JPH0721381A - パターン認識装置 - Google Patents

Abstract

(57)【要約】 【目的】 膨大な画像データを直接扱わずに少ないデー
タ量で的確にパターン認識を行うことができるパターン
認識装置を提供する。 【構成】 物体の撮像画像を画像処理部３で二値化画像
に変換し，二値化画像上に設定した同心円上のデータ変
化位置を求めることにより認識対象物体個々の特徴デー
タを抽出することができる。この抽出された認識対象物
体個々の特徴データを教師データとしてニューラルネッ
トワーク６を学習させておき，与えられた被識別物体に
ついて上記と同様の処理により抽出された特徴データを
ニューラルネットワーク６に入力すると，ニューラルネ
ットワーク６の学習による認識動作により入力された特
徴データに該当する識別出力が得られる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は，ホイールディスク，コ
イン等のように表面パターンが異なる複数の物体を識別
するパターン認識装置に関し，詳しくは，物体を撮像し
た画像から表面パターンの特徴を的確に捉えることによ
り，少ないデータ量で正確な識別を行うことができるパ
ターン認識装置に関する。

【０００２】

【従来の技術】コイン等のように外形は同一円形である
が表面パターンが異なる複数の物体を識別する装置の従
来例として，特開平３−２９０７８６号公報に開示され
たパターン認識装置が知られている。上記パターン認識
装置は，コイン等の円形物体を識別するもので，図１１
のブロック図に示すように構成されている。即ち，コイ
ン等を撮像した画像をＡ／Ｄ変換した多値画像からコイ
ン等のパターンの中心を求め，この中心から一定半径の
リング上のデータを検出して，このリング上のデータを
フーリエ変換したデータを記憶部に記憶させておく。こ
の記憶されたデータを参照データとして，識別対象とし
たコイン等の画像から上記と同様の処理を行うことによ
り得られたデータを参照データと比較することによりパ
ターン認識を行うものである。

【０００３】

【発明が解決しようとする課題】上記従来装置によっ
て，例えば，図１２（ａ）（ｂ）（ｃ）に示すようなホ
イールディスクを識別するような場合，各ホイールディ
スクの画像から同心円Ｒ（リング）上の輝度変化を測定
すると，図１３（ａ）（ｂ）（ｃ）のように変化グラフ
が得られる。更に，これらを高速フーリエ変換（ＦＦ
Ｔ）により処理すると図１４（ａ）（ｂ）（ｃ）に示す
ような周波数データが得られる。図示のような周波数デ
ータから明らかなようにパターンが明らかに異なるホイ
ールディスクａとｃ，あるいはホイールディスクｂとｃ
とでは，フーリエ変換されたデータにも明らかな違いが
生じているが，パターンが似通ったホイールディスクａ
とｂとでは，フーリエ変換されたデータが似通ったもの
となり，識別が困難となる問題点があった。又，輝度変
化を測定する同心円の設定位置が特定されていないた
め，同心円の設定位置によっては輝度変化データに明ら
かな差異が検出されない場合が生じる問題点もある。更
に，識別対象のデータと参照データとのマッチング手法
として最小二乗法が用いられているため，大量のデータ
を扱おうとするとマッチングのテンプレートが大きくな
り，大きな記憶容量を必要とし，重み付けの作業も複雑
となり，識別範囲が広い場合に対応できない問題点があ
った。本発明は上記問題点に鑑みて創案されたもので，
膨大な画像データを直接扱わずに少ないデータ量で的確
にパターン認識を行うことができるパターン認識装置を
提供することを目的とする。

【０００４】

【課題を解決するための手段】上記目的を達成するため
に本発明が採用する第１の手段は，中心から放射状に延
びる表面パターンが形成された複数の物体の上記表面パ
ターンの差異を識別することにより上記物体を認識する
パターン認識装置において，上記物体の表面パターンを
撮像した撮像画像を二値画像に変換する画像処理手段
と，上記二値画像化された表面パターンの上記中心を共
通とし同一半径の同心円上でのデータの変化を検出し，
該データの変化する位置変化を特徴データとして抽出す
る特徴データ作成手段と，既知の物体についての特徴デ
ータを教師データとして学習済みのニューラルネットワ
ークに，与えられた被識別物体について上記特徴データ
作成手段を用いて作成された特徴データを入力して物体
の種類を認識する検出手段とを具備してなることを特徴
とするパターン認識装置として構成される。又，本発明
が採用する第２の手段は，複数の円形物体の上記表面パ
ターンの差異を識別することにより上記物体を認識する
パターン認識装置において，上記物体の表面パターンを
撮像した撮像画像を二値画像に変換する画像処理手段
と，上記二値画像化された表面パターンの中心点を求
め，該中心点から複数の半径で複数の同心円を設定し，
各同心円上のデータ変化をそれぞれ検出して，該複数同
心円上のデータを各物体間で比較し，該データの各物体
間での識別度が最大となる同心円を決定するデータ抽出
位置決定手段と，上記決定された同心円上の上記データ
の変化する位置変化を特徴データとして抽出する特徴デ
ータ作成手段と，既知の物体についての特徴データを教
師データとして学習済みのニューラルネットワークに，
与えられた被識別物体について上記特徴データ作成手段
を用いて作成された特徴データを入力して物体の種類を
認識する検出手段とを具備してなることを特徴とするパ
ターン認識装置として構成される。

【０００５】

【作用】本発明の第１の手段によれば，物体の撮像画像
を二値化画像に変換し，この二値化画像から円形物体の
同心円上のデータ変化位置を求めることにより，膨大な
画像データを直接扱うことなく，より少ないデータ量で
認識対象物体個々の特徴データを抽出することができ
る。この抽出された認識対象物体個々の特徴データを教
師データとしてニューラルネットワークを学習させてお
き，与えられた被識別物体について上記と同様の処理に
より抽出された特徴データをニューラルネットワークに
入力すると，ニューラルネットワークの学習による認識
動作により入力された特徴データに該当する識別出力が
得られる。本発明では識別のテンプレートとしてニュー
ラルネットワークの重みを用いるため，データの記憶量
は従来の高速フーリエ変換データを最小二乗法によりマ
ッチングさせる手段に比して少なく，また，画像データ
の雑音に対して認識能力の低下がないため，雑音に対す
る特別な処理を施す必要もない。又，本発明の第２の手
段によれば，二値化された画像上から識別データを抽出
するための同心円の設定に際し，該同心円の径が各物体
間での識別度が最大となるように決定される。即ち，デ
ータ抽出位置決定手段において，二値画像化された表面
パターンの中心点から複数の半径で複数の同心円を設定
し，該複数同心円上のデータ変化を各物体間で比較す
る。このデータ比較は例えばデータの平均値及び分散値
の比較によって行うことができ，その比較値が最小とな
る物体間で比較値が最大となる同心円が求められる。こ
のようにして決定された同心円上のデータ変化は物体の
識別度が最大となるので，この同心円上から検出される
データの変化する位置変化を特徴データとし，これを教
師データとしてニューラルネットワークを学習させてお
き，与えられた被識別物体について上記と同様の処理に
より抽出された特徴データをニューラルネットワークに
入力すると，ニューラルネットワークの学習による認識
動作により入力された特徴データに該当する識別出力が
得られる。

【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ものではない。ここに，図１
は本発明の第１実施例に係るパターン認識装置の構成を
示すブロック図，図２はパターン認識の手順を示すフロ
ーチャート，図３〜図８はパターン認識のためのデータ
を抽出する手順毎の説明図である。図１において，第１
実施例に係るパターン認識装置１は，ＴＶカメラ等によ
り対象物体を撮像した画像が取り込まれる画像入力部２
と，入力された画像を二値画像に変換する画像処理部
（画像処理手段）３と，この二値画像から物体の中心点
を検出して同心円上でのデータ変化位置を物体個々の特
徴データとして検出する特徴データ検出部（特徴データ
作成手段）４と，特徴データをニューラルネットワーク
入力用データに変換するＮＮ入力用データ作成部５（Ｎ
Ｎはニューラルネットワークを表す，以下同じ）と，予
め認識対象範囲の個々の物体のニューラルネットワーク
入力用データにより学習して個別に入力される被識別物
体のニューラルネットワーク用データにより認識動作を
行うニューラルネットワーク６（検出手段）と，ニュー
ラルネットワーク６が学習することにより得られる重み
データを記憶する重みデータ記憶部（検出手段）７とを
具備して構成されている。上記構成になるパターン認識
装置１によるパターン認識の手順を図２に示すフローチ
ャート及び図３〜図８に示す説明図を用いて以下に説明
する。本実施例は外形は同一円形に形成されているがホ
イール内形状が個々に異なるホイールディスクを，その
ホイール内形状の違いを認識して識別するものである。
尚，図２に示すＳ１，Ｓ２…は，処理手順をステップ番
号で，以下の説明中に記載する番号と一致する。パター
ン認識の準備段階として，認識対象範囲となる複数のホ
イールディスクについて認識動作と同一の処理によって
個々のデータが作成され，このデータを教師データとし
てニューラルネットワークを学習させたときの重みデー
タがニューラルネットワークによるパターン認識のため
のマッチング用データとして重みデータ記憶部７に格納
される。図２に示すフローチャート（ａ）はマッチング
用データ作成の手順，フローチャート（ｂ）は認識の手
順を示している。従って，図２（ａ）（ｂ）に示すＳ１
〜Ｓ６の処理手順は同一の処理動作がなされる。

【０００７】まず，図２（ａ）に示す手順において，画
像入力部２に認識対象とするホイールディスクの撮像画
像を取り込む（Ｓ１）。図３（ａ）（ｂ）（ｃ）は画像
処理部２に取り込まれる画像の例を示し，従来例で示し
たと同一の３例のホイールディスクを撮像した平面画像
を示している。この画像は画像処理部３において二値化
処理され（Ｓ２），図４に示すような二値画像に変換さ
れる。この二値画像が入力される特徴データ検出部４に
おいて，ホイールディスク画像の中心点を求め（Ｓ
３），図５に示すように同心円を設定して，該同心円上
の輝度変化データを検出する（Ｓ４）。図３（ａ）
（ｂ）（ｃ）に示す各ホイールディスクについて上記手
順により検出された同心円上のデータ変化位置は，図６
に示すように白（明部）と黒（暗部）との輝度変化列と
して検出される。この輝度変化列から白または黒部分の
長さ（ランレングス）を計測して，図７に示すようなホ
イールディスク個々の特徴である特徴データを生成する
（Ｓ５）。尚，図７に示す特徴データは，ホイールディ
スク（ａ）について図６（ａ）の輝度変化列から白部分
の長さを計測したデータである。次に，上記特徴データ
からニューラルネットワーク６への入力用データを作成
する（Ｓ６）。図８はＮＮ入力用データ作成部５におい
て，図７に示した特徴データから作成されたニューラル
ネットワーク入力用データを示すもので，白部分の長さ
を示すランレングスデータに該当する位置のビットを１
とするように作成されている。上記Ｓ１〜Ｓ６の手順に
よって認識対象範囲とする複数のホイールディスクにつ
いて，それぞれニューラルネットワーク入力用データを
作成し，それらのデータを教師データとしてニューラル
ネットワーク６の学習を行い（Ｓ７），ニューラルネッ
トワーク６の重みを決定し，その結果生じるニューラル
ネットワーク６の重みデータを重みデータ記憶部７に記
憶させる（Ｓ８）。以上の手順によりパターン認識のた
めの準備が完了する。この認識準備がなされたパターン
認識装置１による認識の手順は図２（ｂ）に示す通りで
ある。手順ステップＳ１〜Ｓ６は上記手順と同一である
ので，その説明は省略する。図２（ｂ）において，認識
対象のホイールディスクについてＳ６によって作成され
たニューラルネットワーク入力用データは，ニューラル
ネットワーク６に入力される。ニューラルネットワーク
６には図２（ａ）に示した手順により予めニューラルネ
ットワーク６を学習させて求められた重みデータが重み
データ記憶部７から呼び出され（Ｓ７），上記ニューラ
ルネットワーク入力用データが入力されると（Ｓ８），
ニューラルネットワーク６は重みデータに従って入力さ
れたデータに対応する認識結果を出力する（Ｓ９）。

【０００８】次いで，本発明の第２実施例について説明
する。尚，上記第１実施例と共通する要素には同一の符
号を付して，その説明は省略する。ここに，図９は第２
実施例に係るパターン認識装置の構成を示すブロック
図，図１０はパターン認識のための同心円設定位置決定
の手順を示すフローチャートである。図９において，パ
ターン認識装置１０は，対象物体を撮像した画像が取り
込まれる画像入力部２と，入力された画像を二値画像に
変換する画像処理部３と，この二値画像化された対象物
体の表面パターン上に複数の同心円を設定して最も識別
度が高くなる同心円を決定するデータ抽出位置決定部
（データ抽出位置決定手段）８と，決定された同心円上
でのデータ変化位置を物体個々の特徴データとして検出
する特徴データ検出部４と，特徴データをニューラルネ
ットワーク入力用データに変換するＮＮ入力用データ作
成部５と，予め認識対象範囲の個々の物体のニューラル
ネットワーク入力用データにより学習して個別に入力さ
れる被識別物体のニューラルネットワーク用データによ
り認識動作を行うニューラルネットワーク６と，ニュー
ラルネットワーク６が学習することにより得られる重み
データを記憶する重みデータ記憶部７とを具備して構成
されている。上記構成になるパターン認識装置１０によ
るパターン認識の手順は，第１実施例の図２に示すフロ
ーチャートと同様に実施されるが，本実施例の特徴であ
るデータ抽出位置決定部８での処理手順を中心に図１０
に示すフローチャートを用いて説明する。先に図３
（ａ）（ｂ）に示したホイールディスクのようにパター
ンが似通っている場合，識別のためのデータを抽出する
同心円の設定位置を誤ると，パターン認識を誤動作させ
る恐れがある。従って，本実施例では識別度が最も高く
なる同心円の設定位置を決定する手段が講じられる。図
１０において，画像入力部２に取り込まれた撮像画像は
（Ｓ１），画像処理部３において二値化される（Ｓ
２）。この二値化されたホイールディスク画像の端点を
抽出し，それをもとに中心点及び半径が求められる（Ｓ
３）。次に，中心点から複数の半径で複数の同心円を設
定し（Ｓ４），各同心円上の輝度変化データを検出して
（Ｓ５），この各データから連続した明部もしくは暗部
の長さ（ランレングス）が変化するランレングスデータ
を検出する（Ｓ６）。次いで，複数の同心円について，
それぞれ検出された上記ランレングスデータの平均値と
分散値とを計算し（Ｓ７），これを当該ホイールディス
クの特徴量とする。

【０００９】以上の処理を認識対象とする各ホイールデ
ィスクについて行い（Ｓ８），２枚のホイールディスク
間の距離Ｄを計算する（Ｓ９）。ホイールディスク
（ｉ）の平均値及び分散値をそれぞれμ_i ，σ_i とする
と，ある２枚のホイールディスク（１）（２）間の距離
Ｄは，次式のように定義される。 Ｄ＝（Ｘ−μ₁ ）／σ₁ 但し，Ｘは下式を満たすものとする。 （Ｘ−μ₁ ）／σ₁ ＝（Ｘ−μ₂ ）／σ₂ 上記ホイールディスク間の距離Ｄの計算を識別対象とす
る全ての組み合わせについて実施して，それらの距離Ｄ
のうち最小値を示すもの，即ち，検出されたデータが最
も似通っており，識別が困難である組み合わせを抽出す
る（Ｓ１０）。この最小値を示す組み合わせの抽出を複
数の同心円全てについて実施して，最小値が最も大きい
もの，即ち，最も識別度が高い同心円を求めることによ
り（Ｓ１１），同心円の設定位置が決定される（Ｓ１
２）。以上の処理により各ホイールディスク毎の特徴デ
ータを抽出するための同心円の設定位置が決定されるの
で，決定された同心円上から認識処理を行うための手順
は，先に第１実施例で図２に示したフローチャートと同
じ処理が実施される。尚，ニューラルネットワークを学
習させるアルゴリズムとして，与えられたデータセット
から， Ｊ＝（近似の精度）＋（写像の滑らかさ） という，評価関数を最小にするような写像を求めるＲＢ
Ｆ法を用いることにより，バックプロパゲーション手法
の学習に時間がかかる，あるいは，学習後のデータが真
に収束しているか否かが定かでない欠点を解消すること
ができる。上記各実施例は，ホイールディスクの内部パ
ターンの差異によって識別を行う手順を示したが，回転
不変の円形物体であれば，円形内パターンの差異により
同様の処理手順によりパターン認識を行うことができ
る。

【００１０】

【発明の効果】本発明は以上の説明の通り，物体の撮像
画像を二値化画像に変換し，この二値化画像から円形物
体の同心円上の輝度変化データを求めることにより，膨
大な画像データを直接扱うことなく，より少ないデータ
量で認識対象物体個々の特徴データを抽出することがで
きる。更に，この抽出された認識対象物体個々の特徴デ
ータを教師データとしてニューラルネットワークを学習
させておくことにより，与えられた被識別物体について
上記と同様の処理により抽出された特徴データをニュー
ラルネットワークに入力すると，ニューラルネットワー
クの学習による認識動作により入力された特徴データに
該当する識別出力が得られる。識別のテンプレートとし
てニューラルネットワークの重みを用いるため，データ
の記憶量は従来の高速フーリエ変換データを最小二乗法
によりマッチングさせる手段に比して少なく，また，画
像データの雑音に対して認識能力の低下することがない
ため，雑音に対する特別な処理を施す必要もない。又，
識別データを抽出するための同心円の設定位置を最も識
別度の高い位置に設定することができるので，表面パタ
ーンが似通った物体に対しても正確なパターン認識が実
施される。

【図面の簡単な説明】

【図１】 本発明の第１実施例に係るパターン認識装置
の構成を示すブロック図。

【図２】 第１実施例に係るパターン認識の手順を示す
フローチャート。

【図３】 認識対象の例であるホイールディスクの入力
画像図。

【図４】 図３に示す画像を二値化処理した二値画像
図。

【図５】 図４に示す画像に同心円を設定した状態を示
す図。

【図６】 上記同心円上の輝度変化を抽出した状態を示
す図。

【図７】 図６（ａ）の明部のランレングスから抽出し
た特徴データの例。

【図８】 図７の特徴データをニューラルネットワーク
入力用データに変換した例。

【図９】 本発明の第２実施例に係るパターン認識装置
の構成を示すブロック図。

【図１０】 第２実施例に係るデータ抽出位置決定手段
による処理手順を示すフローチャート。

【図１１】 従来例に係るパターン認識装置の構成を示
すブロック図。

【図１２】 従来例に係る入力画像（ａ）に対する同心
円の設定を示す説明図。

【図１３】 図１０（ｂ）に示す同心円上の輝度変化グ
ラフ。

【図１４】 図１１に示すデータをフーリエ変換した周
波数データ。

【符号の説明】

１，１０…パターン認識装置 ２…画像入力部 ３…画像処理部（画像処理手段） ４…特徴データ検出部（特徴データ検出手段） ５…ニューラルネットワーク入力用データ作成部 ６…ニューラルネットワーク（検出手段） ７…重みデータ記憶部（検出手段） ８…データ抽出位置決定部（データ抽出位置決定手段）

───────────────────────────────────────────────────── フロントページの続き (72)発明者 阿部 博 愛知県名古屋市北区金城町３丁目１番地 株式会社神戸製鋼所名古屋工場内

Claims (2)

【特許請求の範囲】
1. 【請求項１】 中心から放射状に延びる表面パターンが
   形成された複数の物体の上記表面パターンの差異を識別
   することにより上記物体を認識するパターン認識装置に
   おいて，上記物体の表面パターンを撮像した撮像画像を
   二値画像に変換する画像処理手段と，上記二値画像化さ
   れた表面パターンの上記中心を共通とし同一半径の同心
   円上でのデータの変化を検出し，該データの変化する位
   置変化を特徴データとして抽出する特徴データ作成手段
   と，既知の物体についての特徴データを教師データとし
   て学習済みのニューラルネットワークに，与えられた被
   識別物体について上記特徴データ作成手段を用いて作成
   された特徴データを入力して物体の種類を認識する検出
   手段とを具備してなることを特徴とするパターン認識装
   置。
2. 【請求項２】 複数の円形物体の上記表面パターンの差
   異を識別することにより上記物体を認識するパターン認
   識装置において，上記物体の表面パターンを撮像した撮
   像画像を二値画像に変換する画像処理手段と，上記二値
   画像化された表面パターンの中心点を求め，該中心点か
   ら複数の半径で複数の同心円を設定し，各同心円上のデ
   ータ変化をそれぞれ検出して，該複数同心円上のデータ
   を各物体間で比較し，該データの各物体間での識別度が
   最大となる同心円を決定するデータ抽出位置決定手段
   と，上記決定された同心円上の上記データの変化する位
   置変化を特徴データとして抽出する特徴データ作成手段
   と，既知の物体についての特徴データを教師データとし
   て学習済みのニューラルネットワークに，与えられた被
   識別物体について上記特徴データ作成手段を用いて作成
   された特徴データを入力して物体の種類を認識する検出
   手段とを具備してなることを特徴とするパターン認識装
   置。