JPH07318331A

JPH07318331A - ３次元物体の認識方法

Info

Publication number: JPH07318331A
Application number: JP6133908A
Authority: JP
Inventors: Nobuyuki Yoshizawa; 信幸吉澤
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: NTT Inc
Priority date: 1994-05-25
Filing date: 1994-05-25
Publication date: 1995-12-08
Anticipated expiration: 2017-05-13
Also published as: JP3281946B2

Abstract

(57)【要約】【目的】形状や大きさが異なる様々な３次元物体の認
識を実用的に可能とすることを目的とする。【構成】正規化した形状情報に加えて断面積と高さ，
または断面積と体積，または体積と高さなどの、物体の
大きさ情報の中で少なくとも２情報を物体認識ニューラ
ルネットワークに与えることによって（ステップＳ
９）、物体認識ニューラルネットワークが物体を認識す
る（ステップＳ１０）。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、立体形状を認識する
３次元物体の認識方法に関する。

【０００２】

【従来の技術】３次元物体認識のため、２次元状に配列
した超音波センサとニューラルネットワークを用いる方
法がある（特開平５−１９０５２号公報）。この方法に
よって、明るさが変化したり影が生じる屋外環境におい
ても、観察位置より前後左右上下の自由な方向に位置し
ている３次元物体を認識することができる。この方法で
は、超音波撮像法を用いて物体表面および背景までの距
離分布を求め、その距離情報に基づいて基準面となる背
景から物体形状を抽出し、それら物体の奥行き情報を誤
差逆伝搬法を用いた層型ニューラルネットワークに入力
して３次元物体を認識している。

【０００３】図６は、上述した形状認識装置の構成の１
例を示す構成図である。同図において、１０は認識対象
の物体、１１はレンジセンサとしてのセンサアレイ、１
１₁，１１₂，〜，１１_nはセンサアレイ１１に配置され
た超音波センサ、１３はパーセプトロン型のニューラル
ネットワーク、１４はニューラルネットワーク１３の入
力層、１５はニューラルネットワーク１３の中間層、１
６はニューラルネットワーク１３の出力層、１９はセン
サアレイ１１より得られた測定データである。またａは
センサアレイ１１から物体１０までの距離情報、ｂはセ
ンサアレイ１１から背景までの距離情報である。

【０００４】この方法では、ニューラルネットワークを
用いているので、様々な物体毎に異なる形状の特徴量を
抽出する煩雑な手続を用いることなく、物体を認識でき
る利点がある。ところで、測定データ１９は、センサア
レイ１１と物体１０の相対位置やセンサアレイ１１面の
法線を軸とする物体１０の回転状態によって異なって観
測される。

【０００５】このため、位置や回転状態にかかわらず物
体を認識するために、物体の重心位置が測定データの配
列の中心になるように平行移動したり重心を中心に回転
させて、学習してある形状と一致するかどうかを判断す
る回転対照法を用いるようにしている。このように、３
次元物体を認識するには、形状の計測を行い、次いで計
測した情報に基づく形状の認識を行うことにより、対象
物の認識を行う。以下、この認識について詳細に説明す
る。

【０００６】「形状の計測」超音波を物体１０の表面に
照射し、物体１０表面からの超音波の反射に要する時間
を測定することで、物体１０表面までの距離を直接測定
することができる。したがって、超音波センサを図６に
示したように２次元状に配列することによって、各セン
サに対向する物体１０表面までの距離情報を得ることが
できる。また、物体１０の置かれた基準面までの距離と
物体１０表面までの距離の差から、物体の奥行き情報を
得ることができる。そして、これらのことにより物体１
０の３次元像が得られる。これらの測定をパルス遅延時
間法といい、認識対象の奥行き方向に対して、用いる超
音波の波長程度の距離分解能が得られ、精密な測定を行
うことができる。

【０００７】なお、この方法では、用いる超音波センサ
の指向角が±５度以下でも、前述した法線に直交する横
方向分解能はセンサ直径程度が限界である。この欠点を
補う意味で、かつ、図６に示したのと同じく超音波によ
るセンサアレイ１１を用いる方法として、開口合成法を
用いるようにしても良い。この開口合成法を用いる場合
には、焦点距離に対応した平面像を得ることができる。
また、この場合、横方向分解能は焦点距離に依存する
が、開口長とほぼ等しい距離にある場合には、波長程度
の分解能を得ることができる。なお、上述したような超
音波を用いたレンジセンサに加えて、レーザ光源を用い
た光線スリット法によるレンジセンサを用いても良い。

【０００８】ここで、レンジセンサではないが、横方向
の分解能のみを向上する意味では、ビデオカメラを併用
する方法も実用的である。この方法には、色情報を活用
できるメリットもある。ビデオカメラにより得られる形
状情報では横方向の分解能が非常に高い。しかし、ビデ
オカメラ単独では距離情報を得ることはできない。しか
も、ビデオカメラでは、明度の違いに基づいて形状情報
の抽出を行うので、明るさが変化したり影が生じる環境
では正確なデータを得ることが困難である。しかし、超
音波法による方法と併用するようにすれば、カメラ画像
単独では困難な形状抽出を可能にできる。

【０００９】この併用するメカニズムについては、特願
平４−３５１４５７号に記載されている。物体のビデオ
画像を抽出することができれば、超音波像に比べてはる
かに横方向分解能に優れた形状情報を得ることができ
る。この情報と、先に述べた奥行き方向分解能に優れた
距離情報を併用することによって、高精度な３次元物体
像を得ることができる。以上述べた様々な方法によれ
ば、得られた３次元物体像に基づいて、認識対象物の断
面積や高さ，体積，外形などの大きさ情報も含めた形状
情報を求めることができる。

【００１０】「形状の認識」次に、得られた認識対象物
の形状情報をもとに、認識対象物の認識を行う方法につ
いて説明する。認識の方法としては、基本的に特開平５
−１９０５２号公報に記載されたものと同じ誤差逆伝搬
法を用いた層状のニューラルネットワーク、つまりパー
セプトロン型のニューラルネットワークを用いればよ
い。これは、図６に示したニューラルネットワーク１３
と同様の構造であり、入力層１４，中間層１５，および
出力層１６で構成される。なお、中間層１５は２層以上
あっても良い。

【００１１】このニューラルネットワーク１３では、入
力層１４に入力される信号に対して、出力層１６が一定
の信号を出力できるように学習させることができる。一
度学習を行えば、学習した入力信号とほぼ同様の入力信
号に対して、ニューラルネットワーク１３は学習した信
号を出力する。したがって、形状情報から特徴量を抽出
する煩雑な手続きが不要にもかかわらず、形状に対応し
た固有の認識結果を得ることができる。

【００１２】そして、このニューラルネットワーク１３
では、認識は学習データとの対応で行われる。入力層１
４の各シナップスには、図６で示したように、センサア
レイ１１で測定した距離情報の平面分布を示す測定デー
タ１９が入力される。このため同一の物体でも、観察位
置，向き，距離などの異なる場合には、異なったデータ
となるので同一物体と認識できない。

【００１３】この欠点を補うために、測定データの重心
が学習データの重心と一致するように、測定データを平
行移動することによって、認識対象の舞台の位置を正規
化する。たとえば、前述した回転対照法を用いること
で、認識対象の物体を認識させる。これらの方法によっ
て、物体の距離，位置，向きによらず、その物体の認識
をすることができる。そして、加えて、学習段階のと
き、得られた形状情報より、大きさを正規化したものを
ニューラルネットワークに与える。

【００１４】この正規化により、ニューラルネットワー
クに与える全ての学習データの差異は、形状の差異のみ
を表すことになる。そして、実際の認識段階では、上述
と同様にして、認識対象の物体の測定データの高さ情報
を正規化し、さらに断面積を拡大縮小させ、規格値に整
合させた上でニューラルネットワークに入力する。この
ことにより、認識対象の物体までの距離やその位置，ま
た、その物体の向きや大きさにかかわらず、物体の形状
を認識することができる。

【００１５】

【発明が解決しようとする課題】従来は以上のようにな
されていたので、形状が同じでも大きさが異なる物体
を、その形状を認識することはできても、それらが異な
るものであるという物体認識ができないという問題があ
った。そして従来の方法で、同様の形状で異なる大きさ
の物体を認識する場合は、大きさの異なる物体全てにつ
いての学習をしなくてはならないため、認識をするため
の学習量が多くなり、物体種類が増加すると学習時間が
指数的に増加してしまう。

【００１６】たとえば、ある２つの物体が相似形であっ
ても、大きさが異なると別の物体として学習が必要にな
る。このため、たとえば、球を認識させるだけのために
も、様々な大きさの球の学習が必要となり、言い換える
と、膨大な量の学習をしなければ、いろいろな大きさの
球を認識することができない。すなわち、高速かつ大容
量のコンピュータを用いても、学習が困難になるという
実用上の大問題があった。

【００１７】この発明は、以上のような問題点を解消す
るためになされたものであり、形状や大きさが異なる様
々な３次元物体の認識を実用的に可能とすることを目的
とする。

【００１８】

【課題を解決するための手段】この発明の３次元物体の
認識方法は、基準面上に配置された物体を一方から観察
して物体の形状情報を求め、その形状情報を奥行き方向
および平面方向に正規化した正規化形状情報を用いて物
体の形状認識を行い、この形状認識の結果および形状情
報による物体の断面積，体積，もしくは直径などの大き
さ情報のうち２成分以上に基づいて物体認識をすること
を特徴とする。

【００１９】

【作用】１つの代表形状の学習で、類似しているが大き
さが異なる物体を異なるものとして認識する。

【００２０】

【実施例】以下この発明の１実施例を図を参照して説明
する。図１は、この発明の３次元物体の認識方法の１実
施例を説明するためのフローチャートであり、図１のフ
ローチャートを用いてこの実施例を説明する。この３次
元物体の認識では、まず、ニューラルネットワークにお
ける学習を行う。

【００２１】この学習では、始めに、学習対象（認識対
象）の物体の測定を行う。この物体の測定では、複数の
超音波センサが配列された超音波センサアレイにより、
従来と同様に、学習対象の物体の超音波センサアレイか
らの距離情報を得る（ステップＳ１）。そして、得られ
た距離情報よりノイズを取り除き（ステップＳ２）、こ
れらより物体の奥行き方向の形状情報の抽出を行う（ス
テップＳ３）。

【００２２】一方で、ビデオカメラなどにより、学習対
象の物体の画像データを取込み、物体の横方向の形状情
報の抽出を行う（ステップＳ４）。そして、これらの抽
出した形状情報より、物体の重心を求める（ステップＳ
５）。以上、ステップＳ１〜Ｓ５が測定になる。そし
て、以下に示すように、大きさと位置の規格処理を行
う。

【００２３】まず、この学習段階のときは、得られた形
状情報より、学習データとして大きさと位置を正規化し
たものを形状認識ニューラルネットワークに与える（ス
テップＳ６）。たとえば、得られた形状情報の中で、物
体の各部分の高さ情報を、その中の最大高さ情報で割っ
て正規化し、また、物体の重心が得られた形状情報にお
けるデータ列の中央に来るように位置を正規化し、これ
を形状認識ニューラルネットワークに与える。

【００２４】次に、学習データの情報量を正規化して形
状認識ニューラルネットワークに与える（ステップＳ
７）。たとえば、得られた形状情報のなかで、物体部分
を１，基準面となる背景部分を０に２値化して総和を計
算することにより断面積を求める。そして、あらかじめ
定めてある断面積の規格値に一致するように測定データ
を拡大もしくは縮小する処理をさせ、規格値に整合させ
る。つまり、この場合は、物体平面像の断面積を計算
し、この面積が規格値と一致するように形状情報を拡大
縮小して正規化し、これを形状認識ニューラルネットワ
ークに与える。

【００２５】この正規化の結果、形状認識ニューラルネ
ットワークに与える全ての学習データの差異は、形状の
差異のみを表すことになる。そして、実際の認識段階で
は、上述と同様にして、認識対象の物体の測定データの
高さ情報を正規化し、さらに断面積を拡大縮小させ、規
格値に整合させた上で形状認識ニューラルネットワーク
に入力する。認識には回転対照法を用いる。以上、ステ
ップＳ６，Ｓ７が正規化を行う部分である。

【００２６】以上の処理により、認識対象の物体までの
距離やその位置，また、その物体の向きや大きさにかか
わらず、形状認識ニューラルネットワークでは物体を認
識することができる（ステップＳ８）。なお、上述した
ニューラルネットワークにおいては、パーセプトロンと
同様にパターン認識機能を有するニューラルネットワー
ク用いても、同様であることはいうまでもない。

【００２７】本発明の特徴は、以上のことにより認識し
た物体の形状情報と大きさ情報とを用いることにより、
その物体の大小などを含めた相違点を認識する点にある
（物体認識）。物体の大きさ情報とは、断面積，体積，
高さ，直径などである。図２に、形状情報が同様のもの
となる物体の代表例を示す。同図において、（ａ）は学
習によって得られた正規化形状、（ｂ）は高さは正規化
形状と同一であるが断面積や体積が異なる物体、（ｃ）
は断面積は正規化形状と同一であるが高さや体積が異な
る物体、（ｄ）は体積は正規化形状と同一であるが高さ
や断面積が異なる物体である。

【００２８】図２（ｂ），（ｃ），（ｄ）に示す物体
は、正規化形状と断面積、高さ、もしくは体積がそれぞ
れに等しいが、全て異なる物体である。従来では、これ
らの物体の形状を認識することはできた。たとえば、こ
れらの物体を円柱と認識することはなく、正規化形状と
同様の形状であることは認識する。しかし、これらの物
体がそれぞれ異なる物体であるという物体認識はできな
かった。

【００２９】物体を認識するには、正規化した形状情報
に加えて断面積と高さ，または断面積と体積，または体
積と高さなどの、物体の大きさ情報の中で最低２情報が
必要である。すなわち、この発明では、上述した正規化
に加え、それらの少なくとも２情報を物体認識ニューラ
ルネットワークに与えることによって（ステップＳ
９）、物体認識ニューラルネットワークが物体を認識す
ることを特徴とする（ステップＳ１０）。

【００３０】以下、上述した方法に基づいて評価試験を
行った結果を説明する。図３は、この発明の１実施例に
よる形状認識装置の構成を示す構成図である。同図にお
いて、３１は周波数２００ＫＨｚの送受信兼用の超音波
センサ（株式会社村田製作所製ＭＡ２００Ａ１）を３０
ｍｍ間隔で平板上に縦横に８個ずつ、計６４個配列した
超音波センサアレイ、３２は超音波センサアレイ３１中
央部の孔３１ａより認識対象を撮影するＣＣＤイメージ
センサからなるビデオカメラ、３３は認識対象の物体、
３４は認識対象が置かれている基準面となる測定面であ
る。

【００３１】また、３５は超音波センサアレイ３１やビ
デオカメラ３２から得られた形状情報を正規化する正規
化部、３６は、入力層３６ａと中間層３６ｂと出力層３
６ｃから構成され、正規化部３５で正規化された形状情
報より形状認識を行う形状認識ニューラルネットワーク
である。なお、超音波センサとビデオカメラ３２は相対
位置が変化しないようにセンサアレイ３１に固定してあ
る。また、形状認識部のニューラルネットワーク３６の
入力層３６の入力シナップス数は２７０４、学習段階に
おける学習モデルの断面積規格値は８００である。

【００３２】ここで、上述したように、２００ＫＨｚの
指向性の高い超音波センサを用いた場合でも、センサの
外形に等しい１０ミリ程度が超音波センサ単独の横方向
分解の限界である。超音波センサは全てが送受信兼用で
あり、発振したセンサが反射波を受信するだけでなく、
隣のセンサが発振した信号も受信することによって、８
×８個のセンサで１５×１５個の点の測定が可能であ
る。また、ビデオカメラ３２より得られる画像は、これ
を構成するＣＣＤイメージセンサの特性に依存するが、
たとえば、得られる画素は縦５１２横４８５個で構成さ
れ、１つの画素は８ビットつまり２５６階調の明るさ情
報を有している。

【００３３】以下、この評価試験における形状認識装置
の動作について説明する。まず、ビデオカメラ３２で物
体３３を撮影することで測定した濃淡画像データから、
明るさの違いに基づいて３次元物体像を抽出する。次
に、測定した３次元物体像の画素数に基づいてこの断面
積を計算し、これが規格値と整合するよう画像の抽出幅
を適応させ、再度平面像を抽出することによって、物体
３３より得られる形状情報の大きさ（情報量）を正規化
する。さらに、超音波センサで求めた物体像の最大高さ
で物体３３より得られる形状情報による像の大きさを正
規化する。そして、これら正規化した情報を形状認識ニ
ューラルネットワーク３６に入力して形状認識を行う。

【００３４】この形状認識装置を用いて、図３に示した
ように、以下に示すサンプルを１つずつ超音波センサア
レイ３１の測定エリア（約２１ｃｍ²）内の任意の位
置に任意の向きで設置し、形状認識を試みた。実験は２
回ずつ行った。サンプルとしては、断面積が２０ｃｍ
²，５０ｃｍ²，７０ｃｍ²の３種、形状が円柱，
断面が正方形の直方体Ａ，どの断面も正方形でない直方
体Ｂ，および三角柱の４種類、計１２個の物体を用い
た。なお全ての物体において高さは４ｃｍとした。ま
た、この評価試験においては、形状認識ニューラルネッ
トワーク３６が、円柱，直方体Ａ，直方体Ｂ，および三
角柱の４種類の物体について、前述したように学習を行
ってある。

【００３５】図４は回転対照法を用いた場合の形状認識
ニューラルネットワーク３６の出力の一例であり、
（ａ）は断面積２０ｃｍ²，（ｂ）は断面積５０ｃｍ
²，（ｃ）は断面積７０ｃｍ²の直方体Ｂを観察した
結果得られた出力層３６ｃ（図３）の出力を示す波形図
である。同図において、４１は出力層３６ｃの直方体Ａ
を示すシナップス出力、４２は出力層３６ｃの円柱を示
すシナップス出力、４３は出力層３６ｃの直方体Ｂを示
すシナップス出力、４４は出力層３６ｃの三角柱を示す
シナップス出力である。

【００３６】また、縦軸はシナップス出力を示し、横軸
は入力する測定データの重心まわりの回転角を示す。こ
こで、直方体Ａを示すシナップス出力４１は、認識対象
が学習した直方体Ａと完全に一致する場合に出力１（最
大）となり、他のシナップス出力４２〜４４は０とな
る。同様に、認識対象が学習した円柱と完全に一致する
場合は、円柱を示すシナップス出力４２が出力１（最
大）となり、直方体Ａを示すシナップス出力４１を含め
他のシナプス出力４３，４４は０となる。言い換える
と、直方体Ａを示すシナップス出力４１とは、学習段階
で断面が正方形の直方体を認識させて出力１となるよう
にした（学習した）ものである。このとき、当然、他の
シナップス出力４２〜４４は０とする。

【００３７】図４に示すように、認識結果は、学習した
各物体の対称軸に応じた回転角においてピークを生じて
いる。これは、特定の回転角において学習データと入力
データが一致したことを表している。各シナップス出力
は、認識対象が学習したときと同様の形状のとき大きな
ものとなる。そして、シナップス出力４３は、認識対象
の回転角が学習したときと異なれば、この認識対象が直
方体Ｂであっても、小さいものとなる。

【００３８】出力層３６ｃの直方体Ｂを示すシナップス
出力４３は、観察対象の断面が正方形ではないので、１
８０度毎に最も高いピークを示している。１８０度毎に
高いピークを示しているのは、直方体Ｂには対称軸が１
本しかないためである。また、たとえば、出力層３６ｃ
の円柱を示すシナップス出力４２が９０度と２７０度に
ピークを示しているが、これは、誤認識部分である。全
体としては、シナップス出力４３が１８０度毎に最も高
いピークとなり、このとき他のシナップス出力４１，４
２，４４は０となっているので、観察対象は直方体Ｂで
あると認識される。

【００３９】以下の表１に、前述した物体の形状認識結
果を示す。これは、前述した１２個の物体の形状認識に
おける、出力層３６ｃの各対象物体形状に対応する４つ
のシナップスの出力より得られた結果である。すなわ
ち、表１中の確定率は、各対象物体形状に対応するシナ
ップス出力４１〜４４の中の最大値を、４つのシナップ
ス出力４１〜４４の総和で正規化したものである。した
がって、確定率１００％とは、誤認識の出力が全く無い
状態を示す。

【００４０】

【００４１】実験結果は、大きさにかかわらず共通の結
果を得ている。たとえば、物体３３が円柱の場合は、そ
の断面積が２０，５０，７０ｃｍ²のどれでも円柱と認
識している。そして、円柱および直方体Ｂと三角柱につ
いては全て正解を得た。一方、直方体Ａの場合は、円柱
と誤認識をする場合があった。

【００４２】以上は、測定した情報を正規化することに
より、たとえば、大きさの異なる円柱でも、１つの円柱
を学習することで、それらを円柱と判断できるようにな
ったことを示した。しかし、まだこれでは、異なる大き
さの円柱でも同じものとして認識してしまう。ここで、
前述したように、この発明の特徴である、大きさを示す
２つの情報を用いることで、これらを区別する物体認識
が可能となるが、この物体認識について以下に説明す
る。

【００４３】この物体認識においては、前述したよう
に、図３に示した形状認識ニューラルネットワーク３６
に加えて、物体認識ニューラルネットワークも用いる。
この物体認識ニューラルネットワークは、４種類の物体
にそれぞれ対応した図３に示した形状認識ニューラルネ
ットワーク３６の出力層３６ｃのシナップスの出力が接
続される４つのシナップスと、たとえば断面積の大小を
３段階，高さの大小を３段階に分けて入力する６つのシ
ナップスとからなる入力層を有する。そして、図５に示
すように、物体認識ニューラルネットワークの出力層で
は、４×３×３＝３６のシナプスから出力が得られる。

【００４４】この物体認識の評価試験では、上述の評価
試験と同様にそれぞれに、断面積が２０、５０，７０ｃ
ｍ²の３種類、そして、高さ４ｃｍの直方体Ａ、高さ
７ｃｍの円柱と直方体Ｂ、高さ４ｃｍ，７ｃｍ，１０ｃ
ｍの三角柱の合計１８のサンプルを用いた。評価試験の
結果は、１８サンプル全ての物体認識に成功した。これ
は、物体認識ニューラルネットワークが、形状と大き
さ、つまり高さと断面積を総合的に判断した結果と考え
られる。

【００４５】表１に示した結果が示すとおり、形状認識
ニューラルネットワークのみでは円柱と立方体の場合の
ように誤認識も生じる。しかし、物体認識ニューラルネ
ットワークでは、形状認識の結果に加えて、断面積情報
や高さ情報も加わって判断される。すなわち、形状認識
においては断面積２０，５０ｃｍ²の直方体Ａの形状
認識に誤認識があったが、今度の物体認識の試験におい
ては、直方体Ａと円柱では高さが異なり、このために誤
認識することなく物体判断がされたものである。

【００４６】ところで、ニューラルネットワークの認識
における機能は、判別回路の縦列接続とは異なる。判別
回路とは、たとえば、形状判断，断面積判断，高さ判断
において、それぞれに設定されているしきい値との比較
により、得られた測定データを逐次判別していくもので
ある。このような判別回路では、判別回路の全ての判断
部分で正解を得られなければ、総合的な正解を得ること
はできない。これに対して、ニューラルネットワーク
は、各々の情報から確からしさも判定して、総合的に正
解を推定する機能を有する。

【００４７】なお、本発明では、実施例として形状測定
に超音波センサとビデオカメラを併用したが、特にこれ
に限定するものではなく、光切断法や光位相法を用いた
レーザレンジセンサでも実施可能なのはいうまでもな
い。

【００４８】

【発明の効果】以上説明したように、この発明によれ
ば、測定によって得られた形状情報を正規化してから、
これを認識を行うニューラルネットワークに入力し、加
えて、認識対象の物体の大きさの情報の中で、２つ以上
をニューラルネットワークによる認識のために用いるよ
うにした。このため、ある１つの大きさの代表形状を学
習するだけで、大きさの異なる相似形の関係にある物体
を区別して認識することができるという効果を有する。

【図面の簡単な説明】

【図１】この発明の３次元物体の認識方法の１実施例
を説明するためのフローチャートである。

【図２】形状情報が同様となる物体の代表例を示す斜
視図である。

【図３】この発明の１実施例による形状認識装置の構
成を示す構成図である。

【図４】直方体Ｂを観察した場合の形状認識ニューラ
ルネットワークの出力の一例を示す波形図である。

【図５】この発明における物体認識ニューラルネット
ワークを示す構成図である。

【図６】従来の形状認識装置の構成の１例を示す構成
図である。

【符号の説明】

３１…超音波センサアレイ、３２…ビデオカメラ、３３
…物体、３４…測定面、３５…正規化部、３６…形状認
識ニューラルネットワーク、３６ａ…入力層、３６ｂ…
中間層、３６ｃ…出力層。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号庁内整理番号ＦＩ技術表示箇所Ｇ０６Ｇ 7/60

Claims

【特許請求の範囲】

【請求項１】物体の形状認識と、前記物体の形状に加
え大きさも含めた前記物体そのものを認識する物体認識
とをニューラルネットワークを用いて行う３次元物体の
認識方法であって、基準面上に配置された物体を一方から観察して前記物体
の形状情報を求め、前記形状情報を奥行き方向および平面方向に正規化した
正規化形状情報を用いて前記物体の形状を識別すること
で形状認識を行い、前記物体の形状を識別した結果と、前記形状情報による
前記物体の断面積，体積，もしくは直径などの大きさ情
報のうち２成分以上とに基づいて前記物体を識別するこ
とで物体認識をすることを特徴とする３次元物体の認識
方法。