JP5349622B2

JP5349622B2 - パターン識別装置

Info

Publication number: JP5349622B2
Application number: JP2011553627A
Authority: JP
Inventors: 寛服部
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2010-02-10
Filing date: 2010-02-10
Publication date: 2013-11-20
Anticipated expiration: 2030-02-10
Also published as: US9064156B2; US20130034296A1; JPWO2011099072A1; WO2011099072A1

Description

本発明は、画像に含まれる物体の識別を行うパターン識別技術に関する。

非特許文献１には、画像から人間とそれ以外を区別するためのパターン認識（パターン識別）における特徴量抽出方法が開示されている。より詳細には、画像を複数の格子状の領域に分割し、領域毎に算出した輝度勾配方向のヒストグラムを特徴量としている。

また、特許文献１及び非特許文献２には、テクスチャ画像の種類を分類するための特徴量抽出方法が記載されている。特許文献１の技術は、画像の濃度ｉの点から一定の距離と方向に平行移動した点の濃度がｊである組み合わせの数Ｐ（ｉ，ｊ）を要素とする同時生起行列を特徴量としている。テクスチャ画像では等距離毎に類似した模様が繰り返し現れるため、等距離離れた２点における濃度値の同時生起を表す特徴量はテクスチャの識別に有効である。非特許文献２の技術は、画像の濃度値の代わりに、輝度勾配方向の同時生起行列を用いることで、照明変動に対してロバストな特徴量を抽出している。

特開２０００−２０７５６６号公報 Navneet Dalal,and Bill Triggs,"Histograms of oriented grad ients for human detectiom," CVPR 2005, vol.1,pp.886-893,2005. Rami Rautkorpi and Jukka Iivarinen,"A Novel Shape Feature for Image Classification and Retrieval," Proceedings of the International Conf erence on Image Analysis and Recognition,LNCS 3211,Part I,pages 753-760,Port o,Portugal,September 29-October 1,2004. T.Watanabe, S.Ito, K..Yokoi "Co-occurrence Histograms of Oriented Gradients for Pedestrian Detection Third Pacific Rim Symposium", PSIVT 2009 pp. 37-47

非特許文献１の技術では、格子状に区切った領域毎に輝度勾配分布を算出するので、領域内のテクスチャの構造情報が特徴量に反映されない。例えば、同一格子内において上下反対の模様であっても、その領域からは全く同一の特徴量が算出されることになり、識別に有効な情報が失われるという問題点があった。

また、特許文献１及び非特許文献２の技術で算出される特徴量は、空間位置が異なる２点の輝度あるいは輝度勾配に基づくので、構造に関する情報もある程度反映される。しかしながら、２次元の画像に基づく特徴量であるため、物体の３次元形状を記述した特徴量でないという問題点があった。

そこで本発明は、上記問題点を解決するためになされたものであって、３次元画像データに対してより高い識別性能を有するパターン識別装置を提供することを目的としている。

本発明の一態様に係るパターン識別装置は、３次元画像データにおける３次元空間中に少なくとも一つの領域を設定する設定部と、前記３次元画像データの画素毎に画素特徴量を算出する特徴量算出部と、（１）前記領域内の３次元座標上の注目点から特定の写像によって位置が変位する前記領域内の３次元座標上の点を少なくとも１つ求め、（２）前記領域内の前記注目点の画素特徴量と、前記写像した各点の画素特徴量との組み合わせの発生頻度を表す共起行列を算出する行列算出部と、前記特定の写像と前記共起行列との組合せと、予め学習した検出対象物の学習サンプルに基づいて、前記領域内に前記検出対象物が撮像されているか否かを識別する識別部とを有する。

本発明によれば、３次元画像データに対して高い識別性能を有する。

本発明の一実施例を示すパターン識別装置の適用例の説明図。パターン識別装置の構成図。ステレオ画像の例を説明するための図。候補矩形生成法を説明するための第１の図。座標系を説明するための図。視差計算を説明するための図。候補矩形生成法を説明するための第２の図。領域に対して定義するメッシュを説明するための図。輝度勾配方向を説明するための図。変位ベクトルを説明するための図。輝度勾配方向の画像内の共起ヒストグラムを説明するための図。

以下、本発明の一実施例のパターン識別装置１０について図面を参照して説明する。

本実施例では、図１に示すように、自動車の前方に２台のカメラを搭載し、自車の進行方向に存在する歩行者を検出することを想定している。

パターン識別装置１０の構成について図２を参照して説明する。図２は、パターン識別装置１０のブロック図を示す。パターン識別装置１０は、第１入力部１４、第２入力部１６、第１記憶部１８、第２記憶部２０、特徴抽出装置１２とを有する。特徴抽出装置１２は、設定部２２、正規化部２４、特徴量算出部２６、行列算出部２８、識別部３０、出力部３２を有する。

第１入力部１４、第２入力部１６は、２台のカメラを用いて撮影視点が異なるステレオ画像を入力する。撮像視野に重なりがあれば複数のカメラの互いの位置や方向は任意であるが、本実施例では、同一の２台のカメラを左右平行に配置してステレオ画像を撮影するものとする。

図５に本実施例で使用する座標系を示す。座標系は、ステレオカメラ座標系と画像座標系からなる。

ステレオカメラ座標系は、３次元座標であり、その原点Ｏを右カメラの視点（レンズ中心）にとり、左右カメラの視点を結ぶ直線をＸ軸、鉛直下向きにＹ軸、カメラの光軸方向にＺ軸を設定する。カメラ間の距離（基線長）をＢとする。左カメラの位置は、（−Ｂ，０，０）と表せる。簡単のため、道路面を平面でモデル化し、かつ、水平方向の傾斜が微小であるとして無視すると、道路平面は、ステレオカメラ座標系においてＹ＝αＺ＋βと表記される。αは、ステレオカメラから見た道路平面の傾斜を表し、βは、ステレオカメラの路面からの高さを表す。以下では、α，βを合わせて路面パラメータと呼ぶ。一般に道路の傾斜は場所毎に異なり、かつ、車両走行時にはカメラが振動するため、路面パラメータは車両の移動に伴って時々刻々変化する。

画像座標系は、２次元座標であり、各画像に設定するものである。画像座標系は、右画像の水平方向にｘ軸、垂直方向にｙ軸を設定し、同様に、左画像の水平方向にｘ’軸、垂直方向にｙ’軸を設定し、左右画像の水平方向ｘ軸、ｘ’軸は、Ｘ軸方向と一致するものとする。このような場合、右画像上の点（ｘ，ｙ）の左画像上の対応点を（ｘ’，ｙ’）とすると、ｙ＝ｙ’となるので、水平方向の位置の違いのみを考えれば良い。以下ではこの水平方向の違いを「ステレオ視差」と呼び、右画像を基準画像として、視差ｄ＝ｘ’−ｘと表記する。ステレオ視差は、以下では単に「視差」という
第１記憶部１８、第２記憶部２０は、第１入力部１４、第２入力部１６で取得した２枚のステレオ画像のデータを記憶する。

設定部２２は、図２に示すように、視差計算部２２１、パラメータ計算部２２２、生成部２２３を有し、道路上に存在する立体物を候補領域として抽出する。候補領域は図３の点線矩形が示すように、立体物をどちらか一方の画像上で、もしくは、左右両方の画像上で抽出する。以下にその詳細を説明する。

視差計算部２２１は、第１記憶部１８、第２記憶部２０で記憶しているステレオ画像間の視差ｄを計算する。

図６に示すように、視差計算部２２１は、基準画像である右画像の任意の点ｘ＝（ｘ，ｙ）に対し、左画像上の同一の走査線上を探索して対応点ｘ’＝（ｘ’，ｙ）^Ｔ＝（ｘ＋ｄ，ｙ）を求める。この場合の視差ｄは、非負、すなわち、ｄ≧０となるので、視差計算部２２１は、探索の際には同一座標より右側のみを調べれば良い。より具体的には、図６のように、視差計算部２２１は、右画像上の点ｘの周囲にウィンドウを設定し、その内部の輝度パターンと最も類似した輝度パターンを同じサイズのウィンドウ内に持つ点を左画像の同一走査線から求める。輝度パターンの類似性の評価尺度としては、例えば正規化相互相関Ｃを用いる。視差計算部２２１が、探索ウィンドウのサイズを（２ｗ＋１）×（２ｗ＋１）画素と設定し、左右画像に設定したウィンドウ内の輝度を各々ｆ（ξ，η），ｇ（ξ，η）と表現すると、正規化相互相関Ｃは次の式（１）で与えられる。

Ｎ＝（２ｗ＋１）^２はウィンドウ内の画素数、ｆ⁻，ｇ⁻はウィンドウ内の輝度の平均、σ_１ ^２，σ_２ ^２は各ウィンドウ内の輝度の分散を表し、次の式（２）、式（３）で与えられる。なお、バー記号−の付された文字ｆ、ｇは、本文中では「ｆ⁻」、「ｇ⁻」と表記する。

視差計算部２２１は、基準画像上の任意の点に対して、正規化相互相関Ｃを用いて対応点を探索すれば、全ての点に対する視差ｄ、すなわち、視差マップを得る。

パラメータ計算部２２２は、視差計算部２２１で計算した視差マップを用いて路面パラメータｐ＝（α，β）を算出する。

まず、パラメータ計算部２２２が、基準画像上の点（ｘ，ｙ）の視差ｄから、その点の３次元位置（Ｘ，Ｙ，Ｚ）を求める方法について説明する。３次元空間中の点（Ｘ，Ｙ，Ｚ）と、その左右画像への投影像（ｘ’，ｙ）、（ｘ，ｙ）の間には、次の式（４）が成り立つ。

式（４）をＸ，Ｙ，Ｚについて解くと、

を得る。パラメータ計算部２２２は、視差ｄが得られた基準画像上の点における３次元位置を上記の式（５）を用いて求める。パラメータ計算部２２２は、これらの計測値の内、道路面と距離が近い点を選択して、道路面の方程式Ｙ＝αＺ＋βに代入すれば路面パラメータｐ＝（α，β）を得る。道路面に近い点は、次の式（６）の条件を満たす点として抽出される。

ここで、ΔＹは閾値であり、適当な値を予め設定しておく。Ｙ_ｐは、点（Ｘ，Ｙ，Ｚ）を通ってＹ軸に平行な直線と基準道路面との交点のＹ座標を表す。基準道路面の路面パラメータｐは、例えば、車両が停止しているときに平坦な道路で計測する。基準道路面の路面パラメータをα＾，β＾とすると、Ｙ_ｐは、次の式（７）により与えられる。なお、ハット記号＾の付された文字α、βは、本文中では「α＾」、「β＾」と表記する。

生成部２２３は、次の手順に従って歩行者が含まれる領域を生成する。

まず、生成部２２３は、視差マップ上の任意の点（ｘ，ｙ）に対し、図４に示すように、その点を下辺の中点とする矩形を設定する。矩形の下辺は道路面とほぼ接しており、また、矩形の大きさは検出対象物である人間の縦横のサイズを考慮して決められる。例えば、人間の身長と横幅の代表値を各々Ｈ，Ｗとした場合、その高さｈと幅ｗは、次のように求めることができる。道路面の方程式Ｙ＝αＺ＋βと式（４）から、

となるので、高さｈと幅ｗは、次の式（９）から計算できる。

このように画像上の縦方向の位置、すなわちｙ座標によって画像上の矩形のサイズは変化する。また、人間の様々な大きさに対応するため、図４のように、生成部２２３は、画像上の各点（ｘ，ｙ）に対し、複数種類の矩形を用意する。図４では３種類の矩形を例示している。

次に、生成部２２３は、このようにして各点（ｘ，ｙ）に設定した矩形内の視差ｄから、図７（ａ）のように矩形Ｒ内に人間（歩行者）が含まれる可能性を評価する。矩形Ｒ内に人間が含まれる場合、矩形Ｒ内のカメラからの距離、すなわち奥行きがほぼ一様となるので、視差も一様となる。また、その視差ｄ_ｐは、点（ｘ，ｙ）が道路面と接するので、式（１０）により与えられる。

したがって、矩形Ｒ内の任意の点の視差ｄ_ｉとすると、視差の均一性は、

を満たす点の数Ｎで評価できる。矩形Ｒの大きさによる影響を考慮するため、矩形Ｒの面積Ｓ＝ｗ×ｈで正規化し、生成部２２３は、次の式（１２）を満たす矩形Ｒを候補領域として登録する。

Ｎ_ｍｉｎは閾値であり、予め適切な値を設定しておく。なお、図７（ｂ）に示すように対象よりも小さい矩形Ｒでも矩形Ｒ内の視差は均一となるので、Ｎ＾が大きな値となり、上記の条件を満たす場合がある。したがって、ある点に対し複数サイズの矩形が上記を満たす場合には、最も大きな矩形Ｒだけを候補領域Ｒとして選択しても良い。

次に、上記の処理によって、生成部２２３は、Ｎ個（Ｎ≧０）の候補領域Ｒ_１〜Ｒ_Ｎを生成する。図３には、３個の候補領域Ｒ_１，Ｒ_２，Ｒ_３を示す。さらに、これらの左画像における対応領域Ｒ’_１〜Ｒ’_Ｎを抽出しても良い。各矩形Ｒの下辺は道路面と接触しており、その視差が式（１０）により与えられるため、対応領域Ｒ’_１〜Ｒ’_Ｎは各矩形Ｒの下辺のｙ座標から生成することができる。

なお、視差計算部２２１、パラメータ計算部２２２、生成部２２３を有する設定部２２は、図３の点線矩形が示すようにステレオ画像間で対応する領域を設定しても良いし、どちらか一方の領域を設定しても良い。以下では、設定部２２は、右画像を基準画像とし、右画像上でＮ個の領域Ｒ_１〜Ｒ_Ｎを抽出するものとする。

正規化部２４は、設定部２２によって設定されたＮ個の領域Ｒ_１〜Ｒ_Ｎを予め定めたサイズに正規化する。正規化のサイズは任意であるが、本実施例では４８×２４画素の縦長の矩形に揃えるものとする。

特徴量算出部２６は、正規化部２４によって正規化された領域の画像データの画素特徴量を画素毎に算出する。

画素特徴量としては、例えば、輝度勾配方向を用いる。輝度勾配方向は照明変動等に対してロバストな画素特徴量であり、明るさの変化が大きい環境下でも有効な画素特徴量である。明るさの変化が比較的小さい場合には、輝度の値自身を画素特徴量として用いても良いし、輝度の階調数を減らしても良い。以下の説明では、画素特徴量として輝度勾配方向を用いた場合について説明する。

特徴量算出部２６は、算出した輝度勾配方向は適当な範囲の離散値、例えば、図９に示すような８方向に量子化する。なお、図９では、各方向に対応するように、それぞれ１〜８の数字が付されている。

行列算出部２８は、正規化された領域毎に共起特徴を抽出して出力する。本実施例の場合には、共起特徴は、特徴ベクトルλである。

まず、行列算出部２８は、正規化部２４によって正規化された各領域を図８のようなメッシュ状に区切り、メッシュ毎に共起ヒストグラムを算出する。メッシュ数は任意であるが、例えば図８に示すように縦、横を８×４個に分割する。領域全体が４８×２４画素であるから、メッシュの１区画が、６×６の画素から構成される。以下に共起ヒストグラムについて説明する。

図１０は、図８のメッシュの１区画を拡大表示し、第１の軸を横ｘ、第２の軸を縦ｙに定義し、さらに第３の軸として視差ｄを定義したものである。各ブロック（すなわち、各画素）は画像位置（ｘ，ｙ）と視差ｄの組み合わせである３次元座標（ｘ，ｙ，ｄ）で表現される。

視差ｄは１画素につき１つずつ計算されるので、ある画素（ｘ，ｙ）に対して、どれか１つの視差ｄしかデータがないこととなるが、未定義の３次元位置に対しては、未定義を表すラベルを格納しておく。

ある注目点（ある注目する画素）ｒ＝（ｘ，ｙ，ｄ）（図１０の中央の点）と、その注目点から変位ベクトルδ＝（δ_ｘ，δ_ｙ，δ_ｄ）だけ離れた点、すなわち、注目点ｒを変位ベクトルδで写像した写像点ｒ＋δを複数考える。例えば、行列算出部２８が、Ｄ種類（例えば、２０通り）の変位ベクトルδを予め記憶しておき、２０通りの写像点ｒ＋δを求める。図１０の実線矢印は変位ベクトルδ＝（−２，２，２）の場合を示している。注目点ｒの画素特徴量と写像点ｒ＋δの画素特徴量をそれぞれｉ，ｊとして、図１１（ａ）に示すような共起行列を定義する。図１１（ａ）の縦軸と横軸の矢印と数字は、図９の矢印と数字に対応する。注目点ｒの画素特徴量ｉと写像点ｒ＋δの画素特徴量ｊの組み合わせが（ｉ，ｊ）＝（０，１）の場合には、共起行列の要素ｈ_０１が対応する。一般に共起行列ｈ_ｉｊを次の式（１３）のように定義する。

ここで＃は中括弧内が表す集合の要素数（発生頻度）を示す。また、Ｉ（ｘ）等は画像上の点ｘにおける画素特徴量を示す。すなわち、式（１３）の共起行列ｈ_ｉｊは、変位ベクトルδによって定義される２つの点（注目点と写像点）における画素特徴量ｉ，ｊの組み合わせに関して、メッシュの１区画内での分布を示す２次元のヒストグラムである。なお、メッシュの１区画内での分布を求めるために、メッシュの１区画内の３次元座標上の全ての点（画素）を順番に注目点ｒとして設定し、共起行列ｈ_ｉｊを求める。共起行列ｈ_ｉｊは１つの変位ベクトルδに対して定義されるため、Ｄ種類の変位ベクトルδを用いた場合には、Ｄ枚の２次元ヒストグラムが生成される。この２次元ヒストグラムが、共起ヒストグラムである。

図１１（ｂ）は、注目点ｒからチェビシェフ距離が１の２次元の変位ベクトルδを示す。これらの２次元ベクトルを各奥行きに対して定義する。ここで、例えば、δ＝（−１，０）は、注目点と写像点を入れ替えればδ＝（１，０）で代用可能であるため、チェビシェフ距離が１の２次元の変位ベクトルδはδ_１〜，δ_４の４種類存在する。

図１０に示すように奥行き（視差ｄ）を注目点の前後に５段階とした場合、変位ベクトルδの種類はＤ＝４×５＝２０種類となる。輝度勾配方向が８段階であるので、図８のメッシュの１区画につき、８×８×２０＝１２８０次元の特徴ベクトルが算出される。

この例では、メッシュ総数が８×４＝３２個だから、１つの領域から１２８０×３２＝４０９６０次元の特徴ベクトルλが生成される。Ｎ個の領域に対して同様の処理を行って得たＮ本の特徴ベクトルλを識別部３０に出力する。

識別部３０は、行列算出部２８が算出したＮ本の特徴ベクトルλを用いて識別処理を行う。

具体的には、特徴ベクトルλに対して線形な関数ｇ（λ）を式（１４）のように定義して、その関数ｇ（λ）の出力の大小によって検出対象物（本実施例では歩行者）か否かを判定する。例えば、関数ｇ（λ）の値が閾値より大きければ歩行者であると識別する。

ｇ（λ）＝ｗ^Ｔλ＋ｂ・・・（１４）

但し、「ｗ」はλと同じ次元数を持つベクトルであり、「ｂ」は定数項である。また、「^Ｔ」はベクトルの転移を表す。ｗとｂは、検出対象物（本実施例では歩行者）の学習サンプルを用いて予め学習しておく。学習方法としては、例えばサポートベクターマシンを用いればよい。

出力部３２は、識別部３０が行った識別処理の結果、すなわち、歩行者であるか否かの結果を出力する。

本実施例によれば、物体の３次元形状を反映した画素特徴量を算出することにより、高い精度のパターン識別を実現できる。

本実施例では、車両の前方に設置したカメラを用いて進行方向に存在する歩行者を検出する場合について説明した。しかし、車両の側方や後方にカメラを設置しても良いし、車両ではなく他の移動体、例えばロボットにカメラを搭載する場合にも適用可能である。また、カメラを設置するのが移動体に限定されることはなく、監視カメラのような場合であっても良い。

また、本実施例では、人間を検出する場合について説明した。しかし、検出対象物はこれに限定されるものではなく、他の検出対象物であっても適用可能である。また、人間と車両の同時検出といった複数クラスの物体を検出する場合であっても良い。

また、本実施例では、２台のカメラを左右平行に並べた場合のステレオ視について説明した。しかし、２台以上であればカメラの台数は任意であり、また、視野に重なりがあればそれら複数のカメラをどのように配置しても良い。

また、本実施例では、特徴量算出部２６によって算出する画素特徴量として、輝度勾配方向を８段階に量子化した場合を説明した。しかし、輝度勾配を上下（２と６）、左右（０と４）等を同一視した４方向に量子化しても良いし、輝度勾配の方向ではなく、大きさを用いても良い。あるいは、ガウシアンフィルタ、ソーベルフィルタ、ラプラシアンフィルタ等のフィルタの出力値を用いても良い。さらに、これらの内のいくつかを組み合わせ、各画素について複数種類の画素特徴量を算出しても良い。

また、本実施例では、ステレオカメラを入力部１６，１８として、奥行き復元処理を行う方式について説明した。しかし、直接、３次元画像を入力可能な撮影装置を用いても良い。このような装置としては、例えば、医療分野で使われるＣＴ装置やＭＲＩ装置の３次元ボクセルデータ等がある。

また、本実施例では、行列算出部２８は２つの画素における特徴の共起を算出する場合について説明した。しかし、一般にＮ個の画素（Ｎは３以上の任意の整数）における共起特徴を算出しても良い。２つの画素における画素特徴量の共起により生成される共起ヒストグラムが２次元であるのに対し、Ｎ個の画素における画素特徴量の共起を表現するためにはＮ次元の共起ヒストグラムが必要となる。

また、本実施例では、行列算出部２８は同一種類の特徴（輝度勾配方向）の共起を算出する場合について説明した。しかし、輝度勾配方向と輝度など、異なる画像特徴量同士の共起を算出しても良い。複数の画像特徴量を用いることで識別精度を向上させることが可能である。

また、本実施例では、行列算出部２８における変位ベクトルをδ＝（δ_ｘ，δ_ｙ，δ_ｄ）とした平行移動で写像点を求める方法について複数記載した。しかし、これに限らず、変位ベクトルとして回転移動ベクトル、その他の写像を行うベクトルを用いても良い。

なお、本発明は上記実施例そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施例に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施例に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施例にわたる構成要素を適宜組み合わせてもよい。

１０・・パターン識別装置、１２・・特徴抽出装置、１４・・第１入力部、１６・・第２入力部、１８・・第１記憶部、２０・・第２記憶部、２２・・設定部、２４・・正規化部、２６・・特徴量算出部、２８・・行列算出部、３０・・識別部、３２・・出力部

Claims

３次元画像データにおける３次元空間中に少なくとも一つの領域を設定する設定部と、
前記３次元画像データの画素毎に画素特徴量を算出する特徴量算出部と、
（１）前記領域内の３次元座標上の注目点から特定の写像によって位置が変位する前記領域内の３次元座標上の点を少なくとも１つ求め、（２）前記領域内の前記注目点の画素特徴量と、前記写像した各点の画素特徴量との組み合わせの発生頻度を表す共起行列を算出する行列算出部と、
前記特定の写像と前記共起行列との組合せと、予め学習した検出対象物の学習サンプルに基づいて、前記領域内に前記検出対象物が撮像されているか否かを識別する識別部と、
を有することを特徴とするパターン識別装置。
視点の異なる複数の２次元画像データを入力する入力部と、
前記２次元画像データ間の視差を計算する視差計算部と、
をさらに有し、
前記設定部は、前記２次元画像データのうちの一枚の画像上の２次元座標で表した前記視差が求められた点と、前記視差が求められた点における前記視差とを有する前記３次元画像データの３次元空間に前記領域を設定し、
前記特徴量算出部は、前記３次元画像データの前記画素毎に前記画素特徴量を算出する、
ことを特徴とする請求項１に記載のパターン識別装置。
前記設定部は、前記視差と特定の値との差の大きさが基準よりも小さい前記視差が求められた点の数が、閾値より多い前記３次元空間中に前記領域を設定する、
ことを特徴とする請求項２に記載のパターン識別装置。
前記画素特徴量が、輝度勾配方向、輝度勾配の大きさ、又は、輝度である、
ことを特徴とする請求項３に記載のパターン識別装置。
前記３次元画像データが、３次元ボクセルデータである、
ことを特徴とする請求項１に記載のパターン識別装置。