JPH08138025A - 画像識別パラメータの決定方法及び画像認識方法 - Google Patents

Abstract

(57)【要約】 【目的】 ２値化パラメータを適切に設定でき，変化す
る光学条件のもとで精度よく画像認識を行い得る方法。 【構成】 照明度が変化する光学条件下で，ＣＣＤカメ
ラ１により認識対象２を撮像し，コンピュータ３により
その画像のヒストグラムに基づいて認識対象２のパター
ン認識のための２値化パラメータであるしきい値を決定
するに際し，複数の照明度の下に既知の認識対象を撮像
し，それらの画像のヒストグラムを入力したときに，上
記複数の照明度に対応するしきい値を出力するように予
め学習させたＮｏ．１ニューラルネットワークを用意し
ておき，未知の認識対象を撮像し，その画像のヒストグ
ラムを上記学習済のＮｏ．１のニューラルネットワーク
に入力することにより，未知の認識対象についてのしき
い値を出力するように構成されている。さらに，上記出
力されたしきい値を用いてパターン認識を行い，その結
果に基づいて同しきい値を更新するようにしてもよい。
上記構成により，２値化のパラメータを適切に設定等で
きる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は，画像識別パラメータの
決定方法及び画像認識方法に係り，詳しくは照明度が変
化する条件下で認識対象を撮像し，その画像の輝度分布
に基づいて認識対象のパターン認識を行うための２値化
パラメータを決定する方法，及びその２値化パラメータ
を用いて画像認識を行う方法に関するものである。

【０００２】

【従来の技術】従来は，図１０に示すように，認識対象
の画像をさまざまな２値化しきい値（２値化パラメー
タ）で２値化処理し，それぞれの２値化画像を評価する
ことにより適当なしきい値を決定していた。また，画像
の輝度分布グラフ（ヒストグラム）を求め，その形状か
ら２値化しきい値を決定することも行われていた。

【０００３】

【発明が解決しようとする課題】上記したような従来の
画像識別パラメータの決定方法では，次のような問題点
があった。 （１）複数のしきい値を用いた手法では，認識精度を上
げるためには数多くのしきい値で画像処理する必要があ
るために，しきい値決定の処理時間が多大になる。この
ため，オンラインでしきい値を決定する場合には処理速
度が低下する。従って，最適なしきい値をオンラインで
決定することは困難であり，まして物体認識において，
周辺の光学条件が変化する場合においてはなおさらであ
る。 （２）また，輝度分布を用いた方法では，同様の理由に
より多大な知識を用いた推論となる。その知識を格納す
るためにはさらにハードウエア資源を圧迫するという問
題がある。従って，従来手法ではいずれも最適なしきい
値をオンラインで決定することは困難であり，これに伴
い画像認識装置の高い認識精度を得ることができなかっ
た。 本発明は，上記事情に鑑みてなされたものであり，その
第１の目的とするところは，なんら付加的な装置を必要
とすることなく，適切な２値化パラメータをオンライン
で得ることができる画像識別パラメータの決定方法を提
供することである。また，第２の目的とするところは，
その決定された２値化パラメータを用いてパターン認識
を行うことにより，その認識精度をさらに向上させるこ
とができる画像認識方法を提供することである。

【０００４】

【課題を解決するための手段】上記第１の目的を達成す
るために第１の発明は，照明度が変化する条件下で認識
対象を撮像し，その画像の輝度分布に基づいて該認識対
象のパターン認識を行うための２値化パラメータを決定
する画像識別パラメータの決定方法において，複数の照
明度の下に既知の認識対象を撮像し，それらの画像の輝
度分布を入力したときに，上記複数の照明度に対応する
２値化パラメータを出力するように予め学習させた第１
のニューラルネットワークを用意しておき，未知の認識
対象を撮像し，その画像の輝度分布を上記学習済の第１
のニューラルネットワークに入力することにより，該未
知の認識対象についての２値化パラメータを出力してな
ることを特徴とする画像識別パラメータの決定方法構成
されている。さらには，上記第１のニューラルネットワ
ークが，バックプロパゲーション法によるニューラルネ
ットワークである画像識別パラメータの決定方法であ
る。さらには，上記第１のニューラルネットワークが，
ラデイアルベイシスファンクション法によるニューラル
ネットワークである画像識別パラメータの決定方法であ
る。

【０００５】また，第２の目的を達成するために第２の
発明は，照明度が緩やかに変化する条件下で認識対象を
撮像し，その画像に基づいて該認識対象のパターン認識
を行う画像認識方法において，複数の照明度の下に既知
の認識対象を撮像し，それらの画像の輝度分布を入力し
たときに，上記複数の照明度に対応する２値化パラメー
タを出力するように予め学習させた第２のニューラルネ
ットワークを該既知の認識対象ごとに用意しておき，上
記既知の認識対象のうちのある認識対象についての画像
の輝度分布を，該ある認識対象に対応する上記学習済の
第２のニューラルネットワークに入力することにより，
該ある認識対象についての２値化パラメータの初期値を
出力し，上記出力された２値化パラメータの初期値を用
いて未知の認識対象のパターン認識を行い，上記パター
ン認識の結果に基づいて上記未知の認識対象に対応する
上記学習済の第２のニューラルネットワークを選択し，
上記未知の認識対象を撮像し，その画像の輝度分布を上
記選択された第２のニューラルネットワークに入力する
ことにより，該未知の認識対象についての２値化パラメ
ータを出力し，上記出力された２値化パラメータを用い
て上記未知の認識対象のパターン認識を行った結果が収
束するまで該２値化パラメータの出力を繰り返してなる
ことを特徴とする画像認識方法として構成されている。
さらには，上記出力された２値化パラメータにより上記
初期値を更新する画像認識方法である。さらには，既知
の認識対象の２値化画像データを入力したときに，該既
知の認識対象の認識結果を出力するように予め学習させ
た第３のニューラルネットワークを上記第２のニューラ
ルネットワークとは別個に用意しておき，未知の認識対
象の上記出力された２値化パラメータによる２値化画像
を該第３のニューラルネットワークに入力することによ
り上記パターン認識を行う画像認識方法である。さらに
は，上記第２及び／又は第３のニューラルネットワーク
が，バックプロバゲーション法によるニューラルネット
ワークである画像認識方法である。さらには，上記第２
及び／又は第３のニューラルネットワークが，ラデイア
ルベイシスファンクション法によるニューラルネットワ
ークである画像認識方法である。

【０００６】

【作用】第１の発明によれば，照明度が変化する条件下
で認識対象が撮像され，その画像の輝度分布に基づいて
該認識対象のパターン認識を行うための２値化パラメー
タが決定されるに際し，複数の照明度の下に認識対象が
撮像され，それらの画像の輝度分布が入力されたとき
に，上記複数の照明度に対応する２値化パラメータが出
力されるように予め学習させられた第１のニューラルネ
ットワークが用意される。そして，未知の認識対象が撮
像され，その画像の輝度分布が上記学習済の第１のニュ
ーラルネットワークに入力されることにより，該未知の
認識対象についての２値化パラメータが出力される。こ
れにより，周辺の光学条件の変化に対応した２値化パラ
メータをオンラインで決定することができる。また，識
別のために必要な知識をニューラルネットワークの重み
という形で所持するために，ハードウエア資源への圧迫
を低減することができる。従って，なんら付加的な装置
を必要とすることなく適切な２値化しきい値をオンライ
ンで得ることができる。

【０００７】また，第２の発明によれば，照明度が緩や
かに変化する条件下で認識対象が撮像され，その画像に
基づいて該認識対象のパターン認識が行われるに際し，
複数の照明度の下に既知の認識対象が撮像され，それら
の画像の輝度分布が入力されたときに，上記複数の照明
度に対応する２値化パラメータが出力されるように予め
学習させられた第２のニューラルネットワークが該既知
の認識対象ごとに用意される。上記既知の認識対象のう
ちのある認識対象についての画像の輝度分布が，該ある
認識対象に対応する上記学習済の第２のニューラルネッ
トワークに入力されることにより，該ある認識対象につ
いての２値化パラメータの初期値が出力される。上記出
力された２値化パラメータの初期値が用いられて未知の
認識対象のパターン認識が行われる。上記パターン認識
の結果に基づいて上記未知の認識対象に対応する上記学
習済の第２のニューラルネットワークが選択される。上
記未知の認識対象が撮像され，その画像の輝度分布が上
記選択された第２のニューラルネットワークに入力され
ることにより，該未知の認識対象についての２値化パラ
メータが出力される。そして，上記出力された２値化パ
ラメータが用いられて上記未知の認識対象のパターン認
識が行われた結果が収束するまで該２値化パラメータの
出力が繰り返される。パターン認識による画像認識にお
いては，周囲の光学条件が緩やかに変化する場合を前提
条件とする。つまり，連続して認識対象を認識するプロ
セスにおいては，ある時点で適切に設定された２値化パ
ラメータは少なくとも次の認識においては有効なパラメ
ータとして機能することを意味する。このような条件の
下で周囲の光学条件が変化しても，長時間連続して認識
を行うことができる。従って，なんら付加的な装置を使
うことなく２値化のしきい値が適切にオンラインで決定
でき，これに伴い，変化する光学条件の下であっても精
度よく認識を行うことが可能となる。

【０００８】

【実施例】以下添付図面を参照して，本発明を具体化し
た実施例につき説明し，本発明の理解に供する。尚，以
下の実施例は，本発明を具体化した一例であって，本発
明の技術的範囲を限定する性格のものではない。ここ
に，図１は第１の発明の一実施例（第１の実施例）に係
る画像識別パラメータの決定方法の概略フローを示す
図，図２は画像認識装置廻りの概略構成を示す模式図，
図３はＮｏ．１ニューラルネットワークに入力するヒス
トグラムの例図，図４はＮｏ．１ニューラルネットワー
クの概念図，図５は第２の発明の一実施例（第２の実施
例）に係る画像認識方法の概略フローを示す図，図６は
画像認識プロセスを示す説明図，図７は学習プロセスを
示す説明図，図８はＮｏ．２ニューラルネットワークに
入力するヒストグラムの例図，図９はＮｏ．２ニューラ
ルネットワークの概念図である。図１に示す如く，第１
の発明に一実施例（第１の実施例）に係る画像識別パラ
メータの決定方法は，周囲の光学条件が変化する場合，
即ち照明度が変化する条件下で認識対象を撮像し，その
画像のヒストグラム（輝度分布）に基づいて該認識対象
のパターン認識を行うための２値化しきい値（２値化パ
ラメータ）を決定するに際し，さまざまな光学条件，即
ち複数の照明度の下に既知の認識対象を撮像し（Ｓ
１），それらの画像のヒストグラムを入力したときに上
記複数の照明度に対応する２値化しきい値を出力するよ
うに予め学習されたＮｏ．１ニューラルネットワーク
（第１のニューラルネットワークに相当）を用意してお
き（Ｓ２〜Ｓ４），未知の認識対象を撮像し（Ｓ５），
その画像のヒストグラムを上記学習済のＮｏ．１のニュ
ーラルネットワークに入力することにより，この未知の
認識対象についての２値化しきい値を出力する（Ｓ６〜
Ｓ８）ように構成されている。

【０００９】上記画像識別パラメータの決定方法を具現
化し得る装置を図２に示した。以下，この装置の動作を
上記ステップＳ１，Ｓ２，…と対応づけて説明する。た
だし，ここでは説明の便宜上，パラメータ決定プロセス
（Ｓ５〜Ｓ８），学習プロセス（Ｓ１〜Ｓ４）の順に述
べる。 〈パラメータ決定プロセス〉図２に示すように，ＣＣＤ
カメラ１を設置する。次にＣＣＤカメラ１の認識対象２
に対する映像をコンピュータ３に取り込む（Ｓ５）。得
られた画像を用いてそれぞれの画素値の画素数をカウン
トし，全体の画素数に占める割合を求めてヒストグラム
を作成する。図３（ａ）は３２階調画像であるとし，最
も明るい画素の画素値を３１，最も暗い画素の画素値を
０とした例を示す。このヒストグラムを図４に示すよう
に，学習済Ｎｏ．１ニューラルネットワークに入力する
ことにより，２値化しきい値を出力する（Ｓ７，Ｓ
８）。 〈学習プロセス〉 Ｎｏ．１ニューラルネットワークの学習：まず，複数の
照明度の下での認識対象２の画像をコンピュータ３に取
り込み（Ｓ１），ヒストグラムを作成し（Ｓ２），適切
な２値化しきい値を求める（Ｓ３）。この時得られるヒ
ストグラムの例を図３（ｂ）に示した。上記ステップＳ
１〜Ｓ３をさまざまな認識対象２に対して行い得られた
データを教師データとして，例えばラデイアルベイシス
ファンクション法を用いてＮｏ．１ニューラルネットワ
ークの学習を行う（Ｓ４）。

【００１０】ここで，ラデイアルベイシスファンクショ
ン法を用いた学習について述べる。一般には，ネットワ
ークの構造としては，シグモイド関数を出力素子とした
多層パーセプトロン型のネットワークが用いられ，学習
アルゴリズムとしては，バックプロパゲーション法が用
いられる。しかし，シグモイド関数を用いるパーセプト
ロン型のネットワークについてはバックプロパゲーショ
ン法を用いると，学習時間がかかり必ずしも最適な学習
結果が得られない場合があることが知られている（丸
山：Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎを用
いた学習ネットワーク，システム／制御／情報，Ｖｏ
ｌ．３６，Ｎｏ．５，ＰＰ３２２〜３２９，１９９２な
ど参照）。そのような場合には，ラデイアルベイシスフ
ァンクション法によれば，未知パラメータを線形方程式
を解くことにより直接得ることができる。これにより，
学習に必要な時間を短縮でき，且つ学習結果が良好なも
のとなると予想される。ただし，教師データが比較的少
ない場合は，バックプロパゲーション法を用いることと
してもよい。学習後にＮｏ．１ニューラルネットワーク
の重みデータをメモリ（不図示）に記憶し，上記パラメ
ータ決定プロセスに用いる。以上のように本方法では，
画像情報からその輝度分布を求め，そのデータと学習済
みのニューラルネットワークとを用いて推論することに
より，周辺の光学条件に対応した２値化しきい値をオン
ラインで決定することができる。また，識別のために必
要な知識をニューラルネットの重みという形で保持する
ため，ハードウエア資源への圧迫を低減することができ
る。さらに，ニューラルネットワークの学習アルゴリズ
ムとして，適切な手法を用いることにより，学習に必要
な時間を短縮し，且つ学習結果を良好なものとすること
ができる。従って，本第１の実施例に係る方法によれ
ば，なんら付加的な装置を必要とすることなく，適切な
２値化パラメータをオンラインで得ることができる。

【００１１】引き続いて，上記２値化パラメータを用い
た画像認識方法について述べる。図５に示す如く第２の
発明の１実施例（第２の実施例）に係る画像認識方法
は，周囲の光学条件が緩やか変化する場合，即ち照明度
が緩やかに変化する条件下で認識対象を撮像し，その画
像に基づいて該認識対象のパターン認識を行うに際し，
さまざまな光学条件，即ち複数の照明度の下に既知の認
識対象を撮像し（Ｓ１１），それらの画像のヒストグラ
ム（輝度分布）を入力したときに，上記複数の照明度に
対応する２値化しきい値（２値化パラメータ）を出力す
るように予め学習させたＮｏ．２ニューラルネットワー
ク（第２のニューラルネットワークに相当）を既知の認
識対象毎に用意しておき（Ｓ１２〜Ｓ１４），既知の認
識対象の内のある認識対象についての画像のヒストグラ
ムを，ある認識対象に対応する上記学習済みのＮｏ．２
ニューラルネットワークに入力することにより，ある認
識対象についての２値化しきい値の初期値を出力し（Ｓ
１５，Ｓ１６），この出力された２値化しきい値の初期
値を用いて未知の認識対象のパターン認識を行い（Ｓ１
７），パターン認識の結果に基づいて未知の認識対象に
対応する上記学習済みのＮｏ．２ニューラルネットワー
クを選択し（Ｓ１８，Ｓ１９），未知の認識対象を撮像
し（Ｓ２０），その画像のヒストグラムを上記選択され
たＮｏ．２ニューラルネットワークに入力することによ
り，未知の認識対象についての２値化しきい値を出力し
（Ｓ２０〜Ｓ２３），この出力された２値化しきい値を
用いて上記未知の認識対象のパターン認識を行った結果
が収束するまで，２値化しきい値の出力を繰り返す（Ｓ
１７，Ｓ１８）ように構成されている。

【００１２】さらに，上記出力された２値化しきい値に
より上記初期値を更新するようにしてもよい。さらに，
既知の認識対象の２値化画像データを入力したとき，該
既知の認識対象の認識結果を出力するように予め学習さ
せたＮｏ．３ニューラルネットワーク（第３のニューラ
ルネットワークに相当）をＮｏ．２ニューラルネットワ
ークとは別個に用意しておき，未知の認識対象の上記出
力された２値化しきい値による２値化画像をＮｏ．３の
ニューラルネットワークに入力することにより，上記パ
ターン認識を行うようにしてもよい。この画像認識方法
についても，上記第１の実施例と同様の図２に示した画
像認識装置を用いることができる。この装置により画像
認識を行う場合の具体的な動作例を図６，図７に示し
た。以下，この動作例を上記方法のステップＳ１１，Ｓ
１２，…と対応づけて説明する。ただし，ここでも説明
の便宜上，画像認識プロセス（Ｓ１５〜Ｓ２３），学習
プロセス（Ｓ１１〜Ｓ１４）の順に述べる。 〈画像認識プロセス〉図６に示すように，まず認識した
い対象２が撮影できるようにＣＣＤカメラ１を設置す
る。ＣＣＤカメラ１から得られるビデオ信号をコンピュ
ータ３の内部に取り込む。長時間連続して対象物を認識
するプロセスにおいて，その認識のスタート時はその認
識対象が何であるかという回答を与える。図６では，例
えば認識対象Ａという回答が与えられている。与えられ
た回答に従って，認識対象毎に対して予め学習が行われ
ている２値化しきい値推定用のＮｏ．２ニューラルネッ
トワークの中から認識対象Ａに対応するネットワークを
選択する。

【００１３】次に，現在の光学条件ａの下に認識対象Ａ
を撮像し，その原画像を基にして濃度ヒストグラムを作
成する。ここでは，最も明るい画素の濃度値を２５５，
最も暗い画素の濃度値を０として各濃度値が原画像中に
何画素あるかをカウントしてヒストグラムを作成する。
その一例を図８（ａ）に示した。次に濃度ヒストグラム
の最大値で正規化して全てのヒストグラム値を０から１
までの値に変換しておく。この変換後のヒストグラムを
図８（ｂ）に示す。上記２５６個の０から１までのヒス
トグラムを図９（ａ）に示すように上記ステップＳ１５
で選択したＮｏ．２ニューラルネットワークに入力し
（Ｓ１５），２値化しきい値の初期値Ｐｏを出力する
（Ｓ１６）。次に，光学条件ａから少し照明度が変化し
た光学条件ｂの下に未知の認識対象Ｘを撮像し，その原
画像から上記２値化しきい値の初期値Ｐｏにより２値化
画像を求める。この２値化画像を予め学習が行われてい
るパターン認識用のＮｏ．３ニューラルネットワークに
入力することにより，認識対象Ｘのパターン認識を行う
（Ｓ１７）。ここでは，認識対象がＢであるとの認識結
果を得たとする。但し，第１回目のパターン認識である
ためその収束判定はなされない。（Ｓ１８）。次に，認
識結果に基づいて，今度は認識対象Ｂに対応するＮｏ．
２ニューラルネットワークを選択する（Ｓ１９）。次
に，未知の認識対象Ｘを撮像し（Ｓ２０），その原画像
を基にして濃度ヒストグラムを作成する（Ｓ２１）。但
し，ステップＳ２０の撮像データは上記ステップＳ１７
で既に用いられたデータを流用可能であり，図６ではこ
の流用した場合を示している。

【００１４】上記未知の認識対象Ｘについて作成された
ヒストグラムを上記選択された認識対象Ｂに対応するＮ
ｏ．２ニューラルネットワークに入力する（Ｓ２２）。
Ｎｏ．２ニューラルネットワークの出力値から得られた
値Ｐに従って，２値化しきい値Ｐ ｎｅｗを求める
（Ｓ２３）。ここでは以下のように指数平滑して，しき
い値が急激に変化しないようにしている。 Ｐ ｎｅｗ＝（１−α）Ｐ ｏｌｄ＋αＰ ここで，Ｐ ｏｌｄは前回の設定値（この段階ではＰ
ｏ）であり，αは指数平滑の係数である。さらに，光学
条件ｂから少し照明度が変化した光学条件ｃの下に未知
の認識対象Ｘを撮像し，その原画像から上記２値化しき
い値Ｐ ｎｅｗにより２値化画像を求める。この２値化
画像を上記学習済Ｎｏ．３ニューラルネットワークに入
力することにより，認識対象Ｘのパターン認識を行う
（Ｓ１７）。ここでは，認識対象がＣであるとの認識結
果を得たとする。この結果は先のステップＳ１７におけ
る結果と異なるため，未収束であると判定され（Ｓ１
８），今度は認識対象Ｃに対応するＮｏ．２ニューラル
ネットワークが選択される（Ｓ１９）。次に，認識対象
Ｘについてのヒストグラムを上記選択された認識対象Ｃ
に対応するＮｏ．２ニューラルネットワークに入力し，
新たな２値化しきい値Ｐ ｎｅｗを出力する（Ｓ２０〜
Ｓ２３）。さらに，光学条件ｃから少し照明度が変化し
た光学条件ｄの下に未知の認識対象Ｘを撮像し，その原
画像から上記新たな２値化しきい値Ｐ ｎｅｗにより２
値化画像を求める。この２値化画像を上記学習済Ｎｏ．
３ニューラルネットワークに入力することにより，認識
対象Ｘのパターン認識を行う（Ｓ１７）。ここでも，認
識対象がＣであるとの認識結果を得たとする。この結果
は先のステップＳ１７における結果と同じであるため，
収束したと判定され（Ｓ１８），認識作業は終了する。
未収束の場合は収束するまで上記ステップＳ１７〜Ｓ２
３を繰り返す。

【００１５】ただし，作業終了の代わりに，上記ステッ
プＳ１５に戻って，２値化しきい値の初期値Ｐｏを更新
することにより，新たな未知の認識対象Ｙについてパタ
ーン認識を行い，コンベア等により次々に運搬されてく
る未知の認識対象を連続的に識別するようにしてもよ
い。 〈学習プロセス〉 Ｎｏ．２ニューラルネットワークの学習：先ず，図７
の上段に示すように認識対象物Ａ，Ｂ，Ｃ，Ｄ，…をそ
れぞれ固定して，さまざまな光学条件ａ，ｂ，ｃ，ｄ，
…の下でそれぞれうまく２値化できるしきい値と原画像
とをメモリ（不図示）に記憶する。原画像から上述した
方法と同じ方法でヒストグラムを作成する。その結果，
各照明度ごとの画素数を表すヒストグラムが得られ，こ
れを配列ｐ〔ｉ〕（ｉ＝０；ｎ−１）に格納する。ｎは
明度階調数とする。次に配列ｐ〔ｉ〕の最大値ですべて
の分布値を０から１までのデータに正規化し，これを配
列ｐｎ〔ｉ〕とする。あらかじめ，各認識対象Ａ，Ｂ，
Ｃ，Ｄ，…ごとにいろいろな光学条件ａ，ｂ，ｃ，ｄ，
…の下に配列ｐｎ〔ｉ〕を求め，その配列ｐｎ〔ｉ〕を
入力データとし適切な２値化しきい値を出力として図９
（ｂ）に示すように各認識対象Ａ，Ｂ，Ｃ，Ｄ，…に対
応したＮｏ．２ニューラルネットワークに学習させてお
く（Ｓ１１〜Ｓ１４）。Ｎｏ．２ニューラルネットワー
クの学習アルゴリズムとしては，例えば第１の実施例と
同様，ラデイアルベイシスファンクション法を用いる。
ただし，第１の実施例に述べたような理由により，必要
に応じてバックプロパゲーション法を用いることとして
もよい。

【００１６】学習後にＮｏ．２ニューラルネットワーク
の重みをメモリ（不図示）に記憶し，上記画像認識プロ
セスにおける２値化しきい値の決定に用いる。 Ｎｏ．３ニューラルネットワークの学習：図７の下段
に示すように既知の認識対象Ａ，Ｂ，Ｃ，Ｄについての
最適な２値化画像を教師データとしてＮｏ．３ニューラ
ルネットワークに学習させておく。このようなパターン
認識用のニューラルネットワークの学習法については周
知の技術であるため，ここではその詳細説明は割愛す
る。Ｎｏ．３ニューラルネットワークの学習アルゴリズ
ムとしては，教師データ数が上記Ｎｏ．１，２ニューラ
ルネットワークの場合と比較して少ないことから，比較
簡易なバックプロパゲーション法を用いる。但し，ラデ
イアルベイシスファンクション法を用いても何ら支障は
ない。学習後にＮｏ．３ニューラルネットワークの重み
をメモリ（不図示）に記憶し，上記画像認識プロセスに
おけるパターン認識に用いる。パターン認識による対象
物認識装置においては，周囲の光学条件が緩やかに変化
する場合を前提条件とする。つまり，連続して対象物を
認識するプロセスにおいて，ある時点で適切に設定され
たパラメータは少なくとも次の認識においては，有効な
パラメータとして機能することを意味する。このような
条件のもとで周囲の光学条件が変化しても長時間連続し
て認識を行える。本第２の実施例に係る方法はこの考え
に基づいてなされたものである。すなわち，本第２の実
施例によれば，周囲の光学条件が変化していった場合に
対しても，常に良好な２値化を行うことが可能であり，
その２値化パラメータを用いて良好な認識精度を得るこ
とができる。以上のように，本認識方法によれば，何ら
付加的な装置を用いることなく，２値化のしきい値を適
切に設定でき，変化する照明度の下であっても精度よく
認識を行うことが可能となる。

【００１７】

【発明の効果】本発明に係る画像識別パラメータの決定
方法及び画像認識方法は，上記したように構成されてい
るため，画像情報からその輝度分布を求め，そのデータ
と学習済みのニューラルネットワークとを用いて推論す
ることにより，周辺の光学条件に対応した２値化パラメ
ータをオンラインで決定することができる。また，識別
のために必要な知識をニューラルネットの重みという形
で保持するため，ハードウエア資源への圧迫を低減する
ことができる。さらに，ニューラルネットワークの学習
アルゴリズムとして，適切な手法を用いることにより，
学習に必要な時間を短縮し，且つ学習結果を良好なもの
とすることができる。従って，なんら付加的な装置を必
要とすることなく，適切な２値化パラメータをオンライ
ンで得ることができる。また，パターン認識による画像
認識においては，周囲の光学条件が緩やかに変化する場
合を前提条件とする。つまり，連続して認識対象を認識
するプロセスにおいては，ある時点で適切に設定された
２値化パラメータは少なくとも次の認識においては有効
なパラメータとして機能することを意味する。このよう
な条件の下で周囲の光学条件が変化しても，長時間連続
して認識を行うことができる。従って，なんら付加的な
装置を使うことなく２値化のパラメータが適切にオンラ
インで決定することができ，これに伴い変化する光学条
件の下であっても精度よく認識を行うことが可能とな
る。

【図面の簡単な説明】

【図１】 第１の発明の一実施例（第１の実施例）に係
る画像識別パラメータの決定方法の概略フローを示す
図。

【図２】 画像認識装置廻りの概略構成を示す模式図。

【図３】 Ｎｏ．１ニューラルネットワークに入力する
ヒストグラムの例図。

【図４】 Ｎｏ．１ニューラルネットワークの概念図。

【図５】 第２の発明の一実施例（第２の実施例）に係
る画像認識方法の概略フローを示す図。

【図６】 画像認識プロセスを示す説明図。

【図７】 学習プロセスを示す説明図。

【図８】 Ｎｏ．２ニューラルネットワークに入力する
ヒストグラムの例図。

【図９】 Ｎｏ．２ニューラルネットワークの概念図。

【図１０】 従来の画像認識パラメータの決定方法の説
明図。

【符号の説明】

１…ＣＣＤカメラ ２…認識対象 ３…コンピュータ

───────────────────────────────────────────────────── フロントページの続き (72)発明者 大原 隆久 三重県員弁郡大安町大字梅戸字東山1100番 株式会社神戸製鋼所大安工場内

Claims (8)

【特許請求の範囲】
1. 【請求項１】 照明度が変化する条件下で認識対象を撮
   像し，その画像の輝度分布に基づいて該認識対象のパタ
   ーン認識を行うための２値化パラメータを決定する画像
   識別パラメータの決定方法において，複数の照明度の下
   に既知の認識対象を撮像し，それらの画像の輝度分布を
   入力したときに，上記複数の照明度に対応する２値化パ
   ラメータを出力するように予め学習させた第１のニュー
   ラルネットワークを用意しておき，未知の認識対象を撮
   像し，その画像の輝度分布を上記学習済の第１のニュー
   ラルネットワークに入力することにより，該未知の認識
   対象についての２値化パラメータを出力してなることを
   特徴とする画像識別パラメータの決定方法。
2. 【請求項２】 上記第１のニューラルネットワークが，
   バックプロパゲーション法によるニューラルネットワー
   クである請求項１記載の画像識別パラメータの決定方
   法。
3. 【請求項３】 上記第１のニューラルネットワークが，
   ラデイアルベイシスファンクション法によるニューラル
   ネットワークである請求項１記載の画像識別パラメータ
   の決定方法。
4. 【請求項４】 照明度が緩やかに変化する条件下で認識
   対象を撮像し，その画像に基づいて該認識対象のパター
   ン認識を行う画像認識方法において，複数の照明度の下
   に既知の認識対象を撮像し，それらの画像の輝度分布を
   入力したときに，上記複数の照明度に対応する２値化パ
   ラメータを出力するように予め学習させた第２のニュー
   ラルネットワークを該既知の認識対象ごとに用意してお
   き，上記既知の認識対象のうちのある認識対象について
   の画像の輝度分布を，該ある認識対象に対応する上記学
   習済の第２のニューラルネットワークに入力することに
   より，該ある認識対象についての２値化パラメータの初
   期値を出力し，上記出力された２値化パラメータの初期
   値を用いて未知の認識対象のパターン認識を行い，上記
   パターン認識の結果に基づいて上記未知の認識対象に対
   応する上記学習済の第２のニューラルネットワークを選
   択し，上記未知の認識対象を撮像し，その画像の輝度分
   布を上記選択された第２のニューラルネットワークに入
   力することにより，該未知の認識対象についての２値化
   パラメータを出力し，上記出力された２値化パラメータ
   を用いて上記未知の認識対象のパターン認識を行った結
   果が収束するまで該２値化パラメータの出力を繰り返し
   てなることを特徴とする画像認識方法。
5. 【請求項５】 上記出力された２値化パラメータにより
   上記初期値を更新する請求項４記載の画像認識方法。
6. 【請求項６】 既知の認識対象の２値化画像データを入
   力したときに，該既知の認識対象の認識結果を出力する
   ように予め学習させた第３のニューラルネットワークを
   上記第２のニューラルネットワークとは別個に用意して
   おき，未知の認識対象の上記出力された２値化パラメー
   タによる２値化画像を該第３のニューラルネットワーク
   に入力することにより上記パターン認識を行う請求項４
   又は５記載の画像認識方法。
7. 【請求項７】 上記第２及び／又は第３のニューラルネ
   ットワークが，バックプロバゲーション法によるニュー
   ラルネットワークである請求項４〜６のいずれかに記載
   の画像認識方法。
8. 【請求項８】 上記第２及び／又は第３のニューラルネ
   ットワークが，ラデイアルベイシスファンクション法に
   よるニューラルネットワークである請求項４〜６のいず
   れかに記載の画像認識方法。