JPH0737095A - 線図形素片学習認識方法 - Google Patents

Abstract

(57)【要約】 【目的】 本発明の目的は、図形の素片から図形全体の
自動認識が可能な線図形素片学習認識方法を提供するこ
とである。 【構成】 本発明は、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利用し、学習機能に対しては
学習ベクトル量子化技術を利用する。特に図形の曲率情
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にまとめた上で隣接
する曲線部分との相対的な長さの情報と共に学習ベクト
ル量子化器への入力情報として図形の学習を行い、学習
結果の学習ベクトル量子化器を用いて認識対象図形の認
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、線図形素片学習認識方
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
図形を図面から獲得する手順として、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おける線図形
素片学習認識方法に関する。

【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や学習
ベクトル量子化を始めとする学習機能に関する技術が進
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。

【０００４】学習ベクトル量子化器は、入力情報とそれ
に対応するカテゴリ情報を教師情報として与えることに
よって、入力値とカテゴリの対応関係を近似統計的に自
動的に学習するものであり、理論的には極限において、
統計誤差が極小となることが示されている。

【０００５】

【発明が解決しようとする課題】しかしながら、上記従
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
ばなるほど、膨大なプログラミング作業を要し、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、この従来の手法では、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という問題がある。

【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
法がいくつか開発されているが、その方法によって、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、適用できなかっ
たり、９０°単位の回転しか想定していないため、他の
回転角度に対しては認識できない、あるいは、認識させ
る図形が学習させた図形の一部分に対応した素片のみの
場合に適用できなかったりする。このため、適用できる
事例が極一部に限定されてしまっている。

【０００７】従って、学習機能に関する技術を実用的に
有効に利用するためには、学習可能性の高い情報をいか
に与えるかが問題である。即ち、学習ベクトル量子化器
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。

【０００８】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、図形形状毎に対応した図形認
識のためのソフトウェアを作成することなく、図形の自
動認識が実現し、図形の位置変動、回転、拡大、縮小に
関わらず、図形の素片から図形全体の自動認識が可能な
線図形素片学習認識方法を提供することを目的とする。

【０００９】

【課題を解決するための手段】図１は、本発明の原理を
説明するための図（その１）である。

【００１０】本発明は、紙面上に描かれた線図形から図
形の心線を求め、図形のカテゴリ情報を付与し、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、図形の画素列の各画素毎の折れ曲がり具合を表現
する曲率情報を当該図形の形状を表現する情報として求
め、曲率情報から変曲点を特徴点として抽出し、特徴点
間の距離情報を算出し、特徴点で区切られる区間の曲率
情報を適応的ベクトル量子化器の入力情報になるように
正規化する図形の正規化曲率情報算出処理を行い（ステ
ップ１００）、正規化された曲率情報を適応的ベクトル
量子化器に与え、適応的に学習させる適応的ベクトル量
子化器学習処理を行い（ステップ１０１）、複数個の図
形がある場合には、正規化曲率情報算出処理及び適応的
ベクトル量子化学習処理を複数個の学習対象図形数分繰
り返し（ステップ１０２）、適応的に学習された適応的
ベクトル量子化器を用いて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する正規化曲率情報量子化
処理を行い（ステップ１０３）、量子化された曲率情報
と特徴点間の距離情報とカテゴリ情報を、学習ベクトル
量子化器に与え、学習させる学習ベクトル量子化器学習
処理を行い（ステップ１０４）、図形が複数個ある場合
には、正規化曲率情報量子化処理及び学習ベクトル量子
化器学習処理を複数個の学習用図形数分繰り返し（ステ
ップ１０５）、学習用図形以外の認識用図形に対して、
正規化曲率情報算出処理を行い（ステップ１０６）、認
識用図形の正規化された曲率情報を適応的ベクトル量子
化器により量子化し（ステップ１０７）、量子化された
曲率情報と特徴点間の距離情報を学習ベクトル量子化器
に入力し、認識処理を行い、量子化器の出力情報から認
識用図形の認識結果情報を得る（ステップ１０８）。

【００１１】図２は、本発明の原理を説明するための図
（その２）である。

【００１２】本発明は、紙面上に描かれた線図形から図
形の心線を求め、図形のカテゴリ情報を付与し、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、図形の画素列の各画素毎の折れ曲がり具合を表現
する曲率情報を当該図形の形状を表現する情報として求
め、曲率情報から変曲点を特徴点として抽出し、特徴点
間の距離情報を算出し、特徴点で区切られる区間の曲率
情報を適応的ベクトル量子化器の入力情報になるように
正規化する図形の正規化曲率情報算出処理を行い（ステ
ップ２００）、正規化された曲率情報を適応的ベクトル
量子化器に与え、適応的に学習させる適応的ベクトル量
子化器学習処理を行い（ステップ２０１）、複数個の学
習用図形がある場合には、正規化曲率情報算出処理及び
適応的ベクトル量子化器学習処理を複数個の学習対象図
形数分繰り返し（ステップ２０２）、適応的ベクトル量
子化器を用いて特徴点の距離情報の正規化された曲率情
報を量子化する正規化曲率情報量子化処理を行い（ステ
ップ２０３）、正規化曲率情報算出処理により正規化及
び適応的ベクトル量子化器学習処理により量子化された
曲率情報と特徴点間の距離の情報より、着目している区
間に対して区間の一定範囲にある各区間の距離の情報
を、着目している区間の距離を基準とした相対値に変換
し、量子化された曲率情報とカテゴリ情報を併せて学習
ベクトル量子化器に与えて学習ベクトル量子化器に図形
を学習させる学習ベクトル量子化器学習処理を行い（ス
テップ２０４）、図形が複数個ある場合に、正規化曲率
情報量子化処理及び学習ベクトル量子化学習処理を行い
（ステップ２０５）、学習用図形以外の新たな認識用図
形に対してステップ２００と同様の正規化曲率情報算出
処理を行い（ステップ２０６）、ステップ２０６で認識
用図形の正規化された曲率情報を適応的ベクトル量子化
器により量子化し（ステップ２０７）、量子化された曲
率情報と区間の長さの情報を相対値に変換した後に学習
ベクトル量子化器に入力し、学習ベクトル量子化器の出
力情報から認識用図形の認識結果情報を得る（ステップ
２０８）。

【００１３】

【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）を利用してい
る。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眼し、
また、幼児期の図形の認識／理解においては、与えられ
た図形の形を何度も学習しながら、徐々にその図形を理
解していることに着眼する。

【００１４】ここで、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学習ベクトル量子化技術を利用
する。これにより、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
出する。さらに、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学習
ベクトル量子化への入力情報とする。これにより、図形
の学習を行い、その学習結果の学習ベクトル量子化器を
用いて、認識対象となる図形の認識を行おうというもの
である。

【００１５】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、回転の変更に影
響を受けない図形素片から図形全体への認識が可能にな
り、よって従来の技術のような図形認識プログラミング
が不要となる。

【００１６】

【実施例】まず、本発明で用いられる適応的ベクトル量
子化器及び学習ベクトル量子化器の原理について説明す
る。

【００１７】図３は、適応的ベクトルの量子化器の原理
構成図である。

【００１８】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本発明の
請求範囲に抵触するものではなく、ブラックボックスと
して扱うものとする。

【００１９】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２０には、入力情報１０と出力情報４０
がある。適応的ベクトル量子化器２０に学習用の入力情
報２０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。

【００２０】ここでいう入力情報２０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。

【００２１】適応的ベクトル量子化器２０の内部には、
任意の数の入力情報と同じ次元をもつ参照ベクトル３０
が保持されており、入力情報１０は逐次与えられた時点
での参照ベクトル３０と比較され、最も与えられた入力
情報１０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１０が提示され、学
習が終了するとともに０．０となるように制御する。即
ち、学習が進むにつれ、各参照ベクトル３０はそのベク
トル値の周辺の入力情報１０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２０の内部の参照ベクトル群３０は固定され、それ以
降変動しなくなる。

【００２２】また、量子化処理は、この学習の終わった
参照ベクトル３０群を用いて行われる。即ち、入力情報
１０は、学習時と同様に各参照ベクトル３０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２０は、その選ばれた参照ベク
トル３０に付与されているインデックスを出力情報とし
て出力する。

【００２３】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、
唯一に定まる符号（番号）とする。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。

【００２４】次に、図４は、学習ベクトル量子化器の原
理構成図を示す。

【００２５】学習ベクトル量子化器については、種々の
バリエーションが既存技術として開発されている。その
中身については、本発明の請求範囲に抵触するものでは
なく、ブラックボックスとする。そのブラックボックス
として与えられる学習ベクトル量子化器６０には、前述
の適応的ベクトル量子化器２０と同様に入力情報５０と
共に出力情報８０がある。

【００２６】適応的ベクトル量子化器２０と異なる点
は、入力情報５０に対するカテゴリ情報を教師信号９０
として与えることである。学習ベクトル量子化器６０に
入力情報５０と教師情報９０を与えることにより学習処
理が行われる。

【００２７】学習ベクトル量子化器６０の学習は、大筋
で前述の適応的ベクトル量子化器２０の学習と同様であ
る。異なる点は、参照ベクトルにそれぞれラベルが付さ
れ、そのラベルが出力となるカテゴリーを表す点であ
る。適応的ベクトル量子化器２０の出力情報４０は、参
照ベクトルのインデックスであったが、学習ベクトル量
子化器６０の出力情報８０は、前述のラベル（カテゴ
リ）となる。

【００２８】また、学習処理においては、提示された学
習用の入力情報５０に対して最も距離の近い参照ベクト
ル７０が選ばれるのは同様であるが、選ばれた参照ベク
トルにふられたラベルが教師情報９０として与えられる
正解カテゴリと一致するか否かにより参照ベクトル７０
の更新の仕方が異なる。ラベルが正解カテゴリと一致し
ている場合には、適応的ベクトル量子化器２０と同様に
ベクトルの各次元において入力情報５０との差分が小さ
くなるように、差分に１より小さい係数εを乗じた値だ
け、その値が修正される。また、ラベルが正解カテゴリ
と一致していない場合には、逆に入力情報５０との差分
が大きくなるように、差分に係数εを乗じた値だけ修正
されることになる。係数εは適応的ベクトル量子化器２
０のそれと同様、学習が進行するにつれ単調減少し、学
習の終了と同時に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ラベルのカ
テゴリの分布の濃い部分にそれぞれ移動して行き、学習
が終了するとそれ以降変動しなくなる。

【００２９】学習が終了した学習ベクトル量子化器６０
に新たな入力情報５０を与えると、学習ベクトル量子化
器６０の出力情報８０として、すでに学習された入力情
報５０から獲得した参照ベクトル７０のうち最も似通っ
た参照ベクトル７０が持つ（カテゴリ情報）を得る事が
できる。

【００３０】図５は、本発明の概要を示す。

【００３１】本発明では、学習ベクトル量子化器６０へ
の入力情報５０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、前述した適応的ベクトル量
子化器２０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、図形の学習を行う。学習が終了した学習ベクトル
量子化器６０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。

【００３２】なお、一般的に入力情報、出力情報、教師
情報はそれぞれの任意の数の任意の数値で与えられる。

【００３３】以下、図面と共に本発明の実施例を詳細に
説明する。

【００３４】図６は、本発明の一実施例の動作の概要を
示す。本発明の処理は、学習過程Ａと認識過程Ｂからな
る。

【００３５】まず、学習過程Ａでは、学習用図形１００
が入力されて、学習用図形の正規化曲率情報の算出処理
ａを行い、正規化された曲率情報を適応的ベクトル量子
化器に入力し、学習を行う適応的ベクトル量子化器学習
処理ｂを行う。次に、適応的ベクトル量子化器に適応的
ベクトル量子化器参照ベクトル群１１０が入力され、量
子化処理ｃが行われる。さらに、学習ベクトル量子化器
に、学習ベクトル量子化器参照ベクトル群１２０が入力
され、学習処理ｄが行われる。

【００３６】認識過程Ｂは、学習過程Ａのａにおいて用
いられた学習用図形１００の代わりに、認識用図形１３
０が用いられ、認識図形の正規化曲率情報算出処理ｅを
行い、正規化された曲率情報が得られると、学習過程Ａ
のｂの処理により生成された学習済適応的ベクトル量子
化器参照ベクトル群１４０が入力され、適応的ベクトル
量子化器による量子化処理ｆが行われる。最後に、学習
過程Ａのｄの処理により生成された学習済学習ベクトル
量子化器参照ベクトル群１５０が入力され、学習ベクト
ル量子化器による認識処理ｇが行われる。

【００３７】ここで、学習過程Ａについて詳細に説明す
る。

【００３８】図７は、本発明の一実施例の学習過程まで
の動作を示す。

【００３９】・図形心線抽出処理 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、従来の技術としての心線化処理（細線化処
理）によって、その線図形の心線化（１画素幅の中心
線）を得る（ステップ１）。

【００４０】・カテゴリ情報付与処理 対象図形（学習用図形）のカテゴリ情報（図形の名前：
分類名称）は、計算機に接続されるキーボード等から入
力することによって情報化する（ステップ２）。

【００４１】・心線画素列抽出処理 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３）。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。

【００４２】・曲率情報算出処理 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４）。

【００４３】即ち、画素ｄ_i の曲率をＣ_i で表し、次の
ように求める。図８（ａ）に示すように、画素ｄ_i から
ｋ個離れた画素の２個の要素（ｄ_(i-k) ，ｄ_(i+k) ）を
設定し、画素ｄ_(i-k) と画素ｄ_(i+k) を接続する直接線
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 が予め設定するパラメータＥに対してＢ_k ≦Ｅ
になる条件でのｋの最大値を求め、その最大値をＬとす
る。そして、図８（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をＶ₊ とす
る。

【００４４】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８（ｃ）に示すように画素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 を、Ｃ_i ＝１／Ｒ_i
とする。

【００４５】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。

【００４６】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。

【００４７】即ち、画素列の最初の画素（（ｘ₁ ，
ｙ₁ ）：始点画素ｄ_i ）と、最後の画素ｄ_i （（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。

【００４８】また、上記において、予め設定するパラメ
ータＥは、画素間隔長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。

【００４９】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はな
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。

【００５０】以上のようにして求められた画素列Ｆの曲
率情報Ｆ_c の一例を示す。

【００５１】図９は、本発明の一実施例の曲率情報の一
例を曲線（折れ線）グラフとして表示した図である。同
図において、画素列Ｆの曲率情報Ｆ_c を示すものであ
る。

【００５２】・特徴点抽出処理 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
出し、各特徴点間の距離（画素数）を算出する（ステッ
プ５）。この具体例を以下に示す。

【００５３】図９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。この方法では、この
グラフ中で、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
９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。また、この特徴点間の距離は、
特徴点の間にある画素数で表現できる。

【００５４】・曲率情報正規化処理 上述の手順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６）。

【００５５】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ことが本発明の主眼の一つ
である。

【００５６】・適応的ベクトル量子化器学習処理 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
の学習用入力情報として与え、従来の技術にも示したよ
うに適応的ベクトル量子化器に学習処理を行わせる（ス
テップ７）。

【００５７】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
りなっている）を適合させる。

【００５８】具体的には、区間内の画素列を適応的ベク
トル量子化器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
をとったものを、入力情報として与える。一つの図形
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
トル量子化器に学習用入力情報として与える。

【００５９】・複数個図形用適応的ベクトル量子化器に
よる量子化処理 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
ル量子化器に学習用入力情報として与え、学習処理を行
わせる（ステップ８）。

【００６０】・適応的ベクトル量子化器による量子化処
理 以上の手順により適応的ベクトル量子化器は、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、前述のステップ８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、従来の技
術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９）。以降この適応的ベクトル量子化器によって得
た区間の符号（インデックス）をインデックス情報と呼
ぶ。

【００６１】・学習ベクトル量子化器学習処理 前述のステップ９で得られた、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５で得
られた各区間の長さ（画素数）情報を入力情報として、
また、ステップ２により与えられたカテゴリ情報を教師
情報として、次に述べるように、学習ベクトル量子化器
に与え、学習処理を行う（ステップ１０）。

【００６２】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、Ｌａを区間Ａの長さとすると、一つの
データとして一度に学習ベクトル量子化器に与えるの
は、区間Ａとその前後のそれぞれ区間Ａの長さＬａに予
め規定した数（Ｃ）を乗じた長さの範囲の区間の入力情
報である。着目している区間Ａの入力情報は、一列が適
応的ベクトル量子化器の参照ベクトルの数Ｔ個の入力素
子により構成される入力素子列を定められた列数（Ｂ
列）用意し、各列中の区間Ａのインデックスに対応する
素子の値のみ１．０とし、それ以外を０．０とするとこ
により表す。着目している区間の前後の区間において
は、今のＢ列の素子列の前後それぞれに、着目している
区間Ａの長さを基準とした相対的な長さに応じた列数、
当該区間のインデックス情報を表す入力素子列を並べる
ことにより表す。前後それぞれについてＢ×Ｃ列の入力
素子列が得られるまで、隣接する区間についてこれを繰
り返す。これにより学習ベクトル量子化器に必要となる
入力素子の数は、Ｔ×（２Ｃ＋１）×Ｂ個となる。この
ように、着目している区間に対する前後の区間インデッ
クス情報と入力素子の列数で表現された相対的な長さの
情報を学習ベクトル量子化器に与えることが、本発明の
主眼の一つである。

【００６３】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。

【００６４】・複数個図形用学習ベクトル量子化器学習
処理 学習対象図形が複数存在する場合には、その各々の学習
図形毎に、ステップ９及びステップ１０の手順を用い
て、学習処理を行う（ステップ１１） 学習ベクトル量子化器は、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の指定の回数繰り返し学習処理させ
る必要がある。

【００６５】以上の処理手順で、複数個の学習用図形の
学習処理が終了し、学習ベクトル量子化器は、複数個の
図形を学習したことになる。

【００６６】この学習ベクトル量子化器を用いて、別途
作成される認識用図形の認識処理を図１０を用いて以下
に説明する。

【００６７】図１０は、本発明の一実施例の認識過程を
示す。

【００６８】・認識図形の正規化曲率情報算出処理 まず、認識用図形の変曲点により区切られた各区間に対
して正規化された曲率情報及び区間の長さ情報を算出す
る（ステップ１２）。これを求める手順は前述の学習処
理のステップ１からステップ６までの手順と同様であ
る。

【００６９】・適応的ベクトル量子化器による量子化処
理 ステップ１２の認識図形の正規化曲率情報算出処理によ
り得られた、認識用図形の各区間の曲率情報をステップ
８の手順により得られた学習済の適応的ベクトル量子化
器を用いて量子化し、インデックス情報を得る（ステッ
プ１３）。

【００７０】・学習ベクトル量子化器による認識処理 ステップ１３の手順で得られたインデックス情報と、ス
テップ１２の手順の過程で得られた各区間の長さの情報
を、ステップ１１で得られた学習済の学習ベクトル量子
化器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（学習ベクトル量子化器の出力情報）を得る
（ステップ１４）。

【００７１】この学習ベクトル量子化器の学習処理時に
教師情報としてカテゴリ情報を与えているため、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。

【００７２】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。認識する図
形の一部が他の図形などど交差しているなどの理由によ
り観測できない場合には、入力情報と参照ベクトルとの
距離を計算する際に、観測できなかった部分についての
距離を無条件に０．０として算出する。こうすることに
より観測された部分だけを用いてその類似性から参照ベ
クトル群との距離が算出でき、結果的には図形素片から
の図形全体の認識が可能となる。

【００７３】この未知の部分が結果に影響を与えないよ
うに学習ベクトル量子化器からの出力を得ることが本発
明の主眼の一つである。

【００７４】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機に接続さ
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、その図形の心線化（中心線）
を上述した画素列として容易に得ることができ、また、
本発明の範囲内において、対象図形の心線化が上述した
画素列として得られる限り、その他の手法を用いてもよ
い。

【００７５】

【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学習
ベクトル量子化器を利用して学習させ、その学習された
適応的ベクトル量子化器と学習ベクトル量子化器を用い
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、図形形状毎に対応した図形認識ソフトウェ
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、さらに他の学習機能を有する方法とは異な
り、図形の位置変動、回転、拡大及び縮小に関わらず図
形の素片から図形全体の自動認識が可能であるため、実
用的価値は極めて高いものになっている。

【図面の簡単な説明】

【図１】本発明の原理を説明するための図（その１）で
ある。

【図２】本発明の原理を説明するための図（その２）で
ある。

【図３】適応的ベクトルの量子化器の原理構成図であ
る。

【図４】学習ベクトル量子化器の原理構成図である。

【図５】本発明の概要を示す図である。

【図６】本発明の一実施例の動作の概要を示す図であ
る。

【図７】本発明の一実施例の学習過程までの動作を示
す。

【図８】曲率情報を説明するための図である。

【図９】本発明の一実施例の曲率情報の一例を曲線（折
れ線）グラフとして表示した図である。

【図１０】本発明の一実施例の認識過程を示す図であ
る。

【符号の説明】

１０，５０ 入力情報 ２０ 適応的ベクトル量子化器 ３０，７０ 参照ベクトル群 ４０ 出力情報（インデックス情報） ６０ 学習ベクトル量子化器 ８０ 出力情報 ９０ 教師情報 １００ 学習用図形 １１０ 適応的ベクトル量子化器参照ベクトル群 １２０ 学習ベクトル量子化器参照ベクトル群 １３０ 認識用図形 １４０ 学習済適応的ベクトル量子化器参照ベクトル群 １５０ 学習済学習ベクトル量子化器参照ベクトル群 ａ 学習用図形の正規化曲率情報算出処理 ｂ 適応的ベクトル量子化器学習処理 ｃ 適応的ベクトル量子化器による量子化器処理 ｄ 学習ベクトル量子化器学習処理 ｅ 認識図形の正規化曲率情報算出処理 ｆ 適応的ベクトル量子化処理 ｇ 学習ベクトル量子化器による認識処理

Claims (2)

【特許請求の範囲】
1. 【請求項１】 紙面上に描かれた線図形から図形の心線
   を求め、該図形のカテゴリ情報を付与し、該心線を画素
   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、該図形の画素列の各画素毎の折れ曲がり具合を表現
   する曲率情報を当該図形の形状を表現する情報として求
   め、該曲率情報から変曲点を特徴点として抽出し、該特
   徴点間の距離情報を算出し、該特徴点で区切られる区間
   の曲率情報を適応的ベクトル量子化器の入力情報になる
   ように正規化する図形の正規化曲率情報算出処理を行
   い、 正規化された該曲率情報を適応的ベクトル量子化器に与
   え、適応的に学習させる適応的ベクトル量子化器学習処
   理を行い、 複数個の図形がある場合には、該正規化曲率情報算出処
   理及び該適応的ベクトル量子化学習処理を複数個の学習
   対象図形数分繰り返し、 適応的に学習された該適応的ベクトル量子化器を用いて
   該特徴点で区切られる区間の正規化された曲率情報を量
   子化する正規化曲率情報量子化処理を行い、 該量子化された曲率情報と該特徴点間の距離情報と該カ
   テゴリ情報を、学習ベクトル量子化器に与え、学習させ
   る学習ベクトル量子化器学習処理を行い、 図形が複数個ある場合には、該正規化曲率情報量子化処
   理及び該学習ベクトル量子化器学習処理を複数個の学習
   用図形数分繰り返し、 該学習用図形以外の認識用図形に対して、該正規化曲率
   情報算出処理を行い、 該認識用図形の正規化された曲率情報を該適応的ベクト
   ル量子化器により量子化し、 該量子化された曲率情報と該特徴点間の距離情報を学習
   ベクトル量子化器に入力し、認識処理を行い、該量子化
   器の出力情報から認識用図形の認識結果情報を得ること
   を特徴とする線図形素片学習認識方法。
2. 【請求項２】 紙面上に描かれた線図形から図形の心線
   を求め、該図形のカテゴリ情報を付与し、該心線を画素
   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、該図形の画素列の各画素毎の折れ曲がり具合を表現
   する曲率情報を当該図形の形状を表現する情報として求
   め、該曲率情報から変曲点を特徴点として抽出し、該特
   徴点間の距離情報を算出し、該特徴点で区切られる区間
   の曲率情報を適応的ベクトル量子化器の入力情報になる
   ように正規化する図形の正規化曲率情報算出処理を行
   い、 正規化された該曲率情報を適応的ベクトル量子化器に与
   え、適応的に学習させる適応的ベクトル量子化器学習処
   理を行い、 複数個の学習用図形がある場合には、該正規化曲率情報
   算出処理及び該適応的ベクトル量子化器学習処理を複数
   個の学習対象図形数分繰り返し、 該適応的ベクトル量子化器を用いて特徴点の距離情報の
   正規化された曲率情報を量子化する正規化曲率情報量子
   化処理を行い、 該正規化曲率情報算出処理により正規化及び該適応的ベ
   クトル量子化器学習処理により量子化された曲率情報と
   該特徴点間の距離の情報より、着目している区間に対し
   て該区間の一定範囲にある各区間の距離の情報を、着目
   している区間の距離を基準とした相対値に変換し、該量
   子化された曲率情報と該カテゴリ情報を併せて学習ベク
   トル量子化器に与えて学習ベクトル量子化器に対象の学
   習用図形を学習させる学習ベクトル量子化器学習処理を
   行い、 図形が複数個ある場合に、該正規化曲率情報量子化処理
   及び該学習ベクトル量子化学習処理を行い、 学習用図形以外の新たな認識用図形に対して該正規化曲
   率情報算出処理を行い、 該認識用図形の正規化された曲率情報を該適応的ベクト
   ル量子化器により量子化し、 量子化された曲率情報と該区間の長さの情報を相対値に
   変換した後に該学習ベクトル量子化器に入力し、該学習
   ベクトル量子化器の出力情報から認識用図形の認識結果
   情報を得ることを特徴とする線図形素片学習認識方法。