JP3330769B2 - 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】この発明は、画像データより１つ
１つ切り出された文字、記号、商標等の文字マークをは
じめとする、認識対象となる各種形状パターンの認識を
行うパターン認識装置に関するものである。

【０００２】

【従来の技術】図６は例えば「電子情報通信学会論文誌
Ｄ」Vol.J71-D No.6（1988年）の第1037〜1047頁に掲
載された論文「情景画像からの文字パターン抽出と認
識」（大谷 淳、塩 昭夫）に示された、従来のパター
ン認識装置における文字マーク濃淡画像の２値化法の原
理を示す説明図である。図において、１は文字マーク濃
淡画像の原画であり、２はこの原画１を複数に分割した
小領域である。

【０００３】次に動作について説明する。ここで、文字
マークと文字マークの背景部分との濃度コントラストが
高く局所的には２値的であり、多くの文字マークの文字
や記号などの外接枠は矩形を示し、原画１中の文字マー
クに対応する箇所をパターンとして切り出せば文字認識
処理で読むことが可能であることから、一般的なパター
ン認識装置にあっては、テレビカメラなどの画像撮像装
置を用いて撮像された文字マーク濃淡画像を所定のしき
い値で２値化して２値化画像に変換し、この２値化画像
より各文字マークを切り出してそれら文字マークの認識
を行っている。しかしながら、このような方式では、撮
像の際の照明の照度が変化すると２値化画像が大きな影
響を受け、文字マーク周辺の濃度値が低い場合には２値
化画像に欠落が発生したり、背景画像の一部が文字マー
クの一部として検出されてしまうことがあり、良好な２
値化画像を得るためには照明を厳しく調整することが必
要となる。

【０００４】そのため、この方式ではまず、図６（ａ）
に示すように、撮像された文字マーク濃淡画像の原画１
を複数（図示の例では３×３＝９個）の小領域２に分割
し、分割された小領域２のそれぞれに対して、図６
（ｂ）に示すような２値化のための最適なしきい値θ₁₁
〜θ₃₃を設定する。このようにして得られた各小領域２
のしきい値θ₁₁〜θ₃₃は小領域２の境界で不連続である
ため、これを用いて各小領域２毎に２値化処理を行った
場合、図６（ｃ）に示すように小領域２の境界部分にお
いて画像に不連続が生じる。そこで図６（ｄ）に示すよ
うに、各小領域２毎に得られたしきい値θ₁₁〜θ₃₃をそ
れぞれの小領域２の中心の画素に与えて線形補間を行
い、得られた画素毎のしきい値を用いて２値化処理を行
う。これによって、図６（ｅ）に示すような滑らかな２
値化画像を得ることができる。この方式は、このように
して得られた２値化画像より各文字マークを切り出し
て、それら各文字マークの認識を行うものである。

【０００５】

【発明が解決しようとする課題】従来のパターン認識装
置は以上のように構成されているので、固定的な所定の
しきい値で文字マーク濃淡画像全体を２値化処理する一
般的なパターン認識装置に比べて、照明の照度が変化す
る場合や、局所的に濃淡のむらがある低品質の文字マー
クを読み取る場合には有効であるが、小領域２の分割方
法によってはノイズ領域も抽出してしまう可能性が高く
なるため、文字マークの正確な切り出しができるとは限
らず、非常に優れた認識処理機能を有していても、認識
処理自体、認識対象となる文字マークの正確な切り出し
を前提とするものであるので、文字マーク認識が良好に
機能しなくなり、ＦＡ（ファクトリー・オートメーショ
ン：Factory Automation）の分野で用いられるパターン
認識装置などのように、撮影環境等により良好な文字マ
ーク濃淡画像が得られることがまれなパターン認識装置
においては、文字マークの誤認識がどうしても多くなっ
てしまうなどの問題点があった。

【０００６】この発明は上記のような問題点を解消する
ためになされたもので、照明の照度変化に強く、局所的
に濃淡のむらがあるような低品質の画像についても常に
正確な認識が安定に行え、かつ回路構成も比較的簡単な
パターン認識装置を得ることを目的とする。

【０００７】

【課題を解決するための手段】請求項１に記載の発明に
係るパターン認識装置は、切り出し手段によって濃淡画
像から認識対象を１つ１つ切り出し、特徴量抽出手段に
よって濃淡画像より直接、それら各認識対象の認識対象
領域内の正規化された特徴量を抽出し、さらに認識手段
によってその特徴量のデータより認識対象の認識を行う
とともに、切り出された認識対象領域内で走査した、縦
横それぞれの方向毎の走査線上の平均濃度値の分布から
平均濃度値分布の累積関数を求め、それをもとにしてメ
ッシュ領域の分割を行い、それら全てのメッシュ領域の
特徴量をそれぞれ濃淡画像より直接計算して認識手段に
出力する機能を特徴量抽出手段に持たせたものである。

【０００８】 また、請求項２に記載の発明に係るパター
ン認識装置は、さらに、メッシュ領域の分割を、縦横そ
れぞれの方向毎の平均濃度値分布の累積関数上でメッシ
ュ間隔内の和が一定となるように分割幅を変動させて行
う機能を特徴量抽出手段に持たせたものである。

【０００９】 また、請求項３に記載の発明に係るパター
ン認識装置は、各メッシュ領域のそれぞれにおいてまず
平均濃度値を算出し、それらの中の最低値をそれぞれの
メッシュ領域の平均濃度値から減算して、得られた各メ
ッシュ領域の差引平均濃度値をそれらの中の最高値で除
算し、その計算値を各メッシュ領域の特徴量として抽出
する機能を特徴量抽出手段に持たせたものである。

【００１０】 また、請求項４に記載の発明に係るパター
ン認識装置は、各メッシュ領域が認識対象部分か認識対
象の背景部分かを、それぞれのメッシュ領域における、
認識対象領域内の平均濃度値以上の濃度値を持つ画素の
割合に基づいて判定する機能を特徴量抽出手段に持たせ
たものである。

【００１１】

【作用】請求項１に記載の発明における特徴量抽出手段
は、切り出し手段が画像撮像装置からの濃淡画像より１
つ１つ切り出した認識対象の認識対象領域内の正規化さ
れた特徴量を、濃淡画像より直接抽出して認識手段に入
力し、その特徴量のデータより認識対象の認識を行わせ
ることにより、局所的なむらの発生や、照明の照度が変
化した場合においても、常に正確な認識が安定に行える
パターン認識装置を、比較的簡単な回路構成にて実現す
る。また、特徴量抽出手段は、切り出された認識対象領
域内での縦および横方向の各走査線上の平均濃度値分布
から求めた平均濃度値分布の累積関数に基づいて、メッ
シュ領域の分割を行うことにより、認識対象の切り出し
に際して多少の位置ずれがあっても、その影響を受けず
に認識対象を認識することを可能とし、濃淡画像よりそ
れら全てのメッシュ領域の特徴量を直接計算することに
より、画像データを取り込む際に生じたノイズによる位
置ずれ誤差を考慮する必要性をなくし、認識手段へのデ
ータ量も削減して認識に要する時間を短縮する。

【００１２】 また、請求項２に記載の発明における特徴
量抽出手段は、縦および横方向毎の平均濃度値分布の累
積関数上で、メッシュ間隔内の和が一定となるように分
割幅を変動させてメッシュ分割を行うことにより、認識
対象の位置ずれの影響を抑えることを可能とし、さらに
文字マークの認識などに適用した場合には、フォントや
印字太さなどの多少の違いを吸収して、少ない登録数で
多品種の認識対象を認識できるようにする。

【００１３】 また、請求項３に記載の発明における特徴
量抽出手段は、まず各メッシュ領域内の平均濃度値を算
出してそれらの中の最低値をそれぞれのメッシュ領域の
平均濃度値から減算し、その後、それら各メッシュ領域
の差引平均濃度値をそれらの中の最高値で除算した計算
値を各メッシュ領域の特徴量として抽出することによ
り、照明の照度変化による影響を受けにくい、ロバスト
性に優れたパターン認識装置を実現する。

【００１４】 また、請求項４に記載の発明における特徴
量抽出手段は、それぞれのメッシュ領域における、認識
対象領域内の平均濃度値以上の濃度値を持つ画素の割合
を調べ、それに基づいて各メッシュ領域内が認識対象部
分か認識対象の背景部分かを判定することにより、認識
対象の背景にノイズが含まれていてもその影響を受けに
くくして、認識対象の認識精度を向上させる。

【００１５】

【実施例】実施例１． 以下、この発明の一実施例を図について説明する。図１
はこの発明の実施例１によるパターン認識装置の構成を
示すブロック図である。図において、１１は文字、記
号、商標などの認識対象としての文字マークが表記され
ている被検体を撮像して、当該認識対象の濃淡画像であ
る文字マーク濃淡画像の画像データを生成する画像撮像
装置であり、例えばＣＣＤ（電荷結合デバイス）による
テレビカメラなどが用いられる。１２はこの画像撮像装
置１１によって撮像された文字マーク濃淡画像の画像処
理を実行し、文字マークを１つ１つ切り出してそれら文
字マークの認識を行う文字マーク認識装置であり、例え
ばニューラルネットワークを用いた電子計算機などが用
いられている。

【００１６】 また、この文字マーク認識装置１２内にお
いて、１３は画像撮像装置１１よりこの文字マーク認識
装置１２に入力された文字マーク濃淡画像の画像データ
を記憶する画像データ記憶手段である。１４はこの画像
データ記憶手段１３に記憶されている画像データを読み
出し、その文字マーク濃淡画像から直接、認識対象領域
としての各文字マークの文字マーク領域を１つ１つ切り
出す、切り出し手段としての文字マーク切り出し手段で
ある。１５はこの文字マーク切り出し手段１４によって
切り出された各文字マークの文字マーク領域内の正規化
された特徴量（以下、文字マーク特徴量という）を、前
記文字マーク濃淡画像より直接抽出する特徴量抽出手段
としての文字マーク特徴量抽出手段である。１６はこの
文字マーク特徴量抽出手段１５によって抽出された文字
マーク特徴量のデータを用いて、文字マーク切り出し手
段１４によって切り出された文字マークの認識処理を実
行する認識手段としての文字マーク認識手段であり、例
えば学習機能を備えたニューラルネットワークによって
構成されている。１７はこの文字マーク認識手段１６を
構成するニューラルネットワークの学習手段である文字
マーク学習手段であり、１８はその学習データベースで
ある文字マーク学習データベースである。ちなみに、こ
の文字マーク認識手段１６を構成しているニューラルネ
ットワークは文字マーク学習手段１７において、文字マ
ーク学習データベース１８に記憶されている基準文字マ
ークデータを学習済である。

【００１７】 次に動作について説明する。ここで、図２
はこの実施例１における文字マーク認識装置１２の処理
の流れを示すフローチャートであり、図３は文字マーク
特徴量抽出手段１５による文字マーク特徴量抽出の方法
を説明するための動作説明図である。この図３におい
て、３は切り出された認識対象領域としての文字マーク
領域であり、４（ｉ，ｊ）はこの文字マーク領域３を複
数（ｍ×ｎ個）に分割したメッシュ領域である。なお、
この図３では、文字マーク領域３を１２８個（ｍ＝８、
ｎ＝１６）の領域に分割した場合について示しており、
カッコ内のｉ，ｊはそれぞれ、ｉ＝０・・・７、ｊ＝０
・・・１５である。

【００１８】 まずステップＳＴ１において、画像撮像装
置１１によって撮像された文字マーク濃淡画像の画像デ
ータが文字マーク認識装置１２に入力され、画像データ
記憶手段１３に格納される。次にステップＳＴ２におい
て、この画像データ記憶手段１３より文字マーク切り出
し手段１４によって文字マーク濃淡画像の画像データが
読み出され、その文字、記号、商標等の文字マークを含
んだ矩形の文字マーク領域３が、当該文字マーク濃淡画
像より１つ１つ直接切り出される。なお、この文字マー
ク領域３の切り出しは、例えば、文字マーク濃淡画像上
の文字マーク行に対して平行、および垂直に走査を行っ
て求めた、各走査線毎の濃度値の変動状態、および平均
濃度値のデータを用いて行われるものである。なお、そ
のとき文字マーク領域３を示す矩形の上下左右の座標を
記憶しておく。

【００１９】 次に、文字マーク特徴量抽出手段１５はス
テップＳＴ３において、文字マーク切り出し手段１４が
上述のようにして切り出した文字マーク領域３内で縦横
両方向の走査を行い、それぞれの方向の走査線上の平均
濃度値分布を調べる。なお、図３（ａ）はその様子を示
したものであり、以後、横方向をＸ軸方向、縦方向をＹ
軸方向という。ここで、図中のｈは当該文字マーク領域
３の高さを、ｗはその幅をそれぞれ示している。また、
Ｈ（ｘ）はＸ軸方向への走査線上の平均濃度値分布を、
Ｖ（ｙ）はＹ軸方向への走査線上の平均濃度値分布をそ
れぞれ表しており、それらは文字マーク領域３内の画素
の濃度値をＦ（ｘ，ｙ）とすれば、次に示す式（１）お
よび式（２）によって与えられる。なお、そのときの
ｘ、ｙはそれぞれ、０≦ｘ≦（ｗ−１）、０≦ｙ≦（ｈ
−１）で規定される文字マーク領域区間内にある。

【００２０】

【数１】

【００２１】次に、文字マーク特徴量抽出手段１５はス
テップＳＴ４において、文字マーク切り出し手段１４に
よって切り出された文字マーク領域３を複数（ｍ×ｎ
個）のメッシュ領域４（ｉ，ｊ）に分割する。図３
（ｂ）はその様子を示したものであり、この文字マーク
領域３の分割に際しては、まず、０≦ｘ≦（ｗ−１）、
０≦ｙ≦（ｈ−１）で規定される文字マーク領域区間に
おける走査線上の平均濃度分布の累積関数Ｃｘ（Ｘ）お
よびＣｙ（Ｙ）を、次に示す式（３）、式（４）を用い
て求める。

【００２２】

【数２】

【００２３】そして、文字マーク領域３をｍ×ｎ個のメ
ッシュ領域４（ｉ，ｊ）に分割するために、以下に示す
式（５）、式（６）を用いて、メッシュ間隔δｘ（ｉ）
およびδｙ（ｊ）を求める。

【００２４】 δｘ（ｉ）＝Ｘi+1 −Ｘi ・・・・・・・・（５） δｙ（ｊ）＝Ｙj+1 −Ｙj ・・・・・・・・（６）

【００２５】 ただし、上記式（５）および式（６）にお
けるＸi 、Ｙj は、それぞれ次に示す式（７）あるいは
式（８）の条件を満たすものである。

【００２６】 Ｘi ＝min ｛Ｘ｜ Ｃｘ（Ｘ）≧ｉ×Ｃｘ（ｗ−１）／ｎ｝・・・（７） Ｙj ＝min ｛Ｙ｜ Ｃｙ（Ｙ）≧ｊ×Ｃｙ（ｈ−１）／ｍ｝・・・（８）

【００２７】 すなわち、Ｘ軸上の第ｉ番目のメッシュ分
割点ｉは、上記式（５）によって得られたメッシュ間隔
δｘ（ｉ）内での走査線上の平均濃度値分布Ｈ（ｘ）の
和が一定となるところに定められる。Ｙ軸においても同
様に、Ｙ軸上の第ｊ番目のメッシュ分割点ｊは、式
（６）で得られたメッシュ間隔δｙ（ｊ）内での走査線
上の平均濃度値分布Ｖ（ｙ）の和が一定となるところに
定められる。以上の操作を行うことによって、文字マー
ク領域３をｍ×ｎ個のメッシュ領域４（ｉ，ｊ）に分割
する。

【００２８】 ここで、走査線上の平均濃度値が高い部分
ほど文字マーク部分であると考えられる。そこで、前述
のようにメッシュ間隔δｘ（ｉ）およびδｙ（ｊ）内で
の走査線上の平均濃度値分布Ｈ（ｘ）あるいはＶ（ｙ）
の和がそれぞれ一定となるように、文字マーク領域３を
メッシュ領域４（ｉ，ｊ）に分割すると、文字マークが
密な部分では走査線上の平均濃度値は当然高い値を示す
ため、メッシュ間隔δｘ（ｉ）、δｙ（ｊ）は細かくな
る。従って、文字マークが密な部分ではより多くのメッ
シュ領域４（ｉ，ｊ）に分割されることとなるため、詳
細に文字マークの特徴を抽出することが可能となる。そ
の上、文字マークをメッシュ化しているので、位置ずれ
の影響を抑えることができる。また、同一の字種では、
文字マークの各部分がほぼ同じメッシュ位置に配置され
るようになるため、文字マークのフォントや印字太さに
違いがある場合においても、それらの違いを吸収するこ
とができる利点がある。

【００２９】 次に、文字マーク特徴量抽出手段１５はス
テップＳＴ５において、前述のようにして分割した各メ
ッシュ領域４（ｉ，ｊ）毎に、その平均濃度値と最高濃
度値を求め、得られた最高濃度値で平均濃度値を除算し
て、その計算値（０から１までの実数）を各メッシュ領
域４（ｉ，ｊ）の特徴量として抽出する。この演算処理
を全てのメッシュ領域４（ｉ，ｊ）について実行するこ
とにより、文字マーク３の１つ１つをｍ×ｎ個の実数デ
ータに変換する。図３（ｃ）はその様子を示したもので
あり、ここではその０から１までの実数データの値が濃
度の変化によって表現している。ただし、各メッシュ領
域４（ｉ，ｊ）毎に、文字マーク領域３内の平均濃度値
以上の濃度値を持つ画素の割合を調べて、それが所定の
割合以下である場合にはそのメッシュ領域４（ｉ，ｊ）
を文字マークの背景と考えて、当該メッシュ領域４
（ｉ，ｊ）の実数データの値を０（白）とする。

【００３０】 このように、上記方法で各メッシュ領域４
（ｉ，ｊ）の特徴量を抽出した場合には、それぞれのメ
ッシュ領域４（ｉ，ｊ）毎にその最高濃度値で平均濃度
値を除算して正規化しているため、抽出される特徴量が
コントラストに対して不変となり、ロバスト性に優れた
ものとなる。

【００３１】 次に、文字マーク認識手段１６はステップ
ＳＴ６において、文字マーク特徴量抽出手段１５によっ
て抽出されたｍ×ｎ個の実数データを入力として文字マ
ークの認識処理を実行する。なお、この文字マーク認識
手段１６を構成するニューラルネットワークとしては、
例えば自己組織化ネットワークが用いられており、文字
マーク学習手段１７によって認識の基準データとなる文
字マークの学習がすでに済んでおり、その学習済のデー
タは文字マーク学習データベース１８に記録されてい
る。入力される文字マークの種類が英数字である場合、
当該文字マーク認識手段１６の出力は、例えば“Ａ”で
ある可能性が０．９、“Ｂ”である可能性が３．２など
のようになる。この文字マーク認識手段１６の出力値
は、その文字マークに対してどれだけ近いかという量を
定量化したものであり、値が小さいほどその文字マーク
に近いことを示している。

【００３２】 実施例２． なお、上記実施例１では、各メッシュ領域４（ｉ，ｊ）
の特徴量の抽出に際して、それぞれの平均濃度値と最高
濃度値を求めて、得られた最高濃度値で平均濃度値を除
算し、その計算値を特徴量とする場合について説明した
が、他の方法を用いて抽出するようにしてもよい。例え
ば、各メッシュ領域４（ｉ，ｊ）の平均濃度値の中の最
低値を調べておき、その最低平均濃度値をそれぞれのメ
ッシュ領域４（ｉ，ｊ）の平均濃度値から減算する。そ
の後、そのようにして得られた各メッシュ領域４（ｉ，
ｊ）の差引平均濃度値を、全メッシュ領域４（ｉ，ｊ）
の差引平均濃度値の中の最高値で除算して、その計算値
（０から１までの実数）を各メッシュ領域４（ｉ，ｊ）
の特徴量として抽出する。この演算処理を実施例１の場
合と同様に、全てのメッシュ領域４（ｉ，ｊ）について
実行することによって、文字マーク３の１つ１つをｍ×
ｎ個の実数データに変換するものである。

【００３３】 このように、上述の方法で各メッシュ領域
４（ｉ，ｊ）の特徴量を抽出した場合には、それぞれの
メッシュ領域４（ｉ，ｊ）の平均濃度値から全メッシュ
領域４（ｉ，ｊ）の平均濃度値の最低値を減算している
ため、画像撮像装置１１より入力される文字マーク濃淡
画像に直流ノイズ成分が重畳されていてもその影響を受
けることはない。そして、各メッシュ領域４（ｉ，ｊ）
の差引平均濃度値を全メッシュ領域４（ｉ，ｊ）の差引
平均濃度値の中の最高値で除算して正規化した特徴量を
抽出しているため、抽出される特徴量はコントラストに
対して不変となり、ロバスト性に優れたものとなる。

【００３４】 実施例３． また、上記各実施例では、文字マークが背景よりも高い
濃度値を示す場合の処理について説明したが、文字マー
ク背景の濃度値が文字マークの濃度値よりも高い場合で
も、入力される文字マーク濃淡画像を反転させることに
より、上記実施例と同様の処理を行うことが可能であ
る。図４は入力画像濃度値と出力画像濃度値との関係を
示す特性図であり、同図（ａ）は実施例１における画像
反転を行わない場合の特性を示し、同図（ｂ）はこの実
施例３における画像反転を行う場合の特性を示してい
る。この図４（ｂ）に示した特性を有する変換器を、画
像処理装置１１の出力部、もしくは文字マーク認識装置
１２内の文字マーク切り出し手段１４よりも前に設置す
ることにより容易に実現することができる。

【００３５】 実施例４． また、上記各実施例では、文字マーク認識手段１６を学
習機能を備えたニューラルネットワークで構成した場合
について説明したが、通常のノイマン型の演算処理を行
うＣＰＵ（中央演算処理装置）を用いて構成してもよ
く、上記実施例と同様の効果を奏する。

【００３６】 実施例５． また、上記実施例１ではこの発明によるパターン認識装
置を文字マークの認識に適用する場合について説明した
が、それを文字マークの印字品質の検査に適用すること
も可能である。ここで、文字マークの印字品質の検査と
は、図５（ａ）に符号５を付して示すような文字マーク
の欠けや、同図（ｂ）に符号６を付して示すような傷を
検出して不良品とするものである。これは、ニューラル
ネットワークによる文字マーク認識手段１６の出力値が
所定のしきい値以下でないときに、その文字マークは不
良品であるというような判定をすることによって容易に
実現できる。

【００３７】 実施例６． また、上記実施例５では文字マークの印字品質の検査に
適用した場合について説明したが、生産ライン上におけ
る異品種の混入検出にも適用可能である。生産ライン上
を流れる部品などに異品種が混入したことを検出するに
は、文字マークの良品／不良品の判別をする必要はな
く、部品等の型名さえ認識できればよい。従って、その
ような場合には、実施例１における文字マーク認識手段
１６の出力値が最小になった文字マークを強制的に出力
し、それに基づいて異品種の混入を検査するようにす
る。

【００３８】 実施例７． また、上記実施例１では文字マークの認識、実施例５で
は文字マークの良否の判定、実施例６では異物の混入検
出に適用した場合について説明したが、部品の形状など
についても同様の認識や検査を行うことが可能である。
すなわち、ある部品の形状データなどを基準データとし
てニューラルネットワークに学習させておくことによっ
て、文字マーク以外の認識対象についても、その認識、
良品／不良品の判別、異品種の混入検査などを行うこと
ができる。

【００３９】

【発明の効果】以上のように、請求項１に記載の発明に
よれば、画像撮像装置が撮像した濃淡画像より切り出し
手段が１つ１つ直接切り出した認識対象の認識対象領域
内の正規化された特徴量を、その濃淡画像より特徴量抽
出手段によって直接抽出して認識手段に入力し、その特
徴量のデータより認識対象の認識を行わせるように構成
したので、照明の照度変化に強く、局所的なむらが発生
した低品質の濃淡画像であっても常に正確で安定した認
識が行え、かつ回路構成の比較的簡単なパターン認識装
置が得られる効果がある。また、各認識対象領域を複数
のメッシュ領域に分割する際に、切り出された認識対象
領域内での縦および横方向の各走査線上の平均濃度値分
布から求めた平均濃度値分布の累積関数に基づいて分割
するように構成したので、認識対象の切り出しに際して
多少の位置ずれがあっても、その影響を受けることなく
認識対象の認識を行うことが可能である。そして、上記
分割した各メッシュ領域の特徴量を濃淡画像より直接計
算それら各メッシュ領域の特徴量を濃淡画像より直接計
算するように構成したので、各認識対象領域ではその濃
淡画像がメッシュデータに変換されて縮退され、その画
像データを取り込む際に生じたノイズによる位置ずれ誤
差がその縮退データに吸収されてしまうため、認識手段
における認識処理に際して当該誤差の考慮が無用とな
り、さらに、縮退の過程で大きさの異なる相似形状の認
識対象を同一の縮退データに変換することができるた
め、認識対象が文字マーク等である場合には極めて有効
であり、認識手段へのデータ量も削減されて、認識に要
する時間を短縮することができるなどの効果がある。

【００４０】 また、請求項２に記載の発明によれば、各
認識対象領域を複数のメッシュ領域に分割する際に、縦
および横方向毎の平均濃度値分布の累積関数上で、メッ
シュ間隔内の和が一定となるように分割幅を変動させて
メッシュ分割を行うように構成したので、認識対象の複
雑な部分がより多くのメッシュ領域に分割されることと
なり、より詳細に認識対象の特徴を抽出することが可能
となるばかりか、対象の位置ずれの影響を抑えることが
可能となり、さらには認識対象の多少の違いを吸収する
ことができるようになるため、文字マークの認識に適用
した場合、フォントや印字太さの違いが吸収されて、よ
り少ない登録数で多品種の文字マークを認識することが
可能になる効果がある。

【００４１】 また、請求項３に記載の発明によれば、各
メッシュ領域の特徴量を抽出する際に、まず各メッシュ
領域内の平均濃度値を算出してそれらの中の最低値をそ
れぞれのメッシュ領域の平均濃度値から減算し、その
後、それら各メッシュ領域の差引平均濃度値をそれらの
中の最高値で除算した計算値を各メッシュ領域の特徴量
とするように構成したので、抽出される特徴量は、入力
された画像データに直流ノイズ成分が重畳されていても
それに影響されることはなく、かつコントラストに対し
ても不変となるため、照明の照度変化による影響を受け
にくく、ロバスト性に優れたパターン認識装置が得られ
る効果がある。

【００４２】 また、請求項４に記載の発明によれば、分
割された各メッシュ領域の画素について、認識対象領域
内の平均濃度値以上の濃度値を持つものの割合を調べ、
その割合に基づいて各メッシュ領域内が認識対象部分か
認識対象の背景部分かを判定するように構成したので、
認識対象の背景部分にノイズが含まれていてもその影響
を受けることが少なくなり、より認識精度の高いパター
ン認識装置が得られる効果がある。

【図面の簡単な説明】

【図１】 この発明の実施例１によるパターン認識装置
の構成を示すブロック図である。

【図２】 上記実施例における処理の流れを示すフロー
チャートである。

【図３】 上記実施例における文字マーク特徴量抽出の
方法を説明するための動作説明図である。

【図４】 この発明の実施例３を説明するための、入力
画像濃度値と出力画像濃度値の関係を示す特性図であ
る。

【図５】 この発明の実施例５を説明するための、文字
マークの不良の一例を示す説明図ある。

【図６】 従来のパターン認識装置における文字マーク
濃淡画像の２値化原理を示す説明図である。

【符号の説明】

３ 認識対象領域（文字マーク領域）、４（ｉ，ｊ）
メッシュ領域、１１画像撮像装置、１４ 切り出し手段
（文字マーク切り出し手段）、１５ 特徴量抽出手段
（文字マーク特徴量抽出手段）、１６ 認識手段（文字
マーク認識手段）。

フロントページの続き 審査官 小林 勝広 (56)参考文献 特開 昭63−262778（ＪＰ，Ａ) 特開 平４−68482（ＪＰ，Ａ) 特開 平４−78972（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06K 9/00 - 9/82

Claims (4)

(57)【特許請求の範囲】
1. 【請求項１】 画像撮像装置によって撮像された濃淡画
   像から認識対象を１つ１つ切り出す切り出し手段と、前
   記切り出し手段にて切り出された各認識対象の認識対象
   領域内の正規化された特徴量を、前記濃淡画像より直接
   抽出する特徴量抽出手段と、前記特徴量抽出手段の抽出
   した特徴量のデータを用いて、前記切り出し手段にて切
   り出された認識対象の認識を行う認識手段とを備え、前
   記特徴量抽出手段が、前記切り出し手段にて切り出され
   た各認識対象の認識対象領域内で縦方向および横方向の
   走査を行い、それぞれの方向毎の走査線上の平均濃度値
   の分布から求めた平均濃度値分布の累積関数をもとにし
   て、前記メッシュ領域の分割を行い、前記各メッシュ領
   域の特徴量を前記濃淡画像より直接計算し、全ての前記
   メッシュ領域の計算値を前記認識手段に出力することを
   特徴とするパターン認識装置。
2. 【請求項２】 前記特徴量抽出手段が、前記縦方向およ
   び横方向の走査線上の平均濃度値分布の累積関数上でメ
   ッシュ間隔内の和が一定となるように分割幅を変動させ
   て、前記メッシュ領域の分割を行うものであることを特
   徴とする請求項１に記載のパターン認識装置。
3. 【請求項３】 前記特徴量抽出手段が、分割された前記
   メッシュ領域のそれぞれにおいて平均濃度値を算出し、
   それら各平均濃度値の最低値を各メッシュ領域の平均濃
   度値からそれぞれ減算して差引平均濃度値を求め、それ
   ら各差引平均濃度値の最高値によって、前記各メッシュ
   領域の差引平均濃度値を除算した値を、前記各メッシュ
   領域の正規化された特徴量として抽出するものであるこ
   とを特徴とする請求項１に記載のパターン認識装置。
4. 【請求項４】 前記特徴量抽出手段が、前記認識対象領
   域内の平均濃度値以上の濃度値を持つ画素の割合を前記
   メッシュ領域毎に調べ、その結果に基づいて前記メッシ
   ュ領域が認識対象部分か認識対象の背景部分かの判定を
   行うものであることを特徴とする請求項１に記載のパタ
   ーン認識装置。