JPH05101186A - 光学的パターン識別方法 - Google Patents

Abstract

(57)【要約】 （修正有） 【目的】 入力パターンの分布に特別な前提条件を必要
とせず、パターンを識別する。 【構成】入力パターンに対して検出した各特徴量を要素
とする位置ベクトル（以下、入力ベクトルという。）及
び各基準ベクトルにより識別する際、各基準ベクトル
は、各クラス又はサブクラスに属する複数の学習用入力
パターンによる入力ベクトルの、各クラス又はサブクラ
ス毎の平均により求め、 ただし、ｘ_i ：入力ベクトルのｉ番目の要素 Ｍ_ni：クラスｎの基準ベクトルのｉ番目の要素 σ_ni ² ：ｉ番目の座標軸に関するクラスｎの学習入力デ
ータの分散値）を計算して、各基準ベクトルについてＣ
_n を比較し、識別クラスを決定する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、文字、画像、音声、そ
の他あらゆる信号のパターンを識別するパターン識別方
法に関し、特に、多くの画像パターンを、複数の参照パ
ターンとの類似性を元に識別するパターン識別方法に関
する。

【０００２】

【従来の技術】画像パターンの識別を行なうとき、その
代表的手法として、光学的相関検出手法である。その手
法は、大別して２つに分類することができ、その１つ
は、パターンを光学的にフーリエ変換し、このフーリエ
変換面において、パターンのマッチングを行なって、こ
のマッチングした度合いに応じた相関ピーク出力を得る
もので、その代表例として、マッチドフィルタ法、合同
フーリエ変換(Joint Transform)法が知られている。こ
れらの手法は、光学的フーリエ変換を行なうことによ
り、コヒーレント光を用いて相関検出を行なうが、これ
に対して、実空間におけるパターンマッチングを行なう
場合には、インコヒーレント光で、入力パターンと参照
パターンとを透過率マスクで表し、それら２つのマスク
を重ねて、両方のマスクを透過してきた光量を測定する
ことにより、疑似的に相関出力を得ていた。

【０００３】これらの相関検出方法では、２次元の画像
の相関を高速に検出できるメリットがあるが、従来は、
光学系に記憶して識別していたため、識別したいパター
ンのクラスが多くなると、多くのパターンを記憶しなけ
ればならない。従って、入力パターンと多くの参照パタ
ーンとの相関をとらなければならないため、これを高速
化するために、パターンの高速な表示が必要となり、大
量のパターンの識別には適さなかった。また、本質的に
相関演算は、類似したパターンは類似した相関出力とな
るので、類似パターンの識別にも適さないという欠点が
あった。更に、最も光学系の簡易な影絵の相関は、厳密
には相関出力ではなく、畳み込み積分的な出力が得られ
るため、識別能力が低く、十分な識別を行なうために
は、他の比較的光学系の複雑な手法を用いざるを得なか
った。

【０００４】これに対して、ニューラルネットワーク等
の識別手法を用いる場合、画像パターンや、音声パター
ン等のパターンの識別では、先ず、入力パターンから複
数のパラメータによる特徴量を抽出し、次に、その特徴
量の集合に対して、何らかの演算を施して、識別出力を
得るのが、一般的手順である。この特徴量のパラメータ
の数をｎとして、これらの特徴量を要素とする位置ベク
トルを考え、このベクトル（入力パターンに固有ベクト
ルであるから、これを入力ベクトルと呼ぶ）を含むｎ次
元空間を、特徴空間と呼ぶこととする。例えば、２次元
画像パターンにおいて、これをＮ×Ｍの小領域に分割
し、各領域における濃度の平均値を特徴量として用いる
ことができる。この場合の特徴空間は、Ｎ×Ｍ次元空間
となり、一般の画像パターンの場合、非常に大きな次元
となる。

【０００５】このような特徴空間において、入力パター
ンを識別するために、大きく分けて、２つの方法が考え
られる。１つは、特徴空間を各々のクラス、或いはサブ
クラスにより識別する方法であり、もう１つは、特徴空
間内の各クラスの基礎となる位置を用意しておいて、入
力パターンとこれらの基準とのノルム（距離）のうち
で、最も短いもののクラスにより識別する方法である。
この場合のノルムの計算においては、各座標軸毎にデー
タのバラツキ具合が異なる場合があるので、各座標軸の
寄与を一律に計算せずに、その座標軸におけるデータの
分散値を用いて寄与率の補正を行なっても良い。

【０００６】前者の方法の代表例は、現在盛んに研究さ
れている、誤差逆伝搬法による学習を用いた多層パーセ
プトロンであり、入力パターンの分布に特別の前提を持
たない長所がある反面、学習による特徴空間の分割が確
実に行なわれるとは限らず、また、多層パーセプトロン
の構造の決定に試行錯誤が必要である等の欠点があっ
た。特に、複雑な形状の部分空間を作ろうとすると、必
要な素子数や層数が大きくなり、学習及びハードウエア
化が非常に困難となっていた。

【０００７】後者の方法の代表例としては、ガウシアン
識別装置(Gaussian maximum likelihood classifier)と
呼ばれる方法が提案されている。この方法は、本発明の
パターン識別方法の１実施例と共通の部分があるので、
図面を用いて詳細に説明する。

【０００８】図２は、ガウシアン識別装置によるパター
ンの識別方法を示す説明図である。本例では、説明を簡
単にするために、特徴空間を２次元の位置ベクトル空間
とする。従って、入力ベクトル、基準ベクトル共に、２
次元の位置ベクトルとなる。基準ベクトルは、１つの識
別クラスに対して１つを設け、その位置は、そのクラス
に属するサンプルパターンの平均値とする。図２では、
３つのクラスに対する各々の基準ベクトルが×印により
示されている。ここで、入力パターンによる入力ベクト
ルが＋印の位置であったとする。ガウシアン識別装置で
は、この入力ベクトルと、各々の基準ベクトルとの距離
に関係する評価値として、Ｄ₁、Ｄ₂、Ｄ₃を、（２）式
に基づいて計算し、最も評価値の大きいクラスを識別ク
ラスとして採用する。

【０００９】

【数２】 但し、 Ｄ_n ：クラスｎに対する評価値 ｘ_i ：入力ベクトルのｉ番目の要素 Ｍ_ni：クラスｎの基準ベクトルのｉ番目の要素 σ_i ²：特徴空間のｉ番目の座標軸に関する入力データの
分散値 Ｎ：入力ベクトルの要素数

【００１０】ガウシアン識別装置では、このようにして
入力パターンの識別が可能であるが、その評価値を正当
に比較するためには、各々のクラスにおける各座標軸に
対応する分散値が等しくなければならない。即ち、σ_i ²
＝σ_1i ²＝σ_2i ²＝σ_ni ² という前提条件があり、この前
提条件がガウシアン識別装置の有効な応用範囲を限定す
るという問題点があった。

【００１１】また、これらの手法においては、識別装置
に形成されたいずれの識別領域にも属さないパターン
が、入力された場合に、それが何らかのクラスに属する
ものとして、判断されてしまい、未知パターンと既知パ
ターンとの区別が、つかないという問題点もあった。

【００１２】更に、前記のいずれの方法においても、入
力パターンの情報量が増えるについれて、処理系の規模
や演算量が膨大になり、特に画像パターンを扱うような
場合には、それをそのままピクセルデータとして取り扱
うことは不可能となっていた。

【００１３】

【発明が解決しようとする課題】本発明は、上記の問題
点を解決するために為されたもので、多くのパターンの
識別に適し、類似したパターンの識別も可能で、入力パ
ターンが複雑になっても、処理系の規模がいたずらに大
きくならず、識別領域を作成するための学習が短時間で
確実に遂行され、入力パターンの分布に特別の前提条件
を必要とせず、未知のパターンと既知のパターンとの区
別が、可能なパターン識別方法を提供することを目的と
する。

【００１４】

【課題を解決するための手段】本発明は、上記の技術的
な課題の解決のために成されたもので、識別したい入力
パターンからＮ個の特徴量を検出するための、Ｎ種類の
パラメータに対する各特徴量を座標軸とするＮ次元特徴
空間内の、該入力パターンに対して検出した該各特徴量
を、要素とする位置ベクトル（以後、入力ベクトルと称
する）と、各識別クラス或いは該クラスの一部を成すサ
ブクラス毎に設定された該特徴空間内の各基準位置ベク
トル（以後基準ベクトルと称する）との位置関係に基づ
いた量により識別を行なうパターン識別方法において、
前記複数のパラメータは、少なくとも複数の参照パター
ンに対する入力パターンの各相互相関に基づく量を含
み、前記各基準ベクトルは、各クラス或いはサブクラス
に属する複数の学習用入力パターンによる入力ベクトル
の、各クラス或いはサブクラス毎の平均により求め、前
記入力ベクトルとｎ番目の基準ベクトルとの位置関係に
基づいた量Ｃ_n は、

【数１】 （但し、ｆ：単調非増加の正数関数 ｇ：任意の関数 ｘ_i ：入力ベクトルのｉ番目の要素 Ｍ_ni：クラスｎの基準ベクトルのｉ番目の要素 σ_ni ² ：特徴空間のｉ番目の座標軸に関するクラスｎの
学習入力データの分散値である）の式（１）により求
め、各基準ベクトルについて、該量Ｃ_n を比較すること
により、識別クラスを決定することを特徴とする前記パ
ターン識別方法を提供する。

【００１５】ここで、前記関数ｆ（α）は、αが大きく
なるに従って、ある定数までは大きい値、この定数より
大きい別の定数以上では小さい値、この２つの定数の間
の領域では、これらを繋ぐ単調減少の値を出力するのが
好適である。また、前記関数ｇは、変数に対して、その
定数倍（１倍も含む）を出力する関数とするのが好適で
ある。前記関数ｇは、その出力が定数であるのが好適で
ある。更に、関数ｆ（α）は、ｎ番目のクラス或いはサ
ブクラスに属するｔ番目の学習用入力ベクトルを、
ｘ_nt、ｎ番目のクラス或いはサブクラスの基準ベクトル
をＭ_n として、ノルム‖ｘ_nt−Ｍ_n ‖の複数の学習用入
力ベクトルに対する分散σ_n ²を用いて、ａ、ｂが正定数
で、ａ＜ｂのとき、αがａ×σ_n ²までは高い値、ｂ×σ
_n ²以上は低い値、ａ×σ_n ²からｂ×σ_n ²までは両者を繋
ぐ単調減少の出力となる関数とするのが好適である。

【００１６】前記相互相関検出には、参照パターンと入
力パターンとに基づいた複素振幅透過率（或いは反射
率）分布を持つマスクを実質的に重ねて、この両者を通
過した光量を相互相関量として検出するのが、好適であ
る。また、前記相互相関検出には、入力パターン及び参
照パターンを、光学的にフーリエ変換するフーリエ変換
光学系を設け、一方のフーリエ変換パターンに基づいた
複素振幅透過率（或いは反射率）分布を持つマスクを他
方のフーリエ変換面に配置して、そのマスクを通過した
光量を相互相関量として検出することが好適である。

【００１７】

【作用】上記の手段により、本発明のパターン識別方法
においては、予め、複数の学習用のパターンの複数の参
照パターンに対する相互相関に基づいた量（以下、相関
出力と称する）を求めて、それを特徴量とし、それらが
属するクラス或いはサブクラス毎に、それらの特徴量の
平均値及び分散を求める。そして、この平均値である基
準ベクトルと各学習用入力ベクトルとのノルムの分散を
求めることにより、それらの値を用いて、入力パターン
が各々のクラスに属する程度を定量化することができ
る。

【００１８】即ち、若し、ｎ個の参照パターンを用いて
入力パターンと各々の参照パターンとの相互相関に基づ
く量を測定し、それらを特徴量とすれば、ｎ次元の特徴
空間及びｎ次元の入力ベクトルを作ることができる。こ
こで、１つの参照パターンに対する入力パターンの相関
出力は、ある入力パターンが別の入力パターンに類似し
ていれば、類似した値となることは明白である。従っ
て、類似した入力パターンの入力ベクトルは、この特徴
空間内において、近い領域に分布することになり、これ
らの分布領域により、１つ識別領域を形成することがで
きる。但し、一般に、１つのクラスとして、識別したい
パターンが必ずしも類似したパターンだけであるとは限
らない。従って、これらの領域をサブクラスとして、そ
のサブクラスを組合わせて１つのクラスを形成すると考
えても良い。

【００１９】従って、予め、１つの識別領域に含まれる
学習用入力パターンを複数用意し、それらの特徴空間内
の平均の位置と、このクラスに属するするパターンがど
れだけバラツク可能性があるかを示す分散を求めておく
ことにより、概ね、この識別領域を求めることができ
る。このようにして、学習用入力パターンから各クラス
或いはサブクラスの識別領域を求めると、多層パーセプ
トロンにおける誤差逆伝搬法の最急降下法による学習の
ように、不適切な局所解に落ち込んでしまうことはな
く、１回の学習データの提示ですべての学習が完了す
る。

【００２０】この学習においては、できるだけ沢山の学
習用サンプルデータを用意することが望ましい。パター
ンの入力ベクトルがガウス分布をしているときは、もち
ろん、そうでないときでも多くのサンプルデータを集め
れば、確率的に、得られた識別領域から、その領域に属
するにもかかわらず、漏れてしまう入力パターンが少な
くなるからである。

【００２１】このようにして、多くのパターンを、サン
プルデータとして学習したときに、複数の識別領域が特
徴空間内で重なってしまって、識別が困難となる場合に
は、新たに参照パターンを追加して特徴量を増やし、特
徴空間の次元を上げることにより、重なっている領域を
分離することができる。このとき、新たに追加する参照
パターンは、既に使用している各々の参照パターンに対
して相関度の低いものとすることが望ましい。

【００２２】このようにして、参照パターンの数の選択
により、多くの識別領域を設けることができるので、少
数の参照パターンに対して、多くのパターンの識別がで
きると同時に、類似性の高い入力パターンに対しても、
その区別をすることが可能である。識別過程で、入力ベ
クトルの各識別領域に対する相対的位置により、その入
力ベクトルの各識別領域に属する程度を定量化する。こ
の定量化を示す式が、式（１）であり、その式から分か
るように、各識別領域に属する程度を定量化する。定量
化を示す式が、（１）式で、この式から分かるように、
各識別領域に属する程度を示す量Ｃ_n は、入力ベクトル
と各基準ベクトルとの相対的距離（ノルム）に各特徴量
の座標軸の方向にその特徴量に関する分散に基づいた補
正を加えた量を元にして、これが大きくなるに従って減
少する量となっている。

【００２３】この関数ｆは、種々の関数が考えられ、例
えば、前記の元となる量に対して、予め決められた定数
を閾値として、それ以下ならば１、それ以上では０とい
う閾値特性を持たせれば、完全な２値の識別特性を得る
ことができる。また、予め、決められた１つの定数まで
は１、この定数より大きい別の定数を超えたら０、その
間は単調に減少する関数とすれば、入力ベクトルが２つ
のカテゴリーの識別領域内に入ったときに、各々のカテ
ゴリーに属する程度を比較することが可能である。

【００２４】尚、関数ｇとして、ｇ（α）＝αとなるよ
うな関数を用いると、各特徴量の座標軸に軸を持ち、そ
の径がその特徴量の分散値に関する量である超楕円の領
域が、識別領域となるが、処理系を単純にし、必要なメ
モリーを削減するために、ｇ（α）＝定数として、超球
状の識別領域を作ることもできる。このような場合、そ
の領域を定義するには、この関数の傾きや高出力領域と
低出力領域の位置を規定する定数が必要となる。これら
の定数の基準となる量として、ノルム‖ｘ_nt−Ｍ_n ‖の
複数の学習用入力ベクトルに対する分散σ_n ²を用いる
と、この値が入力パターンの大体のバラツキを反映して
いるので都合がよい。この値は、学習用サンプルデータ
が十分に多ければ、各々の識別領域について、個々の分
散値を用いることが適当であるが、学習用サンプルデー
タが少ない場合、個々の分散値が各々のバラツキを正確
に反映していないことが考えられるので、不当にバラツ
キが小さく評価されるのを防ぐために、すべての識別領
域に対して、最大の分散σ_n ²の値を用いたり、分散σ_n ²
の平均値を用いたりしても良い。

【００２５】尚、本発明における入力パターンと参照パ
ターンとの相互相関に関わる量の検出には、光学的相関
演算手法として良く知られている、合同フーリエ変換(J
ointTransform) 法、マッチドフィルタ法のどちらも適
用可能である。これらの方法では、その相互相関出力と
して、２次元の光強度分布である相関パターンを得るこ
とができる。この相関パターンには、単にピーク強度だ
けでなく、その強度分布を観測することにより、相関を
とった２つのパターンの相互の位置関係における類似性
の情報も含まれている。従って、複数の受光素子を用い
てパターン中の各部位の光強度を検出することにより、
多くの特徴量を得ることができる。

【００２６】また、上記の方法の他にも、入力パターン
と参照パターンとを透過率マスクで表し、それら２つの
マスクを重ねて、両方のマスクを透過してきた光量を測
定することにより、疑似的に相関出力を得る影絵の相関
と呼ばれる方法も知られている。この方法では、インコ
ヒーレント光を用いて、簡易に疑似的相関出力を得るこ
とができるので、装置化し易いメリットがある。また、
相関を取る２つのパターンの一方のフーリエ変換パター
ンを、他方のフーリエ変換面上に配置した空間光変調器
上に表示して、フーリエ変換面で影絵の相関を行なうこ
ともできる。この場合は、入力パターンと参照パターン
の相関検出が、シフトインバリアントに行なえるので、
都合が良い。

【００２７】次に、本発明のパターン識別方法を具体的
に実施例により説明するが、本発明はそれらによって限
定されるものではない。

【００２８】

【実施例１】説明を分かりやすくするために、参照パタ
ーン数を２、即ち、２次元の特徴空間を考える。

【数３】 とすれば、学習用入力パターンの特徴量データを集める
ことにより、図１に示すような識別領域を設定すること
ができる。

【００２９】図１は、本発明の１実施例の特徴空間と、
特徴空間内に設定された識別領域における基準ベクトル
を示す説明図であり、各識別領域の中心の×印は、各々
の識別領域における基準ベクトルを示す。ここで、各識
別領域の実線で囲まれた領域が、Ｃ_n ＝１となる領域で
あり、破線の外側が、Ｃ_n＝０となる領域を示す。即
ち、各々の軸の特徴量の測定値（各々の参照パターンと
の相関出力）の標準偏差の範囲内に入っていれば、識別
出力は１、標準偏差の３倍を超えていれば、識別出力は
０となる。その間は、√（α）の値に応じて直線的に出
力が減少する。

【００３０】従って、入力パターンの特徴量により求め
られる入力ベクトルに対する各識別領域の出力Ｃ_n を比
較することにより、もっともＣ_n値の大きい領域を入力
パターンの属する領域とすることができる。このとき、
特徴空間の次元数は、各識別領域の少なくとも実線で囲
まれた領域は、他の領域と重ならないようにする必要が
ある。そのようにするためには、でいるだけ学習用テス
トサンプルを多くとり、それらの特徴量の分散データを
得て、もし、標準偏差の領域が重なるようであれば、前
記のように特徴空間の次元を増やせば良い。即ち、参照
パターンを増やせば良い。

【００３１】このようになっていれば、Ｃ_n 値が１であ
れば、入力パターンは必ずその識別領域に属すると見做
すことができ、Ｃ_n 値が０であれば、入力パターンはそ
の識別領域に属さないと考えることができる。そして、
Ｃ_n 値が１の領域がなければ、最も大きなＣ_n 値を持つ
領域に属するものとすることができ、すべての領域につ
いてＣ_n 値が０であれば、その入力パターンは、既に学
習されたどの領域にも属さないと考えられる。このよう
に、Ｃ_n 値がすべて０、或いは、０に近い値しか得られ
なかった場合には、これに属する領域を与えることによ
り、既に、存在する領域である場合には、その領域を追
加学習し、存在しない領域である場合には、新たな領域
を加えることができる。

【００３２】これらの識別領域は、それが識別クラスに
１対１に対応していても良いし、これらの領域が複数集
まって１つのクラスを形成しても良い。後者のように、
複数の領域を集めて１つのクラスと見做す場合には、各
識別領域に関するＣ_n 値を更に処理する簡単な論理演算
回路が必要となる。

【００３３】これらの特徴量を得るための相関検出法の
例をいくつか、前に挙げたが、本発明の実施例において
は、比較的、装置化し易い合同フーリエ変換法について
説明を加える。図３は、合同フーリエ変換法を用いた相
関検出装置の１例を示す概念図である。入力パターンと
参照パターンとは、コンピュータ２０により合成され、
液晶パネル１５上に並んで表示される。

【００３４】光源は、空間的にコヒーレントな光源であ
れば、何でも良いが、ここでは、ＨｅーＮｅレーザ１１
を用いている。ＨｅーＮｅレーザ１１を出射した光束３
０は、ビームエクスパンダ１２でその光束を適当な径に
広げられ、ミラー１３及びビームスプリッター１４で反
射されて、液晶パネル１５に入射する。液晶パネル１５
を出射した光束は、入力パターンと参照パターンによる
複素振幅分布の変調を受け、フーリエ変換レンズ１６を
通って、スクリーン１８上には、液晶パネル１５で与え
られた複素振幅分布のフーリエ変換の２乗の強度分布
（フーリエ変換パターン）が得られる。

【００３５】尚、拡大レンズ１７は、得られるフーリエ
変換パターンの大きさを調整するために設けられてい
る。このフーリエ変換パターンは、ビデオカメラ１９に
より撮像されて、その像が液晶パネル２２上に表示され
る。ここで、ビームスプリッター１４を透過した光束３
０は、ミラー２１で反射されて液晶パネル２２に入射す
る。この液晶パネル２２により、前記のような入力パタ
ーンと参照パターンとの合同フーリエ変換パターンに基
づいた複素振幅分布の変調を受けた光束３０は、フーリ
エ変換レンズ２３を通り、拡大レンズ２４を通って、ス
クリーン２５上にスクリーン１８上で得られたパターン
のフーリエ変換パターンを形成する。

【００３６】このパターン中には、液晶パネル１５に表
示された入力パターンと参照パターンとの相対的位置に
基づいた位置に、この両者の相互相関パターンが得ら
れ、この強度或いは強度分布を測定することにより、入
力パターンと参照パターンとの相互相関に基づいた量が
得られる。ここで、この相互相関パターン全体の強度を
とって、識別装置の特徴量としても良いし、ピーク値の
みをとって特徴量としても良い。また、相互相関パター
ンを空間的に分割された検出器で受光して、１つのパタ
ーンから複数の特徴量を取り出しても良い。ここで、相
関検出手段としては、作用の項で述べた他の３つの手段
を用いることもできる。

【００３７】

【実施例２】実施例１では、各特徴量の分散データに基
づいて識別領域を楕円形状としたために、識別用に記憶
すべきデータが、各基準ベクトルの位置及び各特徴量の
分布データ（識別領域数×次元数）となり、識別領域数
及び次元数が多くなると、記憶容量の負担が大きくなっ
てくる。このような負担を軽減するため、各特徴量の分
散は記憶せず、学習用入力ベクトルと基準ベクトルとの
ノルムの値の分散を取り、識別領域を、この値に基づく
領域とすることもできる。

【００３８】この場合、識別領域は、特徴空間の次元の
超球状の領域となり、識別用に記憶すべきデータは、各
基準ベクトルと、各領域に応じた分散値のみとなる。更
に、学習用データが少ない場合は、分散値をとっても、
そこから外れた入力データが入ってくる可能性が高い。
そのような場合には、図５に示すように、最も大きい分
散値を示した領域の大きさに、他の領域も揃えたり、分
散値のすべての領域における平均値に各領域の大きさを
揃えたりすることが考えられる。

【００３９】尚、本発明のパターン識別方法において
は、どのような光学的相関検出手法も、適用可能である
旨を述べたが、特に、本発明の方法では、相関出力とし
て、厳密な相関出力を要求しないので、前記のような影
絵の相関や、フーリエ変換面における影絵の相関による
畳込み積分的なマッチング出力を得る手段と組合わせて
も十分に有効であることは、有利な特徴である。従っ
て、これらの手法について、図面を用いて、簡単に説明
を加える。

【００４０】図６は、影絵の相関の光学系を示す概念図
である。空間光変調器Ａ４２に入力パターン或いは参照
パターンの一方のパターンを表示し、空間光変調器Ｂ４
２に他方のパターンを表示する。この両者を透過した光
束４１を集光レンズ４４で集光して、受光素子４５で受
光し、疑似相関出力Ｐi を得る。

【００４１】更に、図７は、フーリエ変換面における影
絵の相関を用いた疑似相関検出光学系の１例を示す。空
間光変調器Ｃ５１に表示された入力パターン５２は、フ
ーリエ変換レンズ５３により光学的にフーリエ変換され
て、その強度分布がＣＣＤ受光素子５４により検出され
る。検出された強度分布に基づいた透過率分布パターン
は、空間光変調器Ｃ５８に表示され、空間光変調器Ｄ５
５上に表示された各々の参照パターン５６のフーリエ変
換レンズ５７によるフーリエ変換パターンが、この空間
光変調器Ｅ５８の透過率分布により変調され、更に、フ
ーリエ変換レンズ５９により分割受光素子６０上に各参
照パターンが分離して結像する。

【００４２】このときの分割受光素子の各要素に到達し
た光量は、参照パターンのフーリエ変換パターンと入力
パターンのフーリエ変換との一致度が大きい程大きくな
り、疑似的に相関出力とみなすことができる。しかも、
この出力は、入力パターン５２の表示位置が空間光変調
器Ａ５１上で変化しても、ＣＣＤ受光素子５４上に現れ
る強度パターンが、変化しないので、不変であるから、
シフトインバリアントな検出を行なうことができ、入力
パターンの柔軟な識別に、大きな効果を発揮する。

【００４３】

【発明の効果】以上説明したように、本発明のパターン
識別方法により、前記のような効果が得られた。それら
をまとめると、次のような顕著な技術的効果となる。即
ち、第１に、簡易な光学的相関検出手法を用いて、多く
のパターンの識別が可能であり、しかも、類似度の高い
パターン識別も可能で、なお且つ、パターンの位置ズレ
にも強い識別を行なうことができる。

【００４４】第２に、更に、その識別領域を決定するた
めの学習は、確実に、短時間で終了し、識別パターン数
が大きくなっても、処理系の規模がいたずらに大きくな
らず、安価で多くのパターンを識別可能なパターン識別
方法を提供することができた。

【図面の簡単な説明】

【図１】本発明の光学的パターン識別方法の識別領域を
説明する模式構成図である。

【図２】従来のガウシアン識別装置の識別過程を示す構
成図である。

【図３】本発明に従って、合同フーリエ変換法に基づい
た相関検出装置の１例を示す概念構成図である。

【図４】本発明の他の実施例における識別領域を説明す
る概念図である。

【図５】本発明の別の実施例における識別領域を説明す
る概念図である。

【図６】本発明で行なわれる、影絵の相関光学系の１例
を説明する概念図である。

【図７】本発明で行なわれる、フーリエ変換面における
影絵の相関光学系の１例を説明する概念図である。

【符号の説明】

１ 識別領域Ａ ２ 識別領域Ｂ ３ 識別領域Ｃ １１ ＨｅーＮｅレー
ザ １４ ビームスプリッ
ター １５、２２ 液晶パネル １６、２３、５３、５７、５９ フーリエ変換レ
ンズ １８、２５ スクリーン １９、２６ ビデオ・カメラ ２０ コンピュータ ３０、４１ 光束 ４２ 空間光変調器Ａ ４３ 空間光変調器Ｂ ４４ 集光レンズ ４５ 受光素子 ５２ 空間光変調器Ｃ ５４ 入力パターン ５５ ＣＣＤ受光素子 ５６ 参照パターン ５８ 空間光変調器Ｅ ６０ 分割受光素子

─────────────────────────────────────────────────────

【手続補正書】

【提出日】平成３年１０月２３日

【手続補正１】

【補正対象書類名】明細書

【補正対象項目名】０００２

【補正方法】変更

【補正内容】

【０００２】

【従来の技術】画像パターンの識別を行なうとき、その
代表的手法として、光学的相関検出手法がある。その手
法は、大別して２つに分類することができ、その１つ
は、パターンを光学的にフーリエ変換し、このフーリエ
変換面において、パターンのマッチングを行なって、こ
のマッチングした度合いに応じた相関ピーク出力を得る
もので、その代表例として、マッチドフィルタ法、合同
フーリエ変換(Joint Transform)法が知られている。こ
れらの手法は、光学的フーリエ変換を行なうために、コ
ヒーレント光を用いて相関検出を行なうが、これに対し
て、実空間におけるパターンマッチングを行なう場合に
は、インコヒーレント光で相関検出を行うことができ
る。この手法の代表例として、影絵の相関と呼ばれる手
法があり、この手法では、入力パターンと参照パターン
とを透過率マスクで表し、それら２つのマスクを重ね
て、両方のマスクを透過してきた光量を測定することに
より、疑似的に相関出力を得ていた。

【手続補正２】

【補正対象書類名】明細書

【補正対象項目名】０００３

【補正方法】変更

【補正内容】

【０００３】これらの相関検出方法では、２次元の画像
の相関を高速に検出できるメリットがあるが、従来は、
光学系に記憶しておいた参照パタ−ンの中から、入力パ
タ−ンに対して最も相関度の高いパタ−ンを選択して識
別していたため、識別したいパターンのクラスが多くな
ると、多くのパターンを記憶しなければならない。従っ
て、入力パターンと多くの参照パターンとの相関をとら
なければならないため、これを高速化するために、パタ
ーンの高速な表示が必要となり、大量のパターンの識別
には適さなかった。また、本質的に相関演算は、類似し
たパターンは類似した相関出力となるので、類似パター
ンの識別にも適さないという欠点があった。更に、最も
光学系の簡易な影絵の相関は、厳密には相関出力ではな
く、畳み込み積分的な出力が得られるため、識別能力が
低く、十分な識別を行なうためには、他の比較的光学系
の複雑な手法を用いざるを得なかった。

【手続補正３】

【補正対象書類名】明細書

【補正対象項目名】０００４

【補正方法】変更

【補正内容】

【０００４】これに対して、ニューラルネットワーク等
の識別手法を用いる場合、画像パターンや、音声パター
ン等のパターンの識別では、先ず、入力パターンから複
数のパラメータによる特徴量を抽出し、次に、その特徴
量の集合に対して、何らかの演算を施して、識別出力を
得るのが、一般的手順である。この特徴量のパラメータ
の数をｎとして、これらの特徴量を要素とする位置ベク
トルを考え、このベクトル（入力パターンに固有のベク
トルであるから、これを入力ベクトルと呼ぶ）を含むｎ
次元空間を、特徴空間と呼ぶこととする。例えば、２次
元画像パターンにおいて、これをＮ×Ｍの小領域に分割
し、各領域における濃度の平均値を特徴量として用いる
ことができる。この場合の特徴空間は、Ｎ×Ｍ次元空間
となり、一般の画像パターンの場合、非常に大きな次元
となる。

【手続補正４】

【補正対象書類名】明細書

【補正対象項目名】０００５

【補正方法】変更

【補正内容】

【０００５】このような特徴空間において、入力パター
ンを識別するために、大きく分けて、２つの方法が考え
られる。１つは、特徴空間を各々のクラス、或いはサブ
クラス毎に分割して、その特徴空間に於いて入力ベクト
ルが含まれる領域の示すクラスにより識別する方法であ
り、もう１つは、特徴空間内の各クラスの基準となる位
置を用意しておいて、入力パターンとこれらの基準との
ノルム（距離）のうちで、最も短いもののクラスにより
識別する方法である。この場合のノルムの計算において
は、各座標軸毎にデータのバラツキ具合が異なる場合が
あるので、各座標軸の寄与を一律に計算せずに、その座
標軸におけるデータの分散値を用いて寄与率の補正を行
なっても良い。

Claims (7)

【特許請求の範囲】
1. 【請求項１】識別したい入力パターンからＮ個の特徴量
   を検出するための、Ｎ種類のパラメータに対する各特徴
   量を座標軸とするＮ次元特徴空間内の、該入力パターン
   に対して検出した該各特徴量を、要素とする位置ベクト
   ル（以後、入力ベクトルと称する）と、各識別クラス或
   いは該クラスの一部を成すサブクラス毎に設定された該
   特徴空間内の各基準位置ベクトル（以後基準ベクトルと
   称する）との位置関係に基づいた量により識別を行なう
   パターン識別方法において、 前記複数のパラメータは、少なくとも複数の参照パター
   ンに対する入力パターンの各相互相関に基づく量を含
   み、 前記各基準ベクトルは、各クラス或いはサブクラスに属
   する複数の学習用入力パターンによる入力ベクトルの、
   各クラス或いはサブクラス毎の平均により求め、 前記入力ベクトルとｎ番目の基準ベクトルとの位置関係
   に基づいた量Ｃ_n は、 【数１】 但し、 ｆ：単調非増加の正数関数 ｇ：任意の関数 ｘ_i ：入力ベクトルのｉ番目の要素 Ｍ_ni：クラスｎの基準ベクトルのｉ番目の要素 σ_ni ² ：特徴空間のｉ番目の座標軸に関するクラスｎの
   学習入力データの分散値 の式（１）により求め、各基準ベクトルについて、該量
   Ｃ_n を比較することにより、識別クラスを決定すること
   を特徴とする前記パターン識別方法。
2. 【請求項２】前記関数ｆ（α）は、αが大きくなるに従
   って、ある定数までは大きい値、この定数より大きい別
   の定数以上では小さい値、この２つの定数の間の領域で
   は、これらを繋ぐ単調減少の値を出力することを特徴と
   する請求項１に記載のパターン識別方法。
3. 【請求項３】前記関数ｇは、変数に対して、その定数倍
   （１倍も含む）を出力する関数であることを特徴とする
   請求項１或いは２に記載のパターン識別方法。
4. 【請求項４】前記関数ｇは、その出力が定数であること
   を特徴とする請求項１或いは２に記載のパターン識別方
   法。
5. 【請求項５】前記関数ｆ（α）は、ｎ番目のクラス或い
   はサブクラスに属するｔ番目の学習用入力ベクトルを、
   ｘ_nt、ｎ番目のクラス或いはサブクラスの基準ベクトル
   をＭ_n として、ノルム‖ｘ_nt−Ｍ_n‖の複数の学習用入
   力ベクトルに対する分散σ_n ²を用いて、ａ、ｂが正定数
   で、ａ＜ｂのとき、αがａ×σ_n ²までは高い値、ｂ×σ
   _n ²以上は低い値、ａ×σ_n ²からｂ×σ_n ²までは両者を繋
   ぐ単調減少の出力となる関数であることを特徴とする請
   求項４に記載のパターン識別方法。
6. 【請求項６】前記相互相関検出には、参照パターンと入
   力パターンとに基づいた複素振幅透過率（或いは反射
   率）分布を持つマスクを実質的に重ねて、この両者を通
   過した光量を相互相関量として検出することを特徴とす
   る請求項１〜５のいずれかに記載のパターン識別方法。
7. 【請求項７】前記相互相関検出には、入力パターン及び
   参照パターンを、光学的にフーリエ変換するフーリエ変
   換光学系を設け、一方のフーリエ変換パターンに基づい
   た複素振幅透過率（或いは反射率）分布を持つマスクを
   他方のフーリエ変換面に配置して、そのマスクを通過し
   た光量を相互相関量として検出することを特徴とする請
   求項１〜５のいずれかに記載のパターン識別方法。