JP7367857B2 - モデル生成装置、モデル生成方法、画像処理装置、画像処理方法、及び、プログラム - Google Patents

Description

本発明は、指紋画像の処理に関する。

生体認証の一方法として、指紋認証が知られている。指紋認証では、特定の人物の指紋画像と、その指紋画像から抽出した特徴点のデータとを指紋データベースに記憶しておく。指紋の照合時には、対象となる指紋画像から特徴点を抽出し、指紋データベースに登録されている指紋の特徴点と照合して、対象者が特定の人物と一致するか否かを判定する。特許文献１は、機械学習により学習されたモデルを用いて、指紋画像の領域を分類する手法を記載している。

特開２０１８－１６５９１１号公報

犯罪捜査などを対象とした指紋データベースには、スキャナ等により得られた指紋画像がそのまま記憶されるのではなく、鑑識官が必要に応じて芯線の修正を行った上で指紋画像が登録される。しかし、大量の指紋画像を鑑識官が全て修正することは困難なため、鑑識官に近い精度で指紋画像を自動修正できる装置が求められる。

また、上記のように指紋データベースには、鑑識官による修正がなされた指紋画像が登録されるのが原則である。しかし、種々の理由により、鑑識官による修正がなされていない指紋画像（以下、「未修正画像」と呼ぶ。）が指紋データベースに登録されることがある。このような未修正指紋は指紋の照合には適さないため、未修正画像を発見して修正することにより、指紋データベースに登録された指紋画像の信頼性を高める必要がある。

本発明の目的は、指紋データベースに登録された指紋画像の芯線を高精度で修正するモデルを生成するとともに、それを用いて未修正画像を検出することにある。

本発明の一つの観点は、モデル生成装置であって、
複数の指紋画像から教師データを選択する教師データ選択手段と、
前記教師データを用いて、指紋画像を修正するモデルの学習を行う学習手段と、
学習された前記モデルに前記複数の指紋画像を入力して得られる結果の評価値を算出する評価値算出手段と、
前記評価値に基づいて、前記学習の対象となるモデルを更新するモデル更新手段と、
を備え、
前記教師データ選択手段は、前記評価値に基づいて、前記複数の指紋画像から選択する教師データを決定する。

本発明の他の観点は、コンピュータにより実行されるモデル生成方法であって、
複数の指紋画像から教師データを選択し、
前記教師データを用いて、指紋画像を修正するモデルの学習を行い、
学習された前記モデルに前記複数の指紋画像を入力して得られる結果の評価値を算出し、
前記評価値に基づいて、前記学習の対象となるモデルを更新し、
前記複数の指紋画像から選択する教師データは、前記評価値に基づいて決定される。

本発明の他の観点は、プログラムであって、
複数の指紋画像から教師データを選択し、
前記教師データを用いて、指紋画像を修正するモデルの学習を行い、
学習された前記モデルに前記複数の指紋画像を入力して得られる結果の評価値を算出し、
前記評価値に基づいて、前記学習の対象となるモデルを更新し、
前記複数の指紋画像から選択する教師データは、前記評価値に基づいて決定されるモデル生成処理をコンピュータに実行させる。

本発明の他の観点は、画像処理装置であって、
未修正画像を含む複数の指紋画像から教師データを選択し、選択された教師データを用いて、指紋画像を修正するモデルを生成し、生成されたモデルを用いて次のモデルのための教師データを選択する処理を繰り返して最終モデルを生成するモデル生成手段と、
前記最終モデルから得られる結果の評価値を用いて、前記複数の指紋画像に含まれる前記未修正画像を検出する未修正画像検出手段と、
を備える。

本発明の他の観点は、コンピュータにより実行される画像処理方法であって、
未修正画像を含む複数の指紋画像から教師データを選択し、選択された教師データを用いて、指紋画像を修正するモデルを生成し、生成されたモデルを用いて次のモデルのための教師データを選択する処理を繰り返して最終モデルを生成し、
前記最終モデルから得られる結果の評価値を用いて、前記複数の指紋画像に含まれる前記未修正画像を検出する。

本発明の他の観点は、プログラムであって、
未修正画像を含む複数の指紋画像から教師データを選択し、選択された教師データを用いて、指紋画像を修正するモデルを生成し、生成されたモデルを用いて次のモデルのための教師データを選択する処理を繰り返して最終モデルを生成し、
前記最終モデルから得られる結果の評価値を用いて、前記複数の指紋画像に含まれる前記未修正画像を検出する処理をコンピュータに実行させる。

本発明によれば、指紋データベースに登録された指紋画像から高精度に芯線を抽出するモデルを生成するとともに、それを用いて未修正画像を検出することが可能となる。

第１実施形態に係るモデル生成装置の概要を示す。 モデル生成装置のハードウェア構成を示すブロック図である。 モデル生成装置の機能構成を示すブロック図である。 第１世代の初期モデルから教師データを作成する方法を示す。 第２世代の代表モデルを生成する方法を示す。 第２世代の代表モデルから教師データを作成する方法を示す。 第３世代の代表モデルを生成する方法を示す。 第３世代の代表モデルから教師データを作成する方法を示す。 モデル生成処理のフローチャートである。 第２実施形態に係るモデル生成装置の機能構成を示す。 第３実施形態に係る画像処理装置の機能構成を示す。

以下、図面を参照して、本発明の好適な実施形態について説明する。
＜第１実施形態＞
［芯線抽出モデル生成装置］
図１は、本発明の第１実施形態に係るモデル生成装置の概要を示す。モデル生成装置１００は、指紋画像から芯線を抽出する芯線抽出モデルを生成する。芯線抽出モデルは、入力される指紋画像の芯線を抽出し、芯線を描画又は修正した指紋画像を生成するモデルであり、機械学習などにより生成される。「芯線」とは、指紋画像における隆線を一定幅の細線で示したものである。図示のように、モデル生成装置１００は、指紋データベース（以下、「ＤＢ」と記す。）３に接続されている。モデル生成装置１００には、指紋ＤＢ３に登録されている複数の指紋画像が入力される。指紋ＤＢ３に登録されている指紋画像は、例えば犯罪者などの特定の人物から取得したものである。例えば犯罪捜査においては、現場で採取された遺留指紋を指紋ＤＢ３に登録されている多数の指紋と照合し、人物の特定を行う。

スキャナなどを用いて登録者から取得した指紋画像は、そのままではなく、鑑識官などにより必要な芯線の修正が施された後で指紋ＤＢ３に登録される。しかし、様々な理由により、修正が行われていない未修正画像が指紋ＤＢ３に登録されていることがある。未修正画像は指紋の照合に適さないため、これを発見して必要な修正を行った後で、再度指紋ＤＢ３に登録する必要がある。そこで、本実施形態では、まず、指紋画像から芯線を高精度で抽出する芯線抽出モデルを生成し、その芯線抽出モデルを用いて、指紋ＤＢ３に登録されている未修正画像を検出する。

［ハードウェア構成］
図２は、モデル生成装置１００のハードウェア構成を示すブロック図である。図示のように、モデル生成装置１００は、入力ＩＦ（ＩｎｔｅｒＦａｃｅ）１１と、プロセッサ１２と、メモリ１３と、記録媒体１４と、データベース（以下、「ＤＢ」と記す。）１５と、入力装置１６と、表示装置１７と、を備える。

入力ＩＦ１１は、データの入出力を行う。具体的に、入力ＩＦ１１は、指紋ＤＢ３から指紋画像を取得する。

プロセッサ１２は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのコンピュータであり、予め用意されたプログラムを実行することにより、モデル生成装置１００の全体を制御する。特に、プロセッサ１２は、後述するモデル生成処理を行う。

メモリ１３は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などにより構成される。メモリ１３は、プロセッサ１２により実行される各種のプログラムを記憶する。また、メモリ１３は、プロセッサ１２による各種の処理の実行中に作業メモリとしても使用される。

記録媒体１４は、ディスク状記録媒体、半導体メモリなどの不揮発性で非一時的な記録媒体であり、モデル生成装置１００に対して着脱可能に構成される。記録媒体１４は、プロセッサ１２が実行する各種のプログラムを記録している。

ＤＢ１５は、入力ＩＦ１１から入力される指紋画像を記憶する。また、ＤＢ１５には、モデル生成処理により生成される芯線抽出モデル、及び、モデル生成処理中に使用される複数の指紋画像を記憶する。

入力装置１６は、例えばキーボード、マウス、タッチパネルなどであり、モデル生成装置１００による処理に関連してユーザが必要な指示、入力を行う際に使用される。表示装置１７は例えば液晶ディスプレイなどであり、ユーザの指示に応じて、指紋画像などを表示する。

［機能構成］
図３は、モデル生成装置１００の機能構成を示すブロック図である。モデル生成装置１００は、教師データ選択部２１と、モデル学習部２２と、評価値算出部２３と、モデル更新部２４と、未修正画像検出部２５と、を備える。

教師データ選択部２１は、指紋画像ＤＢ３に記憶されている複数の指紋画像から、芯線抽出モデルの学習に使用する教師データを選択する。教師データは、指紋ＤＢ３に登録されている指紋画像と、その指紋画像に対して鑑識官などが芯線を記入して修正した指紋画像（正解データ）を含む。

モデル学習部２２は、教師データ選択部２１が選択した教師データを用いて、芯線抽出モデルを学習する。芯線抽出モデルは、教師データを用いて学習されたモデルである。芯線抽出モデルは、正解データ、即ち、鑑識官などが修正した指紋画像に近い指紋画像を出力するように学習される。なお、モデル学習部２２は、学習手段及びモデル生成手段の一例である。

評価値算出部２３は、モデル学習部２２が学習した芯線抽出モデルを用いて評価値を算出する。具体的に、評価値算出部２３は、モデル学習部２２が学習した芯線抽出モデル（以下、「学習済みモデル」とも呼ぶ。）に、指紋ＤＢ３に記憶されている指紋画像を入力し、その学習済みモデルが出力する指紋画像、即ち、芯線抽出結果を取得する。そして、評価値算出部２３は、学習済みモデルに入力した指紋画像と、その学習済みモデルが出力した指紋画像との類似度を評価値として算出する。評価値算出部２３は、指紋ＤＢ３に記憶されている複数の指紋画像を学習済みモデルに入力し、指紋画像毎に評価値を算出する。また、評価値算出部２３は、学習済みモデルに複数の指紋画像を入力して得られた評価値を平均し、その学習済みモデルの評価値の平均値とする。

モデル更新部２４は、モデル学習部２２が学習の対象とする芯線抽出モデルを更新する。ここで、モデルの更新とは、前の世代のモデルに基づいて教師データを作成し、次の世代のモデルを生成することをいう。具体的に、モデル更新部２４は、現世代の学習済みモデルの評価値の平均値が、１世代前の学習済みモデルの評価値の平均値より大きい場合、即ち、学習により芯線抽出モデルの性能が向上していると考えられる場合、次世代の芯線抽出モデルの生成を行う。即ち、モデル更新部２４は、モデルの更新によって芯線抽出モデルの性能が向上する余地がある間は、モデルの更新を行う。よって、モデルの更新を繰り返すことにより、より性能の高いモデルを得ることができる。一方、モデル更新部２４は、現世代の学習済みモデルの評価値の平均値が、１世代前の学習済みモデルの評価値の平均値以下である場合、即ち、モデルの更新によって芯線抽出モデルの性能の向上が期待できなくなった場合、モデルの更新を終了し、そのときの学習済みモデルを最終モデルに決定する。

未修正画像検出部２５は、生成された最終モデルを用いて、指紋ＤＢ３に記憶されている未修正画像を検出する。具体的に、未修正画像検出部２５は、ある指紋画像を最終モデルに入力して得られた評価値が、所定の閾値以下である場合、その指紋画像を未修正画像と判定する。

［モデル生成方法］
次に、芯線抽出モデルの生成方法の具体例を説明する。図４は、第１世代の初期モデルＭ１から教師データを作成する方法を示す。いま、指紋ＤＢ３に登録されている指紋画像の全データ数を８万枚と仮定する。まず、教師データ選択部２１は、８万枚の指紋画像を教師データとして選択する。モデル学習部２２は、選択された８万枚の指紋画像を教師データとして、芯線抽出モデルの初期モデルＭ１を学習し、学習済みモデルＭ１を生成する。評価値算出部２３は、学習済みモデルＭ１に８万枚の指紋画像を入力し、入力した指紋画像と、学習済みモデルＭ１による芯線抽出結果として得られる指紋画像との類似度を示す評価値を算出し、評価値の高い順にソートする。なお、図４の例では、評価値の最大値は「３，０００」であるとする。

次に、教師データ選択部２１は、ソートされた８万枚の指紋画像から、次世代のモデルを学習するための教師データを選択する。具体的に、教師データ選択部２１は、評価値でソートされた８万枚の指紋画像から、各々が２万枚の指紋画像を含む８個の教師データグループＧ１－１～Ｇ１－８を作る。その際、教師データ選択部２１は、図示のように評価値が低い方の指紋画像から、所定数（本例では８００枚）ずつシフトさせて８個の教師データグループＧ１－１～Ｇ１－８を作る。

なお、評価値が低い方から教師データを選択する理由は以下の通りである。基本的にモデル生成に使用すべき指紋画像は、ある程度複雑で修正が必要な画像である。即ち、ある程度修正が必要な画像を用いて学習を行うことにより、芯線抽出モデルの能力が向上することになる。初期モデルＭ１によって高い評価値が得られた指紋画像は、それほど複雑でなく、あまり学習効果の無い画像と考えられる。一方、初期モデルＭ１による評価値が低い指紋画像は、学習効果が期待できる画像と考えられる。このような観点で、教師データ選択部２１は基本的に評価値が低い方のデータを教師データとして選択する。これにより、学習効果が期待できる複数の教師データグループが得られる。

次に、図５に示すように、モデル更新部２４は８個の教師データグループに対応する８個の第２世代の候補モデルＭ２－１～Ｍ２－８を用意し、モデル学習部２２はそれらを対応する教師データグループＧ１－１～Ｇ１－８の教師データを用いて学習する。これにより、第２世代の学習済みの候補モデルＭ２－１～Ｍ２－８が生成される。次に、評価値算出部２３は、学習済みの候補モデル毎に評価値を算出し、さらに評価値の平均値を算出する。具体的に、評価値算出部２３は、全データ、即ち８万枚の指紋画像を学習済みの候補モデルＭ２－１に入力し、指紋画像毎に評価値を算出し、さらにそれら評価値の平均値Ｅｖ（Ｍ２－１）を算出する。同様に、評価値算出部２３は、全データを学習済みの候補モデルＭ２－２に入力し、指紋画像毎に評価値を算出し、さらにそれら評価値の平均値Ｅｖ（Ｍ２－２）を算出する。こうして、評価値算出部２３は、全ての教師データグループＧ２－１～Ｇ２－８について評価値を算出し、評価値の平均値Ｅｖ（Ｍ２－１）～Ｅｖ（Ｍ２－８）を算出する。次に、モデル更新部２４は、学習済みの候補モデルＭ２－１～Ｍ２－８のうち、評価値の平均値が最大であるモデルを、最も精度が高いモデルとして、第２世代の代表モデルＭ２に決定する。こうして、第１世代の初期モデルＭ１から、第２世代の代表モデルＭ２が生成される。これにより、複数の候補モデルのうち、最も精度が高いモデルをその世代の代表モデルとすることができる。

次に、第２世代の代表モデルＭ２を用いて、第３世代のモデル生成のための教師データが作成される。図６は、第２世代の代表モデルＭ２から教師データを作成する方法を示す。評価値算出部２３は、指紋画像の全データを用いて代表モデルＭ２の評価値を算出する。次に、評価値算出部２３は、初期モデルＭ１の評価値を大きい順にソートし、代表モデルＭ２の評価値をそれと同じ順にソートする。教師データ選択部２１は、評価値の大きい順にソートしたモデルＭ１の評価値と、それに合わせてソートしたモデルＭ２の評価値とを比較し、破線７１で示すようにモデルＭ１の評価値よりモデルＭ２の評価値が上昇している指紋画像を抽出して２つの教師データグループＧ２－１、Ｇ２－２を生成する。なお、本例では、教師データ選択部２１は、教師データグループＧ２－１に含まれる指紋画像のうち、評価値が上位の１０％の指紋画像を除去したものを教師データグループＧ２－２としている。但し、教師データグループＧ２－２は、モデルＭ１の評価値よりモデルＭ２の評価値が上昇している指紋画像を使用する限り、別の方法で作成してもよい。

次に、作成された教師データグループＧ２－１、Ｇ２－２を用いて、第３世代のモデルが生成される。図７は、第３世代の代表モデルを生成する方法を示す。モデル学習部２２は、作成された教師データグループＧ２－１、Ｇ２－２を用いて、第３世代の候補モデルＭ３－１、Ｍ３－２を学習し、学習済みの候補モデルＭ３－１、Ｍ３－２を生成する。次に、評価値算出部２３は、学習済みの候補モデル毎に評価値を算出し、評価値の平均値を算出する。具体的に、評価値算出部２３は、８万枚の全データを学習済みの候補モデルＭ３－１に入力し、指紋画像毎に評価値を算出し、さらにそれら評価値の平均値Ｅｖ（Ｍ３－１）を算出する。同様に、評価値算出部２３は、全データを学習済みの候補モデルＭ３－２に入力し、指紋画像毎に評価値を算出し、さらにそれら評価値の平均値Ｅｖ（Ｍ３－２）を算出する。そして、モデル更新部２４は、学習済みの候補モデルＭ３－１、Ｍ３－２のうち、評価値の平均値が大きい方のモデルを、精度が高い方のモデルとして、第３世代の代表モデルＭ３に決定する。こうして、第３世代の代表モデルＭ３が生成される。

次に、第４世代のモデル生成のための教師データが作成される。図８は、第３世代の代表モデルＭ３から教師データを作成する方法を示す。モデル更新部２４は、第２世代の代表モデルＭ２の評価値の平均値と、第３世代の代表モデルＭ３の評価値の平均値とを比較する。代表モデルＭ３の評価値の平均値が代表モデルＭ２の評価値の平均値より大きい場合、第２世代のモデルより第３世代のモデルの方が性能が上がっており、さらなる性能向上の可能性があると考えられる。よって、教師データ選択部２１は、第４世代のモデルのための教師データを作成する。これにより、モデルの性能が向上する場合にのみ、モデルの更新が行われるようになる。

具体的に、評価値算出部２３は、指紋画像の全データを用いて代表モデルＭ３の評価値を算出する。教師データ選択部２１は、評価値の大きい順にソートしたモデルＭ２の評価値と、それに合わせてソートしたモデルＭ３の評価値とを比較し、破線７２に示すように、モデルＭ２の評価値よりモデルＭ３の評価値が増加している指紋画像を抽出して２つの教師データグループＧ３－１、Ｇ３－２を作成する。なお、本例では、教師データグループＧ３－１に含まれる指紋画像のうち、評価値が上位１０％の指紋画像を除去したものを教師データグループＧ３－２としている。モデル学習部２２は、作成された教師データグループＧ３－１、Ｇ３－２を用いて第４世代のモデルを生成する。

こうして、第３世代以降では、新たな世代の代表モデルの評価値の平均値が、その１つ前の世代の代表モデルの評価値の平均値より大きい場合、まだ性能向上の余地があると予測して次世代のモデルを生成する。一方、新たな世代の代表モデルの評価値の平均値が、その１つ前の世代の代表モデルの評価値の平均値より大きくない場合、性能向上の余地がないと予測して次世代のモデルの生成、即ち、モデルの更新を終了する。これにより、モデルの更新を繰り返すことにより、モデルの性能が低下してしまうことを防止する。

［未修正画像の検出方法］
次に、未修正画像の検出方法について説明する。未修正画像は、何らかの理由で鑑識官などによる修正がされないまま指紋ＤＢ３に登録されている指紋画像である。芯線抽出モデルは、鑑識官などによる修正済みの指紋画像を教師データとして学習されるので、未修正画像を学習済みの芯線抽出モデルに入力すると、入力した未修正画像と、芯線抽出モデルが出力した指紋画像との差分は大きく、評価値は小さくなる。一方、修正済み指紋画像を学習済みの芯線抽出モデルに入力すると、入力した修正済み指紋画像と、芯線抽出モデルが出力した指紋画像との差分は小さく、評価値は大きくなる。よって、理論的には、指紋ＤＢ３に登録されている指紋画像を学習済みの芯線抽出モデルに入力すれば、得られる評価値に基づいて未修正画像を検出することができる。

しかし、修正済みであっても、複雑な指紋画像の場合には、芯線抽出モデルに入力したときの評価値が大きくなることがある。これは、芯線抽出モデルの性能が複雑な指紋画像に対応しきれていないためである。その結果、未修正画像と、修正済みであるが複雑な指紋画像は、いずれも芯線抽出モデルに入力した際の評価値が小さくなり、両者を区別することができない。

そこで、上記のモデル生成処理を実行し、性能が十分に向上した芯線抽出モデル、即ち、最終モデルを用いて未修正画像を検出する。具体的には、未修正画像検出部２５は、指紋ＤＢ３内の指紋画像を最終モデルに入力し、最終モデルの評価値が、所定の閾値より小さい指紋画像を未修正画像と判定する。最終モデルは、修正済みの複雑な指紋画像が入力されると、それに近い指紋画像を出力するので、評価値は大きくなる。一方、未修正画像が入力されると、最終モデルは多くの箇所を修正するため、出力される指紋画像と未修正画像との差は大きくなり、評価値は小さくなる。よって、未修正画像検出部２５は、最終モデルによる評価値が低い指紋画像を未修正画像と判定する。これにより、未修正画像を高精度で検出することが可能となる。

［モデル生成処理］
次に、モデル生成装置１００により実行されるモデル生成処理について説明する。図９は、モデル生成処理のフローチャートである。この処理は、図２に示すプロセッサ１２が予め用意されたプログラムを実行し、図３に示す各要素として動作することにより実現される。

まず、初期モデルの学習が行われる（ステップＳ１１）。具体的には、教師データ選択部２１は指紋ＤＢ３から指紋画像を取得し、モデル学習部２２は取得した指紋画像を教師データとして初期モデルＭ１を学習する。次に、評価値算出部２３は、全データを用いて初期モデルＭ１の評価値を算出し、教師データを作成する（ステップＳ１２）。具体的には、評価値算出部２３は、図４に示すように、全データを用いて学習済みの初期モデルＭ１の評価値を算出し、それを評価値の高い順にソートする。そして、評価値算出部２３は、評価値の低い方から所定数の教師データグループＧ１－１～Ｇ１－８を作成する。

次に、作成された教師データを用いて、複数の第２世代モデルの学習が行われる（ステップＳ１３）。図５は、複数の第２世代モデルを示す。具体的には、モデル更新部２４は、図５に示す第２世代の８個の候補モデルＭ２－１～Ｍ２－８をモデル学習部２２に設定する。モデル学習部２２は、教師データＧ１－１～Ｇ１－８を用いて候補モデルＭ２－１～Ｍ２－８を学習し、学習済みの候補モデルＭ２－１～Ｍ２－８を生成する。

次に、評価値算出部２３は、複数の第２世代モデルの評価値を算出する（ステップＳ１４）。具体的には、評価値算出部２３は、全データを用いて８個の第２世代の候補モデルＭ２－１～Ｍ２－８の評価値を算出する。次に、モデル更新部２４は、複数の第２世代の候補モデルのうち評価値の平均値が最大であるものを、第２世代の代表モデルＭ２と決定する（ステップＳ１５）。具体的には、モデル更新部２４は、８個の第２世代の候補モデルＭ２－１～Ｍ２－８のうち、評価値の平均値が最大であるものを第２世代の代表モデルＭ２に決定する。

次に、モデル更新部２４は、現世代のモデルの評価値の平均値が、全世代のモデルの評価値の平均値より大きいか否かを判定する（ステップＳ１６）。具体的には、モデル更新部２４は、第２世代の代表モデルＭ２の評価値の平均値が、第１世代の初期モデルＭ１の評価値の平均値より大きいか否かを判定する。現世代のモデルの評価値の平均値が大きい場合（ステップＳ１６：Ｙｅｓ）、教師データ選択部２１は、図６の破線７１に示すように、前世代のモデルより評価値が上昇したデータを選択し、次世代の教師データを作成する（ステップＳ１７）。具体的には、教師データ選択部２１は、図６に示すように、モデルＭ１の評価値よりモデルＭ２の評価値が高いデータを抽出し、教師データグループＧ２－１、Ｇ２－２を作成する。

次に、作成された教師データを用いて、複数の次世代モデルが学習される（ステップＳ１８）。具体的には、モデル更新部２４は、図７に示す第３世代の候補モデルＭ３－１、Ｍ３－２をモデル学習部２２に設定する。モデル学習部２２は、教師データグループＧ２－１、Ｇ２－２を用いて候補モデルＭ３－１、Ｍ３－２を学習し、学習済みの候補モデルＭ３－１、Ｍ３－２を生成する。

次に、評価値算出部２３は、全データで次世代モデルの評価値を算出する（ステップＳ１９）。具体的には、評価値算出部２３は、全データを用いて、第３世代の候補モデルＭ３－１、Ｍ３－２の評価値を算出する。次に、モデル更新部２４は、複数の次世代モデルのうち評価値の平均値が最大であるものを、次世代の代表モデルと決定する（ステップＳ２０）。具体的には、モデル更新部２４は、第３世代の候補モデルＭ３－１、Ｍ３－２のうち、評価値の平均値が最大であるものを第３世代の代表モデルＭ３に決定する。そして、処理はステップＳ１６へ戻る。

こうして、ステップＳ１６で、現世代のモデルの評価値の平均値が前世代のモデルの評価値の平均値より大きいと判定される間、即ち、モデルの性能が向上している間は、評価値が上昇したデータを教師データとして次世代モデルの生成、即ち、モデルの更新が繰り返される。一方、ステップＳ１６で、現世代のモデルの評価値の平均値が前世代のモデルの評価値の平均値より大きくないと判定された場合、モデルの性能の向上がほぼ飽和したと考えられるので、モデル更新部２４はモデルの更新を終了し、そのときの現世代モデルを最終モデルに決定する（ステップＳ２１）。

次に、未修正画像検出部２５は、最終モデルに全データを入力して評価値を算出し、評価値が所定の閾値以下であるデータを未修正画像と判定する（ステップＳ２２）。そして、処理は終了する。

［変形例］
（変形例１）
上記の例では、第１世代の初期モデルＭ１の評価値に基づいて、第２世代のモデル学習のために８個の教師データグループＧ１－１～Ｇ１－８を作成しているが、教師データグループの数はこれには限られない。同様に、上記の例では、第３世代以降のモデル学習のために２個の教師データグループを作成しているが、３個以上の教師データグループを作成してもよい。

（変形例２）
上記の例では、未修正画像検出部２５は、最終モデルの評価値が所定の閾値以下であるデータを未修正画像と判定しているが、未修正画像の判定方法はこれには限られない。例えば、未修正画像検出部２５は、全データを用いて最終モデルの評価値と、最終モデルより１世代又は数世代前のモデルの評価値とを算出し、最終モデルの評価値がそれより前の世代のモデルの評価値より下がったデータを未修正画像と判定してもよい。

（変形例３）
上記のモデル生成処理では、モデル更新部２４は、現世代のモデルの評価値の平均値が、全世代のモデルの評価値の平均値より大きくない場合に、モデルの更新を終了する。その代わりに、モデルの更新回数が、予め決められた所定の更新回数に達したときにモデルの更新を終了することとしてもよい。これにより、必要以上にモデルの更新を繰り返し、却ってモデルの性能が低下してしまうことを防止する。

（変形例４）
表示装置１７は、図４～８などに示したモデル生成過程を表示してもよい。また、表示装置１７は、教師データに採用された指紋画像の少なくとも一部を表示してもよく、未修正画像検出部２５が未修整画像と判定した指紋画像をユーザに対して表示してもよい。

＜第２実施形態＞
図１０は、第２実施形態に係るモデル生成装置５０の機能構成を示すブロック図である。モデル生成装置５０は、教師データ選択手段５１と、学習手段５２と、評価値算出手段５３と、モデル更新手段５４と、を備える。教師データ選択手段５１は、複数の指紋画像から教師データを選択する。学習手段５２は、教師データを用いて、指紋画像を修正するモデルの学習を行う。評価値算出手段５３は、学習されたモデルに複数の指紋画像を入力して得られる結果の評価値を算出する。モデル更新手段５４は、評価値に基づいて、学習の対象となるモデルを更新する。そして、教師データ選択手段５１は、評価値に基づいて、複数の指紋画像から選択する教師データを決定する。

＜第３実施形態＞
図１１は、第３実施形態に係る画像処理装置６０の機能構成を示すブロック図である。画像処理装置は、モデル生成手段６１と、未修正画像検出手段６２とを備える。モデル生成手段６１は、未修正画像を含む複数の指紋画像から教師データを選択し、選択された教師データを用いて、指紋画像を修正するモデルを生成し、生成されたモデルを用いて次のモデルのための教師データを選択する処理を繰り返して最終モデルを生成する。未修正画像検出手段６２は、最終モデルから得られる結果の評価値を用いて、複数の指紋画像に含まれる未修正画像を検出する。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

（付記１）
複数の指紋画像から教師データを選択する教師データ選択手段と、
前記教師データを用いて、指紋画像を修正するモデルの学習を行う学習手段と、
学習された前記モデルに前記複数の指紋画像を入力して得られる結果の評価値を算出する評価値算出手段と、
前記評価値に基づいて、前記学習の対象となるモデルを更新するモデル更新手段と、
を備え、
前記教師データ選択手段は、前記評価値に基づいて、前記複数の指紋画像から選択する教師データを決定するモデル生成装置。

（付記２）
前記教師データ選択手段は、前記複数の指紋画像のうち、更新前のモデルから得られる結果の評価値よりも、更新後のモデルから得られる結果の評価値の方が高い指紋画像を前記教師データとして選択する付記１に記載のモデル生成装置。

（付記３）
前記教師データ選択手段は、最初の教師データの選択時には、前記複数の指紋画像を初期モデルに入力して得られた結果の評価値の大きい順に前記複数の指紋画像をソートし、前記評価値が低い方から所定数ずつシフトして、同一数の指紋画像を含む複数の教師データグループを生成する付記１又は２に記載のモデル生成装置。

（付記４）
前記教師データ選択手段は、２回目以降の教師データの選択時には、選択した教師データを用いて複数の教師データグループを生成し、
前記学習手段は、前記教師データグループ毎にモデルを学習し、
前記モデル更新手段は、前記学習の対象となるモデルを、前記教師データグループ毎に学習したモデルのうち、出力した結果の評価値の平均値が最大であるモデルに更新する付記１又は２に記載のモデル生成装置。

（付記５）
前記モデル更新手段は、更新後のモデルから得られる結果の評価値の平均値が、更新前のモデルから得られる結果の評価値の平均値より大きい場合に、前記学習の対象となるモデルを更新する付記１乃至４のいずれか一項に記載のモデル生成装置。

（付記６）
前記モデル更新手段は、更新後のモデルから得られる結果の評価値の平均値が、更新前のモデルから得られる結果の評価値の平均値以下である場合、前記モデルの更新を終了し、そのときの最新のモデルを最終モデルと決定する付記５に記載のモデル生成装置。

（付記７）
前記モデル更新手段は、前記学習の対象となるモデルを所定回数更新したときに、前記モデルの更新を終了し、そのときの最新のモデルを最終モデルと決定する付記５に記載のモデル生成装置。

（付記８）
前記最終モデルから得られる結果の評価値を用いて、前記複数の指紋画像に含まれる未修正画像を検出する未修正画像検出手段を備える付記６又は７に記載のモデル生成装置。

（付記９）
複数の指紋画像から教師データを選択し、
前記教師データを用いて、指紋画像を修正するモデルの学習を行い、
学習された前記モデルに前記複数の指紋画像を入力して得られる結果の評価値を算出し、
前記評価値に基づいて、前記学習の対象となるモデルを更新し、
前記複数の指紋画像から選択する教師データは、前記評価値に基づいて決定されるモデル生成方法。

（付記１０）
複数の指紋画像から教師データを選択し、
前記教師データを用いて、指紋画像を修正するモデルの学習を行い、
学習された前記モデルに前記複数の指紋画像を入力して得られる結果の評価値を算出し、
前記評価値に基づいて、前記学習の対象となるモデルを更新し、
前記複数の指紋画像から選択する教師データは、前記評価値に基づいて決定されるモデル生成処理をコンピュータに実行させるプログラムを記録した記録媒体。

（付記１１）
未修正画像を含む複数の指紋画像から教師データを選択し、選択された教師データを用いて、指紋画像を修正するモデルを生成し、生成されたモデルを用いて次のモデルのための教師データを選択する処理を繰り返して最終モデルを生成するモデル生成手段と、
前記最終モデルから得られる結果の評価値を用いて、前記複数の指紋画像に含まれる前記未修正画像を検出する未修正画像検出手段と、
を備える画像処理装置。

（付記１２）
未修正画像を含む複数の指紋画像から教師データを選択し、選択された教師データを用いて、指紋画像を修正するモデルを生成し、生成されたモデルを用いて次のモデルのための教師データを選択する処理を繰り返して最終モデルを生成し、
前記最終モデルから得られる結果の評価値を用いて、前記複数の指紋画像に含まれる前記未修正画像を検出する画像処理方法。

（付記１３）
未修正画像を含む複数の指紋画像から教師データを選択し、選択された教師データを用いて、指紋画像を修正するモデルを生成し、生成されたモデルを用いて次のモデルのための教師データを選択する処理を繰り返して最終モデルを生成し、
前記最終モデルから得られる結果の評価値を用いて、前記複数の指紋画像に含まれる前記未修正画像を検出する処理をコンピュータに実行させるプログラムを記録した記録媒体。

以上、実施形態及び実施例を参照して本発明を説明したが、本発明は上記実施形態及び実施例に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

３ 指紋データベース（ＤＢ）
１１ 入力ＩＦ
１２ プロセッサ
１３ メモリ
１４ 記録媒体
１５ データベース
１６ 入力装置
１７ 表示装置
２１ 教師データ選択部
２２ モデル学習部
２３ 評価値算出部
２４ モデル更新部
２５ 未修正画像検出部
５０ モデル生成装置
５１ 教師データ選択手段
５２ 学習手段
５３ 評価値算出手段
５４ モデル更新手段
６０ 画像処理装置
６１ モデル生成手段
６２ 未修正画像検出手段
１００ モデル生成装置

Claims (10)

1. 複数の指紋画像から教師データを選択する教師データ選択手段と、
   前記教師データを用いて、指紋画像を修正するモデルの学習を行う学習手段と、
   学習された前記モデルに前記複数の指紋画像を入力して得られる結果の評価値を算出する評価値算出手段と、
   前記評価値に基づいて、前記学習の対象となるモデルを更新するモデル更新手段と、
   を備え、
   前記教師データ選択手段は、前記評価値に基づいて、前記複数の指紋画像から選択する教師データを決定するモデル生成装置。
2. 前記教師データ選択手段は、前記複数の指紋画像のうち、更新前のモデルから得られる結果の評価値よりも、更新後のモデルから得られる結果の評価値の方が高い指紋画像を前記教師データとして選択する請求項１に記載のモデル生成装置。
3. 前記教師データ選択手段は、最初の教師データの選択時には、前記複数の指紋画像を初期モデルに入力して得られた結果の評価値の大きい順に前記複数の指紋画像をソートし、前記評価値が低い方から所定数ずつシフトして、同一数の指紋画像を含む複数の教師データグループを生成する請求項１又は２に記載のモデル生成装置。
4. 前記教師データ選択手段は、２回目以降の教師データの選択時には、選択した教師データを用いて複数の教師データグループを生成し、
   前記学習手段は、前記教師データグループ毎にモデルを学習し、
   前記モデル更新手段は、前記学習の対象となるモデルを、前記教師データグループ毎に学習したモデルのうち、出力した結果の評価値の平均値が最大であるモデルに更新する請求項１又は２に記載のモデル生成装置。
5. 前記モデル更新手段は、更新後のモデルから得られる結果の評価値の平均値が、更新前のモデルから得られる結果の評価値の平均値より大きい場合に、前記学習の対象となるモデルを更新する請求項１乃至４のいずれか一項に記載のモデル生成装置。
6. コンピュータにより実行されるモデル生成方法であって、
   複数の指紋画像から教師データを選択し、
   前記教師データを用いて、指紋画像を修正するモデルの学習を行い、
   学習された前記モデルに前記複数の指紋画像を入力して得られる結果の評価値を算出し、
   前記評価値に基づいて、前記学習の対象となるモデルを更新し、
   前記複数の指紋画像から選択する教師データは、前記評価値に基づいて決定されるモデル生成方法。
7. 複数の指紋画像から教師データを選択し、
   前記教師データを用いて、指紋画像を修正するモデルの学習を行い、
   学習された前記モデルに前記複数の指紋画像を入力して得られる結果の評価値を算出し、
   前記評価値に基づいて、前記学習の対象となるモデルを更新し、
   前記複数の指紋画像から選択する教師データは、前記評価値に基づいて決定されるモデル生成処理をコンピュータに実行させるプログラム。
8. 未修正画像を含む複数の指紋画像から教師データを選択し、選択された教師データを用いて、指紋画像を修正するモデルを生成し、生成されたモデルを用いて次のモデルのための教師データを選択する処理を繰り返して最終モデルを生成するモデル生成手段と、
   前記最終モデルから得られる結果の評価値を用いて、前記複数の指紋画像に含まれる前記未修正画像を検出する未修正画像検出手段と、
   を備える画像処理装置。
9. コンピュータにより実行される画像処理方法であって、
   未修正画像を含む複数の指紋画像から教師データを選択し、選択された教師データを用いて、指紋画像を修正するモデルを生成し、生成されたモデルを用いて次のモデルのための教師データを選択する処理を繰り返して最終モデルを生成し、
   前記最終モデルから得られる結果の評価値を用いて、前記複数の指紋画像に含まれる前記未修正画像を検出する画像処理方法。
10. 未修正画像を含む複数の指紋画像から教師データを選択し、選択された教師データを用いて、指紋画像を修正するモデルを生成し、生成されたモデルを用いて次のモデルのための教師データを選択する処理を繰り返して最終モデルを生成し、
    前記最終モデルから得られる結果の評価値を用いて、前記複数の指紋画像に含まれる前記未修正画像を検出する処理をコンピュータに実行させるプログラム。

Images