JP6017335B2 - パターン認識装置、その方法、及び、そのプログラム - Google Patents

Description

本発明の実施形態は、パターン認識装置、その方法、及び、そのプログラムに関するものである。

パターン認識に用いる特徴ベクトルの次元削減方法として、次のような方法がある。

第１の方法は、予め用意した学習データから主成分分析で得られる射影行列を用いて、高次元から低次元への次元削減を行う方法である。しかし、この第１の方法では、射影行列を記憶するために次元の２乗のメモリと、射影の計算に次元の２乗の積和演算のための大量のメモリや計算量が必要となる。

大量のメモリや計算量を必要としない第２の方法として、特徴ベクトルの成分をランダム抽出して次元削減する方法がある。しかし、この第２の方法は、認識性能が抽出する成分数に依存するため、大幅に次元削減を行うと認識性能も大幅に低下する。

第３の方法としては、画像縮小方法である面積平均法のように特徴ベクトルの成分を複数の区間に分け、各区間の平均値を次元削減した特徴ベクトルの成分とする方法である。しかし、この第３の方法は、平均値を取る成分の相関が高いと認識性能が低下する。

特開２０１０−４４４３９号公報

"Pattern Classification", Richard O. Duda, Peter E. Hart, David G. Stork 著、Wiley-Interscience Page 115-117

上記のような従来の方法では、認識性能を維持しながら、パターン認識に用いる特徴ベクトルの次元削減を少量のメモリと計算量で行い難いいう問題点があった。

そこで本発明の実施形態は、上記問題点を解決するために、認識性能を維持しながら、パターン認識に用いる特徴ベクトルの次元削減を少量のメモリと計算量で行うことができるパターン認識装置、その方法、及び、そのプログラムを提供することを目的とする。

本発明の実施形態は、画像をパターンとして取得する取得部と、横方向がＷ列、縦方向がＫ行のラスタースキャンを前記パターンに行って、Ｍ個の成分を有するＭ次元の特徴ベクトルを抽出する抽出部と、前記Ｍ次元の特徴ベクトルを次元削減して、ｄ次元（但し、Ｍ＞ｄ＞０）の縮小ベクトルに変換する変換部と、カテゴリと、前記カテゴリに対応するように予め学習した縮小学習ベクトルの組を保持する記憶部と、変換した前記縮小ベクトルと、前記カテゴリ毎の前記縮小学習ベクトルとの類似度を計算する認識部と、前記類似度に基づいて、前記縮小ベクトルに類似する前記縮小学習ベクトルに対応した前記カテゴリを、前記パターンが属する前記カテゴリと判定する判定部と、を有し、前記変換部は、前記特徴ベクトルのＭ個の前記成分からＮ個（但し、Ｍ＞Ｎ＞０）の注目成分をサンプリングし、Ｎ個の前記注目成分から前記縮小ベクトルの一つの成分を計算する処理をｄ回実行して、ｄ次元の前記縮小ベクトルを生成し、さらに、前記変換部は、前記注目成分をサンプリングする場合に、（１）前回サンプリングした前回の前記注目成分と同じ行では、予め定めた距離Ｄ内にある前記成分を除外し、（２）前回の前記注目成分と同じ列で、ｋ行（但し、Ｋ＞ｋ＞０）離れた前記成分を含み、かつ、前記ｋ行離れた前記成分から前記距離（Ｄ−ｋ）内にある前記成分を除外し、（３）除外して残った成分から今回の前記注目成分をサンプリングする、パターン認識装置である。

一実施形態に係るパターン認識装置のブロック図。 ラスタースキャンによるベクトル化の図。 特徴ベクトルの変換を示す図。 Ｄ＜２のときのサンプリングを示す図。 Ｄ＜５のときのサンプリングを示す図。 記憶部に記憶された認識テーブルを表す図。 パターン認識装置の処理を示すフローチャート。 パターン認識装置のハードウェア構成の一例を表すブロック図。 変換部の変更例のブロック図。 テーブル記憶部に記憶されたサンプリングテーブルを表す図。

以下、一実施形態のパターン認識装置１について図面に基づいて説明する。本実施形態に係るパターン認識装置１は、入力されたパターンから、そのパターンが属するカテゴリを出力する。

実施形態１

実施形態１のパターン認識装置１について図１〜図８に基づいて説明する。

パターン認識装置１の構成について図１に基づいて説明する。図１は、パターン認識装置１を表すブロック図である。

パターン認識装置１は、取得部１１、抽出部１２、変換部１３、記憶部１４、認識部１５、判定部１６、出力部１７とを備え、変換部１３はサンプル部１３１と計算部１３２とを備える。

パターン認識装置１は、取得部１１が、入力としてパターンを取得し、抽出部１２が、パターンからそのパターンの特徴を数値化したＭ次元の特徴ベクトルを抽出し、変換部１３が、Ｍ次元の特徴ベクトルの次元を削減したｄ次元（但し、Ｍ＞ｄ＞０）のベクトル（以下、「縮小ベクトル」という）に変換し、記憶部１４が予め保持したカテゴリに対応した縮小ベクトルと、変換部１３が変換した前記縮小ベクトルとの類似度を認識部１５が計算し、判定部１６が、全てのカテゴリに対応した類似度の中で、閾値を超え、かつ、最も類似度が高いカテゴリを、入力したパターンのカテゴリと判定し、出力部１７が、そのカテゴリを出力する。

取得部１１は、入力としてパターンをカメラ、記憶媒体、その他の機器から取得する。パターンは画像である。なお、この画像には静止画、又は、動画を含む。また、画像の中から認識対象を切り出した画像のデータでもよい。

例えば、認識するカテゴリが、顔や物体の場合は、画像中から顔領域や物体領域を検出し、その顔領域や物体領域を切り出した画像を入力パターンとする。

以下、本実施形態では、顔領域を認識対象としては顔であり、パターンは、顔領域が写った画像をパターンとする。顔以外の物体としては、例えば、人間の全身又は一部（例えば、上半身、下半身、手、足など）、自動車、自転車、標識など路上にあるものや、野菜、果物、肉、魚、パン、弁当、惣菜、菓子などの食品、花、木などの植物、犬、猫、鳥、魚などの動物、その他、建物や雲などである。

以下の説明では、パターンに用いる画像は静止画であり、この画像は縦方向がＫ＝１００画素（＝１００行）、横方向がＷ＝５０画素（＝５０列）の計５０００個の画素から構成されているとする。

抽出部１２は、パターン（１枚の静止画）から１個の特徴ベクトルのＭ個の成分と、各成分の位置を特徴抽出する。すなわち、図２に示すように、パターンが画像であるので、１枚の画像の各画素の成分をラスタースキャンして、Ｍ個の成分が一方向に並んだ１次元構造のＭ次元の特徴ベクトルを特徴抽出する。

「成分」とは、画素の画素値を意味し、例えば、輝度値である。画像が１００×５０画素の場合には、１枚の画像から５０００個の成分を有する５０００次元の特徴ベクトルが、特徴抽出できる。すなわち、Ｍ＝５０００である。

図２に示すように、一枚の画像の各画素の成分（輝度値）をラスタースキャンして、ベクトル化するものであり、ラスタースキャンする縦方向の画素数（＝行数）は、Ｋ＝１００個（＝行）である。ラスタースキャンする横方向の画素数（＝列数、又は、１行の長さ）は、Ｗ＝５０個（＝５０列）である。

図２に示すように、１行目の成分は左側から順番にＡ１、Ａ２、・・・、Ａ５０とし、２行目の成分は左側から順番にＢ１、Ｂ２、・・・、Ｂ５０とする。そして、この特徴ベクトルは、１行目の５０個（＝５０列）の成分、２行目の５０個の成分、以下、順番に１００行目の５０個の成分までを横に並べて１次元の構造にしたものである。また、各成分の位置は、１次元の構造であるため、左端部の成分から数えて何番目に存在するかで決定され、例えば、成分Ｂ２の位置は左端部から５２番目である。

変換部１３は、サンプル部１３１と計算部１３２を有し、パターンから抽出した１個のＭ次元の特徴ベクトルを、その特徴ベクトルの次元よりも小さいｄ次元の縮小ベクトルに変換する。図３は、変換部１３が行うＭ次元の特徴ベクトルの変換を図示したものである。例えば、変換部１３は、５０００次元の特徴ベクトルを５００次元の縮小ベクトルに変換する。すなわち、ｄ＝５００である。

図３（ａ）（ｂ）に示すように、サンプル部１３１は、Ｍ次元の特徴ベクトルの成分（すなわち、Ｍ個の成分）からＮ個の成分をサンプリングする。Ｎは、予め設定しておくものであり、Ｍ＞Ｎ＞０であり、例えば、Ｎ＝４である。このサンプリングは、特徴ベクトルの固有の性質を考慮し、Ｎ個の成分の相関が低くなるように行う。なお、相間が高いとは、比較する成分同士の類似し、相間が低いとは、比較する成分同士が類似しないという意味である。本明細書では、サンプリングされるＮ個の成分を「注目成分」という。

画像中の任意の画素の成分と、その近傍の画素の成分とは、相関が高い傾向がある。図２に示すように、画像をラスタースキャンによって注目成分をサンプリングする場合に、成分Ａ２を注目成分とすると、同じ行（横方向）に関しては、注目成分Ａ２の両隣の成分Ａ１、成分Ａ３とは、注目成分Ａ２と相間が高い。また、同じ列（縦方向）に関しては、上下の行にある成分Ｂ２と注目成分Ａ２とは相関が高い。この縦方向の相間に関しての見方を、１次元構造の特徴ベクトルから見ると、注目成分Ａ２から画像の幅Ｗ（１行分の画素数が５０個）離れた成分Ｂ２と注目成分Ａ２とは相関が高い。

そのため、サンプル部１３１は、注目成分（例えば、成分Ａ２とする）と横方向に並んだ近傍の位置にある成分（例えば、成分Ａ１、Ａ３である。以下、これら成分を「横近傍成分」という）を除外する。

また、サンプル部１３１は、注目成分（例えば、成分Ａ２とする）と縦方向に並んだ近傍の位置にある成分、すなわち、注目成分の位置から距離が画像の幅Ｗの定数倍ｋ離れた位置の近傍の位置にある成分（例えば、成分Ｂ１，Ｂ２，Ｂ３である。以下、これら成分を「縦近傍成分」という）を除外する。

図３（ａ）（ｂ）に示すように、サンプル部１３１は、最初の注目成分の横近傍成分と縦近傍成分を除外して、残った成分から次の注目成分をサンプリングする。これをＮ回繰り返してＮ個の注目成分をサンプリングする。

図４は、相間が高い成分間の距離をＤと予め定め、注目成分から距離Ｄ以上離れた成分のみをサンプリングする方法の一例を図示したものである。図４はＤ＜２の例である。相間が高い成分間の距離Ｄは、画像上での距離と一致するように計算する。

サンプル部１３１は、画像の横方向の距離をＲ、縦方向の距離をｋとすると、注目成分から距離Ｄ（＝ｒ＋ｋ＜２）に存在する成分を除外して、残りの成分をサンプリングする。なお、距離Ｄは、画像上のＬ１距離を意味している。また、ｋは画像の縦方向の行数、すなわち、ラスタースキャンにおける行数を意味する。

以下、そのサンプリング方法を順番に説明する。

第１の処理において、サンプル部１３１は、図４（ａ）に示すように、Ｍ次元の特徴ベクトルの成分から第１の注目成分Ａ２をランダムでサンプリングする。例えば、第１の注目成分Ａ２には、図４（ａ）では白丸を記載する。

第２の処理において、サンプル部１３１は、図４（ｂ）に示すように、第１の注目成分Ａ２と距離Ｄ未満の横近傍成分をサンプリングから除外するために、これら横近傍成分Ａ１，Ａ３に除外フラグを立てる。この場合に、横近傍成分Ａ１，Ａ３は、第１の注目成分Ａ２と同じ行であるためｋ＝０であり、サンプル部１３１は、Ｄ＝ｒ＜２の成分に除外フラグを立てる。除外フラグを立てた成分Ａ１，Ａ３には、図４（ｂ）ではバツを記載する。

第３の処理において、サンプル部１３１は、第１の注目成分Ａ２から画像の幅Wの定数ｋ倍（ｋ行後）の位置の距離（Ｄ−ｋ）内の縦近傍成分Ｂ２をサンプリングから除外するために、この成分Ｂ２に除外フラグを立てる。図４（ｂ）では成分Ｂ２にバツを記載する。Ｄ＜２であるので、第１の注目成分Ａ２の次の行の場合には、ｋ＝１であるので、Ｄ＝ｒ＋ｋ＝ｒ＋１＜２の成分Ｂ２に除外フラグを立てる。言い換えると、第１の注目成分Ａ２の上下の縦近傍成分Ｂ２に除外フラグを立てる。

第４の処理において、サンプル部１３１は、図４（ｂ）に示すように、Ｍ次元の特徴ベクトルの成分から第２の注目成分Ｂ６をランダムでサンプリングする。この場合に、第１の注目成分Ａ２と第２、第３の処理で除外した成分Ａ１，Ａ３，Ｂ２は除外フラグに基づいてサンプリング対象から除く。第２の注目成分Ｂ６に図４（ｂ）では白丸を記載する。

第５の処理において、サンプル部１３１は、図４（ｃ）に示すように、第２の注目成分Ｂ６と距離Ｄ未満の横近傍成分と縦近傍成分をサンプリングから除外するために、これら横近傍成分Ｂ５，Ｂ７と縦近傍成分Ａ６，Ｃ６・・・に除外フラグを立てる。

第６の処理において、サンプル部１３１は、図４（ｃ）に示すように、Ｍ次元の特徴ベクトルの成分から第３の注目成分Ａ５０をランダムでサンプリングする。この場合に、第１の注目成分Ａ２、第２の注目成分Ｂ６と、第２、第３、第５の処理で除外した成分Ａ１，Ａ３・・・・は除外フラグに基づいてサンプリング対象から除く。第３の注目成分Ａ５０に図４（ｂ）では白丸を記載する。

以下、同様にして、Ｎ個の注目画素Ａ２，Ｂ６，Ａ５０・・・をサンプリングする。

さらに、わかりやすく説明するために、例えば、Ｄ＜５の例を図５に示す。注目画素をＡ１０とする。そして、Ａ、Ｂ、Ｃ、Ｅ、Ｆ、Ｇの成分が縦方向に並んでいるとする。なお、Ｄ行は、距離Ｄと符号が重なるため使用しない。

第１の処理において、サンプル部１３１は、図５に示すように、Ｍ次元の特徴ベクトルの成分から第１の注目成分Ａ１０をランダムでサンプリングする。第１の注目成分Ａ１０には、図５では白丸を記載する。

第２の処理において、サンプル部１３１は、第１の注目成分Ａ１０と同じ行ではｋ＝０であるのでＤ＝ｒ＋０となり、Ｄ＜５を満たすには、Ｄ＝４のＡ６、Ｄ＝３のＡ７、Ｄ＝２のＡ８、Ｄ＝１のＡ９、Ｄ＝１のＡ１１、Ｄ＝２のＡ１２、Ｄ＝３のＡ１３、Ｄ＝４のＡ１４の成分に除外フラグを立てる。なお、これら除外フラグを立てた成分は横近傍成分であって、図５ではバツを記載する。

第３の処理において、サンプル部１３１は、第１の注目成分Ａ１０の次の行ではｋ＝１であるのでＤ＝ｒ＋１となり、Ｄ＜５を満たすには、Ｄ＝４のＢ７、Ｄ＝３のＢ８、Ｄ＝２のＢ９、Ｄ＝１のＢ１０、Ｄ＝２のＢ１１、Ｄ＝３のＢ１２、Ｄ＝４のＢ１３の成分に除外フラグを立てる。なお、これら除外フラグを立てた成分は縦近傍成分であって、図５ではバツを記載する。

第４の処理において、サンプル部１３１は、第１の注目成分Ａ１０の２行後ではｋ＝２であるのでＤ＝ｒ＋２となり、Ｄ＜５を満たすには、Ｄ＝４のＣ８、Ｄ＝３のＣ９、Ｄ＝２のＣ１０、Ｄ＝３のＣ１１、Ｄ＝４のＣ１２の成分に除外フラグを立てる。なお、これら除外フラグを立てた成分は縦近傍成分であって、図５ではバツを記載する。

第５の処理において、サンプル部１３１は、第１の注目成分Ａ１０の３行後ではｋ＝３であるのでＤ＝ｒ＋３となり、Ｄ＜５を満たすには、Ｄ＝４のＥ９、Ｄ＝３のＥ１０、Ｄ＝４のＥ１１の成分に除外フラグを立てる。なお、これら除外フラグを立てた成分は縦近傍成分であって、図５ではバツを記載する。

第６の処理において、サンプル部１３１は、第１の注目成分Ａ１０の４行後ではｋ＝４であるのでＤ＝ｒ＋４となり、Ｄ＜５を満たすには、Ｄ＝４のＦ１０の成分に除外フラグを立てる。なお、この除外フラグを立てた成分は縦近傍成分であって、図５ではバツを記載する。

第７の処理において、サンプル部１３１は、第１の注目成分Ａ１０の５行後ではｋ＝５であるのでＤ＝ｒ＋５となり、Ｄ＜５を満たす成分はなく、Ｇ行の成分には除外フラグを立てない。

上記説明では、画像の最上部の行の注目画像Ａ１０で説明したため、下の行に向かって説明したが、画像の中央の行における注目画像の場合には、注目画素から見て上の行も同様にサンプリングを行い除去フラグを立てる。

計算部１３２は、図３（ｃ）に示すように、サンプリングしたＮ個の注目成分（輝度値）の平均値（平均輝度値）を計算し、ｄ次元の縮小ベクトルの成分の一つとする。

変換部１３は、Ｍ次元の特徴ベクトルをｄ次元の縮小ベクトルに変換するため、サンプル部１３１が行うＮ個の注目成分のサンプリング処理と、計算部１３２が行うＮ個の注目成分の平均値を計算する処理とをｄ回行う。この場合に、２〜ｄ回目の第１の注目成分のサンプリングは、Ｍ個の成分の中からランダムに決定する。

最後に、変換部１３は、ｄ次元の縮小ベクトルのノルムを１に正規化する。

記憶部１４は、カテゴリを識別するためのカテゴリＩＤと、各カテゴリに対応するように予め学習しているｄ次元の縮小ベクトル（以下、「縮小学習ベクトル」という）の組を備えた認識テーブルを保持する。図６は認識テーブルの例である。なお、保持したｄ次元の縮小学習ベクトルは、ノルムを１に予め正規化されている。

認識部１５は、変換部１３が求めた縮小ベクトルと、認識テーブルに保持された縮小学習ベクトルとの類似度ＱをカテゴリＩＤ毎に計算する。類似度は０から１までの値を取り、１に近いほど対応するカテゴリに近い。例えば、縮小ベクトルと縮小学習ベクトルの内積を類似度Ｑとし、認識部１５は、式（１）を用いて類似度Ｑを算出する。本実施形態では、いずれの特徴量も長さ（ノルム）が１の縮小ベクトルと縮小学習ベクトルであるため、この内積は単純類似度となる。

Ｑｊ＝ｓ１＊ｔｊ１＋ｓ２＊ｔｊ２＋・・・＋ｓｄ＊ｔｊｄ ・・・（１）

但し、ｓ１，・・・，ｓｄは、変換部１３により抽出された縮小ベクトルを表し、ｔｊ１，・・・，ｔｊｄは、カテゴリＩＤ＝１〜Ｊの記憶部１４に記憶された縮小学習ベクトルを表す。また、１＜ｊ＜Ｊである。

そして、認識部１５は、全てのカテゴリについて、類似度Ｑｊを計算する。

判定部１６は、記憶部１４に記憶された全てのカテゴリに対応する類似度Ｑの中から予め定めた閾値以上で、かつ、類似度Ｑｊが最も高いカテゴリを、入力したパターンが属するカテゴリと判定する。判定部１６は、閾値以上の類似度Ｑがない場合は、入力パターンに対応するカテゴリが無いと判定する。

出力部１７は、判定したカテゴリを出力する。

パターン認識装置１の処理について図７に基づいて説明する。図７はパターン認識装置１の処理を表すフローチャートである。なお、図７のフローチャートに示す処理は取得部１１がパターンを取得するたびに行われる。

ステップＳ１１において、取得部１１は、パターンを取得する（Ｓ１１）。取得部１１は、取得したパターンを抽出部１２に供給する。

ステップＳ１２において、抽出部１２は、パターンからＭ次元の特徴ベクトルを抽出する（Ｓ１２）。取得部１２は、特徴ベクトルを変換部１３のサンプル部１３１に供給する。

ステップＳ１３において、サンプル部１３１は、Ｍ次元の特徴ベクトルからＮ個の注目成分をサンプリングする（Ｓ１３）。サンプル部１３１は、サンプリングしたＮ個の注目成分を計算部１３２に供給する。

ステップＳ１４において、計算部１３２は、サンプリングしたＮ個の注目成分の平均値を計算し、ｄ次元の縮小ベクトルの一つの成分として代入する（Ｓ１４）。

ステップＳ１５において、計算部１３２は、ｄ次元の縮小ベクトルの全ての成分（ｄ個の成分）を算出したか否かを判定する（Ｓ１５）。ｄ次元の縮小ベクトルの全ての成分を算出していない場合は（Ｓ１５：ＮＯ）、ステップＳ１３に遷移し、サンプル部１３１は次のＮ個の注目成分を特徴ベクトルからサンプリングする。ｄ次元の縮小ベクトルのｄ個の成分を算出した場合は（Ｓ１５：ＹＥＳ）、ｄ次元の縮小ベクトルを認識部１５に供給し、ステップＳ１６を実行する。

ステップ１６において、認識部１５は、変換した縮小ベクトルをノルム１に正規化する。

ステップ１７において、認識部１５は、変換した縮小ベクトルと、記憶部１４が保持しているカテゴリＩＤ毎の縮小学習ベクトルとの類似度Ｑをそれぞれ計算する（Ｓ１６）。そして、認識部１５は、全カテゴリについて、カテゴリＩＤに対応する類似度Ｑを判定部１６に供給する。

ステップ１８において、判定部１６は、カテゴリＩＤに対応する類似度Ｑからパターンが属するカテゴリを判定する（Ｓ１７）。判定部１６は、判定結果であるカテゴリを出力部１７に供給する。

ステップ１９において、出力部１７は、判定結果であるカテゴリを出力する（Ｓ１８）。

本実施形態によれば、入力されたパターンから抽出した特徴ベクトルを少ないメモリで高速に次元削減できる。また、平均値をとる成分は相関が低くなるようにサンプリングされているため、認識性能を維持できる。

図８は、パターン認識装置１のハードウェア構成の一例を表すブロック図である。図８に示すように、パターン認識装置１はＣＰＵ８０１と、パターンからそのパターンが属するカテゴリの認識を行う認識プログラムなどを記憶するＲＯＭ８０２と、ＲＡＭ８０３と、認識テーブルなどを記憶するＨＤＤ８０４と、ＨＤＤ８０４とのインタフェイスであるＩ／Ｆ８０５と、パターン入力用のインタフェイスであるＩ／Ｆ８０６と、マウスやキーボードなどの入力装置８０７と、入力装置８０７とのインタフェイスであるＩ／Ｆ８０６と、ディスプレイなどの表示装置８０８と、表示装置８０８とのインタフェイスであるＩ／Ｆ８１０と、バス８１１とを備えており、通常のコンピュータを利用したハードウェア構成となっている。なおＣＰＵ８０１、ＲＯＭ８０２、ＲＡＭ８０３、Ｉ／Ｆ８０５、Ｉ／Ｆ８０６、Ｉ／Ｆ８１６、及びＩ／Ｆ８１０は、バス８１１を介して互いに接続されている。

パターン認識装置１では、ＣＰＵ８０１が、ＲＯＭ８０２からプログラムをＲＡＭ８０３上に読み出して実行することにより、上記各部（取得部、抽出部、計算部等）がコンピュータ上で実現され、ＨＤＤ８０４に記憶されている照合データ等を用いて、Ｉ／Ｆ８０６から入力パターンの処理を行う。

なお、プログラムはＨＤＤ８０４に記憶されていてもよい。また、プログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、ＣＤ−Ｒ、メモリカード、ＤＶＤ、フレキシブルディスク（ＦＤ）等のコンピュータで読み取り可能な記憶媒体に記憶されて提供されるようにしてもよい。また、プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するようにしてもよい。また、プログラムを、インターネット等のネットワーク経由で提供又は配布するようにしてもよい。また、図７のテーブルは、ＲＯＭ８０２に記憶されていてもよい。また、画像をＨＤＤ８０４に記憶しておき、Ｉ／Ｆ８０５から画像を入力するようにしてもよい。

実施形態２

実施形態２のパターン認識装置１について図９と図１０に基づいて説明する。

本実施形態の変換部１３は、図９に示すように、サンプリングテーブルを記憶したテーブル記憶部１３３もさらに備える。このサンプリングテーブルは、図１０に示すように、サンプリングの順番を保持するテーブルである。サンプリングの順番とは、Ｍ次元の特徴ベクトルにおける成分の位置を表す番号を意味する。そしてサンプル部１３１は、このサンプリングテーブルの番号に基づいて、Ｎ個の成分をサンプリングする。この順番は、サンプリング部１３１がサンプリングする処理に基づいて、予め順番が決められた順番が保持されている。

サンプル部１３１は、１番目は第ｎ１成分、２番目は第ｎ２成分とＮ番目の第ｎＮ成分までサンプリングを行う。次のサンプリングは第ｎ（Ｎ＋１）成分から開始する。

変更例

上記実施形態では、抽出部１２は、画像をラスタースキャンして特徴ベクトルを抽出したが、これに代えて、画像をラスタースキャンする前に、画像にガボールやソーベルなどのファイルを施し、その後にラスタースキャンして特徴ベクトルを抽出してもよい。また、特許文献１で使用されている輝度勾配の共起関係の組合せのヒストグラムをベクトル化したものを特徴ベクトルとして使用してもよい。

上記実施形態では、サンプル部１３１が、注目画素に基づいて除外フラグを立てる成分を決定する場合に画像上のＬ１距離を用いたが、これに代えて、Ｌ２距離や他の距離を用いても良い。Ｌ２距離を用いる場合には、距離Ｄ＝√（ｒ^２＋ｋ^２）となる。

上記実施形態では、計算部１３２は、サンプリングしたＮ個の注目成分の平均値を計算し、ｄ次元の縮小ベクトルの成分の一つとしたが、これに代えて、平均値ではなく注目成分（例えば、輝度値）の和を計算してもよい。

上記実施形態では、サンプル部１３１がサンプリングを行うための設計には計算コストがかかる可能性がある。そのため、少量であれば相関の高い成分が入っても認識性能の低下は軽微であることを利用し、サンプル部１３１は、区間平均値の場合よりも、画像の縦方向距離に関する相関が低くなるようにサンプリングしてもよい。例えば、サンプル部１３１が、ランダムにサンプリングすることで、縦方向距離に関する相関を区間平均値の場合に比べ低くできる。

上記実施形態では、変換部１３がｄ次元の縮小ベクトルのノルムを１に正規化したが、正規化せず、そのまま使用してもよい。

上記実施形態では、認識度１５のカテゴリーの認識のために単純類似度を用いたが、これに代えて、比較する縮小ベクトル間の距離を用いてもよい。その場合は、距離０に近いほど、入力パターンが対応するカテゴリに類似する。

上記では本発明の一実施形態を説明したが、この実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の主旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１・・・パターン認識装置、１１・・・取得部、１２・・・抽出部、１３・・・変換部、１４・・・記憶部、１５・・・認識部、１６・・・判定部、１７・・・出力部、１３１・・・サンプル部、１３２・・・計算部

Claims (6)

1. 画像をパターンとして取得する取得部と、
   横方向がＷ列、縦方向がＫ行のラスタースキャンを前記パターンに行って、Ｍ個の成分を有するＭ次元の特徴ベクトルを抽出する抽出部と、
   前記Ｍ次元の特徴ベクトルを次元削減して、ｄ次元（但し、Ｍ＞ｄ＞０）の縮小ベクトルに変換する変換部と、
   カテゴリと、前記カテゴリに対応するように予め学習した縮小学習ベクトルの組を保持する記憶部と、
   変換した前記縮小ベクトルと、前記カテゴリ毎の前記縮小学習ベクトルとの類似度を計算する認識部と、
   前記類似度に基づいて、前記縮小ベクトルに類似する前記縮小学習ベクトルに対応した前記カテゴリを、前記パターンが属する前記カテゴリと判定する判定部と、
   を有し、
   前記変換部は、前記特徴ベクトルのＭ個の前記成分からＮ個（但し、Ｍ＞Ｎ＞０）の注目成分をサンプリングし、Ｎ個の前記注目成分から前記縮小ベクトルの一つの成分を計算する処理をｄ回実行して、ｄ次元の前記縮小ベクトルを生成し、
   さらに、前記変換部は、前記注目成分をサンプリングする場合に、（１）前回サンプリングした前回の前記注目成分と同じ行では、予め定めた距離Ｄ内にある前記成分を除外し、（２）前回の前記注目成分と同じ列で、ｋ行（但し、Ｋ＞ｋ＞０）離れた前記成分を含み、かつ、前記ｋ行離れた前記成分から前記距離（Ｄ−ｋ）内にある前記成分を除外し、（３）除外して残った成分から今回の前記注目成分をサンプリングする、
   パターン認識装置。
2. 前記変換部は、前記縮小ベクトルの一つの成分を計算するときに、前記サンプリングしたＮ個の前記注目成分の平均値、又は、和の値を求める、
   請求項１に記載のパターン認識装置。
3. 前記変換部は、Ｎ個の前記注目成分を前記特徴ベクトルからサンプリングする場合に、前記特徴ベクトルにおける前記サンプリングする前記成分の位置と前記サンプリングの順番を定めたサンプリングテーブルに基づいてサンプリングする、
   請求項１又は２に記載のパターン認識装置。
4. 前記カテゴリは人物、又は、一般物体である、
   請求項１乃至３のいずれか一項に記載のパターン認識装置。
5. 画像をパターンとして取得し、
   横方向がＷ列、縦方向がＫ行のラスタースキャンを前記パターンに行って、Ｍ個の成分を有するＭ次元の特徴ベクトルを抽出し、
   前記Ｍ次元の特徴ベクトルを次元削減して、ｄ次元（但し、Ｍ＞ｄ＞０）の縮小ベクトルに変換し、
   カテゴリと、前記カテゴリに対応するように予め学習した縮小学習ベクトルの組を保持し、
   変換した前記縮小ベクトルと、前記カテゴリ毎の前記縮小学習ベクトルとの類似度を計算し、
   前記類似度に基づいて、前記縮小ベクトルに類似する前記縮小学習ベクトルに対応した前記カテゴリを、前記パターンが属する前記カテゴリと判定し、
   前記変換するときは、前記特徴ベクトルのＭ個の前記成分からＮ個（但し、Ｍ＞Ｎ＞０）の注目成分をサンプリングし、Ｎ個の前記注目成分から前記縮小ベクトルの一つの成分を計算する処理をｄ回実行して、ｄ次元の前記縮小ベクトルを生成し、
   さらに、前記変換するときは、前記注目成分をサンプリングする場合に、（１）前回サンプリングした前回の前記注目成分と同じ行では、予め定めた距離Ｄ内にある前記成分を除外し、（２）前回の前記注目成分と同じ列で、ｋ行（但し、Ｋ＞ｋ＞０）離れた前記成分を含み、かつ、前記ｋ行離れた前記成分から前記距離（Ｄ−ｋ）内にある前記成分を除外し、（３）除外して残った成分から今回の前記注目成分をサンプリングする、
   パターン認識方法。
6. 画像をパターンとして取得する取得機能と、
   横方向がＷ列、縦方向がＫ行のラスタースキャンを前記パターンに行って、Ｍ個の成分を有するＭ次元の特徴ベクトルを抽出する抽出機能と、
   前記Ｍ次元の特徴ベクトルを次元削減して、ｄ次元（但し、Ｍ＞ｄ＞０）の縮小ベクトルに変換する変換機能と、
   カテゴリと、前記カテゴリに対応するように予め学習した縮小学習ベクトルの組を保持する記憶機能と、
   変換した前記縮小ベクトルと、前記カテゴリ毎の前記縮小学習ベクトルとの類似度を計算する認識機能と、
   前記類似度に基づいて、前記縮小ベクトルに類似する前記縮小学習ベクトルに対応した前記カテゴリを、前記パターンが属する前記カテゴリと判定する判定機能と、
   をコンピュータに実現させ、
   前記変換機能は、前記特徴ベクトルのＭ個の前記成分からＮ個（但し、Ｍ＞Ｎ＞０）の注目成分をサンプリングし、Ｎ個の前記注目成分から前記縮小ベクトルの一つの成分を計算する処理をｄ回実行して、ｄ次元の前記縮小ベクトルを生成し、
   さらに、前記変換機能は、前記注目成分をサンプリングする場合に、（１）前回サンプリングした前回の前記注目成分と同じ行では、予め定めた距離Ｄ内にある前記成分を除外し、（２）前回の前記注目成分と同じ列で、ｋ行（但し、Ｋ＞ｋ＞０）離れた前記成分を含み、かつ、前記ｋ行離れた前記成分から前記距離（Ｄ−ｋ）内にある前記成分を除外し、（３）除外して残った成分から今回の前記注目成分をサンプリングする、
   パターン認識プログラム。

Images