JP5928748B2

JP5928748B2 - 同一種類の複数の認識対象物体が検索対象画像中に存在する場合に、それぞれの認識対象物体の位置および向きを精度良く求める手法

Info

Publication number: JP5928748B2
Application number: JP2014156930A
Authority: JP
Inventors: 中野　宏毅; 宏毅中野; 由美森; 千明大石
Original assignee: International Business Machines Corp
Current assignee: International Business Machines Corp
Priority date: 2014-07-31
Filing date: 2014-07-31
Publication date: 2016-06-01
Anticipated expiration: 2034-07-31
Also published as: JP2016033775A; US20160034781A1; US9483712B2; US9704061B2; US20160034760A1

Description

本発明は、画像中の物体認識に関するものである。

より具体的には、同一種類の複数の認識対象物体が検索対象画像中に存在する場合に、それぞれの認識対象物体の位置および向きを精度良く求める手法に関するものである。

近年、キーポイントと呼ばれる、回転・拡大縮小に不変な局所画像特徴を用いた物体認識が実用化の域に達してきている（非特許文献１、非特許文献２）。

SIFTと呼ばれる非特許文献１の手法では、画像に複数の空間的スケールをもつガウスフィルタを作用させて、隣接するスケールのフィルタ出力画像の差分をとり、DoG (Difference of Gaussians)と呼ばれる画像セットを得る。

DoG画像の絶対値が空間方向およびスケール方向で共に極大になる座標をキーポイントとよび、濃淡パターンのある画像では、通常、複数のキーポイントが検出される。

キーポイントの周囲の画素の濃度勾配より、キーポイントの方向が求められ、DoGの極大となるスケールが、キーポイントのスケールとなる。

キーポイントの周囲の画素を16ブロックに分割してそのブロックに含まれる画素の濃淡ヒストグラムをとり、キーポイントの特徴量とする。

SIFTでは、特徴量は実数の要素をもつ128次元のベクトルとして表現される。

oFASTと呼ばれる非特許文献２の手法では、キーポイントとして画像の濃淡パターンのコーナー部分が使用される。

oFASTでは、SIFT同様、スケールと方向とを有する。

図１は、従来技術であるoFASTを使用したキーポイントの検出例を示す模式図である。

この検出例では、図１(a)の画像を辞書画像とし、この辞書画像のパターンを認識対象物体としている。

図１(b)には、検出されたキーポイントが示されており、斜線で示された円（○）が検出されたキーポイントである。

非特許文献１、非特許文献２ともに、辞書画像に含まれる認識対象物体が、検索対象画像中に含まれるかどうかを高精度に判定可能な手法である。

しかし、例えば、店頭の商品の認識のようなケースでは、検索対象画像中に複数の認識対象物体が存在する。

このような場合において、既知の手法に従っても、認識対象物体の存在の有無は判定できる。

しかし、認識対象物体の個数や、検索対象画像中での各物体の位置および向きを求めることまではできない。

本願において開示される発明は、複数の認識対象物体が検索対象画像に存在する場合に、それぞれの認識対象物体の検索対象画像中での個数、位置および向きを精度良く求める手法を考案したものである。

既知の手段として、検索対象画像から認識対象物体を検出する方法は次のような手順となる。

まず、認識対象物体を含む辞書画像の複数のキーポイントおよびその特徴ベクトルを求め、同様に検索対象画像の複数のキーポイントおよびその特徴ベクトルを求める。

次に、２つの画像のキーポイントを総当り方式で、特徴ベクトル間の距離を求め、距離がしきい値以下で、かつ、最も距離の近いキーポイントのペアを求める。

このようなキーポイントのペアを、キーポイントペアと呼ぶ。

図２は、従来技術において、検出されたキーポイントから認識対象物体を検出した結果を示す模式図である。

図１(b)のように検出されたキーポイントから、キーポイントペアの数があるしきい値以上の場合、キーポイントペアとなっている検索対象画像のキーポイントの重心座標を求める。

図２(b)に太線で示されている円は、キーポイントの重心座標を中心とした円である。

その座標のまわりに認識対象物体があるものと判定する。

この既知の手段の問題点は、キーポイントは認識対象物体上に均一に分布するとは限らないので、キーポイントの密度の高い領域に重心座標が偏ることである。

このことにより、辞書画像の中心と、重心座標が一致しないことにある。

従って、インクジェットによるマーキングや、ロボットによる物体ピッキングなどの、物体の位置精度を必要とする用途においては使用できない、という問題がある。

既知の手段のさらなる問題点は、検索対象画像中に複数の認識対象物体が存在する場合に、キーポイントの重心座標を求めるだけでは、物体の個数、位置、傾きが検出できないことである。

図３は、従来技術において、検索対象画像中から複数の認識対象物体を検出した結果を示す模式図である。

この検出結果では、認識対象物体が４個であるのに対して、太線で示されている円が２個であり、隣接した認識対象物体を区別できていない。

キーポイントの探索範囲を限定して、複数の物体を区別する方法も考えられるが、キーポイントの探索範囲は、認識対象物体のサイズと同程度である必要がある。

このため、店頭での商品の識別など、隣接する複数の認識対象と区別することは困難である(図３)。

特許文献１には、パターンマッチングの技術に関し、特徴パターンを利用すること、および、対象画像中の基準点の候補となる座標を数式により求めることを開示している。

しかしながら、特許文献１において開示されている数式は、本発明が要点として用いている数式とは異なる。

特許文献２および特許文献３もパターンマッチングの技術に関するものであるが、本願において開示される発明の要点、概要に関連する記載はなく参考文献にすぎない。

特許文献４は、非特許文献１の内容に対応した特許文献である。

日本国特許第４０９７２５５号（特開２００４−１９２５０６ − 出願から１８ヶ月経過後の日本国における強制的な公開）日本国特許第２９８４２６７号日本国特開２００４−３１８６２７米国特許第６７１１２９３Ｂ１号

David G. Lowe, "Distinctive Image Features from Scale-Invariant Keypoints," InternationalJournal of Computer Vision, Vol. 60, No. 2, pp. 91-110, 2004 Ethan Rublee, et.al., "ORB: an efficient alternative to SIFT or SURF," ICCV2011, pp.2564-2571, 2011

本発明の目的は、検索対象画像中に複数の認識対象物体が存在する場合であっても、物体の個数、位置、傾きを検出できるようにすることにある。

既知の手段の問題点を解決するために、キーポイント座標の仮想中心座標への変換手段を利用する。その詳細については、後述する。

本発明に従えば、同一種類の複数の認識対象物体が検索対象画像に存在する場合であっても、それぞれの認識対象物体の検索対象画像中での位置および向きを精度良く求めることができる。

図１は、従来技術であるoFASTを使用したキーポイントの検出例を示す模式図である。図２は、従来技術において、検出されたキーポイントから認識対象物体を検出した結果を示す模式図である。図３は、従来技術において、検索対象画像中から複数の認識対象物体を検出した結果を示す模式図である。図４は、本発明における座標変換を適用するにあたり、辞書画像におけるキーポイントを示す模式図である。図５は、本発明における座標変換を適用するにあたり、検索対象画像における一致キーポイントと、その仮想中心点を示す模式図である。図６は、(a)辞書画像におけるキーポイントと、本発明を適用した結果としての、(b)検索対象画像の仮想中心点とを示す模式図である。図７は、検索対象画像中に複数の認識対象物体がある場合に、本発明を適用した結果を示す模式図である。図８は、複数の認識対象物体が隣接する場合に、本発明を適用した結果を示す模式図である。

本願では、既知の手段の問題点を解決するために、キーポイント座標の仮想中心座標への変換手段を考案し、その手段を利用している。

以下に、C-1〜C-7にわたって、その手順を説明する。

図４は、本発明における座標変換を適用するにあたり、辞書画像におけるキーポイントを示す模式図である。

点の網掛けで示された円（○）がキーポイントである。

C-1. 辞書画像の複数のキーポイントのスケール Rm 、方向 θm [radian]、および、辞書画像中心からのオフセット(Ox,Oy)を記憶する。

全てのパラメータは、ハードウェア資源としてのコンピュータのメモリ等に、ソフトウェア資源としてのコンピュータプログラムに配列等の形式をもって体系的に記憶して保存しておくことができる。

キーポイントのスケールは、物体のサイズに比例するものとする(図４)。

また、それぞれのキーポイントの特徴量ベクトルを求め、記憶する。

C-2. 同様に、検索対象画像の複数のキーポイントの座標(Tx,Ty)、スケール Rt および方向 θt [radian]を記憶する。

また、それぞれのキーポイントの特徴ベクトルを求める。

C-3. 辞書画像と検索対象画像に含まれるキーポイントを総当り方式で、特徴ベクトル間の距離を求め、距離がしきい値以下で、かつ、最も距離の近いキーポイントのペアを求め、記憶する。

これを「キーポイントペア」と呼ぶ。

図５は、本発明における座標変換を適用するにあたり、検索対象画像における一致キーポイントと、その仮想中心点を示す模式図である。

C-4. キーポイントペアに含まれるすべてのキーポイント座標(Tx,Ty)について、対応する仮想中心点の座標(Fx,Fy)を次のように定義し、計算する(図５)。

Fx=Tx + (Ox・Rt/Rm)(cos (θt - θm) )+(Oy・Rt/Rm)(sin (θt - θm) )

Fy=Ty + (Ox・Rt/Rm)(-sin (θt - θm) )+(Oy・Rt/Rm)(cos (θt - θm) )

図５において、点の網掛けで示された円（○）がキーポイントとは別に、格子の網掛けで示された円（○）が仮想中心点である。

C-5. 仮想中心座標(Fx,Fy)を中心とした所定の半径（ｒ）内に含まれる、他の仮想中心点の数をカウントし、そのカウントを記憶する。

C-6. すべての仮想中心点について、手順C-5を実行し、最もカウント数の多い仮想中心座標(Mx,My)が、対応する辞書画像の画像中心と一致するであろうことを示す候補として記憶する。

C-7. カウントされた仮想中心点の数が所定の閾値（Ｎｃ）以上である場合に、検索対象画像の仮想中心座標(Mx,My)付近に辞書画像中に存在する認識対象物体が含まれているものと判定する。

本発明では、検索対象画像中に辞書画像の認識対象物体が含まれる場合、キーポイントペアの仮想中心点群の座標は、ほぼ辞書画像の中心付近に集中するという性質を持つように設計した。

また、(Mx,My)の周囲の複数のキーポイントの方向θt [radian]と、対応する辞書画像のキーポイントの方向 θm[radian]の差θt−θmの平均値が、検索対象画像中の認識対象物体の向きとなる。（図６）。

図６は、(a)辞書画像におけるキーポイントと、本発明を適用した結果としての、(b)検索対象画像の仮想中心点とを示す模式図である。

図６においては、太い線の円の中心が(Mx,My)を示す。

図６においては、格子の網掛けで示されたラインの向きが、認識対象物体の向きを示す。

図６においては、格子で示されたラインの向きは、太い線の円の中心である(Mx,My)から、時計の１２時（０時）の方向を指している。

図７は、検索対象画像中に複数の認識対象物体がある場合に、本発明を適用した結果を示す模式図である。

検索対象画像中に複数の認識対象物体が含まれる場合は、複数の座標に仮想中心点群が集中する（図７)。

その個数が、認識対象物体の個数であり、それぞれの仮想中心座標(Mx,My)が、辞書画像の中心に対応する。

検索対象画像中に複数の認識対象物体がある場合。各々の円の中心がそれぞれの認識対象物体の中心となる。

図８は、複数の認識対象物体が隣接する場合に、本発明を適用した結果を示す模式図である。

また、複数の認識対象物体が隣接する場合においても、その個数とそれぞれの仮想中心座標(Mx,My)とを正しく求めることができる（図８）。

複数の認識対象物体が隣接する場合。各々の円の中心がそれぞれの認識対象物体の中心となる。

ここまでに説明してきた本発明の技術的思想としての特徴は、コンピュータに実行させる手法（方法、システム、コンピュータプログラム）として実現することができる。

辞書画像データの提供、座標変換の計算、仮想中心点のカウント、カウントされた数の記憶、などはすべてコンピュータに実行させることができる。

キーポイントを抽出すること、特徴量をベクトルとして表現して記憶しておくことは、コンピュータを利用する上では非常に効率的である。

Claims

コンピュータに実行させることで、対象画像上に１つ以上の認識対象パターンが含まれているかどうかを判定する方法であって、
（ａ）認識対象パターンを含む辞書画像データであって、さらに、その認識対象パターン上の複数の特徴点について、特徴ベクトルの大きさ（Ｒｍ）および方向(θｍ)を含んでおり、かつ、画像中心の座標からその特徴点の座標へのオフセット（Ｏｘ、Ｏｙ）を含んでいる、辞書画像データを提供するステップと、
（ｂ）対象画像上の複数の特徴点の座標（Ｔｘ、Ｔｙ）について、特徴ベクトルの大きさ（Ｒｔ）および方向(θｔ)を提供するステップと、
（ｃ）対象画像上において、Ｔｘ、Ｔｙ、Ｏｘ、Ｏｙ、Ｒｍ、Ｒｔ、θｍ、θｔから導かれるところの、仮想中心点の座標（Ｆｘ、Ｆｙ）を計算するステップと、
（ｄ）仮想中心点の座標（Ｆｘ、Ｆｙ）を中心とした所定の半径（ｒ）内に含まれる、他の仮想中心点の数をカウントするステップと、
（ｅ）カウントされた仮想中心点の数が所定の閾値（Ｎｃ）以上であるかどうかを判断するステップと、
（ｆ）所定の閾値（Ｎｃ）以上であると判断される場合には、その仮想中心点の座標（Ｆｘ、Ｆｙ）および、カウントされた仮想中心点の数を（認識対象パターンが含まれるであろうことを示す候補として）記憶する（残しておく）ステップと、
（ｇ）対象画像における複数の特徴点の全てについて、ステップ（ｄ）〜ステップ（ｆ）を繰り返すステップとを含み、
ステップ（ｇ）において、カウントされた仮想中心点の数が最大の仮想中心点の座標（Ｆｘ、Ｆｙ）を認識対象パターンの中心とする、方法。
ステップ（ｂ）における特徴点が、対象画像上の特徴点と、認識対象パターン上の特徴点との、一致特徴点である、
請求項１に記載の方法。
対象画像に複数の認識対象パターンが存在する場合は、ステップ（ｇ）において、カウントされた仮想中心点の数が最大の仮想中心点の座標（Ｆｘ、Ｆｙ）を認識対象パターンの１つの中心として保存し、つぎに、仮想中心点の座標（Ｆｘ、Ｆｙ）を中心とした所定の半径（ｒ）内に含まれるすべての仮想中心点を除外して、ステップ（ｇ）を繰り返し、すべての仮想中心点の座標（Ｆｘ、Ｆｙ）について、カウントされた仮想中心点の数が所定の閾値（Ｎｃ）未満であれば、ステップ（ｇ）を終了すること、
を含む、請求項１に記載の方法。
ステップ（ｃ）が、
Fx=Tx + (Ox・Rt/Rm)(cos (θt - θm) )+(Oy・Rt/Rm)(sin (θt - θm) )
Fy=Ty + (Ox・Rt/Rm)(-sin (θt - θm) )+(Oy・Rt/Rm)(cos (θt - θm) )
によって、計算されることを特徴とする、
請求項１に記載の方法。
コンピュータに実行させることで、対象画像上に１つ以上の認識対象パターンが含まれているかどうかを判定するシステムであって、
（ａ）認識対象パターンを含む辞書画像データであって、さらに、その認識対象パターン上の複数の特徴点について、特徴ベクトルの大きさ（Ｒｍ）および方向(θｍ)を含んでおり、かつ、画像中心の座標からその特徴点の座標へのオフセット（Ｏｘ、Ｏｙ）を含んでいる、辞書画像データを提供し、
（ｂ）対象画像上の複数の特徴点の座標（Ｔｘ、Ｔｙ）について、特徴ベクトルの大きさ（Ｒｔ）および方向(θｔ)を提供し、
（ｃ）対象画像上において、Ｔｘ、Ｔｙ、Ｏｘ、Ｏｙ、Ｒｍ、Ｒｔ、θｍ、θｔから導かれるところの、仮想中心点の座標（Ｆｘ、Ｆｙ）を計算し、
（ｄ）仮想中心点の座標（Ｆｘ、Ｆｙ）を中心とした所定の半径（ｒ）内に含まれる、他の仮想中心点の数をカウントし、
（ｅ）カウントされた仮想中心点の数が所定の閾値（Ｎｃ）以上であるかどうかを判断し、
（ｆ）所定の閾値（Ｎｃ）以上であると判断される場合には、その仮想中心点の座標（Ｆｘ、Ｆｙ）および、カウントされた仮想中心点の数を（認識対象パターンが含まれるであろうことを示す候補として）記憶し（残しておき）、
（ｇ）対象画像における複数の特徴点の全てについて、（ｄ）〜（ｆ）を繰り返すことを実行し、
（ｇ）において、カウントされた仮想中心点の数が最大の仮想中心点の座標（Ｆｘ、Ｆｙ）を認識対象パターンの中心とする
システム。
（ｂ）における特徴点が、対象画像上の特徴点と、認識対象パターン上の特徴点との、一致特徴点である、
請求項５に記載のシステム。
対象画像に複数の認識対象パターンが存在する場合は、（ｇ）において、カウントされた仮想中心点の数が最大の仮想中心点の座標（Ｆｘ、Ｆｙ）を認識対象パターンの１つの中心として保存し、つぎに、仮想中心点の座標（Ｆｘ、Ｆｙ）を中心とした所定の半径（ｒ）内に含まれるすべての仮想中心点を除外して、(ｇ）を繰り返し、すべての仮想中心点の座標（Ｆｘ、Ｆｙ）について、カウントされた仮想中心点の数が所定の閾値（Ｎｃ）未満であれば、（ｇ）を終了すること、
を実行する、請求項５に記載のシステム。
（ｃ）が、
Fx=Tx + (Ox・Rt/Rm)(cos (θt - θm) )+(Oy・Rt/Rm)(sin (θt - θm) )
Fy=Ty + (Ox・Rt/Rm)(-sin (θt - θm) )+(Oy・Rt/Rm)(cos (θt - θm) )
によって、計算されることを特徴とする、
請求項５に記載のシステム。
コンピュータに実行させることで、対象画像上に１つ以上の認識対象パターンが含まれているかどうかを判定するプログラムであって、
（ａ）認識対象パターンを含む辞書画像データであって、さらに、その認識対象パターン上の複数の特徴点について、特徴ベクトルの大きさ（Ｒｍ）および方向(θｍ)を含んでおり、かつ、画像中心の座標からその特徴点の座標へのオフセット（Ｏｘ、Ｏｙ）を含んでいる、辞書画像データを提供するステップと、
（ｂ）対象画像上の複数の特徴点の座標（Ｔｘ、Ｔｙ）について、特徴ベクトルの大きさ（Ｒｔ）および方向(θｔ)を提供するステップと、
（ｃ）対象画像上において、Ｔｘ、Ｔｙ、Ｏｘ、Ｏｙ、Ｒｍ、Ｒｔ、θｍ、θｔから導かれるところの、仮想中心点の座標（Ｆｘ、Ｆｙ）を計算するステップと、
（ｄ）仮想中心点の座標（Ｆｘ、Ｆｙ）を中心とした所定の半径（ｒ）内に含まれる、他の仮想中心点の数をカウントするステップと、
（ｅ）カウントされた仮想中心点の数が所定の閾値（Ｎｃ）以上であるかどうかを判断するステップと、
（ｆ）所定の閾値（Ｎｃ）以上であると判断される場合には、その仮想中心点の座標（Ｆｘ、Ｆｙ）および、カウントされた仮想中心点の数を（認識対象パターンが含まれるであろうことを示す候補として）記憶する（残しておく）ステップと、
（ｇ）対象画像における複数の特徴点の全てについて、カウントされた仮想中心点の数が最大の仮想中心点の座標（Ｆｘ、Ｆｙ）を認識対象パターンの中心としてテップ（ｄ）〜ステップ（ｆ）を繰り返すステップと、
を含み、これらのステップをコンピュータに実行させる、プログラム。
ステップ（ｂ）における特徴点が、対象画像上の特徴点と、認識対象パターン上の特徴点との、一致特徴点である、
請求項９に記載のプログラム。
対象画像に複数の認識対象パターンが存在する場合は、ステップ（ｇ）において、カウントされた仮想中心点の数が最大の仮想中心点の座標（Ｆｘ、Ｆｙ）を認識対象パターンの１つの中心として保存し、つぎに、仮想中心点の座標（Ｆｘ、Ｆｙ）を中心とした所定の半径（ｒ）内に含まれるすべての仮想中心点を除外して、ステップ（ｇ）を繰り返し、すべての仮想中心点の座標（Ｆｘ、Ｆｙ）について、カウントされた仮想中心点の数が所定の閾値（Ｎｃ）未満であれば、ステップ（ｇ）を終了すること、
を含む、請求項９に記載のプログラム。
ステップ（ｃ）が、
Fx=Tx + (Ox・Rt/Rm)(cos (θt - θm) )+(Oy・Rt/Rm)(sin (θt - θm) )
Fy=Ty + (Ox・Rt/Rm)(-sin (θt - θm) )+(Oy・Rt/Rm)(cos (θt - θm) )
によって、計算されることを特徴とする、
請求項９に記載のプログラム。
コンピュータに実行させることで、対象画像上に１つ以上の認識対象パターンが含まれているかどうかを判定する方法であって、
認識対象パターンを含む辞書画像データであって、さらに、その認識対象パターン上の複数の特徴点について、特徴ベクトルの大きさ（Ｒｍ）および方向(θｍ)を含んでおり、かつ、画像中心の座標からその特徴点の座標へのオフセット（Ｏｘ、Ｏｙ）を含んでいる、辞書画像データを提供して、
対象画像上の複数の特徴点の座標（Ｔｘ、Ｔｙ）について、特徴ベクトルの大きさ（Ｒｔ）および方向(θｔ)を提供して、
対象画像上において、Ｔｘ、Ｔｙ、Ｏｘ、Ｏｙ、Ｒｍ、Ｒｔ、θｍ、θｔから導かれるところの、仮想中心点の座標（Ｆｘ、Ｆｙ）を計算しておき、
（Ａ）仮想中心点の座標（Ｆｘ、Ｆｙ）を中心とした所定の半径（ｒ）内に含まれる、
他の仮想中心点の数をカウントするステップと、
（Ｂ）カウントされた仮想中心点の数が所定の閾値（Ｎｃ）以上であるかどうかを判断するステップと、
（Ｃ）所定の閾値（Ｎｃ）以上であると判断される場合には、その仮想中心点の座標（Ｆｘ、Ｆｙ）および、カウントされた仮想中心点の数を（認識対象パターンが含まれるであろうことを示す候補として）記憶する（残しておく）ステップと、
（Ｄ）対象画像における複数の特徴点の全てについて、ステップ（Ａ）〜ステップ（Ｃ）を繰り返すステップと、
を含み、
ステップ（Ｄ）が、カウントされた仮想中心点の数が最大の仮想中心点の座標（Ｆｘ、Ｆｙ）を認識対象パターンの中心とする、方法。
コンピュータに実行させることで、対象画像上に１つ以上の認識対象パターンが含まれているかどうかを判定する方法であって、
認識対象パターンを含む辞書画像データであって、さらに、その認識対象パターン上の複数の特徴点について、特徴ベクトルの大きさ（Ｒｍ）および方向(θｍ)を含んでおり、かつ、画像中心の座標からその特徴点の座標へのオフセット（Ｏｘ、Ｏｙ）を含んでいる、辞書画像データと、
対象画像上の複数の特徴点の座標（Ｔｘ、Ｔｙ）について、特徴ベクトルの大きさ（Ｒｔ）および方向(θｔ)と、
対象画像上において、Ｔｘ、Ｔｙ、Ｏｘ、Ｏｙ、Ｒｍ、Ｒｔ、θｍ、θｔから導かれるところの、仮想中心点の座標（Ｆｘ、Ｆｙ）を計算して提供しておき、
仮想中心点の座標（Ｆｘ、Ｆｙ）を中心とした所定の半径（ｒ）内に含まれる、他の仮想中心点の数をカウントするステップと、
カウントされた仮想中心点の数が所定の閾値（Ｎｃ）以上であるかどうかを判断するステップと、
所定の閾値（Ｎｃ）以上であると判断される場合には、その仮想中心点の座標（Ｆｘ、Ｆｙ）および、カウントされた仮想中心点の数を（認識対象パターンが含まれるであろうことを示す候補として）記憶する（残しておく）ステップであって、カウントされた仮想中心点の数が最大の仮想中心点の座標（Ｆｘ、Ｆｙ）を認識対象パターンの中心とするステップとを含む、方法。
コンピュータに実行させることで、対象画像上に１つ以上の認識対象パターンが含まれているかどうかを判定するシステムであって、
認識対象パターンを含む辞書画像データであって、さらに、その認識対象パターン上の複数の特徴点について、特徴ベクトルの大きさ（Ｒｍ）および方向(θｍ)を含んでおり、かつ、画像中心の座標からその特徴点の座標へのオフセット（Ｏｘ、Ｏｙ）を含んでいる、辞書画像データと、
対象画像上の複数の特徴点の座標（Ｔｘ、Ｔｙ）について、特徴ベクトルの大きさ（Ｒｔ）および方向(θｔ)と、
対象画像上において、Ｔｘ、Ｔｙ、Ｏｘ、Ｏｙ、Ｒｍ、Ｒｔ、θｍ、θｔから導かれるところの、仮想中心点の座標（Ｆｘ、Ｆｙ）とを保存しておき、
仮想中心点の座標（Ｆｘ、Ｆｙ）を中心とした所定の半径（ｒ）内に含まれる、他の仮想中心点の数をカウントすることと、
カウントされた仮想中心点の数が所定の閾値（Ｎｃ）以上であるかどうかを判断することと、
所定の閾値（Ｎｃ）以上であると判断される場合には、その仮想中心点の座標（Ｆｘ、Ｆｙ）および、カウントされた仮想中心点の数を、カウントされた仮想中心点の数が最大の仮想中心点の座標（Ｆｘ、Ｆｙ）を認識対象パターンの中心として（認識対象パターンが含まれるであろうことを示す候補として）記憶する（残しておく）ことと、
を実行する、システム。