JPH09330407A - 画像パターン認識装置 - Google Patents

Abstract

(57)【要約】 【課題】 通常形式の画像もしくは直交展開法に基づい
て圧縮された画像内の物体を高速に高精度に認識する。 【解決手段】 小領域抽出回路６は通常形式の画像また
は圧縮形式の画像から複数の該小領域を抽出する。マス
ク処理回路７は、マスク処理小領域を作成する。直交展
開回路８では、マスク処理小領域から直交展開法を用い
て特徴ベクトルを抽出する。選別用特徴ベクトル作成回
路１１は、選別判定で用いる成分を決定する。選別特徴
抽出回路９は、選別用特徴ベクトルを作成する。選別判
定回路１０では、選別用特徴ベクトルと標準パターンと
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判定し、認識対象クラスに類似し
ていると分類された選別用特徴ベクトルだけを画像認識
回路４へ出力する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、２値または多値か
らなる画像パターンを直交展開法を用いて認識処理する
画像認識装置に関する。

【０００２】

【従来の技術】従来、信号・雑音分離処理をともなった
認識処理を行う手段を有する画像パターン認識装置で
は、認識対象に応じてあらかじめ収集した大量のサンプ
ル画像から、信号・雑音分離処理および詳細認識処理で
用いるテンプレートを直交展開法を用いて複数個作成す
る手続と、さらに分類回路を構成する手続きとが必要で
ある。ここで用いる直交展開法に主成分分析法を利用す
る方法が知られている（たとえば、有村、萩田：統計的
画像認識における画像選別空間の構成法、進学技法、電
子情報通信学会、ＰＲＵ９５−１４７、１９９５）。

【０００３】一方、近年のコンピュータネットワーク技
術・マルティメディア技術の発展にともない、直交展開
法を用いた画像圧縮技術によって圧縮された画像が広く
流通・普及してきた。それにともない、直交展開を高速
でおこない、画像圧縮および復元処理の速度を向上する
方式および装置が開発されている。たとえば、ＪＰＥＧ
方式で用いられる８×８画素に対する離散コサイン変換
（ＤＣＴ）を、８×８行列の変換行列の行列演算で高速
に実現する方法が知られている（たとえば、安田編、マ
ルティメディア符号化の国際標準、丸善、平成５年）。
加えて、これらの圧縮画像を対象として画像認識の要求
が高まっている。たとえば、画像データベース検索にお
いては、ＤＣＴを用いて圧縮した画像を対象に、ＤＣＴ
係数の一部を用いて検索対象となる物体を検索する内容
検索の方法が知られている（たとえば、Ｓ．Ｗ．Ｓｍｏ
ｌｉａｒ，Ｈ．Ａｈａｎｇ，Ｃｏｎｔｅｎｔ−Ｂａｓｅ
ｄＶｉｄｅｏ Ｉｎｄｅｘｉｎｇ ａｎｄ Ｒｅｔｒｉ
ｅｖａｌ，ＩＥＥＥ Ｍｕｌｔｉｍｅｄｉａ，ｐｐ．６
２−７２，Ｓｕｍｍｅｒ，１９９４）。

【０００４】

【発明が解決しようとする課題】直交展開法に主成分分
析を用いてテンプレートを作成する従来の画像パターン
認識装置では、サンプル画像の大きさや個数が増加する
と、大きな行列の固有ベクトルの計算が必要となり、計
算時間が多くかかるという欠点がある。たとえば、サン
プル画像の大きさを３０×３０画素に、個数を１００，
０００に設定した場合、１００，０００個のサンプルの
加算から９００×９００の共分散行列を作成し、その共
分散行列から固有ベクトルを計算することになる。ま
た、この方式では、利用者ごとに扱う認識対象が異なる
場合、その都度、多くの計算時間を費やし、あらたに固
有ベクトルを計算してテンプレートを作成し直すことが
必要なために、処理時間の短縮化には問題があった。さ
らに、テンプレートを記憶するための手段を必要とする
ために、画像パターン認識装置の小型化の点で問題があ
った。

【０００５】ＪＰＥＧ方式のように、ＤＣＴですでに直
交展開してある圧縮画像を従来の画像パターン認識装置
を用いて処理する場合には処理効率の点で問題があっ
た。従来の画像パターン認識装置で用いる直交展開法が
画像圧縮で用いたのとは別の方法であるために、圧縮画
像をいったんもとの画像に復元し、あらためて、パター
ン認識装置で用いる直交展開法、たとえば、主成分分析
法によって復元画像を再び処理することなる。このよう
な場合、使用する直交展開法の種別が異なるために、復
元処理ならびに直交展開の処理が省けずに処理量が増加
することになる。

【０００６】以上説明したように、信号・雑音分離処理
を併用した詳細認識処理を行う手段を有する従来の画像
パターン認識装置では、ｍ×ｎ画素の大きさのサンプル
画像を（ｍ×ｎ）次元の１次元ベクトルデータとみなし
て、信号・雑音分離処理および詳細認識処理に主成分分
析法を用いたために、信号・雑音分離処理および詳細処
理で用いるテンプレート、および、分類・詳細認識回路
を、認識対象の変更に応じて短時間で効率よく構成する
ことができず、また装置で使用するデータの記憶容量が
大きく、装置を小型化できなかった。

【０００７】本発明の目的は、ＤＣＴを用いた画像圧縮
・復元方式の利点と普及動向をかんがみ、信号・雑音分
離処理をともなった画像パターン認識装置において、あ
らかじめ収集したサンプル画像から、高性能なテンプレ
ート、および、分類・詳細認識回路を認識対象に応じて
すばやく作成することに加え、認識処理系全体の認識処
理の高速化、認識処理の性能の向上、および、装置で使
用するデータの記憶容量の小型化を実現した、適用範囲
の広い画像パターン認識装置を提供することにある。

【０００８】

【課題を解決するための手段】本発明の画像パターン認
識装置は、２値または多値からなる画像パターンを入力
し、記憶する画像パターン記憶手段と、前記画像パター
ンを圧縮した圧縮画像パターンを入力し、記憶する圧縮
画像パターン記憶手段と、該画像パターンまたは該圧縮
画像パターンから画像中の複数の小領域を抽出する小領
域抽出手段と、該小領域が認識対象に類似しているか否
かの２つのカテゴリに分類するための選別用特徴ベクト
ルを作成する選別特徴抽出手段と、該選別特徴抽出手段
によって得られた該選別用特徴ベクトルをあらかじめ用
意してある選別用標準パターンと照合して相関値を求
め、該相関値をもとに、該小領域が認識対象に類似して
いるか否かの２つのカテゴリに分類する選別判定手段
と、該選別判定手段によって認識対象に類似していると
判定された該小領域だけを、複数の認識対象カテゴリに
分類する画像認識手段と、前記認識判定手段の分類結果
を表示し、もしくは前記各手段が適切に動作するために
設定される調整値を入力するための画像入出力手段を有
する。

【０００９】本発明の実施態様によれば、前記小領域抽
出手段で抽出された小領域の濃淡レベルを、あらかじめ
定められた濃淡レベルの範囲内になるように補正し、か
つあらかじめ定められた画像フィルタによってマスク処
理を行なうマスク処理手段を有する。

【００１０】本発明の他の実施態様によれば、変換行列
の行列演算によるＤＣＴを用いて、マスク処理された小
領域に直交展開を適用し、特徴ベクトルを作成する直交
展開手段を有する。

【００１１】本発明の他の実施態様によれば、前記直交
展開手段で作成された特徴ベクトルを入力し、該特徴ベ
クトルの成分から、マスク処理された小領域が認識対象
に類似しているか否かを大まかに分類する選別処理に有
効な成分を選び、選別用特徴ベクトルを構成する方法を
認定する選別用特徴ベクトル作成手段を有し、前記選別
特徴抽出手段は前記特徴ベクトルを前記直交展開手段よ
り入力し、前記選別用特徴ベクトルの構成方法を前記選
別用特徴ベクトル作成手段より入力し、前記構成方法に
したがい前記特徴ベクトルから選別用特徴ベクトルを作
成する。

【００１２】本発明の他の実施態様によれば、前記選別
特徴抽出手段で作成された選別用特徴ベクトルを入力
し、該選別用特徴ベクトルから選別用標準パターンを作
成する選別用標準パターン作成手段と、該選別用標準パ
ターンを記憶する選別用標準パターン記憶手段を有す
る。

【００１３】画像パターンの入力には、画像パターンを
入力し記憶する手段と、画像パターンを公知の画像圧縮
手段によって圧縮した圧縮画像パターンを入力し記憶す
る手段とを備え、小領域の抽出には、画像の種別に応じ
て画像から小領域を抽出する手段を備えたために、画像
パターンまたは画像パターンを公知の画像圧縮手段で圧
縮した圧縮画像パターンの両方の処理を行なうことがで
きる。

【００１４】選別用特徴ベクトル作成手段において、認
識対象ごとに選別処理に有効な成分を特徴ベクトルから
選別することで、選別用特徴ベクトルを認識対象ごとに
新規作成し、追加、更新できるようにしたために、認識
対象の変更にともなう作業負担を軽減することができ
る。

【００１５】マスク処理小領域に適用する直交展開手段
において、変換行列の行列演算によるＤＣＴを用いた場
合、変換行列の成分は認識課題の変更にかかわらず同じ
数式で定義されるのに対して、主成分分析法のような公
知の他の直交展開法では、学習サンプルから変換行列を
作成する事前処理が認識課題の変更のたびに必要とな
る。つまり、変換行列の行列演算によるＤＣＴを用いる
ことで、認識課題の変更のたびに行なう事前作業が省
け、作業時間が短縮できる。

【００１６】さらに、マスク処理小領域に適用する直交
展開手段で変換行列の行列演算によるＤＣＴを使用した
場合、変換行列の成分は認識課題の変更にかかわらず同
じ数式で定義するため、作成した変換行列を記憶する場
合には、その数式もしくはその数式より作成した変換行
列を記憶すればよいのに対し、主成分分析法のような公
知の他の直交展開法では、認識課題の変更のたびに変換
行列の成分のすべてを記憶する必要がある。すなわち、
変換行列の行列演算によるＤＣＴを用いることで、画像
パターン認識処理装置における変換行列の記憶容量が小
型化できる。

【００１７】マスク処理小領域に対する直交展開法に
は、変換行列の行列演算によるＤＣＴを用いることで、
たとえばＪＰＥＧのような公知の圧縮手段の一部が利用
できるようにしたので、画像パターンまたは画像パター
ンを公知の画像圧縮手段で圧縮した圧縮画像パターンの
両方の処理を行なうことができる。

【００１８】そして、公知の画像圧縮手段によって圧縮
された画像を入力した場合には、この圧縮画像を部分的
に復元するだけで特徴ベクトルを得ることができるた
め、圧縮画像から特徴ベクトルを作成する場合に、圧縮
画像を完全に復元画像にあらためて直交展開法を適用し
て特徴ベクトルを作成する場合にくらべて、特徴ベクト
ルの作成を高速に行なうことができる。

【００１９】

【発明の実施の形態】次に、本発明の実施形態について
図面を参照にして説明する。

【００２０】図１は本発明の一実施形態の画像パターン
認識装置の構成図、図２は図１の画像選別回路３の構成
図、図３、４、５、６はそれぞれ図１の画像パターン認
識装置の処理のフローチャートである。

【００２１】この画像パターン認識装置は、画像パター
ン記憶回路１と圧縮画像パターン記憶回路２と画像選別
回路３と画像認識回路４と画像入出力装置５とから構成
されている。

【００２２】画像パターン記憶回路１は入力されたＭ×
Ｎメッシュの大きさの２値または多値からなる画像パタ
ーンを記憶する。圧縮画像パターン記憶回路２は、たと
えばＤＣＴを用いたＪＰＥＧのような公知の画像圧縮手
段によって、Ｍ×Ｎメッシュの大きさの２値または多値
からなる画像パターンを圧縮した圧縮画像パターンを記
憶する。画像選別回路３は、該画像パターンまたは該圧
縮画像パターンを入力し、画像選別処理を行ない、認識
対象に類似した小領域を検出する。画像認識回路４は、
該小領域を複数の認識対象カテゴリに分類することで入
力画像の認識を行なう。画像入出力装置５は、画像認識
回路４から出力される小領域の認識クラス番号、分類結
果などの情報を入力し、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
や設定値を入力し、表示するとともに、画像選別回路３
に選別処理に関する情報を、画像認識回路４に認識処理
に関する情報をそれぞれ適宜入力させる。

【００２３】画像選別回路３は本発明の主要部で、図２
に示すように、小領域抽出回路６とマスク処理回路７と
直交展開回路８と特徴抽出回路９と選別判定回路１０と
選別用特徴ベクトル作成回路１１と選別用標準パターン
作成回路１２と選別用標準パターン記憶回路１３で構成
されている。ここで、小領域抽出回路６は画像パターン
記憶回路１に記憶された画像パターンまたは圧縮画像パ
ターン記憶回路２に記憶された圧縮画像パターンを入力
し、画像中から複数の小領域を抽出するために、あらか
じめ定めた、小領域の大きさ、設定間隔、設定位置など
の設定方法にしたがい画像の種別に応じた小領域の切り
出し方法を用いて該画像パターンから複数の小領域を抽
出し、該小領域をマスク処理回路７へ出力する。マスク
処理回路７は、該小領域の濃淡レベルを、あらかじめ定
められた濃淡レベルの範囲内なるように補正し、かつ、
あらかじめ定められた画像フィルタで該小領域をマスク
処理してマスク処理小領域を作成し、該マスク処理小領
域を直交展開回路８へ出力する。直交展開回路８は、該
マスク処理小領域に直交展開を適用し、特徴ベクトルを
作成する。たとえばＪＰＥＧのような公知の画像圧縮手
段の一部が利用できるようするために、直交展開回路８
で用いる直交展開には変換行列の行列演算によるＤＣＴ
を用いる（たとえば、データ圧縮ハンドブック、Ｍ．ネ
ルソン、萩原訳、プレンティースホール、トッパン）。
選別用特徴ベクトル回路１１は、該マスク処理小領域を
直交展開回路８で直交展開して作成した該特徴ベクトル
を入力し、該マスク処理小領域が認識対象に類似してい
るか否かを大まかに分類する選別処理で用いる選別用特
徴ベクトルを該特徴ベクトルから作成するために、該特
徴ベクトルの成分から該選別処理に有効な成分を選び、
選別用特徴ベクトルを構成する方法を決定し、その結果
を保存する。選別特徴抽出回路９は該特徴ベクトルを直
交展開回路８より入力し、選別用特徴ベクトル作成回路
１１で定めて保存した該選別用特徴ベクトル構成方法を
入力し、それにしたがい該特徴ベクトルから選別用特徴
ベクトルを作成する。選別用標準パターン作成回路１２
は、選別特徴抽出回路９で作成した該選別用特徴ベクト
ルを入力し、該選別用特徴ベクトルから選別標準パター
ンを作成し、該選別用標準パターンを選別用標準パター
ン記憶回路１３へ出力し、選別用標準パターン記憶回路
１３で該選別用標準パターンを記憶する。選別判定回路
１０は、選別特徴抽出回路９で作成した該選別用特徴ベ
クトルを入力し、選別用標準パターン記憶回路１３に記
憶された該選別用標準パターンを入力し、該選別用特徴
ベクトルと照合して相関値をもとめ、その相関値をもと
に該マスク処理小領域が認識対象に類似しているか否か
の２つのカテゴリに大まかに分類し、認識対象に類似し
ていると判定された該マスク処理小画像のみを画像認識
回路４へ出力する。

【００２４】次に、本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。

【００２５】図３は画像パターン記憶回路１から小領域
抽出回路６、マスク処理回路７、直交展開回路８までの
処理のフローチャート、図４は圧縮画像パターン記憶回
路２から小領域抽出回路６、マスク処理回路７、直交展
開回路８までの処理のフローチャート、図５は直交展開
回路８の出力から選別用特徴ベクトル作成回路１１、選
別特徴抽出回路９、選別用標準パターン作成回路１２、
選別用標準パターン記憶回路１３、画像認識回路４まで
の処理のフローチャートで、選別特徴抽出回路９で使用
する選別用特徴ベクトルの構成成分の決定、および選別
判定回路１０で使用する選別用標準パターン、および画
像認識回路４において使用する標準パターンの作成・記
憶に関するフローチャート、図６は選別特徴抽出回路９
から選別判定回路１０、画像認識回路４までの処理のフ
ローチャートで、選別用標準パターン記憶回路１３に記
憶されている選別用標準パターンを用いた信号・雑音分
離処理および画像認識処理に関する処理を示している。

【００２６】はじめに、第１の動作例として、画像パタ
ーン記憶回路１、小領域抽出回路６、マスク処理回路
７、直交展開回路８が動作する場合、すなわち、Ｍ×Ｎ
メッシュの大きさの２値または多値からなる通常形式の
画像パターンを入力し、特徴ベクトルを作成する場合を
例にとって図３により説明する。

【００２７】この画像パターン認識処理装置では、２次
元状に画素を配列したような通常形式の画像を処理する
場合には、画像パターン記憶回路１において、まず処理
対象となるＭ×Ｎメッシュの大きさの画像パターンＩ
（ｘ，ｙ）、（ｘ＝１，２，．．．，Ｍ；ｙ＝１，
２，．．．，Ｎ）を入力する（ステップ１０１）。そし
て、この画像パターンＩ（ｘ，ｙ）の濃淡レベルを補正
して、濃淡レベル補正画像Ｉ _F （ｘ，ｙ）を作成する
（ステップ１０２）。直交展開回路８で行なう変換行列
を用いたＤＣＴの計算では、濃淡レベルが−１２８から
１２７の範囲となるメッシュを対象にするため、濃淡レ
ベル補正画像Ｉ_F （ｘ，ｙ）の各メッシュの値が−１２
８から１２７の範囲となるように濃淡値のレベルを調整
し、ＤＣＴ用画像Ｉ_D （ｘ，ｙ）を作成する（ステップ
１０３）。

【００２８】小領域抽出回路６では、入力された画像パ
ターンの種別に応じた処理を実行する。まず、ＤＣＴ用
画像Ｉ_D （ｘ，ｙ）からｍ×ｎメッシュの小領域Ｗ
（ｕ，ｖ）、（ｕ＝１，２，．．．，ｍ；ｖ＝１，
２，．．．，ｎ）を切り出すために、観測窓の大きさや
個数、位置を設定する（ステップ１０４）。そして、こ
の設定にしたがい観測窓領域の切り出しのためのパラメ
ータを決定し（ステップ１０５）、ＤＣＴ用画像Ｉ_D
（ｘ，ｙ）から小領域Ｗ（ｕ，ｖ）を切り出す（ステッ
プ１０６）。設定にしたがって切り出した小領域Ｗ
（ｕ，ｖ）の実切り出し数と予定切り出し数との比較を
行い、予定した切り出しが終了するまで切り出し処理を
行う（ステップ１０７）。終了した場合、すべての切り
出し処理の終了判定をおこない、未処理の画像パターン
Ｉ（ｘ，ｙ）がある場合には、上記の切り出し処理を行
う（ステップ１０８）。すべての画像パターンＩ（ｘ，
ｙ）からの小領域Ｗ（ｕ，ｖ）の切り出しの処理が終了
した時点で、マスク処理回路７の動作を開始する。

【００２９】マスク処理回路７でも入力された画像パタ
ーンの種別に応じた処理を実行する。まず、小領域Ｗ
（ｕ，ｖ）を入力し、ガウス関数ｇ（ｕ，ｖ）をマスク
パターンとして各メッシュ（ｕ，ｖ）ごとに乗ずる。ガ
ウス関数ｇ（ｕ，ｖ）は小領域Ｗ（ｕ，ｖ）の大きさが
ｗ×ｗメッシュであるとき、次式で表される。

【００３０】

【数１】 その結果得られるマスク処理小領域Ｗ_M （ｕ，ｖ）は次
のように表される。

【００３１】 Ｗ_M （ｕ，ｖ）＝Ｗ（ｕ，ｖ）×ｇ（ｕ，ｖ） 次に、マスク処理小領域Ｗ_M （ｕ，ｖ）を８×８メッシ
ュの画像ブロックＢ（ｉ，ｊ）、（ｉ＝１，２，．．．
８；ｊ＝１，２，．．．８）に分割する処理を個々のマ
スク処理小領域Ｗ_M （ｕ，ｖ）を対象におこなう（ステ
ップ１１０）。たとえば、３０×３０メッシュの大きさ
のマスク処理小領域Ｗ_M （ｕ，ｖ）は４行４列に配置し
た８×８メッシュの画像ブロックに分割する。

【００３２】分割で生じる端部分を含むブロックを検出
し（ステップ１１１）、ブロック内の余白メッシュ部分
の処理を行う（ステップ１１２）。すなわち、３０×３
０メッシュの大きさのマスク処理小領域Ｗ_M （ｕ，ｖ）
を８×８メッシュのブロックに分割した時に生じる６×
８メッシュもしくは８×６メッシュの半端な部分をステ
ップ１１２で処理する。８×８メッシュのブロックの余
白部分のメッシュの値を、たとえば半端部分のメッシュ
の値の平均値や０とする。

【００３３】次に、ブロックＢ（ｉ，ｊ）に対して、８
行８列の変換行列Ｃ（ｉ，ｊ）を用いたＤＣＴを行い、
８×８メッシュのブロックＢ（ｉ，ｊ）から８行８列の
ＤＣＴ係数行列Ｄ_R （ｉ，ｊ）を作成する（ステップ１
１３）。８行８列の変換行列Ｃ（ｉ，ｊ）の各成分は次
の公知の式で表される（たとえば、データ圧縮ハンドブ
ック、Ｍ．ネルソン、萩原訳、プレンティースホールト
ッパン）。

【００３４】

【数２】 ブロックＢ（ｉ，ｊ）とブロックＢ（ｉ，ｊ）との行列
の乗算でおこなう。ＤＣＴの計算には次の公知の式を用
いる（たとえば、データ圧縮ハンドブック、Ｍ．ネルソ
ン 萩原訳、プレンティースホール、トッパン）。

【００３５】

【数３】 ここで、Ｔは行列の転置を、＊は行列の乗算を表す。も
ちろん、これらの計算方法はＤＣＴは一例であり、ブロ
ックＢ（ｉ，ｊ）のＤＣＴに他の計算方法が適用できる
ことはいうまでもない。

【００３６】８行８列のＤＣＴ係数行列Ｄ_R （ｉ，ｊ）
の各成分は８×８メッシュの量子化テーブルＱ（ｉ，
ｊ）を用いて量子化する（ステップ１１４）。８行８列
のＤＣＴ係数行列Ｄ_R （ｉ，ｊ）に用いる量子化テーブ
ルＱ（ｉ，ｊ）は成分ごとに量子化の間隔が調整できる
ように、８×８メッシュの大きさで事前に作成してお
く。たとえば、画像パターン中の空間周波数の分布の偏
りを考慮した、次のような値をもつ公知の８×８メッシ
ュの量子化テーブルＱ（ｉ，ｊ）を用いる（たとえば、
マルティメディア符号化の国際標準、安田編、丸善）。

【００３７】

【数４】 もちろん、この８行８列の行列は量子化テーブルＱ
（ｉ，ｊ）の一例であり、成分が異なる他の８行８列の
行列が適用できることはいうまでもない。量子化テーブ
ルＱ（ｉ，ｊ）によるＤＣＴ係数行列のｉ行ｊ列成分Ｄ
（ｉ，ｊ）の量子化処理はつぎのように計算する。

【００３８】

【数５】 ここで、Ｄ_Q （ｉ，ｊ）は量子化処理後のｉ行ｊ列の成
分の値を、Ｒｏｕｎｄ［・］は小数点以下の切り捨てを
表す。

【００３９】次に、量子化処理後の値Ｄ_Q （ｉ，ｊ）に
量子化テーブルＱ（ｉ，ｊ）を用いて逆量子化処理を行
い、ＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）を作成する（ス
テップ１１５）。すべてのブロックＢ（ｉ，ｊ）に対し
てＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）が作成できた時点
で処理を終了する。ＤＣＴ整数係数行列のｉ行ｊ列成分
Ｄ_I （ｉ，ｊ）はＤ_Q （ｉ，ｊ）とＱ（ｉ，ｊ）とから
つぎのように計算する。

【００４０】 Ｄ_I （ｉ，ｊ）＝Ｄ_Q （ｉ，ｊ）×Ｑ（ｉ，ｊ） ＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）は選別用特徴ベクト
ル作成回路１１または選別特徴抽出回路９へ送られる。

【００４１】次に、第２の動作例として、圧縮画像パタ
ーン記憶回路２、小領域抽出回路６、マスク処理回路
７、直交展開回路８が動作する場合、すなわち、図３の
ステップ１１５でＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）を
生成するかわりに、たとえばＪＰＥＧのような公知の画
像圧縮手段によって圧縮した圧縮画像パターンＺ_C
（ｋ）を、この画像パターン認識装置に入力し、圧縮画
像Ｚ_C （ｋ）からＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）を
直接抽出する場合を例にとって説明する。

【００４２】はじめに、公知のＪＰＥＧの圧縮方法をお
おまかに説明する。ＪＰＥＧでは、入力画像パターンを
８×８メッシュの大きさに分割する。ついで、８×８メ
ッシュのブロックにＤＣＴを行い、１つのブロックから
８行８列の２次元配列状に配置された６４個のＤＣＴ係
数を作成する。そして、６４個のＤＣＴ係数に対して量
子化処理を行なう。さらに、６４個の量子化されたＤＣ
Ｔ係数にジグザグスキャン処理を行い、係数を一列に配
置する。ついで、一列に並べた係数列に対して、ランレ
ングス符号化、エントロピー符号化処理をおこなう。圧
縮画像の復元は圧縮処理を逆順におこなう。すなわち、
エントロピー復号化、ランレングス復号化、逆ジグザグ
スキャン処理、逆量子化処理、逆ＤＣＴの順で復号する
（たとえば、最新ＭＰＥＧ教科書、藤原監、アスキー出
版）。

【００４３】図３のステップ１１５でＤＣＴ整数係数行
列Ｄ_I （ｉ，ｊ）を作成する代わりに、圧縮画像パター
ンＺ_C （ｋ）からＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）を
抽出する場合の動作例について、図４により説明する。
圧縮画像パターン記憶回路２では、はじめに処理対象と
なる圧縮画像Ｚ_C （ｋ）を入力する（ステップ２０
１）。そして、圧縮画像Ｚ_C （ｋ）から、公知のエント
ロピー復号化、ランレングス復号化、逆ジグザグスキャ
ン処理、逆量子化処理を用いてＤＣＴ整数係数画像Ｄ_Z
（ｘ，ｙ）を作成する（ステップ２０２）。このＤＣＴ
整数係数画像Ｄ_Z （ｘ，ｙ）のメッシュの値はＤＣＴ係
数で、大きさは復元画像の大きさに等しい。このＤＣＴ
整数係数画像Ｄ_Z （ｉ，ｊ）を８×８メッシュのブロッ
クに分割し、ブロックごとに逆ＤＣＴを施して、変換で
生成される２次元配列をもとのブロック位置に再配置す
れば、ＤＣＴ整数係数画像Ｄ_Z （ｉ，ｊ）からもとの復
元画像が生成できる。

【００４４】小領域抽出回路６では、入力された画像パ
ターンの種別に応じた手段を実行する。まず、このＤＣ
Ｔ整数係数画像Ｄ_Z （ｘ，ｙ）から８行８列のＤＣＴ整
数係数ブロックＢ_I （ｉ，ｊ）を抽出するために、ＤＣ
Ｔ整数係数画像Ｄ_Z （ｉ，ｊ）に対して観測窓の大きさ
や個数、位置を設定する（ステップ２０３）。これは、
図３に示した第１の動作例におけるステップ１０４の処
理に相当する。次に、観測窓に含まれる８行８列のＤＣ
Ｔ整数係数ブロックＢ_I （ｉ，ｊ）をＤＣＴ整数係数画
像Ｄ_Z （ｘ，ｙ）から抽出する（ステップ２０４）。そ
して、マスク処理回路７においても、入力された画像パ
ターンの種別に応じた手段を実行する。まず、ＤＣＴ整
数係数ブロックＢ_I （ｉ，ｊ）を入力し、ＤＣＴマスク
パターンｇ_D （ｉ，ｊ）を用いてマスク処理を行なう。
これは、第１の動作例におけるステップ１０９の処理に
相当する。

【００４５】前記のガウス関数ｇ（ｕ，ｖ）に相当する
ＤＣＴマスクパターンｇ_D （ｉ，ｊ）は、あらかじめ以
下の要領で作成しておく。

【００４６】まず、前記のガウス関数ｇ（ｕ，ｖ）を８
×８メッシュのブロックに分割する。ついで、前記の変
換行列Ｃ（ｉ，ｊ）を用いてＤＣＴを行なう。次に、前
記の量子化テーブルＱ（ｉ，ｊ）を用いて量子化処理を
行ったのちに、量子化テーブルＱ（ｉ，ｊ）を用いて逆
量子化する。このようにして作成した８行８列の行列を
ＤＣＴマスクパターンｇ_D （ｉ，ｊ）に用いる。

【００４７】ＤＣＴマスクパターンｇ_D （ｉ，ｊ）によ
るＤＣＴ整数係数ブロックＢ_I （ｉ，ｊ）のマスク処理
では、ＤＣＴマスクパターンｇ_D （ｉ，ｊ）とＤＣＴ整
数係数ブロックＢ_I （ｉ，ｊ）を各メッシュ（ｉ，ｊ）
ごとに乗ずる。各メッシュごとの乗算には、公知のＤＣ
Ｔ行列の成分どうしの乗算演算を利用する（たとえば、
Ｂ．Ｃ．Ｓｍｉｔｈ ａｎｄ Ｌ．Ａ．Ｒｏｗｅ，Ａｌ
ｇｏｒｉｔｈｍｓ ｆｏｒ Ｍａｎｉｐｕｌａｔｉｎｇ
Ｃｏｍｐｒｅｓｓｅｄ ｉｍａｇｅｓ，ＩＥＥＥ Ｃ
ｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ ａｎｄ Ａｐｐｌ
ｉｃａｔｉｏｎｓ，ｐｐ．３４−４２，Ｖｏｌ．１３，
Ｎｏ．５，Ｓｅｐ．，１９９３）。乗算の結果、ＤＣＴ
整数係数行列Ｄ_I （ｉ，ｊ）を得る（ステップ２０
５）。設定にしたがって抽出したＤＣＴ整数係数行列Ｄ
_I （ｉ，ｊ）の実抽出数と予定抽出数との比較を行い、
予定した抽出が終了するまで抽出処理を行う（ステップ
２０６）。終了した場合、すべての抽出処理の終了判定
をおこない、未処理の圧縮画像Ｚ_C （ｋ）がある場合に
は、上記の抽出処理を行う（ステップ２０７）。すべて
の圧縮画像Ｚ_C （ｋ）からのＤＣＴ整数係数行列Ｄ_I
（ｉ，ｊ）の抽出処理が終了した時点で、すべての処理
を終了する。なお、ＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）
は選別用特徴ベクトル作成回路１１または選別特徴抽出
回路９に出力する。

【００４８】もちろん、エントロピー復号化、ランレン
グス復号化、逆ジグザグスキャン処理、逆量子化処理を
圧縮画像Ｚ_C （ｋ）全体に対して行なうことでＤＣＴ整
数係数画像ＤＣＴ整数係数画像Ｄ_Z （ｘ，ｙ）を作成
し、ＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）を抽出する上記
の処理は一例であり、エントロピー復号化、ランレング
ス復号化、逆ジグザグスキャン処理、逆量子化処理を圧
縮画像Ｚ_C （ｋ）に対して局所的に行ない、ＤＣＴ整数
係数行列Ｄ_I （ｉ，ｊ）を抽出するなどの他の方法が適
用できることはいうまでもない。

【００４９】次に、第３の動作例として、選別用特徴ベ
クトル作成回路１１、選別特徴抽出回路９、選別用標準
パターン作成回路１２、選別用標準パターン記憶回路１
３、画像認識回路４が動作する場合、すなわち、選別特
徴抽出回路９で使用する選別用特徴ベクトルの構成成分
を決定する場合、および、選別判定回路１０で使用する
選別用標準パターン、および画像認識回路４において使
用する標準パターンを作成し、記憶する場合を例にと
り、図５を用いて説明する。

【００５０】はじめに、認識カテゴリに属するか否かで
あることがあらかじめ既知である該画像パターンもしく
は該圧縮画像パターンを用いて小領域抽出回路６で該小
領域を作成し、さらに直交展開回路８で該小領域から作
成したＤＣＴ整数係数行列Ｄ _I （ｉ，ｊ）を選別用特徴
ベクトル作成回路１１に入力する（ステップ３０１）。
選別用特徴ベクトル作成回路１１において、ＤＣＴ整数
係数行列Ｄ_I （ｉ，ｊ）の（ｉ，ｊ）成分の分散比をつ
ぎのように計算する（ステップ３０２）。

【００５１】

【数６】 ここで、Ｆ（ｉ，ｊ）は（ｉ，ｊ）成分の分散比を、

【００５２】

【外１】 は認識カテゴリに属すことが既知なＤＣＴ整数係数行列
Ｄ_I （ｉ、ｊ）の（ｉ，ｊ）成分に対する平均値および
分散を、

【００５３】

【外２】 は認識カテゴリに属さないことが既知なＤＣＴ整数係数
行列Ｄ_I （ｉ，ｊ）の（ｉ，ｊ）成分に対する平均値お
よび分散を表す。

【００５４】ＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）の成分
のうち、分散比が大きな成分を選択し、選別用特徴ベク
トルＦの構成成分とする。なお、選別用特徴ベクトルＦ
の構成成分の新規作成・更新・変更は認識課題の変更ご
とに行なうことが可能である。さらに、選択する個数の
設定を画像入出力装置５によっておこなう。この設定が
事前にできるのはいうまでもない（ステップ３０３）。

【００５５】選別特徴回路９で該画像パターンまたは該
圧縮画像パターンから小領域抽出回路６で作成したＤＣ
Ｔ整数係数行列Ｄ_I （ｉ，ｊ）を入力し、選別用特徴ベ
クトル作成回路１１での決定にしたがって、該ＤＣＴ整
数係数行列Ｄ_I （ｉ，ｊ）から選び出した成分を配置し
て、選別用特徴ベクトルＦ＝（ｆ₁ ，ｆ₂ ，．．．，ｆ
_s ，．．．，ｆ_L ）を作成する。成分の選択個数をＬに
設定した場合、選別用特徴ベクトルの次元数はＬ次元と
なる（ステップ３０４）。たとえば、第１の動作例にお
いて３０×３０メッシュの大きさで認識カテゴリに属す
るか否かが既知な画像パターンＷ（ｕ，ｖ）を対象に、
８×８メッシュの大きさの１６個のブロックに分割し、
各ブロックから８行８列のＤＣＴ整数係数行列Ｄ_I
（ｉ，ｊ）を作成する。そして、１６個のＤＣＴ整数係
数行列Ｄ_I （ｉ，ｊ）の６４個の成分について、認識カ
テゴリに属するサンプルと属さないサンプルに対する平
均値と分散をそれぞれの場合について計算し、（ｉ，
ｊ）成分ごとに分散比を計算する（ステップ３０２）。
６４個×１６個の分散比の中からＬこの大きな分散比を
選択し（ステップ３０３）、その分散比に対応する成分
により選別用特徴ベクトルＦを作成する（ステップ３０
４）。もちろん、選別用特徴ベクトルＦのこの構成方法
は一例であり、選別用特徴ベクトルＦの作成に他の方法
が適用できることはいうまでもない。

【００５６】選別用標準パターン作成回路１２では、選
別判定回路１０で用いる標準パターンＧ_F を特徴ベクト
ルＦから作成する。選別特徴抽出回路９の動作にて作成
した複数個の特徴ベクトルＦに対してｋ−ｍｅａｎｓ法
のような公知のクラスタリング手法を適用し、Ｑ個のク
ラスタを計算する（ステップ３０５）。クラスタの個数
Ｑは画像入出力装置５を介して、あらかじめ設定された
ものとする。ここでのｋ−ｍｅａｎｓ法はクラスタリン
グの手法の一例であり、クラスタの生成に他のクラスタ
リング手法が適用できることはいうまでもない。

【００５７】選別判定回路１０で用いる標準パターン
は、このクラスタリング処理結果を基に作成する。たと
えば、はじめに、選別用特徴ベクトルＦからなるＬ次元
特徴空間でＱ個のクラスタをおおうＱ^L 個のＢｏｘ形状
をした範囲を設定する。すなわち、クラスタｑに対する
選別範囲

【００５８】

【外３】 は特徴ベクトルＦの成分ｆ_s が次の式を満たすように成
分ごとに設定する（ステップ３０６）。

【００５９】

【数７】 ここで、Ｐｒ｛・｝は確率を、Ｔ_B は画像入出力装置５
を介して設定する閾値（０＜Ｔ_B ＜１）を、αは画像入
出力装置５を介して設定する定数を、

【００６０】

【外４】 は第ｆ_s 成分に関するクラスタｑの平均値と標準偏差を
それぞれ表す。

【００６１】次に、選別用標準パターン作成回路１２で
は、選別用特徴ベクトルＦの成分ｆ _s （ｓ＝
１，．．．，Ｌ）に対して、ｆ_s が選別範囲

【００６２】

【外５】 のいずれかに含まれた場合には、ブール変数ｇ_s ＝１を
割り当てる。さもなければ、ブール変数ｇ_s ＝０を割り
当てる。これにより、Ｌ次元の選別用特徴ベクトルＦか
らＬビットの２進数Ｇを作成する。

【００６３】学習データの中で認識対象のクラスに属し
た画像パターンもしくは圧縮画像パターンから小領域抽
出回路６で作成した小領域に直交展開回路８を動作させ
て作成したＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）に対して
ステップ３０１、３０２、３０３、３０４、３０５、３
０６を動作させることで、Ｌビットの２進数Ｇを作成
し、Ｇの集合Ｇ_F ＝｛Ｇ｜認識対象のクラスに属す学習
画像パターンから作成したＬビットの２進数｝を作成
し、標準パターンとする（ステップ３０６）。

【００６４】ここで説明したステップ３０１の動作は、
公知の標準パターン作成方法を応用したものであり、標
準パターン作成方法の一例であって、標準パターン作成
に他の方法が適用できることはいうまでもない（たとえ
ば、有村、萩田：統計的画像認識における画像選別空間
の構成法、ＰＲＵ９５−１４７、信学技法、１９９
５）。選別範囲

【００６５】

【外６】 および標準パターンＧ_F は選別用標準パターン記憶回路
１３へ入力し、記憶しておく（ステップ３０７）。認識
課題の変更にともない選別用特徴ベクトル作成回路１１
が動作したことで、選別用特徴ベクトルＦの構成成分を
新規作成・更新・変更した場合には、選別用標準パター
ン作成回路１２、選別用標準パターン記憶回路１３を動
作させることで、該選別範囲

【００６６】

【外７】 および標準パターンＧ_F を新規作成・更新・変更するこ
とは言うまでもない。

【００６７】選別判定回路１０では、画像パターンもし
くは圧縮画像パターンから小領域抽出回路６で作成した
小領域から作成したＬ次元の選別用特徴ベクトルＦを用
いて該小領域が認識対象に類似しているか否かを大まか
に分類する。分類は選別範囲

【００６８】

【外８】 を用いてＬ次元の選別用特徴ベクトルＦから作成したＬ
ビットの２進数Ｇと標準パターンＧ_F とを次の要領で比
較しておこなう（ステップ３０８）。すなわち、該画像
パターンもしくは該圧縮画像パターンから小領域抽出回
路６で作成した小領域に選別特徴抽出回路９を動作して
作成したＬ次元の選別用特徴ベクトルＦから作成したＬ
ビットの２進数Ｇについて、もし、Ｇ∈Ｇ_F ならば、該
小領域は候補画像と判定し、さもなければ、該小領域は
棄却画像と判定する。候補画像と判定された該小領域に
対する該Ｌ次元選別用特徴ベクトルＦのみが画像認識回
路４へ入力される。すなわち、選別された該小領域に対
応する該Ｌ次元選別用特徴ベクトルＦを選別特徴ベクト
ルＦ_S とする（ステップ３０９）。

【００６９】画像認識回路４では、選別特徴ベクトルＦ
_S を入力し、たとえば公知のベイズ識別則に基づいて認
識処理用に識別関数Ｒ（Ｆ_S ）を作成する（ステップ３
１０）。すなわち、

【００７０】

【数８】 ここで、

【００７１】

【外９】 はそれぞれ、認識対象クラスＣに属した選別特徴ベクト
ルＦ_S に対する平均ベクトル、共分散行列、および生起
確率を表す。生成した識別関数Ｒ（Ｆ_S ）を記憶して、
処理を終了する（ステップ３１１）。もちろん、ベイズ
識別則に基づく識別関数を用いた認識方法は、選別判定
処理後の認識の一例であり、この他の公知の認識方法が
適用できることはいうまでもない。

【００７２】最後に、第４の動作例として、選別特徴抽
出回路９、選別用特徴ベクトル作成回路１１、選別判定
回路１０、選別用標準パターン記憶回路１３、画像認識
回路４が動作する場合、すなわち、第１の動作例によっ
て、Ｍ×Ｎメッシュの大きさの２値または多値からなる
通常形式の画像パターン、もしくは第２の動作例によっ
て、該画像パターンをたとえばＪＰＥＧのような公知の
画像圧縮手段によって圧縮した圧縮画像パターンを入力
し、認識結果を表示する場合を例にとって説明する。

【００７３】まず、ステップ３０６で作成した選別範囲

【００７４】

【外１０】 および該標準パターンＧ_F を選別用標準パターン記憶回
路１３より、識別関数Ｒ（Ｆ_S ）を画像認識回路４より
入力する（ステップ４０１）。直交展開回路８よりＤＣ
Ｔ整数係数行列Ｄ_I （ｉ，ｊ）を入力する（ステップ４
０２）。選別用特徴ベクトル作成回路１１で定めた選別
用特徴ベクトルＦの構成成分の指定を選別用特徴ベクト
ル作成回路１１から入力する（ステップ４０３）。構成
成分の指定にしたがい、ステップ３０４の処理を行い、
ＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）より選別用特徴ベク
トルＦを作成する（ステップ４０４）。選別用特徴ベク
トルＦに対して、ステップ３０８の処理をおこない、選
別用特徴ベクトルＦより選別判定の処理を行なう（ステ
ップ４０５）。判定結果が棄却画像の場合には（ステッ
プ４０６）、すべてのＤＣＴ整数係数行列Ｄ_I （ｉ，
ｊ）に対する処理が終了したかどうかを判定し（ステッ
プ４０７）、すべてを処理した場合には終了する。未処
理のＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）がある場合に
は、未処理のＤＣＴ整数係数行列Ｄ_I （ｉ，ｊ）を入力
するためにステップ４０２へ戻り、処理を繰り返す。判
定結果が候補画像の場合には（ステップ４０６）、該当
する特徴ベクトルＦを識別関数Ｒ（Ｆ_S ）を用いて認識
し（ステップ４０８）、認識の結果を画像入出力装置５
へ出力し、表示する（ステップ４０９）。すべてのＤＣ
Ｔ整数係数行列Ｄ_I （ｉ，ｊ）に対する処理が終了した
かどうかを判定し（ステップ４１０）、すべてを処理し
た場合には終了する。さもなければ、未処理のＤＣＴ整
数係数行列Ｄ_I （ｉ，ｊ）を入力するためにステップ４
０２へ戻り、処理を繰り返す。

【００７５】上記第１、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から選別判定処理もしくは
認識処理の結果に応じて、適宜、各回路の設定値を変更
することで各回路の動作を調整することは可能である。

【００７６】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、画像パターン記憶回路１、圧縮
画像パターン記憶回路２、小領域抽出回路５、マスク処
理回路７、直交展開回路８を備えるので、Ｍ×Ｎメッシ
ュの大きさの２値または多値からなる通常形式の画像パ
ターン、もしくは該画像パターンをたとえばＪＰＥＧの
ような公知の画像圧縮手段によって圧縮した圧縮画像パ
ターンの両方の認識処理が可能になる。また、画像パタ
ーンからの特徴ベクトルの作成のために直交展開法とし
て、高速計算が可能な変換行列を用いたＤＣＴを用いた
ために、他の直交展開法を使用する場合に比べ高速処理
が可能となり、処理効率が向上する。特に、特徴ベクト
ルの作成に８×８メッシュに分割したブロックを離散コ
サイン変換する方法を用いることで、特徴ベクトルの作
成処理を公知のＪＰＥＧ形式の圧縮方式に準拠させ、公
知のＪＰＥＧ形式の復元方式の一部を特徴ベクトルの作
成に利用できるようにしたことで、該圧縮画像パターン
を対象とした処理では、該圧縮画像パターンの復元処理
の一部を省くことができるために、処理の効率が著しく
向上する。

【００７７】また、選別判定回路１０、画像認識回路４
を備えることで、画像パターンを大まかに分類し、さら
に詳細に認識する、大分類、認識の２段階処理を含む多
段階の認識によって画像パターンを認識するために、認
識速度および認識精度において性能が高い画像パターン
認識装置を実現できる。

【００７８】

【発明の効果】以上説明したように本発明は、下記のよ
うな効果がある。 （１）請求項１の発明は、２値または多値からなる画像
パターン、および該画像パターンをたとえば、ＪＰＥＧ
形式のような公知の画像圧縮手段によって圧縮した圧縮
画像パターンを入力し、記憶する手段と、該画像パター
ンおよび該圧縮画像パターンから複数の小領域を抽出す
る手段と、処理小領域が認識対象に類似しているか否か
の２つのカテゴリに大まかに分類する選別用特徴ベクト
ルを作成する選別特徴抽出手段と、該選別用特徴ベクト
ルを基に、該処理小領域が認識対象に類似しているかい
なかの２つのカテゴリに大まかに分類する選別判定手段
と、該選別判定手段で認識対象に類似していると判定さ
れた該処理小領域のみを、該選別用特徴ベクトルを基に
認識対象カテゴリに分類する手段を備えることにより、
多段階処理による画像認識処理において、入力画像の形
式がＭ×Ｎメッシュの大きさの２値または多値からなる
通常形式の画像パターン、もしくは該画像パターンをた
とえばＪＰＥＧのような公知の画像圧縮手段によって圧
縮した圧縮画像パターンであるかを利用者が意識するこ
となく処理することが可能になる。 （２）請求項３の発明は、マスク処理小領域に適用する
直交展開手段に、変換行列の行列演算によるＤＣＴを用
いるようにしたことにより、変換行列の成分を認識課題
の変更にかかわらず同じ数式で定義できるようになった
ために、主成分分析法のような公知の他の直交展開法で
は認識課題の変更のたびに必要であった学習サンプルを
もとに変換行列を作成する事前処理変換行列を作成する
ための事前処理が省け、変換行列の作成時間が短縮で
き、そのうえ、作成した変換行列を記憶する場合には、
その数式もしくはその数式より作成した変換行列を記憶
すればよいのに対し、主成分分析法のような公知の他の
直交展開法では、認識課題の変更のたびに変換行列の成
分のすべてを記憶する必要がある。つまり、変換行列の
行列演算によるＤＣＴを用いたことで、画像パターン認
識処理装置における変換行列の記憶容量が小型化が可能
となる効果がある。さらに、直交展開手段に変換行列の
行列演算によるＤＣＴを用いることができるようにした
ことで、たとえばＪＰＥＧのような公知の画像圧縮手段
の一部が利用できるので、公知の画像圧縮手段によって
圧縮された画像を入力した場合には、この圧縮画像を部
分的に復元するだけで特徴ベクトルを得ることができる
ため、圧縮画像から特徴ベクトルを作成する場合に、圧
縮画像を完全に復元画像にあらためて直交展開法を適用
して特徴ベクトルを作成する場合にくらべて、特徴ベク
トルの作成が高速に行なえる効果がある。 （３）請求項５の発明は、選別判定手段で使用する選別
用特徴ベクトルを選別判定手段に有効な成分で認識対象
ごとに構成し、かつ認識課題の変更にともない該選別用
特徴ベクトル作成手段を動作させることで、選別用特徴
ベクトルの構成成分の新規作成・更新・変更できる選別
用特徴ベクトル作成手段と、選別用特徴ベクトル作成手
段の設定に従い作成した選別用特徴ベクトルを基に該選
別判定手段で用いる選別用標準パターンを作成する選別
用標準パターン作成手段と、該選別用標準パターンを記
憶する選別用標準パターン記憶手段を有し、選別用特徴
ベクトルを新規作成・更新・変更した場合には、選別用
標準パターンを新規作成・更新・変更することで、認識
対象ごとに選別用特徴ベクトル、および選別用標準パタ
ーンを自動的に新規作成し、追加、更新できるようにし
たため、認識対象の変更にともなう利用者の作業負担を
軽減できる効果がある。

【図面の簡単な説明】

【図１】本発明の一実施形態の画像パターン認識装置の
構成図である。

【図２】図１の画像選別回路３の構成図である。

【図３】図１の画像パターン認識装置において、Ｍ×Ｎ
メッシュの大きさの２値または多値からなる通常形式の
画像パターンを入力して特徴ベクトルを作成する処理の
フローチャートである。

【図４】図１の画像パターン認識装置において、入力画
像の形式がＭ×Ｎメッシュの大きさの２値または多値か
らなる通常形式の画像パターンをたとえばＪＰＥＧのよ
うな公知の画像圧縮手段によって圧縮した圧縮画像パタ
ーン特徴ベクトルを作成する処理のフローチャートであ
る。

【図５】図１の画像パターン認識装置において、図３も
しくは図４のフローチャートに示す手順で作成した特徴
ベクトルを入力し、特徴ベクトルの成分のうち選別判定
処理に有効な成分を選び選別用特徴ベクトルを作成し、
選別判定処理や画像認識処理で用いる標準パターンや辞
書テーブルを作成するフローチャートである。

【図６】図１の画像パターン認識装置において、図３も
しくは図４のフローチャートに示す手順で作成した特徴
ベクトルを基に認識結果を表示する処理のフローチャー
トである。

【符号の説明】

１ 画像パターン記憶回路 ２ 圧縮画像パターン記憶回路 ３ 画像選別回路 ４ 画像認識回路 ５ 画像入出力装置 ６ 小領域抽出回路 ７ マスク処理回路 ８ 直交展開回路 ９ 選別特徴抽出回路 １０ 選別判定回路 １１ 選別用特徴ベクトル作成回路 １２ 選別用標準パターン作成回路 １３ 選別用標準パターン記憶回路 １０１〜１１５、２０１〜２０７、３０１〜３１１、４
０１〜４１０ ステップ

Claims (5)

【特許請求の範囲】
1. 【請求項１】 大分類、認識の２段階処理を含む多段階
   処理によって画像パターンを認識する画像パターン認識
   装置において、 ２値または多値からなる画像パターンを入力し、記憶す
   る画像パターン記憶手段と、 前記画像パターンを圧縮した圧縮画像パターンを入力
   し、記憶する圧縮画像パターン記憶手段と、 該画像パターンまたは該圧縮画像パターンから画像中の
   複数の小領域を抽出する小領域抽出手段と、 該小領域が認識対象に類似しているか否かの２つのカテ
   ゴリに分類するための選別用特徴ベクトルを作成する選
   別特徴抽出手段と、 該選別特徴抽出手段によって得られた該選別用特徴ベク
   トルをあらかじめ用意してある選別用標準パターンと照
   合して相関値を求め、該相関値をもとに、該小領域が認
   識対象に類似しているか否かの２つのカテゴリに分類す
   る選別判定手段と、 該選別判定手段によって認識対象に類似していると判定
   された該小領域だけを、複数の認識対象カテゴリに分類
   する画像認識手段と、 前記認識判定手段の分類結果を表示し、もしくは前記各
   手段が適切に動作するために設定される調整値を入力す
   るための画像入出力手段を有することを特徴とする画像
   パターン認識装置。
2. 【請求項２】 前記小領域抽出手段で抽出された小領域
   の濃淡レベルを、あらかじめ定められた濃淡レベルの範
   囲内になるように補正し、かつあらかじめ定められた画
   像フィルタによってマスク処理を行なうマスク処理手段
   を有する、請求項１記載の画像パターン認識装置。
3. 【請求項３】 変換行列の行列演算によるＤＣＴを用い
   て、マスク処理された小領域に直交展開を適用し、特徴
   ベクトルを作成する直交展開手段を有する、請求項２記
   載の画像パターン認識装置。
4. 【請求項４】 前記直交展開手段で作成された特徴ベク
   トルを入力し、該特徴ベクトルの成分から、マスク処理
   された小領域が認識対象に類似しているか否かを大まか
   に分類する選別処理に有効な成分を選び、選別用特徴ベ
   クトルを構成する方法を認定する選別用特徴ベクトル作
   成手段を有し、前記選別特徴抽出手段は前記特徴ベクト
   ルを前記直交展開手段より入力し、前記選別用特徴ベク
   トルの構成方法を前記選別用特徴ベクトル作成手段より
   入力し、前記構成方法にしたがい前記特徴ベクトルから
   選別用特徴ベクトルを作成する、請求項３記載の画像パ
   ターン認識装置。
5. 【請求項５】 前記選別特徴抽出手段で作成された選別
   用特徴ベクトルを入力し、該選別用特徴ベクトルから選
   別用標準パターンを作成する選別用標準パターン作成手
   段と、該選別用標準パターンを記憶する選別用標準パタ
   ーン記憶手段を有する、請求項４記載の画像パターン認
   識装置。