JP2003500776A - パターン認識 - Google Patents

Abstract

(57)【要約】 パターン認識システムにおいて、後で認識すべきパターンが学習フェーズにおいて予め設定される。このパターンはシーケンシャルに検出される。すなわち、このパターンの情報価値の高い領域が検出され、さらにこれらの領域の間の空間的な関係も格納される。認識フェーズにおいて、認識すべきパターンの第１の領域の検出されたデータに基づいてならびに格納されたデータに基づいて仮説が発生される。この仮説は、推定されたパターンを示し、さらに、この推定が正しければどこに他の目立つ領域がこの認識すべきパターンの中にあるのかを示す。従って、パターンは一方でその局所的な情報によってならびに他方でその互いに空間的関係によって学習され、格納され、次いで再認識される。本発明の適用範囲は例えばロボット技術、テキスト解析、画像解析、そしてまた（例えば乳房撮影法における腫瘍自動認識等々における）医療技術分野である。

Description

【発明の詳細な説明】

【０００１】 本発明は、パターン認識システムのための学習方法、少なくとも１つのパター
ンを再認識するための方法、パターン認識システムならびにこのようなパターン
認識システムの使用に関する。

【０００２】 本発明は一般的にパターン認識の分野に関する。この場合、パターン認識は、
所定の再認識するべきパターンが技術的なシステムに予め供給されるか、もしく
は言い換えればパターン認識システムが学習又はトレーニングされることを意味
する。このパターン認識システムは予め学習されたこれらのパターンを後で再認
識しなくてはならない。

【０００３】 この場合、「パターン」を本発明の意味においては感覚的な印象のあらゆる２
次元又は多次元表示と解釈する。従って、本発明の意味におけるパターンは当然
物理的な対象のイメージである。他の感覚的な印象は例えば香り又は音声信号で
ある。音声信号の場合には２次元表示は例えば周波数スペクトル又は時間に依存
した振幅特性である。

【０００４】 パターン認識のための具体的な適用例は当然多数存在する。例としてはロボッ
ト技術が挙げられる。この場合、パターン認識システムは、ロボットが所定の対
象（この場合トレーニングされたパターン）を例えばベルトコンベアなどから取
りあげるために使用される。

【０００５】 他の適用範囲は一般的に医療技術である。例えば、腫瘍の典型的な患部画像が
パターンとしてパターン認識システムにおいてトレーニングされた場合に、パタ
ーン認識システムによって腫瘍患部が医療イメージングシステムのイメージにお
いて認識される。

【０００６】 音響信号における適用事例においては、パターン認識システムは例えばトレー
ニングされた音声をノイズのあるスペクトルにおいて認識することができる。

【０００７】 パターン認識システムの技術的な実装に関する重要なポイントは、パターン認
識システムにパターンにおいて描出される情報を供給するやり方である。従来技
術ではこの場合、このような技術的なシステムをいわゆる「フィードフォワード
（Feed-Forward）」アプローチによって実装することが公知であり、これは例え
ばMarr (1982) "Vision: A Computational Investigation into the human Repr
esentation and Processing of visual Information", New York, Freeman に記
載されている。「フィードフォワード」はこの場合基本的にとりわけパターン認
識の認識フェーズにおいて認識すべきパターンの情報だけが処理されることを意
味する。しかし、この「フィードフォワード」アプローチは、結果的に生じる処
理速度があまりにも低いので技術的な実装において不十分であることが判明した
。

【０００８】 従って、本発明の課題は、より効率的な技術的な実現を可能にするパターン認
識のための技術を提供することである。

【０００９】 この課題は独立請求項の構成によって解決される。従属請求項は本発明の中心
的な思想をとりわけ有利なやり方で実施する。

【００１０】 第１の実施形態によれば、パターン認識システムのための学習方法が設けられ
る。この場合、少なくとも１つの認識すべきパターンが予め設定される。すなわ
ち、パターン認識システムにパターンすなわち感覚的な印象の２次元表示の情報
（データ）が供給される。次いで、それぞれ予め設定されたパターンの領域を描
出するデータが検出される。有利にはこの場合とりわけ情報価値の高い（aussag
ekraeftig）領域が選択される。２次元イメージの場合にはこれは通常は例えば
輝度情報又は色情報の目立つ跳躍のような高いコントラストを有する領域である
。さらにデータにより描出された少なくとも２つの領域の相対的な空間的な関係
が検出される。周波数スペクトルの場合には、これは例えば２つの領域の間隔で
あればよい。２次元イメージの場合にはこれは通常は相応の領域の相対的位置で
ある。これらの領域の空間的な関係の検出は、相応の領域の本来のデータの検出
とは別個に行われる。予め設定されたパターンの領域を描出するデータならびに
これらの領域の空間的な関係が格納される。

【００１１】 予め設定されたパターンの領域を描出するデータの検出及び格納ならびにこれ
らの領域の空間的な関係の検出及び格納は、この場合シリアルに行われる。

【００１２】 パターンは物理的な対象のイメージである。これらの物理的な対象は、ロボッ
トによって操作されなければならない対象であってもよい。

【００１３】 少なくとも１つの予め設定されたパターンはイメージングシステムによって発
生された例えば腫瘍のような患部画像のイメージであってもよい。

【００１４】 本発明によれば、さらに、少なくとも１つのパターンを再認識するための方法
が設けられる。少なくとも１つの再認識するべきパターンを表すデータがこの場
合予め格納される。これはとりわけ上述のような方法によって行われる。次いで
、本来の再認識において、認識すべきパターンの少なくとも１つの領域のデータ
が検出される。次に、いわゆる仮説が、予め格納されたデータと認識すべきパタ
ーンの少なくとも１つの領域の検出されたデータとに基づいて発生される。この
仮説は、この場合、格納されたデータによって表されたどのパターンに認識すべ
きパターンが推定において相応しているかを示す。認識すべきパターンの少なく
とも１つの他の領域のデータが検出され、推定されたパターンの相応する領域を
表す格納されたデータと比較される。認識すべきパターンのこの少なくとも１つ
の他の領域のデータが推定されたパターンの相応する領域を表す格納されたデー
タと基本的に一致する場合には、この認識すべきパターンがこの推定されたパタ
ーンとして識別され、従って再認識されたと見なされる。「基本的に一致する」
とは、この場合技術的な実現において特定の識別閾値（例えば一致における予め
決められたパーセンテージ）が予め設定され、この識別閾値を上回る場合には相
応のデータが一致と見なされることを意味する。

【００１５】 仮説は例えば人工ニューラルネットワークによって発生される。

【００１６】 仮説の検証に使用されるこの少なくとも１つの他の領域がこの仮説に基づいて
選択される場合、再認識するためのこの方法はとりわけ効果的に技術的に実施さ
れ得る。従って、この場合この他の領域が実際に推定されたパターンである場合
に、認識すべきパターンのこの他の領域がどこに存在しなければならないかとい
うことに関してこの仮説は分析される。

【００１７】 認識すべきパターンのこの少なくとも１つの他の領域のデータが格納されたデ
ータと基本的に一致しない場合には（従って、仮説が間違いだと、すなわち推定
されたパターンが認識すべきパターンに相応しないと判明した場合には）、他の
仮説が発生され、上述のように他の領域に基づいて検証される。

【００１８】 本発明によれば、さらに、パターン認識システムが設けられる。これはメモリ
を有し、このメモリには少なくとも１つの再認識するべきパターンを表すデータ
が格納されている。さらに、認識すべきパターンの少なくとも１つの領域のデー
タを検出するための手段が設けられている。メモリにおけるデータと認識すべき
パターンの少なくとも１つの領域の検出されたデータとに基づいて仮説を発生す
るための手段が設けられ、この場合、発生された仮説は予め格納されたデータに
よって表される複数のパターンの中の推定されたパターンを示している。検出の
ための手段はさらに次のように構成されている。すなわち、認識すべきパターン
の少なくとも１つの他の領域のデータが検出され、さらに推定されたパターンの
相応する領域を表すメモリにおけるデータと比較される。認識すべきパターンの
この少なくとも１つの他の領域のデータが推定されたパターンの相応する領域を
表すメモリにおけるデータと基本的に一致する場合には、この推定されたパター
ンは再認識された（識別された）と見なされる。

【００１９】 仮説を発生するための手段はとりわけ人工ニューラルネットワークであっても
よい。

【００２０】 システムは分析器を有し、この分析器は認識すべきパターンの少なくとも１つ
の他の領域を発生された仮説に依存して選択する。従って、この分析器は従来技
術（上記）のフィードフォワードアプローチとは対照的にトップダウン技術に従
って作動する分析器である。この場合トップダウンとは既存の例えば予め格納さ
れた情報を例えば認識フェーズに取り入れることを意味する。

【００２１】 上述のように構成されたシステムは、とりわけロボットによって操作されなけ
ればならない対象を認識するために使用される。さらに、このシステムは典型的
な患部画像を認識するために使用される。

【００２２】 ここに提示された技術の技術的な利点は、とりわけ学習及び/又は認識フェー
ズにおける検出がシリアルに行われることである。このシリアルな検出は、学習
すべき又は認識すべきパターンの情報のパラレルな全体検出に比べてより小さい
計算容量しか必要とせず、古典的なシリアルな計算アーキテクチュアによって良
好に実現できる。

【００２３】 本発明の他の特性、利点及び特徴的な構成を実施例及び添付図面の図と関連し
つつ詳しく説明する。

【００２４】 図１はニューロコグニティブ（neurokognitiv）な認識に基づくオブジェクト
の認識のための本発明のシステムを示し、 図２はオブジェクトの認識のためのフローチャートを示す。

【００２５】 まず最初に図１に関連してパターンの認識のための本発明のシステムの構成部
材を説明する。これらの構成部材の制御された協働を説明するフローチャートは
その次に図２に関連して説明する。

【００２６】 ここで指摘しておくが、この実施例では認識は視覚的に行われるが、本発明は
同様に例えば音響検出のような他の感覚的検出に基づいて実施することもできる
。

【００２７】 参照符号９によってこの場合図１では認識すべきパターン（オブジェクト）を
完全に表示するための手段が示されている。この手段は例えば平面画像センサ９
である。参照符号１によってこの図には観察窓をサーチライトのように平面画像
センサ９の表面全体に亘ってシフトすることができる手段が示されている。この
手段は、例えば平面画像センサ９の所定の部分を選択的に読み出すための手段で
あればよい。観察窓１の出力信号は、すなわちちょうどこの窓に存在する領域又
はオブジェクト表示の部分の視覚的特徴を平面画像センサ９によって描出してお
り、観察窓１のこれらの出力信号は本発明では一方でいわゆるWhat分岐路３に供
給され、他方でいわゆるWhere分岐路６に供給される。このWhat分岐路３はこの
場合例えばオブジェクト９の相応の部分のエッジ、構造又は色のような局所的特
徴の検出を担当しており、これに対してWhere分岐路６は上記のような相応の局
所的特徴の空間的関係のカテゴリカルな検出を担当している。このために、Wher
e分岐路はWhat分岐路に線路１０によって接続されており、この線路１０によっ
てWhere分岐路６にWhat分岐路３の相応の検出された局所的特徴が供給される。

【００２８】 What分岐路３ならびにWhere分岐路６はそれぞれ線路１１乃至は１２を介して
メモリ４に接続されている。このメモリ４は連想グラフィックメモリである。こ
のメモリ４にはグラフィカルに局所的特徴ならびにこれらの局所的特徴の空間的
な関係が格納される。これはこの場合システムのトレーニングフェーズの間に複
数のオブジェクトに関して行われる。このトレーニングフェーズの終了後に初め
てこのシステムの本来の適用フェーズにおいてメモリ４の内容の評価が行われる
。

【００２９】 観察窓１のシフトは観察窓運動制御部２（観察窓コントローラ）によって制御
される。この観察窓運動制御部２はこの運動制御を２つの供給された分析信号、
すなわちボトムアップ分析器５からの分析信号ならびにトップダウン分析器７か
らの第２の分析信号に依存して実施する。

【００３０】 ボトムアップ分析器５はWhat分岐路３の検出された局所的特徴を分析する。こ
れに対して、トップダウン分析器７は仮説発生器８を利用する。この仮説発生器
８はメモリ４に接続されおり、メモリ４にトレーニングフェーズの間に格納され
た結果を仮説の発生のために利用する。

【００３１】 従って、図１に図示されたシステムは一方で下位機能をすなわちボトムアップ
分析器５によって実施することができ、このボトムアップ分析器５は直接検出さ
れたWhat分岐路３の検出された特徴を評価するのであって、メモリ４を利用する
ことはできない。従って、このボトムアップ分析器５はセンサ入力信号だけを利
用する。

【００３２】 ここに図示されたシステムはさらにトップダウン分析器７ならびに仮説発生器
８によって上位機能を実施することができる。トップダウン分析器７及び仮説発
生器８はすなわちメモリ４に接続されており、この結果、これらのトップダウン
分析器７及び仮説発生器８はシステムのトレーニングフェーズから格納された認
識の供給を利用することができる。

【００３３】 ここに図示されたシステムはオブジェクトの視覚的認識に固有の限定されたメ
モリリソースの問題を次のことによって解決する。すなわち、窓機構１が入力さ
れる視覚的情報の低減のために設けられる。これによって、システムの限定され
た情報技術的なリソース（相応のプロセッサのリソース）を超過することはない
。観察窓内の情報だけがより高いレベルにおける後続の処理に供給される。

【００３４】 この図に図示されたシステムはWhat検出分岐路３ならびにWhere検出分岐路６
を有し、この結果、オブジェクト属性乃至は空間的属性が別個の分岐路において
処理され得る。オブジェクト属性は認識すべきオブジェクトの形態、色ならびに
構造を含む。

【００３５】 空間的関係のカテゴリカルな検出のためのWhere検出分岐路６は例えばWhat検
出分岐路３により検出された局所的特徴の位置、大きさなどを検出する。従って
、What検出分岐路３が観察窓１の部分の主要属性を収集することを担当するのに
対して、Where検出分岐路６は観察窓において異なる位置に割り当てられている
局所的特徴の２つのグループの間のカテゴリカルな空間的関係（左側、右側、等
々）を決定するのに使用される。これらの２つのタイプの情報（局所的特徴乃至
はこれらの局所的特徴の間の空間的関係）は学習フェーズの間に連想メモリにグ
ラフィカルに格納される。この図形のノードはそれぞれ局所的特徴の集合を格納
している。この集合はWhat検出分岐路３によって観察窓１によりラスタ状に走査
された異なる位置において検出されたものであり、この図に図示されたエッジの
線はWhat検出分岐路３により検出された２つのノードの間の空間的関係をカテゴ
リカルに格納している。本来の適用フェーズの前の学習フェーズの間にはボトム
アップ分析器５による分析だけが行われ、この結果、感覚的な情報だけが使用さ
れ、例えば突起するエッジのようなオブジェクトの関心領域のほとんどが走査さ
れ、分析される。これによってオブジェクトの不変的な描出がメモリレコードと
してメモリ４に格納される。この場合、メモリレコードは局所的特徴（局所的な
エッジ）ならびに相応の空間的関係によって固定されている。

【００３６】 図に図示されたシステムによってさらにいわゆるトップダウン分析がトップダ
ウン分析器７によって可能である。この場合、トップダウン分析器７は反復テス
ト及び仮説に基づいて観察窓をシフトするのに使用される。これらの仮説は仮説
発生器８によってメモリ４に格納された認識に基づいて生じる。言い換えれば、
本来の認識フェーズ又は適用フェーズの間には、ボトムアップ分析器５によるボ
トムアップ分析が感覚的な情報に基づいて観察窓１のシフトのために使用される
だけではなく、メモリ４に格納された知識に基づいてこの観察窓１は仮説発生器
８が所定の局所的特徴を予測するオブジェクト表示９の領域へとシフトされるの
である。このやり方で仮説発生器８が発生する仮説は反復的に正しいと実証され
るか又は却下される。この分析・総合ループは、この仮説発生器８が発生しトッ
プダウン分析器７が観察窓１の運動のために分析した仮説が正しいと実証される
まで実施される。これはこのオブジェクトが全体として認識されたことを意味す
る。

【００３７】 本発明のシステムのここに図示された上記の様々なサブシステムを提供するこ
とによって、実装に使用されるメモリ、プロセッサなどの限定された容量に過大
な要求が課せられることはない。必要とされる容量（リソース）はさらに本発明
によればサーチライトのような観察窓１によって低減される。この観察窓１はラ
スタ状にオブジェクトの上を移動することができる。Whatサブシステムは観察窓
１においてオブジェクトの部分の主要な局所的特徴を分析し、他方でこれらの局
所的特徴の間の空間的な関係はWhereサブシステムによって検出され分析される
。これら２つのサブシステムの認識はメモリ４に格納される。次いで、トップダ
ウン方式で仮説がオンラインで発生される。この仮説に基づいて反復的に観察窓
１の次の運動（シフト）が行われる。観察窓１のシフトの後で認識される特徴が
、仮説発生器８により発生された仮説の予測された特徴と一致する場合には、こ
れはこのオブジェクトが実際に認識されたことを意味する。メモリ４に格納され
た認識の評価にもとづくこの反復的なプロセスによって、観察窓１は他の情報を
入手する（読み出す）ためにシフトされ、このオブジェクトが本当に認識された
のかどうか、もしくは言い換えればこの仮説により想定された特徴がこのオブジ
ェクトの実際の特徴と一致するのかどうかを検査する。従って、ここに図示され
たシステムはオブジェクト認識のためのアクティブな視覚的システムである。

【００３８】 図２を参照しながら図１のシステムの構成部材の協働をより詳しく説明する。
この場合、基本的に２つのフェーズが実施される。

【００３９】 １）学習又はトレーニングフェーズ。このフェーズにおいては認識すべきパター
ンのあらゆる重要な領域が観察窓によって走査され格納される。

【００４０】 ２）本来の認識フェーズ。このフェーズにおいてはトレーニングフェーズで格納
された認識に基づいて仮説が作成され検証される。仮説が正しいと実証される（
仮説により推定された特徴が基本的にオブジェクトの実際の特徴と等しい）場合
、パターンは正確に認識されたのである。

【００４１】 個々のステップを次に詳しく記述する： まず最初にステップＳ１においてシーケンスのスタートが行われる。ステップ
Ｓ２においてちょうど観察窓の部分（検出領域）に存在するパターンの領域が検
出される。ステップＳ３では、ステップＳ２の結果に基づいてこれらの領域の空
間的関係が検出される。ステップＳ４では、これらの領域のデータ及びこれらの
領域の空間的関係が格納される。ステップＳ５では、メモリ内容に基づいて、十
分に情報価値の高いつまりパターンの全ての重要な領域が検出され格納されたか
どうかが検査される。ステップＳ５の検査がネガティブである場合にはステップ
Ｓ６において局所的特徴がボトムアップ分析される。ステップＳ７では観察窓が
ステップＳ６における分析の結果に依存してシフトされ、処理がステップＳ２に
戻る。従って、ステップＳ２〜Ｓ７は学習又はトレーニングフェーズである。こ
の学習又はトレーニングフェーズでは、認識すべき予め設定されたパターンの全
ての重要な領域が観察窓によって走査され、検出され、格納される。ステップＳ
２〜Ｓ７はこの場合パターンの重要な領域及びこれらの領域の空間的関係が検出
され格納されるまで繰り返される。

【００４２】 ステップＳ５における検査がポジティブである場合には、メモリ内容に基づい
てステップＳ８において仮説が作成される。この仮説はこれまでにまだ走査され
ていない/検出されていないパターンの領域における推定されたデータを示す。
この仮説はステップＳ９では分析（トップダウン分析）され、ステップＳ１０で
は観察窓がこの分析の結果に依存してシフトされる。ステップＳ１１では、新た
に走査され検出された領域において仮説に従って検出されたデータがこの領域の
パターンの実際のデータに一致するかどうかの検査が行われる。この検査がネガ
ティブであり、従って瞬時の仮説が却下される場合、これはパターンが認識され
なかったことを意味するが、これらの領域の実際のデータ及びこれらの領域の空
間的関係がステップＳ１４において検出され格納され、処理はステップＳ８に戻
る。

【００４３】 選択的に、例えば仮説に従って他の領域の推定されたデータとパターンの実際
のデータとの間にあまりにも大きな差異がある場合にはこの認識フェーズは中断
され、学習又はトレーニングフェーズ（ステップＳ２〜Ｓ７）が再び行われる。

【００４４】 ステップＳ１１において新たに走査され検出された領域において仮説に従って
推定されたデータがこの領域におけるパターンの実際のデータと一致する場合に
は、これは、仮説は正しいと実証され、従ってパターンは認識されたことを意味
する。従って、このシーケンスはステップＳ１３において終了される。

【００４５】 従って、ステップＳ８〜Ｓ１４は本来の認識フェーズであり、この本来の認識
フェーズではトレーニングフェーズにおいて格納された認識に基づいて仮説が作
成され、検証される。

【００４６】 従って、要約すれば、学習又はトレーニングフェーズでは、後で認識すべきパ
ターン、すなわち感覚的な印象の２次元又は多次元表示が予め設定される。この
パターンはシーケンシャルに検出される、すなわち自動的に情報価値の高い特徴
のデータ（２次元イメージの場合にはエッジ、突起部分など）が一方で検出され
、さらにこれらの領域の間の空間的関係が格納される。既に検出された（訪問さ
れた）領域は学習フェーズの間に決して再び新たに検出されることはない。この
学習フェーズは、検出すべき及び学習すべきパターンの全ての「関心」領域が走
査されるまで予め設定されたパターンにおいて実行される。

【００４７】 認識フェーズにおいては、学習フェーズで格納されたパターンが再認識される
。これは、パターンが最初に学習されたパターンと比べて特定の限定範囲内で異
なっている（回転、歪み、ノイズ．．．）ならば、これらのパターンは再認識さ
れるはずであるということを意味する。この認識フェーズでは、まず最初に認識
すべきパターンの目立つ、情報価値の高い領域が分析される。この最初の情報か
ら、格納されたパターンによるキャリブレーション（Abgleich）によって最初の
仮説が発生される。従って、この仮説は推定されたパターンである。それに応じ
て、この仮説に基づいて観察窓はこの仮説によれば他の目立つ領域が存在すると
思われる場所へとシフトされる。この仮説は認識フェーズ経過中に複数回変更さ
れ得る。なぜなら、検出された領域は持続的に後続処理され、メモリ４に供給さ
れるからである。しかし、この観察窓のサイズを変化させる必要はない。

【００４８】 仮説が学習フェーズ経過中に間違っていると判明した場合（領域の相応のデー
タが推定されたパターンの相応の領域の格納されたデータと一致しない場合）に
は、瞬時の仮説は却下され、次の最良の仮説が検証される。認識フェーズでは認
識すべきパターンの最初の領域のデータの検出の直後に１つの仮説が作成される
ので、すなわちより正確に言えば、可能な複数の仮説のランキングリストが作成
されるので、まず最初に発生された仮説は当然全く不適当であることがあり得る
。

【００４９】 ここに示された技術の技術的な利点は、とりわけ学習及び/又は認識フェーズ
における検出がシリアルに行われることである。このシリアルな検出は、学習す
べき又は認識すべきパターンの情報のパラレルな全体検出に比べてより小さい計
算容量しか必要とせず、古典的なシリアルな計算アーキテクチュアによって良好
に実現される。

【図面の簡単な説明】

【図１】 ニューロコグニティブな認識に基づくオブジェクトの認識のための本発明のシ
ステムを示す。

【図２】 オブジェクトの認識のためのフローチャートを示す。

【符号の説明】

１ 観察窓 ２ 観察窓運動制御部 ３ What分岐路 ４ メモリ ５ ボトムアップ分析器 ６ Where分岐路 ７ トップダウン分析器 ８ 仮説発生器 ９ オブジェクト表示/平面画像センサ １０ 線路 １１ 線路 １２ 線路 １３ 線路

【手続補正書】特許協力条約第３４条補正の翻訳文提出書

【提出日】平成１３年８月１３日（２００１．８．１３）

【手続補正１】

【補正対象書類名】明細書

【補正対象項目名】特許請求の範囲

【補正方法】変更

【補正の内容】

【特許請求の範囲】

Claims (14)

【特許請求の範囲】
1. 【請求項１】 パターン認識システムのための学習方法において、以下のス
   テップ： 少なくとも１つの認識すべきパターンを予め設定し（９）、 それぞれ予め設定されたパターンの領域を描出するデータを検出し（１、３）
   、 これらのデータにより描出された少なくとも２つの領域の相対的な空間的関係
   を検出し（１、６）、この場合、これらの領域の空間的な関係のこの検出（１、
   ６）は相応する領域のデータの検出（１、３）自体とは別個に行われ、 前記予め設定されたパターンの領域を描出する前記データを格納し（４）なら
   びに前記領域の空間的な関係を格納する（４）ステップを有する、パターン認識
   システムのための学習方法。
2. 【請求項２】 予め設定されたパターンの領域を描出するデータの検出及び
   格納ならびに前記領域の空間的な関係の検出及び格納は、シリアルに行われるこ
   とを特徴とする、請求項１記載の方法。
3. 【請求項３】 パターンは物理的な対象のイメージであることを特徴とする
   、請求項１又は２記載の方法。
4. 【請求項４】 予め設定されたパターンは、ロボットが操作しなくてはなら
   ない対象のイメージであることを特徴とする、請求項１〜３のうちの１項記載の
   方法。
5. 【請求項５】 予め設定されたパターンはイメージングシステムによって発
   生された患部画像のイメージであることを特徴とする、請求項１〜４のうちの１
   項記載の方法。
6. 【請求項６】 少なくとも１つのパターンを再認識するための方法において
   、 再認識するべきパターンを表すデータは予めとりわけ上記請求項１〜５のうち
   の１項記載の方法に従って格納されており、以下のステップ： ａ）認識すべきパターンの少なくとも１つの領域のデータを検出し（１）、 ｂ）格納されたデータと認識すべきパターンの少なくとも１つの領域の検出され
   たデータとに基づいて仮説を発生し（８）、該仮説は予め格納されたデータによ
   って表される前記パターンの中からの推定されたパターンを示し、 ｃ）前記認識すべきパターンの少なくとも１つの他の領域のデータを検出し（１
   ）、この認識すべきパターンの他の領域のデータを前記推定されたパターンの相
   応する領域を表す格納されたデータと比較し、 前記認識すべきパターンの前記少なくとも１つの他の領域のデータが前記推定
   されたパターンの前記相応する領域を表す格納されたデータと基本的に一致する
   場合には、前記認識すべきパターンが前記推定されたパターンとして識別される
   ステップを有する、少なくとも１つのパターンを再認識するための方法。
7. 【請求項７】 仮説は人工ニューラルネットワーク（８）によって発生され
   ることを特徴とする、請求項６記載の方法。
8. 【請求項８】 認識すべきパターンの少なくとも１つの他の領域は仮説に基
   づいて選択される（７）ことを特徴とする請求項６又は７記載の方法。
9. 【請求項９】 認識すべきパターンの少なくとも１つの他の領域のデータが
   推定されたパターンの相応する領域を描出する格納されたデータと基本的に一致
   しない場合には、他の仮説が発生され、ステップｃ）に従って検証されることを
   特徴とする、請求項６〜８のうちの１項記載の方法。
10. 【請求項１０】 パターン認識システムにおいて、 メモリ（４）を有し、該メモリ（４）には少なくとも１つの再認識するべきパ
    ターンを表すデータが格納されており、 認識すべきパターンの少なくとも１つの領域のデータを検出するための手段（
    １）を有し、 前記メモリ（４）におけるデータと認識すべきパターンの少なくとも１つの領
    域の検出されたデータとに基づいて仮説を発生するための手段を有し、この場合
    、前記仮説は予め格納されたデータによって表されるパターンの中からの推定さ
    れたパターンを示し、 認識すべきパターンの少なくとも１つの他の領域のデータを検出し、さらにこ
    の認識すべきパターンのこの他の領域のデータと前記推定されたパターンの相応
    する領域を表す前記メモリ（４）におけるデータとを比較するための手段を有し
    、 前記認識すべきパターンの少なくとも１つの他の領域のデータが前記推定され
    たパターンの相応する領域を表す前記メモリ（４）におけるデータと基本的に一
    致する場合には、前記認識すべきパターンが前記推定されたパターンとして識別
    される、パターン認識システム。
11. 【請求項１１】 仮説を発生するための手段は人工ニューラルネットワーク
    （８）であることを特徴とする、請求項１０記載のシステム。
12. 【請求項１２】 システムは分析器（７）を有し、該分析器（７）は発生さ
    れた仮説に依存して認識すべきパターンの少なくとも１つの他の領域を選択する
    ことを特徴とする、請求項１０又は１１記載のシステム。
13. 【請求項１３】 ロボットによって操作すべき対象を認識するための請求項
    １０〜１２のうちの１項記載のシステムの使用。
14. 【請求項１４】 典型的な患部画像を認識するための請求項１０〜１２のう
    ちの１項記載のシステムの使用。