JPH05197812A

JPH05197812A - 図形形状学習認識方式

Info

Publication number: JPH05197812A
Application number: JP4007748A
Authority: JP
Inventors: Masakazu Nagura; 正計名倉; Shinji Abe; 伸治安部; Masaji Katagiri; 雅二片桐
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 1992-01-20
Filing date: 1992-01-20
Publication date: 1993-08-06

Abstract

(57)【要約】【目的】本発明の目的は、多種の図形の形状について
個々にプログラミングすることなく、図形を自動的に認
識できる図形形状学習認識方式を提供することである。【構成】本発明は、幼児期の図形の認識や理解には与
えられた図形の形を何度も学習しながら除々にその図形
を理解していくことと同様に、ニューラルネットワーク
技術を利用することにより、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
情報を抽出し、その曲率情報を入力情報としてニューラ
ルネットワークへ入力し、ニューラルネットワークに図
形の学習を行なわせ、その学習結果を認識対象となる図
形の認識を行うものである。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は図形形状学習認識方式に
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
情報を図面から獲得する手段として、図面中の図形情報
を自動的に認識可能にする図形形状認識方式に関する。

【０００２】

【従来の技術】図面中の、図形情報を計算機で取扱い可
能な情報に変換する従来の図形形状認識の手法は、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１本１本の線を手作業で抽出するものである。
この方式は多大な時間を要するため、他の方式として、
図面中の図形を自動的に認識し、図形情報を獲得する方
式も開発されている。

【０００３】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、図形毎の対象図形の特徴情報を抽出
処理したのち、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。

【０００４】一方、近年、ニューラルネットワーク技術
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。ニューラルネット
ワークは、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、一般的な学習法を多層ネットワー
クに適用した誤差逆転伝搬法等の技術により、入力情報
を自動的に学習するものであり、サイズ、方向、位置が
固定したような単純な文字パターンの自動学習や認識処
理などに有効であることが検証されている。

【０００５】但し、ニューラルネットワーク技術を実用
的に有効に使用するかについては、学習可能性の高い情
報をいかにニューラルネットワークに与えるかが問題で
あり、即ち、ニューラルネットワークへの入力情報（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。

【０００６】

【発明が解決しようとする課題】上記の従来の手続き型
プログラミングである図形認識プログラムによる手法
は、通常、取り扱う図形種毎にプログラミングしなけれ
ばならないので、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を要すると共に、そのソフト
ウェア開発に多大な開発費と時間を要するため、大きな
問題になっている。このため、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
図形情報を自動的に獲得するのは困難であった。本発明
は上記の点に鑑みなされたもので、上記の問題を解決
し、多種の図形の形状について個々にプログラミングす
ることなく、図形を自動的に認識できる図形形状学習認
識方式を提供することを目的とする。

【０００７】

【課題を解決するための手段】図１は本発明の原理説明
図である。本発明の図形形状認識方式は、線図形からそ
の図形の中心線を求める図形心線抽出手段１と、線図形
のカテゴリ情報を付与するカテゴリ情報付与手段２と、
図形心線抽出手段１で求められた図形の中心線を画素列
として抽出する心線画素列抽出手段３と、図形の形状構
造を表現するための曲率情報を画素列の各画素毎に求め
る曲線情報算出手段４と、曲線情報算出手段４で求めら
れた曲率情報が変化する点を特徴点として抽出する特徴
点抽出手段５と、特徴点抽出手段５で求められた特徴点
の近傍の曲率情報を正規化することによりニューラルネ
ットワーク２１の入力情報を生成する正規化手段６と、
正規化手段６で得られた正規化された曲率情報と、カテ
ゴリ情報付与手段２で得られた対象図形のカテゴリ情報
とをニューラルネットワーク２１に入力し、ニューラル
ネットワーク２１に対象図形を学習させる対象図形学習
手段７と、図形心線抽出手段１から対象図形学習手段７
までを用いて複数個の対象図形をニューラルネットワー
ク２１に学習させる複数個図形学習制御手段８と、ニュ
ーラルネットワーク２１により作成される認識用図形１
２を用いてカテゴリ情報付与手段２を除く図形心線抽出
手段１から正規化手段６の各手段により認識用図形１２
の正規化された曲率情報を求める正規化曲率算出手段９
と、正規化曲率算出手段９により得られた曲率情報をニ
ューラルネットワーク２１に入力し、ニューラルネット
ワーク２１からの出力情報から認識用図形１２の認識結
果情報を得るニューラルネットワーク認識制御手段１０
とを有する。

【０００８】

【作用】本発明は、我々人間が図形を認識理解する過程
において図形の折れ曲がり具合（曲率情報）を利用して
いることや、また、幼児期の図形の認識や理解には与え
られた図形の形を何度も学習しながら除々にその図形を
理解していくことに着眼し、後者の学習機能を、近年急
速に進歩したニューラルネットワーク技術を利用するこ
とにより、従来の問題を解決しようとするものである。

【０００９】特に、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
出し、その曲率情報を入力情報としてニューラルネット
ワークへ入力し、ニューラルネットワークに図形の学習
を行なわせ、その学習結果を認識対象となる図形の認識
を行うものである。これにより、種々の図形を学習させ
るだけで、図形の認識が可能になるため、従来のような
図形認識プログラミングの必要がなくなる。

【００１０】

【実施例】まず、本発明に使用するニューラルネットワ
ークの原理について説明する。図２はニューラルネット
ワークの原理構造を示す。ニューラルネットワーク３２
は種々の構成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特許請求の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ニューラルネットワーク３２は、入
力情報３１と出力情報３３があり、入力情報３１に対す
るカテゴリ情報を教師情報３４として与えられる。学習
処理は、入力情報３１と教師情報３４をニューラルネッ
トワーク３２に与えることにより行われ、入力情報３１
に対する出力情報３３と教師情報３４との差分をできる
だけ小さくするように処理される。この差分（誤差）を
できるだけ小さくする方法として、誤差逆転伝搬法等が
一般に用いられている。複数個の入力情報３１及び、教
師情報３４を複数回繰り返し学習させることによって、
ニューラルネットワーク３２の出力情報３３と教師情報
３４との差分（誤差）が最小になり、学習が終了する。
学習が終了したニューラルネットワーク３２に新たな入
力情報３１を与えると、ニューラルネットワーク３２の
出力情報３３として、既に学習された入力情報３１に最
も似かよった教師情報３４に対応した情報が得られる。

【００１１】本発明では、ニューラルネットワーク３２
への入力情報３１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が与えられる。ニューラルネッ
トワーク３２は対象図形のカテゴリ情報を教師情報３４
として与えることによって図形の学習を行う。学習が終
了したネットワーク３２は、新たな図形の曲率情報を入
力情報３１として与えられることによって、その新たな
図形の分類処理や認識処理を行うカテゴライジングを行
なう。なお、一般的に入力情報３１、出力情報３３、教
師情報３４はそれぞれ、任意の数の任意の数値で与えら
れる。なお、本発明で用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なく、直感的にわか
りやすくするために、図形の折れ曲がり具合を表現する
意味で曲率情報という用語を用いている。

【００１２】図３は本発明の一実施例の学習処理過程を
説明するための図を示す。同図において、電子計算機２
０に入力されるのは学習用図形１１である。

【００１３】〔ステップＡ１；図形心線（中心線）抽出
処理〕紙の上に描かれた線図形は既存のスキャナ装置を
用いて、電子計算機（以下計算機と呼ぶ）内にディジタ
ル情報として読み込まれる。計算機２０内に読み込まれ
た学習用図形１１（線図形情報）は、従来の技術と同様
の心線化処理（細線化処理）によって、その線図形の１
画素幅の中心線である心線を得ることにより１画素幅の
画素の連結情報である心線情報を得る。

【００１４】〔ステップＡ２；カテゴリ情報付与処理〕
ステップＡ１において読み込まれた学習用図形１１の名
前、分類名称であるカテゴリ情報は、計算機２０に接続
されるキーボード等から入力することにより情報化され
る。

【００１５】〔ステップＡ３；心線画素列抽出処理〕ス
テップＡ１における心線情報より連結された画素列の連
結を追跡することにより、心線画素列情報を得る。

【００１６】〔ステップＡ４；曲率情報算出処理〕心線
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。）で表す。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。

【００１７】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。こ
の図形形状を的確に表現するものとして、曲率情報を抽
出し、用いることが本発明の主眼の一つである。曲率情
報は各画素単位に次のように算出される。

【００１８】図４は本発明の一実施例の曲線情報算出処
理を説明するための図を示す。同図において、画素ｄｉ
の曲率Ｃｉを求める方法を説明する。図４（ａ）に示す
ように、画素ｄｉからｋ個離れた２個の画素
（ｄ_(i-k)，ｄ_(i+k)）を設定し、画素ｄ_(i-k)と画素
ｄ_(i+k)を接続する直線線分をＬ_kとする。次に画素ｄ
_iから直線Ｌ_kへの垂線を描き、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、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≦Ｅになる条件で、上記
ｋの値を１，２，３，…と順次増加させていくときのｋ
の最大値を求め、その最大値をＬとする。そして、同図
（ｂ）に示すように、画素ｄ_(i-L)を視点、画素ｄ_iを
終点とするベクトルをＶ−とし、画素ｄ_iを視点、画素
ｄ_(i+L)を終点とするベクトルをＶ＋とする。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θ_i（角度をラジアンで表し、−π≦θ_i≦π：π
は円周率を表す）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＝θ_i／πで変換した値とする。

【００１９】これにより曲率情報Ｃ_iは、−１．０≦Ｃ
_i≦＋１．０に正規化した値になっている。なお、本発
明では必ずしも、この正規化を行う必要はなく、単にＣ
_i＝θ_iとしても構わない。以上のようにして作成され
た画素列Ｆの曲率情報（Ｆｃとする）は、Ｆｃ＝
｛Ｃ_i｝で表す。

【００２０】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。即ち、画素列
の最初の画素（（ｘ₁，ｙ₁）：始点画素）と、最後の
画素（（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い
て、始点・終点画素よりｄ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。ま
た、上述の予め設定されるパラメータ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。

【００２１】図５は本発明の一実施例の曲線情報の一例
を示す図である。同図は上記のようにして求められた画
素列Ｆの曲率情報Ｆｃの一例であり、同図（ａ）に示す
元の図形を構成する画素数が例えば４００画素であると
き、同図（ｂ）の曲率情報における注視点から２００画
素目の位置をｍ₁，ｍ₂（ｍ₁＝ｍ₂）とする。

【００２２】〔ステップＡ５：特徴点抽出処理〕ステッ
プＡ４の心線画素列抽出処理において求められた画素列
（心線）の曲率情報Ｆｃ＝｛Ｃ_i｝からその対象図形の
特徴点を抽出する。以下に特徴点抽出処理について詳細
に説明する。図５の例のように曲率情報は同図（ａ）の
形状を同図（ｂ）に示すように、凹凸のある曲線的グラ
フで表現される。そのグラフの極大点、極小点を特徴点
として抽出する。即ち、２次元平面上の線図形の凹凸の
変化点を特徴点として算出する。この特徴点の算出方法
は、図５の例により容易に理解できるように、曲率が増
加から減少に変化する点、減少から増加に変化する点を
抽出すればよい。また、隣合う特徴点が大きく離れてい
る場合には、その中央点も特徴点とする。このように特
徴点を抽出する目的は後述するように、本発明では特徴
点の近傍の曲率情報を正規化してニューラルネットワー
ク２１に学習させるが、特徴点に対して任意の所定の距
離をおいた画素の位置の曲率情報をニューラルネットワ
ーク２１に与えるようにすることにより、学習対象情報
の数を減らす効果があり、学習のための処理時間を短縮
させることができる。即ち、各画素毎の近傍の曲率情報
をニューラルネットワーク２１に与えると、学習性能／
学習後の認識性能は向上するが、線図形を構成する画素
数が多くなればなるほど、学習情報（及び認識情報）の
数が増大し、そのために多大な時間が必要となり、実用
性を満足できなくなる恐れがあるためであり、一種の間
引き処理のために特徴点抽出処理を行う必要がある。勿
論、現状の技術の進歩は著しいので、実用上問題がなく
なる程度に、ニューラルネットワーク２１技術（ハード
ウェア／ソフトウェア技術）が進展すれば、また、対象
となる線図形の画素数が少ない場合には、各画素単位の
近傍の曲率情報を学習対象情報／認識対象情報にするこ
とができ、すべての画素を特徴点とすればよい。

【００２３】〔ステップＡ６：特徴点を注視点とした正
規化された曲率情報算出処理（正規化処理）〕ステップ
Ａ５の特徴点抽出処理で求められた特徴点に対してその
特徴点の曲率情報をニューラルネットワーク２１への入
力情報になるように、曲率情報の正規化を行う。

【００２４】以下に正規化処理について詳細に説明す
る。ある任意の図形の特徴的な形状を我々人間が目視、
認識する場合、瞬間的には特徴的な箇所の至近距離の形
状は細かく注視し、その周辺は周辺に行くに従って粗く
眺めていること（人間の視覚／知覚特性）に着目し、上
記の特徴点の近傍の曲率情報は細かく、周辺に行くに従
って粗い曲率情報を求め利用する。即ち、ある特徴点を
注視点（画素）ｄ_mとすると、注視点ｄ_mから図５の曲
率曲線グラフの左右方向に、例えば、１，２，３，４，
５，６，７，…画素間隔毎に分割する。分割された各々
を右方向にＧ₀，Ｇ_R1，Ｇ_R2，Ｇ_R3，Ｇ_R4,…, Ｇ
_Rj ，…とし、左方向にＧ_L0，Ｇ_LL，Ｇ_L2，Ｇ_L3，
Ｇ_L4，…，Ｇ_Lj，…とする。具体的にはこの例では右方
向の各画素は、Ｇ_R0 ：ｄ_m Ｇ_R1 ：ｄ_(m+1)，ｄ_(m+2) Ｇ_R2 ：ｄ_(m+3)〜ｄ_(m+5) Ｇ_R3 ：ｄ_(m+6)〜ｄ_(m+9) Ｇ_R4 ：ｄ_(m+10)〜ｄ_(m+14) Ｇ_R5 ：ｄ_(m+15)〜ｄ_(m+20) … Ｇ_Rj ：ｄ_(m+f(j))〜ｄ_(m+f'(j)) … に分割される。

【００２５】また、左方向の各画素は、Ｇ_L0 ：ｄ_m Ｇ_L1 ：ｄ_(m-1)，ｄ_(m-2) Ｇ_L2 ：ｄ_(m-3)〜ｄ_(m-6) Ｇ_L3 ：ｄ_(m-6)〜ｄ_(m-9) Ｇ_L3 ：ｄ_(m-10)〜ｄ_(m-13) Ｇ_L5 ：ｄ_(m-15)〜ｄ_(m-14) … Ｇ_LJ ：ｄ_(m-f(j))〜ｄ_(m-f'(j)) … に分割される。例えば、上記の例では分割領域Ｇ_R5では
画素ｄ_(m+15)，ｄ_(m+16) _,ｄ_(m+17),…ｄ_(m+20)の６つ
の画素が対応する。このように、特徴点から離れるに従
って粗く分割する。なお、分割の方法は上記の例に限定
されず、取り扱う図形の性質に応じて任意に設定するこ
とができる。また、このように特徴点から離れた周辺の
位置に行くに従って粗く分布した理由は上記の人間の視
覚・知覚特性に着目したのと同時に、ニューラルネット
ワーク２１への入力情報を減少させる効果もある。

【００２６】さらに、それぞれの分割範囲内の曲率情報
Ｃ_iを上記の各画素毎に次のように対応させる。右方向
の画素は、Ｇ_R0 ：Ｃ_m Ｇ_R1 ：Ｃ_(m+1)，Ｃ_(m+2) Ｇ_R2 ：Ｃ_(m+3)〜Ｃ_(m+5) Ｇ_R3 ：Ｃ_(m+6)〜Ｃ_(m+9) Ｇ_R4 ：Ｃ_(m+10)〜Ｃ_(m+14) Ｇ_R5 ：Ｃ_(m+15)〜Ｃ_(m+20) … Ｇ_Rj ：Ｃ_(m+f(j))〜Ｃ_(m+f'(j)) … に対応する。

【００２７】また、左方向の各画素は、Ｇ_L0 ：Ｃ_m Ｇ_L1 ：Ｃ_(m-1)，Ｃ_(m-2) Ｇ_L2 ：Ｃ_(m-3)〜Ｃ_(m-6) Ｇ_L3 ：Ｃ_(m-6)〜Ｃ_(m-9) Ｇ_L3 ：Ｃ_(m-10)〜Ｃ_(m-13) Ｇ_L5 ：Ｃ_(m-15)〜Ｃ_(m-14) … Ｇ_LJ ：Ｃ_(m-f(j))〜Ｃ_(m-f'(j)) … のように対応する。

【００２８】そして、各分割領域毎に、曲率の平均値を
求める。それぞれの曲率情報をＣ_R0，Ｃ_R1，Ｃ_R2，
Ｃ_R3，Ｃ_R4，…，Ｃ_Rj，…，及びＣ_L0，Ｃ_L1，Ｃ_L2，Ｃ
_L3,Ｃ_L4，…Ｃ_Lj，…とした場合、例えば曲率Ｃ_R4はＣ_R4＝（Ｃ_(m+10)＋Ｃ_(m+11)＋Ｃ_(m+12)＋Ｃ_(m+13)＋Ｃ
_(m+14)）／４で求める。

【００２９】ここで、注視点Ｃ_R0とＣ_L0を同一のものと
して、左右方向に２０分割領域を設定するとして、その
場合の曲率情報は、右方向に、｛Ｃ_R1，Ｃ_R2，…，Ｃ
_R20，｝（＝｛Ｃ_R20｝）個の分割範囲単位の曲率情報
とする。及び左方向に、｛Ｃ_L1，Ｃ_L2，…，Ｃ_L20，｝
（＝｛Ｃ_L20｝）個の分割範囲単位の曲率情報とする。
従って、総計４１個の曲率情報を得る。上記の曲率情報
｛｛Ｃ_L20｝，Ｃ _Ro，｛Ｃ_R20｝｝が正規化された曲率
情報であり、ニューラルネットワーク２１の入力情報と
なる。なお、任意の個数の分割数を設定する場合、
｛｛Ｃ_L｝，Ｃ _R0，｛Ｃ_R｝｝で表す。

【００３０】〔ステップＡ７：ニューラルネットワーク
学習制御処理〕次に、上記のように特徴点毎に正規化さ
れた曲率情報｛｛Ｃ_L｝，Ｃ_R0，｛Ｃ _R｝｝をニューラ
ルネットワーク２１に入力情報として与え、前述のカテ
ゴリ情報をステップＡ２のカテゴリ情報付与処理により
ニューラルネットワーク２１の教師情報として与える誤
差逆伝搬法等により、入力情報を自動的にニューラルネ
ットワーク２１に学習処理を行わせる。また、１個の学
習用図形が複数個の特徴点を有する場合には、その複数
個の特徴点の正規化された曲率情報をニューラルネット
ワーク２１に与えて学習させる。

【００３１】〔ステップＡ８：複数個図形学習制御処
理〕学習対象図形が複数個存在する場合には、その各々
の学習用図形毎に、且つ個々の学習用図形内の特徴点毎
に正規化された曲率情報をニューラルネットワーク２１
に与え、学習処理を行う。ニューラルネットワーク２１
は一度入力情報及び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、何度も繰り返し学習処
理させる必要がある。これは、人間が幼児時期に何度も
図形（絵）を見ることによって除々にその図形を知覚で
きるようになることに類似している。即ち、学習が終了
するまで本手順を繰り返す。学習の終了はニューラルネ
ットワーク２１に入力情報を与え処理したとき、その出
力として得られる出力情報を教師情報との差分（誤差）
総和が最小になり、且つその差分総和に変化が殆ど無く
なる時である。

【００３２】上記の学習過程の処理手順により、複数個
の学習用図形の学習処理が終了し、ニューラルネットワ
ーク２１は複数個の図形を学習したことになる（覚え込
んだことになる）。

【００３３】次に、上記のニューラルネットワーク２１
を用いて別途作成される認識用の図形の認識について説
明する。図７は本発明の一実施例の認識過程を説明する
ための図である。

【００３４】〔ステップＢ９：認識図形の正規化曲率情
報算出制御処理〕まず、ニューラルネットワーク２１に
より作成された認識用図形１２を用いて前述のステップ
Ａ１からステップＡ６までの処理を行い、認識用図形１
２の正規化された曲率情報を算出する。

【００３５】〔ステップＢ１０：ニューラルネットワー
ク認識制御処理〕ステップＢ９の認識図形の正規化曲率
情報算出制御処理で得られた認識用図形の正規化された
曲率情報を学習を終了したニューラルネットワーク２１
の入力情報として入力することにより、ニューラルネッ
トワーク２１は認識処理を行う。認識処理の結果、ニュ
ーラルネットワーク２１の出力情報を得る。

【００３６】学習処理時、教師情報としてカテゴリ情報
を設定しているため、ステップＢ１０での認識処理時の
出力情報は、ニューラルネットワーク２１に与えた認識
用図形のカテゴリ情報として得ることができる。即ち、
先にニューラルネットワーク２１に種々の学習をさせた
図形のどの図形に最も類似しているかという情報を出力
情報として得ることができ、これにより、図形認識を行
うことができる。

【００３７】なお、上記の実施例では、学習対象図形、
認識対象図形をスキャナ装置等から紙の上に描かれた図
形を読み込み、計算機２０に入力しているが、マウスや
タブレット装置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機に入力した図形情報
であっても、その図形の心線（中心線）を上記の画素列
として容易に得ることができる（直接描画される図形の
軌跡（座標値列）を画素列情報に容易に変換可能）。こ
の場合、描画図形が途中で交差しても構わない。また、
他の方法を用いた場合でも対象図形の心線が上述した画
素列として得られる限り、本発明に適用できる。

【００３８】さらに、上述の実施例では、ループを描く
図形を例にとり説明したが、開いた図形、すなわち、図
形の心線画素列の始点と終点が一致しない図形の場合で
も上記の実施例同様に曲率情報を容易に得ることができ
る。

【００３９】

【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ニューラルネットワー
クを利用して学習させ、その学習されたニューラルネッ
トワークにより別途作成される図形を認識する方式であ
るので、従来のように、図形形状毎に対応する図形認識
用のソフトウェアを作成しなくとも図形の自動認識が実
現できるため、ソフトウェア開発に伴う費用及び時間が
削減できる。

【図面の簡単な説明】

【図１】本発明の原理説明図である。

【図２】ニューラルネットワークの原理構造を示す図で
ある。

【図３】本発明の一実施例の学習過程までを説明するた
めの図である。

【図４】本発明の一実施例の曲線情報算出処理を説明す
るための図である。

【図５】本発明の一実施例の曲線情報の一例を示す図で
ある。

【図６】本発明の一実施例の認識過程を説明するための
図である。

【符号の説明】

１図形心線抽出手段２カテゴリ情報付与手段３心線画素列抽出手段４曲線情報算出手段５特徴点抽出手段６正規化手段７対象図形学習手段８学習制御手段９正規化曲率算出手段１０認識結果出力手段１１学習用図形１２認識用図形２０計算機２１ニューラルネットワーク

Claims

【特許請求の範囲】

【請求項１】線図形からその図形の中心線を求める図
形心線抽出手段と、前記線図形のカテゴリ情報を付与するカテゴリ情報付与
手段と、前記図形心線抽出手段で求められた前記図形の中心線を
画素列として抽出する心線画素列抽出手段と、前記図形の形状構造を表現するための曲率情報を前記画
素列の各画素毎に求める曲線情報算出手段と、前記曲線情報算出手段で求められた前記曲率情報が変化
する点を特徴点として抽出する特徴点抽出手段と、前記特徴点抽出手段で求められた前記特徴点の近傍の曲
率情報を正規化することによりニューラルネットワーク
の入力情報を生成する正規化手段と、前記正規化手段で得られた正規化された前記曲率情報
と、前記カテゴリ情報付与手段で得られた対象図形の前
記カテゴリ情報とを前記ニューラルネットワークに入力
し、前記ニューラルネットワークに対象図形を学習させ
る対象図形学習手段と、前記図形心線抽出手段から前記対象図形学習手段までを
用いて複数個の前記対象図形を前記ニューラルネットワ
ークに学習させる複数個図形学習制御手段と、前記ニューラルネットワークにより作成される認識用図
形を用いて前記カテゴリ情報付与手段を除く前記図形心
線抽出手段から前記正規化手段の各手段により該認識用
図形の正規化された曲率情報を求める正規化曲率算出手
段と、前記正規化曲率算出手段により得られた前記曲率情報を
前記ニューラルネットワークに入力し、前記ニューラル
ネットワークからの出力情報から前記認識用図形の認識
結果情報を得るニューラルネットワーク認識制御手段と
を有することを特徴とする図形形状学習認識方式。