JPH10289320A - 候補テーブルを用いて分類を行うパターン認識装置および方法 - Google Patents
候補テーブルを用いて分類を行うパターン認識装置および方法Info
- Publication number
- JPH10289320A JPH10289320A JP10027940A JP2794098A JPH10289320A JP H10289320 A JPH10289320 A JP H10289320A JP 10027940 A JP10027940 A JP 10027940A JP 2794098 A JP2794098 A JP 2794098A JP H10289320 A JPH10289320 A JP H10289320A
- Authority
- JP
- Japan
- Prior art keywords
- candidate
- feature vector
- category
- reference feature
- feature
- 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.)
- Granted
Links
Landscapes
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
出を高速化することが課題である。 【解決手段】 テーブル記憶手段11内の候補テーブル
13は、パターンの特徴ベクトルから計算される参照特
徴ベクトルの値を入力とし、候補カテゴリ集合を出力と
する写像を保持する。候補カテゴリ計算手段12は、候
補テーブル13の写像を用いて、与えられた参照特徴ベ
クトルの値に対応する候補カテゴリ集合を求め、それを
出力する。
Description
り、入力パターンあるいはその特徴ベクトルの属するカ
テゴリを推定してパターンを認識するパターン認識装置
およびその方法に関する。
効率化のために、文書を電子的にファイリングし、必要
に応じてコード化するシステムが開発されつつあり、そ
のために、FAX文書等を認識する文書認識装置が強く
求められている。特に、文字認識装置は文字列情報のコ
ード化のために必須であり、その実用化と広範囲にわた
る普及のためには、高い認識精度を維持したままで、よ
り高速に文字カテゴリを推定することが重要となる。
セキュリティシステムの技術要素として重要になってき
ており、リアルタイムで人間の顔の同定ができるよう
な、高速かつ高精度の顔認識技術が求められている。
識技術は、コンピュータグラフィックス、CAD(comp
uter aided design )、DTP(desk top publishing
)等の普及に伴い、現実に存在する3次元物体あるい
は2次元図形を効率的にコンピュータに入力し、再利用
するための手段として重要になってきている。したがっ
て、高速かつ高精度な物体あるいは図形の認識技術は、
これらのシステムにとって実用上必須の技術となる。
識は、各種の実用的なパターン認識装置を構築する上で
の技術要素として、重要な役割を果している。ここで、
パターン認識においてよく用いられる用語を、簡単に定
義しておく。
のパターンの作る集合のことをパターン空間と呼ぶ。パ
ターンを特徴抽出することにより得られる1つ以上の特
徴量の組を特徴ベクトルと呼び、特徴ベクトルの要素の
数を特徴ベクトルの次元と呼ぶ。
特徴ベクトルの値と呼び、すべての特徴ベクトルの値の
作る集合のことを特徴空間と呼ぶ。特徴空間の次元は、
特徴空間の要素である特徴ベクトルの次元と等しい。
ベクトルと呼び、部分特徴ベクトルのそれぞれの要素の
値の組を、部分特徴ベクトルの値と呼ぶ。すべての部分
特徴ベクトルの値の作る集合のことを部分特徴空間と呼
ぶ。部分特徴空間の次元は、部分特徴空間の要素である
部分特徴ベクトルの次元と等しい。
るいは特徴ベクトルの集合をカテゴリと呼ぶ。特に、同
一種類とみなすことのできるパターンの集合を、カテゴ
リパターン集合、同一種類とみなすことのできる特徴ベ
クトルの集合を、カテゴリ特徴集合と呼ぶ。
がどのカテゴリ(カテゴリパターン集合あるいはカテゴ
リ特徴集合)に属するのかを決定することを、パターン
認識と呼ぶ。特に、入力されたパターンあるいは特徴ベ
クトルが、カテゴリ集合の中のあるカテゴリに属する可
能性があると推定される場合、そのカテゴリ集合のこと
を候補カテゴリ集合と呼ぶ。
て、特徴圧縮を行い、照合時の距離計算に用いる特徴ベ
クトルの次元数を大きく減らすことにより、処理時間を
大幅に短縮する方法がある。図23は、このような特徴
圧縮による高速分類を用いたパターン認識装置の構成図
である。
徴抽出部1が、入力パターンから特徴ベクトルを抽出
し、特徴圧縮部2が、特徴ベクトルの線型変換を行っ
て、次元数のより低い圧縮特徴ベクトルを求める。圧縮
特徴辞書4には、それぞれのカテゴリに対応する圧縮特
徴ベクトルが保持されており、大分類部3は、特徴圧縮
部2が求めた圧縮特徴ベクトルと圧縮特徴辞書4内の各
圧縮特徴ベクトルとの距離を求める。そして、距離の小
さな順にカテゴリを並び換えて、最短距離のものから指
定された数だけのカテゴリの列を候補カテゴリ集合とし
て出力する。
パターン認識には次のような問題がある。特徴圧縮によ
る高速分類を用いたパターン認識では、特徴ベクトルを
圧縮してより次元の低い圧縮特徴ベクトルに変換する時
に情報の欠落が発生する。このため、入力パターンの圧
縮特徴ベクトルとの距離が小さい圧縮特徴ベクトルを含
むカテゴリが、必ずしも前者を含むとは限らず、正しい
候補カテゴリ集合が得られないことがある。したがっ
て、低品質な入力パターンに対しては、認識精度が大幅
に低下してしまい、高品質な入力パターンに対しても、
認識精度が若干低下するという問題がある。
がら候補カテゴリ集合の算出を高速化することのできる
パターン認識装置およびその方法を提供することであ
る。
ン認識装置の原理図である。図1のパターン認識装置
は、テーブル記憶手段11と候補カテゴリ計算手段12
を備える。
ベクトルから計算される参照特徴ベクトルの値を入力と
し、候補カテゴリ集合を出力とする写像を形成するため
に必要な情報を記述した候補テーブル13を記憶する。
ル13を用いて、与えられた参照特徴ベクトルの値に対
応する候補カテゴリ集合を求め、得られた候補カテゴリ
集合を出力する。
手段12が参照する特徴ベクトルのことであり、参照特
徴ベクトルの要素の数を参照特徴ベクトルの次元と呼
び、参照特徴ベクトルの値の集合のことを参照特徴空間
と呼ぶ。参照特徴空間の次元は、参照特徴空間の要素で
ある参照特徴ベクトルの次元と等しい。例えば、特徴ベ
クトルの要素の一部から成る部分特徴ベクトルが、参照
特徴ベクトルとして用いられる。
個々の値と候補カテゴリ集合の対応関係を表す写像情報
を保持している。したがって、この候補テーブル13を
参照すれば、特定の参照特徴ベクトルの値に対応する候
補カテゴリ集合を直ちに求めることができる。候補カテ
ゴリ計算手段12は、参照特徴ベクトルの値を与えられ
たとき、その値を候補テーブル13の写像に入力して、
対応する候補カテゴリ集合を求め、それを出力する。
複雑な特徴ベクトル間の距離計算を行うことなく、簡単
なテーブル引きの操作だけで候補カテゴリ集合を出力す
ることができ、パターン認識処理が格段に高速化され
る。また、候補テーブル13の写像を適切に設定してお
くことで、本発明を用いない場合と同程度の認識精度を
維持することが可能である。
後述する図4のメモリ32に対応し、候補カテゴリ計算
手段12はCPU(中央処理装置)31とメモリ32に
対応する。
明の実施の形態を詳細に説明する。本発明においては、
あらかじめ用意された候補テーブルを参照することによ
り、特徴ベクトル間の距離計算を行うことなく、候補カ
テゴリ集合を出力する候補カテゴリ計算部を設ける。候
補テーブルには、特徴ベクトルから計算されるある参照
特徴ベクトルの値を入力とし、ある候補カテゴリ集合を
出力とする写像を構成するために必要な情報が記述され
ている。
徴ベクトルの値をもとに、候補テーブルから候補カテゴ
リ集合を求めて、それを出力する。候補テーブルに、参
照特徴ベクトルの値とカテゴリ集合の写像として適切な
ものを保持しておけば、本発明の高速分類手法を用いな
い場合とほぼ同程度の精度を維持しつつ、格段に高速な
分類を実現することができる。
している。図2の参照特徴分割要素xは、参照特徴ベク
トルの特定の値または値の範囲を表し、参照特徴空間内
の特定の点または領域に対応する。候補カテゴリ計算部
に与えられた参照特徴ベクトルの値が参照特徴分割要素
xに含まれるとき、対応する候補カテゴリ集合(B,
C,G,H,K)が分類結果として出力される。
示している。候補テーブルの作成時には、参照特徴空間
22を適当な基準に従って複数の参照特徴分割要素に分
割し、特徴空間21に対応する各カテゴリA,B,C,
D,E,F,G,H,I,J,K,L,Mから参照特徴
空間22への射影(参照特徴射影)の推定を行う。そし
て、例えば、各参照特徴分割要素に対して、その領域と
各カテゴリの参照特徴射影との共通部分を求め、共通部
分が存在するカテゴリの集合を、対応する候補カテゴリ
集合とする。
射影が参照特徴分割要素xと共通部分を持つので、これ
らを要素とする集合(B,C,G,H,K)が、図2に
示すように、参照特徴分割要素xに対応する候補カテゴ
リ集合となる。他の参照特徴分割要素yに対応する候補
カテゴリ集合も、同様にして求められる。
要素と共通部分を持つカテゴリを候補カテゴリ集合の要
素とし、参照特徴分割要素と候補カテゴリ集合の組を候
補テーブルとして保持しておく。そして、候補カテゴリ
計算部は、与えられた参照特徴ベクトルの値を含む参照
特徴分割要素を求め、候補テーブルを用いて対応する候
補カテゴリ集合を求める。これにより、精度を低下させ
ることなく、高速な分類を実現することができる。
いられる情報処理装置(コンピュータ)の構成図であ
る。図4の情報処理装置は、CPU(中央処理装置)3
1、メモリ32、入力装置33、出力装置34、外部記
憶装置35、媒体駆動装置36、ネットワーク接続装置
37、光電変換装置38を備え、それらの各装置はバス
39により互いに結合されている。
ログラムと候補テーブルを用いて、パターン認識装置の
処理を実現する。メモリ32には、処理に用いられるプ
ログラムとデータが格納されている。このメモリ32
は、例えばROM(read onlymemory)、RAM(rando
m access memory)等を含む。
ンティングデバイス等に相当し、ユーザからの要求や指
示の入力に用いられる。また、出力装置34は、表示装
置やプリンタ等に相当し、ユーザへの問い合せや処理結
果等の出力に用いられる。
ク装置、光ディスク装置、光磁気ディスク装置等であ
る。この外部記憶装置35に、上述のプログラムとデー
タを保存しておき、必要に応じて、それらをメモリ32
にロードして使用することができる。また、外部記憶装
置35は、パターン、特徴ベクトル、候補テーブル等を
保存するデータベースとしても使用される。
駆動し、その記憶内容にアクセスすることができる。可
搬記録媒体40としては、メモリカード、フロッピーデ
ィスク、CD−ROM(compact disk read only memor
y )、光ディスク、光磁気ディスク等、任意のコンピュ
ータ読み取り可能な記録媒体を使用することができる。
この可搬記録媒体40に、上述のプログラムとデータを
格納しておき、必要に応じて、それらをメモリ32にロ
ードして使用することができる。
cal area network)等の任意の通信ネットワークに接続
され、通信に伴うデータ変換等を行う。パターン認識装
置は、ネットワーク接続装置37を介して、外部の情報
提供者の装置40′(データベース等)と通信する。こ
れにより、必要に応じて、上述のプログラムとデータを
装置40′からネットワークを介して受け取り、それら
をメモリ32にロードして使用することができる。光電
変換装置38は、例えばイメージスキャナであり、処理
対象となるパターンの入力に用いられる。
ら、参照特徴ベクトルと候補テーブルの具体例およびパ
ターン認識装置の機能構成について説明する。図5は、
本実施形態で用いられる候補テーブルの構造を示してい
る。図5の候補テーブルには、複数の参照特徴分割要素
と候補カテゴリ集合の組が格納され、参照特徴ベクトル
の分類に用いられる。
徴ベクトルを用いて高速分類を行う候補テーブルを有す
る第1のパターン認識装置の構成図である。図6のパタ
ーン認識装置は、特徴ベクトルから計算される参照特徴
ベクトルの値とカテゴリ集合の組を保持した候補テーブ
ル41と、候補カテゴリ計算部42を備える。
徴ベクトルのある部分特徴ベクトルを参照特徴ベクトル
として、その参照特徴ベクトルの値と候補テーブル41
を用いて候補カテゴリ集合を求め、それを出力する。
互いに交わらないK個のカテゴリ特徴集合(カテゴリ)
C1 ,C2 ,・・・,CK で覆われているとする。この
とき、すべてのカテゴリ特徴集合の集合をCSET とする
と、 CSET ={C1 ,C2 ,・・・,CK } と書ける。また、特徴空間の次元数をNとすると、特徴
ベクトルfは、その要素を用いて、 f=(f1 ,f2 ,・・・,fN ) と書ける。このとき、候補カテゴリ計算部42は、入力
特徴ベクトルfINの属するカテゴリCIN∈CSET を含む
候補カテゴリ集合CCANDを推定して、それを出力する。
参照特徴ベクトルとしては、特徴ベクトルの任意の部分
特徴ベクトルを用いることができる。
(f1 ,f2 )を参照特徴ベクトルとすると、候補テー
ブル41は、2次元の部分特徴ベクトルの値と候補カテ
ゴリ集合の組により構成される。そして、2次元の部分
特徴ベクトルのとり得るすべての値が候補テーブルに登
録される。ここで、特徴ベクトルfの各要素は、それぞ
れ3種類の値0,1,2のいずれかをとり得るものとす
ると、候補テーブル41は次のようになる。 ((0,0),C(0 ) ) ((0,1),C(0 ) ) ((0,2),C(0 ) ) ((1,0),C(1 ) ) ((1,1),C(1 ) ) ((1,2),C(1 ) ) ((2,0),C(2 ) ) ((2,1),C(2 ) ) ((2,2),C(2 ) ) ここで、C(p ) ⊂CSET は、参照特徴ベクトルの値
(p,q)(p=0,1,2;q=0,1,2)に対応
する候補カテゴリ集合である。この場合、参照特徴空間
における点(p,q)が参照特徴分割要素となる。
徴ベクトルから2次元の参照特徴ベクトルの値(p,
q)を求めて、候補テーブル41の中から(p,q)を
左要素に持つ組を求め、その右要素の候補カテゴリ集合
C(p ) を出力する。
距離計算を行うことなくテーブル引きにより高速に候補
カテゴリ集合を求めることができる。また、候補テーブ
ル41に保持している候補カテゴリ集合がそれぞれ適切
なものであれば、高精度かつ高速にパターン認識を実行
するパターン認識装置が実現できる。
トルを求め、特徴ベクトルの部分特徴ベクトルを参照特
徴ベクトルとして、候補テーブルを用いた高速分類を行
う第2のパターン認識装置の構成図である。
字パターンから特徴ベクトルを抽出する特徴抽出部51
と、候補カテゴリ計算部52と、候補テーブル53とを
備えている。候補テーブル53は、例えば、学習用文字
パターン集合を用いて作成される。
るものとし、対応する特徴ベクトルの成す特徴空間は、
互いに交わらないK個のカテゴリ特徴集合C1 ,C2 ,
・・・,CK で覆われているとする。このとき、すべて
のカテゴリ特徴集合の集合C SET は、 CSET ={C1 ,C2 ,・・・,CK } と書ける。候補カテゴリ計算部52は、入力文字パター
ンPINの属するカテゴリCIN∈CSET を含む候補カテゴ
リ集合CCANDを推定して、それを出力する。
について説明する。文字パターンからの特徴抽出によく
用いられている特徴量として、方向線素特徴量がある。
これは、文字パターンを2次元の格子状に分割し、各升
目内の文字パターンの輪郭方向成分の数を数えて、それ
を特徴量としたものである。
升目の数は合計49個になる。輪郭方向成分を大まか
に、横・縦・右斜め・左斜めの4方向とすると、49×
4=196個の特徴量を得ることができる。これによ
り、入力された文字パターンから196次元の特徴ベク
トルが抽出されることになる。
特徴ベクトルfは、その要素を用いて、 f=(f1 ,f2 ,・・・,fN ) と書ける。特徴ベクトルfの各要素の値は、特定の升目
に含まれる輪郭画素のうち、特定の方向成分を持つ画素
の数に対応しており、例えば、0以上の整数値で表され
る。
1次元の参照特徴ベクトルrとし、参照特徴ベクトルの
とり得る値の範囲をA≦r<Bとすると、区間[A,
B)が、参照特徴空間となる。
素として、参照特徴空間[A,B)を、格子状に分割し
たものを用いることにする。この場合、参照特徴空間が
1次元であるから、区間[A,B)を、 A=s-1<s0 <s1 <s2 <・・・<sL =B のようにL+1個の区間Ri =[si-1,si )(i=
0,1,・・・,L)に分割すると、それぞれの区間R
i が参照特徴分割要素となる。参照特徴空間を無限空間
として定義する場合は、A=−∞、B=+∞とすればよ
い。
55の場合は、L=6として、R0=(−∞,s0 ),
R1 =[s0 ,s1 ),R2 =[s1 ,s2 ),R3 =
[s 2 ,s3 ),R4 =[s3 ,s4 ),R5 =
[s4 ,s5 ),R6 =[s5 ,+∞)の7つの参照特
徴分割要素に分割されている。
候補カテゴリ集合は、学習用文字パターン集合の各文字
カテゴリに対する参照特徴射影を推定することにより求
められる。そして、それらの候補カテゴリ集合を用い
て、候補テーブル53が作成される。
字カテゴリに属する文字パターンを十分な数だけ含んで
いるものとする。特定の文字カテゴリCk に対する参照
特徴射影の推定は、次のようにして行われる。
テゴリCk に属する文字パターンを取り出し、それぞれ
の文字パターンを特徴抽出して、対応する特徴ベクトル
を求める。次に、得られた特徴ベクトルの集合から、各
特徴ベクトルの第1要素f1の集合Fk を求めると、集
合Fk は文字カテゴリCk の参照特徴射影を近似する分
布を形成する。この集合Fk の要素の最小値MINk と
最大値MAXk を求め、さらに特定のマージンMを考慮
して、文字カテゴリCk の参照特徴射影の推定値Q
k を、 Qk =[MINk −M,MAXk +M] のような閉区間とすることができる。
Ri と、各文字カテゴリCk に対する参照特徴射影Qk
とから、それぞれの参照特徴分割要素Ri と組にするべ
き候補カテゴリ集合Di が求められる。
照特徴射影Qk が共通部分を持つ(積集合が空集合でな
い)ような文字カテゴリCk の集合を、その参照特徴分
割要素Ri に対する候補カテゴリ集合Di とすることに
する。これにより、候補カテゴリ集合Di は、参照特徴
分割要素Ri に属する参照特徴ベクトルの値を持つ文字
パターンが属する可能性のある文字カテゴリを列挙した
ものとなる。
だけの文字カテゴリを含む候補カテゴリ集合Di が得ら
れ、候補テーブル53は、参照特徴分割要素Ri と候補
カテゴリ集合Di の組により構成される。
B,C,G,H,Kの射影が参照特徴分割要素R3 と共
通部分を持つので、これらを要素とする集合(B,C,
G,H,K)が参照特徴分割要素R3 に対応する候補カ
テゴリ集合となる。他の参照特徴分割要素に対応する候
補カテゴリ集合も同様にして求められ、候補テーブル5
3は、例えば、図9に示すようになる。
徴ベクトルの第1要素の値がrである場合、これを参照
特徴ベクトルの値とし、まず、この値rの属する参照特
徴分割要素Ri を求める。ここでは、参照特徴分割要素
Ri は1次元の区間であるから、値rがどの区間に属す
るのかを判定することは容易である。次に、候補テーブ
ル53を用いて、参照特徴分割要素Ri に対応する候補
カテゴリDiを求め、これを文字認識結果として出力す
る。出力された候補カテゴリ集合には、入力文字パター
ンの属する文字カテゴリが属していることが期待でき
る。
距離計算を行うことなくテーブル引きにより入力文字パ
ターンが属すると推定できる候補カテゴリを、非常に高
速にかつ精度を低下させることなく求めることができ
る。
徴ベクトルを求め、特徴ベクトルの部分特徴ベクトルを
参照特徴ベクトルとして、候補テーブルを用いた詳細な
高速分類を行う第3のパターン認識装置の構成図であ
る。
61、候補カテゴリ計算部62、詳細分類部63、候補
テーブル64、および詳細分類のための辞書65を備え
る。特徴抽出部61は、入力した文字パターンから特徴
ベクトルを抽出する。
めに、辞書65に登録されている各文字カテゴリに対す
る代表特徴ベクトルの作るボロノイ( 外1 )分割を
用い
いて複数の点が与えられたとき、それらの点からの距離
に基づいて定義される領域の一種であり、ボロノイ領域
とも呼ばれる。
トルf、参照特徴空間、参照特徴分割要素Ri 等の表記
法と特徴抽出処理の内容については、第2のパターン認
識装置の場合と同様である。候補カテゴリ計算部62
は、入力文字パターンPINの属するカテゴリCIN∈C
SET を含む候補カテゴリ集合CCANDを推定して、それを
出力する。
2が出力した候補カテゴリを入力として、辞書65を用
いて距離計算を行う。辞書65は、各文字カテゴリに対
する代表特徴ベクトルを保持しており、詳細分類部63
は、入力文字パターンに対応する特徴ベクトルからの距
離が最小であるような代表特徴ベクトルを求めて、それ
に対応する文字カテゴリを推定文字カテゴリとして出力
する。
照特徴射影の推定値Qk を、学習用文字パターン集合を
用いて求めるのではなく、詳細分類のための辞書65に
登録されている各文字カテゴリCj に対する代表特徴ベ
クトルEj の集合から得られるボロノイ分割Vk を用い
て求める。
イ分割Vk とは、特徴空間において、任意の特徴ベクト
ルfと辞書65に登録されているすべての代表特徴ベク
トルとの距離を求めたとき、文字カテゴリCk に対する
代表特徴ベクトルEk との距離が最小となるような特徴
ベクトルfの集合のことである。距離計算に基づく詳細
分類によって特徴空間を分割すると、ボロノイ分割が得
られることが知られている。
ゴリC1 ,C2 ,C3 ,C4 ,C5,C6 に対する代表
特徴ベクトルE1 ,E2 ,E3 ,E4 ,E5 ,E6 が与
えられたとき、対応するボロノイ分割V1 ,V2 ,
V3 ,V4 ,V5 ,V6 は、図11に示すようになる。
図11において、ボロノイ分割V3 とボロノイ分割V5
の境界上の特徴ベクトルf=(f1 ,f2 )は、代表特
徴ベクトルE3 とE5 から等距離の位置にある。他の境
界上の点についても同様である。
クリッド距離を用いた場合には、ボロノイ分割は特徴空
間内の超平面で囲まれた超凸多面体となり、市街区距離
(シティブロック距離)を用いた場合には、ボロノイ分
割は超多面体となる。また、マハラノビス(Mahalanobi
s )距離のような非線形な距離を用いた場合には、ボロ
ノイ分割は超曲面で囲まれた有界な部分集合となる。
元の曲面を意味し、超平面とはその特殊な場合を意味す
る。シティブロック距離等の様々な距離の定義とその意
味については、後述することにする。特徴ベクトルfの
1つの要素f1 を参照特徴ベクトルとすると、参照特徴
空間へのボロノイ分割Vk の参照特徴射影の推定値Qk
は、ボロノイ分割Vk に属する特徴ベクトルfの要素f
1 の値の範囲として与えられる。距離がユークリッド距
離の場合は、線型計画法によりボロノイ分割Vk の参照
特徴ベクトルの最小値・最大値を求めることができ、そ
れらの値から参照特徴射影の推定値Qk が得られる。
元の参照特徴ベクトルを用いていれば、非線形計画法に
よりボロノイ分割Vk から参照特徴射影の推定値Qk を
求めることができる。線型計画法および非線形計画法に
よる参照特徴射影の推定方法については、後述すること
にする。
Ri と、各文字カテゴリCk に対する参照特徴射影Qk
とを用いて、それぞれの参照特徴分割要素Ri と組にす
べき候補カテゴリ集合Di が求められる。
同様に、参照特徴分割要素Ri と参照特徴射影Qk が共
通部分を持つような文字カテゴリCk の集合を、その参
照特徴分割要素Riに対する候補カテゴリ集合Di とす
ればよい。これにより、候補カテゴリ集合Di は、参照
特徴分割要素Ri に属する参照特徴ベクトルの値を持つ
文字パターンが属する可能性のある文字カテゴリを列挙
したものとなる。
元の参照特徴空間の関係を示している。図12の特徴空
間71において、各カテゴリに対するボロノイ分割A,
B,C,D,E,F,G,H,I,J,K,L,Mを参
照特徴空間72へ射影することにより、参照特徴空間7
2における各ボロノイ分割の射影領域が得られる。この
領域が参照特徴射影の推定値となる。
の領域と各カテゴリの参照特徴射影との共通部分を求
め、共通部分が存在するカテゴリの集合を、対応する候
補カテゴリ集合とする。
射影が参照特徴分割要素xと共通部分を持つので、図2
のレコードと同様に、これらを要素とする集合(B,
C,G,H,K)が参照特徴分割要素xに対応する候補
カテゴリ集合となる。他の参照特徴分割要素yに対応す
る候補カテゴリ集合も、同様にして求められる。
i と候補カテゴリ集合Di の組により構成され、候補カ
テゴリ計算部62は、第2のパターン認識装置の場合と
同様に、候補テーブル64を用いて、入力された特徴ベ
クトルから候補カテゴリ集合を求め、それを詳細分類部
63に渡す。
候補カテゴリ計算部62により絞り込まれた候補カテゴ
リ集合に属する各文字カテゴリの代表特徴ベクトルを取
り出す。そして、それらの各代表特徴ベクトルと入力さ
れた文字パターンに対する特徴ベクトルとの距離を計算
し、距離が最小となるような文字カテゴリを推定文字カ
テゴリとして出力する。
カテゴリに対するボロノイ分割の参照特徴射影を求め、
参照特徴分割要素と共通部分を持つ参照特徴射影に対応
する文字カテゴリを候補カテゴリとすることで、詳細分
類のために必要かつ十分な文字カテゴリから成る候補カ
テゴリ集合を求めることができる。
推定できる候補カテゴリを、詳細分類の精度を保証しつ
つ、テーブル引きにより非常に高速に絞り込むことがで
き、詳細分類の対象文字カテゴリを大幅に削減すること
ができる。したがって、高精度かつ高速にパターン認識
を実行するパターン認識装置が実現される。次に、図1
0のパターン認識装置において、特徴ベクトルfの2つ
の要素(f 1 ,f2 )を2次元の参照特徴ベクトルrと
する場合を考えてみる。参照特徴ベクトルrの各要素の
とり得る値の範囲を、f1 ∈[A1 ,B1 ),f2 ∈
[A2,B2 )とすると、矩形領域[A1 ,B1 )×
[A2 ,B2 )が参照特徴空間となる。
割要素として、参照特徴空間[A1,B1 )×[A2 ,
B2 )を、格子状に分割したものを用いる。このため、
次に示すように、区間[A1 ,B1 )をL1 +1個の区
間に分割し、区間[A2 ,B 2 )をL2 +1個の区間に
分割する。 A1 =s-1<s0 <s1 <s2 <・・・<sL1=B1 A2 =t-1<t0 <t1 <t2 <・・・<tL2=B2 インデックスi,jを用いると、参照特徴分割要素R(i
) は、 R(i ) =矩形[si-1 ,si )×[tj-1 ,tj ) のように定義される。ここで、i=0,1,・・・,L
1 、j=0,1,・・・,L2 である。これにより、参
照特徴分割要素R(i ) は2次元の矩形領域となる。例
えば、図13に示す2次元の参照特徴空間74の場合
は、L1 =5、L2=3として、(5+1)×(3+
1)=24個の参照特徴分割要素に分割されている。
イ分割Vk に属するすべての特徴ベクトルを取り出し、
それらの参照特徴ベクトル(f1 ,f2 )の値の範囲
を、参照特徴射影の推定値Qk とする。そして、参照特
徴分割要素R(i ) と参照特徴射影Qk が共通部分を持
つような文字カテゴリCk の集合を、その参照特徴分割
要素R(i ) に対する候補カテゴリ集合D(i ) とす
る。
分割要素R(i ) と候補カテゴリ集合D(i ) の組によ
り構成される。特徴抽出部61および詳細分類部63の
処理については、上述した通りである。
リB,C,Kの射影が参照特徴分割要素X=[s2 ,s
3 )×[t0 ,t1 )と共通部分を持つので、これらを
要素とする集合(B,C,K)が参照特徴分割要素Xに
対応する候補カテゴリ集合となる。また、カテゴリG,
H,Kの射影が参照特徴分割要素Y=[s2 ,s3 )×
[t1 ,t2 )と共通部分を持つので、これらを要素と
する集合(G,H,K)が参照特徴分割要素Yに対応す
る候補カテゴリ集合となる。したがって、候補テーブル
64は、例えば、図14に示すようになる。
徴ベクトルの第1要素、第2要素の値がそれぞれr1 、
r2 である場合、r=(r1 ,r2 )を参照特徴ベクト
ルの値とし、まず、この値の属する参照特徴分割要素R
(i ) を求める。参照特徴分割要素R(i ) は2次元の
矩形領域であるから、値rがどの領域に属するかを判定
するのは容易である。次に、候補テーブル64を用い
て、参照特徴分割要素R (i ) に対応する候補カテゴリ
集合D(i ) を求めて、それを詳細分類部63に渡す。
限られず、一般に任意の次元の空間に設定することが可
能である。ここで、参照特徴空間が2次元以上の場合の
候補テーブルの作成方法をまとめておく。以下の例は、
参照特徴空間が2次元の場合であるが、3次元以上の場
合も同様にして候補テーブルを作成できる。
線で区切って格子状に分割し、各格子(升目)を参照特
徴分割要素とする場合を考える。この場合、各格子の2
次元インデックスを(i,j)として、対応する格子を
K(i,j)で表すことにする。カテゴリCの参照特徴
空間への射影が、格子K(i,j)と共通部分を持つ場
合には、カテゴリCを、格子K(i,j)に対する候補
カテゴリ集合S(i,j)の要素とする。
(i,j)と候補カテゴリ集合S(i,j)の組を、格
子のインデックス(i,j)と候補カテゴリ集合に属す
る各カテゴリのインデックスを用いて表現し、候補テー
ブルとして保持する。
ロノイ分割し、各ボロノイ領域を参照特徴分割要素とす
る場合を考える。この場合、参照特徴空間の各ボロノイ
領域を代表する量子化点のインデックスをiとして、各
量子化点を(xi ,yi )で表すことにする。カテゴリ
Cの参照特徴空間への射影が、量子化点(xi ,yi)
のボロノイ領域Vi と共通部分を持つ場合には、カテゴ
リCを、ボロノイ領域Vi に対する候補カテゴリ集合S
(i)の要素とする。
領域Vi と候補カテゴリ集合S(i)の組を、ボロノイ
領域Vi を代表する量子化点のインデックスと候補カテ
ゴリ集合に属する各カテゴリのインデックスを用いて表
現し、候補テーブルとして保持する。
特徴空間への射影を求める方法としては、例えば、上述
した2つの方法がある。1つは、学習用パターン集合
(学習パターン)に対応する特徴ベクトルをそれぞれ参
照特徴空間に射影することにより、参照特徴射影を推定
する方法であり、もう1つは、詳細分類時の辞書に登録
されている代表特徴ベクトルを用いたボロノイ分割をも
とに、参照特徴射影を推定する方法である。
がら、これらの各推定方法を用いた候補テーブル作成処
理のフローを説明する。図15は、学習パターンを用い
た候補テーブル作成処理のフローチャートである。図1
5のフローチャートは、1次元の参照特徴空間の場合に
ついて記述されているが、より高次元の参照特徴空間の
場合についても同様である。
は、まず、参照特徴空間における参照特徴分割要素Ri
=[si-1,si )をi=0,1,・・・,Lについて求
める(ステップS1)。次に、各カテゴリCk (k=
1,・・・,K)に対する参照特徴射影の推定値Qk =
[MINk ,MAXk ]を、学習パターンの参照特徴空
間への射影を用いて求める(ステップS2)。
補カテゴリ集合Di を、推定値Qk(k=1,・・・,
K)から求める(ステップS3)。そして、各参照特徴
分割要素Ri と候補カテゴリ集合Di の組を候補テーブ
ルに格納し(ステップS4)、処理を終了する。
参照特徴射影の推定処理のフローチャートである。処理
が開始されると、パターン認識装置は、まず、カテゴリ
Ckに属する各学習パターンに対する参照特徴ベクトル
rを求め、それらの参照特徴ベクトルの集合Fk を生成
する(ステップS11)。
最大値MAXk を求め(ステップS12)、閉区間[M
INk ,MAXk ]を推定値Qk として(ステップS1
3)、図15の処理に戻る。ここで、マージンMを考慮
する場合は、閉区間[MIN k −M,MAXk +M]を
推定値Qk とすればよい。
候補カテゴリ集合生成処理のフローチャートである。処
理が開始されると、パターン認識装置は、まず、候補カ
テゴリ集合Di の初期値を空集合Φとし(ステップS2
1)、制御変数kを1とおいて(ステップS22)、参
照特徴射影Qk と参照特徴分割要素Ri の積集合Xを求
める(ステップS23)。
(ステップS24)、それが空集合でなければ、推定値
Qk に対応するカテゴリCk を候補カテゴリ集合Di に
加え(ステップS25)、kの値をKと比較する(ステ
ップS26)。kの値がKより小さければ、kを1だけ
インクリメントし(ステップS27)、ステップS23
以降の処理を繰り返す。
であれば、カテゴリCk を候補カテゴリ集合Di に加え
ずに、直ちにステップS26の処理を行う。そして、ス
テップS26においてkの値がKに達すると、図15の
処理に戻る。これにより、参照特徴分割要素Ri と参照
特徴射影Qk が共通部分を持つようなカテゴリCk が、
もれなく候補カテゴリ集合Di に加えられる。この処理
は、各参照特徴分割要素Ri について行われる。
補テーブル作成処理のフローチャートである。図18の
フローチャートは、1次元の参照特徴空間の場合につい
て記述されているが、より高次元の参照特徴空間の場合
についても同様である。
は、まず、参照特徴空間における参照特徴分割要素Ri
=[si-1,si )をi=0,1,・・・,Lについて求
める(ステップS31)。次に、各カテゴリCk (k=
1,・・・,K)に対する参照特徴射影の推定値Qk =
[MINk ,MAXk ]を、特徴空間のボロノイ分割を
もとに線形計画法を用いて求める(ステップS32)。
と同様にして、各参照特徴分割要素Ri に対する候補カ
テゴリ集合Di を、推定値Qk (k=1,・・・,K)
から求める(ステップS33)。そして、各参照特徴分
割要素Ri と候補カテゴリ集合Di の組を候補テーブル
に格納し(ステップS34)、処理を終了する。
る参照特徴射影の推定処理のフローチャートである。処
理が開始されると、パターン認識装置は、まず、辞書に
登録されたカテゴリCk に対する代表特徴ベクトルEk
と、それ以外のカテゴリCj(j=1,・・・,K;j
≠k)に対する代表特徴ベクトルEj とから等距離にあ
る平面(等距離面)の方程式を求める(ステップS4
1)。ただし、特徴空間はN次元空間であるものとす
る。
距離を用いる場合には、ボロノイ分割Vk は特徴空間内
の超凸多面体となり、複数の超平面により囲まれた特徴
空間内の部分集合であるといえる。したがって、2つの
代表ベクトルからの等距離面である超平面は、それぞ
れ、特徴ベクトルf=(f1 ,f2 ,・・・,fN )を
変数とする線形方程式で記述される。
カテゴリCk に対するボロノイ分割Vk の満たす連立線
形不等式を求める(ステップS42)。この連立線形不
等式は、例えば、次式のように記述される。
h=(h1 ,h2 ,・・・,hN )との内積を、1次元
の参照特徴ベクトル(参照特徴)rとする(ステップS
43)。このとき、 r=h1 f1 +h2 f2 +・・・+hN fN となり、参照特徴rは、特徴ベクトルfの各要素の線形
結合で表現される。
題は、上記連立線形不等式を満たすような線形結合rの
最小値・最大値を求める線形計画問題に帰着される。こ
の問題は、公知の線形計画法で解くことができる。
立不等式の制約のもとで、参照特徴rの最小値MINk
と最大値MAXk を求め(ステップS44)、閉区間
[MINk ,MAXk ]を参照特徴射影の推定値Qk と
して(ステップS45)、図18の処理に戻る。
ものとしたが、より一般的には、非線形計画法を用い
て、1次元区間の最小値・最大値を求めることができ
る。この場合は、特徴ベクトルの要素からある非線形関
数Rにより得られる次のような値を、参照特徴rとす
る。 r=R(f1 ,f2 ,・・・,fN ) このとき、ボロノイ分割は特徴空間内の超凸曲面で囲ま
れた特徴空間内の部分集合となる。したがって、文字カ
テゴリCk に対するボロノイ分割Vk は、次のような連
立非線形不等式により記述できる。
題は、上記連立不等式を満たすような参照特徴rの最小
値・最大値を求める非線形計画問題に帰着される。非線
形計画問題のコンピュータによる数値計算手法は数理計
画法の一分野として広く知られており、それを用いてこ
の問題を解くことができる。
テゴリを求めるために1種類の参照特徴ベクトルを用い
ているが、1つの特徴ベクトルから計算される複数の参
照特徴ベクトルを用いて、対応する複数の候補カテゴリ
集合を求め、それらの論理積を出力する構成も考えられ
る。
する複数の候補テーブルを用意し、各候補テーブル毎に
候補カテゴリ計算部を設ける。各候補カテゴリ計算部
は、特定の種類の参照特徴ベクトルの値を入力とし、対
応する候補テーブルを参照して、対応する候補カテゴリ
集合を出力する。さらに、これらの候補カテゴリ集合の
論理積を計算する候補カテゴリ絞り込み部を設け、候補
カテゴリ集合を段階的に絞り込んで出力する。
いて、2段階の候補カテゴリ計算を実行する第4のパタ
ーン認識装置の構成図である。図20のパターン認識装
置は、参照特徴ベクトル計算部81、候補テーブル8
2、83、候補カテゴリ計算部84、85、および候補
カテゴリ絞り込み部86を備える。
たN次元の特徴ベクトルfから、2つの参照特徴ベクト
ルr1 ,r2 を計算する。第1段階の候補カテゴリ計算
部84は、参照特徴ベクトルr1 を入力とし、あらかじ
め保持された候補テーブル82を用いて、候補カテゴリ
集合D1 (r1 )を出力する。また、第2段階の候補カ
テゴリ計算部85は、参照特徴ベクトルr2 を入力と
し、あらかじめ保持された候補テーブル83を用いて、
候補カテゴリ集合D2 (r2 )を出力する。
補カテゴリ集合D1 (r1 ),D2(r2 )を入力とし
て、それらの積集合D1 (r1 )∩D2 (r2 )を求
め、それを最終的な候補カテゴリ集合として出力する。
特徴ベクトルfの第1の要素f1 を1次元の参照特徴ベ
クトルr1 として、特徴ベクトルfの第2の要素f2 を
1次元の参照特徴ベクトルr2 として出力する。各参照
特徴ベクトルのとり得る値の範囲をA1 ≦r1 <B1 ,
A2 ≦r2 <B2 とすると、区間[A1 ,B1 )が第1
の参照特徴空間、区間[A2 ,B2 )が第2の参照特徴
空間となる。
特徴分割要素として、各参照特徴空間を格子状に分割し
たものを用いることにする。参照特徴空間[A1 ,
B1 )および[A2 ,B2 )はともに1次元であるか
ら、それらを、それぞれ次のようにL1 個、L2 個の区
間に分割し、各区間を参照特徴分割要素とする。 A1 =s0 <s1 <s2 <・・・<sL1=B1 A2 =t0 <t1 <t2 <・・・<tL2=B2 これにより、参照特徴空間[A1 ,B1 )のそれぞれの
区間[si-1 ,si )が、参照特徴ベクトルr1 に対す
る参照特徴分割要素R1iとなる。ここで、i=1,・・
・,L1 である。また、参照特徴空間[A2 ,B2 )の
それぞれの区間[tj-1 ,tj )が、参照特徴ベクトル
r2 に対する参照特徴分割要素R2jとなる。ここで、j
=1,・・・,L2 である。
R2jに対する候補カテゴリ集合は、学習用特徴ベクトル
集合を用いて各カテゴリに対する参照特徴射影を推定す
ることにより求められる。学習用特徴ベクトル集合は、
各カテゴリに属する特徴ベクトルを十分な数だけ含んで
いるものとする。特定のカテゴリCk に対する参照特徴
射影の推定方法は、以下の通りである。
テゴリCk に対する特徴ベクトルの集合から、特徴ベク
トルの第1の要素f1 の集合F1kを求める。この集合F
1kは、カテゴリCk の第1の参照特徴射影を近似する分
布を形成する。この集合F1kの要素の最小値MIN(F
1k)および最大値MAX(F1k)を求め、さらに特定の
マージンMを考慮して、カテゴリCk の第1の参照特徴
射影の推定値Q1kを、 Q1k=[MIN(F1k)−M,MAX(F1k)+M] とする。
う。まず、学習用特徴ベクトル集合に属するカテゴリC
k に対する特徴ベクトルの集合から、特徴ベクトルの第
2の要素f2 の集合F2kを求める。この集合F2kは、カ
テゴリCk の第2の参照特徴射影を近似する分布を形成
する。この集合F2kの要素の最小値MIN(F2k)およ
び最大値MAX(F2k)を求め、さらに特定のマージン
Mを考慮して、カテゴリCk の第2の参照特徴射影の推
定値Q2kを、 Q2k=[MIN(F2k)−M,MAX(F2k)+M] とする。
分割要素R1i,R2jと、各カテゴリCk に対する参照特
徴射影Q1k,Q2kとを用いて、参照特徴分割要素R1i,
R2jとそれぞれ組にすべき候補カテゴリ集合D
1 (r1 )=D1i,D2 (r2 )=D 2jを、次のように
して求める。
徴射影Q1kが共通部分を持つようなカテゴリCk の集合
を、その参照特徴分割要素R1iに対する候補カテゴリ集
合D 1iとする。これにより、参照特徴分割要素R1iに属
する参照特徴ベクトルの値を持つ特徴ベクトルが属する
可能性のあるカテゴリを列挙したものが、候補カテゴリ
集合D1iとなる。
応する参照特徴射影Q2kが共通部分を持つようなカテゴ
リCk の集合を、その参照特徴分割要素R2jに対する候
補カテゴリ集合D2jとする。これにより、参照特徴分割
要素R2jに属する参照特徴ベクトルの値を持つ特徴ベク
トルが属する可能性のあるカテゴリを列挙したものが、
候補カテゴリ集合D2jとなる。
ーブル82は、参照特徴分割要素R 1iと候補カテゴリ集
合D1iの組により構成される。同様にして、候補カテゴ
リ計算部85が参照する候補テーブル83は、参照特徴
分割要素R2jと候補カテゴリ集合D2jの組により構成さ
れる。
照特徴ベクトルの値がr1 である場合、まず、この値r
1 の属する参照特徴分割要素R1iを求める。次に、候補
テーブル82を用いて、参照特徴分割要素R1iに対応す
る候補カテゴリ集合D1iを求めて、それを出力する。出
力された候補カテゴリ集合D1iには、入力特徴ベクトル
の属するカテゴリが含まれていることが期待できる。
与えられた参照特徴ベクトルの値がr2 である場合、ま
ず、この値r2 の属する参照特徴分割要素R2jを求め
る。次に、候補テーブル83を用いて、参照特徴分割要
素R2jに対応する候補カテゴリ集合D2jを求めて、それ
を出力する。出力された候補カテゴリ集合D2jには、入
力特徴ベクトルの属するカテゴリが含まれていることが
期待できる。
2つの候補カテゴリ集合D1i,D2jの積集合D1i∩D2j
を求めて、それを最終的な候補カテゴリ集合とする。候
補カテゴリ絞り込み部86から出力された候補カテゴリ
集合には、入力特徴ベクトルの属するカテゴリが依然属
していると推定でき、かつ、その要素数は元の2つの候
補カテゴリ集合D1i,D2jよりも少なくなっている。し
たがって、候補カテゴリ絞り込み部86は、候補カテゴ
リ集合を段階的に絞り込む役割を果たしていることが分
かる。
次元の参照特徴ベクトルを2つ用いているために、1次
元の参照特徴ベクトルが1つの場合より、候補カテゴリ
数を減らすことができる。また、2次元の参照特徴ベク
トルを1つ用いる場合に比べて、参照特徴分割要素の数
が大幅に低減されるため、候補テーブルを保持するため
に必要な記憶容量を節約することができる。
トルを複数用いることで、高精度かつ高速にパターン認
識を実行するパターン認識装置を、十分実用的な記憶容
量で実現することが可能である。このような複数の候補
カテゴリ集合を求める処理は、逐次的に行ってもよい
が、並列に行えばさらに処理時間が軽減される。
識精度をほとんど低下させないといえる理由を説明して
おく。本発明による高速分類を行った後には、通常、元
の特徴ベクトルの距離計算を用いた詳細分類をさらに行
って、入力パターンのカテゴリを特定する。
れた候補カテゴリ集合の累積認識精度が、後段で行うで
あろう詳細分類の精度を保証する(落とさない)という
意味である。ここで、累積認識精度とは、候補カテゴリ
集合のどれか一つに入力パターンの真のカテゴリが含ま
れている確率を指す。したがって、理想的には、累積認
識精度は常に100%であることが望ましい。
累積認識精度が100%であることは必ずしも要求され
ず、後段で行われる詳細分類の精度以上であればよい。
したがって、十分な数の候補カテゴリを含む候補カテゴ
リ集合を候補テーブルに登録しておくことで、実用上は
精度低下がゼロであるようなパターン認識装置が実現さ
れる。
リが存在しない場合、つまり分類誤りを起こした場合に
は、詳細分類でも同様の分類誤りを起こすであろうか
ら、最終的な累積認識精度は変わらないと考えられる。
この意味において、本発明による高速分類は、与えられ
た詳細分類の制約をうまく利用して、精度低下なしの高
速化を実現している。
しも上述したような特徴ベクトルの部分ベクトルである
必要はなく、特徴ベクトルから計算可能な任意のベクト
ルを参照特徴ベクトルとして用いることができる。例え
ば、図23に示したパターン認識装置で用いている圧縮
特徴ベクトルもその1つである。
クトルとして候補カテゴリ集合を求め、それに対して詳
細分類を行う第5のパターン認識装置の構成図である。
図21のパターン認識装置は、特徴抽出部91、特徴圧
縮部92、候補カテゴリ計算部93、詳細分類部94、
候補テーブル95、および辞書96を備える。
ベクトルを抽出し、特徴圧縮部92は、特徴ベクトルに
適当な変換を施して、次元数のより小さな圧縮特徴ベク
トルを生成する。次に、候補カテゴリ計算部93は、候
補テーブル95を参照して、与えられた圧縮特徴ベクト
ルに対応する候補カテゴリ集合を求める。
3により出力された候補カテゴリ集合のそれぞれの候補
カテゴリに対して、辞書96に保持された代表特徴ベク
トルと、入力パターンの特徴ベクトルとの距離を計算す
る。そして、距離の小さな順に候補カテゴリを並び換え
て、最短距離のものから指定された数だけのカテゴリの
列を出力する。
徴圧縮に用いる変換を適当に選ぶことで、所望の参照特
徴ベクトルを生成することができ、それに対応した候補
テーブルを用いて、より効果的に候補カテゴリ集合を絞
り込むことができる。また、特徴圧縮の結果得られた圧
縮特徴ベクトルを直接用いて距離計算を行うのではな
く、それを候補テーブルを引くための参照値として用い
るため、原理的には処理精度の低下を招かない。
特徴ベクトルとして候補カテゴリ集合を求め、それに対
して大分類および詳細分類を行う第6のパターン認識装
置の構成図である。図22のパターン認識装置は、特徴
抽出部101、特徴圧縮部102、候補カテゴリ計算部
103、大分類部104、詳細分類部105、候補テー
ブル106、圧縮特徴辞書107、および辞書108を
備える。
補カテゴリ計算部103、および候補テーブル106の
機能については、それぞれ、図21の特徴抽出部91、
特徴圧縮部92、候補カテゴリ計算部93、および候補
テーブル95と同様である。
03により出力された候補カテゴリ集合のそれぞれの候
補カテゴリに対して、圧縮特徴辞書107に保持された
圧縮特徴ベクトルと、入力パターンの圧縮特徴ベクトル
との距離を計算する。そして、距離の小さな順に候補カ
テゴリを並び換えて、最短距離のものから指定された数
だけのカテゴリの列を候補カテゴリ集合として出力す
る。
り出力された候補カテゴリ集合のそれぞれの候補カテゴ
リに対して、辞書108に保持された代表特徴ベクトル
と、入力パターンの特徴ベクトルとの距離を計算する。
そして、距離の小さな順に候補カテゴリを並び換えて、
最短距離のものから指定された数だけのカテゴリの列を
出力する。
補カテゴリ計算部103により出力された候補カテゴリ
集合を、大分類部104がさらに絞り込んで詳細分類部
105に渡すため、詳細分類の対象となる候補カテゴリ
がより限定され、処理が高速化される。
おいては、圧縮特徴ベクトルをそのまま参照特徴ベクト
ルとしているが、代わりに圧縮特徴ベクトルの部分特徴
ベクトルを参照特徴ベクトルとして用いてもよい。この
場合、参照特徴ベクトルの次元数がさらに削減され、処
理が高速化される。
する変換としては、線形変換を用いることができる。線
形変換は、変換行列とベクトルとの積という比較的単純
な計算により特徴ベクトルを圧縮するため、非線形変換
と比較して、計算効率が良い。線形変換を用いた特徴圧
縮方法としては、正準判別分析、主成分分析等が知られ
ている。
たサンプルパターンのN次元の特徴ベクトルから、カテ
ゴリ間分散行列とカテゴリ内分散行列を計算し、それら
の分散行列を用いて固有ベクトルを求めておく。そし
て、それらのうちM個(M<N)の固有ベクトルを選択
して、M次元の空間を定義する。未知のパターンが入力
されると、その特徴ベクトルと各固有ベクトルの内積を
計算し、それらの値を要素とするM次元の圧縮特徴ベク
トルを生成する。
し、かつ、カテゴリ内分散を小さくするように、N次元
の平均特徴ベクトルが、M個の固有ベクトルによって規
定されるM本の座標軸へ射影される。これにより、特徴
圧縮後のM次元の空間において、異なる種類のパターン
同士は離れ、同じ種類のパターン同士は近付くような変
換が行われる。
に離れるような主成分ベクトルの組が、各カテゴリ毎に
計算される。そして、各カテゴリ毎に主成分ベクトルを
座標軸とする個別の新たな空間が生成され、入力パター
ンの特徴ベクトルを各カテゴリの主成分ベクトルに射影
することで、圧縮特徴ベクトルが生成される。入力パタ
ーンと各カテゴリとの距離は、圧縮特徴ベクトルを用い
て計算される。
た領域で類似するカテゴリが存在するときに、認識対象
パターンの特徴ベクトルをそれぞれのカテゴリに対応す
る主成分ベクトルに射影させることで、より正確な認識
結果が得られる。この分析法は、主として、カテゴリが
少なく似通った文字パターンの判別等に用いられてい
る。
分割の生成処理、候補カテゴリの大分類処理および詳細
分類処理では、ベクトル間の距離計算を必要とする。こ
のとき、一般的なユークリッド距離のほかにも、任意の
距離を定義して用いることが可能である。例えば、公知
のシティブロック距離、マハラノビス距離、疑似マハラ
ノビス距離、ベイズ識別関数(Bayes discriminant fun
ction )、疑似ベイズ識別関数(Modified Bayes discr
iminant function)等を用いてもよい。
・,gn )とベクトルp=(p1 ,p2 ,・・・,
pn )の間の各距離は、次のように定義される。[シテ
ィブロック距離]
1,2,3,・・・,N)の平均であり、Σj -1は次式
で定義される共分散行列(分散共分散行列ともいう)で
ある。 Σj =(1/N)Σ(pi −p)(pi −p)T Σj の固有値をλ1 ,λ2 ,・・・,λn (λ1 >λ2
>・・・>λn )とし、対応する固有ベクトルをそれぞ
れφ1 ,φ2 ,・・・,φn とし、 Φ=(φ1 ,φ2 ,・・・,φn ) とすると、Dm (g,p)は、次のように書ける。
上の問題(計算量と計算精度)を解決するために提案さ
れたものであり、後述する疑似ベイズ識別関数の考え方
に基づくものである。 [ベイズ識別関数] f(g)=(g−p)T Σ-1(g−p)+ln|Σ| このベイズ識別関数(2次識別関数)はベクトルgとベ
クトルpの距離を表しており、対象が正規分布に従い、
特徴ベクトルの平均と共分散行列が既知の場合、最適識
別関数となる。 [疑似ベイズ識別関数]
ターン等の識別において、高次の固有ベクトルに関する
計算精度の問題を解決するために考え出された関数であ
る。これらの距離は、カテゴリ特徴集合が正規分布に従
って分布しており、各カテゴリの出現確率が同一の場合
を仮定している。各カテゴリの分布の共分散行列の行列
式が同一の場合には、マハラノビス距離または疑似マハ
ラノビス距離に基づいて詳細分類が行われ、それらが同
一でない一般的な場合には、疑似ベイズ識別関数に基づ
いて詳細分類が行われる。
ず、2次元図形、3次元物体、人間の顔の画像を含む任
意のパターンを認識する技術に適用可能である。
処理において候補テーブルを用いることで、認識精度の
低下を最小限に抑えつつ、カテゴリ分類の高速化を果た
すことができる。特に、詳細分類用の辞書に登録された
各カテゴリと同様の分割に基づいて候補テーブルを作成
すれば、詳細分類の精度を低下させないようにすること
が可能である。
のフローチャートである。
ートである。
である。
のフローチャートである。
ートである。
候補テーブル 21、54、71、73 特徴空間 22、55、72、74 参照特徴空間 31 CPU 32 メモリ 33 入力装置 34 出力装置 35 外部記憶装置 36 媒体駆動装置 37 ネットワーク接続装置 38 光電変換装置 39 バス 40 可搬記録媒体 40′ 外部の装置 42、52、62、84、85、93、103 候補カ
テゴリ計算部 63、94、105 詳細分類部 65、96、108 辞書 81 参照特徴ベクトル計算部 86 候補カテゴリ絞り込み部
Claims (31)
- 【請求項1】 パターンの特徴ベクトルから計算される
参照特徴ベクトルの値を入力とし、候補カテゴリ集合を
出力とする写像を形成するために必要な情報を記述した
候補テーブルを記憶するテーブル記憶手段と、 前記候補テーブルを用いて、与えられた参照特徴ベクト
ルの値に対応する候補カテゴリ集合を求め、得られた候
補カテゴリ集合を出力する候補カテゴリ計算手段とを備
えることを特徴とするパターン認識装置。 - 【請求項2】 前記パターンの特徴ベクトルから前記参
照特徴ベクトルを計算する参照特徴ベクトル計算手段を
さらに備えることを特徴とする請求項1記載のパターン
認識装置。 - 【請求項3】 前記参照特徴ベクトル計算手段は、前記
パターンの特徴ベクトルの1つ以上の部分特徴ベクトル
を、1つ以上の参照特徴ベクトルとして出力することを
特徴とする請求項2記載のパターン認識装置。 - 【請求項4】 前記テーブル記憶手段は、前記参照特徴
ベクトルの値の集合から成る参照特徴空間を2つ以上に
分割して得られる各部分集合を参照特徴分割要素とし
て、該参照特徴分割要素と候補カテゴリ集合の組の情報
を含む前記候補テーブルを保持し、前記候補カテゴリ計
算手段は、前記与えられた参照特徴ベクトルの値を含む
参照特徴分割要素を求め、前記候補テーブルを用いて、
得られた参照特徴分割要素に対応する候補カテゴリ集合
を求めることを特徴とする請求項1記載のパターン認識
装置。 - 【請求項5】 前記テーブル記憶手段は、前記参照特徴
空間を格子状に区切って得られる前記参照特徴分割要素
の情報を保持することを特徴とする請求項4記載のパタ
ーン認識装置。 - 【請求項6】 各カテゴリに対応する特徴ベクトルの集
合を前記参照特徴空間へ射影したときの射影範囲の推定
を行い、得られた推定値を用いて作成された候補テーブ
ルを、前記テーブル記憶手段が保持することを特徴とす
る請求項4記載のパターン認識装置。 - 【請求項7】 前記候補テーブルは、前記参照特徴分割
要素と前記推定値の共通部分が存在するとき、該推定値
に対応するカテゴリを、該参照特徴分割要素に対応する
候補カテゴリ集合の要素として、作成されることを特徴
とする請求項6記載のパターン認識装置。 - 【請求項8】 前記候補テーブルは、各カテゴリに対応
する1次元の参照特徴空間への射影の推定値として、1
次元の参照特徴ベクトルの値の最小値および最大値を求
めることで、作成されることを特徴とする請求項6記載
のパターン認識装置。 - 【請求項9】 前記候補テーブルは、線形計画法を用い
て求められた前記推定値に基づいて、作成されることを
特徴とする請求項6記載のパターン認識装置。 - 【請求項10】 前記候補テーブルは、非線形計画法を
用いて求められた前記推定値に基づいて、作成されるこ
とを特徴とする請求項6記載のパターン認識装置。 - 【請求項11】 前記候補テーブルは、学習用パターン
集合から得られる参照特徴ベクトルの値の分布を用いて
求められた前記推定値に基づいて、作成されることを特
徴とする請求項6記載のパターン認識装置。 - 【請求項12】 前記候補テーブルは、辞書に登録され
ている各カテゴリの代表特徴ベクトルに基づく特徴空間
のボロノイ分割要素を、前記参照特徴空間へ射影して得
られる前記推定値に基づいて、作成されることを特徴と
する請求項6記載のパターン認識装置。 - 【請求項13】 入力パターンから前記パターンの特徴
ベクトルを生成する特徴抽出手段をさらに備えることを
特徴とする請求項1記載のパターン認識装置。 - 【請求項14】 各カテゴリの代表特徴ベクトルを登録
した詳細分類辞書を記憶する辞書記憶手段と、前記候補
カテゴリ集合に含まれる各候補カテゴリの代表特徴ベク
トルを前記詳細分類辞書を用いて求め、該候補カテゴリ
の代表特徴ベクトルと前記パターンの特徴ベクトルとの
距離を求め、該距離の小さな順に所定数の候補カテゴリ
を出力する詳細分類手段とをさらに備えることを特徴と
する請求項1記載のパターン認識装置。 - 【請求項15】 前記パターンの特徴ベクトルにあらか
じめ決められた変換を施して、次元数のより小さな圧縮
特徴ベクトルを生成する特徴圧縮手段をさらに備え、前
記候補カテゴリ計算手段は、与えられた圧縮特徴ベクト
ルの値から計算される前記参照特徴ベクトルの値を用い
て、前記候補カテゴリ集合を求めることを特徴とする請
求項1項記載のパターン認識装置。 - 【請求項16】 前記候補カテゴリ計算手段は、前記圧
縮特徴ベクトルの部分特徴ベクトルを前記参照特徴ベク
トルとして用いることを特徴とする請求項15記載のパ
ターン認識装置。 - 【請求項17】 各カテゴリの圧縮特徴ベクトルを登録
した圧縮特徴辞書を記憶する辞書記憶手段と、前記候補
カテゴリ集合に含まれる各候補カテゴリの圧縮特徴ベク
トルを前記圧縮特徴辞書を用いて求め、該候補カテゴリ
の圧縮特徴ベクトルと前記特徴圧縮手段から出力される
圧縮特徴ベクトルとの距離を求め、該距離の小さな順に
所定数の候補カテゴリを出力する大分類手段とをさらに
備えることを特徴とする請求項15記載のパターン認識
装置。 - 【請求項18】 前記大分類手段は、前記距離の定義と
して、ユークリッド距離、シティブロック距離、マハラ
ノビス距離、疑似マハラノビス距離、ベイズ識別関数、
および疑似ベイズ識別関数のうちの1つを用いることを
特徴とする請求項17記載のパターン認識装置。 - 【請求項19】 各カテゴリの代表特徴ベクトルを登録
した詳細分類辞書を記憶する辞書記憶手段と、前記大分
類手段により出力される各候補カテゴリの代表特徴ベク
トルを前記詳細分類辞書を用いて求め、該候補カテゴリ
の代表特徴ベクトルと前記パターンの特徴ベクトルとの
距離を求め、該距離の小さな順に所定数の候補カテゴリ
を出力する詳細分類手段とをさらに備えることを特徴と
する請求項17記載のパターン認識装置。 - 【請求項20】 前記詳細分類手段は、前記距離の定義
として、ユークリッド距離、シティブロック距離、マハ
ラノビス距離、疑似マハラノビス距離、ベイズ識別関
数、および疑似ベイズ識別関数のうちの1つを用いるこ
とを特徴とする請求項19記載のパターン認識装置。 - 【請求項21】 前記特徴圧縮手段は、線形変換を用い
て前記圧縮特徴ベクトルを生成することを特徴とする請
求項15記載のパターン認識装置。 - 【請求項22】 前記特徴圧縮手段は、特徴空間の主成
分分析により前記線形変換を求めることを特徴とする請
求項21記載のパターン認識装置。 - 【請求項23】 前記特徴圧縮手段は、特徴空間の正準
判別分析により前記線形変換を求めることを特徴とする
請求項21記載のパターン認識装置。 - 【請求項24】 前記パターンは、文字、人間の顔、3
次元物体、および2次元図形のうち少なくとも1つの情
報に対応することを特徴とする請求項1記載のパターン
認識装置。 - 【請求項25】 パターンの特徴ベクトルから計算され
る参照特徴ベクトルの値を入力とし、候補カテゴリ集合
を出力とする写像を形成するために必要な情報を記述し
た候補テーブルをそれぞれ記憶する複数のテーブル記憶
手段と、 前記複数のテーブル記憶手段のそれぞれに対応して設け
られ、前記候補テーブルを用いて、与えられた参照特徴
ベクトルの値に対応する候補カテゴリ集合を求め、得ら
れた候補カテゴリ集合をそれぞれ出力する複数の候補カ
テゴリ計算手段と、 前記複数の候補カテゴリ計算手段から出力された複数の
候補カテゴリ集合を絞り込んで出力するカテゴリ絞り込
み手段とを備えることを特徴とするパターン認識装置。 - 【請求項26】 前記カテゴリ絞り込み手段は、複数の
候補カテゴリ集合の論理積を計算して、該複数の候補カ
テゴリ集合を絞り込むことを特徴とする請求項25記載
のパターン認識装置。 - 【請求項27】 パターンの特徴を表す特徴量データと
候補カテゴリ集合との対応関係を記憶する記憶手段と、 前記対応関係を用いて、与えられた特徴量データに対応
する候補カテゴリ集合を求め、得られた候補カテゴリ集
合を出力する候補カテゴリ計算手段とを備えることを特
徴とするパターン認識装置。 - 【請求項28】 コンピュータのためのプログラムを記
録した記録媒体であって、 パターンの特徴ベクトルから計算される参照特徴ベクト
ルの値を入力とし、候補カテゴリ集合を出力とする写像
を形成するために必要な情報を記述した候補テーブルを
用いて、与えられた参照特徴ベクトルの値に対応する候
補カテゴリ集合を求める機能と、 得られた候補カテゴリ集合を出力する機能とを前記コン
ピュータに実現させるためのプログラムを記録したコン
ピュータ読み取り可能な記録媒体。 - 【請求項29】 コンピュータのためのプログラムを記
録した記録媒体であって、 パターンの特徴を表す特徴量データと候補カテゴリ集合
との対応関係を用いて、与えられた特徴量データに対応
する候補カテゴリ集合を求める機能と、 得られた候補カテゴリ集合を出力する機能とを前記コン
ピュータに実現させるためのプログラムを記録したコン
ピュータ読み取り可能な記録媒体。 - 【請求項30】 パターンの特徴ベクトルから計算され
る参照特徴ベクトルの値を入力とし、候補カテゴリ集合
を出力とする写像を形成するために必要な情報を記述し
た候補テーブルを用いて、与えられた参照特徴ベクトル
の値に対応する候補カテゴリ集合を求め、 得られた候補カテゴリ集合を出力することを特徴とする
パターン認識方法。 - 【請求項31】 パターンの特徴を表す特徴量データと
候補カテゴリ集合との対応関係を用いて、与えられた特
徴量データに対応する候補カテゴリ集合を求め、 得られた候補カテゴリ集合を出力することを特徴とする
パターン認識方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP02794098A JP3943223B2 (ja) | 1997-02-12 | 1998-02-10 | 候補テーブルを用いて分類を行うパターン認識装置および方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2752197 | 1997-02-12 | ||
JP9-27521 | 1997-02-12 | ||
JP02794098A JP3943223B2 (ja) | 1997-02-12 | 1998-02-10 | 候補テーブルを用いて分類を行うパターン認識装置および方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH10289320A true JPH10289320A (ja) | 1998-10-27 |
JP3943223B2 JP3943223B2 (ja) | 2007-07-11 |
Family
ID=26365447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP02794098A Expired - Fee Related JP3943223B2 (ja) | 1997-02-12 | 1998-02-10 | 候補テーブルを用いて分類を行うパターン認識装置および方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3943223B2 (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006505875A (ja) * | 2002-11-07 | 2006-02-16 | 本田技研工業株式会社 | 確率的外観集合体を使用するビデオに基づく顔認識 |
JP2007079710A (ja) * | 2005-09-12 | 2007-03-29 | Toshiba Corp | パターン認識装置およびその方法 |
JPWO2005069213A1 (ja) * | 2004-01-13 | 2007-12-27 | 日本電気株式会社 | 特徴変化画像作成方法、特徴変化画像作成装置および特徴変化画像作成プログラム |
JP2008040959A (ja) * | 2006-08-09 | 2008-02-21 | ▲うぇ▼▲ちん▼科技股▲ふん▼有限公司 | 受動式及びインタラクティブ式の即時影像認識方法 |
WO2009013818A1 (ja) * | 2007-07-25 | 2009-01-29 | Fujitsu Limited | 文字認識処理方法及び装置 |
JP2010067068A (ja) * | 2008-09-11 | 2010-03-25 | Fuji Xerox Co Ltd | 画像特徴分類装置及びプログラム |
US7873521B2 (en) | 2004-07-09 | 2011-01-18 | Nippon Telegraph And Telephone Corporation | Sound signal detection system, sound signal detection server, image signal search apparatus, image signal search method, image signal search program and medium, signal search apparatus, signal search method and signal search program and medium |
JP2011100245A (ja) * | 2009-11-05 | 2011-05-19 | Fujitsu Ltd | パターン認識装置、パターン認識プログラム、パターン認識方法 |
-
1998
- 1998-02-10 JP JP02794098A patent/JP3943223B2/ja not_active Expired - Fee Related
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006505875A (ja) * | 2002-11-07 | 2006-02-16 | 本田技研工業株式会社 | 確率的外観集合体を使用するビデオに基づく顔認識 |
JPWO2005069213A1 (ja) * | 2004-01-13 | 2007-12-27 | 日本電気株式会社 | 特徴変化画像作成方法、特徴変化画像作成装置および特徴変化画像作成プログラム |
JP4721052B2 (ja) * | 2004-01-13 | 2011-07-13 | 日本電気株式会社 | 特徴変化画像作成方法、特徴変化画像作成装置および特徴変化画像作成プログラム |
US7873521B2 (en) | 2004-07-09 | 2011-01-18 | Nippon Telegraph And Telephone Corporation | Sound signal detection system, sound signal detection server, image signal search apparatus, image signal search method, image signal search program and medium, signal search apparatus, signal search method and signal search program and medium |
JP2007079710A (ja) * | 2005-09-12 | 2007-03-29 | Toshiba Corp | パターン認識装置およびその方法 |
JP4514680B2 (ja) * | 2005-09-12 | 2010-07-28 | 株式会社東芝 | パターン認識装置およびその方法 |
JP2008040959A (ja) * | 2006-08-09 | 2008-02-21 | ▲うぇ▼▲ちん▼科技股▲ふん▼有限公司 | 受動式及びインタラクティブ式の即時影像認識方法 |
WO2009013818A1 (ja) * | 2007-07-25 | 2009-01-29 | Fujitsu Limited | 文字認識処理方法及び装置 |
JP4935905B2 (ja) * | 2007-07-25 | 2012-05-23 | 富士通株式会社 | 文字認識処理方法及び装置 |
US8254689B2 (en) | 2007-07-25 | 2012-08-28 | Fujitsu Limited | Character recognition processing method and apparatus |
JP2010067068A (ja) * | 2008-09-11 | 2010-03-25 | Fuji Xerox Co Ltd | 画像特徴分類装置及びプログラム |
JP2011100245A (ja) * | 2009-11-05 | 2011-05-19 | Fujitsu Ltd | パターン認識装置、パターン認識プログラム、パターン認識方法 |
Also Published As
Publication number | Publication date |
---|---|
JP3943223B2 (ja) | 2007-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100263808B1 (ko) | 후보테이블을이용하여분류를행하는패턴인식장치및방법 | |
JP4292837B2 (ja) | パターン特徴抽出方法及びその装置 | |
Paisitkriangkrai et al. | Pedestrian detection with spatially pooled features and structured ensemble learning | |
JP5565190B2 (ja) | 学習モデル作成プログラム、画像識別情報付与プログラム、学習モデル作成装置及び画像識別情報付与装置 | |
Jégou et al. | On the burstiness of visual elements | |
Cao et al. | Face alignment by explicit shape regression | |
Scholkopf et al. | Input space versus feature space in kernel-based methods | |
US8897503B2 (en) | Face recognition with combined PCA-based datasets | |
JP3815704B2 (ja) | 図形分類処理方法、図形検索処理方法、図形分類システム、図形検索システム、図形分類用特徴抽出処理方法、図形分類用表作成処理方法、情報記録媒体、図形間の類似度又は相異度の評価処理方法、図形正規化処理方法、及び、図形間対応付け処理方法 | |
US20040086185A1 (en) | Method and system for multiple cue integration | |
KR20100035108A (ko) | 화상 처리 장치, 화상 처리 방법 및 프로그램을 기억하는 컴퓨터 판독 기억 매체 | |
Vasconcelos et al. | Scalable discriminant feature selection for image retrieval and recognition | |
JPH09134432A (ja) | パターン認識方法 | |
JP4393720B2 (ja) | パターン認識装置および方法 | |
JPH10289320A (ja) | 候補テーブルを用いて分類を行うパターン認識装置および方法 | |
Yan et al. | A parameter-free framework for general supervised subspace learning | |
Lin et al. | A genetic algorithm approach to Chinese handwriting normalization | |
JP5569698B2 (ja) | 類型化装置、類型化方法及び類型化プログラム | |
CN110717405A (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
JP3753880B2 (ja) | 図形分類方法、図形検索方法、図形分類検索システム及び記録媒体 | |
Stutz | Neural codes for image retrieval | |
Pham et al. | Detection caching for faster object detection | |
JP5083162B2 (ja) | 画像データ判定装置、画像データ判定システム、及びプログラム | |
CN111597375A (zh) | 基于相似图片组代表特征向量的图片检索方法及相关设备 | |
CN100421127C (zh) | 模式特征提取方法及用于执行该方法的设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040309 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20061005 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20061017 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061211 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20070403 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070405 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110413 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110413 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120413 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130413 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140413 Year of fee payment: 7 |
|
LAPS | Cancellation because of no payment of annual fees |