JPH0793545A

JPH0793545A - 画像処理装置

Info

Publication number: JPH0793545A
Application number: JP5236902A
Authority: JP
Inventors: Kazuhiko Washimi; 和彦鷲見; Manabu Hashimoto; 橋本　　学; Miwako Hirooka; 美和子広岡; Yoshio Izui; 良夫泉井
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1993-09-22
Filing date: 1993-09-22
Publication date: 1995-04-07
Anticipated expiration: 2015-06-19
Also published as: JP3053512B2

Abstract

(57)【要約】【目的】対象物の局部的な違いや複数の階調を有した
情景の画像中における対象物に対する判別や認識処理能
力を向上させる。【構成】フィルタリング手段の出力から３値画像を得
る３値化処理手段と、上記３値画像と局所パターンとの
類似度を検出する局所特徴検出手段，上記局所パターン
との類似度が一定値以上であったときに出力を発生する
閾値手段，画像中における上記閾値手段の出力発生点の
数を計数する局所特徴計数手段を有する特徴ベクトル抽
出手段と、その特徴ベクトル抽出手段の出力と標準ベク
トルとの類似度を求め判定結果を出力する特徴ベクトル
判別手段とを備える。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、テレビカメラなどの
２次元撮像装置から入力される画像をディジタル化し、
撮影された情景の中に存在する対象物の個数，種別，正
常／異常などの判別を認識して出力する画像処理装置に
関するものである。

【０００２】

【従来の技術】テレビカメラなどから入力される画像を
ディジタル化し、撮影された情景の中に存在する対象物
の個数，種別，正常／異常などの判別を認識して出力す
る画像処理装置は、生産ラインでのワークの種別判別や
検査、さらにはプラントなどの遠隔監視の自動化などに
用いられている。

【０００３】図４０は、空間的バンドパスフィルタと２
つの閾値により３値画像を生成し、撮影された情景の中
に存在する対象物の判別を認識して出力する画像処理装
置の構成を示すブロック図である。図において１０はテ
レビカメラなどから入力される画像をディジタル化する
画像ディジタル化手段、１１はディジタル化された原画
像を示している。１２はディジタル化された原画像を縮
小する画像縮小手段、１３はディジタル化された原画像
あるいは画像縮小手段１２により縮小された原画像のい
ずれかに切り替え、フィルタリング手段２０に出力する
切替手段である。

【０００４】フィルタリング手段２０は切替手段１３か
ら出力された原画像に対しフィルタリング処理を行な
う。２１は最適な閾値を決定する最適閾値決定手段、３
０は２つの閾値によりフィルタリング手段２０の出力を
３値化したデータに変換する３値化処理手段、３１は３
値表現された多重解像度のシーン表現データである３値
画像、３２は切り出し位置走査手段およびその制御手段
３３により指定される切り出しアドレスを基に、前記３
値表現された多重解像度のシーン表現データから部分画
像を切り出す部分画像切り出し手段、５６はあらかじめ
作成され登録された３値の標準パターン、５８は部分画
像切り出し手段３２により切り出した部分画像と標準パ
ターン５６との２次元パターン一致度を計数する２次元
パターン一致度計数手段、５９は２次元パターン一致度
計数手段５８で計数された一致度を基に作成された類似
度に関するマップにより最良の一致結果を得る位置とそ
の位置における類似度を認識結果として出力するピーク
評価手段である。

【０００５】次に、この画像処理装置の動作を簡単に説
明する。画像ディジタル化手段１０によりディジタル化
された２次元画像は、フィルタリング手段２０によりあ
る空間周波数成分のみが取り出され、その後３値化処理
手段３０により３値画像３１に変換される。そしてこの
３値画像３１と同様にしてあらかじめ作成され登録され
た類似度に関するマップがピーク評価手段５９に送られ
最良の一致度を得る位置とその位置における類似度が判
別結果として出力される。

【０００６】以上説明した画像処理装置は３値画像を用
いるような構成であるが、このような３値画像を用いな
い画像の判別技術もある。このような従来技術として
は、たとえば雑誌映画情報（大津展之，適応学習型汎用
画像計測認識システム，映画情報ｖｏｌ．１２１，ｐ
ｐ．４１―４６，１９８９）に掲載された局所パターン
の出現頻度に基づく画像判別技術がある。

【０００７】この画像判別技術を図４１に基づいて説明
する。図４１において図４０と同一または相当の部分に
ついては同一の符号を付し説明を省略する。図において
入力画像であるディジタル化された原画像１１は２値化
処理手段３５で２値化され、特徴ベクトル抽出手段４０
の２５個の並列的に動作する局所特徴検出手段４１―
１，４１―２，・・・４１―２５に入力される。局所特
徴検出手段４１―１から局所特徴検出手段４１―２５で
は図４２に示すような白画素が生じたときに出力を発生
し、この出力は局所特徴計数手段４２―１，４２―２，
・・・４２―２５が備えているカウンタで計数される。
この結果、ある特定の画面に特有の２５次元の特徴ベク
トル４９を生ずる。

【０００８】そして、標準パターン登録時には特徴ベク
トル４９と共に判定結果の教師信号が特徴ベクトル判別
手段５０に入力され、特徴ベクトル判別手段５０ではこ
れらの学習ベクトル（すなわち局所特徴検出手段４１と
局所特徴計数手段４２の合成ベクトル）を重回帰分析に
より統計処理し、任意の特徴入力に対して望ましい判定
出力が得られるような重回帰係数を生成する。認識実行
時には特徴ベクトル４９と前記生成した重回帰係数から
判別結果が求められる。

【０００９】

【発明が解決しようとする課題】従来の画像処理装置は
以上のように構成されているので、従来技術１では、あ
らかじめ登録された標準パターンと類似したパターンを
有した対象物を画像中から抽出するのには適している
が、抽出された対象物が参照パターンと局部的に異なる
パターンを有していたときには、その違いが大まかなパ
ターンの違いと区別できないなど分類や検査に適したア
ルゴリズムが提供されていないため、生産ラインでの製
品検査やプラントの異常監視などの応用には適さない問
題点があった。

【００１０】また従来技術２では、手続的なプログラミ
ングなどを必要としないで判別関数を自動決定できる特
徴を有しているのに対し、特徴入力を２値画像の局所特
徴に頼っていることから、単一の閾値で２値化した場合
に特徴的なパターンが現われず、あるいは判別するのに
必要なパターンが２値化により失われてしまう結果とな
る。すなわち、図４３の（ａ）に示されているような複
数の階調を有した画像を単純に１つの閾値で処理する場
合には、いかに工夫して閾値を選定しても同図（ｂ）に
示すように右側の物体の内部の黒い円状の領域と左側の
物体の白い円状の領域を同時に抽出することは困難であ
る。このように現実の一般的な情景においては処理能力
が低く実用的でないなどの問題点があった。

【００１１】この発明は上記のような問題点を解消する
ためになされたもので、ディジタル化された原画像をフ
ィルタリング処理し、３値で表現された画像の局所特徴
を記述できるようにすることで、対象物の局部的な違い
を確実に判別し認識できると共に、複数の階調を有した
一般的な情景の画像中における対象物に対する判別や認
識処理能力を向上させた画像処理装置を得ることを目的
とする。

【００１２】

【課題を解決するための手段】請求項１の発明に係る画
像処理装置は、ディジタル化された入力画像に一種類ま
たは複数種類の空間的バンドパスフィルタを作用させる
フィルタリング手段と、そのフィルタリング手段の出力
を２つの閾値で処理し３値画像を得る３値化処理手段
と、上記３値画像と局所パターンとの類似度を検出する
局所特徴検出手段，上記類似度が一定値以上であったと
きに出力を発生する閾値手段，画像中において上記閾値
手段の出力が何点において発生したかを計数する複数の
局所特徴計数手段を有する特徴ベクトル抽出手段と、そ
の特徴ベクトル抽出手段の出力とあらかじめ記憶されて
いる１つまたは複数の標準ベクトルとの類似度を求め、
最終的な判別結果として出力する特徴ベクトル判別手段
とを備えたものである。

【００１３】請求項２の発明に係る画像処理装置は、３
値画像と局所パターンとの類似度を検出する局所特徴検
出手段および上記局所パターンとの類似度を画像中で累
積する複数の特徴累積手段から構成された特徴ベクトル
抽出手段を備えたものである。

【００１４】請求項３の発明に係る画像処理装置は、特
徴ベクトルが線形分離可能な場合において特徴ベクトル
の線形和で表現される線形判別関数を用い、その線形判
別関数を生成するためにあらかじめ判定結果が既知であ
る複数の学習画像データと判別結果を用いて重回帰分析
を行ないその重回帰分析の結果を線形判別関数の重み係
数とする回帰分析手段と、上記重み係数および特徴ベク
トルから判別結果を出力する判別部とを備えたものであ
る。

【００１５】請求項４の発明に係る画像処理装置は、判
別すべき集団をいくつかの集団の和集合として表現し、
個々の集団をあらかじめ判別結果が既知である複数の学
習画像データと判別結果とを用いて、個々の集団を逐次
的に更新しながら形成する超集団形成手段を備えたもの
である。

【００１６】請求項５の発明に係る画像処理装置は、認
識処理中に監視者がその判別結果が誤っていると判断し
た場合、望ましい判別結果を入力することにより標準パ
ターンを再計算し、運用しながら判定の信頼性の向上を
計る判定信頼性向上手段を備えたものである。

【００１７】請求項６の発明に係る画像処理装置は、標
準パターン学習時に多次元の特徴ベクトルの各次元にお
いてデータの正規化を行ない、集団を表現する中心ベク
トルの分散がどの次元に対しても同じ値になるようにす
る正規化処理手段を備えたものである。

【００１８】請求項７の発明に係る画像処理装置は、入
力画像の局所特徴から得られる特徴ベクトル以外に他の
センサ情報から得られる特徴あるいは画像の大局的特徴
を併用して学習を行ない多次元特徴空間を構成して判別
を行なうものである。

【００１９】請求項８の発明に係る画像処理装置は、学
習時に入力画像の局所特徴から得られる特徴ベクトル以
外に他のセンサ情報から得られる特徴あるいは画像の大
局的特徴を複数のクラスに分類する大分類クラス生成手
段を有し、認識処理時には同一の特徴を用いて学習デー
タから該当するクラスを選択し、選択したクラスに記憶
された学習データのみを用いて認識を行なうものであ
る。

【００２０】請求項９の発明に係る画像処理装置は、画
像をあらかじめ複数の区画に分割する部分画像分割走査
手段を有し、特徴ベクトル判別手段は分割された上記区
画毎に学習データを用意し、上記区画毎に学習と認識を
行なうようにしたものである。

【００２１】請求項１０の発明に係る画像処理装置は、
複数の区画に分割した画像区画の周辺部においては区画
中心部よりも低い重み係数を設定する重み係数発生手段
と、局所特徴検出手段の出力に上記重み係数を加算した
出力を計数する局所特徴計数手段と、その局所特徴計数
手段の出力が特徴ベクトルとして供給される特徴ベクト
ル判定手段とを備えたものである。

【００２２】請求項１１の発明に係る画像処理装置は、
画像上の複数の計測点において標準的な画像との位置合
わせを行なう位置検出手段と、その位置検出手段の出力
から画像を標準的な画像にもっとも近づけるための幾何
変換パラメータを求める変換パラメータ生成手段と、そ
の変換パラメータ生成手段により生成した幾何変換パラ
メータを基に上記画像を幾何変換し幾何変換後の画像を
入力画像とする幾何変換部とを備えたものである。

【００２３】請求項１２の発明に係る画像処理装置は、
入力画像から得られた３値画像とあらかじめ登録された
複数の局所パターンとの類似度を検出する局所特徴検出
手段と、その出力を計数する局所特徴計数手段と、上記
３値画像の領域を画像上で限定し、その限定した領域の
位置を画面内で走査する部分画像切り出し走査手段と、
上記局所特徴計数手段の出力を入力特徴ベクトルとし、
あらかじめ記憶された標準パターンとの間で類似度の評
価を行ない上記入力特徴ベクトルが属するクラスとその
クラスに属する入力特徴ベクトルの画像上の位置とを出
力する特徴ベクトル判別手段と、特徴マップを出力する
特徴選択手段と、対応付けが矛盾なくできる上記特徴マ
ップと標準局所特徴マップ間の組み合わせとその際に必
要な変形パラメータを求める特徴マップ対応検索手段
と、上記変形パラメータから選択された標準物体パター
ンと画像上の物体パターン間の幾何的変換パラメータを
生成し出力する幾何変換パラメータ生成手段とを備えた
ものである。

【００２４】

【作用】請求項１の発明における画像処理装置は、３値
画像と局所パターンとの類似度が検出され、一定値以上
の類似度を示す箇所の発生数の計数結果を基に抽出され
た特徴ベクトルとあらかじめ記憶されている標準ベクト
ルとの類似度を基に最終的な判別結果を求めるように作
用する。

【００２５】請求項２の発明における画像処理装置は、
画像中の局所特徴についての類似度やその累積結果を基
に抽出された特徴ベクトルとあらかじめ記憶されている
標準ベクトルとの類似度を基に対象物の判別結果を求め
るように作用する。

【００２６】請求項３の発明における画像処理装置は、
線形判別関数を生成するためあらかじめ判定結果が既知
である複数の学習画像データと判別結果を用いて重回帰
分析が行なわれ、その重回帰分析の結果を上記線形判別
関数の重み係数とする重回帰分析が行なわれ、上記重み
係数と特徴ベクトルから判別結果を求めるように作用す
る。

【００２７】請求項４の発明における超集団形成手段
は、特徴ベクトル空間に領域を複数個形成し、それらの
領域の和集合を１つの集団として判断するので、判別の
ための特徴ベクトルが線形分離可能でない場合において
も、手続的な条件分岐を行なうことなく統一的な判別基
準で判別結果が得られることになり対象物に対する判別
や認識処理能力が向上する。

【００２８】請求項５の発明における画像処理装置は、
判別の認識処理中に判別結果が誤っていると判断された
場合、学習した全てのデータを再度読み込ませることな
く望ましい判別結果を入力することにより標準パターン
が再計算され、上記標準パターンの修正が可能となるこ
とから、判別の際の信頼性を向上させるように作用す
る。

【００２９】請求項６の発明における画像処理装置は、
標準パターン学習時に多次元の特徴ベクトルの各次元に
おいてデータの正規化が行なわれ、集団を表現する中心
ベクトルの分散がどの次元に対しても同じ値になること
から演算が簡略化され、画像中における対象物に対する
認識処理能力が向上する。

【００３０】請求項７の発明における画像処理装置の総
合的特徴ベクトル生成手段は、局所的な画像の特徴だけ
でなく他のセンサ情報から同時に得られる特徴や大局的
な画像特徴を用いて学習が行なわれ、これら特徴を用い
て多次元特徴空間が構成され判別が行なわれ、より複雑
な状況に適応して画像中における対象物に対する信頼性
の高い判別が行なわれ認識処理能力が向上する。

【００３１】請求項８の発明における画像処理装置は、
学習時に入力画像の局所特徴以外の他のセンサ情報から
得られる特徴あるいは画像の大局的特徴が複数のクラス
に分類され学習データが得られ、同一の特徴を用いて学
習データから該当する上記クラスが選択され、選択した
クラスに記憶された学習データを用いて認識処理が行な
われることから、より複雑な状況に適応して画像中にお
ける対象物に対する信頼性の高い判別が行なわれ認識処
理能力が向上することになる。

【００３２】請求項９の発明における画像処理装置は、
画像が複数の区画毎に分割され、この分割された区画毎
に学習と認識が行なわれることから、画像中の一部の領
域に着目することでその周囲の物体像の局所特徴が判別
結果に影響を及ぼすことがなくなり、結果として画像中
における対象物に対する信頼性の高い判別が可能にな
る。

【００３３】請求項１０の発明における画像処理装置
は、部分領域の周辺部に付与される重み計数を中心部に
付与される重み計数よりも低くすることで、物体の形状
が多少変化したり位置合わせがずれて、該当する特徴が
学習時と認識時で領域内に含まれあるいは含まれないこ
とになり、認識の信頼性が低下するのを防止するように
作用する。

【００３４】請求項１１の発明における画像処理装置
は、学習時の画像と認識時の画像間の物体の位置ずれ量
が複数の計測点で計測され、標準的な画像に最も近づけ
るためのたとえば平行移動，回転移動，拡大／縮小など
の幾何変換パラメータを用いて画像が幾何変換され判別
が行なわれることから、画像の重ね合わせ誤差による特
徴ベクトルの変動が抑制され、信頼性の高い判別が可能
になる。

【００３５】請求項１２の発明における画像処理装置
は、標準パターンと撮像された画像中の物体との対応関
係を３値画像の局所特徴レベルで行ない、部分画像中の
物体が判別された後に、特徴マップと標準局所特徴マッ
プ間での対応付けが矛盾なくできる特徴マップと標準局
所特徴マップ間の組み合わせが求められ、この際の幾何
変換パラメータと上記判別結果とが画像処理の認識結果
として出力されことから、上記部分画像中の周辺の物体
による影響が排除された状態で局部的な特徴パターンの
照合が可能になり、信頼性の高い判別結果を得ることを
可能にする。

【００３６】

【実施例】実施例１．以下、請求項１の発明の一実施例を図につい
て説明する。図１は本実施例の画像処理装置の構成を示
すブロック図である。図１において図４０または図４１
と同一または相当の部分については同一の符号を付し説
明を省略する。

【００３７】本実施例の画像処理装置は図１のブロック
図により示されるが、図４０および図４１と比較対照す
ることで明らかなように、図４０における画像ディジタ
ル化手段１０から３値表現された多重解像度のシーン表
現データである３値画像３１までの構成と、図４０に示
す特徴ベクトル抽出手段４０から判別結果５９までの構
成からなっている。本実施例の画像処理装置は従来の画
像処理装置の欠点を補い、対象物の局部的な違いを確実
に判別し認識すると共に、複数の階調を有した一般的な
情景の画像中における対象物に対する判別や認識処理能
力を向上させようとするものである。

【００３８】次に、動作について説明する。図示してい
ないテレビカメラなどの画像撮像手段で撮像された画像
は、画像ディジタル化手段１０によりディジタル化され
た原画像１１に変換される。原画像１１は、フィルタリ
ング手段２０により空間的な低域成分と高域成分が取り
除かれる。次いで３値化処理手段３０により―１／０／
１で表現される３値画像３１に変換される。

【００３９】この３値画像３１の生成の様子は図２に示
されている。図２では簡単のために画像の空間方向距離
はＸ軸方向についてのみ示されている。２次元の原画像
１１のあるＸ軸方向の切断面が図２の（ａ）に示すよう
な４つの段階状エッジを含む画像である場合に、フィル
タリング手段２０の出力は同図（ｂ）に示すような波形
となる。次に、このこの波形を２つの閾値＋δと閾値−
δで閾値処理を行なうと同図（ｃ）に示すような３値の
幅の広いエッジ表現である３値化出力を得ることができ
る。

【００４０】これに対し、図２の（ｄ）は従来の画像処
理装置における原画像、同図（ｅ）は前記原画像を１つ
の閾値δにより閾値処理を行なったときの２値化画像で
あり、このような２値化手法による画像処理では、図２
の（ｅ）に示すように画像中の輝度変化のうちの特定の
部分のみが取り出されるにすぎない。

【００４１】再び図１に戻り、３値画像３１の処理につ
いて説明する。この３値画像３１は特徴ベクトル抽出手
段４０に入力される。特徴ベクトル抽出手段４０は局所
画像切り出し位置走査手段３９と特徴ベクトルの要素の
個数Ｎに対応して並列的に動作する局所特徴検出手段４
１−ｉと局所特徴計数手段４２−ｉとが組み合わされて
機能している。この並列化は、実際にはハードウェーア
として複数個の回路を並列動作させて構成してもよく、
また局所特徴検出手段が検出する特徴を順次切り替えな
がら時系列的に処理してもよい。もちろん処理内容が同
一であればフィルタリング手段２０や３値化処理手段３
０の部分を含めて計算機によるプログラム処理で実現し
てもよい。

【００４２】次に、局所特徴検出手段４１−ｉと局所特
徴計数手段４２−ｉとの組み合わせ動作について説明す
る。局所特徴検出手段４１−ｉは、画像中の着目画素を
中心としてその周囲の３値のパターンが固有の組み合わ
せになったときにだけ出力を発生する。そして、局所画
像切り出し位置走査手段３９の出力を基に着目画素につ
いて画像全体にわたって走査することによりある特徴を
有したパターンがどのような頻度で発生したかを局所特
徴計数手段４２−ｉのカウンタで計数する。局所特徴検
出手段４１−ｉが反応する３値の局所パターンを変化さ
せることで局所パターンの個数Ｎに対応したＮ次元の特
徴ベクトル４９が特徴ベクトル抽出手段４０の出力とし
て得られる。

【００４３】次に、図７および図８に基づいて局所特徴
検出手段４１について説明する。図７に示すように登録
された局所パターンｇ（ｘ，ｙ）と、３値表現された中
間画像ｆ（ｘ，ｙ）の着目画素（ｉ，ｊ）の周囲から切
り出された部分画像ｆ（ｉ＋δｉ，ｊ＋δｊ）との重ね
合わせを行ない、次に示す式（１）に基づいてパターン
検出出力を決定する。

【００４４】

【数１】

【００４５】但し演算○は、図８に示すように入力画素
値である３値表現された中間画像ｆと局所パターンｇの
画素値が一致したときには「＋１」、差が１でれば
「０」、差が２でれば「−１」、局所パターンｇの画素
値が不定であれば中間画像ｆの画素値に係わらず「０」
を出力するような一致度判定演算を意味している。この
一致度判定演算に関しては図８に示されるような演算だ
けでなく、図９に示すような演算であっても類似した結
果を得ることが出来る。また、前記（１）式におけるｔ
ｈｒｅｓｈｏｌｄは局所パターン検出の閾値を意味し、
例えば局所パターンの面積から局所パターンに含まれる
不定値を示す画素の面積を差し引いた残りの値に一定比
率以上一致すれば局所パターンありと看做すようにす
る。但し、局所パターンが小さいときにはこの比率は
『１００』、局所パターンが大きいときには『５０』な
どと適当な値を選択することが望ましい。

【００４６】次に局所パターンの具体的な実施例として
図３について説明を行なう。図において局所パターンｇ
１は着目画素が〔白〕であり「＋１」、それ以外の画素
は〔灰〕であり「不定」であることを示している。従っ
て、局所パターンｇ１の検出結果を図７のカウンタ４４
でカウントした結果得られる出力は全画面中の「＋１」
の値を有した画素の数、すなわち面積に等しい。

【００４７】同様にして局所パターンｇ２のカウント結
果は全画面中の「−１」の値を有した画素の数である。
局所パターンｇ３から局所パターンｇ１８は、夫々隣接
画素の＋１／−１の組み合わせを調べる局所パターンで
あり、これらは方向別のエッッジの点数を計測している
ことと等価である。

【００４８】次に局所パターンの別の実施例として図４
を基に説明する。図において局所パターンｇ１０１は、
縦に連続する「＋１」画素と「−１」画素のペアが存在
することを意味し、縦方向の連続した輪郭を検出したこ
とに相当する。同様にして、局所パターンｇ１０２から
局所パターンｇ１０４は局所パターンｇ１０１の変形で
あり、これら局所パターンｇ１０１から局所パターン１
０４の４つの局所パターンと＋１／−１を入れ替えた類
似する４つの局所パターンを用いれば方向別の連続する
輪郭の長さを計測していることと等価である。

【００４９】次に、局所パターンのさらに別の実施例と
して図５を基に説明する。図において、局所パターンｇ
２０１は中心が明るく周辺が暗い孤立点を検出すること
が出来る。逆に局所パターンｇ２０２は中心が暗く周辺
が明るい孤立点を検出することが出来る。

【００５０】さらに次に、局所パターンの他の実施例と
して図６を基に説明する。図において、局所パターンｇ
３０１は中心が明るく周辺が暗い幅「３」の縦線要素を
検出することができ、逆に局所パターンｇ３０２は中心
が暗く周辺が明るい縦線要素を検出する。同様に局所パ
ターンｇ３０３は中心が明るく周辺が暗い幅「３」の横
線要素を検出することができ、逆に局所パターンｇ３０
４は中心が暗く周辺が明るい幅「３」の横線要素を検出
する。

【００５１】このように図３，図４，図５，図６などの
局所パターンを用いて画像の数々の特徴を３値で記述す
ることができる。

【００５２】ここで再度図１に戻り、このようにして生
成された画像中の局所特徴の累計である特徴ベクトル４
９は、特徴ベクトル判別手段５０に入力される。特徴ベ
クトル判別手段５０では、特徴ベクトル４９と標準パタ
ーン５６とのマッチングを行なう。たとえば、パターン
学習時にはｍ個の学習データすなわち学習時の特徴ベク
トルｃｉに対してそれらが判別後のクラスｋに属するな
らば次に示す式（２）に示す平均ベクトルｃ＊ｋを作成
し、経路５８よりｋ個の標準パターン５６として記憶す
る。

【００５３】

【数２】

【００５４】認識時には、新たに入力された特徴ベクト
ルｃに対してこの標準パターンを経路５７により夫々読
み出し、次に示す演算式（３）によりｋ個の標準パター
ン夫々について特徴ベクトル間の距離を測定し、これら
の内でもっとも近いベクトルのクラスｋを最終的な判断
結果５９として出力する。

【００５５】

【数３】

【００５６】なお、図３，図４，図５，図６に示される
ようにまとまった画像の構造を検出するには、ある程度
の大きなサイズを有した局所特徴を用いて局所パターン
の検出を行なう必要がある。しかし、大きなサイズの局
所特徴との比較は前記式（１）における繰り返し演算回
数が大きくなり、大規模なハードウェーアを用いること
になり、またソフトウェアにより実行する場合には検出
時間が長くなるなどの問題点がある。

【００５７】このため本実施例では、画像縮小手段１２
を用いることで小さなサイズの局所特徴検出手段しか有
していない場合でも、大きなまとまりの局所パターンの
検出を可能にしている。たとえば、原画像１１を画像縮
小手段１２を用いて１／２に平均化再サンプリングした
後に特徴ベクトル抽出手段４０に入力する。ここで局所
パターンが図３に示すように３×３のパターンであった
ようなときに、原画像に戻したときの解像度で表現すれ
ば６×６の局所パターンに相当することになる。従って
小さなサイズの局所特徴検出手段により大きなサイズの
局所特徴を検出することができ、画像縮小する場合とし
ない場合の中間画像を切り替えて複合的な画像特徴ベク
トルを作成することで、より複雑なパターンの検出や信
頼性の高い判別結果を得ることができる。また、３値の
閾値δはフィルタリング手段２０の出力ヒストグラムか
ら例えば最大値の定数分の１に設定するなど自動的に決
定することができ、画像全体の明るさ変化に対してより
柔軟に追従できることになる。

【００５８】実施例２．以下、請求項２の発明の一実施
例を図について説明する。図１０は本実施例の画像処理
装置の構成を示すブロック図であり、図１０において図
１と同一または相当の部分については同一の符号を付し
説明を省略する。図において４３―１，４３―２，４３
―３・・・４３―Ｎは局所特徴累積手段である。この局
所特徴累積手段は、局所特徴検出手段４１−ｉにより検
出された３値画像と局所パターンとの類似度を画像中で
累積する手段である。

【００５９】次に図１１を基に特徴ベクトル抽出手段４
０について説明を行なう。図に示すように、登録された
局所パターンｇ（ｘ，ｙ）と３値表現された中間画像ｆ
（ｘ，ｙ）の着目画素（ｉ，ｊ）の周囲から切り出され
た部分画像ｆ（ｉ＋δｉ，ｊ＋δｊ）との重ね合わせを
行ない、次に示す式（４）に基づいてパターン検出出力
Ｅ（ｉ，ｊ）を決定する。

【００６０】

【数４】

【００６１】但し、演算○は図８あるいは図９に示すよ
うな一致度判定演算である。このようにして画像中の局
所特徴が加算器４５において累計され特徴ベクトル４９
として生成される。生成された画像中の局所特徴の累計
である特徴ベクトル４９は、特徴ベクトル判別手段５０
に入力される。特徴ベクトル判別手段５０では、特徴ベ
クトル４９と標準パターンとのマッチングを行ない、ｋ
個の標準パターン夫々について特徴ベクトル間の距離を
測定し、測定した特徴ベクトル間の距離を基にもっとも
近いベクトルのクラスｋを最終的な判断結果５９として
出力する。

【００６２】実施例３．以下、請求項３の発明の一実施
例を図について説明する。図１２，図１３は本実施例の
画像処理装置の構成を示すブロック図であり、図１２，
図１３において図１および図１０と同一または相当の部
分については同一の符号を付し説明を省略する。この実
施例では、特徴ベクトル判別手段５０は回帰分析手段
（判定信頼性向上手段）５５と標準パターン５６と判別
部５４を備えている。

【００６３】特徴ベクトル判別手段５０は、図４１に示
す従来の画像処理装置における重回帰分析に基づいた統
計的判別特徴抽出と同様な動作を行なうものであり、学
習時に全部でＬ個の例題について学習するとして、第ｉ
番目の例題に関してＮ次元の特徴ベクトル４９の入力が
ベクトルｘｉ＝（ｘｉ，０，ｘｉ，１・・・，ｘｉ，Ｎ
−１）であり、それに対する望ましい判別結果の出力が
ベクトルｚｉ＝（ｚｉ，０，・・・，ｚｉ，Ｍ−１）で
あったときに次に示す式（５）で表わされる重回帰係数
行列Ａを求めこれを標準パターン５６として登録してお
く。

【００６４】

【数５】

【００６５】そして、認識実行時には新たに入力された
特徴ベクトル４９に対して次式（６）による演算を判別
部５４において行ない、その結果ベクトルｙを判別結果
５９として出力する。

【００６６】

【数６】

【００６７】但し、Ａ^T は重回帰係数行列Ａの転置行列
を示し、またＡ^-1は重回帰係数行列Ａの逆行列を示す。

【００６８】実施例４．以下、請求項４の発明の一実施
例を図について説明する。図１４，図１５は本実施例の
画像処理装置の構成を示すブロック図であり、図１４，
図１５において図１および図１０と同一または相当の部
分については同一の符号を付し説明を省略する。この実
施例では、特徴ベクトル判別手段５０は超集団形成手段
６０と超集団の標準パターン５６と多次元空間クラス判
別手段６１を備えている。

【００６９】超集団形成手段６０では、学習時に全部で
Ｌ個の例題について学習するとして、第ｉ番目の例題に
関してＮ次元の特徴ベクトル４９の入力がベクトルｘｉ
＝（ｘｉ，０，ｘｉ，１・・・，ｘｉ，Ｎ−１）であ
り、それに対する望ましい判別結果の出力がベクトルｚ
ｉ＝（ｚｉ，０，・・・ｚｉ，Ｍ−１）であったとき
に、ベクトルｚｉの１つの要素ｚｉ，ｊ（ｊ＝０，・・
・，Ｍ―１）に対して超集団Ｃｊ，ｋ＝（ｃｊ，ｋ０
Ｕ，ｃｊ，ｋ１Ｕ・・・Ｕｇ，ｋｓ）を更新する。但
し、ｃｊ，ｋｇ（ｇ＝０，・・・，ｓ―１）は超集団Ｃ
ｊ，ｋを構成する個々の集団であり、超集団Ｃｊ，ｋは
個々の集団の和集合として表現されている。また、１つ
の集団ｃｊ，ｋｇはその集団の中心ベクトルγｊ，ｋｇ
とその集団に含まれる学習済の特徴ベクトルのバラツキ
を示す分散ベクトルσｊ，ｋｇの２つのパラメータで表
現される。

【００７０】超集団の更新は次のような手順で行なわれ
る。すなわち、図１６に示すように新たな入力が超集団
を構成する集団のいずれかに含まれる（ベクトルの距離
が前記σの定数倍よりも小さい）ときには、その新しい
入力を用いて既存の集団の中心と分散を修正する。一
方、ベクトルの距離が前記σの定数倍よりも大きいと
き、すなわちどの集団からも離れているならば、新たに
集団を形成させる。このようにして１つの判別結果に属
するすべての特徴ベクトルがいくつかの集団の和集合内
に含まれるような集団を形成させる。

【００７１】図１７，図１８は、以上説明した超集団の
更新の手順を示すフローチャートであり、このフローチ
ャートを基に超集団が更新される際の動作について説明
する。まずステップＳＴ１では、学習時の第ｉ番目の特
徴ベクトルｘｉとそれに対応した望ましい判別結果の出
力（すなわち教師入力）ベクトルｚｉを入力する。続く
ステップＳＴ２では、望ましい判別結果の出力ベクトル
ｚｉに基づいてｋ＝ｚｉ，ｊなる超集団Ｃｊ，ｋを選択
する。ステップＳＴ３では、選択した超集団Ｃｊ，ｋが
空集合であるか否かを判断し、空集合であるとき（すな
わち初めて判別出力がｋとなるべき特徴を学習すると
き）には続くステップＳＴ４に進み、またこれ以外のと
きにはステップＳＴ５を実行する。

【００７２】ステップＳＴ４では、新たな超集団Ｃｊ，
ｋ＝（Ｃｊ，ｋ０）を生成し、Ｃｊ，ｋ０の特徴ベクト
ル中心をベクトルγｊ，ｋｓ＝ベクトルｘｉとし、Ｃ
ｊ，ｋ０の特徴ベクトル分散をσｊ，ｋ０＝σ０とす
る。但しσ０は定数である。

【００７３】またステップＳＴ５では、超集団Ｃｊ，ｋ
の各要素集団ｃｊ，ｋｇ（ｇ＝０，・・・，ｓ―１）の
中心ベクトルｒｊ，ｋｇとの距離の絶対値ｄを測定す
る。そして、ステップＳＴ６において、ｄ＜Ａσｊ，ｋ
ｇ（但し、Ａは定数）を満足する上記ｇが存在するか否
かを判断し、存在すれば次のステップＳＴ７を実行し、
また存在しなければステップＳＴ８に進む。

【００７４】ステップＳＴ７では、ｄ＜Ａσｊ，ｋｇを
満足するｇで差し示された集団ｃｊ，ｋｇについて次に
示す式（７），式（８）により中心ベクトルｒｊ，ｋｇ
と中心ベクトルの分散δｊ，ｋｇを更新する。

【００７５】

【数７】

【００７６】

【数８】

【００７７】ステップＳＴ８では、新たな集団ｃｊ，ｋ
ｓを生成し、超集団Ｃｊ，ｋに追加し、集団ｃｊ，ｋｓ
の特徴ベクトル中心をベクトルγｊ，ｋｓ＝ベクトルｘ
ｉとすると共に、特徴ベクトル分散をσｊ，ｋｓ＝σ０
する。

【００７８】そして、認識実行時には、多次元空間クラ
ス判別手段６１により、超集団の識別番号を指定せずに
全ての超集団Ｃｊ（ｊ＝０，・・・，Ｍ）に関してステ
ップＳＴ５のテストを行ない、もっとも近い集団が属す
る超集団の識別番号を判別結果として出力する。

【００７９】実施例５．以下、請求項５の発明の一実施
例を図について説明する。図１９，図２０は本実施例の
画像処理装置の構成を示すブロック図であり、図１９，
図２０において図１２，図１３と同一または相当の部分
については同一の符号を付し説明を省略する。図におい
て７０は結果表示手段であり、操作者７２に判定結果を
表示する手段である。７１は修正入力手段であり、操作
者７２が手動により修正データを入力する。この画像処
理装置では、認識実行時に判別出力５９を操作者７２が
監視しており、判別出力が望ましくないと判断したとき
には修正入力手段７１により望ましい出力（修正教師入
力）を入力する。この修正教師入力は回帰分析手段５５
に送られて前記式（５）に従い重回帰係数Ａが再計算さ
れる。重回帰係数Ａを再計算するために回帰分析手段５
５では中間データとして下記式（９），（１０）とを保
存しておきこれを基に再計算を行なう。従って過去の学
習データをすべて記憶しておく必要はない。

【００８０】

【数９】

【００８１】なお、以上説明した実施例では、操作者７
２が手動で修正入力を行なうものとして説明したが、判
別出力の矛盾を監視する監視手段を設け、さらにこの監
視手段の監視結果を基に自動的に修正を行なうようにし
てもよい。また、修正入力がない場合には判別出力が正
しいと判断されるので、この場合にも回帰分析を行なっ
て回帰係数Ａを修正することにより多くの学習を可能に
し、認識の精度を向上させることが出来る。

【００８２】また、以上説明した実施例では図１２，図
１３を前提として説明を行なったが、図１４，図１５に
示す画像処理装置を前提にしたものであってもよく、同
様な効果を奏するものである。すなわち、図１４，図１
５に示す画像処理装置の集団形成型の分類手法に適用す
るには、再計算のための計算式を図１７，図１８のステ
ップＳＴ２からステップＳＴ８に基づいた手順に従って
実行すればよい。

【００８３】実施例６．以下、請求項６の発明の一実施
例を図について説明する。図２１，図２２は本実施例の
画像処理装置の構成を示すブロック図であり、図２１，
図２２において図１４，図１５と同一または相当の部分
については同一の符号を付し説明を省略する。図におい
て８１は正規化パラメータ抽出手段であり、特徴ベクト
ル４９を解析する。８２は正規化演算を行なうための正
規化処理手段である。

【００８４】この実施例では、学習は第１のステップと
第２のステップの２つのステップに従って行なわれる。
第１のステップでは、特徴ベクトル４９のみが評価され
教師入力は無視される。そして、特徴ベクトル入力が正
規化パラメータ抽出手段８１により解析され、特徴ベク
トルの各次元毎に平均値ｘｊと標準偏差ｓｊが算出され
る。

【００８５】また、第２のスッテップでは、前記実施例
４で説明したように超集団の形成が行なわれるが、超集
団形成手段５５に送られる前に次に示す式（１１）に従
って正規化演算が正規化処理手段８２において行なわれ
る。

【００８６】

【数１０】

【００８７】このため、どの次元の特徴ベクトル要素ｊ
に対してもデータの分散が一定となり、超集団を構成す
る集団の分散値がどの次元の方向に対しても同じである
と近似することができ、前記式（８）において中心ベク
トルの分散σｊ，ｋｇは１つのｇに対してすべて同じ値
となり計算が簡略化されることになる。

【００８８】実施例７．以下、請求項７の発明の一実施
例を図について説明する。図２３，図２４は本実施例の
画像処理装置の構成を示すブロック図であり、図２３，
図２４において図１４，図１５と同一または相当の部分
については同一の符号を付し説明を省略する。図におい
て９０は対象物の色彩を計測するための色彩計測光学
系、９１はディジタル化された原画像１１の局所平均輝
度を検出する局所平均輝度検出手段、９２は色彩計測光
学系９０の出力から対象物の色彩を計測し、たとえば
Ｒ，Ｇ，Ｂの原色信号などからなる色彩情報を検出する
色彩計測手段である。

【００８９】この実施例の画像処理装置は画像の局所特
徴だけでなく、画像上のある点の輝度により撮影された
対象物の状況が大きく変化したり、あるいはモノクロの
画像からでは判断できないような場合に、前記色彩情報
などの他のセンサ情報を併用して総合的な判別を行なう
ことが出来る。

【００９０】局所平均輝度検出手段９１と色彩計測手段
９２の出力は特徴ベクトル４９の段階で合成され、総合
的特徴ベクトル判別手段５１で総合的に判別されること
になる。従って、たとえば“全体に白みを帯びた塗装製
品と黒みを帯びた塗装製品を別のものとして判別した
い”あるいは“赤い塗装の三角の形状の部品と緑の塗装
の丸い部品とを判別したい”などの複雑な条件の基での
判別作業を高い信頼性で行なうことができる。

【００９１】また、屋外など天候，季節，時間帯により
光源や背景が大きく変化する状況では外部情報として天
候の状態等を検出するセンサの出力や時刻情報などを用
いることで複雑に変化する環境下でも高い信頼性で判別
を行なうことが可能となる。

【００９２】実施例８．以下、請求項８の発明の一実施
例を図について説明する。図２５，図２６は本実施例の
画像処理装置の構成を示すブロック図であり、図２５，
２６において図２３，２４と同一または相当の部分につ
いては同一の符号を付し説明を省略する。図において５
６は標準パターンであり複数設けられている。９３は局
所平均輝度検出手段９１と対象物の色彩を計測する色彩
計測手段９２の出力を複数のクラスに分類し、判別を行
なう際に使用する標準パターンを切り替える際に使用さ
れる大分類クラス生成手段である。

【００９３】この実施例の画像処理装置でも前記実施例
７と同様に、画像の局所特徴だけでなく、画像上のある
点の輝度により撮影された対象物の状況が大きく変化し
たり、あるいはモノクロの画像からでは判断できないよ
うな場合に他のセンサ情報を併用して総合的な判別を行
なうことが出来る。そして、局所平均輝度検出手段９１
と対象物の色彩計測手段９２の出力は、特徴ベクトル４
９の段階で合成されることなく大分類クラス生成手段９
３により独自に複数のクラスに分類され、これにより分
類された標準パターン５６を総合的特徴ベクトル判別手
段５１は認識の際に切り替えて使用する。

【００９４】従って、たとえば“全体に白みを帯びた塗
装製品と黒みを帯びた塗装製品では検査の際の判断基準
が異なる”あるいは“赤い塗装の三角の形状の部品では
孔の数を計測し、緑の塗装の丸い部品では面積を計測し
たい”などの複雑な条件の基での作業を高い信頼性で行
なうことができる。

【００９５】また、屋外など天候，季節，時間帯により
光源や背景が大きく変化する状況下では外部情報として
天候の状態などを検出するセンサの出力や時刻情報、さ
らに温度や重さなどの情報を必要に応じて組み合わせる
ことで、高い信頼性で判別を行なうことが可能となる。

【００９６】実施例９．以下、請求項９の発明の一実施
例を図について説明する。図２７，２８は本実施例の画
像処理装置の構成を示すブロック図であり、図２７，２
８において図１と同一または相当の部分については同一
の符号を付し説明を省略する。図において１０１は３値
表現された３値画像３１を図２９の（ｂ）に示すような
矩形上の部分領域に分割し、その内部を操作する部分画
像分割操作手段である。

【００９７】この実施例の画像処理装置では、部分画像
分割操作手段１０１により走査と同時に分割された部分
画像の識別番号を用いて複数の標準パターン５６から対
応する標準パターンを選択し、選択された標準パターン
番号について学習と認識を実行する。図２９では、画像
は３０個の部分領域ａ０〜ａ２９に分割され、図２９の
（ｃ）は領域番号ａ７の部分領域が選択された状態を示
している。このような選択を領域番号ａ０からａ２９ま
ですべての部分領域について繰り返し全体の走査を終了
する。

【００９８】この結果、本実施例の画像処理装置では、
ある標準パターンには着目している領域内部の局所特徴
のみしか影響を及ぼすことがなく、他の領域の特徴を加
算しないようにしたので、周辺の領域の特徴ベクトルと
選択された領域の特徴ベクトルのパターンが異なってい
ても判別が困難にならず、判別の信頼性が向上する。

【００９９】なお、以上説明した実施例では、矩形上の
部分画像に分割するものとして説明したが、対象物の画
面上に占める形状を自由に定義し、その内部を部分画像
とするようにしてもよい。

【０１００】実施例１０．以下、請求項１０の発明の一
実施例を図について説明する。図３０，３１は本実施例
の画像処理装置の構成を示すブロック図であり、図３
０，３１において図２７，２８と同一または相当の部分
については同一の符号を付し説明を省略する。図におい
て１０４は重み係数発生手段であり、３値表現された３
値画像３１を図２９の（ｂ）に示されるような矩形状の
部分領域に分割しその内部を走査する際に、部分領域の
周辺部分を走査している場合は中央部分を走査している
場合に比べて低い重み係数を発生する。この重み係数
は、局所特徴計数手段４２−１から局所特徴計数手段４
２−Ｎに入力され、この重みに応じた値がカウントされ
る。

【０１０１】以上説明したように本実施例では、前記部
分領域の周辺部において局所特徴の重みが低くなるの
で、物体の形状が多少変化したり位置合わせがずれてい
ることで、領域内の該当する特徴が学習時と認識時で含
まれたり含まれなかったりして認識の信頼性が低下する
などの現象を防止することができる。

【０１０２】実施例１１．以下、請求項１１の発明の一
実施例を図について説明する。図３２，３３は本実施例
の画像処理装置の構成を示すブロック図であり、図３
２，３３において図２７，２８と同一または相当の部分
については同一の符号を付し説明を省略する。図におい
て１０６はたとえば従来技術１の２次元パターン一致度
計数手段５８やピーク評価手段５９などによる３値画像
の位置合わせ技術で説明したのと同様に位置合わせを行
ない、その位置合わせを実行した夫々の箇所の座標デー
タを出力する位置検出手段、１０７は位置検出手段１０
６から出力される座標データから画像をどのように幾何
変換すれば標準画像にもっとよく重ね合わすことが出来
るかを計算する幾何変換パラメータ生成手段である。１
０１ａは幾何変換パラメータ生成手段による計算結果を
基に幾何変換を行なう幾何変換部である。

【０１０３】この実施例の画像処理装置では、３値表現
された３値画像３１を作成した後に、まず位置検出手段
１０６を用いて画像中の数箇所で第１番目に学習された
画像（標準画像）と現在入力された画像との間で位置合
わせを行なう。

【０１０４】位置検出手段１０６からは、位置合わせを
実行した箇所夫々の座標データが幾何変換パラメータ生
成手段１０７に送られる。幾何変換パラメータ生成手段
１０７ではこれら複数の座標データから画像をどのよう
に幾何変換すれば標準画像にもっともよく重ね合わすこ
とが出来るかを計算する。

【０１０５】もっとも単純な重ね合わすための幾何変換
としては平行移動であり、この変換は（ｘｄ，ｙｄ）の
２つのパラメータで表現される。たとえば、画面上のＭ
個の箇所において位置合わせを行ない、それらの結果が
（ｘｉ，ｙｉ），ｉ＝０，・・・Ｍ―１であり、最初に
記憶された画像上の該当する位置が（ｘｉ０，ｙｉ
０），ｉ＝０，・・・Ｍ―１であったときに次に示す式
（１２），（１３）による演算を行ない、位置合わせパ
ラメータ（ｘｄ，ｙｄ）を決定することが出来る。

【０１０６】

【数１１】

【０１０７】

【数１２】

【０１０８】同様に幾何変換を平行移動（ｘ，ｙ）と回
転移動θの３つのパラメータで表現することも可能であ
り、あるいは平行移動（ｘ，ｙ）と回転移動θと拡大／
縮小ｓのパラメータで表現することも可能である。ある
いは一般的アフィン変換を仮定して次の式（１４），
（１５）に示すようにａ，ｂ，ｃ，ｄ，ｅ，ｆの６つの
パラメータで表わすことも可能であり、これらは画像の
移動や歪がどのような原因で生じているかを推測するこ
とにより最適な値を選択することができる。

【０１０９】

【数１３】

【０１１０】

【数１４】

【０１１１】このようにして求められた幾何変換パラメ
ータを考慮して期間変換部１０１ａで幾何変換を行ない
ながら、部分画像分割走査手段１０１において部分画像
を取り出すことにより、第１回目に学習した標準パター
ンと重なりの良い部分領域を取り出し、特徴をベクトル
化することが可能となる。

【０１１２】この結果、本実施例では常に位置ずれのな
い画像での学習と認識が可能となり、特徴ベクトルの信
号対雑音比が向上し信頼性の高い認識が可能となる。

【０１１３】実施例１２．以下、請求項１２の発明の一
実施例を図について説明する。図３４，３５は本実施例
の画像処理装置の構成を示すブロック図であり、図３
４，３５において図１と同一または相当の部分について
は同一の符号を付し説明を省略する。図において１３０
は全ての局所特徴検出手段４１−ｉの出力が与えられる
特徴選択手段、１１１は指定される部分画像を切り出
し、切り出した部分画像全体に渡って走査を行なう部分
画像切り出し走査手段、１１２は局所特徴マップ（特徴
マップ）１１３と特徴ベクトル判別手段５０の出力によ
り選択された標準局所特徴マップ１１４との間で特徴の
対応付けを探索する特徴マップ対応探索手段、１１５は
幾何変換パラメータを生成する幾何変換パラメータ生成
手段である。

【０１１４】次に動作について説明する。ディジタル化
された原画像は３値化された３値画像に変換され、特徴
ベクトル抽出手段４０に出力される。局所特徴検出手段
４１は画像中の着目画素を中心としてその周囲の３値の
パターンが特有の組み合わせになったときに大きな出力
を発生する。着目画素を部分画像切り出し走査手段１１
１で指定される部分画像全体にわたって走査することに
より、ある特徴がどのような頻度で発生したかを局所特
徴計数手段４２−ｉによりカウントする。局所特徴検出
手段４１−ｉが反応する３値の局所パターンは、図３，
図４，図５，図６に示した局所パターンを適当に組み合
わせ、探索したい物体の各部分を区別して表現できるよ
うに設定する。

【０１１５】このようにして生成された部分画像中の局
所特徴の累計である特徴ベクトル４９は、特徴ベクトル
判別手段５０に入力される。特徴ベクトル判別手段５０
では、特徴ベクトルと標準パターンとのマッチングを行
なう。この特徴ベクトル判別手段における動作は、実施
例１から実施例４に記載されたどのような手法を用いて
もよい。標準特徴ベクトルに記憶されたｋ個の標準パタ
ーン５６について入力された特徴ベクトル４９と比較を
行ない、これらのうちで最も近いベクトルのクラスｋを
クラス判別結果として出力すると共に、その出力を用い
て標準局所特徴マップ１１４を該当するクラスに切り替
える。

【０１１６】特徴マップ対応検索手段１１２では、局所
特徴を局所特徴検出手段４１に用いて生成された入力画
像の局所特徴マップ１１３と、特徴ベクトル判別手段５
０の出力により選択された標準局所マップ１１４との間
で局所特徴の対応付けを探索する。図３８は特徴マップ
の一例を示す説明図であり、同図（イ），（ロ）に示さ
れるように局所パターンが異なっていても回転すれば照
合可能な局所特徴（参照図３９）をグループにして対応
付けを行ない、マップ上で隣接する局所特徴のラベル付
けの矛盾が少ない可能な組み合わせを探索していく。

【０１１７】すなわち図３８に示す特徴マップにおい
て、同図（イ）の局所特徴ｍ８，ｍ３２，ｍ１２，ｍ３
６，ｍ０という組み合わせと、同図（ロ）の局所特徴ｍ
１１，ｍ３５，ｍ１５，ｍ３９，ｍ３という組み合わせ
は、右回りに６０゜回転させれば照合できる組み合わせ
であると判断する。

【０１１８】特徴マップ対応探索手段１１２ではこのよ
うな可能な組み合わせを探索し、最終的に最も矛盾なく
重ね合わせることのできた結果を出力する。すなわち図
３８に示す例では、同図（イ）に示す標準パターン上の
座標（ｘ１，ｙ１）にある局所特徴ｍ３２は入力パター
ン上の座標（ｘ１’，ｙ１’）にある局所特徴ｍ３５と
マッチした（すなわち、右回りに６０゜回転してマッチ
した）結果の並びに関する情報が特徴マップ対応検索手
段１１２から出力され、これが幾何変換パラメータ生成
手段１１５に入力される。

【０１１９】幾何変換パラメータ生成手段１１５では、
これらの座標毎の（ｘ，ｙ，θ）の変換の組み合わせか
ら、式（１５）で表現される座標変換パラメータ（ａ，
ｂ，ｃ，ｄ，ｅ，ｆ）を求めて出力する。この際、部分
画像切り出し走査手段１１１から出力されている、部分
画像領域を生成するために用いられた切り出し位置情報
が前記座標変換パラメータの（ａ，ｅ）に加算されて出
力される。そして、特徴ベクトル判別手段５０の出力で
あるクラス（すなわち、部分領域に含まれる物体の種
類）と幾何変換パラメータ生成手段１１５の出力とが画
像処理の認識結果として出力される。

【０１２０】実施例１３．次に、請求項１２の発明の他
の実施例について説明する。図３６，３７は本実施例の
画像処理装置の構成を示すブロック図であり、図３６，
３７において図３４，３５と同一または相当の部分につ
いては同一の符号を付し説明を省略する。この実施例で
は、局所特徴ベクトル抽出手段４０が局所特徴検出手段
４１と特徴選択手段１３０とに置き換えられ、局所特徴
マップ１１３の一部分を切り出してその中に含まれる局
所特徴の識別子（特徴番号）のヒストグラムを特徴ベク
トルとして用いることになる。このため、特徴マップヒ
ストグラム化手段１２１が新たに付加され、部分画像切
り出し走査手段１１１により切り出された部分局所特徴
マップを入力とし、出力を特徴ベクトル判別手段５０に
供給する。それ以後の動作は図３４，３５に示したもの
と同様である。

【０１２１】なお、以上説明した実施例１２と実施例１
３の画像処理装置では、特徴ベクトル判別手段５０は実
施例１の図１に示す特徴ベクトル判別手段としての機能
を有しているものとして説明したが、実施例３における
回帰分析手段を有した特徴ベクトル判別手段、あるいは
実施例４における超集団形成手段を有した特徴ベクトル
判別手段としてもよい。

【０１２２】以上説明してきたようにこの実施例は、撮
像された物体が学習や登録のときに比べその姿勢や距離
が変化しており、大まかな画像では変化ないが完全には
重ね合わせができないないような状況下においても、局
所特徴ベクトルを用いてまず概略の位置と物体の種類を
同定し、次の段階で局所的な特徴パターンの精密な照合
を行ない、最終的に矛盾のない識別結果と姿勢変化を含
む位置合わせを実現するものである。

【０１２３】さらに別の実施例として、特徴マップ対応
検索手段１１２において対応検索に矛盾が多く良好な対
応付けの結果が得られない場合には、不成功情報を特徴
ベクトル判別手段５０にフィードバックし、特徴ベクト
ル判別手段５０は今回採用した特徴ベクトルのクラスを
破棄し、次に最も近い候補を再度選択するようにしても
よく、このような構成にしたときには、特徴マップのヒ
ストグラムは似ているがパターンの配列が異なるような
複数の標準パターンを有するような事例に対し誤った判
別結果を与えてしまうようなことが防止できる。

【０１２４】また、同様に幾何変換パラメータ生成手段
１０７の出力を用いて、選択された標準局所特徴マップ
１１４に対応して記憶されている標準画像あるいは３値
化標準画像を実際に変換し、画像平面について入力画像
と標準画像との重ね合わせの状態を計算することで、認
識結果の良否を再評価し、認識の信頼性の程度を示すデ
ータを出力することも可能である。

【０１２５】

【発明の効果】以上のように、請求項１の発明によれば
入力画像から３値画像を得て、この３値画像と局所的特
徴パターンとの類似度を、閾値処理されて局所特徴計数
手段で計数された計数値を基に特徴ベクトルとして求
め、その特徴ベクトルとあらかじめ記憶されている１つ
または複数の標準パターンとから判別結果を得るように
構成したので、複数の階調を有した一般的な情景の画像
中における対象物に対する判別や認識処理能力を向上で
きる効果がある。

【０１２６】請求項２の発明によれば、３値画像と局所
パターンとの類似度を画像中で累積するように構成した
ので複数の階調を有した一般的な情景の画像中における
対象物に対する判別や認識処理能力を向上できる効果が
ある。

【０１２７】請求項３の発明によれば、重回帰分析に基
づいた特徴ベクトルの判別により判別結果を得るように
構成したので、複数の階調を有した一般的な情景の画像
中における対象物に対する判別処理能力が向上するだけ
でなく信頼性の高い判別結果が得られ、認識処理能力を
向上させることができる効果がある。

【０１２８】請求項４の発明によれば、判別すべき集団
をいくつかの集団の和集合として表現し、個々の集団を
あらかじめ判定結果が既知である複数の学習画像データ
と多次元空間クラス判別手段により判別した結果とを用
いて、個々の集団を逐次的に更新しながら形成し、上記
集団の和集合である超集団を基に判別結果を出力するよ
うに構成したので、複数の階調を有した一般的な情景の
画像中における対象物に対する判別処理能力が向上する
だけでなく認識処理能力を向上させることができる効果
がある。

【０１２９】請求項５の発明によれば、判別の認識処理
中に監視者がその判別結果が誤っていると判断した場
合、望ましい判別結果を入力することにより標準パター
ンを再計算し、運用しながら判定の信頼性の向上を計る
ことができるように構成したので、複数の階調を有した
一般的な情景の画像中における対象物に対する判別処理
能力が向上するだけでなく認識処理能力を向上させるこ
とができる効果がある。

【０１３０】請求項６の発明によれば、標準パターン学
習時に多次元の特徴ベクトルの各次元においてデータの
正規化を行ない、集団を表現する中心ベクトルの分散が
どの次元に対しても同じ値になるように構成したので、
複数の階調を有した一般的な情景の画像中における対象
物に対する判別処理能力が向上するだけでなく認識処理
能力を向上させることができる効果がある。

【０１３１】請求項７の発明によれば、総合的特徴ベク
トル判別手段において学習時に入力画像の局所特徴から
得られる特徴ベクトル以外に他のセンサ情報から得られ
る特徴あるいは画像の大局的特徴を併用して学習を行な
い多次元特徴空間を構成して判別を行なうように構成し
たので、複数の階調を有した一般的な情景の画像中にお
ける対象物に対する判別処理能力が向上するだけでなく
認識処理能力を向上させることができる効果がある。

【０１３２】請求項８の発明によれば、学習時に入力画
像の局所特徴から得られる特徴ベクトル以外に他のセン
サ情報から得られ、複数のクラスに分類される特徴ある
いは画像の大局的特徴を用いて学習データから該当する
クラスを選択し、選択したクラスに記憶された学習デー
タのみを用いて認識を行なうように構成したので、複数
の階調を有した一般的な情景の画像中における対象物に
対する判別処理能力が向上するだけでなく認識処理能力
を向上させることができる効果がある。

【０１３３】請求項９の発明によれば、画像をあらかじ
め複数の区画に分割し、分割された上記区画毎に学習デ
ータを用意し、上記区画毎に学習と認識を行なうように
構成したので、複数の階調を有した一般的な情景の画像
中における対象物に対する判別処理能力が向上するだけ
でなく、信頼性などの認識処理能力が向上する効果があ
る。

【０１３４】請求項１０の発明によれば、複数の区画に
分割した画像区画の周辺部においては区画中心部よりも
低い重み係数を設定し、この重み係数を加算した出力が
特徴ベクトルとして特徴ベクトル判別手段に供給される
ように構成したので、物体の形状が多少変化したり位置
合わせのずれなどにより認識における信頼性が低下する
などの現象を防止し、複数の階調を有した一般的な情景
の画像中における対象物に対する判別処理能力が向上す
るだけでなく、信頼性などの認識処理能力が向上する効
果がある。

【０１３５】請求項１１の発明によれば、画像上の複数
の計測点において標準的な画像との位置合わせを行な
い、上記画像を上記標準的な画像にもっとも近づけるた
めの幾何変換パラメータを求める、その変換パラメータ
を基に幾何変換した画像を入力画像とするように構成し
たので、複数の階調を有した一般的な情景の画像中にお
ける対象物に対する判別処理能力が向上するだけでな
く、信頼性などの認識処理能力が向上する効果がある。

【０１３６】請求項１２の発明によれば、部分画像中の
物体が判定された後に、局所特徴マップと標準局所特徴
マップ間での対応付けが矛盾なくできる特徴マップと標
準局所特徴マップ間の組み合わせが求められ、この際の
幾何変換パラメータと上記判定の結果とが画像処理の認
識結果として出力されるように構成したので、認識対象
の姿勢が微小に変化した場合に対しても対応することが
出来、複数の階調を有した一般的な情景の画像中におけ
る対象物に対する判別処理能力が向上するだけでなく、
信頼性などの認識処理能力が向上する効果がある。

【図面の簡単な説明】

【図１】請求項１の発明の一実施例による画像処理装置
の構成を示すブロック図である。

【図２】請求項１の発明の一実施例による画像処理装置
における画像の３値化処理の過程を示す説明図である。

【図３】請求項１の発明の一実施例による画像処理装置
における局所パターンの一例を示す説明図である。

【図４】請求項１の発明の一実施例による画像処理装置
における局所パターンの一例を示す説明図である。

【図５】請求項１の発明の一実施例による画像処理装置
における局所パターンの一例を示す説明図である。

【図６】請求項１の発明の一実施例による画像処理装置
における局所パターンの一例を示す説明図である。

【図７】請求項１の発明の一実施例による画像処理装置
における局所特徴検出手段の構成を示す概念図である。

【図８】請求項１の発明の一実施例による画像処理装置
における局所特徴検出手段の一致度判定演算を示す出力
計算図である。

【図９】請求項１の発明の一実施例による画像処理装置
における局所特徴検出手段の一致度判定演算を示す出力
計算図である。

【図１０】請求項２の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図１１】請求項２の発明の一実施例による画像処理装
置の特徴ベクトル抽出手段の構成を示す概念図である。

【図１２】請求項３の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図１３】請求項３の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図１４】請求項４の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図１５】請求項４の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図１６】請求項４の発明の一実施例による画像処理装
置における超集団の形成方法での多次元特徴空間を示す
説明図である。

【図１７】請求項４の発明の一実施例による画像処理装
置における超集団の更新手順を説明するためのフローチ
ャートである。

【図１８】請求項４の発明の一実施例による画像処理装
置における超集団の更新手順を説明するためのフローチ
ャートである。

【図１９】請求項５の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図２０】請求項５の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図２１】請求項６の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図２２】請求項６の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図２３】請求項７の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図２４】請求項７の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図２５】請求項８の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図２６】請求項８の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図２７】請求項９の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図２８】請求項９の発明の一実施例による画像処理装
置の構成を示すブロック図である。

【図２９】請求項９の発明の一実施例による画像処理装
置の部分画像分割走査手段の動作を説明するための説明
図である。

【図３０】請求項１０の発明の一実施例による画像処理
装置の構成を示すブロック図である。

【図３１】請求項１０の発明の一実施例による画像処理
装置の構成を示すブロック図である。

【図３２】請求項１１の発明の一実施例による画像処理
装置の構成を示すブロック図である。

【図３３】請求項１１の発明の一実施例による画像処理
装置の構成を示すブロック図である。

【図３４】請求項１２の発明の一実施例による画像処理
装置の構成を示すブロック図である。

【図３５】請求項１２の発明の一実施例による画像処理
装置の構成を示すブロック図である。

【図３６】請求項１２の発明の他の実施例による画像処
理装置の構成を示すブロック図である。

【図３７】請求項１２の発明の他の実施例による画像処
理装置の構成を示すブロック図である。

【図３８】請求項１２の発明の実施例による画像処理装
置における特徴マップを示す説明図である。

【図３９】図３８の特徴マップにおける局所特徴を示す
説明図である。

【図４０】従来の画像処理装置の構成を示すブロック図
である。

【図４１】従来の画像処理装置の構成を示すブロック図
である。

【図４２】従来の画像処理装置における局所パターンを
示す説明図である。

【図４３】従来の画像処理装置における問題点を示す説
明図である。

【符号の説明】

２０フィルタリング手段３０３値化処理手段４０特徴ベクトル抽出手段４１―１〜４１―Ｎ局所特徴検出手段４２―１〜４２―Ｎ局所特徴計数手段４３―１〜４３―Ｎ局所特徴累積手段４６閾値手段５０特徴ベクトル判別手段５１総合的特徴ベクトル判別手段５４判別部５５回帰分析手段６０超集団形成手段６１多次元空間クラス判別手段５５回帰分析手段７０結果表示手段７１修正入力手段（判定信頼性向上手段）８２正規化処理手段９３大分類クラス生成手段１０１部分画像分割走査手段１０１ａ幾何変換部１０４重み係数発生手段１０６位置検出手段１０７，１１５幾何変換パラメータ生成手段１１１部分画像切り出し走査手段１１２特徴マップ対応検索手段１１３局所特徴マップ（特徴マップ）１１４標準局所特徴マップ１３０特徴選択手段ｇ１〜ｇ１８，ｇ１０１〜ｇ１０４，ｇ２０１，ｇ２０
２，ｇ３０１〜ｇ３０４局所パターン

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号庁内整理番号ＦＩ技術表示箇所 9191−5ＬＧ０６Ｆ 15/68 ４００Ａ (72)発明者泉井良夫尼崎市塚口本町８丁目１番１号三菱電機株式会社産業システム研究所内

Claims

【特許請求の範囲】

【請求項１】テレビカメラなどの撮像装置から入力さ
れた２次元の画像を処理して画像中に存在する物体の品
種・個数・分類・正常／異常の判別などを行なう画像処
理装置において、入力画像に一種類または複数種類の空
間的バンドパスフィルタを作用させるフィルタリング手
段と、上記空間的バンドパスフィルタの出力を２つの閾
値で処理し３値画像を得る３値化処理手段と、上記３値
画像と局所パターンとの類似度を検出する局所特徴検出
手段，上記局所パターンとの類似度が一定値以上であっ
たときに出力を発生する閾値手段，画像中において上記
閾値手段の出力が何点で発生したかを計数する複数の局
所特徴計数手段を有する特徴ベクトル抽出手段と、その
特徴ベクトル抽出手段の出力とあらかじめ記憶されてい
る１つまたは複数の標準ベクトルとの類似度を求め、最
終的な判別結果を出力する特徴ベクトル判別手段とを備
えたことを特徴とする画像処理装置。
【請求項２】テレビカメラなどの撮像装置から入力さ
れた２次元の画像を処理して画像中に存在する物体の品
種・個数・分類・正常／異常の判別などを行なう画像処
理装置において、入力画像に一種類または複数種類の空
間的バンドパスフィルタを作用させるフィルタリング手
段と、上記空間的バンドパスフィルタの出力を２つの閾
値で処理し３値画像を得る３値化処理手段と、上記３値
画像と局所パターンとの類似度を検出する局所特徴検出
手段および上記局所パターンとの類似度を画像中で累積
する複数の局所特徴累積手段から構成された特徴ベクト
ル抽出手段と、その特徴ベクトル抽出手段の出力とあら
かじめ記憶されている１つまたは複数の標準ベクトルと
の類似度を求め、最終的な判別結果として出力する特徴
ベクトル判別手段とを備えたことを特徴とする画像処理
装置。
【請求項３】特徴ベクトル判別手段は、特徴ベクトル
の線形和で表現される線形判別関数を用い、その線形判
別関数を生成するためあらかじめ判定結果が既知である
複数の学習画像データと判別結果を用いて重回帰分析を
行ないその結果を上記線形判別関数の重み係数とする回
帰分析手段と、その回帰分析手段で求めた重み係数と特
徴ベクトルとから判別結果を出力する判別部とを備えて
いることを特徴とする請求項１または請求項２記載の画
像処理装置。
【請求項４】特徴ベクトル判別手段は、特徴ベクトル
の次元で規定される多次元空間における標準パターン超
集団に含まれる集団の中心ベクトルと該当する集団の中
心ベクトルからの分散を表わすパラメータとを記憶して
おき、入力Ｄされた特徴ベクトルと標準パターン超集団
に属するいずれかの集団の中心ベクトルとの距離が該当
する標準パターン分散の定数倍以内のときに上記入力さ
れた特徴ベクトルは上記標準パターンの超集団に属する
と判定する多次元空間クラス判別手段と、標準パターン
ベクトルと標準パターン分散を決定するためにあらかじ
め判別結果が既知である複数の学習画像データと判別結
果を用いて多次元空間での集団化を行ない、同一の集団
に属する学習画像データが学習中の暫定的な標準パター
ン集団の中心ベクトルから標準集団パターンの分散の定
数倍よりも離れた位置に出現したときには新たな標準パ
ターン集団を形成して中心ベクトルと分散値とを設定し
これらの集団の集合を１つの超集団として解釈し、また
いずれかの集団の中心ベクトルから上記標準集団パター
ンの分散の定数倍よりも近い位置に出現したときには該
当する集団パターンの中心ベクトルと分散とを新規学習
パターンを考慮して更新することにより逐次的に更新さ
れる標準パターンの超集団を形成する超集団形成手段と
を備えたことを特徴とする請求項１または請求項２記載
の画像処理装置。
【請求項５】認識処理中に監視者がその判別結果が誤
っていると判断した場合に、望ましい判別結果を入力す
ることにより標準パターンを再計算し、運用しながら判
別の信頼性の向上を計る判定信頼性向上手段を備えたこ
とを特徴とする請求項３または請求項４記載の画像処理
装置。
【請求項６】標準パターン学習時に多次元の特徴ベク
トルの各次元に対してデータの正規化を行ない、集団を
表現する中心ベクトルの分散がどの次元に対しても同じ
値になるようにする正規化処理手段を備えたことを特徴
とする請求項４記載の画像処理装置。
【請求項７】特徴ベクトル判別手段は、学習時に入力
画像の局所特徴から得られる特徴ベクトル以外の他のセ
ンサ情報から同時に得られる特徴あるいは画像の大局的
特徴を併用して学習を行ない、認識処理時には同一の特
徴を用いて多次元特徴空間を構成して判別を行なう総合
的特徴ベクトル判別手段であることを特徴とする請求項
１または請求項２記載の画像処理装置。
【請求項８】特徴ベクトル判別手段は、学習時に入力
画像の局所特徴から得られる特徴ベクトル以外に他のセ
ンサ情報から得られる特徴あるいは画像の大局的特徴を
複数のクラスに分類し学習データを該当するクラスにつ
いてのみ更新する大分類クラス生成手段を有し、認識処
理時には同一の特徴を用いて学習データから該当するク
ラスを選択し、選択したクラスに記憶された学習データ
のみを用いて認識を行なう総合的特徴ベクトル判別手段
であることを特徴とする請求項１または請求項２記載の
画像処理装置。
【請求項９】画像をあらかじめ複数の区画に分割する
部分画像分割走査手段を有し、特徴ベクトル判別手段は
分割された上記区画毎に学習データを用意し、上記区画
毎に学習と認識を行なう特徴ベクトル判別手段であるこ
とを特徴とする請求項１または請求項２記載の画像処理
装置。
【請求項１０】画像をあらかじめ複数の区画に分割す
る部分画像分割走査手段と、分割した区画の周辺部にお
いては区画中心部よりも低い重み係数を設定する重み係
数発生手段と、局所特徴検出手段の出力に上記重み係数
発生手段において発生した重み係数を加算した出力を計
数する局所特徴計数手段と、その局所特徴計数手段の出
力が特徴ベクトルとして供給される特徴ベクトル判別手
段とを備えたことを特徴とする請求項９記載の画像処理
装置。
【請求項１１】画像上の複数の計測点において標準的
な画像との位置合わせを行なう位置検出手段と、その位
置検出手段の出力から画像を標準的な画像にもっとも近
づけるための幾何変換パラメータを求める幾何変換パラ
メータ生成手段と、その幾何変換パラメータ生成手段に
より生成した幾何変換パラメータを基に上記画像を幾何
変換し幾何変換後の画像を入力画像とする幾何変換部と
を備えたことを特徴とする請求項１または請求項２記載
の画像処理装置。
【請求項１２】テレビカメラなどの撮像装置から入力
された２次元の画像を処理して画像中に存在する物体の
品種・位置・姿勢などの判別を行なう画像処理装置にお
いて、入力画像に一種類または複数種類の空間的バンド
パスフィルタを作用させるフィルタリング手段と、上記
空間的バンドパスフィルタの出力を２つの閾値で処理し
３値画像を得る３値化処理手段と、上記３値画像とあら
かじめ登録された複数の局所パターンとの類似度を検出
する局所特徴検出手段，その局所特徴検出手段がある一
定の大きさの部分領域内で一定値以上の類似度を検出し
た回数を計数する局所特徴計数手段と、その局所特徴計
数手段が計数する部分領域の位置を画面内で走査する部
分画像切り出し走査手段と、上記局所特徴計数手段の出
力を入力特徴ベクトルとし、あらかじめ記憶された標準
特徴ベクトルとの間で類似度の評価を行ない上記入力特
徴ベクトルが属するクラス（すなわち上記３値化された
部分画像に含まれる物体の有無あるいは種類）を決定し
上記クラスに属する入力特徴ベクトルの画像上の位置と
そのクラスを出力する特徴ベクトル判別手段と、上記局
所特徴検出手段の出力からもっとも強く検出された局所
特徴についての局所特徴番号などの識別子とその強さを
求め、この識別子あるいは識別子と強さが２次元状に記
述された特徴マップを出力する特徴選択手段と、上記特
徴ベクトル判別手段における判別結果に基づいて上記特
徴マップとあらかじめ登録された標準局所特徴マップと
の照合を行ない、上記入力画像と登録された画像との変
形を考慮した対応付けをテストし、対応付けが矛盾無く
できる上記特徴マップと標準局所特徴マップ間の組み合
わせとその際に必要な変形パラメータを求める特徴マッ
プ対応検索手段と、上記求められた変形パラメータから
選択された標準物体パターンと画像上の物体パターン間
の幾何的変換パラメータを生成し出力する幾何変換パラ
メータ生成手段とを備えたことを特徴とする画像処理装
置。