JP3508252B2

JP3508252B2 - サイン認識装置

Info

Publication number: JP3508252B2
Application number: JP29655294A
Authority: JP
Inventors: 賢三小幡; 嘉樹内川; 武古橋; 旭華楊
Original assignee: Denso Corp
Current assignee: Denso Corp
Priority date: 1994-11-30
Filing date: 1994-11-30
Publication date: 2004-03-22
Anticipated expiration: 2019-03-22
Also published as: JPH08153195A; US5825906A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、遺伝的アルゴリズムを
用いたサイン認識装置に関するものである。

【０００２】

【従来の技術】近年、手書サインの照合システムに対す
る潜在的なニーズが高まっている。手書サインの認識は
ゆらぎをもつパターンの認識であり、認識率の高いシス
テムの実現が困難となっている。図１４に、この種のサ
イン認識装置の一例を示す。サイン認識装置は、図１４
に示されるように、大きく分けて、入力された手書サイ
ンデータからサインの個人性特徴と思われる要素を抽出
する前処理部と、その抽出された結果をニューラルネッ
ト等によって学習および認識を行う認識ネットワークと
から構成されている。そして、上記前処理部は、その入
力する装置の違いにより、オフラインによるサイン認識
とオンラインによるサイン認識とがある。

【０００３】オフラインサイン認識の場合、イメージス
キャナ等で実現された入力装置１０１ａと、この入力装
置１０１ａからの出力に基づいてストローク密度を検出
する前処理手段１０２ａと、認識ネットワーク１０３
と、出力手段１０４とから構成されるものであり、これ
は文献「ファジイネットによるオフラインサイン認識の
基礎的研究」（電気学会論文誌 VOL.113-C NO.7 1993,
7 月号）に詳しく紹介されている。一方、オンラインサ
イン認識の場合、ディジタイザ等で実現された入力装置
１０１ｂと、サインのスペクトルを検出する前処理手段
１０２ｂと、認識ネットワーク１０３と、出力手段１０
４とから構成されるものであり、これは文献「ファジイ
ネットによるサイン認識の基礎的研究」第８回ファジイ
システムシンポジウム講演論文集に紹介されている。

【０００４】

【発明が解決しようとする課題】ところが上述した従来
方式では、認識ネットワークにデータを入力する前処理
の段階で、サインデータからいくつの特徴を、そしてど
のような特徴を認識に利用すればよいのか事前に認識す
るものでなく、ある程度限定された個人性特徴しか抽出
することができないというのが現状である。したがっ
て、多くの試行錯誤を行っても、個人性特徴の獲得によ
る認識率の向上、サイン認識支援などの目的には必ずし
も十分なものではない。すなわち、オフラインサイン認
識ならば、サイン全体のストローク密度を検出する、あ
るいは、オンラインサイン認識ならば、Ｐ型フーリエ変
換を行ってスペクトル密度を検出するといったように、
前処理の段階において、抽出したデータが筆者の個人性
特徴であるかは不明であって、また、各個人々によって
異なる特徴部分を抽出するというものではなかった。

【０００５】そこで本発明は上記問題点に鑑みてなされ
たものであり、生物の進化を工学的に模擬した遺伝的ア
ルゴリズムを用いて、サインデータの個人性特徴を抽出
する手法を採用し、サインデータからいくつの特徴を、
そしてどのような特徴を認識に利用すればよいのか事前
に把握することを可能にし、認識精度を向上させたサイ
ン認識装置を提供するものである。

【０００６】

【課題を解決するための手段】そのため本発明は、図１
及び図２に示されるように、手書により書き込まれたサ
インを入力し、この入力に応じた信号を出力する入力手
段（２０１）と、この入力手段から出力される信号を所
定のタイミングで抽出し、この抽出した信号から複数の
特徴部分を示すデータを生成する特徴データ生成手段
（２０３）と、この特徴データ生成手段にて生成された
前記複数の特徴部分を示すデータを特徴の種類ごとに入
力し、入力値に対して出力値の変化が少なくなる特性の
メンバーシップ関数にて入力したデータのゆらぎを吸収
させる複数の独立したゆらぎ吸収手段（３０１ｎ）と、
この複数の独立したゆらぎ吸収手段によってゆらぎが吸
収されたデータを、その特徴の種類ごとに前記所定のタ
イミングで通過もしくは遮断させる複数の独立したスイ
ッチ手段（Ｌｓｉ、Ｓｓｉ、θｓｉ、Ｃｓｉ）と、この
複数の独立したスイッチ手段を通過したデータを入力
し、その入力したデータと学習時に登録したデータとを
比較することで、入力したデータを評価する評価手段
（３０２、３０３）と、前記所定のタイミングを設定す
ると共に、前記複数の独立したスイッチの通過もしくは
遮断の組み合わせパターンを前記所定にタイミングに対
応させて設定し、この設定に応じて前記複数の独立した
スイッチを動作させ、この動作状態における前記評価手
段の評価を取り込み、この取り込んだ評価が良好な前記
組み合わせパターンを探索する探索手段（２０５）と、
この探索手段が探索した前記組み合わせパターン、この
組み合わせパターンに対応した前記所定のタイミング、
および前記メンバーシップ関数とを記憶する記憶手段
（２０６）と、を採用するものである。

【０００７】また、前記探索手段は、図７に示されるよ
うに、所定数の前記組み合わせパターンを設定し（Ｓ４
００〜Ｓ４３０）、この設定した前記所定数の組み合わ
せパターンの中から、前記評価手段の評価が低い組み合
わせパターンを所定の割合だけ削除し（Ｓ４４０）、さ
らに、前記設定した所定数の組み合わせパターンの中か
ら、前記評価手段の評価が高い組み合わせパターンを複
数個コピーして取り出し（Ｓ４５０）、この複数個コピ
ーして取り出した組み合わせパターンを前記スイッチ手
段の特徴の種類を一致させながら、前記通過もしくは遮
断させるかの情報を交差させ、新たな組み合わせパター
ンを生成し（Ｓ４６０）、この生成された新たな組み合
わせパターンを前記所定の割合だけ削除した部分に補充
する（Ｓ４７０）ことを特徴とする。

【０００８】さらに、前記探索手段は、所定数の前記組
み合わせパターンを設定し（Ｓ４００〜Ｓ４３０）、こ
の設定した前記所定数の組み合わせパターンのうち、各
々の組み合わせパターンに対して、所定の確率で前記ス
イッチ手段の通過もしくは遮断させるかの情報を反転さ
せ、かつ前記組み合わせパターンに対応した前記所定の
タイミングを所定の範囲内で変化させる（Ｓ４８０）こ
とを特徴とする。

【０００９】

【作用および発明の効果】上記構成により、入力手段に
て、手書により書き込まれたサインを入力し、この入力
に応じた信号を出力する。特徴データ生成手段にて、上
記入力手段から出力される信号を所定のタイミングで抽
出し、この抽出した信号から複数の特徴部分を示すデー
タを生成する。そして、複数の独立したゆらぎ吸収手段
にて、上記特徴データ生成手段からのデータを特徴の種
類ごとに入力し、入力値に対して出力値の変化が少なく
なる特性のメンバーシップ関数にて入力したデータのゆ
らぎを吸収させ出力する。ここで、複数の独立したスイ
ッチ手段にて、ゆらぎ吸収手段でゆらぎが吸収されたデ
ータを、その特徴の種類ごとに上記所定のタイミングで
通過もしくは遮断させる。さらに、評価手段にて、スイ
ッチ手段を通過したデータと学習時に登録したデータと
を比較することで、入力したデータを評価する。このと
き、探索手段においては、上記所定のタイミングを設定
すると共に、上記スイッチ手段の通過もしくは遮断の組
み合わせパターンを上記所定のタイミングに対応させて
設定する。また、この設定に応じてスイッチ手段を動作
させ、この動作状態における評価手段からの評価を取り
込む。そして、この取り込んだ評価の値と上記組み合わ
せパターンとを対応させ、評価手段による評価が良好な
組み合わせパターンを探索する。記憶手段にて、探索手
段が探索した上記組み合わせパターンと、この組み合わ
せパターンに対応した所定のタイミング、およびメンバ
ーシップ関数とを記憶する。

【００１０】すなわち、入力されたサインから特徴とな
る複数のデータを生成し、この生成された複数のデータ
から、どのデータを使うか使わないかをスイッチ手段に
て選択する。このとき、スイッチの通過、遮断の組み合
わせパターンは、探索手段にて設定されており、また、
この設定された組み合わせパターンにおける評価結果か
ら、どのパターンがサイン認識に適しているか探索す
る。そのため、次回に入力されてくるサインに対して
は、事前にどのような特徴データを認識に利用すれば良
いのかが把握でき、その特徴データを入力することか
ら、認識性能を向上させることができるという優れた効
果がある。

【００１１】

【実施例】以下、本発明を図に示す実施例に基づいて説
明する。この実施例では、本発明をオンラインサインに
よるサイン認識に適用した場合について説明する。図１
は本発明の一実施例を表す構成図である。

【００１２】図１において、サイン認識装置は、大きく
分けて、筆者によって書き込まれた手書サインを２次元
平面上の点列データとして取出す入力手段２０１（タブ
レット、ディジタイザ等）と、この入力手段２０１から
の点列データを所定の演算処理に基づいて、その結果を
出力するマイクロコンピュータ２０８と、マイクロコン
ピュータ２０８からの出力を図示しない外部機器に出力
する出力手段２０７とから構成されている。また、上記
マイクロコンピュータ２０８は、その各演算処理をブロ
ック図で表した場合、図１に示されるように、サイン自
動生成手段２０２、データ抽出手段２０３、認識ネット
ワーク手段２０４、探索手段２０５、記憶手段２０６か
ら構成されており、その詳細を以下に説明する。

【００１３】まず、サイン自動生成手段２０２は、図１
に示されるように、乱数を発生する乱数発生手段２０２
ａと、発生した乱数のゆらぎの幅を制限させるフィルタ
手段２０２ｂと、入力手段２０１からの点列データとフ
ィルタ手段２０２ｂからの乱数とを掛け合わせる乗算手
段２０２ｃとから構成されている。このような構成とし
た結果、サイン自動生成手段２０２においては、フィル
タ手段２０２ｂの選択幅によって、例えば、乗算手段２
０２ｃにおける出力が入力に対して５％以内の変化に抑
えた場合、あるいは２０〜５０パーセントの間で変化さ
せた場合を設定すれば、５％以内のときは筆者の点列デ
ータ（正例）、２０〜５０％の間のときは筆者のサイン
をまねた偽の点列データ（負例）として、複数の正例
（筆者のサイン）、負例（偽のサイン）のデータを自動
生成することができる。なお、５０パーセント以上の乱
数は、明らかに異なるデータを生成するため使用しな
い。

【００１４】また、データ抽出手段２０３は、上述のよ
うに生成された正例、負例の点列データを入力し、この
入力した正例、負例の点列データを時間によって、例え
ば２５６個の点列データとしてそれぞれ正規化する。そ
して、この正規化した点列データから任意の線分を抽出
し、例えば、４種類のデータ〔長さ（Ｌｉ）、傾き（Ｓ
ｉ）、最大角度（θｉ）、曲がり（Ｃｉ）〕を演算によ
って算出する。なお、このデータ抽出手段２０３におけ
る正規化及びデータ抽出の仕方については、後から詳細
に説明する。

【００１５】次に、認識ネットワーク手段２０４は、図
２に示されるように、入力部に台形型のメンバーシップ
関数３０１ｎ（ｎ＝１，２，・・・，ｍ；本実施例では
ｎ＝１，２，３，４）を備え、さらに、スイッチＬｓi
、Ｓｓi 、θｓi 、Ｃｓi 、掛算器３０２、出力部に
評価関数３０３が設けられた構成である。なお、上記メ
ンバーシップ関数３０１ｎは、データ抽出手段２０４か
ら出力された４種類のデータのゆらぎを吸収し、スイッ
チＬｓi 、Ｓｓi 、θｓi 、Ｃｓi に出力するものであ
り、スイッチＬｓi 、Ｓｓi 、θｓi 、Ｃｓi は、掛算
手段３０２に入力するべきデータを選択するものであ
る。また、掛算器３０２は、上記スイッチを介して入力
されたデータを掛け合わせ、その掛け合わせた値を評価
関数３０３に出力するものであり、評価関数３０３は所
定の演算式に基づいて演算を行い、この演算結果に応じ
て、その結果を出力するかどうかを評価するものであ
る。なお、メンバーシップ関数による評価、スイッチの
選択、評価関数による評価については、後から詳細に説
明する。

【００１６】さらに、探索手段２０５は、スイッチ（Ｌ
ｓi 、Ｓｓi 、θｓi 、Ｃｓi ）のＯＮ，ＯＦＦパター
ンの組み合わせ、およびそのパターンに対応する点列デ
ータ数の情報（Ｎｐｉ）を１つの遺伝子座とし、また、
サイン１つ分の抽出位置に対応したスイッチ（Ｌｓi 、
Ｓｓi 、θｓi 、Ｃｓi ）のＯＮ，ＯＦＦパターンの組
み合わせ、およびその点列データ数の情報（Ｎｐｉ）を
染色体として、認識ネットワーク手段２０４の評価結果
に基づき、遺伝的アルゴリズムを用いることで、評価結
果が最も良好な染色体を決定するものである。つまり、
探索手段２０５は、認識ネットワーク手段２０４の評価
結果に基づいて、抽出位置に対応した最も良好なスイッ
チ（Ｌｓi 、Ｓｓi 、θｓi 、Ｃｓi ）のＯＮ，ＯＦＦ
パターンの組み合わせを決定するものであって、この決
定により、例えば、１番目の線分は４種類のデータ〔長
さ（Ｌｉ）、傾き（Ｓｉ）、最大角度（θｉ）、曲がり
（Ｃｉ）〕のうち、どれを使うか使わないかを決める手
段である。なお、この探索手段２０５における遺伝的ア
ルゴリズムについては、後から詳細に説明する。

【００１７】次に、以上のように構成されたサイン認識
装置の動作を説明する。ここで、サイン認識装置におい
て、その動作には、大きく分けて２つの作業がある。１
つはサインを登録するための学習モードであり、もう１
つは登録されたサインと登録後に入力されたサインとが
同一人物のサインであるか否かを識別する認識モードで
ある。

【００１８】〔学習モード〕まず、学習モードについ
て、その全体的な動作を図３に示すフローチャートに基
づき説明する。なお、このフローチャートは、図１に示
すマイクロコンピュータ２０８の処理動作を示す。ステ
ップ１００においては、サインを登録希望するユーザ
が、例えば、本装置に接続されたキーボード等の入力機
器（図示せず）を使用し、学習モード・認識モードのい
ずれか一方を選択することで、この選択に応じた信号が
入力され、この信号に基づいて、学習モードであればス
テップ１１０に移行し、認識モードであればステップ２
１０に移行する。

【００１９】ステップ１１０においては、学習モードに
移行したことに応じて、登録希望するユーザに表示器等
（図示せず）を利用してＩＤコード（登録コード）の入
力要求を行い、ユーザからのＩＤコード入力によって、
これから入力される予定の手書サインのＩＤコードを設
定する。ステップ１２０においては、筆者に対して手書
サインの書き込み要求を行い、ユーザが入力手段２０１
（タブレット、ディジタイザ等）にサインを書き込むこ
とによって、入力手段２０１からは２次元平面上の点列
データが出力され、これを入力する。

【００２０】ステップ１３０においては、サイン自動生
成手段２０２によって、入力手段２０１から出力された
点列データと、フィルタ手段２０２ｂを介して乱数発生
手段２０２ａから出力された乱数データとを掛け合せ、
筆者によって入力された点列データから複数の正例（筆
者のサイン）、負例（偽のサイン）の点列データを自動
生成する。

【００２１】ステップ１４０においては、データ抽出手
段２０３によって、サイン自動生成手段２０２からの点
列データを正規化し、正規化した点列データから任意の
線分を抽出し、例えば、４種類のデータ〔長さ（Ｌ
ｉ）、傾き（Ｓｉ）、最大角度（θｉ）、曲がり（Ｃ
ｉ）〕を演算によって生成する。なお、このステップ１
４０の処理の詳細は後から説明する。

【００２２】ステップ１５０においては、認識ネットワ
ーク手段２０４によって上記４種類のデータ〔長さ（Ｌ
ｉ）、傾き（Ｓｉ）、最大角度（θｉ）、曲がり（Ｃ
ｉ）〕の評価を行うと共に、この評価に応じて、探索手
段２０５によって各スイッチ（Ｌｓi 、Ｓｓi 、θｓi
、Ｃｓi ）のＯＮ，ＯＦＦパターンの組み合わせ、及
びメンバーシップ関数３０１ｎの設定を行い、遺伝的ア
ルゴリズムに基づいて、各スイッチのＯＮ，ＯＦＦパタ
ーンの組み合わせが、最も良好な設定を決定する。な
お、このステップ１４０の処理についても、その詳細は
後から説明する。

【００２３】ステップ１６０においては、記憶手段２０
６によって、探索手段２０５で決定された最も良好な、
スイッチ（Ｌｓi 、Ｓｓi 、θｓi 、Ｃｓi ）のＯＮ，
ＯＦＦパターンの組み合わせ、および点列データ数の情
報（Ｎｐｉ）を、ＩＤコードと対応させて記憶する。以
上で学習モードにおける処理動作は終了する。

【００２４】ここで、ステップ１４０の詳細な動作につ
いて、図４に示すフローチャートに基づき説明する。な
お、このフローチャートはマイクロコンピュータ２０８
におけるデータ抽出手段２０３の処理動作を示す。ステ
ップ３００においては、サイン自動生成手段２０２から
の点列データを取り込む。このとき、点列データには、
正例（筆者のサイン）、負例（偽のサイン）の２種類の
データがあるので、フラグを付けておき、このフラグに
よって管理する。

【００２５】ステップ３１０においては、取り込んだ点
列データを時間によって、例えば、２５６個の点列デー
タ（Ｘj,Ｙj,ｊ＝１，２，・・・２５６）として正規化
する。なお、この時間により２５６個の点列データとし
て正規化するのは、サインを書くスピードがその時々に
おいて、例えば、１つのサインから得られるデータ数
が、早く書かれた場合には２００個、遅く書かれた場合
には３００個というように異なってしまう、そのため、
この書くスピードに関係なく常に一定の点列データを得
るという目的から時間により正規化がなされている。す
なわち、得られるデータ数が、所定数よりも多い場合に
はデータを間引き、所定数よりも少ない場合には近辺の
データに応じて補うというかたちで、常に一定のデータ
数を得ている。ただし、ストロークとストロークの間に
点が補間されないように、ストロークの終点と次のスト
ロークの始点との時間的差はないものとする。

【００２６】ステップ３２０においては、図５に示すよ
うに、正規化された点列データから任意の点（始点Ｐst
i ）を選択し、ステップ３３０においては、任意の長さ
（点列データ数Ｎpi）の線分（終点Ｐedi )(i=1,2, ・
・・,n) を設定する。ここでいう任意とは、まったくラ
ンダムに選択されるということである。なお、図５は
「わたなべ」の「べ」の字の頂点付近の点列データが選
択された場合を示し、始点Ｐst2 を含む４つの点列デー
タが選択された例である。

【００２７】ステップ３４０においては、選択された線
分から４種類のデータを演算により算出する。すなわ
ち、１：長さ（Ｌｉ）、２：傾き（Ｓｉ）、３：最大角
度（θｉ）、４：曲がり（Ｃｉ）の４つのデータを得
る。各データの意味は、次のとおりである。長さＬｉは
点列データが時間により正規化されているのでその部分
を書く速さにも相当する。また、長さは各点列間の長さ
の平均値をＬdot とするとＮpi×Ｌdot が０．５となる
ようにする。すなわち実際の長さをＬaiとすると

【００２８】

【数１】Ｌｉ＝Ｌａｉ×０．５／（Ｎｐｉ×Ｌｄｏｔ）とした。(1) 式により、サインを書く全体的なスピード
の変化を吸収できる。なお、０．５を掛けるのは後のメ
ンバーシップ関数の表示の都合によるだけである。傾き
Ｓｉはその線分の始点（Ｐsti ）と終点（Ｐedi ）を結
ぶ直線ｌi と水平線とのなす角度である。最大角度θｉ
は線分の中で最も鋭い角度である。曲がりＣi は図５の
斜線部の面積とする。ただし、この面積は直線ｌi を底
辺とする直角２等辺三角形の面積により正規化する。

【００２９】ステップ３５０においては、線分の始点
（Ｐsti ）と終点（Ｐedi ）とが異なるストローク上に
ある場合、図６に示すように、分断された線分の長い方
の線分データをそのサンプル点でのデータとして、デー
タの補正を行う。ただし、長さＬｉは分断された各線分
の合計の長さである。次に、ステップ１５０の詳細な動
作について、図７に示すフローチャートに基づき説明す
る。なお、このフローチャートはマイクロコンピュータ
２０８における認識ネットワーク手段２０４、探索手段
２０５の処理動作を示す。

【００３０】ステップ４００においては、ステップ１４
０にて抽出された４種類のデータをそれぞれ遺伝子とみ
たて、この遺伝子のうち、どれを評価の対称として使う
か、また、どれを評価の対称として使わないかを設定す
るための情報として遺伝子座を設定する。すなわち、こ
の遺伝子座とは、認識ネットワーク手段２０４に構成さ
れるスイッチ（Ｌｓi 、Ｓｓi 、θｓi 、Ｃｓi ）のＯ
Ｎ，ＯＦＦパターンの組み合わせ情報のことである。な
お、この遺伝子座はサインの抽出点の始点Ｐsti と、そ
こから終点Ｐedi までの点列データ数Ｎpiの情報も含ん
でいる。そして、こうして設定された遺伝子座は、ステ
ップ１４０にて抽出された線分１つ分の情報であるた
め、サイン１つ分の数に相当する遺伝子座、つまり、染
色体を設定する。すなわち、染色体とは、図８に示され
るように、１つのサインから抽出されるｎ個分の線分に
相当するスイッチ（Ｌｓi 、Ｓｓi 、θｓi 、Ｃｓi ）
のＯＮ，ＯＦＦパターンの組み合わせ情報、およびその
情報の抽出位置を含む情報のことである。なお、具体的
には、ある染色体が（10,(5,1,0,0,1),25,(10,0,1,1,
1), ・・・）であれば、サイン点列の先頭より１０番目
の点から５個分の点列の線分の長さと曲がりのデータ
を、２５番目の点から１０個分の点列の線分の傾きと最
大角度と曲がりのデータを抽出して評価の対称に使うこ
とを意味している。

【００３１】ステップ４１０においては、認識ネットワ
ーク手段２０４の入力部に構成された台形型メンバーシ
ップ関数３０１ｎの設定を行う。なお、メンバーシップ
関数３０１ｎの設定は、任意の３つのサインデータ（正
例）を基本サインとして、これから得られる各データに
ついて、それぞれの最大値と最小値を幅Ｗとし、その台
をＷ＋Ｗｙ（Ｗ＋０．５）とした。また、メンバーシッ
プ関数をこのような形に設定するのは、入力に対する出
力の感度の低い部分を設けることによって、同じ筆者に
よるサインでも、その都度微妙に異なるため、この微妙
に異なるサインの揺らぎを吸収させることにある。すな
わち、入力値が幅Ｗの区間にない場合は、その出力値が
低下し、ある所定値よりも低い場合には、その入力値に
対する出力値を採用しなくなる。そのため、同じ筆者に
よるサインでも、その都度微妙に異なるため、この微妙
に異なるサインの揺らぎを吸収させることができる。ま
た、台形型メンバーシップ関数３０１ｎは、図９に示す
ように、遺伝子座ごとにその設定がなされる。

【００３２】ステップ４２０においては、各メンバーシ
ップ関数３０１ｎによってデータ抽出手段２０３にて抽
出されたデータに各グレード値を掛け合わせ、さらにス
イッチを介して掛算器３０２に出力し、掛算器３０２に
よって各メンバーシップ関数３０１ｎからの出力をすべ
て掛け合わせる。さらに、この掛け合わせた値を線分１
つのデータとして、サイン１つ分の数に相当するすべて
の線分のデータを生成し、評価関数３０３によって掛算
器３０２にて生成されたデータの評価を行う。ここで、
各メンバーシップ関数３０１ｎと掛算器３０２との間に
はスイッチ（Ｌｓi 、Ｓｓi 、θｓi 、Ｃｓi ）が構成
されており、このスイッチは、そのＯＮ，ＯＦＦパター
ンの組み合わせがステップ４００にて設定された染色体
の情報に対応している。そのため、評価関数３０３の評
価は、染色体の適応度を示し、スイッチのＯＮ，ＯＦＦ
パターンの組み合わせの評価を示すものとなる。なお、
適応度を評価する評価関数は、認識ネットワークの正し
い出力値ｔｉを正例は１、負例は０とし、実際の出力値
ｏｉとの差の絶対値を用いて次式(2) により求めた。こ
こでｍ１，ｍ２はそれぞれ正例・負例の評価用のサイン
の数を示す。

【００３３】

【数２】

【００３４】また、染色体の適応度の評価は、その出力
値が例えば０．８以上の場合を正例、０．４以下を負例
とし、０．４〜０．８の範囲を判定不能とし、評価とし
ての結果として使用しない。ステップ４３０において
は、探索手段２０５にて、適応度評価された染色体が所
定数あるか否かの判定を行い、所定数あると判定される
までステップ４００〜４３０の動作を繰り返す。つま
り、この処理によって、遺伝的アゴリズムでいう染色体
の増殖がなされる。なお、本実施例においては、上記染
色体の数は、例えば、５０個に設定されている。

【００３５】ステップ４４０においては、上記所定数の
染色体の中から適応度が低い染色体をＰｃ％（例えば、
２０％）削除する。言い換えれば、スイッチ（Ｌｓi 、
Ｓｓi 、θｓi 、Ｃｓi ）のＯＮ，ＯＦＦパターンの組
み合わせ評価が、良好なものだけを残し、悪いものを削
除するということである。これは、遺伝的アルゴリズム
でいう淘汰に相当する。

【００３６】ステップ４５０においては、上記所定数の
染色体の中から適応度が高い２個の染色体を選択し、そ
の選択した染色体をコピーする。ステップ４６０におい
ては、図１０に示されるように、そのコピーした２個の
染色体を遺伝子座のレベルで交差させる。つまり、スイ
ッチ（Ｌｓi 、Ｓｓi 、θｓi 、Ｃｓi ）のＯＮ，ＯＦ
Ｆパターンの組み合わせのうち、ほぼ同じ位置の線分に
対応する情報を交換することで、新しい２つのＯＮ，Ｏ
ＦＦパターンの情報を生成することになる。なお、交差
は任意の遺伝子座を選択するものとする。

【００３７】ステップ４７０においては、ステップ４４
０の処理にて削除したＰｃ％の染色体の代わりに、ステ
ップ４６０の処理にて生成された新しい２つの染色体を
補充する。また、削除した分の補充が終了したと判定す
るまで、コピー、交差、補充の処理（ステップ４５０〜
４７０）を繰り返す。なお、ステップ４５０〜４７０に
おいて、一度用いた染色体は同一世代では２度と選択さ
れないように、染色体にフラグを付けて管理されてい
る。

【００３８】ステップ４８０においては、遺伝子座の情
報に突然変異の操作を行う。これは、エリートの染色体
を除く、全ての染色体に対して確率Ｐmut ％（例えば、
１０％）でランダムに施す。その際、抽出点の始点Ｐst
i は１度に変化できる幅を限定し、ａ→ａ＋Δａと変更
した。また、点列データ数Ｎpiについては、その整数値
がｃであったとすると、ｃ→ｃ’とし、上限を定めて変
更する。本実施例では始点Ｐsti を上限Δａmax ＝１２
とし、点列データ数Ｎpiの上限ｃmax ＝１２とし、その
範囲内の整数値を一様な乱数で選定する。また、各スイ
ッチ（Ｌｓi 、Ｓｓi 、θｓi 、Ｃｓi ）は、そのＯ
Ｎ，ＯＦＦパターンの組み合わせをランダムに反転させ
た。

【００３９】ステップ４９０においては、上述のように
突然変異の操作まで行った染色体、つまり、一連の処理
により設定された遺伝子座データに基づいて、ステップ
４２０の処理同様、評価関数３０３にて適応度の評価を
行う。ステップ５００においては、ステップ４４０〜４
９０までの処理を所定回数（例えば、３００回）行った
と判定するまで、繰り返し処理する。つまり、この処理
によって、遺伝的アルゴリズムでいう３００世代までの
演算が行われたことになる。

【００４０】以上のようにして得られた、最も適応度の
高い染色体、つまり、各スイッチ（Ｌｓi 、Ｓｓi 、θ
ｓi 、Ｃｓi ）のＯＮ，ＯＦＦパターンの組み合わせ及
びそのパターンにおける点列データの抽出位置は、手書
サインを書き込んだユーザの個人性特徴を最も良くあら
わした情報となる。こうして、得られた代表例を図１１
に示す。ここでサイン中に示されている数字は、遺伝子
座の情報に対応している。この事例から得られること
は、例えば、１番目の線分からは「さんずい」の一番下
のストロークの曲がりがとても小さいことが特徴である
ことがわかる。つまり、書き込まれたサインからどの部
分のどのデータがサイン認識に適しているかが判別でき
るようになる。

【００４１】なお、図１３には遺伝的アルゴリズムによ
る効果を示す。縦軸は認識性能Ｆ（適応度）、横軸は世
代数である。図１３に示されるように、交差のみでは初
期世代の染色体の組み合わせの範囲内で適応度が上昇し
ていくが、染色体が一様化した段階でそれ以上の改善は
行われない。また、突然変異のみの場合では適応度が前
世代にわたって順調に上昇していく様子が見て取れる。
そして、交差と突然変異とにより適応度の改善は最も早
く進むことが明らかである。

【００４２】〔認識モード〕次に、認識モードについ
て、その動作を図３に示すフローチャートに基づき説明
する。ステップ１００にて認識モードが設定されると、
ステップ２１０に移行し、ステップ２１０においては、
表示器等（図示せず）によって入力希望するユーザにＩ
Ｄコード（登録コード）の入力要求を行い、ユーザが入
力したＩＤコードを取り込む。なお、ここで入力された
登録コードは、学習モードで登録されたものと同じＩＤ
コードとする。

【００４３】ステップ２２０においては、取り込んだＩ
Ｄコードに基いて、学習モードにて記憶された染色体デ
ータ〔各スイッチ（Ｌｓi 、Ｓｓi 、θｓi 、Ｃｓi ）
のＯＮ，ＯＦＦパターンの組み合わせ、およびそのパタ
ーンにおける点列データの抽出位置（Ｎｐｉ）〕を記憶
手段２０６から取り込む。ステップ２３０においては、
取り込んだ染色体データに基づいて、認識ネットワーク
手段２０４における各スイッチ（Ｌｓi 、Ｓｓi 、θｓ
i 、Ｃｓi ）とメンバーシップ関数３０１ｎとを設定す
る。

【００４４】ステップ２４０においては、筆者に対して
手書サインの書き込み要求を行い、ユーザが入力手段２
０１にサインを書き込むことによって、入力手段２０１
からは２次元平面上の点列データが出力され、これを入
力する。ステップ２５０においては、入力手段２０１か
らの点列データは、サイン自動生成手段２０２を迂回し
て、データ抽出手段２０３に入力され、データ抽出手段
２０３によって、サインの特徴である１：長さ（Ｌ
ｉ）、２：傾き（Ｓｉ）、３：最大角度（θｉ）、４：
曲がり（Ｃｉ）の４つのデータが学習モードと同様に抽
出される。

【００４５】ステップ２６０においては、認識ネットワ
ーク手段２０４によって、データ抽出手段２０３で抽出
されたデータの評価を行う。このとき、認識ネットワー
ク手段２０４は、すでに登録コードに対応した遺伝子座
データがスイッチとして設定されているため、入力され
たデータが学習時に登録したデータに対応していれば、
その出力は１に近い値となり、その出力が判断基準以上
の大きさであれば、正例として判定する。なぜなら、メ
ンバーシップ関数３０１ｎによって、真のサインであれ
ばそのグレード値は１になるか、１以下のそれに近い値
となり、各メンバーシップ関数３０１ｎの全ての積をと
るため出力は同様に１になるか、１以下のそれに近い値
をとることになるためである。一方、偽りのサイン（負
例）の場合は、正例の場合と逆で、認識ネットワーク手
段２０４の出力が小さい時（本実施例では０．５以下を
負例、０．５〜０．７の範囲を判定不能）に、負例とし
て判定する。なお、図１２には図１１の場合と同じ染色
体が負例サインにおいて抽出する各線分を示しており、
この例から判るように、正例における番号１の線分は、
負例において異なった所を示しているということであ
り、サインが一致していないことを示している。

【００４６】ステップ２７０においては、以上のように
して認識ネットワーク手段２０４で評価、判定された結
果を出力手段２０７に出力する。これによって、手書サ
インを入力したユーザの真偽の結果やその度合い等が表
示され、認識モードの処理を終了する。なお、本実施例
においては、入力手段２０１としてタブレット、ディジ
タイザ等のオンライン認識による構成を採用したが、こ
れに限るものではなく、例えば、スキャナ等を用いるこ
とで、オフライン認識による構成を採用してもよい。さ
らに、本実施例では、線分データを用いて個人性特徴を
表したが、これに限るものではなく、例えば、スペクト
ル強度、ストローク密度といった個人性特徴をデータと
して採用してもよい。

【００４７】また、メンバーシップ関数３０１ｎは台形
である必要はなく、入力の揺らぎを吸収できるような形
状のメンバーシップ関数であればよい。

【図面の簡単な説明】

【図１】本発明の一実施例を表す構成図である。

【図２】図１に示す認識ネットワークの詳細な構成図で
ある。

【図３】上記一実施例における動作を表すフローチャー
トである。

【図４】図３に示すデータ抽出処理の詳細なフローチャ
ートである。

【図５】線分データの説明図である。

【図６】分離した線分データの説明図である。

【図７】図３に示す遺伝子操作及び評価の詳細なフロー
チャートである。

【図８】染色体の構成図である。

【図９】メンバーシップ関数を示す図である。

【図１０】遺伝的アルゴリズムの説明図である。

【図１１】染色体が決定したサインデータの一事例（正
例）である。

【図１２】染色体が決定したサインデータの一事例（負
例）である。

【図１３】遺伝子の世代進化における適応度のグラフで
ある。

【図１４】従来のサイン認識装置を表す構成図である。

【符号の説明】

２０１入力手段２０２サイン自動生成手段２０３データ抽出手段２０４認識ネットワーク手段２０５探索手段２０７出力手段３０１ｎメンバーシップ関数Ｌｓi 、Ｓｓi 、θｓi 、Ｃｓi スイッチ手段３０２掛算器３０３評価関数

───────────────────────────────────────────────────── フロントページの続き (72)発明者楊旭華愛知県名古屋市昭和区前山町１−14 ドーミトリ前山Ｂ101 (56)参考文献特開昭63−255761（ＪＰ，Ａ) 特開平４−326006（ＪＰ，Ａ) 特開平５−143738（ＪＰ，Ａ) 特開平５−165969（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06T 7/00 570

Claims

(57)【特許請求の範囲】

【請求項１】手書により書き込まれたサインを入力
し、この入力に応じた信号を出力する入力手段と、この入力手段から出力される信号を所定のタイミングで
抽出し、この抽出した信号から複数の特徴部分を示すデ
ータを生成する特徴データ生成手段と、この特徴データ生成手段にて生成された前記複数の特徴
部分を示すデータを特徴の種類ごとに入力し、入力値に
対して出力値の変化が少なくなる特性のメンバーシップ
関数にて入力したデータのゆらぎを吸収させる複数の独
立したゆらぎ吸収手段と、この複数の独立したゆらぎ吸収手段によってゆらぎが吸
収されたデータを、その特徴の種類ごとに前記所定のタ
イミングで通過もしくは遮断させる複数の独立したスイ
ッチ手段と、この複数の独立したスイッチ手段を通過したデータを入
力し、その入力したデータと学習時に登録したデータと
を比較することで、入力したデータを評価する評価手段
と、前記所定のタイミングを設定すると共に、前記複数の独
立したスイッチの通過もしくは遮断の組み合わせパター
ンを前記所定のタイミングに対応させて設定し、この設
定に応じて前記複数の独立したスイッチを動作させ、こ
の動作状態における前記評価手段の評価を取り込み、こ
の取り込んだ評価が良好な前記組み合わせパターンを探
索する探索手段と、この探索手段が探索した前記組み合わせパターン、この
組み合わせパターンに対応した前記所定のタイミング、
および前記メンバーシップ関数とを記憶する記憶手段
と、を備えたことを特徴とするサイン認識装置。
【請求項２】前記探索手段は、所定数の前記組み合わせパターンを設定し、この設定した前記所定数の組み合わせパターンの中か
ら、前記評価手段の評価が低い組み合わせパターンを所
定の割合だけ削除し、さらに、前記設定した所定数の組み合わせパターンの中
から、前記評価手段の評価が高い組み合わせパターンを
複数個コピーして取り出し、この複数個コピーして取り出した組み合わせパターンを
前記スイッチ手段の特徴の種類を一致させながら、前記
通過もしくは遮断させるかの情報を交差させ、新たな組
み合わせパターンを生成し、この生成された新たな組み合わせパターンを前記所定の
割合だけ削除した部分に補充することを特徴とする請求
項１記載のサイン認識装置。
【請求項３】前記探索手段は、所定数の前記組み合わせパターンを設定し、この設定した前記所定数の組み合わせパターンのうち、
各々の組み合わせパターンに対して、所定の確率で前記
スイッチ手段の通過もしくは遮断させるかの情報を反転
させ、かつ前記組み合わせパターンに対応した前記所定
のタイミングを所定の範囲内で変化させることを特徴と
する請求項１記載のサイン認識装置。