JP3530363B2 - 認識モデル生成方法および画像認識方法 - Google Patents
認識モデル生成方法および画像認識方法Info
- Publication number
- JP3530363B2 JP3530363B2 JP32495797A JP32495797A JP3530363B2 JP 3530363 B2 JP3530363 B2 JP 3530363B2 JP 32495797 A JP32495797 A JP 32495797A JP 32495797 A JP32495797 A JP 32495797A JP 3530363 B2 JP3530363 B2 JP 3530363B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- recognition model
- cluster
- images
- feature vector
- 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 - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Description
【０００１】
【発明の属する技術分野】本発明は、画像中の対象物を
認識するための認識モデル生成方法および、生成した認
識モデルに基づく画像認識方法に関するものである。
認識するための認識モデル生成方法および、生成した認
識モデルに基づく画像認識方法に関するものである。
【０００２】
【従来の技術】画像中の対象物を認識するための認識モ
デルの生成に関する手法は、近年多くの手法が提案され
ている。その中の一つに、認識モデル生成の対象である
対象物が写された画像から直接その対象物の認識モデル
を生成する手法がある。この従来の手法は、対象物が写
された画像に対して、人手により、画像中のどこに対象
物が写っているかを指定することにより、対象物の色ま
たはテクスチャに関する画像特徴を学習し、学習した画
像特徴と対象物を特徴付ける言語表現とを対応付けるこ
とで対象物の認識モデルを生成するというものである
（参考文献１：Ｒ．Ｗ．Ｐicard and Ｔ．Ｐ．Ｍinka，
“Ｖision texture for annotation”，Ｊ．Ｍultimedi
a Ｓystems ３，ｐｐ．３−１４（１９９５））。例え
ば、対象物「空」が写された画像から対象物「空」の認
識モデルを生成する場合、人手により画像中の対象物
「空」の領域を空間的に指定することにより、対象物
「空」の画像特徴を学習し、学習した画像特徴と言語表
現「空」とを対応付けることで認識モデルを生成してい
る。
デルの生成に関する手法は、近年多くの手法が提案され
ている。その中の一つに、認識モデル生成の対象である
対象物が写された画像から直接その対象物の認識モデル
を生成する手法がある。この従来の手法は、対象物が写
された画像に対して、人手により、画像中のどこに対象
物が写っているかを指定することにより、対象物の色ま
たはテクスチャに関する画像特徴を学習し、学習した画
像特徴と対象物を特徴付ける言語表現とを対応付けるこ
とで対象物の認識モデルを生成するというものである
（参考文献１：Ｒ．Ｗ．Ｐicard and Ｔ．Ｐ．Ｍinka，
“Ｖision texture for annotation”，Ｊ．Ｍultimedi
a Ｓystems ３，ｐｐ．３−１４（１９９５））。例え
ば、対象物「空」が写された画像から対象物「空」の認
識モデルを生成する場合、人手により画像中の対象物
「空」の領域を空間的に指定することにより、対象物
「空」の画像特徴を学習し、学習した画像特徴と言語表
現「空」とを対応付けることで認識モデルを生成してい
る。
【０００３】参考文献１では、風景画像を部分メッシュ
画像に分解し、次に、人手により、画像中の認識モデル
生成対象の対象物の領域に含まれる部分メッシュ画像を
複数指定することにより、対象物の画像特徴を学習し、
学習した画像特徴と対象物を特徴付ける言語表現とを対
応付けることで対象物の認識モデルを生成する方法を提
案している。例えば、対象物「空」が写された風景画像
から対象物「空」の認識モデルを生成する場合は、まず
風景画像を部分メッシュ画像に分解し、風景画像中の対
象物「空」の領域に含まれる部分メッシュ画像を人手に
より複数指定することにより、対象物「空」の画像特徴
を学習し、学習した画像特徴と言語表現「空」とを対応
付けることで対象物「空」の認識モデルを生成してい
る。
画像に分解し、次に、人手により、画像中の認識モデル
生成対象の対象物の領域に含まれる部分メッシュ画像を
複数指定することにより、対象物の画像特徴を学習し、
学習した画像特徴と対象物を特徴付ける言語表現とを対
応付けることで対象物の認識モデルを生成する方法を提
案している。例えば、対象物「空」が写された風景画像
から対象物「空」の認識モデルを生成する場合は、まず
風景画像を部分メッシュ画像に分解し、風景画像中の対
象物「空」の領域に含まれる部分メッシュ画像を人手に
より複数指定することにより、対象物「空」の画像特徴
を学習し、学習した画像特徴と言語表現「空」とを対応
付けることで対象物「空」の認識モデルを生成してい
る。
【０００４】
【発明が解決しようとする課題】認識モデル生成対象の
対象物が写された画像に対して、人手により画像中のど
こに対象物が写っているかを指定することにより、対象
物の認識モデルを生成する従来の手法においては、認識
モデル生成対象の対象物の種類が多くなると、画像中の
対象物の領域を指定する作業量が増大するという問題が
ある。
対象物が写された画像に対して、人手により画像中のど
こに対象物が写っているかを指定することにより、対象
物の認識モデルを生成する従来の手法においては、認識
モデル生成対象の対象物の種類が多くなると、画像中の
対象物の領域を指定する作業量が増大するという問題が
ある。
【０００５】本発明が解決しようとする課題は、画像中
のどこに対象物が写っているかを人手により指定するこ
となく、認識モデル生成対象の対象物が写された複数枚
の画像から、対象物の領域を自動的に見い出して対象物
の画像特徴を学習し、対象物の認識モデルを生成する方
法を提案することにある。
のどこに対象物が写っているかを人手により指定するこ
となく、認識モデル生成対象の対象物が写された複数枚
の画像から、対象物の領域を自動的に見い出して対象物
の画像特徴を学習し、対象物の認識モデルを生成する方
法を提案することにある。
【０００６】また、本発明は、生成した認識モデルを使
用して、未知画像に目的の対象物が写っているかどうか
を認識する方法を提案することにある。
用して、未知画像に目的の対象物が写っているかどうか
を認識する方法を提案することにある。
【０００７】
【課題を解決するための手段】本発明に係る認識モデル
生成方法は、認識モデル生成の対象物が共通に写された
複数枚の画像（認識モデル生成用画像）と該対象物を特
徴付ける言語表現を入力して、該入力された各画像を、
例えば等間隔メッシュに分割し、部分メッシュ画像に分
解する段階と、各部分メッシュ画像から色あるいはテク
スチャなどに関する特徴ベクトルを抽出する段階と、該
抽出された特徴ベクトルの集合を、階層構造を持つクラ
スタ群に分類する段階と、該得られたクラスタ群の各ク
ラスタに対して、クラスタを構成する各特徴ベクトルの
抽出元の部分メッシュ画像の集合が、認識モデル生成用
画像のすべての画像の少なくとも１つの部分メッシュ画
像を含むかどうかを調べて、含む場合には、このクラス
タを対象物の画像特徴を特徴付けるクラスタの候補とし
て登録する段階と、該登録された候補クラスタの中で、
クラスタを構成する特徴ベクトルの個数が最も少ないク
ラスタを選び、個数最小クラスタを構成する各特徴ベク
トルに対して、抽出元の部分メッシュ画像が認識モデル
生成対象である対象物の領域に含まれているかどうかを
調べて、抽出元の部分メッシュ画像がすべて、対象物領
域に含まれている場合には、そのクラスタを対象物の画
像特徴を特徴付けるクラスタ（対象物クラスタ）として
判定し獲得する段階と、該獲得した対象物クラスタの重
心を中心とする特徴ベクトル空間の超球でかつ、対象物
クラスタのすべての特徴ベクトルを含む超球を対象物の
画像特徴を特徴付ける領域として生成する段階と、該特
徴ベクトル空間の超球に対して、入力された言語表現を
対応付けることで対象物の認識モデルを生成する段階と
を有することを特徴とする。
生成方法は、認識モデル生成の対象物が共通に写された
複数枚の画像（認識モデル生成用画像）と該対象物を特
徴付ける言語表現を入力して、該入力された各画像を、
例えば等間隔メッシュに分割し、部分メッシュ画像に分
解する段階と、各部分メッシュ画像から色あるいはテク
スチャなどに関する特徴ベクトルを抽出する段階と、該
抽出された特徴ベクトルの集合を、階層構造を持つクラ
スタ群に分類する段階と、該得られたクラスタ群の各ク
ラスタに対して、クラスタを構成する各特徴ベクトルの
抽出元の部分メッシュ画像の集合が、認識モデル生成用
画像のすべての画像の少なくとも１つの部分メッシュ画
像を含むかどうかを調べて、含む場合には、このクラス
タを対象物の画像特徴を特徴付けるクラスタの候補とし
て登録する段階と、該登録された候補クラスタの中で、
クラスタを構成する特徴ベクトルの個数が最も少ないク
ラスタを選び、個数最小クラスタを構成する各特徴ベク
トルに対して、抽出元の部分メッシュ画像が認識モデル
生成対象である対象物の領域に含まれているかどうかを
調べて、抽出元の部分メッシュ画像がすべて、対象物領
域に含まれている場合には、そのクラスタを対象物の画
像特徴を特徴付けるクラスタ（対象物クラスタ）として
判定し獲得する段階と、該獲得した対象物クラスタの重
心を中心とする特徴ベクトル空間の超球でかつ、対象物
クラスタのすべての特徴ベクトルを含む超球を対象物の
画像特徴を特徴付ける領域として生成する段階と、該特
徴ベクトル空間の超球に対して、入力された言語表現を
対応付けることで対象物の認識モデルを生成する段階と
を有することを特徴とする。
【０００８】また、本発明に係る画像認識方法は、入力
された未知画像を、例えば等間隔メッシュに分割し部分
メッシュ画像に分解する段階と、該未知画像の各部分メ
ッシュ画像から特徴ベクトルを抽出する段階と、該抽出
された各特徴ベクトルと前記認識モデル生成方法で生成
した対象物の認識モデルとの照合計算によって、未知画
像に対象物が写っているか否かを判定する段階を有する
ことを特徴とする。
された未知画像を、例えば等間隔メッシュに分割し部分
メッシュ画像に分解する段階と、該未知画像の各部分メ
ッシュ画像から特徴ベクトルを抽出する段階と、該抽出
された各特徴ベクトルと前記認識モデル生成方法で生成
した対象物の認識モデルとの照合計算によって、未知画
像に対象物が写っているか否かを判定する段階を有する
ことを特徴とする。
【０００９】ここで、認識モデル生成の対象である対象
物が共通に写された複数枚の画像は、次の２条件（条件
１）、（条件２）が満たされるようにする。 （条件１） 認識モデル生成用画像中の認識モデル生成
対象である対象物の領域は、認識モデル生成用のすべて
の画像間で、色あるいはテクスチャに関して類似した画
像特徴を持つ。 （条件２） 認識モデル生成用画像中の認識モデル生成
対象である対象物の領域以外の背景領域あるいはその一
部の領域は、認識モデル生成用のすべての画像間で、色
あるいはテクスチャに関して類似した画像特徴を持たな
い。
物が共通に写された複数枚の画像は、次の２条件（条件
１）、（条件２）が満たされるようにする。 （条件１） 認識モデル生成用画像中の認識モデル生成
対象である対象物の領域は、認識モデル生成用のすべて
の画像間で、色あるいはテクスチャに関して類似した画
像特徴を持つ。 （条件２） 認識モデル生成用画像中の認識モデル生成
対象である対象物の領域以外の背景領域あるいはその一
部の領域は、認識モデル生成用のすべての画像間で、色
あるいはテクスチャに関して類似した画像特徴を持たな
い。
【００１０】認識モデル生成対象の対象物の領域に含ま
れる部分メッシュ画像から抽出した特徴ベクトル群は、
（条件１）のため、特徴ベクトル空間内で近接し一つの
クラスタを形成する。したがって、階層的クラスタリン
グ段階で得られたクラスタ群の中から、このクラスタを
獲得することができれば、画像中の対象物の領域を人手
により指定することなく、対象物の画像特徴を学習する
ことが可能となり、対象物の認識モデルの生成が可能と
なる。
れる部分メッシュ画像から抽出した特徴ベクトル群は、
（条件１）のため、特徴ベクトル空間内で近接し一つの
クラスタを形成する。したがって、階層的クラスタリン
グ段階で得られたクラスタ群の中から、このクラスタを
獲得することができれば、画像中の対象物の領域を人手
により指定することなく、対象物の画像特徴を学習する
ことが可能となり、対象物の認識モデルの生成が可能と
なる。
【００１１】ところで、この所望のクラスタは、（条件
１）、（条件２）のため、次の（特徴１）、（特徴２）
を満たすクラスタとして特徴付けて良い。 （特徴１） クラスタは、認識モデル生成用画像のすべ
ての画像の少なくとも一つの部分メッシュ画像から抽出
した特徴ベクトルを含む。 （特徴２） クラスタは、特徴１を満たすクラスタの中
で階層が最も低い。すなわち、階層構造をデンドログラ
ムにより表現した場合、このクラスタは、特徴１を満た
すクラスタの中で、デンドログラム上最も末端に位置す
る。
１）、（条件２）のため、次の（特徴１）、（特徴２）
を満たすクラスタとして特徴付けて良い。 （特徴１） クラスタは、認識モデル生成用画像のすべ
ての画像の少なくとも一つの部分メッシュ画像から抽出
した特徴ベクトルを含む。 （特徴２） クラスタは、特徴１を満たすクラスタの中
で階層が最も低い。すなわち、階層構造をデンドログラ
ムにより表現した場合、このクラスタは、特徴１を満た
すクラスタの中で、デンドログラム上最も末端に位置す
る。
【００１２】したがって、これら２つの特徴を同時に満
たすクラスタを、階層的クラスタリング段階において得
られたクラスタ群の中より、探し出すことで所望のクラ
スタを獲得できる。このような方法で獲得したクラスタ
を、特徴付け領域生成段階において、クラスタを含むよ
り大きな超球に領域を一般化し、次いで、この超球に対
して、入力された言語表現を対応付けることで対象物の
認識モデルを生成する。生成された認識モデルは認識用
辞書として保持し、未知画像中の対象物の認識に利用す
る。
たすクラスタを、階層的クラスタリング段階において得
られたクラスタ群の中より、探し出すことで所望のクラ
スタを獲得できる。このような方法で獲得したクラスタ
を、特徴付け領域生成段階において、クラスタを含むよ
り大きな超球に領域を一般化し、次いで、この超球に対
して、入力された言語表現を対応付けることで対象物の
認識モデルを生成する。生成された認識モデルは認識用
辞書として保持し、未知画像中の対象物の認識に利用す
る。
【００１３】
【発明の実施の形態】以下に、本発明の実施の形態につ
いて図面を参照して説明する。図１は本発明の認識モデ
ル生成方法を実施する処理の流れを示す図である。この
処理は、キーボード、イメージスキャナ、ディスプレ
ィ、ＣＰＵ及びメモリ装置などからなる所謂コンピュー
タシステムを使用して実現されるが、その構成は周知で
あるので図示は省略する。
いて図面を参照して説明する。図１は本発明の認識モデ
ル生成方法を実施する処理の流れを示す図である。この
処理は、キーボード、イメージスキャナ、ディスプレ
ィ、ＣＰＵ及びメモリ装置などからなる所謂コンピュー
タシステムを使用して実現されるが、その構成は周知で
あるので図示は省略する。
【００１４】まず、イメージスキャナなどを利用して、
あらかじめ認識モデル生成対象である対象物が共通に写
された複数毎の画像（認識モデル生成用画像）を入力
し、メモリ等に格納する（ステップ１０１）。また、キ
ーボードなどを使用して、この認識モデル生成対象であ
る対象物を特徴付ける言語表現を入力し、レジスタ等に
設定する（ステップ１０２）。ここで、認識モデル生成
対象である対象物が共通に写された複数毎の画像には、
先の２条件（条件１）、（条件２）が満たされるように
する。
あらかじめ認識モデル生成対象である対象物が共通に写
された複数毎の画像（認識モデル生成用画像）を入力
し、メモリ等に格納する（ステップ１０１）。また、キ
ーボードなどを使用して、この認識モデル生成対象であ
る対象物を特徴付ける言語表現を入力し、レジスタ等に
設定する（ステップ１０２）。ここで、認識モデル生成
対象である対象物が共通に写された複数毎の画像には、
先の２条件（条件１）、（条件２）が満たされるように
する。
【００１５】次いで、ＣＰＵ上で以下の処理を実行し
て、対象物の認識モデルを自動生成する。最初、入力さ
れた各画像を等間隔メッシュに分割し、部分メッシュ画
像に分解する（ステップ１１１）。次に、各画像につい
て、各部分メッシュ画像から色またはテクスチャなどに
関する特徴ベクトルを抽出し（ステップ１１２）、この
抽出された特徴ベクトルの集合を、階層構造を持つクラ
スタ群に分類する（ステップ１１３）。この得られたク
ラスタ群の各クラスタに対して、クラスタを構成する各
特徴ベクトルの抽出元の部分メッシュ画像の集合が、認
識モデル生成用画像のすべての画像の少なくとも１つの
部分メッシュ画像を含むかどうかを調べて、含む場合に
は、このクラスタを対象物の画像特徴を特徴付けるクラ
スタの候補として登録する（ステップ１１４）。次に、
この登録された候補クラスタの中で、クラスタを構成す
る特徴ベクトルの個数が最も少ないクラスタを選び、個
数最小クラスタを構成する各特徴ベクトルに対して、抽
出元の部分メッシュ画像が認識モデル生成対象である対
象物の領域に含まれているかどうかを調べて、抽出元の
部分メッシュ画像がすべて、対象物領域に含まれている
場合には、そのクラスタを対象物の画像特徴を特徴付け
るクラスタ（対象物クラスタ）として判定し獲得する
（ステップ１１５）。次に、この獲得した対象物クラス
タの重心を中心とする特徴ベクトル空間の超球でかつ、
対象物クラスタのすべての特徴ベクトルを含む超球を、
対象物の画像特徴を特徴付ける領域として生成する（ス
テップ１１６）。最後に、この生成された特徴ベクトル
空間の超球に対して、入力された言語表現を対応付ける
ことで認識モデルを生成する（ステップ１１７）。な
お、生成した認識モデルは認識用辞書として辞書メモリ
に保存する。
て、対象物の認識モデルを自動生成する。最初、入力さ
れた各画像を等間隔メッシュに分割し、部分メッシュ画
像に分解する（ステップ１１１）。次に、各画像につい
て、各部分メッシュ画像から色またはテクスチャなどに
関する特徴ベクトルを抽出し（ステップ１１２）、この
抽出された特徴ベクトルの集合を、階層構造を持つクラ
スタ群に分類する（ステップ１１３）。この得られたク
ラスタ群の各クラスタに対して、クラスタを構成する各
特徴ベクトルの抽出元の部分メッシュ画像の集合が、認
識モデル生成用画像のすべての画像の少なくとも１つの
部分メッシュ画像を含むかどうかを調べて、含む場合に
は、このクラスタを対象物の画像特徴を特徴付けるクラ
スタの候補として登録する（ステップ１１４）。次に、
この登録された候補クラスタの中で、クラスタを構成す
る特徴ベクトルの個数が最も少ないクラスタを選び、個
数最小クラスタを構成する各特徴ベクトルに対して、抽
出元の部分メッシュ画像が認識モデル生成対象である対
象物の領域に含まれているかどうかを調べて、抽出元の
部分メッシュ画像がすべて、対象物領域に含まれている
場合には、そのクラスタを対象物の画像特徴を特徴付け
るクラスタ（対象物クラスタ）として判定し獲得する
（ステップ１１５）。次に、この獲得した対象物クラス
タの重心を中心とする特徴ベクトル空間の超球でかつ、
対象物クラスタのすべての特徴ベクトルを含む超球を、
対象物の画像特徴を特徴付ける領域として生成する（ス
テップ１１６）。最後に、この生成された特徴ベクトル
空間の超球に対して、入力された言語表現を対応付ける
ことで認識モデルを生成する（ステップ１１７）。な
お、生成した認識モデルは認識用辞書として辞書メモリ
に保存する。
【００１６】次に、本発明による認識モデル生成に関す
る具体的な処理例を図２，図３，図４を参照して説明す
る。
る具体的な処理例を図２，図３，図４を参照して説明す
る。
【００１７】まず、認識モデル生成対象である対象物が
共通に写された画像１，・・・，画像Ｎを入力する。た
だし、各画像には次の２条件が満たされるようにする。 （条件１） 認識モデル生成用画像中の認識モデル生成
対象である対象物の領域は、認識モデル生成用のすべて
の画像間で、色あるいはテクスチャに関して類似した画
像特徴を持つ。 （条件２） 認識モデル生成用画像中の認識モデル生成
対象である対象物の領域以外の背景領域あるいはその一
部の領域は、認識モデル生成用のすべての画像間で、色
あるいはテクスチャに関して類似した画像特徴を持たな
い。
共通に写された画像１，・・・，画像Ｎを入力する。た
だし、各画像には次の２条件が満たされるようにする。 （条件１） 認識モデル生成用画像中の認識モデル生成
対象である対象物の領域は、認識モデル生成用のすべて
の画像間で、色あるいはテクスチャに関して類似した画
像特徴を持つ。 （条件２） 認識モデル生成用画像中の認識モデル生成
対象である対象物の領域以外の背景領域あるいはその一
部の領域は、認識モデル生成用のすべての画像間で、色
あるいはテクスチャに関して類似した画像特徴を持たな
い。
【００１８】ここでは、例えば「青く晴れた空」という
対象物の認識モデルを生成することを想定し、対象物
「青く晴れた空」が共通に写された画像１，・・・，画
像Ｎを、（条件１）、（条件２）が満たされるように選
んで入力するものとする。（条件１）により、画像１，
・・・，画像Ｎにはそれぞれ、対象物「青く晴れた空」
の領域内にあってかつ、互いに類似した画像特徴を持つ
矩型領域が含まれていることになる。図２に、認識モデ
ル生成対象の対象物の領域を斜線部分で示す。この例で
は、ａ（１，１），ａ（２，１），ａ（Ｎ，Ｋ）など
が、互いに類似した画像特徴を持つ矩型領域である。こ
こで、矩型のサイズを最小のものにそろえることによっ
て、矩型領域のサイズを同一とすることができる。一
方、（条件２）により、このような性質を持つ矩型領域
は、それぞれ元の画像の対象物「青く晴れた空」の領域
に含まれるものに限られることになる。したがって、認
識モデル生成用画像の各画像中から、互いに類似した画
像特徴を持つサイズ同一の矩型領域を自動的に見い出す
ことができれば、その矩型領域の画像特徴を学習するこ
とにより、対象物「青く晴れた空」の画像特徴を、領域
を人手により指定することなく学習することが可能とな
る。ただし、この時点では、入力された各画像のどの位
置にその矩型領域が存在するかが処理系には分からない
ので、とりあえず、入力された各画像を適当なサイズの
等間隔メッシュに分割する。すなわち、入力された画像
１，・・・，画像Ｎを、画像分割処理（ステップ１１
１）において、図２のように、適当なサイズの部分メッ
シュ画像ａ（１，１），・・・，ａ（Ｎ，Ｋ）に分解す
る。図２は４×４のメッシュに分割した例を示してい
る。なお、以下の一連の処理を行っても、対象物「青く
晴れた空」の画像特徴の学習が達成できない場合には、
等間隔メッシュの分割サイズをより小さいものに自動的
に変更して初めから処理をやり直すこととする。
対象物の認識モデルを生成することを想定し、対象物
「青く晴れた空」が共通に写された画像１，・・・，画
像Ｎを、（条件１）、（条件２）が満たされるように選
んで入力するものとする。（条件１）により、画像１，
・・・，画像Ｎにはそれぞれ、対象物「青く晴れた空」
の領域内にあってかつ、互いに類似した画像特徴を持つ
矩型領域が含まれていることになる。図２に、認識モデ
ル生成対象の対象物の領域を斜線部分で示す。この例で
は、ａ（１，１），ａ（２，１），ａ（Ｎ，Ｋ）など
が、互いに類似した画像特徴を持つ矩型領域である。こ
こで、矩型のサイズを最小のものにそろえることによっ
て、矩型領域のサイズを同一とすることができる。一
方、（条件２）により、このような性質を持つ矩型領域
は、それぞれ元の画像の対象物「青く晴れた空」の領域
に含まれるものに限られることになる。したがって、認
識モデル生成用画像の各画像中から、互いに類似した画
像特徴を持つサイズ同一の矩型領域を自動的に見い出す
ことができれば、その矩型領域の画像特徴を学習するこ
とにより、対象物「青く晴れた空」の画像特徴を、領域
を人手により指定することなく学習することが可能とな
る。ただし、この時点では、入力された各画像のどの位
置にその矩型領域が存在するかが処理系には分からない
ので、とりあえず、入力された各画像を適当なサイズの
等間隔メッシュに分割する。すなわち、入力された画像
１，・・・，画像Ｎを、画像分割処理（ステップ１１
１）において、図２のように、適当なサイズの部分メッ
シュ画像ａ（１，１），・・・，ａ（Ｎ，Ｋ）に分解す
る。図２は４×４のメッシュに分割した例を示してい
る。なお、以下の一連の処理を行っても、対象物「青く
晴れた空」の画像特徴の学習が達成できない場合には、
等間隔メッシュの分割サイズをより小さいものに自動的
に変更して初めから処理をやり直すこととする。
【００１９】次に、特徴ベクトル抽出処理（ステップ１
１２）において、各部分メッシュ画像から色またはテク
スチャに関する特徴ベクトルｖ（１，１），・・・，ｖ
（Ｎ，Ｋ）を抽出する。これを、同じく図２に示す。図
２では特徴ベクトル空間の次元を２次元としている。次
に、階層的クラスタリング処理（ステップ１１３）にお
いて、特徴ベクトルの集合｛ｖ（１、１）、・・・、ｖ
（Ｎ、Ｋ）｝を、図３のように、階層構造を持つクラス
タ群に分類する。図３は、３回統合処理を繰り返した後
のクラスタ形成の様子を表わし、クラスタに付けられた
数字は、そのクラスタが何回目の統合処理で形成された
かを表わしている。
１２）において、各部分メッシュ画像から色またはテク
スチャに関する特徴ベクトルｖ（１，１），・・・，ｖ
（Ｎ，Ｋ）を抽出する。これを、同じく図２に示す。図
２では特徴ベクトル空間の次元を２次元としている。次
に、階層的クラスタリング処理（ステップ１１３）にお
いて、特徴ベクトルの集合｛ｖ（１、１）、・・・、ｖ
（Ｎ、Ｋ）｝を、図３のように、階層構造を持つクラス
タ群に分類する。図３は、３回統合処理を繰り返した後
のクラスタ形成の様子を表わし、クラスタに付けられた
数字は、そのクラスタが何回目の統合処理で形成された
かを表わしている。
【００２０】なお、特徴ベクトル抽出に関しては、例え
ば、「Ｙ-Ｉ Ｏhta Ｔ．Ｋanadeand Ｔ．Ｓakai，“Ｃo
lor information for region segmentation”，Ｃomp．
and Ｉmg．Ｐroc.，１３：２２２−２４１（１９８
０）」（参考文献２）や「Ｊ．Ｍao and Ａ．Ｋ．Ｊai
n，“Ｔexture classification and segmentationusing
multiresolution simultaneous autoregressive model
s”，Ｐatt．Ｒec.，２５（２）：１７３−１８８（１
９９２）」(参考文献３）に詳述されており、階層的ク
ラスタリングに関しては、例えば、「高木幹男、下田陽
久、“画像解析ハンドブック”、東京大学出版会（１９
９１）」（参考文献４）に詳述されている。
ば、「Ｙ-Ｉ Ｏhta Ｔ．Ｋanadeand Ｔ．Ｓakai，“Ｃo
lor information for region segmentation”，Ｃomp．
and Ｉmg．Ｐroc.，１３：２２２−２４１（１９８
０）」（参考文献２）や「Ｊ．Ｍao and Ａ．Ｋ．Ｊai
n，“Ｔexture classification and segmentationusing
multiresolution simultaneous autoregressive model
s”，Ｐatt．Ｒec.，２５（２）：１７３−１８８（１
９９２）」(参考文献３）に詳述されており、階層的ク
ラスタリングに関しては、例えば、「高木幹男、下田陽
久、“画像解析ハンドブック”、東京大学出版会（１９
９１）」（参考文献４）に詳述されている。
【００２１】次に、候補クラスタ登録処理（ステップ１
１４）において、得られた各クラス夕に対して、図４に
示すように、クラスタを構成する特徴ベクトルの抽出元
の部分メッシュ画像の集合が、入力されたすべての画像
の少なくとも１つの部分メッシュ画像を含むかどうかを
調べて、含む場合には、このクラスタを対象物の画像特
徴を特徴付けるクラスタの候補として登録する。すなわ
ち、着目するクラスタＣが、 Ｃ＝｛ｖ（ｉ１，ｊ１），ｖ（ｉ２，ｊ２），・・・，ｖ（ｉｐ，ｊｐ）｝ の特徴ベクトルで構成されるなら、これらｐ個の特徴ベ
クトルの抽出元の部分メッシュ画像で構成される集合Ｃ
＾は Ｃ＾＝｛ａ（ｉ１，ｊ１），ａ（ｉ２，ｊ２），・・・，ａ（ｉｐ，ｊｐ）｝ と表わされるが、ここで、集合Ｃ＾が、入力されたＮ枚
すべての画像の少なくとも一つの部分メッシュ画像を含
む場合には、このクラスタＣを、対象物の画像特徴を特
徴付けるクラスタの候補として登録する。図４は、クラ
スタＣがＮ枚すべての画像の少なくとも一つの部分メッ
シュ画像から抽出された特徴ベクトルを含んでいること
を表わしている。
１４）において、得られた各クラス夕に対して、図４に
示すように、クラスタを構成する特徴ベクトルの抽出元
の部分メッシュ画像の集合が、入力されたすべての画像
の少なくとも１つの部分メッシュ画像を含むかどうかを
調べて、含む場合には、このクラスタを対象物の画像特
徴を特徴付けるクラスタの候補として登録する。すなわ
ち、着目するクラスタＣが、 Ｃ＝｛ｖ（ｉ１，ｊ１），ｖ（ｉ２，ｊ２），・・・，ｖ（ｉｐ，ｊｐ）｝ の特徴ベクトルで構成されるなら、これらｐ個の特徴ベ
クトルの抽出元の部分メッシュ画像で構成される集合Ｃ
＾は Ｃ＾＝｛ａ（ｉ１，ｊ１），ａ（ｉ２，ｊ２），・・・，ａ（ｉｐ，ｊｐ）｝ と表わされるが、ここで、集合Ｃ＾が、入力されたＮ枚
すべての画像の少なくとも一つの部分メッシュ画像を含
む場合には、このクラスタＣを、対象物の画像特徴を特
徴付けるクラスタの候補として登録する。図４は、クラ
スタＣがＮ枚すべての画像の少なくとも一つの部分メッ
シュ画像から抽出された特徴ベクトルを含んでいること
を表わしている。
【００２２】次に、対象物クラスタ獲得処理（ステップ
１１５）において、登録した候補クラスタの中でクラス
タを構成する特徴ベクトルの個数が最も少ないクラスタ
Ｃminを選択し、次いで、クラスタＣminを構成する各特
徴ベクトルの抽出元の部分メッシュ画像が、認識モデル
生成対象である対象物の領域に含まれているか否かを調
べて、抽出元の部分メッシュ画像がすべて対象物領域に
含まれている場合には、クラスタＣminを対象物の画像
特徴を特徴付けるクラスタとして判定し獲得する。すな
わち、クラスタＣminが、 Ｃmin＝｛ｖ（ｉ１min，ｊ１min），ｖ（ｉ２min，ｊ２min），・・・， ｖ（ｉｑmin，ｊｑmin）｝ と表わされるなら、クラスタＣminの抽出元の部分メッ
シュ画像で構成される集合Ｃmin＾は、 Ｃmin＾＝｛ａ（ｉ１min，ｊ１min），ａ（ｉ２min，ｊ２min），・・・， ａ（ｉｑmin、ｊｑmin）｝ と表わされるが、このとき、各部分メッシュ画像ａ（ｉ
ｋmin，ｊｋmin）が、対象物「青く晴れた空」の領域に
含まれているか否かを、図４のように、各部分メッシュ
画像ａ（ｉｋmin，ｊｋmin）にアウトラインを付けて元
の画像中で強調表示して調べて、各部分メッシュ画像ａ
（ｉｋmin，ｊｋmin）がすべて対象物「青く晴れた空」
の領域に含まれている場合には、クラスタＣminを対象
物の画像特徴を特徴付けるクラスタとして判定し獲得す
る。
１１５）において、登録した候補クラスタの中でクラス
タを構成する特徴ベクトルの個数が最も少ないクラスタ
Ｃminを選択し、次いで、クラスタＣminを構成する各特
徴ベクトルの抽出元の部分メッシュ画像が、認識モデル
生成対象である対象物の領域に含まれているか否かを調
べて、抽出元の部分メッシュ画像がすべて対象物領域に
含まれている場合には、クラスタＣminを対象物の画像
特徴を特徴付けるクラスタとして判定し獲得する。すな
わち、クラスタＣminが、 Ｃmin＝｛ｖ（ｉ１min，ｊ１min），ｖ（ｉ２min，ｊ２min），・・・， ｖ（ｉｑmin，ｊｑmin）｝ と表わされるなら、クラスタＣminの抽出元の部分メッ
シュ画像で構成される集合Ｃmin＾は、 Ｃmin＾＝｛ａ（ｉ１min，ｊ１min），ａ（ｉ２min，ｊ２min），・・・， ａ（ｉｑmin、ｊｑmin）｝ と表わされるが、このとき、各部分メッシュ画像ａ（ｉ
ｋmin，ｊｋmin）が、対象物「青く晴れた空」の領域に
含まれているか否かを、図４のように、各部分メッシュ
画像ａ（ｉｋmin，ｊｋmin）にアウトラインを付けて元
の画像中で強調表示して調べて、各部分メッシュ画像ａ
（ｉｋmin，ｊｋmin）がすべて対象物「青く晴れた空」
の領域に含まれている場合には、クラスタＣminを対象
物の画像特徴を特徴付けるクラスタとして判定し獲得す
る。
【００２３】階層的クラスタリング処理（ステップ１１
３）は類似した特徴ベクトル同士を順次統合してクラス
タを成長させる処理である。したがって、各部分メッシ
ュ画像から抽出したすべての特徴ベクトルは、最終的に
は一つのクラスタＣmaxに統合される。ゆえに、候補ク
ラスタ登録処理（ステップ１１４）において登録した候
補クラスタの中には、クラスタＣmaxも含まれることに
なる。ところが、入力された認識モデル生成用画像の中
には、一般に、対象物「青く晴れた空」の領域以外の別
の領域も存在するため、クラスタＣmaxには、対象物
「青く晴れた空」の領域以外の別の領域に含まれる部分
メッシュ画像から抽出された特徴ベクトルも含まれる。
例えば、入力された画像１に、対象物「青く晴れた空」
以外に、例えば対象物「アスファルトの道路」が写って
いるとすると、対象物「アスファルトの道路」の領域に
含まれる部分メッシュ画像から抽出された特徴ベクトル
もＣmaxに含まれる。候補クラスタ登録処理において登
録した候補クラスタの中から、クラスタを構成する特徴
ベクトルの個数が最も少ないクラスタを選択する理由
は、クラスタＣmaxのように過剰成長し、対象物とは無
関係な特徴ベクトルを含む可能性のあるクラスタを除外
するためである。
３）は類似した特徴ベクトル同士を順次統合してクラス
タを成長させる処理である。したがって、各部分メッシ
ュ画像から抽出したすべての特徴ベクトルは、最終的に
は一つのクラスタＣmaxに統合される。ゆえに、候補ク
ラスタ登録処理（ステップ１１４）において登録した候
補クラスタの中には、クラスタＣmaxも含まれることに
なる。ところが、入力された認識モデル生成用画像の中
には、一般に、対象物「青く晴れた空」の領域以外の別
の領域も存在するため、クラスタＣmaxには、対象物
「青く晴れた空」の領域以外の別の領域に含まれる部分
メッシュ画像から抽出された特徴ベクトルも含まれる。
例えば、入力された画像１に、対象物「青く晴れた空」
以外に、例えば対象物「アスファルトの道路」が写って
いるとすると、対象物「アスファルトの道路」の領域に
含まれる部分メッシュ画像から抽出された特徴ベクトル
もＣmaxに含まれる。候補クラスタ登録処理において登
録した候補クラスタの中から、クラスタを構成する特徴
ベクトルの個数が最も少ないクラスタを選択する理由
は、クラスタＣmaxのように過剰成長し、対象物とは無
関係な特徴ベクトルを含む可能性のあるクラスタを除外
するためである。
【００２４】なお、クラスタＣminを構成するすべての
特徴ベクトルのうちで一つでも、特徴ベクトルの抽出元
の部分メッシュ画像が、認識モデル生成対象である対象
物の領域に含まれない場合には、使用した特徴量とは別
の特徴量を用いて再度、特徴ベクトル抽出処理（ステッ
プ１１２）の処理から一連の処理を繰り返すようにす
る。
特徴ベクトルのうちで一つでも、特徴ベクトルの抽出元
の部分メッシュ画像が、認識モデル生成対象である対象
物の領域に含まれない場合には、使用した特徴量とは別
の特徴量を用いて再度、特徴ベクトル抽出処理（ステッ
プ１１２）の処理から一連の処理を繰り返すようにす
る。
【００２５】次に、特徴付け領域生成処理（ステップ１
１６）において、対象物クラスタの重心を中心とし、重
心と対象物クラスタの各特徴ベクトルとの距離の最大値
を半径とする特徴ベクトル空間の超球を、対象物「青く
晴れた空」の画像特徴を特徴付ける領域として生成す
る。そして、人手によって、「青く晴れた空」という言
語表現を入力する（ステップ１０２）。最後に、認識モ
デル生成処理（ステップ１１７）において、対象物「青
く晴れた空」を特徴付ける特徴ベクトル空間の超球に対
して、入力された言語表現「青く晴れた空」を対応付け
ることで、対象物「青く晴れた空」の認識モデルを生成
する。
１６）において、対象物クラスタの重心を中心とし、重
心と対象物クラスタの各特徴ベクトルとの距離の最大値
を半径とする特徴ベクトル空間の超球を、対象物「青く
晴れた空」の画像特徴を特徴付ける領域として生成す
る。そして、人手によって、「青く晴れた空」という言
語表現を入力する（ステップ１０２）。最後に、認識モ
デル生成処理（ステップ１１７）において、対象物「青
く晴れた空」を特徴付ける特徴ベクトル空間の超球に対
して、入力された言語表現「青く晴れた空」を対応付け
ることで、対象物「青く晴れた空」の認識モデルを生成
する。
【００２６】図５は、上述のようにして生成した認識モ
デルに基づく本発明の画像認識方法を実施する処理の流
れを示す図である。この処理も実際にはコンピュータシ
ステム上で実現される。
デルに基づく本発明の画像認識方法を実施する処理の流
れを示す図である。この処理も実際にはコンピュータシ
ステム上で実現される。
【００２７】まず、カメラや画像記録媒体などの未知画
像を入力する（ステップ２０１）。この入力された未知
画像を等間隔メッシュに分割して複数の部分メッシュ画
像に分解し（ステップ２１１）、該未知画像の各部分メ
ッシュ画像から特徴ベクトルを抽出する（ステップ２１
２）。これらは、基本的に図１のステップ１１１，１１
２と同様である。この抽出された各特徴ベクトルと上述
の認識モデル生成方法を用いて生成されて保存しておい
て認識モデルとの照合計算によって、未知画像中に対象
物が写っているか否かを判定する（ステップ２１３）。
像を入力する（ステップ２０１）。この入力された未知
画像を等間隔メッシュに分割して複数の部分メッシュ画
像に分解し（ステップ２１１）、該未知画像の各部分メ
ッシュ画像から特徴ベクトルを抽出する（ステップ２１
２）。これらは、基本的に図１のステップ１１１，１１
２と同様である。この抽出された各特徴ベクトルと上述
の認識モデル生成方法を用いて生成されて保存しておい
て認識モデルとの照合計算によって、未知画像中に対象
物が写っているか否かを判定する（ステップ２１３）。
【００２８】次に、本発明の認識モデルに基づいた画像
認識方法の具体的な処理例を図６を参照して説明する。
ここでは、未知画像Ｘに対象物「青く晴れた空」が写っ
ているか否かを判定するとする。
認識方法の具体的な処理例を図６を参照して説明する。
ここでは、未知画像Ｘに対象物「青く晴れた空」が写っ
ているか否かを判定するとする。
【００２９】未知画像Ｘを入力し、まず、画像分割処理
（ステップ２１１）において、未知画像Ｘを部分メッシ
ュ画像ｂ（１），・・・，ｂ（Ｋ）に分解する。次に、
特徴ベクトル抽出処理（ステップ２１２）において、未
知画像Ｘの各部分メッシュ画像ｂ（ｊ）（１≦ｊ≦Ｋ）
から、対象物「青く晴れた空」の認識モデルを生成した
特徴量と同じ特徴量を用いて、特徴ベクトルｗ（１），
・・・，ｗ（Ｋ）を抽出する。このように、各部分メッ
シュ画像ｂ（ｊ）から抽出する特徴量は、判定対象とな
る対象物の認識モデルを生成した特徴量と同一のものに
する必要がある。最後に、認識モデル照合処理（ステッ
プ２１３）において、対象物「青く晴れた空」の認識モ
デルとの照合計算によって、未知画像Ｘに対象物「青く
晴れた空」が写っているか否かを判定する。すなわち、
図６に示すように、抽出した特徴ベクトルｗ（１），・
・・，ｗ（Ｋ）のうちで少なくとも一つの特徴ベクトル
が対象物の画像特徴を特徴付ける特徴ベクトル空間の超
球に含まれるかどうかを調べて、一つでも特徴ベクトル
が含まれる場合には、未知画像Ｘには対象物「青く晴れ
た空」が写っていると判定し、言語表現「青く晴れた
空」を未知画像Ｘに付与する。
（ステップ２１１）において、未知画像Ｘを部分メッシ
ュ画像ｂ（１），・・・，ｂ（Ｋ）に分解する。次に、
特徴ベクトル抽出処理（ステップ２１２）において、未
知画像Ｘの各部分メッシュ画像ｂ（ｊ）（１≦ｊ≦Ｋ）
から、対象物「青く晴れた空」の認識モデルを生成した
特徴量と同じ特徴量を用いて、特徴ベクトルｗ（１），
・・・，ｗ（Ｋ）を抽出する。このように、各部分メッ
シュ画像ｂ（ｊ）から抽出する特徴量は、判定対象とな
る対象物の認識モデルを生成した特徴量と同一のものに
する必要がある。最後に、認識モデル照合処理（ステッ
プ２１３）において、対象物「青く晴れた空」の認識モ
デルとの照合計算によって、未知画像Ｘに対象物「青く
晴れた空」が写っているか否かを判定する。すなわち、
図６に示すように、抽出した特徴ベクトルｗ（１），・
・・，ｗ（Ｋ）のうちで少なくとも一つの特徴ベクトル
が対象物の画像特徴を特徴付ける特徴ベクトル空間の超
球に含まれるかどうかを調べて、一つでも特徴ベクトル
が含まれる場合には、未知画像Ｘには対象物「青く晴れ
た空」が写っていると判定し、言語表現「青く晴れた
空」を未知画像Ｘに付与する。
【００３０】
【発明の効果】以上説明したように、本発明によれば、
認識モデル生成対象である対象物が共通に写された複数
枚の画像を与えることによって、対象物の領域が画像中
のどこにあるかを人手により指定することなく、処理系
で対象物の領域を自動的に見い出して対象物の画像特徴
を学習し、対象物の認識モデルを生成することが可能と
なる。これにより、対象物の領域を人間が指定する従来
の手法と比較して認識モデルの生成に係る作業量を軽減
できる。また、このようにして生成された認識モデルに
基づいて、未知画像中から目的の対象物を容易に認識す
ることができる。
認識モデル生成対象である対象物が共通に写された複数
枚の画像を与えることによって、対象物の領域が画像中
のどこにあるかを人手により指定することなく、処理系
で対象物の領域を自動的に見い出して対象物の画像特徴
を学習し、対象物の認識モデルを生成することが可能と
なる。これにより、対象物の領域を人間が指定する従来
の手法と比較して認識モデルの生成に係る作業量を軽減
できる。また、このようにして生成された認識モデルに
基づいて、未知画像中から目的の対象物を容易に認識す
ることができる。
【図１】本発明の認識モデル生成方法に係る処理の流れ
を示す図である。
を示す図である。
【図２】認識モデル生成用画像を等間隔メッシュに分割
した例及び各部分メッシュ画像から特徴ベクトルを抽出
した例を示す図である。
した例及び各部分メッシュ画像から特徴ベクトルを抽出
した例を示す図である。
【図３】抽出した特徴ベクトルの集合を階層構造を持つ
クラスタ群に分類する過程を示す図である。
クラスタ群に分類する過程を示す図である。
【図４】一つのクラスタを構成する各特徴ベクトルが、
どの部分メッシュ画像から抽出されたかを調べる過程を
示す図である。
どの部分メッシュ画像から抽出されたかを調べる過程を
示す図である。
【図５】本発明の画像認識方法に係る処理の流れを示す
図である。
図である。
【図６】未知画像Ｘ中の対象物を判定する処理の流れを
具体的に説明する図である。
具体的に説明する図である。
１０１ 認識モデル生成用画像入力
１０２ 言語表現入力
１１１ 認識モデル生成用画像に関する画像分割処理
１１２ 認識モデル生成用画像に関する特徴ベクトル
抽出処理 １１３ 階層的クラスタリング処理 １１４ 候補クラスタ登録処理 １１５ 対象物クラスタ獲得処理 １１６ 特徴付け領域生成処理 １１７ 認識モデル生成処理 ２０１ 未知画像入力 ２１１ 未知画像に関する画像分割処理 ２１２ 未知画像に関する特徴ベクトル抽出処理 ２１３ 認識モデル照合処理
抽出処理 １１３ 階層的クラスタリング処理 １１４ 候補クラスタ登録処理 １１５ 対象物クラスタ獲得処理 １１６ 特徴付け領域生成処理 １１７ 認識モデル生成処理 ２０１ 未知画像入力 ２１１ 未知画像に関する画像分割処理 ２１２ 未知画像に関する特徴ベクトル抽出処理 ２１３ 認識モデル照合処理
─────────────────────────────────────────────────────
フロントページの続き
(56)参考文献 特開 平７−160885（ＪＰ，Ａ)
画像処理標準テキストブック編集委員
会，イメージプロセッシング＜画像処理
標準テキストブック＞，日本，財団法人
画像情報教育振興協会，1997年 ２月25
日，ｐｐ．239−245
(58)調査した分野(Int.Cl.7，ＤＢ名)
G06T 7/00
ＪＩＣＳＴファイル（ＪＯＩＳ)
Claims (2)
- 【請求項１】 認識モデル生成の対象物が共通に写され
た複数枚の画像（以下、認識モデル生成用画像）と前記
対象物を特徴付ける言語表現を入力して認識モデルを生
成する方法であって、 前記入力された各認識モデル生成用画像を部分画像に分
解する段階と、 前記分解された各部分画像から特徴ベクトルを抽出する
段階と、 前記抽出された特徴ベクトルの集合を、階層構造を持つ
クラスタ群に分類する段階と、 前記分類されたクラスタ群の各クラスタに対して、クラ
スタを構成する各特徴ベクトルの抽出元の部分画像の集
合が、前記入力された認識モデル生成用画像のすべての
画像の少なくとも１つの部分画像を含むかどうかを調べ
て、含む場合に、当該クラスタを対象物の画像特徴を特
徴付けるクラスタの候補として登録する段階と、 前記登録された候補クラスタの中で、クラスタを構成す
る特徴ベクトルの個数が最も少ないクラスタを選び、個
数最小クラスタを構成する各特徴ベクトルに対して、抽
出元の部分画像が認識モデル生成対象である対象物の領
域に含まれているかどうかを調べて、抽出元の部分画像
がすべて、対象物領域に含まれている場合に、当該クラ
スタを対象物の画像特徴を特徴付ける対象物クラスタと
して判定し獲得する段階と、 前記獲得した対象物クラスタの重心を中心とする特徴ベ
クトル空間の超球でかつ、対象物クラスタのすべての特
徴ベクトルを含む超球を、対象物を特徴付ける領域とし
て生成する段階と、 前記生成された特徴ベクトル空間の超球に対して前記入
力された言語表現を対応付けることで対象物の認識モデ
ルを生成する段階と、 を有することを特徴とする認識モデル生成方法。 - 【請求項２】 請求項１記載の認識モデル生成方法によ
って生成された認識モデルに基づいて、入力された未知
画像の対象物を認識する方法であって、 入力された未知画像を部分画像に分解する段階と、 未知画像の各部分画像から特徴ベクトルを抽出する段階
と、 前記抽出された各特徴ベクトルと前記生成した対象物の
認識モデルとの照合計算によって、未知画像に対象物が
写っているか否かを判定する段階と、 を有することを特徴とする画像認識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP32495797A JP3530363B2 (ja) | 1997-11-26 | 1997-11-26 | 認識モデル生成方法および画像認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP32495797A JP3530363B2 (ja) | 1997-11-26 | 1997-11-26 | 認識モデル生成方法および画像認識方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11161788A JPH11161788A (ja) | 1999-06-18 |
| JP3530363B2 true JP3530363B2 (ja) | 2004-05-24 |
Family
ID=18171524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP32495797A Expired - Fee Related JP3530363B2 (ja) | 1997-11-26 | 1997-11-26 | 認識モデル生成方法および画像認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3530363B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100870724B1 (ko) | 2007-05-25 | 2008-11-27 | 인하대학교 산학협력단 | ｔ―ｔｅｓｔ를 이용한 영상 인식시스템 및 그 방법 |
| KR102286571B1 (ko) * | 2016-03-17 | 2021-08-06 | 한국전자통신연구원 | 영상에서 다수의 객체를 인식하는 방법 |
| US11048976B2 (en) * | 2019-11-11 | 2021-06-29 | Midea Group Co., Ltd. | Method and system for controlling machines based on object recognition |
-
1997
- 1997-11-26 JP JP32495797A patent/JP3530363B2/ja not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| 画像処理標準テキストブック編集委員会，イメージプロセッシング＜画像処理標準テキストブック＞，日本，財団法人画像情報教育振興協会，１９９７年 ２月２５日，ｐｐ．２３９−２４５ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH11161788A (ja) | 1999-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8165410B2 (en) | Bags of visual context-dependent words for generic visual categorization | |
| US6738494B1 (en) | Method for varying an image processing path based on image emphasis and appeal | |
| US7440638B2 (en) | Image retrieving system, image classifying system, image retrieving program, image classifying program, image retrieving method and image classifying method | |
| US20020168108A1 (en) | Event clustering of images using foreground/background segmentation | |
| EP0944018B1 (en) | Method and apparatus for recognizing image pattern, method and apparatus for judging identity of image patterns, recording medium for recording the pattern recognizing method and recording medium for recording the pattern identity judging method | |
| EP2023288A1 (en) | Object recognition device, object recognition program, and image search service providing method | |
| CN111340701A (zh) | 一种基于聚类法筛选匹配点的电路板图像拼接方法 | |
| CN105956631A (zh) | 一种面向电子图库的在线渐进式图像分类方法 | |
| CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
| US8170332B2 (en) | Automatic red-eye object classification in digital images using a boosting-based framework | |
| CN112580480A (zh) | 一种高光谱遥感影像分类方法及装置 | |
| CN114331946A (zh) | 一种图像数据处理方法、设备以及介质 | |
| CN116503622A (zh) | 基于计算机视觉图像的数据采集读取方法 | |
| CN115203408A (zh) | 一种多模态试验数据智能标注方法 | |
| CN111444816A (zh) | 一种基于Faster RCNN的多尺度密集行人检测方法 | |
| Sahbi et al. | From coarse to fine skin and face detection | |
| CN113628181A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| JP3530363B2 (ja) | 認識モデル生成方法および画像認識方法 | |
| JPH09171552A (ja) | 画像認識装置 | |
| CN112232221A (zh) | 用于人物图像处理的方法、系统和程序载体 | |
| Raihan et al. | CNN modeling for recognizing local fish | |
| JP6778625B2 (ja) | 画像検索システム、画像検索方法及び画像検索プログラム | |
| CN114445916A (zh) | 一种活体检测方法、终端设备及存储介质 | |
| CN107545261A (zh) | 文本检测的方法及装置 | |
| JP2000090113A (ja) | マルチメディア・クラスタリング装置、マルチメディア・クラスタリング方法および記録媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20040224 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040227 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080305 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090305 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090305 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100305 Year of fee payment: 6 |
|
| LAPS | Cancellation because of no payment of annual fees |