JP2014123184A - 認識装置、方法及びプログラム - Google Patents

Abstract

【課題】認識精度及びロバスト性を高めることができる認識装置、方法及びプログラムを提供する。
【解決手段】実施形態の認識装置は、取得部と、記憶部と、第１算出部と、第２算出部と、決定部と、出力部と、を備える。記憶部は、各学習パターンが複数のカテゴリのいずれかに属する複数の学習パターンを記憶する。取得部は、認識対象の認識対象パターンを取得する。第１算出部は、前記カテゴリ毎に、認識対象パターンと当該カテゴリに属する学習パターンとの距離に対する当該カテゴリに属する学習パターンの数の分布を示す距離ヒストグラムを算出する。第２算出部は、前記複数のカテゴリそれぞれの前記距離ヒストグラムを分析して、前記カテゴリの信頼度を算出する。決定部は、前記信頼度を用いて、前記複数のカテゴリの中から前記認識対象パターンのカテゴリを決定する。出力部は、前記認識対象パターンの前記カテゴリを出力する。
【選択図】図１

Description

本発明の実施形態は、認識装置、方法及びプログラムに関する。

パターン認識において、ｋ近傍法という手法が知られている。ｋ近傍法は、カテゴリが既知の複数の学習パターンの中から、カテゴリが未知の認識対象パターンとの特徴空間における距離が小さい学習パターンの上位ｋ個を探索し、探索したｋ個の学習パターンのうち最も多くの学習パターンが属するカテゴリを、当該認識対象パターンのカテゴリに推定する手法である。

T. M. Cover and P. E. Hart, "Nearest Neighbor Pattern Classification", IEEE Trans. Information Theory, vol. 13, no. 1, pp. 21-27, Jan. 1967.

しかしながら、上述したような従来技術では、限られた近傍数ｋ個の学習パターンで認識対象パターンを評価するため、カテゴリ全体との関係を評価できず、正確な認識が困難な場合がある。また、学習パターンに誤りが含まれていた場合、ロバスト性の低下が懸念される。本発明が解決しようとする課題は、認識精度及びロバスト性を高めることができる認識装置、方法及びプログラムを提供することである。

実施形態の認識装置は、取得部と、記憶部と、第１算出部と、第２算出部と、決定部と、出力部と、を備える。記憶部は、各学習パターンが複数のカテゴリのいずれかに属する複数の学習パターンを記憶する。取得部は、認識対象の認識対象パターンを取得する。第１算出部は、前記カテゴリ毎に、認識対象パターンと当該カテゴリに属する学習パターンとの距離に対する当該カテゴリに属する学習パターンの数の分布を示す距離ヒストグラムを算出する。第２算出部は、前記複数のカテゴリそれぞれの前記距離ヒストグラムを分析して、前記カテゴリの信頼度を算出する。決定部は、前記信頼度を用いて、前記複数のカテゴリの中から前記認識対象パターンのカテゴリを決定する。出力部は、前記認識対象パターンの前記カテゴリを出力する。

第１実施形態の認識装置の例を示す構成図。 第１実施形態の認識対象パターンと学習パターンの距離の算出例の説明図。 第１実施形態の距離ヒストグラムの例を示す図。 第１実施形態の認識処理例を示すフローチャート。 第１実施形態のカテゴリ決定処理例を示すフローチャート。 第２実施形態の認識装置の例を示す構成図。 第２実施形態の累積ヒストグラムの例を示す図。 第２実施形態の認識処理例を示すフローチャート。 各実施形態及び変形例の認識装置のハードウェア構成例を示す図。

以下、添付図面を参照しながら、実施形態を詳細に説明する。

（第１実施形態）
図１は、第１実施形態の認識装置１０の一例を示す構成図である。図１に示すように、認識装置１０は、撮像部７と、抽出部９と、取得部１１と、記憶部１３と、第１算出部１５と、第２算出部１７と、決定部１９と、出力制御部２１と、出力部２３とを、備える。

撮像部７は、例えば、デジタルカメラなどの撮像装置により実現できる。抽出部９、取得部１１、第１算出部１５、第２算出部１７、決定部１９、及び出力制御部２１は、例えば、ＣＰＵ（Central Processing Unit）などの処理装置にプログラムを実行させること、即ち、ソフトウェアにより実現してもよいし、ＩＣ（Integrated Circuit）などのハードウェアにより実現してもよいし、ソフトウェア及びハードウェアを併用して実現してもよい。記憶部１３は、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、メモリカード、光ディスク、ＲＡＭ（Random Access Memory）、及びＲＯＭ（Read Only Memory）などの磁気的、光学的、又は電気的に記憶可能な記憶装置により実現できる。出力部２３は、例えば、液晶ディスプレイやタッチパネルディスプレイなどの表示装置により実現してもよいし、スピーカなどの音声出力装置により実現してもよいし、両者を併用して実現してもよい。

撮像部７は、認識対象物を撮像して画像を得る。抽出部９は、撮像部７により撮像された画像から、認識対象のパターンである認識対象パターンを抽出する。

取得部１１は、抽出部９により抽出された認識対象パターンを取得する。第１実施形態の認識対象パターンは、認識対象物を撮像した画像から抽出した特徴ベクトルであり、例えば、ＨＯＧ（Histogram of Oriented Gradients）などの画像特徴量が該当する。

また、認識対象パターンは、画像から抽出した特徴ベクトルに限定されるものではなく、例えば、マイクやセンサなど任意の手段で取得した情報から任意の方法で抽出した特徴ベクトルであってもよい。

記憶部１３は、各学習パターンが複数のカテゴリのいずれかに属する複数の学習パターンを記憶する。なお、各カテゴリに属する学習パターンの数は、複数であることを想定しているが、単数であることを除外するものではない。

第１実施形態では、学習パターンは、対象物を撮像した画像から抽出した特徴ベクトルであるものとするが、これに限定されるものではない。学習パターンは、認識対象パターンと対応する情報であればどのようなものであってもよい。

また、カテゴリとは、対象物（学習パターン）の種類を示すものであり、対象物（学習パターン）が元々潜在的に有している固有な情報が該当する。例えば、対象物がりんごであれば、当該対象物に基づく学習パターン（特徴ベクトル）のカテゴリは「りんご」となり、対象物が梨であれば、当該対象物に基づく学習パターン（特徴ベクトル）のカテゴリは「梨」となる。

第１算出部１５は、カテゴリ毎に、取得部１１により取得された認識対象パターンと当該カテゴリに属する学習パターンとの距離に対する当該カテゴリに属する学習パターンの数の分布を示す距離ヒストグラムを算出する。

具体的には、第１算出部１５は、記憶部１３から複数の学習パターンを取得し、取得した複数の学習パターンそれぞれと取得部１１により取得された認識対象パターンとの距離を算出する。例えば、第１算出部１５は、図２に示すように、認識対象パターンと学習パターンとのユークリッド距離を算出する。なお、図２に示す例では、認識対象パターンと学習パターンとのユークリッド距離を矢印で示している。

但し、認識対象パターンと学習パターンとの距離は、ユークリッド距離に限定されるものではなく、例えば、マンハッタン距離、マハラノビス距離、及びハミング距離などの任意の距離尺度を用いることができる。

そして第１算出部１５は、複数のカテゴリそれぞれについて、当該カテゴリに属する複数の学習パターンを、算出した距離毎に集計することで、例えば、図３に示すような、距離ヒストグラムを算出する。なお、第１算出部１５は、算出した距離毎に学習パターンを集計するのではなく、距離区間毎に、算出した距離が当該距離区間に収まる学習パターンの数を集計して、距離ヒストグラムを算出してもよい。

また、図２及び図３に示す例では、学習パターンとして、カテゴリＡに属する学習パターン及びカテゴリＢに属する学習パターンを例示しているが、これに限定されるものではなく、実際には、他のカテゴリに属する学習パターンも存在する。

また、第１算出部１５は、記憶部１３に記憶されている全ての学習パターンを認識対象パターンとの距離算出対象（比較対象）とする必要はなく、記憶部１３に記憶されている一部の学習パターンを認識対象パターンとの距離算出対象としてもよい。但し、この場合、認識対象パターンとの距離が小さくなることが想定される学習パターンを距離算出対象とし、認識対象パターンとの距離が大きくなることが想定される学習パターンを距離算出対象から除外することが好ましい。

第２算出部１７は、複数のカテゴリそれぞれの距離ヒストグラムを分析して、カテゴリの信頼度を算出する。具体的には、第２算出部１７は、複数のカテゴリのうち認識対象パターンのカテゴリとなる確率が上位となるｎ（１≦ｎ≦Ｌ）個のカテゴリの信頼度を算出する。

第１実施形態では、第２算出部１７は、複数のカテゴリそれぞれの距離ヒストグラムから、順位が１〜ｎ位となる候補カテゴリを算出し、算出した１〜ｎ位の候補カテゴリに正解カテゴリが含まれる確信の度合いを示すｎ位累積信頼度を算出する。

以下、第１実施形態のｎ位累積信頼度の算出手法について具体的に説明する。ここでは、学習パターンのカテゴリ数をＬ、認識対象パターンと記憶部１３に記憶されている学習パターンとの距離の最大値をＤ、カテゴリｌ（１≦ｌ≦Ｌ）の距離ヒストグラムにおいて最頻値となる距離（学習パターン数が最も多い距離）をｔ_ｌ（０≦ｔ_ｌ≦Ｄ）とする。

第２算出部１７は、複数のカテゴリそれぞれの距離ヒストグラムから当該カテゴリの最頻値となる距離ｔ_ｌを求める。これにより、｛ｔ_１，…，ｔ_Ｌ｝が得られる。

次に、第２算出部１７は、｛ｔ_１，…，ｔ_Ｌ｝を小さい順にｎ個並べる。｛ｔ_１，…，ｔ_Ｌ｝を小さい順にｎ個並べたものを｛ｕ_１，…，ｕ_ｎ｝とする。ここで、｛ｕ_１，…，ｕ_ｎ｝それぞれのカテゴリ｛ｆ_１，…，ｆ_ｎ｝が、順位が１〜ｎ位となる候補カテゴリとなる。

そして、第２算出部１７は、ｎ個の距離である｛ｕ_１，…，ｕ_ｎ｝それぞれについて、最も小さい距離から自距離の次に大きい距離まで隣接する距離の差分を足し合わせて、ｎ個の信頼度（ｎ位累積信頼度）｛ｇ_１，…，ｇ_ｎ｝を算出する。ｎ位累積信頼度｛ｇ_１，…，ｇ_ｎ｝は、それぞれ、カテゴリ｛ｆ_１，…，ｆ_ｎ｝に正解カテゴリが含まれる確信の度合いを示す。例えば、第２算出部１７は、ｎ個の距離である｛ｕ_１，…，ｕ_ｎ｝それぞれについて、数式（１）を適用することで、ｎ個の信頼度｛ｇ_１，…，ｇ_ｎ｝を算出する。

但し、ｎ＝Ｌの場合、ｕ_Ｌ＋１については、距離の最大値Ｄを用いるものとする。

なお信頼度の算出は、上記手法に限定されるものではなく、距離ヒストグラムから算出される任意の値を用いて算出すればよい。

決定部１９は、第２算出部１７により算出された信頼度を用いて、複数のカテゴリの中から認識対象パターンのカテゴリを決定する。具体的には、決定部１９は、第２算出部１７により算出されたｎ個の信頼度のうちいずれかの信頼度を用いて、ｎ個のカテゴリの中から認識対象パターンのカテゴリを決定する。

例えば、決定部１９は、第２算出部１７により算出されたｎ個の信頼度｛ｇ_１，…，ｇ_ｎ｝のうち最も値の大きい最大信頼度（１位累積信頼度）ｇ_１が閾値Ｒ_ｆｉｘ（第２閾値の一例）を超えているか否かを判定し、閾値Ｒ_ｆｉｘを超えている場合、当該最大信頼度ｇ_１のカテゴリｆ_１を認識対象パターンのカテゴリに決定する。

また例えば、決定部１９は、最大信頼度ｇ_１が閾値Ｒ_ｆｉｘを超えていない場合、ｎ個の信頼度｛ｇ_１，…，ｇ_ｎ｝のうち最大信頼度以外の所定信頼度が閾値Ｒ_{ｒｅｊｅｃｔ}（第３閾値の一例）を超えているか否かを判定し、閾値Ｒ_{ｒｅｊｅｃｔ}を超えている場合、ｎ個の信頼度｛ｇ_１，…，ｇ_ｎ｝のうち当該所定信頼度以上の信頼度のカテゴリを認識対象パターンのカテゴリの候補に決定する。なお、Ｒ_{ｒｅｊｅｃｔ}＜Ｒ_ｆｉｘであるものとする。例えば、所定信頼度が３位累積信頼度ｇ_３であり、閾値Ｒ_{ｒｅｊｅｃｔ}を超えていれば、１〜３位累積信頼度｛ｇ_１，ｇ_２，ｇ_３｝のカテゴリ｛ｆ_１，ｆ_２，ｆ_３｝が認識対象パターンのカテゴリの候補となる。

また例えば、決定部１９は、所定信頼度が閾値Ｒ_{ｒｅｊｅｃｔ}を超えていない場合、ｎ個のカテゴリの中に認識対象パターンのカテゴリは存在しないことを決定する。

但し、認識対象パターンのカテゴリの決定手法は、上記の例に限定されず、例えば、最大信頼度のカテゴリを認識対象パターンのカテゴリに決定するか、認識対象パターンのカテゴリは存在しないことを決定するかの２通りとしてもよいし、所定信頼度以上の信頼度のカテゴリを認識対象パターンのカテゴリの候補に決定するか、認識対象パターンのカテゴリは存在しないことを決定するかの２通りとしてもよい。

出力制御部２１は、決定部１９により決定された認識対象パターンのカテゴリを出力部２３に出力させる。

図４は、第１実施形態の認識装置１０で行われる認識処理の手順の流れの一例を示すフローチャートである。

まず、取得部１１は、認識対象パターンを取得する（ステップＳ１０１）。

続いて、第１算出部１５は、カテゴリ毎に、取得部１１により取得された認識対象パターンと当該カテゴリに属する学習パターンとの距離に対する当該カテゴリに属する学習パターンの数の分布を示す距離ヒストグラムを算出する（ステップＳ１０３）。

続いて、第２算出部１７は、複数のカテゴリそれぞれの距離ヒストグラムを分析して、複数のカテゴリのうち認識対象パターンのカテゴリとなる確率（信頼度）が上位となるｎ個のカテゴリの信頼度を算出する（ステップＳ１０５）。

続いて、決定部１９は、第２算出部１７により算出されたｎ個の信頼度のうちいずれかの信頼度を用いて、ｎ個のカテゴリの中から認識対象パターンのカテゴリを決定するカテゴリ決定処理を行う（ステップＳ１０７）。

続いて、出力制御部２１は、決定部１９により決定された認識対象パターンのカテゴリを出力部２３に出力させる（ステップＳ１０９）。

図５は、第１実施形態の決定部１９で行われるカテゴリ決定処理の手順の流れの一例を示すフローチャートである。

まず決定部１９は、第２算出部１７により算出されたｎ個の信頼度｛ｇ_１，…，ｇ_ｎ｝のうち１位累積信頼度ｇ_１が閾値Ｒ_ｆｉｘを超えているか否かを判定し（ステップＳ１１１）、閾値Ｒ_ｆｉｘを超えている場合（ステップＳ１１１でＹｅｓ）、当該１位累積信頼度ｇ_１のカテゴリｆ_１を認識対象パターンのカテゴリに決定する（ステップＳ１１３）。

１位累積信頼度ｇ_１が閾値Ｒ_ｆｉｘを超えていない場合（ステップＳ１１１でＮｏ）、決定部１９は、ｎ個の信頼度｛ｇ_１，…，ｇ_ｎ｝のうち１位累積信頼度ｇ_１以外のＣ位累積信頼度ｇ_ｃが閾値Ｒ_{ｒｅｊｅｃｔ}を超えているか否かを判定し（ステップＳ１１５）、閾値Ｒ_{ｒｅｊｅｃｔ}を超えている場合（ステップＳ１１５でＹｅｓ）、１〜Ｃ位累積信頼度｛ｇ_１，…，ｇ_ｃ｝のカテゴリ｛ｆ_１，…，ｆ_ｃ｝が認識対象パターンのカテゴリの候補に決定する（ステップＳ１１７）。

Ｃ位累積信頼度ｇ_ｃが閾値Ｒ_{ｒｅｊｅｃｔ}を超えていない場合（ステップＳ１１５でＮｏ）、決定部１９は、認識対象パターンのカテゴリを無しに決定する（ステップＳ１１９）。

以上のように第１実施形態によれば、認識対象パターンと各カテゴリの学習パターンとの距離ヒストグラムを利用することで、認識対象パターンと各カテゴリの学習パターン全体との関係を評価することができ、認識精度及びロバスト性を高めたパターン認識を実現することができる。

（第２実施形態）
第２実施形態では、距離ヒストグラムを構成する距離毎の学習パターンの数を累積した累積数の割合を示す累積ヒストグラムを更に用いて信頼度を算出する例について説明する。以下では、第１実施形態との相違点の説明を主に行い、第１実施形態と同様の機能を有する構成要素については、第１実施形態と同様の名称・符号を付し、その説明を省略する。

図６は、第２実施形態の認識装置１１０の一例を示す構成図である。図６に示すように、第２実施形態の認識装置１１０は、第３算出部１１６及び第２算出部１１７が、第１実施形態と相違する。

第３算出部１１６は、例えば、ソフトウェアにより実現してもよいし、ハードウェアにより実現してもよいし、ソフトウェア及びハードウェアを併用して実現してもよい。

第３算出部１１６は、カテゴリ毎に、第１算出部１５により算出された距離ヒストグラムを構成する距離毎の学習パターン数を累積した累積数の割合を距離毎に示す累積ヒストグラムを算出する。具体的には、第３算出部１１６は、図７に示すように、カテゴリ毎に、距離ヒストグラムを構成する距離毎の学習パターン数を距離が小さい順に累積した累積数の当該カテゴリに属する学習パターンの合計数に対する割合を距離毎に示す累積ヒストグラムを算出する。

第２算出部１１７は、複数のカテゴリそれぞれの累積ヒストグラムを更に分析して、カテゴリの信頼度を算出する。

第２実施形態では、第２算出部１１７は、複数のカテゴリそれぞれの距離ヒストグラム及び累積ヒストグラムから、順位が１〜ｎ位となる候補カテゴリを算出し、算出した１〜ｎ位の候補カテゴリに正解カテゴリが含まれる確信の度合いを示すｎ位累積信頼度を算出する。

以下、第２実施形態のｎ位累積信頼度の算出手法について具体的に説明する。ここでは、学習パターンのカテゴリ数をＬ、認識対象パターンと記憶部１３に記憶されている学習パターンとの距離の最大値をＤ、カテゴリｌ（１≦ｌ≦Ｌ）に属する学習パターン数をＨ_ｌ、カテゴリｌの距離ヒストグラムの距離ｔ（０≦ｔ≦Ｄ）における学習パターン数をｈ_ｌ（ｔ）とする。

第２算出部１１７は、カテゴリ毎に、距離ヒストグラムを構成する距離毎の学習パターン数を、累積ヒストグラムの割合が任意の閾値Ｔ（第１閾値の一例）に達する距離ｓ_ｌまで距離の小さい順に重み付け加算して重付加算値ｄ_ｌを算出する。なお、０≦Ｔ≦１であるものとする。例えば、第２算出部１１７は、Ｌ個のカテゴリそれぞれについて、数式（２）を適用することで、Ｌ個の重付加算値｛ｄ_１，…，ｄ_Ｌ｝を算出する。

ここで、ｗ（ｔ）は距離ｔの重みであり、例えば、認識対象パターンとの距離がｔとなる学習パターンの情報量が用いられる。認識対象パターンをモデルとみなすと、パターン認識の問題はどのカテゴリの学習パターン群がモデルに適合しているかを求める問題になり、モデルと学習パターンとの適合の度合いは、学習パターン群の記述に必要な情報量が小さければ小さいほど高いと言えるので、重みに情報量が用いられる。ｗ（ｔ）は、例えば、数式（３）で表される。

ここで、Ｐ（ｔ）は認識対象パターンと学習パターンとの距離がｔとなる確率である。なお第２実施形態では、重みに確率を用いたが、これに限定されず、例えば、距離そのものや距離の線形変換によって得られる値など任意の方法で計算される値を用いてもよい。

次に、第２算出部１１７は、｛ｄ_１，…，ｄ_Ｌ｝を小さい順にｎ個並べる。｛ｄ_１，…，ｄ_Ｌ｝を小さい順にｎ個並べたものを｛ｅ_１，…，ｅ_ｎ｝とする。ここで、｛ｅ_１，…，ｅ_ｎ｝それぞれのカテゴリ｛ｆ_１，…，ｆ_ｎ｝が、順位が１〜ｎ位となる候補カテゴリとなる。

そして、第２算出部１１７は、ｎ個の重付加算値｛ｅ_１，…，ｅ_ｎ｝それぞれについて、最も小さい重付加算値から自重付加算値の次に大きい重付加算値まで隣接する重付加算値の差分を足し合わせて、ｎ個の信頼度（ｎ位累積信頼度）｛ｇ’_１，…，ｇ’_ｎ｝を算出する。ｎ位累積信頼度｛ｇ’_１，…，ｇ’_ｎ｝は、それぞれ、カテゴリ｛ｆ_１，…，ｆ_ｎ｝に正解カテゴリが含まれる確信の度合いを示す。例えば、第２算出部１１７は、ｎ個の重付加算値｛ｅ_１，…，ｅ_ｎ｝それぞれについて、数式（４）を適用することで、ｎ個の信頼度｛ｇ’_１，…，ｇ’_ｎ｝を算出する。

但し、ｎ＝Ｌの場合、ｅ_Ｌ＋１については、数式（５）の値を用いるものとする。

なお信頼度の算出は、上記手法に限定されるものではなく、距離ヒストグラム及び累積ヒストグラムから算出される任意の値を用いて算出すればよい。例えば、累積ヒストグラムがある閾値に達する距離、ある閾値に達する距離を小さい順に並べ替えたものの差分、又は複数の閾値に達する距離の平均などの値を用いて信頼度を算出してもよい。

図８は、第２実施形態の認識装置１１０で行われる認識処理の手順の流れの一例を示すフローチャートである。

まず、ステップＳ２０１〜Ｓ２０３までの処理は、図４に示すフローチャートのステップＳ１０１〜Ｓ１０３までの処理と同様である。

続いて、第３算出部１１６は、カテゴリ毎に、第１算出部１５により算出された距離ヒストグラムを構成する距離毎の学習パターン数を累積した累積数の割合を距離毎に示す累積ヒストグラムを算出する（ステップＳ２０４）。

続いて、第２算出部１１７は、複数のカテゴリそれぞれの距離ヒストグラム及び累積ヒストグラムを分析して、複数のカテゴリのうち認識対象パターンのカテゴリとなる確率（信頼度）が上位となるｎ個のカテゴリの信頼度を算出する（ステップＳ２０５）。

以下、ステップＳ２０７〜Ｓ２０９までの処理は、図４に示すフローチャートのステップＳ１０７〜Ｓ１０９までの処理と同様である。

以上のように第２実施形態によれば、認識対象パターンと各カテゴリの学習パターンとの距離ヒストグラム及び累積ヒストグラムを利用することで、認識対象パターンと各カテゴリの学習パターン全体との関係を評価することができ、認識精度及びロバスト性を高めたパターン認識を実現することができる。

（変形例１）
上記各実施形態では、認識対象パターン及び学習パターンが認識対象物を撮像した画像から抽出した特徴ベクトルである例について説明したが、これに限定されず、認識対象物を撮像した画像そのものであってもよい。この場合、認識装置は、抽出部９を備える必要はなく、取得部１１は、撮像部７が撮像した画像を取得すればよい。また、第１算出部１５は、認識対象パターンと学習パターンとの距離として、例えば、両画像の各ピクセルの画素値の差の合計などを算出して、距離ヒストグラムを算出すればよい。

（変形例２）
上記各実施形態では、認識装置が撮像部７及び抽出部９を備える例について説明したが、認識装置は、これらの構成を備えていなくてもよい。この場合、外部で認識対象パターンを生成し、この認識対象パターンを取得部１１が取得したり、記憶部１３に認識対象パターンを記憶しておき、この認識対象パターンを取得部１１が取得したりすればよい。

（ハードウェア構成）
図９は、上記各実施形態及び変形例の認識装置のハードウェア構成の一例を示す図である。上記各実施形態及び変形例の認識装置は、ＣＰＵなどの制御装置９０２と、ＲＯＭやＲＡＭなどの記憶装置９０４と、ＨＤＤなどの外部記憶装置９０６と、ディスプレイなどの表示装置９０８と、キーボードやマウスなどの入力装置９１０と、デジタルカメラなどの撮像装置９１２と、を備えており、通常のコンピュータを利用したハードウェア構成となっている。

上記各実施形態及び変形例の認識装置で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、ＣＤ−Ｒ、メモリカード、ＤＶＤ（Digital Versatile Disk）、フレキシブルディスク（ＦＤ）等のコンピュータで読み取り可能な記憶媒体に記憶されて提供される。

また、上記各実施形態及び変形例の認識装置で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するようにしてもよい。また、上記各実施形態及び変形例の認識装置で実行されるプログラムを、インターネット等のネットワーク経由で提供または配布するようにしてもよい。また、上記各実施形態及び変形例の認識装置で実行されるプログラムを、ＲＯＭ等に予め組み込んで提供するようにしてもよい。

上記各実施形態及び変形例の認識装置で実行されるプログラムは、上述した各部をコンピュータ上で実現させるためのモジュール構成となっている。実際のハードウェアとしては、ＣＰＵがＨＤＤからプログラムをＲＡＭ上に読み出して実行することにより、上記各部がコンピュータ上で実現されるようになっている。

なお、本発明は、上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化することができる。また、上記各実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成することができる。例えば、実施形態に示される全構成要素からいくつかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせても良い。

例えば、上記各実施形態のフローチャートにおける各ステップを、その性質に反しない限り、実行順序を変更し、複数同時に実施し、あるいは実施毎に異なった順序で実施してもよい。

以上のように、上記各実施形態及び変形例によれば、認識精度及びロバスト性を高めることができる。

１０、１１０ 認識装置
１１ 取得部
１３ 記憶部
１５ 第１算出部
１７、１１７ 第２算出部
１９ 決定部
２１ 出力制御部
２３ 出力部
１１６ 第３算出部
９０２ 制御装置
９０４ 記憶装置
９０６ 外部記憶装置
９０８ 表示装置
９１０ 入力装置

Claims (12)

1. 各学習パターンが複数のカテゴリのいずれかに属する複数の学習パターンを記憶する記憶部と、
   認識対象の認識対象パターンを取得する取得部と、
   前記カテゴリ毎に、前記認識対象パターンと当該カテゴリに属する学習パターンとの距離に対する当該カテゴリに属する学習パターンの数の分布を示す距離ヒストグラムを算出する第１算出部と、
   前記複数のカテゴリそれぞれの前記距離ヒストグラムを分析して、前記カテゴリの信頼度を算出する第２算出部と、
   前記信頼度を用いて、前記複数のカテゴリの中から前記認識対象パターンのカテゴリを決定する決定部と、
   前記認識対象パターンの前記カテゴリを出力する出力部と、
   を備える認識装置。
2. 前記第２算出部は、前記複数のカテゴリのうち前記認識対象パターンのカテゴリとなる確率が上位となるｎ個のカテゴリの信頼度を算出し、
   前記決定部は、前記ｎ個の信頼度のうちいずれかの信頼度を用いて、前記ｎ個のカテゴリの中から前記認識対象パターンの前記カテゴリを決定する請求項１に記載の認識装置。
3. 前記第２算出部は、前記複数のカテゴリそれぞれの前記距離ヒストグラムから当該カテゴリの最頻値となる距離を求め、当該複数の距離を小さい順に前記ｎ個並べ、前記ｎ個の距離それぞれについて、最も小さい距離から自距離の次に大きい距離まで隣接する距離の差分を足し合わせて、前記ｎ個の信頼度を算出する請求項２に記載の認識装置。
4. 前記カテゴリ毎に、前記距離ヒストグラムを構成する前記数を累積した累積数の割合を前記距離毎に示す累積ヒストグラムを算出する第３算出部を更に備え、
   前記第２算出部は、前記複数の距離ヒストグラム及び前記複数の累積ヒストグラムを分析して、前記信頼度を算出する請求項１に記載の認識装置。
5. 前記第２算出部は、前記複数のカテゴリのうち前記認識対象パターンのカテゴリとなる確率が上位となるｎ個のカテゴリの信頼度を算出し、
   前記決定部は、前記ｎ個の信頼度のうちいずれかの信頼度を用いて、前記ｎ個のカテゴリの中から前記認識対象パターンの前記カテゴリを決定する請求項４に記載の認識装置。
6. 前記複数のカテゴリそれぞれの前記累積ヒストグラムは、当該カテゴリの前記距離ヒストグラムを構成する前記数を距離が小さい順に累積した累積数の当該カテゴリに属する学習パターンの合計数に対する割合を距離毎に示し、
   前記第２算出部は、前記カテゴリ毎に、前記距離ヒストグラムを構成する前記数を、前記累積ヒストグラムの前記割合が第１閾値に達する距離まで前記距離の小さい順に重み付け加算して重付加算値を算出し、当該複数の重付加算値を小さい順に前記ｎ個並べ、前記ｎ個の重付加算値それぞれについて、最も小さい重付加算値から自重付加算値の次に大きい重付加算値まで隣接する重付加算値の差分を足し合わせて、前記ｎ個の信頼度を算出する請求項５に記載の認識装置。
7. 前記決定部は、前記ｎ個の信頼度のうち最も値の大きい最大信頼度が第２閾値を超えているか否かを判定し、前記第２閾値を超えている場合、当該最大信頼度のカテゴリを前記認識対象パターンの前記カテゴリに決定する請求項２、３、５又は６に記載の認識装置。
8. 前記決定部は、前記ｎ個の信頼度のうち最も値の大きい最大信頼度以外の所定信頼度が第３閾値を超えているか否かを判定し、前記第３閾値を超えている場合、前記ｎ個の信頼度のうち当該所定信頼度以上の信頼度のカテゴリを前記認識対象パターンの前記カテゴリの候補に決定する請求項２、３、５、６又は７に記載の認識装置。
9. 前記決定部は、前記所定信頼度が前記第３閾値を超えていない場合、前記ｎ個のカテゴリの中に前記認識対象パターンのカテゴリは存在しないことを決定する請求項８に記載の認識装置。
10. 認識対象物を撮像して画像を得る撮像部と、
    前記画像から前記認識対象パターンを抽出する抽出部と、を更に備え、
    前記取得部は、抽出された前記認識対象パターンを取得する請求項１〜９のいずれか１つに記載の認識装置。
11. 取得部が、認識対象の認識対象パターンを取得する取得ステップと、
    第１算出部が、各学習パターンが複数のカテゴリのいずれかに属する複数の学習パターンを記憶する記憶部から、前記複数の学習パターンを取得し、前記カテゴリ毎に、前記認識対象パターンと当該カテゴリに属する学習パターンとの距離に対する当該カテゴリに属する学習パターンの数の分布を示す距離ヒストグラムを算出する第１算出ステップと、
    第２算出部が、前記複数のカテゴリそれぞれの前記距離ヒストグラムを分析して、前記カテゴリの信頼度を算出する第２算出ステップと、
    決定部が、前記信頼度を用いて、前記複数のカテゴリの中から前記認識対象パターンのカテゴリを決定する決定ステップと、
    出力部が、前記認識対象パターンの前記カテゴリを出力する出力ステップと、
    を含む認識方法。
12. 認識対象の認識対象パターンを取得する取得ステップと、
    各学習パターンが複数のカテゴリのいずれかに属する複数の学習パターンを記憶する記憶部から、前記複数の学習パターンを取得し、前記カテゴリ毎に、前記認識対象パターンと当該カテゴリに属する学習パターンとの距離に対する当該カテゴリに属する学習パターンの数の分布を示す距離ヒストグラムを算出する第１算出ステップと、
    前記複数のカテゴリそれぞれの前記距離ヒストグラムを分析して、前記カテゴリの信頼度を算出する第２算出ステップと、
    前記信頼度を用いて、前記複数のカテゴリの中から前記認識対象パターンのカテゴリを決定する決定ステップと、
    前記認識対象パターンの前記カテゴリを出力する出力ステップと、
    をコンピュータに実行させるためのプログラム。

Images