JP4612477B2 - パターン認識装置、パターン認識方法、パターン認識プログラム、及びパターン認識プログラムの記録媒体 - Google Patents

Description

本発明は、自然画像中に含まれる、複雑に変形する物体を精度よく識別するためのパターン認識技術に関するものである。

近年、携帯電話にカメラ機能が搭載され、いつでも手軽に写真データを取得、保存することができるようになった。この機能をさらに活用する手段として、写真データからそこに写る物体を認識し、その物体に関連したデータを提供するというサービスが考えられる。

ここで、認識の対象となる物体には剛体と非剛体が存在する。例えば、袋詰めの商品や本、雑誌、ポスターなどは非剛体である。非剛体物体は、その変形が複雑多岐にわたるため、画像から認識することが大変難しい。従来、このような物体を認識するには、色ヒストグラムなど、空間情報を排除した特徴量が用いられてきた(例えば、非特許文献１参照。)。
村瀬 洋，Ｖ．Ｖ．Ｖｉｎｏｄ、「局所色情報を用いた高速物体探索−アクティブ探索法」、信学論（Ｄ−ＩＩ），Ｖｏｌ．Ｊ８１−Ｄ−ＩＩ，ｎｏ．９，ｐｐ．２０３５−２０４２，１９９８

色ヒストグラムを用いるためには、物体がどの範囲に存在するかをあらかじめ知っておく必要がある。この情報が既知でない場合、画像全体でヒストグラムを集計するか、又は矩形等の探索窓を設けてこの探索窓をスキャンさせることなどで対応する必要がある。

しかし、これらの方法だと、矩形領域内に背景成分が混在してしまうおそれがある。そして、この背景混在により特徴量にノイズ成分が付加され、識別性能を大きく損ねてしまうことになる。特に非剛体物体を対象にした場合、背景混在の可能性は著しく高くなると考えられる。

また、色ヒストグラムは空間情報を全く持たないため、識別に用いる情報として必ずしも十分でなく、汎用性があまり高くないという問題点も有している。

本発明は上記の問題点に鑑みてなされたものであり、非剛体物体のような複雑に変形する物体をより高精度に認識できるパターン認識技術を提供することを目的とする。

上記目的を達成するために、本発明では、図１のように、対象物体の局所領域に注目できるような比較的小さな窓を設け、局所パターン情報の集合体として物体の特徴を表現する。

一般的には、パターン認識は物体の登録をする登録過程と、新たに入力された未知の物体と登録された物体とのマッチングを行う認識過程とに分けられる。登録過程においては、対象物体の全ての局所領域に対してそれぞれ特徴抽出し、特徴空間にプロットする。そして、その時できあがる特徴空間上の分布に関する情報をメモリに蓄積する。一方、認識過程においては、登録した物体と同様の方法で特徴空間上の分布を求め、それら分布どうしの類似度を計算することで物体の認識又は識別を行う。

登録過程で対象物体の領域を（例えば、背景差分や手入力のマニュアル切り出しによって）指定することは簡単だが、認識過程での領域指定は基本的に困難である。このため、登録過程で得られる分布は、純粋に対象物体に関する分布と考えてよいが、認識過程で得られる分布は、原則として背景ノイズも混在した分布と考えるべきである。したがって、背景ノイズに影響されるような類似度算出法は使用できない。

そこで本発明では、登録過程で得られる分布を主成分分析する。この算出される主成分ベクトルは、物体の特徴を表現していると考えられる。さらに、認識過程で得られる分布（ベクトル集合）とその主成分ベクトルとの内積の最大値（及び最小値の絶対値）は、背景混合に対して影響を受ける可能性は極めて低いと考えられる。なぜなら、背景は対象物体の主成分ベクトルとはまったく独立した存在なので、その相関は常に０に近いと考えられるからである。このため、この指標を利用すれば、背景が変化しても安定して物体を認識することができる。

また、この方法は局所情報の集合を特徴空間上の分布という形で表現していることから、空間情報を完全には潰していないと考えられる。

さらに、局所情報を得るための窓の大きさを等比級数的に何種類か設け、多重解像度構造にすることで、より空間情報を増やすこともできる。したがって、認識の汎用性を高めることが可能である。

具体的には、請求項１に記載の発明は、画像データに含まれる物体を識別するパターン認識装置であって、登録デジタル画像データを入力する登録画像データ入力手段と、前記入力された登録デジタル画像データから対象物を切り出し、当該切り出した対象物画像の大きさを正規化する登録前処理手段と、前記登録前処理手段によって正規化した画像から特徴量を抽出する登録特徴量抽出手段と、探索窓を設定して当該探索窓を前記登録特徴量抽出手段によって特徴量が抽出された画像に対してスキャンさせながら当該探索窓内の特徴量を集計しベクトル化して特徴空間にプロットすることで分布を作成する登録分布作成手段と、前記分布を主成分分析して主成分ベクトルを算出する主成分ベクトル算出手段と、認識デジタル画像データを入力する認識画像データ入力手段と、前記入力された認識デジタル画像データの大きさを正規化する認識前処理手段と、前記認識前処理手段によって正規化した画像から特徴量を抽出する認識特徴量抽出手段と、探索窓を設定して当該探索窓を前記認識特徴量抽出手段によって特徴量が抽出された画像に対してスキャンさせながら当該探索窓内の特徴量を集計しベクトル化して特徴空間にプロットすることで分布を作成する認識分布作成手段と、前記認識分布作成手段によって作成された分布と前記主成分ベクトル算出手段によって算出された主成分ベクトルとの類似度を算出し、当該類似度に基づいて識別結果を決定する識別手段と、前記識別結果を出力する出力手段と、を有する。

また、請求項２に記載の発明は、前記登録特徴量抽出手段及び前記認識特徴量抽出手段では、隣接する画素との色の輝度の比を利用した特徴量を用いることを特徴とする。

また、請求項３に記載の発明は、前記登録分布作成手段及び前記認識分布作成手段は、大きさの異なる複数の探索窓を用いたスキャンにより当該探索窓と同数の分布を作成することを特徴とする。

また、請求項４に記載の発明は、前記識別手段で算出する類似度は、前記認識分布作成手段によって作成された分布と前記主成分ベクトル算出手段によって算出された主成分ベクトルとの内積の最大値及び最小値から計算されるものであることを特徴とする。

また、請求項５に記載の発明は、前記主成分ベクトル算出手段において、前記入力された登録デジタル画像データより得られた特徴空間内での分布を主成分ベクトルに射影したときの密度分布を計算してテーブル化し、前記識別手段において、前記主成分ベクトル及びこれに対応する密度分布テーブルを用いて類似度を算出することを特徴とする。

また、請求項６に記載の発明は、画像データに含まれる物体を識別するパターン認識装置におけるパターン認識方法であって、登録画像データ入力手段が、登録デジタル画像データを入力する登録画像データ入力ステップと、登録前処理手段が、前記入力された登録デジタル画像データから対象物を切り出し、当該切り出した対象物画像の大きさを正規化する登録前処理ステップと、登録特徴量抽出手段が、前記登録前処理ステップで正規化した画像から特徴量を抽出する登録特徴量抽出ステップと、登録分布作成手段が、探索窓を設定して当該探索窓を前記登録特徴量抽出ステップで特徴量が抽出された画像に対してスキャンさせながら当該探索窓内の特徴量を集計しベクトル化して特徴空間にプロットすることで分布を作成する登録分布作成ステップと、主成分ベクトル算出手段が、前記分布を主成分分析して主成分ベクトルを算出する主成分ベクトル算出ステップと、認識画像データ入力手段が、認識デジタル画像データを入力する認識画像データ入力ステップと、認識前処理手段が、前記入力された認識デジタル画像データの大きさを正規化する認識前処理ステップと、認識特徴量抽出手段が、前記認識前処理ステップで正規化した画像から特徴量を抽出する認識特徴量抽出ステップと、認識分布作成手段が、探索窓を設定して当該探索窓を前記認識特徴量抽出ステップで特徴量が抽出された画像に対してスキャンさせながら当該探索窓内の特徴量を集計しベクトル化して特徴空間にプロットすることで分布を作成する認識分布作成ステップと、識別手段が、前記認識分布作成ステップで作成された分布と前記主成分ベクトル算出ステップで算出された主成分ベクトルとの類似度を算出し、当該類似度に基づいて識別結果を決定する識別ステップと、出力手段が、前記識別結果を出力する出力ステップと、を有することを特徴とする。

また、請求項７に記載の発明は、前記登録特徴量抽出ステップ、及び前記認識特徴量抽出ステップでは、隣接する画素との色の輝度の比を利用した特徴量を用いることを特徴とする。

また、請求項８に記載の発明は、前記登録分布作成ステップ及び前記認識分布作成ステップでは、大きさの異なる複数の探索窓を用いたスキャンにより当該探索窓と同数の分布を作成することを特徴とする。

また、請求項９に記載の発明は、前記識別ステップで算出する類似度は、前記認識分布作成ステップで作成された分布と前記主成分ベクトル算出ステップで算出された主成分ベクトルとの内積の最大値及び最小値から計算されるものであることを特徴とする。

また、請求項１０に記載の発明は、前記主成分ベクトル算出ステップでは前記主成分ベクトル算出手段が前記入力された登録デジタル画像データより得られた特徴空間内での分布を主成分ベクトルに射影したときの密度分布を計算してテーブル化し、前記識別ステップでは前記認識手段が前記主成分ベクトル及びこれに対応する密度分布テーブルを用いて類似度を算出することを特徴とする。

また、請求項１１に記載の発明は、請求項１から５いずれかに記載のパターン認識装置を構成する各手段としてコンピュータを機能させることを特徴とするプログラムである。

また、請求項１２に記載の発明は、請求項１１に記載のプログラムを記録したことを特徴とする記録媒体である。

請求項１〜１２に記載の発明によれば、複雑な背景を有する認識画像であっても、安定してパターン認識を行うことが可能である。

さらに、請求項４及び９に記載の発明によれば、探索窓のスケールを多重化することで空間情報をより多く表現することが可能となり、より汎用性の高いパターン認識を実現できる。

以下、本発明の実施形態について図面を用いて詳細に説明する。

(実施形態１)
図２は、本実施形態のパターン認識装置の構成を示すブロック図であり、図３は、本実施形態のパターン認識方法のフローチャートである。以下、登録過程と、認識過程とに分けて説明を行う。

（登録過程）
登録用画像データ入力部１１は認識対象の登録に用いるため、デジタルカメラ等で撮像された自然画像データを入力し、前処理部１２に伝送する(Ｓ１０１)。

前処理部１２は、まず、画像データから登録物体の占める領域のみを切り出す。この方法は、例えば背景差分や手作業によるマニュアル切り出しが考えられる。その後、切り出された画像領域を適当な大きさに正規化し、場合によってはローパスフィルタ等をかけて高周波ノイズを低減した上で特徴抽出部１３へ伝送する(Ｓ１０２)。

特徴抽出部１３は入力された切り出し画像データから特徴量を抽出する(Ｓ１０３)。特徴量には色空間のスカラ量子化によるインデクシング、エッジ特徴などさまざまなものが考えられるが、ここではＣＣＣＩ（Ｃｏｌｏｒ Ｃｏｎｓｔａｎｔ Ｃｏｌｏｒ Ｉｎｄｅｘｉｎｇ）（Ｂｒｉａｎ Ｖ． Ｆｕｎｔ， ａｎｄ Ｇｒａｈａｍ Ｄ． Ｆｉｎｌａｙｓｏｎ：”Ｃｏｌｏｒ Ｃｏｎｓｔａｎｔ Ｃｏｌｏｒ Ｉｎｄｅｘｉｎｇ”， ＩＥＥＥ Ｔｒａｎｓ．Ｐａｔｔ． Ａｎａｌ． ａｎｄ Ｍａｃｈ． Ｉｎｔｅｌｌ、 Ｖｏｌ． １７、 Ｎｏ．５、 Ｍａｙ １９９５．）による特徴抽出を利用した場合で説明する。ＣＣＣＩは、隣接画素との色の比を利用したヒストグラムである。下記の数式１によって、ＲＧＢの色情報を変換する。

ここで、ｍはチャネルの種類（Ｒ ｏｒ Ｇ ｏｒ Ｂ）、（ｘ，ｙ）は画像の位置、ρは輝度値をあらわす。これにより、各画素に対し、（Ｃ_R，Ｃ_G，Ｃ_B）という３次元のベクトルが計算される。

次に、切り出し画像内の全画素の（Ｃ_R，Ｃ_G，Ｃ_B）をもとにベクトル量子化（Ａｌｌｅｎ Ｇｅｒｓｈｏ， Ｒｏｂｅｒｔ Ｍ． Ｇｒａｙ：”ベクトル量子化と情報圧縮”， コロナ社、 １９９８．）を行う。ベクトル量子化を行うと、切り出し画像内の各画素に対し、インデックスが付与される。

分布作成部１４は、決められた大きさ（ａとする）の探索窓を用意して、画像の左上から右上へとスキャンさせる。そうすると、探索窓内に収まる画素からインデックス値が集計できる。この集計したヒストグラムを一つのベクトル（ベクトル量子化によるインデックスの総数ｎが次元数となる）と考える。このベクトルのノルムは１に正規化する。これを、窓をスキャンさせながら繰り返すと、ｎ次元の空間の中で、ベクトル集合がある一つの分布を形成する(Ｓ１０４)。この分布が、登録物体の画像から抽出された特徴を示す。

主成分ベクトル計算部１５では、分布作成部１４で得られた分布を主成分分析する(Ｓ１０５)。このとき、重心周りではなく、原点周りの主成分ベクトルを計算する。それにより、第１〜第ｄ主成分ベクトルが得られる。ここで、ｄは寄与度が１００％未満で、ある値を超える最小値とする。さらに分布作成部１４で得られた分布をこの主成分ベクトルに投影したときの密度分布を算出する。具体的には、投影したときの値域である-１から１の間を何等分かに分割し、それによってできる各部分範囲の中に分布を構成するベクトルがいくつ含まれるかを計算して頻度分布テーブルｐ₁(ｘ)〜ｐ_d(ｘ)を作成する。ここで、ｘは分布を構成するベクトルと主成分ベクトルとの内積値を表し、-１から１の間の離散値になる。ｐ₁(ｘ)〜ｐ_d(ｘ)は、識別において用いる場合のみを算出すればよい。

主成分ベクトル記憶部１６は、計算された主成分ベクトルをメモリに蓄積する(Ｓ１０６)。また、識別においてｐ₁(ｘ)〜ｐ_d(ｘ)を用いる場合はそれも同時に蓄積する。

(認識過程)
認識用画像データ入力部１７は、認識したい物体を撮像した画像データを入力して前処理部１８に伝送する(Ｓ１０７)。

前処理部１８は、画像を適当な大きさに正規化し、場合によってはローパスフィルタ等をかけて高周波ノイズを低減した上で特徴抽出部１９へ伝送する(Ｓ１０８)。

特徴抽出部１９は、画像データから特徴量を抽出する(Ｓ１０９)。画像全体に対し、各画素でのＣＣＣＩを算出し、特徴抽出部１３にて得られたベクトル量子化に基づきインデクシングする。

分布作成部２０は、局所探索窓を設けてこの窓内の特徴量を集計し、局所探索窓をスキャンさせながら特徴空間にプロットしていくことで特徴空間内での分布を作成する(Ｓ１１０)。

識別部２１は、主成分ベクトル記憶部１６に格納されている、物体の特徴を表す主成分ベクトルを呼び出し、以下の式で各登録物体との類似度を計算する。

ここで、Ｘは特徴抽出部１９で作成される画像のインデクシング結果、ｘはこの結果から任意の位置で大きさａの探索窓を設定したときのインデックスヒストグラムを集計し、ベクトル化してノルム１に正規化したものを表す。また、Ｙは特徴抽出部１３で作成される画像のインデクシング結果、ｙはこの結果から任意の位置で大きさａの探索窓を設定したときのインデックスヒストグラムを集計し、ベクトル化したものを表す。そして、ν_kは主成分ベクトル記憶部１６から呼び出された第ｋ主成分ベクトルである。また、類似度としてｐ₁(ｘ)〜ｐ_d(ｘ)を利用する場合は、以下のような式になる。

この類似度は、認識したい物体の画像を登録した物体の特徴を表す部分空間（主成分ベクトルが張る空間）に射影したときの分布の広がり具合を示す。この指標は、たとえ画像に複雑な背景が含まれていたとしてもその数値に影響を与えないので、背景の変化に頑健な認識手法になり得る。

この類似度Ｓを全ての登録物体において計算したかを判断し(Ｓ１１２)、全ての登録物体において計算した場合には最も類似度の高い物体を識別物体と判定して、これを出力部２２へ伝送する。

出力部２２は、識別部２１で演算された識別結果を出力する(Ｓ１１３)。

(実施形態２)
以上の方法は、探索窓の大きさａを一つの固定値として指定する方法であったが、これを多重化する方法も考えられる。この場合の本発明に係る実施形態のパターン認識方法のフローチャートを図４に示す。実施形態のパターン認識装置の構成は図２と変わらない。

(登録過程)
登録用画像データ入力部１１は認識対象の登録に用いるため、デジタルカメラ等で撮像された自然画像データを入力し、前処理部１２に伝送する(Ｓ２０１)。

前処理部１２は、まず、画像データから登録物体の占める領域のみを切り出す。この方法は、例えば背景差分や手作業によるマニュアル切り出しが考えられる。その後、切り出された画像領域を適当な大きさに正規化し、場合によってはローパスフィルタ等をかけて高周波ノイズを低減した上で特徴抽出部１３へ伝送する(Ｓ２０２)。

特徴抽出部１３は入力された切り出し画像データから特徴量を抽出する(Ｓ２０３)。ここでもＣＣＣＩによる特徴抽出を例に挙げて説明する。まず、数式（１）によって、ＲＧＢの色情報を変換する。これにより、各画素に対し、（Ｃ_R，Ｃ_G，Ｃ_B）という３次元のベクトルが計算される。次に、切り出し画像内の全画素の（Ｃ_R，Ｃ_G，Ｃ_B）をもとにベクトル量子化を行う。ベクトル量子化を行うと、切り出し画像内の各画素に対し、インデックスが付与される。

分布作成部１４は、大きさａの異なる探索窓を下記の数式４

を用いて何種類か用意する（その数をｓとする。また、ａ_startは初期値、εは１より小さな値としてそれぞれあらかじめ設定する）(Ｓ２０４)。そして、それぞれの探索窓を用いて画像の左上から右下へとスキャンさせ、探索窓内に収まる画素からインデックス値を集計する。この集計したヒストグラムを一つのベクトル（ベクトル量子化によるインデックスの総数ｎが次元数となる）と考え、このベクトルのノルムを１に正規化する。これを、窓をスキャンさせながら繰り返すと、ｎ次元の空間の中で、ベクトル集合がある一つの分布を形成する(Ｓ２０５)。この分布は、ｓ個算出でき、これらを主成分ベクトル計算部１５に伝送する。

主成分ベクトル計算部１５は、分布作成部１４で得られた複数の分布をそれぞれ主成分分析する(Ｓ２０６)。このとき、重心周りではなく、原点周りの主成分ベクトルを計算する。これにより、第１〜第ｄ主成分ベクトルの組がｓ組得られる。ここで、ｄは寄与度が１００％未満で、ある値を超える最小値とする。ｄはそれぞれの大きさの探索窓に対し異なる数にしても良いし、同一数に揃えても良い。以下では同一数とした場合で説明する。さらに、分布作成部１４で得られた分布をこの主成分ベクトルに投影したときの密度分布を算出する。具体的には、投影したときの値域である-１から１の間を何等分かに分割し、それによってできる各部分範囲の中に分布を構成するベクトルがいくつ含まれるかを計算して頻度分布テーブルｐ₁₁(ｘ)〜ｐ_sd(ｘ)を作成する。ここで、ｘは分布を構成するベクトルと主成分ベクトルとの内積値を表し、-１から１の間の離散値になる。ｐ₁₁(ｘ)〜ｐ_sd(ｘ)は、識別において用いる場合のみ算出すればよい。

主成分ベクトル記憶部１６は、計算された主成分ベクトルをメモリに蓄積する(Ｓ２０７)。また、識別においてｐ₁₁(ｘ)〜ｐ_sd(ｘ)を用いる場合はそれも同時に蓄積する。

なお、用意した各探索窓について分布作成(Ｓ２０５)、主成分ベクトル計算(Ｓ２０６)、及び主成分ベクトル記憶(Ｓ２０７)を行い(Ｓ２０８)、ｓ個全ての各分布についてＳ２０５〜Ｓ２０７の処理が終了したかを判断して(Ｓ２０９)、Ｓ２０５〜Ｓ２０７の処理が終了している場合には登録過程を終了する。

(認識過程)
認識用画像データ入力部１７は、認識したい物体を撮像した画像データを前処理部１８に伝送する(Ｓ２１０)。

前処理部１８は、画像を適当な大きさに正規化し、場合によってはローパスフィルタ等をかけて高周波ノイズを低減した上で特徴抽出部１９へ伝送する(Ｓ２１１)。

特徴抽出部１９は、画像データから特徴量を抽出する(Ｓ２１２)。まず画像全体に対して各画素でのＣＣＣＩを算出し、特徴抽出部１３にて得られたベクトル量子化に基づきインデクシングする。

分布作成部２０は、大きさａの異なる探索窓を上記の数式３を用いて何種類か用意する（その数をｓとする。また、ａ_startは初期値、εは１より小さな値としてそれぞれあらかじめ設定する）(Ｓ２１３)。そして各探索窓内の特徴量を集計し、局所探索窓をスキャンさせながら特徴空間にプロットしていくことで特徴空間内での分布を作成する(Ｓ２１４)。この分布は、ｓ個算出でき、これらを識別部２１に伝送する。

識別部２１は、主成分ベクトル記憶部１６に格納されている、物体の特徴を表す主成分ベクトルを呼び出し、下記の数式５で各登録物体との類似度を計算する(２１５)。

ここで、Ｘは特徴抽出部１９で作成される画像のインデクシング結果、ｘ^lはその結果から大きさａ^lの探索窓を設定したときのインデックスヒストグラムを集計し、ベクトル化してノルム１に正規化したものを表す。また、Ｙは特徴抽出部１３で作成される画像のインデクシング結果、ｙ_lはその結果から任意の位置で大きさａ^lの探索窓を設定したときのインデックスヒストグラムを集計し、ベクトル化したものを表す。そして、ν_kは主成分ベクトル記憶部１６から呼び出された第ｋ主成分ベクトルである。また、類似度としてｐ₁₁(ｘ)〜ｐ_sd(ｘ)を利用する場合は、以下のような式になる。

この指標は、たとえ画像に複雑な背景が含まれていたとしてもその数値に影響を与えないので、背景の変化に頑健な認識手法になり得る。さらに、多重解像度化したことによって、画像パターンの表現能力が向上し、認識装置としての汎用性を高めることができる。

なお、用意した各探索窓について分布作成(Ｓ２１４)、及び類似度計算(Ｓ２１５)を行い(Ｓ２１６)、ｓ個全ての各分布についてＳ２１４〜Ｓ２１５の処理が終了したかを判断して(Ｓ２１７)、Ｓ２１４〜Ｓ２１５の処理が終了している場合には、類似度Ｓを全ての登録物体において計算したかを判断し(Ｓ２１８)、全ての登録物体において計算した場合には最も類似度の高い物体を識別物体と判定して、これを出力部２２へ伝送する。

出力部２２は、識別部２１で演算された識別結果を出力する(Ｓ２１９)。

なお、上記実施形態において、パターン認識装置は、例えば、パターン認識装置を構成するコンピュータ装置が有するＣＰＵによって実現され、必要とする画像データ入力処理、前処理、特徴抽出処理、分布作成処理、主成分ベクトル計算処理などをアプリケーションプログラムとして搭載することができる。

また、コンピュータ装置には上記説明したパターン認識装置を構成するコンピュータ装置が有するＣＰＵによって実現され、必要とする画像データ入力処理、前処理、特徴抽出処理、分布作成処理、主成分ベクトル計算処理など、行った処理結果や計算結果等のデータを内部メモリや外部記憶装置等に書き込み・読み出しができるようにしてもよい。

また、本実施形態の機能を実現するソフトウェアのプログラムコードを記録した記録媒体を、システム又は装置に供給し、そのシステム又は装置のＣＰＵ（ＭＰＵ）が記憶媒体に格納されたプログラムコードを読み出し実行することも可能である。この場合、記憶媒体から読み出されたプログラムコード自体が上記実施形態の機能を実現することになり、このプログラムコードを記憶した記憶媒体としては、例えば、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＭＯ、ＨＤＤ等がある。

登録過程及び認識過程の概念図。 パターン認識装置の構成図。 パターン認識のフローチャート。 パターン認識のフローチャート。

符号の説明

１１…登録用画像データ入力部
１２…前処理部
１３…特徴抽出部
１４…分布作成部
１５…主成分ベクトル計算部
１６…主成分ベクトル記憶部
１７…認識用画像データ入力部
１８…前処理部
１９…特徴抽出部
２０…分布作成部
２１…識別部
２２…出力部

Claims (12)

1. 画像データに含まれる物体を識別するパターン認識装置であって、
   登録デジタル画像データを入力する登録画像データ入力手段と、
   前記入力された登録デジタル画像データから対象物を切り出し、当該切り出した対象物画像の大きさを正規化する登録前処理手段と、
   前記登録前処理手段によって正規化した画像から特徴量を抽出する登録特徴量抽出手段と、
   探索窓を設定して当該探索窓を前記登録特徴量抽出手段によって特徴量が抽出された画像に対してスキャンさせながら当該探索窓内の特徴量を集計しベクトル化して特徴空間にプロットすることで分布を作成する登録分布作成手段と、
   前記分布を主成分分析して主成分ベクトルを算出する主成分ベクトル算出手段と、
   認識デジタル画像データを入力する認識画像データ入力手段と、
   前記入力された認識デジタル画像データの大きさを正規化する認識前処理手段と、
   前記認識前処理手段によって正規化した画像から特徴量を抽出する認識特徴量抽出手段と、
   探索窓を設定して当該探索窓を前記認識特徴量抽出手段によって特徴量が抽出された画像に対してスキャンさせながら当該探索窓内の特徴量を集計しベクトル化して特徴空間にプロットすることで分布を作成する認識分布作成手段と、
   前記認識分布作成手段によって作成された分布と前記主成分ベクトル算出手段によって算出された主成分ベクトルとの類似度を算出し、当該類似度に基づいて識別結果を決定する識別手段と、
   前記識別結果を出力する出力手段と、
   を有すること
   を特徴とするパターン認識装置。
2. 前記登録特徴量抽出手段及び前記認識特徴量抽出手段では、隣接する画素との色の輝度の比を利用した特徴量を用いること
   を特徴とする請求項１に記載のパターン認識装置。
3. 前記登録分布作成手段及び前記認識分布作成手段は、大きさの異なる複数の探索窓を用いたスキャンにより当該探索窓と同数の分布を作成すること
   を特徴とする請求項１又は２に記載のパターン認識装置。
4. 前記識別手段で算出する類似度は、前記認識分布作成手段によって作成された分布と前記主成分ベクトル算出手段によって算出された主成分ベクトルとの内積の最大値及び最小値から計算されるものであること
   を特徴とする請求項１〜３いずれかに記載のパターン認識装置。
5. 前記主成分ベクトル算出手段において、前記入力された登録デジタル画像データより得られた特徴空間内での分布を主成分ベクトルに射影したときの密度分布を計算してテーブル化し、
   前記識別手段において、前記主成分ベクトル及びこれに対応する密度分布テーブルを用いて類似度を算出すること
   を特徴とする請求項１〜４いずれかに記載のパターン認識装置。
6. 画像データに含まれる物体を識別するパターン認識装置におけるパターン認識方法であって、
   登録画像データ入力手段が、登録デジタル画像データを入力する登録画像データ入力ステップと、
   登録前処理手段が、前記入力された登録デジタル画像データから対象物を切り出し、当該切り出した対象物画像の大きさを正規化する登録前処理ステップと、
   登録特徴量抽出手段が、前記登録前処理ステップで正規化した画像から特徴量を抽出する登録特徴量抽出ステップと、
   登録分布作成手段が、探索窓を設定して当該探索窓を前記登録特徴量抽出ステップで特徴量が抽出された画像に対してスキャンさせながら当該探索窓内の特徴量を集計しベクトル化して特徴空間にプロットすることで分布を作成する登録分布作成ステップと、
   主成分ベクトル算出手段が、前記分布を主成分分析して主成分ベクトルを算出する主成分ベクトル算出ステップと、
   認識画像データ入力手段が、認識デジタル画像データを入力する認識画像データ入力ステップと、
   認識前処理手段が、前記入力された認識デジタル画像データの大きさを正規化する認識前処理ステップと、
   認識特徴量抽出手段が、前記認識前処理ステップで正規化した画像から特徴量を抽出する認識特徴量抽出ステップと、
   認識分布作成手段が、探索窓を設定して当該探索窓を前記認識特徴量抽出ステップで特徴量が抽出された画像に対してスキャンさせながら当該探索窓内の特徴量を集計しベクトル化して特徴空間にプロットすることで分布を作成する認識分布作成ステップと、
   識別手段が、前記認識分布作成ステップで作成された分布と前記主成分ベクトル算出ステップで算出された主成分ベクトルとの類似度を算出し、当該類似度に基づいて識別結果を決定する識別ステップと、
   出力手段が、前記識別結果を出力する出力ステップと、
   を有することを特徴とするパターン認識方法。
7. 前記登録特徴量抽出ステップ及び前記認識特徴量抽出ステップでは、隣接する画素との色の輝度の比を利用した特徴量を用いること
   を特徴とする請求項６に記載のパターン認識方法。
8. 前記登録分布作成ステップ、及び前記認識分布作成ステップでは、大きさの異なる複数の探索窓を用いたスキャンにより当該探索窓と同数の分布を作成すること
   を特徴とする請求項６又は７に記載のパターン認識方法。
9. 前記識別ステップで算出する類似度は、前記認識分布作成ステップで作成された分布と前記主成分ベクトル算出ステップで算出された主成分ベクトルとの内積の最大値及び最小値から計算されるものであること
   を特徴とする請求項６〜８いずれかに記載のパターン認識方法。
10. 前記主成分ベクトル算出ステップでは前記主成分ベクトル算出手段が前記入力された登録デジタル画像データより得られた特徴空間内での分布を主成分ベクトルに射影したときの密度分布を計算してテーブル化し、
    前記識別ステップでは前記認識手段が前記主成分ベクトル及びこれに対応する密度分布テーブルを用いて類似度を算出すること
    を特徴とする請求項６〜９いずれかに記載のパターン認識方法。
11. 請求項１から５いずれかに記載のパターン認識装置を構成する各手段としてコンピュータを機能させるプログラム。
12. 請求項１１に記載のプログラムを記録したことを特徴とする記録媒体。