JPH09161062A

JPH09161062A - パターン認識方法

Info

Publication number: JPH09161062A
Application number: JP7324876A
Authority: JP
Inventors: Tomoko Shimomura; 倫子下村; Kazunori Noso; 千典農宗
Original assignee: Nissan Motor Co Ltd
Current assignee: Nissan Motor Co Ltd
Priority date: 1995-12-13
Filing date: 1995-12-13
Publication date: 1997-06-20

Abstract

(57)【要約】【課題】認識対象のパターンを、各参照パターンの存在
分布を考慮すると共に計算量を軽減して認識する。【解決手段】複数の異なるパターンの参照画像全ての組
み合わせに対して、複数のパターン間の互いに異なる特
徴部分を求め、該特徴部分について認識対象画像に対す
る類似度をマハラノビス距離に基づいてそれぞれ求め、
該類似度が高い方のパターンを格納する。この処理をト
ーナメント方式により全ての参照画像のパターンに対し
て行い、最終的に最も類似度が高かったパターンを選出
する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は多値画像に対するパ
ターン認識方法に関する。

【０００２】

【従来の技術】従来のパターン認識方法としては、例え
ば図13に示すユークリッド距離を用いた方法がある。こ
のユークリッド距離の算出方法を（１）式に示す。

【０００３】

【数１】

【０００４】ここで、Ｔ(k,i,j) は参照画像ｋ上の点
（i,j)の濃度値で、Ｉ(i,j) は認識対象画像上の点(i,
j) の濃度値である。このようにユークリッド距離Ｌ(k)
は、認識対象画像と参照画像との各画素毎の濃度値の
差の二乗和として表される。このユークリッド距離は、
パターンの類似度が高いほど短くなり、２つのパターン
が完全に一致するとユークリッド距離は０となる。

【０００５】複数の参照画像の中から認識対象画像上の
パターンと最も類似したパターンを探すことを目的とす
るパターン認識では、全ての参照画像のパターンと認識
対象画像のパターンとの類似度を表す距離を（１）式を
用いて求め、その中から距離が最短となるパターンを見
つけることで認識対象のパターンを決定する。通常、こ
の手法を用いる場合は、画像全体の明るさの変化が認識
結果に影響を及ぼさないように、（２），（３）式を用
いて、認識対象画像および参照画像の濃度値を−１〜１
に正規化し、その正規化された濃度値を（１）式に適用
する場合が多い。

【０００６】

【数２】

【０００７】（２），（３）式を（１）式に適用すると
（１）式は（４）式に変形できる。ここで、（１）式は
二乗和であることを考慮すると、（１）式の値は常に正
であり、濃度値を正規化しているためにＬ（ｋ）の最大
値が４である。このため、（４）式の右辺の第２項は、
−１〜１の範囲内の値をとることがわかる。

【０００８】

【数３】

【０００９】このことを利用して、（５）式が最大とな
るパターンを求めることで認識を行う手法が正規化相関
法である。つまり、ユークリッド距離による認識手法と
正規化相関による認識手法とでは計算式は異なるが、同
様な認識結果を得ることができる。図14は、特徴空間が
２軸の場合のパターン間のユークリッド距離を示した図
である。図中の破線が認識対象と各参照画像とのユーク
リッド距離である。図14の場合は、認識対象と最も距離
の近いパターンがＢであるので、認識対象はＢであると
いう結果が得られる。

【００１０】

【発明が解決しようとする課題】しかしながら、このよ
うな従来のパターン認識手法にあっては、参照画像のパ
ターン中に類似した形状のパターンが含まれていると、
その類似した形状のパターンそれぞれに対する距離が共
に近い値となるため、認識の判断が不確実となり、ま
た、撮影時の照明の影響等により、誤った参照パターン
との類似度の方が高くなることがある。

【００１１】さらに、参照パターンの存在分布（分散）
が均一でないと、単純にパターン間のユークリッド距離
を比較するだけでは誤認識することが多い。例えば、各
参照パターンが図10に示すように分布しているとき、認
識対象は各参照パターンの分散からパターンＡであると
判断されるべきであるが、各参照パターンとのユークリ
ッド距離だけを比較すると、パターンＢとの距離が近い
ため、認識対象はパターンＢであると誤認識されてしま
う。

【００１２】そこで本発明は、このような従来の問題点
に鑑み、２つの参照画像と認識対象画像との類似度を、
計算量を軽減しつつ高精度に判断することができるパタ
ーン認識方法を提供することを目的とする。

【００１３】

【課題を解決するための手段】上記目的を達成するた
め、請求項１に記載の発明は、複数の参照画像のパター
ンから認識対象画像のパターンと最も類似したパターン
を選出するパターン認識方法において、複数の参照画像
のパターンの相互に異なる特徴部分を抽出し、該特徴部
分について各参照画像のパターンと認識対象画像のパタ
ーンとの類似性を算出し、最も類似性の高いパターンを
選出するようにした。

【００１４】請求項２に記載の発明は、前記複数の参照
画像のパターンは、２つの参照画像のパターンとした。
請求項３に記載の発明は、前記特徴部分は、１つのカテ
ゴリーに属する複数の前記参照画像に対する同一位置の
濃度値の平均値と、前記カテゴリーと異なる１つのカテ
ゴリーに属する複数の前記参照画像に対する同一位置の
画素データの平均値との差を表すカテゴリー間分散を、
各カテゴリー内の前記参照画像に対する同一位置の濃度
値の分散であるカテゴリー内分散と前記カテゴリー間分
散との和で除した値に基づいて抽出するようにした。

【００１５】尚、カテゴリーとは、同一種類のパターン
の集合体を意味している。請求項４に記載の発明は、複
数の参照画像のパターンを認識対象画像のパターンと比
較して類似度が高いパターンを選出し、該選出されたパ
ターンと他の参照画像のパターンとを加えた複数のパタ
ーンから類似度が高いパターンを選出していく操作を繰
り返すトーナメント方式により、最終的に一つのパター
ンを最も認識対象画像のパターンと類似したパターンと
して選出するようにした。

【００１６】請求項５に記載の発明は、全ての参照画像
のパターンと認識対象画像のパターンとを全画素領域で
個々に比較して、類似度の高い複数のパターンを選出し
た後、該選出された複数のパターンについて、請求項１
〜請求項４のいずれか１つに記載の方法で認識対象画像
のパターンと最も類似度の高いパターンを選出するよう
にした。

【００１７】請求項６に記載の発明は、前記全画素領域
での比較で、最も類似度が高いパターンと２番目に類似
度が高いパターンとの類似度の差が所定値以上あるとき
は、最も類似度が高いパターンを、最終的な認識対象画
像のパターンと最も類似度が高いパターンとして選出す
るようにした。請求項７に記載の発明は、前記類似度の
差が所定値未満のときは、１番目の類似度との類似度の
差が所定値以内のパターンを選出し、該選出されたパタ
ーンについて請求項１〜請求項４のいずれか１つに記載
の方法で認識対象画像のパターンと最も類似度の高いも
のを選出するようにした。

【００１８】請求項８に記載の発明は、前記認識対象画
像と前記参照画像の特徴部分の類似度は、マハラノビス
距離に基づいて類似度を算出するようにした。請求項９
に記載の発明は、前記特徴部分における参照画像の濃度
値のパターン毎の平均値と、前記特徴部分における分散
共分散の情報を予め求めて記憶し、マハラノビス距離の
算出は該記憶された濃度値の平均値および分散共分散の
情報を用いて算出するようにした。

【００１９】

【発明の効果】以上説明したように、請求項１に記載の
発明によれば、複数の参照画像のパターンの特徴部分に
対して類似度を算出するため、計算する画素数が減少
し、類似度の計算を軽減することができると共に、参照
画像のパターン間の違いが顕著となる部分に対して求め
た類似度に基づいて認識処理を行うため、余剰な情報を
削除でき、以て、認識の精度を向上させることができ
る。

【００２０】請求項２に記載の発明によれば、２つの参
照画像のパターン間の特徴部分を求めるため、より違い
が顕著な特徴部分を絞り込み特定することができ、演算
時間の短縮を図れると共に、認識処理をより確実に行う
ことができる。請求項３に記載の発明によれば、特徴部
分をカテゴリー間分散とカテゴリー内分散を考慮して求
めることにより、１つのカテゴリー内でばらついている
濃度値を２つのカテゴリー間の特徴部分と誤認識するこ
となく、より正確に特徴部分を抽出することができる。

【００２１】請求項４に記載の発明によれば、認識結果
をトーナメント方式により決定することにより、一旦類
似度が低いと判断されたパターンが再度比較されること
がなくなるため、認識処理をより高速化することができ
る。請求項５に記載の発明によれば、全画素領域での比
較の結果、類似度が高いパターンに対して再度類似度を
計算することにより、認識の精度をより向上させること
ができる。

【００２２】請求項６に記載の発明によれば、全画素領
域での比較の結果、最も類似度が高いパターンが、２番
目に類似度が高いパターンの類似度との差が所定値以上
であるときは、最も類似度が高いパターンを最終的な類
似度が高いパターンとして選出することにより、類似度
を再度計算することなく認識処理の高速化を図ることが
できる。

【００２３】請求項７に記載の発明によれば、全画素領
域での比較の結果、１番目の類似度のパターンと、１番
目の類似度との類似度の差が所定値以上のパターンに対
して再度類似度を計算することにより、誤認識する可能
性の高いパターンを対してより正確な認識が行えるよう
になる。請求項８に記載の発明によれば、認識対象画像
と参照画像との分散共分散、および認識対象画像の濃度
値と参照画像の濃度値の平均値との差によって求まるマ
ハラノビス距離をパターン間の類似度として考慮するこ
とにより、各パターンの存在分布が均一でない場合にお
いても、より正確にパターンの認識を行うことができ
る。

【００２４】請求項９に記載の発明によれば、予め記憶
された参照画像の濃度値の平均値と、分散共分散の情報
を用いてマハラノビス距離を算出することにより、参照
画像から２つのパターンを選出する毎に参照画像の濃度
値の平均値と分散共分散の情報を求める必要がなくな
り、認識処理をより高速に行うことができる。

【００２５】

【発明の実施の形態】以下に本発明の実施の形態を図１
〜図12に基づいて説明する。まず、第１の実施の形態に
おける処理手順を図１に示した。概略を説明すると、学
習段階においては、学習用として用意された各種のパタ
ーンを含む参照画像11の中から異なる２つのパターンを
選択し、その異なる２つのパターンの全ての組み合わせ
に対して、２つのパターンの互いに異なる特徴を顕著に
表す部分（以下、特徴部分と記す。）の位置を求め、そ
れぞれのパターンの組合わせ毎にその特徴部分の位置を
記憶する。

【００２６】次に、認識段階においてトーナメント方式
による認識を行う。即ち、認識しようとする認識対象画
像12に対して、選択された２つのパターンの参照画像と
の類似度を比較することにより、認識対象画像がどちら
の参照画像のパターンに近いかを判断し、類似度の高い
方のパターンを残す。この処理を全ての２つのパターン
の組合せに対して行い、最終的に最も類似度が高いとさ
れるパターンを認識結果とする。

【００２７】このとき、２つのパターン間における比較
は、学習過程で求めた２種類のパターンの参照画像の特
徴部分だけで構成される画像に変換し、その変換された
画像から認識対象画像と２つのパターンの参照画像との
類似度をそれぞれ求め、その類似度に基づいて認識を行
う。以上の処理について、順次詳細な説明をすることに
する。まず、図１の学習段階における処理、および２つ
のパターン間の認識方法を説明する。

【００２８】最初に学習用として、参照画像中に含まれ
る全パターン（Ｍ種類：A₁,A₂,…,A _M）の画像を、それ
ぞれのパターン毎にＮ枚（Ｎ≧２）ずつ用意する。この
Ｍ×Ｎ枚の参照画像について、異なる２つのパターンの
組合せ全てに対して特徴部分を求める。この特徴部分を
求めるには、まず、学習用の参照画像をもとに各特徴軸
（Ｎ枚の参照画像に対する同じ位置の画素）毎の２つの
パターン間での相違性の大きさを表す特徴パラメータｆ
を（６）式を用いて求める。特徴パラメータｆ＝カテゴリー間分散／全分散・・・（６）この特徴パラメータｆが大きい画素が２つのパターン間
の特徴部分を表している。ここにおいて、カテゴリー間
分散とは、１つのカテゴリー（同一種類のパターンの集
合体）に属する複数の前記参照画像に対する同一位置の
濃度値の平均値と、前記カテゴリーとは異なる１つのカ
テゴリーに属する複数の前記参照画像に対する同一位置
の濃度値の平均値との差である。

【００２９】また、全分散とは、カテゴリー間分散とカ
テゴリー内分散との和であり、カテゴリー内分散とは、
同一カテゴリー内の同一位置の画素に対する濃度値の分
散である。この特徴パラメータｆの求め方を更に具体的
に説明する。例えば、図２に示すように、パターンＰと
パターンＲを表す画像がそれぞれＮ枚ずつあるとき、画
像上の点(i,j) の特徴パラメータｆの値は、（７）式に
より求めることができる。

【００３０】

【数４】

【００３１】ここで、Ｐ_ki,j)およびＲ_ki,j)は、それ
ぞれパターンＰおよびパターンＲを表す１〜Ｎ枚の中の
ｋ番目の画像の点(i,j) の濃度値である。このような方
法で各画像毎に画像全体の特徴パラメータｆの値を求
め、ｆの値の大きい画素である特徴部分の位置情報を記
憶する。この位置情報の抽出方法としては、例えば次に
示す方法がある。（１）変換後の画像の大きさを予め設定し（例えばｍ画
素とする）、その大きさに見合った数の画素を選択的に
抽出する。（２）特徴パラメータｆのしきい値を決め、該しきい値
に応じた画素を抽出する。

【００３２】いま、横×縦が４×３の画像に対する特徴
パラメータｆが、図３(a) ，図４(a) に示す値であると
して、（１）の変換方法において、画像の変換後の大き
さを例えば６画素に設定して変換する場合と、（２）の
変換方法において特徴パラメータｆのしきい値を、例え
ば0.04以上として変換する場合について、特徴部分の位
置情報（画素）を判別して格納する方法をそれぞれ説明
する。

【００３３】図３(b) は（１）の方法により位置情報を
格納した結果である。この画像のｆの値の大きい画素で
ある上位６個の位置は、(0,0),(0,1),(0,2),(0,3),(1.
2).(1,3) であるので、その位置にｆが大きいことを示
すフラグを立て、残りの画素にｆが小さいことを示すフ
ラグを立てる。図４(b) は同じ画像を（２）の方法によ
り位置情報を格納した結果である。ｆの値が0.04以上の
画素の位置は、(0,0),(0,1),(0,2),(0,3),(1,1),(1,2),
(1,3),(2,3) であるので、その位置にｆが大きいことを
示すフラグを立て、残りの画素にｆが小さいことを示す
フラグを立てる。この変換方法の場合、ｆがしきい値以
上の画素の数、即ち、後述する認識段階における変換後
の画像の大きさも同時に記憶しておく。

【００３４】このようにして作成したフラグの画像を、
学習用の画像における２種類のパターンの特徴パラメー
タｆの値の大きい画素の位置情報、即ち、特徴部分とし
て記憶する。この位置情報を参照画像のパターン中の異
なる２つのパターンの全ての組合わせに対して求め、そ
れぞれの組合わせにおける位置情報を記憶する。つま
り、Ｍ種類の参照パターンがある場合、Ｍ個の中から２
つのものを取り出す組合わせの数を表すＭ（Ｍ−１）／
２個の位置情報が記憶されることになる。

【００３５】次に、認識段階における認識対象画像と参
照画像との認識処理について、図１を用いて説明する。
この認識処理は、認識対象画像のパターンと前記参照画
像のパターンとを前記２つのパターンの組合せの数だけ
繰り返し比較することにより行う。まず、１回目の比較
処理においては、参照画像の中から２つの異なるパター
ンを選択する（S103）。その２つの参照画像のパターン
と認識対象画像のパターンを、学習段階における特徴部
分の位置情報をもとに、２つのパターン間の特徴部分だ
けで構成される画像に変換する(S104)。

【００３６】具体的には、例えば、図５(a) に示す横×
縦が４×３の画像に対し、学習結果よりｆの値の上位６
画素であることを示すフラグが、(0,0),(0,1),(0,2),
(0,3),(1,2),(1,3) に立っているとき、図５(b) に示す
ように、この上位６画素からなる画像に変換する。この
ような変換を比較対象である２種類の参照画像と認識対
象画像に対して行い、その変換後の画像を用いて２つの
参照画像と認識対象画像との類似度を求め、類似度が高
いと判断された方の参照画像のパターンをその段階での
認識結果として比較結果格納部に格納する(S106)。

【００３７】２回目以降の比較処理では、前回の認識結
果として格納されている参照画像のパターンと、まだ比
較していない他の参照画像のパターンとの２つのパター
ンを選択し、その２つのパターンと認識対象画像を学習
段階で求めた特徴部分の位置情報をもとにして、前述の
ように特徴部分だけの画像に変換し、その変換後の画像
を用いて２つの参照画像と認識対象画像との類似度を求
め、類似度が高いと判断された方のパターンを比較結果
格納部に格納する。

【００３８】以上のS103〜S106までの処理を繰り返し、
全ての参照画像のパターンとの比較を終了した時点で比
較結果格納部に格納されているパターンを認識結果とす
る。以上が認識段階における処理の流れである。本実施
の形態では、認識処理を例えば図６(a) に示すトーナメ
ント方式として行っているが、図６(b) に示すトーナメ
ント方式としてもよい。即ち、図６(b)に示す方式で
は、異なるパターンの参照画像を２枚設定し（Ｐ，
Ｒ）、その２枚と認識対象画像のパターンとの類似度を
比較した後、類似度の高い方の１枚を他のパターン
（Ｋ）と比較する。これを参照画像の数だけ繰り返して
比較する。

【００３９】この認識段階における類似度の判断手法と
しては、正規化相関法をはじめ、様々な手法が考えられ
るが、ここではマハラノビス距離を用いた判断手法を用
いている。このマハラノビス距離について次に説明す
る。このマハラノビス距離とは、パターンの存在分布、
つまり、そのパターンの濃度値の分散を考慮した距離で
ある。分散が１次元であれば、このマハラノビス距離は
偏差値に相当する。

【００４０】１次元で表されるデータの場合、そのデー
タの分散がｙ²、平均値がｘ_AVであるとき、値がｘ₁で
あるデータに対するマハラノビス距離は（８）式で求め
られる。マハラノビス距離＝｜ｘ₁−ｘ_AV｜／ｙ・・・（８）次に、多次元（ｍ次元）で表されるデータに対するマハ
ラノビス距離の算出方法を（９）式に示す。ここにおい
て、ｘ₁〜ｘ_mは認識対象画像の特徴部分（ｍ画素分）
に対する濃度値を表し、ｘ_1AV〜ｘ_mAVはＮ枚の参照画
像に対する特徴部分の濃度値の平均値を表している。ま
た、ＳはＮ枚の参照画像の特徴部分に対する共分散であ
り、Ｘはｍ画素の特徴部分における各濃度値と、前記濃
度値の平均値との差を表している。

【００４１】つまり、本手法では、マハラノビス距離の
算出時に使用する２つの異なるパターンのＮ枚ずつの学
習用画像２Ｎ枚と、認識対象画像１枚の全部で２Ｎ＋１
枚の画像を、各特徴軸毎の特徴パラメータｆの大きい画
素だけで構成される画像に変換し、その変換後の画像を
用いて２つのパターンと認識対象画像とのマハラノビス
距離をそれぞれ求め、そのマハラノビス距離が短い方の
パターンを認識結果としている。

【００４２】

【数５】

【００４３】次に、本実施の形態における作用を説明す
る。まず、分散を考慮した画像変換の効果について説明
する。特徴パラメータｆが大きい画素は、２つのパター
ン間の特徴部分を表している。そのため、例えば“Ｐ”
と“Ｒ”のように類似した２つのパターンに対して、こ
の画像変換を施すと、図７に示すように特徴部分だけで
構成される画像71,72に変換される。この特徴部分だけ
の画像を用いて認識対象と２つのパターンとのマハラノ
ビス距離を求めることにより、認識処理をより正確に、
且つ確実に行うことができる。

【００４４】また、図８には、(a) ２つのパターンを用
いて画像変換を行った場合と、(b)３つのパターンを用
いて画像変換を行った場合の特徴部分の違いを示した。
この図から、１度に多くのパターンを用いて画像変換を
行うより、２つのパターンだけを用いたときの方が特徴
部分を良好に抽出できることがわかる。次に、マハラノ
ビス距離を用いた認識処理の作用を説明する。例えば、
図９(a) に示すように分散σ²＝４で分布するデータ１
と、図９(b) に示すように分散σ²＝１で分布するデー
タ２がある場合、それらのデータの平均値からの距離が
共にｘ₁であるデータに対するマハラノビス距離は、
（８）式よりデータ１の場合はｘ₁／２、データ２の場
合はｘ₁／１となる。つまり、分散が大きいほどマハラ
ノビス距離は短くなる。

【００４５】このため、図10に示すようにパターンＡ〜
Ｄが存在しているとき、認識対象とパターンＡまでのマ
ハラノビス距離は短く、パターンＢまでのマハラノビス
距離は長くなる。このことから、マハラノビス距離を用
いることにより、ユークリッド距離では認識できなかっ
た図10に示す不均一なパターンの存在分布におけるパタ
ーン認識をより正確に行うことができる。

【００４６】しかし、マハラノビス距離の算出は、
（８）式に示すように１次元の場合は容易であるが、
（９）式に示すように多次元の場合は分散共分散行列の
逆行列Ｓ^-1を求める必要があるため、認識対象画像が大
きい場合には逆行列Ｓ^-1の計算が困難となり、このこと
がよくマハラノビス距離を用いたパターン認識手法の問
題点となっている。

【００４７】また、逆行列Ｓ^-1をもつ分散共分散行列Ｓ
を作成するためには、行列の大きさであるｍ以上の枚数
の学習用画像をもとに分散共分散行列Ｓを作成する必要
がある。つまり、認識対象画像が大きいと学習用画像も
多数必要となり、それを求めるための画像の収集にも多
大な労力を要することになる。しかしながら、本実施の
形態では、２つのパターンの特徴部分をカテゴリー間分
散および全分散を考慮して選択的に抽出し、該抽出され
た領域に対してだけマハラノビス距離を求めるため、マ
ハラノビス距離の算出対象となる画素数ｍを減少させる
ことができる。

【００４８】そのため、予め用意しなければならない学
習用画像の枚数Ｎも少なく済むことになり（Ｎ＞ｍ
枚）、分散共分散行列の逆行列Ｓ^-1の計算を簡単化する
ことができる。このように、マハラノビス距離に基づい
て認識処理を行うことにより、学習用画像が少ない場合
でも認識が可能となる。また、マハラノビス距離算出の
ためのデータ数を減らしたにも係わらず、マハラノビス
距離の算出に利用するデータは各パターンの特徴部分を
抽出したデータであるため、データ数減少のため認識率
が低下することはない。むしろ、パターン間の認識はよ
り確実になる。

【００４９】以上説明したように、本実施の形態によれ
ば、複数の参照パターンの中から認識対象画像と類似度
の高いパターンを求める際に、類似度を判断する指標を
マハラノビス距離とすることにより、パターンの存在分
布が均一でない場合においても、より正確に認識するこ
とができる。次に、マハラノビス距離の計算時間を短縮
した第２の実施の形態を説明する。

【００５０】図11に本実施の形態による構成を示した。
まず、学習段階においては、２つの異なるパターンの参
照画像を抽出し、その２つの異なるパターンの参照画像
に対する特徴パラメータｆを求め、ｆの値の大きい位置
（ＰＳ_ij）を抽出する(S111)。この位置（ＰＳ_ij）をも
とに、前述の図５に示す方法で参照画像を特徴部分だけ
の画像に変換する(S112)。そして、変換した画像の１パ
ターンにつきＮ枚の画像を平均化した平均値の画像( Ｍ
Ａ_i，ＭＡ_j) （（９）式のｘ_1AV，ｘ_2AV，…，ｘ
_mAVに相当）を作成し(S113)、１パターンにつきＮ枚ず
つの変換後の画像をもとに分散共分散行列の逆行列ＲＣ
_ij（（９）式のＳ^-1に相当）を求める(S114)。

【００５１】以上のＰＳ_ij，( ＭＡ_i，ＭＡ_j) ，ＲＣ
_ijの３種類のデータをＭ（Ｍ−１）／２組のパターンの
組毎に求め、学習結果格納部に格納する(S115)。学習段
階でこれらのデータを記憶しておくことにより、認識段
階の画像変換部では、認識対象画像だけを変換すればよ
く、参照画像の２つのパターン間での比較では、学習段
階の結果と前回の認識対象画像の画像変換結果を用いる
ことで（９）式の計算を直接行うことができる。

【００５２】即ち、認識段階における認識処理の度に画
像変換部で２×Ｎ枚の２パターン分の学習用の参照画像
と認識対象画像１枚の全部で２Ｎ＋１枚の画像を変換す
る必要がなく、また、２Ｎ枚の学習用の参照画像の変換
結果をもとに、それらの平均値ｘ_1AV，ｘ_2AV，…，ｘ
_mAV（ＭＡ_i，ＭＡ_j）と分散共分散行列の逆行列Ｓ ^-1
（ＲＣ_ij）の計算を省略することができるため、認識処
理の高速化を図ることができる。

【００５３】また、ｍ（画素数）の大きさをもつ画像の
認識における計算量を、２パターン間の類似度の比較に
正規化相関法を用いた場合と比較すると、正規化相関法
では、画像が予め正規化されている場合はｍ回の積和演
算を行うことになるが、本実施の形態においては、
（９）式の計算にｍ回の積和演算をｍ＋１回行うことに
なる。即ち、本実施の形態においては、計算時間が大き
な問題となるマハラノビス距離の算出処理を正規化相関
法の（画素数＋１）倍の計算量で行うことができる。

【００５４】通常、マハラノビス距離の算出には、分散
共分散行列の計算だけでもｍ（ｍ＋１）個分の共分散を
求める必要があり、この共分散はＮ個のデータから求め
ることを考えると、Ｎはｍより大きいため、この共分散
の計算だけでも（９）式のｍ倍以上の計算量を要する。
加えて、この分散共分散行列の逆行列Ｓ^-1の算出には多
くの計算量を要し、しかも、逆行列Ｓ^-1の解けない場合
もある。

【００５５】ところが、本実施の形態では分散共分散行
列の逆行列Ｓ^-1は予め学習過程で求まるので、逆行列Ｓ
^-1が解けるか否かは、学習過程で確認することができ
る。そのため、逆行列Ｓ^-1が解けない場合は、この学習
過程内で逆行列Ｓ^-1が解けるようなデータに学習用デー
タを取り替えることにより、この問題を解決することが
できる。

【００５６】以上説明したように、本実施の形態によれ
ば、学習段階において、２つのパターンの特徴部分であ
る各画素に対し、Ｎ枚の参照画像の同一画素に対する平
均値を求めた平均値画像と、２つのパターン間の分散共
分散行列の逆行列を記憶させることにより、認識段階に
おける全ての２つのパターンの組合せに対して、マハラ
ノビス距離を求める認識処理を高速化することができ
る。

【００５７】次に、認識結果の確実性を判断し、該確実
性が低い場合に再認識を行う第３の実施の形態について
説明する。この再認識の手法を図12を用いて説明する。
本実施の形態は、２つの段階により構成されている。ま
ず、第１の段階の処理では、対象画像と全参照画像との
類似度を求める(S120)。次に、この認識結果の確実性を
判断する(S121)。この確実性の判断は、 S120 の処理の
結果、最も類似度が高いとされたパターン（第１候補）
との類似度と、その次に類似度が高いと判断されたパタ
ーン（第２候補）との類似度の差を求め、その類似度の
差が所定のしきい値以上であるときに認識結果の確実性
が高いと判断する。

【００５８】認識結果の確実性が高い場合は、S120での
認識結果（第１候補）のパターンを最終的な認識結果と
する。一方、認識結果の確実性が低い場合は、第２段階
の処理において再認識する。この再認識は、第１の実施
の形態，第２の実施の形態に示した方法で行い、パター
ンの類似度を求める参照画像として、第１段階の認識結
果に基づいて認識結果の候補となる類似したパターンの
参照画像を決定し(S122)、該参照画像を第１候補の類似
パターンとして限定した上で処理を行う。

【００５９】これは、複数の参照パターンの中から認識
対象画像と類似したパターンを求めるパターン認識で
は、誤認識する可能性の高いパターンはある程度類似し
たパターンに決まっている場合が多いためである。類似
したパターンは次の方法で決定する。即ち、第１段階の
処理で第１候補となったパターンの類似度と類似度との
差が所定のしきい値未満のパターンを全て検索し、それ
らのパターンを認識結果の候補となるパターンとして第
２段階で処理対象とする参照画像とする。

【００６０】例えば、第１候補から第５候補のパターン
が、Ｐ，Ｒ，Ｋ，Ｕ，Ａであり、類似度の差のしきい値
が0.10で、第１候補から第５候補の類似度がそれぞれ0.
80,0.75,0.72,0.68,0.60であるときは、パターンＰ，
Ｒ，Ｋを類似パターンと定義する。第２段階の処理で
は、S122で類似パターンと定義したパターンだけを参照
画像として認識処理を行う。参照画像を限定した後は、
トーナメント方式でカテゴリー間分散および全分散を考
慮した特徴部分だけで構成される画像に変換した上で、
マハラノビス距離による認識を行い(S123)、その結果を
最終的な認識結果とする。

【００６１】以上説明したように、本実施の形態によれ
ば、例えば正規化相関法等の従来の手法で認識処理を行
い、該認識処理が困難であると判断された画像に対して
再認識処理を行う構成とすることにより、認識率を低下
させることなく処理時間だけを短縮することができる。

【図面の簡単な説明】

【図１】第１の実施の形態における処理手順を示す
図。

【図２】画像のカテゴリー間分散と全分散とを説明す
る図。

【図３】特徴部分の画像の大きさを設定したときの特
徴パラメータの大きい位置の抽出方法を示す図。

【図４】特徴パラメータのしきい値を設定したときの
特徴部分の位置の抽出方法を示す図。

【図５】特徴部分に対する画像変換方法を説明する
図。

【図６】トーナメント方式での認識結果の決定方法を
示す図。

【図７】特徴部分の抽出例を示す図。

【図８】パターン数による特徴部分の抽出効果を示す
図。

【図９】分散の違いがマハラノビス距離に及ぼす影響
を説明する図。

【図１０】２次元上での認識対象と各パターンとのユ
ークリッド距離を示す図。

【図１１】第２の実施の形態における処理手順を示す
図。

【図１２】第３の実施の形態における処理手順を示す
図。

【図１３】正規化相関法を説明する図。

【図１４】パターンの存在分布が均一でない場合の２
次元上での認識対象と各パターンとのユークリッド距離
を示す図。

【符号の説明】

11 参照画像 12 認識対象画像 71,72 特徴部分

Claims

【特許請求の範囲】

【請求項１】複数の参照画像のパターンから認識対象画
像のパターンと最も類似したパターンを選出するパター
ン認識方法において、複数の参照画像のパターンの相互に異なる特徴部分を抽
出し、該特徴部分について各参照画像のパターンと認識
対象画像のパターンとの類似性を算出し、最も類似性の
高いパターンを選出することを特徴とするパターン認識
方法。
【請求項２】前記複数の参照画像のパターンは、２つの
参照画像のパターンである請求項１に記載のパターン認
識方法。
【請求項３】前記特徴部分は、１つのカテゴリーに属す
る複数の前記参照画像に対する同一位置の画素データの
平均値と、前記カテゴリーと異なる１つのカテゴリーに
属する複数の前記参照画像に対する同一位置の濃度値の
平均値との差を表すカテゴリー間分散を、各カテゴリー内の前記参照画像に対する同一位置の濃度
値の分散であるカテゴリー内分散と前記カテゴリー間分
散との和で除した値に基づいて抽出する請求項１または
請求項２に記載のパターン認識方法。
【請求項４】複数の参照画像のパターンと認識対象画像
のパターンとを比較して類似度が高いパターンを選出
し、該選出されたパターンと他の参照画像のパターンと
を加えた複数のパターンから類似度が高いパターンを選
出していく操作を繰り返すトーナメント方式により、最
終的に一つのパターンを最も認識対象画像のパターンと
類似したパターンとして選出する請求項１〜請求項３の
いずれか１つに記載のパターン認識方法。
【請求項５】全ての参照画像のパターンを認識対象画像
のパターンと全画素領域で個々に比較して、類似度の高
い複数のパターンを選出した後、該選出された複数のパ
ターンについて、請求項１〜請求項４のいずれか１つに
記載の方法で認識対象画像のパターンと最も類似度の高
いパターンを選出するパターン認識方法。
【請求項６】前記全画素領域での比較で、最も類似度が
高いパターンと２番目に類似度が高いパターンとの類似
度の差が所定値以上あるときは、最も類似度が高いパタ
ーンを、最終的な認識対象画像のパターンと最も類似度
が高いパターンとして選出する請求項５に記載のパター
ン認識方法。
【請求項７】前記類似度の差が所定値未満のときは、１
番目の類似度との類似度の差が所定値以内のパターンを
選出し、該選出されたパターンについて請求項１〜請求
項４のいずれか１つに記載の方法で認識対象画像のパタ
ーンと最も類似度の高いものを選出する請求項６に記載
のパターン認識方法。
【請求項８】前記認識対象画像と前記参照画像の特徴部
分の類似度は、マハラノビス距離に基づいて類似度を算
出する請求項１〜請求項７のいずれか１つに記載のパタ
ーン認識方法。
【請求項９】前記特徴部分における参照画像の濃度値の
パターン毎の平均値と、前記特徴部分における分散共分
散の情報を予め求めて記憶し、マハラノビス距離の算出
は該記憶された濃度値の平均値および分散共分散の情報
を用いて算出する請求項８に記載のパターン認識方法。