DE4017430A1 - Data pattern e.g. for geometric image - searching vector sequences for standard pattern sequences and computing similarity and scale factors - Google Patents

Data pattern e.g. for geometric image - searching vector sequences for standard pattern sequences and computing similarity and scale factors

Info

Publication number
DE4017430A1
DE4017430A1 DE4017430A DE4017430A DE4017430A1 DE 4017430 A1 DE4017430 A1 DE 4017430A1 DE 4017430 A DE4017430 A DE 4017430A DE 4017430 A DE4017430 A DE 4017430A DE 4017430 A1 DE4017430 A1 DE 4017430A1
Authority
DE
Germany
Prior art keywords
pattern
vector
standard
degree
patterns
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.)
Granted
Application number
DE4017430A
Other languages
German (de)
Other versions
DE4017430C2 (en
Inventor
Takushi Nishiya
Motohisa Funabashi
Kazuo Kera
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Publication of DE4017430A1 publication Critical patent/DE4017430A1/en
Application granted granted Critical
Publication of DE4017430C2 publication Critical patent/DE4017430C2/en
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding

Abstract

The pattern detection method comprises the steps of storing vector sequences representing standard patterns in a standard pattern memory. Vector sequences representing an entered pattern are stored in another memory and searched to find sequences from the standard patterns. The degree of similarity and scale redn. factor between the located vector sequences and the standard pattern sequences are computed by a device which defines standard patterns with a greater degree of similarity and a smaller scale redn. factor than for the already located vector sequences. USE/ADVANTAGE - For real time pattern recognition, e.g. of data patterns and geometric images of various sizes.

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Erfassen und Unterscheiden von Informationen, die ein Muster oder eine Folge von Mustern beinhalten.The invention relates to a method and a device to capture and distinguish information that is a pattern or include a sequence of patterns.

Unter "Muster" ist im gegebenen Zusammenhang nicht nur ein geometrisches Gebilde, sondern allgemein beispielweise eine be­ stimmte Anordnung von Daten, der Verlauf einer Wellenform usw. zu verstehen.In the given context, "pattern" is not just one geometric structure, but generally, for example, a be correct arrangement of data, the course of a waveform, etc. to understand.

Zur Erfassung und Identifikation eines aufgenommenen Mu­ sters gibt es bereits mehrere Verfahren, insbesondere ein Ver­ fahren, bei dem durch eine Korrelationsanalyse zwischen einem eingegebenen Muster und gespeicherten Standardmustern eine Ana­ logie oder Ähnlichkeit berechnet wird, ein Verfahren, bei dem mittels einer Fouriertransformation eine Frequenzkomponente erhalten wird, und ein Verfahren, bei dem eine Regressionslinie bestimmt wird. Bei dem Verfahren mit der Korrelationsanalyse muß aus den aufgenommenen Mustern und den gespeicherten Standard­ mustern eine Summe von Produkten berechnet werden. Da bei einer großen Anzahl von gespeicherten Standardmustern ein großer Rechenumfang erforderlich ist, ist damit eine Echtzeit-Muster­ erkennung nicht gut möglich. Auch wird das eingegebene Muster nicht erkannt, wenn es zwar zu einem Standardmuster analog, je­ doch davon in der Größe verschieden ist. Bei dem Verfahren mit der Fouriertransformation kann ein Muster erkannt werden, das mit einer Schwingung oder einer Oszillation verknüpft ist. Da dabei jedoch nicht Wellenformen an sich behandelt werden, ist es damit schwierig, die Form oder Kontur eines Musters zu identifi­ zieren. Bei dem Verfahren mit der Regressionslinie wird im vor­ aus angenommen, daß das Muster eine direkte Linie darstellt, um eine Linie zu erhalten, die dazu am besten analog ist. Mit die­ sem Verfahren ist es daher nicht möglich, komplizierte Wellen­ formen geeignet zu erfassen.To record and identify a recorded mu sters there are already several procedures, in particular a Ver drive in which a correlation analysis between a entered patterns and saved standard patterns an Ana logic or similarity is calculated, a process in which a frequency component by means of a Fourier transformation is obtained, and a method in which a regression line is determined. The procedure with the correlation analysis must from the recorded patterns and the saved standard sample a sum of products are calculated. Because with one large number of stored standard patterns a large one The amount of computation required is a real-time pattern detection not possible. Also the pattern you entered not recognized if it is analog to a standard pattern, depending but it is different in size. In the procedure with the Fourier transform, a pattern can be recognized that is linked to an oscillation or an oscillation. There  however, it does not deal with waveforms per se difficult to identify the shape or contour of a pattern adorn. In the procedure with the regression line in the assumed that the pattern represents a direct line to to get a line that is best analogous to that. With the It is therefore not possible to use this method to produce complicated waves shapes to capture appropriately.

Es wird bereits auch eine Vorrichtung verwendet, bei der die aus einer Abbildungs-Eingabevorrichtung etwa in der Art einer kommerziellen Fernsehkamera (ITV-Kamera) erhaltene Abbil­ dung zum Messen des Abstandes zum Objekt verarbeitet wird. Dabei werden diejenigen Abschnitte (die Kanten) bestimmt, an denen sich die Helligkeit abrupt ändert, und die charakteristischen Eigenschaften der Kanten werden miteinander verglichen. Es er­ folgt somit die Abstandsmessung auch nur bezüglich der Kanten. In den anderen Abschnitten, die in der Regel den größten Teil der Abbildung darstellen, kann keine Messung des Abstandes erfolgen.A device is already used in which which from an image input device, for example, in the manner image obtained from a commercial television camera (ITV camera) processing to measure the distance to the object. Here those sections (the edges) are determined at which the brightness changes abruptly, and the characteristic Properties of the edges are compared with one another. It he the distance measurement follows only with respect to the edges. In the other sections, usually the majority the figure cannot measure the distance respectively.

Die der Erfindung zugrundeliegende Aufgabe ist es, ein Verfahren und eine Vorrichtung zum Erfassen von Mustern zu schaffen, bei dem bzw. bei der analoge Muster mit verschiedenen Größen erkannt werden können und bei dem bzw. bei der die Er­ fassung mit einem verringerten Aufwand an Berechnungen erfolgt, so daß eine Echtzeitverarbeitung möglich ist.The object underlying the invention is a Method and an apparatus for detecting patterns create, in which or with the analog pattern with different Sizes can be recognized and at which the Er is carried out with a reduced amount of calculations, so that real-time processing is possible.

Auch soll dabei aus den Abbildungs-Informationen der Ab­ stand für alle Teile der Abbildung, nicht nur deren Kanten, festgestellt werden können.The illustration information of the Ab stood for all parts of the illustration, not just their edges, can be determined.

Zur Lösung dieser Aufgabe ist erfindungsgemäß vorgesehen: Eine erste Einrichtung zur Annäherung eines eingegebenen Musters durch eine gebrochene oder geknickte Linie, die das eingegebene Muster in eine Folge von Vektoren umformt, die die gebrochene Linie bilden; eine zweite Einrichtung zum Speichern eines Stan­ dardmusters, das mit dem eingegebenen Muster verglichen wird, wobei das Standardmuster die Form einer gebrochenen Linie hat, die durch eine Folge von Vektoren dargestellt wird; eine dritte Einrichtung zum Vergleichen der durch die erste Einrichtung er­ haltenen Vektorfolge für das eingegebene Muster mit der in der zweiten Einrichtung gespeicherten Standardmuster-Vektorfolge; und eine vierte Einrichtung zum Berechnen des Grades der Ähn­ lichkeit und eines Reduktionsfaktors zwischen der von der drit­ ten Einrichtung abgeleiteten Vektorfolge und der Standard­ muster-Vektorfolge.To achieve this object, the invention provides: A first device for approximating an input pattern by a broken or kinked line that the entered Patterns transformed into a series of vectors that are the broken ones Form line; a second device for storing a Stan dard pattern, which is compared with the entered pattern, where the standard pattern is in the form of a broken line,  which is represented by a sequence of vectors; a third Means to compare the through the first facility hold vector sequence for the entered pattern with the in the second pattern stored standard pattern vector sequence; and fourth means for calculating the degree of similarity and a reduction factor between that of the third th device derived vector sequence and the standard pattern vector sequence.

Die erfindungsgemäße Vorrichtung kann eine Einrichtung aufweisen, die als Eingangsgrößen Standardmuster darstellende Vektorfolgen und eingegebene Muster darstellende Vektorfolgen aufnimmt; sie kann ferner eine Einrichtung zum Vergleichen der jeweiligen Vektorfolgen und eine Einrichtung zum Berechnen des Grades der Ähnlichkeit und von Reduktionsfaktoren zwischen den jeweiligen Vektorfolgen beinhalten.The device according to the invention can be a device have, which represent standard patterns as input variables Vector sequences and vector sequences representing entered patterns picks up; it can also provide a means for comparing the respective vector sequences and a device for calculating the Degree of similarity and reduction factors between the contain respective vector sequences.

Die erste Einrichtung zur näherungsweisen Darstellung eines eingegebenen Musters durch eine gebrochene Linie, mit der das eingegebene Muster in eine Vektorfolge umgewandelt wird, die schließlich die gebrochene Linie bildet, kann die Eigenschaften der Kontur oder Form des eingegebenen Musters in charakteristi­ sche Größen (Längen von Intervallen, Ausmaß einer Variation usw.) der jeweiligen Vektoren umwandeln. Der Umfang der Daten, die die Vektorfolgen darstellen, ist auf jeden Fall beträchtlich kleiner als derjenige für die eingegebenen Muster, wodurch der Umfang der Berechnungen zur Erkennung der Muster verringert wird.The first device for the approximate representation of a entered pattern by a broken line with which the entered pattern is converted into a vector sequence that Finally, the broken line forms the properties the contour or shape of the entered pattern in characteristics sizes (length of intervals, extent of a variation, etc.) convert the respective vectors. The amount of data that the Representing vector sequences is definitely considerably smaller than that for the input pattern, reducing the scope the calculations for recognizing the patterns is reduced.

Mittels der zweiten Einrichtung zum Speichern von Standard­ mustern in der Form von Vektorfolgen für gebrochene Linien kann der Vorgang des Erkennens der Muster in einen Vorgang des Ver­ gleichens der Eigenschaften von Vektorfolgen umgewandelt werden. Im Ergebnis ist dieser Vorgang stark vereinfacht, und die Feh­ lermöglichkeiten bei diesem Vorgang sind stark verringert.By means of the second device for storing standard pattern in the form of vector sequences for broken lines the process of recognizing the patterns into a process of ver similar to the properties of vector sequences. As a result, this process is greatly simplified, and the mistake Possibilities for this process are greatly reduced.

Durch die dritte Einrichtung zum Vergleichen der von der ersten Einrichtung erhaltenen Vektorfolge für das eingegebene Muster mit den in der zweiten Einrichtung gespeicherten Vektor­ folgen für Standardmuster, um aus der Vektorfolge für das ein­ gegebene Muster eine Vektorfolge zu erhalten, die Standardmu­ ster-Vektorfolgen einschließt, können leicht Muster abgeleitet werden, die teilweise miteinander übereinstimmen, und auch analoge Muster mit verschiedenen Größen können leicht erkannt werden.By the third device for comparing the of the first device obtained vector sequence for the entered Pattern with the vector stored in the second device  follow for standard patterns to get out of the vector sequence for that one given pattern to get a vector sequence, the standard mu ster vector sequences, patterns can easily be derived that partly agree with each other, and also Analog patterns with different sizes can be easily recognized will.

Durch die vierte Einrichtung zur Berechnung des Ähnlich­ keitsgrades und des Reduktionsfaktors zwischen den jeweiligen Vektorfolgen können anhand eines festen Standards Ähnlichkeits­ grade analoger Muster mit verschiedenen Größen und Muster, die teilweise einander ähnlich sind, festgestellt werden. Dadurch ist die Erkennungs- und Unterscheidungsfähigkeit wesentlich verbessert.By the fourth device for calculating the similar degrees and the reduction factor between the respective Vector sequences can be similar based on a fixed standard grade analog pattern with different sizes and patterns that are partially similar to one another. Thereby the ability to recognize and differentiate is essential improved.

Die erste Einrichtung ermöglicht es darüber hinaus, Abbil­ dungsinformationen über Helligkeitsmuster von einzelnen Abtast­ zeilen durch eine gestrichelte Linie derart anzunähern, daß die Abbildungsinformationen für die folgende Verarbeitung in eine Folge von Vektoren umgewandelt werden können. Da dann die Be­ ziehungen zwischen den Abbildungen aus den Beziehungen zwischen Vektorfolgen abgeleitet werden können, ist eine Abstandsmessung auch in anderen Teilen als den Kanten möglich.The first facility also allows Abbil Information about the brightness pattern of individual samples to approximate lines by a dashed line such that the Mapping information for subsequent processing into one Sequence of vectors can be converted. Since then the Be Drawings between the figures from the relationships between Vector sequences can be derived is a distance measurement also possible in parts other than the edges.

Mit der erfindungsgemäßen Vorrichtung bzw. dem entsprechen­ den Verfahren ist somit in Echtzeit die Erfassung von Mustern mit verschiedenen Eigenschaften in einem einzigen Verfahren mög­ lich, ohne daß eine Kombination verschiedener Verfahren wie eine Fouriertransformation, eine Korrelationsanalyse und eine Regres­ sionsanalyse erforderlich ist.With the device according to the invention or the The method is therefore the acquisition of patterns in real time possible with different properties in a single process Lich, without a combination of different processes like one Fourier transform, a correlation analysis and a regress ion analysis is required.

Auch kann der Grad an Ähnlichkeit für Muster mit verschie­ denen Größen einfach und korrekt erhalten werden, wodurch die Anzahl der erforderlichen Standardmuster erheblich verringert ist.Also, the degree of similarity for patterns can vary which sizes are obtained simply and correctly, which makes the Number of standard samples required significantly reduced is.

Es ist erfindungsgemäß möglich, Muster zu erfassen, die in Abhängigkeit von der Zeit ihren Zustand ändern, um daraus zum Beispiel den Stand eines zu steuernden Prozesses zu bestimmen. According to the invention, it is possible to detect patterns that are in Depending on the time change their state in order to go from there Example to determine the status of a process to be controlled.  

Es kann darüber hinaus die Verarbeitung der gegenseitigen Beeinflussungen zwischen Variablen, die bezüglich der für ein Prozeßmodell zu erstellenden Informationen einen Engpaß dar­ stellt, und eine Begrenzung in der Anzahl möglicher numerischer Berechnungen in einem Modell mit einer größeren Anzahl von Va­ riablen durch die Umformung des Zustandes der Variablen in abstrakte Darstellungen wie Symbole umgangen werden.It can also process mutual processing Influences between variables related to that for a Process model to create information is a bottleneck places, and a limit in the number of possible numeric Calculations in a model with a larger number of Va riablen by transforming the state of the variable into abstract representations of how symbols are bypassed.

Es ist auch möglich, wenn in der Vergangenheit Prozeß- Meßdatenmuster zusammen mit Ereignisnamen gesammelt wurden, mit hoher Geschwindigkeit ein analoges Ereignis, das in einem lau­ fenden Prozeß auftritt, mittels des Ereignisnamens zu erfassen, wodurch abnormale Zustände anhand analoger Betriebsdaten aus der Vergangenheit behandelt werden können.It is also possible if process Data samples along with event names were collected with high speed an analog event that is lukewarm process occurs, by means of the event name, whereby abnormal conditions based on analog operating data from the Past can be dealt with.

Es ist mit dem erfindungsgemäßen Verfahren auch möglich, eine Mensch-Maschine-Schnittstelle zu schaffen, mittels der mit Prozeßzuständen verknüpfte Informationen mit abstrakten Darstel­ lungen sichtbar gemacht werden können, die vom Menschen leicht verstanden werden.It is also possible with the method according to the invention to create a human-machine interface by means of the Process states linked information with abstract representation lungs can be made visible by humans easily be understood.

Es können erfindungsgemäß auch Variable in einer Anzahl von mehreren zehntausend Größen, die beispielsweise mit Verkaufsin­ formationen, Marktpreisen, Verwaltungsinformationen und derglei­ chen verknüpft sind, in Banken, Betrieben, Großhandlungen usw. verarbeitet werden, um mit hoher Geschwindigkeit erforderliche Verwaltungsvorgänge oder die Bereitstellung von Teilen usw. aus­ zulösen.According to the invention, variables in a number of tens of thousands of sizes, for example with sales formations, market prices, administrative information and the like linked, in banks, factories, wholesalers, etc. processed to required at high speed Administrative operations or the provision of parts, etc. to solve.

Auch ist es erfindungsgemäß möglich, Muster von gemessenen Prozeßdaten zu erkennen, um komplexe Prozesse wie die thermi­ schen Vorgänge in einem Hochofen oder Reaktionsvorgänge in che­ mischen Anlagen durch Computer überwachen und steuern zu lassen.It is also possible according to the invention to create samples of measured ones Recognize process data in order to process complex processes like thermi processes in a blast furnace or reaction processes in kitchen mixing systems can be monitored and controlled by computers.

Das erfindungsgemäße Verfahren bzw. die entsprechende Vor­ richtung ist schließlich auch für Abstandsmessungen bei Überwa­ chungssystemen mit Fernsehkameras, visuellen Systemen für sich selbständig bewegende Roboter und verschiedenen Arten von Meß­ systemen, bei denen Abbildungen verwendet werden, geeignet. The method according to the invention or the corresponding pre After all, the direction is also for distance measurements when monitoring systems with television cameras, visual systems for themselves independently moving robots and various types of measuring systems using images are suitable.  

Ausführungsbeispiele für das Verfahren und die Vorrichtung zum Erfassen von Mustern werden im folgenden anhand der Zeich­ nung näher erläutert. Es zeigenExemplary embodiments for the method and the device for capturing patterns are described below with reference to the drawing tion explained in more detail. Show it

Fig. 1 ein schematisches Blockschaltbild einer ersten Aus­ führungsform einer Vorrichtung zum Erfassen von Mustern; Fig. 1 is a schematic block diagram of a first imple mentation form of a device for detecting patterns;

Fig. 2 ein Ablaufdiagramm für den Vorgang im Abschnitt der Vorrichtung der Fig. 1 für die Annäherung eines Musters durch eine gebrochene Linie; Fig. 2 is a flowchart for the operation in the portion of the device of Fig. 1 for the approximation of a pattern by a broken line;

Fig. 3a bis 3d Kurven bzw. eine Tabelle zur Erläuterung des Vorganges der Annäherung durch eine gebrochene Linie; Figures 3a to 3d curves or a table for explaining the operation of the approach by a broken line.

Fig. 4a und 4b Kurven für Beispiele von Filtern zur Ablei­ tung von Eigenschaften eines Musters; FIGS. 4a and 4b curves for examples of filters for Ablei processing properties of a pattern;

Fig. 5 ein Ablaufdiagramm für die Vorgänge im Abschnitt der Fig. 1 zur Ableitung von Eigenschaften aus einem Verzeichnis; Fig. 5 is a flow chart for the operations in the section of Fig. 1 for deriving properties from a directory;

Fig. 6 ein Ablaufdiagramm für einen Erkennungsvorgang; Fig. 6 is a flowchart for a recognition operation;

Fig. 7 schematisch ein pseudo-neurales Netzwerk; Fig. 7 shows schematically a pseudo-neural network;

Fig. 8 eine Darstellung der Verbindungen zwischen Nerven­ zellen in dem Netzwerk der Fig. 7; Figure 8 shows the connections between nerve cells in the network of Figure 7;

Fig. 9 eine Darstellung der Stärke der Verbindungen zwi­ schen Nervenzellen in dem Netzwerk der Fig. 7; Fig. 9 is an illustration of the strength of connections between nerve cells in the network of Fig. 7;

Fig. 10 ein Blockschaltbild für eine zweite Ausführungsform der Vorrichtung zum Erfassen von Mustern; FIG. 10 is a block diagram for a second embodiment of the apparatus for detecting patterns;

Fig. 11a bis 11d schematische Darstellungen für Beispiele von Ergebnissen aus dem Verarbeitungsvorgang; Figures 11a to 11d are schematic illustrations of examples of results from the processing operation.

Fig. 12 ein Blockschaltbild einer Ausführungsform einer Vorrichtung zum Messen von Abständen; und FIG. 12 is a block diagram of an embodiment of a device for measuring distances; and

Fig. 13 ein Blockschaltbild einer dritten Ausführungsform der Vorrichtung zum Erfassen von Mustern. Fig. 13 is a block diagram of a third embodiment of the device for detecting patterns.

Fig. 1 zeigt ein Blockschaltbild einer Vorrichtung zum Erfassen von Mustern mit einer Kommunikationseinrichtung 110, einem Datenspeicher 120, einem Eingangs-Verarbeitungsabschnitt 130, Speichern 140 und 195, einem Filterspeicher 150, einem Standardmusterverzeichnis 160, einem Abschnitt 170 zur Näherung durch eine gebrochene oder geknickte Linie, einem Abschnitt 180 zur Gewinnung von Daten aus dem Verzeichnis 160 und einem Ab­ schnitt 190 zur Berechnung eines Ähnlichkeitsgrades und eines Maßstabs-Reduktionsfaktors. Die Kommunikationseinrichtung 110 ist dafür vorgesehen, über ein Kommunikationsnetzwerk Einzelhei­ ten über Musterdaten eines zu verarbeitenden Objektes in der Art einer Identifikationsnummer, einer Abtastperiode, eines Verar­ beitungs-Objekt-Intervalles oder eines Transformationskoeffi­ zienten zu übernehmen. Der Datenspeicher 120 wird, bei Anwendung in der Prozeßsteuerung, zur Speicherung einer zeitlichen Folge von Musterdaten wie der Temperatur, dem Druck und Fließraten an entsprechenden Punkten eines Prozesses und von Musterdaten, die sich im Zusammenhang mit der räumlichen Anordnung ändern, wie Temperaturverteilungen, verwendet. Bei einer Anwendung auf dem Gebiet finanzieller Transaktionen, der Sicherheit oder dem Ver­ teilen von Waren wird der Speicher 120 mit zeitlich aufeinander­ folgenden Daten über Wirtschaftsindizes, Verkaufsinformationen, Verwaltungsinformationen usw. geladen. Der Verarbeitungsab­ schnitt 130 wird von einem Signal aus der Kommunikationseinrich­ tung 130 gestartet. Der Verarbeitungsabschnitt 130 erhält von der Kommunikationseinrichtung 110 Informationen über beispiels­ weise die Identifikationsnummer, die Abtastperiode oder das Verarbeitungsintervall, um auf den Datenspeicher 120 zugreifen zu können und beispielsweise passende Musterdaten aus dem Verar­ beitungsintervall in der bestimmten Abtastperiode abzurufen. Die erhaltenen Daten werde dann zum Speicher 140 gegeben. Der Fil­ terspeicher 150 wird dazu verwendet, um die Eigenschaften von Auswahlfiltern zu speichern, die im Näherungsabschnitt 170 ver­ wendet werden. Das Standardmusterverzeichnis 160 ist mit Stan­ dardmustern zum Erkennen von eingegebenen Mustern geladen, wobei die Standardmuster in der Form von Vektorfolgen vorliegen, die eine Annäherung der Muster durch gebrochene Linien darstellen. Jedes Standardmuster besteht aus Grunddaten und Daten über typische Änderungen. Der Näherungsabschnitt 170 erstellt eine Näherungeines im Speicher 140 gespeicherten, eingegebenen Musters durch eine gebrochene Linie, um das eingegebene Muster in eine Vektorfolge von Liniensegmenten umzuwandeln, die die gebrochene Linie bilden. Der Abschnitt 180 zur Ableitung von Daten aus dem Verzeichnis 160 vergleicht die vom Näherungsab­ schnitt 170 ausgegebene Vektorfolge für ein eingegebenes Muster mit den Vektorfolgen für die Standardmuster, die im Standard­ musterverzeichnis 160 enthalten sind, um Vektorfolgen für ent­ sprechende "Kandidaten" zu erhalten. Der Abschnitt 190 berechnet Ähnlichkeitsgrade und Maßstabs-Reduktionsfaktoren zwischen den Vektorfolgen der Kandidaten, die durch den Abschnitt 180 ermit­ telt wurden, und denen der Standardmuster. Für jede Vektorfolge mit einem Maßstabs-Reduktionsfaktor innerhalb eines vorgegebenen Bereiches und einem Ähnlichkeitsgrad, der nicht kleiner als ein vorgegebener Wert ist, speichert dieser Abschnitt 190 im Spei­ cher 195 eine Nummer, die dem zugehörigen Standardmuster zuge­ ordnet ist, und eine Nummer, den Ähnlichkeitsgrad und den Maß­ stab-Reduktionsfaktor für die Vektorfolge des eingegebenen Musters. Die in den Speicher 195 eingegebenen Resultate können dann über die Kommunikationseinrichtung 110 zu anderen Verarbei­ tungseinheiten oder Softwaresystemen übertragen werden. Fig. 1 shows a block diagram of an apparatus for detecting patterns with a communication device 110 , a data memory 120 , an input processing section 130 , memories 140 and 195 , a filter memory 150 , a standard pattern dictionary 160 , a section 170 for approximation by a broken or kinked Line, a section 180 for obtaining data from the directory 160 and a section 190 for calculating a degree of similarity and a scale reduction factor. The communication device 110 is intended to take over details via a communication network via sample data of an object to be processed in the manner of an identification number, a sampling period, a processing object interval or a transformation coefficient. Data storage 120 , when used in process control, is used to store a temporal sequence of sample data such as temperature, pressure, and flow rates at corresponding points in a process, and sample data that change in association with spatial arrangement, such as temperature distributions. In an application in the field of financial transactions, security or the distribution of goods, the memory 120 is loaded with chronologically successive data on economic indices, sales information, administrative information, etc. The processing section 130 is started by a signal from the communication device 130 . The processing section 130 receives information from the communication device 110, for example the identification number, the sampling period or the processing interval, in order to be able to access the data memory 120 and, for example, to retrieve suitable sample data from the processing interval in the specific sampling period. The data obtained is then sent to memory 140 . The filter memory 150 is used to store the properties of selection filters used in the approximation section 170 . The standard pattern dictionary 160 is loaded with standard patterns for recognizing input patterns, the standard patterns being in the form of vector sequences which represent an approximation of the patterns by broken lines. Each standard sample consists of basic data and data on typical changes. The approximation section 170 approximates an input pattern stored in the memory 140 by a broken line to convert the input pattern to a vector sequence of line segments that form the broken line. The section 180 for deriving data from the directory 160 compares the vector sequence output by the approximation section 170 for an input pattern with the vector sequences for the standard patterns contained in the standard pattern dictionary 160 in order to obtain vector sequences for corresponding “candidates”. Section 190 calculates degrees of similarity and scale reduction factors between the vector sequences of the candidates determined by section 180 and those of the standard patterns. For each vector sequence with a scale reduction factor within a predetermined range and a degree of similarity that is not less than a predetermined value, this section 190 stores in memory 195 a number that is assigned to the associated standard pattern and a number, the degree of similarity and the yardstick reduction factor for the vector sequence of the input pattern. The results entered in the memory 195 can then be transmitted to other processing units or software systems via the communication device 110 .

Die Arbeitsweise der beschriebenen Mustererkennungsvorrich­ tung wird nun im folgenden näher erläutert.The operation of the pattern recognition device described tion is now explained in more detail below.

Die Fig. 2 ist ein Ablaufdiagramm für die Arbeitsweise des Näherungsabschnittes 170. Dieses Ablaufdiagramm beinhaltet unter anderem einen Muster-Aufteilvorgang 210, einen Näherungsvorgang 220, einen Endpunkt-Näherungsvorgang 230 und einen Vektorfol­ gen-Berechnungsvorgang 240. Im Muster-Aufteilvorgang 210 wird eine Faltung des eingegebenen Musters f(t) mit einem Merkmal oder einer Eigenschaft W₂(x) des Auswahlfilters bewirkt, um Konkavitäten und Konvexitäten des Musters zu berechnen, so daß Aufteil- oder charakteristische Punkte τ i erhalten werden, an denen das Muster in die Segmente einer gebrochenen oder abge­ knickten Linie aufgeteilt wird. Im Näherungsvorgang 220 wird, unter Verwendung des Merkmalsextraktionsfilterwertes W₀(x), ein Mittelwert für die Daten in der Umgebung eines Aufteilpunktes des Musters berechnet, um auf der Basis von Ausdrücken, die spä­ ter noch beschrieben werden, einen Näherungswert ( t i ) für die Daten am Aufteilpunkt zu erhalten. Mit dem Endpunkt-Näherungs­ schritt 230 werden Regressionslinien an den beiden Enden eines vorgegebenen Datenintervalls erarbeitet, um Näherungswerte für die Endpunkte zu bestimmen. Mit dem Vektorfolgen-Berechnungs­ schritt 240 wird, auf der Basis der Aufteilpunkte und der Nähe­ rungswerte für die Endpunkte, eine Vektorfolge für jedes Linien­ segment der gebrochenen Linie als Annäherung an das Muster berechnet. FIG. 2 is a flow chart of the operation of the proximity portion 170th This flowchart includes, among other things, a pattern splitting process 210 , an approximation process 220 , an end point approximation process 230 and a vector sequence calculation process 240 . In the pattern splitting process 210 , the input pattern f (t) is folded with a feature or a property W ₂ (x) of the selection filter in order to calculate concavities and convexities of the pattern, so that splitting or characteristic points τ i are obtained , on which the pattern is divided into the segments of a broken or kinked line. In the approximation process 220 , using the feature extraction filter value W ₀ (x) , an average value for the data in the vicinity of a dividing point of the pattern is calculated to obtain an approximation value ( t i ) for, based on expressions to be described later to receive the data at the split point. With the end point approximation step 230 , regression lines are developed at the two ends of a predetermined data interval in order to determine approximation values for the end points. With the vector sequence calculation step 240 , a vector sequence for each line segment of the broken line is calculated as an approximation to the pattern, based on the division points and the approximation values for the end points.

Zuerst wird mit dem Muster-Aufteilvorgang 210 die Faltung für eine Summe von Produkten an den eingegebenen Musterdaten f(t) (t = 0, 1, . . . T) mit den Merkmalsextraktionsfilterdaten W₂(x), die im Filterspeicher 150 gespeichert sind, durchgeführt, um eine Merkmalsmenge g₂(t) zu bestimmen, die die Konvexität und Konkavität des Musters wie folgt darstellt:First, with the pattern splitting process 210, convolution for a sum of products on the input pattern data f (t) (t = 0, 1,... T) with the feature extraction filter data W ₂ (x) stored in the filter memory 150 , performed to determine a feature set g ₂ (t) which represents the convexity and concavity of the pattern as follows:

wobei a eine Konstante ist, die eine Breite der Filterkurve bezeichnet. Die Fig. 3b zeigt das Ergebnis der Faltung, die mit dem in der Fig. 3a dargestellten Beispiel für ein eingegebenes Muster unter Verwendung der Merkmalsextraktionsfilterkurve W₂(x) der Fig. 4a, von der der Wert für die Gesamtfläche im wesent­ lichen gleich 1 ist, erhalten wird. Auf der Basis des Ergeb­ nisses der Berechnung des Ausdruckes (1) extrahiert das System maximale und minimale Punkte, die Werte haben, die jenseits einer Konstanten liegen, die in Verbindung mit der Größe einer zu extrahierenden Änderung festgelegt ist, wodurch Aufteilpunkte τ i (i = 1, 2, . . . k) festgelegt werden. Bei dem Beispiel der Fig. 3b werden als Aufteilpunkte die gezeigten Punkte τ i (i = 1, 2, . . . 9) erhalten.where a is a constant denoting a width of the filter curve. Fig. 3b shows the result of the convolution, with the example shown in Fig. 3a for an input pattern using the feature extraction filter curve W ₂ (x) of Fig. 4a, of which the value for the total area is substantially equal to 1 is received. Based on the result of the calculation of expression (1), the system extracts maximum and minimum points that have values that are beyond a constant that is determined in connection with the size of a change to be extracted, whereby distribution points τ i (i = 1, 2, ... K) . In the example of FIG. 3b, the points τ i (i = 1, 2,... 9) shown are obtained as division points.

Als nächstes bewirkt der Näherungsvorgang 220 der Fig. 2 die folgende Faltung an den im Schritt 210 erhaltenen Aufteil­ punkten τ i durch Verwendung der Merkmalsextraktionsfilterkurve W₀, deren Wert für die Gesamtfläche im wesentlichen gleich Null ist und die im Filterspeicher 150 gespeichert ist, wobei die Filterkurve eine allmähliche Änderung oder eine Änderung im Mittel darstellt, wodurch die Merkmalsmenge g₀( τ i ) berechnet wird, die die Mittelwerte angibt:Next, the approximation process 220 of FIG. 2 effects the following convolution at the division points τ i obtained in step 210 by using the feature extraction filter curve W ₀, the value of which for the total area is substantially equal to zero and which is stored in the filter memory 150 , the Filter curve represents a gradual change or a change in the mean, whereby the set of features g ₀ ( τ i ) is calculated, which gives the mean values:

Die Fig. 4b zeigt ein Beispiel für die Merkmalsextraktionsfil­ terkurve W₀(x). An den Aufteil- oder charakteristischen Punkten τ i werden Näherungswerte ( τ i ) für das Muster unter Verwendung des Merkmals g₂( t i ), das die Konkavität und Konvexität angibt, und des Merkmals g₀( τ i ), das die Mittelwerte bezeichnet, wie folgt berechnet: FIG. 4b shows an example of the Merkmalsextraktionsfil terkurve W ₀ (x). At the dividing or characteristic points τ i , approximate values ( τ i ) for the pattern are used using the feature g ₂ ( t i ), which indicates the concavity and convexity, and the feature g ₀ ( τ i ), which denotes the mean values , calculated as follows:

( τ i ) = W₀(0) × g₀( τ i ) + W₂(0)g₂( τ i ) (3) ( τ i ) = W ₀ (0) × g ₀ ( τ i ) + W ₂ (0) g ₂ ( τ i ) (3)

Daraufhin werden im Endpunkt-Näherungsschritt 230 Näherungswerte für die Endpunkte des eingegebenen Musters berechnet. Das System berechnet dabei Regressionslinien, die die Näherungswerte ( τ₁, ( τ₁)) und ( τ₁, (( τ₁)) passieren, die mit den Aufteilpunkten verknüpft sind, die im Näherungsschritt 220 mittels der folgen­ den Ausdrücke erhalten werden: Then, in the end point approximation step 230, approximate values for the end points of the input pattern are calculated. The system calculates regression lines that pass the approximate values ( τ ₁, ( τ ₁)) and ( τ ₁, (( τ ₁)) that are linked to the division points that are obtained in approximation step 220 using the following expressions:

Durch Bezeichnen der Werte der Endpunkte des eingegebenen Musters in den Ausdrücken (4 a) und (5 a) zum Beispiel mit t = 0 und t = T werden die Näherungswerte (0) (h₁(0)) und (T)(h₂(T)) für die Endpunkte des eingegebenen Musters erhalten. Die Fig. 3c zeigt die Näherungswerte für die charakteristischen Punkte (Auf­ teilpunkte) und die Endpunkte des eingegebenen Musters.By designating the values of the end points of the input pattern in expressions ( 4 a) and ( 5 a), for example with t = 0 and t = T , the approximate values ( 0) (h ₁ (0)) and (T) (h ₂ (T)) obtained for the end points of the entered pattern. The Fig. 3c shows the approximate values for the characteristic points (points on a part) and the end points of the input pattern.

Als nächstes wird im Vektorfolgen-Berechnungsschritt 240 eine Vektorfolge a j = (p j, qj) als Näherung der eingegebenen Wellenform aus der Folge der Punkte (0, (0)), ( τ i , (τ i )) (i = 1, 2, . . . k) und (T, (T)) berechnet:Next, in vector sequence calculation step 240, a vector sequence a j = (p j , q j ) as an approximation of the input waveform from the sequence of points (0, ( 0)), ( τ i , ( τ i )) (i = 1, 2, ... K) and (T, (T)) calculated:

Die Fig. 3d zeigt die Vektorfolge, die für das Beispiel der Punktfolge der Fig. 3c erhalten wird. FIG. 3d shows the vector sequence which is obtained for the example of the point sequence of FIG. 3c.

Die Fig. 5 ist ein Ablaufdiagramm für die Arbeitsweise des Abschnittes 180 zur Gewinnung von Daten aus dem Verzeichnis 160. Das Standardmusterverzeichnis 160 ist mit Datensätzen für Muster in der Reihenfolge von Nummern geladen, die den Standardmustern zugeordnet sind. Darüber hinaus sind die Vektoren, die die jewei­ ligen Folgen bilden, mit Namen bezeichnet, die Vektoreigenschaf­ ten darstellen. In Abhängigkeit von der Steigung eines Vektors können beispielsweise Namen wie "aufsteigend", "abfallend" und "gleichmäßig" den Vektoren zugeordnet sein. Zuerst wird in einem Schritt 510 jedem Vektor der Vektorfolge i , die ein eingegebe­ nes Muster darstellt, ein Name zugeordnet, der ähnlich einem Namen ist, mit dem ein Standardmuster bezeichnet ist. Im Schritt 515 wird daraufhin zur Initialisierung der Gewinnung der Daten N = 1 gesetzt. In einem Gewinnungsschritt 520 werden aus der Vek­ torfolge für das eingegebene Muster Analogien zu den Standard­ mustern ausgewählt, wobei die ausgewählten Folgen Kandidaten für die folgende Verarbeitung sind. Bei Vorhandensein eines Kandida­ ten wird über einen Schritt 525 zu einem Übertragungsschritt 530 weitergegangen, der die Berechnungseinheit 170 für den Ähnlich­ keitsgrad mit einer Nummer N des Standardmusters und den Vektor­ folgen der zugehörigen Kandidaten versorgt. Wenn kein Kandidat vorhanden ist, wird in einem Schritt 535 festgestellt, ob die Datengewinnung für alle Standardmuster vollständig ausgeführt wurde oder nicht (die Anzahl von Standardmustern sei dabei gleich N max). Wenn das nicht der Fall ist, wird im Schritt 536 die Verzeichnisnummer N durch N + 1 ersetzt und daraufhin der Schritt 520 für das nächste Standardmuster ausgeführt. FIG. 5 is a flow chart for the operation of section 180 to extract data from directory 160 . The standard pattern dictionary 160 is loaded with data sets for patterns in the order of numbers associated with the standard patterns. In addition, the vectors that form the respective sequences are labeled with names that represent vector properties. Depending on the slope of a vector, names such as "ascending", "descending" and "evenly" can be assigned to the vectors, for example. First, in a step 510, each vector of the vector sequence i , which represents an input pattern, is assigned a name which is similar to a name with which a standard pattern is designated. In step 515 , N = 1 is then set to initialize the extraction of the data. In a extraction step 520 , analogies to the standard patterns are selected from the vector sequence for the input pattern, the selected sequences being candidates for the subsequent processing. If a candidate is present, step 525 proceeds to a transmission step 530 , which supplies the calculation unit 170 for the degree of similarity with a number N of the standard pattern and the vector follow of the associated candidates. If there is no candidate, it is determined in a step 535 whether the data acquisition for all standard patterns has been completely carried out or not (the number of standard patterns is equal to N max ). If this is not the case, the directory number N is replaced by N + 1 in step 536 and step 520 is then carried out for the next standard pattern.

Die Fig. 6 ist ein Ablaufdiagramm zur Erläuterung der Vorgänge im Datengewinnungsschritt 520. Zuerst wird in einem Schritt 601 i s = 1 gesetzt, um nach einem Standardmustervektor zu suchen, der einem ersten Vektor des eingegebenen Musters entspricht. Als nächstes wird in einem Schritt 602 j = 1 und i = i s gesetzt, um die Datengewinnung zu beginnen. Wenn die Nummer des Vektors für das eingegebene Muster gleich m + 1 ist, wird in einem Schritt 603 das Ende der Datengewinnung festge­ stellt, anderenfalls wird in einem Schritt 610 der Name des Vektors i des eingegebenen Musters mit dem des Vektors j des Standardmusters verglichen. Wenn diese Namen nicht überein­ stimmen, wird ein Schritt 615 ausgeführt, um den Vergleich zwischen dem nächsten Vektor des eingegebenen Musters und dem Standardmustervektor vorzubereiten. Wenn eine Übereinstimmung vorliegt, wird in einem Schritt 620 das Vektorpaar i und j- vorübergehend in einem Speicher 600 gespeichert. Im Schritt 625 wird dann geprüft, ob die Datengewinnung für alle Vektoren des Standardmusters ausgeführt wurde. Im Falle von j ≠ n wird in einem Schritt 626 für den folgenden Vorgang i = i + 1 und j = j + 1 gesetzt. Wenn j = n ist, wird in einem Schritt 627 i s = i k + 1 gesetzt, um beginnend mit dem i sten Eingangsvektors auf der Basis des Standardmusters Daten abzuleiten. In den obigen Ausdrücken steht i k für eine Nummer, die einen Vektor des letzten eingegebenen Musters bezeichnet, der einen Namen hat, der mit dem Namen des Standardmustervektors ₁ identisch ist. Das heißt, daß i k die Nummer des letzten Vektors für das ein­ gegebene Muster bezeichnet, der in der Folge von zugehörigen Kandidaten, die im Speicher 600 vorübergehend gespeichert sind, dem Vektor ₁ entspricht. FIG. 6 is a flowchart for explaining the processes in the data acquisition step 520. First, in step 601, i s = 1 is set to search for a standard pattern vector that corresponds to a first vector of the input pattern. Next, in a step 602, j = 1 and i = i s are set to begin data acquisition. If the number of the vector for the input pattern is m + 1, the end of data acquisition is determined in a step 603 , otherwise in a step 610 the name of the vector i of the input pattern is compared with that of the vector j of the standard pattern. If these names do not match, step 615 is performed to prepare the comparison between the next vector of the input pattern and the standard pattern vector. If there is a match, the vector pair i and j - are temporarily stored in a memory 600 in a step 620 . It is then checked in step 625 whether the data acquisition has been carried out for all vectors of the standard pattern. In the case of j ≠ n , i = i + 1 and j = j + 1 are set in a step 626 for the following process. If j = n, i s = i k + 1 is set in step 627 to derive starting with the i s th input vector on the basis of the standard pattern data. In the above expressions, i k stands for a number that designates a vector of the last input pattern that has a name that is identical to the name of the standard pattern vector ₁. That is, i k denotes the number of the last vector for the given pattern which, in the sequence of related candidates temporarily stored in memory 600 , corresponds to vector ₁.

Der Berechnungsabschnitt 170 berechnet den Ähnlichkeitsgrad und den Maßstabs-Reduktionsfaktor zwischen dem eingegebenen Muster und den Standardmustern in Abhängigkeit von den Inhalten des Speichers 600 der Fig. 6 wie folgt:The calculation section 170 calculates the degree of similarity and the scale reduction factor between the input pattern and the standard patterns depending on the contents of the memory 600 of FIG. 6 as follows:

Dabei stellen i (i = 1, 2, . . . m) Standardmuster-Vektorfolgen und ÿ zugehörige Kandidaten von Vektorfolgen für eingegebene Muster dar. In den obigen Ausdrücken entspricht die Vektorfolge i den Kandidaten ÿ (i = 1, 2, . . . n i). Im Ausdruck (7) wird der Buchstabe S für das Ergebnis der Berechnung eines Korrela­ tionskoeffizienten zwischen den Vektorfolgen verwendet. Der Wert von S ist gleich 1, 0, wenn zwei Muster zueinander vollständig analog sind. Der Ausdruck (8) wird dazu verwendet, einen Wert für einen Maßstabs-Reduktionsfaktor zu erhalten, wenn die Vek­ torfolge für ein eingegebenes Muster mit der eines Standard­ musters mit einem größtmöglichen Grad an Übereinstimmung über­ einstimmt. Der Berechnungsabschnitt 170 speichert im Speicher 195 die Vektorfolgen mit Ähnlichkeitsgraden und Maßstabs-Reduk­ tionsfaktoren in den im folgenden gegebenen Bereichen mit Bezug zu den Standardmustern in einer absteigenden Reihe von Ähnlich­ keitsgraden:Here i (i = 1, 2,... M) represent standard pattern vector sequences and ÿ associated candidates of vector sequences for input patterns. In the above expressions, the vector sequence i corresponds to the candidates ÿ (i = 1, 2, ... n i ). In expression (7), the letter S is used for the result of the calculation of a correlation coefficient between the vector sequences. The value of S is equal to 1.0 if two patterns are completely analog to one another. Expression (8) is used to obtain a scale reduction factor value when the vector sequence for an input pattern matches that of a standard pattern with the greatest possible degree of correspondence. The calculation section 170 stores in the memory 195 the vector sequences with degrees of similarity and scale reduction factors in the ranges given below in relation to the standard patterns in a descending series of degrees of similarity:

S ≧ S min, K min ≦ K ≦ max (9) S ≧ S min , K min ≦ K ≦ max (9)

Die beschriebene Ausführungsform des Systems kann daher Kandidaten für eingegebene Muster feststellen, die auf der Basis des Namens der jeweiligen Vektoren mit Standardmustern überein­ stimmen. Daraus ergibt sich der Vorteil, daß der Rechenaufwand verringert ist und daß die Kandidaten mit der kleinstmöglichen Anzahl von Fehlern bestimmt werden können. Da darüber hinaus zwischen den Vektorfolgen zur Erhaltung eines Ähnlichkeitsgrades ein Korrelationskoeffizient berechnet wird, können vorteilhaft auch analoge Muster erfaßt und daher die Anzahl von Mustern im Standardmusterverzeichnis 160 verringert werden.The described embodiment of the system can therefore identify candidates for input patterns that match standard patterns based on the name of the respective vectors. This has the advantage that the computational effort is reduced and that the candidates can be determined with the smallest possible number of errors. In addition, since a correlation coefficient is calculated between the vector sequences in order to maintain a degree of similarity, analog patterns can advantageously also be detected and the number of patterns in the standard pattern dictionary 160 can therefore be reduced.

Für ein tieferes Verständnis der vorliegenden Erfindung und zur Bewertung der Möglichkeiten und Vorteile davon wird der ma­ thematische Hintergrund im Zusammenhang mit Verfahren beschrie­ ben, die zur Ausführung der vorliegenden Erfindung verwendet werden. Die in Übereinstimmung mit den Verfahren verwendeten Ausdrücke und Formeln geben gleichfalls einen Hinweis auf die Funktionen der Ausführungsformen.For a deeper understanding of the present invention and the ma Described thematic background related to procedures ben used to carry out the present invention will. The used in accordance with the procedures Expressions and formulas also give an indication of the Functions of the embodiments.

Zuerst wird eine Beschreibung für ein Verfahren zur Fest­ legung der Merkmalsextraktionsfilterdaten W₂(x) und W₀(x), die im Filterspeicher 150 gespeichert sind und die im Näherungsab­ schnitt 170 verwendet werden, beschrieben. Die Filterdaten W₂(x) und W₀(x) sind dafür vorgesehen, die allgemeine Konvexität und Konkavität und einen Mittelwert eines Musters abzuleiten.First, a description will be given of a method for setting the feature extraction filter data W ₂ (x) and W ₀ (x) stored in the filter memory 150 and used in the approximation section 170 . The filter data W ₂ (x) and W ₀ (x) are intended to derive the general convexity and concavity and an average of a pattern.

Um Musterdaten zu entwickeln oder zu expandieren, wird ein Polynom H m(x) wie folgt definiert:To develop or expand sample data, a polynomial H m (x) is defined as follows:

E(x) steht dabei für eine beliebige differenzierbare Funktion, zum Beispiel eine Exponentialfunktion, die in ein Polynom dif­ ferenziert wird; a und b bezeichnen Konstanten, die Definitions­ intervalle angeben. Unter der Annahme E (x) stands for any differentiable function, for example an exponential function that is differentiated into a polynomial; a and b denote constants that specify definition intervals. Under the assumption

wird damit folgendes System orthonormaler Funktionen erhalten:the following system of orthonormal functions will be obtained:

Bei der Expansion der Musterdaten f(t) in der Umgebung des Zeitpunktes t mittels des orthonormalen Funktionensystems ψ m (x) ist es erforderlich, die Musterdaten in einem hohen Grade zu entwickeln, um eine ausreichende Annäherung an die Originaldaten zu erhalten. Um diese Operation zu vermeiden, werden die Muster­ daten um t = t₀ wie folgt umgewandelt:When expanding the pattern data f (t) in the vicinity of the time t by means of the orthonormal function system ψ m (x), it is necessary to develop the pattern data to a high degree in order to obtain a sufficient approximation to the original data. To avoid this operation, the pattern data is converted around t = t ₀ as follows:

h(t₀ + x) = f(t₀ + x) {E(x)}1/2 (14) h (t ₀ + x) = f (t ₀ + x) { E (x) } 1/2 (14)

Der Ausdruck (14) wird dann zu einem System orthonormaler Funktionen des Ausdrucks (13) reduziert:Expression (14) then becomes a more orthonormal system Functions of expression (13) reduced:

wobeiin which

Auf der Basis der Ausdrücke (14) und (15) wird das eingegebene Muster f(t) in der Umgebung des Zeitpunktes t = t₀ in das fol­ gende Polynom expandiert:On the basis of expressions (14) and (15), the pattern f (t) entered is expanded in the vicinity of the instant t = t ₀ into the following polynomial:

Unter der Annahme, daß die differenzierbare Funktion E(x) durch die ExponentialfunktionAssuming that the differentiable function E (x) by the exponential function

gegeben ist, wird die Funktion H m(x) zu einem Polynom des Grades m. Um in dieser Situation Expansionsfilterdaten W m(x) zu erhal­ ten, werden die Ausdrücke (13) und (14) dem Ausdruck (16) wie folgt zugeordnet:is given, the function H m (x) becomes a polynomial of degree m . In order to obtain expansion filter data W m (x) in this situation, expressions (13) and (14) are assigned to expression (16) as follows:

Dies führt zu Expansionsfilterdaten bzw. -wertenThis leads to expansion filter data or values

Die Fig. 4 zeigt den Verlauf von W₀(x) und W₂(x), wenn die Konstante σ gleich 2,0 ist. Wenn sich der Wert von σ zwischen den einzelnen Daten ändert, können die den jeweiligen Daten zu­ zuordnenden Werte im Filterspeicher 150 gespeichert werden, um erforderlichenfalls die Merkmalsextraktionsfilterwerte für die Polynom-Ausdrücke zu erzeugen. Alternativ können einige Typen oder Arten von σ-Werten im voraus berechnet werden, um im Fil­ terspeicher 150 abgespeichert zu werden. Fig. 4 shows the course of W ₀ (x) and W ₂ (x) when the constant σ is 2.0. If the value of σ changes between the individual data, the values to be assigned to the respective data can be stored in the filter memory 150 in order to generate the feature extraction filter values for the polynomial expressions if necessary. Alternatively, some types or types of σ values can be calculated in advance to be stored in the filter memory 150 .

Für eine Vorgabe der Daten bei t = t₀ auf der Basis des Ergebnisses der Polynom-Expansion unter Verwendung der Merkmals­ extraktionsfilterwerte des Ausdruckes (20) werden folgende Daten erhalten, wenn 0 zu x zugeordnet wird:For a specification of the data at t = t ₀ on the basis of the result of the polynomial expansion using the feature extraction filter values of expression (20), the following data are obtained if 0 is assigned to x :

Die Gleichungen (7) und (8) für den Ähnlichkeitsgrad S und den Maßstabs-Reduktionsfaktor K werden wie folgt erhalten: Die Standardmuster-Vektorfolge und die Vektorfolge für das eingege­ bene Muster, die mit der Standardmuster-Vektorfolge zu verglei­ chen ist, seien durch i (i = 1, 2, . . . m) bzw. -i (i = 1, 2, . . . m) dargestellt. Durch Multiplikation der Standardmuster- Vektorfolge mit K wird ein quadratischer Fehler zwischen dem Standardmuster und dem eingegebenen Muster erhalten zuThe equations (7) and (8) for the degree of similarity S and the scale reduction factor K are obtained as follows: The standard pattern vector sequence and the vector sequence for the input pattern, which is to be compared with the standard pattern vector sequence, are given by i (i = 1, 2, .. m) or -i (i = 1, 2, ... m) . By multiplying the standard pattern vector sequence by K , a quadratic error between the standard pattern and the input pattern is obtained

Zuerst soll nun ein Maßstabs-Reduktionsfaktor K bestimmt werden, für den der quadratische Fehler E einen minimalen Wert annimmt. Der Ausdruck (22) wird inFirst, a scale reduction factor K is to be determined for which the quadratic error E assumes a minimum value. The expression (22) is given in

umgeformt, wobei (,) ein Skalarprodukt anzeigt. Da der Aus­ druck (23) ein quadratischer Ausdruck ist, in dem der Koeffi­ zient K² positiv ist, wird durch die Berechnung von transformed, where (,) indicates a dot product. Since the expression (23) is a quadratic expression in which the coefficient K ² is positive, the calculation of

ein Maßstabs-Reduktionsfaktor K erhalten, der dem minimalen Wert des quadratischen Fehlers E entspricht. Der Ähnlichkeitsgrad wird dann dadurch erhalten, daß der Ausdruck (25) dem Ausdruck (23) zugeordnet wird:receive a scale reduction factor K , which corresponds to the minimum value of the quadratic error E. The degree of similarity is then obtained by assigning expression (25) to expression (23):

Eine Normalisierung von E im Ausdruck (26) bezüglich der Vektor­ folgen für eingegebene Muster ergibtA normalization of E in expression (26) with respect to the vector follow results for input patterns

Die Suche nach einem Standardmuster, für das der Ausdruck in Gleichung (27) einen Minimalwert ergibt, ist identisch mit dem Vorgang des Herausfindens eines Standardmusters, für den der folgende Ausdruck einen maximalen Wert annimmt: The search for a standard pattern for which the expression in Equation (27) gives a minimum value is identical to that The process of finding out a standard pattern for which the the following expression takes a maximum value:  

Im Ausdruck (27) nimmt der Ähnlichkeitsgrad auch für Vektoren mit entgegengesetzter Richtung zu, während im Ausdruck (28) der Ähnlichkeitsgrad nur für Vektoren der gleichen Richtung größer wird. Der Ähnlichkeitsgrad S des Ausdruckes (28) erfüllt ins­ besondere die Bedingung -1 S 1.In expression (27) the degree of similarity also increases for vectors with opposite directions, while in expression (28) the degree of similarity only increases for vectors in the same direction. The degree of similarity S of expression (28) particularly fulfills the condition -1 S 1.

Gemäß der obigen Beschreibung gibt es eine Eins-zu-Eins- Entsprechung zwischen den Vektorfolgen für eingegebene Muster und den Vektorfolgen des Standardmusterverzeichnisses. Im all­ gemeinen kann ein Vektor eines Standardmusters einer Anzahl von Vektoren für das eingegebene Muster entsprechen. In einem sol­ chen Fall wird der Ähnlichkeitsgrad S und der Maßstabs-Reduk­ tionsfaktor K wie folgt umgeformt:As described above, there is a one-to-one correspondence between the vector sequences for input patterns and the vector sequences of the standard pattern dictionary. In general, a vector of a standard pattern can correspond to a number of vectors for the pattern entered. In such a case, the degree of similarity S and the scale reduction factor K are transformed as follows:

Dabei entspricht i eines Standardmusters einer Vektorfolge ÿ (j = 1, 2, . . . n i) eines eingegebenen Musters. Here, i corresponds to a standard pattern of a vector sequence ÿ (j = 1, 2, ... N i ) of an input pattern.

Unter Bezug auf die Fig. 7 bis 11 wird nun eine alternative Ausführungsform des Abschnittes 180 zur Ermittlung von überein­ stimmenden Abschnitten von Vektorfolgen für ein eingegebenes Muster mit Standardmuster-Vektorfolgen beschrieben.An alternative embodiment of section 180 for determining matching sections of vector sequences for an input pattern with standard pattern vector sequences will now be described with reference to FIGS. 7 to 11.

Anhand der Fig. 7 bis 9 soll zuerst der Hintergrund dieser Ausführungsform erläutert werden. Die Fig. 7 zeigt ein Pseudo- Nerven-Netzwerk oder ein pseudo-neutrales Netzwerk 710 mit Ner­ venzellen, die durch Kreise dargestellt sind. Die Abszisse und die Ordinate entspricht Standardmuster-Vektorfolgen, die im Standardmusterverzeichnis 160 gespeichert sind, bzw. Vektorfol­ gen für ein eingegebenes Muster. Wenn die Standardmuster-Vek­ torfolge i = (p i, qi) (i = 1, 2, . . . m) und die Vektorfolge j = (p j, qj) (j = 1, 2, . . . n) für ein eingegebenes Muster dem Netzwerk 710 zugeführt werden, erhalten die jeweiligen Nerven­ zellen Stimulations-Eingangssignale, die vom Übereinstimmungs­ grad der entsprechenden Vektoren abhängen. Wenn beispielsweise der Übereinstimmungsgrad in der Form eines Skalarproduktes de­ finiert ist, wird das Stimulations-Eingangssignal S(i, j), das die Nervenzelle an der Stelle (i, j) erhält, durch das Skalar­ produkt von i und i ausgedrückt:Referring to Figs. 7 to 9 of the background to this embodiment will be explained first. Fig. 7 shows a pseudo-nerve network or a pseudo-neutral network 710 with nerve cells, which are represented by circles. The abscissa and ordinate correspond to standard pattern vector sequences stored in the standard pattern dictionary 160 and vector sequences for an input pattern. If the standard pattern vector sequence i = (p i , q i ) (i = 1, 2,... M) and the vector sequence j = (p j , q j ) (j = 1, 2,... N ) are supplied to the network 710 for an input pattern, the respective nerve cells receive stimulation input signals which depend on the degree of agreement of the corresponding vectors. For example, if the degree of agreement is defined in the form of a scalar product, the stimulation input signal S (i, j) , which the nerve cell receives at location (i, j) , is expressed by the scalar product of i and i :

S(i, j) = ( i , j ) = p ipj + q iqj (31) S (i, j) = ( i , j ) = p i p j + q i q j (31)

Die jeweiligen Nervenzellen sind, wie in der Fig. 8 gezeigt, miteinander verbunden und werden daher von den Anregungspegeln der Nervenzellen in der Umgebung beeinflußt. Im Beispiel der Fig. 8 erhält die Nervenzelle an der Stelle (i, j) ein Eingangs­ signal von jeder der acht sie umgebenden Nervenzellen. Es kann jedoch auch ein pseudo-neurales Netzwerk mit weiteren Verbin­ dungen zwischen den Nervenzellen vorgesehen werden. Wenn die Verbindungsintensität oder -stärke zwischen der Nervenzelle an der Stelle (i, j) und einer Nervenzelle an der Stelle (i′, j′) mit W(i, j; i′, j′) bezeichnet wird, können der Anregungspegel U(i, j; t) und der Ausgangssignalpegel V(i, j) der Nervenzelle an der Stelle (i, j) wie folgt berechnet werden:The respective nerve cells are connected to one another, as shown in FIG. 8, and are therefore influenced by the excitation levels of the nerve cells in the environment. In the example of FIG. 8, the nerve cell receives an input signal from each of the eight nerve cells surrounding it at point (i, j) . However, a pseudo-neural network with further connections between the nerve cells can also be provided. If the connection intensity or strength between the nerve cell at location (i, j) and a nerve cell at location ( i ′, j ′) is denoted by W (i, j; i ′, j ′) , the excitation level U (i, j; t) and the output signal level V (i, j) of the nerve cell at point (i, j) are calculated as follows:

V(i, j; t) = f [U(i, j; t)] (33) V (i, j; t) = f [ U (i, j; t) ] (33)

τ steht dabei für eine geeignete Zeitkonstante und H(i, j) bezeichnet einen Schwellenwert, bei dem die entsprechende Nervenzelle erregt wird. Für die Berechnung kann der Ausdruck (32) auch in eine diskrete Form übertragen werden: τ stands for a suitable time constant and H (i, j) denotes a threshold value at which the corresponding nerve cell is excited. Expression (32) can also be converted into a discrete form for the calculation:

Darüber hinaus bezeichnet f(x) eine Funktion, die eine Beziehung zwischen einem Eingangssignal und einem Ausgangssignal der Ner­ venzelle darstellt und beispielsweise eine logistische Funktion sein kann:In addition, f (x) denotes a function that represents a relationship between an input signal and an output signal of the nerve cell and can be, for example, a logistic function:

Das pseudo-neurale Netzwerk entwickelt eine Funktion zur Unter­ scheidung von Standardmuster-Vektorfolgen i von Vektorfolgen j- für eingegebene Muster. Mit anderen Worten bestimmt dieses Netz­ werk Vektorfolgen, die die folgenden Bedingungen erfüllen:The pseudo-neural network develops a function for differentiating standard pattern vector sequences i from vector sequences j - for input patterns. In other words, this network determines vector sequences that meet the following conditions:

  • (1) Ein Vektor der Folge i - kann nacheinander einer Anzahl von Vektoren der Folge j entsprechen.(1) A vector of the sequence i - can correspond successively to a number of vectors of the sequence j .
  • (2) Die entsprechende Abfolge von Vektorfolgen i und j ist nicht erlaubt.(2) The corresponding sequence of vector sequences i and j is not permitted.

Um ein Anregungsmuster festzustellen, das diese Bedingungen erfüllt, werden die Werte für die Intensitäten der Verbindungen zwischen der Nervenzelle an der Stelle (i, j) und den Nervenzel­ len in der Umgebung davon wie folgt bestimmt: Diejenigen Nerven­ zellen, mit denen die entsprechende Abfolge von Vektorfolgen mit Bezug auf die Zeit nicht ausgetauscht wird, auch wenn die Zellen zum Zeitpunkt der Erregung der Nervenzelle an der Stelle (i, j) erregt sind, das heißt die Nervenzellen (i - 1, j) (i - 1, j - 1), (i + 1, j + 1) und (i + 1, j) werden einer anregenden (positiven) Ver­ bindung zugeordnet. Die Nervenzellen, mit denen die entsprechen­ de Folge von Vektorfolgen bezüglich der Zeit ausgetauscht wer­ den, wenn die Zellen zum Zeitpunkt der Erregung der Nervenzelle an der Stelle (i, j) erregt werden, das heißt die Nervenzellen an den Stellen (i, j + 1), (i - 1, j + 1), (i, j - 1) und (i + 1, j - 1) werden einer unterdrückenden (negativen) Verbindung zugeordnet. In der Fig. 9 sind die erregenden und unterdrückenden Verbindungen mit weißen bzw. dicken schwarzen Linien dargestellt.In order to determine an excitation pattern that fulfills these conditions, the values for the intensities of the connections between the nerve cell at the location (i, j) and the nerve cells in the vicinity thereof are determined as follows: those nerve cells with which the corresponding sequence of vector sequences with respect to time is not exchanged, even if the cells are excited at the point of excitation of the nerve cell at point (i, j), i.e. the nerve cells (i - 1, j ) (i - 1, j - 1), (i + 1, j + 1) and (i + 1, j) are assigned a stimulating (positive) connection. The nerve cells with which the corresponding sequence of vector sequences are exchanged with respect to the time when the cells are excited at the point in time at which the nerve cell is excited (i, j) , that is to say the nerve cells at the points (i, j + 1), (i - 1, j + 1), (i, j - 1) and (i + 1, j - 1) are assigned to a suppressive (negative) connection. In Fig. 9 the exciting and suppressive compounds are shown with white and thick black lines.

Die Fig. 10 stellt ein Blockschaltbild einer Mustererken­ nungsvorrichtung dar, die gemäß dem vorstehenden Prinzip aufge­ baut ist. Die Vorrichtung bzw. das System der Fig. 10 weist eine Kommunikationseinrichtung 1010, einen Übereinstimmungsgrad-Be­ rechnungsabschnitt 1020, einen Anregungsspeicher (S-Speicher) 1030, einen U-Berechnungsabschnitt 1040, einen H-Speicher 1050, einen U-Speicher 1060, einen Ausgangssignal-Berechnungsabschnitt 1070, einen V-Speicher und einen Verarbeitungsabschnitt 1090 zur Ableitung von Daten auf. Die Kommunikationseinrichtung 1010 er­ hält von anderen Verarbeitungseinrichtungen oder einem Softwa­ resystem eine Vektorfolge für ein eingegebenes Muster und eine Vektorfolge für ein Standardmuster. Der Berechnungsabschnitt 1020 berechnet einen Übereinstimmungsgrad S(i, j) (i = 1, 2, . . . m; j = 1, 2, . . . n) zwischen der Vektorfolge i (i = 1, 2, . . . m) aus einem Standardmusterverzeichnis und einer Vektorfolge j (j = 1, 2, . . . n) für ein eingegebenes Muster. Im S-Speicher 1030 wird als Ergebnis der Bearbeitung im Berechnungsabschnitt 1020 der Wert von S(i, j) gespeichert. Der U-Berechnungsabschnitt 1040 erhält vom S-Speicher 1030 den Übereinstimmungsgrad S(i, j), vom H-Speicher 1050 einen Schwellenwert H(i, j) vom V-Speicher 1080 einen Ausgangssignalpegel V(i, j) einer jeden Nervenzelle und vom U-Speicher 1060 einen Anregungspegel U(i, j) der Nerven­ zellen, um eine Berechnung des Ausdrucks (34) auszuführen, wo­ durch die Anregungspegel U(i, j) für die jeweiligen Nervenzellen erneuert werden. Die erneuerten Pegel U(i, j) der Zellen werden in den U-Speicher 1060 geladen. Nachdem der U-Berechnungsab­ schnitt 1040 die Berechnungen mit einer geeigneten Anzahl von Wiederholungen ausgeführt hat, erhält der Verarbeitungsabschnitt 1090 die Anregungspegel U(i, j) der jeweiligen Nervenzellen aus dem U-Speicher 1060, um nach derjenigen Position einer Nerven­ zelle zu suchen, die in der Verbindungsrichtung der Anregung einen höheren Anregungspegel aufweist, um die entsprechende Be­ ziehung zwischen den Vektorfolgen zu bestimmen. Fig. 10 is a block diagram of a pattern recognition device, which is built according to the above principle. The device or the system of Fig. 10 includes a communication device 1010 a matching degree-Be calculation section 1020, an excitation memory (S storage material) 1030 U calculating section 1040, an H -Speicher 1050 a U -Speicher 1060, a Output signal calculation section 1070 , a V memory and a processing section 1090 for deriving data. The communication device 1010 receives a vector sequence for an input pattern and a vector sequence for a standard pattern from other processing devices or a software system. The calculation section 1020 calculates a degree of conformity S (i, j) (i = 1, 2, ... M ; j = 1, 2,... N) between the vector sequence i (i = 1, 2,... M ) from a standard pattern directory and a vector sequence j (j = 1, 2,... n) for an entered pattern. As a result of the processing in the calculation section 1020, the value of S (i, j) is stored in the S memory 1030 . The U calculation section 1040 receives the degree of conformity S (i, j) from the S memory 1030 , a threshold value H (i, j) from the H memory 1050 and an output signal level V (i, j) of each nerve cell and from the V memory 1080 an excitation level U (i, j) of the nerve cells from the U memory 1060 in order to carry out a calculation of the expression (34), where the excitation levels U (i, j) are renewed for the respective nerve cells. The renewed levels U (i, j) of the cells are loaded into the U memory 1060 . After the U calculation section 1040 has performed the calculations with a suitable number of repetitions, the processing section 1090 receives the excitation levels U (i, j) of the respective nerve cells from the U memory 1060 in order to search for the position of a nerve cell, which has a higher excitation level in the connection direction of the excitation in order to determine the corresponding relationship between the vector sequences.

Wenn die Kommunikationseinrichtung 1010 von anderen Ein­ richtungen ein Signal erhält, arbeiten die einzelnen Komponenten der Mustererkennungsvorrichtung der Fig. 10 wie folgt:When the communication device 1010 receives a signal from other devices, the individual components of the pattern recognition device of FIG. 10 operate as follows:

  • 1) Der Berechnungsabschnitt 1020 berechnet den Übereinstim­ mungsgrad zwischen den jeweiligen Vektoren der erhaltenen Vek­ torfolgen und speichert das Ergebnis im S-Speicher 1030 ab.1) The calculation section 1020 calculates the degree of correspondence between the respective vectors of the vector sequences obtained and stores the result in the S memory 1030 .
  • 2) Der H-Speicher 1050 wird mit einem geeigneten Schwellenwert H(i, j) geladen, und dann werden die Ausgangssignalpegel V(i, j) des V-Speichers 1080 auf Null gesetzt. Darüber hinaus werden die Anregungspegel U(i, j) der Nervenzellen ebenfalls auf Null ge­ setzt.2) The H memory 1050 is loaded with an appropriate threshold H (i, j) , and then the output signal levels V (i, j) of the V memory 1080 are set to zero. In addition, the excitation levels U (i, j) of the nerve cells are also set to zero.
  • 3) Der U-Berechnungsabschnitt 1040 liest den Inhalt des U-Speichers 1060, des V-Speichers 1080 und des H-Speichers 1050 aus und berechnet neue Werte für die Anregungspegel U(i, j) der Nervenzellen, wobei die erhaltenen Werte in den U-Speicher 1060 übertragen werden.3) The U calculation section 1040 reads out the contents of the U memory 1060 , the V memory 1080 and the H memory 1050 and calculates new values for the excitation levels U (i, j) of the nerve cells, the values obtained in the U memory 1060 can be transferred.
  • 4) Der Ausgangssignal-Berechnungsabschnitt 1070 erhält die Nervenzellen-Anregungspegel aus dem U-Speicher 1060, um die Ner­ venzellen-Ausgangssignalpegel V(i, j) auf der Basis der vorge­ gebenen Eingangssignal/Ausgangssignalfunktion zu berechnen.4) The output signal calculation section 1070 obtains the nerve cell excitation levels from the U memory 1060 to calculate the nerve cell output signal levels V (i, j) based on the predetermined input signal / output signal function.
  • 5) Die Bearbeitungsschritte 3 und 4 werden iterativ ausge­ führt, bis die Anregungspegel U(i, j) der Nervenzellen einen Gleichgewichtszustand erreichen.5) Processing steps 3 and 4 are carried out iteratively until the excitation levels U (i, j) of the nerve cells reach a state of equilibrium.
  • 6) Der Verarbeitungsabschnitt 1090 liest aus dem U-Speicher die Anregungspegel U(i, j) der Nervenzellen aus und sucht längs der Richtung der Anregung nach einer Nervenzelle mit einem höhe­ ren Anregungspegel, um eine entsprechende Beziehung zwischen den Vektorfolgen zu bestimmen.6) The processing section 1090 reads out the excitation levels U (i, j) of the nerve cells from the U memory and searches along the direction of the excitation for a nerve cell with a higher excitation level in order to determine a corresponding relationship between the vector sequences.

Die Fig. 11a bis 11d beinhalten Beispiele für die Ergebnis­ se der Verarbeitung bei dieser Ausführungsform. Die Fig. 11a zeigt ein Beispiel für eine im Verzeichnis gespeicherte Stan­ dardmuster-Vektorfolge, während die Fig. 11b ein Beispiel für eine Vektorfolge für ein eingegebenes Muster darstellt. Die Fig. 11c zeigt ein Muster für die Stimulation bzw. für Stimulations- Eingangssignale S ÿ, die der Vektorfolge i (i = 1, 2, 3) der Fig. 11a und der Vektorfolge -j (j = 1, 2, . . . 10) der Fig. 11b entsprechen. Nervenzellen, die ein großes positives Stimula­ tions-Eingangssignal oder ein großes negatives Stimulations-Ein­ gangssignal erhalten, sind durch ○ bzw. ⚫ bezeichnet. Die an­ deren Nervenzellen werden durch Punkte dargestellt. Bei Erhalt der Stimulations-Eingangssignale werden die jeweiligen Nerven­ zellen angeregt und ändern daher ihren Anregungspegel gemäß Ausdruck (34). Die Fig. 11d zeigt die Anregungspegel U(i, j) der Nervenzellen im Gleichgewichtszustand. Wie in der Fig. 11c sind dabei Nervenzellen, die ein großes positives Stimulations-Ein­ gangssignal bzw. ein großes negatives Stimulations-Eingangssi­ gnal erhalten, mit ○ bzw. ⚫ bezeichnet. Die Nervenzellen an den Stellen (1,1) und (2,2) halten ihren Anregungszustand über eine Erregungsverbindung zwischen ihnen gegenseitig aufrecht. Die Nervenzelle an der Stelle (3,1) weist demgegenüber eine unterdrückende Verbindung zur Zelle an der Stelle (2,2) auf und befindet sich folglich auf niedrigem Anregungspegel. Die Nerven­ zellen an den Stellen (1,5), (2,6), (2,7) und (3,8) sind durch eine anregende Verbindung miteinander verknüpft und entwickeln daher einen hohen Anregungspegel. Im Zusammenhang damit sind die Nervenzellen an den Stellen (2,4) und (2,5) mit den Nervenzellen an den Stellen (2,4) und (2,6) jeweils durch eine unterdrückende oder dämpfende Verbindung verknüpft und zeigen daher einen nie­ drigen Anregungspegel. Auch die Nervenzelle an der Stelle (1,8) ist mit der Zelle an der Stelle (2,7) dämpfend verbunden und hat daher einen niedrigen Anregungspegel. Figs. 11a to 11d include examples of the result of the processing se in this embodiment. FIG. 11a shows an example of a standard pattern vector sequence stored in the directory, while FIG. 11b shows an example of a vector sequence for an input pattern. FIG. 11c shows a pattern for the stimulation or for stimulation input signals S ÿ , which corresponds to the vector sequence i (i = 1, 2, 3) from FIG. 11a and the vector sequence -j (j = 1, 2, ... 10) correspond to FIG. 11b. Nerve cells that receive a large positive stimulation input signal or a large negative stimulation input signal are denoted by ○ or ⚫. The other nerve cells are represented by dots. When the stimulation input signals are received, the respective nerve cells are excited and therefore change their excitation level according to expression (34). FIG. 11d shows the excitation levels U (i, j) of the nerve cells in the equilibrium state. As in FIG. 11c, nerve cells which receive a large positive stimulation input signal or a large negative stimulation input signal are denoted by ○ and ⚫. The nerve cells at positions (1,1) and (2,2) maintain their excitation state via an excitation connection between them. In contrast, the nerve cell at location (3,1) has an oppressive connection to the cell at location (2,2) and is consequently at a low excitation level. The nerve cells at positions (1,5), (2,6), (2,7) and (3,8) are linked by a stimulating connection and therefore develop a high level of excitation. In connection with this, the nerve cells at positions (2,4) and (2,5) are linked to the nerve cells at positions (2,4) and (2,6) by a suppressive or damping connection and therefore never show one third excitation level. The nerve cell at location (1,8) is also connected to the cell at location (2,7) and has a low excitation level.

Wenn das Anregungsmuster der Fig. 11d für eine Folge von Nervenzellen, die in Richtung der anregenden Verbindung der Fig. 9 verknüpft sind, für einen Abschnitt untersucht wird, der die Vektorfolge für ein eingegebenes Muster einschließt, die allen Werten von j (j = 1, 2, 3) entspricht, so wird der Abschnitt erhalten, der in der Fig. 11d von einer gestrichelten Linie um­ schlossen ist. Im Ergebnis wählt das System aus der Vektorfolge j (j = 1, 2, . . . 10) für das eingegebene Muster der Fig. 11b die folgenden Beziehungen als Kandidaten für den Abschnitt mit der Vektorfolge i (i = 1, 2, 3) des Standardmusters der Fig. 11a aus:When examining the excitation pattern of Fig. 11d for a sequence of nerve cells linked in the direction of the stimulating connection of Fig. 9 for a section including the vector sequence for an input pattern that includes all values of j (j = 1 , 2, 3), the section is obtained which is closed by a broken line in FIG. 11d. As a result, the system selects from the vector sequence j (j = 1, 2,... 10) for the input pattern of FIG. 11b the following relationships as candidates for the section with the vector sequence i (i = 1, 2, 3) of the standard pattern of FIG. 11a from:

Bei dem obigen Beispiel wird nur ein Abschnitt als Kandidat ermittelt. Die beschriebene Ausführungsform ist jedoch natürlich auch auf Fälle anwendbar, bei denen eine Anzahl von Kandidaten gefunden wird.In the example above, only one section is considered a candidate determined. However, the described embodiment is natural also applicable to cases where a number of candidates Is found.

Wenn das Gleichgewicht der Anregungspegel der Zellen durch die Berechnung des Ausdrucks (34) erhalten wird und die Kandida­ ten nicht wie im Falle der Fig. 11a bis 11d eindeutig bestimmt werden können, das heißt wenn eine Anzahl von Kombinationen mit Vektorfolgen gefunden werden, die Vektorfolgen von eingegebenen Mustern entsprechen, so brauchen nur der Wert für H(i, j) im Aus­ druck (34) und die Werte von α und R im Ausdruck (35) geändert zu werden, um einen neuen Gleichgewichtszustand zu erhalten, wodurch dann die zugehörigen Kandidaten, die die gleichen Vek­ torfolgen einschließen, eindeutig bestimmt werden können.If the equilibrium of the excitation levels of the cells is obtained by calculating expression (34) and the candidates cannot be clearly determined as in the case of Figs. 11a to 11d, that is, if a number of combinations with vector sequences are found, the vector sequences of entered patterns, only the value for H (i, j) in expression (34) and the values of α and R in expression (35) need to be changed in order to obtain a new equilibrium state, whereby the corresponding ones Candidates who include the same vector sequences can be clearly identified.

Bei der vorliegenden Ausführungsform kann somit eine Bezie­ hung zwischen Mustern einfach dadurch erhalten werden, daß eine verhältnismäßig einfache Berechnung wiederholt ausgeführt wird. Da die Verarbeitung für die jeweiligen Nervenzellen gleichmäßig erfolgt, kann die Berechnung auch parallel ausgeführt werden, mit dem Ergebnis einer sehr hohen Verarbeitungsgeschwindigkeit.Thus, in the present embodiment, a relation hung between patterns can be obtained simply by a relatively simple calculation is repeated. Because the processing for the respective nerve cells is even the calculation can also be carried out in parallel, with the result of a very high processing speed.

Die Fig. 12 zeigt ein Blockschaltbild einer Abstandmeßvor­ richtung, die nach den obigen Prinzipien arbeitet. Das Bezugs­ zeichen 1210 bezeichnet dabei einen rechten Abbildungs-Eingabe­ abschnitt, dem als Eingangssignal die Abbildung aus einer Fern­ sehkamera oder einer anderen Abbildungs-Eingabevorrichtung zuge­ führt wird. Das Bezugszeichen 1220 steht für einen linken Abbil­ dungs-Eingabeabschnitt, der als Eingangssignal eine Abbildung erhält, die von einer anderen Position aus erzeugt wird wie die rechte Abbildung, entsprechend den Abbildungen, die ein Mensch über sein rechtes und sein linkes Auge gewinnt. Die Bezugszei­ chen 1230 und 1240 bezeichnen einen rechten bzw. linken Abbil­ dungsspeicher zur Speicherung der entsprechenden Abbildungen. Die Bezugszeichen 1250 und 1260 bezeichnen Näherungsabschnitte, die jeweils eine mit der Funktion des Näherungsabschnittes 170 der Fig. 1 identische Funktion haben. Das Bezugszeichen 1270 steht für einen Verarbeitungsabschnitt, der die gleiche Funktion wie die Anordnung der Fig. 10 hat. Das Bezugszeichen 1280 be­ zeichnet einen Abstands-Berechnungsabschnitt, mit dem auf der Basis des Ergebnisses aus dem Verarbeitungsabschnitt 1270 ein Abstand erhalten werden kann. Fig. 12 shows a block diagram of a direction Abstandmeßvor which operates according to the above principles. The reference numeral 1210 denotes a right image input section, the image from a television camera or other image input device is supplied as an input signal. Reference numeral 1220 stands for a left image input section which receives, as an input signal, an image which is generated from a different position from the right image, corresponding to the images which a person obtains through his right and left eyes. Reference numerals 1230 and 1240 denote right and left image memories for storing the corresponding images. Reference numerals 1250 and 1260 denote proximity sections, each of which has a function identical to the function of the proximity section 170 of FIG. 1. The reference numeral 1270 stands for a processing section which has the same function as the arrangement of FIG. 10. Reference numeral 1280 denotes a distance calculating section with which a distance can be obtained based on the result from the processing section 1270 .

Die Näherungsabschnitte 1250 und 1260 lesen aus dem rechten bzw. linken Abbildungsspeicher 1230 bzw. 1240 die Helligkeits­ muster von Abtastlinien, die ein Paar bilden, aus, um die Musterdaten als Näherung in Übereinstimmung mit dem in Fig. 2 beschriebenen Verfahren in Vektorfolgen umzuwandeln. Der Ver­ arbeitungsabschnitt 1270 erhält die Vektorfolgen für die jewei­ ligen Abtastlinien von den Näherungsabschnitten 1250 und 1260. In Verwendung einer mit dem System der Fig. 10 identischen Vorrichtung bestimmt der Verarbeitungsabschnitt 1270 die Bezie­ hungen zwischen den Vektorfolgen. Der Berechnungsabschnitt 1280 stellt das Ausmaß der Parallaxen zwischen der rechten und der linken Abbildung auf der Basis der Beziehungen zwischen den Vektorfolgen aus dem Verarbeitungsabschnitt fest und berechnet daraus gemäß den allgemein bekannten trigonometrischen Prinzi­ pien den Abstand.The approximation sections 1250 and 1260 read out the brightness patterns of scan lines which form a pair from the right and left image memories 1230 and 1240, respectively, in order to convert the pattern data into vector sequences as an approximation in accordance with the method described in FIG. 2. The processing section 1270 obtains the vector sequences for the respective scan lines from the approximation sections 1250 and 1260 . Using an apparatus identical to the system of FIG. 10, processing section 1270 determines the relationships between the vector sequences. The calculation section 1280 determines the extent of the parallax between the right and left images based on the relationships between the vector sequences from the processing section and calculates the distance therefrom in accordance with the well-known trigonometric principles.

Da bei dieser Ausführungsform die Abbildungsdaten in der Form von Vektorfolgen komprimiert sind, ist das Ausmaß der erforderlichen Berechnungen verringert, und es kann eine hohe Verarbeitungsgeschwindigkeit erhalten werden. Darüber hinaus können bei Verwendung der entsprechenden Beziehungen zwischen den Vektorfolgen auch Beziehungen für andere Teile als Kanten abgeleitet werden, was bei den herkömmlichen Verfahren nicht möglich ist. Die Leistungsfähigkeit der Abstandsmeßvorrichtung ist damit wesentlich erhöht.In this embodiment, since the mapping data in the Form of vector sequences are compressed is the extent of required calculations are reduced and it can be high Processing speed can be obtained. Furthermore can use the appropriate relationships between the vector sequences also have relationships for parts other than edges can be derived, which is not the case with conventional methods is possible. The performance of the distance measuring device is significantly increased.

Die Fig. 13 zeigt eine alternative Ausführung der Muster­ erkennungsvorrichtung. Das in der Fig. 13 gezeigte System ent­ hält Einrichtungen 1360 und 1370, denen jeweils als Eingangs­ signal ein Standardmuster, das als Vektorfolge ausgedrückt ist, und eine Vektorfolge für ein erfaßtes Muster zugeführt wird, eine Einrichtung 180 zum Vergleichen der jeweiligen Vektorfol­ gen, um bezüglich des eingegebenen Musters ein Ergebnis zu er­ halten, und eine Ähnlichkeitsgradeinrichtung 190 zur Berechnung eines Maßstabs-Reduktionsfaktors und eines Ähnlichkeitsgrades zwischen den Vektorfolgen. Auch diese Vorrichtung kann gemäß dem beschriebenen Verfahren eine korrekte Erkennungsfunktion aus­ führen. Fig. 13 shows an alternative embodiment of the pattern recognition device. The system shown in FIG. 13 includes means 1360 and 1370 , each of which is supplied with an input signal as a standard pattern, which is expressed as a vector sequence, and a vector sequence for a detected pattern, means 180 for comparing the respective vector sequences to obtain a result with respect to the input pattern, and a degree of similarity device 190 for calculating a scale reduction factor and a degree of similarity between the vector sequences. This device can also perform a correct recognition function according to the described method.

Claims (20)

1. Vorrichtung zum Erfassen von Mustern, gekennzeichnet durch
  • (a) einen Standardmusterspeicher (1360) zum Speichern von Vektorfolgen, die eine Anzahl von Standardmustern darstellen;
  • (b) einen Speicher (1370) für ein eingegebenes Muster zum Speichern von Vektorfolgen, die ein eingegebenes Muster dar­ stellen;
  • (c) eine Einrichtung (180) zum Durchsuchen der Vektorfolge für das eingegebene Muster, um darin Vektorfolgen aus den Standard­ mustern zu erkennen; und
  • (d) eine Einrichtung (190) zum Berechnen des Ähnlichkeitsgrades und eines Maßstabs-Reduktionsfaktors zwischen den durch die Sucheinrichtung (180) erhaltenen Vektorfolgen und dem im Stan­ dardmusterspeicher (1360) gespeicherten Vektorfolgen und zum Bestimmen von Standardmustern mit einem größeren Ähnlichkeits­ grad und einem weniger großen Maßstabs-Reduktionsfaktor als für die bereits erhaltenen Vektorfolgen.
1. Device for detecting patterns, characterized by
  • (a) a standard pattern memory ( 1360 ) for storing vector sequences representing a number of standard patterns;
  • (b) an input pattern memory ( 1370 ) for storing vector strings representing an input pattern;
  • (c) means ( 180 ) for searching the vector sequence for the input pattern to identify vector sequences therein from the standard patterns; and
  • (d) means ( 190 ) for calculating the degree of similarity and a scale reduction factor between the vector sequences obtained by the search means ( 180 ) and the vector sequences stored in the standard pattern memory ( 1360 ) and for determining standard patterns with a greater degree of similarity and less large scale reduction factor than for the vector sequences already obtained.
2. Vorrichtung nach Anspruch 1, dadurch gekennzeichnet, daß die Einrichtung (190) zur Berechnung des Ähnlichkeitsgrades einen Speicher (195) zum Speichern von Nummern, die Standard­ mustern entsprechen, von denen jedes einen Ähnlichkeitsgrad, der nicht kleiner als ein vorbestimmter Wert ist, und einen Maß­ stabs-Reduktionsfaktor innerhalb eines um Eins zentrierten, vorgegebenen Bereiches aufweist, wobei diese Nummern in Verbin­ dung mit Nummern angeordnet sind, die den erhaltenen Vektor­ folgen für das eingegebene Muster zugeordnet sind.2. Device according to claim 1, characterized in that the device ( 190 ) for calculating the degree of similarity has a memory ( 195 ) for storing numbers which correspond to standard patterns, each of which has a degree of similarity which is not less than a predetermined value, and has a scale reduction factor within a predetermined range centered on one, these numbers being arranged in association with numbers associated with the vector obtained for the input pattern. 3. Vorrichtung nach Anspruch 1, gekennzeichnet durch einen Speicher (160) zum Speichern der den jeweiligen Vektoren der Standardmuster zugeordneten Namen, wobei diese Namen mit Eigen­ schaften der Vektoren wie ansteigend, flach und abfallend verknüpft sind.3. Apparatus according to claim 1, characterized by a memory ( 160 ) for storing the names assigned to the respective vectors of the standard patterns, these names being linked to properties of the vectors such as rising, flat and falling. 4. Vorrichtung nach Anspruch 1, gekennzeichnet durch ein neurales Netzwerk (710), dem die Vektorfolgen für das einge­ gebene Muster und die Standardmuster zugeführt werden und das eine Verbindung zwischen den Vektorfolgen herstellt.4. The device according to claim 1, characterized by a neural network ( 710 ) to which the vector sequences for the input pattern and the standard pattern are supplied and which establishes a connection between the vector sequences. 5. Vorrichtung zum Erfassen von Mustern, gekennzeichnet durch
  • a) eine erste Einrichtung (170) zum Ableiten von Merkmalen aus einem eingegebenen Muster, die mit der Konkavität und der Kon­ vexität davon verknüpft sind, und zum Annähern des eingegebenen Musters durch eine gebrochene Linie auf der Basis dieser Merk­ male, um das eingegebene Muster als eine die gebrochene Linie bildende Vektorfolge darzustellen;
  • b) eine zweite Einrichtung (160) zum Speichern des eingege­ benen Musters und einer Anzahl von Standardmustern, die damit zu vergleichen sind, in der Form von Vektorfolgen, die gebrochene Linien darstellen, wobei diese gebrochenen Linien mit Symbolen verknüpft sind;
  • c) eine dritte Einrichtung (180) zum Vergleichen der Vektor­ folge für das eingegebene Muster aus der ersten Einrichtung und der Vektorfolgen für Standardmuster aus der zweiten Einrichtung, um aus der Vektorfolge für das eingegebene Muster eine Abfolge von Vektoren abzuleiten, die Vektorfolgen von Standardmustern beinhalten; und durch
  • d) eine vierte Einrichtung (190) zum Berechnen eines Ähnlich­ keitsgrades und eines Maßstabs-Reduktionsfaktors zwischen der durch die dritte Einrichtung abgeleiteten Vektorfolge und den in der zweiten Einrichtung gespeicherten Vektorfolgen für Standard­ muster.
5. Device for detecting patterns, characterized by
  • a) a first means ( 170 ) for deriving features from an input pattern associated with the concavity and the convexity thereof and for approximating the input pattern by a broken line based on these features to the input pattern to be represented as a vector sequence forming the broken line;
  • b) second means ( 160 ) for storing the entered pattern and a number of standard patterns to be compared therewith in the form of vector sequences representing broken lines, these broken lines being associated with symbols;
  • c) a third device ( 180 ) for comparing the vector sequence for the input pattern from the first device and the vector sequences for standard patterns from the second device in order to derive from the vector sequence for the input pattern a sequence of vectors which contain vector sequences of standard patterns ; and through
  • d) a fourth device ( 190 ) for calculating a degree of similarity and a scale reduction factor between the vector sequence derived by the third device and the vector sequences for standard patterns stored in the second device.
6. Vorrichtung nach Anspruch 5, dadurch gekennzeichnet, daß die erste Einrichtung (170) enthält
  • a) eine Einrichtung zum Berechnen einer Faltung eines einge­ gebenen Musters f(t) (t = 0, 1, 2, . . . T) mit dem Ausdruck um das Ergebnis zu erhalten und um Punkte mit positiven und negativen Maximal­ werten als charakteristische Punkte τ₁, τ₂, . . . t k für das ein­ gegebene Muster abzuleiten;
  • b) eine Einrichtung zur Mittelwertbildung durch Berechnung einer Faltung auf der Basis des Ausdrucks um das Ergebnis zu erhalten und einen Mittelwert für das eingegebene Muster an jedem der charakteristischen Punkte abzuleiten;
  • c) eine Einrichtung zum Berechnen des Ausdrucks ( τ i ) = g₀( τ i )W₀(0) + g₂( τ i )W₂(0)auf der Basis der Ergebnisse g₂( τ i ) und g₀( τ i ) aus der Faltung an den charakteristischen Punkten t i (i = 1, 2, . . . k), um Näherungswerte ( τ i ) für das eingegebene Muster an den charakte­ ristischen Punkten t i zu erhalten;
  • d) eine Einrichtung zur Bestimmung von Regressionslinien h₁(t) und h k(t), die die Näherungswerte ( τ₁) und ( τ k ) für das einge­ gebene Muster innerhalb des Bereiches 0 t τ₁ bzw. t k t T passieren, um aus den Ausdrücken (0) = h₁(0)(T) = h k(T);die Näherungswerte (0) und (T) an den beiden Enden des einge­ gebenen Musters zu berechnen; und
  • e) eine Einrichtung zum Berechnen einer Vektorfolge i (i = 1, 2, . . . k + 1) aus den Ausdrücken die eine gebrochene Linie als Näherung für das eingegebene Muster darstellt.
6. The device according to claim 5, characterized in that the first device ( 170 ) contains
  • a) means for calculating a convolution of an input pattern f (t) (t = 0, 1, 2,... T) with the expression for the result to get and points with positive and negative maximum values as characteristic points τ ₁, τ ₂,. . . derive t k for the given pattern;
  • b) means for averaging by calculating a convolution based on the expression for the result to obtain and derive an average for the input pattern at each of the characteristic points;
  • c) means for calculating the expression ( τ i ) = g ₀ ( τ i ) W ₀ (0) + g ₂ ( τ i ) W₂ (0) based on the results g ₂ ( τ i ) and g ₀ ( τ i ) from the folding at the characteristic points t i (i = 1, 2,... k) in order to obtain approximate values ( τ i ) for the input pattern at the characteristic points t i ;
  • d) a device for determining regression lines h ₁ (t) and h k (t), the approximate values ( τ ₁) and ( τ k ) for the pattern entered within the range 0 t τ ₁ and t k t T pass to calculate from the expressions ( 0) = h ₁ (0) (T) = h k (T), the approximate values ( 0) and (T) at both ends of the entered pattern; and
  • e) a device for calculating a vector sequence i (i = 1, 2, ... k + 1) from the expressions which represents a broken line as an approximation for the entered pattern.
7. Vorrichtung nach Anspruch 5, dadurch gekennzeichnet, daß die in der zweiten Einrichtung gespeicherten Vektorfolgen für Standardmuster mit Namen versehen sind, die mit Merkmalen der jeweiligen Vektoren verknüpft sind, und daß die dritte Einrich­ tung enthält
  • a) eine Benennungseinrichtung zur Zuordnung der gleichen Namen, die den Vektorfolgen der Standardmuster zugeordnet sind, zu der Vektorfolge des eingegebenen Musters in Übereinstimmung mit den Merkmalen der jeweiligen Vektoren davon; und
  • b) eine Einrichtung zum Ableiten eines Abschnittes aus der Folge der Namen, die der Vektorfolge für das eingegebene Muster zugeordnet sind, wobei dieser Abschnitt einer Folge von Namen für Vektorfolgen der Standardmuster entspricht.
7. The device according to claim 5, characterized in that the vector sequences for standard patterns stored in the second device are provided with names which are linked to features of the respective vectors, and that the third device contains device
  • a) naming means for assigning the same names associated with the vector sequences of the standard patterns to the vector sequence of the input pattern in accordance with the characteristics of the respective vectors thereof; and
  • b) means for deriving a section from the sequence of names associated with the vector sequence for the input pattern, which section corresponds to a sequence of names for vector sequences of the standard patterns.
8. Vorrichtung nach Anspruch 5, dadurch gekennzeichnet, daß die vierte Einrichtung eine Einrichtung zur Berechnung des Ähnlichkeitsgrades und des Maßstabs-Reduktionsfaktors aus den Ausdrücken aufweist, wobei (,) ein Skalarprodukt der Vektoren, i (i = 1, 2, . . . m) eine Standardmuster-Vektorfolge und ÿ (j = 1, 2, . . . n i) eine Vektorfolge für ein eingegebenes Muster darstellt, das mit der Standardmuster-Vektorfolge -i verknüpft ist.8. The device according to claim 5, characterized in that the fourth device a device for calculating the degree of similarity and the scale reduction factor from the expressions , where (,) is a dot product of the vectors, i (i = 1, 2,... m) is a standard pattern vector sequence and ÿ (j = 1, 2,... n i ) is a vector sequence for an input pattern associated with the standard pattern vector sequence - i . 9. Vorrichtung nach Anspruch 5, dadurch gekennzeichnet, daß bei der Speicherung der Standardmuster in der zweiten Einrich­ tung ein gewünschtes Standardmuster an einer Eingabevorrichtung mit der Möglichkeit des Zeichnens von Mustern dargestellt wird, so daß die erste Einrichtung die Verarbeitung des Musters zur Gewinnung einer Vektorfolge durchführt und dadurch die zweite Einrichtung mit der erhaltenen Vektorfolge geladen wird.9. The device according to claim 5, characterized in that when storing the standard patterns in the second setup  a desired standard pattern on an input device with the possibility of drawing patterns, so that the first means processing the pattern for Obtains a vector sequence and thereby the second Device is loaded with the received vector sequence. 10. Vorrichtung zum Erfassen einer Beziehung zwischen zwei Mustern, die jeweils in Vektorfolgen umgewandelt sind, gekenn­ zeichnet durch
  • a) eine erste Einrichtung (1030) zum Speichern eines Überein­ stimmungsgrades S(i, j) (i = 1, 2, . . . m; j = 1, 2, . . . n) zwischen einer Vektorfolge i - (i = 1, 2, . . . m), die ein erstes Muster bildet, und einer Vektorfolge - j (j = 1, 2, . . . n), die ein zweites Muster bildet;
  • b) eine zweite Einrichtung (1060) zum Speichern eines Entspre­ chungsgrades U(i, j) (i = 1, 2, . . . m; j = 1, 2, . . . n) zwischen einem Vektor i des ersten Musters und einem Vektor - j des zweiten Musters;
  • c) eine dritte Einrichtung (1080) zum Speichern des Ausgangs­ signales V(i, j) (i = 1, 2, . . . m; j = 1, 2, . . . n), das durch eine Transformation V(i, j) = f [U(i, j) ]erhalten wird, die mit den jeweiligen Werten für den Entspre­ chungsgrad U(i, j), der in der zweiten Einrichtung gespeichert ist, erhalten wird;
  • d) eine vierte Einrichtung (1040) zur Erneuerung der Werte für den Entsprechungsgrad U(i, j) mittels des Übereinstimmungsgrades S(i, j) in der ersten Einrichtung, dem in der zweiten Einrichtung gespeicherten Entsprechungsgrad U(i, j) und dem in der dritten Einrichtung gespeicherten Ausgangssignal V(i, j); und
  • e) eine fünfte Einrichtung (1090), die, nachdem die Vorgänge b) bis d) iterativ so oft wiederholt wurden wie nötig, um eine entsprechende Beziehung zwischen der Vektorfolge i (i = 1, 2, . . . m) des ersten Musters und der Vektorfolge j (j = 1, 2, . . . n) des zweiten Musters erhalten wird, mittels des in der zweiten Einrichtung gespeicherten Entsprechungsgrades U(i, j) wirksam wird.
10. Apparatus for detecting a relationship between two patterns, each of which is converted into vector sequences, characterized by
  • a) a first device ( 1030 ) for storing a degree of correspondence S (i, j) (i = 1, 2,... m ; j = 1, 2,... n) between a vector sequence i - (i = 1, 2,... M) , which forms a first pattern, and a vector sequence - j (j = 1, 2, ... N) , which forms a second pattern;
  • b) a second device ( 1060 ) for storing a correspondence degree U (i, j) (i = 1, 2,... m ; j = 1, 2,... n) between a vector i of the first pattern and a vector - j of the second pattern;
  • c) a third device ( 1080 ) for storing the output signal V (i, j) (i = 1, 2,... m ; j = 1, 2,... n) , which is transformed by a transformation V (i , j) = f [ U (i, j) ] obtained with the respective values for the degree of correspondence U (i, j) stored in the second device;
  • d) a fourth device ( 1040 ) for renewing the values for the degree of correspondence U (i, j) by means of the degree of conformity S (i, j) in the first device, the degree of correspondence U (i, j) stored in the second device and the output signal V (i, j) stored in the third device; and
  • e) a fifth device ( 1090 ) which, after the processes b) to d) have been iteratively repeated as often as necessary, to establish a corresponding relationship between the vector sequence i (i = 1, 2,... m) of the first pattern and the vector sequence j (j = 1, 2,... n) of the second pattern is obtained by means of the degree of correspondence U (i, j) stored in the second device.
11. Vorrichtung nach Anspruch 10, dadurch gekennzeichnet, daß der in der ersten Einrichtung gespeicherte Übereinstimmungsgrad S(i, j) das skalare Produkt aus den Vektoren i und j - ist.11. The device according to claim 10, characterized in that the degree of conformity S (i, j) stored in the first device is the scalar product of the vectors i and j -. 12. Vorrichtung nach Anspruch 10, dadurch gekennzeichnet, daß das in der dritten Einrichtung gespeicherte Ausgangssignal V(i, j) aus dem Entsprechungsgrad U(i, j) auf der Basis von V(i, j) = f [U(i, j) ]mittels der Funktion erhalten wird.12. The apparatus according to claim 10, characterized in that the output signal V (i, j) stored in the third device from the degree of correspondence U (i, j) on the basis of V (i, j) = f [ U (i, j) ] by means of the function is obtained. 13. Vorrichtung nach Anspruch 10, dadurch gekennzeichnet, daß die Berechnung der vierten Einrichtung entsprechend dem Ausdruck erhalten wird, wobei A₁, A₂ und H(i, j) geeignete Konstanten und W(i, j; i′, j′) einen Gewichtungskoeffizienten bezeichnen, der die Beziehung zwischen V(i′, j′; t) und U(i, j; t + 1) angibt.13. The apparatus according to claim 10, characterized in that the calculation of the fourth device according to the expression is obtained, where A ₁, A ₂ and H (i, j) suitable constants and W (i, j; i ′, j ′) denote a weighting coefficient which represents the relationship between V (i ′, j ′; t) and U (i, j; t + 1) indicates. 14. Vorrichtung nach Anspruch 5, gekennzeichnet durch eine Ein­ richtung (1360, 1347) zur Umwandlung eingegebener Informationen in Symbole, die die Kontur von Mustern darstellen, und zur Speicherung der Symbole.14. The apparatus according to claim 5, characterized by a device ( 1360, 1347 ) for converting input information into symbols that represent the contour of patterns, and for storing the symbols. 15. Vorrichtung nach Anspruch 14, gekennzeichnet durch eine Einrichtung (180) zur Umwandlung eines Steuerzustandes eines Prozesses in ein Symbol, das ein Muster darstellt, das im Stan­ dardmusterverzeichnis enthalten ist, und zur Ableitung eines früheren Prozeßzustandes, der durch ein Symbol dargestellt wird, das mit dem Symbol des Musters identisch ist, um einen Vergleich auszuführen.15. The apparatus according to claim 14, characterized by means ( 180 ) for converting a control state of a process into a symbol which represents a pattern which is contained in the standard pattern directory and for deriving an earlier process state which is represented by a symbol, that is identical to the symbol of the pattern to make a comparison. 16. Vorrichtung nach Anspruch 15, gekennzeichnet durch eine Einrichtung (170) zum Berechnen einer Auswahl oder zum Berechnen von Regeln, die vorab zur Steuerung mittels Symbolen, die Pro­ zeßzustände darstellen, bestimmt werden, wobei das Symbol von der Umwandlungseinrichtung ausgegeben wird.16. The apparatus according to claim 15, characterized by a device ( 170 ) for calculating a selection or for calculating rules which are determined in advance for control by means of symbols which represent process states, the symbol being output by the conversion device. 17. Vorrichtung zum Messen von Abständen, bei der eine entspre­ chende Beziehung zwischen einer Anzahl von Abbildungen eines Objektes erhalten wird, die von einer Abbildungs-Eingabevorrich­ tung wie einer Fernsehkamera erhalten werden, um den Abstand zu dem Objekt zu berechnen, gekennzeichnet durch
  • a) eine erste Einrichtung (1250, 1260) zur Annäherung eines Helligkeitsmusters einer jeden der Abbildungen für jede Abtast­ linie durch eine gebrochene Linie, um das Muster in eine Vektor­ folge umzuwandeln, die den Liniensegmenten der gebrochenen Linie entspricht; und
  • b) eine zweite Einrichtung (1270) zur Ableitung einer entspre­ chenden Beziehung zwischen den Vektorfolgen der verschiedenen Abbildungen, die bezüglich einer identischen Abtastlinie durch die erste Einrichtung erhalten wurden.
17. A distance measuring device in which a corresponding relationship is obtained between a number of images of an object obtained from an image input device such as a television camera to calculate the distance to the object, characterized by
  • a) first means ( 1250, 1260 ) for approximating a brightness pattern of each of the images for each scan line by a broken line to convert the pattern into a vector sequence corresponding to the line segments of the broken line; and
  • b) second means ( 1270 ) for deriving a corresponding relationship between the vector sequences of the different images obtained with respect to an identical scan line by the first means.
18. Verfahren zum Erfassen eines eingegebenen Musters bezüglich Standardmustern in einer Vorrichtung mit einem Speicher und Berechnungseinrichtungen, um das Muster zu identifizieren, gekennzeichnet durch
  • a) einen Schritt (1360) des Speicherns von Vektorfolgen, die eine Anzahl von Standardmustern darstellen;
  • (b) einen Schritt (1370) des Speicherns eines eingegebenen Musters als Vektorfolge;
  • (c) einen Schritt (180) des Durchsuchens der Vektorfolge für das eingegebene Muster, um darin Vektorfolgen aus den Standard­ mustern zu erkennen; und
  • (d) einen Schritt (190) des Ähnlichkeitsgrades und eines Maßstabs-Reduktionsfaktors zwischen den im Schritt (180) erhaltenen Vektorfolgen und den im Schritt (1360) gespei­ cherten Vektorfolgen und des Bestimmens von Standardmustern mit einem größeren Ähnlichkeitsgrad und einem weniger großen Maß­ stabs-Reduktionsfaktor als für die bereits erhaltenen Vektor­ folgen.
18. A method of acquiring an input pattern with respect to standard patterns in an apparatus having a memory and computing means to identify the pattern, characterized by
  • a) a step ( 1360 ) of storing vector sequences representing a number of standard patterns;
  • (b) a step ( 1370 ) of storing an input pattern as a vector sequence;
  • (c) a step ( 180 ) of searching the vector sequence for the input pattern to identify vector sequences therein from the standard patterns; and
  • (d) a step ( 190 ) of the degree of similarity and a scale reduction factor between the vector sequences obtained in step ( 180 ) and the vector sequences stored in step ( 1360 ) and the determination of standard patterns with a greater degree of similarity and a less large scale. Reduction factor as follow for the vector already received.
19. Verfahren nach Anspruch 18, gekennzeichnet durch einen Schritt des Berechnens des Ähnlichkeitsgrades zum Speichern von Nummern, die Standardmustern entsprechen, von denen jedes einen Ähnlichkeitsgrad, der nicht kleiner als ein vorbestimmter Wert ist, und einen Maßstabs-Reduktionsfaktors innerhalb eines um Eins zentrierten, vorgegebenen Bereiches aufweist, wobei diese Nummern in Verbindung mit Nummern angeordnet sind, die den er­ haltenen Vektorfolgen für das eingegebene Muster zugeordnet sind. 19. The method according to claim 18, characterized by a Step of calculating the degree of similarity to store Numbers that match standard patterns, each one Degree of similarity that is not less than a predetermined value and a scale reduction factor within one µm Has a centered, predetermined area, this Numbers are arranged in connection with numbers that he assigned vector sequences for the entered pattern are.   20. Verfahren nach Anspruch 18, gekennzeichnet durch einen Schritt des Bestimmens eines Namens für jeden Vektor der Stan­ dardmuster, wobei diese Namen mit Eigenschaften der Vektoren wie ansteigend, flach und abfallend verknüpft sind.20. The method according to claim 18, characterized by a Step of determining a name for each vector of the Stan dardmuster, these names with properties of the vectors like are linked ascending, flat and descending.
DE4017430A 1989-05-31 1990-05-30 Device and method for recognizing patterns Expired - Fee Related DE4017430C2 (en)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP1136019A JPH032985A (en) 1989-05-31 1989-05-31 Method and device for identifying pattern

Publications (2)

Publication Number Publication Date
DE4017430A1 true DE4017430A1 (en) 1990-12-06
DE4017430C2 DE4017430C2 (en) 1994-01-27

Family

ID=15165286

Family Applications (1)

Application Number Title Priority Date Filing Date
DE4017430A Expired - Fee Related DE4017430C2 (en) 1989-05-31 1990-05-30 Device and method for recognizing patterns

Country Status (3)

Country Link
JP (1) JPH032985A (en)
KR (1) KR900018862A (en)
DE (1) DE4017430C2 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002277723A (en) * 2001-03-22 2002-09-25 Nidec Copal Corp Portable information terminal equipment
JP4807807B2 (en) * 2010-01-26 2011-11-02 サミー株式会社 Game equipment

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3942169A (en) * 1973-09-10 1976-03-02 Hitachi, Ltd. Pattern recognition system
EP0063765A2 (en) * 1981-04-27 1982-11-03 Kabushiki Kaisha Toshiba Pattern recognition apparatus and method
EP0079251A2 (en) * 1981-09-11 1983-05-18 BURROUGHS CORPORATION (a Delaware corporation) Geometric character recognition using skeleton and stroke width representation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3942169A (en) * 1973-09-10 1976-03-02 Hitachi, Ltd. Pattern recognition system
EP0063765A2 (en) * 1981-04-27 1982-11-03 Kabushiki Kaisha Toshiba Pattern recognition apparatus and method
EP0079251A2 (en) * 1981-09-11 1983-05-18 BURROUGHS CORPORATION (a Delaware corporation) Geometric character recognition using skeleton and stroke width representation

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SAKOU, H.: An Algorithm For Matching Distorted Waveforms Using A Scale-Based Discription, IAPR Workshop on CV, 1988, S. 329-334 *

Also Published As

Publication number Publication date
KR900018862A (en) 1990-12-22
JPH032985A (en) 1991-01-09
DE4017430C2 (en) 1994-01-27

Similar Documents

Publication Publication Date Title
EP0780002B1 (en) Process and apparatus for reconstructing raster-shaped line structures
DE69833999T2 (en) METHOD FOR THE AUTOMATIC DETECTION OF HUMAN EYES IN DIGITAL IMAGES
DE102017220307B4 (en) Device and method for recognizing traffic signs
DE60307967T2 (en) IMAGE PROCESSING FOR THE STUDY OF THE APPEARANCE
DE3520014A1 (en) DATA CORRELATION ARRANGEMENT AND METHOD FOR DETERMINING ADJUSTMENTS BY PSEUDOCORRELATION VALUES
WO2020049154A1 (en) Method and device for classifying objects
DE102017218889A1 (en) Unarmed parameterized AI module and method of operation
DE60303138T2 (en) COMPARING PATTERNS
EP0844590A1 (en) Method for fractal image coding and device for carrying out the method
DE19636074C2 (en) Learning-capable image processing system for classification
WO2007042195A2 (en) Method for segmentation in an n-dimensional characteristic space and method for classification on the basis of geometric characteristics of segmented objects in an n-dimensional data space
EP1273007B1 (en) Method for determining a characteristic data record for a data signal
DE4017430A1 (en) Data pattern e.g. for geometric image - searching vector sequences for standard pattern sequences and computing similarity and scale factors
DE10027657A1 (en) Reference points detection method for fingerprint image analysis, involves detecting regression line of spectral power density of filtered image regions to judge orientation of papillary lines
DE19648017A1 (en) Method for determining scale factors for fractal image coding
DE202022104461U1 (en) Syntax guided recognition system for mathematical terms
EP1281157A1 (en) Method and device for determining an object in an image
DE60214018T2 (en) MEASUREMENT OF GEOMETRICAL VARIABLES OF A STRUCTURE CONTAINED IN A PICTURE
DE60123852T2 (en) Method for the efficient coding of shape-defining parameters
EP2096578A2 (en) Method and device for characterising the formation of paper
EP1525554A1 (en) Method for evaluating the signals of an electronic image sensor during pattern recognition of image contents in a test piece
DE10361838B3 (en) Assessing real object similarities involves generating supporting point vector sets with parameterized object data, transforming according to base functions to determine complex coefficients, grouping into characteristic vector components
WO2023072775A1 (en) Verifying people in portrait paintings
DE112021003342T5 (en) DEVICE AND METHOD FOR DETERMINING EMOTIONS
WO2009053110A2 (en) Method and device for the automated comparison of two sets of measurement values

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
D2 Grant after examination
8364 No opposition during term of opposition
8339 Ceased/non-payment of the annual fee