JP4715389B2 - パターン認識方法及び装置及びプログラム - Google Patents

Description

本発明は、パターン認識方法及び装置及びプログラムに係り、特に、学習用データや時系列データに正解ラベルを付与することが煩雑もしくは付与することが困難である場合に対処するためのパターン認識方法及び装置及びプログラムに関する。

パターン認識における特徴量選択方法は大きく分けて２通りある。

一つ目は、主成分分析などを用いて、全てのデータにおいて主要な働きをする成分を取り出すものである。しかし、この手法は統計的に主要な働きをする特徴量を作り出すだけであり、出力のラベルは一切関知しない（例えば、非特許文献１参照）。

２つ目は、出力のラベルを用いてクラス内分散最小化、クラス間分散量最大化する特徴量を選択する方法である。これは、学習データについて正確なラベルが付与されていることが前提となる手法である。（例えば、非特許文献２、特許文献１参照）。
オーム社、「パターン認識」石井健一郎、上田修功、前田栄作、村瀬洋ｐ１０６ オーム社、「パターン認識」石井健一郎、上田修功、前田栄作、村瀬洋ｐ７３ 特開平７−１３４７７４号公報

しかしながら、上記従来の一つ目の方法は、正解のラベルの存在を完全に無視してしまうため、重要か否かがわからない特徴量を多数用意して適切な特徴量を選択する（作成する）用途には適さない。

また、二つ目の方法では、予め正解ラベルの付与されたデータが存在することが前提となり、正解ラベルが付与されていないデータには適用ができなかった。さらに正解を与える際に間違った正解ラベルを付与してしまうと認識が困難になる場合が存在する。

本発明は、上記の点に鑑みなされたもので、学習データや時系列データに対して正解ラベルを付与することなく、データの範囲の選択を不要とし、簡易な入力でパターン認識が可能なパターン認識方法及び装置及びプログラムを提供することを目的とする。

図１は、本発明の原理を説明するための図である。

本発明（請求項１）は、学習用データが格納された記憶手段と、検索対象データが格納された検索対象データ記憶手段と、複数の特徴抽出手段と、特徴組み合わせ手段と、クラスタリング手段と、検索対象候補生成手段と、特徴決定手段と、検索手段とを有する装置が実行するパターン認識方法であって、
複数の特徴抽出手段が、学習用データが記憶された記憶手段から学習用データを読み込んで、該学習用データの複数の特徴を抽出する特徴抽出ステップ（ステップ１）と、
特徴組み合わせ手段が、特徴抽出ステップで抽出された複数の特徴と該特徴それぞれを利用するか否かを示すフラグからなる暫定的な特徴とフラグの組み合わせを決定する特徴組み合わせステップ（ステップ２）と、
クラスタリング手段が、特徴組み合わせステップで決定された全ての暫定的な特徴とフラグの組み合わせを用いて、学習用データをクラスタリングするクラスタリングステップ（ステップ３）と、
検索対象候補生成手段が、ユーザから入力された学習用データ中に含まれる検索したい対象となるデータ（検索対象）として抽出すべき学習用データの数（以下、含有数と記す）を取得し、クラスタリングステップで取得したクラスタリング結果のうち該クラスタに属する学習用データの数が含有数と等しいクラスタリング結果を検索対象の候補として該ユーザが閲覧可能な表示装置に提示する検索対象候補生成ステップ（ステップ４）と、
特徴決定手段が、ユーザにより選択された検索対象の候補であるクラスタリング結果に対し、該クラスタリング結果を生み出す暫定的な特徴とフラグの組み合わせを求め、該組み合わせにおいて、該フラグによって利用することが指定されている特徴の組み合わせを、検索に必要な特徴として決定する特徴決定ステップ（ステップ５）と、
検索手段が、特徴決定ステップで決定された検索に必要な特徴に基づいて、検索対象データ記憶手段を検索し、検索結果を取得する検索ステップ（ステップ６）と、を行う。

本発明（請求項２）は、映像を含む時系列データが記憶された記憶手段と、検索対象データが格納された検索対象データ記憶手段と、複数の特徴抽出手段と、特徴組み合わせ手段と、クラスタリング手段と、検索対象候補生成手段と、特徴決定手段と、検索手段とを有する装置が実行するパターン認識方法であって、
複数の特徴抽出手段が、映像を含む時系列データが記憶された記憶手段から時系列データを読み込んで、該時系列データの複数の特徴を抽出する特徴抽出ステップと、
特徴組み合わせ手段が、特徴抽出ステップで抽出された複数の特徴から複数の特徴と該特徴それぞれを利用するか否かを示すフラグからなる暫定的な特徴とフラグの組み合わせを決定する特徴組み合わせステップと、
クラスタリング手段が、全ての暫定的な特徴とフラグの組み合わせを用いて、時系列データをクラスタリングするクラスタリングステップと、
検索対象候補生成手段が、ユーザから入力された時系列データ中に含まれる検索したい対象となるデータ（検索対象）として抽出すべき時系列データの数（以下、含有数と記す）を取得し、クラスタリングステップで取得したクラスタリング結果のうち該クラスタに属する学習用データの数が該含有数と等しいクラスタリング結果である映像区間を検索対象の候補として該ユーザが閲覧可能な表示装置に提示する検索対象候補生成ステップと、
特徴決定手段が、ユーザにより選択された検索対象の候補であるクラスタリング結果に対し、該クラスタリング結果を生み出す暫定的な特徴とフラグの組み合わせを求め、該組み合わせにおいて該フラグによって利用することが指定されている特徴の組み合わせを、検索に必要な特徴として決定する特徴決定ステップと、
検索手段が、特徴決定ステップで決定された検索に必要な特徴に基づいて、検索対象データ記憶手段を検索し、検索結果を取得する検索ステップと、
を行うことを特徴とするパターン認識方法。

また、本発明（請求項３）は、請求項１または請求項２のパターン認識方法であって、
特徴決定ステップにおいて、
ユーザから選択された検索対象の候補となるクラスタリング結果を生み出す暫定的な特徴とフラグの組み合わせを求め、
暫定的な特徴とフラグの組み合わせのうち、フラグが特徴を利用することを指し示している場合に対応する特徴の数の逆数を各特徴とフラグの組み合わせの評価値とし、
暫定的な特徴とフラグの組み合わせのうち、評価値の最も大きい特徴とフラグの組み合わせにおいて、該フラグによって利用することが指定されている特徴の組み合わせを、検索に必要な特徴とする。

また、本発明（請求項４）は、請求項１のパターン認識方法であって、
含有数の代わりに、学習用データ中に検索したい対象となるデータがどの程度含まれるかを示す含有率を用いる。

図２は、本発明の原理構成図である。

本発明（請求項５）は、パターン認識装置であって、
学習用データが格納記憶された記憶手段１と、
検索対象データが格納された検索対象データ記憶手段１３と、
記憶手段から学習用データを読み込んで、該学習用データの複数の特徴を抽出する複数の特徴抽出手段２と、
特徴抽出手段２で抽出された複数の特徴と該特徴それぞれを利用するか否かを示すフラグからなる暫定的な特徴とフラグの組み合わせを決定する特徴組み合わせ手段３と、
全ての暫定的な特徴とフラグの組み合わせを用いて、学習用データをクラスタリングするクラスタリング手段４と、
ユーザから入力された学習用データ中に含まれる検索したい対象となるデータ（検索対象）として抽出すべき学習用データの数（以下、含有数と記す）を取得し、クラスタリング手段４で取得したクラスタリング結果のうち該クラスタに属する学習用データの数が含有数と等しいクラスタリング結果を検索対象の候補として該ユーザが閲覧可能な表示装置に提示する検索対象候補生成手段５と、
ユーザから選択された検索対象の候補となるクラスタリング結果を生み出す暫定的な特徴とフラグの組み合わせを求め、該組み合わせにおいて、該フラグによって利用することが指定されている特徴の組み合わせを、検索に必要な特徴として決定する特徴決定手段９と、
特徴決定手段９で決定された検索に必要な特徴に基づいて、検索対象データ記憶手段を検索し、検索結果を取得する検索手段１０と、を有する。

本発明（請求項６）は、パターン認識装置であって、
映像を含む時系列データが格納された記憶手段と、
検索対象データが格納された検索対象データ記憶手段と、
記憶手段から時系列データを読み込んで、該時系列データの複数の特徴を抽出する複数の特徴抽出手段と、
特徴抽出手段で抽出された複数の特徴から複数の特徴と該特徴それぞれを利用するか否かを示すフラグからなる暫定的な特徴とフラグの組み合わせを決定する特徴組み合わせ手段と、
全ての暫定的な特徴とフラグの組み合わせを用いて、時系列データをクラスタリングするクラスタリング手段と、
ユーザから入力された時系列データ中に含まれる検索したい対象となるデータ（検索対象）として抽出すべき時系列データの数（以下、含有数と記す）を取得し、クラスタリング手段で取得したクラスタリング結果のうち該クラスタに属する学習用データの数が該含有数と等しいクラスタリング結果である映像区間を検索対象の候補として該ユーザが閲覧可能な表示装置に提示する検索対象候補生成手段と、
ユーザから選択された検索対象の候補となるクラスタリング結果を生み出す暫定的な特徴とフラグの組み合わせを求め、該組み合わせにおいて、該フラグによって利用することが指定されている特徴の組み合わせを、検索に必要な特徴として決定する特徴決定手段と、
特徴決定手段で決定された検索に必要な特徴に基づいて、検索対象データ記憶手段を検索し、検索結果を取得する検索手段と、を有する。

本発明（請求項７）は、請求項５または請求項６のパターン認識装置であって、
特徴決定手段９は、
ユーザから選択された検索対象の候補となるクラスタリング結果を生み出す暫定的な特徴とフラグの組み合わせを求め、
暫定的な特徴とフラグの組み合わせのうち、フラグが特徴を利用することを指し示している場合に対応する特徴の数の逆数を各特徴とフラグの組み合わせの評価値とし、該暫定的な特徴とフラグの組み合わせのうち、評価値の最も大きい特徴とフラグの組み合わせにおいて、該フラグによって利用することが指定されている特徴の組み合わせを、検索に必要な特徴とする手段を含む。

また、本発明（請求項８）は、含有数の代わりに、学習用データ中に検索したい対象となるデータがどの程度含まれるかを示す含有率を用いる。

本発明（請求項９）は、請求項５乃至８のいずれか１項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ためのパターン認識プログラムである。

上記のように本発明によれば、ユーザは、学習用データや時系列データにおいて、全ての学習用データに対して正解ラベルを付与する代わりに、学習用データや時系列データ中に検索したい対象となるデータがどの程度含まれるか、すなわち、含有数（または含有率）を入力する。本発明のパターン認識方法及び装置及びプログラムは、ユーザの入力した含有数（率）に応じた検索結果の候補を提示し、ユーザは候補のうち正解のものを入力する。全ての学習データや時系列データに正解ラベルを付与するという煩雑な作業の代わりに、この２ステップの簡易な入力により、パターン認識が可能となる。

以下、図面と共に本発明の実施の形態を説明する。

図３は、本発明の一実施の形態におけるパターン認識装置の構成を示す。

同図に示すパターン認識装置は、特徴抽出部２、特徴組み合わせ部３、クラスタリング部４、検索対象候補生成部５、検索対象含有数入力取得部６、検索結果提示部７、正回検索結果入力取得部８、特徴決定部９、検索部１０からなり、特徴抽出部２には、学習データを記憶する学習用データ記憶装置１が接続され、検索部１０には、検索対象データを蓄積する検索対象データ記憶装置１３が接続され、検索対象含有数入力取得部６には検索対象含有数入力装置１１が、正解検索結果入力取得部８には、正解検索結果入力装置１２が接続される。なお、同図の例では、検索対象含有数入力装置１１と正解検索結果入力装置１２の２つの入力装置が記載されているが、これは説明の都合上分けて記載しているに過ぎず、実質的には、マウスやキーボード等からなる１台の入力装置である。

特徴抽出部２は、複数の特徴抽出器からなり、特徴を抽出する。

特徴組み合わせ部３は、特徴抽出部２内の各特徴抽出器で抽出された特徴量を組み合わせる。

クラスタリング部４は、特徴組み合わせ部３で組み合わされた特徴量を用いてクラスタリングを行う。クラスタリングはどのようなアルゴリズムを用いても構わない。本明細書の実施の形態で用いたクラスタリングアルゴリズムは最近距離法である。

検索対象含有数入力取得部６は、ユーザから検索対象含有数入力装置１１から学習用データが検索対象を含む割合（数）の入力を受け付ける。

検索対象候補生成部５は、クラスタリング部４からのクラスタリング結果及び検索対象含有数入力取得部６からの検索対象含有数を取得して、検索対象候補を生成する。

検索対象候補提示部７は、検索対象候補生成部５で生成された検索対象候補をユーザに対してディスプレイ等の表示手段（図示せず）に提示する。

正解検索結果入力取得部８は、表示手段（図示せず）に提示した検索対象候補の中から正解検索結果入力装置１２を介してユーザによって入力される正解入力結果を取得する。

特徴決定部９は、検索対象候補提示部７及び正解検索結果入力取得部８からの入力により、検索対象及び検索に必要な特徴量を決定する。

検索部１０は、特徴決定部９により決定した特徴量によって検索対象データ記憶装置１３を検索し、検索結果を取得する。

次に、上記の構成における動作を説明する。

図４は、本発明の一実施の形態におけるパターン認識方法の動作のフローチャートである。

ステップ１０１） 特徴抽出部２の各々の特徴抽出器は、学習用データ記憶装置１から学習用データを読み込む。

ステップ１０２） 特徴抽出部２は、各特徴抽出器毎に特徴抽出を行う。特徴抽出は既存の方法により、本発明では特に限定しない。

ステップ１０３） 特徴組み合わせ部３において、ステップ１０２において各々の特徴抽出器で求めた複数の特徴のうち、以降のステップで利用する暫定の特徴の組み合わせを決定する。

ステップ１０４） クラスタリング部４は、ステップ１０３で決定した特徴の組み合わせを用いてクラスタリングを行い、クラスタリングの結果を検索対象候補生成部５に出力する。

ステップ１０５） 検索対象含有数入力取得部６は、当該パターン認識を行うユーザが検索対象含有数入力装置１１から入力した検索対象含有数（率）を取得する。

ステップ１０６） 検索対象候補生成部５は、検索対象含有数入力取得部６からの入力と、クラスタリング結果から検索結果候補を生成し、検索結果提示部７に渡す。

ステップ１０７） 検索結果候補をユーザのディスプレイ（図示せず）に表示する。

ステップ１０８） ユーザがディスプレイ（図示せず）に表示された検索結果候補を目視により確認した後、正解を正解検索結果入力装置１２から入力すると、正解検索結果入力取得部８は、正解入力を受け取り、特徴決定部９に出力する。ここで、正解入力とは、求めるクラスタリング結果を指す。

ステップ１０９） 特徴決定部９は、検索結果提示部７からの検索結果候補と正解検索結果入力取得部８から取得した正解入力から検索に適切な特徴量を決定する。

ステップ１１０） 検索部１０は、特徴決定部９で決定された特徴量を用いて、検索対象データ記憶装置１３を検索し、検索結果をディスプレイ（図示せず）等に出力する。

次に、上記のステップ１０９の動作を詳細に説明する。

図５は、本発明の一実施の形態における特徴決定部の動作のフローチャートである。

ステップ９０１） ユーザが求めるクラスタリング結果を生み出す特徴量の組み合わせ（特徴量セット）を求める。

ステップ９０２） ステップ９０１で求められた特徴量セットのうち利用する特徴量の数の逆数を各特徴量セットの評価値とする。なお、当該処理で評価値が与えられる特徴量セットは、まず、ステップ９０１において適切なクラスタリング結果を有すると判断された特徴量セットのみになる。

ステップ９０３） 評価値の最もよい特徴量セットを求める。

ステップ９０４） 最良の評価値を持つ特徴量セットが複数存在する場合は、ステップ９０６に移行する。

ステップ９０５） 特徴量セットを検索部１０に出力する。

ステップ９０６） 複数の特徴量セットをユーザに提示する。

ステップ９０７） ユーザが提示された特徴量セットの中から利用する特徴量セットを選択する。選択された特徴量セットを検索部１０に出力する。

以下に、本発明の実施例を具体的な例を用いて説明する。

［第１の実施例］
本実施例では、上記の実施の形態の動作に沿って具体的な例を説明する。

以下では、上記のステップ１０１及びステップ１０２が終了した状態、つまり、学習用データ記憶装置１から特徴を抽出した状態を以下に示す。なお、以下に示すデータは、文献「T.コホネン著、徳高平蔵、岸田悟、藤村喜久郎訳、「自己組織化マップ」Springer pp.152 表３，４」よりの抜粋である。

第１カラム（：の左側）は、動物のＩＤである。以降、
１：小さい
２：中くらい
３：大きい
４：２本足
５：４本足
６：毛を持つ
７：ひずめを持つ
８：たてがみを持つ
９：羽をもつ
Ａ：狩猟を好む
Ｂ：走ることを好む
Ｃ：飛ぶことを好む
Ｄ：泳ぐことを好む
の各項目に関して、当てはまる場合には「１」、当てはまらない場合は「０」が記載されている。

ここで、課題として、上記１６種類の動物のうち、鳥を探していきたいが、鳥を識別するために適切な特徴はどれか（どれを組み合わせればよいか）は分からないが、１６種類の動物のうち、鳥は７種類含んでいる、と仮定する。今、鳥を探すために適切な特徴を組み合わせを求めたい。

ここで、上記の表１では、特徴抽出部２の特徴抽出器が１からＤまでの１３種類存在している。

ステップ１０３において、特徴組み合わせ部３が、特徴抽出部２の特徴抽出器から出力された各特徴を利用するか否かを決定する。この例においては、各特徴について利用するか否かの「１」「０」のフラグを付与し、全ての組み合わせを試す。すなわち、ここでは、２の13乗通りの組み合わせを試すことになる。

ステップ１０４において、クラスタリング部４が、クラスタリングを行う。ここで、クラスタリングは、最小距離法を用いるものとする。また、クラスタリングの終了条件は、クラスタ数が「１」になることとしたが、クラスタ間距離の変化が閾値以上あった場合は、クラスタリング結果の候補として出力するものとする。

ここで、前提として、鳥が７種類含まれていることがわかる。ユーザは検索対象含有数入力装置１１から検索対象含有数として「７」を入力する。そこで、ステップ１０６において検索対象含有数入力取得部６が取得する含有数は「７」となる。

ステップ１０７では、検索対象候補生成部５は、前述のステップ１０４において、クラスタの要素数が「７」となったクラスタリング結果を取得し、検索結果提示部７に出力し、検索結果提示部７では、ユーザに対して当該クラスタリング結果を提示する。

ここで、実際にクラスタ要素数「７」として得られたクラスタリング結果とその時に用いられた特徴量の状況のフラグを示す。但し、同じクラスタリング結果を複数の特徴量の状況から得られた場合、利用する特徴量が少ないものを（同数の場合には全て）提示するものとする。

はと めんどり あひる がちょう ふくろう たか わし
００００００００１００００→羽
０００００１０００００００→毛
００００１００００００００→４本足
０００１０００００００００→２本足
はと めんどり あひる がちょう ふくろう たか ねこ
１００００００００００００→小さい
めんどり きつね いぬ おおかみ ねこ トラ ライオン
００００００１００００１０→ひずめ＆飛べる
めんどり ねこ トラ ライオン うま しまうま うし
０１０００００００００１０→中ぐらい＆飛べる
はと めんどり あひる がちょう うま しまうま うし
０１０００００００１０００→中ぐらい＆狩猟
はと めんどり ふくろう たか わし キツネ ねこ
００１０００００００１０１→大きい＆走ることが好き＆泳ぐ
はと めんどり ふくろう たか ねこ トラ うし
０１００００００００１０１→中ぐらい＆走ることが好き＆泳ぐ
０１０００００１００００１→中ぐらい＆たてがみ＆泳ぐ
はと めんどり ふくろう たか ねこ トラ ライオン
０１００００１０００００１→中ぐらい＆ひずめ＆泳ぐ
上記の例では、７種類の動物を選ぶクラスタリング結果としては、８通りの選び方が存在しており、各々その選び方を可能とする特徴量の選択方法があることがわかる。

上記の例において、鳥の選び方は、最初の例が正しいため、ステップ１０８でユーザが選択する組は、最初の組となる。これにより、正解検索結果入力取得部８は、上記でユーザにより選択された最初の組を取得する。ステップ１０９において、そのときに用いられる特徴量の選び方として、
羽がある
：
２本足の動物
が想定される。

ステップ１１０において、検索部１０は、今回の例では存在していないが、ステップ１０９によって決定した特徴量を用いて、検索対象データ記憶装置１３の検索対象のデータ全てを検索することによって動物の中から全ての鳥を検索し、出力する。

［第２の実施例］
本実施例では、本システムを時系列データの検索へ拡張した例を説明する。

例えば、ゴルフ映像からゴルフスイングシーンのみを検索するような場合である。時系列データにおいては、正解も時系列データとして用意することが必要であり、その正解部分の指定が困難であることが多い。正解の時間幅を広く設定しすぎてしまうと、検出漏れの可能性が高くなり、また狭く設定しすぎてしまうと誤検出の可能性が高くなってしまう。

以下では、上記のような問題を解決するものである。

本実施例では、前述の実施の形態における図４のフローチャートに沿って説明する。

まず、ゴルフスイングの回数が既知である映像を学習用として学習用データ記憶装置１に用意する。

ステップ１０１において、特徴抽出部２は、学習用データ記憶装置１から映像を読み込み、分析時間幅に分割する。これが第１の実施例における動物に相当する。

ステップ１０２において、特徴抽出部２が分析時間幅毎に、パワー、ＭＦＣＣ、動き特徴など様々な特徴抽出を行う。

ステップ１０３において、特徴組み合わせ部３が、ステップ１０２で抽出された特徴の組み合わせを決定する。

ステップ１０４において、クラスタリング部４がクラスタリングを行う。

ステップ１０６において、ユーザが検索対象含有数入力装置１１から検索対象含有数として、既知であるゴルフスイングの回数を入力する。

ステップ１０７において、検索結果提示部７が、入力された回数に相当するクラスタリング結果を持つ映像区間をユーザのディスプレイ（図示せず）に提示する。

ステップ１０８において、ユーザは、提示された映像を確認し、正しくゴルフスイングを提示しているものを選択する。これにより、正解検索結果入力取得部８は、選択された映像区間を取得する。

ステップ１０９において、特徴決定部９は、ステップ１０４で得られたクラスタリングの結果とステップ１０８で得られた映像区間から特徴量を決定する。

ステップ１１０において、検索部１０は決定された特徴量に基づいて検索対象データ記憶装置１３の全ての映像区間に対して検索を行い、検索結果を出力する。

上記の例は、例えば、当該ゴルフ映像にゴルフスイングが４スイング入っているような場合、一般にはスイングなどの動作について正確に定義するのは困難である。そこで、本実施例では、映像全体とその中の映像中のスイングの回数「４」を入力することにより、同じ様な特徴量の状況が４回程度出現する映像の区間を見つけるものである。

また、本実施例では、時系列データとして映像データの例を示しているが、この例に限定されることなく、音声データや、株価の変動などの数値的なデータであってもよい。

なお、上記の第１の実施例、第２の実施例では、検索対象含有数入力装置１１から含有数が入力される例を示しているが、この例に限定されることなく、例えば、レントゲン写真が１００枚存在していて、２割の写真には腫瘍が存在するような場合には、含有率として２０％を入力するようにしてもよい。

上記のように、本発明では、クラスタリングによりデータ（学習データまたは、時系列データ）から同じような状況を集め、ユーザに提示し、ユーザから入力される含有数（率）に当てはまる部分や区間を取り出して提示することにより、ユーザの求める正解を得ることができる。

上記の図３に示すパターン認識装置の構成をプログラムとして構築し、パターン認識装置として利用されるコンピュータにインストールして実行する、または、ネットワークを介して流通させることが可能である。

また、構築されたプログラムをディスク装置や、フレキシブルディスク、ＣＤ−ＲＯＭ等の可搬記憶媒体等のコンピュータ読み取り可能な記録媒体に格納し、コンピュータにインストールして実行させる、または、配布することが可能である。

なお、本発明は、上記の実施の形態及び実施例に限定されることなく、特許請求の範囲内において種々変更・応用が可能である。

本発明は、学習用データや時系列データを用いたパターン認識技術に適用可能である。

本発明の原理を説明するための図である。 本発明の原理構成図である。 本発明の一実施の形態におけるパターン認識装置の構成図である。 本発明の一実施の形態におけるパターン認識方法の動作のフローチャートである。 本発明の一実施の形態における特徴決定部の動作のフローチャートである。

符号の説明

１ 記憶手段、学習用データ記憶装置
２ 特徴抽出手段、特徴抽出部
３ 特徴組み合わせ手段、特徴組み合わせ部
４ クラスタリング手段、クラスタリング部
５ 検索対象候補生成手段、検索対象候補生成部
６ 検索対象含有数入力取得部
７ 検索結果提示部
８ 正解検索結果入力取得部
９ 特徴決定手段、特徴決定部
１０ 検索手段、検索部
１１ 検索対象含有数入力装置
１２ 正解検索結果入力装置
１３ 検索対象データ記憶手段、検索対象データ記憶装置

Claims (9)

1. 学習用データが格納された記憶手段と、検索対象データが格納された検索対象データ記憶手段と、複数の特徴抽出手段と、特徴組み合わせ手段と、クラスタリング手段と、検索対象候補生成手段と、特徴決定手段と、検索手段とを有する装置が実行するパターン認識方法であって、
   前記複数の特徴抽出手段が、前記学習用データが記憶された記憶手段から学習用データを読み込んで、該学習用データの複数の特徴を抽出する特徴抽出ステップと、
   前記特徴組み合わせ手段が、前記特徴抽出ステップで抽出された前記複数の特徴と該特徴それぞれを利用するか否かを示すフラグからなる暫定的な特徴とフラグの組み合わせを決定する特徴組み合わせステップと、
   前記クラスタリング手段が、前記特徴組み合わせステップで決定された全ての前記暫定的な特徴とフラグの組み合わせを用いて、前記学習用データをクラスタリングするクラスタリングステップと、
   前記検索対象候補生成手段が、ユーザから入力された前記学習用データ中に含まれる検索したい対象となるデータ（検索対象）として抽出すべき学習用データの数（以下、含有数と記す）を取得し、前記クラスタリングステップで取得したクラスタリング結果のうち該クラスタに属する学習用データの数が前記含有数と等しいクラスタリング結果を検索対象の候補として該ユーザが閲覧可能な表示装置に提示する検索対象候補生成ステップと、
   前記特徴決定手段が、前記ユーザにより選択された検索対象の候補であるクラスタリング結果に対し、該クラスタリング結果を生み出す前記暫定的な特徴とフラグの組み合わせを求め、該組み合わせにおいて前記フラグによって利用することが指定されている特徴の組み合わせを、検索に必要な特徴として決定する特徴決定ステップと、
   前記検索手段が、前記特徴決定ステップで決定された検索に必要な特徴に基づいて、前記検索対象データ記憶手段を検索し、検索結果を取得する検索ステップと、
   を行うことを特徴とするパターン認識方法。
2. 映像を含む時系列データが記憶された記憶手段と、検索対象データが格納された検索対象データ記憶手段と、複数の特徴抽出手段と、特徴組み合わせ手段と、クラスタリング手段と、検索対象候補生成手段と、特徴決定手段と、検索手段とを有する装置が実行するパターン認識方法であって、
   前記複数の特徴抽出手段が、前記映像を含む時系列データが記憶された記憶手段から時系列データを読み込んで、該時系列データの複数の特徴を抽出する特徴抽出ステップと、
   前記特徴組み合わせ手段が、前記特徴抽出ステップで抽出された前記複数の特徴から前記複数の特徴と該特徴それぞれを利用するか否かを示すフラグからなる暫定的な特徴とフラグの組み合わせを決定する特徴組み合わせステップと、
   前記クラスタリング手段が、全ての前記暫定的な特徴とフラグの組み合わせを用いて、前記時系列データをクラスタリングするクラスタリングステップと、
   前記検索対象候補生成手段が、ユーザから入力された前記時系列データ中に含まれる検索したい対象となるデータ（検索対象）として抽出すべき時系列データの数（以下、含有数と記す）を取得し、前記クラスタリングステップで取得したクラスタリング結果のうち該クラスタに属する学習用データの数が前記該含有数と等しいクラスタリング結果である映像区間を検索対象の候補として該ユーザが閲覧可能な表示装置に提示する検索対象候補生成ステップと、
   前記特徴決定手段が、前記ユーザにより選択された検索対象の候補であるクラスタリング結果に対し、該クラスタリング結果を生み出す前記暫定的な特徴とフラグの組み合わせを求め、該組み合わせにおいて該フラグによって利用することが指定されている特徴の組み合わせを、検索に必要な特徴として決定する特徴決定ステップと、
   前記検索手段が、前記特徴決定ステップで決定された検索に必要な特徴に基づいて、前記検索対象データ記憶手段を検索し、検索結果を取得する検索ステップと、
   を行うことを特徴とするパターン認識方法。
3. 前記特徴決定ステップにおいて、
   前記ユーザから選択された検索対象の候補となるクラスタリング結果を生み出す前記暫定的な特徴とフラグの組み合わせを求め、
   前記暫定的な特徴とフラグの組み合わせのうち、前記フラグが特徴を利用することを指し示している場合に対応する特徴の数の逆数を各特徴とフラグの組み合わせの評価値とし、
   前記暫定的な特徴とフラグの組み合わせのうち、前記評価値の最も大きい特徴とフラグの組み合わせにおいて、該フラグによって利用することが指定されている特徴の組み合わせを、前記検索に必要な特徴とする、
   請求項１または２記載のパターン認識方法。
4. 前記含有数の代わりに、前記学習用データ中に検索したい対象となるデータがどの程度含まれるかを示す含有率を用いる、請求項１記載のパターン認識方法。
5. パターン認識装置であって、
   学習用データが格納記憶された記憶手段と、
   検索対象データが格納された検索対象データ記憶手段と、
   前記記憶手段から学習用データを読み込んで、該学習用データの複数の特徴を抽出する複数の特徴抽出手段と、
   前記特徴抽出手段で抽出された前記複数の特徴と該特徴それぞれを利用するか否かを示すフラグからなる暫定的な特徴とフラグの組み合わせを決定する特徴組み合わせ手段と、
   全ての前記暫定的な特徴とフラグの組み合わせを用いて、前記学習用データをクラスタリングするクラスタリング手段と、
   ユーザから入力された前記学習用データ中に含まれる検索したい対象となるデータ（検索対象）として抽出すべき学習用データの数（以下、含有数と記す）を取得し、前記クラスタリング手段で取得したクラスタリング結果のうち該クラスタに属する学習用データの数が前記含有数と等しいクラスタリング結果を検索対象の候補として該ユーザが閲覧可能な表示装置に提示する検索対象候補生成手段と、
   前記ユーザから選択された検索対象の候補となるクラスタリング結果を生み出す前記暫定的な特徴とフラグの組み合わせを求め、該組み合わせにおいて、該フラグによって利用することが指定されている特徴の組み合わせを、検索に必要な特徴として決定する特徴決定手段と、
   前記特徴決定手段で決定された検索に必要な特徴に基づいて、前記検索対象データ記憶手段を検索し、検索結果を取得する検索手段と、
   を有することを特徴とするパターン認識装置。
6. パターン認識装置であって、
   映像を含む時系列データが格納された記憶手段と、
   検索対象データが格納された検索対象データ記憶手段と、
   前記記憶手段から時系列データを読み込んで、該時系列データの複数の特徴を抽出する複数の特徴抽出手段と、
   前記特徴抽出手段で抽出された前記複数の特徴から前記複数の特徴と該特徴それぞれを利用するか否かを示すフラグからなる暫定的な特徴とフラグの組み合わせを決定する特徴組み合わせ手段と、
   全ての前記暫定的な特徴とフラグの組み合わせを用いて、前記時系列データをクラスタリングするクラスタリング手段と、
   ユーザから入力された前記時系列データ中に含まれる検索したい対象となるデータ（検索対象）として抽出すべき時系列データの数（以下、含有数と記す）を取得し、前記クラスタリング手段で取得したクラスタリング結果のうち該クラスタに属する学習用データの数が前記該含有数と等しいクラスタリング結果である映像区間を検索対象の候補として該ユーザが閲覧可能な表示装置に提示する検索対象候補生成手段と、
   前記ユーザから選択された検索対象の候補となるクラスタリング結果を生み出す前記暫定的な特徴とフラグの組み合わせを求め、該組み合わせにおいて、該フラグによって利用することが指定されている特徴の組み合わせを、検索に必要な特徴として決定する特徴決定手段と、
   前記特徴決定手段で決定された検索に必要な特徴に基づいて、前記検索対象データ記憶手段を検索し、検索結果を取得する検索手段と、
   を有することを特徴とするパターン認識装置。
7. 前記特徴決定手段は、
   前記ユーザから選択された検索対象の候補となるクラスタリング結果を生み出す前記暫定的な特徴とフラグの組み合わせを求め、
   前記暫定的な特徴とフラグの組み合わせのうち、前記フラグが特徴を利用することを指し示している場合に対応する特徴の数の逆数を各特徴とフラグの組み合わせの評価値とし、該暫定的な特徴とフラグの組み合わせのうち、評価値の最も大きい特徴とフラグの組み合わせにおいて、該フラグによって利用することが指定されている特徴の組み合わせを、前記検索に必要な特徴とする手段を含む、
   請求項５または６記載のパターン認識装置。
8. 前記含有数の代わりに、前記学習用データ中に検索したい対象となるデータがどの程度含まれるかを示す含有率を用いる、請求項５記載のパターン認識装置。
9. 請求項５乃至８のいずれか１項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ためのパターン認識プログラム。

Images