元少ない次元の超平面を見つける。超平面
１２０は完全な部分空間を２つの半部に分割し、また最小化は、すべての標本ベ
クトルｄｋが図心｛Ｃ_ｄ｝と同一の半空間の中になければならないという制約に
従う。最適な超平面１２０に対する法線はＦ_１、第１のフィルタベクトルであり
、またすべての標本が同一の半空間の中にあるという条件は、すべてのｋについ
てＦ_１・ｄ_ｋ≧０という制約に等しい。このプロセスは、すべてのｋについてＦ _１・ｄ_ｋ≧０という制約に従って、内積Ｆ_１・Ｃ_ｄを最小にする固定された大き
さを有するベクトルＦ_１を見つけることに等しい。したがって、このプロセスは
従来の制約された最適化法を用いた解法になじむ。ハイパートライアングルＴ_Ｅ _{１Ｅ２Ｅ３} は、凸マニホールドの面を形成する、１組の適切に選択された最適な
（図心に対し局所的に最小の距離）抑制超平面から構成することができる。各面
に対する法線は関連フィルタベクトルを規定する。再び、エンドメンバは、シュ
リンクラッピングプロセスの終わりにフィルタベクトルから決定することができ
る。

【００７０】図１２と図２を参照すると、エンドメンバとフィルタベクトルが計算されると
、適応学習モジュール３０は、標本集合を反映するデータと将来の呼び出しのた
めのソースベクトル３３と共に、このエンドメンバとフィルタベクトルデータと
を記憶する。次に、適応学習モジュール３０は標本集合のなんらかの変化を検索
する１４８。システムが標本集合９９の変化を検出するならば、基底とシュリン
クラッププロセスが繰り返される１４１。標本集合９９の変化により、基底とシ
ュリンクラッププロセスが繰り返される１４１。このプロセスは、システムが環
境の変更を絶えず学習し、またそれに適合することを可能にする。エンドメンバ
データと随伴する標本集合及びソースデータは、システムがリアルタイムで特定
ターゲットのシグネチャーを学習し、また覚えることを可能にする特定の脅威又
はターゲットに一致していると記すことができる３４。

【００７１】再び図２を参照すると、フィルタベクトルとエンドメンバデータストリームは
、エンドメンバ係数を計算するため学習モジュール３０からデミキサモジュール
４０に伝送される。センサからの元のデータセットも、第１のプロセッサパイプ
を通してデミキサモジュール２０に伝送される。

【００７２】デミキサモジュール２０は複数のプロセッサを含むことが可能であり、その各
々は異なったフィルタベクトルを有する未処理データベクトルを含む。これらの
操作は単一の高速プロセッサで連続的に実行できるであろうが、最善のモードで
は平行して実行される。デミキサモジュール２０の出力はエンドメンバ係数ベクトルと呼ばれるベクトル
であり、そのｊ番目の要素は、未処理のデータベクトルに存在するｊ番目の基本
的パターンの部分を示す。エンドメンバ係数は、関連したエンドメンバからの信
号の振幅を混合スペクトルで示す。

【００７３】デミキサモジュール２０は未処理のデータベクトルを含み、また次式に従って
エンドメンバ係数を計算する。

【数式９】ここで、Ｆ_Ｊ＝前記フィルタベクトル、ｄ_ｋ＝前記データセット、ｃ_ｊｋ＝前記
エンドメンバ係数、Ｎ_ｋ＝雑音ベクトル及びＥ_ｊ＝前記エンドメンバ。

【００７４】次に、デミキサモジュール２０は、所定のピクセルからのフォトンの何％が、
エンドメンバに関連しているかを次式に従って伝える部分係数を計算する１３１
、

【数式１０】ここで、Ａ（ｄ_ｋ）はベクトルｄ_ｋの下の領域、すなわちｄ_ｋの要素の和である
。

【００７５】図１３は、システムの学習プロセッサのデミキサモジュール２０の機能を含む
デミキサモジュール動作に関するフローチャートを例示している。プリプロセッ
サから送られたピクセル情報が不良データ又は未学習のスペクトルを示すならば
１３３、１３４、デミキサモジュール２０は、ピクセルデータの状態表示を有す
るディスプレイ／アウトプットモジュール４０に前記情報を導く１３５、１３６
。

【００７６】スペクトル情報、フィルタベクトル及びエンドメンバ係数は、ディスプレイと
さらなる処理のために、ディスプレイ／アウトプットモジュール４０に送られる
１３８。データの分光特性は、次の関係を維持するエンドメンバとエンドメンバ
係数とに関して記憶され、伝送され、あるいは表示される。

【数式１１】ここで、ｄ_ｋ＝前記データセット、ｃ_ｋｊ＝前記エンドメンバ係数及びｃは≧０
、Ｎ_ｋ＝雑音及びＥ_ｊ＝前記エンドメンバとする。

【００７７】ＣＨＯＭＰＳは、センサから来る大規模データストリームの相当の圧縮を行う
３つの圧縮モードを特徴づける。これらの好適な実施形態の圧縮モードは上に開
示した優先性とゾーンサーチ技術を利用し、本テキストで説明した計算管理技術
を用いて基本的なＩＨＰＳアルゴリズムを使用し、またシーンを各エンドメンバ
Ｅに属する１組の部分平面として表す圧縮されたデータセットを作り出す。圧縮
は、センサが使用するバンドの数と比較して低次元の空間から生じる。

【００７８】実例の目的で、センサは２００バンドで動作し、ＩＨＰＳの入力として生成さ
れるデータセットは、かくして２００，０００，０００のスカラー値に接近する
傾向を有すると仮定する。これによって、１シーンで１，０００，０００ピクセ
ルのみが想定される。ＩＨＰＳはシーンを部分平面として表す。ＩＨＰＳエンド
メンバは、次の比率でデータストリームを圧縮する。

【数式１２】ここで、Ｎ_Ｂはバンド数であり、またＮ_Ｅはシーンを説明するのに必要なエンド
メンバの数である。

【００７９】合理的に小さな損失率の多くの自然のシーンのために、ＩＨＰＳは、２００バ
ンドのセンサのために２０：１の圧縮比をもたらすシーンを説明するために１０
のエンドメンバのオーダを必要とする。

【００８０】各ＡＬＭサイクルの後に、セグメントのすべての標本は圧縮されないまま残さ
れるか、直交基底空間に投影されるか、あるいは現在のシュリンクラップに投影
される。

【００８１】第２又は波動空間圧縮パッケージモードの簡単なロジカルフローチャートを示
す図１９を参照すると、データは、データセットｄの再構築のために使用される
標本と２つのマップに関して表される。完全なデータセットはセンサから受信さ
れ７０１、実例の目的で、シーンを描写する約２億のスカラー値を含む。次に、
ＣＨＯＭＰＳはプリスクリーナを使用してプリスクリーナ比較を実行し７０２、
また完全なデータセットを標本集合に低減する７０３。標本集合サイズは、所望
の精度又は他の使命条件に基づきユーザによって調整することができるが、実例
の目的では１０，０００ベクトルのサイズ（２，０００，０００スカラ）である
ことが可能である。ＣＨＯＭＰＳは、リジェクタインデックス又はリジェクタ面
をコンパイルするためにプリスクリーナ比較からの情報を利用する７０４。リジ
ェクタ面は、どの標本が、プリスクリーナによって受信された新しい各データベ
クトルを拒絶したかを記録する。またＣＨＯＭＰＳは、プリスクリーナに入力さ
れた新しい各データベクトルの強さを記録する輝度マップを構築する７０５であ
る。輝度マップとリジェクタインデックスは、波動空間に表される完全な標本集
合と共にダウンロードされる７０６である。

【００８２】かくして、２億のスカラのデータストリームは約１０，０００の標本として表
され、各標本は２００の要素とマップ情報を有し、各マップは、各データセット
ベクトルについて２００スカラ値よりも、むしろ１００万のデータセットベクト
ルの各々について１スカラを含む。これは、波動空間モードを用いて５０：１に
近づくデータセット圧縮を表す。

【００８３】第３の圧縮パッケージモードは、ＣＨＯＭＰＳが追加圧縮のために標本をエン
ドメンバ空間に投影するという点を除き、波動空間圧縮モードと同様である。エ
ンドメンバ圧縮モードのフローチャートである図２０を参照すると、データセッ
トはセンサからプリスクリーナに受信され５５５、またちょうど波動空間圧縮モ
ード７００のように既存の標本と比較される５５６。プリスクリーナは標本集合
５５７、リジェクタインデックス５５８、波動空間圧縮モードのマップと同一の
輝度マップ５５９を構築する。しかし、エンドメンバ圧縮モードでは、ＣＨＯＭ
ＰＳはエンドメンバの計算のために５６０、ＡＬＭに標本集合を送る５６０。か
くして、標本集合はエンドメンバ空間に投影され５６２、追加圧縮を実現する。
圧縮された標本集合はエンドメンバ空間で表され、ここで各標本は、センサが２
００のバンドを有していると仮定して、波動空間に必要な２００程度のスカラ値
よりもむしろ１０程度のスカラで表される。波動空間で表されたエンドメンバは
シーンの再構築を容易にするために加えられる。リジェクタインデックスと輝度
マップもデータセットの再構築のために出力される。エンドメンバ圧縮は、シー
ンを描写するのに必要なデータ転送において１００：１の低減を実現する。圧縮
されたセグメントデータの出力パッケージは、上記の任意の投影の標本リスト、
エンドメンバ又は基底ベクトル及び２つの復号化マップから構成される。追加情
報は、各標本によって置き換えられるベクトル数のように注入することができる
。

【００８４】ＣＨＯＭＰＳは、適応学習モジュールパイプラインを使用して、必要なシーン
マッピングデータと共に圧縮データセットを構築し、効率的な記憶、ダウンロー
ド及び信号情報の劣化が最小の完全なデータセットのその後の再構築を容易にす
る。

【００８５】好適な実施形態ではＣＨＯＭＰＳは次のアルゴリズムを使用する。ａ）データベクトルｄ_ｉをプリスクリーナ内に受信する。ｂ）既存の標本集合から優先性標本を指示し、またより高い優先性によって指示
された標本Ｓ_ｊを用いて、データベクトルｄ_ｉの関係（ｄ・Ｓ＝１＞ε）に従っ
て優先性テストを実行する。ｃ）優先性テストがマッチ条件を生成するならば（ａ）に行き、Ｎ反復後にマッ
チ条件が作り出されなければ、継続する。ｄ）少なくとも１つの基準点又は基準ベクトルを選択する。ｅ）少なくとも１つのマッチゾーンを指示し、またマッチゾーン内に含まれる（
所望の精度に）それらの標本Ｓ_ｊのみを用いて、関係（ｄ・Ｓ＝１＞ε）に従っ
てデータベクトルｄ_ｉにゾーンテストを実行する。ｆ）ゾーンテストがマッチ条件を生成するならば、ステップ（ａ）に行き、マッ
チ条件が作り出されなければｄ_ｉを標本集合に加え、また標本が使用尽くされる
ならば次のデータベクトルｄ_ｉ＋１を取りに行く。ｇ）完全なＩＨＰＳモード、波動空間モード、模範モード又はその組合せを介し
て圧縮パッケージを実行する。

【００８６】明らかに、本発明の多くの修正と変更が上記の教示を考慮に入れて可能である
。例えば、本発明は、並列処理アーキテクチャを使用しないで実施することが可
能であり、ゾーン及び優先性テストの異なった組合せを使用することが可能であ
り、すなわち、優先性テストなしにゾーンテストを利用することが可能であるか
、あるいは輝度マップとリジェクタインデックスとを圧縮するために標準圧縮ア
ルゴリズムを利用することが可能である。

【００８７】したがって、添付請求項の範囲内で、具体的に説明した方法以外で本発明を実
施することが可能である。

【図面の簡単な説明】

【図１】データキューブの図面及びＸ、λとＴ座標における空間及び波長情報の配向を
示す図である。

【図２】システムの並列構造を示すＩＨＰＳの実施形態のブロック図である。

【図３】プリスクリーナの動作のロジックフローチャートである。

【図４】グラム・シュミット操作の間にＶ_１とＶ_２によって創成される面を示す図であ
る。

【図５】グラム・シュミット操作の間の直角投影Ｖ_１０とＶ_２０のを示す図である。

【図６】Ｖ_１０とＶ_２０によって画定される凸角ベクトルと面を示す図である。

【図７】グラム・シュミット／凸角操作の間に画定される３次元のスパン空間を示す図
である。

【図８】凸角ベクトルを示す３次元スパン空間を示す図である。

【図９】ハイパートライアングル凸マニホールドを示す図である。

【図１０ａ】シュリンクラップ法１を使用して画定された最小ハイパートライアングルを示
す図である。

【図１０ｂ】シュリンクラップ法２を使用して画定された最小ハイパートライアングルを示
す図である。

【図１１】シュリンクラップ法３を使用して画定された最小ハイパートライアングルを示
す図である。

【図１２】適応学習モジュールの動作のロジックフローチャートである。

【図１３】デミキサモジュールの動作のロジックフローチャートである。

【図１４】マルチスレッド動作を用いたＡＬＭプロセッサパイプラインのブロック図であ
る。

【図１５】基準ベクトル及びその模範的な投影を示す図である。

【図１６】ポップアップスタックサーチ法のロジックフローチャートである。

【図１７】ベクトル空間のシングル標的サーチ法を示す図である。

【図１８】ベクトル空間のダブル標的サーチ法を示す図である。

【図１９】ＣＨＯＭＰＳ波動空間圧縮モードのロジックフローチャートである。

【図２０】ＣＨＯＭＰＳエンドメンバ圧縮モードのロジックフローチャートである。

───────────────────────────────────────────────────── フロントページの続き (81)指定国ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＧＭ，ＫＥ，ＬＳ，ＭＷ，ＳＤ，ＳＺ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ，ＴＭ) ，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ，ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＥ，ＧＨ，ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＵＡ，ＵＧ，ＵＺ，ＶＮ，ＹＵ，ＺＷ (72)発明者バウムバック，マーク，エム．アメリカ合衆国メリーランド 20782，ユニバーステイパーク，バルチモアーアベニュ 6710 (72)発明者パウレス，ジエフリー，エイ．アメリカ合衆国バージニア 22039，アレキサンドリア，サルグレーブドライブ 4102 (72)発明者グロスマン，ジヨン，エム．アメリカ合衆国バージニア 22043，フオルスチヤーチ，ラスウエルドライブ 7905 (72)発明者ハース，ダニエル，ジイ．アメリカ合衆国メリーランド 20711，ラシアン，マールボーローロード 901 (72)発明者パルマデソ，ピーター，ジエイ．アメリカ合衆国バージニア 20112，マナサス，ペインランプレス 5895 Ｆターム(参考） 5J064 AA02 BA13 BB12 BC01 BC02 BC14 BC21 BC28

Claims

【特許請求の範囲】

【請求項１】複数のデータベクトルを生成するためのセンサ手段と、前記生成に応答してエンドメンバベクトルを作り出す手段とを有し、エンドメンバベクトルを作り出す手段が、凸角を使用したグラハム・シュミッ
トアルゴリズムを適用することによって前記データベクトルのスパン空間を低減
するようにされたモジュールを備えていることを特徴とするシステム。
【請求項２】データを収集する手段と、標本集合要素を備える標本集合と、データセット要素を含む圧縮データセットを生成する手段とを有し、圧縮データセットを生成する手段が、前記データセット要素と、前記標本集合
要素に類似した又はそれと異なった前記データセット要素を所定の基準に従って
特徴づけるために有効な前記標本集合要素のそれぞれの要素とを比較することを特徴とするセンサシステム。
【請求項３】複数のデータベクトルを生成するセンサ手段と、センサ手段に応答してエンドメンバベクトルを作り出す手段と凸角を使用したグラハム・シュミットアルゴリズムを適用することによって前
記データベクトルのスパン空間を低減するようにされたモジュールを備え、セン
サ手段に応答してエンドメンバベクトルを作り出す手段とＣＨＯＭＰｓアルゴリズムを使用することによって前記複数のデータベクトル
を圧縮する手段と、を有することを特徴とするシステム。
【請求項４】複数のデータベクトルを生成するステップと、凸角を使用したグラハム・シュミットアルゴリズムを適用することによって前
記データベクトルのスパン空間を低減するステップを備え、前記生成するステッ
プに応答してエンドメンバベクトルを作り出すステップと、ＣＨＯＭＰｓアルゴリズムを適用することによって前記複数のデータベクトル
を圧縮するステップと、を有することを特徴とするハイパースペクトルデータを処理する方法。
【請求項５】データを収集するステップと、標本集合要素を備える標本集合を生成するステップと、データセット要素を備える圧縮データセットを生成するステップと、前記データセット要素と、前記標本集合要素に類似した又はそれと異なった前
記データセット要素を所定の基準に従って特徴づけるために有効な前記標本集合
要素のそれぞれの要素とを比較するステップと、前記標本集合に類似すると特徴づけられる前記データセット要素を含むステッ
プと、前記標本集合のエンドメンバベクトルを生成するステップと、前記データセットを偏析するステップと、を含むことを特徴とする多次元データを処理する方法。
【請求項６】データを収集するステップと、標本集合要素を備える標本集合を生成するステップと、前記データセット要素と、前記標本集合要素に類似した又はそれと異なった前
記データセット要素を所定の基準に従って特徴づけるために有効な前記標本集合
要素のそれぞれの要素とを比較し、データセット要素を含む圧縮データセットを
生成するステップと、前記標本集合に類似すると特徴づけられる前記データセット要素を含むステッ
プと、前記標本集合のエンドメンバベクトルを生成するステップと、を含むことを特徴とするデータストリームを圧縮する方法。