JP2950023B2 - パターン認識辞書生成装置およびパターン認識装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、パターン認識辞書生成
装置とパターン認識装置に関し、特徴点の移動ベクトル
の系列を抽出して照合を行うパターン認識辞書生成装置
とパターン認識装置に関する。

【０００２】

【従来の技術】従来の画像パターンに関するパターン認
識法には、「電子情報通信ハンドブック、第１分冊、
ｐ．１１１７、第５部門、１．６ 文字イメージの認
識」に示されるようにパターン整合法と呼ばれる代表方
法がある。この方法では、入力された画像の各点におい
て、その点の画像の特徴を表す特徴量を抽出し、画像の
固定された一定間隔の点でサンプリングして、一列に並
べ特徴ベクトルとして表す。または、画像パターンを固
定した升目に区切り、各升目での特徴量の平均値等をも
とめ、それを一列に並べて特徴ベクトルとして表す。

【０００３】辞書の生成のためには、対応するカテゴリ
の特徴ベクトルを用いる。また、認識の際には、対応す
るカテゴリの特徴ベクトルを求め、それを元に辞書を生
成する。認識の際には、入力されたパターンから、辞書
生成時と同様の方法により特徴ベクトルを計算し、対応
するカテゴリの辞書特徴ベクトルと、入力されたパター
ンから得た特徴ベクトルとの類似度を計算する。最も大
きな類似度を与えた特徴ベクトルをもつカテゴリを認識
結果とする。

【０００４】

【発明が解決しようとする課題】画像パターンを認識す
る場合、入力されたパターンは標準的なパターンが幾何
的な変形をしたものとなっており、局所的な特徴は存在
するものの、その局所特徴の位置は元の位置からずれて
いる。図８に示す辞書に保持されるパターンでは、図形
の頂点は、サンプル点８０２と重なって、特徴抽出され
ている。しかし、認識対象となるパターンが図９に示す
ような場合、図８のカテゴリと同一カテゴリであるにも
関わらず、その図形の頂点は点９０６にあり、定間隔で
サンプルされた点９０１や点９０２ではその頂点の特徴
をサンプルすることはできない。そのため図９で示され
たパターンは正しく認識できないことがある。これは、
一定間隔でサンプルされた特徴はパターン内の絶対座標
でその特徴が表現されているために、パターンの幾何変
形にともなって起こる特徴の位置ズレに影響されずに認
識を実行することができない。

【０００５】しかし、図８での標準パターンの点８０６
の形状である屈曲の形状および点８０５のＴ字の形状
は、図９に示す入力パターンにおいても点９０６および
点９０５において検出できる。さらに、図９での点９０
６からの点９０５の相対位置は、図８での点８０６から
点８０５への相対位置とほぼ同じとなっている。本発明
の目的は、パターンの特徴をパターン内での絶対位置と
その点での特徴量で表現するのではなく、特徴的な点間
の相対位置とその点での特徴量で表現して、パターンの
幾何的な変形を吸収できないという従来のパターン認識
法の欠点を除去せしめ、入力されたパターン幾何変形が
大きい場合にも追従でき正しい認識を可能にするための
パターン認識辞書生成装置およびパターン認識装置を提
供することにある。

【０００６】

【課題を解決するための手段】第１の発明のパターン認
識辞書生成装置は、画像パターンから特徴量を求めて、
認識のための辞書を生成する装置において、画像の各点
での特徴量を計算して特徴マップを生成する手段と、そ
の特徴マップを記憶する手段と、特徴マップの中での評
価量の最大値をもつ点を選択する手段と、先に選択され
た点からの移動ベクトルを求める移動ベクトル生成手段
と、選択された点と、特徴マップ内での選択点の周辺の
点群の特徴量の評価量を抑制し、それら以外の１部の点
の評価量を強調して、次に選択されるべき点の位置を制
御する強調抑制制御手段と、生成され移動ベクトルの系
列と移動ベクトルでの移動先の点の特徴量の系列を記憶
する手段を備えることを特徴とする。

【０００７】第２の発明のパターン認識辞書生成装置
は、第１の発明において、強調抑制制御手段が、抑制ま
たは強調された点の特徴量の評価量を、その後の時間経
過に従って、抑制または強調される前の値に回復するこ
とを制御する機能を更に有することを特徴とする。

【０００８】第３の発明のパターン認識辞書生成装置
は、第２の発明において、ベクトル生成部において生成
される移動ベクトルの系列が巡回していることを検出し
て、巡回している移動ベクトル系列とそれに付随する特
徴量を出力する巡回検出手段を更に有することを特徴と
する。

【０００９】第４の発明のパターン認識装置は、第１ま
たは第２または第３の発明のパターン認識辞書生成装置
によって生成された辞書を用いてパターン認識を行う装
置において、起点となるパターン内の点から、辞書から
読み出され移動ベクトル分を移動した点の一定範囲内で
辞書から読み出された特徴量に最も近い点を検出する手
段と、選択された点と辞書との特徴量の差を累積して、
入力されたパターンが照合中の辞書のカテゴリと整合が
取れるかを判定する手段とを有することを特徴とする。

【００１０】第５の発明のパターン認識装置は、第１ま
たは第２または第３の発明のパターン認識辞書生成装置
によって生成された辞書を用いてパターン認識を行う装
置において、辞書を生成したときの移動ベクトルの系列
と特徴量の系列を求める手段と、生成された移動ベクト
ル特徴量の系列と、辞書として記憶されたあるカテゴリ
の移動ベクトルと特徴量の系列を順次照合して、その差
の累積が一定値以下ならば、入力パターンがそのカテゴ
リと整合がとれたと判定する手段とを有することを特徴
とする。

【００１１】

【作用】本発明では、画像パターンから各画素や画像パ
ターンのグリッド毎に特徴量を求め、その特徴量から特
徴マップを生成するとともに、その特徴量の各点での評
価値を求める。画像パターン内での位置（ｘ，ｙ）で、
特徴量の種類をｋとした場合に、各特徴各点での特徴量
をｆ（ｘ，ｙ，ｋ）とする。さらに、その特徴量から求
めた評価値をｇ（ｘ，ｙ，ｋｌ）とする。ここでｋｌは
特徴の種類の集合を指し、全特徴の集合Ｋの部分集合と
なる。

【００１２】例えば特徴の評価値はｋｌの分散で表現で
きるが、これは本発明において本質的な問題ではない。
分散出評価値を表す場合には、

【００１３】

【数１】

【００１４】となる。ただし、ここでｆ’（ｘ，ｙ，ｋ
ｌ）は特徴量ｆ（ｘ，ｙ，ｋ）の集合ｋｌの中での平均
値を表し、ｎはｋｌに属するｋの要素数を示す。

【００１５】Ｋが複数の部分集合ｋｌをもつと考えた場
合にも容易に拡張が可能であるが、説明の簡単化のため
に、特徴評価値を各パターン中の点毎に求めた全ての特
徴ｋから定めた場合について説明する。よって以降では
特徴ｋ（１以下Ｋ以下）に対する特徴量をＫ個の要素を
もつベクトルとして扱い、ｆ（ｘ，ｙ）とし、点（ｘ，
ｙ）での特徴集合の評価値をｇ（ｘ，ｙ）とする。

【００１６】評価値の大きいものほど、特徴的な点であ
るとして、順にパターン中から選択する。それらの選択
された点間のパターン中での移動ベクトルを、点間の相
対位置として表現する。これは、２次元以上のパターン
を特徴的な要素から順に選択することにより、１次元の
系列パターンに変換している。

【００１７】第１の発明では、直前に選択された特徴点
の近隣の評価値ｇ（ｘ，ｙ）を抑制することにより、近
くに存在する特徴点を１つより多く選択しないようにし
ている。また、抑制された場所より少し広い範囲で、特
徴の評価値ｇ（ｘ，ｙ）を強調することにより、次に選
択される特徴点が、余り遠くに選択されることなく、近
くにある特徴点を結んだ形で選択される。強調を行わな
い場合も、この方法の１つの例であり、この場合には次
に選択される特徴点の位置を制約しない。

【００１８】この抑制と強調は、図６や図７に示すよう
な、その強調抑制の程度を表したフィルタ関数として実
現される。フィルタ関数をｈ（ｘ，ｙ）とし、直前ステ
ップｔでの特徴の評価値をｇ’（ｘ，ｙ，ｔ）とし、そ
の時刻で選択された特徴点を（ｘ（ｔ），ｙ（ｔ））と
すると、ｔ＋１時刻での評価値は ｇ’（ｘ，ｙ，ｔ＋１）＝ｇ’（ｘ，ｙ，ｔ）・ｈ（ｘ−ｘ（ｔ），ｙ−ｙ（ｔ ）） （式２） で計算される。

【００１９】さらに、ｇ’（ｘ，ｙ，ｔ＋１）から最大
値を選択し、その最大値をもつ点（ｘ（ｔ＋１），ｙ
（ｔ＋１））を次の特徴点とし、時刻ｔでの特徴点と時
刻ｔ＋１での特徴点間の移動ベクトル（ｘ（ｔ＋１）−
ｘ（ｔ），ｙ（ｔ＋１）−ｙ（ｔ））と、（ｘ（ｔ＋
１），ｙ（ｔ＋１））での特徴ベクトルｆ（ｘ（ｔ＋
１），ｙ（ｔ＋１））を認識用の辞書の１部として出力
する。

【００２０】以上の特徴点位置の選択、移動ベクトルお
よび特徴点での特徴ベクトルの出力を一定回数繰り返す
ことにより、対象パターンの認識辞書を生成する。

【００２１】第２の発明では、第１の発明のパターン認
識辞書生成装置での初期の特徴ベクトルｆ（ｘ，ｙ）お
よぴその評価値ｇ（ｘ，ｙ）を求める部分は同様で、特
徴点（ｘ（ｔ），ｙ（ｔ））を選択する方法も同じであ
るが、評価値ｇ’を修正するときに強調抑制だけを用い
るのではなく、（式１）で求めた初期評価値ｇを用いて
回復項を付加することを特徴とする。つまり（式２）を ｇ’（ｘ，ｙ，ｔ＋１）＝ａ・ｇ’（ｘ，ｙ，ｔ）・ｈ（ｘ−ｘ（ｔ），ｙ−ｙ （ｔ））＋ｂ・ｇ（ｘ，ｙ） （式３） として用いる。ここで、ａ，ｂは回復を制御する係数を
表し、ｂは約（１／ｂ）ステップでｇ’が初期値ｇに回
復することを示すパラメータであり、ａは１に近い値で
（１−ｂ）程度が良い。特徴点の選択と、移動ベクトル
及び選択された特徴点での特徴ベクトルの出力とを一定
回数繰り返し、対象パターンの認識辞書を生成する。

【００２２】第３の発明では、第２の発明のパターン認
識辞書生成装置において生成された特徴ベクトルｆ’
（ｔ）と移動ベクトル（ｄｘ（ｔ），ｄｙ（ｔ））の系
列から巡回を検出して、予め定められた回数を繰り返し
て特徴点を選択するのではなく、巡回が検出された時点
で特徴点の選択を終了する。

【００２３】巡回の周期をｃと仮定して、近似しきい値
をδとして、現在を第ｔ’ステップとすると、全てのｃ
以下のｈに対して ｜ｆ’（ｔ’−ｈ）−ｆ’（ｔ’−ｃ−ｈ）｜＜δ （式４） が成り立つ場合に、周期ｃの巡回が検出されたものとし
て、辞書の生成処理を終了し、ｆ’（ｔ’）、（ｄｘ
（ｔ’），ｄｙ（ｔ’）），ｆ’（ｔ’−１），（ｄｘ
（ｔ’−１），ｄｙ（ｔ’−１））からｆ’（ｔ’−ｃ
＋１），（ｄｘ（ｔ’−ｃ＋１），ｄｙ（ｔ’−ｃ＋
１））まで、計ｃ個の特徴ベクトルと移動ベクトルの組
を認識辞書として出力する。一定回数の特徴点選択を行
った後にも、巡回が検出されなかった場合には、全ての
特徴点での特徴ベクトルと移動ベクトルを出力する。

【００２４】以上の第１、２、３の発明では、第ｉ番目
の代表パターンに対する辞書は、そのカテゴリ名Ｃｉと
特徴ベクトルと移動ベクトルの組数ｎｉと第１番目から
第ｎｉ番目までの特徴ベクトルｆ’（Ｃｉ、ｊ）と移動
ベクトル（ｄｘ（Ｃｉ、ｊ），ｄｙ（Ｃｉ、ｊ））であ
る。ただし、ｊは特徴点の番号で１以上ｎｉ以下であ
る。また、特徴ベクトルはＫ個の要素をもつベクトルと
して扱う。

【００２５】入力されたパターンと対象カテゴリＣｉと
の照合を行うことを第４、５の発明では目的とする。第
４の発明では、まず第１、２または３の発明のうちのい
づれかのパターン認識辞書生成装置で用いられた方法と
同じ方法により特徴抽出がなされ、入力パターンから特
徴マップｆ（ｘ，ｙ）が生成される。次に、認識辞書中
の第１番目の特徴ベクトルｆ’（Ｃｉ、ｌ）を選択し、
それと最も類似した特徴ベクトルを、特徴マップから選
択する。それをｆ（ｘｌ，ｙｌ）とする。類似度は、特
徴ベクトル間のユークリッド間のユークッド距離や単純
類似度で定義される。ユークリッド距離を用いた場合に
は、距離ｄは

【００２６】

【数２】

【００２７】となり、単純類似度を用いる場合には、

【００２８】

【数３】

【００２９】となる。ただし、ここで（Ａ，Ｂ）はベク
トルＡ，Ｂの内積を｜Ａ｜はベクトルＡのノルムを表
す。上記２つの類似度の例では、近いパターンほど小さ
い類似度を与え、いづれを用いても良い。つまり、認識
辞書中の第１番目の特徴ベクトルｆ’（Ｃｉ、ｌ）を選
択し、特徴マップｆ（ｘ，ｙ）の中から最小の類似度を
与える点（ｘｌ，ｙｌ）を選択し、その類似度を累積類
似度Ｄとして記憶する。

【００３０】次に、第２番目の移動ベクトル（ｄｘ（Ｃ
ｉ、２），ｄｙ（Ｃｉ、２））を取り出し、（ｘｌ，ｙ
ｌ）に加えて、次の特徴点（ｘ２’，ｙ２’）＝（ｘｌ
＋ｄｘ（Ｃｉ、２）、ｙｌ＋ｄｙ（Ｃｉ、２））を求め
る。さらに、第２番目の特徴ベクトルｆ’（Ｃｉ、２）
との類似特徴を（ｘ２’，ｙ２’）の周辺で探索する。
その最小の類似度を与える点を（ｘ２，ｙ２）とし、そ
の類似度を累積類似度Ｄに足し加える。第３番目、第４
番目と第ｎｉ番目まで、上記の最小類似度を与える特徴
点の探索を繰り返す。途中で累積類似度がしきい値を越
えた場合には、入力パターンは、対象のカテゴリに属さ
ないと判定し、第ｎｉ番目の特徴点までの累積類似度が
しきい値以下ならば、入力パターンは対象カテゴリに信
頼性１／Ｄで属すると判定する。また、第１番目の特徴
ベクトルｆ（Ｃｉ、ｌ）と類似の特徴点が入力パターン
から得られた特徴マップから複数得られた場合には、そ
れらの全てに対して、上記の処理を行う。第５の発明で
は、第１または２または３の発明のパターン認識辞書生
成装置のいづれかで生成された認識辞書を用いてパター
ンの認識をおこなう。また、認識辞書を生成する際に用
いた特徴抽出法により特徴マップｆ（ｘ，ｙ）を計算
し、さらに特徴点の生成法により特徴ベクトルと移動ベ
クトルの系列を生成し、それをｆ（ｋ）、（ｄｘ’
（ｋ），ｄｙ’（ｋ））とする。ここで、ｋはｌからＮ
までの自然数で、Ｎは入力パターンから検出された特徴
点数とする。

【００３１】つぎに、入力パターンから得られた特徴ベ
クトル、移動ベクトルと、辞書内のＣｉカテゴリの特徴
ベクトルと移動ベクトルとの照合法について説明する。

【００３２】入力パターンでの第１番目の特徴ベクトル
ｆ（ｌ）と辞書中の特徴ベクトルｆ’（Ｃｉ、ｋ）との
類似度ｄを求め、最小の類似度を与える第ｊ番目の点を
得る。類似度は累積類似度Ｄに代入する。

【００３３】次に、第２番目の入力特徴ベクトルｆ
（２）移動ベクトル（ｄｘ’（２），ｄｙ’（２））を
選択し、辞書中のｆ’（Ｃｉ、ｊ＋１）との類似度を
ｄ、移動ベクトル（ｄｘ（Ｃｉ、ｊ＋１）、ｄｙ（Ｃ
ｉ、ｊ＋１））との自乗誤差ｓとする。類似度ｄがしき
い値εより小さく、移動ベクトル誤差ｓ画しきい値ηよ
り小さい場合には、類似度ｄを累積類似度Ｄに足し加え
る。

【００３４】移動ベクトル誤差ｓがしきい値ηより大き
い場合には、ｊ＋１番目の移動ベクトルとｊ＋２番目の
移動ベクトルを加えたものを新たな移動ベクトルとし
て、（ｄｘ’（２），ｄｙ’（２））との誤差ｓを計算
し、辞書中の第ｊ＋２番目の特徴ベクトルｆ’（Ｃｉ、
ｊ＋２）と入力特徴ベクトルｆ（２）との類似度ｄを求
める。類似度ｄ、移動ベクトル誤差ｓをしきい値ε、η
とそれぞれ比較し、しきい値よりも小さいならば、累積
類似度Ｄに類似度ｄを足し加え、類似特徴ベクトル検出
数Ｅにｌを加える。もし、この条件が満足されないなら
ば、ｊ＋１，ｊ＋２、ｊ＋３と順に移動ベクトルを足し
加えた移動ベクトルと、その先の点での特徴ベクトルで
類似度ｄと移動ベクトル誤差ｓを計算し、それぞれがし
きい値ε、η以下であるか否かを判定する。Ｊ個の移動
ベクトルを足した後にも、類似度と移動ベクトル誤差の
いづれかがしきい値よりも大きい場合には、入力パター
ンの第２番目の特徴ベクトルは対象のカテゴリＣｉには
属さないと判定する。

【００３５】以上の手続を入力パターンの第３番目から
第Ｎ番目の特徴ベクトルと移動ベクトルに対して行い、
その類似度をＤに累積する。すべてのＮ個の特徴ベクト
ルに対して以上の処理を行った後に、累積類似度ＤをＮ
でを割った平均類似度Ｄ’と類似特徴ベクトル検出数Ｅ
をＮで割った類似特徴ベクトル検出率Ｅ’を求める。

【００３６】平均類似度とＤ’類似特徴ベクトル検出率
Ｅ’をそれぞれのしきい値と比較し、平均類似度Ｄ’が
しきい値Ｒよりも小さく、類似特徴ベクトル検出率Ｅ’
がしきい値Ｔよりも大きい場合には、入力パターンはカ
テゴリＣｉに属すると判定する。

【００３７】

【実施例】以下に、図面を用いて本発明のパターン認識
辞書生成装置とパターン認識装置の説明をする。図１
は、第１の発明のパターン認識辞書生成装置の構成を示
す。パターン入力部１０１から入力されたパターンは、
移動ベクトル特徴点生成部１１０でＮ個の移動ベクトル
とＮ個の特徴点での特徴ベクトルが生成され、移動ベク
トル特徴点記憶部１０６に記憶される。

【００３８】移動ベクトル特徴点生成部１１０の内部を
説明する。パターン入力部１０１から入力されたパター
ンは、特徴マップ生成部において特徴抽出される。入力
パターンをｍ×ｍ画素の画像パターンＩ（ｘ，ｙ）とす
る。ｘ，ｙとともに１以上ｍ以下の自然数である。特徴
マップ生成部１０２の働きをガボール特徴を抽出する場
合を例に説明する。ガボール特徴は、ガウスフィルタと
２次元の正弦波を畳み込んだフィルタであるガボールフ
ィルタを画像に畳み込むことによって抽出でき、方向と
スケールに依存した特徴を画像の各点毎に抽出する。ガ
ボールフィルタは、 Ｇ（ｘ，ｙ，ｕ，ｐ）＝ｅｘｐ（ｉｕ（ｃｏｓ（ｐ），ｓｉｎ（ｐ））・（ｘ， ｙ））ｅｘｐ（−ｕ² ｜（ｘ，ｙ）｜² ／２ｖ² ）／ｑ （ 式７） ここではｉは虚数単位であり、ｑは正規化係数である。
ｖはガウスフィルタの分散を表す係数であり、ここでは
πに設定したが、この値は本質的なものではない。ま
た、ｕは２次元正弦波の周波数を表すパラメータであ
り、ｐは２次元正弦波が伝播する方向を示すパラメータ
である。実施例では、ｕを２種類の１６π／ｍと３２π
／ｍとするが、これは本質的な問題ではなく、抽出した
い特徴のスケールに合わせて設定すれば良い。また、単
一スケールや３以上複数のスケールを用いてもよく、そ
の際には特徴マップでの各点のもつ特徴ベクトルの次元
数が変化する。また、この実施例では方向ｐを８方向で
表し、０からπ／８ごとに８種類の方向取るものとす
る。これの同様に本質的な問題ではなく、任意に方向を
定めて特徴を抽出できる。以上に示したガボールフィル
タを以下の式によって入力画像に畳み込み特徴抽出を行
う。

【００３９】

【数４】

【００４０】この実施例では、２種類のスケールと８種
類の方向との特徴を用いているので、各点（ｘ’，
ｙ’）での特徴ベクトルの次元数は１６となる。さらに
ｆ（ｘ’，ｙ’，ｕ，ｐ）のｕ，ｐに関する分散を（式
１）にしたがって求め、点（ｘ’，ｙ’）の評価値ｇ
（ｘ，ｙ）とする。ここでは、（式１）のｎは１６であ
り、特徴の種類を表すｋは（ｕ，ｐ）で表される１６種
類のスケールと方向の組である。ｋ１は１種類でここで
は無視する。

【００４１】特徴マップ生成部１０２で生成された特徴
ベクトルｆ（ｘ’，ｙ’，ｕ，ｐ）と評価値ｇ（ｘ’，
ｙ’）は特徴マップ記憶部１０３に転送され、そのコピ
ーｇ’（ｘ’，ｙ’、０）が記憶される。さらに、ｇ’
（ｘ，ｙ，０）は特徴点選択部１０４に転送され、その
最大値をもつ点（ｘ（１），ｙ（１））が選択される。
その点の座標（ｘ（ｔ），ｙ（ｔ））（ｔ＝１）と特徴
ベクトルｆ（ｘ（ｔ），ｙ（ｔ），ｕ，ｐ）（ｔ＝１）
は移動ベクトル１０５に転送される。

【００４２】また、選択された特徴点（ｘ（ｔ），ｙ
（ｔ））は強調抑制制御部１０７に転送される。

【００４３】強制抑制制御部１０７では、受け取った特
徴点（ｘ（ｔ），ｙ（ｔ））を中心として（式２）にし
たがって強調抑制フィルタを施す。ここでは、強調抑制
フィルタとして、以下の式で定義される図６のようなフ
ィルタを用いたが、これは本質的な問題ではなく、どの
ような形状のフィルタでも良い。 ｈ（ｘ，ｙ）＝（１−ａ＋ａ・ｅｘｐ（Ａ｜（ｘ，ｙ）｜² ））（１−ｂ・ｅｘ ｐ（Ｂ｜（ｘ，ｙ）｜² ）） （式９） ここでは、ａ＝０．７、ｂ＝１，Ａ＝ｍ／２，Ｂ＝ｍ／
８とした。

【００４４】フィルタリング結果のｇ’（ｘ，ｙ，ｔ＋
１）からも、上述特徴点選択、強調抑制を行い順次、特
徴ベクトルｆ（ｘ（ｔ），ｙ（ｔ），ｕ，ｐ）と特徴点
座標（ｘ（ｔ），ｙ（ｔ））を移動ベクトル生成部１０
５に転送する。

【００４５】移動ベクトル生成部１０５では、引き続く
２つ特徴点座標（ｘ（ｔ），ｙ（ｔ））と（ｘ（ｔ−
１），ｙ（ｔ−１））から移動ベクトル（ｄｘ（ｔ），
ｄｙ（ｔ））を以下の式で求める。 （ｄｘ（ｔ），ｄｙ（ｔ））＝（ｘ（ｔ），ｙ（ｔ））−（ｘ（ｔ−１），ｙ（ ｔ−１）） （式１０） 生成された移動ベクトル（ｄｘ（ｔ），ｄｙ（ｔ））と
その先の特徴点での特徴ベクトルｆ（ｘ（ｔ），ｙ
（ｔ），ｕ，ｐ）が移動ベクトル特徴点記憶部１０６に
転送され、順次蓄積され認識辞書として記憶される。最
終的に入力されたパターンのカテゴリ名Ｃｉと記憶され
た移動ベクトル数及び特徴点数ｎｉも記憶される。

【００４６】次に図２を用いて第２のパターン認識辞書
生成装置の実施例を説明する。パターン入力部１０１か
ら入力されたパターンは、移動ベクトル特徴点生成部２
１０でＮ個の移動ベクトルとＮ個の特徴点での特徴ベク
トルが生成され、移動ベクトル特徴点記憶部１０６に記
憶される。

【００４７】移動ベクトル特徴点生成部２１０の内部を
説明する。パターン入力部１０１から入力されたパター
ンは、（式８）にしたがって特徴マップ生成部１０２に
おいて特徴抽出される。さらにｆ（ｘ’，ｙ’，ｕ，
ｐ）のｕ，ｐに関する分散を（式１）にしたがって求
め、点（ｘ’，ｙ’）の評価値ｇ（ｘ，ｙ）とする。

【００４８】特徴マップ生成部１０２で生成された特徴
ベクトルｆ（ｘ’，ｙ’，ｕ，ｐ）と評価値ｇ（ｘ’，
ｙ’）は特徴マップ記憶部１０３に転送され、そのコピ
ーｇ’（ｘ’，ｙ’、０）が記憶される。

【００４９】さらに、ｇ’（ｘ，ｙ，０）は特徴点選択
部１０４に転送され、その最大値をもつ点（ｘ（ｌ），
ｙ（ｌ））が選択される。その点の座標（ｘ（ｔ），ｙ
（ｔ））（ｔ＝１）と特徴ベクトルｆ（ｘ（ｔ），ｙ
（ｔ），ｕ，ｐ）（ｔ＝１）は移動ベクトル生成部１０
５に転送される。

【００５０】移動ベクトル特徴点生成部２１０におい
て、特徴マップ生成部１０２、特徴マップ記憶部１０
３、特徴点選択部１０４、移動ベクトル生成部１０５
は、移動ベクトル特徴点生成部１１０と同じ動作をする
ものとする。

【００５１】強調、抑制、回復制御部２０７では、（式
９）のフィルタｈ（ｘ，ｙ）を用いて強調抑制を行うと
ともに、入力パターンから求められた初期評価値ｇ
（ｘ，ｙ）を用いて（式３）にしたがって次の特徴点選
択のための評価値ｇ’（ｘ，ｙ，ｔ＋１）を求める。こ
こで、（式３）の係数ａ，ｂをそれぞれ０．９，０．１
とするが、この値に限ったものではない。

【００５２】フィルタリング結果のｇ’（ｘ，ｙ，ｔ＋
１）からも、特徴点選択、強調抑制回復を行い、順次特
徴ベクトルｆ（ｘ（ｔ），ｙ（ｔ），ｕ，ｐ）と特徴点
座標（ｘ（ｔ），ｙ（ｔ））を移動ベクトル生成部１０
５に転送する。

【００５３】移動ベクトル生成部１０５では、引き続く
２つの特徴点座標（ｘ（ｔ），ｙ（ｔ））と（ｘ（ｔ−
１），ｙ（ｔ−１））から移動ベクトル（ｄｘ（ｔ），
ｄｙ（ｔ））を（式１０）にしたがって求める。

【００５４】生成された移動ベクトル（ｄｘ（ｔ），ｄ
ｙ（ｔ））とその先の特徴点での特徴ベクトルｆ（ｘ
（ｔ），ｙ（ｔ），ｕ，ｐ）が移動ベクトル特徴点記憶
部１０６に転送され、順次蓄積され認識辞書として記憶
する。最終的に入力されたパターンのカテゴリ名Ｃｉと
記憶された移動ベクトル数及び特徴点数ｎｉも記憶す
る。

【００５５】次に図３を用いて第３の発明のパターン認
識辞書生成装置の実施例を説明する。パターン入力部１
０１から入力されたパターンは、移動ベクトル特徴点生
成部３１０で移動ベクトル特徴点での特徴ベクトルが生
成され、その系列から巡回部分を検出し、検出された巡
回部分のｎｉ個の移動ベクトルとｎｉ個の特徴ベクトル
を移動ベクトル特徴点記憶部１０６に記憶する。

【００５６】移動ベクトル特徴点生成部３１０の内部を
説明する。パターン入力部１０１から入力されたパター
ンは、（式８）にしたがって特徴マップ生成部１０２に
おいて特徴抽出される。さらにｆ（ｘ’，ｙ’，ｕ，
ｐ）のｕ，ｐに関する分散を（式１）にしたがって求
め、点（ｘ’，ｙ’）の評価値ｇ（ｘ，ｙ）とする。

【００５７】特徴マップ生成部１０２で生成された特徴
ベクトルｆ（ｘ’，ｙ’，ｕ，ｐ）と評価値ｇ（ｘ’，
ｙ’）は特徴マップ記憶部１０３に転送され、そのコピ
ーｇ’（ｘ’，ｙ’、０）が記憶される。

【００５８】さらに、ｇ（ｘ，ｙ，０）は特徴点選択部
１０４に転送され、その最大値をもつ点（ｘ（１），ｙ
（１））が選択される。その点の座標（ｘ（ｔ），ｙ
（ｔ））（ｔ＝１）と特徴ベクトルｆ（ｘ（ｔ），ｙ
（ｔ），ｕ，ｐ）（ｔ＝１）は移動ベクトル生成部１０
５に転送される。

【００５９】移動ベクトル特徴点生成部３１０におい
て、特徴マップ生成部１０２、特徴マップ記憶部１０
３、特徴点選択部１０４、移動ベクトル生成部１０５
は、移動ベクトル特徴点生成部１１０と同じ動作をし、
強調抑制回復制御部２０７は移動ベクトル特徴点生成部
２１０のものと同じ動作をするものとする。

【００６０】フィルタリング結果のｇ’（ｘ，ｙ，ｔ＝
１）からも、特徴点選択、強調抑制回復を行い、順次特
徴ベクトルｆ（ｘ（ｔ），ｙ（ｔ），ｕ，ｐ）と特徴点
座標（ｘ（ｔ），ｙ（ｔ））を移動ベクトル生成部１０
５に転送する。

【００６１】移動ベクトル生成部１０５では、引き続く
２つの特徴点座標（ｘ（ｔ），ｙ（ｔ））と（ｘ（ｔ−
１），ｙ（ｔ−１））から移動ベクトル（ｄｘ（ｔ），
ｄｙ（ｔ））を（式１０）にしたがって求める。

【００６２】生成された移動ベクトル（ｄｘ（ｔ），ｄ
ｙ（ｔ））とその先の特徴点での特徴ベクトルｆ（ｘ
（ｔ），ｙ（ｔ），ｕ，ｐ）が巡回検出部３０８に転送
され、系列の第ｔ’番目の要素から降順に１番目に向か
って巡回の検定をおこなう。

【００６３】まず、巡回の周期をｃと仮定して、近似し
きい値をδとして、現在を第ｔ’ステップとすると、全
てのｃ以下のｈに対して（式４）が成り立つ場合に、周
期ｃの巡回が検出されたものとして、辞書の生成処理を
終了し、ｆ’（ｔ’）、（ｄｘ（ｔ’），ｄｙ
（ｔ’）），ｆ’（ｔ’−１），（ｄｘ（ｔ’−１），
ｄｙ（ｔ’−１））からｆ’（ｔ’−ｃ＋１），（ｄｘ
（ｔ’−ｃ＋１），ｄｙ（ｔ’−ｃ＋１））まで、計ｃ
個の特徴ベクトルと移動ベクトルの組を認識辞書として
出力する。一定回数の特徴点選択を行なった後にも、巡
回が検出されなかった場合には、全ての特徴点での特徴
ベクトルと移動ベクトルを出力する。出力された移動ベ
クトルと特徴ベクトルは移動ベクトル特徴点記憶部１０
６に、パターンのカテゴリ名Ｃｉと記憶された移動ベク
トル数及び特徴点数ｎｉ（＝ｃ）とともに記憶される。

【００６４】次に図４を用いて第４の発明第１のパター
ン認識装置の実施例を説明する。第４の発明パターン認
識装置では、第１、２、３の発明のいづれかのパターン
認識辞書生成装置において生成された認識辞書を用いて
も認識可能であるが、ここでは第１の発明の認識辞書生
成装置によって生成された認識辞書を用いて説明する。
パターン認識辞書生成装置によって生成された移動ベク
トルと特徴ベクトルはそのパターンのカテゴリ名Ｃｉと
特徴点数ｎｉとともに移動ベクトル特徴点記憶部１０６
に記憶されているものとする。認識対象となるパターン
は、パターン入力部１０１から入力され、図３の移動ベ
クトル特徴点生成部１１０と同様の特徴マップ生成部１
０２によって特徴ベクトルに変換され、ｆ（ｘ，ｙ，
ｕ，ｐ）が特徴マップ記憶部１０３に記憶される。

【００６５】まず、カテゴリＣｉとの照合を行う。次特
徴点選択部４２１では、最初にカテゴリＣｉの第１番目
の特徴ベクトルｆ’（Ｃｉ，ｌ，ｕ，ｐ）を移動ベクト
ル特徴点記憶部１０６から取り出し、特徴点照合部４２
２に送る。さらに次特徴点選択部４２１は特徴マップ記
憶部１０３から座標（ｘ，ｙ）ごとに特徴ベクトルｆ
（ｘ，ｙ，ｕ，ｐ）を取り出し、特徴点照合部４２２へ
転送する。

【００６６】特徴照合部４２２では、受け取った辞書特
徴ベクトルｆ’と入力特徴ベクトルｆとの類似度ｄ
（ｘ，ｙ）を（式６）に従って求める。得られた類似度
ｄ（ｘ，ｙ）は整合度判定部４２３に転送され、最小類
似度Ｄと比較して、もしｄ（ｘ，ｙ）が最小類似度Ｄよ
り小さければ、最小類似度Ｄをｄ（ｘ，ｙ）とし、その
座標（ｘ，ｙ）を記憶する。信号は整合度判定部から整
合制御部４２２に伝えられる。整合制御部４２２では、
次特徴点選択部４２１に対して（ｘ，ｙ）を順次カウン
トアップした信号を送り、特徴マップ記憶部１０３から
座標（ｘ，ｙ）の特徴ベクトルｆを読みだし、特徴点照
合部４２２へ転送させる。特徴点照合部４２２で得られ
た類似度ｄ（ｘ，ｙ）は順次整合度判定部４２３に転送
され、上記の最小類似度計算が行われる。全座標の特徴
ベクトルが評価された後に、整合度判定部４２３の最小
類似度Ｄはｔ＝１としてＤ（ｔ）として記憶され、最小
類似度を与える座標を（ｘ（ｔ），ｙ（ｔ））として記
憶する。

【００６７】（ｘ（ｔ），ｙ（ｔ））は整合制御部４２
４に転送され、整合制御４２４は移動ベクトル特徴点記
憶部１０６から辞書特徴ベクトルｆ’（Ｃｉ、ｔ＋１，
ｕ，ｐ）と移動ベクトル（ｄｘ（Ｃｉ、ｔ＋１），ｄｙ
（Ｃｉ、ｔ＋１）が次特徴点選択部４２１へ転送され
る。また、整合制御部４２４は、座標値（ｘ（ｔ），ｙ
（ｔ））を次特徴点選択部４２１へ転送する。

【００６８】次特徴点選択部４２１は （ｘ’（ｔ＋１），ｙ’（ｔ＋１））＝（ｘ（ｔ），ｙ（ｔ））＋（ｄｘ（Ｃｉ 、ｔ＋１），ｄｙ（Ｃｉ、ｔ＋１）） （式１１） によって次の特徴点座標を予測し、その座標周辺の点の
特徴ベクトルを特徴マップ記憶部１０３から読みだし、
辞書特徴ベクトルｆ’とともに特徴点照合部４２２へ転
送する。

【００６９】特徴点照合部４２２では、受け取った辞書
特徴ｆ’（Ｃｉ、ｔ＋１，ｕ，ｐ）と入力パターンの特
徴ベクトルｆ（ｘ，ｙ，ｕ，ｐ）との類似度を計算す
る。ただし、ここで領域を便宜的に一辺（２ｒ＋１）の
正方形で表す。つまり ｘ’（ｔ＋１）−ｒ≦ｘ≦ｘ’（ｔ＋１）＋ｒ （式１２） ｙ’（ｔ＋１）−ｒ≦ｙ≦ｙ’（ｔ＋１）＋ｒ とする。他の周辺領域設定法でも問題はない。

【００７０】類似度は（式６）にしたがって求め整合度
判定部４２３に、その座標（ｘ，ｙ）とともに転送す
る。整合度判定部４２３では、前述ｔ＝１での最小類似
度判定と同じ手順により、最小類似度Ｄをもとめ、累積
類似度Ｄ（ｔ＋１）を求める。 Ｄ（ｔ＋１）＝Ｄ（ｔ）＋Ｄ （式１３） Ｄ（ｔ＋１とともに最小類似度を与える座標を（ｘ（ｔ
＋１），ｙ（ｔ＋１））整合制御部４２４に転送して記
憶する。

【００７１】整合度判定部４２３では、Ｄ（ｔ＋１）と
しきい値を比較し、しきい値よりも小さい間は、または
ｔがｎｉより小さい間は、ｔをｔ＋１として、整合制御
部に信号を送り、次特徴点選択、累積類似度選択を繰り
返し行う。

【００７２】ｔ＝ｎｉとなってときにＤ（ｔ）がしきい
値よりも小さいならば、入力パターンはカテゴリＣｉに
属するとして、Ｃｉを端子４２５から出力する。ｔ＜ｎ
ｉでＤ（ｔ＋１）がしきい値よりも大きくなったなら
ば、処理を中断し、入力パターンがカテゴリＣｉに属さ
ないものとして、その信号を端子４２５から出力する。

【００７３】以上の動作を移動ベクトル特徴点記憶部１
０６にある全てのカテゴリに対して行い入力パターンが
属する可能性のあるカテゴリ名を全て出力する。

【００７４】最後に図５を用いて第５の発明の実施例を
説明する。入力パターン部１０１から入力されたパター
ンは移動ベクトル特徴点生成部５１０で特徴ベクトルと
移動ベクトルの系列として変換される。その変換方法は
認識辞書が記憶される移動ベクトル特徴点記憶部１０６
を生成した際の、移動ベクトル特徴点生成部と同じもの
を用いる。ここでは、第１の発明のパターン認識辞書生
成装置においてもちいた移動ベクトル特徴点生成部１１
０を用いて説明するが、他の場合の生成部２１０，３１
０でも同様である。

【００７５】移動ベクトル特徴点生成部５１０では、特
徴ベクトルｆ（ｔ，ｕ，ｐ）と移動ベクトル（ｄｘ
（ｔ），ｄｙ（ｔ））を各ｎ個生成したものとする。そ
こで、第Ｃｉカテゴリの認識辞書である特徴ベクトル
ｆ’（Ｃｉ、ｔ，ｕ，ｐ）と移動ベクトル（（ｄｘ’
（Ｃｉ、ｔ），ｄｙ’（Ｃｉ、ｔ））との照合をおこな
う。

【００７６】まずｔ＝１として、特徴ベクトルｆ（ｔ，
ｕ，ｐ）と移動ベクトル（ｄｘ（ｔ），ｄｙ（ｔ））が
特徴点照合部５２２に転送される。特徴点照合部５２２
はｊ＝１として、辞書特徴ベクトルｆ’（Ｃｉ、ｊ，
ｕ，ｐ）と移動ベクトル（ｄｘ’Ｃｉ、ｊ），ｄｙ’
（Ｃｉ、ｊ））を移動ベクトル特徴点記憶部１０６から
読み込み、 （ｄｘ，ｄｙ）＝（ｄｘ’（Ｃｉ、ｊ ），ｄｙ’（Ｃｉ、ｊ）） （式１４ ） とする。入力特徴ベクトルｆと辞書特徴ベクトルｆ’と
の類似度を（式６）にしたがって求める。また、入力移
動ベクトルと辞書移動ベクトル（ｄｘ，ｄｙ）との誤差
ｓを（式１５）にしたがって求める。 ｓ＝｜（ｄｘ（ｔ），ｄｙ（ｔ））−（ｄｘ，ｄｙ）｜ （式１５ ） 特徴点照合部５２２は、類似度ｄと誤差ｓを整合判定部
５２３に転送する。整合判定部５２３は類似度ｄと誤差
ｓをそれぞれのしきい値εとηを比較し、両者がしきい
値より小さい場合には、Ｄ＝Ｄ＋ｄとして累積類似度の
計算を実行し、類似特徴検出数Ｌをカウントアップした
後に、ｔをｔ＋１としてカウントアップして次の入力特
徴ベクトルを移動ベクトル特徴点生成部５１０から取り
出し類似辞書ベクトルを探索する。

【００７７】特徴点照合部５２２得られた類似度ｄと誤
差ｓのいづれがしきい値より大きい場合には、ｊ＝ｊ＋
１とｊをカウントアップした後に、整合制御部５２４へ
信号を送り第ｊ番目の移動ベクトルと特徴ベクトルを移
動ベクトル特徴点記憶部１０６から読みだし特徴点照合
部５２２へ転送し、特徴点照合部で （ｄｘ，ｄｙ）＝（ｄｘ，ｄｙ）＋（ｄｘ’（Ｃｉ、ｊ），ｄｙ’（Ｃｉ、ｊ） （式１６） なる計算を実行する。この移動ベクトルと読み出された
特徴ベクトルとをもちいて（式６）と（式１５）にした
がって類似度ｄと誤差ｓを求める。これらは整合判定部
５２３に転送され第ｔ番目の特徴点整合判定がなされ
る。これらがしきい値εとηとより小さい場合には次の
入力ベクトル整合へとすすむ。いつれかがしきい値より
も大きい場合には、上記の特徴点照合と整合判定を繰り
返す。

【００７８】全特徴ベクトルとの照合がなされた後に、
しきい値以下の類似度が得られない場合には、その入力
特徴ベクトルｆ（ｔ，ｕ，ｐ）は認識辞書中に存在しな
いとする。

【００７９】ｔをｌからｎまで全ての特徴ベクトルと移
動ベクトルの照合を行った後に、整合判定部５２３で、
累積類似度Ｄをｎで割った平均類似度Ｄ’と類似特徴ベ
クトル検出数Ｅをｎで割った類似特徴ベクトル検出率
Ｅ’を求める。これらを予め定めたしきい値と比較して
Ｄ’がしきい値Ｒよりも小さくＥ’がしきい値Ｔよりも
大きければ、入力パターンはカテゴリＣｉに属すると判
定し、カテゴリ名Ｃｉを端子４２５から出力する。

【００８０】以上の動作を移動ベクトル特徴点記憶部１
０６にある全てのカテゴリに対して行い入力パターンが
属する可能性のあるカテゴリを全て出力する。

【００８１】本実施例では、入力移動ベクトルと照合さ
れる辞書移動ベクトルの合成ベクトルが存在しない場
合、単にその入力ベクトルを棄却しているが、複数の連
続する入力移動ベクトルの合成ベクトルと辞書移動ベク
トルの合成と照合することもでき、これは第５の発明か
ら容易に推察できる。また、第５の発明の整合判定部５
２３の入力パターン系列と辞書パターン系列との照合で
は、「上坂、尾関著、文一総合出版、パターン認識と学
習のアルゴリズム、ｐ．９１」に示されるようなＤＰマ
ッチング法を用いても実施できる。

【００８２】

【発明の効果】本発明では、２次元以上パターンから特
徴の評価値に従って特徴ベクトルの１次元の系列に変換
することができる。評価値は、特徴の分散や特徴量の大
きさなどによって定められる。大きな評価値をもつ点が
選択されることは、パターン認識に有効な点を選択して
いることになる。従来２次元パターンの等間隔のグリッ
ド上から、サンプリングとして特徴点を選択する場合、
認識に有効な点が必ずしも選択されるとは限らない。そ
れ故、認識に有効な点が選択できるように十分に細かい
グリッドを設定し、十分な数の特徴点を選ばねばならな
い。本発明のパターン認識辞書生成装置では、認識に有
効と評価された特徴点が順次選択されて辞書となるた
め、無駄な特徴点の選択がなく、少量の辞書記憶容量で
効果的な認識を実現できる。

【００８３】また、本発明のパターン認識辞書生成装置
で生成される認識辞書は、選択された特徴点間の関係が
相対位置で実現されているため、パターンの回転や平行
移動、また手書き漢字などに多く発生する部首毎の位置
の変化や、部首形状の歪には影響されずに認識を実現す
ることができる。

【図面の簡単な説明】

【図１】第１の発明のパターン認識辞書生成装置の構成
を示した図である。

【図２】第２の発明のパターン認識辞書生成装置の構成
を示した図である。

【図３】第３の発明のパターン認識辞書生成装置の構成
を示した図である。

【図４】第４の発明のパターン認識装置の構成を示した
図である。

【図５】第５の発明のパターン認識装置の構成を示した
図である。

【図６】評価値から特徴点を選択するときに評価値の抑
制強調を制御するためのフィルタの例。

【図７】評価値から特徴点を選択するときに評価値の抑
制強調を制御するためのフィルタの例。

【図８】標準パターンの特徴点間の関係を示す図。

【図９】標準パターンの特徴点間の関係を示す図。

【符号の説明】

１０１ パターン入力部 １０２ 特徴マップ生成部 １０３ 特徴マップ記憶部 １０４ 特徴点選択部 １０５ 移動ベクトル生成部 １０６ 移動ベクトル特徴点記憶部 １０７ 強調抑制制御部 １１０、２１０、３１０、５１０ 移動ベクトル特徴点
生成部 ２０７ 強調抑制回復制御部 ３０８ 巡回検出部 ４２１ 次特徴点選択部 ４２２、５２２ 特徴点照合部 ４２３、５２３ 整合度判定部 ４２４、５２４ 整合制御部

Claims (5)

(57)【特許請求の範囲】
1. 【請求項１】 画像パターンから特徴量を求めて、認識
   のための辞書を生成する装置において、画像の各点での
   特徴量を計算して特徴マップを生成する手段と、 その特徴マップを記憶する手段と、特徴マップの中での
   評価量の最大値をもつ点を選択する手段と、 先に選択された点からの移動ベクトルを求める移動ベク
   トル生成手段と、選択された点と特徴マップ内での選択
   点の周辺の点群の特徴量の評価量を抑制し、それら以外
   の１部の点の評価量を強調して、次に選択されるべき点
   の位置を制御する強調抑制制御手段と、 生成された移動ベクトルの系列と移動ベクトルでの移動
   先の点の特徴量の系列を記憶する手段とを備えることを
   特徴とするパターン認識辞書生成装置。
2. 【請求項２】 前記強調抑制制御手段が、抑制または強
   調された点の特徴量の評価量を、その後の時間経過に従
   って、抑制または強調される前の値に回復することを制
   御する機能を更に有することを特徴とする請求項１記載
   のパターン認識辞書生成装置。
3. 【請求項３】 前記の移動ベクトル生成手段において生
   成される移動ベクトルの系列が巡回していることを検出
   して、巡回している移動ベクトル系列とそれに付随する
   特徴量を出力する巡回検出手段を更に有することを特徴
   とする請求項２記載のパターン認識辞書生成装置。
4. 【請求項４】 請求項１から３のうちいずれか一つの請
   求項に記載のパターン認識辞書生成装置によって生成さ
   れた辞書を用いてパターン認識を行う装置において、起
   点となるパターン内の点から、辞書から読み出された移
   動ベクトル分を移動した点の一定範囲内で辞書から読み
   出された特徴量に最も近い点を検出する手段と、選択さ
   れた点と辞書との特徴量の差を累積して、入力されたパ
   ターンが照合中辞書のカテゴリと整合がとれるかを判定
   する手段とを有することを特徴とするパターン認識装
   置。
5. 【請求項５】 請求項１から３のうちいずれか一つの請
   求項に記載のパターン認識辞書生成装置によって生成さ
   れた辞書を用いてパターン認識を行う装置において、辞
   書を生成したときの移動ベクトルの系列と特徴量の系列
   を求める手段と、生成された移動ベクトルと特徴量の系
   列と、辞書として記憶されたあるカテゴリの移動ベクト
   ルと特徴量の系列を順次照合して、その差の累積が一定
   値以下ならば、入力パターンがそのカテゴリと整合がと
   れたと判定する手段と有することを特徴とするパターン
   認識装置。