JP2000242659A - Method and device for normalizing feature value in similar retrieval, and storage medium stored with similar retrieval feature value normalizing program - Google Patents
Method and device for normalizing feature value in similar retrieval, and storage medium stored with similar retrieval feature value normalizing programInfo
- Publication number
- JP2000242659A JP2000242659A JP11043664A JP4366499A JP2000242659A JP 2000242659 A JP2000242659 A JP 2000242659A JP 11043664 A JP11043664 A JP 11043664A JP 4366499 A JP4366499 A JP 4366499A JP 2000242659 A JP2000242659 A JP 2000242659A
- Authority
- JP
- Japan
- Prior art keywords
- feature amount
- feature
- similarity search
- calculating
- value
- 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.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、類似検索における
特徴量の正規化方法及び装置及び類似検索特徴量正規化
プログラムを格納した記憶媒体に係り、特に、マルチメ
ディア情報システムにおいて、類似画像検索、類似オブ
ジェクト検索、類似音楽検索などのような特徴量を使っ
た類似検索を行う場合や、それらの特徴量を使ったクラ
スタリングを行う場合に、種類の異なる複数の特徴量間
の重みを統合する類似検索における特徴量の正規化方法
及び装置及び類似検索特徴量正規化プログラムを格納し
た記憶媒体に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method and an apparatus for normalizing feature amounts in similarity search and a storage medium storing a similarity search feature amount normalization program. When performing similarity search using feature amounts such as similar object search and similar music search, and when performing clustering using those feature amounts, similarity that integrates the weights of multiple different types of feature amounts The present invention relates to a method and apparatus for normalizing feature values in a search and a storage medium storing a similar search feature value normalization program.
【０００２】[0002]
【従来の技術】これまで、多数の類似検索システムが実
現されている。InformixのVIR や、ＮＴＴのExSight な
ど、複数の特徴量を持ち、それらの重みを調整すること
で、より高い精度の検索結果を求めるシステムが存在す
る（参考； 串間和彦、画像の内容検索技術の動向、ア
ドバンストデータベースシンポジウム９７、情報処理学
会データベースシステム研究会、１９９７）。2. Description of the Related Art Many similarity search systems have been realized. There are systems that have multiple features, such as VIR of Informix and ExSight of NTT, and obtain higher precision search results by adjusting their weights (Reference: Kazuhiko Kushima, Image Content Retrieval Technology Trends, Advanced Database Symposium 97, Information Processing Society of Japan Database System Study Group, 1997).
【０００３】画像検索を例として考えた場合、特徴量と
しては、以下のように、色相、彩度、輝度、大きさ、位
置、長さ、角度等、多種のものが存在する。これらの特
徴量は、相互比較を可能にするため、その特徴量毎に正
規化が行われている。例えば、最も単純な場合、輝度
は、その特徴量として輝度値の分布情報を用いる。つま
り、ある２５６階調の画像に関し、画素値０がＸ0 ドッ
ト、…、画素値２５５がＸ255 ドットずつある時、（Ｘ
0 ，…，Ｘ255 ）を特徴量と考える。しかし、異なる画
像から得られた複数の特徴量を比較するには適切でな
い。上記の特徴量は画像の大きさに依存するからであ
る。そこで、一般には、画像の面積を１．０とした場合
の値に変換する。When image retrieval is considered as an example, there are various types of features such as hue, saturation, luminance, size, position, length, and angle as described below. These feature values are normalized for each feature value so as to enable mutual comparison. For example, in the simplest case, the luminance uses distribution information of the luminance value as its feature amount. That is, for an image of 256 gradations, when the pixel value 0 is X 0 dots,..., And the pixel value 255 is X 255 dots, (X
0 ,..., X 255 ) are considered as feature quantities. However, it is not appropriate to compare a plurality of feature amounts obtained from different images. This is because the above feature amount depends on the size of the image. Therefore, in general, the value is converted to a value when the area of the image is 1.0.
【０００４】この特徴量毎の正規化により、同一特徴量
内の各データ間で有意な比較が可能になる。以下に特徴
量毎に説明する。 （１） 色相、彩度、輝度；図１０は、従来の輝度に関
する特徴量の計算を説明するための図である。色相や彩
度についても全く同様に処理できるため、説明は省略す
る。１２×１４ドットの画像内に人の絵が３色（白、灰
色、黒）で書かれていたとする。このとき、特徴量はそ
れらの画素数、つまり、白が１０４ドット、灰色が２１
ドット、黒が４３ドットなので、（１０４，２１，４
３）となる。その特徴量をヒストグラムで同図右に示し
ている。[0004] The normalization for each feature value enables significant comparison between data within the same feature value. The following describes each feature amount. (1) Hue, saturation, and luminance; FIG. 10 is a diagram for explaining calculation of a feature amount related to luminance in the related art. Hue and saturation can be processed in exactly the same way, and the description is omitted. It is assumed that a picture of a person is written in three colors (white, gray, and black) in an image of 12 × 14 dots. At this time, the feature amount is the number of those pixels, that is, white is 104 dots and gray is 21 dots.
Since the dots and black are 43 dots, (104, 21, 4
3). The feature amount is shown in the histogram on the right side of FIG.
【０００５】次に、画像面積で正規化を行う。画像面積
は、１６８ドットであるため、それを１．０にするため
に各特徴量内の値を１６８で割る。得られた（０．６１
９，０．２５６，０．１２５）が輝度の正規化後の特徴
量となる。なお、画像面積ではなく、画像オブジェクト
面積で正規化する場合もあるが、背景の扱いを除き同様
に可能である。Next, normalization is performed on the image area. Since the image area is 168 dots, the value in each feature amount is divided by 168 to make it 1.0. Obtained (0.61
9, 0.256, 0.125) are the feature amounts after the luminance is normalized. In some cases, normalization is performed based on the area of an image object instead of the area of an image.
【０００６】（２） 大きさ；図１１は、従来の大きさ
に関する特徴量の計算を説明するための図である。大き
さは、画像オブジェクトの面積（＝画素数）として扱
う。つまり、図１０の灰色の画素と黒の画素に対応し、
１次元の特徴量（６４）となる。次に、画像面積で正規
化を行う。画像面積は１６８ドットであるため、それを
１．０にするため、各特徴量内の値を１６８で割る。得
られた（０．３８０）が大きさの正規化後の特徴量とな
る。(2) Size: FIG. 11 is a diagram for explaining a conventional calculation of a feature value related to size. The size is handled as the area (= number of pixels) of the image object. That is, they correspond to the gray pixels and the black pixels in FIG.
This is a one-dimensional feature quantity (64). Next, normalization is performed using the image area. Since the image area is 168 dots, the value in each feature amount is divided by 168 to make it 1.0. The obtained (0.380) is the feature amount after the magnitude normalization.
【０００７】（３） 重心位置，外接矩形位置；図１２
は、従来の重心位置と外接矩形位置に関する特徴量の計
算を説明するための図である。重心は、その座標位置が
その特徴量となる。図１２の場合には、（６．５，８．
５）としている。次に正規化を行う。座標については、
その座標（各辺）の最大値を１．０とする正規化を行
う。画像サイズは、１２×１４であるため、６．５を１
２で割った０．５４２と、８．５を１４で割った０．６
０７、つまり、（０．５４２，０．６０７）が正規化後
の特徴量となる。(3) Position of center of gravity, position of circumscribed rectangle; FIG.
FIG. 5 is a diagram for explaining a conventional calculation of a feature amount related to the position of the center of gravity and the position of a circumscribed rectangle. The coordinate position of the center of gravity is the feature amount. In the case of FIG. 12, (6.5, 8,.
5). Next, normalization is performed. For coordinates,
Normalization is performed with the maximum value of the coordinates (each side) set to 1.0. Since the image size is 12 × 14, 6.5 is 1
0.542 divided by 2 and 0.6 divided by 8.5
07, that is, (0.542, 0.607) is the normalized feature value.
【０００８】外接矩形位置に関しては、左上の座標位置
と右上の座標位置のペアになり、それぞれ重心位置の場
合と同様に処理され（０．２０８，０．２５，０．８７
５、０．９６４）となる。 （４） 長さ；図１３は、従来の直線長に関する特徴量
の計算を説明するための図である。同図のように視点
（２．５、１３．５）、終点（１０．５，３．５）とす
る直接はその長さが１次元の特徴量（１２．８）とな
る。The circumscribed rectangular position is a pair of an upper left coordinate position and an upper right coordinate position, and is processed in the same manner as in the case of the center of gravity position (0.208, 0.25, 0.87).
5, 0.964). (4) Length; FIG. 13 is a diagram for explaining a conventional calculation of a feature amount related to a linear length. As shown in the figure, the viewpoint (2.5, 13.5) and the end point (10.5, 3.5) directly have a one-dimensional feature amount (12.8) in length.
【０００９】次に、正規化を行うが、長さに関しては、
短辺長、長辺長、対角線長のいずれを基準にするかによ
って値が変わる。短辺長（１１．０）を基準にした場合
には、（１．１６４）、長辺長（１３．０）を基準にし
た場合には、（０．９８５）、対角線長（１７．０）を
基準にした場合には、（０．７５３）が正規化後の特徴
量となる。Next, normalization is performed. Regarding the length,
The value changes depending on whether the short side length, the long side length, or the diagonal length is used as a reference. (1.164) when the short side length (11.0) is based, (0.985) when the long side length (13.0) is based, and the diagonal length (17.0) ), (0.753) is the normalized feature value.
【００１０】（５）その他；角度の場合には、１８０度
を１．０とする正規化を行う。また、外接円から距離を
使った形の特徴量の場合には半径を１．０とする正規化
を行うなど、多数の特徴量とその正規化手法が存在す
る。一般に、個々の特徴量を独立に扱う場合には、上記
に述べたような特徴量の正規化で問題ない。(5) Others: In the case of an angle, normalization is performed with 180 degrees as 1.0. In addition, in the case of a feature using a distance from a circumscribed circle, there are a large number of features and a method of normalizing the feature, such as performing normalization with a radius of 1.0. In general, when individual feature values are handled independently, there is no problem in feature value normalization as described above.
【００１１】[0011]
【発明が解決しようとする課題】現在の類似検索システ
ムの多くは複数の特徴量を持ち、それらを総合して類似
するもの（画像や音楽）を検索する。複数の特徴量を総
合する場合、例えば、その線形和等を算出することにな
るが、その特徴量の値域、スケール（軸のメモリの間
隔）、そのデータ分布が統一されていない場合に、非常
に扱い難いという問題がある。Many of the current similarity search systems have a plurality of feature amounts, and search for similarities (images and music) by integrating them. When a plurality of features are integrated, for example, a linear sum of the features is calculated. However, if the range of the features, the scale (interval of the memory of the axis), and the data distribution are not unified, an There is a problem that is difficult to handle.
【００１２】例えば、色特徴量の重視や大きさ特徴量の
重視というように、個々の特徴量の重み（重視度）を人
手で調整しながら検索する場合に、それぞれの特徴量の
値域とスケールの不一致（例えば、色特徴量は最大値が
２５５で、形特徴量は最大値が１．０等）は利用者の重
み調整を困難にする。また、人が介在せず自動的に重み
を調整する場合や、特徴量によるクラスタリング等を行
う場合にも同様に障害となる。For example, when a search is performed while manually adjusting the weights (weights) of individual feature values, such as emphasis on color feature values and importance on size feature values, the value range and scale of each feature value are adjusted. (For example, the maximum value of the color feature value is 255 and the maximum value of the shape feature value is 1.0) makes it difficult for the user to adjust the weight. Similarly, there are obstacles in the case where weights are automatically adjusted without human intervention, or in the case of performing clustering or the like based on feature amounts.
【００１３】本発明は、上記の点に鑑みなされたもの
で、特徴量の値域、スケール、分布の正規化の手法を与
え、さらに、それを利用した類似検索システムを実現す
るための類似検索における特徴量の正規化方法及び装置
及び類似検索特徴量正規化プログラムを格納した記憶媒
体を提供することを目的とする。The present invention has been made in view of the above points, and provides a method of normalizing a range, a scale, and a distribution of a feature amount, and further provides a similarity search system for realizing a similarity search system using the same. It is an object of the present invention to provide a feature amount normalizing method and apparatus, and a storage medium storing a similar search feature amount normalizing program.
【００１４】[0014]
【課題を解決するための手段】本発明（請求項１）は、
類似検索システムの特徴量を計算する類似検索における
特徴量の正規化方法において、画像や画像内のオブジェ
クトを、該画像や該オブジェクトの面積や画素数を特徴
量として計算する際に、特徴量の平方根をとる。Means for Solving the Problems The present invention (claim 1) provides:
In a feature amount normalization method in a similarity search for calculating a feature amount of a similar search system, when calculating an image or an object in an image as a feature amount of the image or the area or the number of pixels of the object, Take the square root.
【００１５】本発明（請求項２）は、類似検索システム
の特徴量を計算する類似検索における特徴量の正規化方
法において、３次元オブジェクトの体積を特徴量として
計算する際に、特徴量の立方根をとる。本発明（請求項
３）は、類似検索システムの特徴量を計算する類似検索
における特徴量の正規化方法において、（Ｘ1 ，…，Ｘ
n ）のｎ次元特徴量が存在し、該特徴量の最大値がＭの
場合に、２ｎ次元の特徴量（Ｘ1 ／ｎＭ，（Ｍ−Ｘ1 ）
／ｎＭ，…，Ｘn ／ｎＭ，（Ｍ−Ｘn ）／ｎＭ）を特徴
量とする。According to a second aspect of the present invention, there is provided a method for normalizing a feature amount in a similarity search for calculating a feature amount of a similarity search system, wherein the volume of a three-dimensional object is calculated as the feature amount, Take. The present invention (Claim 3) provides a feature amount normalization method in a similarity search for calculating a feature amount of a similarity search system, wherein (X 1 ,..., X
n ), there is an n-dimensional feature quantity, and when the maximum value of the feature quantity is M, a 2n-dimensional feature quantity (X 1 / nM, (M−X 1 ))
/ NM,..., X n / nM, (M−X n ) / nM) are set as the feature amounts.
【００１６】本発明（請求項４）は、類似検索システム
の特徴量を計算する類似検索における特徴量の正規化方
法において、（Ｘ1 ，…，Ｘn ）のｎ次元特徴量が存在
し、該特徴量の最大値がＭの場合に、ｎ＋１次元の特徴
量According to a fourth aspect of the present invention, there is provided a method for normalizing feature amounts in a similarity search for calculating feature amounts of a similarity search system, wherein an n-dimensional feature amount of (X 1 ,..., X n ) exists. When the maximum value of the feature amount is M, an n + 1-dimensional feature amount
【００１７】[0017]
【数４】 (Equation 4)
【００１８】を特徴量とする。本発明（請求項５）は、
類似検索システムの特徴量を計算する類似検索における
特徴量の正規化方法において、類似検索システム内にお
いて、類似検索のための従来の特徴量をそのまま特徴量
記憶手段に保持し、類似度を計算する際に、特徴量記憶
手段に保持されている特徴量の平方根をとることによ
り、画像や画像内のオブジェクトを、該画像や該オブジ
ェクトの面積や画素数を特徴量として計算する。Is a feature value. The present invention (claim 5)
In a feature amount normalization method for similarity search for calculating a feature amount of a similarity search system, in a similarity search system, a conventional feature amount for similarity search is held in a feature amount storage unit as it is and a similarity is calculated. At this time, an image or an object in the image is calculated as a feature amount by taking the square root of the feature amount held in the feature amount storage means.
【００１９】本発明（請求項６）は、類似検索システム
の特徴量を計算する類似検索における特徴量の正規化方
法において、類似検索システム内において、類似検索の
ための従来の特徴量をそのまま特徴量記憶手段に保持
し、類似度を計算する際に、特徴量記憶手段に保持され
ている特徴量の立方根をとることで３次元オブジェクト
の体積を特徴量として計算する。According to a sixth aspect of the present invention, there is provided a feature amount normalization method in a similarity search for calculating a feature amount of a similarity search system, wherein the conventional feature amount for the similarity search is directly used in the similarity search system. When calculating the similarity, the volume of the three-dimensional object is calculated as a feature amount by taking the cubic root of the feature amount held in the feature amount storage unit.
【００２０】本発明（請求項７）は、類似検索システム
の特徴量を計算する類似検索における特徴量の正規化方
法において、データが追加される毎、または、特徴量記
憶手段のデータの更新周期毎に、特徴量の平均値、また
は、該特徴量の平均値及び分散の両方を求め、特徴量の
平均値、または、該特徴量の平均値及び分散の両方を利
用して、特徴量の値を正規化補正する。According to a seventh aspect of the present invention, there is provided a feature amount normalizing method for calculating a feature amount of a similarity search system, wherein each time data is added, or a data update cycle of the feature amount storage means. For each time, the average value of the feature amount, or both the average value and the variance of the feature amount are obtained, and the average value of the feature amount, or both the average value and the variance of the feature amount, are used to calculate the feature amount. Normalize and correct the value.
【００２１】本発明（請求項８）は、類似検索システム
の特徴量を計算する類似検索における特徴量の正規化装
置であって、画像や画像内のオブジェクトを、該画像や
該オブジェクトの面積や画素数を特徴量として計算する
特徴量計算手段は、特徴量の平方根をとる第１の特徴量
計算手段を有する。[0021] The present invention (claim 8) is a feature amount normalizing apparatus for similarity search for calculating a feature amount of a similarity search system, wherein an image or an object in the image is converted into an area of the image or the object. The feature value calculating means for calculating the number of pixels as a feature value has first feature value calculating means for calculating the square root of the feature value.
【００２２】本発明（請求項９）は、類似検索システム
の特徴量を計算する類似検索における特徴量の正規化装
置であって、３次元オブジェクトの体積を特徴量として
計算する特徴量計算手段は、特徴量の立方根をとる第２
の特徴量計算手段を有する。本発明（請求項１０）は、
類似検索システムの特徴量を計算する類似検索における
特徴量の正規化装置であって、（Ｘ1 ，…，Ｘn ）のｎ
次元特徴量が存在し、該特徴量の最大値がＭの場合に、
２ｎ次元の特徴量（Ｘ1 ／ｎＭ，（Ｍ−Ｘ1 ）／ｎＭ，
…，Ｘn ／ｎＭ，（Ｍ−Ｘn ）／ｎＭ）を特徴量とする
第３の特徴量計算手段を有する。According to a ninth aspect of the present invention, there is provided a feature amount normalizing apparatus for calculating a feature amount of a similarity search system, wherein the feature amount calculating means for calculating a volume of a three-dimensional object as a feature amount is provided. , Taking the cube root of the feature
Characteristic amount calculation means. The present invention (claim 10)
An apparatus for normalizing a feature amount in a similarity search for calculating a feature amount of a similarity search system, wherein n of (X 1 ,..., X n )
When a dimensional feature quantity exists and the maximum value of the feature quantity is M,
2n-dimensional features (X 1 / nM, (M−X 1 ) / nM,
, X n / nM, (M−X n ) / nM).
【００２３】本発明（請求項１１）は、類似検索システ
ムの特徴量を計算する類似検索における特徴量の正規化
装置であって、（Ｘ1 ，…，Ｘn ）のｎ次元特徴量が存
在し、該特徴量の最大値がＭの場合に、ｎ＋１次元の特
徴量The present invention (claim 11) is a feature amount normalizing apparatus for calculating a feature amount of a similarity search system, wherein an n-dimensional feature amount of (X 1 ,..., X n ) exists. When the maximum value of the feature amount is M, the n + 1-dimensional feature amount
【００２４】[0024]
【数５】 (Equation 5)
【００２５】を特徴量とする第４の特徴量計算手段を有
する。本発明（請求項１２）は、類似検索システムの特
徴量を計算する類似検索における特徴量の正規化装置で
あって、類似検索システム内において、類似検索のため
の従来の特徴量を保持する特徴量記憶手段と、類似度計
算時において、画像や画像内のオブジェクトを、該画像
や該オブジェクトの面積や画素数を特徴量として計算す
る際に、特徴量記憶手段に保持されている特徴量の平方
根をとる第５の特徴量計算手段とを有する。There is provided a fourth feature value calculating means having the following feature value. The present invention (Claim 12) is a feature amount normalizing apparatus in a similarity search for calculating a feature amount of a similarity search system, wherein a feature holding a conventional feature amount for a similarity search in the similarity search system. The amount storage means and the feature amount stored in the feature amount storage means when calculating an image or an object in the image as a feature amount when calculating the similarity. Fifth feature value calculating means for taking a square root.
【００２６】本発明（請求項１３）は、類似検索システ
ムの特徴量を計算する類似検索における特徴量の正規化
装置であって、類似検索システム内において、類似検索
のための従来の特徴量を保持する特徴量記憶手段と、類
似度計算時において、３次元オブジェクトの体積を特徴
量として計算する際に、特徴量記憶手段に保持されてい
る特徴量の立方根をとる第６の特徴量計算手段とを有す
る。The present invention (claim 13) is a feature amount normalizing apparatus for similarity search for calculating feature amounts of a similarity search system, wherein a conventional feature amount for similarity search is used in a similarity search system. A feature amount storing means for holding, and a sixth feature amount calculating means for taking a cubic root of the feature amount held in the feature amount storing means when calculating the volume of the three-dimensional object as the feature amount at the time of similarity calculation And
【００２７】本発明（請求項１４）は、類似検索システ
ムの特徴量を計算する類似検索における特徴量の正規化
装置であって、データが追加される毎、または、特徴量
記憶手段のデータの更新周期毎に、特徴量の平均値、ま
たは、該特徴量の平均値及び分散の両方を求め、該特徴
量の平均値、または、該特徴量の平均値及び分散の両方
を利用して、特徴量の値を正規化補正する補正手段を有
する。The present invention (claim 14) is a feature amount normalizing apparatus for calculating a feature amount of a similarity search system, wherein each time data is added or data of a feature amount For each update cycle, the average value of the feature amount, or both the average value and the variance of the feature amount are obtained, and the average value of the feature amount, or both the average value and the variance of the feature amount are used. There is a correction means for normalizing and correcting the value of the feature amount.
【００２８】本発明（請求項１５）は、類似検索システ
ムの特徴量を計算する類似検索における特徴量の正規化
プログラムを格納した記憶媒体であって、画像や画像内
のオブジェクトを、該画像や該オブジェクトの面積や画
素数を特徴量として計算する際に、特徴量の平方根をと
る第１の特徴量計算プロセスを有する。The present invention (claim 15) is a storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein an image or an object in the image is stored in the storage medium. When calculating the area or the number of pixels of the object as a feature amount, a first feature amount calculation process for calculating a square root of the feature amount is provided.
【００２９】本発明（請求項１６）は、類似検索システ
ムの特徴量を計算する類似検索における特徴量の正規化
プログラムを格納した記憶媒体であって、３次元オブジ
ェクトの体積を特徴量として計算する際に、特徴量の立
方根をとる第２の特徴量計算プロセスを有する有する。
本発明（請求項１７）は、類似検索システムの特徴量を
計算する類似検索における特徴量の正規化プログラムを
格納した記憶媒体であって、（Ｘ1 ，…，Ｘn ）のｎ次
元特徴量が存在し、該特徴量の最大値がＭの場合に、２
ｎ次元の特徴量（Ｘ1 ／ｎＭ，（Ｍ−Ｘ1 ）／ｎＭ，
…，Ｘn ／ｎＭ，（Ｍ−Ｘn ）／ｎＭ）を特徴量とする
第３の特徴量計算プロセスを有する。The present invention (claim 16) is a storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein the volume of a three-dimensional object is calculated as a feature amount. In this case, the method has a second feature value calculation process that takes the cubic root of the feature value.
The present invention (claim 17) is a storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein the n-dimensional feature amount of (X 1 ,..., X n ) Exists, and the maximum value of the feature amount is M, 2
n-dimensional features (X 1 / nM, (M−X 1 ) / nM,
, X n / nM, (M−X n ) / nM).
【００３０】本発明（請求項１８）は、類似検索システ
ムの特徴量を計算する類似検索における特徴量の正規化
プログラムを格納した記憶媒体であって、（Ｘ1 ，…，
Ｘn ）のｎ次元特徴量が存在し、該特徴量の最大値がＭ
の場合に、ｎ＋１次元の特徴量The present invention (claim 18) is a storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein (X 1 ,...,
X n ) exists, and the maximum value of the feature amount is M
In the case of
【００３１】[0031]
【数６】 (Equation 6)
【００３２】を特徴量とする第４のプロセスを有する。
本発明（請求項１９）は、類似検索システムの特徴量を
計算する類似検索における特徴量の正規化プログラムを
格納した記憶媒体であって、画像や画像内のオブジェク
トを、該画像や該オブジェクトの面積や画素数を特徴量
として計算する際に、類似検索システム内において、類
似検索のための従来の特徴量を保持する特徴量記憶手段
に保持されている特徴量の平方根をとる第５の特徴量計
算プロセスを有する。There is provided a fourth process in which the feature value is set as a feature value.
The present invention (Claim 19) is a storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein an image or an object in the image is stored in the storage medium. When calculating an area or the number of pixels as a feature quantity, a fifth feature that takes the square root of the feature quantity stored in a feature quantity storage unit that holds a conventional feature quantity for similarity search in a similarity search system. Has a quantity calculation process.
【００３３】本発明（請求項２０）は、類似検索システ
ムの特徴量を計算する類似検索における特徴量の正規化
プログラムを格納した記憶媒体であって、３次元オブジ
ェクトの体積を特徴量として計算する際に、類似検索シ
ステム内において、類似検索のための従来の特徴量を保
持する特徴量記憶手段に保持されている特徴量の立方根
をとる第６の特徴量計算プロセスを有する。The present invention (claim 20) is a storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein the volume of a three-dimensional object is calculated as a feature amount. At this time, in the similarity search system, there is provided a sixth feature amount calculation process for taking the cubic root of the feature amount held in the feature amount storage unit that holds the conventional feature amount for similarity search.
【００３４】本発明（請求項２１）は、類似検索システ
ムの特徴量を計算する類似検索における特徴量の正規化
プログラムを格納した記憶媒体であって、データが追加
される毎、または、特徴量記憶手段のデータの更新周期
毎に、特徴量の平均値、または、該特徴量の平均値及び
分散の両方を求め、該特徴量の平均値、または、該特徴
量の平均値及び分散の両方を利用して、特徴量の値を正
規化補正する補正プロセスを有する。The present invention (claim 21) is a storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein each time data is added, or The average value of the feature amounts, or both the average value and the variance of the feature amounts, are obtained for each update cycle of the data in the storage unit, and the average value of the feature amounts, or both the average value and the variance of the feature amounts, are obtained. And a correction process for normalizing and correcting the value of the feature value using
【００３５】上記のように、画像や空間のオブジェクト
等は一般に小さいものほどその個数が多いという特性が
ある。そこで、小さいものに関するスケールを引き延ば
す処理として、画像や画像内のオブジェクトをその面積
や画素数を特徴量として、当該特徴量の平方根をとる。
また、３次元オブジェクトの体積を特徴量とした場合に
は立方根をとる。また、画素数による正規化等の異なる
正規化方法との組み合わせが可能である。As described above, there is a characteristic that the smaller the image, the object in the space, and the like, the larger the number is generally. Therefore, as a process for extending the scale of a small object, the square root of the feature amount is calculated by using the area or the number of pixels of the image or the object in the image as the feature amount.
When the volume of a three-dimensional object is used as a feature amount, a cubic root is taken. Further, a combination with a different normalization method such as normalization based on the number of pixels is possible.
【００３６】また、総和で１．０にする正規化手法を標
準と考え、総和が１．０にならない特徴量は、総和が
１．０になるように強制変換を行うことで統一を図るも
のである。類似検索システムの特徴量の計算時に、最大
値がＭでｎ次元の特徴量（Ｘ1 ，…，Ｘn ）に対し、２
ｎ次元の特徴量（Ｘ1 ／ｎＭ，（Ｍ−Ｘ1 ）／ｎＭ，
…，Ｘn ／ｎＭ，（Ｍ−Ｘn ）／ｎＭ）を新たな特徴量
として計算する。この結果、当然、最小値は０で、最大
値は１．０となる。The normalization method of summing to 1.0 is considered as a standard, and the feature quantity whose sum does not become 1.0 is unified by performing forcible conversion so that the sum becomes 1.0. It is. When calculating the feature amount of the similarity search system, the maximum value is M and the n-dimensional feature amount (X 1 ,..., X n ) is 2
n-dimensional features (X 1 / nM, (M−X 1 ) / nM,
.., X n / nM, (M−X n ) / nM) are calculated as new feature amounts. As a result, the minimum value is naturally 0 and the maximum value is 1.0.
【００３７】また、類似検索システム内において、従来
の類似検索のための特徴量の代わりに、作成した特徴量
をＤＢ（記憶手段）内に格納し、それを用いて、類似検
索を実現することが一般的に考えられるが、しかし、こ
の方法には、以下の２つの問題がある。 特徴量として冗長な情報を持つため、記憶域の面で
効率が悪い。Further, in the similarity search system, instead of the conventional feature amount for similarity search, the created feature amount is stored in a DB (storage means), and the similarity search is realized by using it. However, this method has the following two problems. Since it has redundant information as a feature, it is inefficient in terms of storage area.
【００３８】 既存の特徴量を捨て、新たな特徴量の
全てを計算しなければならいため、データベースまた
は、システムの移行にコストがかかる。そこで、本発明
は、類似検索システム内において、類似検索のための従
来の特徴量をそのままデータベース（記憶手段）に保持
しておき、特徴量による類似度計算の時点で利用して、
類似検索を実現する。Since it is necessary to discard existing features and calculate all new features, it is costly to migrate a database or a system. Therefore, in the present invention, in a similarity search system, a conventional feature amount for similarity search is held in a database (storage means) as it is and used at the time of similarity calculation based on the feature amount.
Implement similar search.
【００３９】さらに、特徴量の分布を標準化する方法と
して、データが追加される毎、または、特徴量データの
更新周期毎に、特徴量の平均値、または、当該平均値及
び分散の両方を求め、平均値または、平均値と分散の両
方を利用して特徴量の値を正規化補正する。Further, as a method of standardizing the distribution of the feature values, the average value of the feature values, or both the average value and the variance thereof, are obtained every time data is added or at each update cycle of the feature value data. , The average value or both the average value and the variance are used to correct the feature value.
【００４０】[0040]
【発明の実施の形態】図１は、本発明の類似検索システ
ムの構成を示す。同図に示す類似検索システムは、格納
オブジェクト入力装置１１０、検索キーオブジェクト入
力装置１２０、特徴量格納管理装置１４０、特徴量デー
タベース１５０、検索結果作成装置１６０、検索結果出
力装置１７０から構成される。FIG. 1 shows the configuration of a similarity search system according to the present invention. The similarity search system shown in FIG. 1 includes a storage object input device 110, a search key object input device 120, a feature storage management device 140, a feature database 150, a search result creation device 160, and a search result output device 170.
【００４１】格納オブジェクト入力装置１１０は、格納
オブジェクト群を入力し、特徴量計算装置１３０に渡
す。検索キーオブジェクト入力装置１２０は、利用者に
よりオブジェクトが入力される。特徴量計算装置１３０
は、格納オブジェクト入力装置１１０から入力された格
納オブジェクト群と検索キーオブジェクト入力装置１２
０から入力されたオブジェクトに基づいて特徴量を計算
する。当該特徴量の計算の詳細については後述する。The storage object input device 110 inputs a storage object group and passes it to the feature value calculation device 130. The user inputs an object to the search key object input device 120. Feature amount calculation device 130
Are the stored object group input from the stored object input device 110 and the search key object input device 12
The feature amount is calculated based on the object input from 0. Details of the calculation of the feature amount will be described later.
【００４２】特徴量格納管理装置１４０は、特徴量計算
装置１３０で計算された特徴量を特徴量データベース１
５０に格納し、他の装置からの特徴量データベース１５
０へのアクセスを管理する。検索結果作成装置１６０
は、特徴量計算装置１３０から渡された検索キーに基づ
いて、類似度算出装置１６１で算出された類似度に基づ
いて特徴量データベース１５０を検索して、検索結果を
作成し、検索結果出力装置１７０に渡す。The feature storage management device 140 stores the feature calculated by the feature calculator 130 in the feature database 1.
50, and a feature database 15 from another device.
Manage access to 0. Search result creation device 160
Searches the feature database 150 based on the similarity calculated by the similarity calculator 161 based on the search key passed from the feature calculator 130, creates a search result, and outputs the search result. Pass it to 170.
【００４３】検索結果出力装置１７０は、作成された検
索結果を利用者に提示する。上記の特徴量計算装置１３
０は、大きさに関する特徴量を求める場合には、平方根
を求め、体積については立方根を求めることにより特徴
量を算出する。小さいものに関するスケールを引き延ば
す処理として、画像や画像内のオブジェクトをその面積
や画素数を特徴量として、当該特徴量の平方根をとる。
また、３次元オブジェクトの体積を特徴量とした場合に
は立方根をとる。また、この処理は、画素数による正規
化等の異なる正規化方法との組み合わせが可能である。The search result output device 170 presents the created search result to the user. The above-described feature amount calculation device 13
A value of 0 calculates the feature amount by obtaining the square root when obtaining the feature amount related to the size, and calculating the cubic root for the volume. As a process of extending the scale of a small object, an image or an object in the image is used as a feature amount using its area or the number of pixels, and the square root of the feature amount is obtained.
When the volume of a three-dimensional object is used as a feature amount, a cubic root is taken. This processing can be combined with a different normalization method such as normalization based on the number of pixels.
【００４４】図２は、本発明の特徴量計算装置における
２次元の大きさの特徴量を求める場合の動作のフローチ
ャートである。 ステップ１０１） 大きさ（面積）に関する特徴量を計
算する。 ステップ１０２） その値の平方根を特徴量とする。 図３は、本発明の特徴量計算装置における３次元の大き
さの特徴量を求める場合の動作のフローチャートであ
る。FIG. 2 is a flowchart of the operation in the case of obtaining a two-dimensional size feature quantity in the feature quantity calculation device of the present invention. Step 101) Calculate a feature amount related to the size (area). Step 102) The square root of the value is used as a feature value. FIG. 3 is a flowchart of an operation in the case of obtaining a three-dimensional size feature amount in the feature amount calculation device of the present invention.
【００４５】ステップ２０１） 大きさ（体積）に関す
る特徴量を計算する。 ステップ２０２） その値の立方根を特徴量の値とす
る。 また、総和で１．０にする正規化手法を標準と考え、総
和が１．０にならない特徴量は、総和が１．０になるよ
うに強制変換を行うことで統一を図る。この方法は、類
似検索システムの特徴量の計算時に、最大値がＭでｎ次
元の特徴量（Ｘ 1 ，…，Ｘn ）に対し、２ｎ次元の特徴
量（Ｘ1 ／ｎＭ，（Ｍ−Ｘ1 ）／ｎＭ，…，Ｘn ／ｎ
Ｍ，（Ｍ−Ｘn ）／ｎＭ）を新たな特徴量として計算す
る。この結果、当然、最小値は０で、最大値は１．０と
なる。Step 201) Regarding size (volume)
Calculate the feature value. Step 202) The cubic root of the value is used as a feature value.
You. Also, a normalization method that makes the total sum 1.0 is considered standard,
For features that do not sum to 1.0, the sum will be 1.0
Unification is performed by performing forced conversion as follows. This method is similar to
When calculating the feature value of the similar search system, the maximum value is M and nth order
Original feature (X 1, ..., Xn), 2n-dimensional features
Quantity (X1/ NM, (MX1) / NM, ..., Xn/ N
M, (MXn) / NM) as a new feature value
You. As a result, of course, the minimum value is 0 and the maximum value is 1.0.
Become.
【００４６】図４は、本発明の特徴量計算装置における
２ｎ次元の特徴量を求める場合の動作のフローチャート
である。 ステップ３０１） 最大値がＭのｎ次元特徴量（Ｘ1 ，
…，Ｘn ）を計算する。 ステップ３０２） ２ｎ次元の新たな特徴量 （Ｘ1 ／ｎＭ，（Ｍ−Ｘ1 ）／ｎＭ，…，Ｘn ／ｎＭ，
（Ｍ−Ｘn ）／ｎＭ） を計算する。FIG. 4 is a flowchart showing the operation of the feature quantity calculating apparatus according to the present invention when obtaining a 2n-dimensional feature quantity. Step 301) An n-dimensional feature amount having a maximum value of M (X 1 ,
.., X n ). Step 302) 2n-dimensional new feature amount (X 1 / nM, (M−X 1 ) / nM,..., X n / nM,
(M−X n ) / nM) is calculated.
【００４７】なお、ベクトル内の各値の順番が変化して
も同様に、ｎ＋１次元の特徴量として、Even if the order of each value in the vector changes, similarly, as an n + 1-dimensional feature amount,
【００４８】[0048]
【数７】 (Equation 7)
【００４９】としてもよい。なお、本発明では、１．０
を基準としたが、それが１００であろうが、別の一般的
な値ｋであろうが、別の一般的な値ｋであろうが、特定
の共通の値を基準とする場合には全く同様の手法を用い
ることができる。なお、原則として全ての特徴量データ
毎の総和は１．０に揃えるが、例外状態も存在する。例
えば、色相の特徴量で色のない画像を扱った場合には、
その特徴量は全て０で、それらの総和も０である。[0049] In the present invention, 1.0
Whether it is 100, another common value k, another common value k, or if it is based on a particular common value, Exactly the same technique can be used. Note that, in principle, the total sum of all feature amount data is set to 1.0, but there are exceptional states. For example, if an image without color is used for the hue feature,
The feature amounts are all 0, and their sum is also 0.
【００５０】さらに、特徴量計算装置１３０では、特徴
量の分布の標準化を行う。これは、データが追加される
毎、または、特徴量データの更新周期毎に、特徴量の平
均値、または、当該平均値及び分散の両方を求め、平均
値または、平均値と分散の両方を利用して特徴量の値を
正規化補正する。図５は、本発明の特徴量計算装置にお
ける正規分布化時の動作のフローチャートである。Further, the feature value calculation device 130 normalizes the distribution of the feature values. This means that every time data is added or every update period of the feature data, the average value of the feature data or both the average value and the variance are obtained, and the average value or both the average value and the variance are calculated. The value of the feature amount is normalized and corrected using the above. FIG. 5 is a flowchart of an operation at the time of normal distribution in the feature amount calculation device of the present invention.
【００５１】ステップ４０１） 最大値がＭのｎ次元特
徴量（Ｘ1 ，…，Ｘn ）を計算すると共に、特徴量の平
均Ａ、または、平均Ａと分散Ｄの両方を求める。 ステップ４０２） 平均Ａまたは、平均Ａと分散Ｄの両
方を用いて特徴量値を補正する。 検索結果作成装置１６０の類似度算出装置１６１では、
類似検索のための従来の特徴量をそのまま特徴量データ
ベース１５０に保持しておき、特徴量による類似度計算
の時点で利用して、類似検索を実現する。Step 401) The n-dimensional feature quantity (X 1 ,..., X n ) whose maximum value is M is calculated, and the average A of the feature quantities or both the average A and the variance D are obtained. Step 402) The feature value is corrected using the average A or both the average A and the variance D. In the similarity calculation device 161 of the search result creation device 160,
The conventional feature amount for the similarity search is held in the feature amount database 150 as it is, and is used at the time of calculating the similarity based on the feature amount, thereby realizing the similarity search.
【００５２】[0052]
【実施例】以下、図面と共に本発明の実施例を説明す
る。 ［第１の実施例］図６は、本発明の第１の実施例の特徴
量の計算例（大きさ）を示す。前述の図１１で示した大
きさの特徴量（０．３８０）に対し、２次元の情報を１
次元に変換し、スケール（軸のメモリ幅）の修正を行う
ため、平方根ｓｑｒｔ（０．３８０）を計算し、その結
果を新たな特徴量（０．６１７）としている。Embodiments of the present invention will be described below with reference to the drawings. [First Embodiment] FIG. 6 shows a calculation example (magnitude) of a feature value according to the first embodiment of the present invention. For the feature amount (0.380) of the size shown in FIG.
In order to convert to dimensions and correct the scale (memory width of the axis), the square root sqrt (0.380) is calculated, and the result is used as a new feature amount (0.617).
【００５３】一般に画像中には小さな画像オブジェクト
が多数存在し、逆に大きなオブジェクトの存在数は少な
い。よって、大きさの特徴量は小さいオブジェクトの分
布に非常に偏っている。しかし、本発明により、小さい
画像の分布が全体により大きい画像の分布の方にシフト
し、軸のメモリがより等間隔に近くなる。 ［第２の実施例］図７は、本発明の第２の実施例の特徴
量の計算例（大きさ）を示す。前述の図６で示した大き
さの特徴量を総和１．０に正規化するため、 １．０−０．６１７＝０．３８３ を新たな次元の特徴量として加え、（０．６１７，０．
３８３）という特徴量にしている。このとき、０．６１
７と０．３８３の和は１．０となる。In general, there are many small image objects in an image, and conversely, the number of large objects is small. Therefore, the size feature amount is extremely biased toward the distribution of small objects. However, the present invention shifts the distribution of small images toward the distribution of larger images overall, and makes the axis memory more closely spaced. [Second Embodiment] FIG. 7 shows an example of calculation (magnitude) of a feature value according to a second embodiment of the present invention. In order to normalize the feature amount having the size shown in FIG. 6 to the sum total 1.0, 1.0−0.617 = 0.383 is added as a new dimension feature amount, and (0.617,0 .
383). At this time, 0.61
The sum of 7 and 0.383 is 1.0.
【００５４】［第３の実施例］図８は、本発明の第３の
実施例の特徴量の計算例（重心位置、外接矩形位置）を
示す。前述の図１２で示した重心位置の２次元の特徴量
に対し、各軸毎の特徴量の総和を０．５にし、２つの軸
の特徴量の総和を１．０に正規化する処理を行ってい
る。[Third Embodiment] FIG. 8 shows a calculation example (center of gravity position, circumscribed rectangle position) of a feature value calculation according to a third embodiment of the present invention. With respect to the two-dimensional feature amount at the position of the center of gravity shown in FIG. 12 described above, the process of normalizing the total sum of the feature amounts of the two axes to 0.5 and 1.0 for each axis is performed. Is going.
【００５５】重心位置のＸ座標０．５４２に対し、最大
値を０．５にする計算 ０．５×０．５２４＝０．２７１ 及び、総和を０．５にする計算 ０．５×（１．０−０．５４２）＝０．２２９ を行い、（０．２７１，０．２２９）を得る。With respect to the X coordinate 0.542 of the center of gravity position, the calculation for setting the maximum value to 0.5 is 0.5 × 0.524 = 0.271, and the calculation for setting the sum to 0.5 is 0.5 × (1 .0-0.542) = 0.229 to obtain (0.271, 0.229).
【００５６】同様に、重心位置のＹ座標０．６０７に対
し、最大値を０．５にする計算 ０．５×０．６０７＝０．３０４ 及び、総和を０．５にする計算 ０．５×（１．０−０．６０７）＝０．１９６ を行い、（０．３０４，０．１９６）を得る。Similarly, for the Y coordinate 0.607 of the position of the center of gravity, calculation to set the maximum value to 0.5: 0.5 × 0.607 = 0.304, and calculation to set the sum to 0.5: 0.5 × (1.0−0.607) = 0.196 to obtain (0.304,0.196).
【００５７】以上を総合し、重心位置の新たな特徴量と
して（０．２７１，０．２２９，０．３０４，０．１９
６）を得る。外接矩形位置の場合も２つの位置（Ｘ，
Ｙ）に対して同様の処理を行う。但し、この場合は、個
々の座標値は、１／４＝０．２５にする点が重心座標の
場合と若干異なる。By integrating the above, new features of the position of the center of gravity (0.271, 0.229, 0.304, 0.19
6) is obtained. In the case of the circumscribed rectangle position, two positions (X,
A similar process is performed for Y). However, in this case, the individual coordinate values are slightly different from those in the case of the barycentric coordinates in that the point where 1/4 = 0.25 is set.
【００５８】［第４の実施例］図９は、本発明の第４の
実施例の特徴量の計算例（直線長）を示し、長さの特徴
量の作成方法を示す。前述の図１３で示した３種類の直
線の特徴量に対し、特徴量の総和を１．０に正規化する
処理を行っている。図１３では、基準値を短辺長、長辺
長、対角線長の３種類を基準としたが、特徴量中に負値
を無くすためには、最大値をもとに正規化する必要があ
る。すると、その補正処理の結果は、結局、対角線長で
の正規化と同一となる。[Fourth Embodiment] FIG. 9 shows a calculation example (linear length) of a feature value according to a fourth embodiment of the present invention, and shows a method of creating a feature value of length. The process of normalizing the sum of the feature amounts to 1.0 for the three types of straight line feature amounts shown in FIG. 13 is performed. In FIG. 13, the reference value is based on three types of the short side length, the long side length, and the diagonal length. However, in order to eliminate negative values in the feature amount, it is necessary to normalize based on the maximum value. . Then, the result of the correction processing is eventually the same as the normalization by the diagonal length.
【００５９】［第５の実施例］次に、類似度検索時にお
いて、特徴量データベース１５０のデータを用いて特徴
量を求める場合について説明する。例えば、特徴量デー
タベース１５０の特徴量ａ＝（ａ1 ，…，ａn ）と検索
キーとして与えられた特徴量ｋ＝（ｋ1 ，…，ｋn ）の
総合類似度Ｓ1 （ａ，ｋ）を計算する場合、各次元の類
似度の計算を ｄ1 （ａ1 ，ｋ1 ）＝｜ａ1 −ｋ1 ｜ とし、単純な線形和とした場合、 Ｓ1 （ａ，ｋ）＝ｗ1 ｄ1 （ａ1 ，ｋ1 ）＋…＋ｗn ，
ｄn （ａn ，ｋn ） となる。[Fifth Embodiment] Next, a description will be given of a case where a feature amount is obtained using data of the feature amount database 150 at the time of similarity search. For example, feature amount a = (a 1, ..., a n) of the characteristic quantity database 150, wherein the amount given as the search key k = (k 1, ..., k n) overall similarity S 1 (a in, k ) Is calculated as d 1 (a 1 , k 1 ) = | a 1 −k 1 |, and when a simple linear sum is obtained, S 1 (a, k) = w 1 d 1 (a 1 , k 1 ) +... + W n ,
d n (a n , k n ).
【００６０】これに対し、本発明では、２ｎ次元の特徴
量として、（Ｘ1 ／ｎＭ，（Ｍ−Ｘ 1 ）／ｎＭ，…，Ｘ
n ／ｎＭ，（Ｍ−Ｘn ）／ｎＭ）を組み入れて、 Ｓ2 （ａ，ｋ）＝（１／ｎ）ｗ1 ｜ａ1 −ｋ1 ｜＋（１
／ｎ）ｗ1｜ａ1 ＋ｋ1 ｜＋…＋（１／ｎ）ｗn ｜ａn
−ｋn ｜＋（１／ｎ）ｗn ｜ａn ＋ｋn ｜ となる。ここで、｜ａ1 −ｋ1 ｜＝｜ａi ＋ｋi ｜なの
で、 Ｓ2 （ａ，ｋ）＝２（１／ｎ）ｗ1 ｜ａ1 −ｋ1 ｜＋…
＋２（１−ｎ）ｗn｜ａn −ｋn ｜＝（２／ｎ）Ｓ
1 （ａ，ｋ） と計算すればよい。これは、従来の計算結果ｓ1 （ａ，
ｋ）に対し、上記条件の場合には、２／ｎ倍すればよい
ことを意味している。よって、前述の第２〜第４の実施
例に従った特徴量を事前に計算し、特徴量データベース
１５０に格納するのではなく、類似度計算の時点で大き
さ特徴量の重みを２／ｎ倍すればよい。On the other hand, in the present invention, 2n-dimensional features
(X1/ NM, (MX 1) / NM, ..., X
n/ NM, (MXn) / NM), STwo(A, k) = (1 / n) w1| A1-K1| + (1
/ N) w1| A1+ K1| + ... + (1 / n) wn| An
-Kn| + (1 / n) wn| An+ Kn| Where | a1-K1| = | Ai+ Ki｜ Nano
And STwo(A, k) = 2 (1 / n) w1| A1-K1｜ +…
+2 (1-n) wn| An-Kn| = (2 / n) S
1(A, k) may be calculated. This is the conventional calculation result s1(A,
k) may be multiplied by 2 / n in the above condition.
Means that. Therefore, the above-described second to fourth embodiments
Calculate the feature values according to the example in advance and use the feature database
Instead of storing it in 150
What is necessary is just to multiply the weight of the feature quantity by 2 / n.
【００６１】例えば、図７で示した大きさ特徴量の場
合、ｎ＝１で、ａ＝（０．６１７），ｋ＝（ｋ1 ）とし
たとき、 ｓ2 （ａ，ｋ）＝ｗ1 ｜０．６１７−ｋ1 ｜＋ｗ1 ｜０．１６７＋ｋ1 ｜ ＝２×ｗ1 ｜０．６１７−ｋ1 ｜ また、例えば、図８で示した重心位置特徴量の場合、ｎ
＝２で ａ＝（０．５４２，０．６０７）， ｋ＝（ｋ1 ，
ｋ2 ） としたとき、 Ｓ2 （ａ，ｋ）＝０．５×ｗ1 ｜０．５４２−ｋ1 ｜＋０．５×ｗ1 ｜０．５４２＋ｋ1 ｜＋０．５×ｗ2 ｜０．６０７−ｋ2 ｜＋０．５×ｗ2 ｜０．６０７＋ｋ2 ｜ ＝２×０．５×ｗ1 ｜０．５４２−ｋ1 ｜＋２×０．５×ｗ2 ｜０．６０７−ｋ2 ｜ ＝ｗ1 ｜０．５４２−ｋ1 ｜＋ｗ2 ｜０．６０７−ｋ2 ｜ となる。For example, in the case of the size feature quantity shown in FIG. 7, when n = 1, a = (0.617) and k = (k 1 ), s 2 (a, k) = w 1 | 0.617−k 1 | + w 1 | 0.167 + k 1 | = 2 × w 1 | 0.617−k 1 | For example, in the case of the centroid position feature amount shown in FIG.
= 2, a = (0.542, 0.607), k = (k 1 ,
k 2 ), S 2 (a, k) = 0.5 × w 1 | 0.542−k 1 | + 0.5 × w 1 | 0.542 + k 1 | + 0.5 × w 2 | 0. 607-k 2 | + 0.5 × w 2 | 0.607 + k 2 | = 2 × 0.5 × w 1 | 0.542-k 1 | + 2 × 0.5 × w 2 | 0.607-k 2 | = w 1 | 0.542-k 1 | + w 2 | 0.607-k 2 | become.
【００６２】なお、これらの例は、マンハッタン距離と
いう最も簡単な距離基準を採用した場合であるため、単
純であるが、ユークリット距離等のより複雑な距離基準
を採用した場合には、より複雑な計算が必要になる。 ［第６の実施例］次に、本実施例では、正規分布化につ
いて説明する。Although these examples are based on the simplest distance criterion called the Manhattan distance, they are simple. However, when a more complicated distance criterion such as the Euclidean distance is used, a more complicated distance criterion is used. Calculation is required. [Sixth Embodiment] Next, in this embodiment, normal distribution will be described.
【００６３】ある特徴量の平均がＡで、分散値がＤの場
合、その特徴量のデータ分布を正規分布に従った分布の
Ｎ（Ａ，Ｄ）と仮定し、それを標準正規分布Ｎ（０．
０，１．０）に変換したものを特徴量とする。つまり、
特徴量データが新たに投入される毎に、そのデータセッ
トからＡとＤを求め、類似度計算の段階でその特徴量に
対し、ＡとＤを使った補正を行う。When the average of a feature is A and the variance is D, the data distribution of the feature is assumed to be N (A, D) of a distribution according to a normal distribution, and is assumed to be a standard normal distribution N ( 0.
(0, 1.0) is defined as a feature value. That is,
Every time feature amount data is newly input, A and D are obtained from the data set, and the feature amount is corrected using A and D at the stage of similarity calculation.
【００６４】また、本発明は、図３における特徴量計算
装置１３０と検索結果作成装置１６０の類似度算出装置
１６１の動作をプログラムとして構築し、特徴量計算装
置または、類似度算出装置として利用されるコンピュー
タに接続されるディスク装置や、フロッピーディスクや
ＣＤ−ＲＯＭ等の可搬記憶媒体に格納しておき、本発明
を実施する際にインストールすることにより容易に本発
明を実現できる。In the present invention, the operation of the similarity calculation device 161 of the feature calculation device 130 and the search result creation device 160 in FIG. 3 is constructed as a program, and is used as a feature calculation device or similarity calculation device. The present invention can be easily realized by storing the program in a disk device connected to a computer, a portable storage medium such as a floppy disk or a CD-ROM, and installing the program when implementing the present invention.
【００６５】なお、本発明は、上記の実施例に限定され
ることなく、特許請求の範囲内で種々変更・応用が可能
である。The present invention is not limited to the above embodiment, but can be variously modified and applied within the scope of the claims.
【００６６】[0066]
【発明の効果】上述のように、本発明の２次元及び３次
元の大きさによる特徴量とその他の特徴量のスケールを
同一に保つことができる。また、２ｎ次元の特徴量の総
和を１．０化することにより、異なる特徴量の値域（最
小値、最大値）及び、その各特徴量内での値の分布を合
わせることができる。As described above, it is possible to keep the scale of the feature quantity according to the two-dimensional and three-dimensional sizes of the present invention and the scale of the other feature quantities the same. Further, by setting the sum of the 2n-dimensional feature amounts to 1.0, the value ranges (minimum value, maximum value) of different feature amounts and the distribution of values within each feature amount can be matched.
【００６７】さらに、特徴量をデータベースに格納して
おくことにより、類似度計算時において、２次元・３次
元の大きさによる特徴量を求める際に、従来の特徴量デ
ータベースをそのまま利用する方法を与えることによ
り、効率的な移行を可能にすると共に、少ない特徴量デ
ータベースでの実現を可能にする。また、特徴量の分布
を標準化することにより、特徴量のデータセット全体で
の分布の統一を可能にする。Further, by storing the feature amounts in the database, a conventional method of directly using the feature amount database when calculating the feature amounts based on the two-dimensional and three-dimensional sizes at the time of calculating the similarity is described. This allows efficient migration and realization with a small feature amount database. Further, by standardizing the distribution of the feature amount, the distribution of the feature amount over the entire data set can be unified.
【００６８】以上、複数の特徴量の値域、スケール、分
布が同一になる。または、類似するような正規化補正を
行うことで、利用者はその特徴量に関する重み（検索に
おける重視度）の指定がより容易になる。さらに、自動
的に重みを調整する手法やクラスタリング手法の適用が
容易になる。As described above, the value range, scale, and distribution of a plurality of feature amounts become the same. Alternatively, by performing similar normalization correction, the user can more easily specify the weight (the degree of importance in the search) related to the feature amount. Further, it is easy to apply a method of automatically adjusting weights and a clustering method.
【図１】本発明の類似検索システムの構成図である。FIG. 1 is a configuration diagram of a similarity search system of the present invention.
【図２】本発明の特徴量計算装置における２次元の大き
さの特徴量を求める場合の動作のフローチャートであ
る。FIG. 2 is a flowchart of an operation in a case where a feature amount having a two-dimensional size is obtained in the feature amount calculation apparatus of the present invention.
【図３】本発明の特徴量計算装置における３次元の大き
さの特徴量を求める場合の動作のフローチャートであ
る。FIG. 3 is a flowchart of an operation when a feature amount having a three-dimensional size is obtained in the feature amount calculation device of the present invention.
【図４】本発明の特徴量計算装置における２ｎ次元の特
徴量を求める場合の動作のフローチャートである。FIG. 4 is a flowchart of an operation when a 2n-dimensional feature amount is obtained in the feature amount calculation apparatus of the present invention.
【図５】本発明の特徴量計算装置における正規分布化時
の動作のフローチャートである。FIG. 5 is a flowchart of an operation at the time of normal distribution in the feature amount calculation device of the present invention.
【図６】本発明の第１の実施例の特徴量の計算例（大き
さ）である。FIG. 6 is a calculation example (magnitude) of a feature amount according to the first embodiment of the present invention.
【図７】本発明の第２の実施例の特徴量の計算例（大き
さ）である。FIG. 7 is a calculation example (magnitude) of a feature amount according to the second embodiment of the present invention.
【図８】本発明の第３の実施例の特徴量の計算例（重心
位置、外接矩形位置）である。FIG. 8 is a diagram illustrating an example of calculation of a feature value (center of gravity position, circumscribed rectangle position) according to the third embodiment of the present invention.
【図９】本発明の第４の実施例の特徴量の計算例（直線
長）である。FIG. 9 is a calculation example (linear length) of a feature amount according to the fourth embodiment of the present invention.
【図１０】従来の特徴量の計算例（色相、彩度、輝度）
である。FIG. 10 shows a calculation example of a conventional feature amount (hue, saturation, luminance)
It is.
【図１１】従来の特徴量の計算例（大きさ）である。FIG. 11 is a calculation example (size) of a conventional feature amount.
【図１２】従来の特徴量の計算例（重心位置、外接矩形
位置）である。FIG. 12 is a calculation example of a conventional feature amount (center of gravity position, circumscribed rectangle position).
【図１３】従来の特徴量の計算例（直線長）である。FIG. 13 is a calculation example (linear length) of a conventional feature amount.
１００ 類似検索システム １１０ 格納オブジェクト入力装置 １２０ 検索キーオブジェクト入力装置 １３０ 特徴量計算装置 １４０ 特徴量格納管理装置 １５０ 特徴量データベース １６０ 検索結果作成装置 １６１ 類似度算出装置 １７０ 検索結果出力装置 REFERENCE SIGNS LIST 100 similarity search system 110 stored object input device 120 search key object input device 130 feature amount calculation device 140 feature amount storage management device 150 feature amount database 160 search result creation device 161 similarity calculation device 170 search result output device
フロントページの続き (72)発明者 佐藤 路恵 東京都新宿区西新宿三丁目19番２号 日本 電信電話株式会社内 Ｆターム(参考） 5B075 ND16 PP30 PR06 QM08 5L096 AA09 BA08 DA02 FA32 FA33 FA54 FA59 FA70 JA11 MA00Continued on the front page (72) Inventor Michie Sato 3-19-2 Nishi-Shinjuku, Shinjuku-ku, Tokyo Nippon Telegraph and Telephone Corporation F-term (reference) 5B075 ND16 PP30 PR06 QM08 5L096 AA09 BA08 DA02 FA32 FA33 FA54 FA59 FA70 JA11 MA00
Claims (21)
似検索における特徴量の正規化方法において、 画像や画像内のオブジェクトを、該画像や該オブジェク
トの面積や画素数を特徴量として計算する際に、 前記特徴量の平方根をとることを特徴とする類似検索に
おける特徴量の正規化方法。1. A feature amount normalizing method in a similarity search for calculating a feature amount of a similarity search system, wherein an image or an object in the image is calculated using the image or the area or the number of pixels of the object as a feature amount. A feature value normalization method in a similarity search, wherein a square root of the feature value is obtained.
似検索における特徴量の正規化方法において、 ３次元オブジェクトの体積を特徴量として計算する際
に、 前記特徴量の立方根をとることを特徴とする類似検索に
おける特徴量の正規化方法。2. A feature amount normalization method in a similarity search for calculating a feature amount of a similarity search system, wherein, when calculating a volume of a three-dimensional object as a feature amount, a cubic root of the feature amount is taken. Method for normalizing feature values in similarity search.
似検索における特徴量の正規化方法において、 （Ｘ1 ，…，Ｘn ）のｎ次元特徴量が存在し、該特徴量
の最大値がＭの場合に、２ｎ次元の特徴量（Ｘ1 ／ｎ
Ｍ，（Ｍ−Ｘ1 ）／ｎＭ，…，Ｘn ／ｎＭ，（Ｍ−
Ｘn ）／ｎＭ）を特徴量とすることを特徴とする類似検
索における特徴量の正規化方法。3. A feature amount normalizing method in a similarity search for calculating a feature amount of a similarity search system, wherein an n-dimensional feature amount of (X 1 ,..., X n ) exists, and the maximum value of the feature amount is In the case of M, 2n-dimensional feature quantity (X 1 / n
M, (M−X 1 ) / nM,..., X n / nM, (M−
X n ) / nM) as a feature amount.
似検索における特徴量の正規化方法において、 （Ｘ1 ，…，Ｘn ）のｎ次元特徴量が存在し、該特徴量
の最大値がＭの場合に、ｎ＋１次元の特徴量 【数１】 を特徴量とすることを特徴とする類似検索における特徴
量の正規化方法。4. A feature amount normalizing method in a similarity search for calculating a feature amount of a similarity search system, wherein an n-dimensional feature amount of (X 1 ,..., X n ) exists, and the maximum value of the feature amount is In the case of M, n + 1-dimensional feature amount A feature amount normalization method in a similarity search, wherein is used as a feature amount.
似検索における特徴量の正規化方法において、 前記類似検索システム内において、類似検索のための従
来の特徴量をそのまま特徴量記憶手段に保持し、 類似度を計算する際に、 前記特徴量記憶手段に保持されている特徴量の平方根を
とることにより、画像や画像内のオブジェクトを、該画
像や該オブジェクトの面積や画素数を特徴量として計算
することを特徴とする類似検索における特徴量の正規化
方法。5. A feature amount normalization method in a similarity search for calculating a feature amount of a similarity search system, wherein a conventional feature amount for a similarity search is directly held in a feature amount storage unit in the similarity search system. When calculating the degree of similarity, by taking the square root of the feature amount held in the feature amount storage means, an image or an object in the image is used as a feature amount using the area of the image or the object or the number of pixels. A feature amount normalization method in a similarity search characterized by being calculated.
似検索における特徴量の正規化方法において、 前記類似検索システム内において、類似検索のための従
来の特徴量をそのまま特徴量記憶手段に保持し、 類似度を計算する際に、 前記特徴量記憶手段に保持されている前記特徴量の立方
根をとることで３次元オブジェクトの体積を特徴量とし
て計算することを特徴とする類似検索における特徴量の
正規化方法。6. A feature amount normalization method in a similarity search for calculating a feature amount of a similarity search system, wherein a conventional feature amount for a similarity search is directly stored in a feature amount storage unit in the similarity search system. When calculating the similarity, the volume of a three-dimensional object is calculated as a feature by taking the cubic root of the feature stored in the feature storage means. Normalization method.
似検索における特徴量の正規化方法において、 データが追加される毎、または、特徴量記憶手段のデー
タの更新周期毎に、特徴量の平均値、または、該特徴量
の平均値及び分散の両方を求め、 前記特徴量の平均値、または、該特徴量の平均値及び前
記分散の両方を利用して、特徴量の値を正規化補正する
ことを特徴とする特徴量の正規化方法。7. A feature amount normalization method in a similarity search for calculating a feature amount of a similarity search system, wherein each time data is added, or each time a data update cycle of the feature amount storage unit is performed, an average of the feature amount is calculated. Value, or both the average value and the variance of the feature value, and normalizing and correcting the value of the feature value using the average value of the feature value, or both the average value and the variance of the feature value A feature amount normalizing method.
似検索における特徴量の正規化装置であって、 画像や画像内のオブジェクトを、該画像や該オブジェク
トの面積や画素数を特徴量として計算する特徴量計算手
段は、 前記特徴量の平方根をとる第１の特徴量計算手段を有す
ることを特徴とする類似検索における特徴量の正規化装
置。8. A feature amount normalizing apparatus for similarity search for calculating a feature amount of a similarity search system, wherein an image or an object in the image is calculated using the image or the area or the number of pixels of the object as a feature amount. The feature amount calculating means includes a first feature amount calculating means for calculating a square root of the feature amount.
似検索における特徴量の正規化装置であって、 ３次元オブジェクトの体積を特徴量として計算する特徴
量計算手段は、 前記特徴量の立方根をとる第２の特徴量計算手段を有す
ることを特徴とする類似検索における特徴量の正規化装
置。9. A feature amount normalizing device for similarity search for calculating a feature amount of a similarity search system, wherein a feature amount calculating means for calculating a volume of a three-dimensional object as a feature amount includes: An apparatus for normalizing a feature amount in a similarity search, comprising a second feature amount calculating means.
類似検索における特徴量の正規化装置であって、 （Ｘ1 ，…，Ｘn ）のｎ次元特徴量が存在し、該特徴量
の最大値がＭの場合に、２ｎ次元の特徴量（Ｘ1 ／ｎ
Ｍ，（Ｍ−Ｘ1 ）／ｎＭ，…，Ｘn ／ｎＭ，（Ｍ−
Ｘn ）／ｎＭ）を特徴量とする第３の特徴量計算手段を
有することを特徴とする類似検索における特徴量の正規
化装置。10. A feature amount normalizing apparatus for similarity search for calculating a feature amount of a similarity search system, wherein an n-dimensional feature amount of (X 1 ,..., X n ) exists and When the value is M, a 2n-dimensional feature quantity (X 1 / n
M, (M−X 1 ) / nM,..., X n / nM, (M−
Xn ) / nM). A feature amount normalizing apparatus in a similarity search, characterized by having a third feature amount calculating means having a feature amount of ( Xn ) / nM).
類似検索における特徴量の正規化装置であって、 （Ｘ1 ，…，Ｘn ）のｎ次元特徴量が存在し、該特徴量
の最大値がＭの場合に、ｎ＋１次元の特徴量 【数２】 を特徴量とする第４の特徴量計算手段を有することを特
徴とする類似検索における特徴量の正規化装置。11. An apparatus for normalizing a feature amount in a similarity search for calculating a feature amount of a similarity search system, wherein an n-dimensional feature amount of (X 1 ,..., X n ) exists, and a maximum of the feature amount When the value is M, n + 1-dimensional feature amount A feature amount normalizing apparatus in a similarity search, comprising: a fourth feature amount calculating unit that sets the feature amount.
類似検索における特徴量の正規化装置であって、 前記類似検索システム内において、類似検索のための従
来の特徴量を保持する特徴量記憶手段と、 類似度計算時において、画像や画像内のオブジェクト
を、該画像や該オブジェクトの面積や画素数を特徴量と
して計算する際に、前記特徴量記憶手段に保持されてい
る特徴量の平方根をとる第５の特徴量計算手段とを有す
ることを特徴とする類似検索における特徴量の正規化装
置。12. A feature amount normalizing apparatus in a similarity search for calculating a feature amount of a similarity search system, wherein the feature amount storage means for holding a conventional feature amount for a similarity search in the similarity search system. In calculating the similarity, when calculating an image or an object in an image as a feature amount using the area of the image or the object or the number of pixels, the square root of the feature amount held in the feature amount storage unit is calculated. A feature amount normalizing device for similarity search, comprising: a fifth feature amount calculating unit.
類似検索における特徴量の正規化装置であって、 前記類似検索システム内において、類似検索のための従
来の特徴量を保持する特徴量記憶手段と、 類似度計算時において、３次元オブジェクトの体積を特
徴量として計算する際に、前記特徴量記憶手段に保持さ
れている前記特徴量の立方根をとる第６の特徴量計算手
段とを有することを特徴とする類似検索における特徴量
の正規化装置。13. A feature amount normalizing apparatus in a similarity search for calculating a feature amount of a similarity search system, wherein the feature amount storage means for holding a conventional feature amount for a similarity search in the similarity search system. And a sixth feature value calculating unit that takes a cubic root of the feature value stored in the feature value storage unit when calculating the volume of the three-dimensional object as the feature value at the time of calculating the similarity. A feature amount normalization device in a similarity search characterized by
類似検索における特徴量の正規化装置であって、 データが追加される毎、または、特徴量記憶手段のデー
タの更新周期毎に、特徴量の平均値、または、該特徴量
の平均値及び分散の両方を求め、該特徴量の平均値、ま
たは、該特徴量の平均値及び前記分散の両方を利用し
て、特徴量の値を正規化補正する補正手段を有すること
を特徴とする特徴量の正規化装置。14. A feature amount normalizing apparatus for a similarity search for calculating a feature amount of a similarity search system, wherein a feature amount is calculated every time data is added or at each data update cycle of the feature amount storage means. , Or both the average value and the variance of the feature amount are obtained, and the average value of the feature amount or both the average value of the feature amount and the variance are used to normalize the value of the feature amount. A feature amount normalizing apparatus, comprising a correction unit for performing a correction.
類似検索における特徴量の正規化プログラムを格納した
記憶媒体であって、 画像や画像内のオブジェクトを、該画像や該オブジェク
トの面積や画素数を特徴量として計算する際に、 前記特徴量の平方根をとる第１の特徴量計算プロセスを
有することを特徴とする類似検索における特徴量の正規
化プログラムを格納した記憶媒体。15. A storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein an image or an object in the image is replaced with the image or the area or the number of pixels of the object. A storage medium storing a feature quantity normalization program in a similarity search, comprising: a first feature quantity calculation process for calculating a square root of the feature quantity when calculating a feature quantity.
類似検索における特徴量の正規化プログラムを格納した
記憶媒体であって、 ３次元オブジェクトの体積を特徴量として計算する際
に、前記特徴量の立方根をとる第２の特徴量計算プロセ
スを有する有することを特徴とする類似検索における特
徴量の正規化プログラムを格納した記憶媒体。16. A storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein a volume of a three-dimensional object is calculated as a feature amount. A storage medium storing a feature amount normalization program in a similarity search having a second feature amount calculation process that takes a cubic root.
類似検索における特徴量の正規化プログラムを格納した
記憶媒体であって、 （Ｘ1 ，…，Ｘn ）のｎ次元特徴量が存在し、該特徴量
の最大値がＭの場合に、２ｎ次元の特徴量（Ｘ1 ／ｎ
Ｍ，（Ｍ−Ｘ1 ）／ｎＭ，…，Ｘn ／ｎＭ，（Ｍ−
Ｘn ）／ｎＭ）を特徴量とする第３の特徴量計算プロセ
スを有することを特徴とする類似検索における特徴量の
正規化プログラムを格納した記憶媒体。17. A storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein an n-dimensional feature amount of (X 1 ,..., X n ) exists. When the maximum value of the feature amount is M, a 2n-dimensional feature amount (X 1 / n
M, (M−X 1 ) / nM,..., X n / nM, (M−
A storage medium storing a feature amount normalization program in a similarity search having a third feature amount calculation process using X n ) / nM) as a feature amount.
類似検索における特徴量の正規化プログラムを格納した
記憶媒体であって、 （Ｘ1 ，…，Ｘn ）のｎ次元特徴量が存在し、該特徴量
の最大値がＭの場合に、ｎ＋１次元の特徴量 【数３】 を特徴量とする第４のプロセスを有することを特徴とす
る類似検索における特徴量の正規化プログラムを格納し
た記憶媒体。18. A storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein an n-dimensional feature amount of (X 1 ,..., X n ) exists. When the maximum value of the feature amount is M, an n + 1-dimensional feature amount A storage medium storing a feature amount normalization program in a similarity search, characterized by having a fourth process in which a feature amount is used.
類似検索における特徴量の正規化プログラムを格納した
記憶媒体であって、 画像や画像内のオブジェクトを、該画像や該オブジェク
トの面積や画素数を特徴量として計算する際に、前記類
似検索システム内において、類似検索のための従来の特
徴量を保持する特徴量記憶手段に保持されている特徴量
の平方根をとる第５の特徴量計算プロセスを有すること
を特徴とする類似検索における特徴量の正規化プログラ
ムを格納した記憶媒体。19. A storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein an image or an object in the image is replaced by the image or the area or the number of pixels of the object. A fifth feature value calculation process for calculating the square root of the feature value stored in a feature value storage unit that holds a conventional feature value for similarity search in the similarity search system when calculating the feature value as a feature value. A storage medium storing a feature amount normalization program in a similarity search characterized by having:
類似検索における特徴量の正規化プログラムを格納した
記憶媒体であって、 ３次元オブジェクトの体積を特徴量として計算する際
に、前記類似検索システム内において、類似検索のため
の従来の特徴量を保持する特徴量記憶手段に保持されて
いる前記特徴量の立方根をとる第６の特徴量計算プロセ
スを有することを特徴とする類似検索における特徴量の
正規化プログラムを格納した記憶媒体。20. A storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein the similarity search system is used when calculating a volume of a three-dimensional object as a feature amount. Wherein a sixth feature value calculation process for calculating a cubic root of the feature value stored in a feature value storage unit for storing a conventional feature value for similarity search is provided. Storage medium that stores the normalization program.
類似検索における特徴量の正規化プログラムを格納した
記憶媒体であって、 データが追加される毎、または、特徴量記憶手段のデー
タの更新周期毎に、特徴量の平均値、または、該特徴量
の平均値及び分散の両方を求め、該特徴量の平均値、ま
たは、該特徴量の平均値及び前記分散の両方を利用し
て、特徴量の値を正規化補正する補正プロセスを有する
ことを特徴とする特徴量の正規化プログラムを格納した
記憶媒体。21. A storage medium storing a feature amount normalization program in a similarity search for calculating a feature amount of a similarity search system, wherein each time data is added, or a data update cycle of the feature amount storage means. For each time, the average value of the feature amount, or both the average value and the variance of the feature amount, are obtained, and the average value of the feature amount, or both the average value of the feature amount and the variance are used to obtain the feature value. A storage medium storing a feature amount normalization program, having a correction process for normalizing and correcting a value of an amount.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP11043664A JP2000242659A (en) | 1999-02-22 | 1999-02-22 | Method and device for normalizing feature value in similar retrieval, and storage medium stored with similar retrieval feature value normalizing program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP11043664A JP2000242659A (en) | 1999-02-22 | 1999-02-22 | Method and device for normalizing feature value in similar retrieval, and storage medium stored with similar retrieval feature value normalizing program |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2000242659A true JP2000242659A (en) | 2000-09-08 |
Family
ID=12670132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP11043664A Pending JP2000242659A (en) | 1999-02-22 | 1999-02-22 | Method and device for normalizing feature value in similar retrieval, and storage medium stored with similar retrieval feature value normalizing program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2000242659A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009198414A (en) * | 2008-02-25 | 2009-09-03 | Moriai Seiki Kk | Apparatus for measurement of residual attachment |
| JP2010250635A (en) * | 2009-04-17 | 2010-11-04 | Seiko Epson Corp | Image server, image retrieval method, and image management method |
| JP2012181629A (en) * | 2011-02-28 | 2012-09-20 | Sogo Keibi Hosho Co Ltd | Face detection method, face detection device, and program |
-
1999
- 1999-02-22 JP JP11043664A patent/JP2000242659A/en active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009198414A (en) * | 2008-02-25 | 2009-09-03 | Moriai Seiki Kk | Apparatus for measurement of residual attachment |
| JP2010250635A (en) * | 2009-04-17 | 2010-11-04 | Seiko Epson Corp | Image server, image retrieval method, and image management method |
| JP2012181629A (en) * | 2011-02-28 | 2012-09-20 | Sogo Keibi Hosho Co Ltd | Face detection method, face detection device, and program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020248581A1 (en) | Graph data identification method and apparatus, computer device, and storage medium | |
| Huttenlocher et al. | View-based recognition using an eigenspace approximation to the Hausdorff measure | |
| US11507770B2 (en) | Precomputed similarity index of files in data protection systems with neural network | |
| CN101755267B (en) | Compositional balance and color driven content retrieval | |
| Lin et al. | Spatially eigen-weighted Hausdorff distances for human face recognition | |
| US11704357B2 (en) | Shape-based graphics search | |
| JP2013012190A (en) | Method of approximating gabor filter as block-gabor filter, and memory to store data structure for access by application program running on processor | |
| CN105096353B (en) | Image processing method and device | |
| Kim et al. | A power-efficient CNN accelerator with similar feature skipping for face recognition in mobile devices | |
| CN110097616B (en) | Combined drawing method and device, terminal equipment and readable storage medium | |
| KR20100098641A (en) | Invariant visual scene and object recognition | |
| WO2023124040A1 (en) | Facial recognition method and apparatus | |
| JP2001043368A5 (en) | ||
| WO2021051562A1 (en) | Facial feature point positioning method and apparatus, computing device, and storage medium | |
| CN114863440A (en) | Order data processing method and device, equipment, medium and product thereof | |
| CN116383470B (en) | Image searching method with privacy protection function | |
| JP2000242659A (en) | Method and device for normalizing feature value in similar retrieval, and storage medium stored with similar retrieval feature value normalizing program | |
| CN112348069B (en) | Data enhancement method, device, computer readable storage medium and terminal equipment | |
| US20200159711A1 (en) | Computer architecture for emulating multi-dimensional string correlithm object dynamic time warping in a correlithm object processing system | |
| JPH10289320A (en) | Pattern recognition device and method for sorting by means of candidate table | |
| CN108268533A (en) | A kind of Image Feature Matching method for image retrieval | |
| CN102855498A (en) | Character recognition method and device | |
| Xiong et al. | PC-SuperPoint: interest point detection and descriptor extraction using pyramid convolution and circle loss | |
| JP3489957B2 (en) | Object similarity calculation method and similar object search device | |
| Wang et al. | An images-based 3D model retrieval approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040203 |