JP4140826B2 - 観測目標の類識別装置 - Google Patents

Description

【０００１】
【発明の属する技術分野】
この発明は、レーダで観測した画像データに基づいて、３次元の目標の種類を決定する類識別問題を解決対象とした装置に関し、さらに詳しくは、３次元の目標の種類を解として求めることのできる観測目標の類識別装置に関するものである。
【０００２】
【従来の技術】
まず、この種の類識別装置として、船舶または航空機などの目標の類識別問題について考える。
従来より、レーダで観測した画像データから３次元の目標の類識別を行う装置は、よく知られている（たとえば、特許文献１参照）。
特許文献１に参照される観測目標の類識別装置の場合、辞書画像生成器、強度指定データ圧縮器、相関算出器、３Ｄ形状データファイル、観測データファイル、強度パラメータファイルおよび種別判別結果ファイルを備えている。
【０００３】
次に、上記特許文献１の従来装置による動作について説明する。
まず、辞書画像生成器は、観測データファイルからの追尾情報を含む観測データを第１の入力情報とし、３Ｄ形状データファイルからの候補目標の３Ｄ形状データを第２の入力情報として、観測データから、各候補目標の進行方向／姿勢／回転運動などのパラメータである姿勢／運動パラメータ値を推定または決定し、それぞれの候補目標の３Ｄ形状データおよび姿勢／運動パラメータ値から辞書画像データを生成する。
上記従来装置においては、種類判別対象のデータと比較する辞書画像を生成する際に、観測データから目標の進行方向／姿勢／回転運動などの多くのパラメータを推定する必要があり、推定精度に識別精度が依存することになる。
【０００４】
次に、強度指定データ圧縮器は、強度パラメータファイルからの強度を示す強度パラメータを第１の入力情報とし、辞書画像生成器からの辞書画像データを第２の入力情報とし、観測データファイルからの観測データを第３の入力情報として、観測データおよび辞書画像データに対し、強度パラメータとして指定された強度値以下の画素の強度を「０」に変換してデータ圧縮を行い、圧縮画像データを出力する。
【０００５】
このように、従来の圧縮方法では、ユーザが圧縮の基準となる強度値を指定する必要があり、そのためには、全観測データおよび辞書画像データの強度分布状況を把握することが必要となる。
また、個々の観測データおよび辞書画像データ毎に観測条件が異なるので、基準となる強度値を個別に設定することが望ましいが、一度に多くのデータを対象とする場合、個別の設定には多くの労力を要することから、個々のデータに適したデータ圧縮を行うことは困難である。
【０００６】
次に、相関算出器は、強度指定データ圧縮器からの圧縮画像データを入力情報として、辞書画像データの圧縮画像データと観測データの圧縮画像データとの相関を算出し、相関が最大となる画像を検出して出力する。この相関算出器の出力情報は、類識別装置の出力情報となり、種類判別結果ファイルに入力される。
上記従来装置においては、個々の目標毎に、進行方向／姿勢／回転運動などに関する複数のパラメータを推定し、それらの推定値に基づいて、候補目標毎に限られた個数の辞書画像データを生成し、全候補目標の辞書画像データと観測データとの相関を算出して、種類判別を実行している。したがって、前述と同様に、推定精度に識別精度が依存することになる。
【０００７】
また、データ量削減用のデータ圧縮の際に、ユーザが圧縮の基準となる強度値を指定するためには、全観測データおよび辞書画像データの強度分布状況を把握しなければならず、さらに、一度に多くのデータを対象とする場合には、画像データ毎に基準となる強度値を設定することが困難になるので、結果として個々の画像データに適したデータ圧縮が困難になってしまう。
【０００８】
以上の従来装置は、レーダ観測画像を判別対象としたが、対象範囲を広げて、一般的な３次元画像を対象とした他の従来装置も提案されている（たとえば、非特許文献１参照）。
非特許文献１の従来装置においては、部分データ平均化器、種類学習器、種類判別器、種類判別結果ファイル、学習パラメータファイル、学習用画像データファイルおよび判別対象画像データファイルを備えている。
この場合、一般的な画像を判別対象としているので、学習用画像データは既に存在するものとする。
【０００９】
次に、上記非特許文献１の従来装置による動作について説明する。
まず、部分データ平均化器は、学習用画像データファイルからの学習用画像データを第１の入力情報として取り込み、判別対象画像データファイルからの判別対象画像データを第２の入力情報として取り込み、３次元の物体を表す多方面からの学習用画像データおよび判別対象画像データに対し、画像を複数の部分画素集合に分割後、個々の部分画素集合の強度を、部分画素集合に属する全画素の強度の平均値に置き換えて、部分画素集合の強度の平均化を行い、画像全体の平均化結果である平均化画像データを出力する。
たとえば、部分データ平均化が行われた画像において、１つの部分画素集合は複数画素により構成され、各画素強度は、各々の属する全画素強度の平均値に置き換えられる。
【００１０】
このように、一般的な画像データを対象とした従来装置の場合、比較的強度が低めの画素であっても、識別の際に重要な特徴となり得るので、画素強度にかかわらず、全ての画素を残して、局所的な平均値に置き換えることでデータ量削減を実現している。
一方、上記部分平均化によるデータ量削減方法をレーダ観測画像データに適用した場合には、レーダ観測画像データにおいて、強度の高い画素部分以外はあまり意味を持たないにもかかわらず、全画素を同等に扱ってしまうので、類識別装置に不要な計算負荷がかかってしまうことになる。
【００１１】
次に、上記部分画素集合の強度の平均化処理に続いて、種類学習器は、学習パラメータファイルからの学習パラメータを第１の入力情報として取り込み、部分データ平均化器からの学習用の平均化画像データ（学習用平均化画像データ）を第２の入力情報として取り込み、学習用平均化画像データに基づいて種類学習を行い、種類学習結果を出力する。
このときの種類学習手法としては、サポートベクターマシンが知られており、サポートベクターマシンは、全教師データからの距離および方向に基づいて、境界となる直線を求めるために、距離を最大にし且つそれぞれの種類毎に、教師データからみた直線の方向が同じになるような直線を決定する手法である。
【００１２】
最後に、種類判別器は、種類学習器からの種類学習結果を第１の入力情報として取り込み、部分データ平均化器からの種類判別対象となる平均化画像データを第２の入力情報として取り込み、種類学習結果に基づいて種類判別対象の平均化画像データの種類判別を行い、種類判別結果を出力する。この種類判別結果は、類識別装置の出力情報となり、種類判別結果ファイルに入力される。
【００１３】
【特許文献１】
特開平６−１７４８３８号公報（図１）
【非特許文献１】
３Ｄ目標認識用のサポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ ｆｏｒ ３Ｄ Ｏｂｊｅｃｔ Ｒｅｃｏｇｎｉｔｉｏｎ）
【００１４】
【発明が解決しようとする課題】
従来の観測目標の類識別装置は以上のように、特許文献１のようにレーダ画像に対して圧縮方法を用いた場合には、全観測データおよび辞書画像データの強度分布状況を把握することが必要となるうえ、一度に多くのデータを対象とする場合に、個々のデータに適したデータ圧縮を行うことが困難になるという問題点があった。
また、目標毎に進行方向／姿勢／回転運動などに関する複数のパラメータを推定し、それらの推定値に基づいて辞書画像データを生成し、辞書画像データと観測データとの相関から類判別を実行しているので、推定精度に識別精度が依存するという問題点があった。
さらに、非特許文献１のように一般的な画像データを対象とした類識別装置は、レーダ観測画像データを対象とした場合に、あまり意味を持たない強度の低い画素部分に対しても全画素を同等に扱ってしまうので、不要な計算負荷がかかるという問題点があった。
また、強度の低い画素部分にノイズなどが重畳された場合には、ノイズの影響を受けて、目標の種類を誤判別する可能性があるという問題点があった。
【００１５】
この発明は上記のような問題点を解決するためになされたもので、レーダ観測画像データを対象にした場合に、姿勢および運動に関するパラメータの推定を最小限にした識別を実現するとともに、ユーザによる強度分布などのデータ解析の負荷を削減しつつ、レーダ観測画像データの性質に即した計算負荷の削減を実現し、且つノイズに強い識別を実現した観測目標の類識別装置を得ることを目的とする。
【００１６】
【課題を解決するための手段】
この発明に係る類識別装置は、種類が不明の３次元の目標をレーダで観測した画像からなる観測データと、目標の種類の候補となる候補目標の学習用画像データを生成するための３次元の形状を表す３Ｄ形状データと、観測データを学習するための学習パラメータと、観測データおよび学習用画像データを圧縮するためのデータ圧縮基準となる画素を示す圧縮パラメータとを入力情報として、観測データの種類判別結果を出力する観測目標の類識別装置であって、観測データおよび３Ｄ形状データを入力情報として、観測データに基づいて目標の進行方向および回転に関する運動パラメータ値を決定するとともに、候補目標の３Ｄ形状データおよび運動パラメータ値に基づいて、目標の種類の学習に用いられる学習用画像データを生成する学習用画像生成器と、観測データ、圧縮パラメータおよび学習用画像データを入力情報として、圧縮パラメータに基づいて観測データおよび学習用画像データを圧縮し、学習用圧縮画像データおよび判別対象圧縮画像データを生成する画素指定データ圧縮器と、学習パラメータおよび学習用圧縮画像データを入力情報として、学習パラメータを用いて学習用圧縮画像データに基づく種類学習を行い、種類学習結果を生成する種類学習器と、判別対象圧縮画像データおよび種類学習結果を入力情報として、種類学習結果に基づいて判別対象圧縮画像データの種類判別を行い、種類判別結果を出力する種類判別器とを備えたものである。
【００１７】
【発明の実施の形態】
実施の形態１．
以下、図面を参照しながら、この発明の実施の形態１について詳細に説明する。
図１はこの発明の実施の形態１を示すブロック構成図である。
図１において、観測された３次元目標の種類を識別するための類識別装置１２は、学習用画像生成器１、画素指定データ圧縮器２、種類学習器３および種類判別器４を備えている。
類識別装置１２には、３Ｄ形状データファイル１３、観測データファイル１４、種類判別結果ファイル１５、圧縮パラメータファイル１６および学習パラメータファイル１７が接続されている。
【００１８】
３Ｄ形状データファイル１３は、判別対象目標の種類の候補となる候補目標の学習用画像データを生成するための３次元の形状を表す３Ｄ形状データＤ１３を、類識別装置１２に対する入力情報として出力する。
観測データファイル１４は、種類が不明の３次元の目標をレーダで観測した画像からなる観測データＤ０を、類識別装置１２に対する入力情報として出力する。
【００１９】
種類判別結果ファイル１５は、観測データＤ０に基づいて類識別装置１２により識別された種類判別結果Ｄ４を格納する。
圧縮パラメータファイル１６は、観測データＤ０と類識別装置１２内で生成される学習用画像データＤ１とを圧縮するためのデータ圧縮基準となる画素を示す圧縮パラメータＰ１６を、類識別装置１２に対する入力情報として出力する。
圧縮パラメータＰ１６には、データ圧縮基準となる画素を示すパラメータとして、後述するように、画素ＩＤ、強度基準画素番号Ｎｎ、降順番号を示す強度基準画素順位Ｎｓ、強度圧縮率Ｒｓおよび強度平均算出画素数Ｎｒｉなどが含まれる。
学習パラメータファイル１７は、観測データＤ０を学習するための学習パラメータＰ１７を、類識別装置１２に対する入力情報として出力する。
【００２０】
類識別装置１２内において、学習用画像生成器１は、観測データＤ０および３Ｄ形状データＤ１３を入力情報として、目標の種類の学習に用いられる学習用画像データＤ１を生成する。
画素指定データ圧縮器２は、観測データＤ０、圧縮パラメータＰ１６および学習用画像データＤ１を入力情報として、学習用圧縮画像データＤ２ａおよび判別対象圧縮画像データＤ２ｂを、圧縮画像データとして生成する。
種類学習器３は、学習パラメータＰ１７および学習用圧縮画像データＤ２ａを入力情報として、種類学習結果Ｄ３を生成する。
種類判別器４は、判別対象圧縮画像データＤ２ｂおよび種類学習結果Ｄ３を入力情報として、種類判別結果Ｄ４を出力する。
【００２１】
さらに具体的には、学習用画像生成器１は、観測データＤ０に基づいて、目標の進行方向および回転に関する運動パラメータ値を決定するとともに、候補目標の３Ｄ形状データおよび運動パラメータ値に基づいて、学習用画像データＤ１を生成する。
また、画素指定データ圧縮器２は、圧縮パラメータＰ１６に基づいて、観測データＤ０および学習用画像データＤ１を圧縮するとともに、観測データＤ０および学習用画像データＤ１に基づいて、学習用圧縮画像データＤ２ａおよび判別対象圧縮画像データＤ２ｂを出力する。
種類学習器３は、学習パラメータＰ１７を用いて学習用圧縮画像データＤ２ａに基づく種類学習を行い、種類学習結果Ｄ３を出力する。
種類判別器４は、種類学習結果Ｄ３に基づいて判別対象圧縮画像データＤ２ｂの種類判別を行い、種類判別結果Ｄ４を出力する。
【００２２】
次に、図２および図３を参照しながら、図１に示したこの発明の実施の形態１による類識別動作について説明する。
図２は画素指定データ圧縮器２による圧縮処理を示す説明図、図３は種類学習器３および種類判別器４による学習処理および判別処理を示す説明図である。図３において、横軸は属性１、縦軸は属性２に対応している。
まず、図１において、類識別装置１２内の学習用画像生成器１は、観測データファイル１４からの観測データＤ０（目標の追尾情報を含む）を第１の入力情報とし、３Ｄ形状データファイル１３からの候補目標の３Ｄ形状データＤ１３を第２の入力情報として、学習用画像データＤ１を生成する。
【００２３】
このとき、学習用画像データＤ１の生成に必要なパラメータとしては、各候補目標の進行方向／回転運動などのパラメータである運動パラメータ値と、候補目標の姿勢に関するパラメータである姿勢パラメータ値とがある。
このうち、運動パラメータ値は、観測データＤ０から推定演算などにより決定される。
【００２４】
また、姿勢パラメータ値は、学習用画像データＤ１を生成するために与えられた姿勢パラメータ生成基準に基づいて、複数のパラメータ値として生成される。具体例として、角度のパラメータθ［°］の場合、姿勢パラメータ生成基準として、パラメータ間隔が「３０」として与えられたとすると、３０度間隔のパラメータ値となり、θ＝０，３０，６０，９０，１２０，１５０，１８０が生成される。
【００２５】
こうして決定された運動パラメータ値および姿勢パラメータ値に基づいて、学習用画像生成器１は、それぞれの候補目標の３Ｄ形状データＤ１３および運動パラメータ値から学習用画像データＤ１を生成する。
なお、学習に必要なパラメータのうち、択一的に推定または決定されるものと、複数の値として生成されるものとの区別は、予想される推定精度や候補目標の性質または観測条件などに応じて、ユーザが決定してもよい。
【００２６】
次に、画素指定データ圧縮器２は、圧縮パラメータファイル１６からの圧縮パラメータＰ１６を第１の入力情報とし、学習用画像生成器１からの学習用画像データＤ１を第２の入力情報とし、観測データファイル１４からの観測データＤ０を第３の入力情報として、各圧縮画像データＤ２ａ、Ｄ２ｂを生成する。
このとき、具体的には、観測データＤ０および学習用画像データＤ１に対し、圧縮パラメータＰ１６として指定された画素ＩＤに基づいて、画素ＩＤが示す画素の画素強度以下または画素強度未満の画素の強度を「０」に変換してデータ圧縮を行い、このデータ圧縮結果を学習用圧縮画像データＤ２ａおよび判別対象圧縮画像データＤ２ｂとして出力する。
【００２７】
図２はこの発明の実施の形態１によりデータ圧縮された画像データの一例を示す説明図であり、図２内の左図は圧縮前の画素強度分布、図２内の右図は圧縮後の画素強度分布を示している。
図２内の左図において、小さな正方形が個々の画素を示し、個々の画素の塗りつぶしパターン、格子状パターン、ドット状パターン、または白抜きパターンがそれぞれの画素強度を示しており、ここでは、パターンの塗りつぶし量が密なほど画素強度が強いものとする。
図２内の右図においては、左図内の１つの特定画素Ｉ１を圧縮基準となる画素ＩＤとして指定した場合の、データ圧縮後の画素の強度分布を示しており、特定画素Ｉ１の強度未満の全ての画素（格子状、ドット状および白抜きパターン）は、強度が「０」（白抜きパターン）に変換されている。
【００２８】
このようなデータ圧縮方法によれば、ユーザが強度値を事前に把握しなくても、各画素強度の相対的な分布状況の情報のみに基づいて、ある程度の強度以下の画素を切り捨てることが可能になる。
この結果、観測データＤ０（レーダで観測された目標の画像データ）の性質に即した、高効率のデータ圧縮を実現することができる。
【００２９】
次に、種類学習器３は、学習パラメータファイル１７からの学習パラメータＰ１７を第１の入力情報とし、画素指定データ圧縮器２からの学習用圧縮画像データＤ２ａを第２の入力情報として、学習用圧縮画像データＤ２ａに基づいて種類学習を行い、種類学習結果Ｄ３を出力する。
このとき、種類学習手法として、境界線を決定する手法である線形判別法を適用する。なお、線形判別法には、いくつかの手法があるが、ここでは、共分散行列に基づく線形判別法が用いられる。
【００３０】
共分散行列に基づく線形判別法とは、異なる種類のデータ同士は、できるだけ離れ、同一種類のデータ同士は、なるべく近くに分布するように、全データの中心を表す「クラスタ中心」を通る「ベクトルｗ」にデータを射影して、判別分析を行う方法である。
具体的には、各データの「射影結果ｙ」と、各種類の平均ベクトルの「射影結果ｙｋ」とを比較し、最も近い「射影結果ｙｋ」を持つ種類にデータが属するものと決定する。このとき、境界線は、「ベクトルｗ」に垂直で、且つ「クラスタ中心」を通る直線として定義される。
【００３１】
図３はこの発明の実施の形態１による種類学習処理および種類判別処理の一例を示す説明図であり、図３内の左図は線形判別法により学習された種類および境界線の例、図３内の右図は線形判別法により判別された種類および境界線の例を示している。
図３内の左図において、白三角マークは「種類１」の教師データ、黒四角マークは「種類２」の教師データであり、種類学習により左図内の直線ように境界線が決定される。
同様に、種類判別器４（後述する）においては、図３内の右図のように境界線が決定される。
【００３２】
なお、ここでは、種類学習器３において、共分散行列に基づく線形判別を適用する例を示したが、その他にも、周知の「ニューラルネットワーク」や「サポートベクターマシン」などの教師付き学習手法を適用してもよい。
ニューラルネットワークとは、生命の神経回路網を模倣した学習手法であり、教師データに基づいて、最終的に最適な種類間の境界を決定するものである。この場合の学習パラメータとしては、ニューロンが発火する際の閾値や、ニューロンの数などを手法に特化したものがある。
【００３３】
ニューラルネットワークと上記共分散行列に基づく線形判別法との大きな違いは、共分散行列に基づく線形判別法では、種類間の境界を線形に決定する（すなわち、直線で定義する）のに対し、ニューラルネットワークでは、曲線などの非線形な境界の定義が可能な点にある。
したがって、境界が非線形になることが予測されるような場合には、たとえばニューラルネットワークを適用するなどにより、観測データの分布状況に適した境界線決定が可能となる。
【００３４】
一方、サポートベクターマシンは、全教師データからの距離および方向に基づいて、境界となる直線を求める方法であり、距離を最大にし、且つそれぞれの種類毎に、教師データからみた直線の方向が同じになるような直線を決定するものであり、線形判別法の変形手法の１つとして考えられている。
サポートベクターマシンにおいて、前述の共分散行列に基づく線形判別法などの一般的な線形判別法との大きな違いは、カーネル関数とよばれる関数の線形和で学習に必要な関数を表すことにより、非線形な境界定義が可能な点にある。
カーネル関数は、複数種類存在し、学習パラメータにおいて、いずれのカーネルを選択するかが指定されるものである。
【００３５】
また、同様に非線形な境界が定義可能なニューラルネットワークとサポートベクターマシンとの違いは、サポートベクターマシンでは、決定的に厳密解が求まるのに対し、ニューラルネットワークのような最適化手法と呼ばれる手法では、できるだけ最適に近い境界を、実使用に耐えうる時間内で求めるのに適した手法と考えられていることから、必ずしも厳密解は求まらない点にある。
したがって、厳密解が必要とされる問題においては、サポートベクターマシンのような手法が有用といえる。
【００３６】
しかし、サポートベクターマシンは、カーネル関数を用いることにより非線形な境界を定義可能であるという長所を有する反面、カーネルの選択を行う際に、仮に不適切なカーネルを選択してしまうと、観測データの分布状況に不適切な境界しか定義できなくなってしまうおそれがある。
これに対し、ニューラルネットワークによる学習においては、学習パラメータとして設定されるのは、細かな学習に特化したパラメータのみで、境界の形状は常にある程度、観測データの分布状況を踏まえた形となる。
【００３７】
したがって、厳密解が必ずしも必要ではなく、適当な初期設定である程度の解が必要な場合には、サポートベクターマシンよりもニューラルネットワークの方が有用といえる。
このように、観測データの性質／分布状況などに応じて、適する種類学習手法は異なるので、それぞれの学習手法の特徴を踏まえた上で、適用すべき手法を選択すればよい。
【００３８】
最後に、種類判別器４は、種類学習器３からの種類学習結果Ｄ３を第１の入力情報とし、画素指定データ圧縮器２からの判別対象圧縮画像データＤ２ｂ（種類判別対象の圧縮画像データ）を第２の入力情報として、種類学習結果Ｄ３に基づいて判別対象圧縮画像データＤ２ｂの種類判別を行い、種類判別結果Ｄ４を出力する。
この種類判別結果Ｄ４は、類識別装置１２の出力情報となり、種類判別結果ファイル１５に入力される。
【００３９】
たとえば、種類判別器４は、図３内の右図において、種類学習結果Ｄ４として求められた境界線に基づいて、目標の種類を判別する。
すなわち、図３内の右図において、白三角マークが多く属する境界線の上側の領域を「種類１」の境界領域とし、逆に、黒四角マークが多く属する境界線の下側の領域を「種類２」の境界領域とし、候補目標がいずれの領域に属するかによって、種類判別対象の観測データＤ０の種類を判別する。
図３内の右図において、黒逆三角マークおよび白菱形マークは、種類が未定の観測データであるが、それぞれ、境界線によって、「種類１」、「種類２」と判別される。
【００４０】
このように、種類学習結果Ｄ３に基づく種類判別方法によれば、従来装置による辞書画像データ生成時のように、全ての姿勢／運動パラメータ値（姿勢および運動に関するパラメータ）を推定または決定する必要はなく、推定が比較的困難と考えられているパラメータ（具体的には、姿勢パラメータ値）を複数の値に設定して、それぞれに対応した学習データを生成し、それらの複数の学習データに基づく学習を実行すればよい。
したがって、推定また決定を行うパラメータは、比較的推定精度が高いと考えられるパラメータ（具体的には、運動パラメータ値）に限定され、これにより、識別精度のパラメータ推定精度への依存を極力少なくすることができる。
【００４１】
なお、上記種類学習および種類判別の手法は、基本的には、種類が２つ（種類１、２）の場合の境界線を決定する方法であり、３種類以上の多数の種類を対象として種類判別を行う場合には、たとえば、トーナメント方式と呼ばれる方式が適用される。
トーナメント方式においては、まず、２種類ずつで、全ての種類の組み合わせで種類学習を行い、それぞれの境界線（判別平面）を決定する。
続いて、判別対象データがどちらの種類に近いかの種類判別を、勝ち残り方式で、複数の種類の組み合わせに対して行い、最終的に勝ち残った種類を目標の種類とする。
【００４２】
以上のように、この発明の実施の形態１によれば、レーダ観測された目標の画像データ（観測データＤ０）を対象に、姿勢や運動に関するパラメータの推定を最小限にした識別が可能となる。
また、観測データＤ０の性質に即した、高効率のデータ圧縮を実現することができ、ノイズに強い類識別を実現することができる。
【００４３】
実施の形態２．
なお、上記実施の形態１では、画素指定データ圧縮器２において、圧縮の基準となる画素を１つ指定してデータ圧縮したが、複数指定された基準画素番号に基づいて、圧縮の基準となる強度基準値を決定した後にデータ圧縮するように構成してもよい。
以下、図４を参照しながら、強度基準値Ｖｓの決定後にデータ圧縮するように構成したこの発明の実施の形態２による類識別装置１２Ａについて説明する。
図４において、前述（図１参照）と同様のものについては、前述と同一符号を付して、または、符号の後に「Ａ」を付して詳述を省略する。
【００４４】
この場合、類識別装置１２Ａ内の画素指定データ圧縮器２Ａは、画素指定強度平均算出器２０、強度基準値決定器２１およびデータ強度変換器２２により構成されており、複数指定された基準画素番号に基づいて、圧縮の基準となる強度基準値Ｖｓを決定した後にデータ圧縮を実行するようになっている。
【００４５】
画素指定強度平均算出器２０は、観測データＤ０、圧縮パラメータＰ１６および学習用画像データＤ１を入力情報として、強度平均値Ｄ２０を算出する。
強度基準値決定器２１は、強度平均値Ｄ２０を入力情報として、強度基準値Ｖｓを決定して出力する。
データ強度変換器２２は、観測データＤ０、学習用画像データＤ１および強度基準値Ｖｓを入力情報として、学習用圧縮画像データＤ２ａおよび判別対象圧縮画像データＤ２ｂを生成する。
【００４６】
具体的には、画素指定強度平均算出器２０は、観測データＤ０および学習用画像データＤ１に対して、圧縮パラメータＰ１６に含まれる強度基準画素番号Ｎｎから強度平均値Ｄ２０を求める。
データ強度変換器２２は、強度基準値決定器２１からの強度基準値Ｖｓに基づいて、強度を変換して学習用圧縮画像データＤ２ａおよび判別対象圧縮画像データＤ２ｂを生成する。
【００４７】
次に、図４に示したこの発明の実施の形態２による具体的な処理動作について説明する。
まず、画素指定強度平均算出器２０は、圧縮パラメータファイル１６からの圧縮パラメータＰ１６を第１の入力情報とし、学習用画像生成器１からの学習用画像データＤ１を第２の入力情報とし、観測データファイル１４から観測データＤ０を第３の入力情報として、観測データＤ０および学習用画像データＤ１に対し、圧縮パラメータＰ１６として指定された複数の強度基準画素番号Ｎｎに基づく演算を行い、強度基準画素番号Ｎｎが示す画素の強度の平均値を強度平均値Ｄ２０として出力する。
【００４８】
続いて、強度基準値決定器２１は、画素指定強度平均算出器２０からの強度平均値Ｄ２０を、強度の基準となる強度基準値Ｖｓとして決定して出力する。
また、データ強度変換器２２は、強度基準値決定器２１からの強度基準値Ｖｓと、学習用画像データＤ１および観測データＤ０とを入力情報として、強度基準値Ｖｓ以下の画素の強度を「０」に変換してデータ圧縮を行い、このデータ圧縮結果を圧縮画像データＤ２ａ、Ｄ２ｂとして出力する。
【００４９】
以上のように、この発明の実施の形態２によれば、ユーザが強度値を事前に把握しなくても、強度の相対的な分布状況の情報のみを把握していればよく、さらに、基準となる画素を複数指定可能としたことにより、観測状況に応じた柔軟なデータ圧縮基準の設定が可能となる。
この結果、観測状況に適したデータ圧縮を実現することができ、ノイズに強い類識別を実現することができる。
【００５０】
実施の形態３．
なお、上記実施の形態２では、画素指定データ圧縮器２Ａ内に画素指定強度平均算出器２０を設けたが、これに代えて降順番号算出器を設けてもよい。
以下、図５を参照しながら、画素指定データ圧縮器２Ｂ内に降順番号算出器を設けたこの発明の実施の形態３による類識別装置１２Ｂについて説明する。
図５において、前述（図４参照）と同様のものについては、前述と同一符号を付して、または、符号の後に「Ｂ」を付して詳述を省略する。
【００５１】
この場合、類識別装置１２Ｂ内の画素指定データ圧縮器２Ｂは、降順番号算出器２３、強度基準値決定器２１Ｂおよびデータ強度変換器２２により構成されており、降順番号算出器２３および強度基準値決定器２１Ｂにおいて、画素を強度で降順にソートした後で、ソート結果に基づいて、圧縮の基準となる強度基準値Ｖｓを決定するようになっている。
【００５２】
画素指定データ圧縮器２Ｂにおいて、降順番号算出器２３は、観測データＤ０および学習用画像データＤ１を入力情報として降順番号データＤ２３を算出し、強度基準値決定器２１Ｂは、観測データＤ０、圧縮パラメータＰ１６、学習用画像データＤ１および降順番号データＤ２３を入力情報として、強度基準値Ｖｓを決定する。
具体的には、降順番号算出器２３は、観測データＤ０および学習用画像データＤ１に基づく画素を、強度に基づいて降順に並び替えしたときの順位を、降順番号データＤ２３として出力する。
また、強度基準値決定器２１Ｂは、観測データＤ０および学習用画像データＤ１に対して、圧縮パラメータＰ１６に含まれる降順番号を示す強度基準画素順位Ｎｓに基づいて強度基準値Ｖｓを求める。
【００５３】
次に、図５に示したこの発明の実施の形態３による具体的な処理動作について説明する。
まず、降順番号算出器２３は、学習用画像生成器１からの学習用画像データＤ１を第１の入力情報とし、観測データファイル１４からの観測データＤ０を第２の入力情報として、観測データＤ０および学習用画像データＤ１に対し、各画像を構成する画素を比較しながら、強度の降順にソートし、ソート後の順位である降順番号を降順番号データＤ２３とする。
【００５４】
続いて、強度基準値決定器２１Ｂは、圧縮パラメータＰ１６に含まれる強度基準画素順位Ｎｓ（降順番号を示す）を第１の入力情報とし、学習用画像生成器１からの学習用画像データを第２の入力情報とし、観測データＤ０を第３の入力情報とし、降順番号算出器２３からの降順番号データＤ２３を第４の入力情報として、降順番号データＤ２３に基づいて、ソート後の画素のＮｓ番目の画素を決定し、Ｎｓ番目の画素の強度を強度基準値Ｖｓとして出力する。
【００５５】
以上のように、この発明の実施の形態３によれば、ユーザが強度分布状況を事前に把握することなく、圧縮基準となる画素の順位を指定するのみで、ある程度の強度以下の画素を切り捨てることが可能になる。
この結果、観測データＤ０（レーダ観測画像データ）の性質に即した、高効率のデータ圧縮を実現することができ、ノイズに強い類識別を実現することができる。
【００５６】
実施の形態４．
なお、上記実施の形態３では、画素指定データ圧縮器２Ｂにおいて、圧縮パラメータＰ１６として指定された強度基準画素順位Ｎｓに基づいてデータ圧縮したが、学習用画像生成器１の出力側に強度基準画素順位決定器を挿入して、強度基準画素順位Ｎｓを自動的に決定した後に、画素指定データ圧縮器の入力情報としてデータ圧縮してもよい。
【００５７】
以下、図６を参照しながら、画素指定データ圧縮器２Ｃの入力側に強度基準画素順位決定器２４を挿入したこの発明の実施の形態４による類識別装置１２Ｃについて説明する。
図６において、前述（図１、図４、図５参照）と同様のものについては、前述と同一符号を付して、または、符号の後に「Ｃ」を付して詳述を省略する。
【００５８】
この場合、類識別装置１２Ｃにおいて、学習用画像生成器１と画素指定データ圧縮器２Ｃとの間には、強度基準画素順位決定器２４が挿入されており、強度基準画素順位決定器２４により強度基準画素順位Ｎｓを自動的に決定した後に、画素指定データ圧縮器２Ｃの入力情報としてデータ圧縮を行うようになっている。
【００５９】
強度基準画素順位決定器２４は、観測データＤ０、圧縮パラメータＰ１６および学習用画像データＤ１を入力情報として、観測データＤ０および学習用画像データＤ１に対して、圧縮パラメータＰ１６に含まれる強度圧縮率Ｒｓに基づいて強度基準画素順位Ｎｓを決定する。
また、画素指定データ圧縮器２Ｃは、観測データＤ０、圧縮パラメータＰ１６、学習用画像データＤ１および強度基準画素順位Ｎｓを入力情報として、学習用圧縮画像データＤ２ａおよび判別対象圧縮画像データＤ２ｂを生成する。
【００６０】
次に、図６に示したこの発明の実施の形態４による具体的な処理動作について説明する。
まず、強度基準画素順位決定器２４は、圧縮パラメータＰ１６に含まれる強度圧縮率Ｒｓを第１の入力情報とし、学習用画像データＤ１の一部として出力されるか、または、同様に観測データＤ０の一部として出力される総画素数Ｎを第２の入力情報として、強度圧縮率Ｒｓおよび総画素数Ｎから、以下の式（１）に基づいて、強度基準画素順位Ｎｓを決定して出力する。
【００６１】
Ｎｓ＝Ｎ×Ｒｓ ・・・（１）
【００６２】
なお、式（１）において、強度圧縮率Ｒｓは、０＜Ｒｓ≦１．０の範囲内の値とする。
また、総画素数Ｎは、学習用画像データＤ１または観測データＤ０の一部であり、通常は両者が同一数であるが、互いに異なる場合には、小さい方の値が総画素数Ｎ（第２の入力情報）として用いられる。
【００６３】
以上のように、この発明の実施の形態４によれば、前述と同様に、ユーザが画素数などの個々の画像の情報を事前に把握することなく、圧縮の基準となる比率を与えるだけで、ある程度の強度以下の画素を切り捨てることが可能になる。
この結果、レーダ観測画像データの性質に即した、高効率のデータ圧縮を実現することができ、ノイズに強い類識別を実現することができる。
【００６４】
実施の形態５．
なお、上記実施の形態４では、強度基準画素順位決定器２４を挿入して強度基準画素を自動的に決定したが、種類判別結果Ｄ４の識別精度が要求水準よりも低い場合などにおける識別精度の向上を目的として、強度基準画素順位決定器２４に代えて強度基準画素順位変更器を挿入し、強度基準画素順位を自動的に変更してもよい。
以下、図７を参照しながら、強度基準画素順位変更器２５を用いたこの発明の実施の形態５による類識別装置１２Ｄについて説明する。
図７において、前述（図６参照）と同様のものについては、前述と同一符号を付して、または、符号の後に「Ｄ」を付して詳述を省略する。
【００６５】
この場合、類識別装置１２Ｄにおいて、学習用画像生成器１と画素指定データ圧縮器２Ｄとの間には、強度基準画素順位変更器２５が挿入されており、強度基準画素順位変更器２５により、強度基準画素順位を自動的に変更して強度基準画素順位変更値Ｎｓ’を生成するようになっている。
【００６６】
強度基準画素順位変更器２５は、観測データＤ０、圧縮パラメータＰ１６および学習用画像データＤ１を入力情報として、観測データＤ０および学習用画像データＤ１に対して、圧縮パラメータＰ１６に含まれる強度基準画素順位Ｎｓを変更するための強度圧縮変更率Ｒｓを決定するとともに、強度圧縮変更率Ｒｓに基づいて変更された強度基準画素順位変更値Ｎｓ’を出力する。
また、画素指定データ圧縮器２Ｄは、観測データＤ０、圧縮パラメータＰ１６、学習用画像データＤ１および強度基準画素順位変更値Ｎｓ’を入力情報として、圧縮画像データＤ２ａ、Ｄ２ｂを生成する。
【００６７】
次に、図７に示したこの発明の実施の形態５による具体的な処理動作について説明する。
まず、強度基準画素順位変更器２５は、圧縮パラメータＰ１６に含まれる強度基準画素順位Ｎｓを第１の入力情報とし、学習用画像データＤ１または観測データＤ０の一部として出力される総画素数Ｎを第２の入力情報として、強度基準画素順位Ｎｓおよび総画素数Ｎから、以下の式（２）に基づいて強度圧縮率Ｒｓを算出する。
【００６８】
【数１】

【００６９】
続いて、強度基準画素順位変更器２５は、強度基準画素順位Ｎｓを変更するためのパラメータである強度圧縮変更率Ｕｓを、乱数などを用いて決定した後、強度圧縮率Ｒｓ、強度圧縮変更率Ｕｓおよび総画素数Ｎを用いて、以下の式（３）に基づいて、強度基準画素順位変更値Ｎｓ’を決定して出力する。
【００７０】
【数２】

【００７１】
なお、式（３）において、強度圧縮変更率Ｕｓは、
【数３】

の範囲内の値とする。
【００７２】
以上のように、この発明の実施の形態５によれば、強度基準となる圧縮パラメータＰ１６（強度基準画素順位Ｎｓ）を、事前に与えた指標に基づいて自動的に算出し直した強度基準画素順位変更値Ｎｓ’に変更することにより、観測データＤ０の画像の質（観測条件）に見合った強度基準でのデータ圧縮が可能となり、ノイズに強い類識別を実現することができる。
【００７３】
実施の形態６．
なお、上記実施の形態３（図５参照）では、強度基準画素順位Ｎｓに基づいて強度基準値Ｖｓを求めたが、指定された画素の強度平均値に基づいて強度基準値Ｖｓを求めてもよい。
以下、図８を参照しながら、強度平均値Ｍｉに基づいて強度基準値Ｖｓを求めたこの発明の実施の形態６による類識別装置１２Ｅについて説明する。
図８において、前述（図５参照）と同様のものについては、前述と同一符号を付して、または、符号の後に「Ｅ」を付して詳述を省略する。
【００７４】
この場合、類識別装置１２Ｅ内の画素指定データ圧縮器２Ｅは、降順番号算出器２３と、順位指定強度平均算出器２６、強度基準値決定器２１Ｅおよびデータ強度変換器２２により構成されており、強度基準値決定器２１Ｅは、順位指定強度平均算出器２６により指定された強度平均値Ｍｉ（画素の強度の平均値）から、強度基準値Ｖｓを求めるようになっている。
【００７５】
画素指定データ圧縮器２Ｅにおいて、降順番号算出器２３は、観測データＤ０および学習用画像データＤ１を入力情報として、観測データＤ０および学習用画像データＤ１に基づく画素を、強度に基づいて降順に並び替えしたときの順位を降順番号データＤ２３として算出する。
順位指定強度平均算出器２６は、観測データＤ０、圧縮パラメータＰ１６、学習用画像データＤ１および降順番号データ２３を入力情報として、強度平均値Ｍｉを算出する。
強度基準値決定器２１Ｅは、圧縮パラメータＰ１６および強度平均値Ｍｉを入力情報として、強度基準値Ｖｓを決定して出力する。
【００７６】
具体的には、順位指定強度平均算出器２６は、観測データＤ０および学習用画像データＤ１に対し、降順番号データＤ２３と圧縮パラメータＰ１６に含まれる強度平均算出画素数Ｎｒｉとに基づいて強度平均値Ｍｉを算出して出力する。
また、強度基準値決定器２１Ｅは、強度平均値Ｍｉと、圧縮パラメータＰ１６に含まれる強度基準値算出変数Ｒｖｉｓとに基づいて強度基準値Ｖｓを求める。
【００７７】
次に、図８に示したこの発明の実施の形態６による具体的な処理動作について説明する。
まず、強度平均算出器２６は、強度平均値Ｍｉを決定するために、圧縮パラメータＰ１６に含まれる強度平均算出画素数Ｎｒｉを第１の入力情報とし、学習用画像データＤ１を第２の入力情報とし、観測データＤ０を第３の入力情報とし、降順番号算出器２３からの降順番号データＤ２３を第４の入力情報として、降順番号データＤ２３の１番目からＮｒｉ番目までの画素の強度平均値Ｍｉを算出して出力する。
【００７８】
強度基準値決定器２１Ｅは、強度平均算出器２６からの強度平均値Ｍｉを第１の入力情報とし、強度平均値Ｍｉから強度基準値Ｖｓを算出するための圧縮パラメータＰ１６に含まれる強度基準値算出変数Ｒｖｉｓを第２の入力情報として、以下の式（４）に基づいて、強度基準値Ｖｓを決定して出力する。
【００７９】
【数４】

【００８０】
ただし、式（４）において、Ｖｍａｘは全画素における強度最大値である。
以上のように、この発明の実施の形態６によれば、強度平均値Ｍｉに基づいて強度基準値Ｖｓを決定することにより、各画素強度の全体的な分布状況に適したデータ圧縮が可能となり、ノイズに強い類識別を実現することができる。
なお、上記各実施の形態１〜６では、船舶や航空機などの移動目標の類識別を行う場合を例にとって説明したが、それ以外の目標であっても、レーダから得られた大量の電波画像データを利用した類識別問題に対して同様に適用可能なことは、言うまでもないことである。
【００８１】
【発明の効果】
以上のように、この発明によれば、種類が不明の３次元の目標をレーダで観測した画像からなる観測データと、目標の種類の候補となる候補目標の学習用画像データを生成するための３次元の形状を表す３Ｄ形状データと、観測データを学習するための学習パラメータと、観測データおよび学習用画像データを圧縮するためのデータ圧縮基準となる画素を示す圧縮パラメータとを入力情報として、観測データの種類判別結果を出力する観測目標の類識別装置であって、観測データおよび３Ｄ形状データを入力情報として、観測データに基づいて目標の進行方向および回転に関する運動パラメータ値を決定するとともに、候補目標の３Ｄ形状データおよび運動パラメータ値に基づいて、目標の種類の学習に用いられる学習用画像データを生成する学習用画像生成器と、観測データ、圧縮パラメータおよび学習用画像データを入力情報として、圧縮パラメータに基づいて観測データおよび学習用画像データを圧縮し、学習用圧縮画像データおよび判別対象圧縮画像データを生成する画素指定データ圧縮器と、学習パラメータおよび学習用圧縮画像データを入力情報として、学習パラメータを用いて学習用圧縮画像データに基づく種類学習を行い、種類学習結果を生成する種類学習器と、判別対象圧縮画像データおよび種類学習結果を入力情報として、種類学習結果に基づいて判別対象圧縮画像データの種類判別を行い、種類判別結果を出力する種類判別器とを備えたので、レーダ観測画像データを対象にした場合に、姿勢および運動に関するパラメータの推定を最小限にした識別を実現するとともに、ユーザによる強度分布などのデータ解析の負荷を削減しつつ、レーダ観測画像データの性質に即した計算負荷の削減を実現し、且つノイズに強い識別を実現した観測目標の類識別装置が得られる効果がある。
【図面の簡単な説明】
【図１】 この発明の実施の形態１を示すブロック構成図である。
【図２】 この発明の実施の形態１による圧縮処理を示す説明図である。
【図３】 この発明の実施の形態１による学習処理および判別処理を示す説明図である。
【図４】 この発明の実施の形態２を示すブロック構成図である。
【図５】 この発明の実施の形態３を示すブロック構成図である。
【図６】 この発明の実施の形態４を示すブロック構成図である。
【図７】 この発明の実施の形態５を示すブロック構成図である。
【図８】 この発明の実施の形態６を示すブロック構成図である。
【符号の説明】
１ 学習用画像生成器、２、２Ａ〜２Ｅ 画素指定データ圧縮器、３ 種類学習器、４ 種類判別器、１２、１２Ａ〜１２Ｅ 類識別装置、１３ ３Ｄ形状データファイル、１４ 観測データファイル、１５ 種類判別結果ファイル、１６圧縮パラメータファイル、１７ 学習パラメータファイル、２０ 画素指定強度平均算出器、２１、２１Ｂ、２１Ｅ 強度基準値算出器、２２ データ強度変換器、２３ 降順番号算出器、２４ 強度基準画素順位決定器、２５ 強度基準画素順位変更器、２６ 順位指定強度平均算出器、Ｄ０ 観測データ、Ｄ１ 学習用画像データ、Ｄ２ａ 学習用圧縮画像データ、Ｄ２ｂ 判別対象圧縮画像データ、Ｄ３ 種類学習結果、Ｄ４ 種類判別結果、Ｄ１３ ３Ｄ形状データ、Ｄ２０、Ｍｉ 強度平均値、Ｄ２３ 降順番号データ、Ｎｎ 強度基準画素番号、Ｎｓ 強度基準画素順位、Ｎｓ’ 強度基準画素順位変更値、Ｎｒｉ 強度平均算出画素数、Ｐ１６ 圧縮パラメータ、Ｐ１７ 学習パラメータ、Ｒｓ 強度圧縮率、Ｒｖｉｓ 強度基準値算出変数、Ｖｓ 強度基準値。

Claims (6)

1. 種類が不明の３次元の目標をレーダで観測した画像からなる観測データと、前記目標の種類の候補となる候補目標の学習用画像データを生成するための３次元の形状を表す３Ｄ形状データと、前記観測データを学習するための学習パラメータと、前記観測データおよび前記学習用画像データを圧縮するためのデータ圧縮基準となる画素を示す圧縮パラメータとを入力情報として、前記観測データの種類判別結果を出力する観測目標の類識別装置であって、
   前記観測データおよび前記３Ｄ形状データを入力情報として、前記観測データに基づいて前記目標の進行方向および回転に関する運動パラメータ値を決定するとともに、前記候補目標の３Ｄ形状データおよび前記運動パラメータ値に基づいて、前記目標の種類の学習に用いられる前記学習用画像データを生成する学習用画像生成器と、
   前記観測データ、前記圧縮パラメータおよび前記学習用画像データを入力情報として、前記圧縮パラメータに基づいて前記観測データおよび前記学習用画像データを圧縮し、学習用圧縮画像データおよび判別対象圧縮画像データを生成する画素指定データ圧縮器と、
   前記学習パラメータおよび前記学習用圧縮画像データを入力情報として、前記学習パラメータを用いて前記学習用圧縮画像データに基づく種類学習を行い、種類学習結果を生成する種類学習器と、
   前記判別対象圧縮画像データおよび前記種類学習結果を入力情報として、前記種類学習結果に基づいて前記判別対象圧縮画像データの種類判別を行い、前記種類判別結果を出力する種類判別器と
   を備えたことを特徴とする観測目標の類識別装置。
2. 前記画素指定データ圧縮器は、
   前記観測データ、前記圧縮パラメータおよび前記学習用画像データを入力情報として、強度平均値を算出する画素指定強度平均算出器と、
   前記強度平均値を入力情報として、強度の基準となる強度基準値を決定して出力する強度基準値決定器と、
   前記観測データ、前記学習用画像データおよび前記強度基準値を入力情報として、前記学習用圧縮画像データおよび前記判別対象圧縮画像データを生成するデータ強度変換器とを含み、
   前記画素指定強度平均算出器は、前記観測データおよび前記学習用画像データに対して、前記圧縮パラメータに含まれる強度基準画素番号に基づく演算を行い、前記強度基準画素番号が示す画素の強度の平均値を前記強度平均値として出力し、
   前記データ強度変換器は、前記強度基準値に基づいて、強度を変換して前記学習用圧縮画像データおよび前記判別対象圧縮画像データを生成することを特徴とする請求項１に記載の観測目標の類識別装置。
3. 前記画素指定データ圧縮器は、
   前記観測データおよび前記学習用画像データを入力情報として、降順番号データを算出する降順番号算出器と、
   前記観測データ、前記圧縮パラメータ、前記学習用画像データおよび前記降順番号データを入力情報として、強度基準値を決定して出力する強度基準値決定器と、
   前記観測データ、前記学習用画像データおよび前記強度基準値を入力情報として、前記学習用圧縮画像データおよび前記判別対象圧縮画像データを生成するデータ強度変換器とを含み、
   前記降順番号算出器は、前記観測データおよび前記学習用画像データに基づく画素を、強度に基づいて降順に並び替えしたときの順位を前記降順番号データとして出力し、
   前記強度基準値決定器は、前記観測データおよび前記学習用画像データに対して、前記圧縮パラメータに含まれる降順番号を示す強度基準画素順位に基づいて前記強度基準値を求め、
   前記データ強度変換器は、前記強度基準値に基づいて、強度を変換して前記学習用圧縮画像データおよび前記判別対象圧縮画像データを生成することを特徴とする請求項１に記載の観測目標の類識別装置。
4. 前記学習用画像生成器と前記画素指定データ圧縮器との間に挿入された強度基準画素順位決定器を備え、
   前記強度基準画素順位決定器は、前記観測データ、前記圧縮パラメータおよび前記学習用画像データを入力情報として、前記観測データおよび前記学習用画像データに対して、前記圧縮パラメータに含まれる強度圧縮率に基づいて強度基準画素順位を決定して出力し、
   前記画素指定データ圧縮器は、前記観測データ、前記圧縮パラメータ、前記学習用画像データおよび前記強度基準画素順位を入力情報として、前記学習用圧縮画像データおよび前記判別対象圧縮画像データを生成することを特徴とする請求項１に記載の観測目標の類識別装置。
5. 前記学習用画像生成器と前記画素指定データ圧縮器との間に挿入された強度基準画素順位変更器を備え、
   前記強度基準画素順位変更器は、前記観測データ、前記圧縮パラメータおよび前記学習用画像データを入力情報として、前記観測データおよび前記学習用画像データに対して、前記圧縮パラメータに含まれる強度基準画素順位を変更するための強度圧縮変更率を決定するとともに、前記強度圧縮変更率に基づいて前記強度基準画素順位を変更した強度基準画素順位変更値を出力し、
   前記画素指定データ圧縮器は、前記観測データ、前記圧縮パラメータ、前記学習用画像データおよび前記強度基準画素順位変更値を入力情報として、前記学習用圧縮画像データおよび前記判別対象圧縮画像データを生成することを特徴とする請求項１に記載の観測目標の類識別装置。
6. 前記画素指定データ圧縮器は、
   前記観測データおよび前記学習用画像データを入力情報として、降順番号データを算出する降順番号算出器と、
   前記観測データ、前記圧縮パラメータ、前記学習用画像データおよび前記降順番号データを入力情報として、強度平均値を算出する順位指定強度平均算出器と、
   前記圧縮パラメータおよび前記強度平均値を入力情報として、強度基準値を決定して出力する強度基準値決定器と、
   前記観測データ、前記学習用画像データおよび前記強度基準値を入力情報として、前記学習用圧縮画像データおよび前記判別対象圧縮画像データを生成するデータ強度変換器とを含み、
   前記降順番号算出器は、前記観測データおよび前記学習用画像データに基づく画素を、強度に基づいて降順に並び替えしたときの順位を前記降順番号データとして出力し、
   前記順位指定強度平均算出器は、前記観測データおよび前記学習用画像データに対して、前記降順番号データと前記圧縮パラメータに含まれる強度平均算出画素数とに基づいて、前記強度平均値を算出して出力し、
   前記強度基準値決定器は、前記強度平均値と前記圧縮パラメータに含まれる強度基準値算出変数とに基づいて前記強度基準値を求め、
   前記データ強度変換器は、前記強度基準値に基づいて、強度を変換して前記学習用圧縮画像データおよび前記判別対象圧縮画像データを生成することを特徴とする請求項１に記載の観測目標の類識別装置。

Images