人間と共生するロボットには，日常的に存在する多くの種類の物体を，大まかでも高速に認識することが求められる．このような能力をもつコンピュータ・ビジョン・システムは現在のところ存在しないが，人間の視覚システムが最も大きな特徴とする能力である．人工視覚システムに，われわれ人間のもつ視覚の特徴をモデル化し取り入れることは，人間に近い視覚能力を備えるための１つの方法になるであろう．
　２次元の網膜像から３次元の物体としての認識を得るためには，まず網膜像の中から輪郭を検出し，それらを特徴としてまとめあげて表面として表現し，３次元形状を構成することが必要である (Marr, 1982) ．ここで最初のステップである輪郭の検出は，普通，画像の中に急激な輝度変化がある位置で行なわれる．しかし，我々人間は，主観的輪郭と呼ばれる，輝度変化のない位置でも輪郭があるように知覚されることがある．人間と同じような視覚認識を行なうためには，この２種類の輪郭を扱う必要がある．本研究では，人間の視覚システムに関する心理学的，神経生理学的知見を取り入れたモデルを作ることにより，通常の輪郭に加えて主観的輪郭を利用して柔軟で高速な物体認識を行なうシステムを構築する．
　本稿では以下，２章でまず，心理学や生理学などで主観的輪郭の生成に関わると言われているプロセスについて挙げ，次に３章では主観的輪郭生成に関わる視覚の低次プロセスのモデル，４章では高次プロセスに利用される３次元物体の記憶表象についての仮説を説明する．そして５章で筆者らが提案する，主観的輪郭の生成を含んだ輪郭処理を行なう物体認識システムの構成を説明する．

　低次プロセスで検出された輪郭の破片を表面や立体としてまとめあげて記述することは，視覚システムの中でも高次プロセスに含まれる．

　これまでの章で，物体認識における主観的輪郭知覚の利点を挙げ，主観的輪郭を含めた輪郭を生成するための低次プロセスと高次プロセスに用いるべきメカニズムを整理した．この章では，本論文で提案する３次元物体認識システムの構成を述べる．このシステムでは主観的輪郭を次のように扱っている．すなわち， (1) 低次処理で自動的に，副次的に作り出されるもの．ここではこのプロセスを BCS でモデル化する．線分の端点やエッジの連続性・近接性などが原因になって作り出され，後の処理では物理的輪郭と同等に処理される．(2) ３次元世界での分節を表現するもの．ここでは基本立体であるジオンの形状に基づいている．立体形状についての仮説であり，物理的輪郭のような線が引かれるわけではなく，その領域にあるジオンが存在すると推論して認識するものである．
　図８は主観的輪郭を含めた３次元物体認識システム TORES-BM (Three dimensional Object REcognition System by Biological Model) 全体の概念図である．網膜像は (1) 視覚バッファを通して入力され，まず (2) 明るさのエッジ検出を行なう．これには３章で説明した BCS のアルゴリズムを用いる．次に (3) 検出されたエッジ（輪郭）をグループ化して，３次元形状の手掛かりとなる特徴（頂点，線分など）がどこにどんな種類があるかを特定する．その特徴の種類を基にして (4) ３次元の物体モデルを構成する．(5) 記憶に表象されている物体モデルのデータベースを備え，(6) それに基づいて要素立体（ジオン）を検索，(7) 見ている物体が何であるかを同定することによって認識する．これらの処理は人間の処理方式にならって視野の中で中心視された領域でのみ行なわれると考えている．

図８　主観的輪郭を含めた３次元物体認識システム TORES-BM の構成

　次に，それぞれのシステム構成要素で行なわれる処理について詳細に述べる．
　(1) 視覚バッファ
　視野全体の明るさの分布が視覚バッファに入力される．その画像から特定の中心視領域が画素の明るさの値に変換される．中心視領域は視野の中でも，周囲より明るい領域のうちの１つに定められるとする．ここでは２種類のグレースケール画像が入力された場合を例として説明する．図９は照明が一様でなく，輪郭線の一部が背景と同じ輝度をもつ場合，図10は主観的輪郭が知覚されなければ直線の集まりとして知覚されるような場合である．

図９　入力画像（一部が背景と同じ輝度をもつ場合）

図10　入力画像（直線の集まり）

---

　(2) エッジ検出
　BCS のニューラルネットワークによって，まず局所的な明るさの差の方位に分解し，ネットワーク内のユニットどうしの競合・協調プロセスを経て物理的な輪郭と同時に主観的輪郭の候補となるエッジ方位成分も生成する．実行例として，図９から検出したエッジを図11に示す．背景と等輝度の領域内でエッジや頂点が検出されていない．図12は図10から検出したエッジを示す．(a) では BCS アルゴリズムによって各線分の端点で線分に直交するような線分が発生し，主観的輪郭に相当する線分が現われている．これに対して(b) は BCS を適用しなかった場合（コントラストと方位の検出のみ行なった）には，物理的輪郭に相当するエッジだけが検出されて，主観的輪郭に相当する線分は現われない．

図11　図９から検出したエッジ

図12　図10から検出したエッジ
(a) BCS によって主観的輪郭を生成した場合 (b) 主観的輪郭を生成しなかった場合

---

　(3) 特徴タイプの特定
　輪郭要素の組み合わせから，頂点の種類（ Y 型，矢印型，L 型，曲がりL 型，曲がり Y 型）とその位置を検出する．特定の頂点を検出するために，テンプレートで画像全体をスキャンする一般的な方法で行なうが，BCS の出力が各方位を表わす８つのレイヤーに分解して表現されることに合わせて，方位を表わすポテンシャル値の大きさを条件として検出するテンプレートとして用いている．つまり，垂直方位の大きな値のポテンシャルが垂直に並んでいるときに，垂直方位の線分として検出する．テンプレートの大きさである各方位の並びは10画素とした．
　図13は図11から検出された頂点，図14は図12(a)から検出された頂点である（いずれもマッチした画素数の比率は 85% 以上）．図13ではエッジが検出された部分で頂点が検出されている．図14では生成された主観的輪郭を含めて頂点を検出している．結果として両方とも直方体のジオンが復元される．なお，主観的輪郭を生成しなかった図12(b)では，テンプレートのマッチ率が 70% を越えるような頂点は検出できなかった．この場合，次の段階でジオンを復元することができないので，認識結果は直線の集まりということになる．

図13　図11から検出したエッジ

図14　図12(a)から検出したエッジ

---

　(4) ジオンの復元
　特徴タイプの組み合わせから，基本立体（ジオン）の形状を復元する．頂点の種類，輪郭線の曲がり，および頂点で接する面の接続関係の組み合わせの関係は物理的に制約されている．このルールの例を図15に取り出して示す．これらの対応関係が生後の視覚経験から学習され，記憶されているものと考えた概念モデルを図16に示す．この対応関係を表現するためにコネクショニスト・ネットワークを用いている．検出された頂点の種類と，その位置で接続されて存在しうる表面の形 (Lee & Paterson, 1991) の間にリンクがあり，また接続表面の形とありうる物体モデルの間にリンクがある．またエッジの連続性から直線か曲線かを検出し，それぞれが含まれるジオンとの間にもリンクがある．各レイヤーの間のリンクは例を与えた学習によって形成した．頂点タイプと面の間，面とジオンの間ごとに、完全な見え方をしたものを例題として入力値を１とし，instar 学習則 (Carpenter, 1989) によってリンクの結合値を更新させた．

図15　特徴のタイプの組み合わせとジオンの関係のルール

図16　エッジからジオンを復元するネットワーク

---

　ところで，物体モデルと，画像の中にあるエッジとのマッチングの問題は，コンピュータ・ビジョンの分野でも古くから考えられてきた（白井 編, 1987; 谷内田 編, 1990 など）．ジオンに限らず一般化円筒（円錐）に基づくモデルは軸と断面で構成されるため，画像中の手掛かりを使ってジオンの軸を取り出さなければならない．細長い立体であれば比較的簡単であるが，一般には軸の決定はむずかしい問題である．もう１つの物体モデルの記述法は，物体をさまざまな方向から見たときの，見かけの形状（アスペクト）の集合として表現することである．アスペクトの生成法については Ikeuchi & Kanade (1988) が論じている．この記述法ではモデルに多くのアスペクトを蓄えなければならないが，画像とモデルの各アスペクトを直接比較することができる．
　このシステムでは，画像から直接ジオンの軸を決定することを避けて，代わりに頂点のタイプや，接続しうる面といった，見かけの形状を利用してマッチングする方法をとっている． 　エッジの検出結果からあてはまるノードに大きな活性値がリンクを通して送られ，ジオンが推定される．例えば図13, 14 に検出された頂点の組み合わせからは，どちらも直方体のジオンが復元される．
　図13の各頂点テンプレートの出力値をこのネットワークに入力した結果得られたジオン・ノード群の出力値の一部分を図17に示す（黒いバー）．白いバーは完全な線画が入力された場合のジオン・ノードの出力値である。正しいジオン・ノードが大きい値を出力している．

図17　図13の頂点ノード出力値から得られたジオン・ノードの出力値

---

　(5) 記憶内の物体モデル表象
　日常にある３次元物体の形状がジオンの集合とそれらの間の接続関係で記述されている．また物体モデルのデータベースは，自己組織化ニューラルネットワークによって互いに類似した形状の物体がまとめられている (畑本 他, 1991; Hatamoto, et al., 1992)．例として図18の入力画像から上述の方法でエッジに続いて頂点を検出し，復元されたジオンから物体を同定した場合を図19に示す．ここでは同じ種類の円筒型ジオンが２つの位置で検出され，スイッチの部分の四角形のジオンは頂点が１つだけ検出されたために弱い値で検出されている．これらのジオンの組み合わせを物体モデルの表象とを比較し，２つの円筒型ジオンと１つの直方体ジオンが適合した「懐中電灯」が選ばれた．

図18　入力画像

図19　頂点から接続面，ジオン，物体の同定

---

　以上のシステムを統合することにより，主観的輪郭の知覚をも含めた物体認識システムが構成される．ここで提案した認識システムと脳の視覚システムの対応という点では，(1) 〜 (2) は２章で述べたような網膜から第２次視覚野まででの処理に相当する．それ以降の処理については，最近の生理学的研究で発表されている，「特定の色をした特定の物体」「物体Aと物体Bがあり，上からこの順に並んでいる」など素情報の組み合わせによる物体認識に対応するような細胞が側頭葉に発見され，また，サルの下側頭皮質では形や色，方向などの組み合わせ視覚特徴もコラム状に並んでいる (Fujita et al., 1992) ことにほぼ沿ったものである．

　現在のこの視覚システムでは，ジオンのような比較的単純な形の立体であれば，さまざまな形の３次元物体が認識できる．照明が一様でなく部分的に物体表面と背景の明るさに差がないような領域があったり，多くの線分の並びから形成されるような図形からでも，単純な形状をもつ３次元物体としての仮説を作って形状を認識することができることになる．
　また，図１に示したような，いわゆる主観的輪郭を誘導する２次元図形に対しても，同様な説明をすることができる．すなわち，主観的輪郭は，画像上の少ない手掛かりから推定した３次元物体の輪郭の一部として作られる．このため，生成された主観的輪郭の形状は，検索された基本立体を反映しており，表面としての性質を伴なう，観察者の記憶や先行情報に影響される，異なる基本立体が検索されれば異なる形状の主観的輪郭図形が知覚されるなど，２章に挙げたような性質が説明できる．
　ところでこのシステムは，物体を大まかな３次元形状として扱うことで，高速に認識・同定することを目的としているので，正確な線の形状や表面方向を計測することを目的とする認識課題には適していない．また，検出される輪郭をすべてジオンの仮説生成に利用するため，入力画像に多くの物体が含まれている場合には，非常に大きな計算量が必要となる．このような画像を一度に処理しようとすると，どの輪郭を同じジオンに含めるかという問題が発生するからである．しかし，人間はこのような場合にもすばやく物体の切り分けを行なっており，試行錯誤的に輪郭をあてはめているとは考えにくいので，これを効率的に行なう何らかのメカニズムを考える必要があろう．
　また，物体モデルの適合基準について，どこまで一致すればその物体であると同定するかという問題がある．物体モデルを表現するジオンの集合は，物体モデル記述の抽象度で規定される．これと低次処理の解像度の関係はこれからの課題である．
　このシステムでは主観的輪郭を取り扱ったが，古くからの主観的輪郭研究で発見されてきた，主観的輪郭が誘導される，あるいは誘導されないと言われる図形について説明できるわけではない．例えば，Kanizsa 流に黒い十字形を四隅に配置した図形では，主観的輪郭が誘導されないと言われているが，このシステムではエッジの近接性と連続性によって誘導されることになる．システムをさらに人間の視覚に近づけるためには，このようなメカニズムについても今後の課題となる．
　人間やサルに関する大脳生理学・神経解剖学は近年めざましく発展しているため，そこでの知見とも照らし合せて今後検討を重ねることが必要であると考えている．