JP2590414B2 - ファジィパターン認識方法 - Google Patents
ファジィパターン認識方法Info
- Publication number
- JP2590414B2 JP2590414B2 JP3046808A JP4680891A JP2590414B2 JP 2590414 B2 JP2590414 B2 JP 2590414B2 JP 3046808 A JP3046808 A JP 3046808A JP 4680891 A JP4680891 A JP 4680891A JP 2590414 B2 JP2590414 B2 JP 2590414B2
- Authority
- JP
- Japan
- Prior art keywords
- principal component
- category
- feature
- similarity
- dictionary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Landscapes
- Character Discrimination (AREA)
- Image Analysis (AREA)
Description
【０００１】
【産業上の利用分野】この発明は、特徴量をファジィ集
合として扱い、特徴量空間において、入力された未知パ
ターンを予め与えられた幾つかの既知パターンの何れか
に識別するファジィパターン認識方法に関する。
合として扱い、特徴量空間において、入力された未知パ
ターンを予め与えられた幾つかの既知パターンの何れか
に識別するファジィパターン認識方法に関する。
【０００２】
【従来の技術】文字などのパターン認識の処理は通常図
１２のような手順で行われる。イメージスキャナなどに
よって入力された文書などの画像は、前処理として先ず
領域分割された後、文字領域とそれ以外の領域に分けら
れる。文字領域に対しては行切り出し、文字切り出しと
いう順序で１文字１文字が抽出される。
１２のような手順で行われる。イメージスキャナなどに
よって入力された文書などの画像は、前処理として先ず
領域分割された後、文字領域とそれ以外の領域に分けら
れる。文字領域に対しては行切り出し、文字切り出しと
いう順序で１文字１文字が抽出される。
【０００３】特徴抽出処理としては、１文字毎に抽出さ
れた文字の平滑化、正規化などの処理のあと、識別に必
要な特徴量が抽出される。この特徴抽出処理は文字識別
能力に大きく作用する部分であり、最も重要な部分であ
ると言えるが、理論的な研究は殆ど進んでおらず、各々
の研究者の直観や経験に頼ることが多い。即ち通常は、
特徴の探索は発見的に行われ、その有効性は実験的に検
証される。例えば交差特徴、交差距離特徴、射影側面特
徴、幾何・位相的特徴あるいは構造解析法など種々の特
徴抽出方法がある。一般的には標準的な文字について抽
出された特徴量が辞書データとして記憶される。
れた文字の平滑化、正規化などの処理のあと、識別に必
要な特徴量が抽出される。この特徴抽出処理は文字識別
能力に大きく作用する部分であり、最も重要な部分であ
ると言えるが、理論的な研究は殆ど進んでおらず、各々
の研究者の直観や経験に頼ることが多い。即ち通常は、
特徴の探索は発見的に行われ、その有効性は実験的に検
証される。例えば交差特徴、交差距離特徴、射影側面特
徴、幾何・位相的特徴あるいは構造解析法など種々の特
徴抽出方法がある。一般的には標準的な文字について抽
出された特徴量が辞書データとして記憶される。
【０００４】識別処理では、認識すべき文字パターンの
特徴量について特徴空間においてそれぞれの辞書データ
との距離・類似度が求められ、最も近いカテゴリが識別
される。この代表的な手法としては、ユークリッド距
離、マハラノビス距離、ベイズ識別、複合類似度などの
距離・類似度識別方法がある。
特徴量について特徴空間においてそれぞれの辞書データ
との距離・類似度が求められ、最も近いカテゴリが識別
される。この代表的な手法としては、ユークリッド距
離、マハラノビス距離、ベイズ識別、複合類似度などの
距離・類似度識別方法がある。
【０００５】後処理では、認識処理によってリジエクト
された文字や、認識は一応されたが類似度の低かった文
字などに対して、前後の認識結果を見て単語情報や文法
処理により、その文字が決定される。
された文字や、認識は一応されたが類似度の低かった文
字などに対して、前後の認識結果を見て単語情報や文法
処理により、その文字が決定される。
【０００６】上述した一連のパターン認識における識別
処理では具体的に次のようにして処理が行われる。
処理では具体的に次のようにして処理が行われる。
【０００７】特徴量空間における識別手法の代表として
マハラノビス距離の定義式を次に示す。
マハラノビス距離の定義式を次に示す。
【０００８】
【数１】
【０００９】但し ｘ：未知パターンベクトル ｘi ：カテゴリｉの平均パターンベクトル i Φk ：カテゴリｉの第ｋ主成分の固有ベクトル i λk ：カテゴリｉの第ｋ主成分の固有値 このマハラノビス距離を用いた識別手法では、先ずそれ
ぞれのカテゴリについて多数の学習文字サンプルから共
分散行列を求めたあと、主成分分析を行う。そして各主
成分軸上で分散（固有値）を考慮しながら平均パターン
ベクトルからの距離を求め、全ての軸の距離の二乗和を
計算する。そしてこの距離が最も近い辞書パターンを認
識結果とする。
ぞれのカテゴリについて多数の学習文字サンプルから共
分散行列を求めたあと、主成分分析を行う。そして各主
成分軸上で分散（固有値）を考慮しながら平均パターン
ベクトルからの距離を求め、全ての軸の距離の二乗和を
計算する。そしてこの距離が最も近い辞書パターンを認
識結果とする。
【００１０】このように、マハラノビス距離ｄi （ｘ）
が最小となるカテゴリに分類するということは、例えば
図９に示すように、各主成分の特徴量の頻度分布を図１
０のような正規分布と見做して正規分布上での確率密度
最大のカテゴリに分類することに他ならない。
が最小となるカテゴリに分類するということは、例えば
図９に示すように、各主成分の特徴量の頻度分布を図１
０のような正規分布と見做して正規分布上での確率密度
最大のカテゴリに分類することに他ならない。
【００１１】また、二次元の特徴量空間では等類似度線
は図１１のように画一的な楕円形状となる。ここで長軸
が第１主成分軸、短軸が第２主成分軸である。
は図１１のように画一的な楕円形状となる。ここで長軸
が第１主成分軸、短軸が第２主成分軸である。
【００１２】
【発明が解決しようとする課題】ところが、上述した統
計的識別手法には２つの問題点がある。先ず第１の問題
点は、サンプルデータは各主成分軸上で特徴量の出現頻
度が必ずしも正規分布を成さない、ということである。
その結果、正規分布の式を用いた確率密度関数がサンプ
ルデータの出現確率に一致しないので、理論上では誤認
識が最も少なくなるように識別したとしても実際にはそ
うならない。第２の問題点は、各主成分の特徴量出現確
率と人間の識別基準とが一致しない、ということであ
る。すなわち例えば文字認識では筆記文字の変形分布
と、人間の識別可能な文字の概念的分布とが異なるとい
うことである。例えば同じカテゴリ（字種）について、
幾つかの主成分についてマハラノビス距離の異なる複数
のサンプル文字を配列した際、マハラノビス距離と人間
の感じる類似度とはかなり異なっていることが分かる。
計的識別手法には２つの問題点がある。先ず第１の問題
点は、サンプルデータは各主成分軸上で特徴量の出現頻
度が必ずしも正規分布を成さない、ということである。
その結果、正規分布の式を用いた確率密度関数がサンプ
ルデータの出現確率に一致しないので、理論上では誤認
識が最も少なくなるように識別したとしても実際にはそ
うならない。第２の問題点は、各主成分の特徴量出現確
率と人間の識別基準とが一致しない、ということであ
る。すなわち例えば文字認識では筆記文字の変形分布
と、人間の識別可能な文字の概念的分布とが異なるとい
うことである。例えば同じカテゴリ（字種）について、
幾つかの主成分についてマハラノビス距離の異なる複数
のサンプル文字を配列した際、マハラノビス距離と人間
の感じる類似度とはかなり異なっていることが分かる。
【００１３】この発明の目的は、各主成分軸上で辞書デ
ータとの類似度を求める時に、正規分布の式を用いるの
ではなく、人間の主観を反映したメンバシップ関数を用
いることにより、上述の問題を解消したファジィパター
ン認識方法を提供することにある。
ータとの類似度を求める時に、正規分布の式を用いるの
ではなく、人間の主観を反映したメンバシップ関数を用
いることにより、上述の問題を解消したファジィパター
ン認識方法を提供することにある。
【００１４】
【課題を解決するための手段】この発明のファジィパタ
ーン認識方法は、辞書作成の際、カテゴリ毎にそれぞれ
複数の学習サンプルデータの特徴ベクトルを抽出した
後、主成分分析し、平均パターンベクトルと各主成分の
固有ベクトルを主成分辞書データとして求めるととも
に、各主成分軸上の特徴量を入力変数、類似度を出力変
数とするメンバシップ関数をメンバシップ関数辞書デー
タとして求め、認識の際、未知パターンの特徴ベクトル
を抽出した後、各カテゴリ毎に前記主成分辞書データに
基づき主成分展開するとともに、前記メンバシップ関数
辞書データから各主成分の特徴量に対するメンバシップ
値を求め、カテゴリ毎に求めた各主成分のメンバシップ
値から類似度最大のカテゴリを判定することを特徴とす
る。
ーン認識方法は、辞書作成の際、カテゴリ毎にそれぞれ
複数の学習サンプルデータの特徴ベクトルを抽出した
後、主成分分析し、平均パターンベクトルと各主成分の
固有ベクトルを主成分辞書データとして求めるととも
に、各主成分軸上の特徴量を入力変数、類似度を出力変
数とするメンバシップ関数をメンバシップ関数辞書デー
タとして求め、認識の際、未知パターンの特徴ベクトル
を抽出した後、各カテゴリ毎に前記主成分辞書データに
基づき主成分展開するとともに、前記メンバシップ関数
辞書データから各主成分の特徴量に対するメンバシップ
値を求め、カテゴリ毎に求めた各主成分のメンバシップ
値から類似度最大のカテゴリを判定することを特徴とす
る。
【００１５】
【作用】ここで各カテゴリとの類似度は次式で表すこと
ができる。
ができる。
【００１６】
【数２】
【００１７】ただし ｉｕｋ＝（ｘ−ｘｉ）ｉΦｋ ｉμｋ（ ）： 人間の主観から求めた、カテゴリｉの
第ｋ主成分軸上のメンバシップ関数 この発明のファジィパターン認識方法では、辞書データ
作成の際、カテゴリ毎にそれぞれ複数の学習サンプルデ
ータの特徴ベクトルｘが抽出された後、主成分分析さ
れ、平均パターンベクトル ｘｉと各主成分の固有ベク
トルｉΦｋ が主成分辞書データとして求められる。ま
た、各主成分軸上の特徴量 ｉｕｋ を入力変数、類似
度を出力変数とするメンバシップ関数がメンバシップ関
数辞書データとして作成される。例えば「ア」というカ
テゴリに属する複数の学習サンプルデータからそれぞれ
ｎ次元の特徴ベクトルｘが求められ、共分散行列が求め
られたあと主成分分析され、例えば図６に示すように各
主成分軸上の特徴量毎に標準的な「ア」からの類似度が
メンバシップ関数として求められる。
第ｋ主成分軸上のメンバシップ関数 この発明のファジィパターン認識方法では、辞書データ
作成の際、カテゴリ毎にそれぞれ複数の学習サンプルデ
ータの特徴ベクトルｘが抽出された後、主成分分析さ
れ、平均パターンベクトル ｘｉと各主成分の固有ベク
トルｉΦｋ が主成分辞書データとして求められる。ま
た、各主成分軸上の特徴量 ｉｕｋ を入力変数、類似
度を出力変数とするメンバシップ関数がメンバシップ関
数辞書データとして作成される。例えば「ア」というカ
テゴリに属する複数の学習サンプルデータからそれぞれ
ｎ次元の特徴ベクトルｘが求められ、共分散行列が求め
られたあと主成分分析され、例えば図６に示すように各
主成分軸上の特徴量毎に標準的な「ア」からの類似度が
メンバシップ関数として求められる。
【００１８】認識の際には未知パターンからｎ次元の特
徴ベクトルｘ求められ、平均パターンベクトルｘi と各
主成分の固有ベクトル iΦk に基づき主成分展開され、
すなわち差ベクトル（ｘ−ｘi ）と固有ベクトル iΦk
との内積をとることによって第ｋ主成分の特徴量 iｕk
が求められ、更にメンバシップ関数辞書データに基づき
各主成分の特徴量に対するメンバシップ値が求められ
る。そしてカテゴリ毎に求められた各主成分のメンバシ
ップ値から最も類似するカテゴリが認識結果として識別
される。
徴ベクトルｘ求められ、平均パターンベクトルｘi と各
主成分の固有ベクトル iΦk に基づき主成分展開され、
すなわち差ベクトル（ｘ−ｘi ）と固有ベクトル iΦk
との内積をとることによって第ｋ主成分の特徴量 iｕk
が求められ、更にメンバシップ関数辞書データに基づき
各主成分の特徴量に対するメンバシップ値が求められ
る。そしてカテゴリ毎に求められた各主成分のメンバシ
ップ値から最も類似するカテゴリが認識結果として識別
される。
【００１９】以上のように辞書データとして、複数の学
習サンプルデータから求めた各主成分軸上での特徴量に
対する類似度のメンバシップ関数を定めたことにより、
人間の主観を類似度に取り入れたファジィパターン認識
が可能となり、認識率を向上させることができる。
習サンプルデータから求めた各主成分軸上での特徴量に
対する類似度のメンバシップ関数を定めたことにより、
人間の主観を類似度に取り入れたファジィパターン認識
が可能となり、認識率を向上させることができる。
【００２０】ここで、ある主成分の特徴量に対する類似
度は例えば図７のように表すことができる。また、二次
元の特徴量空間における等類似度線は図８のようにな
る。従来の方法では等類似度線は画一的な楕円形状であ
ったが、ファジィを用いたこの発明の方法では人間の感
覚を反映してより、よりきめ細かく表現することが可能
となる。
度は例えば図７のように表すことができる。また、二次
元の特徴量空間における等類似度線は図８のようにな
る。従来の方法では等類似度線は画一的な楕円形状であ
ったが、ファジィを用いたこの発明の方法では人間の感
覚を反映してより、よりきめ細かく表現することが可能
となる。
【００２１】
【実施例】この発明のファジイパターン認識方法を適用
するパターン認識装置のブロック図を図１に示す。図１
において中央制御部１は、バスラインに接続される各種
処理部に対する各種データの入出力制御を行うことによ
って、この装置全体をファジィパターン認識装置として
機能させる。入力部２は例えばイメージスキャナやディ
ジタイザなどからなり、学習サンプルパターンおよび認
識すべきパターンを入力する。前処理部３は入力パター
ンを行切り出しおよび文字切り出しを行って１文字づつ
抽出し、また縦書き横書きの判定とともに傾きの補正な
どの各種前処理を行う。作業領域４は入力データの一時
記憶および各種データ処理時のワーキングエリアとして
用いられる。特徴抽出部５は、１文字ごとに抽出された
文字に対し平滑化、正規化などの処理を行った後、識別
に必要な多次元の特徴ベクトルを抽出する。特徴ベクト
ルとしては既に述べたように各種の手法を採択する。そ
して、辞書作成時には各カテゴリ毎に学習サンプルデー
タについて求めた各特徴ベクトルから共分散行列を求め
たあと主成分分析を行い、ｘｉと ｉΦｋ を主成分辞
書６へ登録する。主成分辞書６は図２に示すように各カ
テゴリ毎に平均パターンベクトルｘｉと固有ベクトル
ｉΦｋ を記憶する。主成分展開部７は認識時に文字の
特徴ベクトルに対し、主成分辞書のデータｘｉ，ｉΦｋ
に基づいて特徴量ｉｕｋを求める。メンバシップ関数
辞書８は、図６に示したように、各カテゴリ毎に各主成
分の特徴量に対する類似度との関係を例えば図３に示す
ように各カテゴリの各主成分毎に記憶する。メンバシッ
プ値算出部９はメンバシップ関数辞書８を参照して各カ
テゴリ毎の各主成分毎にメンバシップ値（類似度）を求
める。類似度算出部１０は〔数２〕に示したように各主
成分について求めたメンバシップ値を掛け合わせてカテ
ゴリ毎の類似度Ｆｉ（ｘ）を求める。判定部１１は求め
られた類似度のうち最大値すなわち最も類似するカテゴ
リを判定する。出力部１２はその判定結果を認識結果と
して出力する。
するパターン認識装置のブロック図を図１に示す。図１
において中央制御部１は、バスラインに接続される各種
処理部に対する各種データの入出力制御を行うことによ
って、この装置全体をファジィパターン認識装置として
機能させる。入力部２は例えばイメージスキャナやディ
ジタイザなどからなり、学習サンプルパターンおよび認
識すべきパターンを入力する。前処理部３は入力パター
ンを行切り出しおよび文字切り出しを行って１文字づつ
抽出し、また縦書き横書きの判定とともに傾きの補正な
どの各種前処理を行う。作業領域４は入力データの一時
記憶および各種データ処理時のワーキングエリアとして
用いられる。特徴抽出部５は、１文字ごとに抽出された
文字に対し平滑化、正規化などの処理を行った後、識別
に必要な多次元の特徴ベクトルを抽出する。特徴ベクト
ルとしては既に述べたように各種の手法を採択する。そ
して、辞書作成時には各カテゴリ毎に学習サンプルデー
タについて求めた各特徴ベクトルから共分散行列を求め
たあと主成分分析を行い、ｘｉと ｉΦｋ を主成分辞
書６へ登録する。主成分辞書６は図２に示すように各カ
テゴリ毎に平均パターンベクトルｘｉと固有ベクトル
ｉΦｋ を記憶する。主成分展開部７は認識時に文字の
特徴ベクトルに対し、主成分辞書のデータｘｉ，ｉΦｋ
に基づいて特徴量ｉｕｋを求める。メンバシップ関数
辞書８は、図６に示したように、各カテゴリ毎に各主成
分の特徴量に対する類似度との関係を例えば図３に示す
ように各カテゴリの各主成分毎に記憶する。メンバシッ
プ値算出部９はメンバシップ関数辞書８を参照して各カ
テゴリ毎の各主成分毎にメンバシップ値（類似度）を求
める。類似度算出部１０は〔数２〕に示したように各主
成分について求めたメンバシップ値を掛け合わせてカテ
ゴリ毎の類似度Ｆｉ（ｘ）を求める。判定部１１は求め
られた類似度のうち最大値すなわち最も類似するカテゴ
リを判定する。出力部１２はその判定結果を認識結果と
して出力する。
【００２２】次に、装置全体の処理手順をフローチャー
トとして図４および図５に示す。
トとして図４および図５に示す。
【００２３】図４は辞書データ作成時の処理手順であ
り、先ずカテゴリ番号を表す変数ｉに初期値０を設定
し、学習サンプルデータの番号を示す変数ｊに初期値１
を設定する（ｎ１→ｎ２）。続いて学習サンプルデータ
を入力し、前処理を行うとともにｎ次元の特徴ベクトル
を抽出し、これを一時記憶する（ｎ３→ｎ４）。このス
テップｎ３，ｎ４の処理を同一カテゴリ（例えば
「ア」）における全ての学習サンプルデータについて繰
り返し行う（ｎ５→ｎ６→ｎ３・・・）。１つのカテゴ
リについて全ての学習サンプルデータの特徴ベクトルを
抽出したなら、同様にして次のカテゴリ（例えば
「イ」）について同様に全ての学習サンプルデータにつ
いて特徴ベクトルを抽出する（ｎ７→ｎ８→ｎ２→ｎ３
・・・・）。全てのカテゴリについて同様の処理を行っ
た後、カテゴリ番号ｉに初期値０を設定し、順番にカテ
ゴリｉについて各主成分の平均パターンベクトルｘi を
算出し、これを主成分辞書６へ登録する（ｎ９→ｎ１
０）。続いてカテゴリｉについて第１主成分から第ｎ主
成分について共分散行列を求めたあと主成分分析を行
い、固有ベクトル iΦK を算出しこれを主成分辞書６へ
登録する（ｎ１１）。その後、図６に示したように、あ
る主成分につき特徴量を入力変数、類似度を出力変数と
するメンバシップ関数を全ての主成分について定め、こ
れをメンバシップ関数辞書８へ登録する（ｎ１２）。こ
のメンバシップ関数の定めかたとしては、各特徴量に対
するメンバシップ値を１対１の関係で全て外部から設定
するか、メンバシップ関数の形を簡単なデータで表した
ものを外部から入力する方法が考えられる。上記ステッ
プｎ１０〜ｎ１２の処理を全てのカテゴリについて同様
にして行う（ｎ１３→ｎ１４→ｎ１０・・・）。これに
より主成分辞書６およびメンバシップ関数辞書８に対す
る辞書データの登録が完了する。
り、先ずカテゴリ番号を表す変数ｉに初期値０を設定
し、学習サンプルデータの番号を示す変数ｊに初期値１
を設定する（ｎ１→ｎ２）。続いて学習サンプルデータ
を入力し、前処理を行うとともにｎ次元の特徴ベクトル
を抽出し、これを一時記憶する（ｎ３→ｎ４）。このス
テップｎ３，ｎ４の処理を同一カテゴリ（例えば
「ア」）における全ての学習サンプルデータについて繰
り返し行う（ｎ５→ｎ６→ｎ３・・・）。１つのカテゴ
リについて全ての学習サンプルデータの特徴ベクトルを
抽出したなら、同様にして次のカテゴリ（例えば
「イ」）について同様に全ての学習サンプルデータにつ
いて特徴ベクトルを抽出する（ｎ７→ｎ８→ｎ２→ｎ３
・・・・）。全てのカテゴリについて同様の処理を行っ
た後、カテゴリ番号ｉに初期値０を設定し、順番にカテ
ゴリｉについて各主成分の平均パターンベクトルｘi を
算出し、これを主成分辞書６へ登録する（ｎ９→ｎ１
０）。続いてカテゴリｉについて第１主成分から第ｎ主
成分について共分散行列を求めたあと主成分分析を行
い、固有ベクトル iΦK を算出しこれを主成分辞書６へ
登録する（ｎ１１）。その後、図６に示したように、あ
る主成分につき特徴量を入力変数、類似度を出力変数と
するメンバシップ関数を全ての主成分について定め、こ
れをメンバシップ関数辞書８へ登録する（ｎ１２）。こ
のメンバシップ関数の定めかたとしては、各特徴量に対
するメンバシップ値を１対１の関係で全て外部から設定
するか、メンバシップ関数の形を簡単なデータで表した
ものを外部から入力する方法が考えられる。上記ステッ
プｎ１０〜ｎ１２の処理を全てのカテゴリについて同様
にして行う（ｎ１３→ｎ１４→ｎ１０・・・）。これに
より主成分辞書６およびメンバシップ関数辞書８に対す
る辞書データの登録が完了する。
【００２４】図５は認識の際の処理手順であり、先ず未
知の文字を入力し、ｎ次元の特徴ベクトルｘを求める
（ｎ２０→ｎ２１）。続いてカテゴリ番号ｉに初期値０
を設定し、主成分辞書からｘi と iΦk を読み出して主
成分展開して各主成分軸上の特徴量を求める。すなわち
（ｘ−ｘi ） iΦk の演算を行う（ｎ２２→ｎ２３）。
知の文字を入力し、ｎ次元の特徴ベクトルｘを求める
（ｎ２０→ｎ２１）。続いてカテゴリ番号ｉに初期値０
を設定し、主成分辞書からｘi と iΦk を読み出して主
成分展開して各主成分軸上の特徴量を求める。すなわち
（ｘ−ｘi ） iΦk の演算を行う（ｎ２２→ｎ２３）。
【００２５】そして各主成分毎に特徴量に対する類似度
のメンバシップ値をメンバシップ関数辞書８を用いて算
出する（ｎ２４）。そして全ての主成分毎のメンバシッ
プ値を掛け合わせてカテゴリｉの類似度Ｆi （ｘ）を算
出する（ｎ２５）。ステップｎ２３〜ｎ２５の処理を全
てのカテゴリについて行う（ｎ２６→ｎ２７→ｎ２３・
・・・）。その後、類似度が最大であるカテゴリを識別
し、これを出力する（ｎ２８）。
のメンバシップ値をメンバシップ関数辞書８を用いて算
出する（ｎ２４）。そして全ての主成分毎のメンバシッ
プ値を掛け合わせてカテゴリｉの類似度Ｆi （ｘ）を算
出する（ｎ２５）。ステップｎ２３〜ｎ２５の処理を全
てのカテゴリについて行う（ｎ２６→ｎ２７→ｎ２３・
・・・）。その後、類似度が最大であるカテゴリを識別
し、これを出力する（ｎ２８）。
【００２６】
【発明の効果】この発明によれば、特徴量空間において
パターン認識を行う際、各カテゴリの各主成分軸上のメ
ンバシップ関数を辞書データとして用い、未知パターン
の各主成分のメンバシップ値から類似度を求めるように
したことにより、上記メンバシップ関数を予め人間の主
観に対応して定めておくことによって、人間の感覚に適
応した精度の高いパターン認識が可能となる。
パターン認識を行う際、各カテゴリの各主成分軸上のメ
ンバシップ関数を辞書データとして用い、未知パターン
の各主成分のメンバシップ値から類似度を求めるように
したことにより、上記メンバシップ関数を予め人間の主
観に対応して定めておくことによって、人間の感覚に適
応した精度の高いパターン認識が可能となる。
【図１】実施例に係るファジィパターン認識装置のブロ
ック図である。
ック図である。
【図２】主成分辞書の構成を示す図である。
【図３】メンバシップ関数辞書の構成を示す図である。
【図４】辞書データ作成時の処理手順を表すフローチャ
ートである。
ートである。
【図５】認識時の処理手順を表すフローチャートであ
る。
る。
【図６】あるカテゴリのある主成分軸におけるメンバシ
ップ関数の例を示す図である。
ップ関数の例を示す図である。
【図７】あるカテゴリのある主成分軸における特徴量に
対する類似度を人間の主観で表した図である。
対する類似度を人間の主観で表した図である。
【図８】二次元の特徴量について人間の主観で定めた等
類似度線の例を示す図である。
類似度線の例を示す図である。
【図９】あるカテゴリのある主成分軸における学習サン
プルデータの頻度分布図である。
プルデータの頻度分布図である。
【図１０】従来の統計的手法によるある主成分軸上での
理論的な類似度の頻度分布を示す図である。
理論的な類似度の頻度分布を示す図である。
【図１１】従来の統計的手法による二次元における理論
的な等類似度線を示す図である。
的な等類似度線を示す図である。
【図１２】一般的なパターン認識の処理の流れを示す図
である。
である。
Claims (1)
- 【請求項１】 辞書作成の際、カテゴリ毎にそれぞれ複
数の学習サンプルデータの特徴ベクトルを抽出した後、
主成分分析し、平均パターンベクトルと各主成分の固有
ベクトルを主成分辞書データとして求めるとともに、各
主成分軸上の特徴量を入力変数、類似度を出力変数とす
るメンバシップ関数をメンバシップ関数辞書データとし
て求め、 認識の際、未知パターンの特徴ベクトルを抽出した後、
各カテゴリ毎に前記主成分辞書データに基づき主成分展
開して各主成分の特徴量を求めるとともに、前記メンバ
シップ関数辞書データから各主成分の特徴量に対するメ
ンバシップ値を求め、カテゴリ毎に各主成分のメンバシ
ップ値の積を類似度として求め、該類似度が最大となる
カテゴリを判定することを特徴とするファジイパターン
認識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3046808A JP2590414B2 (ja) | 1991-03-12 | 1991-03-12 | ファジィパターン認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3046808A JP2590414B2 (ja) | 1991-03-12 | 1991-03-12 | ファジィパターン認識方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH05114051A JPH05114051A (ja) | 1993-05-07 |
| JP2590414B2 true JP2590414B2 (ja) | 1997-03-12 |
Family
ID=12757634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3046808A Expired - Lifetime JP2590414B2 (ja) | 1991-03-12 | 1991-03-12 | ファジィパターン認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2590414B2 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1005694B1 (de) * | 1997-08-21 | 2001-10-31 | Siemens Aktiengesellschaft | Verfahren zur bestimmung eines repräsentanten für einen sprachbaustein einer sprache aus einem lautabschnitte umfassenden sprachsignal |
| JP2002099916A (ja) * | 2000-09-25 | 2002-04-05 | Olympus Optical Co Ltd | パターン分類方法及びその装置、コンピュータにより読み取り可能な記憶媒体 |
| JP5268563B2 (ja) * | 2008-10-29 | 2013-08-21 | 日立コンピュータ機器株式会社 | 文字認識装置、及び、認識辞書生成装置 |
| CN103971133B (zh) * | 2014-04-13 | 2017-06-09 | 北京工业大学 | 基于案例推理的钢板表面缺陷的自动识别方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS56105586A (en) * | 1980-01-28 | 1981-08-22 | Toshiba Corp | Pattern identifying device |
| JP2507308B2 (ja) * | 1985-11-13 | 1996-06-12 | 株式会社東芝 | パタ−ン認識学習方式 |
| JPH01321591A (ja) * | 1988-06-23 | 1989-12-27 | Nec Corp | 文字認識装置 |
| JP2853168B2 (ja) * | 1989-05-31 | 1999-02-03 | 株式会社明電舎 | パターン認識装置 |
-
1991
- 1991-03-12 JP JP3046808A patent/JP2590414B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH05114051A (ja) | 1993-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2815045B2 (ja) | 画像特徴抽出装置，画像特徴解析装置，および画像照合システム | |
| JP4989308B2 (ja) | 画像処理装置及び画像検索方法 | |
| JP2750057B2 (ja) | 自動手書き文字認識に対する統計的混合手法 | |
| Keysers et al. | Adaptation in statistical pattern recognition using tangent vectors | |
| US11704487B2 (en) | System and method for fashion attributes extraction | |
| KR19990010210A (ko) | 대용량 패턴 정합 장치 및 방법 | |
| US5920644A (en) | Apparatus and method of recognizing pattern through feature selection by projecting feature vector on partial eigenspace | |
| JPH11203415A (ja) | 類似パターンカテゴリ識別辞書作成装置および方法 | |
| Mwaura et al. | Multimodal biometric system:-fusion of face and fingerprint biometrics at match score fusion level | |
| JP2590414B2 (ja) | ファジィパターン認識方法 | |
| JP3537949B2 (ja) | パターン認識装置及び同装置における辞書修正方法 | |
| CN113762005A (zh) | 特征选择模型的训练、对象分类方法、装置、设备及介质 | |
| Sucharta et al. | A survey on various pattern recognition methods for the identification of a Different types of images | |
| JP2556477B2 (ja) | パタン照合装置 | |
| JP2020177318A (ja) | 照合装置、学習装置、方法、及びプログラム | |
| JP3180792B2 (ja) | 文字認識装置、文字学習装置およびコンピュータ可読記録媒体 | |
| JPH06251156A (ja) | パターン認識装置 | |
| JP7174382B2 (ja) | 学習装置、照合装置、学習方法、照合方法及びプログラム | |
| KR20020074330A (ko) | 계층적 주요 성분 분석에 기반한 얼굴 인식 방법 및 장치 | |
| Ou et al. | Fingerprint classifier using embedded hidden Markov models | |
| JP3125432B2 (ja) | 手書き文字認識装置 | |
| JP3754118B2 (ja) | パターン認識装置及びパターン認識方法 | |
| JPH0540852A (ja) | パターン認識装置 | |
| JP3280577B2 (ja) | 文字認識装置 | |
| Tamamori et al. | Image recognition based on separable lattice trajectory 2-D HMMs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| EXPY | Cancellation because of completion of term |