JPH06309465A

JPH06309465A - 線図形学習認識方法

Info

Publication number: JPH06309465A
Application number: JP5094596A
Authority: JP
Inventors: Masaji Katagiri; 雅二片桐; Masakazu Nagura; 正計名倉; Hiroyuki Arai; 啓之新井
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: NTT Inc
Priority date: 1993-04-21
Filing date: 1993-04-21
Publication date: 1994-11-04

Abstract

(57)【要約】【目的】本発明の目的は、図形形状毎に対応する図形
認識ソフトウェアを作成することなく、図形の自動認識
が実現でき、図形の位置変動、回転、拡大、縮小に関わ
らず、自動認識が可能な線図形学習認識方法を提供する
ことである。【構成】本発明は、図形の形状の特徴を図形の曲率情
報が的確に表現していることに着目し、その曲率情報を
抽出し、曲率情報を入力とする適応的ベクトル量子化に
より類似の特徴をもつ曲線部分をまとめた上で、隣接す
る曲線部分との相対的な長さの情報とともにニューラル
ネットワークへの入力情報とすることによって図形の学
習を行い、その学習結果のニューラルネットワークを用
いて認識対象となる図形の認識を行う。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、線図形学習認識方法に
係り、特に、図面上の情報の設計、維持、管理等を行う
図面情報システムにおいて、図面中に描かれた図形情報
を計算機で取り扱える情報に変換する、即ち、初期図形
情報を図面から獲得する手段として、図面中の図形情報
を自動的に認識可能にする図形認識方法に関する。

【０００２】

【従来の技術】図面中の図形情報を計算機で得る方法と
して、取扱い可能な情報に変換する従来の代表的な手法
は、図面を大型タブレットに張り付け、カーソルを用い
て、図形を構成する線分の１本１本を手作業で抽出する
方法がある。この方式では、多大な時間を要するため、
他の方法として図形情報を自動的に獲得するために、図
面の図形を自動的に認識させる手法も開発されている。
この図面中の図形を自動的に認識する従来の代表的な手
法は、図形の種類毎の対象図形の特徴情報を抽出処理し
た後、その図形種の分類処理を行うソフトウェア（図形
認識プログラム）を作成し、その図形認識プログラムを
用いて図面中の図形の認識を行うものである。

【０００３】一方、近年ニューラルネットワーク技術が
進展し、文字パターンや音声信号の認識に利用しようと
する技術の開発も進められている。ニューラルネットワ
ークは、入力情報とそれに対応するカテゴリ情報を教師
信号として与えることによって代表的な誤差逆伝播法等
の技術により、入力情報を自動的に学習するものであ
り、単純な（サイズ、方向、位置が固定した）文字パタ
ーンの自動学習や認識処理などに有効であることが検証
されている。

【０００４】

【発明が解決しようとする課題】しかしながら、ニュー
ラルネットワーク技術を実用的なレベルで有効にするに
は、学習可能性の高い情報をいかにニューラルネットワ
ークに与えるかが問題であり、即ち、ニューラルネット
ワークへの入力情報（学習情報）の品質（学習可能性）
をいかに高いものにするかは、未解決の問題であり、個
々の事例毎に解決しなければならない。

【０００５】上記の従来の図形認識プログラム（手続き
型プログラミング）による手法は、取り扱う図形種毎に
プログラミングしなければならないのが通常であり、取
り扱う図形種が多くなればなるほど、また、図形の構造
が多少でも複雑になればなる程、膨大なプログラミング
を要し、また、そのソフトウェアの開発に、多大な開発
費と時間を要するのが一般的であり、大きな問題となっ
ている。このため、この従来の方法では、取り扱える図
形の形状が単純なものに限定され、一般的な図面の図形
情報の自動獲得には適用困難である。

【０００６】また、ニューラルネットワーク等を用いて
自動的に学習することにより、図形の認識を行う方式が
いくつか開発されているが、その方式によって学習させ
た図形と認識させる図形とで大きさが異なる（拡大／縮
小されている）場合に適用できなかったり、認識させる
図形が回転している場合に適用できない等の問題があ
る。このため、適用できる事例がごく一部に限定され
る。

【０００７】本発明は、上記の点に鑑みなされたもの
で、上記従来の問題を解決し、図形形状毎に対応する図
形認識ソフトウェアを作成することなく、図形の自動認
識が実現でき、さらに、図形の位置変動、回転、拡大、
縮小に関わらず、自動認識が可能な線図形学習認識方法
を提供することを目的とする。

【０００８】

【課題を解決するための手段】図１は本発明の原理構成
図である。

【０００９】紙面上に描かれた線図形からその図形の中
心線を求め（ステップ１）、図面のカテゴリ情報を付与
し（ステップ２）、図形の中心線を画素列として抽出
し、図形の形状構造を表現する情報として画素毎の曲率
情報を求め（ステップ３）、曲率情報から変曲点を特徴
点として抽出し、特徴点で区切られる区間の曲率情報を
適応的にベクトル量子化器の入力情報になるように正規
化し（ステップ４）、正規化された曲率情報をベクトル
量子化器に与え、ベクトル量子化器を適応的に学習させ
（ステップ５）、上記処理（ステップ１〜ステップ５）
を複数個の学習対象の図形分繰り返し（ステップ６）、
特徴点で区切られる区間の正規化された曲率情報を量子
化し（ステップ７）、量子化された曲率情報と対象図形
のカテゴリ情報とをニューラルネットワークに与え（ス
テップ８）、ニューラルネットワークに対象図形を学習
させる処理を複数個の学習対象図形数分繰り返し（ステ
ップ９）、学習用図形以外の新たな図形に対して正規化
された曲率情報を求め、量子化器により量子化し、量子
化された曲率情報をニューラルネットワークに入力し
（ステップ１０）、ニューラルネットワークの出力情報
から認識図形の認識結果情報を得る（ステップ１１）。

【００１０】

【作用】本発明は、我々人間が図形を認識理解する過程
では図形の折れ曲がり具合（曲率情報）を利用してお
り、また、部分形状の特徴（急峻な曲がりなど）及びそ
の組み合わせにより図形をとらえていることに着目し、
また、幼児期の図形の認識／理解において与えられた図
形を何度も学習しながら、徐々にその図形を理解してい
くことに着眼し、前者の部分形状の特徴の把握に対して
適応的ベクトル量子化技術を後者の学習機能に対して、
近年急速に進歩したニューラルネットワーク技術を利用
するものである。

【００１１】特に、図形の形状の特徴を図形の曲率情報
が的確に表現していることに着目し、その曲率情報を抽
出し、曲率情報を入力とする適応的ベクトル量子化によ
り、類似の特徴をもつ曲線部分をまとめた上で、隣接す
る曲線部分との相対的な長さの情報とともにニューラル
ネットワークへの入力情報とすることによって図形の学
習を行い、その結果のニューラルネットワークを用い
て、認識対応となる図形の認識を行う。

【００１２】これにより、システムに図形を提示する
（学習させる）だけで、サイズ・位置・回転の変動に影
響を受けない図形の認識が可能になる。

【００１３】

【実施例】以下、本発明の実施例を図面と共に説明す
る。

【００１４】まず、本発明の前提として、ニューラルネ
ットワークと適応的ベクトル量子化器について説明す
る。

【００１５】図２はニューラルネットワークの原理構成
図を示す。

【００１６】ニューラルネットワークは、種々の構成が
既存技術として開発されている。その中身については本
発明の特許請求の範囲に抵触するものでなく、ブラック
ボックスとする。そのブラックボックスとして与えられ
るニューラルネットワークは、入力情報と出力情報があ
り、入力情報に対するカテゴリ情報を教師情報として与
える。ニューラルネットワークに入力情報と教師情報を
与えることにより学習処理が行われる。その学習処理は
入力情報に対する出力情報と教師情報との差分（誤差）
をできるだけ小さくするように処理される。その差分
（誤差）をできるだけ小さくする方法として、誤差逆伝
播法などが一般的に用いられる。この誤差逆伝搬法は、
複数個の入力情報・教師情報を複数回繰り返し、学習処
理させることによって、ニューラルネットワークの出力
情報と教師情報との差分（誤差）が最小になるように学
習し、誤差が最小になった状態で学習が終了する。

【００１７】ここで、学習が終了したニューラルネット
ワークに、新たな入力情報を与えると、ニューラルネッ
トワークの出力情報として、既に学習されている入力情
報に最も似通った教師情報に略対応した情報を得ること
ができる。

【００１８】本発明では、ニューラルネットワークへの
入力情報として、本発明の主眼とする図形形状を的確に
表現する曲率情報を後述する適応的ベクトル量子化器に
より量子化したものを与える。そして、その図形のカテ
ゴリ情報を教師情報として与えることによって、ニュー
ラルネットワークにおいて、図形の学習を行う。ニュー
ラルネットワークの学習が終了したネットワークに新た
な図形の曲率情報を入力情報として与えることによっ
て、その新たな図形のカテゴライジング（分類処理／認
識処理）を行わせるものである。

【００１９】なお、一般的に入力情報、出力情報、教師
情報はそれぞれ任意の数の任意の数値で与えられる。

【００２０】次に、適応的ベクトル量子化器について説
明する。

【００２１】図３に適応的ベクトル量子化器の原理構成
図を示す。

【００２２】適応的ベクトル量子化手法は、最近になっ
てその能力に注目が集まり、種々の方式／手法が既存技
術として開発されている。その内容については、先のニ
ューラルネットワークと同様の本発明の請求範囲に抵触
するものでなく、ブラックボックスとして扱うものとす
る。このブラックボックスとして扱う適応的ベクトル量
子化器にもニューラルネットワーク同様入力情報と出力
情報がある。前述のニューラルネットワークと異なるの
は、学習処理において、教師信号を与えない点である。
（教師信号を与える適応的ベクトル量子化器も既存技術
として存在するが、ここでは、教師信号を与えないもの
を扱う。）適応的ベクトル量子化器に学習用の入力情報
を予め定めた一定量を与えることにより学習処理が行わ
れる。ここでいう入力情報とは、任意の（但し、予め定
められた）次元の数値ベクトルである。適応的ベクトル
量子化器の内部には、任意の数の入力情報と同じ次元を
持つ参照ベクトルが保持されており、入力情報は逐次与
えられた時点での参照ベクトルと比較され、最も与えら
れた入力情報と距離の近い参照ベクトルが選ばれる。選
ばれた参照ベクトルはベクトルの各次元において、入力
情報との差分が少なくなるように、差分に１より小さい
ある係数εを乗じた値だけ、その値が修正される。この
係数εは、学習が進むにつれ、単調に減少し、予め設定
した学習回数分だけ学習用の入力情報が提示され、学習
が終了すると共に、０．０となるように制御される。即
ち、学習が進むにつれ、各参照ベクトルはそのベクトル
の値の周辺の入力情報の分布を代表する値を示すように
なり、学習が終了すると、適応的ベクトル量子化器の内
部の参照ベクトル群は固定され、それ以降変動しなくな
る。

【００２３】また、量子化処理は、この学習の終わった
参照ベクトル群を用いて行われる。即ち、入力情報は、
学習時と同様に各参照ベクトルと比較され、最も距離の
近い参照ベクトルが選ばれる。そして、適応的ベクトル
量子化器は、その選ばれた参照ベクトルに付与されてい
るインデックスを出力する。本発明で利用する適応的ベ
クトル量子化器では、このインデックスは、各参照ベク
トルにおいて、一意に定まる符号（番号）とする。

【００２４】本発明では、この適応的ベクトル量子化器
に曲率情報を与えて、量子化を行う。この量子化によ
り、形状の似通った部分に関しては、同一のインデック
スが得られ、形状の異なる部分については、異なるイン
デックスが得られる。

【００２５】図４は、本発明の一実施例のシステム概念
図を示す。

【００２６】同図により、本発明の概要を説明する。ま
ず、適応的ベクトル量子化器１００に量子化すべき紙面
上に描かれている線図形の中心線を求め、カテゴリ情報
を付与し、図形３００の心線化を画素列として求め、そ
の画素列より各画素毎の曲率情報を求める。このように
して求められた曲率情報から形状が曲がっている変曲点
をその図形の特徴点とし、曲率情報を特徴点で分割す
る。分割された曲率情報を適応的ベクトル量子化器１０
０に入力する。

【００２７】適応的ベクトル量子化器１００は、入力さ
れた曲率情報の次元に対応する参照ベクトルを内有し、
この参照ベクトルと入力された曲率情報とが比較され、
その形状によりインデックスが得られる。このようにし
て曲率情報が量子化され、ニューラルネットワーク２０
０の入力情報となる。

【００２８】ニューラルネットワーク２００は適応的ベ
クトル量子化器１００から入力されたインデックスと学
習対象図形３００に付与されたカテゴリ情報４００であ
る教師情報５００が入力される。ニューラルネットワー
ク２００は入力されたインデックスと教師情報５００に
より学習を行う。

【００２９】次に、ニューラルネットワーク２００で上
記の学習対象図形３００の学習処理が終了すると、認識
対象図形７００の中心線を求め、カテゴリ情報を付与
し、図形７００の心線を画素列として求め、その画素列
より各画素毎の曲率情報を求める。このようにして求め
られた曲率情報からその図形７００の特徴点を図形３０
０と同様にして求め、さらに、特徴点により曲率情報を
区分し、区分化された曲率情報を適応的量子化器１００
に入力する。適応的量子化器１００は入力された図形７
００に関する曲率情報を量子化し、これをニューラルネ
ットワーク２００の入力情報とする。ニューラルネット
ワーク２００は学習されている学習結果により認識処理
を行い、認識結果を出力する。

【００３０】図５は、本発明の一実施例の学習過程まで
を説明するためのフローチャートである。

【００３１】紙面上に描かれた線図形は既存スキャナ装
置から電子計算機（以下、単に計算機と呼ぶ）内にディ
ジタル情報として読み込むことができ、計算機内に読み
込まれた線図形情報は、従来技術としての心線化処理
（細線化処理）によって、その線図形の心線（１画素幅
の中心線）を得る（ステップ１００）。

【００３２】上記の心線情報は、１画素幅の画素の連結
情報であり、その連結した画素列の連結を追跡すること
により、心線画素列情報を得ることができる（ステップ
１０１）。その画素列情報は、各画素の座標値の列であ
る。以下、その画素列をＦで表し、各画素をｄ_iで表
す。即ち、画素列Ｆは、Ｆ＝｛ｄ_i｝（画素列の画素数
をｎとすると、１≦ｉ≦ｎ，｛｝はｄ_iの集合を表
す。以下同じ）で表す。また、各画素の座標値を
（ｘ_i，ｙ_i）で表し、画素列ＦをＦ＝｛（ｘ_i，
ｙ_i）｝と表す。

【００３３】画素列の各画素の曲率情報は線図形の折れ
曲がり具合を表現するものであり、線図形の幾何学的形
状情報を的確に表現しているとみなすことができる。そ
の曲率情報を各画素単位に次のように算出する（ステッ
プ１０２）。

【００３４】図６は本発明の一実施例の曲率情報の意味
を説明するための図である。

【００３５】即ち、画素ｄ_iの曲率をＣ_iで表し、次の
ように求める。図６（ａ）に示すように、画素ｄ_iから
ｋ個離れた画素の２個の画素（ｄ_(i-k)，ｄ_(i+k)）を
設定し、画素ｄ_(i-k)と画素ｄ_(i+k)を接続する直線線
分をＬ_kとする。次に、画素ｄ_iから直線Ｌ_kへの垂線
をつくり、その垂線の足（垂線と直線Ｌ_kとの交点）を
ｑ_kとし、画素ｄ_iと点ｑ_kとの距離をＢ_kとする。さ
らに、上記ｋの値を１、２、３、…と順次増加させてい
くとき、その距離Ｂ_kが予め設定するパラメータＥに対
して、Ｂ_k≦Ｅなる条件でのｋの最大値を求め、その最
大値をＬとする。そして、図６（ｂ）に示すように、画
素ｄ_(i-L)を始点、画素ｄ_iを終点とするベクトルをＶ
_-とし、画素ｄ_iを始点、画素ｄ_(i+L)を終点とするベ
クトルＶ ₊とする。このようにして、作成された２個の
ベクトル（Ｖ_-，Ｖ₊）のなす角度をθ_i（角度をラジ
アンで表し、−π≦θ_i≦π：πは円周率を表す）とす
る。ここで、図６（ｃ）に示すように、画素ｄ_(i-L)か
ら画素ｄ_(i+L)までの部分を画素ｄ_(i-L)，ｄ_i，ｄ
_(i+L)の３点を通る円弧として近似する。この得られた
円弧の半径をＲ_iとして、この半径Ｒ_iの逆数１／Ｒ_i
を画素ｄ_iにおける折れ曲がり具合を表現するものと
し、画素ｄ_iにおける曲率情報Ｃ_i＝１／Ｒ_iとする。
以上のようにして作成された画素列Ｆの曲率情報（Ｆ_C
とする）は、Ｆ_c＝｛Ｃ_i｝で表す。

【００３６】なお、本実施例の説明では、説明の簡単化
のために、対象とする線図形（心線化画素列）がループ
を描く図形であるとして、以下に説明する。

【００３７】即ち、画素列の最初の画素（（ｘ₁，
ｙ₁））：始点画素）と、最後の画素（（ｘ_n，
ｙ_n）：終点画素）は隣接するものとし、これにより、
始点画素、終点画素の近傍画素における、それぞれから
ｋ画素離れた２画素（ｄ_(i-k)，ｄ_(i+k ₎）を容易に得
ることができる。また、上記予め設定するパラメータＥ
は、画素間隔町の数倍に設定すればよいことが実験的に
確かめられている。

【００３８】なお、本発明で用いている曲率という用語
は、数学的に厳密な定義の曲率を意味するものでなく、
直観的にわかりやすくするために、上述したように、図
形の折れ曲がり具合を表現するという意味で曲率情報と
いう用語を用いている。

【００３９】図７は、本発明の一実施例の画素列Ｆの曲
率情報Ｆ_cの一例を示すグラフである。同図に示す曲率
情報Ｆ_Cは、同図左上に描かれているはさみ（原図形）
の情報である。

【００４０】次に、上述のようにして求められた画素列
（心線）の曲率情報Ｆ_C＝｛Ｃ_i｝から、その対象図形
の特徴点を抽出する（ステップ１０３）。以下、具体例
を説明する。

【００４１】図７の例のように、曲率情報は、凹凸のあ
る曲線（的）グラフで表現される。本実施例では、この
グラフの中で、グラフが０の線を横切る点を特徴点とし
て抽出する。即ち、２次元平面上の線図形の凹凸の変曲
点を特徴点として算出する。この特徴点の算出方法は、
図７の例から容易に理解できるように、曲率が０．０と
なる点を抽出すればよい。

【００４２】上述の手段により、得られた特徴点によっ
て区切られる各区間の曲率情報は、図形の拡大・縮小に
より変動する情報であるため、この情報を図形の拡大・
縮小に無関係となるように正規化する（ステップ１０
４）。曲率情報は上述のとおり円弧の半径の逆数である
ため、図形の拡大・縮小に対して反比例の関係をもつ。
従って、各区間の曲率情報に対してその区間の長さを乗
じることにより、図形の拡大・縮小に対して無関係な正
規化された曲率情報が算出される。この図形をその特徴
点で区切り、その区間の形状を表すものとして、図形の
拡大・縮小に対して無関係となるように、正規化された
曲率情報を用いる。

【００４３】次に、上述のように、特徴点で区切られる
各区間毎に得られた、正規化された曲率情報を、適応的
ベクトル量子化器１００の学習用入力情報として与え、
前述（従来の技術）したように、適応的ベクトル量子化
器１００に学習を行わせる（ステップ１０５）。このと
き、学習用入力情報として与える前に、適応的ベクトル
量子化器１００の入力ベクトル次元数に曲率情報（前述
の通り、各区間内の画素数個の曲率の列により構成され
る）を適合させる。

【００４４】具体的には、区間内の画素列を適応的ベク
トル量子化器１００の入力ベクトル次元数から１を減じ
た数で等分し、それぞれの分割点において、近傍の曲率
の平均をとったのを入力情報として与える。１つの図形
は、通常複数の変曲点を持つため、複数の区間に分割さ
れる。この複数の区間の曲率情報を一括して適応的ベク
トル量子化器１００に学習用入力情報として与える。

【００４５】複数の学習用図形がある場合も同様に、す
べての学習用図形に対して変曲点を求め、それにより分
割されるすべての区間に対して正規化を施した曲率情報
を求め、適応的ベクトル量子化器１００の入力ベクトル
次元数に曲率情報を適合させ、それらの曲率情報を一括
して適応的ベクトル量子化器１００に学習用入力情報と
して与え、学習を行わせる（ステップ１０６）。

【００４６】以上の手順により、適応的ベクトル量子化
器１００は、その参照ベクトル群を適応的に獲得する。
これにより、適応的ベクトル量子化器１００は類似の曲
線形状をもつ変曲点から変曲点までの区間をそれぞれま
とめて、類似の区間には同一の符号（インデックス）を
つけることができるようになる。このためには、ステッ
プ１０６で算出した各学習用入力情報を、認識用入力情
報として与え、前述（従来の技術）の項で示した量子化
処理を行い、それぞれに対して量子化を行った結果とし
て符号（インデックス）を得る（ステップ１０７）。以
降のこの適応的ベクトル量子化器１００によって得た区
間の符号（インデックス）を、インデックス情報と呼
ぶ。

【００４７】ステップ１０７の処理により得られた学習
用図形の変曲点で区切られた各区間のインデックス情報
と、ステップ１０１により得られる画素列情報から求ま
る各区間の長さ（画素数）情報を入力情報として、ま
た、ステップ１０８により与えられたカテゴリ情報４０
０を教師情報５００として次にのべるように、ニューラ
ルネットワーク２００に与え、学習処理を行う（ステッ
プ１０９）。一つの学習用図形の一つの区間Ａを、現在
着目している区間とすると、その区間の前後の予め規定
した数（Ｃ）の区間の入力情報、即ち、区間のインデッ
クス情報と区間の長さ情報を、ニューラルネットワーク
２００に与える。従って入力されるのは、インデックス
情報と長さの情報の組が（２Ｃ＋１）組である。一つの
区間に対してのインデックス情報は、適応的ベクトル量
子化器１００の参照ベクトルの数Ｔと等しい数の入力端
子を用意し、その中の当該インデックスに対応する端子
の値のみ１．０とし、それ以外を０．０とすることによ
り表す。

【００４８】従って、ニューラルネットワーク２００に
必要となる入力端子の数は（Ｔ＋１）×（２Ｃ＋１）個
となる。また、長さ情報は、着目している区間Ａの長さ
を１．０としたときの相対的な長さ情報をニューラルネ
ットワーク２００に与える。このように、着目している
区間に対する前後の区間のインデックス情報と相対的な
長さの情報をニューラルネットワーク２００に与えるこ
とが、本発明の主眼の一つである。これにより、図形の
拡大・縮小に対して影響を受けない学習・認識が可能と
なる。上の学習処理を学習させようとする図形の変曲点
で区切られる各区間に対して全て行う。

【００４９】学習対象図形が複数存在する場合は、その
各々の学習図形毎に、ステップ１０７、ステップ１０９
の処理により学習処理を行う（ステップ１１０）。ニュ
ーラルネットワーク２００は一度入力情報・教師情報を
提示されただけで、直ちに学習を終了するものではな
く、学習が終了するまで何度も繰り返し学習処理する必
要がある。また、学習は、ニューラルネットワーク２０
０に入力情報を与え学習処理を行ったときに、その出力
として得られる出力情報と教師情報５００との差分（誤
差）総和が最小となり、かつその差分（誤差）総和の変
化が殆どなくなるときに終了するものとする。

【００５０】以上の処理により、複数個の学習用図形の
学習処理が終了し、ニューラルネットワーク２００は、
複数個の図形を学習したことになる。このニューラルネ
ットワーク２００を用いて別途作成される認識用図形の
認識処理を図８を用いて説明する。

【００５１】まず、認識用図形の変曲点により区切られ
た各区間に対しての正規化された曲率情報を算出する
（ステップ２００）。曲率情報を算出するには、上記の
ステップ１００からステップ１０４の処理と同様であ
る。

【００５２】ステップ２００により得られた認識用図形
の各区間の曲率情報を上記ステップ１０６により得られ
た学習済の適応的ベクトル量子化器１００を用いて量子
化し、インデックス情報を得る（ステップ２０１）。

【００５３】ステップ２０１により得られたインデック
ス情報と、ステップ２００で得られた各区間の長さの情
報を上記のステップ１１０で得られた学習済のニューラ
ルネットワーク２００に入力情報として入力し、認識処
理を行わせ、その処理結果（ニューラルネットワーク２
００の出力情報）を得る（ステップ２０２）。このニュ
ーラルネットワーク２００の学習処理時に、教師情報５
００としてカテゴリ情報４００を与えているため、ここ
での認識処理時の出力情報は、与えた認識用図形のカテ
ゴリ情報４００として得ることができる。即ち、予め提
示し、学習させた図形のうちのどの図形に最も類似して
いるかという情報を得ることができ、図形の認識を行う
ことができる。また、曲率情報をその処理の基としてい
るため、図形の平行移動・回転には影響を受けずに学習
・認識処理が行われる。さらに、曲線の形状を長さで正
規化しており、また、隣接する区間同士での相対的な長
さのみを利用しているため、図形の拡大・縮小に対して
も影響を受けずに学習・認識処理が行われる。

【００５４】なお、上記説明では、学習対象図形、認識
対象図形を紙面上に描かれた図形としてスキャナ装置等
から入力しているが、マウス等を用いて計算器に接続さ
れるディスプレイ装置上に直接描きながら計算器に入力
した図形情報においても、その図形の心線（中心線）を
上述した画素列として容易に得ることができる。また、
その他の手法を用いても、対象図形の心線が上述した画
素列として得られる本発明の範囲内であれば、種々変更
が可能である。

【００５５】

【発明の効果】上述のように、本発明によれば、図形の
形状を的確に表現する曲率情報を、図形の拡大・縮小に
影響を受けないように、適応的ベクトル量子化器及びニ
ューラルネットワークを利用して学習させ、その学習さ
れたベクトル量子化器とニューラルネットワークを用い
て、別途作成される図形を認識する方法であるため、従
来のように、図形形状毎に対応する図形認識のソフトウ
ェア（プログラム）を作成することなく、図形の自動認
識が実現でき、さらに、他のニューラルネットワークを
用いた方式とは異なり、図形の位置変動、回転、拡大、
縮小に関わらず自動認識が可能であるため、実用的価値
は極めて高い。

【図面の簡単な説明】

【図１】本発明の原理説明図である。

【図２】ニューラルネットワークの原理構造を示す図で
ある。

【図３】適応的ベクトル量子化器の原理構造を示す図で
ある。

【図４】本発明の一実施例のシステム概念図である。

【図５】本発明の一実施例の学習過程までを説明するた
めのフローチャートである。

【図６】本発明の一実施例の曲率情報の意味を説明する
ための図である。

【図７】本発明の一実施例の画素列Ｆの曲率情報Ｆ_Cの
一例を示すグラフである。

【図８】本発明の一実施例の認識過程のフローチャート
である。

【符号の説明】

１００適応的ベクトル量子化器２００ニューラルネットワーク３００学習対象図形４００カテゴリ情報５００教師情報６００認識結果情報７００認識対象図形

Claims

【特許請求の範囲】

【請求項１】紙面上に描かれた線図形からその図形の
心線を求め、該図面のカテゴリ情報を付与し、該図形の中心線を画素列として抽出し、該図形の形状構
造を表現する情報として該画素毎の曲率情報を求め、該曲率情報から変曲点を特徴点として抽出し、該特徴点
で区切られる区間の曲率情報を適応的にベクトル量子化
器の入力情報になるように正規化し、該正規化された曲率情報を該ベクトル量子化器に与え、
該ベクトル量子化器を適応的に学習させ、上記処理を複数個の学習対象の図形数分繰り返し、該特徴点で区切られる区間の正規化された該曲率情報を
量子化し、量子化された曲率情報と該対象図形のカテゴ
リ情報とをニューラルネットワークに与え、該ニューラ
ルネットワークに対象図形を学習させる処理を複数個の
学習対象図形数分繰り返し、学習用図形以外の新たな図形に対して該正規化された曲
率情報を求め、該量子化器により量子化し、量子化され
た曲率情報を該ニューラルネットワークに入力し、該ニ
ューラルネットワークの出力情報から認識図形の認識結
果情報を得ることを特徴とする線図形学習認識方法。