JP4286487B2 - 学習方法、パターン認識方法およびパターン認識装置 - Google Patents
学習方法、パターン認識方法およびパターン認識装置 Download PDFInfo
- Publication number
- JP4286487B2 JP4286487B2 JP2002032436A JP2002032436A JP4286487B2 JP 4286487 B2 JP4286487 B2 JP 4286487B2 JP 2002032436 A JP2002032436 A JP 2002032436A JP 2002032436 A JP2002032436 A JP 2002032436A JP 4286487 B2 JP4286487 B2 JP 4286487B2
- Authority
- JP
- Japan
- Prior art keywords
- pattern recognition
- learning
- feature
- feature amount
- amount
- 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
Images
Landscapes
- Character Discrimination (AREA)
- Image Analysis (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、入力画像から抽出された特徴量によるパターン認識に好適な学習方法、パターン認識方法およびパターン認識装置に関するものである。
【０００２】
【従来の技術】
従来、パターン認識技術は、文字、図形の認識などに広く用いられている。有名な手法として、認識したい文字や図形など対象を表すテンプレートと認識対象画像との類似度を用いて照合を行うパターンマッチング法がある。しかし、この方法では画素の色情報の類似度のみに基づき認識を行っているため、背景色の変化や文字と背景色が反転した場合などに、安定して高い認識率が得られないという問題があった。
【０００３】
そこで、このような問題に対応した技術も提案されている。この種のパターン認識装置（文字認識装置）は、文字領域に設けた複数のウインドウにおける文字線の明るさ情報と、原画像の微分画像から検出したエッジ情報とを用いて特徴量を抽出する画像処理手段を備え、画像上の画素値の空間的な微分量を利用し、色情報だけでなく形状情報にも基づいた特徴量を用いてパターン認識を行うものであった（特開平１１−３１６７９９号公報）。なお、画素値の空間的微分量は、画素の値が大きく変化する部分で大きな値となるので、画像のエッジ部分で大きな値をとる形状に依存した特徴量と言える。
【０００４】
【発明が解決しようとする課題】
しかし、このような従来のパターン認識装置では、画素値の空間的微分量が入力画像のコントラストの変化による影響を直接受けるために、コントラストが高くなると画素値の空間的微分量も大きな値を示し、入力画像のコントラストが低下すると画素値の空間的微分量も小さな値を示すこととなり、低コントラストなのかエッジを含まないのかを区別できないという問題があった。さらに、コントラストが変化した場合に抽出される特徴量が大きく変化するために、パターン認識用モデルの作成時と大きく異なる環境下においては、安定して高い認識率が得られないという問題があった。
【０００５】
本発明は、このような問題を解決するためになされたもので、コントラスト変化時においても安定したパターン認識を実現するのに好適な学習方法、パターン認識方法およびパター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】
本発明の学習方法は、入力された画像の全体あるいは一部から空間的微分量を抽出し、この空間的微分量を学習に用いる第１の特徴量として出力する第１のステップと、前記第１の特徴量の値に予め決められた定数を乗じて画像のコントラストが変化する時の特徴量を合成した学習に用いる第２の特徴量を出力する第２のステップと、前記第１の特徴量および第２の特徴量を学習データとして用い、所望のパターン認識がなされるようにパターン認識用モデルを学習する第３のステップとを有している。この方法により、コントラスト変化を考慮した学習を行うことができ、コントラスト変化の影響を受けないパターン認識用モデルが求まることとなる。さらに、前記パターン認識用モデルを用いると、コントラスト変化時においても安定したパターン認識を実現できることとなる。
【０００７】
また、本発明のパターン認識方法は、入力された画像データの全体あるいは一部から空間的微分量を抽出し、この空間的微分量を学習に用いる第１の特徴量として出力する第１のステップと、前記第１の特徴量の値に予め決められた定数を乗じて画像のコントラストが変化する時の特徴量を合成した学習に用いる第２の特徴量を出力する第２のステップと、前記第１の特徴量および第２の特徴量を学習データとして用い、所望のパターン認識がなされるようにパターン認識用モデルを学習する第３のステップと、パターン認識対象の画像データを入力する第４のステップと、入力された前記パターン認識対象の画像データの全体あるいは一部から空間的微分量を抽出し、第３の特徴量として出力する第５のステップと、前記第３の特徴量と前記パターン認識用モデルを用いてパターン認識を行う第６のステップとを有している。この方法により、コントラスト変化を考慮したパターン認識用モデルが学習によって得られ、さらにこのパターン認識用モデルをパターン認識に用いることで、コントラスト変化時においても安定したパターン認識を実現することが可能となる。
【０００８】
さらに、本発明のパターン認識装置は、画像を取込み入力する画像入力手段と、入力された画像から抽出された学習に用いる第１の特徴量と、前記第１の特徴量の値に予め決められた定数を乗じて画像のコントラストが変化する時の特徴量を合成した学習に用いる第２の特徴量を学習データとして用い、パターン認識用モデルを学習する学習手段と、入力された画像データの全体あるいは一部から空間的特徴量を第３の特徴量として抽出する特徴量抽出手段と、前記第３の特徴量と前記パターン認識用モデルとを用いてパターン認識を行う認識手段とを設けた構成を有している。この構成により、コントラスト変化を考慮した学習によって取得されたパターン認識用モデルをパターン認識に用いることで、コントラスト変化時においても安定したパターン認識を実現することが可能となる。
【０００９】
【発明の実施の形態】
以下、本発明の実施の形態について、図面を用いて説明する。
［第１の実施の形態］
図１に示すように、本発明の第１の実施の形態の学習装置３０は、入力された画像（画像データ）の全体あるいは一部から空間的微分量を抽出し、この空間的微分量を特徴量（第１の特徴量）として出力する特徴量抽出部１２と、前記特徴量の値に予め決められた定数を乗じたものを他の特徴量（第２の特徴量）として出力する特徴量合成部３１と、前記特徴量を学習データとし、所望のパターン認識がなされるようにパターン認識用モデルを学習する学習部３２とを設けたものである。
【００１０】
図１において、撮像装置２０は、対象物を撮像して光電変換を施し、得られた画像信号（画像データ）を出力するものである。学習装置３０は、撮像装置２０からの画像データを入力し、この画像データから学習に用いるための特徴量（第１の特徴量）を抽出し、この特徴量およびこの特徴量を合成して得られた合成特徴量（第２の特徴量）を学習データとしてパターン認識用モデルを学習するものである。ここで、画像の各画素を、この画像を構成するもの（カテゴリ、サブカテゴリ）に対応付けることを分類と呼び、分類時に各画素と対応付けがなされるカテゴリやサブカテゴリを分類クラスと呼び、この分類クラスが有する特徴量を分類に先立って決めることを学習と呼ぶ。
【００１１】
画像入力部１１は、撮像装置２０から出力された画像データを取り込み、次段の特徴量抽出部１２に出力する。特徴量抽出部１２は、画像入力部１１が取り込んだ画像（画像データ）の全体あるいは一部から空間的微分量を算出することにより、本実施の形態での学習に用いる特徴量を抽出する。ここで、前記空間的微分量は、画素の値が大きく変化する部分で大きな値となるので、前記特徴量は画像のエッジ部分で大きな値をとる形状に依存したものである。特徴量合成部３１は、特徴量抽出部１２で抽出された特徴量のそれぞれの値を定数倍することにより、画像のコントラストが変化するときの特徴量（エッジ部分の特徴量）を合成する。学習部３２は、特徴量抽出部１２で抽出された特徴量および特徴量合成部３１で合成された合成特徴量を学習データとして用い、コントラスト変化に影響されないパターン認識用モデルを取得するために学習する。
【００１２】
次に、図２を参照しながら本実施の形態の学習方法について説明する。まず、画像入力部１１で撮像装置２０からの画像データを学習データとして取り込む。次いで、特徴量抽出部１２により、前記学習データから空間的微分量を算出することにより、学習に用いる特徴量を抽出する（ステップＳ１１）。ここで、空間的微分量は、縦方向、横方向、斜め方向について、それぞれ算出される。また、空間的微分量の算出は、前記学習データの全体あるいは一部に対して行い、これらを特徴量とする。次いで、特徴量合成部３１により、前述のように抽出された特徴量のそれぞれの値を定数倍して、コントラスト変化時の特徴量を合成する（ステップＳ１２）。ここで、特徴量の各値にかける定数を変化させることにより、様々なコントラストにおける特徴量を合成する。次いで、学習部３２により、前述のように特徴量抽出部１２で抽出された特徴量と、特徴量合成部３１で前記特徴量を用いて合成された合成特徴量とを学習データとして用い、目的のパターン認識が実現できるようにパターン認識用モデルを学習する（ステップＳ１３）。
【００１３】
以上のように本発明の第１の実施の形態の学習装置３０は、入力された画像の全体あるいは一部のから空間的微分量を抽出し、この空間的微分量を特徴量として出力する特徴量抽出部１２と、前記特徴量の値に予め決められた定数を乗じたものを特徴量として出力する特徴量合成部３１と、前記特徴量を学習データとし、所望のパターン認識がなされるようにパターン認識用モデルを学習する学習部３２とを設けているので、コントラスト変化を考慮した学習を行うことができ、コントラスト変化の影響を受けないパターン認識用モデルを取得できる。
【００１４】
また、本発明の第１の実施の形態の学習方法は、入力された画像の全体あるいは一部から空間的微分量を抽出し、この空間的微分量を特徴量（第１の特徴量）として出力するステップＳ１１と、前記特徴量の値に予め決められた定数を乗じたものを合成特徴量（第２の特徴量）として出力するステップＳ１２と、前記特徴量および前記合成特徴量を学習データとし、所望のパターン認識がなされるようにパターン認識用モデルを学習するステップＳ１３とを有しているので、コントラスト変化に影響を受けないパターン認識用モデルが得られる。すなわち、コントラスト変化時の特徴量を合成するステップＳ１２を有し、コントラスト変化を考慮した学習データを用いて学習を行うことにより、コントラスト変化に影響を受けないパターン認識用モデルを得ることができる。
【００１５】
なお、上記実施の形態では学習に用いる特徴量として学習データから算出された空間的微分量を用いた場合について説明したが、本発明は空間的微分量のほかに、画素値あるいは画素値から得られる統計値、任意の画像処理により得られる値の組み合わせなどを用いても同様の効果が得られるものである。
【００１６】
ここで、前記空間的微分量の代わりに画素値あるいは画素値から得られる統計値、任意の画像処理により得られる値の組み合わせを特徴量として用い、任意の環境変動に対応する学習方法について説明する。まず、第１の実施の形態に準じ、画像入力部１１で撮像装置２０からの画像データを学習データとして取り込む。次いで、学習データの画素値あるいは画素値から得られる統計値、任意の画像処理により得られる値を組み合わせて、学習に用いるための特徴量を抽出する（ステップＳ１１に相当）。次いで、前述のように抽出された特徴量に対し、任意の環境変化が与える影響を表す数学モデルを用い、前述のように抽出された特徴量から任意の環境変化時における特徴量を合成する（ステップＳ１２に相当）。次いで、前述のように抽出された特徴量およびこの特徴量から合成された特徴量を学習データとして用い、目的のパターン認識が実現できるようにパターン認識用モデルの学習を行う（ステップＳ１３に相当）。
【００１７】
このように、画素値の空間的微分値の代わりに、画素値あるいは周辺画素との統計値、任意の画像処理により得られる値の組み合わせを特徴量として用い、任意の環境変化が特徴量に与える影響が数学的にモデル化できる場合に、学習データから抽出した特徴量に数学モデルを適用して任意の環境変化時の特徴量を合成するステップを有し、任意の環境変化を考慮した学習データを用いて学習を行うことにより、環境変化に影響を受けないパターン認識用モデルを取得することができる。なお、これらの特徴量の組み合わせを学習データとして用いて学習することにより、環境変化に影響を受けないパターン認識用モデルが求まり、環境変化時においても安定したパターン認識を実現できる。
【００１８】
［第２の実施の形態］
図３に示すように、本発明の第２の実施の形態のパターン認識装置４０は、画像を取込み入力する画像入力部１１と、入力された画像から抽出された特徴量（第１の特徴量）とこの特徴量の値に予め決められた定数を乗じて算出されたコントラスト変化時の特徴量（第２の特徴量）とを学習データとして、パターン認識用モデル２１を学習する学習装置３０（図１に示す）と、入力された画像から特徴量（第３の特徴量）を抽出する特徴量抽出部１２と、前記特徴量とパターン認識用モデル２１とを用いてパターン認識を行う認識部４１とを設けたものである。
【００１９】
図３において、撮像装置２０は、対象物を撮像して光電変換を施し、得られた画像信号（画像データ）を出力するものである。パターン認識装置４０は、撮像装置２０からの画像データを入力し、この画像データから学習に用いるための特徴量（第３の特徴量）を抽出し、この特徴量と予め学習されたパターン認識用モデル２１とを用いてパターン認識処理を行うものである。また、パターン認識用モデル２１は、第１の実施の形態の学習装置３０および学習方法によって取得されたものである。画像入力部１１は、撮像装置２０から出力された画像データを取り込み、次段の特徴量抽出部１２に出力する。特徴量抽出部１２は、画像入力部１１が取り込んだ画像（画像データ）の全体あるいは一部から空間的微分量を算出することにより、本実施の形態でのパターン認識に用いる特徴量を抽出する。認識部４１は、特徴量抽出部１２で抽出された特徴量を入力するとともに、前述のように第１の実施の形態に準じたパターン認識用モデル２１を入力し、前記特徴量とパターン認識用モデル２１とを用いてパターン認識処理を行うものである。
【００２０】
次に、図４に示すフローチャートを用いて本発明の第２の実施の形態のパターン認識方法について説明する。まず、画像入力部１１で撮像装置２０からの画像データを学習データとして取り込む（ステップＳ３１）。次いで、特徴量抽出部１２により、前記学習データから空間的微分量を算出することにより、学習に用いる特徴量（第３の特徴量）を抽出する（ステップＳ３２）。ここで、空間的微分量は、縦方向、横方向、斜め方向について、それぞれ算出される。また、空間的微分量の算出は、前記学習データの全体あるいは一部に対して行い、これらを特徴量とする。次いで、特徴量抽出部１２により抽出された特徴量と、前述のパターン認識用モデル２１とを用いてパターン認識処理を行う（ステップＳ３３）。
【００２１】
以上のように、本発明の第２の実施の形態のパターン認識装置４０は、画像を取込み入力する画像入力部１１と、入力された画像から抽出された特徴量とこの特徴量の値に予め決められた定数を乗じて算出されたコントラスト変化時の特徴量とを学習データとして、パターン認識用モデル２１を学習する学習装置３０（図１に示す）と、入力された画像から特徴量（第３の特徴量）を抽出する特徴量抽出部１２と、前記特徴量とパターン認識用モデル２１とを用いてパターン認識を行う認識部４１とを設けているので、コントラスト変化を考慮した学習データを用いた学習方法（図２に示す）によって取得されたパターン認識用モデル２１を用いてパターン認識を行うことにより、コントラスト変化時においても安定したパターン認識を実現することができる。
【００２２】
［第３の実施の形態］
図５は本発明の第３の実施の形態の要部ブロック図を示す。これは第２の実施の形態とは、さらに予め学習されたパターン認識用モデル２１を記憶するモデル記憶部１３を設けた点が相違している。この構成によれば、第１の実施の形態に準じた学習ステップで予め学習されたパターン認識用モデル２１を任意のタイミングでモデル記憶部１３から読み出し、パターン認識処理に用いることができるという効果も得られる。
【００２３】
図５において、撮像装置２０は、対象物を撮像して光電変換を施し、得られた画像信号（画像データ）を出力するものである。パターン認識装置１０は、撮像装置２０からの画像データを入力し、この画像データから学習に用いるための特徴量（第３の特徴量）を抽出し、この特徴量と予め学習されて記憶されたパターン認識用モデル２１とを用いてパターン認識処理を行うものである。また、パターン認識用モデル２１は、第１の実施の形態の学習装置３０および学習方法によって取得されたものである。画像入力部１１は、撮像装置２０から出力された画像データを取り込み、次段の特徴量抽出部１２に出力する。特徴量抽出部１２は、画像入力部１１が取り込んだ画像（画像データ）の全体あるいは一部から空間的微分量を算出することにより、本実施の形態でのパターン認識に用いる特徴量を抽出する。モデル記憶部１３は、前述のように第１の実施の形態に準じて取得されたパターン認識用モデル２１を記憶するものである。認識部１４は、特徴量抽出部１２で抽出された特徴量を入力するとともに、モデル記憶部１３に予め記憶されたパターン認識用モデル２１を入力し、前記特徴量とパターン認識用モデル２１とを用いてパターン認識処理を行い、認識結果を出力するものである。なお、パターン認識用モデル２１は第１の実施の形態に示す学習装置３０によって学習されたものであるため、この学習装置３０を本実施の形態に併せて設けた構成としてもよい。
【００２４】
次に、図６に示すフローチャートを用いて本発明の第３の実施の形態のパターン認識方法について説明する。まず、画像入力部１１で撮像装置２０からの画像データを学習データとして取り込む（ステップＳ４１）。次いで、特徴量抽出部１２により、前記学習データから空間的微分量を算出することにより、学習に用いる特徴量（第３の特徴量）を抽出する（ステップＳ４２）。ここで、空間的微分量は、縦方向、横方向、斜め方向について、それぞれ算出される。また、空間的微分量の算出は、前記学習データの全体あるいは一部に対して行い、これらを特徴量とする。次いで、認識部１４は、モデル記憶部１３からパターン認識用モデル２１を読み出して入力する（Ｓ４３）。次いで、ステップＳ４２で抽出された特徴量とパターン認識用モデル２１とを用いてパターン認識を行う（ステップＳ４４）。ここで、パターン認識用モデル２１は、第１の実施の形態の学習装置３０および学習方法（図２に示す）によって取得され、モデル記憶部１３に記憶されたものである。
【００２５】
以上のように、本発明の第３の実施の形態のパターン認識装置１０では、認識部１４によるパターン認識処理において、第１の実施の形態で取得されたパターン認識用モデル２１を用いているために、コントラスト変化時においても安定したパターン認識を実現できる。
【００２６】
【発明の効果】
以上説明したように、本発明は学習データから空間的微分量を特徴量（第１の特徴量）として抽出するステップの他に、このステップで抽出された特徴量の値を定数倍することによりコントラスト変化時の合成特徴量（第２の特徴量）を合成するステップを有し、これらの特徴量を学習データとして用いて学習することにより、コントラスト変化に影響を受けないパターン認識用モデルを学習で求めることができるという優れた効果を有する学習方法、パターン認識方法およびパターン認識装置を提供することができるものである。
【図面の簡単な説明】
【図１】本発明の第１の実施の形態の学習装置を示すブロック図
【図２】本発明の第１の実施の形態の学習方法における処理の流れを示すフローチャート
【図３】本発明の第２の実施の形態のパターン認識装置を示すブロック図
【図４】本発明の第２の実施の形態のパターン認識方法における処理の流れを示すフローチャート
【図５】本発明の第３の実施の形態のパターン認識装置を示すブロック図
【図６】本発明の第３の実施の形態のパターン認識方法における処理の流れを示すフローチャート
【符号の説明】
１０、４０ パターン認識装置
１１ 画像入力部（画像入力手段）
１２ 特徴量抽出部（特徴量抽出手段）
１３ モデル記憶部
１４、４１ 認識部（認識手段）
２０ 撮像装置
２１ パターン認識用モデル
３０ 学習装置（学習手段）
３１ 特徴量合成部
３２ 学習部
【発明の属する技術分野】
本発明は、入力画像から抽出された特徴量によるパターン認識に好適な学習方法、パターン認識方法およびパターン認識装置に関するものである。
【０００２】
【従来の技術】
従来、パターン認識技術は、文字、図形の認識などに広く用いられている。有名な手法として、認識したい文字や図形など対象を表すテンプレートと認識対象画像との類似度を用いて照合を行うパターンマッチング法がある。しかし、この方法では画素の色情報の類似度のみに基づき認識を行っているため、背景色の変化や文字と背景色が反転した場合などに、安定して高い認識率が得られないという問題があった。
【０００３】
そこで、このような問題に対応した技術も提案されている。この種のパターン認識装置（文字認識装置）は、文字領域に設けた複数のウインドウにおける文字線の明るさ情報と、原画像の微分画像から検出したエッジ情報とを用いて特徴量を抽出する画像処理手段を備え、画像上の画素値の空間的な微分量を利用し、色情報だけでなく形状情報にも基づいた特徴量を用いてパターン認識を行うものであった（特開平１１−３１６７９９号公報）。なお、画素値の空間的微分量は、画素の値が大きく変化する部分で大きな値となるので、画像のエッジ部分で大きな値をとる形状に依存した特徴量と言える。
【０００４】
【発明が解決しようとする課題】
しかし、このような従来のパターン認識装置では、画素値の空間的微分量が入力画像のコントラストの変化による影響を直接受けるために、コントラストが高くなると画素値の空間的微分量も大きな値を示し、入力画像のコントラストが低下すると画素値の空間的微分量も小さな値を示すこととなり、低コントラストなのかエッジを含まないのかを区別できないという問題があった。さらに、コントラストが変化した場合に抽出される特徴量が大きく変化するために、パターン認識用モデルの作成時と大きく異なる環境下においては、安定して高い認識率が得られないという問題があった。
【０００５】
本発明は、このような問題を解決するためになされたもので、コントラスト変化時においても安定したパターン認識を実現するのに好適な学習方法、パターン認識方法およびパター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】
本発明の学習方法は、入力された画像の全体あるいは一部から空間的微分量を抽出し、この空間的微分量を学習に用いる第１の特徴量として出力する第１のステップと、前記第１の特徴量の値に予め決められた定数を乗じて画像のコントラストが変化する時の特徴量を合成した学習に用いる第２の特徴量を出力する第２のステップと、前記第１の特徴量および第２の特徴量を学習データとして用い、所望のパターン認識がなされるようにパターン認識用モデルを学習する第３のステップとを有している。この方法により、コントラスト変化を考慮した学習を行うことができ、コントラスト変化の影響を受けないパターン認識用モデルが求まることとなる。さらに、前記パターン認識用モデルを用いると、コントラスト変化時においても安定したパターン認識を実現できることとなる。
【０００７】
また、本発明のパターン認識方法は、入力された画像データの全体あるいは一部から空間的微分量を抽出し、この空間的微分量を学習に用いる第１の特徴量として出力する第１のステップと、前記第１の特徴量の値に予め決められた定数を乗じて画像のコントラストが変化する時の特徴量を合成した学習に用いる第２の特徴量を出力する第２のステップと、前記第１の特徴量および第２の特徴量を学習データとして用い、所望のパターン認識がなされるようにパターン認識用モデルを学習する第３のステップと、パターン認識対象の画像データを入力する第４のステップと、入力された前記パターン認識対象の画像データの全体あるいは一部から空間的微分量を抽出し、第３の特徴量として出力する第５のステップと、前記第３の特徴量と前記パターン認識用モデルを用いてパターン認識を行う第６のステップとを有している。この方法により、コントラスト変化を考慮したパターン認識用モデルが学習によって得られ、さらにこのパターン認識用モデルをパターン認識に用いることで、コントラスト変化時においても安定したパターン認識を実現することが可能となる。
【０００８】
さらに、本発明のパターン認識装置は、画像を取込み入力する画像入力手段と、入力された画像から抽出された学習に用いる第１の特徴量と、前記第１の特徴量の値に予め決められた定数を乗じて画像のコントラストが変化する時の特徴量を合成した学習に用いる第２の特徴量を学習データとして用い、パターン認識用モデルを学習する学習手段と、入力された画像データの全体あるいは一部から空間的特徴量を第３の特徴量として抽出する特徴量抽出手段と、前記第３の特徴量と前記パターン認識用モデルとを用いてパターン認識を行う認識手段とを設けた構成を有している。この構成により、コントラスト変化を考慮した学習によって取得されたパターン認識用モデルをパターン認識に用いることで、コントラスト変化時においても安定したパターン認識を実現することが可能となる。
【０００９】
【発明の実施の形態】
以下、本発明の実施の形態について、図面を用いて説明する。
［第１の実施の形態］
図１に示すように、本発明の第１の実施の形態の学習装置３０は、入力された画像（画像データ）の全体あるいは一部から空間的微分量を抽出し、この空間的微分量を特徴量（第１の特徴量）として出力する特徴量抽出部１２と、前記特徴量の値に予め決められた定数を乗じたものを他の特徴量（第２の特徴量）として出力する特徴量合成部３１と、前記特徴量を学習データとし、所望のパターン認識がなされるようにパターン認識用モデルを学習する学習部３２とを設けたものである。
【００１０】
図１において、撮像装置２０は、対象物を撮像して光電変換を施し、得られた画像信号（画像データ）を出力するものである。学習装置３０は、撮像装置２０からの画像データを入力し、この画像データから学習に用いるための特徴量（第１の特徴量）を抽出し、この特徴量およびこの特徴量を合成して得られた合成特徴量（第２の特徴量）を学習データとしてパターン認識用モデルを学習するものである。ここで、画像の各画素を、この画像を構成するもの（カテゴリ、サブカテゴリ）に対応付けることを分類と呼び、分類時に各画素と対応付けがなされるカテゴリやサブカテゴリを分類クラスと呼び、この分類クラスが有する特徴量を分類に先立って決めることを学習と呼ぶ。
【００１１】
画像入力部１１は、撮像装置２０から出力された画像データを取り込み、次段の特徴量抽出部１２に出力する。特徴量抽出部１２は、画像入力部１１が取り込んだ画像（画像データ）の全体あるいは一部から空間的微分量を算出することにより、本実施の形態での学習に用いる特徴量を抽出する。ここで、前記空間的微分量は、画素の値が大きく変化する部分で大きな値となるので、前記特徴量は画像のエッジ部分で大きな値をとる形状に依存したものである。特徴量合成部３１は、特徴量抽出部１２で抽出された特徴量のそれぞれの値を定数倍することにより、画像のコントラストが変化するときの特徴量（エッジ部分の特徴量）を合成する。学習部３２は、特徴量抽出部１２で抽出された特徴量および特徴量合成部３１で合成された合成特徴量を学習データとして用い、コントラスト変化に影響されないパターン認識用モデルを取得するために学習する。
【００１２】
次に、図２を参照しながら本実施の形態の学習方法について説明する。まず、画像入力部１１で撮像装置２０からの画像データを学習データとして取り込む。次いで、特徴量抽出部１２により、前記学習データから空間的微分量を算出することにより、学習に用いる特徴量を抽出する（ステップＳ１１）。ここで、空間的微分量は、縦方向、横方向、斜め方向について、それぞれ算出される。また、空間的微分量の算出は、前記学習データの全体あるいは一部に対して行い、これらを特徴量とする。次いで、特徴量合成部３１により、前述のように抽出された特徴量のそれぞれの値を定数倍して、コントラスト変化時の特徴量を合成する（ステップＳ１２）。ここで、特徴量の各値にかける定数を変化させることにより、様々なコントラストにおける特徴量を合成する。次いで、学習部３２により、前述のように特徴量抽出部１２で抽出された特徴量と、特徴量合成部３１で前記特徴量を用いて合成された合成特徴量とを学習データとして用い、目的のパターン認識が実現できるようにパターン認識用モデルを学習する（ステップＳ１３）。
【００１３】
以上のように本発明の第１の実施の形態の学習装置３０は、入力された画像の全体あるいは一部のから空間的微分量を抽出し、この空間的微分量を特徴量として出力する特徴量抽出部１２と、前記特徴量の値に予め決められた定数を乗じたものを特徴量として出力する特徴量合成部３１と、前記特徴量を学習データとし、所望のパターン認識がなされるようにパターン認識用モデルを学習する学習部３２とを設けているので、コントラスト変化を考慮した学習を行うことができ、コントラスト変化の影響を受けないパターン認識用モデルを取得できる。
【００１４】
また、本発明の第１の実施の形態の学習方法は、入力された画像の全体あるいは一部から空間的微分量を抽出し、この空間的微分量を特徴量（第１の特徴量）として出力するステップＳ１１と、前記特徴量の値に予め決められた定数を乗じたものを合成特徴量（第２の特徴量）として出力するステップＳ１２と、前記特徴量および前記合成特徴量を学習データとし、所望のパターン認識がなされるようにパターン認識用モデルを学習するステップＳ１３とを有しているので、コントラスト変化に影響を受けないパターン認識用モデルが得られる。すなわち、コントラスト変化時の特徴量を合成するステップＳ１２を有し、コントラスト変化を考慮した学習データを用いて学習を行うことにより、コントラスト変化に影響を受けないパターン認識用モデルを得ることができる。
【００１５】
なお、上記実施の形態では学習に用いる特徴量として学習データから算出された空間的微分量を用いた場合について説明したが、本発明は空間的微分量のほかに、画素値あるいは画素値から得られる統計値、任意の画像処理により得られる値の組み合わせなどを用いても同様の効果が得られるものである。
【００１６】
ここで、前記空間的微分量の代わりに画素値あるいは画素値から得られる統計値、任意の画像処理により得られる値の組み合わせを特徴量として用い、任意の環境変動に対応する学習方法について説明する。まず、第１の実施の形態に準じ、画像入力部１１で撮像装置２０からの画像データを学習データとして取り込む。次いで、学習データの画素値あるいは画素値から得られる統計値、任意の画像処理により得られる値を組み合わせて、学習に用いるための特徴量を抽出する（ステップＳ１１に相当）。次いで、前述のように抽出された特徴量に対し、任意の環境変化が与える影響を表す数学モデルを用い、前述のように抽出された特徴量から任意の環境変化時における特徴量を合成する（ステップＳ１２に相当）。次いで、前述のように抽出された特徴量およびこの特徴量から合成された特徴量を学習データとして用い、目的のパターン認識が実現できるようにパターン認識用モデルの学習を行う（ステップＳ１３に相当）。
【００１７】
このように、画素値の空間的微分値の代わりに、画素値あるいは周辺画素との統計値、任意の画像処理により得られる値の組み合わせを特徴量として用い、任意の環境変化が特徴量に与える影響が数学的にモデル化できる場合に、学習データから抽出した特徴量に数学モデルを適用して任意の環境変化時の特徴量を合成するステップを有し、任意の環境変化を考慮した学習データを用いて学習を行うことにより、環境変化に影響を受けないパターン認識用モデルを取得することができる。なお、これらの特徴量の組み合わせを学習データとして用いて学習することにより、環境変化に影響を受けないパターン認識用モデルが求まり、環境変化時においても安定したパターン認識を実現できる。
【００１８】
［第２の実施の形態］
図３に示すように、本発明の第２の実施の形態のパターン認識装置４０は、画像を取込み入力する画像入力部１１と、入力された画像から抽出された特徴量（第１の特徴量）とこの特徴量の値に予め決められた定数を乗じて算出されたコントラスト変化時の特徴量（第２の特徴量）とを学習データとして、パターン認識用モデル２１を学習する学習装置３０（図１に示す）と、入力された画像から特徴量（第３の特徴量）を抽出する特徴量抽出部１２と、前記特徴量とパターン認識用モデル２１とを用いてパターン認識を行う認識部４１とを設けたものである。
【００１９】
図３において、撮像装置２０は、対象物を撮像して光電変換を施し、得られた画像信号（画像データ）を出力するものである。パターン認識装置４０は、撮像装置２０からの画像データを入力し、この画像データから学習に用いるための特徴量（第３の特徴量）を抽出し、この特徴量と予め学習されたパターン認識用モデル２１とを用いてパターン認識処理を行うものである。また、パターン認識用モデル２１は、第１の実施の形態の学習装置３０および学習方法によって取得されたものである。画像入力部１１は、撮像装置２０から出力された画像データを取り込み、次段の特徴量抽出部１２に出力する。特徴量抽出部１２は、画像入力部１１が取り込んだ画像（画像データ）の全体あるいは一部から空間的微分量を算出することにより、本実施の形態でのパターン認識に用いる特徴量を抽出する。認識部４１は、特徴量抽出部１２で抽出された特徴量を入力するとともに、前述のように第１の実施の形態に準じたパターン認識用モデル２１を入力し、前記特徴量とパターン認識用モデル２１とを用いてパターン認識処理を行うものである。
【００２０】
次に、図４に示すフローチャートを用いて本発明の第２の実施の形態のパターン認識方法について説明する。まず、画像入力部１１で撮像装置２０からの画像データを学習データとして取り込む（ステップＳ３１）。次いで、特徴量抽出部１２により、前記学習データから空間的微分量を算出することにより、学習に用いる特徴量（第３の特徴量）を抽出する（ステップＳ３２）。ここで、空間的微分量は、縦方向、横方向、斜め方向について、それぞれ算出される。また、空間的微分量の算出は、前記学習データの全体あるいは一部に対して行い、これらを特徴量とする。次いで、特徴量抽出部１２により抽出された特徴量と、前述のパターン認識用モデル２１とを用いてパターン認識処理を行う（ステップＳ３３）。
【００２１】
以上のように、本発明の第２の実施の形態のパターン認識装置４０は、画像を取込み入力する画像入力部１１と、入力された画像から抽出された特徴量とこの特徴量の値に予め決められた定数を乗じて算出されたコントラスト変化時の特徴量とを学習データとして、パターン認識用モデル２１を学習する学習装置３０（図１に示す）と、入力された画像から特徴量（第３の特徴量）を抽出する特徴量抽出部１２と、前記特徴量とパターン認識用モデル２１とを用いてパターン認識を行う認識部４１とを設けているので、コントラスト変化を考慮した学習データを用いた学習方法（図２に示す）によって取得されたパターン認識用モデル２１を用いてパターン認識を行うことにより、コントラスト変化時においても安定したパターン認識を実現することができる。
【００２２】
［第３の実施の形態］
図５は本発明の第３の実施の形態の要部ブロック図を示す。これは第２の実施の形態とは、さらに予め学習されたパターン認識用モデル２１を記憶するモデル記憶部１３を設けた点が相違している。この構成によれば、第１の実施の形態に準じた学習ステップで予め学習されたパターン認識用モデル２１を任意のタイミングでモデル記憶部１３から読み出し、パターン認識処理に用いることができるという効果も得られる。
【００２３】
図５において、撮像装置２０は、対象物を撮像して光電変換を施し、得られた画像信号（画像データ）を出力するものである。パターン認識装置１０は、撮像装置２０からの画像データを入力し、この画像データから学習に用いるための特徴量（第３の特徴量）を抽出し、この特徴量と予め学習されて記憶されたパターン認識用モデル２１とを用いてパターン認識処理を行うものである。また、パターン認識用モデル２１は、第１の実施の形態の学習装置３０および学習方法によって取得されたものである。画像入力部１１は、撮像装置２０から出力された画像データを取り込み、次段の特徴量抽出部１２に出力する。特徴量抽出部１２は、画像入力部１１が取り込んだ画像（画像データ）の全体あるいは一部から空間的微分量を算出することにより、本実施の形態でのパターン認識に用いる特徴量を抽出する。モデル記憶部１３は、前述のように第１の実施の形態に準じて取得されたパターン認識用モデル２１を記憶するものである。認識部１４は、特徴量抽出部１２で抽出された特徴量を入力するとともに、モデル記憶部１３に予め記憶されたパターン認識用モデル２１を入力し、前記特徴量とパターン認識用モデル２１とを用いてパターン認識処理を行い、認識結果を出力するものである。なお、パターン認識用モデル２１は第１の実施の形態に示す学習装置３０によって学習されたものであるため、この学習装置３０を本実施の形態に併せて設けた構成としてもよい。
【００２４】
次に、図６に示すフローチャートを用いて本発明の第３の実施の形態のパターン認識方法について説明する。まず、画像入力部１１で撮像装置２０からの画像データを学習データとして取り込む（ステップＳ４１）。次いで、特徴量抽出部１２により、前記学習データから空間的微分量を算出することにより、学習に用いる特徴量（第３の特徴量）を抽出する（ステップＳ４２）。ここで、空間的微分量は、縦方向、横方向、斜め方向について、それぞれ算出される。また、空間的微分量の算出は、前記学習データの全体あるいは一部に対して行い、これらを特徴量とする。次いで、認識部１４は、モデル記憶部１３からパターン認識用モデル２１を読み出して入力する（Ｓ４３）。次いで、ステップＳ４２で抽出された特徴量とパターン認識用モデル２１とを用いてパターン認識を行う（ステップＳ４４）。ここで、パターン認識用モデル２１は、第１の実施の形態の学習装置３０および学習方法（図２に示す）によって取得され、モデル記憶部１３に記憶されたものである。
【００２５】
以上のように、本発明の第３の実施の形態のパターン認識装置１０では、認識部１４によるパターン認識処理において、第１の実施の形態で取得されたパターン認識用モデル２１を用いているために、コントラスト変化時においても安定したパターン認識を実現できる。
【００２６】
【発明の効果】
以上説明したように、本発明は学習データから空間的微分量を特徴量（第１の特徴量）として抽出するステップの他に、このステップで抽出された特徴量の値を定数倍することによりコントラスト変化時の合成特徴量（第２の特徴量）を合成するステップを有し、これらの特徴量を学習データとして用いて学習することにより、コントラスト変化に影響を受けないパターン認識用モデルを学習で求めることができるという優れた効果を有する学習方法、パターン認識方法およびパターン認識装置を提供することができるものである。
【図面の簡単な説明】
【図１】本発明の第１の実施の形態の学習装置を示すブロック図
【図２】本発明の第１の実施の形態の学習方法における処理の流れを示すフローチャート
【図３】本発明の第２の実施の形態のパターン認識装置を示すブロック図
【図４】本発明の第２の実施の形態のパターン認識方法における処理の流れを示すフローチャート
【図５】本発明の第３の実施の形態のパターン認識装置を示すブロック図
【図６】本発明の第３の実施の形態のパターン認識方法における処理の流れを示すフローチャート
【符号の説明】
１０、４０ パターン認識装置
１１ 画像入力部（画像入力手段）
１２ 特徴量抽出部（特徴量抽出手段）
１３ モデル記憶部
１４、４１ 認識部（認識手段）
２０ 撮像装置
２１ パターン認識用モデル
３０ 学習装置（学習手段）
３１ 特徴量合成部
３２ 学習部
Claims (3)
- 入力された画像の全体あるいは一部から空間的微分量を抽出し、この空間的微分量を学習に用いる第１の特徴量として出力する第１のステップと、前記第１の特徴量の値に予め決められた定数を乗じて画像のコントラストが変化する時の特徴量を合成した学習に用いる第２の特徴量を出力する第２のステップと、前記第１の特徴量および第２の特徴量を学習データとして用い、所望のパターン認識がなされるようにパターン認識用モデルを学習する第３のステップとを有することを特徴とする学習方法。
- 入力された画像データの全体あるいは一部から空間的微分量を抽出し、この空間的微分量を学習に用いる第１の特徴量として出力する第１のステップと、前記第１の特徴量の値に予め決められた定数を乗じて画像のコントラストが変化する時の特徴量を合成した学習に用いる第２の特徴量を出力する第２のステップと、前記第１の特徴量および第２の特徴量を学習データとして用い、所望のパターン認識がなされるようにパターン認識用モデルを学習する第３のステップと、パターン認識対象の画像データを入力する第４のステップと、入力された前記パターン認識対象の画像データの全体あるいは一部から空間的微分量を抽出し、第３の特徴量として出力する第５のステップと、前記第３の特徴量と前記パターン認識用モデルを用いてパターン認識を行う第６のステップとを有することを特徴とするパターン認識方法。
- 画像を取込み入力する画像入力手段と、入力された画像から抽出された学習に用いる第１の特徴量と、前記第１の特徴量の値に予め決められた定数を乗じて画像のコントラストが変化する時の特徴量を合成した学習に用いる第２の特徴量を学習データとして用い、パターン認識用モデルを学習する学習手段と、入力された画像データの全体あるいは一部から空間的特徴量を第３の特徴量として抽出する特徴量抽出手段と、前記第３の特徴量と前記パターン認識用モデルとを用いてパターン認識を行う認識手段とを設けたことを特徴とするパターン認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002032436A JP4286487B2 (ja) | 2002-02-08 | 2002-02-08 | 学習方法、パターン認識方法およびパターン認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002032436A JP4286487B2 (ja) | 2002-02-08 | 2002-02-08 | 学習方法、パターン認識方法およびパターン認識装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003233814A JP2003233814A (ja) | 2003-08-22 |
| JP4286487B2 true JP4286487B2 (ja) | 2009-07-01 |
Family
ID=27775555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002032436A Expired - Fee Related JP4286487B2 (ja) | 2002-02-08 | 2002-02-08 | 学習方法、パターン認識方法およびパターン認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4286487B2 (ja) |
-
2002
- 2002-02-08 JP JP2002032436A patent/JP4286487B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2003233814A (ja) | 2003-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635883B (zh) | 基于深度堆叠网络的结构信息指导的中文字库生成方法 | |
| CN108229490B (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
| CN110033471B (zh) | 一种基于连通域分析和形态学操作的框线检测方法 | |
| EP0654749B1 (en) | An image processing method and apparatus | |
| CN103279936B (zh) | 基于画像的人脸伪照片自动合成及修正方法 | |
| JP4933186B2 (ja) | 画像処理装置、画像処理方法、プログラム及び記憶媒体 | |
| JP6923159B2 (ja) | 情報処理装置 | |
| CN103168462A (zh) | 图像合成装置、图像合成方法、图像合成程序及记录介质 | |
| Berezhnoy et al. | Computer analysis of van Gogh’s complementary colours | |
| CN110197490B (zh) | 基于深度学习的人像自动抠图方法 | |
| CN114140786B (zh) | 基于HRNet编码与双分支解码的场景文本识别方法 | |
| WO2020014294A1 (en) | Learning to segment via cut-and-paste | |
| CN109064525A (zh) | 一种图片格式转换方法、装置、设备和存储介质 | |
| CN112232220A (zh) | 生成人物图像的方法、训练方法和装置及存储介质 | |
| CN113591528A (zh) | 文档矫正方法、装置、计算机设备和存储介质 | |
| JP7463186B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| CN113378812A (zh) | 一种基于Mask R-CNN和CRNN的数字表盘识别方法 | |
| CN114565702A (zh) | 文本图像生成方法、装置及电子设备 | |
| JP6967201B2 (ja) | 情報処理装置 | |
| JP4286487B2 (ja) | 学習方法、パターン認識方法およびパターン認識装置 | |
| JP4869365B2 (ja) | 画像処理装置および画像処理方法 | |
| CN113191942A (zh) | 生成图像的方法、训练人物检测模型的方法、程序及装置 | |
| JP2023003764A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| CN111583168A (zh) | 图像合成方法、装置、计算机设备和存储介质 | |
| CN110991304A (zh) | 基于摄像头与热感探头的交互手势采集和识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050128 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070710 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070807 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071005 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20071030 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071228 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20080115 |
|
| A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20080208 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090325 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120403 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130403 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130403 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140403 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |