JPH0628482A - 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】 未学習画像の入力時にはそれを未学習画像と
して積極的に認識し、特定の画像と誤って認識すること
がないようにする。 【構成】 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１の出力層13に、多階調画像
である特定の画像に対応付けて学習せしめたセルZ1, 特
定の画像と類似する画像に対応付けて学習せしめたセル
Z2以外に、１つの階調の濃度で全面を塗りつぶした複数
階調分の画像に対応付けて学習せしめた未学習画像排除
用のセルZ3を備える。このセルZ3は、特定の画像および
それに類似する画像の特徴以外の部分を明らかに相違す
る画像の特徴としてとらえているため、特定の画像およ
びそれに類似する画像以外の未学習の画像が入力された
際には、セルZ1,Z2 より出力値が大きくなる。 【効果】 未学習画像が積極的に排除され、誤認識が防
止される。

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対応付けたセルのみを備えて
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
付けた合計５個のセルを設ける構成が採用されている。

【０００４】

【発明が解決しようとする課題】上述のような構成の従
来の画像認識装置においては、実際の認識段階において
入力される画像が、学習時に入力された特定の画像と同
じ対象の画像に限定される場合には問題はなく、却って
好ましい場合がある。即ち、顔画像の認識を例にする
と、学習させた５人の何れかの顔画像だけしか認識段階
で入力されないのであれば、例えば学習時に眼鏡をかけ
た顔画像で学習した或る人物の顔画像として眼鏡を外し
た顔画像が認識時に入力された場合においても、その人
物に対応するセルの出力が眼鏡のある場合に比べて値は
小さくなるであろうが、残りのセルの出力よりも大きな
値となって好ましい認識結果が導かれる場合があるから
である。

【０００５】しかしながら、学習時に入力された画像と
全く異なる対象の画像が入力され得る可能性があり、同
一対象画像として認識できる類似の範囲が多少狭くなっ
ても誤認識だけは極力避けなければならないセキュリテ
ィ等の利用分野においては、従来の画像認識装置では、
誤認識を充分に防止することはできなかった。それは、
学習時に入力された画像と全く異なる未学習の画像が入
力された場合、出力層の各セルの値は相対的に小さな値
になるであろうが、最も類似している認識対象画像に対
応するセルの出力が最大になるため、認識判定のしきい
値によっては誤認識を生ずるからである。

【０００６】本発明はこのような事情に鑑みて為された
ものであり、その目的は、出力層に未学習画像を積極的
に認識し出力するセルを付加することにより、未学習画
像の入力時にはそれを未学習画像として積極的に認識
し、特定の画像と誤って認識することがないようにする
ことにある。

【０００７】

【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、入力層と中間層と出力層とで構成され、
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、前記出
力層に、多階調画像である特定の画像に対応付けた少な
くとも１つの第１セルと、未学習画像排除用の第２セル
と、前記特定の画像と類似する画像に対応付けた第３セ
ルとを備え、前記特定の画像の各画素の階調レベルを前
記入力層に入力したときに前記第１セルの出力値が好ま
しい最大値，それ以外のセルの出力値が好ましい最小値
となり、前記特定の画像と明らかに相違する画像を使用
して多階調の各階調のレベルを前記入力層に順次入力し
たときに前記第２セルの出力値が好ましい最大値，それ
以外のセルの出力値が好ましい最小値となり、前記特定
の画像に類似する画像の各画素の階調レベルを前記入力
層に入力したときに前記第３セルの出力値が好ましい最
大値，それ以外のセルの出力値が好ましい最小値となる
ように、前記ニューラルネットワークを学習せしめた構
成を有している。

【０００８】また、少ないセル数で多くの特定画像の認
識が行えるようにするために、１つ又は複数の特定の画
像毎に、その特定の画像の各画素の階調レベル，その特
定の画像と類似する画像の各画素の階調レベルを前記入
力層に入力し、更に、その特定の画像と明らかに相違す
る画像を使用して各階調レベルを前記入力層に順次入力
して学習せしめた前記ニューラルネットワークの学習結
果を保持する複数の学習結果ファイルと、個々の学習結
果ファイルに格納された学習結果を前記ニューラルネッ
トワークに順次設定して認識処理を進める制御手段とを
備えている。

【０００９】更に、本発明は学習結果の入れ替えを行わ
ない構成に対しても適用でき、その場合、入力層と中間
層と出力層とで構成され、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、前記出力層に、多階調画像である全
ての特定の画像に１対１に対応付けた複数の第１セル
と、未学習画像排除用の第２セルとを備え、全ての特定
の画像の各画素の階調レベルを前記入力層に順次入力し
たときに該当する第１セルの出力値が好ましい最大値、
それ以外のセルの出力値が好ましい最小値となり、前記
全ての特定の画像と明らかに相違する画像を使用して各
階調レベルを前記入力層に順次入力したときに前記第２
セルの出力値が好ましい最大値，それ以外のセルの出力
値が好ましい最小値となるように、前記ニューラルネッ
トワークを学習せしめた構成が採用される。

【００１０】なお、前記特定の画像と明らかに相違する
画像としては、例えば、１つの階調レベルで全面を塗り
つぶしたそれぞれ階調レベルの異なる複数の単一階調画
像が使用される。

【００１１】

【作用】学習則として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は、学習の過程で、入力さ
れた画像に対する出力と教師信号の比較結果をフィード
バックして入力層，中間層，出力層間の各シナプス結合
の荷重値や各ニューロンのしきい値を変更しながら、入
力された画像の特徴をとらえていく。ここで、特定の画
像に対応付けられた第１セル及びその特定の画像と類似
する画像に対応付けた第３セルは、特定の画像およびそ
れに類似する画像の特徴をとらえ、両者の画像を分離す
るための細かな特徴を学習しているが、これらの第１，
第３セルだけでは、特定の画像およびそれに類似する画
像と明らかに相違する画像が入力された場合、出力値は
小さくなるであろうが、何れかのセルの出力が最大値を
とるため、認識のしきい値によっては誤認識を生じる。
しかし、本発明では、特定の画像およびそれに類似する
画像と明らかに相違する画像を使用して、多階調画像に
おける各階調レベルを順次入力して学習された第２セル
を有しており、この第２セルは、特定の画像およびそれ
に類似する画像の特徴以外の部分を明らかに相違する画
像の特徴としてとらえているため、未学習の画像すなわ
ち特定の画像およびそれに類似する画像以外の画像が入
力された際には、第２セルの出力値が最大値となり、未
学習画像が積極的に排除され、誤認識が防止される。

【００１２】

【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。

【００１３】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５人（Ａ，Ｂ，Ｃ，Ｄ，Ｅとする）の人物を同
定する装置に本発明を適用したものである。

【００１４】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、５値平坦化処理部２と、レジスタ３
と、制御部４と、学習結果ファイル５−１〜５−５と、
入出力装置６と、画像入力装置７とを備えている。

【００１５】制御部４は本実施例の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，学
習結果ファイル５−１〜５−５および入出力装置６に接
続される。

【００１６】入出力装置６はキーボード，ディスプレイ
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。

【００１７】ニューラルネットワーク１は、３２×３２
＝１０２４個のセルＸｉｊ（ｉ，ｊ＝１〜３２）を持つ
入力層１１と、２４個のセルＹｋ（ｋ＝１〜２４）を持
つ中間層１２と、３個のセルＺ１，Ｚ２，Ｚ３を持つ出
力層１３との３層で構成されており、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。

【００１８】ここで、出力層１３の３個のセルのうち、
セルＺ１は多階調画像である特定の画像（認識しようと
する画像）に対応付けられたセル、セルＺ２はセル１に
対応付けられた特定の画像と類似する画像に対応付けら
れたセル、セルＺ３は１つの階調の濃度で全面を塗りつ
ぶした複数階調分の画像に対応付けた未学習画像排除用
のセルであり、各セルＺ１〜Ｚ３の出力はニューラルネ
ットワーク１の出力として制御部４に与えられる。

【００１９】また、３２×３２＝１０２４画素の階調レ
ベルを保持するレジスタ３の出力が１画素＝１セル入力
となるように入力層１１の各セルＸｉｊに入力され、入
力層１１の各セルＸｉｊの出力は中間層１２の全セルＹ
１〜Ｙ２４に接続され、中間層１２の各セルＹｋの出力
は出力層１３の全セルＺ１，Ｚ２，Ｚ３に接続されてい
る。

【００２０】５値平坦化処理部２は、学習させる画像ま
たは認識させようとする画像を５値平坦化する部分であ
り、具体的には以下のような処理を行う。

【００２１】本実施例の画像認識装置が対象とする画像
は、３２×３２個の画素で構成され、各画素は０から２
５５までの２５６階調の何れかの階調レベルを持ってい
る。５値平坦化処理部２は、このような多階調画像の各
画素を階調レベルで昇順にソートし、最小の階調レベル
を持つ画素を先頭に順に５１個ずつの画素群を抽出し、
最初の５１個の画素の階調レベルを０に、次の５１個の
画素の階調レベルを６４に、次の５１個の画素の階調レ
ベルを１２８に、次の５１個の画素の階調レベルを１９
１に、最後の５１個の階調レベルを２５５にそれぞれ統
一する。このようにして生成された、０，６４，１２
８，１９１，２５５の５種類の階調レベルを持つ多階調
画像が５値平坦化処理後の画像となる。

【００２２】本実施例において画像を５値平坦化する理
由は、 （１）未学習画像排除用のセルＺ３は、５値平坦化処理
後の１つの階調の濃度で全面を塗りつぶした複数階調分
の画像に対応付けて学習せしめるので、階調数を減らす
ことにより学習時間を短縮させるため。 （２）画像をビデオカメラから入力する場合等に照明の
明るさが変化した場合でも入力される画像の相対的な階
調レベルの変化を抑えるため。である。

【００２３】また、図１に示される５個の学習結果ファ
イル５−１〜５−５は、ニューラルネットワーク１の出
力層１３におけるセルＺ１，Ｚ２，Ｚ３を、或る１つの
特定の画像，それに類似する画像，１つの階調の濃度で
全面を塗りつぶした複数階調分の画像に対応付けて学習
せしめたときのニューラルネットワーク１の各セルの学
習結果（シナプス結合の荷重値，ニューロンのしきい
値）を保持するファイルであり、それぞれ５人の人物に
１対１に対応している。

【００２４】次に上述のように構成された本実施例の動
作を説明する。先ず、実際の認識に先立って行われる学
習結果ファイル５−１〜５−５の作成について説明す
る。

【００２５】学習に使用する画像としては、画像入力装
置７で入力し５値平坦化処理部２で５値平坦化したＡ〜
Ｅの５種類の画像と階調レベル６４，１２８，１９１，
２５５の４種類の単一階調画像とを使用する。

【００２６】先ず、人物Ａに対応する学習結果ファイル
５−１の作成は、以下の順序で、入力画像をレジスタ３
を通じてニューラルネットワーク１の入力層１１に与え
ると共に制御部４からニューラルネットワーク１の出力
層１３のセルＺ１，Ｚ２，Ｚ３に教師信号を与えること
で行う。

【００２７】 入力画像 教師信号 Ｚ１ Ｚ２ Ｚ３ (1) ５値平坦化したＡの画像 １ ０ ０ (2) ５値平坦化したＢの画像 ０ １ ０ (3) 階調レベル６４の単一階調画像 ０ ０ １ (4) ５値平坦化したＡの画像 １ ０ ０ (5) ５値平坦化したＣの画像 ０ １ ０ (6) 階調レベル１２８の単一階調画像 ０ ０ １ (7) ５値平坦化したＡの画像 １ ０ ０ (8) ５値平坦化したＤの画像 ０ １ ０ (9) 階調レベル１９１の単一階調画像 ０ ０ １ (10) ５値平坦化したＡの画像 １ ０ ０ (11) ５値平坦化したＥの画像 ０ １ ０ (12) 階調レベル２５５の単一階調画像 ０ ０ １

【００２８】なお、各画像の学習時、制御部４はニュー
ラルネットワーク１の出力層１３のセルＺ１〜Ｚ３の出
力値と教師信号の値とを対にして入出力装置６の画面に
表示しており、利用者はその画面を見て学習の効果を把
握し、満足いく結果が得られるまで、即ち、(1),(4),
(7),(10)に示した特定の画像の各画素の階調レベルをニ
ューラルネットワーク１の入力層１１に入力したときに
は、セルＺ１の出力値が好ましい最大値，それ以外のセ
ルＺ２，Ｚ３の出力値が好ましい最小値となり、(2),
(5),(8),(11)に示した特定の画像に類似する画像の各画
素の階調レベルを入力したときにセルＺ２の出力値が好
ましい最大値，それ以外のセルＺ１，Ｚ３の出力値が好
ましい最小値となり、更に(3),(6),(9),(12)に示した特
定の画像と明らかに相違する画像を使用して各階調のレ
ベルを順次入力したときにセルＺ３の出力値が好ましい
最大値，それ以外のセルＺ１，Ｚ２の出力値が好ましい
最小値となるように、繰り返し学習を進める。

【００２９】そして、学習を終えると、制御部４の制御
の下で学習結果がニューラルネットワーク１から取り出
され、学習結果ファイル５−１に格納される。

【００３０】以下、人物Ｂに対応する学習結果ファイル
５−２，人物Ｃに対応する学習結果ファイル５−３，人
物Ｄに対応する学習結果ファイル５−４，人物Ｅに対応
する学習結果ファイル５−５を、上記と同様な手順で作
成する。

【００３１】次に、実際の認識時の動作を説明する。実
際の認識時、制御部４は図２に示すような制御を行う。

【００３２】先ず、変数ｉを１に設定し（Ｓ１）、ニュ
ーラルネットワーク１に１番目の学習結果ファイル５−
１に格納された学習結果を設定し（Ｓ２）、画像入力装
置７で入力し５値平坦化処理部２で５値平坦化された入
力画像をレジスタ３を通じてニューラルネットワーク１
に入力して認識を行わせる（Ｓ３）。そして、ニューラ
ルネットワーク１の出力を入力し（Ｓ４）、その最大値
がセルＺ１か否かを判定する（Ｓ５）。

【００３３】学習結果ファイル５−１を使用した認識に
おいて、セルＺ１の値が最大値になった場合（Ｓ５でＹ
ＥＳ）、なお且つセルＺ１の値が設定したしきい値を超
えていれば（Ｓ９でＹＥＳ）、学習結果ファイル５−１
に対応する人物Ａを認識結果として入出力装置６から出
力する（Ｓ１０）。

【００３４】他方、セルＺ１の値が最大値であってもセ
ルＺ１の値が設定したしきい値を超えていない場合（Ｓ
９でＮＯ）、および、セルＺ１以外のセルＺ２，Ｚ３が
最大値となった場合（Ｓ５でＮＯ）、今回の画像は人物
Ａの画像と紛らわしい画像か明らかに異なる画像である
ので、変数ｉを＋１して２とし（Ｓ６）、ステップＳ７
でｉが５を超えていないことを確認してステップＳ２に
戻ってニューラルネットワーク１に２番目の学習結果フ
ァイル５−２に格納された学習結果を設定し、以後、１
番目の学習結果ファイル５−１を使用した場合と同様に
処理を進める。

【００３５】そして、２番目以降の学習結果ファイル５
−２〜５−５を使用した認識処理において、ニューラル
ネットワーク１の出力のうちセルＺ１が最大値且つしき
い値より大となった場合にはその使用した学習結果ファ
イル５−２〜５−５に対応する人物を認識結果として出
力し（Ｓ１０）、最後の学習結果ファイル５−５を使用
した認識においてセルＺ１以外のセルが最大値と判定し
た場合またはセルＺ１が最大値であってもセルＺ１の値
が設定したしきい値以下の場合には、該当者なしという
認識結果を出力し（Ｓ８）、処理を終了する。

【００３６】なお、実際に５人の顔の５値平坦化画像と
階調レベル６４，１２８，１９１，２５５の単一階調画
像とを用意し、パーソナルニューロコンピュータを使用
して図１の構成の画像認識装置を作成し、これに対し、
未学習の第三者の顔の５値平坦化画像を入力したとこ
ろ、全て出力層１３のセルＺ３の出力値が最大となり、
本実施例による効果が確かめられた。

【００３７】図３は本発明の別の実施例の構成図であ
り、図１と同一符号は同一部分を示し、Ｚ４はニューラ
ルネットワーク１の出力層１３に設けられたセル、５−
１１〜５−１３は学習結果ファイルである。

【００３８】図３の実施例の画像認識装置は、ニューラ
ルネットワーク１の出力層１３に、５値平坦化されたＡ
〜Ｆの６人のうちの２人の顔画像に１対１に対応付けて
学習せしめられる２個のセルＺ１，Ｚ４と、その２人の
顔画像と類似する画像に対応付けて学習せしめられた１
つのセルＺ２と、６４，１２８，１９１，２５５の各単
一階調画像に対応付けて学習せしめられた１つのセルＺ
３との合計４個のセルを備えている。

【００３９】また、Ａの顔画像を入力したときにセルＺ
１の出力が好ましい最大値，他のセルＺ２〜Ｚ４の出力
が好ましい最小値となり、Ｂの顔画像を入力したときに
セルＺ４の出力が好ましい最大値，他のセルＺ１〜Ｚ３
の出力が好ましい最小値となり、残りのＣ，Ｄ，Ｅ，Ｆ
の顔画像を入力したときにセルＺ２の出力が好ましい最
大値，他のセルＺ１，Ｚ３，Ｚ４の出力が好ましい最小
値となり、複数の単一階調画像を入力したときにセルＺ
３の出力が好ましい最大値，他のセルＺ１，Ｚ２，Ｚ４
の出力が好ましい最小値となるように学習させたときの
ニューラルネットワーク１の学習結果を保持する学習結
果ファイル５−１１と、同様に、ＣとＤについてとＥと
Ｆについて学習されたときのニューラルネットワーク１
の学習結果を保持する学習結果ファイル５−１２，５−
１３とを備えている。

【００４０】そして、或る入力画像に対する実際の認識
時には、先ず学習結果ファイル５−１１に格納された学
習結果をニューラルネットワーク１に設定して入力画像
の認識を行わせ、認識結果がＡ，Ｂであるか又はそれ以
外であるかを判定する。Ａ，Ｂであると認識された場合
には、その認識結果を出力して処理を終了する。

【００４１】また、Ａ，Ｂ以外と認識された場合には、
次に学習結果ファイル５−１２に格納された学習結果を
ニューラルネットワーク１に設定して認識を行わせ、認
識結果がＣ，Ｄであればその認識結果を出力して処理を
終了し、それ以外と認識された場合には、学習結果ファ
イル５−１３に格納された学習結果をニューラルネット
ワーク１に設定して認識を行わせ、Ｅ，Ｆと認識された
らその認識結果を出力し、それ以外と認識されたら該当
者なしという認識結果を出力する。

【００４２】図４は本発明の更に別の実施例の構成図で
あり、図１と同一符号は同一部分を示し、Ｚ４〜Ｚ７は
出力層１３に設けられたセルである。

【００４３】この実施例は、出力層１３に、認識対象と
する全ての人物Ａ，Ｂ，Ｃ，Ｄ，Ｅに１対１に対応付け
て学習せしめるセルＺ１，Ｚ４，Ｚ５，Ｚ６，Ｚ７を設
けると共に、５値平坦化時の６４，１２８，１９１，２
５５の各階調レベルの４種の単一階調画像に対応付けて
学習せしめるセルＺ３を設け、学習結果の入れ替え無し
に認識処理を行うようにしたものである。

【００４４】なお、図４の実施例において出力層１３
に、図１，図３の実施例におけるセルＺ２のような特定
の画像と類似する画像に対応付けて学習せしめられるセ
ルが存在しないのは、図４の実施例では出力層１３に特
定のセルに対応する多数のセルＺ１，Ｚ４〜Ｚ７があっ
て、これらが同時に学習されるため、各セルＺ１，Ｚ４
〜Ｚ７は各々の特定画像の細かな部分の特徴をとらえる
ことができるからである。これに対し、図１，図３の実
施例では特定の画像と類似する画像に対応付けたセルＺ
２を設けないと、特定の画像に対応付けたセルＺ１，Ｚ
４の学習においてより細かな特徴部分までとらえられな
いからである。

【００４５】図４の実施例においては、或る入力画像に
対する実際の認識時、ニューラルネットワーク１から出
力されるセルＺ１，Ｚ３〜Ｚ７の出力のうちの最大値
が、Ｚ１，Ｚ４，Ｚ５，Ｚ６，Ｚ７の何れかであり且つ
その値が設定したしきい値を超えていれば、認識結果と
してＡ，Ｂ，Ｃ，Ｄ，Ｅを出力し、セルＺ３が最大値に
なる等、それ以外の場合は、該当者なしの認識結果を出
力する。

【００４６】以上、本発明を幾つかの実施例を挙げて説
明したが、本発明は以上の実施例にのみ限定されずその
他各種の付加変更が可能である。例えば、未学習画像排
除用のセルＺ３の学習時に、特定の画像と明らかに相違
し且つ１つの階調の濃度で全面を塗りつぶした複数階調
分の画像を使用したが、原理的には、特定の画像と明ら
かに相違する画像であって且つ多階調の各階調のレベル
が入力層の各セルに順次入力されるような画像であれば
良いので、上下や左右の半分ずつが別々の階調レベルで
塗りつぶされた２階調画像を複数種使用したり、各階調
レベルで碁盤目のような模様を描いた図形を複数種類使
用することでも可能である。

【００４７】

【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。

【００４８】ニューラルネットワークの出力層に付加し
た未学習排除用の第２セルによって、未学習の画像を積
極的に未学習の画像であると認識することができる。こ
れにより、学習時に入力された特定の画像またはそれに
類似する画像と相違する未学習画像が入力された場合に
従来発生した誤認識を充分に防止することができる。

【００４９】学習結果ファイルを備え、学習結果を順次
入れ替えて画像認識を進める構成によれば、出力層に最
低３個のセルがあれば足りるので、少ないセル数すなわ
ち少ないメモリ容量で多くの特定の画像の認識が行え
る。また、出力層に全ての特定の画像に１対１に対応す
るセルを備える構成では、特定の画像の１つでも変更に
なると、変更後の特定の画像を全て使用して再度学習を
行う必要があり、また特定の画像が増加または減少する
と、出力層のセル数を増加または減少するためにニュー
ラルネットワークの再構築が必要となるが、学習結果を
入れ替える構成では、何れの場合においてもニューラル
ネットワークの再構築は不要であり、新たな特定の画像
用の学習結果ファイルを作成し、不要となった学習結果
ファイルを削除することで対処することができる。

【図面の簡単な説明】

【図１】本発明の一実施例の構成図である。

【図２】図１に示す実施例における制御部の認識時の処
理の一例を示すフローチャートである。

【図３】本発明の別の実施例の構成図である。

【図４】本発明の更に別の実施例の構成図である。

【符号の説明】

１…ニューラルネットワーク １１…入力層 １２…中間層 １３…出力層 Ｘｉｊ，Ｙｋ，Ｚ１〜Ｚ７…セル ２…５値平坦化処理部 ３…レジスタ ４…制御部 ５−１〜５−５，５−１１〜５−１３…学習結果ファイ
ル ６…入出力装置 ７…画像入力装置

Claims (4)

【特許請求の範囲】
1. 【請求項１】 入力層と中間層と出力層とで構成され、
   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、 前記出力層に、多階調画像である特定の画像に対応付け
   た少なくとも１つの第１セルと、未学習画像排除用の第
   ２セルと、前記特定の画像と類似する画像に対応付けた
   第３セルとを備え、 前記特定の画像の各画素の階調レベルを前記入力層に入
   力したときに前記第１セルの出力値が好ましい最大値，
   それ以外のセルの出力値が好ましい最小値となり、前記
   特定の画像と明らかに相違する画像を使用して多階調の
   各階調のレベルを前記入力層に順次入力したときに前記
   第２セルの出力値が好ましい最大値，それ以外のセルの
   出力値が好ましい最小値となり、前記特定の画像に類似
   する画像の各画素の階調レベルを前記入力層に入力した
   ときに前記第３セルの出力値が好ましい最大値，それ以
   外のセルの出力値が好ましい最小値となるように、前記
   ニューラルネットワークを学習せしめた構成を有するこ
   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。
2. 【請求項２】 １つ又は複数の特定の画像毎に、その特
   定の画像の各画素の階調レベル，その特定の画像と類似
   する画像の各画素の階調レベルを前記入力層に入力し、
   更に、その特定の画像と明らかに相違する画像を使用し
   て各階調レベルを前記入力層に順次入力して学習せしめ
   た前記ニューラルネットワークの学習結果を保持する複
   数の学習結果ファイルと、 個々の学習結果ファイルに格納された学習結果を前記ニ
   ューラルネットワークに順次設定して認識処理を進める
   制御手段とを備えた請求項１記載の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】 入力層と中間層と出力層とで構成され、
   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、 前記出力層に、多階調画像である全ての特定の画像に１
   対１に対応付けた複数の第１セルと、未学習画像排除用
   の第２セルとを備え、 全ての特定の画像の各画素の階調レベルを前記入力層に
   順次入力したときに該当する第１セルの出力値が好まし
   い最大値、それ以外のセルの出力値が好ましい最小値と
   なり、前記全ての特定の画像と明らかに相違する画像を
   使用して各階調レベルを前記入力層に順次入力したとき
   に前記第２セルの出力値が好ましい最大値，それ以外の
   セルの出力値が好ましい最小値となるように、前記ニュ
   ーラルネットワークを学習せしめた構成を有することを
   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。
4. 【請求項４】 前記特定の画像と明らかに相違する画像
   として、１つの階調レベルで全面を塗りつぶしたそれぞ
   れ階調レベルの異なる複数の単一階調画像を使用した請
   求項１，２または３記載のニューラルネットワークを用
   いた画像認識装置。