JP3915233B2

JP3915233B2 - 画像情報による物体認識方法

Info

Publication number: JP3915233B2
Application number: JP07203198A
Authority: JP
Inventors: 昌明柴田; 寿和恩田
Original assignee: Meidensha Corp
Current assignee: Meidensha Corp
Priority date: 1998-03-20
Filing date: 1998-03-20
Publication date: 2007-05-16
Anticipated expiration: 2018-03-20
Also published as: JPH11272863A

Description

【０００１】
【発明の属する技術分野】
この発明は、画像情報における物体認識方法に関する。
【０００２】
【従来の技術】
近年、画像処理システムを使用して物体を認識することが行われるようになって来た。このようなシステムで画像情報に基づいて物体を認識するときに、認識性能を低下させる一要因としては、環境光量の変化による認識対象の照度変化が挙げられる。特に、工場環境においては、対象全体の明るさが一様に変化する場合ばかりでなく、局所的な入射光によって照度のむらが生じることもあり、一般に広く用いられている二値化画像処理やパターンマッチングを用いた手法においては、認識率の低下を招く要因の一つになっていた。
【０００３】
上記のような環境光量の変化に対してロバストな物体認識手法の一つにモデルベーストマッチング法がある。この手法は、画像から認識対象のエッジを検出し、検出したエッジについて線分や円弧といった特徴の抽出を行って対象の位置姿勢を認識するものである。エッジの検出に際しては、微分画像を利用するので、環境光量の一様な変化にも対応可能となる。また、不均衡な照射光によって発生する一部の特徴の誤検出や検出誤差の発生に対しても、特徴を利用したモデルベーストマッチングによって、位置姿勢認識の精度・安定性への影響は低く抑えられる。
【０００４】
モデルベーストマッチング法で用いられるモデルには、保持するデータ量の少なさや抽出方法の容易さなどの理由により、線分や円弧を特徴として利用する場合が多い。特に工業製品の製造工程において、認識対象となる部品や半製品は、線分と円弧だけを特徴としてモデル化できるものが多く、また、複数の円弧だけでモデルを記述し得るものも少なくない。このように円弧を用いるのは、次のような場合に有効となる。
【０００５】
例えば、対象物の照度変化を考慮するとき、ＩＴＶカメラで撮影された対象物の輪郭部分は、光量に応じて多少変化するから、過光量の場合では見かけ上対象物が膨張したように撮像されてしまう。このため、対象物の輪郭を線分を用いてモデルを記述する場合、抽出された線分の位置は、誤差を含んでしまう恐れがある。しかし、円弧を用いてモデルを記述すると、光量の変化に際して円弧自体の半径は変化するものの、円弧の中心位置は影響を受けない。このように、円弧中心位置を用いたモデルの記述には、光量変化による影響を抑える特徴がある。
【０００６】
特徴抽出においては、適切なエッジ点列が得られていることを前提とするので、点列データの質（点列長、混入雑音）が認識結果に影響を及ぼす。このため、雑音や誤差によるエッジ点の欠損は特徴抽出の性能に大きく作用し、特徴の位置・方向・長さ（大きさ）に関する抽出精度を悪化させてしまう。特に、円弧の検出では、取得された点列データの質が重要であり、このため、雑音を抑えた良質な微分画像の取得が重要となる。
【０００７】
【発明が解決しようとする課題】
前述したモデルベーストマッチング法の抱える課題は、画像微分に要する計算処理量が多く、二値化処理やパターンマッチングを用いた認識手法と比較して処理時間が多くかかる問題がある。特に、後者の認識手法については、ハードウェアの開発が広く進められ、パイプライン処理による高速実行が実現されているのに対して、前者のモデルベーストマッチング法では、画像微分処理が可能なハードウェアが多く開発されているものの、微分フィルタのマスクの大きさに制約があるために、雑音を抑えた良質な微分画像を取得するのに十分と言えるものが現状ではあまり多くない問題がある。
【０００８】
そこで、雑音を抑えて良質な微分画像を取得するために、信号雑音比率を考慮したフィルタとして、Cannyの示した微分フィルタがある。この微分フィルタは、雑音にロバストなフィルタとして周知である。このフィルタをした方法を改良した手法として、Dericheの示した微分フィルタおよび平滑化フィルタがある。
【０００９】
Dericheのフィルタは、ＩＩＲ（infinite impulse response）形のフィルタで、高周波成分を低減する特長がある。このため、微分処理の高速化を考えるとき、前述のように画像処理の大幅な高速化には、ハードウェアによる処理が適しており、パイプライン処理であれば、原画像の取得と同時に微分画像を取得し得る可能性もある。しかし、前記ＩＩＲ形のフィルタはマスク化に適さないので、Dericheのフィルタをそのまま導入することはできない問題がある。
【００１０】
ここで、上記Dericheの微分フィルタを使用して円弧の抽出を行う処理について述べる。図１３は従来の円弧抽出の基本的手順を示すフローチャートで、まず、ステップＳ１で入力画像を取り込む。次に、入力画像の微分画像をステップＳ２で取得する。この取得には、Dericheのフィルタを適用する。微分画像を取得したなら、その後、ステップＳ３で微分画像の二値化を行ってからステップＳ４で細線化し、エッジ検出をステップＳ５で行う。このステップＳ５によるエッジ検出の後、ステップＳ６で円弧の検出を行い、ステップＳ７で円弧の判断を行ってステップＳ８で円弧の抽出を行うことによって処理を終了する。
【００１１】
上記のように、微分画像の取得に際して、Dricheの微分フィルタを適用し、かつ全ての手順についてソフトウェア処理を前提する場合、取り扱うデータ量が最大である微分画像に要する処理時間が最も大きくなる。しかし、以下の処理手順において要する計算処理量、計算時間は比較的小さいが、各ステップで生ずる計算誤差や円弧部分特定アルゴリズム、円弧推定アルゴリズムの良否などが、円弧抽出の結果に大きく影響する問題がある。
【００１２】
この発明は上記の事情に鑑みてなされたもので、微分フィルタのマスク化を図って、物体認識の大幅な高速化を図るようにした画像情報による物体認識方法を提供することを課題とする。
【００１３】
【課題を解決するための手段】
この発明は、上記の課題を達成するために、第１発明は、画像入力素子により取り込んだ画像情報に基づいて、その画像情報から特徴抽出を行った後、画像認識して物体を認識する方法において、
前記画像情報を近似微分フィルタで微分するとともに、得られた微分画像を近似平滑フィルタで処理して処理画像を得るときに、両フィルタを直交する方向に乗じたフィルタのマスクを形成して処理画像を生成した後、その処理画像から特徴抽出を行って画像認識するようにしたことを特徴とするものである。
【００１４】
第２発明は、前記マスクを形成するときの近似微分フィルタおよび近似平滑フィルタと元のフィルタとの誤差が２０％以内になるようにし、かつ近似平滑フィルタの打ち切り誤差を近似微分フィルタより大きめに設定したことを特徴とするものである。
【００１５】
第３発明は、前記画像情報を微分処理した後、その微分値をベクトルとする直線の交差点を円或いは円弧成分の中心として特徴抽出を行い、その後、特徴抽出データからモデルデータに合致する箇所をモデルベーストマッチング処理により検出し、
前記微分処理は、画像情報を近似微分フィルタで微分するとともに、得られた微分画像を近似平滑フィルタで処理して処理画像を得るときに、両フィルタを直交する方向に乗じたフィルタのマスクを形成して処理画像を生成処理したことを特徴とするものである。
【００１７】
第４発明は、前記マスクを形成するときの近似微分フィルタおよび近似平滑フィルタと元のフィルタとの誤差が２０％以内になるようにし、かつ近似平滑フィルタの打ち切り誤差を近似微分フィルタより大きめに設定したことを特徴とするものである。
【００１８】
第５発明は、前記画像情報を近似微分フィルタで微分するとともに、得られた微分画像を近似平滑フィルタで処理して処理画像を得るときに、両フィルタを直交する方向に乗じたフィルタのマスクを形成して処理画像を生成処理した後、その処理画像を１本以上走査し、その走査軸上の各点においての微分値をベクトルとする直線群を求めた後、その直線群と任意点との距離群を求めて、この距離群をベクトルとし、このベクトルのユークリッドノルムが最小となるように、円或いは円弧中心を推定し、その後、推定した円或いは円弧中心データからモデルデータに合致する箇所をモデルベーストマッチング処理により検出して画像認識したことを特徴とするものである。
【００１９】
第６発明は、前記ユークリッドノルムが最小となるようにするには、重み係数を用い、その重み係数は微分ベクトルの大きさとすることを特徴とするものである。
【００２０】
第７発明は、前記モデルベーストマッチング処理は、画像中の円或いは円弧中心データ群から任意の点ｑ_iを選択した後、点（ｑ_i-ｑ_j）間の距離Ｄ_ijを計算し、｜Ｄ_ij−ｄ_kl｜≦δとなるモデルの距離ｄ_klを検索して、ｑ_i，ｑ_jに対応するｐ_k，ｐ_lを探索した後、画像から抽出した円或いは円弧中心データ群の中にモデルを構成する円或いは円弧中心群に合致する点がいくつ存在するかを求めるようにしたことを特徴とするものである。
【００２１】
第８発明は、前記推定する円或いは円弧が複数である場合には、微分ベクトルの走査線方向の成分の符号に基づいて微分ベクトルをグループ化し、そのグループ化により認識対象である複数の円或いは円弧を抽出することを特徴とするものである。
【００２２】
【発明の実施の形態】
以下この発明の実施の形態を図面に基づいて説明する。図１はこの発明の実施の形態を示すブロック構成図で、図１において、１１は画像入力素子等により画像を取り込む画像取り込み手段で、この画像取り込み手段１１で取り込んだ画像は、微分処理手段１２により水平方向および垂直方向の微分が行われる。なお、微分処理手段１２の詳細は後述する。
【００２３】
次に、上記微分処理手段１２による画像の水平方向および垂直方向の微分での微分値と向きの情報に基づいて円弧中心位置を円弧中心位置推定手段１３で推定し、円弧中心位置を検出する。この円弧中心位置の検出手段についても詳細は後述する。前記円弧中心位置推定手段１３で円弧中心位置を検出したなら円弧位置で記述されたモデルとのマッチングをマッチング処理手段１４によって対象物の位置姿勢認識を行い、その認識結果を出力手段１５により出力画像として表す。図２は実施の形態の動作を述べるフローチャートで、図２において、ステップＳ１１で入力画像を取り込んだ後、ステップＳ１２で画像の水平方向および垂直方向の微分を行う。その後、ステップＳ１２による微分での微分値と向きの情報により円弧中心位置をステップＳ１３で判断し、ステップＳ１４で円弧を抽出する。
【００２４】
上記のように、この発明の実施の形態では、まず、Dericheフィルタを近似して、そのフィルタの特性を損なわない適切なマスクの設計を行い、微分フィルタのマスク化により、パイプライン処理への適用を前提とすれば、ビデオレートでの微分画像取得へと展開できる。また、エッジ点列の抽出を行わずに微分画像から円弧成分の中心位置を直接抽出する、すなわち、画像の水平方向および垂直方向の微分による微分値と向きの情報に基づいて円弧中心位置を推定する手段を採用した。このため、エッジ点列を使用しないので、エッジ点の検出やエッジ点列の抽出、点列における円弧部分の切り分けなどの処理が必要ではなくなる。この結果、処理時間の短縮およびそれらの処理による計算誤差の発生が無くなる利点が得られる。
【００２５】
次に、微分処理手段１２の詳細について述べる。Dericheによって示された画像微分手法は、入力画像について水平あるいは垂直方向に一次元の空間フィルタを適用することで微分画像を生成するものである。そして、平滑化手法も同様に、微分処理と直交する方向に空間フィルタを適用するものである。つまり、水平方向の微分であれば、入力画像の各行毎に微分フィルタを適用し、その微分した画像について垂直方向に各列毎に平滑化フィルタを適用することで処理画像を生成している。
【００２６】
Dericheの画像微分手法の連続空間系における応答は（１）式で与えられる。
【００２７】
【数１】

【００２８】
（１）式をｚ変換すると微分フィルタＦが求められる。
【００２９】
【数２】

【００３０】
（２）式において、ｙ_mは微分値、ｘ_mは入力画像の画素値、係数ａ，ｂ₁，ｂ₂はいずれも定数で、次の（３）で与えられる。
【００３１】
【数３】

【００３２】
上記式において、α＝１，ωを略「０」とすると信号雑音比率の良い応答が得られることが知られている。また、ω＝０として近似すると、次の（４）式を適用することが可能となる。
【００３３】
【数４】

【００３４】
以下（４）式に基づいて、マスクの構成を進めて行く。（４）式のg(x)の離散信号をg(n)とするとき、g(n)は次の（５）式で表され。ｚ変換したフィルタＧは（６）式表される。
【００３５】
【数５】

【００３６】
【数６】

【００３７】
また、次のように無限級数
【００３８】
【数７】

【００３９】
とするためには、ｃは（７）式のように求められる。
【００４０】
【数８】

【００４１】
（６）式のフィルタＧに対して、離散信号を有限個（ｋ個）に限定したときの応答をＧ_kとすると、Ｇ_kは次の（８）式のように表され、Ｇ_k ⁺は（９）式、Ｇ_k ^-は（１０）式でそれぞれ表される。
Ｇ_k＝Ｇ_k ⁺＋Ｇ_k ^- …（８）
【００４２】
【数９】

【００４３】
【数１０】

【００４４】
このときゲイン係数ｃ_kは次式のように得られる。
【００４５】
【数１１】

【００４６】
Dericheの微分フィルタを打ち切り近似したＦＩＲ（有限インパルス応答）システムであるＧ_kについても、ｋの値を変えて周波数特性を比較した特性図を図３に示す。この図３において、α＝１としている。また、図３には、（２）式に示した元のＤericheフィルタの周波数特性を併せて記してある。この特性との比較からｋ＝５以上において良好な近似を得ていることが分かる。この場合の近似フィルタＧ₅は１×１１のマスクによって表現される。
【００４７】
微分フィルタと同様にして、平滑化フィルタも打ち切り近似することでマスクによって表現できる。連続空間系における近似平滑化フィルタは（４）式を積分したものと同形で次式（１２）で表される。
【００４８】
【数１２】

【００４９】
（１２）式をｚ変換したフィルタＨは次式（１３）で表される。
【００５０】
【数１３】

【００５１】
ここで、係数ｄは次の（１４）式から得られる。
【００５２】
【数１４】

【００５３】
フィルタＨに対して、離散信号列を有限個（ｋ個）に限定したときの応答Ｈ_kは、以下のように表される。なお、ゲイン係数をｄ_kとし、ｐは、次式のようにした。
【００５４】
【数１５】

【００５５】
Ｈ_k＝Ｈ_k ⁺＋Ｈ_k ^-
【００５６】
【数１６】

【００５７】
【数１７】

【００５８】
【数１８】

【００５９】
Ｈ_kについて、ｋの値を変えて周波数特性を比較したものが図４である。図４において、α＝１としている。図４には、元のDericheの平滑化フィルタの周波数特性を併せて記してあり、これとの比較からｋ＝５以上において、良好な近似を得ていることが分かる。このときの近似平滑化フィルタＨ₅は１×１１のマスクによって表現される。
【００６０】
微分フィルタと平滑化フィルタを直交する方向に乗じたフィルタのマスクを考えてみる。図３、図４の結果から求められるマスクは、両図において、いずれもｋ＝５，α＝１とするとき、次の表１に示す１１×１１のマスクを得る。ただし、フィルタゲインを１とするためには、同表中の数値に（１１）式、（１８）式に示されるゲイン定数の積ｃ_k，ｄ_kを乗ずる必要がある。
【００６１】
【表１】

【００６２】
これら微分フィルタおよび平滑化フィルタと元のDericheのフィルタとの誤差は、ｃ_k，ｄ_kの値から知ることができる。ｋ＝５としたとき、ｃ₅＝1.029，ｄ₅＝1.051，ｃ₅・ｄ₅＝1.081となり、およそ８％の誤差が見込まれる。同様にして、ｋ＝４のとき、つまり９×９のマスクではｃ₄＝1.070であり微分の影響は少ないものの、全体ではｃ₄・ｄ₄＝1.198となるので、約２０％の誤差になる。この点から平滑化フィルタの打ち切りは、微分フィルタより大きめに設定した方が良い。
【００６３】
次にこの発明の実施の形態においては、円弧の中心位置に特定して特徴抽出を行う。すなわち、実施の形態では、対象の原画像に対して水平方向および垂直方向の微分値に基づき特徴抽出を行うので、Dericheのフィルタや前述した手法などによって得られる微分画像が取得されていることを前提とする。
【００６４】
例えば、図５に示すような円筒形対象物を上方より撮影し、円弧を含む原画像を生成する。生成した原画像について、微分を施して、図６に示す微分画像を得る。図６において、円の線分の太さは微分値の強さを表し、エッジ近傍にて最も微分値が大きい様子を表している。画像座標（ｘ_i，ｙ_i）に位置する画素ｐ_iについて、各軸方向に沿って得られた微分値をｕ_iおよびｖ_iとすると、ｐｉにおける微分値の強さは√（ｕ_i ²＋ｖ_i ²）、微分方向ベクトルは（ｕ_i，ｖ_i）で与えられる。
【００６５】
図６の矢印が示すように、円弧近傍を通過するよう微分画像を１行だけ走査するとき、走査軸上の各画素は図７に示す微分方向を有する。点ｐ_i（ｘ_i，ｙ_i）が円弧周辺の一点であるとするとき、同点を通過し同点の微分方向を傾きとする直線ｌｉは円弧中心Ｏを通過する。
【００６６】
【数１９】

【００６７】
走査軸の位置をＡとするとき、Ｂである。ただし、Ａ，Ｂは次式である。
【００６８】
【数２０】

【００６９】
図８に示すように、任意点Ｇ(s,t)を考え、ｌ_i上の点でＧに最寄りの点をｑ_iとする。また、Ｇｑ_i間の距離ｄ_iとする直線ｌ_iと点Ｇが図９に示す位置にあるとき、距離ｄ_iは次のように求められる。
ｄ_i＝（ｓ−ｘ_i）・cosθ_i−（ｔ−ｙ_i）・sinθ_i …（２０）
点Ｇを円弧中心へ向けて移動させるとき、∀ｑ_iも、円弧中心へと集約していく。理論的には一点の円弧中心へ集まることが期待されるが、実際には画像への雑音や誤差の混入があるため、必ずしも∀ｌ_iが円弧中心を通過する訳ではないので、∀ｑ_iはある程度のばらつきをもって集まることが予測される。そこで、ｄ_iが成すベクトルｄ＝〔ｄ₁ｄ₂…ｄ_n〕^Tについて、ｄのユークリッドノルムを最小にする点Ｇを推定円弧として求める。
【００７０】
【数２１】

【００７１】
【数２２】

【００７２】
ここで、各画素の微分値を用いて、上式に次式を代入すると（２４）式が得られる。
【００７３】
【数２３】

【００７４】
【数２４】

【００７５】
ここで、Ｗ_i≡1/(u_i ²+v_i ²)である。このようにして、円弧中心は画素の微分値に基づいて推定することができる。なお、上記手段では点ｑ_iが集約することを利用していることから、走査した画素列ｐ_iについて次の条件を満たす必要がある。
（条件）すべてのｖ_iが非零で同符号、かつ(u_i/v_i)＞(u_i+1/v_i+1)
理論的には、円弧およびその周辺部分に該当する画素列は同条件を満たす。しかし、画像に含まれる雑音や微分処理に伴う誤差の程度によっては、同条件が完全に満たされる訳ではないので、雑音・誤差による値のぶれを考慮する必要がある。
【００７６】
円弧の周辺部分で円弧から比較的離れた箇所の微分値は、相対的に誤差を多く含むことになる。逆に、円弧に該当する部分では相対的に誤差は少ない。そこで、上記（２１）式に重み係数を乗じて推定を行い、誤差による推定への影響の低減を図る。
【００７７】
【数２５】

【００７８】
重み係数Ａ_iは、走査した画素毎に与えられる任意の定数とする。（２５）式から、推定円弧中心は次のように求められる。
【００７９】
【数２６】

【００８０】
（２６）式において、Ａ_iは任意なので、Ａ_i≡u_i ²+v_i ²＝１／Ｗとおくと、（２６）式は以下のように簡単化される。
【００８１】
【数２７】

【００８２】
上記の式において、Ａ_i＝u_i ²+v_i ²とすることは、重み係数として微分値のパワーを乗ずることになるので、微分値の大きい箇所、すなわち円弧に該当する部分および近傍に大きな重み付けがされることになる。よって、円弧位置推定に（２７）式を用いることで、計算量の低減ばかりでなく、雑音、誤差の低減の効果も得ている。
【００８３】
（２７）式の適用により、１行の走査軸だけで円弧中心が推定されるが、複数行を走査することにより、推定精度を向上させることができる。微分画像を走査するとき、１行の走査で推定に用いた画素の数をｎ_jとすると、行数ｍの複数行走査は無限級数の和ｎ_j個（ｊからｍ個まで）の画素を参照することになる。各行において、推定された円弧中心をそれぞれ（ｓ_j，ｔ_j）とするとき、複数行走査による推定円弧中心（∧ｓ、∧ｔ：∧記号は推定を表す）は次式のように求められる。
【００８４】
【数２８】

【００８５】
上記（２８）式の方法において、走査する行数はｍであるが、各行が連続している必要はなく、任意の行を選択することができる。このことは、例えば、撮像系からインターレース・スキャン方式で対象画像を受信する場合、even/oddフレームに対してそれぞれ独立に円弧推定を適用することなどを可能にする。ただし、この場合は、微分フィルタの垂直方向の微分値を適宜調整する必要がある。また、抽出対象とする円弧の大きさによって走査する行を間引くことが可能なので、処理量の低減、すなわち、処理時間の短縮化が図れる利点がある。
【００８６】
次にモデルベーストマッチング法についてのべる。一般にモデルベーストマッチング法は、入力情報群からモデルデータに合致する箇所を検出する手法であり、図１０（ａ）に示すような円弧中心で与えられるデータ群を、画像から抽出された円弧中心データ群（図１０（ｂ））から検出する探索問題となる。
【００８７】
モデルを構成する円弧中心群｛ｐ_i｝（i=1〜n）が与えられているとき、あらかじめ（ｐ_i−ｐ_j）間の相対距離｛ｄ_ij｝および相対角から派生する関数値｛sinθ_ij｝，｛cosθ_ij｝を求めておく。
【００８８】
画像から円弧中心群｛ｑ_i｝（i=1〜m）を抽出したならば、図１１に示すマッチングプロシージャ手順に従って探索する。なお、各段では上位のloopに対して下位をinner loopとしている。
【００８９】
図１１において、loop1は画像中の円弧中心データ群から点ｑ_iを選択する。
loop2は（ｑ_i−ｑ_j）間の距離Ｄ_ijを計算する。
loop3は｜Ｄ_ij−ｄ_kl｜≦δ（略０）となるモデルの距離ｄ_klを探索する。すなわち、ｑ_i，ｑ_jに対応するｐ_k，ｐ_lを探索する。
loop4はｑ_i，ｑ_j，ｐ_k，ｐ_lの対応が判明すると認識対象の位置姿勢を仮定できるので、｛ｑ｝の中に｛ｐ｝に合致する点がいくつか存在するかを求める。
【００９０】
loop3にて検出されたｑｉ，ｑｊが対象の一部分であると仮定するとき、loop4では次の（２９）式のようにしてモデル｛ｐ｝の画像上の位置｛Ｐ｝を求める。
ここで、φ_ij＝∠（ｑ_j−ｑ_i）とする。
【００９１】
【数２９】

【００９２】
モデルの代表点をｐ_lとするとき、対象の位置は（２９）式において、ｈ＝１として求められ、姿勢は（θ_kl＋φ_ij−θ_k1）となる．すべてのloopを終えて、モデル｛ｐ｝に合致する点の数が指定した閾値以上に多かった円弧群｛ｑ｝の部分集合が検出された対象である。
【００９３】
上述の手順によれば、計算回数オーダは０（ｍ³ｎ³）となる。特に（２９）式でのＰ_hは同オーダの回数だけ計算されるが、加法定理によって分解することで予め求めてある関数値｛sinθ_ij｝，｛cosθ_ij｝を利用できるので、三角関数の計算回数は０（ｍ²）となる。同手順は検索問題として一般化できるので、アルゴリズムの改良により計算回数オーダを低減できると考えられるが、実際の処理に要する計算時間はきわめて少なかったので、実験では上述の手順に従ってモデル検索を行った。
【００９４】
上記実施の形態では、円弧が１つの場合であったが、図１２（ａ）に示すように複数円弧にも、この発明の実施の形態は適用可能である。図１２（ａ）に示すように走査したときの、円弧Ａと円弧Ｂの微分ベクトルは図１２（ｂ）に示すようになる。すなわち、一つの円弧の微分ベクトルに注目すると、微分ベクトルの走査方向（図１２（ｂ）の場合はｕ方向）の成分の符号に着目すると符号（＋）から始まり符号（−）で終わる。従って、ベクトルｖは必ず符号（＋）で始まり、符号（−）で終わるので、符号（＋）から符号（−）でベクトルをグループ化することが可能となる。
【００９５】
上述のように、画像情報による物体認識手段においては、環境光量の変化に対してロバストなモデルベーストマッチング法に基づく高速物体認識手段を採用したので、従来のモデルベーストマッチング法では処理時間の短縮化ができなかったことが、画像微分フィルタによるマスクの構成および円弧位置推定法によって物体認識の大幅な高速化ができるようになった。
【００９６】
上記の実施の形態における有効性は、実験を通して検証され、マスクによる微分画像の有効性が確認された。また円弧抽出処理およびマッチング処理がきわめて短時間で達成されたことで、ビデオレート処理として十分適用できる計算時間であることが判明した。
【００９７】
【発明の効果】
以上述べたように、この発明によれば、近似平滑フィルタと近似微分フィルタに基づいてマスクを構成し、このマスクをパイプライン処理により画像微分処理を行って雑音低減特性を有する画像微分を得、しかる後、画像から特徴抽出を行って画像認識するようにしたので、物体認識の大幅な高速化を図ることができる利点がある。また、特徴抽出においては、円あるいは円弧中心の抽出を行うようにして、エッジ検出や円弧部分の切り分けなどの手順を省略して高速化が達成できるようにするとともに、複数行の走査を行うことにより、抽出精度の向上を図ることができる利点もある。
【図面の簡単な説明】
【図１】この発明の実施の形態を示すブロック構成図。
【図２】実施の形態の動作を述べるフローチャート。
【図３】微分フィルタの周波数特性図。
【図４】平滑化フィルタの周波数特性図。
【図５】円筒形対象物の例を示す説明図。
【図６】微分画像上の走査軸の説明図。
【図７】走査軸上の微分方向の説明図。
【図８】円弧中心に向かう直線群の説明図。
【図９】直線と点Ｇの関係の説明図。
【図１０】モデルと画像から抽出された円弧データを示すもので、（ａ）はモデルデータ説明図、（ｂ）は抽出円弧データ説明図。
【図１１】マッチングプロシージャのフローチャート。
【図１２】複数円弧の場合における微分ベクトル抽出方法の説明図。
【図１３】従来の円弧抽出のフローチャート。
【符号の説明】
１１…画像取り込み手段
１２…微分処理手段
１３…円弧中心位置推定手段
１４…マッチング処理手段
１５…出力手段

Claims

画像入力素子より取り込んだ画像情報に基づいて、その画像情報から特徴抽出を行った後、画像認識して物体を認識する方法において、
前記画像情報を近似微分フィルタで微分するとともに、得られた微分画像を近似平滑フィルタで処理して処理画像を得るときに、両フィルタを直交する方向に乗じたフィルタのマスクを形成して処理画像を生成した後、その処理画像から特徴抽出を行って画像認識するようにしたことを特徴とする画像情報による物体認識方法。
前記マスクを形成するときの近似微分フィルタおよび近似平滑フィルタと元のフィルタとの誤差が２０％以内になるようにし、かつ近似平滑フィルタの打ち切り誤差を近似微分フィルタより大きめに設定したことを特徴とする請求項１記載の画像情報による物体認識方法。
画像入力素子より取り込んだ画像情報に基づいて、その画像情報から特徴抽出を行った後、画像認識して物体を認識する方法において、
前記画像情報を微分処理した後、その微分値をベクトルとする直線の交差点を円或いは円弧成分の中心として特徴抽出を行い、その後、特徴抽出データからモデルデータに合致する箇所をモデルベーストマッチング処理により検出し、
前記微分処理は、画像情報を近似微分フィルタで微分するとともに、得られた微分画像を近似平滑フィルタで処理して処理画像を得るときに、両フィルタを直交する方向に乗じたフィルタのマスクを形成して処理画像を生成処理したことを特徴とする画像情報による物体認識方法。
前記マスクを形成するときの近似微分フィルタおよび近似平滑フィルタと元のフィルタとの誤差が２０％以内になるようにし、かつ近似平滑フィルタの打ち切り誤差を近似微分フィルタより大きめに設定したことを特徴とする請求項３記載の画像情報による物体認識方法。
画像入力素子より取り込んだ画像情報に基づいて、その画像情報から特徴抽出を行った後、画像認識して物体を認識する方法において、
前記画像情報を近似微分フィルタで微分するとともに、得られた微分画像を近似平滑フィルタで処理して処理画像を得るときに、両フィルタを直交する方向に乗じたフィルタのマスクを形成して処理画像を生成処理した後、その処理画像を１本以上走査し、その走査軸上の各点においての微分値をベクトルとする直線群を求めた後、その直線群と任意点との距離群を求めて、この距離群をベクトルとし、このベクトルのユークリッドノルムが最小となるように、円或いは円弧中心を推定し、その後、推定した円或いは円弧中心データからモデルデータに合致する箇所をモデルベーストマッチング処理により検出して画像認識したことを特徴とする画像情報による物体認識方法。
前記ユークリッドノルムが最小となるようにするには、重み係数を用い、その重み係数は微分ベクトルの大きさとすることを特徴とする請求項５記載の画像情報による物体認識方法。
前記モデルベーストマッチング処理は、画像中の円或いは円弧中心データ群から任意の点ｑ_iを選択した後、点（ｑ_i-ｑ_j）間の距離Ｄ_ijを計算し、｜Ｄ_ij−ｄ_kl｜≦δとなるモデルの距離ｄ_klを検索して、ｑ_i，ｑ_jに対応するｐ_k，ｐ_lを探索した後、画像から抽出した円或いは円弧中心データ群の中にモデルを構成する円或いは円弧中心群に合致する点がいくつ存在するかを求めるようにしたことを特徴とする請求項４〜６のいずれか１項に記載の画像情報による物体認識方法。
前記推定する円或いは円弧が複数である場合には、微分ベクトルの走査線方向の成分の符号に基づいて微分ベクトルをグループ化し、そのグループ化により認識対象である複数の円或いは円弧を抽出することを特徴とする請求項５又は６記載の画像情報による物体認識方法。