JPH0415506B2 - - Google Patents

Description

【発明の詳細な説明】 〔発明の利用分野〕 本発明は、物体認識装置に係り、特に、物体領
域の輪郭の画像データから得られたパターンを線
分で近似し、そのパターンを認識するためのパタ
ーン認識装置に関するものである。

〔従来技術〕

従来、実用化が図られている物体認識装置に
は、対象物体の２値画像から、対象物体領域を同
一濃度画素の集まりとして選り分け、その領域の
面積、重心、重心からの最大寸法、重心からの最
小寸法、周囲長などといつた外形的特徴量によ
り、対象物体を識別するというものがある。

このようなものは、識別すべき物体間に大きな
差異のある特徴量を選択して求めうる場合の識別
には有効であり、高速の処理が実現可能である。
しかし、例えば鍵の様に限られた一部の形状のみ
が異なり、他の大部分は同一であるような対象の
識別には、これらを有効に選り分けることが可能
な特徴量を探すことが困難であつたり、多くの特
徴量を組み合わせて認識する必要が生じたりし
て、類似物品の識別には有効でない。

これに対し、パターンマツチング法は、対象物
体領域の画素の配列のうち、その物体の特徴を適
切に表わす部分パターン（例えば12×12ビツトの
パターン）を辞書パターンとして記憶しておき、
入力した画像上に上記辞書パターンを重ね、一画
素ずつずらしながら、最も良く一致する箇所を見
つけて、物体の認識を行うものである。

この方法は、そのまま形状パターンを重ねて、
その一致度をとる方式であるので、微少ノイズに
強く、類似パターンの識別力も充分にある。しか
し、認識可能な対象は、あらかじめ記憶しておい
た辞書パターンの姿勢と同一姿勢でなければなら
ないという制限があり、このような任意の回転を
伴つた物体の認識はできない。

この問題点を解決するため考えられた方式とし
て極座標化マツチング法がある。これは物体領域
の重心を求め、重心を極座標原点として、対象物
体の領域境界を極座標（ｒ−θ）曲線で表わした
形状パターンを作成し、あらかじめ同様に求めて
おいた辞書ｒ−θ曲線と重ねて、少しずつ回転さ
せて最もよく一致する位置をみつけるものであ
る。

この方法は、任意に回転した物体の認識を行な
うことが可能であるが、ｒ−θ曲線の作成は処理
量が多いので、その精度を上げて類似部品の識別
力をも向上させようとすると、処理量が極めて増
大してしまうという問題点がある。

〔発明の目的〕

本発明の目的は、上記した従来技術の欠点をな
くし、対象物体の輪郭に姿勢回転が伴なつていて
も、そのパターンマツチング処理量を増加せずに
高速処理が可能なパターン認識装置を提供するこ
とにある。

〔発明の概要〕

本発明に係るパターン認識装置の構成は、入力
された画像データについて所定の２値化をし、そ
のデータから対象物体領域を決定し、その代表点
の位置情報を求める前処理手段と、上記の代表点
の位置情報に基づいて上記対象物体領域の輪郭画
素を順次に探索して当該各中心座標値を求める輪
郭抽出処理手段と、上記中心座標値を用いて上記
対象物体領域について所定の多角形近似を行い、
その各頂点座標を、入力画像データが辞書パター
ンに係るものであるときは辞書パターンメモリ
に、それ以外のときは線分化情報メモリに記憶さ
せておく線分化処理手段と、上記各頂点座標から
領域特徴を抽出し、その領域特徴データを、入力
画像データが辞書パターンに係るものであるとき
は上記辞書パターンメモリに、それ以外のときは
領域特徴メモリに記憶させておく領域特徴抽出処
理手段と、上記の線分化情報メモリおよび領域特
徴メモリに記憶されている内容に係る線分化パタ
ーンと、あらかじめ上記各手段によつて標準的に
作成されて上記辞書パターンメモリに記憶されて
いる内容に係る線分化情報パターンを、領域特徴
データに従つて位置決めして重ね合わせ、その共
通領域を抽出し、その面積と辞書パターンの面積
との比が所定値以上となつたときに上記両パター
ンが一致しているものと判定するとともに、その
両パターンに関する相対位置情報から対象物体の
位置情報および姿勢情報をも認識するパターンマ
ツチング処理手段とからなるようにしたものであ
る。

更に、これを補足して説明すると、以下のとお
りである。

すなわち、２値（多値）パターンをマツチング
させて、辞書パターンと許容誤差内で一致する対
象パターンの存在により、物体を認識するという
従来のパターンマツチング法は、画素単位の一致
判定を行つていたので、姿勢回転を伴つたパター
ンのマツチングが不可能であつた。

この点を改善するのに、まず、パターン内部・
外部の輪郭を抽出して線分で近似表現することに
より、パターンの姿勢回転を線分化図形である多
角形の頂点の座標変換で表わすようにしたもので
ある。

次に、この多角形で近似したパターンマツチン
グ対象とすることにより、従来の画素単位のマツ
チング処理に代えて、頂点データのみで表現され
た多角形相互の積図形（共通領域）を求め、この
積図形の面積と原パターンの面積との比率が一定
値以上となつたとき、両パターンが一致している
ものと判定するようにしたものである。

その結果、パターンマツチング処理の中でパタ
ーンの線分化表現を行うことにより、多量の画像
データについてパターン領域情報を良好に保存し
て圧縮することができ、また、パターンの姿勢回
転は、多角形の頂点の座標変換を行なえばよいの
で、回転パターンマツチングを高速に行うことが
可能となる。また、線分化そのものは、線分化開
始位置の相違等により、偏差が生じ易いので、パ
ターン間の照合処理に共通領域の面積による判定
を取り入れて認識の信頼性を向上しうるようにし
たものである。

〔発明の実施例〕

以下、本発明の実施例を図に基づいて説明する
が、大別して全体動作概要ならびに前処理、輪郭
抽出処理、線分化処理、領域特徴処理およびパタ
ーンマツチング処理の各フローについて各項目別
に説明する。

第１図は、本発明に係るパターンマツチング装
置の一実施例のブロツク図である。

ここで、１００は、以下に述べる各部に対して
所要の処理の流れを制御する制御部、１０１は、
前処理手段に係る入力制御部、１０２は、同画像
メモリ、１０３は、同前処理部、１０４は、同領
域情報メモリ、１０５は、輪郭抽出処理手段に係
る輪郭抽出部、１０６は、同輪郭メモリ、１０７
は、線分化処理手段に係る線分化処理部、１０８
は、同線分化情報メモリ、１０９は、同辞書パタ
ーンメモリ、１１０は、領域特徴抽出処理手段に
係る領域特徴抽出部、１１１は、同領域特徴メモ
リ、１１２は、パターンマツチング処理手段に係
る共通領域抽出部、１１３は、同共通領域メモ
リ、１１４は、同認識処理部である。

まず、入力された画像データは、入力制御部１
０１で所定の閾値で２値化された後、２値画像デ
ータとして画像メモリ１０２に入力・記憶され
る。

画像メモリ１０２に記憶された画像データは、
はじめに前処理部１０３によつて画像上のどの領
域を対象物体領域とするかが決定された後、その
領域の代表点の位置情報が領域情報メモリ１０４
に記憶される。

次に、輪郭抽出部１０５は、上記の代表点の位
置情報に基づいて探索始点を決定し、画像上の指
定領域の輪郭画素を順次に探索し、その中心座標
値を輪郭メモリ１０６に記憶させる。

その中心座標値により、線分化処理部１０７
は、輪郭画素の中心を表わす点列を規定の許容誤
差内で線分に近似し、その線分の端点、すなわ
ち、その領域を多角形近似した当該各頂点座標を
順次に線分化情報メモリ１０８に記憶させる。そ
の線分化情報は、辞書パターンの登録時には、辞
書パターンメモリ１０９へ移される。

また、領域特徴抽出部１１０は、指定領域の特
徴（例えば面積、重心、慣性主軸、最大長、周囲
長等）を線分化情報メモリ１０８の内容から求
め、領域特徴メモリ１１１に記憶させる。辞書パ
ターン登録時には、その特徴情報は辞書パターン
メモリ１０９に記憶される。

更に、共通領域抽出部１１２は、現時点で入力
されたパターン（線分化情報メモリ１０８に格納
されているもの）と辞書パターン（辞書パターン
メモリ１０９に格納されているもの）とを、両方
の特徴が一致するように、（例えば、重心座標が
一致するように、または慣性主軸方向が一致する
ように等）、入力パターン側の座標変換をした後、
両パターンの共通領域（積図形）を同様に頂点列
として求め、共通領域メモリ１１３に記録する。

最後に、認識処理部１１４は、共通領域（積図
形）の面積を算出し、これと辞書パターンまたは
入力パターンの面積との比率を求め、その値が所
定値以上になつた場合、両パターンは一致してい
るものと判定して、認識結果を出力する。もし、
両パターンが一致せず、しかも辞書パターンが複
数あるときは、第２、第３の辞書パターンとのマ
ツチング処理を同様に繰り返す。なお、認識処理
部１１４では、一致した両パターンの変換前の相
対位置から入力パターンの位置、姿勢情報も出力
する。

次に、第２図は、前処理フローチヤート、第３
図は、領域情報のフオーマツト図である。

前処理は、前述の入力制御部１０１〜領域情報
メモリ１０４が関係するもので、各画素の濃度階
調（２値画像であれば、“０”、“１”）を順次に調
べ、同じ階調を持つ画素のまとまりを一つの領域
として抽出し、各領域間の包含関係から、それぞ
れの領域に意味付け（物体領域、穴領域の候補を
決めること）を行い、それぞれの領域のラベル、
代表座標、面積、包含関係のデータテーブルを作
成する。すなわち、本処理は画像から対象物体を
切りだす役割をするものである。

第２図に示すように、その代表的処理例は、画
像上の左上端画素から、ラスター状に全画素を走
査し、同階調画素の接続関係を判別しながら、接
続する同階調画素には同一のラベルを付け、同一
ラベルの画素の集りを領域とみなすものである。

この場合、各領域には、それぞれ異なつたラベ
ルを付け、その中で面積が最大で、かつ画像の周
囲に接する領域は、背景領域と判断する。そし
て、その背景領域に境界を接して含まれ、かつ面
積が一定範囲にある領域を対象物体領域の候補と
し、以後の処理対象領域とする。また、この対象
物体領域の候補とみなされる領域に含まれる領域
を穴領域の候補とする。

各領域の先頭アドレスは、画像をラスター方向
に走査したとき、最初に見つかる画素のアドレス
とする。このアドレスを領域代表点の座標として
登録するが、その他領域情報のテーブル形式は、
例えば第３図に示すとおりである。

続いて、輪郭抽出処理は、前述の輪郭抽出部１
０５、輪郭メモリ１０６が関係するもので、２次
元配列の領域情報について輪郭の座標系列表現を
することにより、情報圧縮を行うものである。そ
の処理方式は、数例報告されており、いずれの方
式を用いてもよい。

その処理は、上述の領域代表点を始点として処
理を開始し、領域境界の画素を、４連結性または
８連結性をもとにして、次々に隣接画素を探索し
て行き、領域を１周して代表点位置で処理を終了
する。その出力結果は、輪郭画素の座標系列であ
ればよい。

この輪郭抽出処理によつて求めた対象領域の輪
郭座標系列を所定の近似誤差内に入るように線分
近似で表現することにより、さらに情報圧縮を図
る。

この線分化処理は前述の線分化処理部１０７、
線分化情報メモリ１０８が関係するもので、その
結果は、各線分の両端点の座標系列となる。すな
わち、領域を多角形近似した際の頂点系列によつ
て表現される。この線分化処理は、どの方式でも
よいが、特に高速処理の要求を満すものとして、
その例を次に示す。

連続点列を線分近似する処理は、まず、一般に
最大近似誤差ε_naxを定めておき、この誤差値によ
つて定まる一定幅の平行線内に連続点列を最大限
収めるように平行線の位置、方向を探しだし、そ
の中心線から近似線分を決定する方法が考えられ
る。

ここで、入力点列データ（輪郭抽出処理の出
力）の集合をＡ、近似線分をＢ（線分上の点集合）
で表わすと、Ａ，Ｂ間のハウスドルフの距離
（Hausdorff−Euclidean Distance）Ｈ（Ａ，Ｂ）
は、点p₁，p₂間のユークリツド距離（Euclidian
Distance）を‖p₁−p₂‖とすれば、 Ｈ（Ａ，Ｂ）＝max〔max P₁∈Ｂ max P₁∈Ａ‖p₁−p₂‖，max P₁∈Ａ max P₁∈Ｂ‖p₁−p₂‖〕 となる。

したがつて、上述の線分化処理は、最大（規
定）近似誤差ε_naxに対して、Ｈ（Ａ，Ｂ）≦ε_naxを
満たすように線分近似を行うことを意味してお
り、誤差の自乗の累積値を最小にする線分近似法
である。

実際には、計算量の点から上記した近似処理を
忠実に行うことはせず、近似線分の端点を入力点
列上から探していく方法や（後述する第４図のも
の）、誤差の計算を上記ハウスドルフの距離から、
例えばｙ軸方向だけの誤差によつて代用して求め
る近似方法が使用される。また、輪郭画素列（１
つの画素は正方領域）によつて形成される帯状の
領域内に最短経路を探すことによつて近似線分を
求める方法も考えられる。

次に、第４図の線分化処理フローチヤートおよ
び第５図の線分化過程説明図に基づいて線分化処
理を具体的に説明する。

輪郭点列の１つを近似処理の始点と決定し、こ
の点を第１番目の近似線分頂点として登録する
（401）。

続いて、第４図ｂに示すように、次の輪郭点p_i
を中心に半径εの円を想定して、始点から上接線
角TA2、下接線角TA1を求める（402）。同様に
して、第５図ｂに示すように、次々と接続する輪
郭点を中心として半径εの円を描いて接続を引
き、それらの中で最大のTA1の値をMAXTA1、
最小のTA2の値をMINTA2とする（403）。

そして、MAXTA1＞MINTA2が成立した場
合は、それ以上、１回の線分近似をすることがで
きないと判定し（405）、EPN番目の点を線分の
終点として決定登録する（406）。

この終点となりうる候補点の識別は、接線を引
いてMAXTA1，MINTA2を更新した後、各点
のCAがMAXTA1，MINTA2間にはさまれてい
るかどうかを確認し、はさまれていれば候補点と
する（404）。EPN番目の終点が最後のデータ点
でなければ、再びその点を線分化の始点として線
分近似処理を継続する（407）。

このようにして、第５図ａに示すような２値画
像の輪郭は、同図ｂ，ｃの過程を経た後、同図ｄ
に示すように所定の線分化がされた輪郭とするこ
とができる。

上記した一連の処理により、入力した画像から
認識対象とする領域を切り出し、かつ、その領域
情報について以後の認識処理に適した形態の線分
化表現を行い、多角形の頂点座標系列データにし
て出力する。このデータは、前述の線分化情報メ
モリ１０８に記憶され、前もつて同様な手順によ
つて作成しておいた辞書パターンと照合を取つて
一致するかどうか判断される。

この照合処理は、２つのパターン（多角形図
形）それぞれが持つ固有の特徴量（図心座標、慣
性主軸方向等）を一致させて位置決めをしてから
行なう。

領域（パターン）特徴抽出処理は、前述の領域
特徴抽出部１１０、領域特徴メモリ１１１が関係
するもので、領域の輪郭を線分化していることを
考慮して、線分の両端点から座標軸に下ろした垂
線と座標軸とによつて形成される台形を処理単位
として、第６図の領域特徴抽出処理フローチヤー
トに示す処理手順で行われる。

その基本計算式は以下に示すとおりである。

近似線分の頂点座標列を（X₁，Y₁）、（X₂，
Y₂）、……、（X_e，Y_e）と表わし、頂点座標列は
平面上に閉ループをなすように配置されていて、
（X₁，Y₁）＝（X_e，Y_e）とする。

(1) 線分化モデルの面積 Ａ＝_P 〓^I=2 １／２（X_I−X_I-1）×（Y_I-1＋Y_I） (2) １次モーメント M_1X＝_P 〓^I=2 １／６（X_I−X_I-1）×（Y_I-1＋Y_I） ×｛Y_I-1＋Y_I ²／（Y_I-1＋Y_I）｝ M_1Y＝_P 〓^I=2 １／６（X_I-1＋X_I）×（Y_I-1−Y_I） ×｛X_I-1＋X_I ²／（X_I-1＋X_I）｝ (3) ２次モーメント M_2X＝_P 〓^I=2 １／12（X_I−X_I-1）×（Y_I-1＋Y_I） ×（Y_I ² _-1＋Y_I ²） M_2Y＝_P 〓^I=2 １／12（Y_I-1−Y_I）×（X_I-1＋X_I） ×（X_I ² _-1＋X_I ²） (4) 相乗モーメントM_XY D_YI＝X_I-1＋１／３（X_I−X_I-1）＋１／３（X_I-1X_I-1
） ×Y_I／（Y_I-1＋Y_I） 〔X_I-1＜X_Iのとき〕 D_YI＝X_I＋１／３（X_I-1−X_I）＋１／３ （X_I-1−X_I）×Y_I-1／（Y_I-1＋Y_I） 〔X_I-1X_Iのとき〕 とすると、 M_XY＝_P 〓^I=2 １／６（X_I−X_I-1）×（Y_I-1＋Y_I） ×｛Y_I-1＋Y_I ²／（Y_I-1＋Y_I）｝×D_YI (5) 図心のＸ座標XO、Ｙ座標YO XO＝M_1Y／Ａ YO＝M_1X／Ａ (6) 座標原点を図心に平行移動した座標系におけ
る２次モーメント、相乗モーメント M₂₀＝M_2Y−M_1Y×M_1Y／Ａ M₀₂＝M_2X−M_1X×M_1X／Ａ M₁₁＝M_XY−M_1X×M_1Y／Ａ (7) 主軸傾き角 ANG＝１／２×tan^-1｛２×M₁₁／（M₂₀−M₀₂）｝ (8) 主軸に対する２次モーメント M_02Z＝M₂₀＋M₀₂−M_20Z M_20Z，M_02Zの算出によつて主軸の長軸・短軸の
判定を行う。

最後に、線分化して、図心・主軸等を求めた入
力パターンは、第７図のパターンマツチング説明
図に示すように、すでに登録してある辞書パター
ンと図心、主軸を一致させるべく、入力パターン
側を座標変換してマツチングを行い、両パターン
が重なつた領域を同様な線分化図形として抽出す
る。

両パターンが同一撮像条件下で同一部品より得
られたものであるならば、マツチングによつて求
められた重なり領域の面積は、物体をメツシユ状
に区画化されたデイジタル画像上に表現する際の
誤差および線分近似による誤差を見込んだ誤差範
囲で、辞書パターン（入力パターン）面積と、一
致すると予想される。この面積比が、所定の値
（例えば95％）を越えているときは、目的部品の
輪郭（パターン）であると判定する。

これらの処理は、前述の共通領域抽出部１１
２、共通領域メモリ１１３、認識処理部１１４お
よび線分化情報メモリ１０８、辞書パターンメモ
リ１０９が関係するものである。

第８図は、線分化パターンマツチングのフロー
チヤートである。

ここでは、まず、前記した前処理、輪郭抽出処
理、線分化処理によつて、領域の輪郭（内輪郭、
外輪郭ともに含む）を線分化表現した入力パター
ンと、すでに登録してある辞書パターンの１つと
を比較して、両パターンの図心間のｘ座標方向、
ｙ座標方向の距離を算出する（801）。

続いて、入力パターンの図心が辞書パターンの
図心に一致するように、上記距離だけ入力パター
ンの全頂点を平行移動する（802）。

また、両パターンの慣性主軸の長軸または短軸
を選択して、図心からほぼ等距離で外周に達する
主軸同士を対応する主軸と判断し、この対応する
両パターンの主軸間の角度を算出する（803）。

更に、入力パターンの全頂点を、図心を回転中
心として、上記の角度だけ回転移動して、両パタ
ーンの主軸を一致させる（804）、後述する方式で
両パターンの共通領域、すなわち２つの多角形の
積図形（これも多角形となる）を求める（805）。

このようにして積図形が求まると、その面積を
算出し、すでに求めてある辞書パターン（または
入力パターン）の面積との比を求める（806）。

その面積比を所定の判定閾値と比較し（807）、
面積比が閾値以上の値を示した場合は、両パター
ンが一致したものと判定して認識が終了したこと
を表示するとともに、一致した辞書パターンの種
類および辞書パターンの相対位置から算出した入
力パターンの位置、姿勢情報を出力する（808）。
面積比が判定閾値より小さい場合は、次の辞書パ
ターンがあるかどうか判断する（909）。

すべての辞書パターンとのマツチング処理が終
了して、次の辞書パターンがない場合は、認識が
不可能である旨のメツセージを出力して処理を終
了する（810）。次の辞書パターンが有る場合は、
そのパターンを選択して（811）、再び最初からマ
ツチング処理を繰り返す。

次に、線分化したパターンと辞書パターンとの
積図形（両パターン内の共通領域）を作成する処
理方式例を以下述べる。

２つの多角形状パターンＦ，F′間の積図形を求
める処理においては、一方のパターンのＦの任意
の１辺に対して、他方のパターンF′の全ての辺が
交差または接続するか否かを判定して、交差また
は接続する場合、交差点または接続点を求める処
理を行う。そして、上記パターンＦの全ての辺に
対して、辺の連結順に、一巡する様に、上記判定
処理による交差点、接続点を求める処理を各辺ご
とにくり返して、積図形を構成する各頂点を、順
次決定して、記憶する。そこで上記判定処理の基
本となる１辺間の交差または接続の有無を判定す
る処理を具体的に示す。

２次元平面上の点Ｐ（Ｘ，Ｙ）が線分P₁P₂の右
半平面上に存在するためには、次式が正であるこ
とが必要である。すなわち、P₁＝（X₁，Y₁）、P₂
＝（X₂，Y₂）とすると f₁₂（Ｐ）＝−Ｘ Ｙ １ X₁ X₁ １ X₂ Y₂ １ ここで、次の関数を定義する。

g₁₂（Ｐ）＝１〔f₁₂（Ｐ）＞０〕 ０〔f₁₂（Ｐ）＝０〕 −１〔f₁₂（Ｐ）＜０〕 この関数によると、線分P₁P₂、P₃P₄が交わる
（接続する）条件は、次式で表わされる。

g₁₂（P₃）＝−g₁₂（P₄） g₃₄（P₁）＝−g₃₄（P₂） 更に、交点または接続点の有無を全体的に調べ
るために多角形Ｆ，F′を考え、各線分に対する相
手側の頂点の左右の判定を示すVS行列およびSV
行列を求める。

VS（ｉ，ｊ）＝g_i，_i+1（P_j） SV（ｉ，ｊ）＝g_j，_j+1（P_i） この関係を用い、次式によつて線分間の交差判
定を行う。

C_ij＝｜｛SV（ｉ，ｊ）−SV（ｉ，ｊ＋１）｝ ×｛VS（ｉ＋１，ｊ）−VS（ｉ，ｊ）｝｜ その判定条件は次の通りである。

C_ij＝４：〔P_iP_i+1〕と〔P_jP_j+1〕は交差する。

２：線分に頂点が重なる。

１：頂点と頂点が重なる。

０：交差しない。

以上の判定式をもとに、積図形の頂点の有無を
調べ、その存在が確認されたときは、これを２直
線の交点計算によつて求める。得られた積図形
も、線分化モデルと同様、頂点座標系列で表わさ
れており、この多角形の面積計算を行い、次式で
パターン一致度を評価する。

パターン一致度＝ 積図形の面積／標準パターンの面積×100〔
％〕 以上のように、上記実施例は、同一精度の認識
を行なうのに、大規模な専用ハードを必要とせ
ず、頂点だけのデータ処理するので、高速処理が
可能となる。

なお、線分化という近似処理を行つているの
で、認識精度への影響を確認する必要があるが、
認識実験を行なつた結果、重心の位置精度は0.2
画素程度、また慣性主軸の算出精度は約0.015ラ
ジアン程度で、良好な結果を得ている。

〔発明の効果〕

以上、詳細に説明したように、本発明によれ
ば、対象物体の輪郭に姿勢回転が伴なつていて
も、そのパターンマツチング処理量を増加せずに
高速処理が可能なパターン認識装置を実現するこ
とができるので、対象物体の種別、位置、姿勢等
の認識・視覚機能により、ロボツト、自動組立
機、外観検査機等の機能向上、信頼性向上、効率
向上に顕著な効果が得られる。

【図面の簡単な説明】

第１図は、本発明に係るパターン認識装置の一
実施例のブロツク図、第２図は、その前処理フロ
ーチヤート、第３図は、同領域情報のフオーマツ
ト図、第４図は、同線分化処理フローチヤート、
第５図は、同線分化過程説明図、第６図は、同領
域特徴抽出処理フローチヤート、第７図は、同パ
ターンマツチング説明図、第８図は、同線分化パ
ターンマツチング処理フローチヤートである。 １００……制御部、１０１……入力制御部、１
０２……画像メモリ、１０３……前処理部、１０
４……領域情報メモリ、１０５……輪郭抽出部、
１０６……輪郭メモリ、１０７……線分化処理
部、１０８……線分化情報メモリ、１０９……辞
書パターンメモリ、１１０……領域特徴抽出部、
１１１……領域特徴メモリ、１１２……共通領域
抽出部、１１３……共通領域メモリ、１１４……
認識処理部。

Claims (1)

【特許請求の範囲】
1. １ 入力された画像データについて所定の２値化
   をし、そのデータから対象物体領域を決定し、そ
   の代表点の位置情報を求める前処理手段と、上記
   の代表点の位置情報に基づいて上記対象物体領域
   の輪郭画素を順次に探索して該探索された画素を
   該探索順に各画素の位置座標値よりなる位置座標
   系列として求める輪郭抽出処理手段と、上記各位
   置座標値を用いて上記対象物体領域について所定
   の多角形近似を行い、その各頂点座標を、入力画
   像データが辞書パターンに係るものであるときは
   辞書パターンメモリに、それ以外のときは線分化
   情報メモリに記憶させておく線分化処理手段と、
   上記各頂点座標から領域特徴を抽出し、その領域
   特徴データを、入力画像データが辞書パターンに
   係るものであるとこは上記辞書パターンメモリ
   に、それ以外のときは領域特徴メモリに記憶させ
   ておく領域特徴抽出手段と、上記の線分化情報メ
   モリおよび領域特徴メモリに記憶されている内容
   に係る線分化パターンと、あらかじめ上記各手段
   によつて標準的に作成されて上記辞書パターンメ
   モリに記憶されている内容に係る線分化辞書パタ
   ーンを、領域特徴データに従つて位置決めして重
   ね合わせ、該線分化パターン内の領域と該線分化
   辞書パターン内の領域間の共通領域を抽出し、そ
   の面積と辞書パターンの面積との比が所定値以上
   となつたときに上記両パターンが一致しているも
   のと判定するとともに、その両パターンの相対位
   置情報から対象物体の位置情報および姿勢情報を
   も認識するパターンマツチング処理手段とから構
   成したパターン認識装置。