JPH10143613A - パタン認識方法 - Google Patents
パタン認識方法Info
- Publication number
- JPH10143613A JPH10143613A JP8288450A JP28845096A JPH10143613A JP H10143613 A JPH10143613 A JP H10143613A JP 8288450 A JP8288450 A JP 8288450A JP 28845096 A JP28845096 A JP 28845096A JP H10143613 A JPH10143613 A JP H10143613A
- Authority
- JP
- Japan
- Prior art keywords
- class
- pattern
- vector
- feature vector
- input pattern
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
Abstract
(57)【要約】
【課題】入力パタンから抽出された特徴ベクトルと各ク
ラスの識別辞書とを照合して、入力されたパタンのクラ
スを決定するパタン認識方法において、 着目クラスの
パタン集合とライバルパタン集合とが非対称に分布して
いる場合、ユークリッド距離や重み付きユークリッド距
離のように対称な形の距離関数ではそれらを完全に分離
することは困難で、周辺に分布するパタンが誤認識を起
こしやすくなり、その結果、認識精度の向上が制限され
る。本発明は非対称なパタンの分布に対して高い認識精
度を実現することを目的とする。 【解決手段】特徴空間を2次曲面で分離し易いように分
割する。これにより着目クラスのパタン集合とライバル
パタン集合とがそれぞれ複数のサブ集合に分割される。
分割されたそれぞれの空間において、着目クラスのサブ
パタン集合とライバルパタンのサブ集合とを２次曲面で
分離することにより、高い認識精度を実現する。
ラスの識別辞書とを照合して、入力されたパタンのクラ
スを決定するパタン認識方法において、 着目クラスの
パタン集合とライバルパタン集合とが非対称に分布して
いる場合、ユークリッド距離や重み付きユークリッド距
離のように対称な形の距離関数ではそれらを完全に分離
することは困難で、周辺に分布するパタンが誤認識を起
こしやすくなり、その結果、認識精度の向上が制限され
る。本発明は非対称なパタンの分布に対して高い認識精
度を実現することを目的とする。 【解決手段】特徴空間を2次曲面で分離し易いように分
割する。これにより着目クラスのパタン集合とライバル
パタン集合とがそれぞれ複数のサブ集合に分割される。
分割されたそれぞれの空間において、着目クラスのサブ
パタン集合とライバルパタンのサブ集合とを２次曲面で
分離することにより、高い認識精度を実現する。
Description
【０００１】
【産業上の利用分野】本発明は文字読取装置を始めとす
るパタン認識装置におけるパタン認識方法、特に認識精
度を向上させるパタン認識方法に関するものである。
るパタン認識装置におけるパタン認識方法、特に認識精
度を向上させるパタン認識方法に関するものである。
【０００２】
【従来の技術】文字認識を例に説明する。多くの文字認
識処理方法で、入力されたパタンから抽出された特徴ベ
クトルと予め用意された識別辞書に格納されている各ク
ラスの参照ベクトルとの照合を行って各クラスに対する
距離を求め、入力されたパタンの属するクラスを決定す
ると云うアプローチが採用されている。距離関数として
は、ユークリッド距離、重み付きユークリッド距離、マ
ハラノビス距離などが知られている。また、認識精度を
向上させるために、距離関数を学習する方法として、Ｌ
ＤＡ法（川谷隆彦：“距離関数の学習による手書き数字
認識”，信学論（D-II），J76-D-II, 9, pp. 1851-1859
（平5））がある。ＬＤＡ法は、重み付きユークリッド
距離、2次識別関数などを原距離関数とし、着目クラス
のパタン集合と原距離関数でそのクラスに誤認識された
パタン集合（ライバルパタン集合）との間で線形判別分
析を適用して求められる判別関数を原距離関数に重畳さ
せることにより、距離関数のパラメータ（参照ベクト
ル、重みベクトル、定数項）の学習を行う。
識処理方法で、入力されたパタンから抽出された特徴ベ
クトルと予め用意された識別辞書に格納されている各ク
ラスの参照ベクトルとの照合を行って各クラスに対する
距離を求め、入力されたパタンの属するクラスを決定す
ると云うアプローチが採用されている。距離関数として
は、ユークリッド距離、重み付きユークリッド距離、マ
ハラノビス距離などが知られている。また、認識精度を
向上させるために、距離関数を学習する方法として、Ｌ
ＤＡ法（川谷隆彦：“距離関数の学習による手書き数字
認識”，信学論（D-II），J76-D-II, 9, pp. 1851-1859
（平5））がある。ＬＤＡ法は、重み付きユークリッド
距離、2次識別関数などを原距離関数とし、着目クラス
のパタン集合と原距離関数でそのクラスに誤認識された
パタン集合（ライバルパタン集合）との間で線形判別分
析を適用して求められる判別関数を原距離関数に重畳さ
せることにより、距離関数のパラメータ（参照ベクト
ル、重みベクトル、定数項）の学習を行う。
【０００３】ＬＤＡ法では特徴ベクトルの１次の項のみ
ならず、２次の項をも線形の項として用いることに特長
がある。実験の結果、学習により認識精度は著しく向上
すること、および処理時間が短くかつ所要メモリ量の少
ない重み付きユークリッド距離においても、学習後、処
理量・メモリ量を非常に多く必要とするマハラノビス距
離や2次識別関数に比べて遜色のない認識精度が得られ
ることが確認されている。ところで、ＬＤＡ法における
認識精度の向上は、判別関数の判別能力、即ち着目クラ
スのパタン集合とそのライバルパタン集合をいかに正確
に分離できるかにかかっている。重み付きユークリッド
距離を学習する場合を考える。この場合、判別関数は特
徴ベクトルの各成分の2次式（但し、異なる成分間の積
は含まれない）で表現される。従って、着目クラスのパ
タン集合とそのライバルパタン集合の境界、即ち判別関
数の値が0となる軌跡は、軸が特徴軸に平行で、かつ中
心に関して対称な2次曲面で与えられることになる。
ならず、２次の項をも線形の項として用いることに特長
がある。実験の結果、学習により認識精度は著しく向上
すること、および処理時間が短くかつ所要メモリ量の少
ない重み付きユークリッド距離においても、学習後、処
理量・メモリ量を非常に多く必要とするマハラノビス距
離や2次識別関数に比べて遜色のない認識精度が得られ
ることが確認されている。ところで、ＬＤＡ法における
認識精度の向上は、判別関数の判別能力、即ち着目クラ
スのパタン集合とそのライバルパタン集合をいかに正確
に分離できるかにかかっている。重み付きユークリッド
距離を学習する場合を考える。この場合、判別関数は特
徴ベクトルの各成分の2次式（但し、異なる成分間の積
は含まれない）で表現される。従って、着目クラスのパ
タン集合とそのライバルパタン集合の境界、即ち判別関
数の値が0となる軌跡は、軸が特徴軸に平行で、かつ中
心に関して対称な2次曲面で与えられることになる。
【０００４】一方、文字認識では種々の特徴が提案され
ているが、その多くは平均値よりも大きい側で長く尾を
引くような非対称な分布を呈することはよく知られてい
る。つまり、各クラスのパタン集合は特徴空間で非対称
の分布を呈している。また、各クラスのライバルパタン
は普通一つのクラスでなく複数のクラスに属するので、
特徴空間中で着目クラスの非対称なパタン集合を取り囲
むように分布していると考えられる。着目クラスのパタ
ン集合とライバルパタン集合とが以上のように分布して
いる場合、対称な2次曲面ではそれらを完全に分離する
ことは困難で、周辺に分布するパタンが誤認識を起こし
やすくなる。このように従来の方法ではパタンの分布の
非対称性に対して十分対応できず、その結果認識精度の
向上の程度が限られるという問題があった。
ているが、その多くは平均値よりも大きい側で長く尾を
引くような非対称な分布を呈することはよく知られてい
る。つまり、各クラスのパタン集合は特徴空間で非対称
の分布を呈している。また、各クラスのライバルパタン
は普通一つのクラスでなく複数のクラスに属するので、
特徴空間中で着目クラスの非対称なパタン集合を取り囲
むように分布していると考えられる。着目クラスのパタ
ン集合とライバルパタン集合とが以上のように分布して
いる場合、対称な2次曲面ではそれらを完全に分離する
ことは困難で、周辺に分布するパタンが誤認識を起こし
やすくなる。このように従来の方法ではパタンの分布の
非対称性に対して十分対応できず、その結果認識精度の
向上の程度が限られるという問題があった。
【０００５】
【発明が解決しようとする課題】本発明は上記問題の解
決を図り、非対称なパタンの分布に対して高い認識精度
を実現することを目的とする。
決を図り、非対称なパタンの分布に対して高い認識精度
を実現することを目的とする。
【０００６】
【課題を解決するための手段】上述のような着目クラス
の非対称のパタン集合とライバルパタン集合とをひとつ
の2次曲面で分離することは難しい。しかし、例えば特
徴空間を2つに分割することにより、着目クラスのパタ
ン集合とライバルパタン集合とをそれぞれ2つのサブ集
合に分け、分割されたそれぞれの空間で着目クラスのサ
ブパタン集合とライバルパタンのサブ集合との分離を図
るようにすれば、問題の難しさは軽減される。即ち、ク
ラス毎に特徴空間を分割し、分割されたそれぞれの空間
でＬＤＡ法を適用して識別辞書を作成するようにすれば
よい。また、特徴空間の分割は、予め用意された空間分
割用のベクトルに入力の特徴ベクトルを射影して求めら
れる値を予め用意しておいたしきい値と比較して行うこ
とができる。各クラスにａ個の空間分割用のベクトルを
用意すれば、2a個の空間に分割することができる。
の非対称のパタン集合とライバルパタン集合とをひとつ
の2次曲面で分離することは難しい。しかし、例えば特
徴空間を2つに分割することにより、着目クラスのパタ
ン集合とライバルパタン集合とをそれぞれ2つのサブ集
合に分け、分割されたそれぞれの空間で着目クラスのサ
ブパタン集合とライバルパタンのサブ集合との分離を図
るようにすれば、問題の難しさは軽減される。即ち、ク
ラス毎に特徴空間を分割し、分割されたそれぞれの空間
でＬＤＡ法を適用して識別辞書を作成するようにすれば
よい。また、特徴空間の分割は、予め用意された空間分
割用のベクトルに入力の特徴ベクトルを射影して求めら
れる値を予め用意しておいたしきい値と比較して行うこ
とができる。各クラスにａ個の空間分割用のベクトルを
用意すれば、2a個の空間に分割することができる。
【０００７】
【作用】上記のようにｎ個の空間に分割したとすれば、
ｎ個の2次曲面がそれぞれの守備範囲を決めて互いに分
担する形で着目クラスのパタン集合とライバルパタン集
合とを分離するので、結果として分離能力が向上し、認
識精度の著しい改善を期待することができる。
ｎ個の2次曲面がそれぞれの守備範囲を決めて互いに分
担する形で着目クラスのパタン集合とライバルパタン集
合とを分離するので、結果として分離能力が向上し、認
識精度の著しい改善を期待することができる。
【０００８】
【実施例】図１は本発明の実施例を示す流れ図である。
図中、10は文字パタン入力、20は前処理、30は特徴ベク
トルの抽出、40は空間分割ベクトルとの照合、50はクラ
ス毎のサブクラス選択、60は特徴ベクトルと選択サブク
ラス間の距離計算、70はクラス決定の処理を指す。以
下、手順とともに説明する。10により文字パタンが入力
されると、20でパタンの大きさ、位置などが正規化さ
れ、30で識別に用いる特徴が抽出される。40で空間分割
ベクトルと特徴ベクトルとの照合を行い、50でクラス毎
にサブクラスの選択処理を行う、これにより、入力パタ
ンを最も高い精度で識別できるサブクラスが選択でき
る。Ｘを入力パタンから抽出された特徴ベクトル、クラ
スkのi番目（ i=0,..,ｎ-1 ）の空間分割用ベクトルを
Φi (k) とすると、サブクラスの選択処理は以下のよう
に行うことができる。まず、ＸとΦi (k) の内積の値
ｙi (k) を ｙi (k) ＝ＸΦi (k) により求め、ついで予め求めておいたしきい値ｔi (k)
と比較し、変数Ｚi (k)を もし ｙi (k) < ｔi (k) ならば、 Ｚi (k) = 0 そうでなければ、 Ｚi (k) = 1 のように決定する。
図中、10は文字パタン入力、20は前処理、30は特徴ベク
トルの抽出、40は空間分割ベクトルとの照合、50はクラ
ス毎のサブクラス選択、60は特徴ベクトルと選択サブク
ラス間の距離計算、70はクラス決定の処理を指す。以
下、手順とともに説明する。10により文字パタンが入力
されると、20でパタンの大きさ、位置などが正規化さ
れ、30で識別に用いる特徴が抽出される。40で空間分割
ベクトルと特徴ベクトルとの照合を行い、50でクラス毎
にサブクラスの選択処理を行う、これにより、入力パタ
ンを最も高い精度で識別できるサブクラスが選択でき
る。Ｘを入力パタンから抽出された特徴ベクトル、クラ
スkのi番目（ i=0,..,ｎ-1 ）の空間分割用ベクトルを
Φi (k) とすると、サブクラスの選択処理は以下のよう
に行うことができる。まず、ＸとΦi (k) の内積の値
ｙi (k) を ｙi (k) ＝ＸΦi (k) により求め、ついで予め求めておいたしきい値ｔi (k)
と比較し、変数Ｚi (k)を もし ｙi (k) < ｔi (k) ならば、 Ｚi (k) = 0 そうでなければ、 Ｚi (k) = 1 のように決定する。
【０００９】次にＮ(k) を により決定し、クラスkで選択されたサブクラス番号と
する。空間分割用ベクトルΦi (k) の与え方はいろいろ
考えられるが、例えば、各クラス毎にその共分散行列の
固有ベクトル、即ち主成分を用いることができる。ま
た、 ｔi (k) は、クラスkの平均ベクトルをｍ(k) と
すると ｔi (k) ＝ ｍ(k) Φi (k) により与えることができる。このようにすることによ
り、各クラスのパタン集合を主成分ベクトルに垂直でか
つ平均ベクトルを通る平面で分割することができる。主
成分ベクトルはそのクラスのパタンの分布の最も広がり
の大きい方向を表わすので、ここでの目的に適ってい
る。次の60では、各クラスに対する距離を求める。クラ
スkに対して距離を求める時には、識別辞書からＮ(k)
番目のサブクラスの参照ベクトル、重みベクトル、定数
項などを取り出して入力パタンの特徴ベクトルと照合す
るようにすればよい。70では各クラスに対する距離の値
を比較し、最も距離が小さくなるクラスを選択して、入
力パタンのクラスとする。また、ここで用いられる識別
辞書は、あらかじめ用意された訓練パタンを上述の方法
で各サブクラスに分類しておき、サブクラスを対象にＬ
ＤＡ法を適用して作成することができる。
する。空間分割用ベクトルΦi (k) の与え方はいろいろ
考えられるが、例えば、各クラス毎にその共分散行列の
固有ベクトル、即ち主成分を用いることができる。ま
た、 ｔi (k) は、クラスkの平均ベクトルをｍ(k) と
すると ｔi (k) ＝ ｍ(k) Φi (k) により与えることができる。このようにすることによ
り、各クラスのパタン集合を主成分ベクトルに垂直でか
つ平均ベクトルを通る平面で分割することができる。主
成分ベクトルはそのクラスのパタンの分布の最も広がり
の大きい方向を表わすので、ここでの目的に適ってい
る。次の60では、各クラスに対する距離を求める。クラ
スkに対して距離を求める時には、識別辞書からＮ(k)
番目のサブクラスの参照ベクトル、重みベクトル、定数
項などを取り出して入力パタンの特徴ベクトルと照合す
るようにすればよい。70では各クラスに対する距離の値
を比較し、最も距離が小さくなるクラスを選択して、入
力パタンのクラスとする。また、ここで用いられる識別
辞書は、あらかじめ用意された訓練パタンを上述の方法
で各サブクラスに分類しておき、サブクラスを対象にＬ
ＤＡ法を適用して作成することができる。
【００１0】
【発明の効果】本発明によれば、特徴空間上でパタンが
非対称の形で分布していても、それに対応しうる認識系
を構成できるので、認識精度の著しい向上が期待でき
る。訓練パタンを用いて、従来のLDA法と本発明の結果
を比較する。LDA法による従来方法の認識率は99.71％で
あったのに対し、本方法では、ａ=2、すなわちサブクラ
スを４分割した時の認識率は99.86％であった。従って
認識誤差率を見ると、従来方法は0.29％（＝100−99.7
1)であるのに対し、本方法では 0.14％（＝100−99.86)
となり、50％以上の改善が達成できた。
非対称の形で分布していても、それに対応しうる認識系
を構成できるので、認識精度の著しい向上が期待でき
る。訓練パタンを用いて、従来のLDA法と本発明の結果
を比較する。LDA法による従来方法の認識率は99.71％で
あったのに対し、本方法では、ａ=2、すなわちサブクラ
スを４分割した時の認識率は99.86％であった。従って
認識誤差率を見ると、従来方法は0.29％（＝100−99.7
1)であるのに対し、本方法では 0.14％（＝100−99.86)
となり、50％以上の改善が達成できた。
【図１】本発明の１実施例を示す流れ図である。
10：文字パタン入力 20：前処理 30：特徴ベクトルの抽出 40：空間分割ベクトルとの照合 50：クラス毎のサブクラス選択 60：特徴ベクトルと選択サブクラス間の距離計算 70：クラス決定
Claims (2)
- 【請求項１】入力パタンから抽出された特徴ベクトル
と、各クラスの識別辞書とを照合して、入力されたパタ
ンのクラスを決定するパタン認識方法において、 前記各クラスに用意された複数のサブクラスから成る識
別辞書から、前記入力パタンから抽出された特徴ベクト
ルを用いて、前記各クラス毎に一つのサブクラスを選択
する過程と、 前記入力パタンから抽出された特徴ベクトルと、前記選
択されたサブクラスの識別辞書とを照合して、入力され
たパタンのクラスを決定する過程と、を有することを特
徴とするパタン認識方法。 - 【請求項２】前記入力パタンから抽出された特徴ベクト
ルと、前記クラス毎に用意された一つ以上のベクトルと
の内積の値に基づいて、前記クラス毎に前記一つのサブ
クラスの選択を行うことを特徴とする請求項１に記載の
パタン認識方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8288450A JPH10143613A (ja) | 1996-10-30 | 1996-10-30 | パタン認識方法 |
| DE69710207T DE69710207T2 (de) | 1996-10-30 | 1997-10-30 | Verfahren und gerät zur mustererkennung mit verwendung eines in unterkategorieen unterverteilten lexikons |
| EP97946396A EP0935787B1 (en) | 1996-10-30 | 1997-10-30 | Method and apparatus for pattern recognition using a recognition dictionary partitioned into subcategories |
| US09/297,499 US6778704B1 (en) | 1996-10-30 | 1997-10-30 | Method and apparatus for pattern recognition using a recognition dictionary partitioned into subcategories |
| PCT/US1997/019750 WO1998019268A1 (en) | 1996-10-30 | 1997-10-30 | Method and apparatus for pattern recognition using a recognition dictionary partitioned into subcategories |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8288450A JPH10143613A (ja) | 1996-10-30 | 1996-10-30 | パタン認識方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH10143613A true JPH10143613A (ja) | 1998-05-29 |
Family
ID=17730374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8288450A Pending JPH10143613A (ja) | 1996-10-30 | 1996-10-30 | パタン認識方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US6778704B1 (ja) |
| EP (1) | EP0935787B1 (ja) |
| JP (1) | JPH10143613A (ja) |
| DE (1) | DE69710207T2 (ja) |
| WO (1) | WO1998019268A1 (ja) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5978379A (en) | 1997-01-23 | 1999-11-02 | Gadzoox Networks, Inc. | Fiber channel learning bridge, learning half bridge, and protocol |
| US7430171B2 (en) | 1998-11-19 | 2008-09-30 | Broadcom Corporation | Fibre channel arbitrated loop bufferless switch circuitry to increase bandwidth without significant increase in cost |
| JP4674778B2 (ja) * | 2000-08-31 | 2011-04-20 | ヒューレット・パッカード・カンパニー | 文字認識システム |
| US7254269B2 (en) | 2000-08-31 | 2007-08-07 | Hewlett-Packard Development Company, L.P. | Character recognition system |
| EP1766538A1 (fr) * | 2004-06-23 | 2007-03-28 | France Télécom | Recherche automatique de similarite entre images incluant une intervention humaine |
| US9047290B1 (en) | 2005-04-29 | 2015-06-02 | Hewlett-Packard Development Company, L.P. | Computing a quantification measure associated with cases in a category |
| US9792359B2 (en) * | 2005-04-29 | 2017-10-17 | Entit Software Llc | Providing training information for training a categorizer |
| US7966277B2 (en) * | 2006-08-14 | 2011-06-21 | Neural Id Llc | Partition-based pattern recognition system |
| JP2009042876A (ja) * | 2007-08-07 | 2009-02-26 | Toshiba Corp | 画像処理装置及びその方法 |
| AU2012283743B2 (en) * | 2011-07-08 | 2015-02-26 | Australian Nuclear Science And Technology Organisation | Radionuclide detection and identification |
| WO2015034759A1 (en) * | 2013-09-04 | 2015-03-12 | Neural Id Llc | Pattern recognition system |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0664631B2 (ja) * | 1987-09-09 | 1994-08-22 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 文字認識装置 |
| US4998285A (en) * | 1988-03-11 | 1991-03-05 | Kabushiki Kaisha Toshiba | Character recognition apparatus |
| US5255342A (en) * | 1988-12-20 | 1993-10-19 | Kabushiki Kaisha Toshiba | Pattern recognition system and method using neural network |
| IE69192B1 (en) * | 1990-12-21 | 1996-08-21 | Hitachi Europ Ltd | A method of generating partial differential equations for simulation a simulation method and a method of generating simulation programs |
| US5825920A (en) * | 1991-01-28 | 1998-10-20 | Hitachi, Ltd. | Method and unit for binary processing in image processing unit and method and unit for recognizing characters |
| DE69333811T2 (de) * | 1992-06-19 | 2006-05-11 | United Parcel Service Of America, Inc. | Verfahren und Gerät zur Erzeugung und Einstellung eines Neurones |
| US5479570A (en) * | 1992-10-06 | 1995-12-26 | Matsushita Electric Industrial Co., Ltd. | Learning and recognition machine |
| DE69425166T2 (de) * | 1993-02-26 | 2001-03-15 | Canon Kk | Verfahren und Gerät zur Mustererkennung |
| US6181805B1 (en) * | 1993-08-11 | 2001-01-30 | Nippon Telegraph & Telephone Corporation | Object image detecting method and system |
| JP2937729B2 (ja) * | 1993-12-21 | 1999-08-23 | 株式会社バーズ情報科学研究所 | パターン認識方法及び装置及び辞書作成方法 |
| US5966701A (en) * | 1995-06-21 | 1999-10-12 | Matsushita Electric Industrial Co., Ltd. | Recognition and judgement apparatus having various learning functions |
| US5930392A (en) * | 1996-07-12 | 1999-07-27 | Lucent Technologies Inc. | Classification technique using random decision forests |
| US6225920B1 (en) * | 1997-04-14 | 2001-05-01 | Randy A. Dayle | Portable computer apparatus for assisting persons with cognitive disabilities |
-
1996
- 1996-10-30 JP JP8288450A patent/JPH10143613A/ja active Pending
-
1997
- 1997-10-30 EP EP97946396A patent/EP0935787B1/en not_active Expired - Lifetime
- 1997-10-30 US US09/297,499 patent/US6778704B1/en not_active Expired - Fee Related
- 1997-10-30 WO PCT/US1997/019750 patent/WO1998019268A1/en active IP Right Grant
- 1997-10-30 DE DE69710207T patent/DE69710207T2/de not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| EP0935787B1 (en) | 2002-01-30 |
| DE69710207T2 (de) | 2002-06-27 |
| EP0935787A1 (en) | 1999-08-18 |
| WO1998019268A1 (en) | 1998-05-07 |
| US6778704B1 (en) | 2004-08-17 |
| DE69710207D1 (de) | 2002-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Trnovszky et al. | Animal recognition system based on convolutional neural network | |
| US7020337B2 (en) | System and method for detecting objects in images | |
| Senior | A combination fingerprint classifier | |
| US8606022B2 (en) | Information processing apparatus, method and program | |
| CN100561502C (zh) | 一种人脸认证的方法和装置 | |
| US8352395B1 (en) | Training an attentional cascade | |
| JPH1139493A (ja) | 距離及び方向に鑑みたパターン整合装置及びその方法 | |
| CN105184260A (zh) | 一种图像特征提取方法及行人检测方法及装置 | |
| JPH10143613A (ja) | パタン認識方法 | |
| Chou et al. | Data-specific adaptive threshold for face recognition and authentication | |
| Han et al. | Object tracking by adaptive feature extraction | |
| González-Soler et al. | Fisher vector encoding of dense-bsif features for unknown face presentation attack detection | |
| Mccullagh | Face detection by using haar cascade classifier | |
| Lin et al. | Person re-identification by optimally organizing multiple similarity measures | |
| CN110956177A (zh) | 一种混合型验证码的识别方法及系统 | |
| CN110298382B (zh) | 一种基于ifcm、knn和数据字典的集成tsk模糊分类器 | |
| Byun et al. | An efficient form classification method using partial matching | |
| CN102609731B (zh) | 一种结合不同大小视觉词汇本的图像分类方法 | |
| CN113269209B (zh) | 一种图像识别方法、系统、介质及电子设备 | |
| JP3019911B2 (ja) | パタン認識方法 | |
| JP2868770B2 (ja) | パターン辞書の構成方式 | |
| Kárný et al. | Feature Selection and Classification by a Modified Model with Latent Structure | |
| JP2951496B2 (ja) | パタン認識方法 | |
| Gautam et al. | Impact of Type of Convolution Operation on Performance of Convolutional Neural Networks for Online Signature Verification | |
| Nakayama et al. | Scene Classification Using Generalized Local Correlation. |