JPH1139493A - 距離及び方向に鑑みたパターン整合装置及びその方法 - Google Patents
距離及び方向に鑑みたパターン整合装置及びその方法Info
- Publication number
- JPH1139493A JPH1139493A JP10127656A JP12765698A JPH1139493A JP H1139493 A JPH1139493 A JP H1139493A JP 10127656 A JP10127656 A JP 10127656A JP 12765698 A JP12765698 A JP 12765698A JP H1139493 A JPH1139493 A JP H1139493A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- matching
- standard
- distance
- standard 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Abstract
(57)【要約】 （修正有）
【課題】 パターン整合の正確度を上げ、パターン整合
速度を速くする。 【解決手段】 各標準パターンに対する情報は最近接及
び最遠接の隣の標準パターンのインデックス、隣の標準
パターンまでの距離情報及び方向情報よりなり、最近接
及び最遠接の隣の標準パターンの個数が標準パターンの
特性によって決まるデータベースから任意の標準パター
ンを選択した後、入力パターンと選択された標準パター
ン間の距離及び方向を計算して、距離が第１臨界値以下
であれば整合比較対象に含め、距離が第１臨界値以上
で、かつ第１臨界値との差が第２臨界値以下の場合、選
択された標準パターンを中心として所定の半径内にある
隣の標準パターンの方向に鑑みて、選択された標準パタ
ーンの隣の標準パターンを整合比較対象に含めるかどう
かをパターン分類部で決定し、パターン整合部で整合比
較対象パターンと入力パターンを整合させる。
速度を速くする。 【解決手段】 各標準パターンに対する情報は最近接及
び最遠接の隣の標準パターンのインデックス、隣の標準
パターンまでの距離情報及び方向情報よりなり、最近接
及び最遠接の隣の標準パターンの個数が標準パターンの
特性によって決まるデータベースから任意の標準パター
ンを選択した後、入力パターンと選択された標準パター
ン間の距離及び方向を計算して、距離が第１臨界値以下
であれば整合比較対象に含め、距離が第１臨界値以上
で、かつ第１臨界値との差が第２臨界値以下の場合、選
択された標準パターンを中心として所定の半径内にある
隣の標準パターンの方向に鑑みて、選択された標準パタ
ーンの隣の標準パターンを整合比較対象に含めるかどう
かをパターン分類部で決定し、パターン整合部で整合比
較対象パターンと入力パターンを整合させる。
Description
【０００１】
【発明の属する技術分野】本発明は距離及び方向に鑑み
たパターン整合装置及び方法に係り、特に入力パターン
と標準パターンの距離だけでなく方向も考えて入力パタ
ーンを分類及び整合させるパターン整合装置及び方法に
関する。
たパターン整合装置及び方法に係り、特に入力パターン
と標準パターンの距離だけでなく方向も考えて入力パタ
ーンを分類及び整合させるパターン整合装置及び方法に
関する。
【０００２】
【従来の技術】パターン整合というのはパターン認識、
文字認識、または音声認識のような認識システムで広く
用いられる方法で、あらかじめ定めた標準パターンの特
徴と未知のパターンとの類似度や整合度を調べて未知の
パターンを識別することで、大容量パターン集合をリア
ルタイムで認識するためには高速のパターン探索技法が
必要である。しかし、現存する大部分のパターン分類技
法は認識速度及び正確面から交換関係があり、高速の場
合には認識性能が低く認識性能が良いシステムの場合は
処理速度が遅い短所がある。
文字認識、または音声認識のような認識システムで広く
用いられる方法で、あらかじめ定めた標準パターンの特
徴と未知のパターンとの類似度や整合度を調べて未知の
パターンを識別することで、大容量パターン集合をリア
ルタイムで認識するためには高速のパターン探索技法が
必要である。しかし、現存する大部分のパターン分類技
法は認識速度及び正確面から交換関係があり、高速の場
合には認識性能が低く認識性能が良いシステムの場合は
処理速度が遅い短所がある。
【０００３】また、従来のパターン整合において、各パ
ターン集合が有する一定の個数の最近接／最遠接の隣の
標準パターン（以下モデルとする）には不要なモデルが
含まれておりメモリ空間を不要に消費するだけでなく、
探索空間が大きくなり速度を低下させる原因になる。ま
た、識別し難いパターンの場合、類似パターンが多いに
もかかわらず一定の個数の標準パターンだけを貯蔵して
整合することにより正確度を落とす結果を招く。
ターン集合が有する一定の個数の最近接／最遠接の隣の
標準パターン（以下モデルとする）には不要なモデルが
含まれておりメモリ空間を不要に消費するだけでなく、
探索空間が大きくなり速度を低下させる原因になる。ま
た、識別し難いパターンの場合、類似パターンが多いに
もかかわらず一定の個数の標準パターンだけを貯蔵して
整合することにより正確度を落とす結果を招く。
【０００４】従来のパターン分類方法では二つのモデル
ベクトル間の距離だけに鑑みた最近接／最遠接の隣のモ
デルデータベース（以下データベースとする）を利用す
る。入力パターンとモデル間の距離が臨界値αより大き
ければ入力パターンから遠いモデルである可能性が高い
ので、データベースにある前記モデルのｋ個の最近接の
隣を認識比較対象から除外させる。即ち、入力パターン
と比較される対象モデルが入力パターンを中心として半
径αを有する円の境界面に近く位置していようが遠く位
置していようが関係なく、そのモデルがデータベースで
有する一定の個数の最近接の隣のモデルを認識比較対象
から除外させる。しかし、比較されるモデルが前記境界
面に近く位置していればそれに隣接した一定の個数の最
近接の隣のモデルが実際に入力パターンと近いにもかか
わらず整合比較対象から除外される可能性が多いので、
認識正確度が悪くなる問題点がある。
ベクトル間の距離だけに鑑みた最近接／最遠接の隣のモ
デルデータベース（以下データベースとする）を利用す
る。入力パターンとモデル間の距離が臨界値αより大き
ければ入力パターンから遠いモデルである可能性が高い
ので、データベースにある前記モデルのｋ個の最近接の
隣を認識比較対象から除外させる。即ち、入力パターン
と比較される対象モデルが入力パターンを中心として半
径αを有する円の境界面に近く位置していようが遠く位
置していようが関係なく、そのモデルがデータベースで
有する一定の個数の最近接の隣のモデルを認識比較対象
から除外させる。しかし、比較されるモデルが前記境界
面に近く位置していればそれに隣接した一定の個数の最
近接の隣のモデルが実際に入力パターンと近いにもかか
わらず整合比較対象から除外される可能性が多いので、
認識正確度が悪くなる問題点がある。
【０００５】
【発明が解決しようとする課題】本発明が達成しようと
する技術的な課題はデータベースの大きさを動的に構成
し、パターン分類時距離だけでなく方向も考慮すること
によって特に大容量のパターンに対して正確で速くパタ
ーン整合を行なう距離及び方向に鑑みたパターン整合装
置及び方法を提供することにある。
する技術的な課題はデータベースの大きさを動的に構成
し、パターン分類時距離だけでなく方向も考慮すること
によって特に大容量のパターンに対して正確で速くパタ
ーン整合を行なう距離及び方向に鑑みたパターン整合装
置及び方法を提供することにある。
【０００６】
【課題を解決するための手段】前記技術的課題を達成す
るために、本発明は入力パターンから特徴点を抽出して
特徴ベクトルを求め、あらかじめ貯蔵された標準パター
ンの特徴ベクトルと前記入力パターンの特徴ベクトルと
を比較して入力パターンと標準パターンを整合するパタ
ーン整合装置において、前記各標準パターンに対する情
報は最近接及び最遠接の隣の標準パターンのインデック
ス、前記各標準パターンから前記隣の標準パターンまで
の距離情報及び方向情報よりなり、前記最近接及び最遠
接の隣の標準パターンの個数が前記標準パターンの特性
によって決まるデータベースと、前記データベースから
任意の標準パターンを選択した後、前記入力パターンと
前記選択された標準パターン間の距離及び方向を計算し
て、前記距離が第１臨界値以下であれば整合比較対象に
含め、前記距離が第１臨界値以上で前記距離と第１臨界
値の差が第２臨界値以下の場合、前記選択された標準パ
ターンを中心として所定の半径内にある隣の標準パター
ンの方向に鑑みて前記選択された標準パターンと前記選
択された標準パターンが有する隣の標準パターンを整合
比較対象に含めるかどうかを決定するパターン分類部、
及び前記パターン分類部で決定された整合比較対象パタ
ーンと前記入力パターンを整合させるパターン整合部と
を含む。
るために、本発明は入力パターンから特徴点を抽出して
特徴ベクトルを求め、あらかじめ貯蔵された標準パター
ンの特徴ベクトルと前記入力パターンの特徴ベクトルと
を比較して入力パターンと標準パターンを整合するパタ
ーン整合装置において、前記各標準パターンに対する情
報は最近接及び最遠接の隣の標準パターンのインデック
ス、前記各標準パターンから前記隣の標準パターンまで
の距離情報及び方向情報よりなり、前記最近接及び最遠
接の隣の標準パターンの個数が前記標準パターンの特性
によって決まるデータベースと、前記データベースから
任意の標準パターンを選択した後、前記入力パターンと
前記選択された標準パターン間の距離及び方向を計算し
て、前記距離が第１臨界値以下であれば整合比較対象に
含め、前記距離が第１臨界値以上で前記距離と第１臨界
値の差が第２臨界値以下の場合、前記選択された標準パ
ターンを中心として所定の半径内にある隣の標準パター
ンの方向に鑑みて前記選択された標準パターンと前記選
択された標準パターンが有する隣の標準パターンを整合
比較対象に含めるかどうかを決定するパターン分類部、
及び前記パターン分類部で決定された整合比較対象パタ
ーンと前記入力パターンを整合させるパターン整合部と
を含む。
【０００７】前記技術的な課題を達成するための、本発
明は入力パターンから特徴点を抽出して特徴ベクトルを
求め、あらかじめ貯蔵された標準パターンの特徴ベクト
ルと前記入力パターンの特徴ベクトルとを比較して入力
パターンと標準パターンを整合するパターン整合方法に
おいて、入力パターンの特徴ベクトルを抽出する第１段
階と、前記標準パターンの特徴ベクトル中の一つと前記
入力パターンの特徴ベクトル間の距離及び方向を計算す
る第２段階と、前記第２段階で計算された距離が第１臨
界値以下であれば前記標準パターンを整合比較対象に含
め、第１臨界値より大きければ前記計算された距離及び
方向によって前記標準パターンを整合比較対象に含める
かどうかを決定する第３段階、及び前記第３段階の整合
比較対象を前記入力パターンと整合する第４段階とを含
む。
明は入力パターンから特徴点を抽出して特徴ベクトルを
求め、あらかじめ貯蔵された標準パターンの特徴ベクト
ルと前記入力パターンの特徴ベクトルとを比較して入力
パターンと標準パターンを整合するパターン整合方法に
おいて、入力パターンの特徴ベクトルを抽出する第１段
階と、前記標準パターンの特徴ベクトル中の一つと前記
入力パターンの特徴ベクトル間の距離及び方向を計算す
る第２段階と、前記第２段階で計算された距離が第１臨
界値以下であれば前記標準パターンを整合比較対象に含
め、第１臨界値より大きければ前記計算された距離及び
方向によって前記標準パターンを整合比較対象に含める
かどうかを決定する第３段階、及び前記第３段階の整合
比較対象を前記入力パターンと整合する第４段階とを含
む。
【０００８】
【発明の実施の形態】以下、添付した図面を参照してよ
り詳細に説明する。図１は本発明による距離及び方向に
鑑みたパターン整合装置であって、図１による大容量パ
ターン整合装置は前処理部１００、特徴抽出部１０２、
パターン分類部１０４、データベース１０６及びパター
ン整合部１０８よりなる。
り詳細に説明する。図１は本発明による距離及び方向に
鑑みたパターン整合装置であって、図１による大容量パ
ターン整合装置は前処理部１００、特徴抽出部１０２、
パターン分類部１０４、データベース１０６及びパター
ン整合部１０８よりなる。
【０００９】前処理部１００はパターン整合に必要な情
報を強化し、不要な情報を減らすことによってパターン
整合エラーを最小化し、特徴抽出部１０２はパターンの
特徴ベクトルを抽出する。データベース１０６は図２に
示したように、ｋ−最近接の隣の識別器を利用して各モ
デルから最近接した隣のモデルと最遠接した隣のモデル
のインデックス、距離及び方向を貯蔵している。この際
各モデルが有する最近接／最遠接の隣のモデルの個数は
モデルの分布によって違う。
報を強化し、不要な情報を減らすことによってパターン
整合エラーを最小化し、特徴抽出部１０２はパターンの
特徴ベクトルを抽出する。データベース１０６は図２に
示したように、ｋ−最近接の隣の識別器を利用して各モ
デルから最近接した隣のモデルと最遠接した隣のモデル
のインデックス、距離及び方向を貯蔵している。この際
各モデルが有する最近接／最遠接の隣のモデルの個数は
モデルの分布によって違う。
【００１０】パターン分類部１０４はデータベース１０
６から選択されたモデルを調べて整合比較対象を決定
し、パターン整合部１０８はパターン分類部１０４から
決定された整合比較対象を入力パターンと整合する。本
発明の動作原理を図３及び図４を参照して説明する。図
３は本発明によるパターン整合方法に対するフローチャ
ートである。図４は入力パターンとモデルの分布を示す
ことである。
６から選択されたモデルを調べて整合比較対象を決定
し、パターン整合部１０８はパターン分類部１０４から
決定された整合比較対象を入力パターンと整合する。本
発明の動作原理を図３及び図４を参照して説明する。図
３は本発明によるパターン整合方法に対するフローチャ
ートである。図４は入力パターンとモデルの分布を示す
ことである。
【００１１】パターン整合の一例として文字認識の場合
に鑑みる。入力パターン、即ち、文字が入力されると前
処理部１００はスキャナーのような入力装置により発生
した雑音などを除去し、大きさの正規化、骨格線（スケ
ルトン）抽出のための骨格化及びエラー復旧のための平
滑化過程を遂行する。特徴抽出部１０２は前処理された
入力パターンから入力された文字を代表する固有の特性
を示す特徴値、例えば部分領域内の黒い画素の数や画素
の方向成分を求めて特徴ベクトルを作る（３００段
階）。
に鑑みる。入力パターン、即ち、文字が入力されると前
処理部１００はスキャナーのような入力装置により発生
した雑音などを除去し、大きさの正規化、骨格線（スケ
ルトン）抽出のための骨格化及びエラー復旧のための平
滑化過程を遂行する。特徴抽出部１０２は前処理された
入力パターンから入力された文字を代表する固有の特性
を示す特徴値、例えば部分領域内の黒い画素の数や画素
の方向成分を求めて特徴ベクトルを作る（３００段
階）。
【００１２】データベース１０６から任意のモデルＭi
を選択する（３０２段階）。パターン分類部１０４を通
じてモデルＭi とｘ間の距離ｄi 及び方向を計算する
（３０４段階）。入力パターンｘのベクトルがｘ＝［ｘ
1 、ｘ2 、…、ｘk ］ T 、ｉ番目のモデルベクトルがＭ
i ＝［ｍi1、ｍi2、…、ｍik］T である時、ｘとＭi 間
の距離ｄi は次のように決定される。
を選択する（３０２段階）。パターン分類部１０４を通
じてモデルＭi とｘ間の距離ｄi 及び方向を計算する
（３０４段階）。入力パターンｘのベクトルがｘ＝［ｘ
1 、ｘ2 、…、ｘk ］ T 、ｉ番目のモデルベクトルがＭ
i ＝［ｍi1、ｍi2、…、ｍik］T である時、ｘとＭi 間
の距離ｄi は次のように決定される。
【００１３】
【数１】
【００１４】ここで、ｋはベクトルの大きさである。方
向は二つのベクトル間の角により決定される。計算され
た距離ｄi が任意の値αより大きければ（３０６段階、
図３のＭ1 、Ｍ2 、Ｍ3 、Ｍ4 の場合）、αと距離ｄi
の差（即ち、｜α−ｄi ｜）によりＭ i を中心として半
径が決定される（３０８段階）。即ち、｜α−ｄi ｜が
大きければ半径が大きいし、小さければ半径も小さくな
る。半径が決定された後、αとｄi の差が任意の値γよ
り大きいかどうかを点検する（３１０段階）。万一、大
きければモデルＭi が入力パターンと遠く離れているこ
とを意味するので半径内のモデルは有効モデル範囲、即
ち整合比較対象モデルから除外される（３１２段階、図
４のＭ3 の場合）。αとｄi の差が任意の値γより小さ
いとか同じであれば、半径内のモデル中で有効なモデル
があると推定されるので、Ｍi から半径内モデルへの方
向が調査された後、入力パターンからモデルＭi への方
向と反対方向を有するモデルが有効なモデルに見なされ
る（３１４段階、図４でＭ4 の場合でｌ42が反対方向で
あるのでＭ42が有効モデルとして見なされる）。
向は二つのベクトル間の角により決定される。計算され
た距離ｄi が任意の値αより大きければ（３０６段階、
図３のＭ1 、Ｍ2 、Ｍ3 、Ｍ4 の場合）、αと距離ｄi
の差（即ち、｜α−ｄi ｜）によりＭ i を中心として半
径が決定される（３０８段階）。即ち、｜α−ｄi ｜が
大きければ半径が大きいし、小さければ半径も小さくな
る。半径が決定された後、αとｄi の差が任意の値γよ
り大きいかどうかを点検する（３１０段階）。万一、大
きければモデルＭi が入力パターンと遠く離れているこ
とを意味するので半径内のモデルは有効モデル範囲、即
ち整合比較対象モデルから除外される（３１２段階、図
４のＭ3 の場合）。αとｄi の差が任意の値γより小さ
いとか同じであれば、半径内のモデル中で有効なモデル
があると推定されるので、Ｍi から半径内モデルへの方
向が調査された後、入力パターンからモデルＭi への方
向と反対方向を有するモデルが有効なモデルに見なされ
る（３１４段階、図４でＭ4 の場合でｌ42が反対方向で
あるのでＭ42が有効モデルとして見なされる）。
【００１５】３０６段階でｄi がαより小さいか同じで
あり、またｄi がαより小さな値βより小さいとか同じ
であれば（３１８段階）、Ｍi が有する最遠接の隣のモ
デルが除外されて（３２０段階）、最近接モデルだけが
有効なモデルとして見なされる。前述した過程が完了し
た後、再び他のモデルを選択して有効なモデルを調べよ
うとすれば（３１６段階）、３０２段階に戻って前述し
た過程を反復し、充分の有効モデルが調査されたら、調
査された有効モデルからパターン整合がなされる（３２
２段階）。
あり、またｄi がαより小さな値βより小さいとか同じ
であれば（３１８段階）、Ｍi が有する最遠接の隣のモ
デルが除外されて（３２０段階）、最近接モデルだけが
有効なモデルとして見なされる。前述した過程が完了し
た後、再び他のモデルを選択して有効なモデルを調べよ
うとすれば（３１６段階）、３０２段階に戻って前述し
た過程を反復し、充分の有効モデルが調査されたら、調
査された有効モデルからパターン整合がなされる（３２
２段階）。
【００１６】
【発明の効果】本発明によると、パターン整合時可能性
のある有効な標準パターンを距離だけでなく方向まで考
えて動的に決定することによって、特に大容量のパター
ンに対してパターン整合の正確度を上げ、パターン整合
速度が速くできる。またパターン認識及び音声認識にも
容易に適用できる。
のある有効な標準パターンを距離だけでなく方向まで考
えて動的に決定することによって、特に大容量のパター
ンに対してパターン整合の正確度を上げ、パターン整合
速度が速くできる。またパターン認識及び音声認識にも
容易に適用できる。
【図１】本発明による距離及び方向に鑑みたパターン整
合装置に対するブロック図である。
合装置に対するブロック図である。
【図２】図１のデータベースの構成図である。
【図３】本発明による距離及び方向に鑑みたパターン整
合方法に対するフローチャートである。
合方法に対するフローチャートである。
【図４】標準パターンと入力パターンの分布を示す図で
ある。
ある。
１００ 前処理部 １０２ 特徴抽出部 １０４ パターン分類部 １０６ データベース １０８ パターン整合部
Claims (7)
- 【請求項１】 入力パターンから特徴点を抽出して特徴
ベクトルを求め、あらかじめ貯蔵された標準パターンの
特徴ベクトルと前記入力パターンの特徴ベクトルとを比
較して入力パターンと標準パターンを整合するパターン
整合装置において、 前記各標準パターンに対する情報は最近接及び最遠接の
隣の標準パターンのインデックス、前記各標準パターン
から前記隣の標準パターンまでの距離情報及び方向情報
よりなり、前記最近接及び最遠接の隣の標準パターンの
個数が前記標準パターンの特性によって決まるデータベ
ースと、 前記データベースから任意の標準パターンを選択した
後、前記入力パターンと前記選択された標準パターン間
の距離及び方向を計算して、前記距離が第１臨界値以下
であれば前記選択された標準パターンを整合比較対象に
含め、前記距離が第１臨界値以上で前記距離と第１臨界
値の差が第２臨界値以下の場合、前記選択された標準パ
ターンを中心として所定の半径内にある隣の標準パター
ンの方向に鑑みて前記選択された標準パターンと前記選
択された標準パターンが有する隣の標準パターンを整合
比較対象に含めるかどうかを決定するパターン分類部
と、 前記パターン分類部で決定された整合比較対象パターン
と前記入力パターンを整合させるパターン整合部とを含
むことを特徴とする距離及び方向に鑑みたパターン整合
装置。 - 【請求項２】 前記パターン分類部は、 前記距離が第１臨界値より小さな第３臨界値以下であれ
ば、前記選択された標準パターンの最近接の隣のパター
ンを全て整合比較対象に含むことを特徴とする請求項１
に記載のパターン整合装置。 - 【請求項３】 前記半径は、 前記入力パターンと前記選択された標準パターン間の距
離によって決定されることを特徴とする請求項１に記載
のパターン整合装置。 - 【請求項４】 入力パターンから特徴点を抽出して特徴
ベクトルを求め、あらかじめ貯蔵された標準パターンの
特徴ベクトルと前記入力パターンの特徴ベクトルとを比
較して入力パターンと標準パターンを整合するパターン
整合方法において、 入力パターンの特徴ベクトルを抽出する第１段階と、 前記標準パターンの特徴ベクトル中の一つと前記入力パ
ターンの特徴ベクトル間の距離及び方向を計算する第２
段階と、 前記第２段階で計算された距離が第１臨界値以下であれ
ば前記標準パターンを整合比較対象に含め、第１臨界値
より大きければ前記計算された距離及び方向によって前
記標準パターンを整合比較対象に含めるかどうかを決定
する第３段階と、 前記第３段階の整合比較対象を前記入力パターンと整合
する第４段階とを含むことを特徴とする距離及び方向に
鑑みたパターン整合方法。 - 【請求項５】 複数個の標準パターンを選択してその各
々に対して前記第２段階乃至第３段階を反復することを
特徴とする請求項４に記載のパターン整合方法。 - 【請求項６】 第３段階は、 前記第２段階で計算された距離が前記第１臨界値より小
さな第２臨界値以下であれば、前記標準パターンが有す
る最近接の隣の標準パターンを整合比較対象に含むこと
を特徴とする請求項４に記載のパターン整合方法。 - 【請求項７】 前記第３段階は前記計算された距離によ
って前記選択された標準パターンを中心として所定の半
径を決定する段階と、 前記第１臨界値と前記計算された距離の差が第３臨界値
であれば、前記決定された半径以内に位置する隣の標準
パターンを整合比較対象から除外し、第３臨界値より小
さければ、前記決定された半径以内にある隣の標準パタ
ーン中前記選択された標準パターンからの方向が前記入
力パターンからの方向と反対の隣の標準パターンを前記
整合比較対象に含め、前記半径以内の残りの隣の標準パ
ターンは整合比較対象から除外する段階を具備すること
を特徴とする請求項４に記載のパターン整合方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR32908/1997 | 1997-07-15 | ||
| KR1019970032908A KR100247969B1 (ko) | 1997-07-15 | 1997-07-15 | 대용량패턴정합장치및방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH1139493A true JPH1139493A (ja) | 1999-02-12 |
| JP2977032B2 JP2977032B2 (ja) | 1999-11-10 |
Family
ID=19514559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP10127656A Expired - Fee Related JP2977032B2 (ja) | 1997-07-15 | 1998-05-11 | 距離及び方向に鑑みたパターン整合装置及びその方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US6128410A (ja) |
| JP (1) | JP2977032B2 (ja) |
| KR (1) | KR100247969B1 (ja) |
| CN (1) | CN1103086C (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100400500B1 (ko) * | 2000-08-21 | 2003-10-08 | 삼성전자주식회사 | 특징 벡터 데이터 공간의 인덱싱 방법 |
| KR100446639B1 (ko) * | 2001-07-13 | 2004-09-04 | 한국전자통신연구원 | 셀 기반의 고차원 데이터 색인 장치 및 그 방법 |
| JP2022521398A (ja) * | 2019-02-19 | 2022-04-07 | ドンウン アナテック カンパニー リミテッド | オーディオ信号パターンを用いたハプティック信号発生方法および装置 |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6562077B2 (en) * | 1997-11-14 | 2003-05-13 | Xerox Corporation | Sorting image segments into clusters based on a distance measurement |
| JP2000285140A (ja) * | 1998-12-24 | 2000-10-13 | Ricoh Co Ltd | 文書処理装置、文書分類装置、文書処理方法、文書分類方法およびそれらの方法をコンピュータに実行させる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 |
| US6535640B1 (en) * | 2000-04-27 | 2003-03-18 | National Instruments Corporation | Signal analysis system and method for determining a closest vector from a vector collection to an input signal |
| KR100481933B1 (ko) * | 2000-12-14 | 2005-04-13 | 마츠시다 덴코 가부시키가이샤 | 영상 처리기 및 이를 이용한 패턴 인식 장치 |
| US20040052418A1 (en) * | 2002-04-05 | 2004-03-18 | Bruno Delean | Method and apparatus for probabilistic image analysis |
| JP4623920B2 (ja) * | 2002-07-09 | 2011-02-02 | ソニー株式会社 | 類似度算出方法及び装置、並びにプログラム及び記録媒体 |
| US8010296B2 (en) * | 2002-12-19 | 2011-08-30 | Drexel University | Apparatus and method for removing non-discriminatory indices of an indexed dataset |
| CN1538322B (zh) * | 2003-04-14 | 2010-04-21 | 中兴通讯股份有限公司 | 一种用于消除字符串模糊匹配冗余的过滤方法 |
| US7388990B2 (en) * | 2003-09-22 | 2008-06-17 | Matrox Electronics Systems, Ltd. | Local mass distribution partitioning for object recognition |
| CN1867966B (zh) * | 2003-10-03 | 2012-05-30 | 旭化成株式会社 | 数据处理单元、模式模型搜索单元和特定模式模型提供系统 |
| US20050114331A1 (en) * | 2003-11-26 | 2005-05-26 | International Business Machines Corporation | Near-neighbor search in pattern distance spaces |
| US20060052943A1 (en) * | 2004-07-28 | 2006-03-09 | Karthik Ramani | Architectures, queries, data stores, and interfaces for proteins and drug molecules |
| US7437398B2 (en) * | 2004-07-30 | 2008-10-14 | Intel Corporation | Pattern matching architecture |
| US7646916B2 (en) * | 2005-04-15 | 2010-01-12 | Mississippi State University | Linear analyst |
| CN1983249A (zh) * | 2005-12-12 | 2007-06-20 | 徐文新 | 字符串规划存贮索引查找技术 |
| JP2007233873A (ja) * | 2006-03-02 | 2007-09-13 | Toshiba Corp | パターン認識装置及びその方法 |
| US8246327B2 (en) * | 2006-06-01 | 2012-08-21 | Gast Manufacturing, Inc. | Dual-cylinder rocking piston compressor |
| US7978313B2 (en) * | 2008-05-30 | 2011-07-12 | The Boeing Company | Systems and methods for targeting directed energy devices |
| CN101339619B (zh) * | 2008-08-11 | 2010-06-16 | 重庆大学 | 用于模式分类的动态特征选择方法 |
| CN101820501A (zh) * | 2010-03-22 | 2010-09-01 | 中国科学院长春光学精密机械与物理研究所 | 一种电视波门稳定跟踪的方法 |
| CN108304882B (zh) * | 2018-02-07 | 2022-03-04 | 腾讯科技（深圳）有限公司 | 一种图像分类方法、装置及服务器、用户终端、存储介质 |
| US11847244B1 (en) * | 2019-08-20 | 2023-12-19 | Shoreline Labs, Inc. | Private information detector for data loss prevention |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5060277A (en) * | 1985-10-10 | 1991-10-22 | Palantir Corporation | Pattern classification means using feature vector regions preconstructed from reference data |
| US5647058A (en) * | 1993-05-24 | 1997-07-08 | International Business Machines Corporation | Method for high-dimensionality indexing in a multi-media database |
| EP0694852B1 (en) * | 1994-07-28 | 2002-06-26 | International Business Machines Corporation | Innovative neuron circuit architectures |
| US5901244A (en) * | 1996-06-18 | 1999-05-04 | Matsushita Electric Industrial Co., Ltd. | Feature extraction system and face image recognition system |
-
1997
- 1997-07-15 KR KR1019970032908A patent/KR100247969B1/ko not_active IP Right Cessation
-
1998
- 1998-05-11 JP JP10127656A patent/JP2977032B2/ja not_active Expired - Fee Related
- 1998-06-03 CN CN98109708A patent/CN1103086C/zh not_active Expired - Fee Related
- 1998-06-08 US US09/092,966 patent/US6128410A/en not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100400500B1 (ko) * | 2000-08-21 | 2003-10-08 | 삼성전자주식회사 | 특징 벡터 데이터 공간의 인덱싱 방법 |
| KR100446639B1 (ko) * | 2001-07-13 | 2004-09-04 | 한국전자통신연구원 | 셀 기반의 고차원 데이터 색인 장치 및 그 방법 |
| JP2022521398A (ja) * | 2019-02-19 | 2022-04-07 | ドンウン アナテック カンパニー リミテッド | オーディオ信号パターンを用いたハプティック信号発生方法および装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US6128410A (en) | 2000-10-03 |
| CN1103086C (zh) | 2003-03-12 |
| KR100247969B1 (ko) | 2000-03-15 |
| CN1205486A (zh) | 1999-01-20 |
| KR19990010210A (ko) | 1999-02-05 |
| JP2977032B2 (ja) | 1999-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2977032B2 (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 | |
| Wang et al. | Face r-cnn | |
| JP2815045B2 (ja) | 画像特徴抽出装置，画像特徴解析装置，および画像照合システム | |
| CN106415594B (zh) | 用于面部验证的方法和系统 | |
| US8842883B2 (en) | Global classifier with local adaption for objection detection | |
| JP4410732B2 (ja) | 顔画像検出装置、顔画像検出方法および顔画像検出プログラム | |
| US20070058856A1 (en) | Character recoginition in video data | |
| US8744144B2 (en) | Feature point generation system, feature point generation method, and feature point generation program | |
| JP2827994B2 (ja) | 指紋特徴抽出装置 | |
| JP2004054956A (ja) | 顔／類似顔映像で学習されたパターン分類器を利用した顔検出方法及びシステム | |
| JP2006146626A (ja) | パターン認識方法および装置 | |
| US20110235926A1 (en) | Information processing apparatus, method and program | |
| Han et al. | Moving object detection revisited: Speed and robustness | |
| KR20040037179A (ko) | 얼굴 이미지들의 시간적 시퀀스로부터의 얼굴 인식 | |
| KR102195940B1 (ko) | 적응적 비최대억제 방법을 이용하는 딥러닝기반 영상객체 탐지를 위한 장치 및 방법 | |
| Chandra et al. | Verification of static signature pattern based on random subspace, REP tree and bagging | |
| JP4749884B2 (ja) | 顔判別装置の学習方法、顔判別方法および装置並びにプログラム | |
| Günay et al. | Real-time dynamic texture recognition using random sampling and dimension reduction | |
| JP2004178569A (ja) | データ分類装置、物体認識装置、データ分類方法及び物体認識方法 | |
| Shekar et al. | Blockwise binary pattern: a robust and an efficient approach for offline signature verification | |
| JP2006244385A (ja) | 顔判別装置およびプログラム並びに顔判別装置の学習方法 | |
| JP2002245404A (ja) | 領域切り出しプログラムおよび装置 | |
| JPH10301917A (ja) | 認識辞書学習方法及びその装置並びにプログラムを記録した機械読み取り可能な記録媒体 | |
| Hahmann et al. | Eye localization using the discriminative generalized hough transform | |
| JP3209197B2 (ja) | 文字認識装置及び文字認識プログラムを記録した記録媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080910 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080910 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090910 Year of fee payment: 10 |
|
| LAPS | Cancellation because of no payment of annual fees |