JP2003296738A - パターン認識装置 - Google Patents

Abstract

(57)【要約】 【課題】 人間の感性に合わせた識別・認識が可能で、
且つ安価な計算コストで高精度の認識を可能とする。 【解決手段】 遺伝子を初期化し（Ｓ１）、個体の評価
を行って（Ｓ２）評価値が規定値以内になっているか否
かを判断する（Ｓ３）。そして、評価値が規定値外のと
きには、遺伝子を実数値ＧＡによる交叉を行って、再
度、評価値が既定値以内か否かを判断する処理を繰返し
（Ｓ２，Ｓ３，Ｓ４）、評価値が規定値以内に収まった
とき、このときの行列Ａを写像関数として決定する（Ｓ
５）。この写像関数が決定されると、学習画像の写像点
を計算し、その結果をデータベースに記録し、認識動作
時には、先に決定した写像関数を用い、認識画像を識別
空間上に写像して最も近似度が高い画像を認識画像とし
て出力することで、人間の感性に合い、且つ安価な計算
コストで高精度の認識を可能とする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、認識対象パターン
が属すべきカテゴリにおける離散データ群の特徴を自動
抽出するパターン認識装置に関する。

【０００２】

【従来の技術】一般に、図形、文字、音声等のパターン
認識を行うパターン認識においては、例えば、特開平１
１−１４３８５１号公報や特開２０００−４６７４９号
公報に開示されているように、カテゴリ毎に予め定めら
れた部分空間との比較によって認識結果を出力する部分
空間法が知られている。この部分空間法を用いた認識技
術では、学習したいデータをベクトルとみなして、その
固有ベクトルを用いて特徴空間を形成し、その特徴空間
に識別したいデータを写像して空間上の位置を求め、こ
の空間上の位置により判別或いは認識を行う。

【０００３】

【発明が解決しようとする課題】しかしながら、前述の
部分空間法を用いて特徴付けを行う場合、人間が見た場
合には非常に似ている画像（データ）同士でも、特徴空
間上で非常に離れた位置に特徴付けされてしまい、人間
の感性と異なる近似度になる場合がある。また、巨大な
データを扱う場合には、膨大な計算量となって計算コス
トが高くなるばかりでなく、追加学習を行う場合におい
ても、特徴空間の基底ベクトルを一から計算しなければ
ならない。

【０００４】本発明は上記事情に鑑みてなされたもの
で、人間の感性に合わせた識別・認識が可能で、且つ安
価な計算コストで高精度の認識を可能とすることのでき
るパターン認識装置を提供することを目的としている。

【０００５】

【課題を解決するための手段】上記目的を達成するた
め、請求項１記載の発明は、特徴空間の基底を遺伝子と
する遺伝的アルゴリズムによる認識エンジンを備え、所
定の評価基準に基づく進化計算により、認識対象パター
ンが属すべきカテゴリにおける離散データ群の特徴を抽
出する写像関数を決定することを特徴とする。

【０００６】請求項２記載の発明は、請求項１記載の発
明において、上記写像関数を、学習データの写像点の空
間内のユークリッド距離或いは写像点と写像点との角度
で評価して決定することを特徴とする。

【０００７】請求項３記載の発明は、請求項１記載の発
明において、上記写像関数を、写像先の指定範囲を評価
して決定することを特徴とする。

【０００８】すなわち、請求項１記載の発明は、特徴空
間の基底を遺伝子とする遺伝的アルゴリズムによる認識
エンジンで所定の評価基準に基づく進化計算を行い、認
識対象パターンが属すべきカテゴリにおける離散データ
群の特徴を抽出する写像関数を決定することで、人間の
感性に合わせた識別・認識を可能とし、且つ安価な計算
コストで高精度の認識を可能とする。

【０００９】その際、写像関数を、請求項２記載の発明
のように、学習データの写像点の空間内のユークリッド
距離或いは写像点と写像点との角度で評価して決定す
る、又は請求項３記載の発明のように、写像先の指定範
囲を評価して決定することが望ましく、認識精度をより
向上することができる。

【００１０】

【発明の実施の形態】以下、図面を参照して本発明の実
施の形態を説明する。図１〜図４は本発明の実施の一形
態に係わり、図１は画像認識装置の構成図、図２は等間
隔評価条件を示す説明図、図３は範囲指定評価条件を示
す説明図、図４は写像関数計算処理のフローチャートで
ある。

【００１１】図１は、図形、文字、音声波形等のパター
ン情報における離散データ群の特徴を、生物界に存在す
る遺伝法則に則し、世代進化に伴い解の候補を変化させ
ながら最適解を探索する遺伝的アルゴリズム（Genetic
Algorithm；GA）を用いて抽出し、評価するパターン認
識装置を画像認識装置１００として適用した例であり、
本形態においては、探索対象の表現型をコード化するの
ではなく表現型そのものの数値を用いる実数値ＧＡ(Rea
l-coded Genetic Algorithm；RCGA）による追加学習型
の認識エンジンを備えている。

【００１２】すなわち、画像認識装置１００は、カメラ
等から教師データとなるリファレンス画像群を入力する
学習画像入力部１、この学習画像入力部１から入力され
たリファレンス画像群に対し、実数値ＧＡを用いて写像
関数を生成し、学習画像をデータベース化する学習処理
部１０、カメラ等により認識対象画像を入力する認識画
像入力部５、認識画像入力部５からの画像を、学習処理
部１０で生成した写像関数を用いて写像し、空間上の位
置を用いてデータベースと照合させて認識を行う認識判
断部１８、認識結果を出力する結果出力部２０を備えて
いる。

【００１３】また、学習処理部１０は、学習画像入力部
１から入力したリファレンス画像群をストアする学習画
像データ格納部１１、学習画像データ格納部１１からリ
ファレンス画像群を教師データとして取込み、ｍ次元空
間に学習画像データ群を写像させたとき、評価条件に合
うように特徴付けする写像関数を生成する写像関数計算
部１２、この写像関数計算部１２での評価条件を入力す
る評価条件入力部１３、生成した写像関数を保存する写
像関数格納部１４、保存した写像関数を用いて学習画像
の写像点を計算する学習データ写像計算部１５、計算し
た写像点を学習データとして保存するデータベース部１
６、認識画像入力部５から入力した画像を、写像関数格
納部１４に格納されている写像関数（写像関数計算部１
２で生成した同じ写像関数）を用いて識別空間上に写像
する認識データ写像計算部１７を備えている。

【００１４】詳細には、学習画像入力部１において入力
された画像を、識別したいＮ画素からなる１枚の画像を
Ｎ次元ベクトルとして以下の（１）式で表し、これらの
集合体を以下の（２）式で表現する。尚、ベクトルｘは
正規化しておき、Ｒは識別させたいリファレンス画像数
とする。

【００１５】

【００１６】写像関数計算部１２では、（２）式で表現
される画像集合が識別空間上で評価条件をクリアするよ
うに写像関数を求める。すなわち、識別写像空間の次元
数をｍとして、写像関数ｆ(x)を以下の（３）式に示す
ように行列Ａを用いて表現し、行列Ａの各要素から、以
下の（４）式に示すように、基底ベクトルを遺伝子Ｘと
する。そして、実数値ＧＡにて進化計算を行い、評価条
件に合う解（写像関数）を探索する。このときの進化計
算は、交叉を主とし、交叉オペレータとしては、単体交
叉(Simplex Crossover；SPX）やブレンド交叉（Blend c
rossover；BLX）等を用いる。

【００１７】

【００１８】また、写像関数計算部１２に評価条件入力
部１３から与える評価条件としては、学習画像データを
写像したあとの空間的な評価基準を適用する。すなわ
ち、ｎ次元の特徴空間において、図２に示すように、写
像されたＡ〜Ｅの写像点が順番に等距離（ユークリッド
距離）に並ぶ条件（等間隔評価条件）、或いは、図３に
示すように、Ａ，Ｂ，Ｃの画像写像点のグループ、Ｄ，
Ｅ，Ｆの画像写像点のグループの各グループ群が、それ
ぞれ一定範囲内にあり、且つ、それぞれのグループ群が
一定距離離れている条件（範囲指定評価条件）を用いて
評価値を求め、この評価値が規定値以内の行列Ａを写像
関数として決定する。尚、空間上の距離だけではなく、
写像点と写像点とのなす角度にて評価しても良い。

【００１９】この写像関数の計算は、具体的には、図４
のフローチャートに示すプログラム処理にて実行され
る。次に、図４のフローチャートに従って写像関数計算
処理について説明する。

【００２０】この処理では、先ず、ステップＳ１で、遺
伝子の初期化を行う。この遺伝子の初期化は、ランダム
に初期値を求めても良いが、部分空間法と同様に画像デ
ータ群の共分散行列を求め、その固有ベクトルを順番に
当てはめて初期の遺伝子配列を決定することが望まし
く、計算効率を向上することができる。また、追加学習
時である場合には、追加学習前の写像関数に基づいて遺
伝子を初期化することが望ましい。

【００２１】次に、ステップＳ２へ進み、遺伝子を持つ
個体の評価を行う。この個体評価は、そのときの遺伝子
から行列Ａを作成し、この行列Ａによりｍ次元識別空間
に学習画像を写像し、それぞれの距離等を計算して評価
条件に当てはめ、評価値を求める。そして、ステップＳ
３で、評価値が規定値以内になっているか否かを判断す
る。

【００２２】その結果、評価値が規定値外のときには、
ステップＳ４で遺伝子を実数値ＧＡによる交叉の進化計
算を行い、ステップＳ２へ戻って個体評価を行い、ステ
ップＳ３で評価値が既定値以内か否かを判断する処理を
繰返する。そして、評価値が規定値以内に収まったと
き、ステップＳ３からステップＳ５へ進んで、このとき
の行列Ａを写像関数として決定し、計算を完了する。

【００２３】以上の処理を経て写像関数が決定される
と、学習データ写像計算部１５において、学習画像の写
像点を計算し、その結果がデータベース部１６に記録さ
れる。また、一度出来上がったデータベースに追加学習
を行う場合には、追加する学習画像を学習画像入力部１
より入力し、既に計算済の写像関数を用いてデータベー
スを再構築する。

【００２４】そして、認識動作時には、先に決定した写
像関数を用い、認識画像入力部５から入力される画像を
認識データ写像計算部１７で識別空間上に写像し、認識
判断部１８において、データベース部１６内のどの学習
画像の写像点に近いかを空間上の距離や角度等で近似度
を計算し、最も近似度が高い画像を認識画像として出力
する。尚、このとき、認識画像の出力と共に、近似度を
認識の信頼度として同時に出力しても良い。

【００２５】このように、本実施の形態においては、学
習画像の写像後の配置を任意に調整することができ、人
間の感性に合った画像の特徴付けを行うことができ、よ
り細かい認識まで可能となる。例えば、従来の部分空間
法でＡ，Ｂ，Ｃの画像群の特徴付けを行い、たまたま、
写像空間上の写像点が非常に密集してしまった場合に
は、Ｄという画像を識別しようとしても、空間上の距離
や角度では識別しづらいが、本形態の画像認識装置１０
０では、前述したように、図２に示す等間隔評価条件や
図３に示す範囲指定評価条件を導入することにより、写
像空間上で密集することがなく、Ｄという画像が最もど
れに似ているか容易に判断することができる。

【００２６】また、例えば、車種が異なる１０台の車両
に対し、フロント画像、サイド画像、リア画像を、図３
の範囲指定評価条件で、フロント、サイド、リアでグル
ープ化して特徴付けすることにより、学習画像にない車
種の画像を識別させて、それがフロントの画像なのかサ
イドの画像なのかリアの画像なのかの判断が容易とな
り、認識精度を向上することができる。

【００２７】更に、追加学習を行う場合においても、従
来の部分空間法のように一から計算することがなく、そ
れまでに使用していた写像関数を用いて追加計算を行う
ことができるため、計算コストが安くすみ、良質の写像
関数を高速に求めることができる。

【００２８】

【発明の効果】以上説明したように本発明によれば、人
間の感性に合わせた識別・認識が可能で、且つ安価な計
算コストで高精度の認識を可能とすることができる。

【図面の簡単な説明】

【図１】画像認識装置の構成図

【図２】等間隔評価条件を示す説明図

【図３】範囲指定評価条件を示す説明図

【図４】写像関数計算処理のフローチャート

【符号の説明】

１２ 写像関数計算部 １３ 評価条件入力部 １００ 画像認識装置 Ｘ 遺伝子

Claims (3)

【特許請求の範囲】
1. 【請求項１】 特徴空間の基底を遺伝子とする遺伝的ア
   ルゴリズムによる認識エンジンを備え、 所定の評価基準に基づく進化計算により、認識対象パタ
   ーンが属すべきカテゴリにおける離散データ群の特徴を
   抽出する写像関数を決定することを特徴とするパターン
   認識装置。
2. 【請求項２】 上記写像関数を、学習データの写像点の
   空間内のユークリッド距離或いは写像点と写像点との角
   度で評価して決定することを特徴とする請求項１記載の
   パターン認識装置。
3. 【請求項３】 上記写像関数を、写像先の指定範囲を評
   価して決定することを特徴とする請求項１記載のパター
   ン認識装置。