JP3311422B2 - 識別システムおよびその方法並びに立体識別システム - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、識別システムおよびそ
の方法並びに立体識別システムに関する。

【０００２】

【従来の技術】識別システムは、識別対象を複数の識別
種のうちの１種に同定するものである。識別対象として
は、例えば紙幣のように平面的なものと、部品のように
立体的なものとがある。まず、平面的なものを識別する
システムとして、紙幣識別システムを例にとり説明す
る。

【０００３】近年では識別システムにニューラルネット
ワーク（以下ＮＮと記す）を利用しようとする試みがあ
る。ＮＮは、ある教師パターンを学習し、他のパターン
が入力されたときに教師パターンへの近似度を出力する
ことができるので、様々な認識システムへの応用が試行
されている。

【０００４】従来のＮＮを用いた識別システムの一例
が、「１９９２年、電気学会論文誌Ｃ第１１２巻４号２
４９〜２５８頁」に記載されている。この論文に記載さ
れた紙幣識別システムは、紙幣の濃度特徴により紙幣種
および表裏、左右の姿勢すなわち１２種類を識別するも
のである。固定配置された複数箇所（４箇所）のセンサ
と、センサで得た紙幣の濃度変化などの特徴から紙幣種
を識別するＮＮとにより構成されている。基本となる紙
幣を用いて、濃度パターンなどをＮＮの入力層に与えて
学習しておき、識別対象となる紙幣のデータを入力し
て、ＮＮの出力層から識別結果を出力する。濃度変化を
読み取る位置と、その濃度変化の例を図１３に示す。

【０００５】センシング位置が４箇所Ｓ１，Ｓ２，Ｓ３
およびＳ４に設定されている。紙幣全域の濃度データを
検出しないのは、入力すべきデータ数が多すぎて、メモ
リ使用量や識別処理時間が膨大になり過ぎて実用に適さ
ないためである。例えば、紙幣全域を１mmメッシュで区
切って濃度データとした場合でも、１５０×７５＝１
１，２５０個程度の入力データを必要とし、これではＮ
Ｎを用いた現在のデータ処理技術では実用化が不可能で
ある。また、従来のＮＮを使用しない識別装置でも、経
験的にセンシング位置が４箇所程度となっていることも
理由の一つと考えられる。

【０００６】紙幣識別システムに要求される事項として
は、 (1) 紙幣ごとの特徴をよく抽出する手段を有すること。
すなわち１２種類各々の濃度などの変化が明確な「個
性」として抽出できること。 (2) センサの取り付け位置ずれ、紙幣の位置ずれ、汚れ
などに強いこと。 (3) 識別精度を確保しながらも、必要最小限の処理時間
で識別が可能であること。などが挙げられる。

【０００７】これらの事項は、紙幣識別に限らず他の平
面的なものを識別するシステムにも同様に要求される。

【０００８】しかし、従来の識別システムでは、センシ
ング位置の決定は熟練者の経験則に基づいており、ＮＮ
にとっての最適センシング位置およびその数を定量的に
決定することはできなかった。

【０００９】さらに、熟練者により決定されたセンシン
グ位置および数は、ＮＮとは異なる識別システムのため
のものであって、識別手段としてＮＮを利用する場合に
最適なものを定量的に決定する手段は存在しなかった。

【００１０】次に、立体的なものを識別するシステムに
ついて述べる。

【００１１】立体識別を行う場合、主に次のような２通
りの立場が考えられる。一つは、識別対象がどのような
立体形状であるかの情報が全く与えられておらず、距離
センサーによる計測値や画像データなどに基づいてコン
ピータ内部に立体モデルを構成する立場、もう一つは、
識別対象の候補が予め分かっており、候補の中から１種
に同定する立場である。

【００１２】生産ラインにおける部品識別などにおいて
は、識別対象の種類は予め分かっており、識別システム
は被識別部品の種類を１つに特定するのが一般的であ
る。

【００１３】本特許は複数種類の立体形状候補の中か
ら、被識別立体の種類を１種に同定する識別システムに
関する。

【００１４】立体識別システムの識別手順としては、 (i) 立体の特徴量データを獲得する。たとえば、立体
表面の凹凸データをセンサーによって獲得したり、立体
の稜線や曲面データを画像処理装置により獲得する、な
どを行う。

【００１５】(ii) 特徴量に基づいて、被識別立体を候
補の中から１種に同定する。

【００１６】の２つの手順に分けることができる。

【００１７】従来の立体識別システムの一例が、「１９
９１年、日本機械学会論文集（Ｃ編）第５７巻５３５号
１７２〜１７９ページ」に記載されている。この論文に
記載された立体識別システムでは、立体の特徴量データ
として、立体の二値画像重心を中心としてレーザ距離計
を円形にスキャンニングすることで獲得した立体の凹凸
データを用い、同定方法としてファジー理論を用いてい
る。

【００１８】また、画像処理により立体特徴量を獲得す
る方法などは、従来よく知られている。

【００１９】しかし、従来の立体識別システムでは、特
徴量データの獲得処理、たとえばレーザ距離計による計
測処理、画像データから稜線を摘出する計算処理などに
多くの時間を必要としていた。また、特徴量に基づく同
定処理にも多くの時間を必要としていた。

【００２０】また、識別対象は場合により類似性の高い
立体が多い場合や、逆に類似性が低く、識別に多くの処
理を必要としない場合も考えられるが、従来の方法では
識別対象の類似性の大小にかかわらず識別のための処理
が一様であるため、処理の過剰や不足（識別不能）の問
題があった。

【００２１】

【発明が解決しようとする課題】上述のように、従来の
平面的なものを識別するシステムでは、最適なセンシグ
位置とその数を定量的に決定することができず、また立
体的なものを識別するシステムでは、識別対象の類似性
にかかわらず処理に多くの時間を費やさなければならな
いという問題があった。

【００２２】本発明は上記事情に鑑みてなされたもの
で、高い識別精度と必要最小限の処理時間とを実現する
最適センシング位置を定量的に決定することのできる識
別システムおよびその方法と、最少の立体特徴量獲得処
理、高い識別精度、及び必要最少限の処理時間を実現す
る立体識別システムを提供することを目的とする。

【００２３】

【課題を解決するための手段】本発明の識別システム
は、識別対象を複数の識別種のうちの１種に同定するシ
ステムであって、複数の単位領域に区分された識別対象
の第１の識別パターンを与えられて対応識別種に同定す
る出力を行い、この出力が所望の値に近付くように学習
する第１のパターン学習／識別手段と、学習後の前記第
１のパターン学習／識別手段に、前記第１の識別パター
ンにノイズを含ませた第１のノイズデータを与える第１
のノイズデータ発生手段と、前記第１のノイズデータを
与えられた前記第１のパターン学習／識別手段の出力か
ら、単位領域ごとに第１の識別特性を求める第１の識別
特性演算手段と、単位領域毎の前記第１の識別特性を記
憶する単位領域識別特性記憶手段と、前記単位領域識別
特性記憶手段に記憶された前記第１の識別特性のなかか
ら、識別特性の優れた１つ以上の単位領域を選定し、こ
の選定された単位領域の識別特性を合成する合成領域構
成手段と、前記合成領域構成手段により合成された合成
単位領域ごとに識別対象の第２の識別パターンを与えら
れて対応識別種に同定する出力を行い、この出力が所望
の値に近付くように学習する第２のパターン学習／識別
手段と、学習後の前記第２のパターン学習／識別手段
に、前記第２の識別パターンにノイズを含ませた第２の
ノイズデータを与える第２のノイズデータ発生手段と、
前記第２のノイズデータを与えられた前記第２のパター
ン学習／識別手段の出力から、合成単位領域ごとの第２
の識別特性を求める第２の識別特性演算手段と、前記第
２の識別特性演算手段が求めた前記第２の識別特性が所
望の条件を満たしているか否かを判定する識別特性評価
手段と、前記識別特性評価手段が、前記第２の識別特性
は所望の条件を満たしていると判断した時点において、
前記合成領域構成手段が選定し合成した合成単位領域に
関する前記第２のパターン学習／識別手段の出力を与え
られて外部へ出力する出力手段とを備えている。

【００２４】また本発明の識別方法は、識別対象を複数
の識別種のうちの１種に同程する方法であって、複数の
単位領域に区分された識別対象の第１の識別パターンを
第１のパターン学習／識別手段に与えて対応する識別種
に同定する出力を行わせ、この出力が所望の値に近付く
ように学習させるステップと、学習後の前記第１のパタ
ーン学習／識別手段に、前記第１の識別パターンにノイ
ズを含ませた第１のノイズデータを与えるステップと、
前記第１のノイズデータを与えられた前記第１のパター
ン学習／識別手段の出力から、単位領域ごとに第１の識
別特性を求めるステップと、求められた単位領域毎の前
記第１の識別特性のなかから、識別特性の優れた少なく
とも２つの単位領域を選定し、この選定された単位領域
の識別特性を合成するステップと、合成された合成単位
領域ごとに識別対象の第２の識別パターンを第１のパタ
ーン学習／識別手段に与えて対応する識別種に同定する
出力を行わせ、この出力が所望の値に近付くように学習
させるステップと、学習後の前記第２のパターン学習／
識別手段に、前記第２の識別パターンにノイズを含ませ
た第２のノイズデータを与えるステップと、前記第２の
ノイズデータを与えられた前記第２のパターン学習／識
別手段の出力から、合成単位領域ごとの第２の識別特性
を求めるステップと、求められた前記第２の識別特性が
所望の条件を満たしているか否かを判定するステップ
と、前記第２の識別特性は所望の条件を満たしている判
定した時点における合成単位領域に関する前記第２のパ
ターン学習／識別手段の出力を外部へ出力するステップ
とを備えている。

【００２５】さらに、本発明の立体識別システムは、立
体を複数の識別種のうちの１種に同定する立体識別シス
テムであって、立体を所定方向から撮影する画像撮影装
置と、前記画像撮影装置を中心とした円周上に１個また
は複数配置された照明手段と、前記照明手段を立体に対
して所定方向に配置制御する手段と、前記照明手段を同
時または１個づつ点灯する手段と、前記画像撮影装置に
より得た画像データを記憶する画像データ記憶手段と、
前記画像データから所要の立体特徴量を生成する立体特
徴量構成手段と、を有する立体特徴量獲得手段と、前記
立体特徴量獲得手段により獲得した立体特徴量を単位領
域に分割し、単位領域の識別パターンを与えられて、対
応する識別種に同定する出力を行い、この出力が所望の
値に近づくように学習する第１のパターン学習／識別手
段と、単位領域毎の識別特性を求める手段と、前記単位
領域のうち、識別特性の良好な複数の単位領域を選択し
て合成する合成領域構成手段と、前記合成領域構成手段
により合成された合成領域に識別対象の第２の識別パタ
ーンを与えられて、対応する識別種に同定する出力を行
い、この出力が所望の値に近づくように学習する第２の
パターン学習／識別手段と、合成領域の識別特性を求め
る手段と、求められたこの合成領域の識別特性が、所定
の条件を満たしているか否かを判定する識別特性評価手
段と、前記識別特性評価手段が所定の条件を満たしてい
ると判定した時点において、前記合成領域構成手段が選
定し合成した合成単位領域に関する前記第２のパターン
学習／識別手段の出力を与えられて外部へ出力する出力
手段と、を備えたことを特徴としている。

【００２６】

【作用】第１のパターン学習／識別手段が、識別対象の
単位領域ごとの第１の識別パターンを与えられて対応す
る識別種に同定する出力を行い、この出力が所望の値に
近付くように学習し、学習後の第１のパターン学習／識
別手段に第１のノイズデータ発生手段が第１のノイズデ
ータを与える。この第１のノイズデータを与えられた前
記第１のパターン学習／識別手段の出力から、第１の識
別特性演算手段が単位領域ごとの第１の識別特性を求
め、単位領域識別特性記憶手段が記憶する。合成領域構
成手段がこの第１の識別特性のうち特性の優れた少なく
とも２つの単位領域を選定し、この選定された単位領域
を第２のパターン学習／識別手段として合成する。第２
のパターン学習／識別手段が、合成領域に関する識別パ
ターンを与えられて対応する識別種に同定する出力を行
い、この出力が所望の値に近付くように学習する。学習
後の第２のパターン学習／識別手段に、第２のノイズデ
ータ発生手段が第２のノイズデータを与え、この第２の
ノイズデータを与えられた第２のパターン学習／識別手
段の出力から、第２の識別特性演算手段が合成領域の第
２の識別特性を求める。この第２の識別特性が所望の条
件を満たしているか否かを識別特性評価手段が判定し、
所望の条件を満たしていると判断した時点において合成
領域構成手段が選定し合成した合成領域に関する第２の
パターン学習／識別手段の出力を出力手段が与えられ
て、外部へ出力する。これにより、複数の単位領域のな
かから識別特性の優れた領域が定量的に選定される。

【００２７】また、このような識別システムを用いて、
本発明の識別方法を実施することができる。

【００２８】さらに、本発明の立体識別システムによれ
ば、照明手段が同時または１個づつ点灯し、画像撮影装
置が立体を所定方向から撮影し、得られた画像データを
画像データ記憶手段が記憶し、この画像データから立体
特徴量構成手段が所要の画像特徴量を構成する。次に、
第１のパターン学習／識別手段がこのようにして得られ
た立体特徴量を単位領域に分割し、単位領域の識別パタ
ーンを与えられて対応する識別種に同定する出力を行
い、この出力が所定の値に近付くように学習する。さら
に、単位領域毎の識別特性を求める手段が単位領域毎の
識別特性を求め、合成領域構成手段が識別特性の良い複
数の単位領域を合成する。第２のパターン学習／識別手
段が、この合成された合成領域に識別対象の第２の識別
パターンを与えられて対応する識別種に同定する出力を
行い、この出力が所望の値に近付くように学習する。合
成領域の識別特性を求める手段がこの合成領域の識別特
性を求め、識別特性を求める手段がこの識別特性を求
め、識別特性評価手段がこの識別特性が所望の所定の条
件を満たしているか否かを判定し、満たしていると判定
した時点で、出力手段が第２のパターン学習／識別手段
の出力を与えられて外部へ出力を行う。これにより、立
体の識別に必要な最小限の領域が定量的に求まり、最小
の処理量及び処理時間で確実な識別が可能である

【００２９】

【実施例】次に、本発明の一実施例について図面を参照
して説明する。

【００３０】図１に、本発明の第１の実施例による平面
的な識別対象を識別するシステムの構成を示す。本実施
例は、イメージセンサ等の画像データ入力装置３と、プ
ログラム制御により動作する単位領域データ処理装置１
および合成領域データ処理装置２と、情報を記憶する記
憶装置４と、ディスプレイや識別結果を次の処理に伝達
するための出力装置５とから構成される。

【００３１】単位領域データ処理装置１は、第１のパタ
ーン学習／識別手段１１と、学習後の第１のパターン学
習／識別手段１１にノイズを含んだ紙幣データを与える
ノイズデータ発生手段１２と、第１のパターン学習／識
別手段１１の出力を用いて、そのときの単位領域の識別
特性を演算する識別特性演算手段１３とを備える。

【００３２】記憶装置４は、識別特性演算手段１３の演
算した単位領域の識別特性を記憶する単位領域識別特性
記憶部４１を含んでいる。

【００３３】第１のパターン学習／識別手段１１は、例
えば図４に示すような３層のバックプロパゲーションＮ
Ｎシステムで構成してもよい。

【００３４】合成領域データ処理装置２は、単位領域識
別特性記憶部４１に記憶されたデータに基づいて新たな
ＮＮ識別手段を構成する合成領域構成手段２０と、合成
領域に関する第２のパターン学習／識別手段２１と、第
２のパターン学習／識別手段２１の出力を用いて、その
ときの合成領域の識別特性を演算する識別特性演算手段
２３と、この識別特性が所要の精度を満足するか否かを
判断する識別特性評価手段２４とを備える。

【００３５】また、記憶装置４には第２のパターン学習
／識別手段２１の演算した合成領域の識別特性および学
習の結果得られたＮＮのパラメータを記憶する合成領域
識別用データ記憶部４２も含む。

【００３６】第２のパターン学習／識別手段２１は、例
えば図５に示すような３層のバックプロパゲーションＮ
Ｎシステムで構成してもよい。第１および第２のパター
ン学習／識別手段１１，２１は、パターン学習手段とし
てパターン学習が終了した後、そのまま識別手段として
機能する。ここで、ＮＮの入力層にデータを与えたとき
の出力と、誤差の例を以下の表１に示す。

【００３７】

【表１】 この表１は、学習済みのＮＮに中古の千円表右のデータ
を与えたときの出力例を示すものである。「出力層１」
が千円表右に対応しており、この「出力層１」からの出
力が“１”に近い値となっており、他の出力層は、
“０”に近い出力となっている。ＮＮの出力は一般的に
このように完全に“１”や“０”にはならず、ある程度
の誤差を残したものとなる。中古紙幣にしわや汚れがあ
ったり、あるいは識別システムの特性が悪いと、この誤
差が大きくなる。識別すべき３金種×４姿勢＝１２種の
紙幣のどの紙幣についても、安定した識別を行うことが
要求される。

【００３８】ＮＮからの出力結果を用いて求めるべき識
別特性の定義としてはいくつか考えられるが、ここでは
１／（誤差の総和）を用いることとする。すなわち、学
習済みのＮＮに１２種の中古紙幣などノイズを含んだ紙
幣データを与え、その時の誤差の総和の逆数を用いる。
したがって、識別特性が大きいほど識別誤差が小さいこ
とになる。

【００３９】次に、図１に示された第１の実施例による
識別システムを用いて図３に示された手順にて識別を行
う本発明の第２の実施例による識別方法について説明す
る。

【００４０】まず、単位領域データ処理について説明す
る。

【００４１】画像データ入力装置３から与えられたデー
タは、紙幣の全領域または広範囲の画像データである。
いま、説明のためにこのデータが横１２８×縦３２のデ
ータであるとし、単位領域は縦３２のラインデータであ
るとする。すなわち、１２８個の単位領域が存在するこ
とになる。この１２８個の単位領域にＩ＝１〜１２８の
符号を付ける。

【００４２】まずＩ＝２ライン目を選択し（ステップ１
０１）、ＮＮで構成された第１のパターン学習／識別手
段１１により、このラインにおけるＮＮ学習を行う（ス
テップ１０２）。すなわち、３金種×４姿勢＝１２種類
の紙幣に関するＩ＝２ライン目の３２個の画像データを
入力層（例えば、図４におけるｐ１〜ｐ３２）に与え、
学習を行う。この際に使用する入力データは、基準とな
る紙幣データなので、例えば未使用の新紙幣のデータと
する。次に、学習が完了したＮＮにノイズデータ発生手
段１２により次の３種類のノイズデータを入力層に与え
る（ステップ１０３）。

【００４３】Ｉ＝Ｉ−１，Ｉ，Ｉ＋１（＝１，２，３）
ライン目の画像データこれによる識別出力誤差をｅ１、
ｅ２、ｅ３とすると、当然ながら通常はｅ２は小さく、
ｅ１、ｅ３は大きくなる。また、識別特性演算手段１３
においては、例えばＥ＝（ｅ１＋ｅ２＋ｅ３）を計算す
るものとする（ステップ１０４）。

【００４４】Ｉ＝２ライン目についての以上の処理が終
了すると、誤差Ｅを単位領域識別特性記憶部４１に記憶
する。そして、Ｉ＝３ライン目以降について同様の処理
を行い、Ｉ＝１２７ライン目で単位領域データ処理は終
了する。

【００４５】以上の処理により得られた、Ｉ＝２〜１２
７ラインに関する識別特性の一例を図６に示す。このグ
ラフは、横軸に２〜１２７のライン位置を、縦軸に各ラ
インにおける誤差の逆数１／Ｅをとっており、縦軸の値
１／Ｅが大きいほど識別特性が良いことを示す。

【００４６】次に、合成領域データ処理について説明す
る。

【００４７】合成領域構成手段２０では、単位領域識別
特性記憶部４１に記憶されたデータに基づき、単位領域
識別特性の優れたラインから複数個を選択し、新たなＮ
Ｎを構成する（ステップ２０２）。例えば、図６より特
性のよいラインＬ１〜Ｌ４の４本のラインを選択し、４
本分の入力層すなわち入力層数３２×４＝１２８個を有
するＮＮを図５に示されるように構成する。そして、第
２のパターン学習／識別手段２１により学習を行い（ス
テップ２０３）、学習の完了したＮＮにノイズデータ発
生手段２２からノイズを含んだデータを入力する（ステ
ップ２０４）。このときのノイズデータは、単位領域デ
ータ処理のように隣接するラインのデータでもよいし、
用意した中古紙幣のデータでもよい。ノイズデータを入
力されたＮＮの出力を用いて、識別誤差を総合した識別
特性を識別特性演算手段２３により演算する（ステップ
２０５）。

【００４８】この識別特性が所要の特性を満足している
か否かを、識別特性評価手段２４により評価し（ステッ
プ２０６）、満足していれば終了し、満足していなけれ
ば単位領域の使用数を増加し（ステップ２０７）、さら
に大規模のＮＮを構成して同様の処理を行う。なお、以
上の説明では、合成領域データ処理での合成ライン数Ｎ
は、Ｎ＝４から始めたが、一般的にはＮ＝１から処理を
開始し（ステップ２０１）、所要の識別特性を満足した
時点で終了する。

【００４９】ところで、単位領域データ処理装置１にお
いて、ノイズデータ発生手段１２から隣接領域を含めた
画像データ、すなわちＩ＝Ｉ−１、Ｉ、Ｉ＋１ライン目
の画像データを第１のパターン学習／識別手段１１に与
えたが、その意味について説明する。

【００５０】Ｉ＝１ライン目の画像データとＩ＝Ｉ−
１、Ｉ＋１ライン目の画像データが近似している場合
は、識別誤差の和Ｅは小さくなり、これらの画像データ
が異なっている場合はＥは大きくなる。このことは、セ
ンサと紙幣との相対的な位置誤差に対する安定性が誤差
Ｅの大きさにより評価可能なことを意味し、Ｅが小さけ
れば、ラインＩをセンシング位置とすることが隣接領域
方向への位置誤差、たとえば紙幣セット時の誤差やセン
サの組立誤差に対して強いことになる。

【００５１】ただし、単に隣接領域間の画像データが近
似しているだけでは、識別誤差の和Ｅが必ずしも小さく
なるとは限らない。例えば単なる白地など何の濃度変化
もないパターンでは、隣接領域の画像データが近似して
いるとはいえるが、識別性も劣ることになり、表１に示
した出力においても、該当紙幣以外の出力層の誤差が大
きくなる。

【００５２】これらの理由から、上に述べた誤差Ｅが小
さいということは、センサと紙幣との位置誤差に対する
強さと、紙幣ごとの濃度変化を明確な個性として抽出す
る識別特性との両方を意味することになる。さらに、ノ
イズデータは、隣接領域のデータに限らず、識別システ
ム固有の誤差を考慮したデータであればよい。従って、
例えばセンサと紙幣との相対位置を適切な量だけ変化さ
せて得られたデータをノイズデータとしてもよい。

【００５３】ここで、合成領域構成手段２０により単位
領域識別特性のよいライン（Ｌ１〜Ｌ４）を選択した
が、単位領域識別特性の良否が合成後の識別特性の良否
と正の相関関係を持つことが実験的に確認されている。
例えば、図６において単位領域識別特性の悪いラインＬ
５〜Ｌ８の合成を行うと、識別誤差はＬ１〜Ｌ４による
合成の場合の２倍以上となる。

【００５４】また、合成するライン数の増加と識別特性
との関係を実験的に求めた結果を図７に示す。横軸に合
成ライン数、縦軸に１／Ｅを示し、実線Ｌ１２は隣接ラ
インのノイズデータを与えた場合を示し、破線Ｌ１１は
実際の紙幣識別の場合を示す。図のように、合成ライン
数の増加とともに識別特性が向上することがわかる。但
し、ここで例示した紙幣識別システムにおいては、合成
ライン数が４以上になると、識別特性が飽和状態にな
る。よって、処理時間を必要最小限にするには、合成ラ
イン数を４とするのが適当と考えられる。

【００５５】以上により識別システムのパラメータが決
定し、一般紙幣の識別を行うことになるが、パラメータ
決定後の紙幣識別システムとしては、図２に示すように
識別に必要な最小限の要素のみで構成する。すなわち、
必要なセンシング位置数ケ所に配置されたライン状のイ
メージセンサを有する画像データ入力装置３と、最終的
な第２のパターン識別手段２１および合成領域識別用デ
ータ記憶部４２を有するデータ処理装置５１と、これに
表示あるいは識別後の処理へのデータ転送を行う出力装
置５とより構成される。この新たな構成は紙幣識別のよ
うに、新デザイン紙幣発行時以外は識別対象の種類が変
わらないような場合に有効である。

【００５６】本発明の識別システムは、紙幣識別に限ら
ず広く他の識別にも適用が可能である。たとえば、魚種
の識別システムや製造ラインにおける部品の識別システ
ムなどにも適用することができ、識別対象に関する濃度
データなどを利用して同様の識別システムを構成するこ
とが可能である。これらの場合には、識別対象の種類が
頻繁に変化するので、図２のような最小限の要素で識別
システムを構成するのでなく、図１に示された構成によ
り識別処理を行う方が対応が容易であると考えられる。
さらに、単位領域の形態は本実施例に示したライン状の
他にも円弧状、同心円状、放射線状あるいは散布状など
識別システムの目的に応じて様々の形態が考えられる。

【００５７】次に、本発明の第３の実施例による立体識
別システムについて図面を参照して説明する。まず、同
システムが有する立体特徴量獲得手段について説明す
る。

【００５８】図８に、この立体特徴量獲得手段の構成を
示す。

【００５９】本実施例における立体特徴量獲得手段は、
ＣＣＤカメラ等の画像撮影装置６１と、４個の照明装置
６５ａ〜６５ｄとより構成されている。画像撮影装置６
１は、被識別立体６４のほぼ中央部（重心）を画像中心
として撮影可能なように配置されている。また、照明装
置６５ａ〜６５ｄは、画像撮影装置６１を中心とした円
周上に等間隔すなわち９０度感覚で配置され、被識別立
体６４を照射する。また、照明装置６５ａ〜６５ｄは１
個づつまたは同時に点灯が可能である。また、画像撮影
装置６１により獲得した画像データは、画像データ記憶
装置手段６２により記憶され、立体特徴量構成手段６３
により、識別処理に的した形に構成される。

【００６０】次に立体特徴量獲得手段による被識別立体
６４の立体特徴量獲得方法について説明する。

【００６１】いま、図９に示す６種類の立体識別を例と
する。この６種類の立体は、平面形状すなわち上方から
とらえた外形形状が正方形であって、外形形状のみから
は立体の種類を同定することができず、また立体の方向
も特定できない。一般に立体識別と言っても、外形形状
から１種に同定が可能であれば、特に立体特徴量を求め
る必要はなく、従来の画像二値化などの技術によって識
別が可能である。外形形状以外の特徴量が必要であっ
て、特徴量を求めて同定することが立体識別システムの
課題である。

【００６２】そして、図９の６種の立体識別では、立体
の同定と伴に方向の特定も必要である。したがって、本
例では６種×４方向＝２４の識別種の中から１種を同定
することになる。

【００６３】図９の６種の立体の中から、たとえば図９
（ｃ）に示す立体の特徴量獲得を行う方法について説明
する。

【００６４】まず、照明６５ａが点灯すると、画像撮影
装置６には図１０（ａ）のような陰影画像が得られる。
同様に照明６５ｂ、６５ｃ、６５ｄが点灯すると、それ
ぞれ図１０（ｂ）、（ｃ）、（ｄ）のような陰影画像が
得られる。なお、立体の外側にも陰影が発生するが、こ
の例では考慮しないものとする。

【００６５】画像データは、各画素における濃度データ
であるので、得られた陰影画像は正方形内における濃度
分布の形となる。

【００６６】また、ここでは図９（ｃ）に示す立体の陰
影画像（ａ）、（ｂ）、（ｃ）、（ｄ）を求めたが、こ
の画像の組を図９（ｃ）−（ａ）、（ｂ）、（ｃ）、
（ｄ）と表記することとする。

【００６７】しかし、ここに示した立体は平面外形が正
方形であるので、その方向も４方向のうちどの方向かを
指定する。平面的な置き方を９０度間隔で変えたときの
陰影画像の組として図９（ｃ）−（ｂ）、（ｃ）、
（ｄ）、（ａ）、図９（ｃ）−（ｃ）、（ｄ）、
（ａ）、（ｂ）、図９（ｃ）−（ｄ）、（ａ）、
（ｂ）、（ｃ）が得られる。

【００６８】これらを６種の立体すべてについて行う
と、全部で２４組の陰影画像データが得られる。

【００６９】次に、立体特徴量構成手段Ｄにより、各組
の４個の陰影画像データをまとめる。例えば図４−
（ａ）に示すように、図９（ｃ）−（ａ）、（ｂ）、
（ｃ）、（ｄ）の画像データを縦に合成して、これを１
個の画像データとする。すなわち図９（ｃ）の立体の方
向（ａ）、（ｂ）、（ｃ）、（ｄ）には、図１１に示す
画像データが対応する関係にある。全部で２４組の各々
について同様の処理を行うので、２４枚の画像データが
得られることになる。

【００７０】立体識別処理としては、以上の手順により
２４枚の画像データを獲得し、被識別立体について得た
画像濃度データを、２４枚の画像データのうちの１種に
同定する処理となる。

【００７１】なお、ここで示した立体特徴量獲得に要す
る時間は、１個の被識別立体当り照明装置を４回点灯
し、画像撮影装置で４画面分の撮影を行い、画像データ
をメモリに格納し、合成するだけの時間で済むので、き
わめて短時間でよい。

【００７２】以上のようにして立体特徴量を獲得するこ
とができる。

【００７３】次に、獲得した立体特徴量を用いる本実施
例による立体識別システムについて説明する。図１２に
同識別システムの構成を示す。

【００７４】上述した第１、第２の実施例では、紙幣識
別を例として平面上の濃度分布などの特徴量分布を用い
たが、本実施例においては立体識別を画像の濃度データ
の識別問題に変換しているので、全く同様の識別方法が
適用可能である。

【００７５】すなわち、例えば図１１（ａ）に示された
ような画像データについて、これをライン状の複数の単
位領域に分割し、各ライン状領域の濃度変化パターンを
得る。図１１（ｂ）に図１１（ａ）における矢印Ａの位
置のライン状領域の濃度変化パターンを示す。これらの
パターンを用いて、第１のパターン学習／識別手段によ
り単位領域全ての識別パターンの学習を行い、以下第
１、第２の実施例において説明したものと同様の処理を
行う。

【００７６】次に本発明の第４の実施例による立体識別
システムにおける立体特徴量獲得手段について説明す
る。この手段は、立体の適切領域との距離パターンを一
定方向から計測し、計測された距離パターンを立体特徴
量とする点に特徴がある。

【００７７】システムの構成としては、上述した図８に
示された構成においてＣＣＤカメラ等から成る画像撮影
装置６１の代わりにレーザ距離計を用いたものに相当す
る。この第４の実施例における立体特徴量獲得手段は、
レーザ距離計などの距離計測手段と、距離データ記憶手
段と、立体特徴量構成手段を備えている。距離計測手段
が被識別立体６４のほぼ中央部を中心としてスキャンニ
ングすることにより、一定領域における被識別立体６４
の凹凸情報を獲得することができる。

【００７８】ところで、ここで獲得した凹凸情報は、デ
ータ形式は画像データ形式と全く同一である。すなわ
ち、画像データは画素またはピクセルと呼ばれる碁盤目
状に区分された座標系における濃度データの集合であ
り、凹凸データも一般的に碁盤目状の有限個に区分した
座標系における距離データの集合である。もちろん、碁
盤目状でなく他の区分形体でもよいが、二次元に細かく
区分された位置における濃度あるいは距離データ集合と
いう意味において、同一データ形式と考えることができ
る。

【００７９】したがって、距離計測手段により獲得した
距離データを立体特徴量として用いることで、上述の第
３の実施例と同一の手順で立体識別を行うことができ
る。

【００８０】以上のように、第３、第４の実施例による
立体識別システムでは、濃度や距離データ等の立体特徴
量を獲得することで、識別に必要な最少限の注目領域を
定量的に求めることができ、最少の処理量・処理時間で
確実な識別を行うことが可能である。立体特徴量として
は、他にもさまざまな形態や方法、あるいは前処理とし
てのデータ変換等が考えられる。

【００８１】ところで、上述のシステムによって図９に
示した６種形状×４方向＝２４種の識別実験を行った
が、形状が急激に変化する箇所を含む単位領域では識別
特性が悪く、形状変化が比較的なだらかで、かつ形状相
違が明確な単位領域が識別特性がよいという結果が得ら
れた。

【００８２】

【発明の効果】以上説明したように本発明の識別システ
ムおよびその方法によれば、識別対象データの単位領域
の中から最も識別特性のよい領域を定量的に選定するこ
とができるので、最小のデータ処理時間で高い精度での
識別が可能となる。

【００８３】また、本発明の立体識別システムおよびそ
の方法によれば、立体特徴量獲得手段により例えば濃
度、距離データといった立体特徴量を獲得することで、
識別に必要な最少限の領域を定量的に求めることがで
き、最少の処理量及び処理時間で確実に識別することが
可能である。

【図面の簡単な説明】

【図１】本発明の第１の実施例による識別システムの構
成を示したブロック図。

【図２】同識別システムにおいてパラメータ決定後の構
成を示したブロック図。

【図３】本発明の第２の実施例による識別方法の手順を
示したフローチャート。

【図４】本発明の第１の実施例による識別システムにお
ける第１の識別パターン学習／識別手段の具体例として
示したニューラルネットワークシステムの構成を示した
ブロック図。

【図５】同識別システムにおける第２の識別パターン学
習／識別手段の具体例として示したニューラルネットワ
ークシステムの構成を示したブロック図。

【図６】同識別システムを用いて紙幣を識別した場合に
おけるライン位置に対する識別特性の一例を示した説明
図。

【図７】同識別システムを用いて紙幣を識別した場合に
おけるライン数に対する識別特性の一例を示した説明
図。

【図８】本発明の第３の実施例による立体識別システム
における立体特徴量獲得手段の構成を示した斜視図。

【図９】同システムを用いて識別することが可能な６種
類の立体を示した斜視図。

【図１０】図９（ｃ）に示された立体に照明が当てられ
て形成される陰影画像を示した説明図。

【図１１】図１０に示された陰影画像を縦に合成したも
のと、矢印Ａで示されたライン上の濃度変化を示した説
明図。

【図１２】本発明の第３の実施例による立体識別システ
ムの構成を示したブロック図。

【図１３】本発明の一実施例による識別システムを用い
て識別することが可能な紙幣に設定された識別ラインの
例と識別ライン上の濃度変化を示した説明図。

【符号の説明】

１ 単位領域データ処理装置 ２ 合成領域データ処理装置 ３ 画像データ入力装置 ４ 記憶装置 ５ 出力装置 １１ 第１のパターン学習／識別手段 １２ ノイズデータ発生手段 １３ 識別特性演算手段 ２０ 合成領域構成手段 ２１ 第２のパターン学習／識別手段 ２２ ノイズデータ発生手段 ２３ 識別特性演算手段 ２４ 識別特性評価手段 ４１ 単位領域識別特性記憶部 ４２ 合成領域識別用データ記憶部 ５１ データ処理装置 ６１ 画像撮影装置 ６２ 画像データ記憶手段 ６３ 立体特徴量構成手段 ６４ 被識別立体 ６５ａ〜６５ｄ 照明 ７１ 立体特徴量獲得手段

───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06T 7/00 - 7/60 G01B 11/24 G06T 1/00 G07D 7/00 - 7/20

Claims (8)

(57)【特許請求の範囲】
1. 【請求項１】識別対象を複数の識別種のうちの１種に同
   定する識別システムにおいて、 複数の単位領域に区分された識別対象の第１の識別パタ
   ーンを与えられて対応する識別種に同定する出力を行
   い、この出力が所望の値に近付くように学習する第１の
   パターン学習／識別手段と、 学習後の前記第１のパターン学習／識別手段に、前記第
   １の識別パターンにノイズを含ませた第１のノイズデー
   タを与える第１のノイズデータ発生手段と、 前記第１のノイズデータを与えられた前記第１のパター
   ン学習／識別手段の出力から、単位領域ごとに第１の識
   別特性を求める第１の識別特性演算手段と、 単位領域毎の前記第１の識別特性を記憶する単位領域識
   別特性記憶手段と、 前記単位領域識別特性記憶手段に記憶された前記第１の
   識別特性のなかから、識別特性の優れた１つ以上の単位
   領域を選定し、この選定された単位領域の識別特性を合
   成する合成領域構成手段と、 前記合成領域構成手段により合成された合成領域に識別
   対象の第２の識別パターンを与えられて対応する識別種
   に同定する出力を行い、この出力が所望の値に近付くよ
   うに学習する第２のパターン学習／識別手段と、 学習後の前記第２のパターン学習／識別手段に、前記第
   ２の識別パターンにノイズを含ませた第２のノイズデー
   タを与える第２のノイズデータ発生手段と、 前記第２のノイズデータを与えられた前記第２のパター
   ン学習／識別手段の出力から、合成単位領域ごとの第２
   の識別特性を求める第２の識別特性演算手段と、 前記第２の識別特性演算手段が求めた前記第２の識別特
   性が所望の条件を満たしているか否かを判定する識別特
   性評価手段と、 前記識別特性評価手段が、前記第２の識別特性は所望の
   条件を満たしていると判断した時点において、前記合成
   領域構成手段が選定し合成した合成単位領域に関する前
   記第２のパターン学習／識別手段の出力を与えられて外
   部へ出力する出力手段と、 を備えたことを特徴とする識別システム。
2. 【請求項２】前記第１のノイズデータ発生手段は、単位
   領域毎の識別パターンを学習するときの単位領域に隣接
   する単位領域の特性データの少なくとも一部を含んだも
   のを前記第１のノイズデータとして発生することを特徴
   とする請求項１記載の識別システム。
3. 【請求項３】前記第１のノイズデータ発生手段は、単位
   領域毎の識別パターンを学習するときの単位領域近傍の
   特性データの少なくとも一部を含んだものを前記第１の
   ノイズデータとして発生することを特徴とする請求項１
   記載の識別システム。
4. 【請求項４】識別対象を複数の識別種のうちの１種に同
   定する識別方法において、 複数の単位領域に区分された識別対象の第１の識別パタ
   ーンを第１のパターン学習／識別手段に与えて対応する
   識別種に同定する出力を行わせ、この出力が所望の値に
   近付くように学習させるステップと、 学習後の前記第１のパターン学習／識別手段に、前記第
   １の識別パターンにノイズを含ませた第１のノイズデー
   タを与えるステップと、 前記第１のノイズデータを与えられた前記第１のパター
   ン学習／識別手段の出力から、単位領域ごとに第１の識
   別特性を求めるステップと、 求められた単位領域毎の前記第１の識別特性のなかか
   ら、識別特性の優れた少なくとも２つの単位領域を選定
   し、この選定された単位領域の識別特性を合成するステ
   ップと、 合成された合成単位領域ごとに識別対象の第２の識別パ
   ターンを第１のパターン学習／識別手段に与えて対応す
   る識別種に同定する出力を行わせ、この出力が所望の値
   に近付くように学習させるステップと、 学習後の前記第２のパターン学習／識別手段に、前記第
   ２の識別パターンにノイズを含ませた第２のノイズデー
   タを与えるステップと、 前記第２のノイズデータを与えられた前記第２のパター
   ン学習／識別手段の出力から、合成単位領域ごとの第２
   の識別特性を求めるステップと、 求められた前記第２の識別特性が所望の条件を満たして
   いるか否かを判定するステップと、 前記第２の識別特性は所望の条件を満たしていると判定
   した時点における合成単位領域に関する前記第２のパタ
   ーン学習／識別手段の出力を外部へ出力するステップ
   と、 を備えたことを特徴とする識別方法。
5. 【請求項５】前記第１のノイズデータは、単位領域毎の
   識別パターンを学習するときの単位領域に隣接する単位
   領域の特性データの少なくとも一部を含んでいることを
   特徴とする請求項４記載の識別方法。
6. 【請求項６】前記第１のノイズデータは、単位領域毎の
   識別パターンを学習するときの単位領域近傍の特性デー
   タの少なくとも一部を含んでいることを特徴とする請求
   項４記載の識別方法。
7. 【請求項７】立体を複数の識別種のうちの１種に同定す
   る立体識別システムにおいて、 立体を所定方向から撮影する画像撮影装置と、 前記画像撮影装置を中心とした円周上に１個または複数
   配置された照明手段と、 前記照明手段を立体に対して所定方向に配置制御する手
   段と、 前記照明手段を同時または１個づつ点灯する手段と、 前記画像撮影装置により得た画像データを記憶する画像
   データ記憶手段と、 前記画像データから所要の立体特徴量を生成する立体特
   徴量構成手段と、 を有する立体特徴量獲得手段と、 前記立体特徴量獲得手段により獲得した立体特徴量を単
   位領域に分割し、単位領域の識別パターンを与えられ
   て、対応する識別種に同定する出力を行い、この出力が
   所望の値に近づくように学習する第１のパターン学習／
   識別手段と、 単位領域毎の識別特性を求める手段と、 前記単位領域のうち、識別特性の良好な複数の単位領域
   を選択して合成する合成領域構成手段と、 前記合成領域構成手段により合成された合成領域に識別
   対象の第２の識別パターンを与えられて、対応する識別
   種に同定する出力を行い、この出力が所望の値に近づく
   ように学習する第２のパターン学習／識別手段と、 合成領域の識別特性を求める手段と、 求められたこの合成領域の識別特性が、所定の条件を満
   たしているか否かを判定する識別特性評価手段と、 前記識別特性評価手段が所定の条件を満たしていると判
   定した時点において、前記合成領域構成手段が選定し合
   成した合成単位領域に関する前記第２のパターン学習／
   識別手段の出力を与えられて外部へ出力する出力手段
   と、 を備えたことを特徴とする立体識別システム。
8. 【請求項８】立体を複数の識別種のうちの１種に同定す
   る立体識別システムにおいて、 所定方向から立体の任意に領域を走査し、この領域まで
   の距離を検出することで得られた距離パターンを立体特
   徴量とする立体特徴量獲得手段と、 前記立体特徴量獲得手段により獲得した立体特徴量を単
   位領域に分割し、単位領域の識別パターンを与えられ
   て、対応する識別種に同定する出力を行い、この出力が
   所望の値に近づくように学習する第１のパターン学習／
   識別手段と、 単位領域毎の識別特性を求める手段と、 前記単位領域のうち、識別特性の良好な複数の単位領域
   を選択して合成する合成領域構成手段と、 前記合成領域構成手段により合成された合成領域に識別
   対象の第２の識別パターンを与えられて、対応する識別
   種に同定する出力を行い、この出力が所望の値に近づく
   ように学習する第２のパターン学習／識別手段と、 合成領域の識別特性を求める手段と、 求められたこの合成領域の識別特性が、所定の条件を満
   たしているか否かを判定する識別特性評価手段と、 前記識別特性評価手段が所定の条件を満たしていると判
   定した時点において、前記合成領域構成手段が選定し合
   成した合成単位領域に関する前記第２のパターン学習／
   識別手段の出力を与えられて外部へ出力する出力手段
   と、 を備えたことを特徴とする立体識別システム。