JP4614582B2 - 部分テンプレート生成装置 - Google Patents
部分テンプレート生成装置 Download PDFInfo
- Publication number
- JP4614582B2 JP4614582B2 JP2001192688A JP2001192688A JP4614582B2 JP 4614582 B2 JP4614582 B2 JP 4614582B2 JP 2001192688 A JP2001192688 A JP 2001192688A JP 2001192688 A JP2001192688 A JP 2001192688A JP 4614582 B2 JP4614582 B2 JP 4614582B2
- Authority
- JP
- Japan
- Prior art keywords
- template
- partial
- average
- learning pattern
- data
- 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
- Image Analysis (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、画像の認識、ゲノム解読などの様々な分野において、観測されたパターンを予め定められた複数のカテゴリ（またはクラスとも呼ぶ）に分類する際に使用する部分テンプレートの生成装置に関し、特に本発明は、部分テンプレートを上記パターン上でスキャンして、部分テンプレートとマッチした場合に、観測パターンをその部分テンプレートが属するカテゴリに分類するために使用する部分テンプレートの生成装置に関する。
【０００２】
【従来の技術】
観測されたパターンを予め定められた複数のカテゴリに分類する手法として、図９に示すように学習パターンＰL を用いて作成したテンプレートＴＭと、観測された入力パターンＰi とを照合し、マッチングした場合に、そのテンプレートが属するカテゴリに上記入力パターンＰi を分類する手法が知られている。ここで言うパターンとは、人間の視覚に入ってくる２次元のデータだけではなく、聴覚や触覚や嗅覚など様々なセンサを用いて得られるｎ次元のデータである。
【０００３】
上記のように観測されたパターンをカテゴリ分類する際に用いるテンプレートを作成するために、従来様々な方法が提案されてきている。
なかでも、パターン上の全てのデータを用いてテンプレートを作成する手法として、例えば、特開平１１−３４５３３７号公報で提案されているものが知られている（従来法１という）。
この従来法１では、予め用意された学習パターンから各カテゴリ毎に学習パターンを平均化した全体テンプレートを作成しておき、入力パターンが全体テンプレートと同一であれば、そのカテゴリに属すると判断していた。ここで、全体テンプレートとは、入力パターンのほぼ全てのデータを含むテンプレートを言う。
【０００４】
しかし、上記従来法１では、入力パターン上のマッチすべきデータの一部が欠けている場合には、全体テンプレートでは、そのカテゴリに分類できないという問題点が生じる。
例として、三角形のカテゴリを考えると、全体テンプレートは三角形全体であり、マッチすべきデータの一部が欠けた部分三角形とはマッチングしない。実世界において、予め用意する学習パターンは、全てのデータが備わった位置ずれのない完全なパターンを複数用意できるが、入力パターンは、通常、運用段階において生じるため、様々な要因によって一部のデータが欠落することは十分に考えられる。
【０００５】
マッチすべきデータの一部が欠けている入力パターンに対しても正確にカテゴリ分類するためには、入力パターン上のある一部分に存在する部分データを用い、部分テンプレートを生成する必要がある。
入力パターン上の一部のデータを用いてテンプレートを作成する手法としては、例えば、特開平７−６５１６４公報で提案されているものが知られている（従来法２という）。この従来法２は、認識対象となる部分データを平均化し、平均テンプレートを作成する手法であるが、平均テンプレートを作成するために用いる部分データの位置が予め既知であることが前提となっている。
しかし、平均テンプレートを作成するための元になる学習パターン上の部分データの位置が、微妙な位置ずれなどによりパターン毎に変化してしまった場合には、パターン毎の部分データの正確な位置がわからないため、従来法２では平均テンプレートを自動生成することができない。
【０００６】
【発明が解決しようとする課題】
上記のように、従来法１では、入力パターン上のマッチすべきデータの一部が欠けている場合には、カテゴリに分類できないという問題点があった。また、従来法２では、学習パターン上における部分データの位置が予め既知でなければ部分テンプレートを自動生成することができないといった問題があった。
本発明は上記事情に鑑みなされたものであって、本発明は、学習パターン上の部分データの位置が既知でなくても、各学習パターンの部分データとマッチする部分テンプレートを自動生成し、マッチすべきデータの一部が欠けている入力パターンに対して、正確にカテゴリ分類することができるようにすることを目的とする。
【０００７】
【課題を解決するための手段】
マッチすべきデータの一部が欠けている入力パターンに対しても正確にカテゴリ分類するためには、入力パターン上のある一部分に存在する部分データを用いて、部分テンプレートを自動生成する必要がある。ここで、自動生成というのは、学習パターン上で部分データが存在する正確な位置を、パターン毎に予め教えなくても、各パターンの部分データとマッチする部分テンプレートを自動的に生成することをいう。
そして、上記のように生成されたカテゴリ固有の部分テンプレートを複数保持することにより、マッチすべきデータの一部が欠けている入力パターンに対しても、欠けていない部分とマッチするカテゴリ固有の部分テンプレートが１つでも存在すればカテゴリ分類が可能となる。ここで、カテゴリ固有の部分テンプレートとは、そのカテゴリにしか存在しないと考えられる部分テンプレートをいう。また、マッチするとは、テンプレートと一致するデータがパターン上に存在することをいう。
【０００８】
本発明においては、上記のように部分データの位置が既知でない学習パターン上を用いて以下のようにして部分テンプレートを自動生成する。
図１は本発明の概要を説明する図であり、図１（ａ）は本発明の概略構成を示す図であり、図１（ｂ）は、本発明で生成された部分テンプレートを用いて、マッチすべきデータの一部が欠けている入力パターンをカテゴリに分類する場合を説明する図である。
図１（ａ）に示すように、本発明においては学習パターン１から、学習パターン毎に位置をずらしながら最もマッチする部分データを抽出する手段２と、抽出された部分データを用いて部分テンプレートを決定する手段３を備え、部分データの位置が既知でない学習パターン１からカテゴリ毎の部分テンプレート４を自動生成する。
本発明においては、上記のように学習パターン毎に位置をずらしながら最もマッチする部分データを抽出しているので、学習パターンにおける部分データの位置が既知でなくても、各学習パターンの部分データとマッチする部分テンプレートを自動生成することができる。
このようにして生成したカテゴリ毎の部分テンプレート４とデータの一部欠損した入力パターン５を照合することにより、入力パターン５をカテゴリに分類することが可能となる。
一例として、図１（ｂ）にマッチすべきデータが一部欠けている入力パターンを、中央に三角形が位置するカテゴリＡと、中央に四角形が位置するカテゴリＢへ分類する場合を示す。
同図に示すように、部分テンプレートとして、カテゴリＡとしてａ１とａ２、カテゴリＢとしてｂ１とｂ２が得られたと仮定する。ここで、入力パターンが、同図に示すようにマッチすべきデータの一部が欠けているものである場合、同図に示す全体テンプレートでは、どちらともマッチしないため、カテゴリ分類は不可能である。
一方、上記入力パターンにおいては、マッチすべきデータである三角形の左半分は存在する。このため、上記部分テンプレートａ１，ａ２，ｂ１，ｂ２を上記入力パターンＰ上でスキャンすると、三角形の左端に対応するａ１がマッチすることとなる。したがって、上記入力パターンはカテゴリＡに分類される。
本発明により生成された部分テンプレートを用いることにより、上記のようにマッチすべきデータの一部が欠けている場合であっても、カテゴリ分類が可能である。
【０００９】
また本発明は次のように構成することができる。
(1) 上記部分テンプレート決定手段２は、抽出された最もマッチする部分データを平均化することにより、部分テンプレートの候補を生成し、生成された部分テンプレートの候補から部分テンプレートを決定する。
(2) 上記部分データを抽出する手段２は、部分データを抽出する際に用いるずらし幅を徐々に増やしていく。このように、ずらし幅を小さい値から始めて、ずらし幅を徐々に増やしていくことにより、学習パターン毎の位置のずれがより小さい部分データから生成される平均テンプレートを見つけることが可能となる。
(3) 部分データが存在する学習パターン上の位置毎に、部分テンプレート候補を生成し、部分テンプレートを生成する。すなわち、学習パターン上の異なった位置から複数の部分データを抽出し、部分テンプレートの候補を生成し、部分テンプレートを決定する。
【００１０】
【発明の実施の形態】
図２は本発明の実施例の部分テンプレート生成装置の機能構成を示す図であり、本実施例では、部分データを平均化した平均テンプレートと呼ばれる部分テンプレートを自動生成する。
図２において、１１はカテゴリ毎の学習パターンである。学習パターンとは、後述する平均テンプレート候補を生成するために用いる予め用意されたパターンの総称である。
１２はカテゴリ選択手段であり、カテゴリ選択手段１２は、平均テンプレートを生成するためのカテゴリが設定されると、そのカテゴリに属する学習パターン１１を選択し、選択されたカテゴリに属する学習パターンをターゲット設定手段１３に与える。ターゲット設定手段１３は平均テンプレートを生成する場所としてターゲットを設定する。ターゲットとしては学習パターンの全ての位置が設定される。
【００１１】
１４はずらし幅設定手段であり、周辺範囲を設定するためのパラメータである「ずらし幅」を設定する。ここで、周辺範囲とは、ターゲットの周りにずらし幅分を加えた範囲であり、各学習パターン毎に、最も共通する部分データを探索する範囲を言う。平均テンプレートの作成に用いる部分データの位置が学習パターン毎に少しずれている場合があるので、上記のように周辺範囲を設定し、最も共通する部分データを探索する。本実施例において、ずらし幅は、初めは小さい値に設定し、最大値に達するまで徐々に大きくする。
１５は、平均テンプレートの候補となる平均テンプレートを生成する手段である。平均テンプレート候補とは、ターゲット上に存在する部分データのモデルとして、各学習パターンのターゲット上に存在する部分データの値をそれぞれ平均化したものである。
１６は閾値判定手段であり、平均テンプレート候補と他のカテゴリの学習パターンを用いて閾値判定を行い、そのカテゴリ固有の部分テンプレートを出力する。ここで、閾値とは、後述するように生成対象であるカテゴリの学習パターンが存在し得る平均テンプレートからの距離を表すものであり、閾値判定手段１６は、平均テンプレート候補に対応するカテゴリ以外の学習パターンの全てに対して、その中に存在するあらゆる部分データと平均テンプレート候補との誤差が上記閾値より大きい場合に、その平均テンプレート候補をカテゴリ固有の平均テンプレート、すなわち部分テンプレートとして出力する。
【００１２】
図２に示す部分テンプレート生成装置は、例えば、ＣＰＵとメモリと外部記憶装置と入出力装置等から構成される周知のコンピュータシステムで実現することができ、上記学習パターンと、部分テンプレートを生成するためのプログラム等が外部記憶装置に格納され、実行時、上記プログラムがメモリ上にロードされ、部分テンプレートの自動生成処理が行われる。
【００１３】
図３は、本実施例の部分テンプレート生成処理を示すフローチャートであり、同図を参照しながら、本実施例についてさらに詳細に説明する。なお、図３のフローチャートにおいて、直角四角形は処理を示し、丸角四角形は条件判定を示す。
本実施例では、前記したように、部分データを平均化した平均テンプレートと呼ばれる部分テンプレートを自動生成する。そのため、まず、各カテゴリ毎に学習パターンの全ての位置で部分データを平均化した平均テンプレート候補を作成する。次に、平均テンプレート候補の中で、そのカテゴリにしか存在しないテンプレートを平均テンプレートとする。
【００１４】
図３に示すように、本実施例では以下の６段階のステップにより部分テンプレートを生成する。
（１）１段階目（図３中の▲１▼）では、平均テンプレートを生成するカテゴリを選択する。
すなわち、図３のフローに示すようにカテゴリを全て選択したかを調べ（ステップＳ１）、全てのカテゴリを選択した場合は処理を終了する。また、全てのカテゴリを選択していない場合には、未選択のカテゴリを一つ選択し以下の処理を行う。
（２）２段階目（図３中の▲２▼）では、平均テンプレートを生成する場所としてターゲットを設定する。
すなわち、図３のステップＳ３において、座標の全ての位置でターゲットを設定したかを調べ、ターゲットを座標の全ての位置で設定していない場合には、ステップＳ４で、未設定のターゲットを１つ設定し、以降の処理を行う。また、ターゲットを座標の全ての位置で設定し各ターゲットでの処理が終わったらステップＳ１に戻り次のカテゴリを選択する。
【００１５】
（３）３段階目（図３中の▲３▼）では、ずらし幅を設定する（ステップＳ５）。
ずらし幅とは、前記したように、周辺範囲を設定するためのパラメータであり、また、周辺範囲とはターゲットの周りにずらし幅分を加えた範囲である。
図４は学習パターン上における上記ターゲット設定とずらし幅の概念を示す図であり、同図は２次元（ｎ＝２）の場合を示している。同図において、Ｄ（ｈ）は学習パターンの一つである。学習パターンの中の破線の四角形の左上の点（ｗ１，ｗ２）はターゲット位置であり、ｋ１，ｋ２は部分データの大きさを示す。ｚは「ずらし幅」である。また、学習パターンの中の大きい四角形は探索範囲となる周辺範囲を示す。周辺範囲とは、上記したようにターゲットの周りにずらし幅を加えた範囲である。また、周辺範囲内で実線で示される四角形は、後述するように誤差が最小となった部分データを示す。
【００１６】
上記ずらし幅は始めは小さい値としておき、平均テンプレートが得られるまで徐々に大きくする。すなわち、図３のステップＳ５においてずらし幅を設定したのち、ずらし幅が上限値以下であるかを調べ（ステップＳ６）、ずらし幅が上限値以下の場合は、ステップＳ７以降の処理を行う。
そして後述するステップＳ９において、選択したカテゴリ以外の学習パターンの部分データの誤差が全て閾値以上でないと判定された場合には、ステップＳ５に戻り、ずらし幅を少し大きくしてステップＳ６に行く。また、ステップＳ６でずらし幅が上限値を越えたと判定された場合、ステップＳ３に戻り、前記したように新たなターゲットを設定する。
このように、ずらし幅を小さい値から始めるため、学習パターン毎の位置のずれがより小さい部分データから生成される平均テンプレートをみつけることができる。
【００１７】
（４）４段階目（図３中の▲４▼）では、平均テンプレートの候補となる平均テンプレート候補を生成する（ステップＳ７）。
ここで、平均テンプレート候補とは、前記したようにターゲット上に存在する部分データのモデルとして、各学習パターンのターゲット上に存在する部分データの値をそれぞれ平均したものである。すなわち、部分データの位置は、学習パターン毎に少しずれている場合があるので、周辺範囲のなかで各学習パターン毎に最も共通する部分データを抜き出す。
図５は平均テンプレート候補生成の概念図である。同図において、Ｄ（１）〜Ｄ（Ｈ）は１番目〜Ｈ番目の学習パターン、Ｔ（ｊ）は平均テンプレート候補であり、ｇ１（ｐ）〜ｇＨ（ｐ）は繰り返しｐにおける平均テンプレート候補Ｔ（ｊ）と各学習パターンＤ（１）〜Ｄ（Ｈ）の部分データとの誤差を表す。
平均テンプレート候補の生成は、まず平均テンプレート候補Ｔ（ｊ）と各学習パターンＤ（１）〜Ｄ（Ｈ）の部分データとの誤差が最小となるように部分データのｉ次元目の開始位置を設定し、その時の誤差ｇｈ（ｐ）を計算する（図５の▲１▼）。
【００１８】
次いで、誤差の平均Ｇ（ｐ）＝｛Σｇｈ（ｐ）｝／Ｈを計算する（図５の▲２▼）。そして、前回の平均誤差Ｇ（ｐ−１）と今回の平均誤差Ｇ（ｐ）を比較して、今回の方が小さければ、まだ良い候補が得られると判断して、▲４▼へ行き各学習パターンにおいて誤差が最小となる部分データのデータ毎の値を平均した新候補Ｔ（ｊ）＝｛Σｄｈ／Ｈ｝を生成する。
また、そうでなければ、閾値Ｒ（ｊ）を設定して処理を終了する（図５の▲３▼）。なお、閾値Ｒ（ｊ）は次に説明するように、平均テンプレート候補と各学習パターンの周辺範囲に存在する部分テンプレートとの最小誤差の最大値である。
【００１９】
（５）５段階目（図３中の▲５▼、ステップＳ８）では、閾値を設定する。
閾値とは、前記したように生成対象であるカテゴリの学習パターンが存在しうる平均テンプレートからの距離を表すもので、ここでは、平均テンプレート候補と、各学習パターンの周辺範囲に存在する部分テンプレートとの最小誤差の最大値とする。誤差は、平均テンプレートと部分データとの各値の差の絶対値の総和である。
図６に閾値の設定方法の概念図を示す。同図はカテゴリＡの平均テンプレート候補に対する閾値の設定方法を示している。
図６において、Ａ１〜Ａ３はカテゴリＡの第１番目〜第３番目の学習パターン、Ｔ（ｊ）はカテゴリＡの平均テンプレート候補であり、円は閾値を示し、中心からの距離が各学習パターンの最小誤差である。
図６では、Ａ２番目の学習パターンにおいて、平均テンプレート候補との誤差が最小となる部分データの誤差が２０であり、Ａ１番目、Ａ２番目の最小誤差より大きく、学習パターンにおける最小誤差の中では最大である。そのため、閾値は２０に設定される。
【００２０】
（６）６段階目（図３中の▲６▼）では、平均テンプレート候補の閾値判定を行い、平均テンプレートを決定する。
ここでは、平均テンプレート候補が以下の条件を満足すれば、平均テンプレートとする。
その条件とは、平均テンプレート候補に対応するカテゴリ以外の学習パターンの全てに対して、その中に存在するあらゆる部分データと、平均テンプレート候補との誤差が閾値より大きくなることである。
すなわち、図３のステップＳ９において、選択したカテゴリ以外の学習パターンの部分データの誤差が全て閾値以上であるかを判定し、誤差が全て閾値以上である場合には、その平均テンプレート候補を平均テンプレートとする（ステップＳ１０）。また、誤差が全て閾値以上でない場合には、その平均テンプレート候補は、平均テンプレートになり得ないので、ステップＳ５に戻り、前記処理を繰り返す。
【００２１】
図７に平均テンプレート候補の閾値判定の概念図を示す。同図（ａ）は平均テンプレートである場合、（ｂ）は平均テンプレートでない場合である。
同図（ａ）に示すように、カテゴリＡの平均テンプレート候補からのカテゴリＡ以外の各学習パターン、すなわち、カテゴリＢの各学習パターンＢ１，Ｂ２，カテゴリＣの学習パターンＣ１，Ｃ２等に存在する部分データの誤差が、いずれも閾値２０より大きい場合は、平均テンプレート候補が平均テンプレートとなる。これは、カテゴリＡの学習パターンは全ての部分テンプレートの誤差が閾値以下となり、それ以外のカテゴリでは全ての部分テンプレートの誤差が閾値を超えるため、この平均テンプレート候補はカテゴリ固有の部分テンプレートであるといえるからである。
一方、同図（ｂ）に示すように、カテゴリＡの平均テンプレート候補からの誤差が閾値２０以下となるカテゴリＡ以外の部分データ（例えばカテゴリＢの学習パターンＢ１の部分データ）が存在すると、カテゴリ固有の部分テンプレートとは言えないので、平均テンプレートにはならない。
【００２２】
次に上記した、平均テンプレートと閾値を生成するアルゴリズムの具体例について説明する。
なお、以下では、Ｈ個の学習パターンのうち、ｈ番目の学習パターンを、Ｄ（ｈ）＝｛ｄh （ｕ1 ，ｕ2 ，…，ｕn ）｝とする。ここで、ｄh は学習パターン上のピクセルの値を表し、ｕ1 ，ｕ2 ，…，ｕn （ｕi ＝１，２，…，Ｗi ）は、そのピクセルのｉ次元の座標値を表す。ここで、ｉは次元を表し、ｉ＝１，２，…，ｎであり、ｎは次元数である。例えば前記図４では、ｎ＝２の場合のｈ番目の学習パターンＤ（ｈ）を表している。
また、Ｗi はｉ次元の最大値（ｉ次元の最大ピクセル数）である。例えば、上記においてｕi は、ｕi ＝１，ｕi ＝２，…，ｕi ＝Ｗi の値を持つ。
ここでは、簡単のために各次元の最大値（Ｗi ）は、学習パターン全てに対して同じと仮定している。
【００２３】
以下の処理をパターン上の全ての座標位置に対して実施するために、ターゲット（ｗ1 ，ｗ2 ，…，ｗn ）をｆｏｒ（ｗ1 ＝１，２，…，Ｗ1 、ｗ2 ＝１，２，…，Ｗ2 、…、ｗn ＝１，２，…，Ｗn ）で変えて、すなわち、ターゲット（ｗ1 ，ｗ2 ，…，ｗn ）の値を、各次元の最大値まで変えて、以下の処理を繰り返す（前記図３のステップＳ３〜Ｓ１０に対応）。
・平均テンプレートが得られるまで、ずらし幅ｚを０〜Ｚまで変えて、すなわち、ｆｏｒ（ｚ＝０，１，…，Ｚ）で以下の処理を繰り返す（前記図３のステップＳ５〜Ｓ９）。
▲１▼ 以下の（１）を実行し、ｊ番目の平均テンプレート候補Ｔ（ｊ）＝｛ｄ（ｖ1 ，ｖ2 ，…，ｖn ）｝と閾値Ｒ（ｊ）を生成する（前記図３のステップＳ７〜Ｓ８）。
ここで、ｄ（ｖ1 ，ｖ2 ，…，ｖn ）は、平均テンプレート候補の座標位置（ｖ1 ，ｖ2 ，…，ｖn ）に存在するデータを表し、ｖi は周辺範囲内のｉ次元の座標を表し、ｖ1 ＝ｘi ，ｘi ＋１，…，ｘi ＋ｋi −１である。
また、ｘi は部分データのｉ次元目の開始位置を表し、ｘi ＝ｗi −ｚ，ｗi −ｚ＋１，…，ｗi ＋ｚであり、ｋi は部分データのｉ次元の大きさである。
▲２▼ 以下の（２）を実行して、平均テンプレートを決定する（図３のステップＳ９，Ｓ１０）。
▲３▼ もし平均テンプレートが得られればｚのｆｏｒ文を抜ける（図３のステップＳ１０）。
【００２４】
次に上記（１）（２）の処理について説明する。
（１）平均テンプレート候補の生成と閾値の設定（前記図５、図６および図３のステップＳ７，Ｓ８参照）
(a) 平均テンプレート候補の初期値を設定する。ｘi ＝ｗi として、Ｔ（ｊ）＝｛ｄ1 （ｖ1 ，ｖ2 ，…，ｖn ）｝（第１番目の学習パターン）とする。
(b) Ｇ（０）＝∞を初期値とする。ここで、Ｇ（ｐ）は繰り返しｐにおける、平均テンプレート候補と、各学習パターンの部分データとの最小誤差の総和を表す。
(c) 各学習パターンとの誤算がより小さい平均テンプレート候補を選び出すために、ｆｏｒ（ｐ＝１，２，…，Ｐ）として、すなわちｐを１からＰまで変えながら、以下を実行する。ここで、ｐは繰り返し回数であり、前記図５に示したように以下の４段階の処理を行う。
【００２５】
▲１▼ 各学習パターンの誤差の計算する。
ここでは、平均テンプレート候補との誤差が最小となる部分データを、各学習パターンに対して選び出すために、ｆｏｒ（ｈ＝１，２，…，Ｈ）として、すなわち各学習パターンについて以下を実行する。
平均テンプレート候補Ｔ（ｊ）と学習パターン｛ｄh （ｖ1 ，ｖ2 ，…，ｖn ）｝との誤差が最小となるようにｘi を設定し、そのときの誤差をｇh （ｐ）とする。ここで、誤差はデータ毎の差の絶対値の総和である。
▲２▼ 誤差平均Ｇ（ｐ）を計算する。すなわち、前記したように以下の式を計算する。
Ｇ（ｐ）＝（ΣH h=1 ｇh （ｐ））／Ｈ
▲３▼ 前の誤差平均と比較し、今回の方が小さければ、まだ良い候補が得られると判断し新候補を生成して、さらに繰り返しを続ける。そうでなければ、閾値を設定して終了する。すなわち、前記図５で説明したように、ｉｆ（Ｇ（ｐ）＜Ｇ（ｐ−１））ならば、新候補を生成し、そうでなければ、図６に示したように、閾値Ｒ（ｊ）＝ｍａｘ｛ｇ1 （ｐ−１），ｇ2 （ｐ−１），…，ｇH （ｐ−１）｝の設定をして、ｆｏｒ文を抜けて終了する。
▲４▼ 新候補を生成する。すなわち、以下の式により新候補を求める。
Ｔ（ｊ）＝｛ΣH h=1 ｄh （ｖ1 ，ｖ2 ，…，ｖn ））／Ｈ｝
ここでは、各学習データにおいて誤差が最小となる部分データのデータ毎の値を平均したものを新候補とする。
【００２６】
（２）平均テンプレート候補の閾値判定（前記図７および図３のステップＳ９，Ｓ１０参照）。
前記図７で説明したように、平均テンプレート候補に対応するカテゴリ以外の学習パターンに存在する部分データを順に走査し、平均テンプレート候補との誤差が全て閾値より大きくなる場合に、平均テンプレートとする。
【００２７】
以上説明した実施例では、学習パターン上のある位置での部分データついて平均テンプレートを生成する場合につい説明したが、学習パターン上の位置毎に部分テンプレート候補を生成し、生成された部分テンプレートの候補から部分テンプレートを決定することもできる。
すなわち、図８に示すように、学習パターンの位置Ａ，Ｂの部分データについて上記のようにして平均テンプレートの候補を生成し、ある基準に従って上記位置毎に生成した部分テンプレートの候補の中から部分テンプレートを選別するようにしてもよい。
【００２８】
（付記１） データの一部が欠けた観測パターンを予め定められた複数のカテゴリに分類するために使用される部分テンプレートの生成装置であって、
学習パターンから、学習パターン毎に位置をずらしながら最もマッチする部分データを抽出する手段と、
抽出された部分データを用いて部分テンプレートを決定する手段とを備えた
ことを特徴とする部分テンプレート生成装置。
（付記２） 上記部分テンプレート決定手段は、抽出された最もマッチする部分データを平均化することにより、部分テンプレートの候補を生成し、生成された部分テンプレートの候補から部分テンプレートを決定する
ことを特徴とする付記１の部分テンプレート生成装置。
（付記３） 上記部分データを抽出する手段は、部分データを抽出する際に用いるずらし幅を徐々に増やしていく
ことを特徴とする付記１または付記２の部分テンプレート生成装置。
（付記４） 部分データが存在する学習パターン上の位置毎に、部分テンプレート候補を生成し、生成された部分テンプレートの候補から部分テンプレートを決定する
ことを特徴とする付記１，２または付記３の部分テンプレート生成装置。
（付記５） データの一部が欠けた観測パターンを予め定められた複数のカテゴリに分類するために使用される部分テンプレートを生成するためのプログラムであって、
上記プログラムは、学習パターンから、学習パターン毎に位置をずらしながら最もマッチする部分データを抽出する処理と、
抽出された部分データを用いて部分テンプレートを決定する処理をコンピュータに実行させる
ことを特徴とする部分テンプレート生成するためのプログラム。
（付記６） データの一部が欠けた観測パターンを予め定められた複数のカテゴリに分類するために使用される部分テンプレートの生成するためのプログラムを記録した記録媒体であって、
上記プログラムは、学習パターンから、学習パターン毎に位置をずらしながら最もマッチする部分データを抽出し、
抽出された部分データを用いて部分テンプレートを決定する
ことを特徴とする部分テンプレート生成するためのプログラムを記録した記録媒体。
（付記７）データの一部が欠けた観測パターンを予め定められた複数のカテゴリに分類するために使用される部分テンプレートの生成装置であって、学習パターンから、学習パターン毎に位置をずらしながら、仮に決定した部分テンプレートとの誤差が最小となる部分データを抽出する手段と、抽出された部分データを用いて部分テンプレートを決定する手段とを備えたことを特徴とする部分テンプレート生成装置。
【００２９】
【発明の効果】
以上説明したように、本発明においては、一部分のデータだけを使用したカテゴリ固有の部分テンプレートを得ることができ、これらを複数用いることにより、マッチすべきデータの一部分が欠けている入力パターンに対しても、カテゴリ分類が可能となる。このため、従来、カテゴリ分類できなかった入力パターンに対してもカテゴリ分類が可能となり、分類正解率を向上させることが可能となる。
【図面の簡単な説明】
【図１】本発明の概要を説明する図である。
【図２】本発明の実施例の機能ブロック図てある。
【図３】本発明の実施例の全体処理を示すフローチャートである。
【図４】学習パターン上における上記ターゲット設定とずらし幅の概念（ｎ＝２の場合）を説明する図である。
【図５】平均テンプレート候補の生成の概念を説明する図である。
【図６】閾値の設定方法の概念を説明する図である。
【図７】平均テンプレート候補の閾値判定の概念を説明する図である。
【図８】学習パターン上の位置毎に、部分テンプレート候補を生成する場合を説明する図である。
【図９】テンプレートを用いて観測パターンをカテゴリ分類する手法を説明する図である。
【符号の説明】
１ 学習パターン
２ 部分データを抽出する手段１
３ 部分テンプレートを決定する手段
４ カテゴリ毎の部分テンプレート
１１ 学習パターン
１２ カテゴリ選択手段
１３ ターゲット設定手段
１４ ずらし幅設定手段
１５ 平均テンプレートを生成する手段
１６ 閾値判定手段
【発明の属する技術分野】
本発明は、画像の認識、ゲノム解読などの様々な分野において、観測されたパターンを予め定められた複数のカテゴリ（またはクラスとも呼ぶ）に分類する際に使用する部分テンプレートの生成装置に関し、特に本発明は、部分テンプレートを上記パターン上でスキャンして、部分テンプレートとマッチした場合に、観測パターンをその部分テンプレートが属するカテゴリに分類するために使用する部分テンプレートの生成装置に関する。
【０００２】
【従来の技術】
観測されたパターンを予め定められた複数のカテゴリに分類する手法として、図９に示すように学習パターンＰL を用いて作成したテンプレートＴＭと、観測された入力パターンＰi とを照合し、マッチングした場合に、そのテンプレートが属するカテゴリに上記入力パターンＰi を分類する手法が知られている。ここで言うパターンとは、人間の視覚に入ってくる２次元のデータだけではなく、聴覚や触覚や嗅覚など様々なセンサを用いて得られるｎ次元のデータである。
【０００３】
上記のように観測されたパターンをカテゴリ分類する際に用いるテンプレートを作成するために、従来様々な方法が提案されてきている。
なかでも、パターン上の全てのデータを用いてテンプレートを作成する手法として、例えば、特開平１１−３４５３３７号公報で提案されているものが知られている（従来法１という）。
この従来法１では、予め用意された学習パターンから各カテゴリ毎に学習パターンを平均化した全体テンプレートを作成しておき、入力パターンが全体テンプレートと同一であれば、そのカテゴリに属すると判断していた。ここで、全体テンプレートとは、入力パターンのほぼ全てのデータを含むテンプレートを言う。
【０００４】
しかし、上記従来法１では、入力パターン上のマッチすべきデータの一部が欠けている場合には、全体テンプレートでは、そのカテゴリに分類できないという問題点が生じる。
例として、三角形のカテゴリを考えると、全体テンプレートは三角形全体であり、マッチすべきデータの一部が欠けた部分三角形とはマッチングしない。実世界において、予め用意する学習パターンは、全てのデータが備わった位置ずれのない完全なパターンを複数用意できるが、入力パターンは、通常、運用段階において生じるため、様々な要因によって一部のデータが欠落することは十分に考えられる。
【０００５】
マッチすべきデータの一部が欠けている入力パターンに対しても正確にカテゴリ分類するためには、入力パターン上のある一部分に存在する部分データを用い、部分テンプレートを生成する必要がある。
入力パターン上の一部のデータを用いてテンプレートを作成する手法としては、例えば、特開平７−６５１６４公報で提案されているものが知られている（従来法２という）。この従来法２は、認識対象となる部分データを平均化し、平均テンプレートを作成する手法であるが、平均テンプレートを作成するために用いる部分データの位置が予め既知であることが前提となっている。
しかし、平均テンプレートを作成するための元になる学習パターン上の部分データの位置が、微妙な位置ずれなどによりパターン毎に変化してしまった場合には、パターン毎の部分データの正確な位置がわからないため、従来法２では平均テンプレートを自動生成することができない。
【０００６】
【発明が解決しようとする課題】
上記のように、従来法１では、入力パターン上のマッチすべきデータの一部が欠けている場合には、カテゴリに分類できないという問題点があった。また、従来法２では、学習パターン上における部分データの位置が予め既知でなければ部分テンプレートを自動生成することができないといった問題があった。
本発明は上記事情に鑑みなされたものであって、本発明は、学習パターン上の部分データの位置が既知でなくても、各学習パターンの部分データとマッチする部分テンプレートを自動生成し、マッチすべきデータの一部が欠けている入力パターンに対して、正確にカテゴリ分類することができるようにすることを目的とする。
【０００７】
【課題を解決するための手段】
マッチすべきデータの一部が欠けている入力パターンに対しても正確にカテゴリ分類するためには、入力パターン上のある一部分に存在する部分データを用いて、部分テンプレートを自動生成する必要がある。ここで、自動生成というのは、学習パターン上で部分データが存在する正確な位置を、パターン毎に予め教えなくても、各パターンの部分データとマッチする部分テンプレートを自動的に生成することをいう。
そして、上記のように生成されたカテゴリ固有の部分テンプレートを複数保持することにより、マッチすべきデータの一部が欠けている入力パターンに対しても、欠けていない部分とマッチするカテゴリ固有の部分テンプレートが１つでも存在すればカテゴリ分類が可能となる。ここで、カテゴリ固有の部分テンプレートとは、そのカテゴリにしか存在しないと考えられる部分テンプレートをいう。また、マッチするとは、テンプレートと一致するデータがパターン上に存在することをいう。
【０００８】
本発明においては、上記のように部分データの位置が既知でない学習パターン上を用いて以下のようにして部分テンプレートを自動生成する。
図１は本発明の概要を説明する図であり、図１（ａ）は本発明の概略構成を示す図であり、図１（ｂ）は、本発明で生成された部分テンプレートを用いて、マッチすべきデータの一部が欠けている入力パターンをカテゴリに分類する場合を説明する図である。
図１（ａ）に示すように、本発明においては学習パターン１から、学習パターン毎に位置をずらしながら最もマッチする部分データを抽出する手段２と、抽出された部分データを用いて部分テンプレートを決定する手段３を備え、部分データの位置が既知でない学習パターン１からカテゴリ毎の部分テンプレート４を自動生成する。
本発明においては、上記のように学習パターン毎に位置をずらしながら最もマッチする部分データを抽出しているので、学習パターンにおける部分データの位置が既知でなくても、各学習パターンの部分データとマッチする部分テンプレートを自動生成することができる。
このようにして生成したカテゴリ毎の部分テンプレート４とデータの一部欠損した入力パターン５を照合することにより、入力パターン５をカテゴリに分類することが可能となる。
一例として、図１（ｂ）にマッチすべきデータが一部欠けている入力パターンを、中央に三角形が位置するカテゴリＡと、中央に四角形が位置するカテゴリＢへ分類する場合を示す。
同図に示すように、部分テンプレートとして、カテゴリＡとしてａ１とａ２、カテゴリＢとしてｂ１とｂ２が得られたと仮定する。ここで、入力パターンが、同図に示すようにマッチすべきデータの一部が欠けているものである場合、同図に示す全体テンプレートでは、どちらともマッチしないため、カテゴリ分類は不可能である。
一方、上記入力パターンにおいては、マッチすべきデータである三角形の左半分は存在する。このため、上記部分テンプレートａ１，ａ２，ｂ１，ｂ２を上記入力パターンＰ上でスキャンすると、三角形の左端に対応するａ１がマッチすることとなる。したがって、上記入力パターンはカテゴリＡに分類される。
本発明により生成された部分テンプレートを用いることにより、上記のようにマッチすべきデータの一部が欠けている場合であっても、カテゴリ分類が可能である。
【０００９】
また本発明は次のように構成することができる。
(1) 上記部分テンプレート決定手段２は、抽出された最もマッチする部分データを平均化することにより、部分テンプレートの候補を生成し、生成された部分テンプレートの候補から部分テンプレートを決定する。
(2) 上記部分データを抽出する手段２は、部分データを抽出する際に用いるずらし幅を徐々に増やしていく。このように、ずらし幅を小さい値から始めて、ずらし幅を徐々に増やしていくことにより、学習パターン毎の位置のずれがより小さい部分データから生成される平均テンプレートを見つけることが可能となる。
(3) 部分データが存在する学習パターン上の位置毎に、部分テンプレート候補を生成し、部分テンプレートを生成する。すなわち、学習パターン上の異なった位置から複数の部分データを抽出し、部分テンプレートの候補を生成し、部分テンプレートを決定する。
【００１０】
【発明の実施の形態】
図２は本発明の実施例の部分テンプレート生成装置の機能構成を示す図であり、本実施例では、部分データを平均化した平均テンプレートと呼ばれる部分テンプレートを自動生成する。
図２において、１１はカテゴリ毎の学習パターンである。学習パターンとは、後述する平均テンプレート候補を生成するために用いる予め用意されたパターンの総称である。
１２はカテゴリ選択手段であり、カテゴリ選択手段１２は、平均テンプレートを生成するためのカテゴリが設定されると、そのカテゴリに属する学習パターン１１を選択し、選択されたカテゴリに属する学習パターンをターゲット設定手段１３に与える。ターゲット設定手段１３は平均テンプレートを生成する場所としてターゲットを設定する。ターゲットとしては学習パターンの全ての位置が設定される。
【００１１】
１４はずらし幅設定手段であり、周辺範囲を設定するためのパラメータである「ずらし幅」を設定する。ここで、周辺範囲とは、ターゲットの周りにずらし幅分を加えた範囲であり、各学習パターン毎に、最も共通する部分データを探索する範囲を言う。平均テンプレートの作成に用いる部分データの位置が学習パターン毎に少しずれている場合があるので、上記のように周辺範囲を設定し、最も共通する部分データを探索する。本実施例において、ずらし幅は、初めは小さい値に設定し、最大値に達するまで徐々に大きくする。
１５は、平均テンプレートの候補となる平均テンプレートを生成する手段である。平均テンプレート候補とは、ターゲット上に存在する部分データのモデルとして、各学習パターンのターゲット上に存在する部分データの値をそれぞれ平均化したものである。
１６は閾値判定手段であり、平均テンプレート候補と他のカテゴリの学習パターンを用いて閾値判定を行い、そのカテゴリ固有の部分テンプレートを出力する。ここで、閾値とは、後述するように生成対象であるカテゴリの学習パターンが存在し得る平均テンプレートからの距離を表すものであり、閾値判定手段１６は、平均テンプレート候補に対応するカテゴリ以外の学習パターンの全てに対して、その中に存在するあらゆる部分データと平均テンプレート候補との誤差が上記閾値より大きい場合に、その平均テンプレート候補をカテゴリ固有の平均テンプレート、すなわち部分テンプレートとして出力する。
【００１２】
図２に示す部分テンプレート生成装置は、例えば、ＣＰＵとメモリと外部記憶装置と入出力装置等から構成される周知のコンピュータシステムで実現することができ、上記学習パターンと、部分テンプレートを生成するためのプログラム等が外部記憶装置に格納され、実行時、上記プログラムがメモリ上にロードされ、部分テンプレートの自動生成処理が行われる。
【００１３】
図３は、本実施例の部分テンプレート生成処理を示すフローチャートであり、同図を参照しながら、本実施例についてさらに詳細に説明する。なお、図３のフローチャートにおいて、直角四角形は処理を示し、丸角四角形は条件判定を示す。
本実施例では、前記したように、部分データを平均化した平均テンプレートと呼ばれる部分テンプレートを自動生成する。そのため、まず、各カテゴリ毎に学習パターンの全ての位置で部分データを平均化した平均テンプレート候補を作成する。次に、平均テンプレート候補の中で、そのカテゴリにしか存在しないテンプレートを平均テンプレートとする。
【００１４】
図３に示すように、本実施例では以下の６段階のステップにより部分テンプレートを生成する。
（１）１段階目（図３中の▲１▼）では、平均テンプレートを生成するカテゴリを選択する。
すなわち、図３のフローに示すようにカテゴリを全て選択したかを調べ（ステップＳ１）、全てのカテゴリを選択した場合は処理を終了する。また、全てのカテゴリを選択していない場合には、未選択のカテゴリを一つ選択し以下の処理を行う。
（２）２段階目（図３中の▲２▼）では、平均テンプレートを生成する場所としてターゲットを設定する。
すなわち、図３のステップＳ３において、座標の全ての位置でターゲットを設定したかを調べ、ターゲットを座標の全ての位置で設定していない場合には、ステップＳ４で、未設定のターゲットを１つ設定し、以降の処理を行う。また、ターゲットを座標の全ての位置で設定し各ターゲットでの処理が終わったらステップＳ１に戻り次のカテゴリを選択する。
【００１５】
（３）３段階目（図３中の▲３▼）では、ずらし幅を設定する（ステップＳ５）。
ずらし幅とは、前記したように、周辺範囲を設定するためのパラメータであり、また、周辺範囲とはターゲットの周りにずらし幅分を加えた範囲である。
図４は学習パターン上における上記ターゲット設定とずらし幅の概念を示す図であり、同図は２次元（ｎ＝２）の場合を示している。同図において、Ｄ（ｈ）は学習パターンの一つである。学習パターンの中の破線の四角形の左上の点（ｗ１，ｗ２）はターゲット位置であり、ｋ１，ｋ２は部分データの大きさを示す。ｚは「ずらし幅」である。また、学習パターンの中の大きい四角形は探索範囲となる周辺範囲を示す。周辺範囲とは、上記したようにターゲットの周りにずらし幅を加えた範囲である。また、周辺範囲内で実線で示される四角形は、後述するように誤差が最小となった部分データを示す。
【００１６】
上記ずらし幅は始めは小さい値としておき、平均テンプレートが得られるまで徐々に大きくする。すなわち、図３のステップＳ５においてずらし幅を設定したのち、ずらし幅が上限値以下であるかを調べ（ステップＳ６）、ずらし幅が上限値以下の場合は、ステップＳ７以降の処理を行う。
そして後述するステップＳ９において、選択したカテゴリ以外の学習パターンの部分データの誤差が全て閾値以上でないと判定された場合には、ステップＳ５に戻り、ずらし幅を少し大きくしてステップＳ６に行く。また、ステップＳ６でずらし幅が上限値を越えたと判定された場合、ステップＳ３に戻り、前記したように新たなターゲットを設定する。
このように、ずらし幅を小さい値から始めるため、学習パターン毎の位置のずれがより小さい部分データから生成される平均テンプレートをみつけることができる。
【００１７】
（４）４段階目（図３中の▲４▼）では、平均テンプレートの候補となる平均テンプレート候補を生成する（ステップＳ７）。
ここで、平均テンプレート候補とは、前記したようにターゲット上に存在する部分データのモデルとして、各学習パターンのターゲット上に存在する部分データの値をそれぞれ平均したものである。すなわち、部分データの位置は、学習パターン毎に少しずれている場合があるので、周辺範囲のなかで各学習パターン毎に最も共通する部分データを抜き出す。
図５は平均テンプレート候補生成の概念図である。同図において、Ｄ（１）〜Ｄ（Ｈ）は１番目〜Ｈ番目の学習パターン、Ｔ（ｊ）は平均テンプレート候補であり、ｇ１（ｐ）〜ｇＨ（ｐ）は繰り返しｐにおける平均テンプレート候補Ｔ（ｊ）と各学習パターンＤ（１）〜Ｄ（Ｈ）の部分データとの誤差を表す。
平均テンプレート候補の生成は、まず平均テンプレート候補Ｔ（ｊ）と各学習パターンＤ（１）〜Ｄ（Ｈ）の部分データとの誤差が最小となるように部分データのｉ次元目の開始位置を設定し、その時の誤差ｇｈ（ｐ）を計算する（図５の▲１▼）。
【００１８】
次いで、誤差の平均Ｇ（ｐ）＝｛Σｇｈ（ｐ）｝／Ｈを計算する（図５の▲２▼）。そして、前回の平均誤差Ｇ（ｐ−１）と今回の平均誤差Ｇ（ｐ）を比較して、今回の方が小さければ、まだ良い候補が得られると判断して、▲４▼へ行き各学習パターンにおいて誤差が最小となる部分データのデータ毎の値を平均した新候補Ｔ（ｊ）＝｛Σｄｈ／Ｈ｝を生成する。
また、そうでなければ、閾値Ｒ（ｊ）を設定して処理を終了する（図５の▲３▼）。なお、閾値Ｒ（ｊ）は次に説明するように、平均テンプレート候補と各学習パターンの周辺範囲に存在する部分テンプレートとの最小誤差の最大値である。
【００１９】
（５）５段階目（図３中の▲５▼、ステップＳ８）では、閾値を設定する。
閾値とは、前記したように生成対象であるカテゴリの学習パターンが存在しうる平均テンプレートからの距離を表すもので、ここでは、平均テンプレート候補と、各学習パターンの周辺範囲に存在する部分テンプレートとの最小誤差の最大値とする。誤差は、平均テンプレートと部分データとの各値の差の絶対値の総和である。
図６に閾値の設定方法の概念図を示す。同図はカテゴリＡの平均テンプレート候補に対する閾値の設定方法を示している。
図６において、Ａ１〜Ａ３はカテゴリＡの第１番目〜第３番目の学習パターン、Ｔ（ｊ）はカテゴリＡの平均テンプレート候補であり、円は閾値を示し、中心からの距離が各学習パターンの最小誤差である。
図６では、Ａ２番目の学習パターンにおいて、平均テンプレート候補との誤差が最小となる部分データの誤差が２０であり、Ａ１番目、Ａ２番目の最小誤差より大きく、学習パターンにおける最小誤差の中では最大である。そのため、閾値は２０に設定される。
【００２０】
（６）６段階目（図３中の▲６▼）では、平均テンプレート候補の閾値判定を行い、平均テンプレートを決定する。
ここでは、平均テンプレート候補が以下の条件を満足すれば、平均テンプレートとする。
その条件とは、平均テンプレート候補に対応するカテゴリ以外の学習パターンの全てに対して、その中に存在するあらゆる部分データと、平均テンプレート候補との誤差が閾値より大きくなることである。
すなわち、図３のステップＳ９において、選択したカテゴリ以外の学習パターンの部分データの誤差が全て閾値以上であるかを判定し、誤差が全て閾値以上である場合には、その平均テンプレート候補を平均テンプレートとする（ステップＳ１０）。また、誤差が全て閾値以上でない場合には、その平均テンプレート候補は、平均テンプレートになり得ないので、ステップＳ５に戻り、前記処理を繰り返す。
【００２１】
図７に平均テンプレート候補の閾値判定の概念図を示す。同図（ａ）は平均テンプレートである場合、（ｂ）は平均テンプレートでない場合である。
同図（ａ）に示すように、カテゴリＡの平均テンプレート候補からのカテゴリＡ以外の各学習パターン、すなわち、カテゴリＢの各学習パターンＢ１，Ｂ２，カテゴリＣの学習パターンＣ１，Ｃ２等に存在する部分データの誤差が、いずれも閾値２０より大きい場合は、平均テンプレート候補が平均テンプレートとなる。これは、カテゴリＡの学習パターンは全ての部分テンプレートの誤差が閾値以下となり、それ以外のカテゴリでは全ての部分テンプレートの誤差が閾値を超えるため、この平均テンプレート候補はカテゴリ固有の部分テンプレートであるといえるからである。
一方、同図（ｂ）に示すように、カテゴリＡの平均テンプレート候補からの誤差が閾値２０以下となるカテゴリＡ以外の部分データ（例えばカテゴリＢの学習パターンＢ１の部分データ）が存在すると、カテゴリ固有の部分テンプレートとは言えないので、平均テンプレートにはならない。
【００２２】
次に上記した、平均テンプレートと閾値を生成するアルゴリズムの具体例について説明する。
なお、以下では、Ｈ個の学習パターンのうち、ｈ番目の学習パターンを、Ｄ（ｈ）＝｛ｄh （ｕ1 ，ｕ2 ，…，ｕn ）｝とする。ここで、ｄh は学習パターン上のピクセルの値を表し、ｕ1 ，ｕ2 ，…，ｕn （ｕi ＝１，２，…，Ｗi ）は、そのピクセルのｉ次元の座標値を表す。ここで、ｉは次元を表し、ｉ＝１，２，…，ｎであり、ｎは次元数である。例えば前記図４では、ｎ＝２の場合のｈ番目の学習パターンＤ（ｈ）を表している。
また、Ｗi はｉ次元の最大値（ｉ次元の最大ピクセル数）である。例えば、上記においてｕi は、ｕi ＝１，ｕi ＝２，…，ｕi ＝Ｗi の値を持つ。
ここでは、簡単のために各次元の最大値（Ｗi ）は、学習パターン全てに対して同じと仮定している。
【００２３】
以下の処理をパターン上の全ての座標位置に対して実施するために、ターゲット（ｗ1 ，ｗ2 ，…，ｗn ）をｆｏｒ（ｗ1 ＝１，２，…，Ｗ1 、ｗ2 ＝１，２，…，Ｗ2 、…、ｗn ＝１，２，…，Ｗn ）で変えて、すなわち、ターゲット（ｗ1 ，ｗ2 ，…，ｗn ）の値を、各次元の最大値まで変えて、以下の処理を繰り返す（前記図３のステップＳ３〜Ｓ１０に対応）。
・平均テンプレートが得られるまで、ずらし幅ｚを０〜Ｚまで変えて、すなわち、ｆｏｒ（ｚ＝０，１，…，Ｚ）で以下の処理を繰り返す（前記図３のステップＳ５〜Ｓ９）。
▲１▼ 以下の（１）を実行し、ｊ番目の平均テンプレート候補Ｔ（ｊ）＝｛ｄ（ｖ1 ，ｖ2 ，…，ｖn ）｝と閾値Ｒ（ｊ）を生成する（前記図３のステップＳ７〜Ｓ８）。
ここで、ｄ（ｖ1 ，ｖ2 ，…，ｖn ）は、平均テンプレート候補の座標位置（ｖ1 ，ｖ2 ，…，ｖn ）に存在するデータを表し、ｖi は周辺範囲内のｉ次元の座標を表し、ｖ1 ＝ｘi ，ｘi ＋１，…，ｘi ＋ｋi −１である。
また、ｘi は部分データのｉ次元目の開始位置を表し、ｘi ＝ｗi −ｚ，ｗi −ｚ＋１，…，ｗi ＋ｚであり、ｋi は部分データのｉ次元の大きさである。
▲２▼ 以下の（２）を実行して、平均テンプレートを決定する（図３のステップＳ９，Ｓ１０）。
▲３▼ もし平均テンプレートが得られればｚのｆｏｒ文を抜ける（図３のステップＳ１０）。
【００２４】
次に上記（１）（２）の処理について説明する。
（１）平均テンプレート候補の生成と閾値の設定（前記図５、図６および図３のステップＳ７，Ｓ８参照）
(a) 平均テンプレート候補の初期値を設定する。ｘi ＝ｗi として、Ｔ（ｊ）＝｛ｄ1 （ｖ1 ，ｖ2 ，…，ｖn ）｝（第１番目の学習パターン）とする。
(b) Ｇ（０）＝∞を初期値とする。ここで、Ｇ（ｐ）は繰り返しｐにおける、平均テンプレート候補と、各学習パターンの部分データとの最小誤差の総和を表す。
(c) 各学習パターンとの誤算がより小さい平均テンプレート候補を選び出すために、ｆｏｒ（ｐ＝１，２，…，Ｐ）として、すなわちｐを１からＰまで変えながら、以下を実行する。ここで、ｐは繰り返し回数であり、前記図５に示したように以下の４段階の処理を行う。
【００２５】
▲１▼ 各学習パターンの誤差の計算する。
ここでは、平均テンプレート候補との誤差が最小となる部分データを、各学習パターンに対して選び出すために、ｆｏｒ（ｈ＝１，２，…，Ｈ）として、すなわち各学習パターンについて以下を実行する。
平均テンプレート候補Ｔ（ｊ）と学習パターン｛ｄh （ｖ1 ，ｖ2 ，…，ｖn ）｝との誤差が最小となるようにｘi を設定し、そのときの誤差をｇh （ｐ）とする。ここで、誤差はデータ毎の差の絶対値の総和である。
▲２▼ 誤差平均Ｇ（ｐ）を計算する。すなわち、前記したように以下の式を計算する。
Ｇ（ｐ）＝（ΣH h=1 ｇh （ｐ））／Ｈ
▲３▼ 前の誤差平均と比較し、今回の方が小さければ、まだ良い候補が得られると判断し新候補を生成して、さらに繰り返しを続ける。そうでなければ、閾値を設定して終了する。すなわち、前記図５で説明したように、ｉｆ（Ｇ（ｐ）＜Ｇ（ｐ−１））ならば、新候補を生成し、そうでなければ、図６に示したように、閾値Ｒ（ｊ）＝ｍａｘ｛ｇ1 （ｐ−１），ｇ2 （ｐ−１），…，ｇH （ｐ−１）｝の設定をして、ｆｏｒ文を抜けて終了する。
▲４▼ 新候補を生成する。すなわち、以下の式により新候補を求める。
Ｔ（ｊ）＝｛ΣH h=1 ｄh （ｖ1 ，ｖ2 ，…，ｖn ））／Ｈ｝
ここでは、各学習データにおいて誤差が最小となる部分データのデータ毎の値を平均したものを新候補とする。
【００２６】
（２）平均テンプレート候補の閾値判定（前記図７および図３のステップＳ９，Ｓ１０参照）。
前記図７で説明したように、平均テンプレート候補に対応するカテゴリ以外の学習パターンに存在する部分データを順に走査し、平均テンプレート候補との誤差が全て閾値より大きくなる場合に、平均テンプレートとする。
【００２７】
以上説明した実施例では、学習パターン上のある位置での部分データついて平均テンプレートを生成する場合につい説明したが、学習パターン上の位置毎に部分テンプレート候補を生成し、生成された部分テンプレートの候補から部分テンプレートを決定することもできる。
すなわち、図８に示すように、学習パターンの位置Ａ，Ｂの部分データについて上記のようにして平均テンプレートの候補を生成し、ある基準に従って上記位置毎に生成した部分テンプレートの候補の中から部分テンプレートを選別するようにしてもよい。
【００２８】
（付記１） データの一部が欠けた観測パターンを予め定められた複数のカテゴリに分類するために使用される部分テンプレートの生成装置であって、
学習パターンから、学習パターン毎に位置をずらしながら最もマッチする部分データを抽出する手段と、
抽出された部分データを用いて部分テンプレートを決定する手段とを備えた
ことを特徴とする部分テンプレート生成装置。
（付記２） 上記部分テンプレート決定手段は、抽出された最もマッチする部分データを平均化することにより、部分テンプレートの候補を生成し、生成された部分テンプレートの候補から部分テンプレートを決定する
ことを特徴とする付記１の部分テンプレート生成装置。
（付記３） 上記部分データを抽出する手段は、部分データを抽出する際に用いるずらし幅を徐々に増やしていく
ことを特徴とする付記１または付記２の部分テンプレート生成装置。
（付記４） 部分データが存在する学習パターン上の位置毎に、部分テンプレート候補を生成し、生成された部分テンプレートの候補から部分テンプレートを決定する
ことを特徴とする付記１，２または付記３の部分テンプレート生成装置。
（付記５） データの一部が欠けた観測パターンを予め定められた複数のカテゴリに分類するために使用される部分テンプレートを生成するためのプログラムであって、
上記プログラムは、学習パターンから、学習パターン毎に位置をずらしながら最もマッチする部分データを抽出する処理と、
抽出された部分データを用いて部分テンプレートを決定する処理をコンピュータに実行させる
ことを特徴とする部分テンプレート生成するためのプログラム。
（付記６） データの一部が欠けた観測パターンを予め定められた複数のカテゴリに分類するために使用される部分テンプレートの生成するためのプログラムを記録した記録媒体であって、
上記プログラムは、学習パターンから、学習パターン毎に位置をずらしながら最もマッチする部分データを抽出し、
抽出された部分データを用いて部分テンプレートを決定する
ことを特徴とする部分テンプレート生成するためのプログラムを記録した記録媒体。
（付記７）データの一部が欠けた観測パターンを予め定められた複数のカテゴリに分類するために使用される部分テンプレートの生成装置であって、学習パターンから、学習パターン毎に位置をずらしながら、仮に決定した部分テンプレートとの誤差が最小となる部分データを抽出する手段と、抽出された部分データを用いて部分テンプレートを決定する手段とを備えたことを特徴とする部分テンプレート生成装置。
【００２９】
【発明の効果】
以上説明したように、本発明においては、一部分のデータだけを使用したカテゴリ固有の部分テンプレートを得ることができ、これらを複数用いることにより、マッチすべきデータの一部分が欠けている入力パターンに対しても、カテゴリ分類が可能となる。このため、従来、カテゴリ分類できなかった入力パターンに対してもカテゴリ分類が可能となり、分類正解率を向上させることが可能となる。
【図面の簡単な説明】
【図１】本発明の概要を説明する図である。
【図２】本発明の実施例の機能ブロック図てある。
【図３】本発明の実施例の全体処理を示すフローチャートである。
【図４】学習パターン上における上記ターゲット設定とずらし幅の概念（ｎ＝２の場合）を説明する図である。
【図５】平均テンプレート候補の生成の概念を説明する図である。
【図６】閾値の設定方法の概念を説明する図である。
【図７】平均テンプレート候補の閾値判定の概念を説明する図である。
【図８】学習パターン上の位置毎に、部分テンプレート候補を生成する場合を説明する図である。
【図９】テンプレートを用いて観測パターンをカテゴリ分類する手法を説明する図である。
【符号の説明】
１ 学習パターン
２ 部分データを抽出する手段１
３ 部分テンプレートを決定する手段
４ カテゴリ毎の部分テンプレート
１１ 学習パターン
１２ カテゴリ選択手段
１３ ターゲット設定手段
１４ ずらし幅設定手段
１５ 平均テンプレートを生成する手段
１６ 閾値判定手段
Claims (5)
- データの一部が欠けた観測パターンを予め定められた複数のカテゴリに分類するために使用される部分テンプレートの生成装置であって、
各カテゴリに属する学習パターンの中から設定されたカテゴリに属する学習パターンを選択し、選択された学習パターンついて、平均テンプレートを生成する場所であるターゲット位置を設定し、該ターゲット位置における学習パターンの部分データの値を平均化した平均テンプレート候補を求め、上記ターゲット位置をあらかじめ設定されたずらし幅だけずらしながら、上記平均テンプレート候補と上記各学習パターンの部分データとの誤差を求めて、該誤差が最小となる平均テンプレート候補を選定するとともに、平均テンプレート候補と、各学習パターンの周辺範囲に存在する部分テンプレートとの最小誤差の最大値である閾値を設定することにより、学習パターンから部分データを抽出する手段と、
抽出された部分データを用いて、上記平均テンプレート候補に対応するカテゴリ以外の学習パターンの部分データに対する、平均テンプレート候補との誤差が上記閾値以上である場合、該平均テンプレート候補を平均テンプレートとし、該平均テンプレートを部分テンプレートとすることにより、部分テンプレートを決定する手段とを備えた
ことを特徴とする部分テンプレート生成装置。 - 上記部分データを抽出する手段は、部分データを抽出する際に用いるずらし幅を徐々に増やしていく
ことを特徴とする請求項１の部分テンプレート生成装置。 - 部分データが存在する学習パターン上の位置毎に、部分テンプレート候補を生成し、生成された部分テンプレートの候補から部分テンプレートを決定する
ことを特徴とする請求項１または請求項２の部分テンプレート生成装置。 - データの一部が欠けた観測パターンを予め定められた複数のカテゴリに分類するために使用される部分テンプレートを生成するためのプログラムであって、
上記プログラムは、各カテゴリに属する学習パターンの中から設定されたカテゴリに属する学習パターンを選択し、選択された学習パターンついて、平均テンプレートを生成する場所であるターゲット位置を設定し、該ターゲット位置における学習パターンの部分データの値を平均化した平均テンプレート候補を求め、上記ターゲット位置をあらかじめ設定されたずらし幅だけずらしながら、上記平均テンプレート候補と上記各学習パターンの部分データとの誤差を求めて、該誤差が最小となる平均テンプレート候補を選定するとともに、平均テンプレート候補と、各学習パターンの周辺範囲に存在する部分テンプレートとの最小誤差の最大値である閾値を設定することにより、学習パターンから部分データを抽出する処理と、
抽出された部分データを用いて、上記平均テンプレート候補に対応するカテゴリ以外の学習パターンの部分データに対する、平均テンプレート候補との誤差が上記閾値以上である場合、該平均テンプレート候補を平均テンプレートとし、該平均テンプレートを部分テンプレートとすることにより、部分テンプレートを決定する処理をコンピュータに実行させる
ことを特徴とする部分テンプレート生成するためのプログラム。 - データの一部が欠けた観測パターンを予め定められた複数のカテゴリに分類するために使用される部分テンプレートを生成するためのプログラムを記録した記録媒体であって、
上記プログラムは、各カテゴリに属する学習パターンの中から設定されたカテゴリに属する学習パターンを選択し、選択された学習パターンついて、平均テンプレートを生成する場所であるターゲット位置を設定し、該ターゲット位置における学習パターンの部分データの値を平均化した平均テンプレート候補を求め、上記ターゲット位置をあらかじめ設定されたずらし幅だけずらしながら、上記平均テンプレート候補と上記各学習パターンの部分データとの誤差を求めて、該誤差が最小となる平均テンプレート候補を選定するとともに、平均テンプレート候補と、各学習パターンの周辺範囲に存在する部分テンプレートとの最小誤差の最大値である閾値を設定することにより、学習パターンから部分データを抽出する処理と、
抽出された部分データを用いて、上記平均テンプレート候補に対応するカテゴリ以外の学習パターンの部分データに対する、平均テンプレート候補との誤差が上記閾値以上である場合、該平均テンプレート候補を平均テンプレートとし、該平均テンプレートを部分テンプレートとすることにより、部分テンプレートを決定する処理をコンピュータに実行させることを特徴とするプログラムを記録した記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001192688A JP4614582B2 (ja) | 2000-07-06 | 2001-06-26 | 部分テンプレート生成装置 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000-205049 | 2000-07-06 | ||
| JP2000205049 | 2000-07-06 | ||
| JP2001192688A JP4614582B2 (ja) | 2000-07-06 | 2001-06-26 | 部分テンプレート生成装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002083296A JP2002083296A (ja) | 2002-03-22 |
| JP4614582B2 true JP4614582B2 (ja) | 2011-01-19 |
Family
ID=26595506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001192688A Expired - Fee Related JP4614582B2 (ja) | 2000-07-06 | 2001-06-26 | 部分テンプレート生成装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4614582B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6641401B2 (en) * | 2001-06-20 | 2003-11-04 | Leapfrog Enterprises, Inc. | Interactive apparatus with templates |
| CN102473195B (zh) * | 2010-04-19 | 2015-03-18 | 日本电气株式会社 | 处理过程管理装置、处理过程管理方法、处理过程管理系统和处理过程管理程序 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05298591A (ja) * | 1992-04-24 | 1993-11-12 | Hitachi Ltd | 物体認識装置 |
| JPH05298452A (ja) * | 1992-04-20 | 1993-11-12 | Mitsubishi Heavy Ind Ltd | パターン認識装置 |
| JPH1139477A (ja) * | 1997-07-16 | 1999-02-12 | Fujitsu Ltd | 対応点探索装置 |
| JP2000067164A (ja) * | 1998-08-26 | 2000-03-03 | Nippon Telegr & Teleph Corp <Ntt> | パターン認識方法及び装置並びにテンプレート作成プログラムを記録した記録媒体 |
-
2001
- 2001-06-26 JP JP2001192688A patent/JP4614582B2/ja not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05298452A (ja) * | 1992-04-20 | 1993-11-12 | Mitsubishi Heavy Ind Ltd | パターン認識装置 |
| JPH05298591A (ja) * | 1992-04-24 | 1993-11-12 | Hitachi Ltd | 物体認識装置 |
| JPH1139477A (ja) * | 1997-07-16 | 1999-02-12 | Fujitsu Ltd | 対応点探索装置 |
| JP2000067164A (ja) * | 1998-08-26 | 2000-03-03 | Nippon Telegr & Teleph Corp <Ntt> | パターン認識方法及び装置並びにテンプレート作成プログラムを記録した記録媒体 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2002083296A (ja) | 2002-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5247337B2 (ja) | 画像認識装置および画像認識方法 | |
| US6128410A (en) | Pattern matching apparatus and method that considers distance and direction | |
| JPH06290307A (ja) | 記号認識方法及び装置 | |
| CN108334805B (zh) | 检测文档阅读顺序的方法和装置 | |
| JP6003492B2 (ja) | 文字認識装置及びプログラム | |
| CN112232420A (zh) | 一种图像标注方法、目标检测方法及装置、存储介质 | |
| CN115810133B (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
| CN111310737A (zh) | 一种车道线检测方法及装置 | |
| CN115870980A (zh) | 一种基于视觉的弹琴机器人控制方法及装置 | |
| WO2023072744A1 (en) | Methods and systems for generating segmentation masks | |
| CN111444816A (zh) | 一种基于Faster RCNN的多尺度密集行人检测方法 | |
| CN111382709A (zh) | 一种基于无人机巡检的绝缘子图像检测方法 | |
| CN113516156A (zh) | 一种基于多源信息融合的细粒度图像分类方法 | |
| JP4614582B2 (ja) | 部分テンプレート生成装置 | |
| CN114818920A (zh) | 基于双注意力擦除和注意力信息聚合的弱监督目标检测方法 | |
| CN114463543A (zh) | 基于级联决策和交互标注自提升的弱监督语义分割方法 | |
| JPH07271916A (ja) | 学習パターン生成装置及びこれを用いた文字認識装置 | |
| CN112926515A (zh) | 活体模型训练方法和装置 | |
| JP2000132692A (ja) | 曲線の特徴点抽出方法及びこの方法を記録した記録媒体 | |
| JP2004094644A (ja) | 画像処理装置、画像処理方法、記憶媒体及びプログラム | |
| JP7367857B2 (ja) | モデル生成装置、モデル生成方法、画像処理装置、画像処理方法、及び、プログラム | |
| CN112381076B (zh) | 一种视频显著性检测任务中图片预处理的方法 | |
| JP2988024B2 (ja) | 線画像照合装置 | |
| CN115457003A (zh) | 一种变电设备缺陷识别方法、系统及存储介质 | |
| JP3454721B2 (ja) | パターン認識辞書の最適化方法及び装置、記録媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080226 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20100624 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100629 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100826 |
|
| 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: 20101019 |
|
| 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: 20101019 |
|
| 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: 20131029 Year of fee payment: 3 |
|
| LAPS | Cancellation because of no payment of annual fees |