JP4625962B2

JP4625962B2 - カテゴリカル色知覚システム

Info

Publication number: JP4625962B2
Application number: JP2006553985A
Authority: JP
Inventors: 智晴長尾; 紀子矢田; 惠二内川
Original assignee: Tokyo Institute of Technology NUC; Yokohama National University NUC
Current assignee: Tokyo Institute of Technology NUC; Yokohama National University NUC
Priority date: 2005-01-24
Filing date: 2006-01-23
Publication date: 2011-02-02
Anticipated expiration: 2026-01-23
Also published as: JPWO2006078015A1; WO2006078015A1

Description

本発明は、自動的にカテゴリ色を判定するカテゴリカル色知覚システムに係り、多様な環境の下で正確に判定できる技術に関する。

我々人間は、色の微妙な違いを見分けることができるが、その色を他者に伝えようとするときには、赤・青などのように色をいくつかのカテゴリにまとめて表現することが多い。これを色のカテゴリカル知覚という。このように、具体的な色から特定の色名を普遍的に導き出せることは、物を識別し、あるいは標識などから指示を認知するなど社会的にも重要なことである。

このカテゴリカル知覚に関して、言語や人に因らず等しく用いられる基本カテゴリ色があることも知られている。ＢｅｒｌｉｎａｎｄＫａｙは、１００種類以上の言語を調べて白・赤・緑・黄・青・茶・橙・紫・桃・灰・黒の１１色が基本カテゴリ色であることを示した。また、チンパンジーの行動実験でも同様のことが示されている。このことから、基本カテゴリ色名は、他の色名と違い、視覚系にその色名に対応するメカニズムが存在する可能性があると考えられる。

一方、我々人間は、環境光のスペクトルに応じて物体からの反射スペクトルが変化しても、物体固有の色を安定して知覚することができる。これを色恒常性という。

従って、多様な環境下で物体の色の見えがどのカテゴリ色となるかは、その物体の反射光スペクトルだけではなく、周囲の環境にも影響され、色恒常性を伴って決まると言える。
竹部啓輔、外３名，「色恒常性を有するディジタルカラーイメージング」，電子情報通信学会論文誌Ｄ−ＩＩ，電子情報通信学会，２０００年８月，Ｖｏｌ．Ｊ８３−Ｄ−ＩＩＮｏ．８，ｐ．１７５３−１７６２鈴木哲明他、外４名，「ニューラルネットワークによる色のカテゴリカル知覚の学習」，映像情報メディア学会技術報告，映像情報メディア学会，１９９９年，第２３巻，第２９号，ｐ．１９−２４

そこで、本発明は、多様な環境の下でも、正確にカテゴリ色を判定し得るカテゴリカル色知覚システムを提供することを目的とする。

本発明に係るカテゴリカル色知覚システムは、判定環境における環境光の成分と、当該判定環境下での判定対象からの反射色の成分とを入力し、観察者が当該判定環境下で当該判定対象から知覚すると予測される、カテゴリ化された色名であるカテゴリ色を出力するカテゴリカル色知覚システムであって、以下の要素を有することを特徴とする
（１）少なくとも入力層と、入力側中間層と、前記入力側中間層と出力層の間に設けられた出力側中間層と、出力層の４層を有し、入力層は、実験環境における照明光の成分を入力する入力層照明光成分対応部分と、当該照明光による色サンプルからの反射であるテスト色の成分を入力する入力層テスト色成分対応部分とを有し、入力側中間層は、入力層テスト色成分対応部分と結合せずに入力層照明光成分対応部分と結合する入力側中間層照明光成分対応部分と、入力層照明光成分対応部分と結合せずに入力層テスト色成分対応部分と結合する入力側中間層テスト色成分対応部分とを有し、出力側中間層は、入力側中間層照明光成分対応部分及び入力側中間層テスト色成分対応部分と結合し、出力層は、カテゴリ色に対応する構成の学習用神経回路網に、学習用の照明光色成分と学習用のテスト色成分とを入力し、当該照明光の下で当該色サンプルから被験者が知覚した学習用のカテゴリ色を出力するように、誤差逆伝播法で学習させて得られた結合荷重を記憶した判定用結合荷重データ記憶部
（２）前記学習用神経回路網と同様の構成を有し、判定環境の環境光の成分を照明光色成分として入力し、当該判定環境下での判定対象からの反射色の成分をテスト色成分として入力し、判定用結合荷重データ記憶部に記憶した結合荷重に従って神経回路網演算処理を行い、処理結果として、観察者が当該判定環境下で当該判定対象から知覚すると予測されるカテゴリ色を出力する判定用神経回路網。

更に、学習用神経回路網及び判定用神経回路網は、入力層照明光成分対応部分及び入力層テスト色成分対応部分が、同じ方式の色成分を入力する同数のユニットを有し、入力側中間層照明光成分対応部分及び入力側中間層テスト色成分対応部分が、同数のユニットを有し、入力層照明光成分対応部分と入力側中間層照明光成分対応部分の間の結合に係る結合荷重と、入力層テスト色成分対応部分と入力側中間層テスト色成分対応部分の間の結合に係る結合荷重とは、構成上対応する結合同士で共用の結合荷重を用いることを特徴とする。

更に、入力側中間層照明光成分対応部分のユニット数及び入力側中間層テスト色成分対応部分のユニット数は、入力層照明光成分対応部分のユニット数及び入力層テスト色成分対応部分のユニット数以上であることを特徴とする。

更に、入力層照明光成分対応部分のユニット数及び入力層テスト色成分対応部分のユニット数は３であり、入力側中間層照明光成分対応部分のユニット数及び入力側中間層テスト色成分対応部分のユニット数は４であることを特徴とする。

更に、出力側中間層のユニット数は、入力側中間層照明光成分対応部分のユニット数及び入力側中間層テスト色成分対応部分のユニット数以上であることを特徴とする。

更に、出力側中間層のユニット数は、出力層のユニット数以下であることを特徴とする。

更に、入力側中間層照明光成分対応部分のユニット数及び入力側中間層テスト色成分対応部分のユニット数は４であり、出力側中間層のユニット数は７であり、出力層のユニット数は１１であることを特徴とする。

ロボットは、以下の要素を有することを特徴とする
（１）環境光を撮り込み、環境光の受光信号を第一の出力信号として出力する環境光入力用カメラ部
（２）第一の出力信号を入力し、第一の出力信号から環境光の色成分を抽出する環境光色成分センサー部
（３）判定対象物の反射光を撮り込み、判定対象物の反射光の受光信号を第二の出力信号として出力する対象物撮影用カメラ部
（４）第二の出力信号を入力し、第二の出力信号から反射光の色成分を抽出する判断対象反射色成分センサー部
（５）環境光の色成分と反射光の色成分を入力し、環境光の色成分と反射光の色成分に従って判定対象物のカテゴリ色を判定するカテゴリカル色知覚システム
（６）カテゴリ色を入力し、カテゴリ色に基づいてロボットを制御する制御信号を生成す
るロボット制御部
（７）制御信号を入力し、制御信号に従って動作装置を駆動するロボット駆動部。

監視カメラシステムは、以下の要素を有することを特徴とする
（１）環境光を撮り込み、環境光の受光信号を第一の出力信号として出力する環境光入力用カメラ部
（２）第一の出力信号を入力し、第一の出力信号から環境光の色成分を抽出する環境光色成分センサー部
（３）判定対象物の反射光を撮り込み、判定対象物の反射光の受光信号を第二の出力信号として出力する対象物撮影用カメラ部
（４）第二の出力信号を入力し、第二の出力信号から反射光の色成分を抽出する判断対象反射色成分センサー部
（５）環境光の色成分と反射光の色成分を入力し、環境光の色成分と反射光の色成分に従って判定対象物のカテゴリ色を判定するカテゴリカル色知覚システム
（６）カテゴリ色を入力し、カテゴリ色に基づいて監視カメラシステムを制御する制御情報を生成する監視カメラ制御部。

色彩コーディネートシュミレーションシステムは、以下の要素を有することを特徴とする
（１）環境光の指定情報を入力する入力部
（２）環境光の指定情報を環境光の色成分に変換する環境光色成分生成部
（３）判定対象物の反射光を撮り込み、判定対象物の反射光の受光信号を出力信号として出力する対象物撮影用カメラ部
（４）出力信号を入力し、出力信号から反射光の色成分を抽出する判断対象反射色成分センサー部
（５）環境光の色成分と反射光の色成分を入力し、環境光の色成分と反射光の色成分に従って判定対象物のカテゴリ色を判定するカテゴリカル色知覚システム。

色彩コーディネートシュミレーションシステムは、以下の要素を有することを特徴とする
（１）環境光の指定情報と判定対象物の反射光の指定情報を入力する入力部
（２）環境光の指定情報を環境光の色成分に変換する環境光色成分生成部
（３）判定対象物の反射光の指定情報を反射光の色成分に変換する判断対象反射色成分生成部
（４）環境光の色成分と反射光の色成分を入力し、環境光の色成分と反射光の色成分に従って判定対象物のカテゴリ色を判定するカテゴリカル色知覚システム。

ニューラルネットワークの構造として、入力側に照明光成分対応部分とテスト色成分対応部分を独立的に設け、更にこれらの結合荷重を共通化しているので、入力側中間層の照明光成分対応部分による視覚系信号処理と、入力側中間層のテスト色成分対応部分による視覚系信号処理が同等となり、サンプル光に起因する信号群と照明光に起因する信号群の知覚的な意義が統一され、高次知覚における照射光の補正を機能的に実現できる。これにより、多様な環境下でも正確に基本カテゴリ色を判定できる。

実施の形態１．
まず、ニューラルネットワークの構造について説明する。学習に用いた階層型ニューラルネットワークの構成を図１に示す。図に示すように４層（入力層、入力側中間層、出力側中間層、出力層）のフィードフォワード型ニューラルネットワークである。

入力層は、入力層テスト色成分対応部分１０１と入力層照明光成分対応部分１０２からなる。両部分ともに、３種類の錐体（Ｌ，Ｍ，Ｓ）に相当する３ユニットを有している。そして、入力層テスト色成分対応部分１０１の各ユニットには、色サンプルに照明光を照らして得られる反射光（テスト色）に対する錐体応答値を入力する。入力層照明光成分対応部分１０２の各ユニットには、照明光に対する錐体応答値を入力する。

また、入力側中間層は、入力側中間層テスト色成分対応部分１０３と入力側中間層照明光成分対応部分１０４からなる。入力側中間層テスト色成分対応部分１０３と入力側中間層照明光成分対応部分１０４は、同数の複数ユニットを有している。この例では、それぞれ４個のユニットを有している。そして、入力側中間層テスト色成分対応部分１０３は、入力層テスト色成分対応部分１０１と全結合している。つまり、入力層テスト色成分対応部分１０１に含まれる各ユニットは、入力側中間層テスト色成分対応部分１０３に含まれるすべてのユニットと結合している。また、入力側中間層照明光成分対応部分１０４は、入力層照明光成分対応部分１０２と全結合している。つまり、入力層照明光成分対応部分１０２に含まれる各ユニットは、入力側中間層照明光成分対応部分１０４に含まれるすべてのユニットと結合している。

出力側中間層は、複数のユニットを有している。この例では、７個のユニットを有している。出力側中間層は、入力側中間層（入力側中間層テスト色成分対応部分１０３及び入力側中間層照明光成分対応部分１０４）と全結合している。つまり、入力側中間層に含まれる各ユニットは、出力側中間層に含まれるすべてのユニットと結合している。

出力層は、複数のユニットを有している。この例では、１１個のユニットを有している。１１個の各ユニットは、１１色の基本カテゴリ色に対応している。そして、出力層は、出力側中間層と全結合している。つまり、出力側中間層に含まれる各ユニットは、出力層に含まれるすべてのユニットと結合している。

このように、入力層と入力側中間層は、テスト色成分対応部分と照明光成分対応部分に分割され、それぞれの間で結合関係を設けていない。互いに独立している。このため、入力側中間層では、テスト色成分にのみ起因する信号群と、照明光成分にのみ起因する信号群とを別々に伝達する。そして、照明光によるテスト色に対する補正は、出力側中間層で行なう。

また、テスト色成分対応部分と照明光成分対応部分では、結合荷重を共有している。互いに構造上対応する結合同士で、共通の結合荷重を記憶し、テスト色成分に対する処理と照明光成分に対する処理で共用する。入力層テスト色成分対応部分１０１のＬユニットとＭユニットとＳユニットは、それぞれ入力層照明光成分対応部分１０２のＬユニットとＭユニットとＳユニットと構造上対応している。また、入力側中間層テスト色成分対応部分１０３のａユニットとｂユニットとｃユニットとｄユニットは、それぞれ入力側中間層照明光成分対応部分１０４のｅユニットとｆユニットとｇユニットとｈユニットと構造上対応している。従って、例えば入力層テスト色成分対応部分１０１のＬユニットと入力側中間層テスト色成分対応部分１０３のａユニットの結合は、入力層照明光成分対応部分１０２のＬユニットと入力側中間層照明光成分対応部分１０４のｅユニットの結合と、構造上対応しており、両結合の結合荷重のデータとして１つの共通の結合荷重記憶領域を用いる。入力層テスト色成分対応部分１０１のＬユニットと入力側中間層テスト色成分対応部分１０３のａユニットの間の結合に係る結合荷重を読み出す場合にも、入力層照明光成分対応部分１０２のＬユニットと入力側中間層照明光成分対応部分１０４のｅユニットの間の結合に係る結合荷重を読み出す場合にも、共用の結合荷重記憶領域から結合荷重のデータを読み出して用いるように構成されている。また、入力層テスト色成分対応部分１０１のＬユニットと入力側中間層テスト色成分対応部分１０３のａユニットの間の結合に係る結合荷重を修正する場合にも、入力層照明光成分対応部分１０２のＬユニットと入力側中間層照明光成分対応部分１０４のｅユニットの間の結合に係る結合荷重を修正する場合にも、共用の結合荷重記憶領域から結合荷重のデータを読出し、当該データに修正量を加減算して、同じ共用の結合荷重記憶領域に書き戻すように構成されている。

なお、入力側中間層と出力側中間層と出力層の各ユニットの入出力関数には、シグモイド関数を用いる。

ニューラルネットワークの学習に用いた学習データについて説明する。本実施例で用いた教師データセットは、３種類の照明光下でのカテゴリ色の知覚を測定した心理物理実験により用意した。この実験は、天井のＬＣＤプロジェクタによる照明下で、Ｎ５（マンセル表色系）の灰色のボード上に４２４枚用意したＯＳＡ色票（色サンプルの例）を１枚ずつ提示して行なった。このとき用いた３種類の照明光の相関色温度およびＣＩＥ（１９３１）ｘｙ色度を図２に示す。また、これらの照明光の分光分布を図３に示す。

提示刺激の色の見えはカテゴリカルカラーネーミング法で測定した。これは、１１個の基本カテゴリ色の中から、照明光下でのその色票の見えをもっとも良く表す色名を１個答えるという方法である。被験者は４名で、それぞれ色票４２４枚に対してのネーミングを１セッションとして、同一照明光で２回のセッションを行い、３照明光×２回＝６セッションを行った。これにより、教師データセットには、３照明光×４２４枚＝１２７２セットを用意した。

教師データセットの入力データのテスト色成分は、それぞれの照明光下で測定されたＯＳＡ色票の輝度ＬｕｍとＣＩＥ（１９３１）ｘｙ色度座標（ｘ，ｙ）から変換する。まず、下式に従ってＸＹＺ表色系の値（Ｘ，Ｙ，Ｚ）へ変換する。
Ｘ＝（ｘ／ｙ）×Ｌｕｍ
Ｙ＝Ｌｕｍ
Ｚ＝（（１−ｘ−ｙ）／ｙ）×Ｌｕｍ
次に、得られた（Ｘ，Ｙ，Ｚ）をＳｍｉｔｈ−Ｐｏｋｏｒｎｙの錐体分光感度関数を用いてＬ、Ｍ、Ｓ錐体応答値へ変換した。教師データセットの入力データの照明光成分は、照明光の測定値Ｌｕｍと（ｘ，ｙ）から同様にして（Ｌ，Ｍ，Ｓ）錐体応答値へ変換した。ここで得られた（Ｌ，Ｍ，Ｓ）を［０，１］の間に正規化したものを入力データに用いた。

出力の教師データには、実験で得られた結果の４名×２セッション＝８回の回答中で、ある色票の見えに対してある基本色名が何度用いられたかを表す色名使用比率を、［０，１］に正規化した実数値を用いた。

次に、学習方法について説明する。以上のようにして作成した教師データセットを用いて、上述のニューラルネットワークの学習を行った。学習には誤差逆伝播法の修正モーメント法を用いた。このような教師データをネットワークに学習させることで、ニューラルネットワークは人間の脳が行っているＬＭＳ錐体応答から基本カテゴリ色名への写像を計算課題として学習する。

本発明では、前述のように入力層と入力側中間層の結合について、テスト色成分対応部分と照明光成分対応部分で構造上対応する結合同士で共有する結合荷重を用いて学習する。その結果、入力層と入力側中間層の間では、テスト色成分対応部分と照明光色成分対応部分で結合荷重が同じになるネットワークが形成される。

学習結果について説明する。この学習が正しく行われたことを確認するために、学習データセットと同じ入力値を、獲得したニューラルネットワークに入力して出力を確認した。このときの出力値と教師データとの誤差、及び出力色名の正解率を図４に示す。平均二乗誤差とはニューラルネットワークの出力値と教師データの誤差の二乗を平均したものである。出力色名の正解率とは、ニューラルネットワークの出力値が最大になったユニットの対応する色名と心理物理実験における回答の全１２７２データ中での一致率を表すものである。正解率１とはニューラルネットワークの出力の一番大きかった色名が心理物理実験の回答８回のうちもっとも多く答えられた色名と一致した確率であり、正解率２とはニューラルネットワークの出力の一番大きかった色名が心理物理実験の回答８回のうちのいずれかで答えられた色名と一致した確率である。

また、実験に用いた３つの照明光以外の照明光に対する検証を行なった。これは、未知データに対する出力の検証であって、獲得したニューラルネットワークの性能の評価に役立つ。未知の照明光として、色温度が５０００Ｋ〜２００００Ｋの１０種類のＤａｙｌｉｇｈｔデータを用いた。Ｄａｙｌｉｇｈｔデータの分光分布を図５に示す。このときの出力結果の正解率を求めるために前述の心理物理実験の結果を各色票の色名の正解として用い、５０００Ｋ〜６０００Ｋの出力結果は３０００Ｋか６５００Ｋの実験結果のいずれかと一致したものを正解とした。同様に、７０００Ｋ〜２００００Ｋの出力結果は６５００Ｋか２５０００Ｋの場合、６５００Ｋの出力結果は６５００Ｋの場合と一致したものを正解とした。図６より、すべての照明光条件に対して高い正解率の出力ができるニューラルネットワークが獲得できたことが分かる。

図７に、獲得したニューラルネットワークの結合荷重を示す。ここでは、プラスの値を実線で、マイナスの値を破線で表す。また、結合荷重の大きさを線の太さで表す。

また、本発明に係るニューラルネットワークの有効性を調べるために、別のニューラルネットワークについても同様の実験を行なった。照明光の変化に対して十分に適応できていない別のニューラルネットワークと対比して、本発明に係るニューラルネットワークが照明光の変化に頑健なモデルであることを明らかにする。

対比するニューラルネットワークは図８に示すように３層のフィードフォワード型ニューラルネットワークで、入力層６ユニット、中間層１１ユニット、出力層１１ユニットからなる。中間層と出力層のユニットの入出力関数には、シグモイド関数を用いた。

入力層は、本発明に係るニューラルネットワークと同様である。中間層のユニット数は予備実験として、同じ学習データを用いて中間ユニット数の異なるニューラルネットワークの学習を行い決定した。予備実験の結果から平均二乗誤差の小さくなるユニット数を選び、中間ユニット数１１ユニットのネットワークを用いることとした。出力層のユニットは、本発明に係るニューラルネットワークと同様である。

入力層と中間層の間は、全結合であり、中間層と出力層の間も、全結合である。

教師データセットは、前述の実験と同様のものを用い、学習方法として、前述の実験と同様に誤差逆伝播法の修正モーメント法を用いた。

対比実験の実験結果を示す。図９は、対比実験における教師データに対する検証結果を示す図である。教師データに対する検証結果は、良好な結果が得られていると言える。尚、獲得したニューラルネットワークの結合荷重を図１０に示す。

前述の実験と同様に行なった未知照明光の変化に対する検証結果を図１１に示す。教師データとして用いた照明光に色度の近い照明光では高い正解率を保っているが、教師データと教師データの間の色度を持つ照明光を用いたときに正解率が下がってしまっていることが分かる。特に、ＤＬ５０００Ｋ〜ＤＬ６０００Ｋの正解率が良くない。

比較実験で獲得したニューラルネットワークに対して、照明光（３０００Ｋ，６５００Ｋ，２５０００Ｋ：３種）と輝度（Ｌｕｍ＝５，１０，３０，５０，７５［ｃｄ／ｍ2］：５種）毎に、テスト色の（ｘ，ｙ）色度で０．０１毎に変化させて入力値を作成し、その出力値より照明光毎のそれぞれの輝度においての中間ユニットの応答を求めた。この中間ユニットの応答から、ニューラルネットワークがどのようにしてカテゴリカル知覚を実現しているかを推定した。その結果、比較実験の照明光の変化に対する検証結果で、教師データで用いた照明光から色度の遠い照明光（ＤＬ５０００Ｋ〜ＤＬ６０００Ｋ等）を未知データとして用いた場合に、色名の正解率が低い理由について推測できた。

比較実験の中間層のユニットの出力応答を見てみると、入力される照明光が変化したときに出力値が変わるものは２つのみであり、しかも、ある照明光の時のみテスト色の入力毎に違う出力値を出すが、その他の照明光の時にはテスト色の入力によらず一定の出力となっている。つまり、一見照明光に応答しているように思われる中間ユニットは、いずれも教師データの照明光に特化したものであって、他の照明光に対して反応していないものであった。

このことは、照明光の補正に関して、教師データとして用いた３種類の照明光に特化した中間ユニットを獲得することが、ニューラルネットワークの誤差逆伝播法による学習として最も効率的であったことを意味し、未知の照明光での正解率が低い評価結果と合致する。

そこで、本発明の実験についても中間層のユニットの入出力応答を調べた。本発明の実験で得られたニューラルネットワークに対して、照明光（３０００Ｋ，６５００Ｋ，２５０００Ｋ：３種）と輝度（Ｌｕｍ＝５，１０，３０，５０，７５［ｃｄ／ｍ2］：５種）毎に、テスト色の（ｘ，ｙ）色度で０．０１毎に変化させて入力値を作成し、その出力値より照明光毎のそれぞれの輝度においての中間ユニットの応答を求めた。この中間ユニットの応答から、それぞれのユニットが人間の色覚のどのような内部表現を表しているのか推測した。その結果、入力側中間層では、入力に対して線形な処理を行う中間ユニットが獲得されていた。また、出力側中間層ではほとんどの中間ユニットが入力される照明光が変化したときに出力値が変わり、さらにすべての照明光の場合においてテスト色の入力毎に違う出力値を出し、色空間を分割するようなはっきりとした境界線を示した。つまり、教師データの照明光に特化する中間ユニットは出現せず、全体として一般的な照明光に対して頑健な補正が行えるようになっていることがわかった。

このことは、図６に示す本発明の実験結果において、対比実験で正解率が低かった未知の照明光（ＤＬ５０００Ｋ〜ＤＬ６０００Ｋ等）での正解率が高いことによっても裏付けられる。

本発明では、ニューラルネットワークの構造として、入力側に照明光成分対応部分とテスト色成分対応部分を独立に設け、更にこれらの結合荷重を共通化しているので、入力側中間層の照明光成分対応部分による視覚系信号処理と、入力側中間層のテスト色成分対応部分による視覚系信号処理が同等となり、サンプル光に起因する信号群と照明光に起因する信号群の知覚的な意義が統一され、高次知覚における照射光の補正を機能的に実現できたことを意味する。

このように、比較実験との対比により本発明のニューラルネットワークが頑健な知覚系メカニズムを獲得したことがわかる。

最後に、カテゴリカル色知覚システムの構成について説明する。図１２に、学習に係る構成を示す。学習用神経回路網１２０１と学習用結合荷重データ記憶部１２０２を有している。学習用神経回路網１２０１は、前述の本発明に係る神経回路網を学習用として用いるものである。学習用結合荷重データ記憶部１２０２は、前述の本発明に係る神経回路網で獲得した結合荷重を記憶する記憶領域である。

学習用神経回路網１２０１は、少なくとも入力層と、入力側中間層と、前記入力側中間層と出力層の間に設けられた出力側中間層と、出力層の４層を有している。入力層は、実験環境における照明光の成分を入力する入力層照明光成分対応部分１０２と、当該照明光による色サンプルからの反射であるテスト色の成分を入力する入力層テスト色成分対応部分１０１とを有している。入力側中間層は、入力層テスト色成分対応部分１０１と結合せずに入力層照明光成分対応部分１０２と結合する入力側中間層照明光成分対応部分１０４と、入力層照明光成分対応部分１０２と結合せずに入力層テスト色成分対応部分１０１と結合する入力側中間層テスト色成分対応部分１０３とを有している。出力側中間層は、入力側中間層照明光成分対応部分１０４及び入力側中間層テスト色成分対応部分１０３と結合している。出力層は、カテゴリ色に対応するユニットを有している。前述の例では、４層としたが、５層以上であってもよい。追加される層は、入力層照明光成分対応部分１０２と入力側中間層照明光成分対応部分１０４の間及び入力層テスト色成分対応部分１０１と入力側中間層テスト色成分対応部分１０３の間に設けることが考えられる。その場合、照明光成分対応部分として追加される層と、テスト色成分対応部分として追加される層は、同じユニット数であり、同等の結合関係を有する。また、入力側中間層と出力側中間層の間、または出力側中間層と出力層の間に追加することも考えられる。

学習用結合荷重データ記憶部１２０２は、入力層照明光成分対応部分１０２と入力側中間層照明光成分対応部分１０４の間の結合に係る結合荷重と、入力層テスト色成分対応部分１０１と入力側中間層テスト色成分対応部分１０３の間の結合に係る結合荷重について、構成上対応する結合同士で共用の結合荷重を記憶するための共用結合荷重記憶領域を有している。他の結合荷重については、専用の結合荷重を記憶するための専用結合荷重記憶領域を有している。

図１３に、判定に係る構成を示す。判定用神経回路網１３０１と判定用結合荷重データ記憶部１３０２を有している。判定用神経回路網１３０１は、前述の本発明に係る神経回路網を判定用として用いるものである。判定用結合荷重データ記憶部１３０２は、学習用結合荷重データ記憶部１２０２で獲得した結合荷重を複製して記憶する領域である。つまり、判定用結合荷重データ記憶部１３０２は、学習用結合荷重データ記憶部１２０２と同じ結合荷重データを記憶している。

判定用神経回路網１３０１は、判定環境の環境光の成分を照明光色成分として入力し、当該判定環境下での判定対象からの反射色の成分をテスト色成分として入力し、判定用結合荷重データ記憶部１３０２に記憶した結合荷重に従って神経回路網演算処理を行い、処理結果として、観察者が当該判定環境下で当該判定対象から知覚すると予測されるカテゴリ色を出力するように動作する。このとき、出力層の複数のユニットのうち最も出力値の大きいユニットに対応するカテゴリ色を出力とする。つまり、出力層の複数のユニットの出力値を比較し、最大出力値のユニットに割り当てられているカテゴリ色を特定し、そのカテゴリ色を出力するカテゴリ色判定部を有している。

本発明に係るカテゴリカル色知覚システムは、コンピュータであり、各要素はプログラムにより処理を実行することができる。また、プログラムを記憶媒体に記憶させ、記憶媒体からコンピュータに読み取られるようにすることができる。コンピュータは、バスと、バスに接続する演算装置、メモリ、記憶媒体、データを入力する入力装置、及びデータを出力する出力装置を有している。学習用神経回路網、及び判定用神経回路網は、記憶媒体に記憶されているプログラムにより処理を実行することができ、それぞれのプログラムは、記憶媒体からバスを介してメモリにロードされ、演算装置はメモリにロードされたプログラムのコードを読み込み、順次コードの処理を実行する。上述の例では、学習用神経回路網と判定用神経回路網を別個に設けたが、共用する場合は同一の神経回路網を用いてもよい。また、上述の例では、学習用結合荷重データ記憶部と判定用結合荷重データ記憶部を別個に設けたが、共用する場合は同一の結合荷重データ記憶部を用いてもよい。学習用結合荷重データ記憶部と判定用結合荷重データ記憶部は、通常、上述の記憶媒体あるいはメモリに設けられる。カテゴリカル色知覚システムは、図１２及び図１３に示すように、更に、照明光の成分を入力する照明光成分入力部１２０３、テスト色の成分を入力するテスト成分入力部１２０４、カテゴリ色を特定する情報を入力するカテゴリ色入力部１２０５、判定環境の環境光の成分を入力する環境光入力部１３０３、判定環境下での判定対象からの反射色の成分を入力する反射色成分入力部１３０４、カテゴリ色を特定する情報を出力するカテゴリ色出力部１３０６を有している。更に、学習用結合荷重データ記憶部１２０２から判定用結合荷重データ記憶１３０２へ結合荷重データを複製する結合荷重データ複製部１２０６も有している。また、図１２に示したカテゴリカル色知覚システムのうち学習に係る構成と、図１３に示したカテゴリカル色知覚システムのうち判定に係る構成を別個のコンピュータとしてもよい。その場合には、学習に係る構成のコンピュータから判定に係る構成のコンピュータへ、可搬な記憶媒体あるいは通信媒体を介して結合荷重データを転送する。つまり、学習に係る構成のコンピュータは、学習用結合荷重データ記憶部１２０２から結合荷重データを読み出して出力する結合荷重データ出力部１２０７を有し、判定に係る構成のコンピュータは、結合荷重データを入力し、判定用結合荷重データ記憶部１３０２に記憶させる結合荷重データ入力部１３０５を有する。

本システムの目的は、多様な環境光の下で、各環境光の影響を排除した判定対象の本来の色をカテゴリとして識別することである。以下、本システムの構成の特徴と、その特徴による作用によってこの目的を達成していることを述べる。

Ａ．入力層照明光成分対応部分と入力側中間層照明光成分対応部分の結合、及び入力層テスト色成分対応部分と入力側中間層テスト色成分対応部分の結合について
これらの結合は、入力層に入力した光の成分を入力側中間層による新たな座標系の空間の成分へ展開する機能を有している。例では、入力光の成分は３つ（Ｌ錐体応答値、Ｍ錐体応答値、Ｓ錐体応答値）であり、その３次元空間中の入力光の成分を、４次元の別の座標系の空間の成分に変換している。入力光の成分のうちＬ錐体応答値とＭ錐体応答値は、比較的近い波長分布を示すが、Ｓ錐体応答値は、Ｌ錐体応答値及びＭ錐体応答値と遠い波長分布を有していることが知られている。従って、入力光の成分による空間は、スペクトル領域によって空間密度に斑があると推測される。しかし、本発明の目的に従ってすべてのスペクトル領域で正確に色知覚を行なうためには、密度の一様な空間中で操作を行なうことが望ましい。入力側中間層照明光成分対応部分と入力側中間層テスト色成分対応部分は、照明光とテスト色について全スペクトル領域で空間密度が一様となる座標系を得るために設けた。図６に示すように、ＤＬ５０００ＫからＤＬ２００００Ｋまでのいずれのスペクトルの照明光に対しても良好な判定結果が得られるのは、この構成に依るものと推測される。

例では、最適な形態として１次元増やし、３次元から高次元の４次元に変換したが、更に高次元に変換する場合や同次元に変換する場合にも、全スペクトル領域で空間密度が一様となる座標系を得ることが期待できる。つまり、入力側中間層照明光成分対応部分のユニット数（入力側中間層テスト色成分対応部分のユニット数も同じ）は、入力層照明光成
分対応部分のユニット数（入力層テスト色成分対応部分のユニット数も同じ）より１つ多い例の他、２つ以上多い形態あるいは同数の形態でも、本発明による効果が得られる。

Ｂ．入力層照明光成分対応部分と入力側中間層照明光成分対応部分の間の結合に係る結合荷重と、入力層テスト色成分対応部分と入力側中間層テスト色成分対応部分の間の結合に係る結合荷重が、構成上対応する結合同士で共用の結合荷重を用いることについて
共用の結合荷重を用いることによって、照明光とテスト色が同一の座標系の空間の成分に変換されることになる。つまり、入力側中間層照明光成分対応部分と入力側中間層テスト色成分対応部分の構成上対応する同種のユニット同士（例えば、図１の１０３のａと１０４のｅ、あるいは同じくｂとｆ）は、同じ座標軸を示すものである。このように、照明光とテスト色を同じ座標系の空間に展開することにより、照明光の影響を排除するメカニズムが得やすくなる。

Ｃ．入力側中間層と出力側中間層の結合について
この結合では、入力側中間層の変換されたテスト色成分から同じく照明光成分を差し引くことによって、照明光の影響を排除して色サンプル本来の色の成分を得ることを期待している。その為には、テスト色の成分を照明光の同種の成分によって打ち消される操作が行なわれるものと推測される。図７に示す通り、
・出力側中間層のユニットｂは、入力側中間層テスト色成分対応部分のユニットｃとのマイナスの結合を、入力側中間層照明光成分対応部分の構成上対応するユニットｇとのプラスの結合で相殺している。
・出力側中間層のユニットｄは、入力側中間層テスト色成分対応部分のユニットａとのプラスの結合を、入力側中間層照明光成分対応部分の構成上対応するユニットｅとのマイナスの結合で相殺している。
・出力側中間層のユニットｅは、入力側中間層テスト色成分対応部分のユニットｂとのマイナスの結合を、入力側中間層照明光成分対応部分の構成上対応するユニットｆとのプラスの結合で相殺している。
・出力側中間層のユニットｆは、入力側中間層テスト色成分対応部分のユニットｃとのマイナスの結合を、入力側中間層照明光成分対応部分の構成上対応するユニットｇとのプラスの結合で相殺している。
・出力側中間層のユニットｇは、入力側中間層テスト色成分対応部分のユニットｃとのプラスの結合を、入力側中間層照明光成分対応部分の構成上対応するユニットｇとのマイナスの結合で相殺している。

このようにして、出力側中間層では、照明光の影響を排除して本来の色成分がえられているものと推測される。

Ｄ.出力側中間層について
出力側中間層は、前述の通り本来の色成分を得るとともに、入力側中間層及び出力層をそれぞれ連結することにより、その色成分を基本カテゴリ色に対応付ける高次元な判定メカニズムを実現していると推測される。上述の通り各成分を相殺する為、つまり入力側中間層テスト色成分対応部分のユニットとの結合を、入力側中間層照明光成分対応部分のユニットとの結合で打ち消す為には、出力側中間層のユニットの数は、少なくとも成分の数、つまり入力側中間層テスト色成分対応部分のユニット数（入力側中間層照明光成分対応部分のユニット数も同じ）が必要であると考えられる。但し、上述の基本カテゴリ色との対応付けを行なうためには、更に多くのユニットが必要であり、加えて出力層のユニット数以下のユニット数であれば、本発明の効果が得られる。尚、実験によれば、例の通り７つのユニットを設けることが最適であった。

実施の形態２．
本実施の形態では、本発明のカテゴリカル色知覚システムをロボットに応用する形態について説明する。図１４は、カテゴリカル色知覚システムを適用したロボットの構成を示す図である。

ロボットは、ロボットの眼として環境光を撮り込む環境光入力用カメラ部１４０１と、環境光入力用カメラ部１４０１の出力信号から環境光の成分を抽出する環境光色成分センサー部１４０２と、判定対象物の反射光を撮り込む対象物撮影用カメラ部１４０３と、対象物撮影用カメラ部１４０３の出力信号から色成分を抽出する判断対象反射色成分センサー部１４０４と、環境光色成分センサー部１４０２の出力信号と断対象反射色成分センサー部１４０４の出力信号を入力して判定対象物のカテゴリ色を判定するカテゴリカル色知覚システム１４０５と、ロボットを制御するロボット制御部１４０６、ロボット制御部１４０６から制御情報を入力してモータなどの動作装置を駆動するロボット駆動部１４０７を有する。

動作は次の通りである。環境光入力用カメラ部１４０１は、環境光を撮り込み、環境光の受光信号を出力信号として出力する。環境光色成分センサー部１４０２は、環境光入力用カメラ部１４０１の出力した出力信号を入力し、その出力信号から環境光の色成分を抽出する。

また同時に対象物撮影用カメラ部１４０３は、判定対象物の反射光を撮り込み、判定対象物の反射光の受光信号を出力信号として出力する。判断対象反射色成分センサー部１４０４は、対象物撮影用カメラ部１４０３の出力した出力信号を入力し、その出力信号から反射光の色成分を抽出する。

カテゴリカル色知覚システム１４０５は、環境光色成分センサー部１４０２の出力である環境光の色成分と、判断対象反射色成分センサー部１４０４の出力である反射光の色成分を入力し、前述の通り判定対象物のカテゴリ色を判定する。

ロボット制御部１４０６は、カテゴリカル色知覚システム１４０５の出力であるカテゴリ色を入力し、そのカテゴリ色に従ってロボットを制御する制御信号を生成する。ロボット駆動部１４０７は、ロボット制御部１４０６の出力である制御信号を入力し、制御信号に従ってモータなどの動作装置を駆動する。

このロボットは、本発明に係るカテゴリカル色知覚システム１４０５を用いるので、多様な環境で人間の眼と同様の色判別ができることになる。例えば、環境光が一様でない場合でも、指示されたカテゴリ色の動体を追跡したり、把握する動作などができるようになる。

実施の形態３．
本実施の形態では、本発明のカテゴリカル色知覚システムを監視カメラシステムに応用する形態について説明する。図１５は、カテゴリカル色知覚システムを適用した監視カメラシステムの構成を示す図である。

監視カメラシステムは、前述と同様の環境光入力用カメラ部１４０１、環境光色成分センサー部１４０２、対象物撮影用カメラ部１４０３、判断対象反射色成分センサー部１４０４、及びカテゴリカル色知覚システム１４０５に加えて、監視カメラを制御する監視カメラ制御部１５０１、対象物撮影用カメラ部１４０３で撮影した映像を記録する映像記録部１５０２、監視カメラ制御部１５０１から出力される制御信号に従ってアラームを発生するアラーム発生部１５０３、及び監視カメラ制御部１５０１から出力される認識結果を記録する情報記録部１５０４を有する。

また同時に対象物撮影用カメラ部１４０３は、判定対象物の反射光を撮り込み、判定対象物の反射光の受光信号を出力信号として出力する。判断対象反射色成分センサー部１４０４は、対象物撮影用カメラ部１４０３の出力した出力信号を入力し、その出力信号をから反射光の色成分を抽出する。

監視カメラ制御部１５０１は、カテゴリカル色知覚システム１４０５の出力であるカテゴリ色を入力し、そのカテゴリ色に従って監視カメラを制御する制御信号を生成する。例えば、制御信号としてアラーム指示を出力する場合には、アラーム発生部１５０３は、アラーム指示に従ってアラームを発生させる。また、制御信号が認識結果を出力する場合には、情報記録部１５０４は、この認識結果を記録する。

この監視カメラシステムは、本発明に係るカテゴリカル色知覚システム１４０５を用いるので、多様な環境で人間の眼と同様の色判別ができることになる。例えば、環境光が一様でない場合でも、指示されたカテゴリ色の動体（例えば、赤い服を着た人）を認識した場合に、アラームを発生させたり、認識結果を記録する動作ができるようになる。

実施の形態４．
本実施の形態では、本発明のカテゴリカル色知覚システムを色彩コーディネートシュミレーションシステムに応用する形態について説明する。図１６は、カテゴリカル色知覚システムを適用した色彩コーディネートシュミレーションシステムの第一例の構成を示す図である。

色彩コーディネートシュミレーションシステムは、前述と同様の対象物撮影用カメラ部１４０３、判断対象反射色成分センサー部１４０４、及びカテゴリカル色知覚システム１４０５に加えて、カラーコーディネーションシミュレーション制御部１６０３、カラーコーディネーションシミュレーション制御部１６０３から入力される環境光情報から環境光色成分を生成する環境光色成分生成部１６０２、環境光を指定する情報を入力する入力部１６０１、シミュレーション結果などを表示する表示部１６０４を有する。

動作は次の通りである。入力部１６０１は、環境光の指定情報を入力する。環境光色成分生成部１６０２は、環境光の指定情報を環境光の色成分に変換する。

カテゴリカル色知覚システム１４０５は、環境光色成分生成部１６０２からの出力である環境光相当の環境光の色成分と、判断対象反射色成分センサー部１４０４からの出力である反射光の色成分を入力し、前述の通り判定対象物のカテゴリ色を判定する。

これによって、指定された環境光を想定して、対象物撮影カメラ部１４０３で撮影された対象物の色情報が、人間の目視によっていかなるカテゴリ色と判定されるかをシミュレーションできるようになる。

実施の形態５．
本実施の形態では、更に対象物の反射光を指定する形態について説明する。図１７は、カテゴリカル色知覚システムを適用した色彩コーディネートシュミレーションシステムの第二例の構成を示す図である。

入力部１６０１は、環境光を指定する情報と判定対象物の反射光を指定する情報を入力する。環境光色成分生成部１６０２は、環境光の指定情報を環境光の色成分に変換する。

また同時に判断対象反射色成分生成部１７０１は、判定対象物の反射光の指定情報を反射光の色成分に変換する。

カテゴリカル色知覚システム１４０５は、環境光色成分生成部１６０２からの出力である環境光相当の環境光の色成分と、判断対象反射色成分生成部１７０１からの出力である反射光の色成分を入力し、前述の通り判定対象物のカテゴリ色を判定する。

これによって、指定された環境光と判定対象物の反射光を想定して、対象物が、人間の目視によっていかなるカテゴリ色と判定されるかをシミュレーションできるようになる。

本発明に係るニューラルネットワーク構成を示す図である。ニューラルネットワークの学習に用いた照明光の色度を示す図である。ニューラルネットワークの学習に用いた照明光の分光分布を示す図である。本発明の実験における教師データに対する検証結果を示す図である。Ｄａｙｌｉｇｈｔデータの分光分布を示す図である。本発明の実験における未知の照明光に対する検証結果を示す図である。本発明の実験におけるニューラルネットワーク結合荷重を示す図である。対比実験に係るニューラルネットワーク構成を示す図である。対比実験における教師データに対する検証結果を示す図である。対比実験におけるニューラルネットワーク結合荷重を示す図である。対比実験における未知の照明光に対する検証結果を示す図である。カテゴリカル色知覚システムのうち学習に係る構成を示す図である。カテゴリカル色知覚システムのうち判定に係る構成を示す図である。カテゴリカル色知覚システムを適用したロボットの構成を示す図である。カテゴリカル色知覚システムを適用した監視カメラシステムの構成を示す図である。カテゴリカル色知覚システムを適用した色彩コーディネートシュミレーションシステムの第一例の構成を示す図である。カテゴリカル色知覚システムを適用した色彩コーディネートシュミレーションシステムの第二例の構成を示す図である。

符号の説明

１０１入力層テスト色成分対応部分、１０２入力層照明光成分対応部分、１０３入力側中間層テスト色成分対応部分、１０４入力側中間層照明光成分対応部分、１２０１学習用神経回路網、１２０２学習用結合荷重データ記憶部、１２０３照明光成分入力部、１２０４テスト色成分入力部、１２０５カテゴリ色入力部、１２０６結合荷重データ複製部、１２０７結合荷重データ出力部、１３０１判定用神経回路網、１３０２判定用結合荷重データ記憶部、１３０３環境光成分入力部、１３０４反射色成分入力部、１３０５結合荷重データ入力部、１３０６カテゴリ色出力部、１４０１環境光入力用カメラ部、１４０２環境光色成分センサー部、１４０３対象物撮影用カメラ部、１４０４判断対象反射色成分センサー部、１４０５カテゴリカル色知覚システム、１４０６ロボット制御部、１４０７ロボット駆動部、１５０１監視カメラ制御部、１５０２映像記録部、１５０３アラーム発生部、１５０４情報記録部、１６０１入力部、１６０２環境光色成分生成部、１６０３カラーコーディネーションシミュレーション制御部、１６０４表示部、１７０１判断対象反射色成分生成部。

Claims

判定環境における環境光の成分と、当該判定環境下での判定対象からの反射色の成分とを入力し、観察者が当該判定環境下で当該判定対象から知覚すると予測される、カテゴリ化された色名であるカテゴリ色を出力するカテゴリカル色知覚システムであって、以下の要素を有することを特徴とするカテゴリカル色知覚システム
（１）少なくとも入力層と、入力側中間層と、前記入力側中間層と出力層の間に設けられた出力側中間層と、出力層の４層を有し、入力層は、実験環境における照明光の成分を入力する入力層照明光成分対応部分と、当該照明光による色サンプルからの反射であるテスト色の成分を入力する入力層テスト色成分対応部分とを有し、入力層照明光成分対応部分及び入力層テスト色成分対応部分は、同じ方式の色成分を入力する同数のユニットを有し、入力側中間層は、入力層テスト色成分対応部分と結合せずに入力層照明光成分対応部分と結合する入力側中間層照明光成分対応部分と、入力層照明光成分対応部分と結合せずに入力層テスト色成分対応部分と結合する入力側中間層テスト色成分対応部分とを有し、入力側中間層照明光成分対応部分及び入力側中間層テスト色成分対応部分は、同数のユニットを有し、出力側中間層は、入力側中間層照明光成分対応部分及び入力側中間層テスト色成分対応部分と結合し、出力層は、カテゴリ色に対応する構成の学習用神経回路網に、学習用の照明光色成分と学習用のテスト色成分とを入力し、当該照明光の下で当該色サンプルから被験者が知覚した学習用のカテゴリ色を出力するように、入力層照明光成分対応部分と入力側中間層照明光成分対応部分の間の結合に係る結合荷重と、入力層テスト色成分対応部分と入力側中間層テスト色成分対応部分の間の結合に係る結合荷重とは、構成上対応する結合同士で共用の結合荷重を用い、誤差逆伝播法で学習させて得られた結合荷重を記憶した判定用結合荷重データ記憶部
（２）前記学習用神経回路網と同様の構成を有し、判定環境の環境光の成分を照明光色成分として入力し、当該判定環境下での判定対象からの反射色の成分をテスト色成分として入力し、入力層照明光成分対応部分と入力側中間層照明光成分対応部分の間の結合に係る結合荷重と、入力層テスト色成分対応部分と入力側中間層テスト色成分対応部分の間の結合に係る結合荷重とは、構成上対応する結合同士で共用の結合荷重を用い、判定用結合荷重データ記憶部に記憶した結合荷重に従って神経回路網演算処理を行い、処理結果として、観察者が当該判定環境下で当該判定対象から知覚すると予測されるカテゴリ色を出力する判定用神経回路網。
入力側中間層照明光成分対応部分のユニット数及び入力側中間層テスト色成分対応部分のユニット数は、入力層照明光成分対応部分のユニット数及び入力層テスト色成分対応部分のユニット数以上であることを特徴とする請求項１記載のカテゴリカル色知覚システム。
入力層照明光成分対応部分のユニット数及び入力層テスト色成分対応部分のユニット数は３であり、入力側中間層照明光成分対応部分のユニット数及び入力側中間層テスト色成分対応部分のユニット数は４であることを特徴とする請求項２記載のカテゴリカル色知覚システム。
出力側中間層のユニット数は、入力側中間層照明光成分対応部分のユニット数及び入力側中間層テスト色成分対応部分のユニット数以上であることを特徴とする請求項１記載のカテゴリカル色知覚システム。
出力側中間層のユニット数は、出力層のユニット数以下であることを特徴とする請求項４記載のカテゴリカル色知覚システム。
入力側中間層照明光成分対応部分のユニット数及び入力側中間層テスト色成分対応部分のユニット数は４であり、出力側中間層のユニット数は７であり、出力層のユニット数は１１であることを特徴とする請求項５記載のカテゴリカル色知覚システム。
以下の要素を有することを特徴とするロボット
（１）環境光を撮り込み、環境光の受光信号を第一の出力信号として出力する環境光入力用カメラ部
（２）第一の出力信号を入力し、第一の出力信号から環境光の色成分を抽出する環境光色成分センサー部
（３）判定対象物の反射光を撮り込み、判定対象物の反射光の受光信号を第二の出力信号として出力する対象物撮影用カメラ部
（４）第二の出力信号を入力し、第二の出力信号から反射光の色成分を抽出する判断対象反射色成分センサー部
（５）環境光の色成分と反射光の色成分を入力し、環境光の色成分と反射光の色成分に従って判定対象物のカテゴリ色を判定する請求項１記載のカテゴリカル色知覚システム
（６）カテゴリ色を入力し、カテゴリ色に基づいてロボットを制御する制御信号を生成するロボット制御部
（７）制御信号を入力し、制御信号に従って動作装置を駆動するロボット駆動部。
以下の要素を有することを特徴とする監視カメラシステム
（１）環境光を撮り込み、環境光の受光信号を第一の出力信号として出力する環境光入力用カメラ部
（２）第一の出力信号を入力し、第一の出力信号から環境光の色成分を抽出する環境光色成分センサー部
（３）判定対象物の反射光を撮り込み、判定対象物の反射光の受光信号を第二の出力信号として出力する対象物撮影用カメラ部
（４）第二の出力信号を入力し、第二の出力信号から反射光の色成分を抽出する判断対象反射色成分センサー部
（５）環境光の色成分と反射光の色成分を入力し、環境光の色成分と反射光の色成分に従って判定対象物のカテゴリ色を判定する請求項１記載のカテゴリカル色知覚システム
（６）カテゴリ色を入力し、カテゴリ色に基づいて監視カメラシステムを制御する制御情報を生成する監視カメラ制御部。
以下の要素を有することを特徴とする色彩コーディネートシミュレーションシステム
（１）環境光の指定情報を入力する入力部
（２）環境光の指定情報を環境光の色成分に変換する環境光色成分生成部
（３）判定対象物の反射光を撮り込み、判定対象物の反射光の受光信号を出力信号として出力する対象物撮影用カメラ部
（４）出力信号を入力し、出力信号から反射光の色成分を抽出する判断対象反射色成分センサー部
（５）環境光の色成分と反射光の色成分を入力し、環境光の色成分と反射光の色成分に従って判定対象物のカテゴリ色を判定する請求項１記載のカテゴリカル色知覚システム。
以下の要素を有することを特徴とする色彩コーディネートシミュレーションシステム
（１）環境光の指定情報と判定対象物の反射光の指定情報を入力する入力部
（２）環境光の指定情報を環境光の色成分に変換する環境光色成分生成部
（３）判定対象物の反射光の指定情報を反射光の色成分に変換する判断対象反射色成分生成部
（４）環境光の色成分と反射光の色成分を入力し、環境光の色成分と反射光の色成分に従って判定対象物のカテゴリ色を判定する請求項１記載のカテゴリカル色知覚システム。