JPH0793551A - 画像パターン認識処理装置 - Google Patents
画像パターン認識処理装置Info
- Publication number
- JPH0793551A JPH0793551A JP24129693A JP24129693A JPH0793551A JP H0793551 A JPH0793551 A JP H0793551A JP 24129693 A JP24129693 A JP 24129693A JP 24129693 A JP24129693 A JP 24129693A JP H0793551 A JPH0793551 A JP H0793551A
- Authority
- JP
- Japan
- Prior art keywords
- image
- image pattern
- pattern
- feature vector
- circuit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】 画像の数量が増加しても学習データの作成に
多くの人手を不要にする。 【構成】 画像パターン記憶回路１に記憶された画像パ
ターンは濃淡レベル補正回路２で濃淡レベルが設定され
た範囲に補正され、観測窓設定回路３で観測窓が設定さ
れたのち、マスク演算処理回路４で、予め設定されたマ
スクパターンとの間で演算が実行され、演算後の画像パ
ターンに対して認識処理回路６での画像空間フィルタを
作成し、画像パターンと画像空間フィルタとの相関値を
計算し、該相関値をもとに認識対象クラスに類似してい
ると分類された画像パターンに対して変換テーブルを作
成し、変換テーブルをもとに特徴ベクトルを作成し、該
特徴ベクトルから、認識対象クラス別に標準パターンを
作成する。
多くの人手を不要にする。 【構成】 画像パターン記憶回路１に記憶された画像パ
ターンは濃淡レベル補正回路２で濃淡レベルが設定され
た範囲に補正され、観測窓設定回路３で観測窓が設定さ
れたのち、マスク演算処理回路４で、予め設定されたマ
スクパターンとの間で演算が実行され、演算後の画像パ
ターンに対して認識処理回路６での画像空間フィルタを
作成し、画像パターンと画像空間フィルタとの相関値を
計算し、該相関値をもとに認識対象クラスに類似してい
ると分類された画像パターンに対して変換テーブルを作
成し、変換テーブルをもとに特徴ベクトルを作成し、該
特徴ベクトルから、認識対象クラス別に標準パターンを
作成する。
Description
【０００１】
【産業上の利用分野】本発明は、２値または多値からな
る画像パターンを認識処理する画像処理装置に関する。
る画像パターンを認識処理する画像処理装置に関する。
【０００２】
【従来の技術】従来、視覚ロボットや自動監視システム
では２値または多値画像から認識に有効だと思われる物
体の輪郭線や、物体のしめる領域を直線成分、曲線、記
号などを予め与えられた特徴抽出手法に基づいて認識す
る方法が知られている（たとえば、白井良明編：パター
ン理解、オーム社、１９８７年）。
では２値または多値画像から認識に有効だと思われる物
体の輪郭線や、物体のしめる領域を直線成分、曲線、記
号などを予め与えられた特徴抽出手法に基づいて認識す
る方法が知られている（たとえば、白井良明編：パター
ン理解、オーム社、１９８７年）。
【０００３】
【発明が解決しようとする課題】従来の画像認識処理装
置は認識対象に応じて予め与えられた特徴抽出手法に基
づいた認識方式が実行されていたため、１種類の認識方
式では認識対象の範囲が限られていた。たとえば、地図
などの多値画像認識に用いた特徴抽出手法を、ビデオカ
メラから撮った顔画像の認識や同定に用いることができ
なかった。また、大量の画像データから一部の認識対象
クラスだけを認識したい場合、たとえば、大量の顔画像
から目と口だけを認識するような場合、人手によって画
像の中から目と口の部分を切り出し、それらの学習デー
タから目や口の標準パターンを作成する方法が知られて
いる（たとえば、M. Turk and A.Pentland：Eigenfaces
forrecognition. Journal of Cognitive Neuroscienc
e, Vol.3, No.1, PP.71-86,1991）。この方式では、顔
画像の数量が増加すると人手で学習データを作成するこ
とはかなりの負担となり、利用者にとって不便な認識装
置になるという欠点がある。
置は認識対象に応じて予め与えられた特徴抽出手法に基
づいた認識方式が実行されていたため、１種類の認識方
式では認識対象の範囲が限られていた。たとえば、地図
などの多値画像認識に用いた特徴抽出手法を、ビデオカ
メラから撮った顔画像の認識や同定に用いることができ
なかった。また、大量の画像データから一部の認識対象
クラスだけを認識したい場合、たとえば、大量の顔画像
から目と口だけを認識するような場合、人手によって画
像の中から目と口の部分を切り出し、それらの学習デー
タから目や口の標準パターンを作成する方法が知られて
いる（たとえば、M. Turk and A.Pentland：Eigenfaces
forrecognition. Journal of Cognitive Neuroscienc
e, Vol.3, No.1, PP.71-86,1991）。この方式では、顔
画像の数量が増加すると人手で学習データを作成するこ
とはかなりの負担となり、利用者にとって不便な認識装
置になるという欠点がある。
【０００４】以上説明したように、従来の画像認識処理
装置または方式では、利用者ごとに扱う認識対象が異な
る場合、特徴抽出手段をその都度に変更できる手段、あ
るいは、標準パターン作成にともない、各クラスの学習
データを効率よく作成する作業を自動化する有効な手段
がなかった。
装置または方式では、利用者ごとに扱う認識対象が異な
る場合、特徴抽出手段をその都度に変更できる手段、あ
るいは、標準パターン作成にともない、各クラスの学習
データを効率よく作成する作業を自動化する有効な手段
がなかった。
【０００５】本発明の目的は、入力画像に応じて画像の
形状特徴を自動的に獲得できるだけでなく、大量の画像
データから認識対象クラスの学習データを半自動的に作
成できる、適用範囲の広い画像パターン認識処理装置を
提供することにある。
形状特徴を自動的に獲得できるだけでなく、大量の画像
データから認識対象クラスの学習データを半自動的に作
成できる、適用範囲の広い画像パターン認識処理装置を
提供することにある。
【０００６】
【課題を解決するための手段】本発明の画像パターン認
識処理装置は、画像パターンに対して濃淡レベルを予め
設定した範囲に補正する濃淡レベル補正手段と、該濃淡
レベル補正手段により濃淡レベルが補正された画像パタ
ーンに対して、１つ以上の観測窓を設定する観測窓設定
手段と、前記観測窓が設定された画像パターンと、予め
設定されたマスクパターンとの間で、マスク演算を実行
するマスク演算処理手段と、該マスク演算処理手段によ
って得られた画像パターンに対して、１つ以上の画像空
間フィルタを作成する画像空間フィルタ作成手段とを有
する。
識処理装置は、画像パターンに対して濃淡レベルを予め
設定した範囲に補正する濃淡レベル補正手段と、該濃淡
レベル補正手段により濃淡レベルが補正された画像パタ
ーンに対して、１つ以上の観測窓を設定する観測窓設定
手段と、前記観測窓が設定された画像パターンと、予め
設定されたマスクパターンとの間で、マスク演算を実行
するマスク演算処理手段と、該マスク演算処理手段によ
って得られた画像パターンに対して、１つ以上の画像空
間フィルタを作成する画像空間フィルタ作成手段とを有
する。
【０００７】前記マスク演算処理手段によって得られた
画像パターンに対して、前記画像空間フィルタによって
作成された画像空間フィルタとの相関値を計算し、該相
関値をもとに認識対象クラスに類似しているか否かを分
類する信号・雑音分類手段と、該信号・雑音分類手段に
よって認識対象クラスに類似すると分類された画像パタ
ーンに対して、各認識対象クラス別に特徴ベクトルのた
めの変換テーブルを作成する変換ーテーブル作成手段と
を有するものを含む。
画像パターンに対して、前記画像空間フィルタによって
作成された画像空間フィルタとの相関値を計算し、該相
関値をもとに認識対象クラスに類似しているか否かを分
類する信号・雑音分類手段と、該信号・雑音分類手段に
よって認識対象クラスに類似すると分類された画像パタ
ーンに対して、各認識対象クラス別に特徴ベクトルのた
めの変換テーブルを作成する変換ーテーブル作成手段と
を有するものを含む。
【０００８】前記信号・雑音分類手段によって認識対象
クラスに類似すると分類された画像パターンに対して、
前記変換テーブル手段が作成した変換テーブルを用いて
前記画像パターンに対する特徴ベクトルを作成する特徴
ベクトル作成手段と、該特徴ベクトル作成手段によって
得られた入力画像パターンの特徴ベクトルを利用して、
各認識対象クラスの標準パターンを作成する標準パター
ン作成手段とを有するものを含む。
クラスに類似すると分類された画像パターンに対して、
前記変換テーブル手段が作成した変換テーブルを用いて
前記画像パターンに対する特徴ベクトルを作成する特徴
ベクトル作成手段と、該特徴ベクトル作成手段によって
得られた入力画像パターンの特徴ベクトルを利用して、
各認識対象クラスの標準パターンを作成する標準パター
ン作成手段とを有するものを含む。
【０００９】前記特徴ベクトル作成手段によって得られ
た入力画像パターンの特徴ベクトルを利用して、前記各
認識対象クラスの標準パターンとの間で照合して、画像
パターンを分類する手段とを有するものを含む。
た入力画像パターンの特徴ベクトルを利用して、前記各
認識対象クラスの標準パターンとの間で照合して、画像
パターンを分類する手段とを有するものを含む。
【００１０】
【作用】入力画像の画像空間フィルタが作成されるの
で、認識対象クラスに類似した画像パターンか否かの選
択を高速で行なうことができる。
で、認識対象クラスに類似した画像パターンか否かの選
択を高速で行なうことができる。
【００１１】また、信号・雑音分類手段の分類結果か
ら、認識対象クラス別の特徴ベクトル作成に必要な変換
テーブルが作成されるので、ノイズに強い特徴抽出が多
くの人手を要せずにできる。
ら、認識対象クラス別の特徴ベクトル作成に必要な変換
テーブルが作成されるので、ノイズに強い特徴抽出が多
くの人手を要せずにできる。
【００１２】また、前記変換テーブルが作成され、特徴
ベクトル作成手段によって得られた入力画像パターンの
特徴ベクトルを利用して各認識対象クラスの標準パター
ンが作成されるので、ノイズに影響されずに多くの人手
を要せずに標準パターンを設計することができる。
ベクトル作成手段によって得られた入力画像パターンの
特徴ベクトルを利用して各認識対象クラスの標準パター
ンが作成されるので、ノイズに影響されずに多くの人手
を要せずに標準パターンを設計することができる。
【００１３】さらに、前記変換テーブルが作成され、前
記入力画像パターンの特徴ベクトルを利用して、各クラ
スの標準パターンとの間で照合し、分類されるので、ノ
イズに強く、処理速度の速い画像パターンの認識処理が
多くの人手を要せずにできる。
記入力画像パターンの特徴ベクトルを利用して、各クラ
スの標準パターンとの間で照合し、分類されるので、ノ
イズに強く、処理速度の速い画像パターンの認識処理が
多くの人手を要せずにできる。
【００１４】
【実施例】次に、本発明の実施例について図面を参照し
て説明する。
て説明する。
【００１５】図１は本発明の画像パターン認識処理装置
の一実施例の構成ブロック図、図２は図１の認識処理回
路６の構成ブロック図、図３，４，５，６はそれぞれ図
１の画像パターン認識処理装置の処理のフローチャート
である。
の一実施例の構成ブロック図、図２は図１の認識処理回
路６の構成ブロック図、図３，４，５，６はそれぞれ図
１の画像パターン認識処理装置の処理のフローチャート
である。
【００１６】この画像パターン認識処理装置は画像パタ
ーン記憶回路１と濃淡レベル補正回路２と観測窓設定回
路３とマスク演算処理回路４と画像入出力装置５と認識
処理回路６とから構成されている。
ーン記憶回路１と濃淡レベル補正回路２と観測窓設定回
路３とマスク演算処理回路４と画像入出力装置５と認識
処理回路６とから構成されている。
【００１７】画像パターン記憶回路１は入力されたＮ×
Ｎメッシュの２値または多値からなる画像パターンを記
憶する。濃淡レベル補正回路２は画像パターン記憶回路
１から取り出したＮ×Ｎメッシュの２値または多値画像
パターンを入力し、画素の濃淡レベルを予め設定された
一定範囲に規準化する。観測窓設定回路３は濃淡レベル
補正回路２によって得られた画像パターンを入力し、位
置と大きさの異なる複数の観測窓をその画像パターンに
設定する。マスク演算処理回路４は観測窓設定回路３が
設定した画像パターンの各観測窓を入力し、予め設定さ
れているマスクパターンにより乗算等のマスク演算処理
を行う。画像入出力装置５は、後述する認識処理回路６
から出力される文字クラスや画像クラス番号、識別関数
値、分類結果の情報を入力し、該情報を表示し、また外
部からたとえば、キーボードやマウスなどによって画像
情報を入力し、表示するとともに、濃淡レベル補正回路
２に濃淡レベル補正に関する情報を、観測窓設定回路３
に観測窓設定に関する情報を、マスク演算処理回路４に
マスクパターンの情報を、信号・雑音分類回路８に相関
値に関する情報をそれぞれ適宜入力させる。
Ｎメッシュの２値または多値からなる画像パターンを記
憶する。濃淡レベル補正回路２は画像パターン記憶回路
１から取り出したＮ×Ｎメッシュの２値または多値画像
パターンを入力し、画素の濃淡レベルを予め設定された
一定範囲に規準化する。観測窓設定回路３は濃淡レベル
補正回路２によって得られた画像パターンを入力し、位
置と大きさの異なる複数の観測窓をその画像パターンに
設定する。マスク演算処理回路４は観測窓設定回路３が
設定した画像パターンの各観測窓を入力し、予め設定さ
れているマスクパターンにより乗算等のマスク演算処理
を行う。画像入出力装置５は、後述する認識処理回路６
から出力される文字クラスや画像クラス番号、識別関数
値、分類結果の情報を入力し、該情報を表示し、また外
部からたとえば、キーボードやマウスなどによって画像
情報を入力し、表示するとともに、濃淡レベル補正回路
２に濃淡レベル補正に関する情報を、観測窓設定回路３
に観測窓設定に関する情報を、マスク演算処理回路４に
マスクパターンの情報を、信号・雑音分類回路８に相関
値に関する情報をそれぞれ適宜入力させる。
【００１８】認識処理回路６は図２に示すように、画像
空間フィルタ作成回路７と信号・雑音分類回路８と画像
空間フィルタ記憶回路９と変換テーブル作成回路１０と
変換テーブル記憶回路１１と特徴ベクトル作成回路１２
と標準パターン作成回路１３と標準パターン記憶回路１
４と照合処理回路１５で構成されている。ここで、画像
空間フィルタ作成回路７はマスク演算処理回路４で得ら
れた画像パターンを入力し、画像空間フィルタを作成
し、この画像空間フィルタを画像空間フィルタ記憶回路
９に記憶させる。信号・雑音分類回路８は、マスク演算
処理回路４から得られる画像パターンを入力し、画像空
間フィルタ記憶回路９の１つ以上の画像フィルタと照合
して、相関値を求め、その相関値をもとに認識クラスに
類似する画像パターンか否かを分類し、分類結果とその
画像パターンを変換テーブル作成回路１０に送る。
空間フィルタ作成回路７と信号・雑音分類回路８と画像
空間フィルタ記憶回路９と変換テーブル作成回路１０と
変換テーブル記憶回路１１と特徴ベクトル作成回路１２
と標準パターン作成回路１３と標準パターン記憶回路１
４と照合処理回路１５で構成されている。ここで、画像
空間フィルタ作成回路７はマスク演算処理回路４で得ら
れた画像パターンを入力し、画像空間フィルタを作成
し、この画像空間フィルタを画像空間フィルタ記憶回路
９に記憶させる。信号・雑音分類回路８は、マスク演算
処理回路４から得られる画像パターンを入力し、画像空
間フィルタ記憶回路９の１つ以上の画像フィルタと照合
して、相関値を求め、その相関値をもとに認識クラスに
類似する画像パターンか否かを分類し、分類結果とその
画像パターンを変換テーブル作成回路１０に送る。
【００１９】変換テーブル作成回路１０は、信号・雑音
分類回路８の分類結果とその分類結果に該当する画像パ
ターンを入力し、認識クラスの特徴ベクトルを作成す
る。変換テーブル記憶回路１１は変換テーブル作成回路
１０の出力である特徴ベクトルに関する変換テーブルを
記憶する。特徴ベクトル作成回路１２は、信号・雑音分
類回路８の分類結果とその分類結果に該当する画像パタ
ーンを入力し、変換テーブル記憶回路１１に記憶されて
いる変換テーブルの１つ以上の項目と照合して、画像パ
ターンの属性情報を変換テーブル照合値（複数でも可
能）へ変換する。標準パターン作成回路１３は、各認識
クラスの特徴ベクトルをもとに標準パターンを作成し、
標準パターン記憶回路１４に記憶させる。照合処理回路
１５は、特徴ベクトル作成回路１２の出力である特徴ベ
クトルを入力し、標準パターン記憶回路１３に記憶され
た各クラスの標準パターンと公知の識別関数で照合し、
分類結果を画像入出力装置５に出力する。
分類回路８の分類結果とその分類結果に該当する画像パ
ターンを入力し、認識クラスの特徴ベクトルを作成す
る。変換テーブル記憶回路１１は変換テーブル作成回路
１０の出力である特徴ベクトルに関する変換テーブルを
記憶する。特徴ベクトル作成回路１２は、信号・雑音分
類回路８の分類結果とその分類結果に該当する画像パタ
ーンを入力し、変換テーブル記憶回路１１に記憶されて
いる変換テーブルの１つ以上の項目と照合して、画像パ
ターンの属性情報を変換テーブル照合値（複数でも可
能）へ変換する。標準パターン作成回路１３は、各認識
クラスの特徴ベクトルをもとに標準パターンを作成し、
標準パターン記憶回路１４に記憶させる。照合処理回路
１５は、特徴ベクトル作成回路１２の出力である特徴ベ
クトルを入力し、標準パターン記憶回路１３に記憶され
た各クラスの標準パターンと公知の識別関数で照合し、
分類結果を画像入出力装置５に出力する。
【００２０】以下、画像パターン認識処理装置の処理を
図３，４，５，６を参照して説明する。
図３，４，５，６を参照して説明する。
【００２１】図３は画像空間フィルタを作成する際のフ
ロー、図４，５は変換テーブルを作成する際のフロー、
図６は、原画像より切り出した画像パターンのうち、画
像空間フィルタをもちいた分類処理により信号部分に分
類された画像パターンの特徴ベクトルを変換テーブルか
ら計算し、特徴ベクトルで画像パターンを認識、分類す
る際のフローを示している。
ロー、図４，５は変換テーブルを作成する際のフロー、
図６は、原画像より切り出した画像パターンのうち、画
像空間フィルタをもちいた分類処理により信号部分に分
類された画像パターンの特徴ベクトルを変換テーブルか
ら計算し、特徴ベクトルで画像パターンを認識、分類す
る際のフローを示している。
【００２２】この画像パターン認識処理装置は、画像空
間フィルタを作成する処理では、図３に示すように、ま
ず、処理対象となる原画像Ｉ（ｘ，ｙ）を入力する（ス
テップ１０２）。そして、この原画像Ｉ（ｘ，ｙ）の濃
淡レベルを補正して、濃淡レベル補正画像Ｆ（ｘ，ｙ）
を作成する（ステップ１０３）。濃淡レベル補正画像Ｆ
（ｘ，ｙ）から画像パターンを切り出すために、観測窓
数を設定する（ステップ１０４）。画像パターンの切り
出しに先立ち、観測窓の位置、大きさなどの切り出しパ
ラメータを設定する（ステップ１０５）。そして、この
切り出しパラメータに基づき、濃淡レベル補正画像Ｆ
（ｘ，ｙ）から画像パターンを切り出し（ステップ１０
６）、大きさなどを正規化した正規化画像パターンＩW
（ｘ，ｙ）を作成する（ステップ１０７）。この正規化
画像パターンＩW （ｘ，ｙ）に対して、たとえば２次元
ガウス関数ｇ（ｘ，ｙ）をマスクパターンとマスク演算
処理を行う（ステップ１０８）。マスク演算処理した画
像パターンＩS （ｘ，ｙ）の枚数が、あらかじめステッ
プ１０４にて設定した観測窓数に達した場合、濃淡レベ
ル補正画像Ｆ（ｘ，ｙ）に対する処理を終了し、新規の
原画像を入力する（ステップ１０９）。切り出しパラメ
ータにしたがい、１枚以上の原画像からマスク演算処理
した画像パターンＩS （ｘ，ｙ）を作成するまでの一連
の処理が終了した後に（ステップ１１０）、マスク演算
処理した画像パターンＩS （ｘ，ｙ）から共分散行列Ｖ
を求め、共分散行列Ｖの固定値λj と、λj に対応した
固有ベクトルΦj （ｊ＝１，２，・・・・，ｎ）を求める
（ステップ１１２）。そして、この固有ベクトルΦj
（ｊ＝１，２・・・、ｎ）を画像空間フィルタとして記
憶し、画像空間フィルタ作成処理を終了する（ステップ
１１３）。
間フィルタを作成する処理では、図３に示すように、ま
ず、処理対象となる原画像Ｉ（ｘ，ｙ）を入力する（ス
テップ１０２）。そして、この原画像Ｉ（ｘ，ｙ）の濃
淡レベルを補正して、濃淡レベル補正画像Ｆ（ｘ，ｙ）
を作成する（ステップ１０３）。濃淡レベル補正画像Ｆ
（ｘ，ｙ）から画像パターンを切り出すために、観測窓
数を設定する（ステップ１０４）。画像パターンの切り
出しに先立ち、観測窓の位置、大きさなどの切り出しパ
ラメータを設定する（ステップ１０５）。そして、この
切り出しパラメータに基づき、濃淡レベル補正画像Ｆ
（ｘ，ｙ）から画像パターンを切り出し（ステップ１０
６）、大きさなどを正規化した正規化画像パターンＩW
（ｘ，ｙ）を作成する（ステップ１０７）。この正規化
画像パターンＩW （ｘ，ｙ）に対して、たとえば２次元
ガウス関数ｇ（ｘ，ｙ）をマスクパターンとマスク演算
処理を行う（ステップ１０８）。マスク演算処理した画
像パターンＩS （ｘ，ｙ）の枚数が、あらかじめステッ
プ１０４にて設定した観測窓数に達した場合、濃淡レベ
ル補正画像Ｆ（ｘ，ｙ）に対する処理を終了し、新規の
原画像を入力する（ステップ１０９）。切り出しパラメ
ータにしたがい、１枚以上の原画像からマスク演算処理
した画像パターンＩS （ｘ，ｙ）を作成するまでの一連
の処理が終了した後に（ステップ１１０）、マスク演算
処理した画像パターンＩS （ｘ，ｙ）から共分散行列Ｖ
を求め、共分散行列Ｖの固定値λj と、λj に対応した
固有ベクトルΦj （ｊ＝１，２，・・・・，ｎ）を求める
（ステップ１１２）。そして、この固有ベクトルΦj
（ｊ＝１，２・・・、ｎ）を画像空間フィルタとして記
憶し、画像空間フィルタ作成処理を終了する（ステップ
１１３）。
【００２３】次に、変換テーブルを作成する処理は、図
４，５に示すように、はじめに、処理対象となる原画像
Ｉ（ｘ，ｙ）を入力する（ステップ２０２）。ついで、
この原画像Ｉ（ｘ，ｙ）の濃淡レベルを補正して、濃淡
レベル補正画像Ｆ（ｘ，ｙ）を作成する（ステップ２０
３）。この濃淡レベル補正画像Ｆ（ｘ，ｙ）から画像パ
ターンを切り出すために、観測窓の枚数を設定する（ス
テップ２０４）。濃淡レベル補正画像Ｆ（ｘ，ｙ）から
の画像パターンの切り出しに先立ち、観測窓の位置、大
きさなどの切り出し計画を作成する（ステップ２０
５）。そして、この切り出しパラメータに基づき、濃淡
レベル補正画像Ｆ（ｘ，ｙ）から画像パターンを切り出
し（ステップ２０６）、大きさなどを正規化した正規化
画像パターンＩW （ｘ，ｙ）を作成する（ステップ２０
７）。この正規化画像パターンＩW （ｘ，ｙ）に対し
て、たとえば２次元ガウス関数ｇ（ｘ，ｙ）をマスクパ
ターンとしたマスク演算処理を行い１枚の画像パターン
ＩS （ｘ，ｙ）の切り出し処理を終了する（ステップ２
０８）。ついで、この画像パターンＩS （ｘ，ｙ）と固
有ベクトルΦj （ｊ＝１，２，・・・・，ｎ）との相関値Ｓ
j （ｊ＝１，２，・・・・，ｎ）を計算する（ステップ２０
９）。この相関値Ｓj （ｊ＝１，２，・・・・，ｎ）をあら
かじめ設定したしきい値θj （ｊ＝１，２，・・・・，ｎ）
との判定結果により、画像パターンＩS （ｘ，ｙ）を信
号部分もしくは識別対象クラス外のいずれかに分類する
（ステップ２１０）。この分類処理で、たとえば、相関
値Ｓj がしきい値θj よりも大きいために、画像パター
ンＩS （ｘ，ｙ）が識別対象クラス外に分類された場合
には一連の切り出し処理を繰り返し（ステップ２１
０）、画像パターンＩS （ｘ，ｙ）が識別対象クラスに
分類された場合には、交換テーブル作成処理の対象と画
像パターンＩS （ｘ，ｙ）を記憶する（ステップ２１
１）。濃淡レベル補正画像Ｆ（ｘ，ｙ）からの画像パタ
ーンＩS （ｘ，ｙ）の切り出しの回数をあらかじめ設定
した回数に達するまで、ステップ２０４へもどり、画像
パターンＩS （ｘ，ｙ）を切り出すための上記切り出し
処理を繰り返す（ステップ２１２）。切り出し回数が設
定数に達した場合、濃淡レベル補正画像Ｆ（ｘ，ｙ）に
対する処理を終了し、次の原画像を入力する（ステップ
２１３）。切り出しパラメータにしたがい、１枚以上の
濃淡レベル補正画像Ｆ（ｘ，ｙ）からの画像パターン切
り出し終了した後に（ステップ２１３）、収集した画像
パターンＩ S （ｘ，ｙ）から共分散行列Ｗを求める。次
に、共分散行列Ｗの固定値γj （ｊ＝１，２，・・・・，
ｎ）と、γj に対応した固有ベクトルΨj ＝（ψ1j，ψ
2j，・・・・，ψmj，・・・・，ψnj）T を求める（ステップ２
１４）。この中の１個以上のｍ個の固有ベクトルΨj 、
（ｍ≦ｎ）を特徴ベクトルとして変換テーブルに記憶す
る（ステップ２１５）。
４，５に示すように、はじめに、処理対象となる原画像
Ｉ（ｘ，ｙ）を入力する（ステップ２０２）。ついで、
この原画像Ｉ（ｘ，ｙ）の濃淡レベルを補正して、濃淡
レベル補正画像Ｆ（ｘ，ｙ）を作成する（ステップ２０
３）。この濃淡レベル補正画像Ｆ（ｘ，ｙ）から画像パ
ターンを切り出すために、観測窓の枚数を設定する（ス
テップ２０４）。濃淡レベル補正画像Ｆ（ｘ，ｙ）から
の画像パターンの切り出しに先立ち、観測窓の位置、大
きさなどの切り出し計画を作成する（ステップ２０
５）。そして、この切り出しパラメータに基づき、濃淡
レベル補正画像Ｆ（ｘ，ｙ）から画像パターンを切り出
し（ステップ２０６）、大きさなどを正規化した正規化
画像パターンＩW （ｘ，ｙ）を作成する（ステップ２０
７）。この正規化画像パターンＩW （ｘ，ｙ）に対し
て、たとえば２次元ガウス関数ｇ（ｘ，ｙ）をマスクパ
ターンとしたマスク演算処理を行い１枚の画像パターン
ＩS （ｘ，ｙ）の切り出し処理を終了する（ステップ２
０８）。ついで、この画像パターンＩS （ｘ，ｙ）と固
有ベクトルΦj （ｊ＝１，２，・・・・，ｎ）との相関値Ｓ
j （ｊ＝１，２，・・・・，ｎ）を計算する（ステップ２０
９）。この相関値Ｓj （ｊ＝１，２，・・・・，ｎ）をあら
かじめ設定したしきい値θj （ｊ＝１，２，・・・・，ｎ）
との判定結果により、画像パターンＩS （ｘ，ｙ）を信
号部分もしくは識別対象クラス外のいずれかに分類する
（ステップ２１０）。この分類処理で、たとえば、相関
値Ｓj がしきい値θj よりも大きいために、画像パター
ンＩS （ｘ，ｙ）が識別対象クラス外に分類された場合
には一連の切り出し処理を繰り返し（ステップ２１
０）、画像パターンＩS （ｘ，ｙ）が識別対象クラスに
分類された場合には、交換テーブル作成処理の対象と画
像パターンＩS （ｘ，ｙ）を記憶する（ステップ２１
１）。濃淡レベル補正画像Ｆ（ｘ，ｙ）からの画像パタ
ーンＩS （ｘ，ｙ）の切り出しの回数をあらかじめ設定
した回数に達するまで、ステップ２０４へもどり、画像
パターンＩS （ｘ，ｙ）を切り出すための上記切り出し
処理を繰り返す（ステップ２１２）。切り出し回数が設
定数に達した場合、濃淡レベル補正画像Ｆ（ｘ，ｙ）に
対する処理を終了し、次の原画像を入力する（ステップ
２１３）。切り出しパラメータにしたがい、１枚以上の
濃淡レベル補正画像Ｆ（ｘ，ｙ）からの画像パターン切
り出し終了した後に（ステップ２１３）、収集した画像
パターンＩ S （ｘ，ｙ）から共分散行列Ｗを求める。次
に、共分散行列Ｗの固定値γj （ｊ＝１，２，・・・・，
ｎ）と、γj に対応した固有ベクトルΨj ＝（ψ1j，ψ
2j，・・・・，ψmj，・・・・，ψnj）T を求める（ステップ２
１４）。この中の１個以上のｍ個の固有ベクトルΨj 、
（ｍ≦ｎ）を特徴ベクトルとして変換テーブルに記憶す
る（ステップ２１５）。
【００２４】次に、原画像から切り出した１枚の画像パ
ターンのうち、分類処理により信号部分に分類された画
像パターンの特徴ベクトルを変換テーブルから計算し、
この特徴ベクトルで画像パターンを認識、分類する処理
は図６に示すように、最初に、処理対象となる原画像Ｉ
（ｘ，ｙ）を入力する（ステップ３０２）。ついで、こ
の原画像Ｉ（ｘ，ｙ）の濃淡レベルを補正して、濃淡レ
ベル補正画像Ｆ（ｘ，ｙ）を作成する（ステップ３０
３）。濃淡レベル補正画像Ｆ（ｘ，ｙ）からの画像パタ
ーンの切り出しに先立ち、観測窓の位置、大きさなどの
切り出しパラメータを設定する（ステップ３０４）。こ
の切り出しパラメータに基づき、濃淡レベル補正画像Ｆ
（ｘ，ｙ）から画像パターンの切り出し（ステップ３０
５）、大きさなどを正規化した正規化画像パターンＩW
（ｘ，ｙ）を作成する（ステップ３０６）。この正規化
画像パターンＩW （ｘ，ｙ）に対して、たとえば２次元
ガウス関数ｇ（ｘ，ｙ）をマスクパターンとしたマスク
演算処理を行ない、１枚の画像パターンＩS （ｘ，ｙ）
の切り出し処理を終了する（ステップ３０７）。つい
で、画像パターンＩS （ｘ，ｙ）と固有ベクトルΦj 、
（ｊ＝１，２，・・・・，ｎ）との相関値Ｓj （ｊ＝１，
２，・・・・，ｎ）を計算する（ステップ３０８）。この相
関値Ｓj （ｊ＝１，２，・・・・，ｎ）をあらかじめ設定し
たしきい値θj （ｊ＝１，２，・・・・，ｎ）との判定結果
により、画像パターンＩS （ｘ，ｙ）を信号部分もしく
は雑音部分のいずれかに分類する（ステップ３０９）。
たとえば、相関値Ｓj がしきい値θj よりも大きいため
に、画像パターンＩS （ｘ，ｙ）が分類処理で雑音部分
に分類された場合には、一連の切り出し処理を繰り返す
（ステップ３０９）。この分類処理で画像パターンＩS
（ｘ，ｙ）が信号部分に分類された場合、画像パターン
ＩS （ｘ，ｙ）の特徴ベクトルＹ＝（ｙ1 ，ｙ 2 ，・・・
・，ｙm ）T 、（ただしｍ≦ｎ）を変換テーブルに記憶
した特徴ベクトルΨj （ｊ＝１，２，・・・・，ｍ、ただし
ｍ≦ｎ）を用いて計算する（ステップ３１０）。
ターンのうち、分類処理により信号部分に分類された画
像パターンの特徴ベクトルを変換テーブルから計算し、
この特徴ベクトルで画像パターンを認識、分類する処理
は図６に示すように、最初に、処理対象となる原画像Ｉ
（ｘ，ｙ）を入力する（ステップ３０２）。ついで、こ
の原画像Ｉ（ｘ，ｙ）の濃淡レベルを補正して、濃淡レ
ベル補正画像Ｆ（ｘ，ｙ）を作成する（ステップ３０
３）。濃淡レベル補正画像Ｆ（ｘ，ｙ）からの画像パタ
ーンの切り出しに先立ち、観測窓の位置、大きさなどの
切り出しパラメータを設定する（ステップ３０４）。こ
の切り出しパラメータに基づき、濃淡レベル補正画像Ｆ
（ｘ，ｙ）から画像パターンの切り出し（ステップ３０
５）、大きさなどを正規化した正規化画像パターンＩW
（ｘ，ｙ）を作成する（ステップ３０６）。この正規化
画像パターンＩW （ｘ，ｙ）に対して、たとえば２次元
ガウス関数ｇ（ｘ，ｙ）をマスクパターンとしたマスク
演算処理を行ない、１枚の画像パターンＩS （ｘ，ｙ）
の切り出し処理を終了する（ステップ３０７）。つい
で、画像パターンＩS （ｘ，ｙ）と固有ベクトルΦj 、
（ｊ＝１，２，・・・・，ｎ）との相関値Ｓj （ｊ＝１，
２，・・・・，ｎ）を計算する（ステップ３０８）。この相
関値Ｓj （ｊ＝１，２，・・・・，ｎ）をあらかじめ設定し
たしきい値θj （ｊ＝１，２，・・・・，ｎ）との判定結果
により、画像パターンＩS （ｘ，ｙ）を信号部分もしく
は雑音部分のいずれかに分類する（ステップ３０９）。
たとえば、相関値Ｓj がしきい値θj よりも大きいため
に、画像パターンＩS （ｘ，ｙ）が分類処理で雑音部分
に分類された場合には、一連の切り出し処理を繰り返す
（ステップ３０９）。この分類処理で画像パターンＩS
（ｘ，ｙ）が信号部分に分類された場合、画像パターン
ＩS （ｘ，ｙ）の特徴ベクトルＹ＝（ｙ1 ，ｙ 2 ，・・・
・，ｙm ）T 、（ただしｍ≦ｎ）を変換テーブルに記憶
した特徴ベクトルΨj （ｊ＝１，２，・・・・，ｍ、ただし
ｍ≦ｎ）を用いて計算する（ステップ３１０）。
【００２５】画像パターンＩS （ｘ，ｙ）の識別処理
は、特徴ベクトルＹで行い（ステップ３１１）、その結
果を出力する（ステップ３１２）。
は、特徴ベクトルＹで行い（ステップ３１１）、その結
果を出力する（ステップ３１２）。
【００２６】次に、画像パターン認識処理装置の動作例
を説明する。
を説明する。
【００２７】はじめに、その第１の動作例として、画像
空間ファイルの作成処理を中心に、画像パターンが入力
し、画像パターン記憶回路１に記憶され、濃淡レベル補
正回路２、観測窓設定回路３、マスク演算処理回路４、
画像空間フィルタ作成回路７、画像空間フィルタ記憶回
路９が動作する場合、すなわち入力画像パターンから認
識対象クラスに類似した画像パターン（信号部分）と類
似していない画像パターン（雑音部分）を自動的に分類
するための画像空間フィルタを作成する場合を例にとっ
て説明する。
空間ファイルの作成処理を中心に、画像パターンが入力
し、画像パターン記憶回路１に記憶され、濃淡レベル補
正回路２、観測窓設定回路３、マスク演算処理回路４、
画像空間フィルタ作成回路７、画像空間フィルタ記憶回
路９が動作する場合、すなわち入力画像パターンから認
識対象クラスに類似した画像パターン（信号部分）と類
似していない画像パターン（雑音部分）を自動的に分類
するための画像空間フィルタを作成する場合を例にとっ
て説明する。
【００２８】まず、画像パターン記憶回路１に格納され
た入力のＮ×Ｎ画素の画像Ｉ（ｘ，ｙ）（Ｉmin ＜Ｉ
（ｘ，ｙ）＜Ｉmax ；ｘ＝１，２，・・・・，Ｎ、ｙ＝１，
２，・・・・，Ｎ）が濃淡レベル補正回路２に入力される。
ここで、Ｉmin は入力画像の濃淡レベルの最小値を、Ｉ
max は入力画像の濃淡レベルの最大値を表す。
た入力のＮ×Ｎ画素の画像Ｉ（ｘ，ｙ）（Ｉmin ＜Ｉ
（ｘ，ｙ）＜Ｉmax ；ｘ＝１，２，・・・・，Ｎ、ｙ＝１，
２，・・・・，Ｎ）が濃淡レベル補正回路２に入力される。
ここで、Ｉmin は入力画像の濃淡レベルの最小値を、Ｉ
max は入力画像の濃淡レベルの最大値を表す。
【００２９】次に濃淡レベル補正回路２では、入力画像
Ｎ×Ｎ画素の画像Ｉ（ｘ，ｙ）の濃淡ヒストグラムをＮ
×Ｎの全画素について求め、濃淡値のヒストグラムがＩ
（ｘ，ｙ）＝Ｉmin ＝Ｉmax の場合、またはＩ（ｘ，
ｙ）がＩmax とＩmin （ただしＩmax ≠Ｉmin ）との２
種類の値しか得られなかった場合に入力画像を２値画像
と判定し、次式のように濃淡レベルを補正し、補正画像
Ｆ（ｘ，ｙ）を出力する。
Ｎ×Ｎ画素の画像Ｉ（ｘ，ｙ）の濃淡ヒストグラムをＮ
×Ｎの全画素について求め、濃淡値のヒストグラムがＩ
（ｘ，ｙ）＝Ｉmin ＝Ｉmax の場合、またはＩ（ｘ，
ｙ）がＩmax とＩmin （ただしＩmax ≠Ｉmin ）との２
種類の値しか得られなかった場合に入力画像を２値画像
と判定し、次式のように濃淡レベルを補正し、補正画像
Ｆ（ｘ，ｙ）を出力する。
【００３０】Ｉmax ≠Ｉmin の場合： Ｆ（ｘ，ｙ）＝Ｉ0 ×（Ｉ（ｘ，ｙ）−Ｉmin ）／（Ｉ
max −Ｉmin ） Ｉmax ＝Ｉmin の場合： Ｆ（ｘ，ｙ）＝０ ここで、Ｉ0 は予め設定された濃淡レベルの最大値。
max −Ｉmin ） Ｉmax ＝Ｉmin の場合： Ｆ（ｘ，ｙ）＝０ ここで、Ｉ0 は予め設定された濃淡レベルの最大値。
【００３１】また、前述の濃淡ヒストグラムの分布が少
なくとも３つの濃淡レベルで頻度がとれた場合には入力
画像が多値画像であると判定する。次に濃淡ヒストグラ
ムの谷部（濃淡値ＩV ）を検出し、次式のように濃淡レ
ベルと補正し、補正画像Ｆ（ｘ，ｙ）を出力する。谷部
が検出されない場合はＩV ＝（Ｉmax ＋Ｉmin ）／２と
する。
なくとも３つの濃淡レベルで頻度がとれた場合には入力
画像が多値画像であると判定する。次に濃淡ヒストグラ
ムの谷部（濃淡値ＩV ）を検出し、次式のように濃淡レ
ベルと補正し、補正画像Ｆ（ｘ，ｙ）を出力する。谷部
が検出されない場合はＩV ＝（Ｉmax ＋Ｉmin ）／２と
する。
【００３２】Ｉ（ｘ，ｙ）＜ＩV の場合： Ｆ（ｘ，ｙ）＝Ｉ0 ×（ＩV −Ｉ（ｘ，ｙ））／（ＩV
−Ｉmin ） Ｉ（ｘ，ｙ）≧ＩV の場合： Ｆ（ｘ，ｙ）＝０ ここで、Ｉ0 は予め設定された濃淡レベルの最大値。
−Ｉmin ） Ｉ（ｘ，ｙ）≧ＩV の場合： Ｆ（ｘ，ｙ）＝０ ここで、Ｉ0 は予め設定された濃淡レベルの最大値。
【００３３】次に、観測窓設定回路３では、前述の濃淡
レベル補正処理により得られた補正画像Ｆ（ｘ，ｙ）を
入力し、この補正画像に対して観測窓の位置とサイズが
異なる複数の観測窓を設定する。各観測窓について、大
きさの正規化処理を行い、観測窓のサイズを一定にす
る。
レベル補正処理により得られた補正画像Ｆ（ｘ，ｙ）を
入力し、この補正画像に対して観測窓の位置とサイズが
異なる複数の観測窓を設定する。各観測窓について、大
きさの正規化処理を行い、観測窓のサイズを一定にす
る。
【００３４】次に、マスク演算処理回路４では、観測窓
設定回路３で観測サイズがｗ×ｗ（ｗ＜Ｎ）画素に正規
化された画像パターンＩW （ｘ，ｙ）を入力する。この
画像パターンＩW （ｘ，ｙ）に対して、ガウス関数ｇ
（ｘ，ｙ）をマスクパターンとして、次式のように各画
素（ｘ，ｙ）ごとに乗ずる。
設定回路３で観測サイズがｗ×ｗ（ｗ＜Ｎ）画素に正規
化された画像パターンＩW （ｘ，ｙ）を入力する。この
画像パターンＩW （ｘ，ｙ）に対して、ガウス関数ｇ
（ｘ，ｙ）をマスクパターンとして、次式のように各画
素（ｘ，ｙ）ごとに乗ずる。
【００３５】
【数１】 その結果得られる画像パターンＩS （ｘ，ｙ）は次のよ
うに表される。
うに表される。
【００３６】 ＩS（ｘ，ｙ）＝ＩW（ｘ，ｙ）×ｇ（ｘ，ｙ） 次に，画像空間フィルタ作成回路７がマスク演算処理回
路４からＬ個のＩS （ｘ，ｙ）を入力して、画像空間フ
ィルタを作成する。いま、マスク演算処理後の画像パタ
ーンＩS （ｘ，ｙ）の画像位置を（ｘ，ｙ）の代わりに
画像位置ｉとナンバリングし直し、マスク演算処理後の
画像パターンをｎ次元（ｎ＝Ｎ×Ｎ）のベクトルＸ〔Ｘ
＝（ｘ1 ，ｘ2 ，・・・・，ｘi ，・・・・，ｘn ）T 〕とお
く。認識対象クラスに含まれない画像パターンをＬ個選
び、このＬ個のベクトルＸから共分散行列Ｖを求める。
次に、共分散行列Ｖの固定値λj と、λj に対応した固
有ベクトルΦj ＝（ψ1j，ψ2j，・・・・，ψnj ）T、（ｊ
＝１，２，・・・・，ｎ）を求める。
路４からＬ個のＩS （ｘ，ｙ）を入力して、画像空間フ
ィルタを作成する。いま、マスク演算処理後の画像パタ
ーンＩS （ｘ，ｙ）の画像位置を（ｘ，ｙ）の代わりに
画像位置ｉとナンバリングし直し、マスク演算処理後の
画像パターンをｎ次元（ｎ＝Ｎ×Ｎ）のベクトルＸ〔Ｘ
＝（ｘ1 ，ｘ2 ，・・・・，ｘi ，・・・・，ｘn ）T 〕とお
く。認識対象クラスに含まれない画像パターンをＬ個選
び、このＬ個のベクトルＸから共分散行列Ｖを求める。
次に、共分散行列Ｖの固定値λj と、λj に対応した固
有ベクトルΦj ＝（ψ1j，ψ2j，・・・・，ψnj ）T、（ｊ
＝１，２，・・・・，ｎ）を求める。
【００３７】ここで、λ1 ≧λ2 ・・・・≧λj ≧・・・・≧λ
n、Ｔは行列の転置を表す。
n、Ｔは行列の転置を表す。
【００３８】各固有ベクトルΦj が画像空間フィルタと
なる。画像空間フィルタ作成回路７で作成された画像空
間フィルタは、画像空間フィルタ記憶回路９へ送られ記
憶される。
なる。画像空間フィルタ作成回路７で作成された画像空
間フィルタは、画像空間フィルタ記憶回路９へ送られ記
憶される。
【００３９】次に、第２の動作例として、第１の動作例
で作成された画像空間フィルタを用いて、マスク演算処
理回路４、信号・雑音分類回路８、画像空間フィルタ記
憶回路９が動作する場合、すなわち、マスク演算処理回
路４から出力される画像パターンの中で認識対象クラス
に類似した画像パターンが、類似していない画像パター
ンかを判定して、前者を信号部分、後者を雑音部分とし
て分類する場合を例にとって説明する。
で作成された画像空間フィルタを用いて、マスク演算処
理回路４、信号・雑音分類回路８、画像空間フィルタ記
憶回路９が動作する場合、すなわち、マスク演算処理回
路４から出力される画像パターンの中で認識対象クラス
に類似した画像パターンが、類似していない画像パター
ンかを判定して、前者を信号部分、後者を雑音部分とし
て分類する場合を例にとって説明する。
【００４０】まず、マスク演算処理回路４の出力画像パ
ターンＸが信号・雑音分類回路８に入力されると、画像
空間フィルタ記憶回路９に記憶されている各画像フィル
タΦ j との間で相関値Ｓj を次のように計算する。
ターンＸが信号・雑音分類回路８に入力されると、画像
空間フィルタ記憶回路９に記憶されている各画像フィル
タΦ j との間で相関値Ｓj を次のように計算する。
【００４１】Ｓj ＝Φj TＸ もちろん、この計算式による相関値は一例であり、マス
ク演算処理回路４から出力される画像パターンの判定に
他計算式による結果が適用できることはいうまでもな
い。
ク演算処理回路４から出力される画像パターンの判定に
他計算式による結果が適用できることはいうまでもな
い。
【００４２】今、画像パターンＸが認識対象クラスでな
い場合について、予め画像フィルタΦj が作成されてい
るとすると、たとえば、相関値Ｓj がしきい値θj より
も大きい場合は認識対象でないクラスに類似していると
判定し、θj よりも小さい場合は認識対象クラスに類似
していない画像パターンと判定する。
い場合について、予め画像フィルタΦj が作成されてい
るとすると、たとえば、相関値Ｓj がしきい値θj より
も大きい場合は認識対象でないクラスに類似していると
判定し、θj よりも小さい場合は認識対象クラスに類似
していない画像パターンと判定する。
【００４３】次に、第３の動作例として、信号・雑音分
類回路８、変換テーブル作成回路１０、変換テーブル記
憶回路１１が動作する場合、すなわち、信号・雑音分類
回路８の出力画像パターンＸから、認識対象クラスの各
クラスの特徴ペクトルを作成するために必要となる変換
テーブルを作成する場合を例に詳細に説明する。
類回路８、変換テーブル作成回路１０、変換テーブル記
憶回路１１が動作する場合、すなわち、信号・雑音分類
回路８の出力画像パターンＸから、認識対象クラスの各
クラスの特徴ペクトルを作成するために必要となる変換
テーブルを作成する場合を例に詳細に説明する。
【００４４】まず、認識対象クラスとして、クラスＣ1
とクラスＣ2 の２クラスの場合を考える。これらのクラ
スに含まれるＬ個の画像パターンＸが信号・雑音分類回
路８で認識対象クラスに類似すると分類された場合、変
換テーブル作成回路１０は、Ｌ個のベクトルＸから共分
散行列Ｗを求める。次に、共分散行列Ｗの固有値γ
j（ｊ＝１，２，・・・・，ｎ）と、γj に対応した固有ベ
クトルΨj ＝（ψ1j，ψ2j，・・・・，ψnj）T を求める。
ここで、γ1 ≧γ2 ≧・・・・≧γm ・・・・≧γn 、Ｔは行列
の転置を表す。この中で、たとえば、ｍ個の固有ベクト
ルΨ1 ，Ψ2 ，・・・・，Ψm を変換テーブル記憶回路１１
に記憶する。
とクラスＣ2 の２クラスの場合を考える。これらのクラ
スに含まれるＬ個の画像パターンＸが信号・雑音分類回
路８で認識対象クラスに類似すると分類された場合、変
換テーブル作成回路１０は、Ｌ個のベクトルＸから共分
散行列Ｗを求める。次に、共分散行列Ｗの固有値γ
j（ｊ＝１，２，・・・・，ｎ）と、γj に対応した固有ベ
クトルΨj ＝（ψ1j，ψ2j，・・・・，ψnj）T を求める。
ここで、γ1 ≧γ2 ≧・・・・≧γm ・・・・≧γn 、Ｔは行列
の転置を表す。この中で、たとえば、ｍ個の固有ベクト
ルΨ1 ，Ψ2 ，・・・・，Ψm を変換テーブル記憶回路１１
に記憶する。
【００４５】次に、第４の動作例として、信号・雑音分
類回路８、変換テーブル記憶回路１１、特徴ベクトル作
成回路１２、標準パターン記憶回路１４、照合処理回路
１５、画像入出力装置５が動作する場合、すなわち、信
号・雑音分類回路８の出力画像パターンＸに対して変換
テーブル記憶回路１１に記憶されたｍ個の固有ベクトル
Ψ1 ，Ψ2 ，・・・・，Ψm の中で１つ以上の固有ベクトル
を用いて特徴ベクトルＹ＝（ｙ1 ，ｙ2 ，・・・・，ｙm ）
T を作成し、この特徴ベクトルＹを用いて照合処理回路
１５で信号・雑音分類回路８の出力画像パターンＸを分
類する場合の例を説明する。
類回路８、変換テーブル記憶回路１１、特徴ベクトル作
成回路１２、標準パターン記憶回路１４、照合処理回路
１５、画像入出力装置５が動作する場合、すなわち、信
号・雑音分類回路８の出力画像パターンＸに対して変換
テーブル記憶回路１１に記憶されたｍ個の固有ベクトル
Ψ1 ，Ψ2 ，・・・・，Ψm の中で１つ以上の固有ベクトル
を用いて特徴ベクトルＹ＝（ｙ1 ，ｙ2 ，・・・・，ｙm ）
T を作成し、この特徴ベクトルＹを用いて照合処理回路
１５で信号・雑音分類回路８の出力画像パターンＸを分
類する場合の例を説明する。
【００４６】まず、信号・雑音分類回路８の出力画像パ
ターンＸが特徴ベクトル作成回路１２に入力されると、
変換テーブル記憶回路１１に記憶されている固有ベクト
ルΨ j で特徴ベクトルＹの要素ｙj を次のように計算す
る。
ターンＸが特徴ベクトル作成回路１２に入力されると、
変換テーブル記憶回路１１に記憶されている固有ベクト
ルΨ j で特徴ベクトルＹの要素ｙj を次のように計算す
る。
【００４７】ｙj ＝Ψj TＸ もちろん、この計算式は特徴ベクトルの計算式の一例で
あり、画像パターンＸに関する特徴ベクトル計算に他計
算式による結果が適用できることはいうまでもない。
あり、画像パターンＸに関する特徴ベクトル計算に他計
算式による結果が適用できることはいうまでもない。
【００４８】特徴ベクトル作成回路１２から出力される
特徴ベクトルＹが照合処理回路１５に入力される。照合
処理回路１５では、あらかじめ標準パターン記憶回路１
４に記憶された各クラスの標準パターンと特徴ベクトル
Ｙとを公知の識別関数を用いて分類する。この分類結果
が照合処理回路１５から出力され、画像入出力装置５に
送られ、表示される。
特徴ベクトルＹが照合処理回路１５に入力される。照合
処理回路１５では、あらかじめ標準パターン記憶回路１
４に記憶された各クラスの標準パターンと特徴ベクトル
Ｙとを公知の識別関数を用いて分類する。この分類結果
が照合処理回路１５から出力され、画像入出力装置５に
送られ、表示される。
【００４９】また、第２，第３および第４の動作例にお
いて、画像入出力装置５から、認識結果に応じて適宜、
信号・雑音分類回路８のしきい値θj を変更することで
各回路の動作を調整することも可能である。
いて、画像入出力装置５から、認識結果に応じて適宜、
信号・雑音分類回路８のしきい値θj を変更することで
各回路の動作を調整することも可能である。
【００５０】このように、上記第１，第２，第３および
第４の動作例によれば、認識処理回路６内に画像空間フ
ィルタ作成回路７、信号・雑音分類回路８、画像空間フ
ィルタ記憶回路９、変換テーブル作成回路１０、変換テ
ーブル記憶回路１１、特徴ベクトル作成回路１２、標準
パターン作成回路１３、標準パターン記憶回路１４、照
合処理回路１５を備えるようにしたので、入力画像パタ
ーンの中で認識対象クラスと類似しない画像パターンを
加えずに済むので、ノイズの影響を受けずに特徴ベクト
ルを作成できる。また、未知の画像パターンに対して
も、認識対象クラスと類似しない画像が入力されても、
信号・雑音分類回路８の分類結果だけで判定でき、照合
処理が不要になり、認識速度および認識精度において性
能の高い画像パターンの認識処理装置を実現できる。
第４の動作例によれば、認識処理回路６内に画像空間フ
ィルタ作成回路７、信号・雑音分類回路８、画像空間フ
ィルタ記憶回路９、変換テーブル作成回路１０、変換テ
ーブル記憶回路１１、特徴ベクトル作成回路１２、標準
パターン作成回路１３、標準パターン記憶回路１４、照
合処理回路１５を備えるようにしたので、入力画像パタ
ーンの中で認識対象クラスと類似しない画像パターンを
加えずに済むので、ノイズの影響を受けずに特徴ベクト
ルを作成できる。また、未知の画像パターンに対して
も、認識対象クラスと類似しない画像が入力されても、
信号・雑音分類回路８の分類結果だけで判定でき、照合
処理が不要になり、認識速度および認識精度において性
能の高い画像パターンの認識処理装置を実現できる。
【００５１】
【発明の効果】以上説明したように本発明は、第１の発
明は入力画像の画像空間フィルタを作成することによ
り、認識対象クラスに類似した画像パターンか否かの選
択を多くの人手に要せずに高速で行うことが可能となる
効果がある。
明は入力画像の画像空間フィルタを作成することによ
り、認識対象クラスに類似した画像パターンか否かの選
択を多くの人手に要せずに高速で行うことが可能となる
効果がある。
【００５２】第２の発明は、信号・雑音分類手段の分類
結果から、識別対象クラス別の特徴ベクトルに必要な変
換テーブルを作成することにより、多くの人手に要せず
にノイズに強い特徴抽出が可能となる効果がある。
結果から、識別対象クラス別の特徴ベクトルに必要な変
換テーブルを作成することにより、多くの人手に要せず
にノイズに強い特徴抽出が可能となる効果がある。
【００５３】また、第３の発明は、特徴ベクトル作成手
段において得られた入力画像パターンの特徴ベクトルを
利用して各認識対象クラスの標準パターンを作成するこ
とにより、ノイズに影響されずに多くの人手に要せずに
標準パターンを設計することが可能となる効果がある。
段において得られた入力画像パターンの特徴ベクトルを
利用して各認識対象クラスの標準パターンを作成するこ
とにより、ノイズに影響されずに多くの人手に要せずに
標準パターンを設計することが可能となる効果がある。
【００５４】さらに、第４の発明は、前記入力画像パタ
ーンの特徴ベクトルを利用して、各認識対象クラスの標
準パターンとの間で照合し、分類することにより、ノイ
ズに強く処理速度の速い画像パターンの認識処理が多く
の人手に要せずに可能となるという効果がある。
ーンの特徴ベクトルを利用して、各認識対象クラスの標
準パターンとの間で照合し、分類することにより、ノイ
ズに強く処理速度の速い画像パターンの認識処理が多く
の人手に要せずに可能となるという効果がある。
【図１】本発明の画像パターン認識処理装置の一実施例
の構成ブロック図である。
の構成ブロック図である。
【図２】図１の認識処理回路６の構成ブロック図であ
る。
る。
【図３】図１の画像パターン認識処理装置の画像空間フ
ィルタを作成する処理のフローチャートである。
ィルタを作成する処理のフローチャートである。
【図４】図１の画像パターン認識処理装置の変換テーブ
ルを作成する処理のフローチャートである。
ルを作成する処理のフローチャートである。
【図５】図４のフローチャートに続く処理のフローチャ
ートである。
ートである。
【図６】図１の画像パターン認識処理装置の、原画像よ
り切り出した１枚の画像パターンのうち、分類処理によ
り信号部分に分類された画像パターンの特徴ベクトルを
変換テーブルから計算し、特徴ベクトルで画像パターン
を認識、分類する処理のフローチャートである。
り切り出した１枚の画像パターンのうち、分類処理によ
り信号部分に分類された画像パターンの特徴ベクトルを
変換テーブルから計算し、特徴ベクトルで画像パターン
を認識、分類する処理のフローチャートである。
１ 画像パターン記憶回路 ２ 濃淡レベル補正回路 ３ 観測窓設定回路 ４ マスク演算処理回路 ５ 画像入出力装置 ６ 認識処理回路 ７ 画像フィルタ作成回路 ８ 信号・雑音分類回路 ９ 画像空間フィルタ記憶回路 １０ 変換テーブル作成回路 １１ 変換テーブル記憶回路 １２ 特徴ベクトル作成回路 １３ 標準パターン作成回路 １４ 標準パターン記憶回路 １５ 照合処理回路
Claims (4)
- 【請求項１】 ２値または多値からなる画像パターンを
入力して認識処理を行う画像パターン認識処理装置にお
いて、 前記画像パターンに対して濃淡レベルを予め設定した範
囲に補正する濃淡レベル補正手段と、 該濃淡レベル補正手段により濃淡レベルが補正された画
像パターンに対して、１つ以上の観測窓を設定する観測
窓設定手段と、 前記観測窓が設定された画像パターンと、予め設定され
たマスクパターンとの間で、マスク演算を実行するマス
ク演算処理手段と、 該マスク演算処理手段によって得られた画像パターンに
対して、１つ以上の画像空間フィルタを作成する画像空
間フィルタ作成手段とを有することを特徴とする画像パ
ターン認識処理装置。 - 【請求項２】 前記マスク演算処理手段によって得られ
た画像パターンに対して、前記画像空間フィルタによっ
て作成された画像空間フィルタとの相関値を計算し、該
相関値をもとに認識対象クラスに類似しているか否かを
分類する信号・雑音分類手段と、 該信号・雑音分類手段によって認識対象クラスに類似す
ると分類された画像パターンに対して、各認識対象クラ
ス別に特徴ベクトルのための変換テーブルを作成する変
換ーテーブル作成手段とを有することを特徴とする請求
項１に記載の画像パターン認識処理装置。 - 【請求項３】 前記信号・雑音分類手段によって認識対
象クラスに類似すると分類された画像パターンに対し
て、前記変換テーブル手段が作成した変換テーブルを用
いて前記画像パターンに対する特徴ベクトルを作成する
特徴ベクトル作成手段と、 該特徴ベクトル作成手段によって得られた入力画像パタ
ーンの特徴ベクトルを利用して、各認識対象クラスの標
準パターンを作成する標準パターン作成手段とを有する
ことを特徴とする請求項２に記載の画像パターン認識処
理装置。 - 【請求項４】 前記特徴ベクトル作成手段によって得ら
れた入力画像パターンの特徴ベクトルを利用して、前記
各認識対象クラスの標準パターンとの間で照合して、画
像パターンを分類する手段とを有することを特徴とする
請求項３に記載の画像パターン認識処理装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP24129693A JP3362367B2 (ja) | 1993-09-28 | 1993-09-28 | 画像パターン認識処理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP24129693A JP3362367B2 (ja) | 1993-09-28 | 1993-09-28 | 画像パターン認識処理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0793551A true JPH0793551A (ja) | 1995-04-07 |
| JP3362367B2 JP3362367B2 (ja) | 2003-01-07 |
Family
ID=17072170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP24129693A Expired - Fee Related JP3362367B2 (ja) | 1993-09-28 | 1993-09-28 | 画像パターン認識処理装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3362367B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09330407A (ja) * | 1996-06-13 | 1997-12-22 | Nippon Telegr & Teleph Corp <Ntt> | 画像パターン認識装置 |
-
1993
- 1993-09-28 JP JP24129693A patent/JP3362367B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09330407A (ja) * | 1996-06-13 | 1997-12-22 | Nippon Telegr & Teleph Corp <Ntt> | 画像パターン認識装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3362367B2 (ja) | 2003-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5010905B2 (ja) | 顔認証装置 | |
| Jesorsky et al. | Robust face detection using the hausdorff distance | |
| US5715325A (en) | Apparatus and method for detecting a face in a video image | |
| JP5202148B2 (ja) | 画像処理装置、画像処理方法、及びコンピュータプログラム | |
| US8275175B2 (en) | Automatic biometric identification based on face recognition and support vector machines | |
| He et al. | Real-time human face detection in color image | |
| EP1918850A2 (en) | Method and apparatus for detecting faces in digital images | |
| CN101630363A (zh) | 复杂背景下彩色图像人脸的快速检测方法 | |
| EP1495437B1 (en) | Robust face registration via multiple face prototypes synthesis | |
| Jun et al. | Robust real-time face detection using face certainty map | |
| CN112801066B (zh) | 一种基于多姿态面部静脉的身份识别方法及装置 | |
| Sahbi et al. | Coarse to fine face detection based on skin color adaption | |
| JP3729581B2 (ja) | パターン認識・照合装置 | |
| JP2003044853A (ja) | 顔検出装置、顔向き検出装置、部分画像抽出装置及びそれらの方法 | |
| CN120495889A (zh) | 一种用于多光谱鸟类监测的图像识别方法 | |
| JP3362367B2 (ja) | 画像パターン認識処理装置 | |
| CN113435301A (zh) | 动物毛皮显微图像分类方法、装置、电子设备及存储介质 | |
| KR100467392B1 (ko) | 손가락 마디 지문을 이용한 개인 식별 방법 및 그 장치 | |
| CN112396077A (zh) | 全连接卷积神经网络图像处理方法与电路系统 | |
| KR100633094B1 (ko) | 윤곽 탐색을 통한 대상 인식 방법 및 장치 | |
| Tharwat et al. | Face sketch recognition using local invariant features | |
| JP2015187769A (ja) | 物体検出装置、物体検出方法及びプログラム | |
| CN109886265A (zh) | 一种基于Adaboost和模板匹配的车门限位器检测方法 | |
| JP2006163614A (ja) | 画像処理装置、および画像処理方法 | |
| Castro | Color Image Classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |