JPH0652537B2 - パタ−ン認識方法 - Google Patents
パタ−ン認識方法Info
- Publication number
- JPH0652537B2 JPH0652537B2 JP61201017A JP20101786A JPH0652537B2 JP H0652537 B2 JPH0652537 B2 JP H0652537B2 JP 61201017 A JP61201017 A JP 61201017A JP 20101786 A JP20101786 A JP 20101786A JP H0652537 B2 JPH0652537 B2 JP H0652537B2
- Authority
- JP
- Japan
- Prior art keywords
- axis
- pattern
- feature
- categories
- category
- 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
Landscapes
- Image Analysis (AREA)
- Character Discrimination (AREA)
Description
【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、文字や音声等の入力パターンを認識するパタ
ーン認識方法に関するものである。
ーン認識方法に関するものである。
〔従来の技術〕 パターン認識法における認識用辞書の自動作成法の１つ
に特徴選択法がある。これは、予め大分類により設定さ
れた各分類において、予めパターンから抽出された大量
の特徴の中から識別に有用な小数の特徴を選択するもの
である。
に特徴選択法がある。これは、予め大分類により設定さ
れた各分類において、予めパターンから抽出された大量
の特徴の中から識別に有用な小数の特徴を選択するもの
である。
従来のパターン認識法における代表的な特徴選択法に判
別分析法がある。これはフィッシャ（Fisher）比を評価
関数とし、フィッシャ比の大きい特徴を選択するもの
で、複雑な計算を必要とせず、極めて容易に実行できる
という利点をもつ。この判別分析法は、たとえば、数理
統計学（Mathematical Statistics）著者名：Wilks，
Ｓ．，発行：John Wiley ＆Sons，１９６２）に記載さ
れている。
別分析法がある。これはフィッシャ（Fisher）比を評価
関数とし、フィッシャ比の大きい特徴を選択するもの
で、複雑な計算を必要とせず、極めて容易に実行できる
という利点をもつ。この判別分析法は、たとえば、数理
統計学（Mathematical Statistics）著者名：Wilks，
Ｓ．，発行：John Wiley ＆Sons，１９６２）に記載さ
れている。
しかしながら、上述した従来のパターン認識法における
判別分析法は、正規分布を前提とした統計的手法である
ため、正規分布に従わない非統計的データに対しては識
別に有用でない特徴を選択してしまうという問題点を有
する。
判別分析法は、正規分布を前提とした統計的手法である
ため、正規分布に従わない非統計的データに対しては識
別に有用でない特徴を選択してしまうという問題点を有
する。
本発明のパターン認識方法は、特徴軸毎にカテゴリー間
のパターン分布の分離状態を表わす分離度が最大となる
特徴軸を第１軸とし、第２軸以降を順次に求める際に前
記第１軸から第（Ｎ−１）軸までの各特徴軸上において
他カテゴリーのパターン領域にも属するパターンだけを
用いて求めた分離度が最大となる特徴軸を第Ｎ軸とし、
前記第１軸から順に選択した１または２以上の特徴軸の
特徴のみを用いてパターン認識を行うことを特徴とす
る。
のパターン分布の分離状態を表わす分離度が最大となる
特徴軸を第１軸とし、第２軸以降を順次に求める際に前
記第１軸から第（Ｎ−１）軸までの各特徴軸上において
他カテゴリーのパターン領域にも属するパターンだけを
用いて求めた分離度が最大となる特徴軸を第Ｎ軸とし、
前記第１軸から順に選択した１または２以上の特徴軸の
特徴のみを用いてパターン認識を行うことを特徴とす
る。
以下、本発明を実施例を用いて詳細に説明する。
第１図は本発明のパターン認識方法の一実施例を示すブ
ロック図である。入力パターンは２値化部１で多値パタ
ーンから２値パターンに変換され、前処理部２でノイズ
除去・正規化等の処理が施され、特徴抽出部３で種々の
特徴量が抽出され、大分類部４で大まかに分類される。
次に、大分類部４による分類毎に、予め、特徴選択辞書
作成部１０で、カテゴリーの既知なるパターンを用い
て、特徴抽出部３において抽出された大量の特徴の中か
らその分類において識別に有用な少数の特徴を選択し、
その特徴軸名を特徴選択辞書８に格納しておく。特徴選
択部５では、入力パターンの特徴の中から特徴選択辞書
８に格納されている特徴を選択し、整合部６で選択され
た特徴についてだけ整合用辞書９に格納されている標準
パターンとの整合を行ない、その結果に基づいて判定部
７で入力パターンの属するカテゴリーが決定される。
ロック図である。入力パターンは２値化部１で多値パタ
ーンから２値パターンに変換され、前処理部２でノイズ
除去・正規化等の処理が施され、特徴抽出部３で種々の
特徴量が抽出され、大分類部４で大まかに分類される。
次に、大分類部４による分類毎に、予め、特徴選択辞書
作成部１０で、カテゴリーの既知なるパターンを用い
て、特徴抽出部３において抽出された大量の特徴の中か
らその分類において識別に有用な少数の特徴を選択し、
その特徴軸名を特徴選択辞書８に格納しておく。特徴選
択部５では、入力パターンの特徴の中から特徴選択辞書
８に格納されている特徴を選択し、整合部６で選択され
た特徴についてだけ整合用辞書９に格納されている標準
パターンとの整合を行ない、その結果に基づいて判定部
７で入力パターンの属するカテゴリーが決定される。
第１図の構成のうち、特徴選択作成部１０以外の部分は
公知の技術から比較的容易に構成できるので説明を省略
し、特徴選択作成部１０における学習について詳細に説
明する。
公知の技術から比較的容易に構成できるので説明を省略
し、特徴選択作成部１０における学習について詳細に説
明する。
第２図は特徴選択作成部１０の詳細な構成を示すブロッ
ク図である。本実施例では、分類内に相異なるカテゴリ
ーがＫ個存在する場合について説明する。まず、パター
ンの識別に最も有用な第１軸の選択について説明する。
パターン領域作成部１１では、カテゴリーｉのｋ番目の
パターンの特徴軸ｎ上における特徴量 の最大値Uinと最小値Lin とを求めることにより、カテ
ゴリーｉのパターン領域を設定する。
ク図である。本実施例では、分類内に相異なるカテゴリ
ーがＫ個存在する場合について説明する。まず、パター
ンの識別に最も有用な第１軸の選択について説明する。
パターン領域作成部１１では、カテゴリーｉのｋ番目の
パターンの特徴軸ｎ上における特徴量 の最大値Uinと最小値Lin とを求めることにより、カテ
ゴリーｉのパターン領域を設定する。
ここに、Niはカテゴリーｉのパターン数である。
第３図に一例として、特徴軸ｎ上におけるカテゴリー
１、カテゴリー２のパターン領域を示す。
１、カテゴリー２のパターン領域を示す。
式(1)，式(2)により各カテゴリーに対してパターン領域
を設定する。
を設定する。
次に距離計算部１２について説明する。特徴軸ｎ上にお
けるカテゴリーｉのパターン領域に対するカテゴリーｊ
のｋ番目のパターンXjk(n)の距離 を次式で定義する。
けるカテゴリーｉのパターン領域に対するカテゴリーｊ
のｋ番目のパターンXjk(n)の距離 を次式で定義する。
ここで、もし距離 が０ならば、カテゴリーｊのパターンがカテゴリーｉの
パターン領域に属することを意味する。
パターン領域に属することを意味する。
次に評価関数計算部１３について説明する。特徴軸ｎ上
で、カテゴリーｉのパターン領域に属さないカテゴリー
ｊのパターン番号を要素とする集合Sij(n)を次式で定義
する。
で、カテゴリーｉのパターン領域に属さないカテゴリー
ｊのパターン番号を要素とする集合Sij(n)を次式で定義
する。
特徴軸ｎ上においてカテゴリーｉとは異なる全てのカテ
ゴリーのパターンのうちで、カテゴリーｉのパターン領
域に属さないパターン数をNi*(n)で表わす。
ゴリーのパターンのうちで、カテゴリーｉのパターン領
域に属さないパターン数をNi*(n)で表わす。
ここに、‖Ｓ‖は集合Ｓの要素数を表わす。ここで、評
価関数となる分離度Ｊ(n)を式(6)で定義する。
価関数となる分離度Ｊ(n)を式(6)で定義する。
この分離度Ｊ(n)が大きい特徴軸が識別に有用な特徴軸
である。特徴選択辞書構成部１４において最大分離度を
与える特徴軸を第１軸として選択する。
である。特徴選択辞書構成部１４において最大分離度を
与える特徴軸を第１軸として選択する。
具体的な例を用いて分離度による特徴軸の選択を説明す
る。第３図と第４図はそれぞれ特徴軸ｎおよびｍ上のパ
ターン分布で、カテゴリーが２つの場合である。第３図
では２つのカテゴリーのパターン分布に重なりがなく、
第４図では重なりがあるのでＪ(m)＜Ｊ(n)となり、特徴
軸ｍより特徴軸ｎの方が優れていると言える。
る。第３図と第４図はそれぞれ特徴軸ｎおよびｍ上のパ
ターン分布で、カテゴリーが２つの場合である。第３図
では２つのカテゴリーのパターン分布に重なりがなく、
第４図では重なりがあるのでＪ(m)＜Ｊ(n)となり、特徴
軸ｍより特徴軸ｎの方が優れていると言える。
次に、第２軸以降の特徴軸の選択法について説明する。
分離度Ｊ(n)が最大の特徴軸を第１軸とし、第２軸は第
１軸上において他カテゴリーのパターン領域にも属する
パターンだけを用いて、最大分離度を与える特徴軸を求
めることにより得られる。他カテゴリーのパターン領域
にも属するパターンとは、相異なるカテゴリーのパター
ン分布間の重なりに属するパターンであり、例えば第４
図の例では特徴軸ｍ上で特徴量がＬ2mとＵ1mの間に分布
するパターンである。第３図の例では、このような相違
なるカテゴリーのパターン分布間の重なりに属するパタ
ーンは無い。第２軸以降の特徴軸は、パターン分布間の
重なりを分離するような特徴軸を求めることにより得ら
れる。
分離度Ｊ(n)が最大の特徴軸を第１軸とし、第２軸は第
１軸上において他カテゴリーのパターン領域にも属する
パターンだけを用いて、最大分離度を与える特徴軸を求
めることにより得られる。他カテゴリーのパターン領域
にも属するパターンとは、相異なるカテゴリーのパター
ン分布間の重なりに属するパターンであり、例えば第４
図の例では特徴軸ｍ上で特徴量がＬ2mとＵ1mの間に分布
するパターンである。第３図の例では、このような相違
なるカテゴリーのパターン分布間の重なりに属するパタ
ーンは無い。第２軸以降の特徴軸は、パターン分布間の
重なりを分離するような特徴軸を求めることにより得ら
れる。
第３軸は第１軸上で他カテゴリーのパターン領域から分
離されたパターンを除き、第２軸において他カテゴリー
のパターン領域にも属するパターンだけを用いて最大分
離度を与える特徴軸を求めることにより得られる。言い
かえれば第３軸は第１軸および第２軸（第２軸を求めた
際の状態、すなわち第１軸上において他カテゴリーのパ
ターン領域に属するパターンだけを用いた状態）それぞ
れにおいて他カテゴリーのパターン領域に属するパター
ンだけを用いて最大分離度を与える特徴軸を求めること
により得られる。
離されたパターンを除き、第２軸において他カテゴリー
のパターン領域にも属するパターンだけを用いて最大分
離度を与える特徴軸を求めることにより得られる。言い
かえれば第３軸は第１軸および第２軸（第２軸を求めた
際の状態、すなわち第１軸上において他カテゴリーのパ
ターン領域に属するパターンだけを用いた状態）それぞ
れにおいて他カテゴリーのパターン領域に属するパター
ンだけを用いて最大分離度を与える特徴軸を求めること
により得られる。
さらに、第４軸、第５軸……と順次に求めていく。一般
的に表わせば、第Ｎ軸（Ｎは２以上の整数）は、第１軸
から第（Ｎ−１）軸までの各軸を求める際に各軸上にお
いて他カテゴリーのパターン領域から分離されたパター
ンを除いたものだけを用いて最大分離度を与える特徴軸
を求めることにより得られる。言いかえれば、第Ｎ軸
は、第１軸から第（Ｎ−１）軸までの各軸を求める際
に、各軸上において、他カテゴリーのパターン領域にも
属するパターンだけを用いて、最大分離度を与える特徴
軸を求めることにより得られる。
的に表わせば、第Ｎ軸（Ｎは２以上の整数）は、第１軸
から第（Ｎ−１）軸までの各軸を求める際に各軸上にお
いて他カテゴリーのパターン領域から分離されたパター
ンを除いたものだけを用いて最大分離度を与える特徴軸
を求めることにより得られる。言いかえれば、第Ｎ軸
は、第１軸から第（Ｎ−１）軸までの各軸を求める際
に、各軸上において、他カテゴリーのパターン領域にも
属するパターンだけを用いて、最大分離度を与える特徴
軸を求めることにより得られる。
以上のように第１軸、第２軸……と順位が定められた特
徴軸のうち、第１軸から適当な順位までの特徴軸を選択
してパターン認識を行なうことにより、効率よくパター
ン認識をすることが可能となる。
徴軸のうち、第１軸から適当な順位までの特徴軸を選択
してパターン認識を行なうことにより、効率よくパター
ン認識をすることが可能となる。
以上説明したように本発明は、判別分析法のようにパタ
ーン分布に正規分布に基づく統計的データという仮定を
おく必要はなく、このような統計的データおよび正規分
布に基づかない非統計的データの両方に対して相異なる
カテゴリーのパターン分布間の重なりを評価することに
より、パターンの識別に最適な特徴を選択することがで
き、選択された特徴だけを用いて認識を行なうことによ
り、複雑な計算を行なうことなく容易に高精度のパター
ン認識率が得られる効果がある。また本発明を適用して
特徴選択を学習によりコンピュータを用いて自動的に行
なうことも可能である。
ーン分布に正規分布に基づく統計的データという仮定を
おく必要はなく、このような統計的データおよび正規分
布に基づかない非統計的データの両方に対して相異なる
カテゴリーのパターン分布間の重なりを評価することに
より、パターンの識別に最適な特徴を選択することがで
き、選択された特徴だけを用いて認識を行なうことによ
り、複雑な計算を行なうことなく容易に高精度のパター
ン認識率が得られる効果がある。また本発明を適用して
特徴選択を学習によりコンピュータを用いて自動的に行
なうことも可能である。
第１図は本発明のパターン認識方法の一実施例を説明す
るためのブロック図、第２図は第１図に示す特徴選択辞
書作成部１０の詳細なブロック図、第３図は特徴軸上に
おけるパターン分布の例を示す概念図で２つのカテゴリ
ーのパターン分布が重なる場合、第４図は特徴軸上にお
けるパターン分布の例を示す概念図で２つのカテゴリー
のパターン分布に重なりがない場合である。 １……２値化部、２……前処理部、３……特徴抽出部、
４……大分類部、５……特徴選択部、６……整合部、７
……判定部、８……特徴選択辞書、９……整合用辞書、
１０……特徴選択辞書作成部、11……パターン領域作成
部、12……距離計算部、13……評価関数計算部、14……
特徴選択辞書構成部。
るためのブロック図、第２図は第１図に示す特徴選択辞
書作成部１０の詳細なブロック図、第３図は特徴軸上に
おけるパターン分布の例を示す概念図で２つのカテゴリ
ーのパターン分布が重なる場合、第４図は特徴軸上にお
けるパターン分布の例を示す概念図で２つのカテゴリー
のパターン分布に重なりがない場合である。 １……２値化部、２……前処理部、３……特徴抽出部、
４……大分類部、５……特徴選択部、６……整合部、７
……判定部、８……特徴選択辞書、９……整合用辞書、
１０……特徴選択辞書作成部、11……パターン領域作成
部、12……距離計算部、13……評価関数計算部、14……
特徴選択辞書構成部。
Claims (1)
- 【請求項１】特徴軸毎にカテゴリー間のパターン分布の
分離状態を表わす分離度が最大となる特徴軸を第１軸と
し、第２軸以降を順次に求める際に前記第１軸から第
（Ｎ−１）軸までの各特徴軸上において他カテゴリーの
パターン領域にも属するパターンだけを用いて求められ
た分離度が最大となる特徴軸を第Ｎ軸とし、前記第１軸
から順に選択した１または２以上の特徴軸の特徴のみを
用いてパターン認識を行うことを特徴とするパターン認
識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP61201017A JPH0652537B2 (ja) | 1986-08-26 | 1986-08-26 | パタ−ン認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP61201017A JPH0652537B2 (ja) | 1986-08-26 | 1986-08-26 | パタ−ン認識方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS6355677A JPS6355677A (ja) | 1988-03-10 |
| JPH0652537B2 true JPH0652537B2 (ja) | 1994-07-06 |
Family
ID=16434090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP61201017A Expired - Lifetime JPH0652537B2 (ja) | 1986-08-26 | 1986-08-26 | パタ−ン認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0652537B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0709800A2 (en) | 1994-10-28 | 1996-05-01 | Canon Kabushiki Kaisha | Method for designing classification trees |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3484905B2 (ja) * | 1996-11-26 | 2004-01-06 | オムロン株式会社 | 状態判別装置 |
| CN103324941B (zh) * | 2013-06-19 | 2016-04-20 | 鲁东大学 | 一种基于临近距离的遥感分类图斑边界精度评价方法 |
-
1986
- 1986-08-26 JP JP61201017A patent/JPH0652537B2/ja not_active Expired - Lifetime
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0709800A2 (en) | 1994-10-28 | 1996-05-01 | Canon Kabushiki Kaisha | Method for designing classification trees |
Also Published As
| Publication number | Publication date |
|---|---|
| JPS6355677A (ja) | 1988-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Senior | A combination fingerprint classifier | |
| DE69131689T2 (de) | Gleichzeitige sprecherunabhängige sprachererkennung und sprecherverifikation über einen fernsprechnetz | |
| CN100356388C (zh) | 生物特征融合的身份识别和认证方法 | |
| US4682365A (en) | System and method for preparing a recognition dictionary | |
| DE69231309T2 (de) | Methode und System zur Handschrifterkennung | |
| US5005205A (en) | Handwriting recognition employing pairwise discriminant measures | |
| CN109829478B (zh) | 一种基于变分自编码器的问题分类方法和装置 | |
| Singhal et al. | Script-based classification of hand-written text documents in a multilingual environment | |
| CN109977213B (zh) | 一种面向智能问答系统的最优答案选择方法 | |
| US7233692B2 (en) | Method and computer program product for identifying output classes with multi-modal dispersion in feature space and incorporating multi-modal structure into a pattern recognition system | |
| CN112784921A (zh) | 任务注意力引导的小样本图像互补学习分类算法 | |
| CN110188671B (zh) | 一种利用机器学习算法分析笔迹特征的方法 | |
| Lee et al. | Improved segmentation through dynamic time warping for signature verification using a neural network classifier | |
| CN117273820A (zh) | 一种基于人工智能的游戏线上抽奖系统及其方法 | |
| JPH0652537B2 (ja) | パタ−ン認識方法 | |
| Cha et al. | On binary similarity measures for handwritten character recognition | |
| CN115510248A (zh) | 基于深度学习的人员行为特征知识图谱构建与分析方法 | |
| US20040042665A1 (en) | Method and computer program product for automatically establishing a classifiction system architecture | |
| CN114241227A (zh) | 一种基于vlad的图像识别方法及装置 | |
| JP2556477B2 (ja) | パタン照合装置 | |
| JPH0458073B2 (ja) | ||
| JP2924192B2 (ja) | パターン認識装置 | |
| CN115344846B (zh) | 一种指纹检索模型及验证方法 | |
| CN113722607B (zh) | 一种基于改进聚类的托攻击检测方法 | |
| CN112487816B (zh) | 一种基于网络分类的命名实体识别方法 |