JP2008158776A - 特徴検出方法及び装置、プログラム、記憶媒体 - Google Patents

Abstract

【課題】 パターンの特徴検出および変動の推定を高効率かつ高精度に実現する。
【解決手段】 入力されたパターンに対して、複数の特徴検出器によって特徴検出を行い（ステップＳ１０２）、前記複数の特徴検出器から、それぞれの出力値に基づいて少なくとも１つの特徴検出器を選択し（ステップＳ１０３）、選択された前記特徴検出器の出力値に基づいて前記パターンの特徴量を算出する（ステップＳ１０４）。
【選択図】 図１

Description

本発明は、検出対象パターンに、サイズや向き等の変動があっても、特徴検出を高精度に実現する方法に関するものである。

従来より、画像認識に代表されるパターン認識の分野では、認識対象のサイズや向きなどの変動によらない方法が求められてきた。また、変動によらずにパターンの認識ができた後に、パターンがどのような変動を受けているのか知りたいという、相反する要求もあった。

例えば、認識対象として、人物の顔を撮影した画像において、顔が傾いたり向きが違ったりしているような非正面顔であっても、顔画像を高効率に検出する方法が提案されている（特許文献１参照）。かかる方法では、入力画像と平均的な顔画像を示す所定サイズのテンプレート画像との相関を求め、正面顔がないと判定された時は、テンプレート画像を所定角度だけ回転させたものに順次更新して、照合を繰り返すようにしている。

また、認識対象である人物の顔画像に対する変動に、それぞれ対応するアフィン変換パラメータを用意して、顔画像を逆変換したのちに検出を行い、複数の検出結果を結合する方式が提案されている（特許文献２参照）。ここで、変動は、顔画像の位置ズレ、傾き、上下の向き、左右の向きに対する。結合の方法としては、最高点や多数決が採用されている。
特開２００４−１３３６３７号公報 特開２０００−９０１９１号公報

しかしながら、上記従来の方法では、パターンの変動に対して、多数のテンプレートやパラメータを用意する必要があり、変動に関する高精度な推定を得ようとした場合、処理量の増加が避けられない。また、多数の検出結果を結合する方法として、最高点や多数決では、変動に関する高精度な特徴推定を行うのに十分とは言えない。

本発明は、上述した点に鑑みなされたものであり、パターンの特徴検出および変動の推定を、高効率かつ高精度に実現することを目的とする。

上記課題を解決するために、本発明によれば、特徴検出方法に、入力されたパターンに対して、複数の特徴検出器によって特徴検出を行う検出工程と、前記複数の特徴検出器から、それぞれの出力値に基づいて少なくとも１つの特徴検出器を選択する選択工程と、選択された前記特徴検出器の出力値に基づいて前記パターンの特徴量を算出する算出工程とを備える。

また、本発明の他の態様によれば、特徴検出装置に、入力されたパターンに対して、複数の特徴検出器によって特徴検出を行う検出手段と、前記複数の特徴検出器から、それぞれの出力値に基づいて少なくとも１つの特徴検出器を選択する選択手段と、選択された前記特徴検出器の出力値に基づいて前記パターンの特徴量を算出する算出手段とを備える。

本発明によれば、パターンの特徴検出および変動の推定を高効率かつ高精度に実現することができる。

以下、添付図面を参照しながら、本発明の実施形態を説明する。

（第１の実施の形態）
図１は、本実施形態のパターン検出方法の全体処理フローチャートである。ステップＳ１０１では、検出対象の輝度パターンや波形パターン、周波数特徴などの信号を入力し、計算機上のメインメモリやフレームバッファなどの１次記憶媒体上に記憶する。

ステップＳ１０２では、入力されたパターンに対して、複数検出器による特徴検出処理を行う。特徴検出処理は、輝度パターン、波形パターン、周波数特徴などに対して、公知のパターン認識の手法（例えば階層的ニューラルネットワーク、サポートベクターマシン、判別分析など）を用いて行われる。

各検出器は、入力パターンの複数のパラメータで規定される特定の変動（オブジェクトのサイズ、向き、色、周波数特徴、または照明条件など）に対して、特化されている。そのため、入力パターンが受けている変動と、検出器の対応する変動とが略一致した場合に、より高い応答出力を示す。

例えば検出器が階層的ニューラルネットワーク（文献：Ｌａｗｒｅｎｃｅ ｅｔ ａｌ．，“Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ： Ａ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ−Ｎｅｔｗｏｒｋ Ａｐｐｒｏａｃｈ，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，ｖｏｌ．８，ｐｐ．９８−１１３，１９９７参照）であり、検出対象パターンが顔画像の輝度パターンで、特定の変動が顔のサイズと向きに対するものである場合について考える。

特定の角度・サイズに反応する検出器を用意するには、その角度・サイズ（例えば正面向き±５°、ＶＧＡ画像中で３０×３０画素）に限定した顔画像データセットを準備して、教師付き学習を行う。これにより、同じ顔であっても特定の角度・サイズである顔の輝度パターンにより強く反応する検出器を生成することができる。

ステップＳ１０２で複数検出器による特徴検出が行われた後に、ステップＳ１０３で検出器の選択処理が行われる。具体的には、図２に示すような手順で行われる。即ち、まず基準となる検出器を選択して（ステップＳ２０１）、この基準検出器とのずれが所定の割合より少ない検出器を選択し、そうでない検出器は除外する（ステップＳ２０２）。

なお、ステップＳ１０３の検出器選択処理において、応答出力値が所定の値より低い検出器を、基準検出器との比較を行う前に除外しておいてもよい。また、このステップでは、基準検出器が選出されることにより、少なくとも１つ以上の検出器が選択される。

ステップＳ２０１で基準となる検出器を選択する際は、検出器の応答出力値を基準に判定するとよい。例えば、最大応答を示した検出器を選択してもよいし、誤検出である可能性を考慮して、２番目に大きい応答を示した検出器を選択してもよい。また、全検出器の応答出力値の平均をとり、もっとも平均に近い応答出力値を持つ検出器を基準として採用してもよい。

即ち、複数検出器の応答出力値に関する何らかの統計量を基準にして、それらの中から基準検出器を選出することが、このステップで行われる処理の本質であり、統計量に対して何ら制限のあるものではない。しかし、一般的にはその統計量の計算コストが低いとより好ましい。

基準検出器とのずれの判定については、それぞれの検出器の対応する変動値を用いるとよい。例えば、各検出器の対応する変動が、人物顔の面内回転角度であった場合に、基準検出器に対して、所定角度（例えば±６０°）以上離れた角度に対応する検出器の応答出力は、誤検出によるものと考えるのが妥当である。よって、これを取り除くことは変動の推定精度を高めるのに効果がある。

一方、基準検出器とのずれの判定に、検出器間の距離を基準にすることも可能である。これについて図３を用いて具体的に説明する。図３は、オブジェクトの輝度パターンに反応する検出器が、輝度パターンの２次元画素配列と１対１、もしくはｎ対１（サブサンプリングされる場合）で配置されている例について模式的に表したものである。図中Ｎ１〜Ｎ４の丸印は、ステップＳ１０２で応答出力値が所定の閾値を超えた検出器を示している。

仮にステップＳ２０１で選出された基準検出器がＮ１であるとすると、Ｎ１から一定の距離（典型的には、基準検出器の対応するオブジェクトのサイズ）以上離れている検出器Ｎ４の応答出力は、誤検出によるものと考えられる。したがって、この場合検出器Ｎ１とＮ４との応答出力を統合することは望ましくなく、検出器Ｎ１と、検出器Ｎ２及びＮ３との出力を統合するのがよいと考えられる。このように、基準検出器と一定の距離以内にある検出器の統合を行うのが合理的である。

なお、この基準検出器とのずれの判定に、検出器の対応する変動値と、検出器間の距離との両方を用いて行うこともでき、そうすることで変動推定精度の向上により望ましい効果が得られると期待される。

続いて、ステップＳ１０４で選択された複数の検出結果に対する統合処理が実行される。これは、ステップＳ１０３で選択された各検出器の応答出力から、パターンの特徴と、その推定変動量とを算出するステップである。

具体的には、図４に示すように、まずステップＳ４０１で、選択された全ての検出器の応答出力値と対応する検出パターンに対する変動量とを取得する。そして、ステップＳ４０２で、式（１）で表される、応答出力値による変動量の重み付き平均を計算する。ここで、Ｖは求めたい検出パターンの推定変動量であり、和はステップＳ１０３で選択された検出器について実行される。ｖｉは複数の検出器のうちのｉ番目の検出器の対応する変動値、ｆｉは同じくｉ番目の検出器の応答出力値である。

続いてステップＳ４０３で、選択された検出器の応答出力値を、式（２）にしたがって合算する。ここで、Ｃは求めたい信頼度、ｆｉはｉ番目の検出器の応答出力値であり、和はステップＳ１０３で選択された検出器について実行される。ステップＳ４０２、４０３で算出されたパターンの特徴と、その変動量の推定精度の信頼度とを、結果出力に付加することも可能である。

ここで、信頼度Ｃを算出する際に、以下のような方法をとることも可能である。即ち、式（３）によれば、適当な変換関数Ｔを検出器の応答出力値ｆｉに対して作用させることにより、式（２）とは異なる信頼度を算出可能となる。ここで和は、式（２）とは異なり、全ての検出器について実行する。

具体的な変換関数Ｔの関数形として、以下が考えられる。

ここで、ａは正の定数、ｖ_ｓはステップＳ２０１で選出された基準検出器の対応する変動値であり、ｔｈ_２は所定の閾値である。

式（４）の意味するところを、以下に説明する。即ち、式（２）による信頼度に対して、基準検出器の対応する変動より所定の値（ｔｈ_２）から外れた検出器が反応した検出結果については、統合された全体の検出結果としても誤検出である可能性が高いと考えられる。そこで、その信頼度を、誤検出らしい検出器の応答出力値に比例した値で減算するということである。

さらに、信頼度Ｃを利用した処理について図５のフローチャートを用いて説明する。ステップＳ５０１で、統合された検出結果から信頼度を取得する。取得した信頼度Ｃは、ステップＳ５０２で、結果出力の最終的な閾値判定に用いることができる。即ち、信頼度Ｃが所定の閾値より大きい結果出力だけが、ステップＳ５０３で最終的な結果として出力され、信頼度Ｃが閾値より低い結果出力は、誤検出の可能性が高いものとして、最終的な結果としない。

また、別の信頼度Ｃを利用した別の処理について、図６を用いて説明する。以下の例では、簡単のため、２次元の輝度パターンの検出処理に限定して説明するが、特に２次元に限定する必要はなく、入力も輝度パターンに限定する必要のないことは言うまでもない。

まず、検出と変動の推定を終えた複数のパターン間について、矛盾がないか判定する（ステップＳ６０１）。矛盾がない場合には処理を終えて最終的な結果出力を行う（ステップＳ６０４）。一方、矛盾する検出パターンが存在する場合には、その信頼度の大きさを比較し、より大きい信頼度を持つパターンの方を採用し、信頼度が小さいほうのパターンは、結果出力から削除する（ステップＳ６０２）。これを全パターンの組み合わせについて実行されたか判定し（ステップＳ６０３）、実行された場合に最終的な結果出力を行う（ステップＳ６０４）。

ここで、上記説明の矛盾の具体例として、オブジェクト同士の重なりがある場合について、図７を用いて説明する。図中Ｏ１、Ｏ２は検出されたオブジェクトの概形を表している。また、オブジェクトＯ１、Ｏ２の概形に内接する円形の半径をそれぞれＲ、ｒとする。オブジェクトの内接円の半径と中心間の距離ｄが、次の式（５）を満たすとき、オブジェクト同士に重なりがあると判定する。

ｄ＜α（Ｒ＋ｒ） （５）
ここで、αは正の定数であり、重なりの判定をコントロールするパラメータである。仮に、α＝１であれば、オブジェクト同士の重なりをまったく許さないことになり、α＜１であれば、多少の重なりを許容することになる。

図８に、本実施形態の処理手順を実装するパターン検出装置１００の構成を示す。パターン信号取得部１は、例えば、結像光学系、映像センサ、センサ信号処理回路、センサ駆動回路を含む映像入力部などである。一次記憶部２は、パターン信号取得部１からの入力パターンを記憶する。パターン検出部３は専用回路（ＡＳＩＣ）、プロセッサ（リコンフィギュラブルプロセッサ、ＤＳＰ、ＣＰＵなど）などにより実装される。ディスプレイ４は、検出されるパターンの特徴表示や、入力パターン表示などを行う。記録部５は検出されるパターンなどを記録する。制御部６は、これら各部の動作制御を、例えば、ＣＰＵがＲＡＭに記憶されたプログラムを実行することで実現する。

図９はパターン検出部３の機能構成図である。パターン入力部３１、複数検出器による検出部３２、検出器選択部３３、検出結果統合部３４が具備されており、図１のフローチャートにつき上述した動作を実行する。

図１０は複数検出器による検出部３２の構成を表した図である。複数検出器による検出部３２は、複数のパラメータによって規定される特定の変動に特化された検出器を複数持つことによって構成される。

（第２の実施形態）
第１の実施形態が、入力パターンを、全ての特定変動に特化された複数検出器に投入するのに対して、本実施形態では、前段に前処理的な検出処理をおいて、その検出結果により、特定変動検出器が選択的に実行される点で異なっている。

以下、図１１を用いて、具体的に説明する。なお、重複を避けるため、以下の説明において、前実施形態と同じ部分は省略する。

図１１は、本実施形態のパターン検出方法の全体処理フローチャートである。前実施形態と異なるのは、ロバスト性の高い複数検出器による第１の特徴検出処理（ステップＳ１１０２）と、複数の特定変動検出器の中から選択的に検出器を起動する処理（ステップＳ１１０３）である。

まず第１の特徴検出処理（ステップＳ１１０２）では、入力パターンの変動に対して、比較的ロバストに検出を実行できる高速な特徴検出器を用いる。このような検出器を構成するには、公知の統計的パターン認識の方法（階層的ニューラルネットワーク、サポートベクターマシン、判別分析など）を用いる。学習に用いるデータセットに比較的広い変動（サイズ変動、回転変動、画質変動、周波数変動など）を加えることで、変動にロバストな検出器が生成される。

ただし、余りに広域な変動を学習データに加えると、学習が進まず、よい検出器が得られないので、変動をある程度の幅にとどめ、検出器を複数用意することで目的とするロバスト性を確保してもよい。さらに、第１特徴検出処理（ステップＳ１１０２）では高速な検出を行うことが要請されるので、ある程度誤検出を許してでも、より高速な検出器を選ぶことが望ましい。

続いて、第１特徴検出処理（ステップＳ１１０２）での検出結果に基づいて、複数の特定変動に特化された検出器のうち、どれを起動するか判定する処理が行われる（ステップＳ１１０３）。第１特徴検出処理（ステップＳ１１０２）の検出結果と、入力パターンの特定変動のマッチングを行い、変動の一致している可能性の高い特定変動検出器を起動して（ステップＳ１１０３）、入力パターンを起動した検出器に投入し検出を実行する（ステップＳ１１０４）。

この起動判定処理も公知の統計的パターン認識の手法を用いて実現することができる。例えば、サポートベクターマシンを用いた場合には、入力ベクトルに入力パターンをそのまま用いるか、もしくは第１特徴検出処理（ステップＳ１１０２）の高速特徴検出器が階層的神経回路網で構成されている場合などには、その中間特徴を用いることができる。サポートベクターマシンを、特定変動検出器の個数＋１個（「検出対象ではない」というクラス）のクラス識別が可能になるようにトレーニングしておく。

例えば、第１特徴検出処理（ステップＳ１１０２）の高速特徴検出器に、特定変動を与えた入力パターンを投入した場合の検出結果を教師データとして学習を行う。サポートベクターマシンの判定結果にしたがって、特定変動検出器を起動する。この際、常に０もしくは１つの特定変動検出器を起動するのではなく、複数の検出器を起動することもできる。具体的には、変動が一致していると判定された特定変動検出器と所定の範囲内の近い変動に対応した検出器も一緒に起動する。

選択的起動処理（ステップＳ１１０３）の判定を実現する別の例として、判別分析を用いる方法もある。サポートベクターマシンの場合と同様に、入力ベクトルには、入力パターンをそのまま用いるか、階層的神経回路網の中間特徴を用いることができる。特定変動を受けた教師データのパターンと、第１特徴検出処理（ステップＳ１１０２）の高速特徴検出器を通過した結果の入力パターンとのマハラノビス距離を特定変動ごとに各々求める。そして所定の閾値よりマハラノビス距離が小さい変動に対応する特定変動検出器を起動する。

以上のように、本実施形態によれば、選択的起動処理（ステップＳ１１０３）によって、起動する特定変動検出器を絞り込むことによって、実行される検出処理の回数が減ることが期待されるので、処理時間削減が可能になる。また、より適切な特定変動検出器が起動されるので、誤検出減少に好影響を与える。同時に統合処理への誤検出混入も抑制されることから、変動推定精度が向上する効果が得られる。

本実施形態の処理手順は、実施形態１と同様の構成を持つパターン検出装置により実現できる。

図１２は、本実施形態におけるパターン検出部３の詳細構成図である。ロバスト性の高い複数検出器による第１の検出部１２０１、入力パターンの変動クラス推定部１２０２、推定された変動クラスに特化された複数検出器による第２の検出部１２０３が具備されている。また、第１実施形態と同様のパターン入力部３１、検出器選択部３３、検出結果統合部３４が具備されている。これらは図１１のフローチャートにつき上述した処理を実行する。

図１３は、本実施形態の構成によるパターン検出方法と、信頼度による判定の結果を示したグラフである。このグラフは、入力パターンが人物の顔の輝度パターンの場合において、横軸を誤検出率、縦軸を未検出率として信頼度閾値を変化させた場合の検出結果をプロットした、ＲＯＣカーブである。

ここで、高速特徴検出器としては、比較的高いロバスト性を持つ畳み込み神経回路網を３つ用意した。特定変動検出器判別処理には、判別分析を用いて、畳み込み神経回路網の中間特徴を入力ベクトルとしている。

特定変動検出器としては、特定の顔のサイズと面内回転角度に特化した畳み込み神経回路網を１０個用意した。統合処理の条件として、基準検出器に対して、面内回転角度が±６０°以上異なる場合には、無効な検出器として結果出力に合算しないとした。

図中のＲＯＣ１の曲線は、式（２）にしたがって信頼度を算出し、閾値処理を行った場合の結果である。信頼度閾値が０の場合が、曲線の右端に対応し、以下信頼度閾値を０．５刻みで変化させてプロットした。グラフから分かるように、信頼度閾値が２．０付近までは、未検出率をそれほど増加させることなく、誤検出を抑える効果があることが分かる。

一方、図中のＲＯＣ２は、式（４）でａ＝０．０５とした場合に得られた曲線である。ＲＯＣ２では、信頼度閾値を０．２５ずつ変化させてプロットしている。ＲＯＣ１に比べて、誤検出を抑える効果は小さいものの、依然として信頼度閾値処理が有効に働いていることが分かる。これら二つの結果は、特定の場合の結果であり、式（２）、式（３）のどちらがより有効であるかは、検出するパターン、変動の種類、基準検出器の選び方によって、大きく違ってくることは言うまでもない。

なお本発明は、記憶媒体から読出されたプログラムコードの指示に基づき、ＣＰＵの処理によって前述した実施形態の各機能が実現される場合も含まれる。

また、プログラムコードを供給するための記憶媒体としては、例えば、フロッピー（登録商標）ディスク，ハードディスク，光ディスク，光磁気ディスク，ＣＤ、ＤＶＤ，磁気テープ，不揮発性のメモリカード，ＲＯＭなどを用いることができる。

さらに、画像入力装置、情報蓄積機器、またこれらが複合または接続された装置において、両方またはいずれかの装置に備わるＣＰＵなどが実際の処理の一部または全部を行うことで前述した実施形態の機能が実現される場合も含まれる。

上記画像入力装置としては、ビデオカメラ、デジタルカメラ、監視カメラなど各種ＣＣＤを利用したカメラやスキャナ、アナログ画像入力装置からＡＤ変換によりデジタル画像に変換された画像入力装置が利用できる。上記情報蓄積機器としては、外部ハードディスク、ビデオレコーダなどが利用できる。

第１の実施形態の全体処理手順を示すフローチャートである。 検出器選択処理手順を示すフローチャートである。 検出器と輝度パターンが２次元配列として対応付けられている場合を示す模式図である。 統合処理手順を示すフローチャートである。 信頼度による閾値処理手順を示すフローチャートである。 信頼度によるオブジェクト同士の矛盾関係解消処理手順を示すフローチャートである。 オブジェクト同士の位置関係の一例を表した図である。 第１の実施形態に係るパターン検出装置の全体構成図である。 パターン検出部の構成を示す図である。 複数検出器による検出部の構成を示す図である。 第２の実施形態の全体処理手順を示すフローチャートである。 パターン検出部の構成を示す図である。 パターン検出結果のＲＯＣカーブを描いたグラフである。

符号の説明

１ パターン信号取得部
２ 一次記憶部
３ パターン検出部
４ ディスプレイ
５ 記録部
６ 制御部
３１ パターン入力部
３２ 複数検出器による検出部
３３ 検出器選択部
３４ 検出結果統合部

Claims (19)

1. 入力されたパターンに対して、複数の特徴検出器によって特徴検出を行う検出工程と、
   前記複数の特徴検出器から、それぞれの出力値に基づいて少なくとも１つの特徴検出器を選択する選択工程と、
   選択された前記特徴検出器の出力値に基づいて前記パターンの特徴量を算出する算出工程とを有することを特徴とする特徴検出方法。
2. 前記複数の特徴検出器は、それぞれ特定の変動に対応しており、該変動と入力パターンが受けている変動とが略一致した場合に、より高い値を出力することを特徴とする請求項１に記載の特徴検出方法。
3. 前記検出工程は、
   前記パターンに対し、第１の特徴検出器により検出を行う第１の検出工程と、
   前記第１の検出工程による特徴検出の結果から、前記パターンの変動を推定する工程と、
   前記パターンに対して、推定された前記変動に対応する複数の特徴検出器によって特徴検出を行う第２の検出工程とを有することを特徴とする請求項２に記載の特徴検出方法。
4. 前記選択工程は、
   前記複数の特徴検出器から基準検出器を選定する基準検出器選定工程と、
   前記基準検出器より一定範囲内にある特徴検出器を選択する範囲内検出器選択工程とを有することを特徴とする請求項１乃至３に記載の特徴検出方法。
5. 前記基準検出器選定工程では、前記複数の特徴検出器による特徴検出結果の出力値を基準に選定することを特徴とする請求項４に記載の特徴検出方法。
6. 前記範囲内検出器選択工程では、対応する前記変動値が、前記基準検出器の対応する変動値と一定範囲内にある特徴検出器を選択することを特徴とする請求項４に記載の特徴検出方法。
7. 前記範囲内検出器選択工程では、前記基準検出器との距離が一定範囲内に存在する特徴検出器を選択することを特徴とする請求項４に記載の特徴検出方法。
8. 前記算出工程では、選択された前記特徴検出器の各々が対応する変動量の、それぞれの出力値による重み付き平均として、前記特徴量を算出することを特徴とする請求項１乃至７に記載の特徴検出方法。
9. 前記算出工程において、更に、算出された前記特徴量の信頼度を、選択された前記特徴検出器の出力値の和に基づいて算出することを特徴とする請求項８に記載の特徴検出方法。
10. 前記算出工程において、更に、算出された前記特徴量の信頼度を、前記複数の特徴検出器の各出力値に予め定められた変換を施した値の和に基づいて算出することを特徴とする請求項８に記載の特徴検出方法。
11. 前記パターンは、オブジェクトの輝度パターン、波形パターン、周波数特徴のいずれかであることを特徴とする請求項１乃至１０に記載の特徴検出方法。
12. 前記パターンは、オブジェクトの輝度パターンであって、前記変動は、オブジェクトの大きさ、向き、色相、空間周波数の少なくとも１つに対する値であることを特徴とする請求項２に記載の特徴検出方法。
13. 前記オブジェクトは人物の顔であることを特徴とする請求項１２に記載の特徴検出方法。
14. さらに、前記信頼度に対して閾値処理を行う閾値処理工程を有することを特徴とする請求項９に記載の特徴検出方法。
15. さらに、複数のパターン間で検出結果に矛盾が生じている場合に、前記信頼度を用いて矛盾を解消する矛盾解消工程を有することを特徴とする請求項８に記載の特徴検出方法。
16. 前記検出した複数のパターン間の矛盾が、パターンの配置関係に関する矛盾であることを特徴とする請求項１５に記載の特徴検出方法。
17. 入力されたパターンに対して、複数の特徴検出器によって特徴検出を行う検出手段と、
    前記複数の特徴検出器から、それぞれの出力値に基づいて少なくとも１つの特徴検出器を選択する選択手段と、
    選択された前記特徴検出器の出力値に基づいて前記パターンの特徴量を算出する算出手段とを有することを特徴とする特徴検出装置。
18. 請求項１乃至１６に記載の特徴検出方法をコンピュータに実行させるコンピュータ読み取り可能なプログラム。
19. 請求項１８に記載のプログラムを記憶したコンピュータ読み取り可能な記憶媒体。

Images