JPH0565908B2 - - Google Patents
Info
- Publication number
- JPH0565908B2 JPH0565908B2 JP59016472A JP1647284A JPH0565908B2 JP H0565908 B2 JPH0565908 B2 JP H0565908B2 JP 59016472 A JP59016472 A JP 59016472A JP 1647284 A JP1647284 A JP 1647284A JP H0565908 B2 JPH0565908 B2 JP H0565908B2
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- mapping function
- average
- standard pattern
- patterns
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
- 238000013507 mapping Methods 0.000 claims description 79
- 230000006870 function Effects 0.000 claims description 78
- 238000010606 normalization Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 32
- 230000008602 contraction Effects 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 13
- 238000003909 pattern recognition Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
Landscapes
- Character Discrimination (AREA)
- Image Analysis (AREA)
Description
【発明の詳細な説明】
本発明はパタン認識における標準パタン作成方
式、特に文字認識、音声認識等のパタン認識にお
いて、特徴ベクトルの系列として記述されたパタ
ンを用いて認識処理を行なうときの標準パタンを
作成する方式に関する。
式、特に文字認識、音声認識等のパタン認識にお
いて、特徴ベクトルの系列として記述されたパタ
ンを用いて認識処理を行なうときの標準パタンを
作成する方式に関する。
従来パタン認識において、最も重要な処理は特
徴抽出処理と、種々のパタンマツチング法を含ん
だ判定処理であつた。その重要性は現在も変わら
ないが、種々のパタン認識での認識率が向上し、
実用化が意識されるにつれて、標準パタンの良し
悪しの占める比重が大きくなりつつある。認識過
程で扱われるパタンが多次元空間の１点を示す特
徴ペクトルとして表わされる場合は、用意された
複数個の学習パタンからより良い標準パタンを作
成する方法が研究され、提案されているが、特徴
ペクトルの系列として記述されたパタンが引線形
処理によつて認識処理が行なわれるような場合に
は、複数個の学習データから標準パタンを自動的
に作成することは一般に行なわれていない。
徴抽出処理と、種々のパタンマツチング法を含ん
だ判定処理であつた。その重要性は現在も変わら
ないが、種々のパタン認識での認識率が向上し、
実用化が意識されるにつれて、標準パタンの良し
悪しの占める比重が大きくなりつつある。認識過
程で扱われるパタンが多次元空間の１点を示す特
徴ペクトルとして表わされる場合は、用意された
複数個の学習パタンからより良い標準パタンを作
成する方法が研究され、提案されているが、特徴
ペクトルの系列として記述されたパタンが引線形
処理によつて認識処理が行なわれるような場合に
は、複数個の学習データから標準パタンを自動的
に作成することは一般に行なわれていない。
本発明は前記非線形処理によつて認識処理が行
なわれるような場合において、複数個の学習パタ
ンからより良い標準パタンを自動的に作成する標
準パタン作成方式を提供するものであり、これに
よつて認識処理による認識率を向上させ、且つ標
準パタン作成のための工数を大幅に軽減できる。
なわれるような場合において、複数個の学習パタ
ンからより良い標準パタンを自動的に作成する標
準パタン作成方式を提供するものであり、これに
よつて認識処理による認識率を向上させ、且つ標
準パタン作成のための工数を大幅に軽減できる。
本発明によると特徴ペクトルの系列として表わ
されるパタンを用いたパタン認識に必要な標準パ
タンを複数個の学習パタンを用いて作成する標準
パタン作成方式において、第１の仮の標準パタン
を格納する仮の標準パタン記憶手段と、順次入力
される前記複数個の学習パタンを各々と前記第１
の仮の標準パタンとを入力し両者の伸縮整合を行
ない最適な整合となるときの前記学習パタンの
各々と前記第１の仮の標準パタンとの対応を示す
第１の写像関数を出力する第１の写像関数生成手
段と、前記複数個の学習パタンの各々について得
られる第１の写像関数の平均となる平均写像関数
を求める平均写像関数生成手段と、前記平均写像
関数を伸縮正規化用写像関数として前記第１の仮
の標準パタンに第１の伸縮正規化処理を行つて第
２の仮の標準パタンを作成する第１の伸縮正規化
手段と、前記複数個の学習パタンを順次入力し前
記第２の仮の標準パタンとの伸縮整合を行ない最
適な整合となるときの第２の写像関数を出力する
第２の写像関数生成手段と、前記学習パタンと前
記学習パタンに対応する前記第２の写像関数とを
用いて第２の伸縮正規化処理を行なう第２の伸縮
正規化手段と、前記第２伸縮正規化処理を行なつ
て得られる前記学習パタンの伸縮正規化パタンを
順次入力し平均パタンを生成する平均パタン生成
手段とを含み、前記平均パタンを標準パタンとし
て出力することを特徴とするパタン認識における
標準パタン作成方式が得られる。
されるパタンを用いたパタン認識に必要な標準パ
タンを複数個の学習パタンを用いて作成する標準
パタン作成方式において、第１の仮の標準パタン
を格納する仮の標準パタン記憶手段と、順次入力
される前記複数個の学習パタンを各々と前記第１
の仮の標準パタンとを入力し両者の伸縮整合を行
ない最適な整合となるときの前記学習パタンの
各々と前記第１の仮の標準パタンとの対応を示す
第１の写像関数を出力する第１の写像関数生成手
段と、前記複数個の学習パタンの各々について得
られる第１の写像関数の平均となる平均写像関数
を求める平均写像関数生成手段と、前記平均写像
関数を伸縮正規化用写像関数として前記第１の仮
の標準パタンに第１の伸縮正規化処理を行つて第
２の仮の標準パタンを作成する第１の伸縮正規化
手段と、前記複数個の学習パタンを順次入力し前
記第２の仮の標準パタンとの伸縮整合を行ない最
適な整合となるときの第２の写像関数を出力する
第２の写像関数生成手段と、前記学習パタンと前
記学習パタンに対応する前記第２の写像関数とを
用いて第２の伸縮正規化処理を行なう第２の伸縮
正規化手段と、前記第２伸縮正規化処理を行なつ
て得られる前記学習パタンの伸縮正規化パタンを
順次入力し平均パタンを生成する平均パタン生成
手段とを含み、前記平均パタンを標準パタンとし
て出力することを特徴とするパタン認識における
標準パタン作成方式が得られる。
以下図面を用いて本発明の原理について詳細に
説明する。第１図は特徴ペクトルの系列として表
わされる２個のパタン１０，１１の伸縮整合を行
ない、最適な整合となるときの写像関数１２を示
す図である。第２図は標準パタンの違いが認識処
理に及ぼす影響の一例を示すための図である。第
２図ａにおいて１３は標準パタン、１３０は各写
像関数の始点と終点を結ぶ直線、１３１，１３
２，１３３，１３４，１３５は前記準パタン１３
と同じカテゴリＡのサンプルパタンとの間の写像
関数、１３６，１３７は前記標準パタン１３と異
なるカテゴリＢのサンプルパタンとの間の写像関
数とする。
説明する。第１図は特徴ペクトルの系列として表
わされる２個のパタン１０，１１の伸縮整合を行
ない、最適な整合となるときの写像関数１２を示
す図である。第２図は標準パタンの違いが認識処
理に及ぼす影響の一例を示すための図である。第
２図ａにおいて１３は標準パタン、１３０は各写
像関数の始点と終点を結ぶ直線、１３１，１３
２，１３３，１３４，１３５は前記準パタン１３
と同じカテゴリＡのサンプルパタンとの間の写像
関数、１３６，１３７は前記標準パタン１３と異
なるカテゴリＢのサンプルパタンとの間の写像関
数とする。
従来のパタン認識方式では伸縮整合を行なつて
得られる類似度のみで判定を行なつていたので、
前記１３１，…，１３７の写像関数を求めたとき
に得られる類似度がほぼ同じ値になるとき、カテ
ゴリＡとカテゴリＢとの識別が困難であつた。
得られる類似度のみで判定を行なつていたので、
前記１３１，…，１３７の写像関数を求めたとき
に得られる類似度がほぼ同じ値になるとき、カテ
ゴリＡとカテゴリＢとの識別が困難であつた。
第２図ｂにおいて、１４は前記標準パタン１３
を伸縮正規化して得られるカテゴリＡの標準パタ
ンであり、１４０は各写像関数の始点と終点を結
ぶ直線、１４１，１４２，１４３，１４４，１４
５は前記カテゴリＡのサンプルパタンと前記標準
パタン１４との写像関数、１４６，１４７は前記
カテゴリＢのサンプルパタンと前記標準パタン１
４との写像関数をする。
を伸縮正規化して得られるカテゴリＡの標準パタ
ンであり、１４０は各写像関数の始点と終点を結
ぶ直線、１４１，１４２，１４３，１４４，１４
５は前記カテゴリＡのサンプルパタンと前記標準
パタン１４との写像関数、１４６，１４７は前記
カテゴリＢのサンプルパタンと前記標準パタン１
４との写像関数をする。
若し、前記１４１，…，１４７の写像関数を求
めたときに得られる類似度がほぼ同じ値になると
しても、前記直線１４０と各写像関数の離れ具合
で前記カテゴリＡと前記カテゴリＢとを識別する
ことができる。また類似度を求めるときに、写像
関数が直線１４０から離れる程ペナルテイを加え
るように類似度を定めると、類似度の判定能力が
更に増すことになる。
めたときに得られる類似度がほぼ同じ値になると
しても、前記直線１４０と各写像関数の離れ具合
で前記カテゴリＡと前記カテゴリＢとを識別する
ことができる。また類似度を求めるときに、写像
関数が直線１４０から離れる程ペナルテイを加え
るように類似度を定めると、類似度の判定能力が
更に増すことになる。
従つて、第２図ａ，ｂの例でパタン１３よりは
パタン１４の方が標準パタンとして好ましいこと
がわかる。前記パタン１３から前記パタン１４を
生成する手段を以下に述べるが、同時にこれが本
発明の原理である。
パタン１４の方が標準パタンとして好ましいこと
がわかる。前記パタン１３から前記パタン１４を
生成する手段を以下に述べるが、同時にこれが本
発明の原理である。
写像関数１３１，…，１３７をそれぞれ
ｊ＝1(i)，ｊ＝2(i)，…，ｊ＝7(i)
とする、ここでカテゴリＡの写像関数の荷重平均
として得られる関数を ｊ＝(i) とすると、(i)は次式のようにして求まる。
として得られる関数を ｊ＝(i) とすると、(i)は次式のようにして求まる。
(i)＝｛5
〓K=1
WK(i)｝／｛5
〓K=1
WK｝
ここでWK（Ｋ＝１、…、５）は荷重であり、
WK＝（Ｋ＝１、…、５）のとき(i)は単純平均と
なる。このようにして得られる前記関数ｊ＝(i)
を用いて、第３図に示すような操作で、前記パタ
ン１３から写像関数ｊ＝(i)を示す１５を経て、
前記パタン１４が生成できる。式で表現すると、
パタン１３をj13(i)、前記パタン１４をｊ＝j14(i)
とすると、 j14(i)＝j13（(i)） で表わされる非線形正規化処理で前記パタン１３
から前記パタン１４が得られる。前記パタン１４
が第２の仮の標準パタンである。
WK＝（Ｋ＝１、…、５）のとき(i)は単純平均と
なる。このようにして得られる前記関数ｊ＝(i)
を用いて、第３図に示すような操作で、前記パタ
ン１３から写像関数ｊ＝(i)を示す１５を経て、
前記パタン１４が生成できる。式で表現すると、
パタン１３をj13(i)、前記パタン１４をｊ＝j14(i)
とすると、 j14(i)＝j13（(i)） で表わされる非線形正規化処理で前記パタン１３
から前記パタン１４が得られる。前記パタン１４
が第２の仮の標準パタンである。
そこで前記各学習パタンと前記パタン１４との
第２の写像関数を ｊ＝^1(i)，ｊ＝^2(i)，…，ｊ＝^5(i) とすると、これは第２図ｂの写像関数１４１，１
４２，１４３，１４４，１４５である。
第２の写像関数を ｊ＝^1(i)，ｊ＝^2(i)，…，ｊ＝^5(i) とすると、これは第２図ｂの写像関数１４１，１
４２，１４３，１４４，１４５である。
前記学習パタンを
ｊ＝f1(i)、ｊ＝f2(i)、…、ｊ＝f5(i)
とし第２の非線形正規化処理で得られる各パタン
を ｊ＝f^1(i)、ｊ＝f^2(i)、…、ｊ＝f^5(i) とすると、 fK(i)＝fK（^K(i)） である。（Ｋ＝１、２、３、４、５）従つて標準
パタンｊ＝fS(i)は前記二線形正規化パタンｊ＝f^K
(i)の荷重和で次式のようにして定める fS(i)＝｛5 〓K=1 W^Kf^K(i)｝／｛5 〓K=1 W^K｝ ここでW^K（Ｋ＝１、…、５）は荷重であり、
W^K＝１（Ｋ＝１、…、５）のときfS(i)は単純平均
となる。認識対象のパタンｊ＝ｊ(i)が２値パタン
として扱つてよい場合には、前記非線形正規化パ
タンの荷重和をとつたパタンと前記仮の標準パタ
ンを前記写像関数ｊ＝(i)で非線形正規化して得
られるパタンとは類似したパタンとなり、類似度
の値に影響を与えないが、前記認識対象のパタン
ｊ＝ｊ(i)が多値パタンとして扱われる場合には、
前記パタンｊ＝f^K(i)の荷重平均で標準パタンを求
めることが平均的な類似度の精度を高めるために
必要となる。尚ここではＫ＝５として説明を行な
つたが、Ｋの値は特に５と定めるものではなく任
意である。
を ｊ＝f^1(i)、ｊ＝f^2(i)、…、ｊ＝f^5(i) とすると、 fK(i)＝fK（^K(i)） である。（Ｋ＝１、２、３、４、５）従つて標準
パタンｊ＝fS(i)は前記二線形正規化パタンｊ＝f^K
(i)の荷重和で次式のようにして定める fS(i)＝｛5 〓K=1 W^Kf^K(i)｝／｛5 〓K=1 W^K｝ ここでW^K（Ｋ＝１、…、５）は荷重であり、
W^K＝１（Ｋ＝１、…、５）のときfS(i)は単純平均
となる。認識対象のパタンｊ＝ｊ(i)が２値パタン
として扱つてよい場合には、前記非線形正規化パ
タンの荷重和をとつたパタンと前記仮の標準パタ
ンを前記写像関数ｊ＝(i)で非線形正規化して得
られるパタンとは類似したパタンとなり、類似度
の値に影響を与えないが、前記認識対象のパタン
ｊ＝ｊ(i)が多値パタンとして扱われる場合には、
前記パタンｊ＝f^K(i)の荷重平均で標準パタンを求
めることが平均的な類似度の精度を高めるために
必要となる。尚ここではＫ＝５として説明を行な
つたが、Ｋの値は特に５と定めるものではなく任
意である。
第４図ａ，ｂ，ｃ，ｄは伸縮整合処理の一つで
あるDPマツチング法の一例を説明するための図
である。
あるDPマツチング法の一例を説明するための図
である。
標準パタンA0がＭ次元ペクトルA1 0、A2 0、…、
AN 0の系列から成り、入力パタンＡがＭ次元ペク
トルA1、M2、…、ANの系列から成つているとす
る。また標準パタンの任意のベクトルAj 0と、入
力パタンの任意のベクトルAiとの距離をｄ（ｉ，
ｊ）とする。単純な整合をとると、入力パタンＡ
と標準パタンA0との相違度Ｄ（Ａ，A0）は、例え
ば下式で求めることになる。
AN 0の系列から成り、入力パタンＡがＭ次元ペク
トルA1、M2、…、ANの系列から成つているとす
る。また標準パタンの任意のベクトルAj 0と、入
力パタンの任意のベクトルAiとの距離をｄ（ｉ，
ｊ）とする。単純な整合をとると、入力パタンＡ
と標準パタンA0との相違度Ｄ（Ａ，A0）は、例え
ば下式で求めることになる。
Ｄ（Ａ、A0）＝N
〓i=1
ｄ（ｉ、ｊ）
この式は第４ａの写像関数ｊ＝ｉ上でAiとAi 0
とを対応させて、両パタンの相違度を求めている
が、同図の写像関数ｊ＝(i)上で、AiとAi 0とを
対応させることができれば、両パタンの相違度を
求めるのに、入力パタンＡを部分的に伸縮して標
準パタンA0と整合をとることができる。
とを対応させて、両パタンの相違度を求めている
が、同図の写像関数ｊ＝(i)上で、AiとAi 0とを
対応させることができれば、両パタンの相違度を
求めるのに、入力パタンＡを部分的に伸縮して標
準パタンA0と整合をとることができる。
DPマツチング法は、入力パタンを部分的に伸
縮して整合をとるための手法であり、例えば第４
図ｂでは下記の初期値及び漸化式からｇ（Ｎ、Ｎ）
を求めることにより、写像関数ｊ＝(i)上でAiと
Aj 0とを対応させて整合をとることができる。
縮して整合をとるための手法であり、例えば第４
図ｂでは下記の初期値及び漸化式からｇ（Ｎ、Ｎ）
を求めることにより、写像関数ｊ＝(i)上でAiと
Aj 0とを対応させて整合をとることができる。
ｇ＝（１、１）＝ｄ（１、１）
ｇ＝（ｉ、ｊ）＝ｄ（ｉ、ｊ）＋min｛ｇ（ｉ−１、
ｊ）、ｇ（ｉ−１、ｊ−１）、ｇ（ｉ−１、ｊ−２）｝
ただし、ｄ（ｉ、ｊ）＝∞（ｉ≦０またはｊ≦
０）である。
ｊ）、ｇ（ｉ−１、ｊ−１）、ｇ（ｉ−１、ｊ−２）｝
ただし、ｄ（ｉ、ｊ）＝∞（ｉ≦０またはｊ≦
０）である。
第４図ｃは上記漸化式を求めるDPマツチング
法の一例を示すための図であり、入力パタンは５
個の一次元ベクトル、すなわちスカラー量の系列
｛１、２、４、５、５｝であり、標準パタンは同
じく５個の系列｛１、２、３、４、５｝であり、
（ｉ、ｊ）が（１、１）、（２、２）、（３、４）、
（４、５）、（５、５）、となる写像関数上の伸縮整
合を行なつている。
法の一例を示すための図であり、入力パタンは５
個の一次元ベクトル、すなわちスカラー量の系列
｛１、２、４、５、５｝であり、標準パタンは同
じく５個の系列｛１、２、３、４、５｝であり、
（ｉ、ｊ）が（１、１）、（２、２）、（３、４）、
（４、５）、（５、５）、となる写像関数上の伸縮整
合を行なつている。
第４図ｄは上記漸化式計算の計算量を減少させ
るために ｉ−Δ≦ｊ≦ｉ＋Δ の範囲内で、漸化式計算を行なうことを示してお
り、一般にDPマツチング法では、この範囲を整
合窓と呼び、実際に計算量の効率化を図つてい
る。
るために ｉ−Δ≦ｊ≦ｉ＋Δ の範囲内で、漸化式計算を行なうことを示してお
り、一般にDPマツチング法では、この範囲を整
合窓と呼び、実際に計算量の効率化を図つてい
る。
前記漸化式は単に相違度を求めるためだけのも
のであるが、 min（ｇ（ｉ−１、ｊ）、ｇ（ｉ−１、ｊ−１）、ｇ
（ｉ−１、ｊ−２））＝ｇ（ｉ−１、j(i-1)） （ただしｊ（ｉ−１）はｊ、ｊ−１、ｊ−２のい
ずれがである）のとき、 ｈ（ｉ、ｊ）＝j(i-1) として、関数ｈ（ｉ、ｊ）を求めておくことによ
り、相違度が求められた後にｈ（ｉ、ｊ）の値を
ｈ（Ｎ、Ｎ）から順次ｈ（１、１）まで求めること
により写像関数を求めることができる。例えば第
４図ｃの例ではｈ（５、５）は ｈ＝（５、５）＝５、ｈ（４、５）＝４、ｈ（３、
４）＝２、ｈ（２、２）＝１ であるから、写像関数（ｉ、ｊ）が （１、１）、（２、２）、（３、４）、（４、５）、
（５、５） と求まる。
のであるが、 min（ｇ（ｉ−１、ｊ）、ｇ（ｉ−１、ｊ−１）、ｇ
（ｉ−１、ｊ−２））＝ｇ（ｉ−１、j(i-1)） （ただしｊ（ｉ−１）はｊ、ｊ−１、ｊ−２のい
ずれがである）のとき、 ｈ（ｉ、ｊ）＝j(i-1) として、関数ｈ（ｉ、ｊ）を求めておくことによ
り、相違度が求められた後にｈ（ｉ、ｊ）の値を
ｈ（Ｎ、Ｎ）から順次ｈ（１、１）まで求めること
により写像関数を求めることができる。例えば第
４図ｃの例ではｈ（５、５）は ｈ＝（５、５）＝５、ｈ（４、５）＝４、ｈ（３、
４）＝２、ｈ（２、２）＝１ であるから、写像関数（ｉ、ｊ）が （１、１）、（２、２）、（３、４）、（４、５）、
（５、５） と求まる。
第５図は伸縮正規化処理の一例を示すための図
であり、Ｘ(i)（１≦ｉ≦16）は入力パタン、Ｙ(j)
（１≦ｊ≦16）は伸縮正規化パタンで、ｊ＝(i)
は伸縮正規化のための写像関数である。この例で
はＹ(j)は次の規則によつて定まる。
であり、Ｘ(i)（１≦ｉ≦16）は入力パタン、Ｙ(j)
（１≦ｊ≦16）は伸縮正規化パタンで、ｊ＝(i)
は伸縮正規化のための写像関数である。この例で
はＹ(j)は次の規則によつて定まる。
(1) ｊ＝(i)＞（ｉ−１）且つ(i)＜（ｉ＋
１）のときＹ(j)＝Ｘ(i) (2) ｊ＝(i)＞（ｉ−１）＋２のとき Ｙ（ｊ−
１）＝Ｘ(i) (3) ｊ＝(i)＞（ｉ−１）＜（ｉ＋１）のとき
Ｙ(j)＝Ｘ(i) 次に本発明の実施例を図面について説明する。
１）のときＹ(j)＝Ｘ(i) (2) ｊ＝(i)＞（ｉ−１）＋２のとき Ｙ（ｊ−
１）＝Ｘ(i) (3) ｊ＝(i)＞（ｉ−１）＜（ｉ＋１）のとき
Ｙ(j)＝Ｘ(i) 次に本発明の実施例を図面について説明する。
第６図は本発明の一実施例の構成図であり、２
は仮の標準パタン記憶手段で、２０は第１の仮の
標準パタンとなる複数個の学習パタンの中の１個
を示す信号であり、前記信号２０として入力した
第１の仮の標準パタンを格納し、信号２２とし
て、後述する第１の写像関数生成手段３と第１の
伸縮正規化手段５に第１の仮の標準パタンを供給
する。第１の写像関数生成手段３は前記複数個の
学習パタンを１個ずつ信号２１として順次入力
し、第１の写像関数を求め、信号２３として順次
出力する。４は平均写像関数生成手段で、前記信
号２３として順次入力されるすべての第１の写像
関数の荷重平均を求めることにより平均写像関数
を定め、信号２４として前記平均写像関数を出力
する。伸縮正規化手段５は前記第１の仮の標準パ
タンを信号２２として、前記平均写像関数を信号
２４として入力し、非線形正規化処理を行なつて
得られる第２の仮の標準パタンを信号２５として
出力する。
は仮の標準パタン記憶手段で、２０は第１の仮の
標準パタンとなる複数個の学習パタンの中の１個
を示す信号であり、前記信号２０として入力した
第１の仮の標準パタンを格納し、信号２２とし
て、後述する第１の写像関数生成手段３と第１の
伸縮正規化手段５に第１の仮の標準パタンを供給
する。第１の写像関数生成手段３は前記複数個の
学習パタンを１個ずつ信号２１として順次入力
し、第１の写像関数を求め、信号２３として順次
出力する。４は平均写像関数生成手段で、前記信
号２３として順次入力されるすべての第１の写像
関数の荷重平均を求めることにより平均写像関数
を定め、信号２４として前記平均写像関数を出力
する。伸縮正規化手段５は前記第１の仮の標準パ
タンを信号２２として、前記平均写像関数を信号
２４として入力し、非線形正規化処理を行なつて
得られる第２の仮の標準パタンを信号２５として
出力する。
６は第２の写像関数生成手段であり、前記第２
の仮の標準パタンを信号２５、前記学習パタンを
信号２１として順次入力し、信号２６として第２
の写像関数を出力する。７は第２の伸縮正規化手
段であり、前記学習パタンを信号２１、前記学習
パタンに対応する第２の写像関数を信号２６とし
て順次入力し、前記学習パタンに対応する伸縮正
規化パタンを信号２７として順次入力し、８は平
均パタン生成手段で、信号２７として順次入力さ
れるすべての前記伸縮正規化パタンの荷重平均を
求め、平均パタンを信号２８として出力し標準パ
タンとする。
の仮の標準パタンを信号２５、前記学習パタンを
信号２１として順次入力し、信号２６として第２
の写像関数を出力する。７は第２の伸縮正規化手
段であり、前記学習パタンを信号２１、前記学習
パタンに対応する第２の写像関数を信号２６とし
て順次入力し、前記学習パタンに対応する伸縮正
規化パタンを信号２７として順次入力し、８は平
均パタン生成手段で、信号２７として順次入力さ
れるすべての前記伸縮正規化パタンの荷重平均を
求め、平均パタンを信号２８として出力し標準パ
タンとする。
上記説明において前記仮の標準パタン記憶手段
２は通常用いられているものでよい。
２は通常用いられているものでよい。
第７図は前記写像関数生成手段３の構成の一例
を示すためのブロツク図である。ここでの処理は
前記DPマツチング法の説明の中の、漸化式（ｉ、
ｊ）の計算と、漸化式決算の結果得られる軌跡ｈ
（ｉ、ｊ）を求め、ｈ（ｉ、ｊ）から写像関数を求
めるものである。
を示すためのブロツク図である。ここでの処理は
前記DPマツチング法の説明の中の、漸化式（ｉ、
ｊ）の計算と、漸化式決算の結果得られる軌跡ｈ
（ｉ、ｊ）を求め、ｈ（ｉ、ｊ）から写像関数を求
めるものである。
２１は順次入力される前記学習パタンを示す信
号で特徴ベクトルの系列A1、A2、…、ANに対応
し、２２は前記仮の標準パタンを示す信号で特徴
ベクトルの系列A1 0、A2 0、…、AN 0に対応し、３１
は距離演算部で上記２信号を入力とし、ｄ（ｉ、
ｊ）を計算し、信号３１１として出力する。３２
は前出の漸化式 ｇ＝（ｉ、ｊ）＝ｄ（ｉ、ｊ）＋min｛ｇ（ｉ−１、
ｊ）、ｇ（ｉ−１、ｊ−１）、ｇ（ｉ−１、ｊ−２）｝
を計算する漸化式演算部で、ｄ（ｉ、ｊ）を信号
３１１、min（ｇ（ｉ−１、ｊ）、ｇ（ｉ−１、ｊ−
１）、ｇ（ｉ−１、ｊ−２））を信号３４１として
入力し、演算結果のｇ（ｉ、ｊ）を信号３２１と
して、累積値記憶部３３に出力する。
号で特徴ベクトルの系列A1、A2、…、ANに対応
し、２２は前記仮の標準パタンを示す信号で特徴
ベクトルの系列A1 0、A2 0、…、AN 0に対応し、３１
は距離演算部で上記２信号を入力とし、ｄ（ｉ、
ｊ）を計算し、信号３１１として出力する。３２
は前出の漸化式 ｇ＝（ｉ、ｊ）＝ｄ（ｉ、ｊ）＋min｛ｇ（ｉ−１、
ｊ）、ｇ（ｉ−１、ｊ−１）、ｇ（ｉ−１、ｊ−２）｝
を計算する漸化式演算部で、ｄ（ｉ、ｊ）を信号
３１１、min（ｇ（ｉ−１、ｊ）、ｇ（ｉ−１、ｊ−
１）、ｇ（ｉ−１、ｊ−２））を信号３４１として
入力し、演算結果のｇ（ｉ、ｊ）を信号３２１と
して、累積値記憶部３３に出力する。
３４は最小値選択部で、累積値記憶部３３から
ｇ（ｉ−１、ｊ）、ｇ（ｉ−１、ｊ−１）そしてｇ
（ｉ−１、ｊ−２）を信号３３１、信号３３２そ
して信号３３３として読込み、min（ｇ（ｉ−１、
ｊ）、ｇ（ｉ−１、ｊ−１）、ｇ（ｉ−１、ｉ−２））
を信号３４１、そしてｈ（ｉ、ｊ）を信号３４２
として写像軌跡記憶部３５に出力する。漸化式演
算が終了すると前記写像軌跡記憶部３５から写像
関数を信号２３として出力する。
ｇ（ｉ−１、ｊ）、ｇ（ｉ−１、ｊ−１）そしてｇ
（ｉ−１、ｊ−２）を信号３３１、信号３３２そ
して信号３３３として読込み、min（ｇ（ｉ−１、
ｊ）、ｇ（ｉ−１、ｊ−１）、ｇ（ｉ−１、ｉ−２））
を信号３４１、そしてｈ（ｉ、ｊ）を信号３４２
として写像軌跡記憶部３５に出力する。漸化式演
算が終了すると前記写像軌跡記憶部３５から写像
関数を信号２３として出力する。
上記説明において、距離演算部３１、漸化式演
算部３２、累積値記憶部３３、最小値選択部３
４、写像軌跡記憶部３５はいずれも通常の記憶手
段、加算等の演算手段、比較手段を用いて容易に
実現できる。
算部３２、累積値記憶部３３、最小値選択部３
４、写像軌跡記憶部３５はいずれも通常の記憶手
段、加算等の演算手段、比較手段を用いて容易に
実現できる。
前記平均写像関数生成手段４は、前記信号２３
として入力される写像関数を逐次加算し、荷重平
均をとるものであるが、これは通常の記憶手段、
加算、乗算等の演算手段を用いて容易に実現でき
る。尚、荷重平均処理の荷重は認識対象のパタン
の性質によつて変わるが、前記性質が未知のとき
には単純平均でもよい。
として入力される写像関数を逐次加算し、荷重平
均をとるものであるが、これは通常の記憶手段、
加算、乗算等の演算手段を用いて容易に実現でき
る。尚、荷重平均処理の荷重は認識対象のパタン
の性質によつて変わるが、前記性質が未知のとき
には単純平均でもよい。
前記第２の写像関数生成手段６は前記写像関数
生成手段３と全く同一の構成のものでよい。同様
に前記第２の伸縮正規化手段７は前記伸縮正規化
手段５と全く同一の構成のものでよい。
生成手段３と全く同一の構成のものでよい。同様
に前記第２の伸縮正規化手段７は前記伸縮正規化
手段５と全く同一の構成のものでよい。
前記平均パタン生成手段８は、前記信号２７と
して入力される伸縮正規化パタンを逐次加算し、
荷重平均をとるものであるが、これは通常の記憶
手段、加算、乗算等の演算手段を用いて容易に実
現できる。尚荷重平均処理の荷重は認識対象のパ
タンの性質によつて変わるが、前記性質が未知の
ときには単純平均でもよい。
して入力される伸縮正規化パタンを逐次加算し、
荷重平均をとるものであるが、これは通常の記憶
手段、加算、乗算等の演算手段を用いて容易に実
現できる。尚荷重平均処理の荷重は認識対象のパ
タンの性質によつて変わるが、前記性質が未知の
ときには単純平均でもよい。
このようにすれば複数個の学習パタンの仮の標
準パタンとから得られる複数個の写像関数の平均
写像関数を求め、前記仮の標準パタンと前記平均
写像関数とから、第２の仮の標準パタンを求め、
前記第２の仮の標準パタンと各学習パタンとから
各々の第２の写像関数を求め、次に各々の伸縮正
規化パタンの平均パタンを求め、前記平均パタン
を標準パタンと定めることにより、偏りの少ない
標準パタンを自動的に得ることができる。この偏
りの少ない標準パタンを用いることにより、認識
率の向上を計ることができ、空に認識のための伸
縮整合処理としてDPマツチング法を用いる場合
には、偏りの大きい標準パタンに比べて整合窓幅
を狭くできるので、計算量を減らす効果も得られ
る。また自動的に処理できることから、標準パタ
ン作成のための工数を大幅に減らすという効果も
得られる。
準パタンとから得られる複数個の写像関数の平均
写像関数を求め、前記仮の標準パタンと前記平均
写像関数とから、第２の仮の標準パタンを求め、
前記第２の仮の標準パタンと各学習パタンとから
各々の第２の写像関数を求め、次に各々の伸縮正
規化パタンの平均パタンを求め、前記平均パタン
を標準パタンと定めることにより、偏りの少ない
標準パタンを自動的に得ることができる。この偏
りの少ない標準パタンを用いることにより、認識
率の向上を計ることができ、空に認識のための伸
縮整合処理としてDPマツチング法を用いる場合
には、偏りの大きい標準パタンに比べて整合窓幅
を狭くできるので、計算量を減らす効果も得られ
る。また自動的に処理できることから、標準パタ
ン作成のための工数を大幅に減らすという効果も
得られる。
尚以上の説明では標準パタンと入力パタンの系
列が同じ長さとしてきたが、若し長さが異なる場
合には長さの正規化等の前処理を行なえばよく、
また前処理によつてパタンの形状が大きく変わる
場合は、別のサブカテゴリーとして取り扱えばよ
い。従つて本発明は必ずしも１つのカテゴリーの
すべての学習パタンに対して適用するものではな
く、サブカテゴリー単位で適用すれば、より以上
の効果が得られる。また伸縮整合処理はDPマツ
チングに限ることなく、またDPマツチングを用
いる場合でも、使用する漸化式は本発明の漸化式
に限るものではない。また仮の標準パタンは、あ
らかじめ用意されたものではなく、複数個の学習
パタンの中から１個を選択したものでもよい。
列が同じ長さとしてきたが、若し長さが異なる場
合には長さの正規化等の前処理を行なえばよく、
また前処理によつてパタンの形状が大きく変わる
場合は、別のサブカテゴリーとして取り扱えばよ
い。従つて本発明は必ずしも１つのカテゴリーの
すべての学習パタンに対して適用するものではな
く、サブカテゴリー単位で適用すれば、より以上
の効果が得られる。また伸縮整合処理はDPマツ
チングに限ることなく、またDPマツチングを用
いる場合でも、使用する漸化式は本発明の漸化式
に限るものではない。また仮の標準パタンは、あ
らかじめ用意されたものではなく、複数個の学習
パタンの中から１個を選択したものでもよい。
本発明は複数の学習パタンからより良い標準パ
タンを自動的に作成することができ、認識処理に
よる認識率を向上させ、且つ標準パタン作成のた
めの工数を大幅に軽減できる効果がある。
タンを自動的に作成することができ、認識処理に
よる認識率を向上させ、且つ標準パタン作成のた
めの工数を大幅に軽減できる効果がある。
第１図は特徴ベクトルの系列として表わされる
２つのパタンの伸縮整合を行なつたときの写像関
数を示す図、第２図は標準パタンの違いによる写
像関数の違いを示す図で、ａは複数個の学習パタ
ンに対して偏りの大きな標準パタンの場合、ｂは
偏りの少ない標準パタンの場合である。第３図は
写像関数を用いて伸縮正規化処理を行なうことを
示す図、第４図ａ〜ｄはDPマツチング法の一例
を説明するための図、第５図は伸縮正規化処理の
一例を示すための図、第６図は本発明の一実施例
のブロツク図、第７図は第６図中の写像関数生成
手段の構成の一例を示すブロツク図である。２は
仮の標準パタン記憶手段、３は写像関数生成手
段、４は平均写像関数生成手段、５は伸縮正規化
手段、６は第２の写像関数生成手段、７は第２の
伸縮正規化手段、８は平均パタン生成手段、３１
は距離演算部、３２は漸化式演算部、３３は累積
値記憶部、３４は最小値選択部、３５は写像軌跡
記憶部。
２つのパタンの伸縮整合を行なつたときの写像関
数を示す図、第２図は標準パタンの違いによる写
像関数の違いを示す図で、ａは複数個の学習パタ
ンに対して偏りの大きな標準パタンの場合、ｂは
偏りの少ない標準パタンの場合である。第３図は
写像関数を用いて伸縮正規化処理を行なうことを
示す図、第４図ａ〜ｄはDPマツチング法の一例
を説明するための図、第５図は伸縮正規化処理の
一例を示すための図、第６図は本発明の一実施例
のブロツク図、第７図は第６図中の写像関数生成
手段の構成の一例を示すブロツク図である。２は
仮の標準パタン記憶手段、３は写像関数生成手
段、４は平均写像関数生成手段、５は伸縮正規化
手段、６は第２の写像関数生成手段、７は第２の
伸縮正規化手段、８は平均パタン生成手段、３１
は距離演算部、３２は漸化式演算部、３３は累積
値記憶部、３４は最小値選択部、３５は写像軌跡
記憶部。
Claims (1)
- １ 特徴ベクトルの系列として表わされるパタン
を用いたパタン認識に必要な標準パタンを複数個
の学習パタンを用いて作成する標準パタン作成方
式において、第１の仮の標準パタンを格納する仮
の標準パタン記憶手段と、順次入力される前記複
数個の学習パタンの各々と前記第１の仮の標準パ
タンとを入力し両者の伸縮整合を行ない最適な整
合となるときの前記学習パタンの各々と前記第１
の仮の標準パタンとの対応を示す第１の写像関数
を出力する第１の写像関数生成手段と、前記複数
個の学習パタンの各々について得られる第１の写
像関数の平均となる平均写像関数を求める平均写
像関数生成手段と、前記平均写像関数を伸縮正規
化用写像関数として前記第１の仮の標準パタンに
第１の伸縮正規化処理を行つて第２の仮の標準パ
タンを作成する第１の伸縮正規化手段と、前記複
数個の学習パタンを順次入力し前記第２の仮の標
準パタンとの伸縮整合を行ない最適な整合となる
ときの第２の写像関数を出力する第２の写像関数
生成手段と、前記学習パタンと前記学習パタンに
対応する前記第２の写像関数とを用いて第２の伸
縮正規化処理を行なう第２の伸縮正規化手段と、
前記第２の伸縮正規化処理を行なつて得られる前
記学習パタンの伸縮正規化パタンを順次入力し平
均パタンを生成する平均パタン生成手段とを含
み、前記平均パタンを標準パタンとして出力する
ことを特徴とするパタン認識における標準パタン
作成方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP59016472A JPS60160489A (ja) | 1984-02-01 | 1984-02-01 | パタン認識における標準パタン作成方式 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP59016472A JPS60160489A (ja) | 1984-02-01 | 1984-02-01 | パタン認識における標準パタン作成方式 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS60160489A JPS60160489A (ja) | 1985-08-22 |
| JPH0565908B2 true JPH0565908B2 (ja) | 1993-09-20 |
Family
ID=11917203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP59016472A Granted JPS60160489A (ja) | 1984-02-01 | 1984-02-01 | パタン認識における標準パタン作成方式 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS60160489A (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4901549B2 (ja) * | 2007-03-29 | 2012-03-21 | 株式会社ダイヘン | 集電装置 |
| JP5074919B2 (ja) * | 2007-12-27 | 2012-11-14 | アズビル株式会社 | 標準時系列データ算出方法、異常検出方法、標準時系列データ算出装置、および異常検出装置 |
-
1984
- 1984-02-01 JP JP59016472A patent/JPS60160489A/ja active Granted
Also Published As
| Publication number | Publication date |
|---|---|
| JPS60160489A (ja) | 1985-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7505637B2 (en) | Method, apparatus, computer program, computer system, and computer-readable storage medium for representing and searching for an object in an image | |
| JP2795058B2 (ja) | 時系列信号処理装置 | |
| EP0103245B1 (en) | Pattern matching apparatus | |
| Forman | Putting metaclasses to work | |
| KR980011007A (ko) | 음성 인식 방법, 정보 형성 방법, 음성 인식 장치 및 기록 매체 | |
| Badeau et al. | Fast and stable YAST algorithm for principal and minor subspace tracking | |
| KR100978913B1 (ko) | Ｓｖｍ기반 복 수의 매칭 알고리즘을 결합한 음원 검색 시스템 및 방법 | |
| JPS6024994B2 (ja) | パタ−ン類似度計算方式 | |
| JPH07319924A (ja) | 手書き電子文書のインデックス付けおよび探索方法 | |
| Shi et al. | Music genre classification based on chroma features and deep learning | |
| US7447373B2 (en) | Method for efficient coding of shape descriptor parameters | |
| JPH0565908B2 (ja) | ||
| JPH0565907B2 (ja) | ||
| JP2570448B2 (ja) | 標準パターン学習方法 | |
| JPH0531792B2 (ja) | ||
| Gaudin et al. | An adaptable time warping distance for time series learning | |
| JP2008197463A (ja) | 音声認識装置及び音声認識方法 | |
| JPH06119451A (ja) | パターン認識装置およびそれを用いたシステム | |
| JPH024919B2 (ja) | ||
| JPH0683938A (ja) | 連続手話認識方法および装置 | |
| JPH0664534B2 (ja) | 単一化候補項の選択装置 | |
| JPH0576669B2 (ja) | ||
| Ebrahim et al. | A novel warping distance measure | |
| Kalluri et al. | Approximate weighted myriad computation by fixed point search | |
| JPS6328313B2 (ja) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| EXPY | Cancellation because of completion of term |