JP2004110196A

JP2004110196A - 個人識別装置

Info

Publication number: JP2004110196A
Application number: JP2002269100A
Authority: JP
Inventors: Yoshiyasu Mutou; 武藤　佳恭; Yoshihisa Fukuhara; 福原　義久; So Sugino; 杉野　創
Original assignee: Fuji Xerox Co Ltd
Current assignee: Fujifilm Business Innovation Corp
Priority date: 2002-09-13
Filing date: 2002-09-13
Publication date: 2004-04-08
Anticipated expiration: 2022-09-13
Also published as: JP4372402B2

Abstract

【課題】未登録者を未登録者として正しく識別できるようにする個人識別装置を提供する。
【解決手段】識別対象の利用者の体の特徴や動きを検出してパターンベクトルとする検出手段１０１と、検出手段１０１による複数のパターンベクトルを学習用パターンベクトルの集合とし、利用者の登録を行なうための学習動作を行なう学習手段１０２と、ベクトル空間上で入力ベクトルｘに距離が最も近いコードブックベクトルｍ１，ｍ２を学習済みのコードブックベクトルの集合の中から求め、このｍ１，ｍ２の属するクラスが同一で所定の第１の条件を満たすときに登録者、所定の第１の条件を満たさないときには末登録者を識別し、クラスが異なっても所定の第２の条件を満たすときには登録者、所定の第２の条件を満たさないときには末登録者を識別する識別手段１０３とを備える。
【選択図】　　　　図１

Description

【０００１】
【発明の属する技術分野】
本発明は、個人識別装置に関し、特に、識別対象の利用者の形状や動きを検出して個人を識別するに際し、未登録者に対する判断を適正に行えるようにする個人識別装置に関する。
【０００２】
【従来の技術】
ネットワークに接続された情報機器の正当な利用者を確認したり、特定の場所への入室者が許可された利用者であるか否かを確認したりするために開発されているものに個人識別装置があり、本人しか持ち得ない身体的な特徴を検出し、予め記録（登録）されている特徴との一致を確認するバイオメトリック個人識別が普及しつつある。この種の個人識別装置では、利用者の指紋、虹彩、網膜、手の形、静脈パターン、筆跡、動作などを検出し、そのデータと予め正当な利用者として登録してあるデータとを比較して識別判断を行い、正当な利用者であるか否かを判断している。識別判断は、電子計算機のアルゴリズムとして実行されることが殆どであるが、そのアルゴリズムの１つにベクトル量子化（Ｖｅｃｔｏｒ　Ｑｕａｎｔｉｚａｔｉｏｎ：ＶＱ）がある。ＶＱは、用意された多数のベクトル集合のデータ分布に応じて参照ベクトルと呼ばれる各部分空間（クラスタ）を代表するベクトルを配置し、元のベクトル空間を複数の部分空間に分割するものである。
【０００３】
ＶＱによる識別判断方法は、識別を行いたい登録者の身体的特徴から得られるパターンベクトルを学習することで、利用者が登録者の誰であるかを高い確率で識別することができる。特に、一人の登録者から得られるパターンベクトルのベクトル空間上での分布密度が広がりをもって分布していたり、更に、他人のパターンベクトルと分布領域を共有したり、飛び地のように分布したりという複雑な形を持つ識別対象に対して有効である。
【０００４】
個人識別装置として、ＶＱの手法を応用した個人照合装置が特許文献１に提案されている。この個人照合装置は、遺伝的アルゴリズムを用いた遺伝的アルゴリズム処理手段により画像の人物領域から背景情報等を排除して領域を絞り、照合用ベクトル生成手段により照合用生成ベクトルを生成し、この照合用生成ベクトルと照合用テンプレートベクトルの間の２乗距離を計算し、その２乗距離の最小値（閾値）が予め与えられた個人照合基準より小さいときに登録者と判断し、逆に大きいときには末登録者とする。これにより、背景、顔の大きさ、照明等の画像入力における環境の影響を受けないようにすることができる（例えば、特許文献１参照）。
【０００５】
【特許文献１】
特開平１０−２１３９４号公報（第５−９頁、図１）
【０００６】
【発明が解決しようとする課題】
しかし、従来の個人識別装置によると、ＶＱによる識別判断手法は、未学習の未登録者からのデータが入力された場合、既に学習済みの事象の何れかとして識別結果を出してしまうことがある。すなわち、正当な利用者としての登録者については高い確率で誰であるかを判断することはできるが、未登録者を未登録者として判断を下すについては課題がある。
【０００７】
実際のバイオメトリックスを用いた個人識別装置では、正当な利用者以外の不正な利用者の排除が重要な機能であることから、未登録者であると正しく判断することが不可欠であるが、特許文献１の手法では、パターンベクトルの分布形状や広がりが、登録者により大きく異なる識別対象については、固定された閾値による判別では未登録者を未登録者として判断を下すことが困難である。
【０００８】
従って、本発明の目的は、未登録者を未登録者として正しく識別できるようにする個人識別装置を提供することにある。
【０００９】
【課題を解決するための手段】
本発明は、上記の目的を達成するため、第１の特徴として、識別対象の利用者の体の特徴や動きを検出して複数のパターンベクトルを取得する検出手段と、前記検出手段による前記複数のパターンベクトルを学習用パターンベクトルの集合とし、前記利用者の登録を行なうための学習動作を行なう学習手段と、ベクトル空間上で入力ベクトルに距離が最も近いコードブックベクトルを前記学習手段で学習済みのコードブックベクトルの集合の中から複数を求め、この複数のコードブックベクトルの属するクラスが同一で所定の第１の条件を満たすときに登録者、前記所定の第１の条件を満たさないときには末登録者を識別し、クラスが異なっても所定の第２の条件を満たすときには登録者、前記所定の第２の条件を満たさないときには末登録者を識別する識別手段とを備えることを特徴とする個人識別装置を提供する。
【００１０】
この構成によれば、コードブックベクトルの中から入力ベクトルｘに最も近い複数のコードブックベクトルを選択し、これらコードブックベクトルが同一クラスに属するとき、所定の第１の条件を満たすときには登録者有りを識別し、上記所定の第１の条件を満たさないときは登録者無しを識別する。一方、前記複数のコードブックベクトルが異なるクラスに属すと共に所定の第２の条件を満たすときには、登録者有りを識別し、前記所定の第２の条件を満たさないときは該当者なしを識別する識別手段を備えることにより、未登録者を未登録者として正しく判断することが可能になる。
【００１１】
本発明は、上記の目的を達成するため、第２の特徴として、識別対象の利用者の体の特徴や動きを検出して複数のパターンベクトルを取得する検出手段と、前記検出手段による前記複数のパターンベクトルを学習用パターンベクトルの集合とし、前記利用者の登録を行なうための学習動作を行なう学習手段と、前記検出手段による複数のパターンベクトルを入力ベクトルｘとし、この入力ベクトルｘと前記学習済みの代表ベクトルｒｉとの間の距離｜ｘ−ｒｉ｜を動径基底関数（Ｒａｄｉａｌ　Ｂａｓｉｓ　Ｆｕｎｃｔｉｏｎ：ＲＢＦ）を用いて（３）式で求め、
ｙｉ　＝ｆ（　｜ｘ−　ｒｉ　｜，ｓｉ　）　　　　　　・・・（３）
（但し、ｓｉはｒｉに最も近い他の代表ベクトルまでの距離）
この（３）式で得られた距離ｙｉを用いて（４）式を求め、
ｚ＝ｆｕ（Σｗｉ　ｙｉ　−θ）　　　　　　　　・・・（４）
（但し、ｗｉは重み係数、θは定数、ｆｕはステップ関数）
ｚ＝１のときに前記利用者は前記代表ベクトルｒｉの集合を学習させた登録者と識別し、ｚ＝０のときに前記利用者を末登録者と識別する計算を登録者全員の代表ベクトルについて実施し、その中にｚ＝１となる登録者があったときに当該利用者をその登録者とし、全ての登録者の代表ベクトルにおいてｚ＝０であれば、前記利用者を未登録者とする識別手段とを備えることを特徴とする個人識別装置を提供する。
【００１２】
この構成によれば、ＲＢＦを用いて距離入力ベクトルと前記学習済みの代表ベクトルｒｉとの間の距離｜ｘ−ｒｉ｜を求め、得られた距離ｙｉを用いて（ｚ＝ｆｕ（Σｗｉ　ｙｉ　−θ）を計算し、ｚ＝１かｚ＝０かにより登録者か未登録者かを識別する処理が登録者全員の代表ベクトルについて行なわれ、その中にｚ＝１となる登録者があったときに当該利用者をその登録者とし、全ての登録者の代表ベクトルにおいてｚ＝０であれば、前記利用者を未登録者とする識別手段を備えることにより、未登録者を未登録者として正しく判断することが可能になる。
【００１３】
【発明の実施の形態】
以下、本発明の実施の形態を図面に基づいて説明する。
図１は、本発明による個人識別装置の機能構成を示す。
本発明の個人識別装置は、３つの機能に大別され、検出手段１０１と、学習手段１０２と、及び識別手段１０３とからなる。ここで、検出手段１０１は、個人を識別するための生体情報（指紋、虹彩、網膜、手の形、静脈パターン、筆跡、動作などの単独又は組み合わせによる）をベクトル量として取り出せる機能を持ちさえすれば、どのような機構や原理のものでもよい。生体情報として得られるパターンベクトルには人体の動きやその他の影響が含まれ、同一人物であってもその分布が広がる傾向をもつ特徴を検出することが望ましい。このような検出手段１０１を採用した場合、従来の装置に比べて識別精度の向上が顕著になる。
【００１４】
学習手段１０２及び識別手段１０３は、コンピュータのプログラムとして実行し、使用するハードウェアはパーソナルコンピュータ（ＰＣ）、サーバーあるいは組み込み用マイクロプロセッシングユニット（ＭＰＵ）などが利用できる。さらにネットワークを通して、検出手段１０１、学習手段１０２及び識別手段１０３が結ばれていれば、これら手段が遠隔地にあってもよい。
【００１５】
次に、各手段の機能について説明する。検出手段１０１は人体の体形や動きを生体情報として検出し、複数の数値列すなわちパターンベクトル（学習用パターンベクトル）を得る。学習手段１０２は登録者（個人識別装置の識別対象となる利用者をいう）について学習用パターンベクトルを複数採取し、これら学習用パターンベクトルにより識別手段を識別可能な状態にする。識別手段１０３は、利用者のパターンベクトルが検出手段１０１より入力されると、利用者が学習済みの登録者であれば誰である旨を識別結果１０４として出力し、未登録の人物であれば、未登録者である旨を識別結果１０４として出力する。
【００１６】
学習手段１０２では、識別手段１０３が識別対象の人物を適切に識別処理できるように識別手段１０３の内部の状態を整える部分であり、学習ベクトル量子化（Ｌｅａｒｎｉｎｇ　Ｖｅｃｔｏｒ　Ｑｕａｎｔｉｚａｔｉｏｎ：ＬＶＱ）或いは自己組織化マップ（Ｓｅｌｆ　Ｏｒｇａｎｉｚｉｎｇ　Ｍａｐｓ：ＳＯＭ）が用いられる。したがって、識別手段１０３の内部の状態は、パターンベクトルが含まれるベクトル空間上で、登録者についてクラス分けされたコードブックベクトルの集合又は登録者についての代表ベクトルの集合で示される。
【００１７】
識別手段１０３は、検出手段１０１によって識別対象の人物のパターンベクトルを取得されたパターンベクトルと、学習手段１０２により整えられると共にクラス分けされたコードブックベクトル又は代表ベクトルの間で識別処理を行なう部分であり、検出手段１０１で検出したパターンベクトルの人物が学習済みの登録者か否か、また、登録者が誰であるか否かを識別する。
【００１８】
図２は検出手段１０１の検出部の構成を示し、図３は図２の検出部に接続される検出回路の構成を示す。
検出部には、パーソナルコンピュータ（ＰＣ）などのポインティングデバイスとして使われるマウス１が用いられている。このマウス１の上面には、それぞれ４個の発光素子としての発光ダイオード２，３，４，及び５と、受光素子としてのフォトダイオード６，７，８，及び９が配置されており、発光ダイオードと受光素子の組み合わせにより識別対象者（利用者）の指の形状を検出する。
【００１９】
発光ダイオード２〜５は、図３に示す様に、互いに相関のない発振器１０，１１，１２，及び１３に接続されている。これら発振器１０〜１３によって生成される発振信号によって発光光線に変調が施される。発振器１０〜１３の出力端及びフォトダイオード６〜９の検出信号とはマトリクス状に配置した１６個の相関検出器１４に入力される。
【００２０】
発光ダイオード２〜５から出射された光は、利用者の掌の内側に到達して反射し、その反射光はフォトダイオード６〜９によって検出される。フォトダイオード６〜９の検出信号と発振器１０〜１３の出力とは、相関検出器１４によって相関がとられる。相関検出器１４によって１６通りの出力信号（Ｐ１　，Ｐ２　，・・・，Ｐ１６）が得られる。本発明では、出力Ｐ１　〜Ｐ１６を要素とするベクトルをパターンベクトルとする。このパターンベクトルは、利用者の手の形を反映しているが、利用者毎に異なるものとなる。但し、常に一定ではなく、利用者の握り方やマウスを操作している状態により、同一人物であっても分布を持つものとなる。
【００２１】
ここでは、学習動作において登録を行なう利用者を登録者と定義する。学習手段１０２は、検出手段１０１の相関検出器１４から得られる学習用パターンベクトルの採取を同一人物について複数回実施する。学習用パターンベクトルの採取は、マウス１のクリック動作をトリガにして行なわれ、登録者がＰＣを操作する通常の状態（数時間程度）では、数百サンプルから数千サンプルが採取される。これにより、学習用パターンベクトルの集合が得られる。ここで、登録者全員にわたって採取した学習用パターンベクトルの集合を、
ｘｉ＝０，・・・，Ｎｒ−１
（但し、Ｎｒは学習用パターンベクトルの総数）
とする。この場合、１人の登録者について採取した学習用パターンベクトルの集合を１つのクラスとして設定する。
【００２２】
学習手段１０２は、まず、コードブックベクトルｍｉ（ｉ＝０，・・・，Ｎ−１：Ｎはコードブックベクトルの数）の初期化を行う。初期値となるコードブックベクトルは、学習用パターンベクトルをそのまま用い、クラスもそのまま用いる。初期化において、学習用パターンベクトルをランダムに間引いたものを設定してもよい（この場合、コードブックベクトルの総数が少なくなり、学習手段１０２及び識別手段１０３を構成するハードウェアを安価にすることができるほか、処理速度を増大できる利点があるが、逆に、識別精度を落としてしまうことがある）。更に、初期値の設定は、学習用パターンベクトルのあるパターンベクトル空間上でランダムに設定し、クラスも登録者数分ランダムに割り付けておくこともできる。
【００２３】
学習手段１０２は、例えば、「Ｔ．コホネン、『自己組織化マップ』徳高兵三／岸田悟／藤村喜久郎訳、シュプリンガー・フェアラーク東京、１９９６年」に記載された最適化学習率ベクトル量子化１（Ｔｈｅ　Ｏｐｔｉｍｉｚｅｄ　ｌｅａｒｎｉｎｇ　ｒａｔｅ　ｌｅａｒｎｉｎｇ　Ｖｅｃｔｏｒ　Ｑｕａｎｔｉｚａｔｉｏｎ１：ＯＬＶＱ１）のアルゴリズムに従って学習処理を実行する。パターンベクトル空間上のベクトルｘに最も近いコードブックベクトルｍｉの添え字引数ｃを数１のように定義する。数１において、ｉは「０，・・・，Ｎ，Ｎ−１」であり、Ｎはコードブックベクトルの数である。
【数１】

【数２】

【００２４】
数２は学習過程を示している。入力ベクトルｘ（ｔ）は学習用パターンベクトルｘｉであり、回数を示す離散時間領域の変数ｔ（ｔ＝１，２，・・・）に従って順番に入力ベクトルとして与えられる。入力パターンベクトルの順番は、元にあった添え字に関係なく自由に設定できる。場合によっては、学習用パターンベクトルのクラスについてランダムに与えることで、学習を的確に行うことができる。ｓ（ｔ）は、入力ベクトルｘ（ｔ）が同じクラスに有る場合には、ｓ（ｔ）＝１、異なるクラスに有る場合にはｓ（ｔ）＝−１とする。αｃ　はコードブックベクトルに設定される学習率であり、数３で与えられる。
【００２５】
【数３】

コードブックベクトルの初期値として学習用パターンベクトルを用いるとき、数１の実行に際し、コードブックベクトルｍｉと、入力した学習用パターンベクトルｘとが同値になる場合が存在する。この場合、数２に示す学習過程が適切に行われないため、予め入力ベクトルがコードブックベクトルと同値になる組み合わせの有ることがわかっている場合には、それらを除いて数１に示すアルゴリズムを実行する。或いは、数１の評価の段階で、‖ｘ−ｍｉ‖が零になるものを除外する等の対処を行う。また、コードブックベクトルの初期値設定の時に学習用パターンベクトルをそのまま用いるのではなく、学習用パターンベクトルにランダムなベクトルを加えたものを初期値に加えるなどの処置も実施する。上記学習過程に加えて、上記文献『自己組織化マップ』に記載された学習ベクトル量子化３（Ｌｅａｒｎｉｎｇ　Ｖｅｃｔｏｒ　Ｑｕａｎｔｉｚａｔｉｏｎ１　：ＬＶＱ３）のアルゴリズムを実行する。数４〜数７はその学習過程を示す。
【数４】

【数５】

【数６】

【数７】

【００２６】
ここで、入力ベクトルｘに最も近い２つのコードブックベクトルをｍｉ，ｍｊとする。入力ベクトルｘと同じクラスのコードブックベクトルがｍｊ　で、異なるクラスのコードブックベクトルがｍｉであれば、数４及び数５を適用して学習を行なう。また、入力ベクトルｘ、コードブックベクトルｍｉ及びコードブックベクトルｍｊが同じクラスであれば、数６及び数７を適用して学習を行なう。数６及び数７におけるεは定数である。また、数４、数５、及び数６におけるσ（ｔ）は、コードブックベクトルに設定される学習率であり、数８によって与えられる。
【数８】

【００２７】
学習手段１０２のアルゴリズムについては、上記したようにＯＬＶＱ１とＬＶＱ３を併用したもの、又はそれぞれを単独で用いる。また、これらアルゴリズムを実行させる順番は入れ替わってもかまわないし、これら以外の学習アルゴリズムを併用したり、単独で用いることも可能である。
【００２８】
識別手段１０３においては、検出手段１０１により検出した利用者の識別時のパターンベクトルを得て、このパターンベクトルを入力ベクトルｘとし、学習手段１０２により登録者の学習の済んだコードブックベクトルの集合の中で入力ベクトルｘにベクトル空間上の距離が最も近いコードブックベクトルを求め、そのクラスに該当する登録者を識別結果１０４として出力する。但し、識別動作において、利用者が必ず登録者の内の誰かであるとして特定できるとは限らない。そのため、利用者が登録者の誰でもない未登録者であることの識別をするため、図４のフローチャートに示されるアルゴリズムを実行する。
【００２９】
図４は、識別手段１０３における未登録者判別の処理を示す。図４においては、Ｓはステップを表している。
まず、検出手段１０１により利用者のパターンベクトルを取得し、これを入力ベクトルｘとする（Ｓ２０１）。ついで、入力ベクトルｘに最も近いコードブックベクトルｍ１と、次に近いコードブックベクトルｍ２とを求める（Ｓ２０２）。更に、コードブックベクトルｍ１とコードブックベクトルｍ２が同じクラスであるか否かを判定し（Ｓ２０３）、同じクラスであれば数９を満たすか否かを判定する（Ｓ２０４）。
【数９】

【００３０】
同じクラスで且つ数９を満たす場合、コードブックベクトルｍ１，ｍ２のクラスに該当する登録者を識別結果１０４として出力する（Ｓ２０６）。同じクラスであっても、入力ベクトルｘの大きさ｜ｘ｜が数９を満たさない場合、利用者を末登録者として識別結果１０４を出力する（Ｓ２０７）。数９において、ｍｍｉｎはコードブックベクトルｍ１，ｍ２と同一のクラスに属すコードブックベクトルであり、クラスの中の最小のコードブックベクトルである。また、ｍｍａｘはｍ１，ｍ２と同一のクラスに属すコードブックベクトルであり、クラスの中の最大のコードブックベクトルである。
【００３１】
Ｓ２０３でコードブックベクトルｍ１とコードブックベクトルｍ２が異なるクラスである場合、数１０を満たすか否かを判定する（Ｓ２０８）。
【数１０】

数１０を満たす場合、コードブックベクトルｍ１のクラスに該当する登録者を識別結果１０４として出力する（Ｓ２０９）。また、コードブックベクトルｍ１，ｍ２が数１０を満たさないとき、「未登録者」の識別結果１０４を出力する（Ｓ２１０）。Ｓ２０６、Ｓ２０７、Ｓ２１０の処理終了後、次の識別対象の利用者が存在するか否かを判定し（Ｓ２１１）、有ればＳ２０１に処理を戻し、無ければ終了（待機）する。
【００３２】
〔第２の実施の形態〕
上記第１の実施の形態が学習手段１０２及び識別手段１０３のアルゴリズムとしてＬＶＱ手法を用いたのに対し、本実施の形態は学習手段１０２及び識別手段１０３のアルゴリズムとして、自己組織化マップ（Ｓｅｌｆ　Ｏｒｇａｎｉｚｉｎｇ　Ｍａｐ：ＳＯＭ）と動径基底関数（Ｒａｄｉａｌ　Ｂａｓｉｓ　Ｆｕｎｃｔｉｏｎ　）を用いたところに特徴がある。
【００３３】
学習手段１０２においては、１人の登録者の学習用パターンベクトルによって、その登録者の代表ベクトルｒｉ（ｉ＝１，・・・，Ｎｒ：Ｎｒは代表ベクトルの数）を学習させる。学習は数１１及び数１２に従って行われる。
【数１１】

【数１２】

【００３４】
数１１のｒｃ（ｔ）は入力ベクトルｘ（ｔ）に最も近い代表ベクトルを示し、数１２のｒｃｎ（ｔ）はｒｃ（ｔ）の次に入力ベクトルｘ（ｔ）に近い代表ベクトルを示す。ｔは、回数を示す離散時間領域の変数である。入力ベクトルｘ（ｔ）は、学習する登録者の学習用パターンベクトルの集合から順番に与えられる。このとき、初期値となる代表ベクトルは空間に均等に分布するようにランダムに与える。α及びβは０から１の間の定数であり、α＞βとし、学習が適切に行なわれる様に設定する。
【００３５】
以上のように、ＳＯＭによる学習は各登録者に対して行われ、登録者毎に学習済みの代表ベクトルの集合を得る。識別手段においては、検出手段で得た識別しようとする利用者のパターンベクトルの集合ｒｉ（ｉ＝１，・・・，Ｎｒ）について、数１３、数１４、数１５、及び数１６を計算する。これらの計算は動径基底関数（Ｒａｄｉａｌ　Ｂａｓｉｓ　Ｆｕｎｃｔｉｏｎ　：ＲＢＦ）と呼ばれるものである。
【数１３】

【数１４】

【数１５】

【数１６】

【００３６】
数１３で示す計算結果がｚ＝１となる場合、利用者は用いた代表ベクトルｒｉの集合を学習させた登録者であるとし、ｚ＝０となる場合、利用者は登録者ではないとする。以上の計算を登録者全員の代表ベクトルｒｉについて行い、ｚ＝１となる登録者が有った場合、利用者はその登録者であるとして識別結果１０４を出力する。また、全ての登録者の代表ベクトルｒｉにおいてｚ＝０であれば、利用者は未登録者であるとして識別結果１０４を出力する。
【００３７】
数１３のｗｉ（ｉ＝１，・・・，Ｎｒ）は、各代表ベクトルに付けられた重み係数であり、精度良く識別を行うために適した値に設定する。本発明者は、全ての代表ベクトルにおいてｗｉ＝１として識別動作が行えることを確認している。数１４に示すｆｕ（ｕ）はステップ関数であり、ｕが０より大きいときは１となり、それ以外では０になる関数である。距離ｙｉは数１５で示される。ｗｉは各代表ベクトルから計算した距離ｙｉに乗じる重み係数である。また、θは定数である。数１４の｜ｘ−ｒｉ｜は、入力ベクトルｘと代表ベクトルｒｉとの距離である。また、ｓｉはｒｉに最も近い他の代表ベクトルまでの距離であり、更に、数１６のｆ（ｄ，ｓ）はガウス関数であり、ｅｘｐ−（ｄ^２／２Ｓ^２）で示される。
【００３８】
ＲＢＦによる識別手段のアルゴリズムは、第１の実施の形態におけるＯＬＶＱ１及びＬＶＱ３のアルゴリズムにより学習したコードブックベクトルにも応用できる。コードブックベクトルをクラスにより分割し、同一クラスのコードブックベクトルの集合を作り、これを１人の登録者に対する代表ベクトルであると見なせば、同様に識別動作が可能である。
【００３９】
【実施例】
次に、本発明の実施例について説明する。まず、第１の実施の形態に対する実施例を説明する。学習手段のアルゴリズムとしてＯＬＶＱ１及びＬＶＱ３を用い、被験者による実験を行った。２０人の被験者を採用し、１人に付き２４０の学習用パターンベクトルを採取した。また、識別動作の確認のために学習用パターンベクトルとは別に８０のパターンベクトルを採取した。２０人の被験者の内１９人を登録者とし、１人を未登録者として、登録者１９人については学習動作により学習させた。その際、ＯＬＶＱ１における学習率の初期値αｃ（０）＝０．３、ＬＶＱ３における学習率σ（０）＝０．１、ε＝０．１とした。コードブックベクトルの初期値は、学習用パターンベクトルをそのまま用いた。識別動作においては、数９に与える定数βは０．０〜１．０の間で設定して良い結果が得られ、最終的にβ＝０．７した。また、数１０に与える定数γは０．０〜１．０の間に設定して良い結果が得られ、最終的にγ＝０．７とした。
【００４０】
これら学習手段１０２や識別手段１０３に必要な定数の値は、検出手段１０１の方式
（構成）、登録者数、コードブックベクトルの量などにより変わり、最も精度の良い結果を得られる値が変わるため、調整することは望ましいが、上記値の近傍にすれば良い結果が得られることを実験により確認した。
【００４１】
２０人の被験者の内、未登録者となる被験者を順番に変えて２０回の学習動作、識別実験を計算機上で繰り返した結果、利用者が登録者であった場合、正しい登録者として識別できなかった誤りは２４％、利用者が未登録者であった場合に正しく未登録者であることを判断できなかった誤りは９．８％であった。この結果は、識別動作に用いた個々のパターンベクトルについての割合であり、実際の装置においては複数回の識別動作を行い、その結果が同じであった時に最終的な結果を出すので、実用的には優れた値である。これらの誤りは排反する性質を持つため、実際の応用場面において、学習や識別のパラメータを調節することが望ましい。
【００４２】
また、第２の実施の形態に対する実施例は次の如くであった。学習手段１０２のアルゴリズムとしてＳＯＭを用い、識別手段１０３のアルゴリズムとしてＲＢＦを用いた場合の実験では、４人の被験者について、１人あたり１２０の学習用パターンベクトルを採取し、１２０のパターンベクトルを評価実験用に用いた。その結果、登録者が正しい登録者として識別できなかった誤りが５２％、利用者が未登録者であった場合に正しく未登録者であることを識別できなかった誤りは１．８％であった。
【００４３】
【発明の効果】
以上より明らかなように、本発明の個人識別装置によれば、識別対象者（利用者）のパターンベクトルを検出する検出手段と、学習用パターンベクトルを生成する学習手段と、コードブックベクトルの中から入力ベクトルｘに最も近い複数のコードブックベクトルを選択し、これらコードブックベクトルが同一クラスに属するときには所定の第１の条件を満たすか否かにより登録者か末登録者かを識別し、更に、異なるクラスに属すときには所定の第２の条件を満たすか否かにより登録者か末登録者かを識別する識別手段とを備える構成にし、従来のように固定した閾値による判断は行なわないようにしたため、未登録者を未登録者として正しく判断することが可能になる。
【００４４】
更に、本発明の他の個人識別装置によれば、識別対象者のパターンベクトルを検出する検出手段と、学習用パターンベクトルを生成する学習手段と、ＲＢＦを用いて距離入力ベクトルと前記学習済みの代表ベクトルｒｉとの間の距離｜ｘ−ｒｉ｜を計算し、得られた距離ｙｉを用いて判定値ｚを計算し、それがｚ＝１になるかｚ＝０なるかにより登録者か未登録者かを識別する処理が登録者全員の代表ベクトルについて行ない、その中にｚ＝１となる登録者があったときに識別対象者をその登録者とし、全ての登録者の代表ベクトルにおいてｚ＝０であれば、前記識別対象者を未登録者とする識別手段とを備える構成にしたため、従来のように固定した閾値による判断は行なわないことにより、未登録者を未登録者として正しく判断することが可能になる。
【図面の簡単な説明】
【図１】本発明による個人識別装置の機能構成を示す構成図である。
【図２】図１の検出手段の検出部の構成を示す斜視図である。
【図３】図２の検出部に接続される検出回路の構成を示す回路図である。
【図４】図１の識別手段における未登録者判別の処理を示すフローチャートである。
【符号の説明】
１　マウス
２，３，４，５　発光ダイオード
６，７，８，９　フォトダイオード
１０，１１，１２，１３　発振器
１４　相関検出器
１０１　検出手段
１０２　学習手段
１０３　識別手段
１０４　識別結果
Ｐ１　〜Ｐ１６出力信号

Claims

識別対象の利用者の体の特徴や動きを検出して複数のパターンベクトルを取得する検出手段と、
前記検出手段による前記複数のパターンベクトルを学習用パターンベクトルの集合とし、前記利用者の登録を行なうための学習動作を行なう学習手段と、
ベクトル空間上で入力ベクトルに距離が最も近いコードブックベクトルを前記学習手段で学習済みのコードブックベクトルの集合の中から複数を求め、この複数のコードブックベクトルの属するクラスが同一で所定の第１の条件を満たすときに登録者、前記所定の第１の条件を満たさないときには末登録者を識別し、クラスが異なっても所定の第２の条件を満たすときには登録者、前記所定の第２の条件を満たさないときには末登録者を識別する識別手段とを備えることを特徴とする個人識別装置。
前記識別手段は、前記入力ベクトルｘと前記コードブックベクトルの距離の比較を行い、そのコードブックベクトルの中から前記入力ベクトルｘに最も近い第１のコードブックベクトルｍ１及び次に近い第２のコードブックベクトルｍ２を選択し、この２つのコードブックベクトルが同一クラスに属するとき、前記入力ベクトルｘが、
ｍｍｉｎ−β（ｍｍａｘ−ｍｍｉｎ）＜｜ｘ｜＜ｍｍａｘ＋β（ｍｍａｘ−ｍｍｉｎ）　　　　　　　　　　　　　　　　　　　　　　・・・（１）
（但しｍｍｉｎ及びｍｍａｘは、前記コードブックベクトルｍ１，ｍ２が属するクラスの中の最小及び最大のコードブックベクトル、βは０〜１の間の定数）
前記所定の第１の条件としての（１）式を満たすときには登録者有りを識別し、上記（１）式を満たさないときは登録者無しを識別し、また、前記コードブックベクトルｍ１，ｍ２が異なるクラスに属すと共に前記所定の第２の条件としての（２）式を満たすとき、
｜ｍ１−ｘ｜＜γ｜ｍ１−ｍ２｜／２　　　　　・・・（２）
（但し、γは０〜１の間の定数）
前記コードブックベクトルｍ１が属するクラスに該当する登録者有りを識別し、上記（２）式を満たさないときは該当者なしを識別することを特徴とする請求項１記載の個人識別装置。
前記学習手段は、そのアルゴリズムに最適化学習率ベクトル量子化１（Ｔｈｅ　Ｏｐｔｉｍｉｚｅｄ　ｌｅａｒｎｉｎｇ　ｒａｔｅ　ｌｅａｒｎｉｎｇ　Ｖｅｃｔｏｒ　Ｑｕａｎｔｉｚａｔｉｏｎ１：ＯＬＶＱ１）及び学習ベクトル量子化３（Ｌｅａｒｎｉｎｇ　Ｖｅｃｔｏｒ　Ｑｕａｎｔｉｚａｔｉｏｎ３：ＬＶＱ３）を併用して用い又は単独で用いることを特徴とする請求項１記載の個人識別装置。
識別対象の利用者の特徴や動きを検出して複数のパターンベクトルを取得する検出手段と、
前記検出手段による前記複数のパターンベクトルを学習用パターンベクトルの集合とし、前記利用者の登録を行なうための学習動作を行なう学習手段と、
前記検出手段による複数のパターンベクトルを入力ベクトルｘとし、この入力ベクトルｘと前記学習済みの代表ベクトルｒｉ　との間の距離｜ｘ−ｒｉ｜を動径基底関数（Ｒａｄｉａｌ　Ｂａｓｉｓ　Ｆｕｎｃｔｉｏｎ：ＲＢＦ）を用いて（３）式で求め、
ｙｉ＝ｆ（｜ｘ−　ｒｉ｜，ｓｉ）　　　　　　・・・（３）
（但し、ｓｉはｒｉに最も近い他の代表ベクトルまでの距離、ｆ（ｄ，ｓ）は標準偏差をｓとするガウス関数）
この（３）式で得られた距離ｙｉ　を用いて（４）式を求め、
ｚ＝ｆｕ（Σｗｉ　ｙｉ　−θ）　　　　　　　　・・・（４）
（但し、ｗｉは重み係数、θは定数、ｆｕはステップ関数）
ｚ＝１のときに前記利用者は前記代表ベクトルｒｉの集合を学習させた登録者と識別し、ｚ＝０のときに前記利用者を末登録者と識別する計算を登録者全員の代表ベクトルについて実施し、その中にｚ＝１となる登録者があったときに当該利用者をその登録者とし、全ての登録者の代表ベクトルにおいてｚ＝０であれば、前記利用者を未登録者とする識別手段とを備えることを特徴とする個人識別装置。
前記識別手段は、前記重み係数ｗｉを全て１とすることを特徴する請求項４記載の個人識別装置。
前記学習手段は、登録者毎に自己組織化マップ（Ｓｅｌｆ　Ｏｒｇａｎｉｚａｔｉｏｎ　Ｍａｐ：ＳＯＭ）により前記登録者の代表ベクトルの学習を行なうことを特徴とする請求項４記載の個人識別装置。