JP2003331289A - 画像識別装置およびこの画像識別装置を備えたレーダ装置 - Google Patents

Abstract

(57)【要約】 【課題】 画像識別の手段として、従来の画像そのもの
の照合処理による識別では、あらかじめ準備する参照画
像が膨大となるとともに、識別に要する処理時間が長く
なるという課題があった。 【解決手段】 画像データＡｘ１・・・と参照画像（ミ
ネスフィルタ）Ｆａの比較だけでなく、画像に付随する
観測パラメータなどの情報を取り込んで、画像の比較時
に利用することで精度の高い画像識別システムを構築す
る。また識別において未知のデータに対する対応力が大
きいアルゴリズムとするとともに、多種多様なデータを
処理するために、データマイニング技術１０を用いた。
また未知のデータに対する判断アルゴリズムとしてニュ
ーラルネットワークの技術の１つであるＬＶＱ１２を利
用した。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、画像識別装置の
アルゴリズムの改良、特に処理時間を短縮するものに関
する。また、このような画像識別装置を備えたレーダ装
置に関する。

【０００２】

【従来の技術】カメラやレーダ装置により、対象物を撮
像又は走査して得た画像データ（収集画像）から、その
対象物が何であるかを識別する画像識別装置があり、そ
の技術は古くから種々公表されている。本発明の画像識
別装置は、比較的最近の画像識別技術に生じる問題を解
決することを目的としているが、従来の画像識別装置の
説明については、発明の理解を助けるため、まず、やや
古い技術（以下第１の従来の技術）について説明し、次
に比較的最近の技術（以下、第２の従来の技術）につい
て説明する。

【０００３】第１の従来の技術．従来の画像識別装置
は、収集画像をあらかじめ準備してある多数の（モデル
が既知の）疑似画像と照合し、その結果となる合致度を
それぞれの疑似画像ごとに求めたのち、この合致度を比
較検討し、もっとも良く一致した疑似画像のモデルをも
って対象物であると識別するものである。ここで疑似画
像は対象の観測条件（例えば撮影方向の差）ごとに、得
られる画像データに類似した画像を、対象の３Ｄモデル
を利用してあらかじめ作成したものである。以下、艦船
の識別の場合を例として説明する。画像の中でも特に艦
船識別で主に用いられているレーダ画像（合成開口又は
逆合成開口レーダ（ＳＡＲ／ＩＳＡＲという）に対して
は、艦船３ＤモデルからＲＣＳ分布を計算するのには膨
大な時間がかかってしまうという問題があるので、照合
処理を実施する前に、あらかじめ種々の観測条件の変化
（例えば真横から、真正面から、斜め方向からの像な
ど）に対応させて、照合対象となる艦船ごとの疑似画像
を多数算出しておく必要がある。算出数に関しても、昨
今の計算機の性能向上と記憶容量の増加に伴い、準備し
ておく疑似画像の観測条件をより細かくすることが可能
となり、類別処理精度も向上してきた。

【０００４】しかし、例えば特願２００１−０４２４３
７号に開示されているように、艦船識別対象画像とし
て、従来のＳＡＲ画像から、艦船の形状をより詳細に表
現できるＩＳＡＲ画像へ主流が移るのに伴って、準備し
ておくべき疑似画像数が大幅に増大してしまうことにな
った。これはＩＳＡＲ画像が艦船の動揺成分を画像化す
るため、ＳＡＲ画像と同一の観測条件でも複数の画像化
疑似が必要とされるためである。このような疑似画像の
増加により次の点が問題とされていた。 １） 照合処理時間の増大。 ２） メモリ容量を大量に必要とする。 特に処理時間の問題は、リアルタイム処理での運用に供
し得るか否かを決定する上で、致命的であり、その照合
処理時間を短縮する方法が必要とされていた。

【０００５】以上の従来の画像識別処理の原理を図１５
により説明する。図１５は第１の従来の技術の画像識別
処理の流れを示すブロック図である。図において２０は
艦船Ａの疑似画像と収集画像の合致度を計算する処理ブ
ロックＡである。２１は艦船Ｂの疑似画像と収集画像の
合致度を計算する処理ブロックＢである。処理ブロック
Ａ２０、処理ブロックＢ２１での艦船Ａ,Ｂのほかにも
多数艦船が存在し、それに対応する処理ブロックは多数
存在するが本説明では２隻の場合について説明する。ま
た、以下の説明の詳細部分では処理ブロックＡ２０に関
する説明をするが、他の処理ブロックに関しても同様の
処理が行われている。２２は艦船Ａの艦船３Ｄモデル
（３次元外形データ）である。２は艦船３Ｄモデル２２
に対して、撮影による（以下レーダ走査によって画像を
得る場合も撮影という）収集画像と撮影方向／撮影角度
が同じ疑似画像を作成する疑似画像作成処理である。疑
似画像作成処理２は本発明に言うところの、モデルの３
次元データから、このモデルを複数の観測条件で撮像し
たとき得られる複数の記事画像データを作成する手段で
ある。

【０００６】Ａ１は観測条件（例えば撮影角度と考えて
も良い）が１の場合の艦船Ａの疑似画像、Ａ２は観測条
件２の場合の疑似画像、Ａｎは観測条件nの場合の疑似
画像である。ここで観測条件は３つのみを図示したが全
部でn種類あるとする。Ａｘ１は観測条件１で撮影した
艦船Ａの収集画像である。８は疑似画像Ａ１〜Ａｎと収
集画像Ａｘ１の照合をとる照合処理（パターンマッチン
グとも言う）である。２７は疑似画像Ａ１と収集画像Ａ
ｘ１との照合処理の結果得られた合致度、２８は疑似画
像Ａ２と収集画像Ａｘ１の照合処理の結果である合致
度、２９は疑似画像Ａｎと収集画像Ａｘ１の照合処理の
結果である合致度である。

【０００７】次に動作について説明する。艦船３Ｄモデ
ル２２を疑似画像作成処理２にかけると観測条件に応じ
て疑似画像Ａ１、Ａ２・・・・Ａｎのn枚が生成され
る。パターンマッチング８で、このn枚のそれぞれと収
集画像Ａｘ１との照合処理を行い、それぞれの合致度２
７、２８、２９を求める。図１５の例では疑似画像Ａ１
と収集画像Ａｘ１は同じ観測条件１で撮影され、かつ同
じ艦船であったとすると、ほぼ類似した画像となるた
め、合致度２７はほぼ1.00になるが、そのほかの合致度
２８、２９に関しては撮影条件が合わないので画像も一
致する度合いが低く、合致度２７より小さな値となる。
合致度の最大値は1.00なので、２７が1.00なら収集画像
Ａｘ１が艦船Ａであるという可能性は100%であるという
識別結果となる。

【０００８】従来の画像識別処理では、以上の手順で手
持ちの全ての他の艦船の疑似画像との最大合致度を同様
に求め、それらの中で、最も高い合致度を持つ艦船を、
収集画像で撮影した艦船であると識別する。

【０００９】第２の従来の技術．図１５の第１の従来の
技術に対して、照合処理時間とメモリ容量の削減を行う
ためにＭＮＡＣＥフィルタ（ミネスフィルタ、この発明
では照合フィルタとも言う）を用いた艦級類別処理が提
案されている。第１の従来の技術の例では、収集画像Ａ
ｘ１と疑似画像Ａ１・・・・との照合処理８が、疑似画
像の枚数分、複数回行わなければ得られないのに対し、
ＭＩＮＡＣＥフィルタを用いる場合は複数の観測条件に
おける複数の疑似画像を１つにまとめた照合フィルタを
作成し、１回の照合処理で同じ結果を得ると言うアルゴ
リズムであり、大幅な照合処理時間の削減となるもので
ある。これにより、リアルタイムな照合処理に見合った
処理時間が実現し、なおかつ複数の疑似画像を１つに合
成することでメモリ容量を大幅に減らすことが可能とな
った。

【００１０】図１６は第２の従来の技術（ＭＩＮＡＣＥ
フィルタによる画像識別）の原理を説明するための処理
ブロック図である。以下の各図に於いて同一の符号は同
一又は相当するものを示すので詳細な説明は省略する。
４は疑似画像Ａ１、Ａ２／・・Ａｎのｎ枚を１つに合成
する照合フィルタ合成処理、Ｆａは照合フィルタ合成処
理４で生成された照合フィルタ、３１は照合フィルタＦ
ａと収集画像Ａｘ１の照合処理による合致度である。照
合フィルタ合成処理４は本発明に言うところの、複数の
疑似画像データから照合フィルタを合成する手段であ
る。

【００１１】次に動作について説明する。艦船３Ｄモデ
ル２２を疑似画像作成処理２にかけると観測条件に応じ
てＡ１、Ａ２・・・、Ａｎに示す疑似画像がn枚生成さ
れる。照合フィルタ合成処理４はこのn枚を一枚に足し
合わせる処理である。これによって照合フィルタＦａが
生成される。照合フィルタ３０と収集画像Ａｘ１を照合
処理８にかけ合致度３１を計算する。照合フィルタＦａ
は観測条件１〜ｎまでの情報を含んでいるので３１の合
致度は1.00になる。このようにしてＭＩＮＡＣＥフィル
タを用いた画像識別では各艦船ごとに定まる合致度が１
つになるため、全処理ブロックの中での最大合致度を求
めるだけで識別可能である。

【００１２】図１６のＭＩＮＡＣＥフィルタを用いた第
２の従来の例では、照合フィルタＦａに複数の観測条件
のデータを含ませることができるが、算出された合致度
がどの観測条件の時のものかという関連性が結果に出て
こない。このため、例えば艦船Ａの観測条件１における
収集画像Ａｘと、艦船Ｂの観測条件２における収集画像
Ｂｘが同一のものとなった場合、照合フィルタＦａ,Ｆ
ｂに対して収集画像Ａｘの照合処理結果が算出した合致
度も同じ値となってしまい識別が不可能となる。つまり
照合時に、収集時の観測条件と合致度を算出する元とな
った疑似画像の観測条件とを合わすことができなけれ
ば、正確な照合処理に必要とされる観測条件をあわせた
合致度算出ができないという問題点があった。これにつ
いて更に詳細に説明する。

【００１３】図１７はＭＩＮＡＣＥフィルタを用いた類
別処理の不具合例の原理説明図である。図において、３
２は艦船Ｂの艦船３Ｄモデルである。Ｂ１は観測条件１
の艦船Ｂの疑似画像、Ｂ２は観測条件２の艦船Ｂの疑似
画像、Ｂｎは観測条件nの艦船Ｂの疑似画像である。Ｆ
ｂは照合フィルタ合成処理４で生成された照合フィルタ
である。３７は照合フィルタＦｂと収集画像Ａｘ１の照
合処理による合致度である。

【００１４】次に動作について説明する。問題となるの
は合致度３１と３７であり、照合フィルタＦｂと収集画
像Ａｘはそれぞれ別の艦船にもかかわらず合致度が1.00
になってしまっている。このようにＭＩＮＡＣＥフィル
タを使用したときの合致度が異常値を発する原因の例を
以下に列挙する。 原因１）収集画像Ａｘの形状をあらわす上で重要な全長
表示が、観測条件のアスペクト角（艦船を船首尾線に対
してどの方向から観察しているかの角度）によって伸長
してしまう。これにより、構造物がほぼ同形状で全長の
みが異なる艦船間で、収集画像が同じ画像となる場合が
ある。 原因２）艦船のように長細い形状の動揺をＩＳＡＲ化す
る場合、撮影方向が真横に近いほど画像が安定して収集
できない。このような観測条件で収集した画像の合致度
算出値は異常な値となる可能性が高い。

【００１５】上記原因２）に関して言えば、画像化困難
な観測条件の時の収集画像は類別処理に用いなければよ
い。

【００１６】

【発明が解決しようとする課題】従来のＭＩＮＡＣＥフ
ィルタを用いた方法は、照合フィルタに複数の観測条件
を任意に含むことができるが、算出された合致度がどの
観測状況の時のものかという関連性が結果に出てこない
という課題を持っている。これにより、複数の対象（艦
船Ａ・・・）の観測条件・・・における収集画像が同一
のものとなった場合、照合フィルタＦａ・・・・に対し
て、収集画像の照合処理結果が返す合致度が同じ値にな
る場合が多く、結果として類別（識別）が不可能となる
ケースが多く発生するという課題があった。

【００１７】この発明は上記課題を解消し、識別が不可
能になることが少なく、かつ、処理時間が短くてすむ画
像識別装置を得ることを目的とする。また、この画像識
別装置を備えたレーダ装置を得ることを目的とする。

【００１８】

【課題を解決するための手段】この発明の画像識別装置
は、モデルの３次元データから、このモデルを複数の観
測条件で撮像したとき得られる複数の疑似画像データを
作成する手段と、前記複数の疑似画像データから照合フ
ィルタを合成する手段と、形状が既知のモデルを複数の
観測条件で撮像して得た複数の既知収集画像のそれぞれ
と前記照合フィルタとの合致度データを求め、この合致
度データを融合して総合組み合わせデータを得る手段
と、前記総合組み合わせデータを複数の主成分に成分分
析して複数の成分分析データを得る手段と、前記複数の
成分分析データをニューラルネットワークによりマップ
上に分類して前記形状が既知のモデルの自己組織化マッ
プを得る手段と、形状が未知の対象を任意の観測条件で
撮像して得た未知収集画像を前記複数の手段により前記
自己組織化マップ上に分類し、前記形状が既知のモデル
の分類との一致を検証する手段とを備え、前記未知収集
画像が前記既知のモデルのいずれに相当するかを識別す
るようにしたものである。

【００１９】また、前記モデルと、前記照合フィルタは
複数個用いられるものである。

【００２０】また、前記総合組み合わせデータを複数の
主成分に成分分析して複数の成分分析データを得る手段
は、前記総合組み合わせデータを前記観測条件を構成す
る複数の要素別データに分解するデータクレンジング手
段と、前記複数の要素別データをデータマイニングによ
り複数の主成分に成分分析して複数の成分分析データを
得る手段とを含むものである。

【００２１】また、前記自己組織化マップにより得た主
成分データの分類結果を前記複数の疑似画像データから
前記照合フィルタを合成する手段へフィードバックする
フィードバック手段を備えたものである。

【００２２】また、前記モデルは移動体であり、前記収
集画像はレーダ装置により得られるレーダ画像であるも
のである。

【００２３】また、主成分として観測条件を構成する複
数の要素別データに、電子測量データを加えたものであ
る。

【００２４】この発明のレーダ装置は、上記の画像識別
装置を備えたものである。

【００２５】

【発明の実施の形態】実施の形態１．まず、第２の従来
例で説明したＭＩＮＡＣＥフィルタを用いた画像識別の
不具合の原因１）の問題を解決するための、本発明の基
本的な考え方について説明する。この原因１）を解決す
るには、類別対象とする艦船ごとの合致度を、ある１つ
の観測条件における時の値だけで判断するのではなく、
複数の観測条件での値を統合して判断する仕組みを作る
ようにした。これについて図１〜図２により更に詳細に
説明する。図１にこのような統合判断を行うための結果
データの融合の様子を示す。図において、Ａｘ１は観測
状況１で撮影した艦船Ａの収集画像、Ａｘ２は観測状況
２で撮影した艦船Ａの収集画像、Ａｘ３は観測状況３で
撮影した艦船Ａの収集画像である。Ｆａ，Ｆｂは第２の
従来の技術の図１６、図１７で説明した照合フィルタで
あり、図１６、図１７で説明したとおりの方法で作成さ
れるものなので、説明は省略する。４０は照合フィルタ
Ｆａと収集画像Ａｘ２の照合処理による合致度、４１は
照合フィルタＦａと収集画像Ａｘ３の照合処理による合
致度である。４２は照合フィルタＦｂと収集画像Ａｘ２
の照合処理による合致度、４３は照合フィルタＦｂと収
集画像Ａｘ３の照合処理による合致度である。４４は観
測条件１のときの合致度の組み合わせ表、４５は観測条
件２のときの合致度の組み合わせ表、４６は観測状況３
のときの合致度の組み合わせ表である。４７は組み合わ
せ表４４、４５、４６を融合する処理で、４８は組み合
わせ表４４、４５、４６を組み合わせた総合組み合わせ
表である。

【００２６】次に動作について説明する。総合組み合わ
せ表４８を用いることにより、類別対象の艦船として
Ａ,Ｂの２艦船がある場合に、収集画像Ａｘと艦船Ａ、
ＢのＭＩＮＡＣＥフィルタＦａ、Ｆｂとの照合処理で算
出される２つの合致度の大小関係を観測条件ごとに管理
し、それらをまとめたものを類別パターンとして扱うこ
とができる。これにより、例えば観測条件１のとき艦船
Ａ、Ｂともに同一の合致度となるが、観測条件２のとき
はＡの合致度が大きくなり、観測条件３のときにＢの合
致度が大きくなるのはパターンαであるというような判
断ができるようになる。よって、１つの艦船を特徴付け
る類別パターンは、類別対象となる艦船フィルタごと
に、考えうる観測条件全てを網羅した合致度を算出し、
それらを統合した１つの表（総合組み合わせ表４８）の
情報からなる。総合組み合わせ表４８は艦船Ａに関して
の全ての観測条件ごとの合致度の算出パターンが示され
たものであり、これを１つの艦船を特徴付けるパターン
として取り扱う。図１に示した処理の流れ全体は、本発
明に言うところの、形状が既知のモデルを複数の観測条
件で撮像して得た複数の既知収集画像のそれぞれと前記
照合フィルタとの合致度データを求め、この合致度デー
タを融合して総合組み合わせデータを得る手段である。

【００２７】また、以上に説明したような複雑なデータ
群を扱うには、一般的な問題点（下記）について解決が
必要となるのでこれについて説明する。即ち、 問題１） 合致度、観測条件という意味合いの全く異な
る情報を同列に取り扱うことが困難。さらに無駄なデー
タも多い。 問題２） 照合処理の精度を検証するためには艦船パタ
ーンを特徴付けた観測条件群と同じ観測条件を合わせ持
った収集画像が必要となり、それだけの収集画像を収集
するのが困難。 次に、上記問題点の、本発明に於ける解決方法の概略を
説明する。

【００２８】まず、問題１の異種データ混合型データ列
の扱いに関しては、“データマイニング処理”を採用す
ることで解決した。これは雑多なデータ群の中から本当
に有益なものだけを取り出す技術である。

【００２９】データマイニングについて説明する。デー
タ群を照合に利用するには、従来の説明に示している艦
船Ａ、Ｂという２艦船だけの情報だけではなく、他の艦
船の合致度情報も有効に利用するために対象全艦船に対
する合致度を類別データ列として扱う必要がある。しか
しデータ群の情報が増加するほど、データの相関関係が
把握しづらくなってくる。さらに無駄なデータも増えて
くる可能性も有り得る。データマイニングの技術を用い
ることで雑多なデータ列から意味の有る情報だけを取り
出すことができる。本開発ではこのデータ特徴要素の抽
出に主成分分析を用いた。

【００３０】図２に主成分分析の概念を示す。図におい
て、４８は図１の総合組み合わせ表である。４９は艦船
Ａの収集画像の主成分分析処理、５０は艦船Ｂの収集画
像の主成分分析処理である。５１は艦船Ｂの収集画像の
照合処理結果である合致度を観測条件ごとにまとめた総
合組み合わせ表である。５２は総合組み合わせ表４８、
５１に示すような合致度の集まりだけでなく、それに付
随する様々なデータ（図２では、例としてアスペクト、
オフナディア、レンジを記載）を洗い出し、フォーマッ
トを決めるデータクレンジング処理、５３は艦船Ａの収
集画像に対するデータクレンジング処理５２の処理後の
データである。５４は艦船Ｂの収集画像に対するデータ
クレンジング処理５２の処理後のデータである。５５は
データマイニング処理である。５６は艦船Ａの収集画像
に対するデータマイニング処理５５の処理後のデータで
ある。５７は艦船Ｂの収集画像に対するデータマイニン
グ処理５５の処理後のデータである。

【００３１】次に動作について説明する。総合組み合わ
せ表４８、５１に示すような合致度の集まりだけでな
く、それに付随する様々なデータを洗い出し、フォーマ
ットを決める処理がデータクレンジング５２である。そ
してこの処理の処理済データ５３、５４に対して主成分
分析によって任意の個数の主成分にまとめあげるのがデ
ータマイニング処理５５である。これによって、艦船ご
との特徴をもとに分別できる必要最小限のパラメータ値
（図では主成分１、主成分２の２つの成分のみを例示し
ている）を導き出すことが可能となる。図２の処理の流
れ全体は、本発明に言うところの、総合組み合わせデー
タを複数の主成分に成分分析して複数の成分分析データ
を得る手段である。また、データクレンジング５２は本
発明に言うところの、総合組み合わせデータを前記観測
条件を構成する複数の要素別データに分解するデータク
レンジング手段である。また、データマイニング処理５
５は本発明に言うところの、観測条件を構成する複数の
要素別データの要素をデータマイニングにより複数の主
成分に成分分析して複数の成分分析データを得る手段で
ある。

【００３２】また、問題２の収集画像の観測状況ごとの
収集が実現困難な点は、“ニューラルネットワークを利
用したＬＶＱアルゴリズム”を採用することで、観測条
件におけるデータ群を１つのパターンとして扱うのでは
なく、観測条件ごとのデータ列の集合として扱う方式を
採用することにより解決した。これにより、収集画像に
対応した観測条件が１つであっても、類別パターンを特
徴づける特徴空間でその位置を示すことができれば、そ
の位置が艦船パターンを示すデータ列の集合の範囲のど
の艦船領域に含まれているかを見て類別できる。

【００３３】ニューラルネットワークについて図３、図
４により説明する。ニューラルネットワークは艦名が既
知のデータ群を１つの類別パターンとして捉え、その類
別パターンを特徴空間中に分布させる学習段階（図３）
と、学習した特徴空間への未知のデータの割付（マッピ
ング）を行うシミュレーション段階（図４）とを持つア
ルゴリズムである。本発明ではニューラルネットワーク
の中でもパターン認識に用いられる階層型の自己組織化
アルゴリズムとして知られているＬＶＱを利用する。Ｌ
ＶＱにより艦船ごとに固有な類別データ列を自己組織化
マップと呼ばれる特徴空間に割り当てることができる。

【００３４】学習段階では艦船ごとに固有なデータ列サ
ンプルを観測条件ごとに用意し、自己組織化マップへ値
を割り当てる。そして艦船ごとの領域を決定する。なお
学習段階においてＭＩＮＡＣＥフィルタ作成時のＴＲＵ
Ｅ,ＦＡＬＳＥクラスの指定基準を明確にすることがで
きる。図３において、５８はニューラルネットワークの
処理であり、ここではＬＶＱを用いている。５９はニュ
ーラルネットワークの処理５８の処理の結果を投影する
自己組織化マップである。

【００３５】ニューラルネットワーク処理５８によって
データマイニング処理後のデータ５６、５７を自己組織
化マップ５９に投影していく。ニューラルネットワーク
のアルゴリズムとして使用するＬＶＱの特徴により、同
一艦船に属するデータ列はマップ５９上にて同一グルー
プ領域を形成していく。多くのサンプルを用いてこの領
域を学習（位置と大きさ、範囲を学習）していくのが大
きな目的である。図３に示した処理は、本発明に言うと
ころの、複数の成分分析データをニューラルネットワー
クによりマップ上に分類して前記形状が既知のモデルの
自己組織化マップを得る手段である。

【００３６】次にシミュレーション時の処理について図
４により説明する。学習時に作成した自己組織化マップ
５９があれば、未知のデータ列に対して最も確からしい
グループへの割り当て先が全自動で簡単にわかる。この
段階をシミュレーション段階と呼ぶ。図４において、５
８、５９は図３と同じである。６０は艦船名が未知の収
集画像の主成分表である。この主成分の求め方も図２の
主成分分析で示した方法により得られたものである。

【００３７】ニューラルネットワーク処理５８の処理に
て主成分表６０のデータの対応場所が５９のマップの艦
船Ａの領域の中だとわかった場合、艦船名が未知の収集
画像に対して実は艦船Ａであるということが判明する。
図４の処理全体は、本発明に言うところの、形状が未知
の対象を任意の観測条件で撮像して得た未知収集画像を
前記複数の手段により前記自己組織化マップ上に分類
し、前記形状が既知のモデルの分類との一致を検証する
手段である。

【００３８】以上は本発明の画像識別処理の原理的な面
からの説明である。次に具体的な画像処理の流れについ
てブロック図により説明する。この流れの説明の中で、
既に前述の原理説明で詳細を説明した部分については、
説明が重複するが、改めてその概要程度を説明する。図
５、図６は本発明の実施の形態１の画像識別システムの
流れ説明図である。処理は学習時の処理（図５）とシミ
ュレーション時の処理（図６）の２つに大きく分かれ
る。図において１は識別対象となる目標の３Ｄモデルで
あり、ここでは艦船を対象として示している。２は３Ｄ
モデル１を元に画像化されるパターンを疑似する疑似画
像作成処理である。３は疑似画像作成処理２により作成
された疑似画像、４は複数枚の疑似画像３を1枚に合成
して照合フィルタ５を作成するフィルタ合成処理であ
る。６は収集画像である。学習時には収集画像６を撮影
した目標の名称（勿論形状も）は既知であるものとす
る。７は収集画像６を撮影したときの目標とセンサ間の
位置関係など（観測条件）を示す観測パラメータであ
る。８は照合フィルタ５と収集画像６との合致度を計算
するパターンマッチング処理である。９はパターンマッ
チング処理８の照合結果であり、３Ｄモデル１の種別ご
とに合致度が計算され、その合致度を一まとめにしたグ
ループ（図１の総合組み合わせ表４８）となっている。

【００３９】１０は照合結果データ９をもとに重要なデ
ータを探すデータマイニング処理である。１１はデータ
マイニング処理１０の結果データ（図２の処理後データ
５６、５７）であり、ニューラルネットワークのアルゴ
リズムＬＶＱ１２における入力データとなるＬＶＱ入力
データでもある。１２はＬＶＱ入力データ１１をグルー
プごとに分別する（マッピングする）ＬＶＱ処理であ
る。１３はＬＶＱの結果を投影したマップ（図３の自己
組織化マップ５９）であり、学習内容が詰め込まれた自
己組織化マップ（ＳＯＭ（Ｓelf Organization Map）と
言う）である。１４はシミュレーション時に最終的に必
要な識別結果である。

【００４０】次に学習時の動作について示す。ここでの
説明は艦船のＳＡＲ／ＩＳＡＲ画像に対して行う。学習
処理とは、対象艦船の名称が明らかになっているとき収
集画像を用意し、その処理をシステムに実行させ、マッ
プを作成し、実際に艦船名が不明な画像の識別処理を行
うための準備とするものである。学習処理の最初のステ
ップは疑似画像作成処理２である。疑似とは任意に指定
した観測パラメータを元に、艦船３Ｄモデルに対してＳ
ＡＲ／ＩＳＡＲ処理の疑似を行い、疑似収集画像を作成
する処理である。なお、本処理では（実際に機上で行わ
れているＳＡＲ／ＩＳＡＲ画像化処理ではなく）目標３
次元モデル１の相対ＲＣＳ分布を求め、これに観測条件
（レーダ特性・相対位置関係・動揺条件など）を与える
ことにより、投影処理を介した疑似ＩＳＡＲ画像を生成
する処理である。観測条件に応じて、艦船３Ｄモデル一
つにつき複数枚の疑似画像が作成される。

【００４１】フィルタ合成４とはＳＡＲ／ＩＳＡＲより
得られる画像からの艦船の探知および認識をするＭＩＮ
ＡＣＥ(Minimum Ａverage and Correlation Ｅnergyミ
ネス)フィルタ５を作成する手法である。ＭＩＮＡＣＥ
フィルタ５を用いることで合成開口レーダで、目標認識
を困難にしていた以下の要因を克服することができる。

【００４２】要因１・レーダの照射方向と目標との相対
角度(aspect angle)により得られる画像が、その角度差
以上に極端に異なる。例えば、対象の２つの平面の角
や、３つの面の頂点がレーダ照射方向に向いている場
合、レーダ波の反射係数が大きくなり高輝度点として現
れるが、この状態から相対角度がわずか数度変化するだ
けで、高輝度点の場所が大きく変化してしまう。 要因２・ 全ての相対角度に応じた照合フィルタを準備
した場合、照合処理時間が膨大となる。例えば、２次元
の照合フィルタによる目標認識手法において、全ての相
対角度に応じたＭＩＮＡＣＥを用いない照合フィルタを
準備（例えば２度おきに照合フィルタを準備）した場
合、１目標につき１８０枚の照合フィルタを必要とす
る。１０目標の認識をするためには、１８００枚の照合
フィルタを準備する必要があり、１入力画像毎に１８０
０回の照合演算を要する。

【００４３】ＭＩＮＡＣＥを用いた照合フィルタ５によ
る手法の場合、必要となるフィルタの数を極力減らすこ
とができる。また、上記説明では、目標の不確定要素は
相対角度のみとしたが、実際は目標の偽装による変形
や、同じ形式でも製造年代による相違など、事前に知り
得ない要素が多々存在する。よって歪不変（後述）であ
りかつ、１つの照合フィルタにて広いアスペクト角に対
応出来ることが合成開口レーダ画像の認識において重要
である。このような要因に対しＭＩＮＡＣＥフィルタは
広いアスペクト角に対応可能であることが検証されてい
る。

【００４４】ＭＩＮＡＣＥフィルタ５が作成されたらそ
のあとは照合（パターンマッチング８）を行う。パター
ンマッチング８は、図１で説明したように、照合フィル
タ５（Ｆａ）と収集画像（Ａｘ）の相関値を計算する処
理である。本処理で行う照合フィルタを用いた認識手法
は、照合演算に用いる情報が２次元の振幅情報である。
照合フィルタ５の縦と横の積の数分の情報を用いている
ので、複数個の特徴点を求めて照合する手法に比べて目
標の物理的変化に対応可能であるという特徴がある。こ
のことを歪不変(Ｄistortion ／Ｉnvariant)という。ま
た照合演算において、ＦＦＴ(Fast Fourier Transform)
を用いることにより高速に演算可能であるとともに、照
合対象の中心位置が既知であることを要求しないので、
合成開口レーダにおける目標認識手法としてすぐれてい
る。照合処理の結果としての合致度９は、フィルタ５一
枚につき一つが算出される。その結果、照合対象が増加
するに従って、合致度が増加し識別が難しくなる。さら
に判断材料の合致度にも重複した意味のものも多数出て
くる。そこで次に図２で説明したデータクレンジングと
データマイニングを使用する。

【００４５】データクレンジングは入力された膨大なデ
ータ群をデータマイニングの解析に適合するような良質
のデータにする処理であり、対象艦船が増大するに従
い、処理時間・処理精度がともに落ちてくることをある
程度カバーすることができる。本発明では観測パラメー
タ等のデータは全て正規化し0.0〜1.0の値に置きかえ
る。

【００４６】データマイニング１０により、照合艦船の
隻数が増大しても、その変化に容易に対応できる。つま
り本当に意味のあるデータ集合のみを利用できるのであ
る。これはデータ列が長いとそれだけ処理時間もかかる
し、処理結果もあまりよくないことになりそうであると
いう懸念を追い払うための機能である。特にデータマイ
ニングにより、分別できる絵になっていないＩＳＡＲ画
像でもクレンジングを行ってデータマイニングすること
で分別できる可能性が広がる。データマイニングではデ
ータクレンジングで作成した厳選したデータを用いて膨
大な照合結果データを主成分分析によって人間の判断で
きる第Ｎ主成分まで落とす。このようにＬＶＱに渡すデ
ータ列を連結によって作成するのだが、その前にオペレ
ータによって主成分をグラフにて確認することができ
る。

【００４７】次に、ＬＶＱ１２について説明する。ＬＶ
Ｑ(Learning Vector Quantization：競合学習型ベクト
ル量子化ニューラルネットワーク)１２とは、図３で説
明したが、視覚の研究から得られた知見を元に「自己組
織化」というキーワードに関連して生体が達成した情報
処理のメカニズムを利用したパターン分類アルゴリズム
である。競合学習型のネットワークの学習段階では、あ
る入力に対して多数のニューロンが反応するが、その中
でも最も強い応答を示したニューロンが勝ち残り（競
合）、そのニューロンについての結合重みの学習を行
う。 ただし、学習するときは競合で勝ち残ったニュー
ロンの周辺のニューロンも同時に学習する。このような
学習によって、データの統計的分布や相互の類似関係を
反映したテンプレートが作られる。このテンプレートに
よって、パターン認識ができる。

【００４８】ＬＶＱ１２の処理手順を次に示す。 手順１：学習回数の設定 自己組織化は学習させる回数で性能が定まる。データの
個数分するのは当然であるが、50回繰り返す。 手順２：入力データのスケール調整 ニューロンに印加される、入力の値は０から１までの連
続値である。よって、あるデータ群を入力するにあたっ
て、 そのデータ群の一番大きな数字で、全ての数字を
割れば、０から1にスケールを調達することができる。 手順３：結合係数のランダム変数化 ニューラルネットワークの初期の結合係数Ｕは、ランダ
ムで与えられているとする。 手順４：ニューロンの状態計算 入力ベクトルをＥとして、ニューロンの状態Ｓを計算す
るには、式（１）を用いる。

【００４９】

【数１】

【００５０】手順５：最大値のニューロンを探索 競合層のニューロンの状態Ｓの中で、最も大きい値を取
る ニューロンを探す。 手順６：学習させるニューロンの範囲を設定 学習範囲を意味する近傍ｄを求めるには、式（２）を用
いる。近傍ｄは学習回数と共に減少する定数であり、最
後は０となる。 ｔは現在の学習の回数で、Ｔは行われ
るべき学習回数である。 手順７：結合係数の増加 競合層のニューロンの状態Ｓの中で、最も大きい値を取
る ニューロンの周り（近傍ｄ）に結合している結合係
数Ｕだけ、式（３）（４）の変化分だけ結合係数Ｕが増
加させる。ここで、aは結合定数で通常0.9〜0.5にし、
学習回数と共に減っていくこととする。ｔは現在の学習
の回数で、Ｔは行われるべき学習回数である。 手順８：学習回数がまだ残っていたなら手順４に戻る これを繰り返すことによって、ニューラルネットワーク
に印加された入力Ｅが、結合係数Ｅによって蓄積され
る。

【００５１】このようにして自己組織化マップ１３を作
成する。学習時の収集画像の艦船名称は既知なので、自
己組織化マップ１３において対象とする艦船の領域を決
めることができる。これを艦名が未知の収集画像の艦名
を判断するために使用するデータとする。

【００５２】次にシミュレーション時処理の動作につい
て図６に示す。シミュレーション処理は学習処理にて作
成された自己組織化マップを用いて、艦船名称の不明な
収集画像を識別する処理である。シミュレーションにお
けるパターンマッチング８は学習での処理と類似する処
理である。ただし学習時と違い、洗練されたマッチング
フィルタ５がすでに用意されている。本処理では観測パ
ラメータから推奨されるマッチングフィルタ５を検索
し、マッチング処理を行い、合致度を計算する。シミュ
レーション処理でのデータマイニング１０は主成分抽出
（図２で説明）であると言える。広義の意味でのデータ
マイニングは学習のところですでに行っている。ここで
は学習の成果を発揮するところである。学習により決定
した主成分９を計算し、ＬＶＱ用のデータ１１を作成す
る。学習時のＬＶＱによってすでに自己組織化マップ１
３は完成している。本処理では結合関数にあわせてマッ
プのどこに割り当てられるかをみて、分別を行う。

【００５３】以上では、艦船３Ｄモデル１に対する処理
として説明したが、対象はこれに限らず航空機３Ｄモデ
ルに対しての識別処理に、また、車両３Ｄモデルに対し
ての識別処理に、また、建造物３Ｄモデルに対しての識
別処理にそれぞれ適合させることが可能である。

【００５４】実施の形態２．図７、図８に実施の形態２
の画像識別処理として、マルチバンドに対応させた場合
のブロック図を示す。実施の形態１では、ある１つのバ
ンドに対する識別処理を示したが、マルチバンドに対す
る処理に対しても十分対応できる。図７の疑似処理２は
バンドごとに異なる処理となる。また、収集画像６もバ
ンドごとに異なる。

【００５５】実施の形態３．図９、図１０に発明の実施
の形態３の画像識別処理のブロック図を示す。実施の形
態１では識別精度の向上のためのフィードバック処理が
含まれていないが、図３ではＬＶＱが自身のＳＯＭ(Ｓe
lf Organization Map)の目標領域の距離を元にフィルタ
合成時のトレーニングクラス選別処理に対してもフィー
ドバックをかけることで識別システムの信頼度を向上さ
せることが可能である。このフィードバック処理は、本
発明に言うところの、自己組織化マップにより得た主成
分データの分類結果を複数の疑似画像データから前記照
合フィルタを合成する手段へフィードバックするフィー
ドバック手段である。

【００５６】実施の形態４．図１１、図１２に発明の実
施の形態４の画像識別処理のブロック図を示す。実施の
形態３では識別データとして用いるのが画像に関するデ
ータだけであるのに対して、ＥＳＭ（Electronic Surve
yllance Measure、電子測量データとも言う）１５など
の情報を組み込ませることが可能である。

【００５７】実施の形態５．図１３、図１４に実施の形
態５の画像識別処理のブロック図を示す。実施の形態1
〜３では画像情報を扱っているが、画像とは全く関係な
いデータ列（例えばある種の物質の化学成分分析デー
タ、地震波や建造物の振動などの各種波動データ、ＤＮ
Ａ分析データ）を対象とした処理にも応用可能である。
以上に説明した画像識別装置は、レーダ特に合成開口レ
ーダに備えることにより、より高い効果を得ることがで
きる。

【００５８】

【発明の効果】この発明の画像識別装置は、以上に説明
したように構成されているので、以下に示す効果を奏す
る。

【００５９】データマイニングとニューラルネットワー
クを併用することにより、処理時間を増やすことなく従
来より識別精度の高い画像識別を行うことができる。

【００６０】また、マルチバンドに対する画像識別処理
を効果的に行うことができる。

【００６１】また、画像データの分析にデータクレンジ
ング機能と、データマイニング機能とを用いているの
で、より信頼度の高い画像識別ができる。

【００６２】ニューラルネットワーク処理のＬＶＱが、
自己組織化マップから得た結果を、フィルタ合成処理に
対してフィードバックすることで画像識別システムの信
頼度を向上させることができる。

【００６３】ＥＳＭなど画像とは異なる情報を組み込ま
せる画像識別処理が可能である。

【００６４】この発明によるレーダ装置は、上記画像識
別装置を備えたので、画像識別処理をより高速に処理す
ることができる。

【図面の簡単な説明】

【図１】 この発明の実施の形態１の動作原理（データ
の融合）を説明するためのデータ処理説明図である。

【図２】 この発明の実施の形態１の動作原理（成分分
析）を説明するためのデータ処理説明図である。

【図３】 この発明の実施の形態１の動作原理（学習段
階）を説明するためのデータ処理説明図である。

【図４】 この発明の実施の形態１の動作原理（シミュ
レーション段階）を説明するためのデータ処理説明図で
ある。

【図５】 この発明の実施の形態１の画像識別処理の流
れ（学習時）を示すブロック図である。

【図６】 この発明の実施の形態１の画像識別処理の流
れ（シミュレーション時）を示すブロック図である。

【図７】 この発明の実施の形態２の画像識別処理の流
れを示すブロック図である。

【図８】 この発明の実施の形態２の画像識別処理の流
れを示すブロック図である。

【図９】 この発明の実施の形態３の画像識別処理の流
れを示すブロック図である。

【図１０】この発明の実施の形態３の画像識別処理の流
れを示すブロック図である。

【図１１】 この発明の実施の形態４の画像識別処理の
流れを示すブロック図である。

【図１２】 この発明の実施の形態４の画像識別処理の
流れを示すブロック図である。

【図１３】 この発明の実施の形態５の画像識別処理の
流れを示すブロック図である。

【図１４】 この発明の実施の形態５の画像識別処理の
流れを示すブロック図である。

【図１５】 第１の従来の技術の画像識別を示す原理説
明図である。

【図１６】 第２の従来の技術のＭＩＮＡＣＥフィルタ
による画像識別を示す原理説明図である。

【図１７】 図１６のＭＩＮＡＣＥフィルタによる画像
識別の不具合を説明する説明図である。

【符号の説明】

１ 艦船３Ｄモデル、 ２ 疑似画像作成処理、
３ 疑似画像、４ フィルタ合成処理、 ５ 照合フ
ィルタ、 ６ 収集画像、７ 観測パラメータ、
８ パターンマッチング処理、９ 照合結果、
１０ データマイニング処理、１１ ＬＶＱ入
力データ、 １２ ＬＶＱ処理、１３ 自己組織化マ
ップ、 １４ 識別結果、 １５ ＥＳＭデータ、
１９ 結果データ、 ２０ 処理ブロックＡ、 ２
１ 処理ブロックＢ、２２ 艦船Ａの３Ｄモデル、
Ａ１ 観測状況１の艦船Ａ疑似画像、Ａ２ 観測状況２
の艦船Ａ疑似画像、Ａｎ 観測状況nの艦船Ａ疑似画
像、Ａｘ１ 観測状況１の艦船Ａ収集画像、２７ 観測
状況１の艦船Ａ合致度、 ２８ 観測状況２の艦船
Ａ合致度、２９ 観測状況nの艦船Ａ合致度、 Ｆ
ａ 艦船Ａの照合フィルタ、３１ 収集画像の合致度、
３２ 艦船Ｂの３Ｄモデル、Ｂ１ 観測状況１の艦
船Ｂ疑似画像、Ｂ２ 観測状況２の艦船Ａ疑似画像、Ｂ
ｎ 観測状況ｎの艦船Ｂ疑似画像、Ｆｂ 艦船Ｂの照合
フィルタ、 ３７ 収集画像の合致度、Ａｘ２ 観
測状況２の艦船Ａ収集画像、Ａｘ３ 観測状況３の艦船
Ａ収集画像、４０ （艦船Ａの照合フィルタによる観測
状況２の）収集画像の合致度、４１ （艦船Ａの照合フ
ィルタによる観測状況３の）収集画像の合致度、４２
（艦船Ｂの照合フィルタによる観測状況２の）収集画像
の合致度、４３ （艦船Ｂの照合フィルタによる観測状
況３の）収集画像の合致度、４４ （観測状況１の収集
画像Ａの合致度の）組み合わせ表、４５ （観測状況２
の収集画像Ａの合致度の）組み合わせ表、４６ （観測
状況３の収集画像Ａの合致度の）組み合わせ表、４７
融合処理、４８、５１ 総合組み合わせ表、４９ 艦船
Ａの主成分分析、 ５０ 艦船Ｂの主成分分析、５
２ データクレンジング処理、５３ 艦船Ａのクレンジ
ング結果、 ５４ 艦船Ｂのクレンジング結果、５
５ データマイニング処理、５６ 艦船Ａのデータマイ
ニング結果、５７ 艦船Ｂのデータマイニング結果、５
８ ニューラルネットワーク処理、 ５９ 自己組織化
マップ、６０ 艦船名不明の収集画像のデータマイニン
グ結果。

Claims (7)

【特許請求の範囲】
1. 【請求項１】 モデルの３次元形状データから、このモ
   デルを互いに異なる方向を含む複数の観測条件で撮像し
   たものに相当する複数の疑似画像データを作成する手
   段、前記複数の疑似画像データから照合フィルタを合成
   する手段、 形状が既知のモデルを複数の観測条件で撮像して得た複
   数の既知収集画像のそれぞれと前記照合フィルタとの合
   致度データを求め、この合致度データを融合して総合組
   み合わせデータを得る手段、 前記総合組み合わせデータを複数の主成分に成分分析し
   て複数の成分分析データを得る手段、 前記複数の成分分析データをニューラルネットワークに
   よりマップ上に分類して前記形状が既知のモデルの自己
   組織化マップを得る手段、 形状が未知の対象を任意の観測条件で撮像して得た未知
   収集画像を前記複数の手段により前記自己組織化マップ
   上に分類し、前記形状が既知のモデルの分類との一致を
   検証する手段を備え、 前記未知収集画像が前記既知のモデルのいずれに相当す
   るかを識別するようにしたことを特徴とする画像識別装
   置。
2. 【請求項２】 前記モデルと、前記照合フィルタとは、
   それぞれ複数個用いられることを特徴とする請求項１に
   記載の画像識別装置。
3. 【請求項３】 前記総合組み合わせデータを複数の主成
   分に成分分析して複数の成分分析データを得る手段は、 前記総合組み合わせデータを前記観測条件を構成する複
   数の要素別データに分解するデータクレンジング手段
   と、 前記複数の要素別データをデータマイニングにより複数
   の主成分に成分分析して複数の成分分析データを得る手
   段とを含むことを特徴とする請求項１又は２に記載の画
   像識別装置。
4. 【請求項４】 前記自己組織化マップにより得た主成分
   データの分類結果を前記複数の疑似画像データから前記
   照合フィルタを合成する手段へフィードバックするフィ
   ードバック手段を備えたことを特徴とする請求項１から
   ３のいずれか一項に記載の画像識別装置。
5. 【請求項５】 前記モデルは移動体であり、前記収集画
   像はレーダ装置により得られるレーダ画像であることを
   特徴とする請求項１から４のいずれか一項に記載の画像
   識別装置。
6. 【請求項６】 主成分として観測条件を構成する複数の
   要素別データに、電子測量データを加えたことを特徴と
   する請求項５に記載の画像識別装置。
7. 【請求項７】 請求項１から６のいずれか一項に記載の
   画像識別装置を備えたレーダ装置。