JPH06274697A - 認識対象の特徴選択方法 - Google Patents

Abstract

(57)【要約】 【目的】 認識対象の位置ズレの有無に拘わらず常に正
しい認識を行うことができる認識対象の特徴選択方法。 【構成】 入力された複数のサンプルＳ_h 毎に１以上の
特徴要素ｆ_i を抽出し，抽出された特徴要素ｆ_i の中か
らサンプルＳ_h の認識に有効な要素Ｆ′を選択する際
に，サンプルＳ_h 中のある１つのサンプルから抽出され
た特徴要素ｆ_i 間の影響度を表すための影響要素ｗ
（ｉ，ｊ）の初期値を生成し，サンプルＳ_h 中のサンプ
ルＳ_k とサンプルＳ_L とについてそれぞれ抽出された特
徴要素ｆ_i 間の偏差である要素ｄ_kL（ｉ，ｊ）からなる
集合Ｑを求め，影響要素ｗ（ｉ，ｊ）の初期値を，差分
要素ｄ_kL（ｉ，ｊ）に基づいて，その近隣ｗ（ｉ−ｊ，
ｊ−ｉ）〜ｗ（ｉ＋ｊ，ｊ＋ｉ）を含めて修正して得ら
れたサンプルＳ_h 間の大きい特徴の差を表す適当数の影
響要素に対応する特徴要素ｆ′_i からなる特徴ベクトル
Ｆ′を選択するように構成されている。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は認識対象の特徴選択方法
に係り，詳しくは予め用意した多種類の特徴の中から認
識対象の形状に応じて精度よく認識できる数種類の特徴
を自動的に選択する認識対象の特徴選択方法に関するも
のである。

【０００２】

【従来の技術】近年のコンピュータの発達に伴い，文字
等の認識装置のニーズが高まっている。しかし，認識装
置は認識対象の形状に適した処理で構成されており，認
識対象が異なると精度良く認識できない場合がほとんど
であるため，上記ニーズに答えるためには各種類の認識
対象に適した多くの認識装置を構築する必要がある。又
認識対象に適した認識精度の良い認識装置を作成するに
は，認識対象の形状の差異などを表現するのに適した情
報即ち特徴を抽出し，この抽出された特徴をもとに認識
を行う。そのため精度の良い認識装置構築の際には，認
識対象からどのような特徴を抽出するのが適しているの
かを判断する必要がある。従来は，認識装置の開発に熟
練した技術者が大きな労力をかけて上記判断を行ってい
たが，最近では自動的に行う特徴選択方法がいくつか開
発されている。図２はこのような従来の認識対象の特徴
選択方法を含む認識方法を示す全体フローチャートであ
る。図２に示す如く，従来の認識対象の特徴選択方法を
含む認識方法では，まず複数の認識対象（文字等のサン
プル）を入力し（Ｓ０１），入力された認識対象毎に１
以上の特徴要素を抽出し（Ｓ０２），この抽出された特
徴要素の中から認識対象の認識に有効な特徴要素を選択
し（Ｓ０３），選択された特徴要素用いて実際の文字等
の認識を行う（Ｓ０４）。このような認識方法に用いら
れる特徴選択方法（上記ステップ中のＳ０２，Ｓ０３）
の多くは，いわゆる相関比を特徴選択の基準としている
（電子情報通信学会ＰＲＵ９０−３０等）。これは予め
認識対象のサンプルと，それから抽出した多種類の特徴
（特徴要素）を用意し，以下の（１）〜（３）式に示す
ようなカテゴリ間の分散Ｓ_B とカテゴリ内の分散Ｓ_W と
の比である分散比（相関比）ｆが最も大きくなるような
特徴の組合せを探査し，その組合せを認識対象に適した
特徴として選択するものである。

【数１】 ここで，ｍ_o ：全カテゴリの平均 ｍ_i ：ｉ番目のカテゴリの平均 ｎ_i ：カテゴリｉの学習パタン数 Ｌ：カテゴリ数 Ｘ_ij：カテゴリｉ，パタン番号ｊの特徴

【０００３】

【発明が解決しようとする課題】上記したような従来の
認識対象の特徴選択方法では，カテゴリの平均（即ち重
心）を用いる分散比を基準とするため，何らかの理由に
より位置ズレした文字では分散比が変化してしまい，そ
の文字を正しく認識できない場合がある。例えば，図４
に示すようなサンプル文字を用いて分散比を基準とする
選択方法に従って選択された特徴を用いて認識を行った
場合，図５に示すような文字は正しく認識することが可
能であるが，図６に示すような位置ズレした文字を正し
く認識できない場合が発生する。本発明は，このような
従来の技術における課題を解決するために，認識対象の
特徴選択方法を改良し，位置ズレしている文字等でも正
しく認識できるような特徴を選択し得る認識対象の特徴
選択方法を提供することを目的とするものである。

【０００４】

【課題を解決するための手段】上記目的を達成するため
に本発明は，入力された複数の認識対象毎に１以上の特
徴要素を抽出し，上記抽出された特徴要素の中から上記
認識対象の認識に有効な特徴要素を選択する認識対象の
特徴選択方法において，ある認識対象から抽出された特
徴要素間の影響度を表すための影響要素の初期値を，上
記ある認識対象から抽出された特徴要素毎に生成し，上
記ある認識対象と他の認識対象とについて，それぞれ抽
出された特徴要素間の偏差である差分要素からなる集合
を求め，上記影響要素の初期値を，上記差分要素に基づ
いて認識対象間の特徴の差の大きさを表すように修正す
ると共に，当該影響要素の近隣の影響要素についてもそ
の影響を波及させて修正し，上記修正を繰り返すことに
より認識対象間の特徴の差を表す影響要素の集合を求
め，該影響要素の集合の中の，認識対象間の大きい特徴
の差を表す適当数の影響要素に対応する特徴要素を選択
してなることを特徴とする認識対象の特徴選択方法とし
て構成されている。

【０００５】

【作用】本発明によれば，入力された複数の認識対象毎
に１以上の特徴要素を抽出し，上記抽出された特徴要素
の中から上記認識対象の認識に有効な特徴要素を選択す
るに際し，まず，ある認識対象から抽出された特徴要素
間の影響度を表すための影響要素の初期値が，上記ある
認識対象から抽出された特徴要素毎に生成される。次
に，上記ある認識対象と他の認識対象とについてそれぞ
れ抽出された特徴要素間の偏差である差分要素からなる
集合が求められる。そして，上記影響要素の初期値が，
上記差分要素に基づいて認識対象間の特徴の差の大きさ
を表すように修正されると共に，当該影響要素の近隣の
影響要素についてもその影響が波及させられて修正され
る。上記修正が繰り返されることにより認識対象間の特
徴の差を表す影響要素の集合が求められ，該影響要素の
集合の中の，認識対象間の大きい特徴の差を表す適当数
の影響要素に対応する特徴要素が選択される。上記差分
要素は認識対象間の差異を表現するものであり，上記影
響要素は認識対象内の特徴要素間の位置ズレ等に対する
影響を表すためのものである。従って，上記特徴要素の
選択が，上記差分要素に基づいて修正された上記影響要
素に基づいてなされることにより，上記認識対象の認識
に最も有効な特徴要素の選択を行うことができる。

【０００６】

【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は本発明の一実施例に係る認識対象の特徴選択
方法を示す部分フローチャート，図２は上記認識対象の
特徴選択方法を含む認識方法を示す全体フローチャート
（従来例と共用），図３は本方法による特徴選択に用い
られるメッシュ特徴の説明図，図４はサンプル文字の例
図である。図２に示す如く，本実施例に係る認識対象の
特徴選択方法は，入力された複数の認識対象（文字等）
毎に１以上の特徴要素を抽出し（Ｓ０２），この抽出さ
れた特徴要素の中から認識対象の認識に有効な特徴要素
を選択する（Ｓ０３）点で従来例と同様である。しか
し，本実施例では，ある認識対象から抽出された特徴要
素間の影響度を表すための影響要素を，上記ある認識対
象から抽出された特徴要素毎に生成し，上記ある認識対
象と他の認識対象について，それぞれ抽出された特徴要
素間の偏差である差分要素からなる集合を求め，上記影
響要素の初期値を，上記差分要素に基づいて認識対象間
の特徴の差の大きさを表すように修正すると共に，当該
影響要素の近隣の影響要素についてもその影響を波及さ
せて修正し，上記修正を繰り返すことにより認識対象間
の特徴の差を表す影響要素の集合を求め，該影響要素の
集合の中の，認識対象間の大きい特徴の差を表す適当数
の影響要素に対応する特徴要素を選択する点で従来例と
異なる。以下，この方法について主として図１を参照し
つつさらに具体的に述べる。この実施例では図２に示し
た手順Ｓ０３が図１に示すＳ１〜Ｓ８の手順に置きかえ
られる。認識対象として例えば図４に示すような数字等
のサンプルＳ_h （ｈ＝１，２，…，Ｋ）を用いる。この
サンプルＳ_h の入力データから，画素データ等の特徴要
素が上記図２におけるステップＳ０２の手順を経て予め
抽出されているものとする。この抽出された特徴要素に
はサンプルＳ_h の認識に有効なものと，有効でないもの
とが含まれている。そこで_, この方法では以下の手順に
よりサンプルＳ_hの認識に有効な特徴要素の選択を行
う。

【０００７】図１に示す如くまず，サンプルＳ₁ 〜Ｓ_K
の中のある１つのサンプルから抽出された特徴要素ｆ_i
（ｉ＝１，２，…，Ｍ×Ｎ）を図３に示すようにＭ×Ｎ
の行列からなるメッシュ状に配置して次式で表されるよ
うな２次元特徴ベクトルＦを生成する。この特徴要素ｆ
_i の種類は各サンプルに共通するものであるが，大きさ
は各サンプルにおける特徴の顕著さに応じて０〜１の範
囲で決定される。又，２次元特徴ベクトルＦ中の特徴要
素ｆ_i は，位置ズレによる影響の大きい特徴要素ｆ_i を
できるだけ近接させて配置する。

【数２】 ここで，位置ズレによる影響の大きさについて述べる。
例えば，ある１つのサンプルの２値化された画像入力デ
ータを８×８の行列からなるメッシュ状に分割し，各メ
ッシュ枠内の画素データを特徴要素として抽出したとす
る。抽出された特徴要素はｆ（１，１）〜ｆ（８，８）
の合計６４個となるが，この内特徴要素ｆ（１，１）の
みを黒画素データとして，それ以外は全て白画素データ
であるとする。そして特徴要素ｆ（１，１）が微小な位
置ズレを生じたとした場合，特徴要素ｆ（１，１）に隣
接する特徴要素ｆ（１，２）の白画素データが特徴要素
ｆ（１，１）の黒画素データに置き替わる可能性は比較
的大きい。一方，離れた特徴要素（８，８）の白画素デ
ータが特徴要素ｆ（１，１）の黒画素データに置き替わ
る可能性は比較的小さい。このような可能性の大きさが
位置ズレによる影響の大きさである。上記説明では，便
宜上，サンプルをメッシュ状に分割して抽出された特徴
要素を例にとったが，その場合には影響の大きい特徴要
素ｆ（１，１）とｆ（１，２）とはもともとサンプル中
での位置が接近しており，２次元特徴ベクトルＦの生成
時に特徴要素を並べ替える必要はない。しかし，メッシ
ュ状に分割されないような特徴要素（例えばサンプルに
含まれる黒画素の量自体など）については，人間の判断
により上記影響の大きいと思われる特徴要素同士をでき
るだけ近接するように必要に応じて並び替えを行う。同
様にして全サンプルＳ₁ 〜Ｓ_k についてそれぞれ１つの
２次元特徴ベクトルＦを生成する（Ｓ１）。

【０００８】次に，ある１つのサンプルに対応する２次
元特徴ベクトルＦに含まれる特徴要素ｆ_i 間の影響度
（後述するウエイトベクトルＷの修正時に影響を及ぼし
合う程度）を表すための影響要素ｗ（ｉ，ｊ）（ｉ＝１
…Ｍ，ｊ＝１…Ｎ）の初期値を，特徴要素ｆ_i 毎に適当
に生成する。例えば，初期値として影響要素ｗ（ｉ，
ｊ）＝０としてもよい。これらの影響要素ｗ（ｉ，ｊ）
の集合を２次元特徴ベクトルＦと同様に配置し，次式で
表されるような２次元ウエイトベクトルＷを１つ生成す
る。同様にして全サンプルＳ₁ 〜Ｓ_k についてそれぞれ
につき１つの２次元ウエイトベクトルＷを生成する（Ｓ
２）。

【数３】 そして，サンプルＳ_h の中の２つのサンプルＳ_k ，Ｓ_L
（ｋ＝１，２，…，Ｋ，Ｌ＝１，２，…，Ｋ，ｋ≠Ｌ）
の特徴ベクトルＦ_k ，Ｆ_L の特徴要素との偏差である差
分要素ｄ_kL（ｉ，ｊ）からなる差分ベクトルＤ_kLを次の
（６）式に従って計算し，集合Ｑを求める（Ｓ３）。

【数４】 以上の結果をもとに以下〜の処理を行い，ウエイト
ベクトルＷの修正を行うことで，多少位置ズレを生じた
サンプル間の比較を可能とする。 差分ベクトルＤ_kL中の差分要素ｄ_kL（ｉ，ｊ）が与
えるウエイトベクトルＷの修正量Δｗを次の（８）式に
より求め（Ｓ４），この修正量Δｗを用いてウエイトベ
クトルＷの要素ｗ（ｉ−１，ｊ−１）〜ｗ（ｉ＋１，ｊ
＋１）を修正する（Ｓ５）。即ち，サンプルの位置ズレ
を吸収するようなウエイトベクトルＷの修正が行われ
る。

【数５】 ここで，ｇ：学習係数（任意設定） Ｎｒ：修正の影響が及ぶ要素数（任意設定） 差分ベクトルＤ_kL中の全ての差分要素ｄ_kL（ｉ，
ｊ）について上記の処理を行う（Ｓ６）。 集合Ｑに含まれる全ての差分ベクトルＤ_kLについ
て，上記，の処理を行う（Ｓ７）。 上記〜の処理を繰り返し，ウエイトベクトルＷ
の修正を行う。 以上のようにして修正されたウエイトベクトルＷ中の影
響要素ｗ（ｉ，ｊ）で値が大きいものに対応する特徴要
素ｆ_i はサンプルＳ_k ，Ｓ_L 間の差異を良く表現してい
るものである。又，ウエイトベクトルＷの修正の際に近
隣の影響要素ｗ（ｉ−１，ｊ−１）〜ｗ（ｉ＋１，ｊ＋
１）にまで影響を与えているため多少，位置ズレが生じ
てもサンプルＳ_k ，Ｓ_L 間の差異をよく表すものとな
る。

【０００９】また，ウエイトベクトルＷの影響要素ｗ
（ｉ，ｊ）は２次元特徴ベクトルＦの特徴要素と対応し
ているため，位置ズレに対して影響の大きくなった特徴
要素ｆ _i に対応している影響要素ｗ（ｉ，ｊ）の値も大
きくなる。ウエイトベクトルＷを構成する上位Ｐ個の影
響要素に対応している特徴要素ｆ′_i を選択し，それら
をＦ′とする（Ｓ８）。 Ｆ′＝（ｆ′₁ ｆ′₂ ｆ′₃ …ｆ′_P ）…（１０） 上記方法により選択された特徴Ｆ′はサンプル間の差異
を良く表現し，且つ位置ズレに影響されない特徴を選択
することができるため従来例のように相関比で選択され
た特徴では正しく認識することが困難な位置ズレした認
識対象でも正しく認識できるようになる。この方法を実
際に適用した一例として，図４に示す０〜９の１０種類
の数字のサンプルＳ_h （ｈ＝１，…，１０）をもとに，
図３に示すような８×８種類のメッシュ特徴により構成
されている２次元特徴ベクトルＦからの中から３２種類
の特徴で構成されている特徴ベクトルＦ′を選択した結
果，前記図６に示したような位置ズレをした文字をも正
しく認識することができた。尚，この時は学習係数ｇ＝
０．３，修正の影響は周辺８近傍に及ぶものとしてＮ_r
＝９にそれぞれ設定した上で前記〜の処理を３００
回繰り返し，ウエイトベクトルＷを修正した。

【００１０】

【発明の効果】本発明に係る認識対象の特徴選択方法
は，上記したように構成されているため，選択された特
徴はサンプル間の差異を良く表現し，且つ位置ズレによ
り影響されない特徴を選択することができるため，従来
例における相関比で選択された特徴では正しく認識する
ことが困難であった位置ズレした認識対象でもより正し
く認識できるようになる。

【図面の簡単な説明】

【図１】 本発明の一実施例に係る認識対象の特徴選択
方法を示す部分フローチャート。

【図２】 上記認識対象の特徴選択方法を含む認識方法
を示す全体フローチャート（従来例と共用）。

【図３】 メッシュ特徴の説明図。

【図４】 サンプル文字の例図。

【図５】 相関比を基準として選択された特徴を用いて
正しく認識できた文字の例図。

【図６】 相関比を基準として選択された特徴を用いて
正しく認識できなかった文字の例図。

【符号の説明】

Ｓ_k ，Ｓ_L …サンプル（認識対象に相当） Ｆ…２次元特徴ベクトル ｆ_i …特徴要素 Ｗ…２次元ウエイトベクトル ｗ（ｉ，ｊ）…影響要素 Δｗ…修正量 Ｄ_kL…差分ベクトル ｄ_kL（ｉ，ｊ）…差分要素 Ｑ…集合 Ｆ′…選択された特徴 ｆ′_i …選択された特徴要素

Claims (1)

【特許請求の範囲】
1. 【請求項１】 入力された複数の認識対象毎に１以上の
   特徴要素を抽出し，上記抽出された特徴要素の中から上
   記認識対象の認識に有効な特徴要素を選択する認識対象
   の特徴選択方法において，ある認識対象から抽出された
   特徴要素間の影響度を表すための影響要素の初期値を，
   上記ある認識対象から抽出された特徴要素毎に生成し，
   上記ある認識対象と他の認識対象とについて，それぞれ
   抽出された特徴要素間の偏差である差分要素からなる集
   合を求め，上記影響要素の初期値を，上記差分要素に基
   づいて認識対象間の特徴の差の大きさを表すように修正
   すると共に，当該影響要素の近隣の影響要素についても
   その影響を波及させて修正し，上記修正を繰り返すこと
   により認識対象間の特徴の差を表す影響要素の集合を求
   め，該影響要素の集合の中の，認識対象間の大きい特徴
   の差を表す適当数の影響要素に対応する特徴要素を選択
   してなることを特徴とする認識対象の特徴選択方法。