JPH06231258A - ニューラルネットワークを用いた画像認識装置 - Google Patents

Abstract

(57)【要約】 【目的】 認識対象の種類が増加してもニューラルネッ
トワークを再構築する必要性を無くす。 【構成】 ニューラルネットワーク１は、出力層14に16
×16個のセルを備え、人物Ａ〜Ｅの正面顔画像，上向き
顔画像等予め用意された32×32画素の画像が入力層11に
入力されたとき、出力層14から、入力された人物Ａ〜Ｅ
の正面顔画像を16×16にモザイク化した画像が得られる
ように学習されている。認識対象の32×32画素の画像が
入力層11に入力された画像認識時、信号比較部７は、ニ
ューラルネットワーク１の出力層14から得られた16×16
画素の画像と、基本画像記憶メモリ６に記憶されている
学習時に使用した人物Ａ〜Ｅの正面顔画像を16×16にモ
ザイク化した画像とを比較し、認識結果を制御部８を通
じて表示装置９ｂに出力する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、学習則にバックプロパ
ゲーション則を採用したニューラルネットワークを用い
た画像認識装置に関する。

【０００２】

【従来の技術】従来、この種の画像認識装置において
は、ニューラルネットワークを構成する出力層に、認識
しようとする特定の画像に１対１に対応付けたセルを備
え、認識対象の画像をニューラルネットワークに入力し
たときに対応するセルの出力値が最大値，それ以外のセ
ルの出力値が最小値となるように学習せしめられ、実際
の認識時には出力層のセルのうち最大値を持つセルに対
応して学習せしめられた認識対象画像を認識結果として
いる。

【０００３】即ち、印刷或いは手書きされた例えば０か
ら９の数字を認識する装置においては、出力層に０から
９までの１０種の数字に１対１に対応付けて学習せしめ
られた合計１０個のセルを設け、また顔画像から例えば
５人の人物を同定する装置においては、出力層にその５
人に１対１に対応付けて学習せしめられた合計５個のセ
ルを設け、実際の認識時には出力層のセルの出力値に基
づいて認識結果を決定するものであった。

【０００４】

【発明が解決しようとする課題】上述のような構成の従
来の画像認識装置は、認識対象の種類が初期と同じであ
ればニューラルネットワークを一度構築しておけば以後
使用できる。しかし、初期と比べて認識対象の種類が増
加した場合には、増加した認識対象分だけ出力層に新た
なセルを追加する必要があるため、ニューラルネットワ
ークの再構築が必要になるという問題がある。

【０００５】本発明はこのような従来の問題点を解決し
たもので、その目的は、認識対象の種類が増加してもニ
ューラルネットワークを再構築する必要のない画像認識
装置を提供することにある。

【０００６】

【課題を解決するための手段】本発明は上記の目的を達
成するために、以下の（Ａ），（Ｂ）のような構成を採
用している。

【０００７】構成Ａ；入力層，中間層，出力層の少なく
とも３層以上で構成され、学習則にバックプロパゲーシ
ョン則を採用したニューラルネットワークを用いた画像
認識装置において、前記ニューラルネットワークは、出
力層にＮ×Ｍ個のセルを備え、且つ、各認識対象毎に複
数種用意された学習用画像のそれぞれを前記入力層に入
力したときに前記出力層から前記認識対象毎の複数種の
学習用画像のうちの予め定められた特定の画像をＮ×Ｍ
にモザイク化した画像が得られるように学習されてお
り、且つ、前記特定の画像をＮ×Ｍにモザイク化した画
像を認識対象毎に記憶する基本画像記憶メモリと、画像
認識時、前記ニューラルネットワークの出力層から得ら
れた画像と前記基本画像記憶メモリに記憶された画像と
を比較して認識結果を出力する比較手段を備える構成。

【０００８】構成Ｂ；入力層，中間層，出力層の少なく
とも３層以上で構成され、学習則にバックプロパゲーシ
ョン則を採用したニューラルネットワークを用いた画像
認識装置において、前記ニューラルネットワークは、出
力層にＮ×Ｍ個のセルを備え、且つ、学習用画像を前記
入力層に入力したときに前記出力層から前記学習用画像
をＮ×Ｍにモザイク化した画像が得られるように学習さ
れており、且つ、前記学習用画像をＮ×Ｍにモザイク化
した画像を記憶する基本画像記憶メモリと、画像認識
時、前記ニューラルネットワークの出力層から得られた
画像と前記基本画像記憶メモリに記憶された画像とを比
較して認識結果を出力する比較手段を備える構成。な
お、この構成の好ましい実施例においては、前記学習用
画像は各認識対象毎に複数種用いられる。

【０００９】

【作用】構成Ａにおいては、各認識対象について複数種
用意された学習用画像のそれぞれを入力層に入力したと
きに出力層から前記複数種のうちの予め定められた特定
の画像をＮ×Ｍにモザイク化した画像が得られるように
ニューラルネットワークが学習されているため、画像認
識時、認識対象とする画像を入力層に入力すると、その
画像が学習用画像の何れかに類似する場合には、出力層
のＮ×Ｍ個のセルからは入力された画像と最も類似して
いる前記特定の画像をＮ×Ｍにモザイク化した画像が出
力される。よって、それと前記複数の特定の画像をＮ×
Ｍにモザイク化した画像とを比較手段が比較することに
より、画像の認識が行える。

【００１０】構成Ｂにおいては、学習用の画像を入力層
に入力したときに出力層からその学習用の画像をＮ×Ｍ
にモザイク化した画像が得られるようにニューラルネッ
トワークが学習されているため、画像認識時、認識対象
とする画像を入力層に入力すると、その画像が学習用の
画像の何れかに類似する場合には、出力層のＮ×Ｍ個の
セルからは入力された画像と最も類似している学習用の
画像をＮ×Ｍにモザイク化した画像が出力される。よっ
て、それと前記複数の学習用の画像をＮ×Ｍにモザイク
化した画像とを比較手段が比較することにより、画像の
認識が行える。

【００１１】

【実施例】次に本発明の実施例について図面を参照して
詳細に説明する。

【００１２】図１は本発明のニューラルネットワークを
用いた画像認識装置の一実施例のブロック図であり、顔
画像から人物を同定する装置に本発明を適用したもので
ある。

【００１３】この実施例の画像認識装置は、ニューラル
ネットワーク１と、画像入力装置２と、前処理部３と、
入力画像記憶メモリ４と、出力画像記憶メモリ５と、基
本画像記憶メモリ６と、信号比較部７と、制御部８と、
入出力装置９とを備えている。

【００１４】制御部８は画像認識装置全体の制御を司る
部分であり、ニューラルネットワーク１，出力画像記憶
メモリ５，基本画像記憶メモリ６，信号比較部７および
入出力装置９に接続されている。

【００１５】入出力装置９はキーボード等の入力装置９
ａとディスプレイ等の表示装置９ｂとを備え、利用者か
らの指示を受け付けたり、装置側からの出力を表示す
る。

【００１６】画像入力装置２は、学習用画像および認識
対象とする画像を入力する装置であり、ビデオカメラ等
で構成されている。

【００１７】前処理部３は、画像入力装置２から出力さ
れた画像に対してヒストグラム伸張を行った後に、ニュ
ーラルネットワーク１に入力できるサイズにモザイク化
する部分である。ヒストグラム伸張はコントラスト強調
とも呼ばれており、例えば濃度階調変換を最大階調が２
５５のレベルになるように、最小階調が０のレベルにな
るように画像のコントラストを強調する。このような前
処理を行うことで、画像入力時の照明の変化等による濃
度変化に対して強い認識が可能となる。なお、画像のモ
ザイク化は、ニューラルネットワーク１の入力が３２×
３２というように、メモリの関係から制限されている為
に行うものである。

【００１８】入力画像記憶メモリ４は、前処理部３から
出力されたヒストグラム伸張，モザイク化後の入力画像
を保持するメモリであり、保持した３２×３２画素の値
をニューラルネットワーク１に入力する。

【００１９】ニューラルネットワーク１は、３２×３２
＝１０２４個のセルを持つ入力層１１と、６０個のセル
を持つ第１中間層１２と、同じく６０個のセルを持つ第
２中間層１３と、１６×１６＝２５６個のセルを持つ出
力層１４とを有する４層構造になっており、学習則とし
てバックプロパゲーション則の機能を備えている。

【００２０】ここで、入力層１１の各セルには１画素＝
１セル入力となるように入力画像記憶メモリ４に保持さ
れた画素の値が入力され、入力層１１の各セルの出力は
第１中間層１２の全セルに入力され、第１中間層１２の
各セルの出力は第２中間層１３の全セルに入力され、第
２中間層１３の各セルの出力は出力層１４の全セルに入
力され、出力層１４の各セルの出力は出力画像記憶メモ
リ５に入力される。

【００２１】出力画像記憶メモリ５は、出力層１４から
出力された１６×１６個の信号を、１６×１６画素の画
像として記憶するメモリであり、その画像は信号比較部
７および制御部８に出力される。

【００２２】基本画像記憶メモリ６は、学習時には教師
用画像として、また実際の認識時には比較用画像として
使用される基本画像を記憶するメモリである。この基本
画像は、実際の人物の顔を画像入力装置２で撮像し前処
理部３でヒストグラム伸張，モザイク化した３２×３２
画素の画像を、別途の手段により１６×１６画素に更に
モザイク化した画像である。

【００２３】ここで、モザイク化した画像を採用するの
は、原画像をモザイク化することで局所の特徴がぼやけ
て比較的大きな特徴のみが残り、位置ずれに強い認識が
可能となるからである。

【００２４】なお、３２×３２画素を１６×１６画素に
モザイク化すると、隣接する４画素がモザイク化後の１
画素に対応するが、モザイク化後の１画素の濃度として
は例えば元の４画素の濃度の平均値がとられる。勿論、
４画素のうちの最大濃度を持つ画素など特定の画素の濃
度をモザイク化後の画素の濃度とするようにしても良
い。また、モザイク化の度合すなわち原画像の何画素を
１つの画素とするかは認識対象物の種類に応じて決定さ
れる。

【００２５】信号比較部７は、認識時に、出力画像記憶
メモリ５に取り出されたニューラルネットワーク１の１
６×１６画素の出力画像と、基本画像記憶メモリ６に記
憶された全ての基本画像との比較を行い、認識結果を制
御部８に出力する部分である。

【００２６】この信号比較部７における画像の比較方法
としては、誤差２乗和による方法，誤差絶対値和による
方法等の任意の方法が採用される。

【００２７】誤差２乗和による方法は、ニューラルネッ
トワーク１の出力画像の第ｉ行，第ｊ列目（ｉ，ｊ＝１
〜１６。以下同じ）の画素の濃度をＯ_i,j とし、基本画
像の第ｉ行，第ｊ列目の画素の濃度をＢ_i,j とすると、 （Ｏ_1,1 −Ｂ_1,1 ）² ＋（Ｏ_1,2 −Ｂ_1,2 ）² ＋…＋（Ｏ_16,16 −Ｂ_16,16 ）² によって誤差２乗和を求め、この値が最小値となる基本
画像が最も類似する画像と判断するものである。

【００２８】誤差絶対値和による方法は、 ｜Ｏ_1,1 −Ｂ_1,1 ｜＋｜Ｏ_1,2 −Ｂ_1,2 ｜＋…＋｜Ｏ_16,16 −Ｂ_16,16 ｜ によって誤差絶対値和を求め、この値が最小値となる基
本画像が最も類似する画像と判断するものである。

【００２９】以下、上述のように構成された本実施例の
ニューラルネットワークを用いた画像認識装置の動作を
説明する。

【００３０】先ず、認識対象とする人物（Ａ，Ｂ，Ｃ，
Ｄ，Ｅの５人とする）の正面，右向き，左向き，上向
き，下向きの顔画像を、同一人物の顔の正面画像を教師
用画像として学習し、実際の認識時においても正面画像
を比較用画像として使用する実施例について説明する。

【００３１】この場合、認識対象となるＡ〜Ｅの５人の
人物の顔をその正面から画像入力装置２で撮像し、前処
理部３でヒストグラム伸張，モザイク化して３２×３２
画素の画像を作成し、これを別途の手段で更に１６×１
６画素にモザイク化した画像（従って、合計５個のモザ
イク化画像）を、基本画像として基本画像記憶メモリ６
に記憶しておく。

【００３２】〔学習時〕入力装置９ａから学習モードが
指示されると、制御部８はニューラルネットワーク１を
学習モードに切り替え、自身も学習モードとなる。この
学習モードにおいては、制御部８は入力装置９ａから指
示された基本画像を基本画像記憶メモリ６から読み出
し、教師信号としてニューラルネットワーク１に与えて
学習させると共に、出力画像記憶メモリ５に出力された
ニューラルネットワーク１の出力画像と基本画像とを対
にして表示装置９ｂに表示する処理を行う。

【００３３】ここで学習は、同一人物の顔画像が連続し
ないような例えば以下の順序で、人物の顔画像を画像入
力装置２から入力すると共に、制御部８によって、基本
画像記憶メモリ６に記憶された基本画像を教師信号とし
てニューラルネットワーク１に与えることで行う。

【００３４】 学習画像 基本画像（教師信号） （１） Ａの正面の顔画像 Ａの正面の顔画像のモザイク化画像 （２） Ｂの正面の顔画像 Ｂの正面の顔画像のモザイク化画像 （３） Ｃの正面の顔画像 Ｃの正面の顔画像のモザイク化画像 （４） Ｄの正面の顔画像 Ｄの正面の顔画像のモザイク化画像 （５） Ｅの正面の顔画像 Ｅの正面の顔画像のモザイク化画像 （６） Ａの右向きの顔画像 Ａの正面の顔画像のモザイク化画像 （７） Ｂの右向きの顔画像 Ｂの正面の顔画像のモザイク化画像 （８） Ｃの右向きの顔画像 Ｃの正面の顔画像のモザイク化画像 （９） Ｄの右向きの顔画像 Ｄの正面の顔画像のモザイク化画像 （10） Ｅの右向きの顔画像 Ｅの正面の顔画像のモザイク化画像 （11） Ａの左向きの顔画像 Ａの正面の顔画像のモザイク化画像 （12） Ｂの左向きの顔画像 Ｂの正面の顔画像のモザイク化画像 （13） Ｃの左向きの顔画像 Ｃの正面の顔画像のモザイク化画像 （14） Ｄの左向きの顔画像 Ｄの正面の顔画像のモザイク化画像 （15） Ｅの左向きの顔画像 Ｅの正面の顔画像のモザイク化画像 （16） Ａの下向きの顔画像 Ａの正面の顔画像のモザイク化画像 （17） Ｂの下向きの顔画像 Ｂの正面の顔画像のモザイク化画像 （18） Ｃの下向きの顔画像 Ｃの正面の顔画像のモザイク化画像 （19） Ｄの下向きの顔画像 Ｄの正面の顔画像のモザイク化画像 （20） Ｅの下向きの顔画像 Ｅの正面の顔画像のモザイク化画像 （21） Ａの上向きの顔画像 Ａの正面の顔画像のモザイク化画像 （22） Ｂの上向きの顔画像 Ｂの正面の顔画像のモザイク化画像 （23） Ｃの上向きの顔画像 Ｃの正面の顔画像のモザイク化画像 （24） Ｄの上向きの顔画像 Ｄの正面の顔画像のモザイク化画像 （25） Ｅの上向きの顔画像 Ｅの正面の顔画像のモザイク化画像

【００３５】利用者は、各画像の学習時、制御部８によ
って表示装置９ｂに表示されたニューラルネットワーク
１の出力画像と基本画像とから学習の効果を把握し、満
足した結果が得られるまで、すなわち、人物Ｘの顔画像
を入力したときにニューラルネットワーク１の出力層１
４から同じ人物Ｘの正面画像を１６×１６画素にモザイ
ク化した画像とほぼ同様な画像が得られるまで繰り返し
学習を進める。

【００３６】ここで、正面以外の顔画像を学習させるの
は、次の理由による。即ち、本実施例では、実際の認識
時、画像入力装置２で人の顔を正面から撮像することを
前提としている。この前提が常に成立する場合には、正
面の顔画像だけ学習させれば足りる。しかし、実際の撮
像においては正面から多少ずれた方向から撮像される場
合があり、その場合には正面画像だけでは誤認率が高く
なる。そこで、本実施例では、正面だけでなく右向き，
左向き，下向き，上向きの方向からの顔画像も正面画像
として学習させておくことにより、モザイク化と相俟っ
て撮像時の顔画像の位置ずれに対して強い画像認識を行
えるようにしている。なお、このようなことから、ここ
に述べた正面以外の顔画像は完全な右向き，左向き，下
向き，上向きではなく、多少右向き，左向き，下向き，
上向きの顔画像のことである。

【００３７】また、画像を学習させる時に、Ａの正面，
Ａの右向き，Ａの左向き，Ａの上向き，Ａの下向き，Ｂ
の正面，Ｂの右向き，Ｂの左向き，…といった具合に同
じ人の画像を連続して学習させないのは、このような方
法に比べ上述したように同一人物の顔画像が連続しない
ように学習させた方が学習効率が高く、従って同程度の
学習回数では認識率が高まることが、実験により確かめ
られたからである。なお、その理由は未だ解明されてい
ないが、同じ人物の画像を連続して学習させると、最後
に連続して学習させた人物の画像の影響がニューラルネ
ットワーク１に強く残っているためと考えられる。

【００３８】以上のような学習が完了すると、ニューラ
ルネットワーク１は、人物Ａ〜Ｅの正面，右向き，左向
き，上向き，下向きの顔画像が画像入力装置２から入力
されると、出力層１４から同じ人物の顔の正面画像を１
６×１６画素にモザイク化した画像を出力する状態とな
る。

【００３９】〔認識時〕入力装置９ａから認識モードが
入力されると、制御部８はニューラルネットワーク１を
認識モードに切り替え、自身も認識モードとなる。

【００４０】この認識モードにおいて、認識させようと
する人物の顔の画像が画像入力装置２で入力されると、
前処理部３でヒストグラム伸張，モザイク化された３２
×３２画素の画像が入力画像記憶メモリ４を通じてニュ
ーラルネットワーク１の入力層１１に入力され、出力層
１４から１６×１６画素の出力画像が出力されて出力画
像記憶メモリ５に記憶される。

【００４１】信号比較部７は、この出力画像記憶メモリ
５に記憶されたニューラルネットワーク１の出力画像
と、基本画像記憶メモリ６に記憶された全ての基本画像
つまり本実施例の場合はＡ，Ｂ，Ｃ，Ｄ，Ｅの正面の顔
画像を１６×１６画素にモザイク化した合計５個の画像
とを順次比較し、その比較結果に基づき認識結果を決定
して制御部８を通じて表示装置９ｂに出力する。

【００４２】なお、認識結果を決定する方法としては、
前述した誤差２乗和や誤差絶対値和が最小となる比較用
画像に対応する人物を認識結果とする方法以外に、認識
対象者Ａ〜Ｅ以外の第三者を誤ってＡ〜Ｅの何れかであ
ると認識するのを防止するために、閾値を設け、最小の
誤差２乗和や誤差絶対値和の値がその閾値以上でなけれ
ば認識結果を出力しない方法等が採用される。

【００４３】次に認識対象とする人物の正面，右向き，
左向き，上向き，下向きの顔画像を、同一人物の同一向
きの顔画像を教師用画像として学習し、実際の認識時に
おいても同一人物の全ての向きの顔画像を比較用画像と
して使用する実施例について説明する。

【００４４】この場合、認識対象となる人物Ａ，Ｂ，
Ｃ，Ｄ，Ｅの顔をその正面，右向き，左向き，上向き，
下向きに画像入力装置２で撮像し、前処理部３でヒスト
グラム伸張，モザイク化して３２×３２画素の画像を作
成し、これを別途の手段で１６×１６画素に更にモザイ
ク化した画像（従って、合計２５個のモザイク化画像）
を、基本画像として基本画像記憶メモリ６に記憶してお
く。

【００４５】〔学習時〕学習は、同一人物の顔画像が連
続しないような例えば以下の順序で、人物の顔画像を画
像入力装置２から入力すると共に制御部８によって基本
画像記憶メモリ６に記憶された基本画像を教師信号とし
てニューラルネットワーク１に与えることで行う。

【００４６】 学習画像 基本画像（教師信号） （１） Ａの正面の顔画像 Ａの正面の顔画像のモザイク化画像 （２） Ｂの正面の顔画像 Ｂの正面の顔画像のモザイク化画像 （３） Ｃの正面の顔画像 Ｃの正面の顔画像のモザイク化画像 （４） Ｄの正面の顔画像 Ｄの正面の顔画像のモザイク化画像 （５） Ｅの正面の顔画像 Ｅの正面の顔画像のモザイク化画像 （６） Ａの右向きの顔画像 Ａの右向きの顔画像のモザイク化画像 （７） Ｂの右向きの顔画像 Ｂの右向きの顔画像のモザイク化画像 （８） Ｃの右向きの顔画像 Ｃの右向きの顔画像のモザイク化画像 （９） Ｄの右向きの顔画像 Ｄの右向きの顔画像のモザイク化画像 （10） Ｅの右向きの顔画像 Ｅの右向きの顔画像のモザイク化画像 （11） Ａの左向きの顔画像 Ａの左向きの顔画像のモザイク化画像 （12） Ｂの左向きの顔画像 Ｂの左向きの顔画像のモザイク化画像 （13） Ｃの左向きの顔画像 Ｃの左向きの顔画像のモザイク化画像 （14） Ｄの左向きの顔画像 Ｄの左向きの顔画像のモザイク化画像 （15） Ｅの左向きの顔画像 Ｅの左向きの顔画像のモザイク化画像 （16） Ａの下向きの顔画像 Ａの下向きの顔画像のモザイク化画像 （17） Ｂの下向きの顔画像 Ｂの下向きの顔画像のモザイク化画像 （18） Ｃの下向きの顔画像 Ｃの下向きの顔画像のモザイク化画像 （19） Ｄの下向きの顔画像 Ｄの下向きの顔画像のモザイク化画像 （20） Ｅの下向きの顔画像 Ｅの下向きの顔画像のモザイク化画像 （21） Ａの上向きの顔画像 Ａの上向きの顔画像のモザイク化画像 （22） Ｂの上向きの顔画像 Ｂの上向きの顔画像のモザイク化画像 （23） Ｃの上向きの顔画像 Ｃの上向きの顔画像のモザイク化画像 （24） Ｄの上向きの顔画像 Ｄの上向きの顔画像のモザイク化画像 （25） Ｅの上向きの顔画像 Ｅの上向きの顔画像のモザイク化画像

【００４７】なお、利用者は、各画像の学習時、制御部
８によって表示装置９ｂに表示されたニューラルネット
ワーク１の出力画像と教師用画像とから学習の効果を把
握し、満足する結果が得られるまで、すなわち、人物Ｘ
の顔画像を入力したときにニューラルネットワーク１の
出力層１４から同じ人物Ｘの同じ向きの顔画像を１６×
１６画素にモザイク化した画像とほぼ同様な画像が得ら
れまで繰り返し学習を進める。

【００４８】以上のような学習が完了すると、ニューラ
ルネットワーク１は、人物Ａ〜Ｅの正面，右向き，左向
き，上向き，下向きの顔画像が画像入力装置２から入力
されると、出力層１４から同じ人物の正面，右向き，左
向き，上向き，下向きの顔画像を１６×１６画素にモザ
イク化した画像を出力する状態となる。

【００４９】〔認識時〕認識モードにおいて、認識させ
ようとする人物の顔の画像が画像入力装置２で入力され
ると、前処理部３でヒストグラム伸張，モザイク化され
た３２×３２画素の画像が入力画像記憶メモリ４を通じ
てニューラルネットワーク１の入力層１１に入力され、
出力層１４から１６×１６画素の出力画像が出力されて
出力画像記憶メモリ５に記憶される。

【００５０】信号比較部７は、この出力画像記憶メモリ
５に記憶されたニューラルネットワーク１の出力画像
と、基本画像記憶メモリ６に記憶された全ての基本画像
つまり本実施例の場合はＡ，Ｂ，Ｃ，Ｄ，Ｅの正面，右
向き，左向き，上向き，下向きの顔画像を１６×１６画
素にモザイク化した合計２５個の画像とを順次比較し、
その比較結果に基づき認識結果を決定して制御部８を通
じて表示装置９ｂに出力する。

【００５１】なお、認識結果を決定する方法としては、
前述した誤差２乗和や誤差絶対値和が最小となる基本画
像に対応する人物を認識結果とする方法以外に、認識対
象者Ａ〜Ｅ以外の第三者を誤ってＡ〜Ｅの何れかである
と認識するのを防止するために、閾値を設け、最小の誤
差２乗和や誤差絶対値和の値がその閾値以上でなければ
認識結果を出力しない方法が採用可能である。また、同
一人物について複数の基本画像があることを利用して、
より有効に誤認識を防止し得るようにするために、誤差
２乗和や誤差絶対値和が最小となる基本画像とその次に
最小となる基本画像とが同じ人物に対応している場合に
限りその人物を認識結果として出力する方法も採用可能
である。

【００５２】以上の実施例は、人物の顔画像から人物を
同定する装置に本発明を適用したものであるが、本発明
はそれら以外に手書き文字認識等，他の画像認識に広く
適用することができる。また、実施例では４層構造のニ
ューラルネットワークを使用したが、３層以上のニュー
ラルネットワークであれば良く、また各層のセル数も上
記実施例のものに限定されるものではない。

【００５３】

【発明の効果】以上説明した本発明のニューラルネット
ワークを用いた画像認識装置によれば、以下のような効
果を得ることができる。

【００５４】出力層の各セルが認識しようとする特定の
画像に１対１に対応していないため、認識対象画像の種
類が増加しても新たな学習が必要となるだけで出力層の
セル数を含めてニューラルネットワーク全体の構成を変
更する必要がない。

【００５５】出力層の各セルを特定の画像に１対１に対
応付ける構成では、認識対象の種類数の上限は出力層の
セル数で制限されるが、本発明ではこのような制限がな
く、認識対象の種類数を原理的にＮ×Ｍ個以上とするこ
とができる。

【００５６】モザイク化画像を使用したことにより、位
置ずれに強い画像認識が行える。

【図面の簡単な説明】

【図１】本発明のニューラルネットワークを用いた画像
認識装置の一実施例の機能ブロック図である。

【符号の説明】 １…ニューラルネットワーク １１…入力層 １２…第１中間層 １３…第２中間層 １４…出力層 ２…画像入力装置 ３…前処理部 ４…入力画像記憶メモリ ５…出力画像記憶メモリ ６…基本画像記憶メモリ ７…信号比較部 ８…制御部 ９…入出力装置 ９ａ…入力装置 ９ｂ…表示装置

Claims (3)

【特許請求の範囲】
1. 【請求項１】 入力層，中間層，出力層の少なくとも３
   層以上で構成され、学習則にバックプロパゲーション則
   を採用したニューラルネットワークを用いた画像認識装
   置において、 前記ニューラルネットワークは、出力層にＮ×Ｍ個のセ
   ルを備え、且つ、各認識対象毎に複数種用意された学習
   用画像のそれぞれを前記入力層に入力したときに前記出
   力層から前記認識対象毎の複数種の学習用画像のうちの
   予め定められた特定の画像をＮ×Ｍにモザイク化した画
   像が得られるように学習されており、且つ、 前記特定の画像をＮ×Ｍにモザイク化した画像を認識対
   象毎に記憶する基本画像記憶メモリと、 画像認識時、前記ニューラルネットワークの出力層から
   得られた画像と前記基本画像記憶メモリに記憶された画
   像とを比較して認識結果を出力する比較手段を備えたこ
   とを特徴とするニューラルネットワークを用いた画像認
   識装置。
2. 【請求項２】 入力層，中間層，出力層の少なくとも３
   層以上で構成され、学習則にバックプロパゲーション則
   を採用したニューラルネットワークを用いた画像認識装
   置において、 前記ニューラルネットワークは、出力層にＮ×Ｍ個のセ
   ルを備え、且つ、学習用画像を前記入力層に入力したと
   きに前記出力層から前記学習用画像をＮ×Ｍにモザイク
   化した画像が得られるように学習されており、且つ、 前記学習用画像をＮ×Ｍにモザイク化した画像を記憶す
   る基本画像記憶メモリと、 画像認識時、前記ニューラルネットワークの出力層から
   得られた画像と前記基本画像記憶メモリに記憶された画
   像とを比較して認識結果を出力する比較手段を備えたこ
   とを特徴とするニューラルネットワークを用いた画像認
   識装置。
3. 【請求項３】 請求項２記載のニューラルネットワーク
   を用いた画像認識装置において、前記学習用画像を各認
   識対象毎に複数種用いることを特徴とするニューラルネ
   ットワークを用いた画像認識装置。