JP5247480B2 - オブジェクト識別装置及びオブジェクト識別方法 - Google Patents

Description

本発明は、オブジェクト識別装置及びオブジェクト識別方法に関する。

画像データ中の被写体であるオブジェクトが、別の画像中の被写体であるオブジェクトと同一のものであると識別する技術として、例えば、個人の顔を識別する顔識別技術がある。以下、本明細書では、オブジェクトの識別とは、オブジェクトの個体の違い（例えば、個人としての人物の違い等）を判定することを意味する。一方、オブジェクトの検出は、個体を区別せず同じ範疇に入るものを判定する（例えば、個人を区別せず、顔を検出する）、ことを意味するものとする。

顔識別技術として、例えば非特許文献１のような方法がある。これは、顔による個人の識別問題を、差分顔と呼ばれる特徴クラスの２クラス識別問題に置き換えることによって、顔の登録・追加学習をリアルタイムに行うことを可能にしたアルゴリズムである。

例えば、サポートベクターマシン（ＳＶＭ）を用いた顔識別では、ｎ人分の人物の顔を識別するために、登録された人物の顔とそれ以外の顔とを識別するｎ個のＳＶＭ識別器が必要になる。人物の顔を登録する際には、ＳＶＭの学習が必要となる。ＳＶＭの学習には、登録したい人物の顔と既に登録されている人物とその他の人物との顔データが大量に必要で、非常に計算時間がかかるため、予め計算しておく手法が一般的であった。
しかし、非特許文献１の方法によれば、個人識別の問題を、次に挙げる２クラスの識別問題に置き換えることよって、追加学習を実質的に不要にすることが出来る。即ち、
・ｉｎｔｒａ−ｐｅｒｓｏｎａｌ ｃｌａｓｓ：同一人物の画像間の、照明変動、表情・向き等の変動特徴クラス
・ｅｘｔｒａ−ｐｅｒｓｏｎａｌ ｃｌａｓｓ：異なる人物の画像間の、変動特徴クラス
の２クラスである。

上記２クラスの分布は、特定の個人によらず一定であると仮定して、個人の顔識別問題を、上記２クラスの識別問題に帰着させて識別器を構成する。予め、大量の画像を準備して、同一人物間の変動特徴クラスと異なる人物間の変動特徴クラスとの識別を行う識別器を学習する。新たな登録者は、顔の画像（若しくは必要な特徴を抽出した結果）のみを保持すればよい。識別する際には２枚の画像から差分特徴を取り出し、上記識別器で、同一人物なのか異なる人物なのかを判定する。これにより、個人の顔登録の際にＳＶＭ等の学習が不要になり、リアルタイムで登録を行うことが出来る。

上記のような、オブジェクト（より具体的に説明すると、人物の顔）の識別を行う装置及び方法において、識別性能を低下させる要因として、登録用の画像と認証用の画像の、２枚の画像間の変動が挙げられる。即ち、識別対象であるオブジェクト（人物の顔）の２枚の画像間の変動、より具体的に説明すると、照明条件、向き・姿勢、他のオブジェクトによる隠れや、表情による変動等である。上記のような変動が大きくなると、識別性能が大幅に低下してしまう。

この問題に対して、特許文献１では、部分領域ごとのパターンマッチングを複数行い、それらの結果のうち、外れ値を取り除いて、各部分領域のマッチ度を統合することによって、変動に対するロバスト性を確保している。

特開２００３−３２３６２２号公報 Ｂａｂａｃｋ Ｍｏｇｈａｄｄａｍ， Ｂｅｙｏｎｄ Ｅｉｇｅｎｆａｃｅｓ ：Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｍａｔｃｈｉｎｇ ｆｏｒ Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ（Ｍ．Ｉ．Ｔ Ｍｅｄｉａ Ｌａｂｏｒａｔｏｒｙ Ｐｅｒｃｅｐｔｕａｌ Ｃｏｍｐｕｔｉｎｇ Ｓｅｃｔｉｏｎ Ｔｅｃｈｎｉｃａｌ Ｒｅｐｏｒｔ Ｎｏ．４３３）， ＰｒｏｂａｂｉｌｉｓｔｉｃＶｉｓｕａｌ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｏｂｊｅｃｔ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＰａｔｔｅｒｎＡｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， Ｖｏｌ． １９， Ｎｏ． ７， ＪＵＬＹ １９９７）

しかしながら、人物の顔のような変動が大きく、更に撮影条件がさまざまな環境においても、識別性能を維持するためには、特徴量そのものが変動にロバストであることが望ましい。もしくは、抽出した特徴量が、変動に対してロバストになるような変換処理を施し、識別性能を向上させるアプローチが有効であると考えられる。
デジタルカメラやＷｅｂカメラ等への応用を考えた場合、登録時と識別時とでは、画像の撮影条件及び変動（向き、表情）が、大きく異なることが一般的である。変動に強い特徴量及び特徴量の変換方法の選択が、識別率向上への大きな問題点であった。

本発明はこのような問題点に鑑みなされたもので、登録時と認証時に撮影条件及び変動条件が異なった場合でも、高精度な識別を行うことが出来るようにすることを目的とする。

そこで、本発明のオブジェクト識別装置は、撮像されたオブジェクトに係る画像データを入力する画像データ入力手段と、入力された前記画像データから前記オブジェクトの属性を推定するオブジェクト属性推定手段と、入力された前記画像データの部分領域から特徴ベクトルを抽出し、該特徴ベクトルに対して前記オブジェクト属性推定手段で推定された属性に応じた変換方法による次元圧縮変換を行うことによって前記オブジェクトの識別用データを生成するオブジェクト識別用データ生成手段と、予め記録された画像データの部分領域から特徴ベクトルを抽出し、抽出した前記特徴ベクトルに対して前記オブジェクトの属性に応じた変換方法による次元圧縮変換を行うことによって生成されたオブジェクト辞書データを取得するオブジェクト辞書データ取得手段と、前記オブジェクト識別用データと前記オブジェクト辞書データとに基づいて、前記画像データ入力手段で入力された画像データに係る前記オブジェクトの属するクラスを識別するオブジェクト識別手段と、を有することを特徴とする。

本発明によれば、登録時と認証時に撮影条件及び変動条件が異なった場合でも、高精度な識別を行うことが出来るようにすることができる。

以下、本発明の実施形態について図面に基づいて説明する。

＜実施形態１＞
以下、実施形態１について図面に基づいて説明する。
図１は、オブジェクト識別装置１００の構成の一例を示す図（その１）である。図１に示すように、オブジェクト識別装置１００は、結像光学系１、撮像部２、撮像制御部３、画像記録部４、オブジェクト登録部５、オブジェクト識別部６、を含む。また、オブジェクト識別装置１００は、オブジェクト識別結果を出力する外部出力部７、各構成要素の制御・データ接続を行うためのバス８、を含む。
なお、オブジェクト登録部５、オブジェクト識別部６は、典型的には、それぞれ専用回路（ＡＳＩＣ）、プロセッサ（リコンフィギュラブルプロセッサ、ＤＳＰ、ＣＰＵ等）であってもよい。しかしながら、オブジェクト登録部５、オブジェクト識別部６は、単一の専用回路及び汎用回路（ＰＣ用ＣＰＵ）内部において実行されるプログラムとして存在してもよい。

結像光学系１は、ズーム機構を備えた光学レンズで構成される。また、結像光学系１は、パン・チルト軸方向の駆動機構を備えてもよい。
撮像部２の映像センサとしては、典型的にはＣＣＤ又はＣＭＯＳイメージセンサが用いられ、不図示のセンサ駆動回路からの読み出し制御信号により所定の映像信号（例えば、サブサンプリング、ブロック読み出しして得られる信号）が画像データとして出力される。
撮像制御部３は、撮影者からの指示（画角調整指示、シャッター押下、等）及びオブジェクト登録部５又はオブジェクト識別部６からの情報を基に、実際に撮影が行われるタイミングを制御する。
画像記録部４は、半導体メモリ等で構成され、撮像部２から転送（又は入力）された画像データを保持し、オブジェクト登録部５、オブジェクト識別部６からの要求に応じて、所定のタイミングで、画像データを転送する。

オブジェクト登録部５は、画像データから識別の対象とするオブジェクトの情報を抽出し、記録・保持する。オブジェクト登録部５のより詳細な構成及び実際に行われる処理のより具体的な内容については、後で述べることにする。
オブジェクト識別部６は、画像データ及びオブジェクト登録部５から取得したデータを基に、画像データ中のオブジェクトの識別を行う。オブジェクト識別部６に関して、より具体的な構成及び行われる処理の詳細については、後で詳しく説明する。
外部出力部７は、典型的には、ＣＲＴやＴＦＴ液晶等のモニタであり、撮像部２及び画像記録部４から取得した画像データを表示、又は画像データにオブジェクト登録部５及びオブジェクト識別部６の結果出力を重畳表示する。また、外部出力部７は、オブジェクト登録部５及びオブジェクト識別部６の結果出力を電子データとして、外部メモリ等に出力する形式をとってもよい。
接続バス８は、上記構成要素間の制御・データ接続を行うためのバスである。

（全体フロー）
図２は、オブジェクト識別装置の全体処理の一例を示したフローチャートである。この図２を参照しながら、このオブジェクト識別装置が、画像からオブジェクトの識別を行う実際の処理について説明する。なお、以下では、識別するオブジェクトが人物の顔である場合について説明するが、本実施の形態はこれに限定されるものでない。
始めに、オブジェクト識別部６は、画像記録部４から画像データを取得（画像データ入力）する（Ｓ００）。続いて、オブジェクト識別部６は、取得した画像データに対して、人の顔の検出処理を行う（Ｓ０１）。画像中から、人物の顔を検出する方法については、公知の技術を用いればよい。オブジェクト識別部６は、例えば、「特許３０７８１６６号公報」や「特開２００２−８０３２号公報」で提案されているような技術を用いることが出来る。
対象オブジェクトである人物の顔の検出処理をしたのち、画像中に人の顔が存在するならば（Ｓ０２でＹｅｓの場合）、オブジェクト識別部６は、オブジェクト識別処理、即ち個人の識別処理を行う（Ｓ０３）。画像中に人の顔が存在しない場合（Ｓ０２でＮｏの場合）、オブジェクト識別部６は、図２に示す処理を終了する。オブジェクト識別処理（Ｓ０３）の具体的な処理内容については、後に詳しく説明する。

オブジェクト識別部６は、オブジェクト識別処理の結果から、登録済みの人物に該当する顔があるか判定する（Ｓ０４）。（Ｓ０１）で検出された顔と同一人物が、登録済みの人物の中にある場合（Ｓ０４でＹｅｓの場合）、オブジェクト識別部６は、（Ｓ０７）の処理に進む。検出された顔が、登録済み人物の誰とも一致しない場合（Ｓ０４でＮｏの場合）、オブジェクト識別部６は、その人物を登録するか判定する（Ｓ０５）。これは、予め設定されている場合もあるが、例えばユーザが外部インターフェースやＧＵＩ等を通じて、その場で登録するかどうか決定するようにしてもよい。登録すると判定した場合（Ｓ０５でＹｅｓの場合）、オブジェクト登録部５は、後述するオブジェクト（人物の顔）の登録処理を行う（Ｓ０６）。登録を行わない場合（Ｓ０５でＮｏの場合）、オブジェクト識別部６は、そのまま処理を続行する。（Ｓ０６）のオブジェクト登録処理後、及び（Ｓ０５）で登録を行わない場合、オブジェクト識別部６は、検出されたオブジェクト全てについて処理が終わったかどうかを判定する（Ｓ０７）。未処理のオブジェクトがある場合（Ｓ０７でＮｏの場合）、オブジェクト識別部６は、（Ｓ０３）まで戻る。検出された全てのオブジェクトについて処理が終わった場合（Ｓ０７でＹｅｓの場合）、オブジェクト識別部６は、一連のオブジェクト識別処理の結果を、外部出力部７に出力する（Ｓ０８）。
以上が、本実施形態にかかるオブジェクト識別装置の全体の処理フローである。

（オブジェクト登録部）
オブジェクト登録処理について説明する。図３は、オブジェクト登録部５の一構成例を示したブロック図である。図３に示すように、オブジェクト登録部５は、オブジェクト辞書データ生成部２１、オブジェクト辞書データ保持部２２、オブジェクト辞書データ選択部２３、を含む。
オブジェクト辞書データ生成部２１は、画像記録部４から取得した画像データから、オブジェクトの個体を識別するために必要なオブジェクト辞書データを生成する。オブジェクト辞書データ生成部２１は、例えば、非特許文献１にあるようなｉｎｔｒａ−ｃｌａｓｓ及びｅｘｔｒａ−ｃｌａｓｓの２クラス問題を判別する場合、典型的には、人物の顔画像を辞書データとすればよい。オブジェクト辞書データ生成部２１は、オブジェクト検出処理によって検出されたオブジェクトの画像データを、大きさや向き（面内回転方向）等を正規化したのち、オブジェクト辞書データ保持部２２に格納するようにしてもよい。

オブジェクト辞書データ生成部２１は、画像データそのものではなく、識別時に必要なデータのみを保持するようにすることによって、辞書データ量を削減することも出来る。当該オブジェクトの局所領域のベクトル相関をとって識別演算を行う場合、オブジェクト辞書データ生成部２１は、予めその局所領域のみを切り出しておけばよい。
以上のように、オブジェクト辞書データ生成部２１は、適宜必要な情報を画像から抽出し、後述する所定の変換を行った後、オブジェクトの識別を行うための特徴ベクトルとして、オブジェクト辞書データ保持部２２に格納する。オブジェクト辞書データ生成部２１で行われるより具体的な処理の内容については、後に詳しく説明する。
オブジェクト辞書データ選択部２３は、後述するオブジェクト識別部６の要求に応じて、オブジェクト辞書データ保持部２２から必要なオブジェクト辞書データを読み出して、オブジェクト識別部６にオブジェクト辞書データを転送する。

（オブジェクト辞書データ生成部）
図４は、オブジェクト辞書データ生成部２１の構成の一例を示す図である。図４に示すように、オブジェクト辞書データ生成部２１は、特徴ベクトル抽出部３１、特徴ベクトル変換部３２、特徴ベクトル変換用データ保持部３３、を含む。
特徴ベクトル抽出部３１は、登録用のオブジェクトデータから特徴ベクトルを抽出する。オブジェクトが人物の顔である場合、典型的には、特徴ベクトル抽出部３１は、顔を含む画像から、識別に必要なデータを取り出す処理を行う。特徴ベクトル抽出部３１は、識別に必要なデータを、例えば、顔の所定の部分領域から、その輝度値を特徴ベクトルとして抽出することができる。より具体的に説明すると、特徴ベクトル抽出部３１は、以下のようにすることができる。まず、特徴ベクトル抽出部３１は、顔画像から、目、口、鼻等構成要素の端点を検出する。端点を検出するアルゴリズムは、例えば、特許３０７８１６６号公報に記載の畳み込み神経回路網を用いた方法等を用いることが出来る。端点を検出した後、特徴ベクトル抽出部３１は、その端点を基準として、所定領域の輝度値を特徴ベクトルとして取得する。領域の数は任意であるが、典型的には、ひとつの部位の端点に対して端点とその周辺について数点をとる。端点は、左右の目、口の両端点、鼻、等個人の特徴を現すと考えられる部位を予め選択しておく。また、特徴ベクトル抽出部３１は、輝度値を直接取得するのではなく、ガボアフィルタ等何らかのフィルタ演算を施した結果から特徴ベクトルを抽出してもよい。

上記部分領域の数や位置は、機械学習の方法を用いて予め決めておくとよい。例えば、特徴ベクトル抽出部３１は、部分領域の候補を複数設定しておいて、上記複数候補から、ＡｄａＢｏｏｓｔを用いて選択するようにしてもよい。ＡｄａＢｏｏｓｔを適用して、実際に部分領域を決める方法については、後述するオブジェクト識別部の説明で詳しく述べる。
また、特徴ベクトル抽出部３１は、特徴ベクトルを抽出する際に、サブサンプリングを行うようにしてもよい。ここで言うサブサンプリングとは、例えば、顔を含む画像の輝度値から特徴ベクトルを抽出する際に、所定の部分領域から輝度値を画素に対して間引きながら抽出することである。このようにすることにより、ある程度広い部分領域に対しても、特徴ベクトルの次元を極端に増加させずに、特徴ベクトルを作ることが可能になる。また、影等のノイズに対して頑健になるという効果も期待できる。サブサンプリングの方法は、最も単純には１画素飛ばしにすればよいが、縦方向と横方向とで飛ばしの量を変えてもよい。また、特徴ベクトル抽出部３１は、部分領域ごとにサブサンプリング方法を変えるようにしてもよい。どの部分領域に対してどのようなサブサンプリング方法を設定するかは、特徴ベクトル抽出部３１は、機械学習の方法を用いることができる。機械学習の方法については、上述の部分領域の選択と同じような方法をとることができるので、ここでは説明を割愛する。

特徴ベクトル変換部３２は、特徴ベクトル抽出部３１によって抽出された特徴ベクトルに変換を行う。特徴ベクトルの変換は、例えば、主成分分析（ＰＣＡ）による次元圧縮や、独立成分分析（ＩＣＡ）による次元圧縮等が行われる。また、特徴ベクトル変換部３２は、フィッシャー判別分析（ＦＤＡ）による次元圧縮を行ってもよい。
特徴ベクトル変換部３２が、特徴ベクトルの変換方法にＰＣＡを用いた場合、その基底数（特徴ベクトルの次元削減数）や、どの基底を用いるか等のパラメータを用いることになる。なお、特徴ベクトル変換部３２は、基底数の代わりに、基底ベクトルに対応する固有値の和、即ち累積寄与率を指標として用いてもよい。特徴ベクトル変換部３２は、これらのパラメータを、部分領域ごとに異なったものにすることもできる。実際にどのようなパラメータを設定するかは、予め機械学習によって決めることができる。

後述するオブジェクト識別部６の処理では、部分領域ごとに異なる特徴ベクトルの変換を行うこともできる。どの部分領域にどのような変換を適用するかの設定情報は、後述する特徴ベクトル変換用データ保持部３３から取得すればよい。特徴ベクトル変換部３２は、以上のように、特徴ベクトルを変換したデータを、オブジェクト辞書データの出力として、オブジェクト辞書データ保持部２２に格納する。
特徴ベクトル変換用データ保持部３３は、特徴ベクトル変換部３２において、特徴ベクトルの変換を行う際に必要なデータを保持している。ここで、特徴ベクトルの変換に必要なデータとは、上述したような、部分領域ごとにどの変換を行うか等の設定情報と、更に実際の変換に必要な以下の情報が挙げられる。即ち、特徴ベクトル変換部３２で行う変換に主成分分析（ＰＣＡ）による次元圧縮を用いる場合、分散共分散行列の固有ベクトルが含まれる。また、独立成分分析（ＩＣＡ）による次元圧縮を行う場合は、独立成分の基底ベクトルが含まれる。後述するように、オブジェクト識別部６では、部分領域ごとに異なった特徴ベクトルの変換が適用される可能性があるので、特徴ベクトル変換用データ保持部３３には、部分領域ごとに、必要な変換用データが保持されている。

（オブジェクト識別部）
オブジェクト識別処理について説明する。図５は、オブジェクト識別部６の構成の一例を示す図である。図５に示すように、オブジェクト識別部６は、オブジェクト識別用データ生成部４１、オブジェクト辞書データ取得部４２、オブジェクト識別演算部４３、を含む。
オブジェクト識別用データ生成部４１は、画像記録部４から取得した画像データから、オブジェクトの識別に必要な情報の抽出を行う。
オブジェクト辞書データ取得部４２は、オブジェクト登録部５より、オブジェクトの識別に必要な辞書データを取得する。
オブジェクト識別演算部４３は、オブジェクト識別用データ生成部４１から取得した識別用データとオブジェクト辞書データ取得部４２から得た辞書データとから、オブジェクトの識別処理を行う。ここで行われる処理については、後で詳しく説明する。

図６は、オブジェクト識別部６で行われる識別処理の一例を示したフローチャートである。まず、オブジェクト識別部６は、オブジェクト登録部５からオブジェクト辞書データを取得する（Ｓ１０）。次に、オブジェクト識別部６は、画像記録部４よりオブジェクト画像データを取得する（Ｓ１１）。続いて、オブジェクト識別部６は、オブジェクト識別用データ生成処理を行う（Ｓ１２）。ここで行われる処理については、後に詳しく説明する。次に、オブジェクト識別部６は、オブジェクト識別演算処理が行われる（Ｓ１４）。オブジェクト識別演算処理の出力として、登録済みデータ（辞書データ）との一致をバイナリ（０ｏｒ１）で出力する場合と正規化した出力値（０〜１の実数値）で出力する場合とが考えられる。更に登録オブジェクト（登録者）が複数（複数人）ある場合には、それぞれの登録オブジェクト（登録者）に対して、出力値を出力してもよいが、最も良く一致した登録データだけを出力してもよい。なお、オブジェクト識別演算処理の具体的な内容についても、後で詳しく説明する。
以上が、オブジェクト識別部６における処理フロー例の説明である。

（オブジェクト識別用データ生成部）
図７は、オブジェクト識別用データ生成部４１の構成の一例を示す図である。図７に示すように、オブジェクト識別用データ生成部４１は、特徴ベクトル抽出部５１、特徴ベクトル変換部５２、特徴ベクトル変換用データ保持部５３、を含む。オブジェクト識別用データ生成部４１の構成及びそこで行われる処理は、オブジェクト辞書データ生成部２１でのそれとほぼ同じであるので、詳細は割愛する。
オブジェクト辞書データ生成部２１とオブジェクト識別用データ生成部４１とで、部分領域ごとの特徴ベクトルの変換方法が一致している必要がある。特徴ベクトルの変換方法は、部分領域ごとに異なる可能性があるので、両者の変換方法が一致していないと、後述するオブジェクト識別処理での処理において、部分領域ごとに異なった処理を行う必要が生じる。このような（登録と識別とで異なる特徴ベクトルの変換を行ったものを入力とする）識別器を構成することも可能であるが、一般には、両者が一致していることが望ましい。
また、特徴ベクトル抽出部でサブサンプリングを行う場合も、両者でサブサンプリングの設定が一致していることが望ましい。

（オブジェクト識別演算処理）
オブジェクト識別演算処理について説明する。ここでは、一例として、ｉｎｔｒａ−ｃｌａｓｓ， ｅｘｔｒａ−ｃｌａｓｓの２クラス問題を、ＳＶＭ識別器を用いて判定する場合について説明する。図８は、オブジェクト識別演算部４３の構成の一例を示す図である。オブジェクト識別演算部４３は、オブジェクト識別用データ取得部６１、オブジェクト辞書データ取得部６２、変動特徴抽出部６３、ＳＶＭ識別器６４、識別結果保持部６５、識別結果統合部６６、を含む。

図９は、オブジェクト識別演算処理の一例を示したフローチャートである。以下この図を用いて説明する。
始めに、オブジェクト識別用データ取得部６１において、オブジェクト識別用データを取得する（Ｓ２０）。続いて、オブジェクト辞書データ取得部６２で、オブジェクトの辞書データを取得する（Ｓ２１）。次に、変動特徴抽出部６３において、（Ｓ２０）及び（Ｓ２１）で取得したオブジェクト識別用データとオブジェクト辞書データとから、変動特徴抽出処理を行う（Ｓ２２）。ここで、変動特徴とは、典型的には２枚の画像から抽出される、同一オブジェクト間の変動、又は異なるオブジェクト間の変動、の何れかに属する特徴のことである。変動特徴の定義は様々なものが考えられる。ここでは一例として、辞書データと、識別用データとで、同じ領域に対応する特徴ベクトル間で相関値（内積）を計算し、その相関値を成分とするベクトルを変動特徴ベクトルとする。上記定義によれば、変動特徴ベクトルの次元数は、部分領域数と一致する。

変動特徴抽出部６３は、（Ｓ２２）で取得した取得した変動特徴ベクトルをサポートベクターマシン（ＳＶＭ）識別器６４に投入する（Ｓ２３）。ＳＶＭ識別器は、同一オブジェクト間の変動（ｉｎｔｒａ−ｃｌａｓｓ）と異なるオブジェクト間の変動（ｅｘｔｒａ−ｃｌａｓｓ）の２クラスを識別する識別器として予め訓練しておく。一般に、部分領域の数を増やすと、それだけ変動特徴ベクトルの次元数が増え、演算時間が増加する。このため、処理時間を優先した場合、カスケード接続型のＳＶＭ識別器が有効である。この場合、ＳＶＭ識別器は、特定の部分領域ごとに訓練されたもので構成される。変動特徴抽出部６３は、変動特徴ベクトルを部分領域ごとに分割し、対応するＳＶＭ識別器に投入する。このようにすることにより、演算時間を削減することができる。ＳＶＭ識別器を１つの部分領域だけに対応させて学習するのではなく、２つ以上の部分領域の組み合わせを、ＳＶＭ識別器の入力として学習させてもよい。

一方、識別精度を重視する場合、ＳＶＭ識別器を並列に演算し、演算結果について重み付け和をとるようにするとよい。この場合でも、サポートベクター数を削減するアルゴリズムを適用することで、ある程度演算時間を短縮することは可能である。サポートベクター数を削減する方法は、「Ｂｕｒｇｅｓ， Ｃ．Ｊ．Ｃ（１９９６）． “Ｓｉｍｐｌｉｆｉｅｄ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｄｅｃｉｓｉｏｎ ｒｕｌｅｓ．” Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ （ｐｐ．７１−７７）．」に記載されているような公知の技術を用いることができる。

（Ｓ２３）で算出された、辞書データとオブジェクト識別用データとの識別結果を識別結果保持部６５に保持する（Ｓ２４）。次に、全ての辞書データについて、識別演算が終わったかどうか判定する（Ｓ２５）。まだ辞書データがある場合（Ｓ２５でＮｏの場合）には（Ｓ２１）に戻る。全ての辞書データについて識別演算が終わった場合（Ｓ４５でＹｅｓの場合）、識別結果統合部６６で識別結果統合処理を行う（Ｓ２６）。識別結果統合処理は、例えば、最も単純には、ＳＶＭ識別器が回帰値を出力する識別器であった場合、最も値の高かった辞書データを、識別結果として出力する。また、識別結果統合部６６は、一致度の高かった上位オブジェクトの結果をリストとして出力してもよい。
以上が、オブジェクト識別演算処理の説明である。

（部分領域及び特徴ベクトル変換方法の組み合わせ学習方法）
次に、部分領域及び特徴ベクトル変換方法の組み合わせの学習に、ＡｄａＢｏｏｓｔを用いた場合の手順について、説明する。
図１０は、部分領域の学習処理の一例を示したフローチャートである。まず、オブジェクト識別装置は、学習データを取得する（Ｓ３０）。人物の顔を扱う場合は、学習データとして、個人の識別子を表すラベルのついた顔を含む画像を多数用意する。この際、１人あたりの画像数が十分用意されていることが望ましい。照明変動や、表情の変動に頑健な部分領域及び特徴ベクトルの変換方法を学習するためには、学習データに上記変動を十分含んだサンプルを用意することが重要である。ラベルつきの顔画像から、個人の顔の変動を表すデータと、他人間の顔の変動を表すデータの２種類を生成することができる。次に、オブジェクト識別装置は、弱仮説の選択処理を行う（Ｓ３１）。ここで弱仮説とは、典型的には、部分領域と特徴ベクトル変換方法との組み合わせのことである。顔の部分領域の候補と、特徴ベクトル変換方法と、の全組み合わせを予め用意しておく。そして、オブジェクト識別装置は、（Ｓ３０）で取得した学習データに対して、ＡｄａＢｏｏｓｔの枠組みに沿って、もっとも性能のよい弱仮説、即ち、部分領域と特徴ベクトルの変換方法の組み合わせを選択する（Ｓ３２）。性能評価を行うための具体的な手順は、オブジェクト識別演算部４３の説明で述べた、変動特徴抽出処理の例のようにするとよい。即ち、オブジェクト識別装置は、学習データに対して、特徴ベクトルの相関値（内積）を求め、変動特徴ベクトルを生成し、ＳＶＭ識別器に入力する。オブジェクト識別装置は、同一ラベルの人物間（画像は異なる）と、異なるラベルの人物間とで、それぞれ正しい識別結果になっているか判定し、学習データの重みつき誤り率を求める。

もっとも性能のよい弱仮説を選択した場合、オブジェクト識別装置は、その弱仮説の学習データに関する識別結果を基に、学習データの重み付けを更新する（Ｓ３３）。次に、オブジェクト識別装置は、弱仮説数が所定数に達しているか判定する（Ｓ３４）。所定数に達している場合（Ｓ３４でＹｅｓの場合）、オブジェクト識別装置は、学習処理を終了する。所定数に達していない場合（Ｓ３４でＮｏの場合）、オブジェクト識別装置は、新たな弱仮説の選択を行う。
なお、重みつき誤り率の算出や、学習データの重み付けの更新方法等、ＡｄａＢｏｏｓｔによる学習の詳細な手順は、「Ｖｉｏｌａ ＆ Ｊｏｎｅｓ （２００１） “Ｒａｐ
ｉｄ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ａ Ｂｏｏｓｔｅｄ Ｃａｓｃａｄｅ ｏｆ Ｓｉｍｐｌｅ Ｆｅａｔｕｒｅｓ”， Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ
ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ．」等に記載されている方法を適宜参照すればよい。

なお、オブジェクト識別装置は、弱仮説を、複数の部分領域と特徴ベクトル変換方法の組み合わせから構成するようにしてもよい。即ち、オブジェクト識別装置は、１つの弱仮説に含まれる部分領域数を一定（所定数、例えば５個、１０個等）にする。この場合、１弱仮説中の部分領域数を増やすと、組み合わせの数が指数関数的に増加するので、何らかの拘束条件をつけて学習するようにするとよい。より具体的に説明すると、オブジェクト識別装置は、部分領域の位置関係を参照して、互いに近い位置にある部分領域が含まれないようにする。

また、オブジェクト識別装置は、複数部分領域の組み合わせを作る際に、遺伝的アルゴリズム（ＧＡ）等の最適化手法を適用するようにしてもよい。この場合、弱仮説の候補は、ＡｄａＢｏｏｓｔの手続きに入る前に予め全て用意されるのではなく、オブジェクト識別装置が、弱仮説を選択しならが、動的に候補を構築していく。即ち、オブジェクト識別装置は、予め一部用意された弱仮説の候補（例えば、ランダムに領域候補を組み合わせる等して生成しておく）から、性能のよいものを選択しておくようにする。そして、オブジェクト識別装置は、その性能のよいもの同士を、組み合わせながら、新しい弱仮説の候補を生成し、性能を評価していく。このようにすることにより、弱仮説の候補を効率的に絞り込むことが出来る。以上のようにして、学習時間の増加を抑えるようにするとよい。
以上が、部分領域と特徴ベクトル変換方法との組み合わせを学習する手順の説明である。

＜実施形態２＞
実施形態２は、実施形態１に対して、オブジェクト登録部とオブジェクト識別部との処理内容が異なる。
実施形態１では、部分領域ごとの特徴ベクトルの変換方法が、予めオフラインで決定されていた。それに対して、本実施形態では、部分領域ごとの特徴ベクトルの変換方法が、識別時のある基準のもとに選択されて、適用される点が異なる。
また、本実施形態では、オブジェクト登録部とオブジェクト識別部との構成が実施形態１と一部異なっている。
以下、より具体的に説明する。なお、重複を避けるため、以下の説明において、実施形態１と同じ部分は、省略する。
図１１は、オブジェクト識別装置１００の構成の一例を示す図（その２）である。各部の基本的な機能は実施形態１と同一である。また、説明の便宜上、識別する対象となるオブジェクトを、画像中の人物の顔としているが、本実施形態は、人物の顔以外のオブジェクトに適用可能である。

（オブジェクト登録部）
図１２は、オブジェクト登録部１０５の構成の一例を示す図である。オブジェクト登録部１０５は、オブジェクト辞書データ生成部１１１、オブジェクト辞書データ保持部１１２、オブジェクト辞書データ選択部１１３、オブジェクト属性推定部１１４、を含む。実施形態１とは、オブジェクト属性推定部１１４が追加されている点が異なる。
オブジェクト属性推定部１１４は、画像記録部１０４から入力された画像情報から、オブジェクトの属性を推定する処理を行う。オブジェクト属性推定部１１４が、推定を行う具体的な属性は、オブジェクトの大きさ、姿勢・向き、照明条件等が含まれる。オブジェクトが人物である場合、更に、オブジェクト属性推定部１１４は、人物の年齢、性別、表情、等の属性を推定してもよい。オブジェクト属性推定部１１４は、これらの属性推定に公知の技術を用いることが出来る。例えば「特開２００３−２４２４８６号公報」のような技術を用いることで、オブジェクト属性推定部１１４は、人物の属性を推定することが出来る。

また、オブジェクト属性推定部１１４は、属性推定に、撮像パラメータの一例であるカメラパラメータを用いるようにしてもよい。例えば、オブジェクト属性推定部１１４は、撮像制御部１０３から制御用のＡＥ、ＡＦに関するパラメータを取得することによって、照明条件等の属性を精度良く推定することが可能になる。ここで、カメラパラメータの具体例として、露出条件、ホワイトバランス、ピント、オブジェクトの大きさ等があげられる。例えば、オブジェクト識別装置１００は、露出条件及びホワイトバランスと、肌色成分領域に対応する色成分と、の対応表を予め作成し、ルックアップテーブルとして保持しておくことで、撮影条件に影響されないオブジェクトの色属性を推定することができる。また、オブジェクト属性推定部１１４は、被写体であるオブジェクトまでの距離をＡＦ等の距離測定手段を用いることによって測定し、オブジェクトの大きさを推定することが出来る。より詳細にはオブジェクト属性推定部１１４は、以下の式に従ってオブジェクトの大きさを推定することができる。
ｓ ＝ （ ｆ／ｄ − ｆ ）・Ｓ
ここで、ｓはオブジェクトの画像上での大きさ（ピクセル数）、ｆは焦点距離、ｄは装置からオブジェクトまでの距離、Ｓはオブジェクトの実際の大きさ、である。但し（ｄ＞ｆ）であるとする。このように、撮影条件に影響されないオブジェクトの大きさを属性として推定することが可能になる。

オブジェクト属性推定部１１４で推定されたオブジェクトの属性情報は、オブジェクト辞書データ生成部１１１から出力されるオブジェクト辞書データと共に、オブジェクト辞書データ保持部１１２に格納される。
なお、オブジェクト辞書データ生成部での処理も実施形態１と一部異なる。実施形態１では、オブジェクト辞書データ生成部は、辞書データとして予め決められた部分領域から特徴ベクトルを抽出し、同じく予め決められた変換方法を適用していた。これに対し、本実施形態のオブジェクト辞書データ生成部１１１は、特徴ベクトルへの変換方法が予め決められていない。変換方法は、後述するオブジェクト識別部により、識別時に動的に決定される。よって、オブジェクト辞書データ生成部１１１では、準備されている全ての変換方法を特徴ベクトルに対して施しておくようにする。このようにすることにより、認証時に特徴ベクトル変換にかかる処理時間を短縮することが出来る。
以上が、オブジェクト登録部の説明である。

（オブジェクト識別部）
図１３は、オブジェクト識別部１０６の一構成例を示すブロック図である。オブジェクト識別部１０６は、オブジェクト識別用データ生成部１２１、オブジェクト識別演算部１２２、オブジェクト辞書データ取得部１２３、オブジェクト属性推定部１２４、を含む。実施形態１とは、オブジェクト属性推定部１２４が追加されている点が異なる。
オブジェクト属性推定部１２４の処理の内容は、オブジェクト登録部１０５のオブジェクト属性推定部１１４と同じであるので、説明は割愛する。
オブジェクト識別用データ生成部１２１は、画像記録部１０４からの入力と共に、オブジェクト属性推定部１１４の出力を用いて、特徴ベクトルの抽出及び／又はその変換処理を行う。オブジェクト識別用データ生成部１２１で行われる処理の具体的な内容については、後で詳しく説明する。
オブジェクト識別演算部１２２は、オブジェクト識別用データ生成部１２１及びオブジェクト辞書データ取得部１２３からの入力を基に、オブジェクトの識別処理を行う。オブジェクト識別演算部１２２で行われる処理の具体的な内容については、後に説明する。
オブジェクト辞書データ取得部１２３は、オブジェクト識別演算部１２２からのリクエストに基づいて、オブジェクト登録部１０５中のオブジェクト辞書データ保持部１１２より、オブジェクト辞書データを取得する。

（オブジェクト識別用データ生成部）
図１４は、オブジェクト識別用データ生成部１２１の構成の一例を示す図である。オブジェクト識別用データ生成部１２１は、特徴ベクトル抽出部１３１、特徴ベクトル変換部１３２、特徴ベクトル変換用データ保持部１３３、特徴ベクトル変換方法選択部１３４、を含む。実施形態１とは、特徴ベクトル変換方法選択部１３４が追加されている点が異なる。
特徴ベクトル変換方法選択部１３４は、オブジェクト属性推定部１２４からの情報を基に、特徴ベクトルの変換方法及びそのパラメータを選択し、特徴ベクトル変換部１３２に出力する。

図１５は、オブジェクト識別用データ生成部１２１で行われる処理の一例を示したフローチャートである。はじめに、オブジェクト識別用データ生成部１２１は、画像記録部１０４からオブジェクトの撮像データを取得する（Ｓ１００）。次に、オブジェクト識別用データ生成部１２１は、特徴ベクトルを抽出する（Ｓ１０１）。特徴ベクトルの抽出方法や、具体的な内容は実施形態１と同じであるので、ここでは説明を繰り返さない。次に、オブジェクト識別用データ生成部１２１は、オブジェクト属性推定部１２４から得られる、オブジェクトの属性情報を基に、特徴ベクトルの変換方法を選択する（Ｓ１０２）。特徴ベクトルの変換方法選択には、ルックアップテーブル（ＬＵＴ）を用いることができる。
図１６は、オブジェクトの属性情報と特徴ベクトル変換方法との対応を表すＬＵＴの一例を示した図である。オブジェクトの属性、例えば、オブジェクトが人物の顔である場合、照明条件、顔の向き、表情等の条件のもとに、予め最も適した特徴ベクトル変換方法が部分領域ごとに設定されている。ＬＵＴには、変換方法のパラメータも含まれる。また、オブジェクト識別用データ生成部１２１は、属性情報だけなく、ＡＥ、ＡＦ等カメラパラメータを参照するようにしてもよい。

部分領域ごとに、どの変換方法が、適しているかは、予め多数のサンプルを調査し、性能を評価することによって設定する。これを、機械学習を使って調べてもよい。例えば実施形態１で説明したようなＡｄａＢｏｏｓｔの方法を用いて、最適な変換方法を決めることもできる。この場合、部分領域と、オブジェクトの属性、カメラパラメータ、変換方法及びそのパラメータの組み合わせとが、弱仮説に対応する。
特徴ベクトルの変換方法をサポートベクターマシン（ＳＶＭ）によって選択する方法も考えられる。部分領域、オブジェクトの属性情報、カメラパラメータ、等を入力として、特徴ベクトルの変換方法及びそのパラメータの組み合わせを出力するＳＶＭを用いることができる。ＳＶＭによる特徴ベクトル変換方法選択器は、以下のようにして構築する。即ち、オブジェクト属性推定の結果と、予め性能を調査しておいた最適と考えられる変換方法と、の組み合わせを教師データとして、ＳＶＭの学習を行う。

ＳＶＭを階層的に配置することにより、特徴ベクトル変換方法選択を行うこともできる。この場合、オブジェクト属性推定部の出力を、予めカテゴリ別に分けておいてから、ＳＶＭの学習を行う。即ち、オブジェクトの大きさ、傾き等、形状にかかわる属性に特化したＳＶＭ、色や照明の反射等、テクスチャにかかわる属性に特化したＳＶＭ等、複数のＳＶＭを用意し、各ＳＶＭの出力（回帰値）を次の階層のＳＶＭ入力とすればよい。
次に、オブジェクト識別用データ生成部１２１は、選択した特徴ベクトルの変換方法の情報を基に、特徴ベクトル変換に必要なデータを取得する（Ｓ１０３）。そして、オブジェクト識別用データ生成部１２１は、特徴ベクトルの変換を行い、オブジェクト識別演算部１２２に出力する（Ｓ１０４）。
以上が、オブジェクト識別用データ生成部の説明である。

（オブジェクト識別演算処理）
次に、オブジェクト識別演算処理の内容について説明する。
オブジェクト識別処理の全体的な処理は、実施形態１とほぼ同じである。実施形態１と異なるのは、オブジェクト辞書データを取得する際に、オブジェクト識別用データ生成部１２１の出力を参照して、部分領域ごとに同じ変換方法で処理された特徴ベクトルを取得するようにすることである。
以下では、オブジェクト識別器として、多数の識別器（以下、弱識別器という）をツリー状に構成したオブジェクト識別器を用いてオブジェクト識別処理を行う場合について説明する。典型的には弱識別器は、１つの部分領域に対応しているが、弱識別器を複数の部分領域に対応させてもよい。

図１７は、オブジェクト識別器を弱識別器のツリー構造で構成した場合の模式図である。図中の枠１つが１つの弱識別器を表している。以下、ツリー構造をなす各弱識別器のことをノード識別器ということがある。識別時は、矢印の方向に沿って処理が行われる。即ち、上位にある弱識別器から処理を行って、処理が進むにつれ、下位の弱識別器で処理を行う。一般に、上位にある弱識別器は、変動に対するロバスト性が高いが、誤識別率は高い傾向にある。下位にある弱識別器ほど変動に対するロバスト性は低い一方で、変動範囲が一致したときの識別精度は高くなるように学習してある。ある特定の変動範囲（顔の奥行き方向や、表情変動、照明変動等）に特化した弱識別器系列を複数用意し、ツリー構造をとることで、全体としての対応変動範囲を確保している。図１７では、５系列の弱識別器系列がある場合について示している。また、図１７では、最終的に５つの弱識別器系列が１つのノード識別器に統合されている。この最終ノード識別器は、例えば５系列の累積スコアを比較して、最も高いスコアをもつ系列の識別結果を採用する等の処理が考えられる。また、１つの識別結果に統合して出力するのではなく、各系列の識別結果をベクトルとして出力するようにしてもよい。

各弱識別器は、ｉｎｔｒａ−ｃｌａｓｓ， ｅｘｔｒａ−ｃｌａｓｓの２クラス問題を判別する識別器であるが、分岐の基点にあるノード識別器は、どの弱識別器系列に進むか、分岐先を決める判定を行う。もちろん、２クラス判定を行いつつ、分岐先も決めるようにしてもよい。また、分岐先を決めず、全ての弱識別器系列で処理するようにしてもよい。また、各ノード識別器は、２クラス判定の他に、演算を打ち切るかどうか判定するようにしてもよい（打ち切り判定）。打ち切り判定は、各ノード識別器単体の判定でもよいが、他のノード識別器の出力値（判定スコア）を累積したものを閾値処理する等して判定してもよい。
以上が、オブジェクト識別演算処理の説明である。

上述した各実施形態によれば、識別対象のオブジェクトの変動に対応する特徴量の変換方法を、変動に対して頑健なものにすることによって、登録時と認証時に撮影条件及び変動条件が異なった場合でも、高精度な識別を行うことが出来るようにすることができる。

以上、本発明の好ましい実施形態について詳述したが、本発明は係る特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

オブジェクト識別装置１００の構成の一例を示す図（その１）である。 オブジェクト識別装置の全体処理の一例を示したフローチャートである。 オブジェクト登録部５の一構成例を示したブロック図である。 オブジェクト辞書データ生成部２１の構成の一例を示す図である。 オブジェクト識別部６の構成の一例を示す図である。 オブジェクト識別部６で行われる識別処理の一例を示したフローチャートである。 オブジェクト識別用データ生成部４１の構成の一例を示す図である。 オブジェクト識別演算部４３の構成の一例を示す図である。 オブジェクト識別演算処理の一例を示したフローチャートである。 部分領域の学習処理の一例を示したフローチャートである。 オブジェクト識別装置１００の構成の一例を示す図（その２）である。 オブジェクト登録部１０５の構成の一例を示す図である。 オブジェクト識別部１０６の一構成例を示すブロック図である。 オブジェクト識別用データ生成部１２１の構成の一例を示す図である。 オブジェクト識別用データ生成部１２１で行われる処理の一例を示したフローチャートである。 オブジェクトの属性情報と特徴ベクトル変換方法との対応を表すＬＵＴの一例を示した図である。 オブジェクト識別器を弱識別器のツリー構造で構成した場合の模式図である。

１ 結像光学系
２ 撮像部
３ 撮像制御部
４ 画像季肋部
５ オブジェクト登録部
６ オブジェクト識別部
７ 外部出力部

Claims (6)

1. 撮像されたオブジェクトに係る画像データを入力する画像データ入力手段と、
   入力された前記画像データから前記オブジェクトの属性を推定するオブジェクト属性推定手段と、
   入力された前記画像データの部分領域から特徴ベクトルを抽出し、該特徴ベクトルに対して前記オブジェクト属性推定手段で推定された属性に応じた変換方法による次元圧縮変換を行うことによって前記オブジェクトの識別用データを生成するオブジェクト識別用データ生成手段と、
   予め記録された画像データの部分領域から特徴ベクトルを抽出し、抽出した前記特徴ベクトルに対して前記オブジェクトの属性に応じた変換方法による次元圧縮変換を行うことによって生成されたオブジェクト辞書データを取得するオブジェクト辞書データ取得手段と、
   前記オブジェクト識別用データと前記オブジェクト辞書データとに基づいて、前記画像データ入力手段で入力された画像データに係る前記オブジェクトの属するクラスを識別するオブジェクト識別手段と、
   を有することを特徴とするオブジェクト識別装置。
2. 前記オブジェクト属性推定手段は、前記撮像の際の撮像パラメータに応じて、前記画像データから前記オブジェクトの属性を推定することを特徴とする請求項１に記載のオブジェクト識別装置。
3. 予め記録された画像データの部分領域から特徴ベクトルを抽出し、抽出した前記特徴ベクトルに対して複数の変換方法のそれぞれによる次元圧縮変換を行うことによってオブジェクト辞書データを生成するオブジェクト辞書データ生成手段を更に有し、
   前記オブジェクト辞書データ取得手段は、前記オブジェクト辞書データ生成手段により生成されたオブジェクト辞書データから、前記オブジェクトの属性に応じた変換方法による次元圧縮変換を行うことによって生成されたオブジェクト辞書データを選択して取得することを特徴とする請求項１又は２に記載のオブジェクト識別装置。
4. 撮像されたオブジェクトに係る画像データを入力する画像データ入力ステップと、
   入力された前記画像データから前記オブジェクトの属性を推定するオブジェクト属性推定ステップと、
   入力された前記画像データの部分領域から特徴ベクトルを抽出し、該特徴ベクトルに対して前記オブジェクト属性推定ステップで推定された属性に応じた変換方法による次元圧縮変換を行うことによって前記オブジェクトの識別用データを生成するオブジェクト識別用データ生成ステップと、
   予め記録された画像データの部分領域から特徴ベクトルを抽出し、抽出した前記特徴ベクトルに対して前記オブジェクトの属性に応じた変換方法による次元圧縮変換を行うことによって生成されたオブジェクト辞書データを取得するオブジェクト辞書データ取得ステップと、
   前記オブジェクト識別用データと前記オブジェクト辞書データとに基づいて、前記画像データ入力ステップで入力された画像データに係る前記オブジェクトの属するクラスを識別するオブジェクト識別ステップと、
   を含むことを特徴とするオブジェクト識別方法。
5. 前記オブジェクト属性推定ステップでは、前記撮像の際の撮像パラメータに応じて、前記画像データから前記オブジェクトの属性を推定することを特徴とする請求項４に記載のオブジェクト識別方法。
6. コンピュータに、
   撮像されたオブジェクトに係る画像データを入力する画像データ入力ステップと、
   入力された前記画像データから前記オブジェクトの属性を推定するオブジェクト属性推定ステップと、
   入力された前記画像データの部分領域から特徴ベクトルを抽出し、該特徴ベクトルに対して前記オブジェクト属性推定ステップで推定された属性に応じた変換方法による次元圧縮変換を行うことによって前記オブジェクトの識別用データを生成するオブジェクト識別用データ生成ステップと、
   予め記録された画像データの部分領域から特徴ベクトルを抽出し、抽出した前記特徴ベクトルに対して前記オブジェクトの属性に応じた変換方法による次元圧縮変換を行うことによって生成されたオブジェクト辞書データを取得するオブジェクト辞書データ取得ステップと、
   前記オブジェクト識別用データと前記オブジェクト辞書データとに基づいて、前記画像データ入力ステップで入力された画像データに係る前記オブジェクトの属するクラスを識別するオブジェクト識別ステップと、
   を実行させるためのプログラム。

Images