KR20080053191A - 정보처리 장치 및 정보처리 방법, 인식 장치 및 정보 인식방법, 및 , 프로그램 - Google Patents
정보처리 장치 및 정보처리 방법, 인식 장치 및 정보 인식방법, 및 , 프로그램Download PDFInfo
- Publication number
- KR20080053191A KR20080053191AKR1020070122124AKR20070122124AKR20080053191AKR 20080053191 AKR20080053191 AKR 20080053191AKR 1020070122124 AKR1020070122124 AKR 1020070122124AKR 20070122124 AKR20070122124 AKR 20070122124AKR 20080053191 AKR20080053191 AKR 20080053191A
- Authority
- KR
- South Korea
- Prior art keywords
- feature
- learner
- predetermined
- information
- recognition
- 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.)
- Ceased
Links
Images
Classifications
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Processing (AREA)
Abstract
Description
본 발명은 2006년 12월 8일 일본 특허청에 제출된 일본특허 JP2006-332302호와 20076년 8월 24일 일본 특허청에 제출된 일본특허 JP2007-218727호에 기재된 주제와 관련되며, 그 전체 내용은 참조로서 여기에 포함되어 있다.
본 발명은, 정보처리 장치 및 정보처리 방법, 인식 장치 및 정보 인식 방법, 및, 프로그램에 관한 것이며, 특히, 2개의 특징량의 상관을 이용하여 인식 처리를 실시행하기 위해 매우 적합한, 정보처리 장치 및 정보처리 방법, 인식 장치 및 정보 인식 방법, 및, 프로그램에 관한 것이다.
종래, 2개의 안면(face) 화상이 동일 인물의 것인가 아닌가를 식별할 때에, 가보 필터를 이용하여, 안면의 여러가지 특징점의 로컬 특징 벡터(Gabor Jets)를 (151)하고, 단지 가보 필터의 모든 차원의 상관치로만 구성되는 상관 벡터를 SVM(support vector machine)을 이용하여 학습하고, 식별기를 생성하여, 이것을 이용하여 식별 처리를 실행하는 기술이 있다(공개 특허 WO03/019475호 참조).
상술한 종래의 기술에 대해서는, 안면의 여러가지 특징점의 가보 제트(Gabor Jets)를 (151)하고, 단지 가보 필터의 모든 차원의 상관치로만 구성되는 상관 벡터를, SVM을 이용하여 학습하고, 식별기를 생성하고 있지만, 각각의 안면 특징점에 있어서의 로컬 특징량을 기술하기 위해서 가보 제트를 항상 사용하는 것이 필요하지는 않다. 예를 들면, 가보 제트의 일부(가보 제트를 구성하는 가보 특징들의 일부)가 로컬 화상 특징과는 상관이 없다고 생각된다.
이러한 로컬 특징과는 무상관인 가보 특징들을 포함하는 가보 제트로 구성된 로컬 특징 벡터끼리의 상관을 고려하면, 무상관인(non-correlated) 특징량이 악영향을 미칠 가능성이 높다. 또, 로컬 화상 특징안에는 서로 독립적인 특징이 조합되는 가능성도 생각할 수 있지만, 모든 로컬 특징간의 상관을 취하는 것만으로는 그러한 유사성을 독립적으로 추출할 수 없다.
그러므로, 본 발명은, 2개의 특징량의 상관을 이용하여 인식 처리를 실시하는 경우의 인식의 정도를 향상시킬 수 있는, 정보처리 장치 및 정보처리 방법, 인식 장치 및 정보 인식 방법, 및, 프로그램을 제공함으로써, 종래의 방법, 장치와 관련된 상기 기술한 문제 및 다른 문제들을 해결하기 위한 것이다.
본 발명의 제 1의 실시예에 따라, 본 발명을 실행시키기 의해서, 정보처리 장치가 제공된다. 이러한 정보처리 장치는, 학습을 실행하기 위해서 준비된 제 1 의 정보로부터, N차원(N은 2이상의 정수)의 제 1의 특징량을 취득하고, N차원의 상기 제 1의 특징량을 이용하여, 상기 제 1의 특징량의 N차원 이하의 제 1의 특징량 조합을 최소한 두 개 생성하는 조합 생성 수단과; 상기 조합 생성 수단에 의해 생성된 복수의 상기 제 1의 특징량 조합과 복수의 상기 제 1의 특징량 조합의 각각의 차원에 합치한 학습용 모델 특징량간의 제 1의 상관계수를 산출하고, 상기 제 1의 상관계수를 이용하여, 상기 제 1의 정보의 분류 처리를 실시하여, 소정의 제 2의 정보의 분류 처리를 행하기 위한 학습 처리를 실행하는 학습 처리 실행 수단을 가지고 있다.
상기 정보처리 장치에서, 상기 조합 생성 수단은, 상기 N차원의 상기 제 1의 특징량을 구성하는 요소를, 성질마다 분류한 행렬내의 연속하는 영역에 포함되는 상기 제 1의 특징량을 조합하여, 상기 제 1의 특징량 조합을 복수 생성한다.
상기 정보처리 장치에서, 상기 N차원의 상기 제 1의 특징량은, N개의 가보 필터에 의해서 취득된 특징량이 된다.
상기 정보처리 장치에서, 상기 조합 생성 수단은, N개의 상기 가보 필터에 의해서 취득된 특징량에서, 상기 N개의 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류되어 생성된 행렬의 연속하는 영역에 포함되는 상기 제 1의 특징량을 조합하여 상기 제 1의 특징량 조합을 복수 생성한다.
상기 정보처리 장치에서, 상기 조합 생성 수단은, N개의 상기 가보 필터에 의해서 취득된 특징량에서, 상기 N개의 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류되어 생성된 행렬내의 소정의 범위내에서 필터 주파수와 필터의 방향을 포함하기 위해 직사각형 영역에 포함되는 상기 제 1의 특징량을 조합하여 상기 제 1의 특징량 조합을 복수 생성한다.
상기 정보처리 장치에서, 상기 학습 처리 실행 수단은, 부스팅 알고리즘을 이용하여, 상기 제 1의 정보를 분류함으로써, 상기 학습 처리를 실행한다.
상기 정보처리 장치에서, 상기 조합 생성 수단은, 상기 제 2의 정보로부터, 상기 학습 처리 실행 수단에 의해 실행된 상기 학습 처리에 대해 생성되는 소정의 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 제 2의 특징량을 취득하고, 상기 학습기에 근거하여 미리 결정되어 있는 상기 제 2의 특징량의 N차원 이하의 조합인 제 2의 특징량 조합을, 추가로 복수 생성하며, 상기 조합 생성 수단에 의해 생성된 복수의 상기 제 2의 특징량 조합과 복수의 상기 제 2의 특징량 조합의 각각의 차원에 합치한 등록 특징량과의 제 2의 상관계수를 산출하고, 상기 제 2의 상관계수와, 상기 학습기를 이용하여 상기 제 2의 정보의 분류 처리를 실행하는 분류 처리 실행 수단을 추가로 구비한다.
본 발명의 다른 제 1의 실시예에 따라, 본 발명을 실행시키기 의해서, 정보처리 방법이 제공된다. 이러한 정보처리 방법은, 학습을 실행하기 위해서 준비된 제 1의 정보로부터, N차원(N은 2이상의 정수)의 제 1의 특징량을 취득하는 스텝과; N차원의 상기 제 1의 특징량을 이용하여, 상기 제 1의 특징량의 N차원 이하의 조합인 제 1의 특징량 조합을 복수 생성하는 스텝과; 복수의 상기 제 1의 특징량 조합의 각각의 차원에 합치한 학습용 모델 특징량을 취득하여, 복수의 상기 제 1의 특징량 조합과 상기 학습용 모델 특징량과의 제 1의 상관계수를 산출하는 스텝과; 상기 제 1의 상관계수를 이용하여, 상기 제 1의 정보의 분류 처리를 실행하여, 소정의 제 2의 정보의 분류 처리를 행하는 스텝을 포함한다.
상술한 정보처리 방법은, 상기 분류 처리에 의해 분류되기 위해서 공급된 상기 제 2의 정보로부터, 상기 학습 처리에 의한 학습의 결과로 얻어지는 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 제 2의 특징량을 취득하는 스텝과; N차원 이하의 상기 제 2의 특징량을 이용하여, 상기 학습기에 근거하여 미리 결정되어 있는 상기 제 2의 특징량의 N차원 이하의 조합인 제 2의 특징량 조합을 복수 생성하는 스텝과; 복수의 상기 제 2의 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하는 스텝과; 복수의 상기 제 2의 특징량 조합과 상기 등록 특징량과의 제 2의 상관계수를 산출하는 스텝과; 상기 학습 처리에 의한 학습의 결과로 얻어지는 상기 학습기 및 상기 제 2의 상관계수를 이용하여, 상기 제 2의 정보의 분류 처리를 실행하는 스텝을 추가로 구비한다.
본 발명의 또 다른 제 1의 실시예에 따라, 본 발명을 실행시키기 의해서, 분류 처리를 위한 학습을 컴퓨터에 실행시키기 위한 프로그램이 제공된다. 이러한 프로그램은, 학습을 실행하기 위해서 준비된 제 1의 정보로부터, N차원(N는 2이상의 정수)의 제 1의 특징량을 취득하는 스텝과; N차원의 상기 제 1의 특징량을 이용하여, 상기 제 1의 특징량의 N차원 이하의 조합인 제 1의 특징량 조합을 복수 생성하는 스텝과; 복수의 상기 제 1의 특징량 조합의 각각의 차원에 합치한 학습용 모델 특징량을 취득하여, 복수의 상기 제 1의 특징량 조합과 상기 학습용 모델 특징량과의 제 1의 상관계수를 산출하는 스텝과; 상기 제 1의 상관계수를 이용하여, 상 기 제 1의 정보의 분류 처리를 실행하여, 소정의 제 2의 정보의 분류 처리를 행하기 위한 학습 처리를 실행하는 스텝을 포함한다.
상기 프로그램은, 상기 분류 처리에 의해 분류되기 위해서 공급된 상기 제 2의 정보로부터, 상기 학습 처리에 의한 학습의 결과로 얻어지는 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 제 2의 특징량을 취득하는 스텝과; N차원 이하의 상기 제 2의 특징량을 이용하여, 상기 학습기에 근거하여 미리 결정되어 있는 상기 제 2의 특징량의 N차원 이하의 조합인 제 2의 특징량 조합을 복수 생성하는 스텝과; 복수의 상기 제 2의 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하는 스텝과; 복수의 상기 제 2의 특징량 조합과 상기 등록 특징량과의 제 2의 상관계수를 산출하는 스텝과; 상기 학습 처리에 의한 학습의 결과로 얻어지는 상기 학습기 및 상기 제 2의 상관계수를 이용하여, 상기 제 2의 정보의 분류 처리를 실행하는 스텝을 추가로 가지고 있다.
본 발명의 제 2의 실시예에 따라, 본 발명을 실행시키기 의해서, N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 학습 처리의 결과로 얻어지는 소정의 학습기를 이용하여 소정의 정보를 분류하는 인식 처리를 실시하는 인식 장치가 제공된다. 이러한 인식장치는, 상기 소정의 정보로부터, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 미만의 소정의 상기 특징량을 취득하여, 상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 미만의 조합인 특징량 조합을 복수 생성하는 조합 생성 수단과; 상기 조합 생성 수단에 의해 생성된 복수의 상기 특징량 조합과 복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특 징량과의 상관계수를 산출하고, 상기 상관계수를 이용하여, 상기 학습기에 근거하여 상기 소정의 정보의 분류 처리를 실행하는 분류 처리 실행 수단을 포함한다.
상기 인식 장치에서, 상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 미만의 조합은, 상기 N차원의 상기 특징량을 구성하는 요소를, 성질마다 분류한 행렬에 대해 연속하는 영역에 포함되는 상기 특징량의 복수의 조합이 된다.
상기 인식 장치에서, 상기 특징량은, 복수 종류의 가보 필터중 어느 한 필터에 의해 취득된 특징량이 된다.
상기 인식 장치에서, 상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 미만의 조합은, 상기 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류되어 생성된 행렬에 대해 연속하는 영역에 포함되는 상기 특징량이 조합되어 있는 복수의 조합이 된다.
상기 인식 장치에서, 상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 미만의 조합은, 상기 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류되어 생성된 행렬내에서 필터 주파수와 필터의 방향이 소정의 주파수 범위내에 있도록 직사각형 영역내에 포함되는 상기 특징량이 조합되어 있는 복수의 조합이 된다.
상기 인식 장치에서, 상기 분류 처리 실행 수단은, 부스팅 알고리즘을 이용하여, 상기 소정의 정보를 분류한다.
본 발명의 다른 제 2의 실시예에 따라, 본 발명을 실행시키기 의해서, N차 원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 학습 처리의 결과로 얻어지는 소정의 학습기를 이용하여 소정의 정보를 분류하는 인식 처리를 실행하는 인식 장치의 정보 인식 방법이 재공된다. 이러한 정보제공 방법은, 분류 처리에 의해 분류되는 상기 소정의 정보의 공급을 받아 상기 소정의 정보로부터, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 미만의 소정의 특징량을 취득하는 스텝과; N차원 미만의 상기 특징량을 이용하여, 상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 미만의 조합인 특징량 조합을 복수 생성하는 스텝과; 복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하는 스텝과; 복수의 상기 특징량 조합과 상기 등록 특징량과의 상관계수를 산출하고, 상기 상관계수를 이용하여, 상기 소정의 정보를 분류하는 스텝을 포함한다.
본 발명의 또 다른 제 2의 실시예에 따라, 본 발명을 실행시키기 의해서, N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 학습 처리의 결과로 얻어지는 소정의 학습기를 이용하여 소정의 정보를 분류하는 인식 처리를 컴퓨터에 실행시키기 위한 프로그램이 제공된다. 이러한 프로그램은, 분류 처리에 의해 분류되는 상기 소정의 정보의 공급을 받아 상기 소정의 정보로부터, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 미만의 소정의 특징량을 취득하는 스텝과; N차원 미만의 상기 특징량을 이용하여, 상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 미만의 조합인 특징량 조합을 복수 생성하는 스텝과; 복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하는 스텝과; 복수의 상기 특징량 조합과 상기 등록 특징량과의 상관계수를 산출하고, 상기 상관계수를 이용하여, 상기 소정의 정보를 분류하는 스텝을 포함한다.
본 발명의 상기 제 1의 실시예들에서는, 소정의 정보로부터, N차원의 특징량이 취득되고, N차원의 특징량으로부터, 특징량의 N차원 이하의 조합인 특징량 조합이 복수 생성되며, 생성된 복수의 특징량 조합과 복수의 특징량 조합의 각각의 차원에 합치한 학습용 모델 특징량과의 상관계수가 산출되고, 얻어진 상관계수를 이용하여, 소정의 정보가 분류되는 것으로 학습 처리가 실행된다.
본 발명의 상기 제 2의 실시예들에서는, 소정의 정보로부터, 학습기에 근거하여 미리 결정되어 있는 N차원 미만의 특징량이 취득되고, N차원 미만의 특징량이 이용되어, 특징량의 N차원 미만의 조합인 특징량 조합이 복수 생성되며, 생성된 복수의 특징량 조합과 복수의 특징량 조합의 각각의 차원에 합치한 등록 특징량과의 상관계수가 산출되고, 상관계수가 이용되어, 학습기를 이용한 소정의 정보의 분류 처리가 실행된다.
본 발명의 제 3의 실시예에 따라, 본 발명을 실행시키기 의해서, N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 소정의 정보를 분류하는 인식 처리를 실시하는 인식 장치가 제공된다. 이러한 인식 장치는, 학습 처리의 결과 얻어지는 소정의 학습기와, 인식용 특징량의 정보를 기억하는 기억 수단과; 상기 기억 수단에 의해 기억되어 있는 상기 학습기 및 상기 인식용 특징량을 이용하여, 상기 소정의 정보로부터, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 상기 특징량중 상기 인식용 특징량에 합치하는 특징량을 취득하여, 상기 인식용 특징량에 합치하는 상기 특징량의 N차원 이하의 조합인 특징량 조합을 복수 생성하는 조합 생성 수단과; 상기 조합 생성 수단에 의해 생성된 복수의 상기 특징량 조합과 복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량과의 상관계수를 산출하고, 상기 상관계수를 이용하여 상기 학습기를 이용한 상기 소정의 정보의 분류 처리를 실행하는 분류 처리 실행 수단을 포함한다.
상기 인식 장치에서, 상기 인식용 특징량은, 상기 학습기에서 이용되는, 어느 특징점의 어느 로컬 특징량인지를 나타내는 정보가 된다.
상기 인식 장치에서, 상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 이하의 조합은, 상기 N차원의 상기 특징량을 구성하는 요소를, 성질마다 분류한 행렬내의 연속하는 영역에 포함되는 상기 특징량의 복수의 조합이 된다.
상기 인식 장치에서, 상기 특징량은, 복수의 가보 필터중 어느 필터에 의해 취득된 특징량이 된다.
상기 인식 장치에서, 상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 이하의 조합은, 상기 복수의 가보 필터의 필터 주파수와 필터의 방향에 의해분류되어 생성된 행렬내의 연속하는 영역에 포함되는 상기 특징량이 조합된 복수의 조합이 된다.
상기 인식 장치에서, 상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 이하의 조합은, 상기 복수의 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류되어 생성된 행렬내의 소정의 범위에 있는 필터 주파수와 필터의 방향을 포함하기 위한 직사각형 영역에 포함되는 상기 특징량이 조합된, 복수의 조합이 된다.
상기 인식 장치에서, 상기 분류 처리 실행 수단은, 부스팅 알고리즘을 이용하여, 상기 소정의 정보를 분류한다.
본 발명의 다른 제 3의 실시예에 따라, 본 발명을 실행시키기 의해서, 상기 인식 장치에서, 학습의 처리의 결과로 얻어지는 소정의 학습기와 인식용 특징량의 정보를 기억하는 저장부를 가지며, N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 소정의 정보를 분류하는 인식 처리를 실시하는 인식 장치의 정보 인식 방법이 제공된다. 이러한 인식 방법은, 상기 저장부에 기억되어 있는 상기 학습기 및 상기 인식용 특징량을 이용하여, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 상기 특징량중 상기 인식용 특징량에 합치하는 특징량을 취득하는 스텝과; 상기 저장부에 기억되어 있는 상기 학습기 및 상기 인식용 특징량을 이용하여, 상기 소정의 정보로부터, 상기 인식용 특징량에 합치하는 상기 특징량의 N차원 이하의 조합인 특징량 조합을 복수 생성하는 스텝과; 복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하는 스텝과; 생성된 복수의 상기 특징량 조합과 복수의 상기 특징량 조합의 각각의 차원에 합치한 상기 등록 특징량과의 상관계수를 산출하는 스텝과; 상기 상관계수를 이용하여, 상기 학습기를 이용한 상기 소정의 정보의 분류 처리를 실행하는 스텝을 포함한다.
본 발명의 또 다른 제 3의 실시예에 따라, 본 발명을 실행시키기 의해서, 저장부에 기억되어 있으며, 학습 처리의 결과 얻어지는 소정의 학습기와 인식용 특징량의 정보를 이용하여, N차원(N은 2이상의 정수)의 특징량을 취득하고, 소정의 정보를 분류하는 인식 처리를 실시하는 처리를 컴퓨터에 실행시키기 위한 프로그램이 제공된다. 이러한 프로그램은, 상기 저장부에 기억되어 있는 상기 학습기 및 상기 인식용 특징량을 이용하여, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 상기 특징량중 상기 인식용 특징량에 합치하는 특징량을 취득하는 스텝과; 상기 저장부에 기억되어 있는 상기 학습기 및 상기 인식용 특징량을 이용하여, 상기 소정의 정보로부터, 상기 인식용 특징량에 합치하는 상기 특징량의 N차원 이하의 조합인 특징량 조합을 복수 생성하는 스텝과; 복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하는 스텝과; 생성된 복수의 상기 특징량 조합과 복수의 상기 특징량 조합의 각각의 차원에 합치한 상기 등록 특징량과의 상관계수를 산출하는 스텝과; 상기 상관계수를 이용하여, 상기 학습기를 이용한 상기 소정의 정보의 분류 처리를 실행하는 스텝을 포함한다.
본 발명의 상기 제 3의 실시예들에서는, 학습 처리의 결과로 얻어지는 소정의 학습기와 인식용 특징량의 정보를 이용하고, 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 특징량 중 인식용 특징량에 합치하는 특징량이 취득되고, 소정의 정보로부터, 인식용 특징량에 합치하는 특징량의 N차원 이하의 조합인 특징량 조합이 복수 생성되며, 복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량의 취득을 제어하고, 생성된 복수의 특징량 조합과 복수의 특징량 조합의 각각의 차원에 합치한 상기 등록 특징량과의 상관계수가 산출되고, 상관계수가 이용되어, 학습기를 이용한 소정의 정보의 분류 처리가 실행된다.
네트워크란, 적어도 2개의 장치가 접속되어 있는 장치로부터, 다른 장치에 대해, 정보의 전달을 할 수 있도록 설계된 구조를 말한다. 네트워크를 통해 통 신하는 장치는, 독립한 장치이거나 또는, 1개의 장치에 내장되어 잇는 블록 형태가 될 수 있다.
화상 처리 장치는, 독립한 장치 또는 정보처리 장치나 인식 장치의 화상 처리를 실시하는 블록이어도 좋다.
본 발명의 실시예들에 따라 기재한 바와 같이, 분류 처리를 위한 학습이 실행된다. 특히, 학습의 결과 실행되는 분류의 정확도는 특징점의 수를 증가시키지 않고 특징량의 수를 현저하게 증가시킴으로써 향상될 수 있다.
본 발명의 다른 실시예들에 따르면, 분류 처리가 실행될 수 있다. 그러므로, 분류의 정확도는 특징점의 수를 증가시키지 않고 특징량의 차원수를 증가시킴으로써 크게 향상될 수 있다.
본 발명은 첨부 도면과 보기에 의해 더욱 상세하게 설명될 것이다. 여기에 기재된 본 발명과 실시예들은 서로 상관 관계를 가지고 있다. 본 기재는 본 발명을 지원하는 실시의 형태가, 명세서 또는 도면에 기재되어 있는 것을 확인하기 위한 것이다. 따라서, 명세서 또는 도면안에는 기재되어 있지만, 본 발명의 구성 요건에 대응하는 실시의 형태로서 여기에는 기재되지 않은 실시의 형태가 있었다고 해도, 그것은, 그 실시의 형태가, 그 구성 요건에 대응하지 않는다는 것을 의미하지 않는다. 반대로, 실시의 형태가 구성 요건에 대응하는 것으로서 여기에 기재되어 있었다고 해도, 그것은 그 실시의 형태가, 그 구성 요건 이외의 구성 요건에는 대응하지 않는다는 것을 의미하는 것도 아니다.
본 발명의 제 1의 실시예의 정보처리 장치는, 학습을 실행하기 위해서 준비된 제 1의 정보로부터, N차원(예를 들면, 40차원)의 제 1의 특징량을 취득하고, N차원의 제 1의 특징량을 이용하여, 제 1의 특징량의 N차원 이하의 조합인 제 1의 특징량 조합(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133)에 대응하는 특징량의 조합)을 복수 생성하는 조합 생성 수단(예를 들면, 도 1의 로컬 특징 계산부(71))과; 조합 생성 수단에 의해 생성된 복수의 제 1의 특징량 조합과 복수의 제 1의 특징량 조합의 각각의 차원에 합치한 학습용 모델 특징량과의 제 1의 상관계수를 산출하며, 제 1의 상관계수를 이용하여, 제 1의 정보의 분류 처리를 실시하는 것으로, 소정의 제 2의 정보의 분류 처리를 행하기 위한 학습 처리를 실행하는 학습 처리 실행 수단(예를 들면, 도 1의 학습기 생성부(72))을 갖춘다.
조합 생성 수단은, N차원의 제 1의 특징량을 구성하는 요소를, 성질(예를 들면, 필터 주파수 또는 필터의 방향 등)마다 분류한 행렬내의 연속하는 영역(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133))에 포함되는 제 1의 특징량을 조합하고, 제 1의 특징량 조합을 복수 생성할 수 있다.
N차원의 제 1의 특징량은, N개의 가보 필터(예를 들면, 도 2의 40 종류의 가보 필터)에 의해서 취득된 특징량이 된다.
조합 생성 수단은, N종류의 가보 필터에 의해서 취득된 특징량에 대하고, 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류해 생성한 matrices에 대해 연속하는 영역(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133)) 에 포함되는 제 1의 특징량을 조합하여 제 1의 특징량 조합을 복수 생성할 수 있다.
조합 생성 수단은, N개의 가보 필터에 의해서 취득된 특징량에서, 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류하여 생성한 행렬내의, 필터 주파수와 필터의 방향이 소정의 범위가 되는 직사각형 영역(예를 들면, 도 3의 직사각형 (131), 직사각형(132), 직사각형(133))에 포함되는 제 1의 특징량을 조합하여 제 1의 특징량 조합을 복수 생성할 수 있다.
학습 처리 실행 수단은, 부스팅 알고리즘(예를 들면, Discrete Adaboost Algorithm 또는 Gentle Adaboost Algorithm)을 이용하고, 제 1의 정보를 분류하여 학습 처리를 실행할 수 있다.
조합 생성 수단은, 제 2의 정보로부터, 학습 처리 실행 수단에 의해 실행된 학습 처리에 대해 생성되는 소정의 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 제2의 특징량을 취득하고, 학습기에 근거하여 미리 결정되어 있는 제 2의 특징량의 N차원 이하의 조합인 제 2의 특징량 조합을, 복수개 추가로 생성할 수 있으며, 조합 생성 수단에 의해 생성된 복수의 제 2의 특징량 조합과 복수의 제 2의 특징량 조합의 각각의 차원에 합치한 등록 특징량과의 제 2의 상관계수를 산출하며, 제 2의 상관계수와, 학습기를 이용하여 제 2의 정보의 분류 처리를 실행하는 분류 처리 실행 수단(예를 들면, 도 1의 안면 인식부(74))을 추가로 갖추게 하도록 할 수 있다.
본 발명의 제 1의 실시예에 따르는 정보처리 방법은, 분류 처리를 위한 학습 을 실시하는 정보처리 장치의 정보처리 방법이며, 학습을 실행하기 위해서 준비된 제 1의 정보로부터, N차원(예를 들면, 40차원)의 제 1의 특징량을 취득하고(예를 들면, 도 9의 스텝(S34)의 처리); N차원의 제 1의 특징량을 이용하여, 제 1의 특징량의 N차원 이하의 조합인 제 1의 특징량 조합(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133)에 대응하는 특징량의 조합)을 복수 생성하며(예를 들면, 도 9의 스텝(S35)의 처리); 복수의 제 1의 특징량 조합의 각각의 차원에 합치한 학습용 모델 특징량을 취득하고, 복수의 제 1의 특징량 조합과 학습용 모델 특징량과의 제 1의 상관계수를 산출하며(예를 들면, 도 9의 스텝(S36)의 처리); 제 1의 상관계수를 이용하여, 제 1의 정보의 분류 처리를 실행하는 것으로써, 소정의 제 2의 정보의 분류 처리를 행하기 위한 학습 처리를 실행하는(예를 들면, 도 9의 스텝(S37)의 처리이며, 도 10을 이용하여 설명한 처리)스텝을 포함한다.
상술한 정보처리 방법은, 분류 처리에 의해 분류되기 위해서 공급된 제 2의 정보로부터, 학습 처리에 의한 학습의 결과로 얻어지는 학습기에 근거하여 미리 결정되어 있는 N차원(예를 들면, 40차원) 이하의 제 2의 특징량의 취득을 제어하며(예를 들면, 도 11의 스텝(S134)의 처리); N차원 이하의 제 2의 특징량을 이용하여, 학습기에 근거하여 미리 결정되어 있는 제 2의 특징량의 N차원 이하의 조합인 제 2의 특징량 조합(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133)에 대응하는 특징량의 조합)을 복수 생성하며(예를 들면, 도 11의 스텝(S136)의 처리); 복수의 제 2의 특징량 조합의 각각의 차원에 합치한 등록 특징 량의 취득을 제어하며(예를 들면, 도 11의 스텝(S37)의 처리); 복수의 제 2의 특징량 조합과 등록 특징량과의 제 2의 상관계수를 산출하며, 학습 처리에 의한 학습의 결과로 얻어지는 학습기(예를 들면, L개의 약학습기(weak learners)(fjk)) 및 제 2의 상관계수를 이용하여, 제 2의 정보의 분류 처리를 실행하는(예를 들면, 도 11의 스텝 (S138)의 처리) 스텝을 더욱 포함할 수 있다.
본 발명의 제 1의 실시예에 따르는 프로그램은, 분류 처리를 위한 학습을 컴퓨터에 실행시키기 위한 프로그램이며, 학습을 실행하기 위해서 준비된 제 1의 정보로부터, N차원 (예를 들면, 40차원)의 제 1의 특징량의 취득을 제어하며(예를 들면, 도 9의 스텝(S34)의처리); N차원의 제 1의 특징량을 이용하고, 제 1의 특징량의 N차원 이하의 조합인 제 1의 특징량 조합(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133)에 대응하는 특징량의 조합)을 복수 생성하며(예를 들면, 도 9의 스텝(S35)의 처리); 복수의 제 1의 특징량 조합의 각각의 차원에 합치한 학습용 모델 특징량의 취득을 제어하고, 복수의 제 1의 특징량 조합과 학습용 모델 특징량과의 제 1의 상관계수를 산출하며(예를 들면, 도 9의 스텝(S36)의 처리); 제 1의 상관계수를 이용하고, 제 1의 정보의 분류 처리를 실시하여, 소정의 제 2의 정보의 분류 처리를 행하기 위한 학습 처리를 실행하는(예를 들면, 도 10을 이용하여 설명한 처리) 스텝을 포함한 처리를 컴퓨터에 실행시킨다.
상술한 프로그램은, 분류 처리에 의해 분류되기 위해서 공급된 제 2의 정보로부터, 학습 처리에 의한 학습의 결과로 얻어지는 학습기에 근거하여 미리 결정되어 있는 N차원(예를 들면, 40차원) 이하의 제 2의 특징량을 취득히며(예를 들면, 도 11의 스텝(S134)의 처리); N차원 이하의 제 2의 특징량을 이용하고, 학습기에 근거하여 미리 결정되어 있는 제 2의 특징량의 N차원 이하의 조합인 제 2의 특징량 조합(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133)에 대응하는 특징량의 조합)을 복수 생성하며(예를 들면, 도 11의 스텝(S136)의 처리); 복수의 제 2의 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하며(예를 들면, 도 11의 스텝(S37)의 처리); 복수의 제 2의 특징량 조합과 등록 특징량과의 제 2의 상관계수를 산출하며, 학습 처리에 의한 학습의 결과로 얻어지는 학습기(예를 들면, L개의 약학습기 fjk) 및 제 2의 상관계수를 이용하여, 제 2의 정보의 분류 처리를 실행하는(예를 들면, 도 11의 스텝(S138)의 처리)스텝을 추가로 포함한다.
본 발명의 제 2의 실시예에 따르는 인식 장치는, N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 학습 처리의 결과로 얻어지는 소정의 학습기를 이용하여 소정의 정보를 분류하는 인식 처리를 실시하는 인식 장치이다. 이러한 인식 장치는, 소정의 정보로부터, 학습기에 근거하여 미리 결정되어 있는 N차원(예를 들면, 40차원) 미만의 소정의 특징량을 취득하고, 학습기에 근거하여 미리 결정되어 있는 특징량의 N차원 미만의 조합인 특징량 조합(예를 들면, 도 3의 직사각형 (131), 직사각형(132), 직사각형(133)에 대응하는 특징량의 조합)을 복수 생성하는 조합 생성 수단(예를 들면, 도 1의 로컬 특징 계산부(71))과; 조합 생성 수단에 의해 생성된 복수의 특징량 조합과 복수의 특징량 조합의 각각의 차원에 합치한 등록 특징량(예를 들면, 안면 등록 데이터 베이스(35)에 등록되어 있는 등록안면 화상 데이터)과의 상관계수를 산출하며, 상관계수를 이용하고, 학습기에 근거하여 소정 의 정보의 분류 처리를 실행하는 분류 처리 실행 수단(예를 들면, 도 1의 안면 인식부(74))을 갖춘다.
상술한 인식 장치에서, 학습기에 근거하여 미리 결정되어 있는 특징량의 N차원 미만의 조합은, N차원의 특징량을 구성하는 요소를, 성질(예를 들면, 필터 주파수 또는 필터의 방향 등)마다 분류한 행렬내의 연속하는 영역(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133))에 포함되는 특징량의 복수의 조합이 된다.
상술한 인식 장치에서, 특징량은, 복수의 가보 필터(예를 들면, 도 2의 40 개의 가보 필터) 중 어느 필터에 의해 취득된 특징량이다.
상술한 인식 장치에서, 학습기에 근거하여 미리 결정되어 있는 특징량의 N차원 미만의 조합은, 복수의 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류하여 생성한 행렬내의 연속하는 영역(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133))에 포함되는 특징량을 조합한, 복수의 조합이다.
상술한 인식 장치에서는, 학습기에 근거하여 미리 결정되어 있는 특징량의 N차원 미만의 조합은, 복수의 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류하여 생성한 행렬내에서, 필터 주파수와 필터의 방향이 소정의 범위가 되는 직사각형 영역(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133))에 포함되는 특징량을 조합한, 복수의 조합이다.
상술한 인식 장치에서, 분류 처리 실행 수단은, 부스팅 알고리즘(예를 들면, Discrete Adaboost Algorithm 또는 Gentle Adaboost Algorithm)을 이용하여, 소정 의 정보를 분류한다.
본 발명의 제 2의 실시예에 따르는 정보 인식 방법은, N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 학습 처리의 결과로 얻어지는 소정의 학습기를 이용하여 소정의 정보를 분류하는 인식 처리를 실행하는 인식 장치의 정보 인식 방법이다. 상술한 정보 인식 방법은, 분류 처리에 의해 분류되는 소정의 정보의 공급을 받아 소정의 정보로부터, 학습기에 근거하여 미리 결정되어 있는 N차원(예를 들면, 40차원) 미만의 소정의 특징량의 취득을 제어하고(예를 들면, 도 11의 스텝(S134)의 처리); N차원 미만의 특징량을 이용하고, 학습기에 근거하여 미리 결정되어 있는 특징량의 N차원 미만의 조합인 특징량 조합(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133)에 대응하는 특징량의 조합)을 복수 생성하고(예를 들면, 도 11의 스텝(S136)의 처리); 복수의 특징량 조합의 각각의 차원에 합치한 등록 특징량(예를 들면, 안면 등록 데이터 베이스(35)에 등록되어 있는 등록안면 화상 데이터)의 취득을 제어하며(예를 들면, 도 11의 스텝(S137)의 처리), 복수의 특징량 조합과 등록 특징량과의 상관계수를 산출하며, 상관계수를 이용하여, 소정의 정보를 분류하는(예를 들면, 도 11의 스텝(S138)의 처리) 스텝을 포함한다.
본 발명의 제 2의 실시예에 따르는 프로그램은, N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 학습 처리의 결과로 얻어지는 소정의 학습기를 이용하여 소정의 정보를 분류하는 인식 처리를 컴퓨터에 실행시키기 위한 프로그램이다. 이러한 프로그램은, 분류 처리에 의해 분류되는 소정의 정보의 공급을 받아 소정의 정보로부터, 학습기에 근거하여 미리 결정되어 있는 N차원(예를 들면, 40차원) 미만의 특징량을 취득하고(예를 들면, 도 11의 스텝(S134)의 처리), N차원 미만의 특징량을 이용하고, 학습기에 근거하여 미리 결정되어 있는 특징량의 N차원 미만의 조합인 특징량 조합(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133)에 대응하는 특징량의 조합)을 복수 생성하며(예를 들면, 도 11의 스텝 (S136)의 처리); 복수의 특징량 조합의 각각의 차원에 합치한 등록 특징량(예를 들면, 안면 등록 데이터 베이스(35)에 등록되어 있는 등록안면 화상 데이터)을 취득하며(예를 들면, 도 11의 스텝(S137)의 처리), 복수의 특징량 조합과 등록 특징량과의 상관계수를 산출하며, 상관계수를 이용하여, 소정의 정보를 분류하는(예를 들면, 도 11의 스텝(S138)의 처리) 스텝을 포함한 처리를 컴퓨터에 실행시킨다.
본 발명의 제 3의 실시예에 따르는 인식 장치는, N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 소정의 정보를 분류하는 인식 처리를 실시하는 인식 장치(예를 들면, 도 14의 화상 처리 장치(201))이다. 이러한 인식 장치는, 학습 처리의 결과로 얻어지는 소정의 학습기와 인식용 특징량의 정보를 기억하는 기억 수단(예를 들면, 도 14의 학습 데이터 저장부(223))과; 기억 수단에 의해 기억되어 있는 학습기 및 인식용 특징량을 이용하여, 소정의 정보로부터, 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 특징량중 인식용 특징량에 합치하는 특징량을 취득하고, 인식용 특징량에 합치하는 특징량의 N 차원(예를 들면, 40차원) 이하의 조합인 특징량 조합을 복수 생성하는 조합 생성 수단(예를 들면, 도 14의 로컬 특징 계산부(221))과; 조합 생성 수단에 의해 생성된 복수의 특징량 조합과 복수의 특징량 조합의 각각의 차원에 합치한 등록 특징량(예를 들면, 안면 등록 데이터 베이스(35)에 등록되어 있는 등록안면 화상 데이터)와의 상관계수를 산출하며, 상관계수를 이용하고, 학습기에 근거하여 소정의 정보의 분류 처리를 실행하는 분류 처리 실행 수단(예를 들면, 도 14의 안면 인식부(22))을 갖춘다.
상술한 인식 장치에서, 학습기에 근거하여 미리 결정되어 있는 특징량의 N차원 이하의 조합은, N차원의 특징량을 구성하는 요소를, 성질(예를 들면, 필터 주파수 또는 필터의 방향 등)마다 분류한 행렬내의 연속하는 영역(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133))에 포함되는 특징량의 복수의 조합이다.
상술한 인식 장치에서, 특징량은, 복수 종류의 가보 필터(예를 들면, 도 2의 40개의 가보 필터) 중 어느 필터에 의해 취득된 특징량이다
상술한 인식 장치에서, 학습기에 근거하여 미리 결정되어 있는 특징량의 N차원 이하의 조합은, 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류하여 생성한 행렬내의 연속하는 영역(예를 들면, 도 3의 직사각(131), 직사각형(132), 직사각형(133))에 포함되는 특징량을 조합한, 복수의 조합이다.
상술한 인식 장치에서, 학습기에 근거하여 미리 결정되어 있는 특징량의 N차원 이하의 조합은, 복수개의 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류하여 생성한 행렬내에서, 필터 주파수와 필터의 방향이 소정의 범위가 되는 직사각형 영역(예를 들면, 도 3의 직사각형(131), 직사각형(132), 직사각형(133))에 포함되는 특징량을 조합한, 복수의 조합이다.
상술한 인식 장치에서, 분류 처리 실행 수단은, 부스팅 알고리즘(예를 들면, Discrete Adaboost Algorithm 또는 Gentle Adaboost Algorithm)을 이용하여, 소정의 정보를 분류할 수 있다.
본 발명의 제 3의 실시예에 따르는 정보 인식 방법은, 학습 처리의 결과로 얻어지는 소정의 학습기와 인식용 특징량의 정보를 기억하는 저장부를 가지며, N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 소정의 정보를 분류하는 인식 처리를 실시하는 인식 장치(예를 들면, 도 14의 화상 처리 장치(201))의 정보 인식 방법이다. 이러한 정보 인식 방법은, 저장부에 기억되어 있는 학습기 및 인식용 특징량을 이용하고, 학습기에 근거하여 미리 결정되어 있는 N차원(예를 들면, 40차원) 이하의 소정의 특징량중 인식용 특징량에 합치하는 특징량을 취득하며(예를 들면, 도 15의 스텝(S215)의 처리); 저장부에 기억되어 있는 학습기 및 인식용 특징량을 이용하여, 소정의 정보로부터, 인식용 특징량에 합치하는 특징량의 N차원 이하의 조합인 특징량 조합을 복수 생성하며(예를 들면, 도 15의 스텝 (S216)의 처리), 복수의 특징량 조합의 각각의 차원에 합치한 등록 특징량(예를 들면, 안면 등록 데이터 베이스(35)에 등록되어 있는 등록안면 화상 데이터)의 취득을 제어하며(예를 들면, 도 15의 스텝(S217)의 처리), 생성된 복수의 특징량 조합과 복수의 특징량 조합의 각각의 차원에 합치한 등록 특징량과의 상관계수를 산출하며, 상관계수를 이용하고, 학습기에 근거하여 소정의 정보의 분류 처리를 실행하는(예를 들면, 도 15의 스텝(S218)의 처리) 스텝을 포함한다.
본 발명의 제 3의 실시예에 따르는 프로그램은, 저장부에 기억되어 있는, 학 습 처리의 결과로 얻어지는 소정의 학습기와 인식용 특징량의 정보를 이용하여, N차원(N은 2이상의 정수)의 특징량을 취득하고, 소정의 정보를 분류하는 인식 처리를 실시하는 처리를 컴퓨터에 실행시키기 위한 프로그램이다. 이러한 프로그램은, 저장부에 기억되고 있는 학습기 및 인식용 특징량을 이용하고, 학습기에 근거하여 미리 결정되어 있는 N차원(예를 들면, 40차원) 이하의 소정의 특징량중 인식용 특징량에 합치하는 특징량을 취득하며(예를 들면, 도 15의 스텝(S215)의 처리); 저장부에 기억되어 있는 학습기 및 인식용 특징량을 이용하여, 소정의 정보로부터, 인식용 특징량에 합치하는 특징량의 N차원 이하의 조합인 특징량 조합을 복수 생성하며(예를 들면, 도 15의 스텝(S216)의 처리), 복수의 특징량 조합의 각각의 차원에 합치한 등록 특징량(예를 들면, 안면 등록 데이터 베이스(35)에 등록되어 있는 등록안면 화상 데이터)의 취득을 제어하며(예를 들면, 도 15의 스텝(S217)의 처리); 생성된 복수의 특징량 조합과, 복수의 특징량 조합의 각각의 차원에 합치한 등록 특징량과의 상관계수를 산출하며, 상관계수를 이용하고, 학습기에 근거하여 소정의 정보의 분류 처리를 실행하는(예를 들면, 도 15의 스텝(S218)의 처리) 스텝을 포함한 처리를 컴퓨터에 실행시킨다.
다음은 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하고 있다.
이하, 도 1을 참조하면, 화상 처리 장치(11)의 구성을 나타내는 블럭도가 도시되어 있다.
화상 처리 장치(11)는, 인물의 촬상 화상을 이용하여, 화상 인식 처리를 실행하며, 그 인물이 등록된 인물인가 아닌가를 판정하는 처리를 실행할 수 있다.
화상 처리 장치(11)는, 학습 모드와 인식 모드의 2개의 동작 모드로 동작한다. 학습 모드란, 학습용의 화상을 이용하여, 인식 모드에 있어서의 인식 처리에 이용하는 학습기를 생성하는 처리를 실행한다. 인식 모드란, 학습 모드에 의해서 생성된 학습기를 이용하여 화상을 인식하고, 인식 대상의 화상이, 등록된 인물의 안면을 포함하는 것인지 아닌지를 판정하는 처리를 실행한다.
화상 처리 장치(11)는, 화상 취득부(31), 안면 검출부(32), 안면 화상 변환부(33), 안면 인식 처리부(34), 안면 등록 데이터 베이스(35) 및 인식 결과 출력부 (36)로 구성되어 있다.
화상 처리 장치(11)에 안면 등록 데이터 베이스(35)가 포함되어 있다고 가정하면서 설명을 계속하지만, 안면 등록 데이터 베이스(35)는, 네트워크 등을 통해, 화상 처리 장치(11)에 접속되어 있는 구성으로 하는 것도 가능하다. 네트워크 등을 통해 안면 등록 데이터 베이스(35)가 접속되면, 복수의 화상 처리 장치(11)는 한 개의 안면 등록 데이터 베이스(35)를 공유하는 것이 가능해진다.
화상 취득부(31)는, 예를 들면, 카메라 등을 포함한 구성으로 되므로 사람을 촬상하는 기능을 가지는지, 또는, 외부에 배치된 카메라, 혹은, 다른 장치로부터, 촬상된 사람의 화상을 취득한다. 화상 취득부(31)에 의해 취득되는 화상은, 사람의 안면의 부분이 적어도 포함되는 화상이다. 화상 취득부(31)에 취득된 화상은, 안면 검출부(32)에 공급된다.
화상 취득부(31)는, 학습 모드에서, 예를 들면, 촬상 화상중의 안면의 크기와 방향이 다른 특별한 사람을 학습하기 위해 두 개 이상의 화상을 촬상하고, 그 인물의 안면의 화상을 포함하지 않는 화상을 복수 취득한다. 그 인물의 정면의 안면 화상의 소정의 특징점에 있어서의 특징량이, 학습 처리에 있어서의 학습용 모델 특징량으로서 학습에 이용된다.
게다가, 화상 취득부(31)는, 인식 모드에서, 인식 대상이 되는 인물의 안면의 부분을 포함한 촬상 화상을 취득한다.
안면 검출부(32)는, 화상 취득부(31)로부터 공급된 화상을 해석하여, 사람의 안면의 부분(안면의 위치와 크기)을 추출하고, 추출된 사람의 안면의 부분의 화상(이하, 안면 화상이라고 칭한다)을 검출한다. 화상 취득부(31)로부터 공급되는 화상은, 인식 대상의 이용자의 안면을 포함한다. 그러나, 가끔, 화상은 안면이 아니라, 전신상(whole body of person)이 된다. 안면 검출부(32)는, 그러한 화상으로부터, 사람의 안면의 영역을 판단하여, 사람의 안면의 부분에 대응하는 화상을 추출한다. 검출된 안면 화상은, 안면 화상 변환부(33)의 안면 특징점 검출부(51) 및 안면 얼라이먼트부(alignment block : 52)에 공급된다.
안면 화상 변환부(33)는, 안면 특징점 검출부(51) 및 안면 얼라이먼트부(52)로부터 구성된다.
안면 특징점 검출부(51)는, 안면 검출부(32)로부터 공급된 안면 화상에 근거하여, 후술하는 안면 얼라이먼트부(52)에 의한 모핑(morphing) 처리에 이용되는 얼라이먼트용 특징점을 검출한다. 얼라이먼트용 특징점은, 예를 들면, 목, 코, 또는 입과 같은 사람의 안면내의 특징이 되는 부분이다. 즉, 안면 특징 부분이다. 또한, 안면 특징점 검출부(51)는, 안면 특징 부분보다 더욱 상세한 특징점을 검출 할 수 있다.
안면 특징점 검출부(51)는, 예를 들면, AAM(Active Appearance Models)이라고 칭해지는 방법 등을 적용하여, 특징 위치를 검출하는 것이 가능하다.
안면 얼라이먼트부(52)는, 안면 검출부(32)로부터 공급된 안면 화상 및 안면 특징점 검출부(51)에 의해 검출된 얼라이먼트용 특징점을 해석하여, 추출된 안면이, 어느 방향으로 향하고 있는지를 검출하며, 안면 특징 위치가 기준 위치에 배치되도록, 아핀(affine) 변환 등의 모핑 처리를 실시한다. 이에 의해, 예를 들면 정면에서 본 안면의 화상인 경우에는, 좌우의 눈이 수평인 위치에서 소정의 거리만큼 분리되도, 좌우의 눈사이의 중간점 아래에 코가 위치하고, 그 코보다 더 하부에 입이 위치하도록 모핑 처리를 실시한다. 안면 검출부(32)로부터 공급된 안면 화상이 정면을 향하지 않아도, 정면을 향했을 경우의 안면 화상과 거의 동일한 방법으로 변환된다.
안면 인식 처리부(34)는, 로컬 특징 계산부(71), 학습기 생성부(72), 학습 데이터 저장부(73) 및 안면 인식부(74)를 포함하여 구성된다.
추출된 특징점이 기준 위치로 고쳐진 안면 화상은, 안면 인식 처리부(34)의 로컬 특징 계산부(71)에 공급된다. 로컬 특징 계산부(71)는, 공급된 안면 화상의 복수의 특징점에 있어서의 로컬적인 특징량을 계산한다. 로컬 특징량을 구하기 위한 특징점은, 안면 특징점 검출부(51)에 대해 검출된 얼라이먼트용 특징점과 동일해도 좋고, 안면 특징점 검출부(51)에 대해 검출된 얼라이먼트 특징점과는 완전히 다른 복수의 점(예를 들면, 후술하는 도 7에 있어 십자가로 표시된 복수의 점 들)이어도 좋다. 로컬 특징 계산부(71)는, 가보 필터(Gabor Filter)로 구성된다.
여기서, 가보 필터의 처리(가보 필터링)에 대해 설명한다.
인간의 시각 세포에는, 어느 특정의 방위에 대해서 선택성을 가지는 세포가 존재하는 것이 이미 알려져 있다. 이러한 세포들은, 수직의 선에 대해서 반응하는 세포와 수평의 선에 반응하는 세포로 구성된다. 가보 필터는, 이러한 세포들과 같이, 방위 선택성을 가지는 복수의 필터로 구성되는 공간 필터이다.
가보 필터는, 가보 함수에 의해서 공간 표현된다. 가보 함수 g(x, y)는, 다음의 식 (1)에 기재된 바와 같이, 코사인 성분으로 구성되는 캐리어 s(x, y)와 2 차원 가우스 분석 엔벨로프(envelope) Wr(x, y)로 구성된다.
(식 1)
캐리어 s(x, y)는, 지수 함수를 이용하여, 다음의 식(2)와 같이 표현된다. 여기서, 좌표치(u0,ｖ0)는 공간 주파수를 나타내며, 또 P는 코사인 성분의 위상을 나타낸다.
(식 2)
식 (2)에 표시된 캐리어는, 다음의 식 (3)에 표시된 바와 같이, 실수 성분 Re(s(x, y))와 허수 성분 Im(s(x, y))로 분리할 수 있다.
(식 3)
한편, 2 차원 가우스 분포로 구성되는 엔벨로프는, 다음의 식 (4)와 같이 표현된다.
(식 4)
여기서, 좌표축(x0, y0)은 이 함수의 피크이며, 정수 a 및 b는 가우스 분포의 스케일 파라미터이다.
또, 첨자 r은, 다음의 식 (5)에 표시된 회전 조작을 의미한다.
(식 5)
따라서, 상술의 식 (2) 및 식 (4)로부터, 가보 필터는, 다음 식에 표시된 공간 함수로서 표현된다.
(식 6)
로컬 특징 계산부(71)는, 각각 다른 방향 및 주파수를 가지는 복수의 가보 필터를 이용하여, 각각의 특징량을 계산한다. 로컬 특징 계산부(71)는, 8개의 방향과 5가지 주파수를 채용하고, 합계 40개의 가보 필터를 이용하여, 각각의 특징점의 특징량을 계산하는 처리를 실시하는 것으로 한다.
도 2는, 40개의 가보 필터를, 스케일 및 방향을 기본으로 하여 배치한 경우의 일례를 나타내는 것이다. 도 2에서는, 세로축이 주파수 방향의 변화량을 나타내며, 상부에서는 주파수가 증가하고, 하부에서는 감소한다. 도면에서는, 횡축이 필터 방향(각도)의 변화량을 나타내며, 제일 왼쪽이 0도에 대응하며, 오른쪽으로 가는 만큼 각도가 증가하여 중앙 부분이 90도에 대응하며, 제일 오른쪽이 가장 180도에 가까운 각도에 대응한다. 즉, 도 2의 필터의 배열에서는, 제일 왼쪽의 열의 필터와 제일 오른쪽의 열의 필터는, 각도의 변화에 따라 서로 연속하는 필터이다.
가보 필터의 응답은, Gi를 i번째의 가보 필터로 하고, i번째의 가보 필터의 결과(Gabor Feature)를 Ji로 히며, 입력 이미지를 I로 하면, 디음 식으로 표시된다.
(식 7)
즉, 40개의 가보 필터가 1개의 특징점에 대해서 사용되면, 40개의 특징량을 얻을 수 있다. 환언하면, 1개의 특징점에 대해서, 40개의 파라미터를 가지는 특징량 벡터를 얻을 수 있다.
로컬 특징 계산부(71)에 의해 산출된 특징량은, 학습 모드에서는, 학습기 생성부(72)에 공급되며, 인식 모드에서는, 안면 인식부(74)에 공급된다.
특징 벡터를 구성하는 가보 제트(Gabor Jet)에 대해서는, 여러가지 주파수 및 방향 파라미터를 가지는 것이 준비되어 있지만, 종래의 가보 필터링에 대해서는, 그러한 파라미터는, 모든 특징점에 대해서 공통으로 사용되는 것이 많다.
그렇지만, 화상의 특징을 구하는 경우, 특히 안면 화상의 특징을 구하는 경우에는, 특징점의 위치에 의해서 특징을 기술하는데 필요한 주파수 및 방향 파라미터가 다르기 때문에, 각각의 특징점에서는 불필요한 파라미터가 존재할 가능성이 있다.
그리고, 이러한 불필요한 파라미터로부터 얻어진 기보 제트는, 일반적으로 그 특징점의 로컬 특징과 무상관인 값을 취득할 수 있는 가능성이 높기 때문에, 그것들을 포함한 로컬 특징 벡터간에 상관계수를 구하는 경우, 얻을 수 있는 결과에 악영향을 미칠 가능성이 있다.
또, 어느 특징점의 로컬 특징이 복수의 독립적인 요인(예를 들면, 표정, 개인성, 안경 등)으로 표현되고 있는 경우, 모든 가보 제트로 구성되는 로컬 특징 벡터간의 상관치로부터, 그러한 요인간의 독립적인 상관을 평가하는 것이 불가능하다.
상술한 것처럼, 이 로컬 특징 계산부(71)는, 8개의 방향과 5개의 주파수를 채용하고, 합계 40개의 가보 필터를 이용하여, 각각의 특징점의 특징량을 계산하는 것이 가능하다.
그러므로, 로컬 특징 계산부(71)는, 학습 모드에서, 40개의 가보 필터에 의해 얻을 수 있는 특징중 적어도 일부를 포함한 복수 차원의 특징 벡터들의 두 개 이상의 조합들을, 각각의 특징점의 로컬 특징량으로서 생성한다.
확실하게, 이러한 조합들은, 40개의 가보 필터에 의해 얻을 수 있는 모든 특징량을 포함한 조합을 포함할 수 있다. 즉, 40차원의 특징 벡터가 포함되어 있어도 좋다.
환언하면, 로컬 특징 계산부(71)는, 1개의 특징점에 대해서, 40개 이하의 파라미터를 가지는 복수의 특징량 벡터를 얻을 수 있다. 즉, 한 개의 안면 화상에 대해서, N개의 특징점에 있어서의 로컬 특징량이 계산되는 경우, 가보 필터 조합이 P종류가 준비되면, 한 개의 특징점에 대해서, P종류의 특징량 벡터를 얻을 수 있으므로, 한 개의 안면 화상에 대해서, N×P의 특징량 벡터를 얻을 수 있다.
이러한 로컬 특징량의 조합으로서 가능한 총수 T는, 다음의 식 (8)에서 나타나는 수가 된다.
(식 8)
이와 같이, 로컬 특징 계산부(71)는, 40개의 가보 필터에 의해 얻어지는 던 특징량중 일부를, 로컬 특징량으로서 조합하지만, 그 조합으로부터, 로컬 특징량으로서 이용하는 조합을 선택하는 것은, 랜덤 조합이어도 좋다. 그렇지만, 식 (8)에 표시된 바와 같이, 조합의 총수 T는, 매우 큰 값이 된다.
상술한 것처럼, 화상의 특징을 구하는 경우, 특히 안면 화상의 특징을 구하는 경우에는, 특징점의 위치에 의해서 특징을 기술하는데 필요한 주파수 및 방향 파라미터가 다르기 때문에, 각각의 특징점에서는 불필요한 파라미터가 존재할 가능성이 있다. 필요한 파라미터 즉, 특징점에 의해 필요한 주파수대역 및 방향은, 연속한 범위내에 있다고 가정할 수 있다. 그러므로, 모든 가보 필터를 각 스케일과 방향마다 배치한 도 2와 같은 특징 차원으로부터, 예를 들면, 도 3에 나타나는 직사각형(131), 직사각형(132), 직사각형(133)과 같이 소정의 위치와, 크기의 직사각형 영역을 선택하여, 로컬 특징량의 조합을 결정하는 것으로 하면 매우 적합하다.
이와 같이, 가보 필터를, 각 스케일, 방향마다 배치한 특징 차원으로부터 소정의 위치 및 크기의 직사각형 영역을 선택하면, 그 조합은, 최대, 5C2×8P2 =560개가 된다. 그리하여, 합리적인 양만큼 특징 차원 선택이 가능하게 된다. 특징점에 의해 필요한 주파수대역 및 방향이, 조합으로서 선택된 직사각형 영역내에 있는 경우, 환언하면, 로컬 특징과는 무상관인 가보 특징의 직사각형 영역내에 포함되지 않는 경우에는, 무상관인(not correlated) 특징량이 악영향을 미치는 것을 막을 수 있다.
로컬 특징 계산부(71)는, 학습 모드에서, 각각의 특징점에서는, 40 이하의 파라미터를 가지는 복수의 특징량 벡터를, 학습기 생성부(72)에 공급한다. 또, 로컬 특징 계산부(71)는, 인식 모드에서는, 학습 데이터 저장부(73)에 기억되어 있는 인식용 특징량에 근거하여, 대응하는 특징점의 대응하는 로컬 특징량을 계산하 며, 안면 인식부(74)에 공급한다. 인식용 특징량이란, 학습기 생성부(72)의 학습에 의해 생성된 학습기에서 이용되는 어느 특징점의 로컬 특징량(가보 필터의 어느 부분)을 나타내는 정보이다.
이에 의해, 학습기의 생성 및 안면 인식시에 실행되는 상관계수의 산출을, 모든 차원을 이용한 특징량 벡터에 근거하여 한 종류의 상관계수 뿐만 아니라, 일부의 차원을 이용한 특징량 벡터를 포함한 복수의 상관계수에 대해 실시하는 것이 가능해진다. 환언하면, 각각 다른 차원의 복수의 특징량을 학습 및 인식에 이용하는 것이 가능해진다.
학습기 생성부(72)는, 학습 모드에서, 로컬 특징 계산부(71)에 의해 산출된 학습용 화상의 특징량과 미리 보관 유지하고 있는 학습용 모델의 특징량을 이용하여, 아다부스트(Adaboost)를 이용한 통계학습처리를 실행하며, 인식 모드에 있어서의 인식 처리에 이용하는 학습기를 생성하고, 생성된 학습기와 그 학습기에 관한 정보(상관치와 그 학습기의 확실성을 나타내는 정보)를 학습 데이터 저장부(73)에 기억시킨다. 또, 학습기 생성부(72)는, 학습기의 학습의 과정에서, 대상이 되는 안면 화상을 인식하는데 크게 영향을 주는 모델 특징량만을 (151)하고, (151)된 모델 특징량을, 어느 특징점의 어느 로컬 특징량(가보 필터의 어느 직사각형 영역 부분)인지를 나타내는 정보인 인식용 특징량으로서, 학습 데이터 저장부(73)에 공급해 기억시킨다.
아다부스트(Adaboost)란, ?랜덤보다 조금 좋은 약한 식별기?(Weak Learner라고도 칭한다)의 조합에 의해 강한 식별기?를 구축할 수 있다는 이론이며, 1996년 에, Freund 등에 의해 제안되었던 것이다. 학습기 생성부(72)에 의해 생성되는 학습기는, 이?랜덤보다 조금 좋은 약한 식별기?(이하, 약학습기라고도 칭한다)가 되며, 각각의 학습기는, 자신의 앞에 생성된 학습기가 좋지 않다는 인식에 가중치를 두도록 생성된다.
그리고, 인식 처리에는, 다수의 의결에 근거하여, 각각의 약학습기가 어느 정도 신뢰를 가지고 있느냐에 따라, 신뢰도를 구한다.
학습기 생성부(72)의 자세한 것은, 도 6을 이용하여 후술한다.
학습 데이터 저장부(73)에는, 학습기 생성부(72)에 의해 생성된 학습기와 그 학습기에 관한 정보 및 인식용 특징량이 격납된다.
안면 인식부(74)는, 인식 모드에서, 학습 데이터 저장부(73)에 기억되어 있는 학습기를 이용하여, 로컬 특징 계산부(71)에 의해 산출된 특징량과 안면 등록 데이터 베이스(35)에 등록되어 있는 등록안면 화상 데이터를 비교한다. 즉, 상관계수를 계산하여, 등록되어 있는 인물과 일치하는지 아닌지를 판단하여, 판단 결과를 인식 결과 출력부(36)에 공급한다. 즉, 안면 인식부(74)는, 학습 데이터 저장부(73)에 기억되어 있는 학습기의 신뢰도에 근거하여, 학습기의 다수 결정을 실시하여, 등록되어 있는 인물과 일치하는지 아닌지의 판단을 실행한다.
안면 등록 데이터 베이스(35)에는, 등록되어 있는 인물의 인식에 필요한 특징량의 정보가 등록되어 있다. 즉, 안면 등록 데이터 베이스(35)에는, 등록되어 있는 인물의 안면 화상의 모든 특징점에 있어서의 모든 가보 제트가 등록되어 있어도 좋지만, 적어도, 인식용 특징량에 대응하는 특징량의 정보가 등록되어 있으면 좋다.
또, 안면 등록 데이터 베이스(35)에 등록되어 있는 특징량의 데이터(등록안면 화상 데이터)는, 도 1의 화상 취득부(31) 내지 로컬 특징 계산부(71)에 의한 처리의 실행 결과로서 취득되어 등록되는 데이터가 되어도 좋으며 또는, 화상 취득부(31) 내지 로컬 특징 계산부(71)의 처리의 실행 결과로서 얻을 수 있는 데이터와 같은 데이터이면, 외부로부터 취득되어서 등록되는 데이터가 되어도 괜찮다.
인식 결과 출력부(36)는, 안면 인식부(74)로부터 공급된 판단 결과를, 예를 들면, 버저음(buxxer sound), 텍스트 표시, LED 점등 등에 의해서 외부에 통지하거나 판단 결과를 외부의 장치에 출력한다. 구체적으로는, 예를 들면, 인식 결과 출력부(36)는, 예를 들면, 디스플레이 등을 포함해 구성될 수 있으며, 판정 결과를, 메세지 등의 형식으로 표시한다.
예를 들면, 입력된 화상에 포함되는 안면 화상과 일치하는 등록안면 화상이, 안면 등록 데이터 베이스(35)에 등록되어 있었을 경우, 일치하고 있다고 판정된 등록안면 화상와 관련된 사람의 이름 등의 정보가 안면 등록 데이터 베이스(35)로부터 판독되며, 이름 등의 정보가, 인식 결과 출력부(36)에, 판정 결과로서 출력되도록 할 수 있다.
입력된 화상에 포함되는 안면 화상과 일치하는 등록안면 화상이 안면 등록 데이터 베이스(35)에 등록되지 않은 경우, 인식 결과 출력부(36)에, 등록되지 않은안면 화상이 기억되어 있지 않다는 것을 가리키는 정보, 예를 들면, 「미등록의 인물입니다」라는 메세지가, 판정 결과로서 출력되도록 할 수 있다.
이와 같이, 화상 처리 장치(11)는, 특징량을 비교하여, 얻어진 사람의 안면 화상이 등록되어 있는 사람의 안면 화상과 일치하는지 아닌지의 식별을 실시한다.
다음에, 학습기 생성부(72)가 가지는 기능의 상세한 것에 대하여 설명하기 전에, 일반적인 아다부스트의 처리에 대해 설명한다.
한 개의 학습용 화상의 N개(N은 정의 정수)의 특징점의 각각의 특징량을 얻을 수 있는 경우, 학습 처리에서, 각각의 특징점의 특징량과 N개의 학습용 모델 특징량과의 상관계수가 구해진다.
일반적으로, 아다부스트를 이용하여 학습기를 생성하는데, M개(M은 정의 정수)의 학습용 화상이 이용되는 경우, 학습기를 생성하기 위한 특징량으로서 M개의 학습용 화상의 각각의 N개의 특징량과 그것들에 대응하는 N개의 모델 특징량과의 상관계수를 얻을 수 있다. 환언하면, M개의 학습용 화상마다, N개의 모델 특징량의 각각에 대해 얻을 수 있는 상관계수를 파라미터로 하는 N차원의 상관 벡터가, 특징점 마다의 특징량 파라미터로서 생성되게 된다.
예를 들면, M개의 학습용 화상 가운데, 학습용 화상 PI1, PI2가, 인식하려고 하는 대상 물체를 포함한 화상이며, 학습용 화상 PI3 내지 PIM이, 인식하려고 하는 대상 물체를 포함하지 않는 화상이 되는 학습기의 생성의 구체적인 예에 대해 설명한다.
도 4는, 학습용 화상 PI1, PI2가, 인식하려고 하는 대상 물체를 포함한 화상이며, 학습용 화상 PI3 내지 PIM가, 인식하려고 하는 대상 물체를 포함하지 않는 화상인 경우에 얻을 수 있는, 상관계수를 파라미터로 하는 N차원의 벡터, 즉, 학습 기 생성을 위해서 이용되는 특징량을 나타낸다. 도 4에서는, 인식하려고 하는 대상 물체를 포함한 화상에 대해서, [+1]이라고 표기하며, 인식하려고 하는 대상 물체를 포함하지 않는 화상에 대해서, [-1]로 표기하는 것으로 한다.
도 4에 도시된 바와 같이, 학습용 화상 PI1이 되는 (A1, A2,.....AN), 학습용 화상 PI2가 되는(B1, B2,......BN), 학습용 화상 PI3이 되는(C1, C2,.....CN), 그리고, 학습용 화상 PIM이 되는(M1, M2,.....MN)에 각각의 특징점의 특징량이 공급되었을 경우, 특징점 k=1의 특징량은, 그룹 Gr1로 표시된 (A1, B1, C1,.....M1)이며, 특징점 k=2의 특징량은, 그룹 Gr2로 표시된 (A2, B2, C2,......M2)이며, 특징점 k=N의 특징량은, 그룹 GrN로 표시된 (AN, BN, CN,.....MN)이 된다. 즉, N개의 특징점에 대해, 학습용 화상 PIi마다 M개의 특징량의 그룹 Grk가 설정되게 된다.
그리고, 각 학습용 화상 PIi로 설정된 가중치에 따라 각 특징점에서의 드로잉(drawing)에 의해 특징량이 M개 추출된다. 최초의 처리에서는, 어느 가중치 Wi도 동일하기 때문에, M개의 특징량이 추출되면, 확률적으로는 모든 특징량이 선택되게 되므로, 여기에서는, 최초의 처리에서 각 특징점 k에서, 모든 특징량이 선택되는 것으로 한다. 물론, 실제로는, 동일한 특징량이 중복 선택되기도 한다.
다음에, N개의 입력 특징량을 샘플링하여 얻어지는 M개의 입력 특징량은, 제곱의 오름차순, 또는 제곱의 내림차순으로 분류된다. 그리고, 입력 특징량이 추출된 학습용 화상에 인식하려고 하는 대상 물체가 포함되어 있는 화상인지 아닌지를 나타내는 오류 정보, 즉 도 4에 있어서의 [+1] 또는 [-1]에 근거하여, 제곱의 오름차순, 또는 제곱의 내림차순으로 분류된 N개의 입력 특징량의 각각에 대해 어느 임계치가 설정되어 있다면, 그 임계치 주위에서 정오(true and error)가 올바르게 분리되어 있는 지를 나타내는 임계치를 변화시키면서 에러율을 계산한다. 그리하여, 임계치를 설정하여 에러율을 최소화한다. 이러한 임계치는 약학습기로서 설정된다.
구체적으로는, 예를 들면, 특징점 k=1에 대응하는 M개의 특징량이, 도 5에 도시된 바와 같이, L1, A1, C1, B1,.........,M1과 같이, 제곱의 오름차순, 또는 제곱의 내림차순으로 배열되어 있으며, 임계치 이하의 범위에서는, 인식하려고 하는 대상 물체가 없다고 인식하고, 임계치 이상의 범위에서는, 인식하려고 하는 대상 물체가 있다고 인식하는 경우, 임계치 th1이, 특징량 A1과 C1의 사이에 설정되었을 때에는, 도면의 점선으로 둘러싸인 특징량 A1은, 인식하려고 하는 대상 물체가 포함된 학습용 화상의 특징량이며, 한편, 특징량 C1 및 특징량 M1은, 인식하려고 하는 대상 물체가 포함되지 않는 학습용 화상의 특징량이므로, 에러를 발생시킨다.
그러므로, 학습용 화상의 정오 정보(인식하려고 하는 대상 물체가 포함되어 있는지 아닌지에 대한 정보)에 근거하여, 추출된 에러라고 간주되는 특징량을 가지는 학습용 화상의 가중치 Wi가 가산되어, 에러율이 계산되며, N개의 약학습기 가운데, 에러율이 최소가 되는 약학습기가 선택된다.
다음에, 안면 인식 처리부(34)의 학습기 생성부(72)의 구성 및 동작에 대해설명한다.
도 6은, 학습기 생성부(72)의 구성을 나타내는 블럭도이다.
학습기 생성부(72)는, 상관계수 산출부(101), 학습용 모델 특징량 저장부 (102), 샘플링부(103), 가중치 설정부(104), 분류부(105), 학습기 설정부(106), 학습기 선택부(107) 및 가중치 갱신부(108)를 포함한다.
상관계수 산출부(101)는, 도 7에 도시된 바와 같이, 학습용 모델 특징량 저장부(102)에 기억되어 있는 학습용 화상(151)과 학습용 모델 화상(152)내에서, 대응하는 특징점의 대응하는 로컬 특징량의 조합의 가보 제트로 구성되는 로컬 특징 벡터간의 상관계수를 산출한다. 즉, 상관계수 산출부(101)는, 한 개의 특징점에 서, 복수 차원이 다른 상관계수를 산출한다.
구체적으로는, 상관계수 산출부(101)는, 한 개의 특징점에서, 예를 들면, 8차원, 9차원, 12차원, 16차원 등과 같은, 차원수가 다른 로컬 특징량의 조합에서, 상관계수를 복수 산출할 수 있는 동시에, 동일한 차원수라도, 다른 영역의 로컬 특징량의 조합, 환언하면, 다른 가보 필터의 조합에 의해 얻어지는 로컬 특징량에 의해 구성되는 특징량 벡터에 대한 상관계수를 복수 산출할 수 있다.
학습용 모델 특징량 저장부(102)는, 도 7에 나타나는 학습용 모델 화상(152)에 의해 보존되는 각 특징점에 대해 가지는 기보 제트를 기억하고 있다.
상술한 것처럼, 로컬 특징 계산부(71)는, 40개의 가보 필터에 의해 얻을 수 있는 특징량중 적어도 일부를 포함한 복수 차원의 로컬 특징량을 조합한 특징 벡터를 복수 생성한다. 예를 들면, P종류의 조합이 생성되었을 경우, 상관계수 산출부(101)는, N개의 특징점의 특징량을 이용하여 상관 벡터를 구할 때에, 도 4를 이용하여 설명한 종래의 일반적인 아다부스트가 이용되었을 경우와 같이, 학습용 화상 및 모델 특징량의 2개의 로컬 특징 벡터의 모든 차원을 이용한 상관계수를 파라미터로 하는 N차원의 벡터를 생성하는 것이 아니라, 일부의 차원만을 파라미터로 이용하는 상관계수를 포함시킴으로써 N×P차원의 특징 벡터를 생성할 수 있다.
즉, 전체중 적어도 일부의 차원의 특징 벡터의 조합을 복수 이용하여, 안면 화상의 특징점을 증가시키지 않고, 그리고 가보 필터에 의한 필터링 처리의 처리량을 늘리는 일없이, 부스팅 처리의 차원을 늘리는 것이 가능해진다.
특히 안면 화상의 경우에는, 각 특징점의 위치에 따라, 특징을 기술하는데 필요한 주파수 및 방향 파라미터가 다르기 때문에, 각 특징점이 40개의 가보 필터에 의해 얻을 수 있는 특징량의 불필요한 파라미터를 가지는 것이 가능하다. 따라서, 40개의 가보 필터에 의해 얻을 수 있는 특징량중 적어도 일부를 포함한 복수 차원의 특징 벡터의 조합이 되는, 로컬 특징량으로서 생성된 복수 종류의 조합에 근거하여, 학습의 결과로 얻어지는 학습기의 성능은, 종래에 있어서의 경우보다 높아질 가능성이 있다. 이 때, 모든 가보 필터를 스케일과 방향마다 배치한 도 2와 같은 특징 차원으로부터, 예를 들면, 도 3을 이용하여 설명한 직사각형(131), 직사각형(132), 직사각형(133)과 같은 소정의 위치와 크기의 직사각형 영역을 선택하는 것으로써, 환언하면, 주파수와 방향의 성질이 연속되는 가보 필터의 조합을 선택하는 것으로써, 로컬 특징량의 조합을 결정하는 것이 매우 적합하다.
예를 들면, M개의 학습용 화상이 공급되면, 한 개의 특징점에서 P개의 로컬 특징량의 조합이 로컬 특징 계산부(71)에 의해 계산되며, N개의 특징점에서, 상관 계수 산출부(101)에 의해 대응하는 P개의 조합의 각각에 대해 상관계수가 산출되었을 경우, 상관계수 산출부(101)로부터 샘플링부(103)에 공급되는 특징량은, 도 8에 도시되어 있다.
즉, 학습용 화상 PI1에 대해서는, N×P개의 특징량이 상관계수 산출부(101)로부터 샘플링부(103)에 (A1-1, A1-2,....A1-p, A2-1, A2-2,...A2-p,...AN-1, AN-2,....AN-p)로서 공급된다. 이와 같이, 학습용 화상 PI2에 대해서는, (B1-1, B1-2,....B1-p, B2-1, B2-2,....B2-p,....BN-1, BN-2,..BN-p)로서, 학습용 화상 PI3에 대해서는, (C1-1, C1-2,..C1-p, C2-1, C2-2,..C2-p,...CN-1, CN-2,...CN-p)로서 그리고, 학습용 화상 PIM에 대해서는, (M1-1, M1-2,..M1-p, M2-1, M2-2,...M2-p,...MN-1, MN-2,...MN-p)로서 각각의 특징점의 특징량이 상관계수 산출부(101)로부터 샘플링부(103)에 공급된다.
따라서, 특징점 k=1의 첫 번째의 로컬 특징량의 조합에 있어서의 특징량은, 그룹 Gr1-1에 의해 표시된 (A1-1, B1-1, C1-1,...M1-1)이 된다. 특징점 k=1의 두 번째의 로컬 특징량의 조합에 있어서의 특징량은, 그룹 Gr1-2로 표시된 (A1-2, B1-2, C1-2,...M1-2)가 된다. 이와 같이, 특징점 k=N의 P번째의 로컬 특징량의 조합에 있어서의 특징량은, 그룹 GrN-P로 표시된 (AN-P, BN-P, CN-P,....MN-P)가 된다. 즉, N개의 특징점의 각각의 P종류의 로컬 특징량의 조합에 대해서, 학습용 화상 PIi마다 M개의 특징량의 그룹이 설정되게 된다.
샘플링부(103)는, 가중치 설정부(104)에 의해 설정되는 학습용 화상 단위의 가중치에 따르고, 모델 특징량 마다(즉, 파라미터마다), M개의 입력 특징량을 샘플 링하고, 분류부(105)에 공급한다.
구체적으로는, 샘플링부(103)는, 각 특징점의 로컬 특징량이의 각 조합에 대해, 즉, 도 8에 있어서의 세로의 그룹마다, 각 학습용 화상 PIi로 설정된 가중치에 따라, M개의 드로잉(drawing)에 의해 특징량을 M개 추출한다. 최초의 처리에서는, 모든 가중치 Wi는 동일하기 때문에 , M개가 추첨되면, 확률적으로 모든 특징량이 선택되게 된다. 그러므로, 최초의 처리에서는 각 특징점 k의 각각의 조합내에서 모든 특징량이 선택된다고 가정한다. 물론, 실제로는, 동일한 특징량이 중복 선택되기도 한다.
분류부(105)는, N×P개의 입력 특징량의 각각을 샘플링하여 얻어지는 M개의 입력 특징량을 제곱의 오름차순 또는 내림차순으로 입력하고, 그 분류 결과를 학습기 설정부(106)에 공급한다.
학습기 설정부(106)는, 입력 특징량이 추출된 학습용 화상에 인식하려고 하는 대상 물체가 포함되어 있는 화상인지 아닌지를 나타내는 정오 정보(errata information)에 근거하여, 제곱의 오름차순 또는 내림차순으로 분류된 N×P개의 입력 특징량의 각각에 대한 에러율을 연산하기 위해, 임계치를 변화시키면서, 에러율 계산부(121)를 제어하여, 에러율이 최소가 되도록 임계치를 설정한다(이러한 임계치는 약학습기로서 설정된다).
구체적으로는, 학습기 설정부(106)는, 입력 특징량이 추출된 학습용 화상에 인식하려고 하는 대상 물체가 포함되어 있는 화상인지 아닌지를 나타내는 정보에 근거하여, 각각의 특징점에 있어서의 로컬 특징량의 조합에 대해, 임계치를 변화시 키면서, 에러율 계산부(121)를 제어하고, 이하의 식 (9)에 기재된 바와 같이 에러율 ejk를 계산하고, 에러율 ejk가 최소가 되도록 임계치를 설정한다. 이하, 첨자의 k는, N개의 특징점중 k번째의 특징점에 대응하는 것을 나타내며, 첨자의 j는, P종류의 로컬 특징량의 조합의 j번째의 조합에 대응하는 것이다. 여기서, 각각의 특징점에 있어서의 로컬 특징량의 조합에 대한 임계치는 한 개의 약학습기 fjk 를 제공한다. 그러므로, 학습기 설정부(106)는, 학습기 선택부(107)에 대한 각 약학습기의 에러율 ejk를 공급한다. 즉, 각각의 특징점에 있어서의 로컬 특징량이 조합에 대해서, N×P 개의 특징량에 대응하는 N×P개의 약학습기 fjk가 설정되어 N×P개에 대해(즉, 약학습기 fjk에 대해) 에러율 ejk가 구해지게 된다. 여기서, 약학습기 fjk는, 인식하려고 하는 대상 물체를 포함한 경우 [+1]을 출력하고, 인식하려고 하는 대상 물체를 포함하지 않는 경우 [-1]을 출력하는 함수이다.
즉, 도 5를 이용하여 설명한 경우와 같이, 어느 특징점에 있어서의 로컬 특징량의 조합에 대응하는 특징량(얻을 수 있는 상관계수)이, 제곱의 오름차순 또는 내림차순으로 배열되어 있는 경우, 인식하려고 하는 대상 물체가 포함된 학습용 화상에 대응하는 특징량과 인식하려고 하는 대상 물체가 포함되지 않는 학습용 화상에 대응하는 특징량이 배치되어 있는 설정된 임계치 thjk의 면에 근거하여, 에러인지 아닌지가 판정된다.
에러율 계산부(121)는, 이하의 식 (9)에 기재된 바와 같이, 학습용 화상의 정오 정보(인식하려고 하는 대상 물체가 포함되어 있는지 아닌지의 정보)에 근거하여, 에러로 간주되는 특징량이 추출된 학습용 화상의 가중치 Wi를 가산하고, 에러 ejk를 계산한다.
(식 9)
여기서, y≠fjk는, 에러 특징점 k의 조건을 나타내고 있으며, Ew는, 에러가 발생한 특징점 k에 있어서의 가중치가 가산되는 것을 나타내고 있다.
그리고, 학습기 설정부(106)는, 약학습기 마다의 에러율 ejk를, 학습기 선택부(107)에 공급한다. 즉, N×P개의 입력 특징량에 대응하는 N×P개의 약학습기가 설정되어 N×P개의 각각에 대한 에러율이 구해진다.
학습기 선택부(107)는, N×P개의 약학습기 fjk 가운데, 에러율 ejk가 최소가 되는 약학습기 fjk를 선택한다.
학습기 선택부(107)는, N×P개의 약학습기 fjk 가운데, 에러율 ejk가 최소가 되는 약학습기 fjk를 선택하고, 학습 데이터 저장부(73)에 기억시키는 동시에, 약학습기 fjk에 대응하는 모델 특징량을 학습용 모델 특징량 저장부(102)로부터 판독하여, 학습 데이터 저장부(73)에 기억시킨다. 게다가, 학습기 선택부(107)는, 선택한 약학습기 fjk의 에러율 ejk에 근거하여, 신뢰도를 계산하고, 학습 데이터 저장부(73)에 기억시키는 동시에, 가중치 갱신부(108)에 공급한다.
구체적으로는, 학습기 선택부(107)는, 선택된 약학습기 fjk의 최소의 에러율 ejk에 근거하여, 이하의 식 (10)에 기재된 바와 같이 신뢰도 cjk를 계산하고, 계산 결과를 가중치 갱신부(108)에 공급한다.
(식 10)
가중치 갱신부(108)는, 공급된 신뢰도 cjk에 근거하여 학습용 화상마다의 가중치 Wi를 재계산 함과 동시에, 가중치 Wi를 정규화해 갱신하며, 갱신 결과를 가중치 설정부(104)에 공급한다. 가중치 설정부(104)는, 가중치 갱신부(108)로부터 공급되는 가중치의 갱신 결과에 근거하여, 학습용 화상 단위의 가중치 Wi를 설정한다.
구체적으로, 가중치 갱신부(108)는, 공급된 신뢰도 cjk에 근거하여, 이하의 식 (11)에 기재된 바와 같이, 각 학습용 화상마다 가중치 Wi를 재계산 함과 동시에, 모든 가중치 Wi를 정규화해 갱신하며, 갱신 결과를 가중치 설정부(104)에 공급한다. 가중치 설정부(104)는, 가중치 갱신부(108)로부터 공급되는 가중치의 갱신 결과에 근거하여, 학습 입력 화상마다의 가중치 Wi를 설정한다.
(식 11)
즉, 식(11)은, 에러가 발생한 특징량을 포함하는 학습용 화상의 가중치 Wi가 커지게 된다는 것을 나타내고 있다.
학습기 선택부(107)는, 예를 들면, Q번째의 학습에 의해 얻어지는 약학습기 fjk를 Q번째의 약학습기 fQ로서 학습 데이터 저장부(73)에 기억시킨다(또는 학습 데이터 저장부(73)에 기억된 약학습기를 갱신시킨다). 즉, 학습기 선택부(107) 는, 이하의 식 (12)에 기재된 바와 같이 학습기 R(x)를 갱신하고, 이하의 식 (13)에 기재된 형식으로 학습 데이터 저장부(73)에 기억시킨다.
(식 12)
(식 13)
즉, 가중치가 부여된 약학습기 fjk가, 이미 보관 유지되고 있는 학습기 R(x)에 가산되어, 새로운 학습기 R(x)로서 갱신된다. 식 (13)에서, sign(Y)는, Y가 정(+)의 경우, 인식하려고 하는 대상 물체가 입력 화상중에 존재하는 것을 나타내는 [+1]을 출력하고, Y가 부(-)인 경우, 인식하려고 하는 대상 물체가 입력 화상중에 존재하지 않는 것을 가리키는 [-1]을 출력하는 함수이다.
그리고, 학습기 선택부(107)는, 약학습기 fjk의 특징점 k의 로컬 특징량의 조합에 대응하는 모델 특징량을 학습용 모델 특징량 저장부(102)로부터 판독하고, 학습 데이터 저장부(73)에 기억시킨다.
학습기 선택부(107)는, L개의 비교적 에러율이 낮은 약학습기 fjk로 구성되는 학습기 R(x)를 학습 데이터 저장부(73)에 기억시키고, 각각의 약학습기 fjk내에서 사용되는 특징점 k의 대응하는 로컬 특징량의 조합(상관계수의 산출에 이용된 가보 필터의 조합)의 모델 특징량을 학습 데이터 저장부(73)에 기억시킨다. 여기서, L는, L≤N×P이다.
식 (13)의 학습기는, L개의 약학습기의 다수결에 의해, 인식하려고 하는 대상 물체의 유무를 출력하는 함수기 된다고 말할 수 있다. 그러므로, 약학습기에 가중치를 부여하고 가산하는 동작을 반복함으로써 학습기를 생성하는 학습 처리는, 이산 아다부스트 알고리즘(Descrete Adaboost Algorithm)이라고 칭해지는 처리이다.
다음에, 도 9의 플로차트를 참조하여, 화상 처리 장치(11)의 학습 모드에서 실행되는 학습 처리에 대해 설명한다.
스텝(S31)에서, 안면 검출부(32)는, 화상 취득부(31)에 의해 취득된 안면 화상을 포함한 화상으로부터 안면에 대응하는 부분을 검출하고, 검출된 안면 화상을, 안면 특징점 검출부(51) 및 안면 얼라이먼트부(52)에 공급한다.
스텝(S32)에서, 안면 특징점 검출부(51)는, 안면의 특징적인 부분(안면 특징 위치), 예를 들면, 목, 코, 및 입과 같은 특징적인 부분을 검출한다.
스텝(S33)에서, 안면 얼라이먼트부(52)는, 안면 검출부(32)로부터 공급된 안면 화상에 대해서, 안면 특징점 검출부(51)에 의해 검출된 안면 특징점에 근거하여, 예를 들면, 아핀 변환과 같은 모핑(morphing) 처리를 실시하여, 정면에서 촬상되었을 경우의 안면 화상에 대응하도록 변환을 실행한다. 변환된 안면 화상은, 로컬 특징 계산부(71)에 공급된다.
스텝(S34)에서, 로컬 특징 계산부(71)는, 예를 들면, 도 2를 이용하여 설명한 바와 같이, 가보 필터(Gabor Filter)를 이용하여, 로컬 특징량을 산출한다.
스텝(S35)에서, 로컬 특징 계산부(71)는, 가보 필터에 의해 얻어지는 로컬 특징량중 적어도 일부를, 예를 들면, 도 3을 이용하여 설명한 것처럼, 몇 개의 조합내에 기억시킨 후에, 얻어진 조합을, 학습기 생성부(72)에 공급한다. 조합 방법과 생성되는 조합의 수는, 실험적 또는 경험적으로, 미리 결정할 수 있는 것이어도 좋지만, 예를 들면, 도 3을 이용하여 설명한 것처럼, 주파수 대역 및 방향이 연속하도록 선택하는 것이 바람직하다.
스텝(S36)에서, 학습기 생성부(72)의 상관계수 산출부(101)는, 학습용 모델 특징량 저장부(102)로부터, 학습 모델의 특징량을 판독하고, 로컬 특징 계산부 (71)로부터 공급된 로컬 특징량과 동일한 조합의 학습 모델의 조합과의 상관계수를 산출한다.
스텝(S37)에서, 도 10을 이용하여 후술하는 학습기 생성 처리가 실행된다.
스텝(S38)에서, 학습기 생성부(72)는, 스텝(S36)의 처리에 의해 생성된 학습기를, 학습 데이터 저장부(73)에 공급해 기억시키는 것과 동시에, 약학습기에 대응하는 모델 특징량을 학습용 모델 특징량 저장부(102)로부터 판독하여, 학습 데이터 저장부(73)에 기억시킨다. 게다가, 학습기 선택부(107)는, 선택한 약학습기의 에러율에 근거하여, 신뢰도를 계산하며, 학습 데이터 저장부(73)에 기억시키고, 처리는 종료된다.
이러한 처리에 의해, 학습 모드에서, 학습기가 생성되어 학습 데이터 저장부 (73)에 기억되며, 학습기에 대응하는 모델 특징량과 그 학습기의 신뢰도가, 학습 데이터 저장부(73)에 기억된다. 즉, 학습기 생성에 이용된 가보 특징(Gabor Feature)은, 어느 특징점에 대해 학습기를 생성하는데 이용된 가보 특징의 조합(예 를 들면, 전부 40개 가보 필터가 준비되어 있으면, 그 중의 어느 필터의 조합인지)을 나타내는 인식용 특징량, 또, 그 학습기의 신뢰성을 나타내는 정보가, 학습 데이터 저장부(73)에 기억된다.
여기서, 도 10의 플로차트를 참조하여, 도 9의 스텝(S37)에서 실행되는, 학습기 생성부(72)에 의한 학습기 생성 처리에 대해 설명한다.
스텝(S91)에서, 가중치 설정부(104)는, 예를 들면, 학습용 화상 마다의 가중치 Wi를 모두 1／M으로 초기화함과 동시에, 카운터 Q를 1로, 학습기 R(x)를 0으로 각각 초기화한다. 여기서, i는, 복수의 학습용 입력 화상 PIi를 각각 식별하는 것이며, 1＜i＜ M이다. 따라서, 스텝(S91)의 처리에 의해, 모든 학습용 화상 PIi는, 모두 정규화된 동일한 가중치(=1／M)로 설정된다.
스텝(S92)에서, 샘플링부(103)는, 특징점 k(k=1, 2, 3,....N)의 각각의 로컬 특징량의 조합에 대해, 즉, 1개의 학습용 화상에 대해서 공급된 N×P의 특징량(즉, 상관계수 산출부(101)에 의해 산출된 상관계수)마다, 학습용 입력 화상 PIi의 가중치 Wi에 따라 M개의 특징량을 선택하고, 분류부(105)에 공급한다.
즉, 예를 들면, 도 8을 이용하여 설명한 것처럼, 학습용 화상 PI1가 (A1-1, A1-2,...A1-p, A2-1, A2-2,..A2-p,...AN-1, AN-2,...AN-p)가 되는 N×P개의 특징량이 상관계수 산출부(101)로부터 샘플링부(103)에 공급된다. 이와 같이, 학습용 화상 PI2가, (B1-1, B1-2,..B1-p, B2-1, B2-2,...B2-p,...BN-1, BN-2,..BN-p)가 되며, 학습용 화상 PI3는, (C1-1, C1-2,...C1-p, C2-1, C2-2,...C2-p,...CN-1, CN-2,...CN-p), 학습용 화상 PIM은, (M1-1, M1-2,..M1-p, M2-1, M2-2,...M2-p,....MN- 1, MN-2,...MN-p)가 되는 각 특징점의 특징량이 상관계수 산출부(101)로부터 샘플링부(103)에 공급된다.
이 경우, 특징점 k=1의 첫 번째의 로컬 특징량의 조합에 있어서의 특징량은, 그룹 Gr1-1로 표시되는 (A1-1, B1-1, C1-1,.....M1-1)이 된다. 특징점 k=1의 2번째의 로컬 특징량의 조합에 있어서의 특징량은, 그룹 Gr1-2로 표시되는 (A1-2, B1-2, C1-2,....M1-2)가 된다. 이와 같이, 특징점 k=N의 P번째의 로컬 특징량의 조합에 있어서의 특징량은, 그룹 GrN-P로 표시되는 (AN-P, BN-P, CN-P,...MN-P)가 된다.
즉, 각 특징점 k의 각각의 로컬 특징량의 P종류의 조합에 대해서, 학습용 화상 PIi에 대해 M개의 특징량의 그룹이 설정된다.
샘플링부(103)는, 각 특징점 k의 각각의 로컬 특징량의 P종류의 조합에 대해 드로잉을 통해, 각 학습용 화상 PIi로 설정된 가중치에 따라 특징량을 M개 추출한다. 최초의 처리에서는, 어느 가중치 Wi가 동일하기 때문에, M개가 추첨되면, 확률적으로는 모든 특징량이 선택되게 되므로, 여기에서는, 최초의 처리에서는 각 특징점 k의 각각의 로컬 특징량의 조합내에서, 모든 특징량이 선택되는 것으로 가정한다. 물론, 실제로는, 동일한 특징량이 중복 선택되기도 한다.
스텝(S93)에서, 분류부(105)는, N개의 특징점의 각각의 로컬 특징량의 조합에 대해 샘플링된 M개의 특징량의 그룹마다, 특징량을 제곱의 오름차순, 또는 제곱의 내림차순에 의해 분류한다. 그리고, 그 분류된 특징량을 학습기 설정부(106)에 공급한다.
스텝(S94)에서, 학습기 설정부(106)는, 입력 특징량이 추출된 학습용 화상에 인식하려고 하는 대상 물체가 포함되어 있는 화상인지 아닌지를 나타내는 정보에 근거하여, 임계치를 변화시키면서 에러율 계산부(121)를 제어하여, 각 특징점의 P종류의 로컬 특징량의 조합에 대한, M개의 특징량의 각각 에 대해, 상술한 식 (9)에 기재된 바와 같이, 에러율 ejk를 계산하고, 에러율 ejk가 최소가 되도록 임게치를 설정한다. 여기서, 특징점 k의 각각의 로컬 특징량의 각 조합에 대한 임계치는 한 개의 약학습기 fjk가 된다. 그러므로, 학습기 설정부(106)는, 약학습기 마다의 에러율 ejk를 학습기 선택부(107)에 공급한다. 즉, N×P개의 특징량에 대응하는 N×P개의 약학습기 fjk가 설정되어 N×P개의 각각에 대해(약학습기 fjk의 각각에 대해) 에러율 ejk가 구해진다. NxP개의 약학습기 fjk중에서, 학습기 선택부(107)는, 에러율 ejk를 최소화하는 약학습기 fjk를 선택한다. 학습기 선택부(107)는, N×P개의 약인식기 fjk 가운데, 에러율 ejk가 최소가 되는 약인식기 fjk를 선택하고, 학습 데이터 저장부(73)에 기억시키는 동시에, 약인식기 fjk에 대응하는 모델 특징량을 학습용 모델 특징량 저장부(102)로부터 판독하고, 그 모델 특징량을, 학습 데이터 저장부(73)에 기억시킨다. 게다가, 학습기 선택부(107)는, 선택한 약인식기 fjk의 에러율 ejk에 근거하여, 신뢰도를 계산하며, 학습 데이터 저장부(73)에 기억시키는 동시에, 가중치 갱신부(108)에 공급한다.
즉, 도 5를 이용하여 설명한 경우와 같이, 어느 특징점의 특징량의 조합에 대응하는 특징량(또는 얻어지는 상관계수)이, 제곱의 오름차순, 또는 제곱의 내림차순으로 배열되면, 인식하려고 하는 대상 물체가 포함된 학습용 화상에 대응하는 특징량과 인식하려고 하는 대상 물체가 포함되지 않는 학습용 화상에 대응하는 특징량이 임계치 thjk의 어느 면에 배치되어 있는 지에 근거하여, 에러인지 아닌지가 판정된다. 에러율 계산부(121)는, 상술한 식 (9)에 기재된 바와 같이, 학습용 입력 화상의 정오 정보(인식하려고 하는 대상 물체가 포함되어 있는지 아닌지의 정보)에 근거하여, 에러로 간주되는 특징량이 추출된 학습용 입력 화상의 가중치 Wi를 가산하고, 에러율 ejk를 계산한다.
스텝(S95)에서, 학습기 선택부(107)는, N개의 약인식기 fjk 가운데, 에러율 ejk가 최소가 되는 약인식기 fjk를 선택한다.
스텝(S96)에서, 학습기 선택부(107)는, 선택한 약인식기의 최소의 잘못율 e jk에 근거하여, 상술한 식 (10)에 기재된 바와 같이, 신뢰도 cjk를 계산하고, 계산 결과를 가중치 갱신부(108)에 공급한다.
스텝(S97)에서, 가중치 갱신부(108)는, 공급된 신뢰도 cjk에 근거하여, 상술한 식 (11)에 기재된 바와 같이, 각 학습용 입력 화상마다 가중치 Wi를 재계산하는 동시에, 모든 가중치 Wi를 정규화해 갱신하며, 갱신 결과를 가중치 설정부(104)에 공급한다. 가중치 설정부(104)는, 가중치 갱신부(108)로부터 공급되는 가중치의 갱신 결과에 근거하여, 학습 입력 화상 마다의 가중치를 설정한다.
스텝(S98)에서, 학습기 선택부(107)는, 선택된 약학습기 fjk를 기본으로, Q번째의 약학습기 fQ를 학습 데이터 저장부(73)에 기억시킨다. 환언하면, 학습기 선택부(107)는, 학습 데이터 저장부(73)에 기억되어 있는 (Q-1)번째의 약학습기 fQ-1을, 선택된 약학습기 fjk를 가산하여 얻어지는 Q번째의 약학습기 fQ로 갱신시 킨다.
즉, 학습기 선택부(107)는, 상술한 식 (12)에 기재된 바와 같이, 학습기 R(x)를 갱신하고, 상술한 식 (13)에 나타나는 형식으로 학습 데이터 저장부(73)에 기억시킨다.
그러므로, 가중치가 부여된 약학습기 fjk가 학습기 R(x)에 가산된다.
스텝(S99)에서, 학습기 선택부(107)는, 약학습기 fjk의 특징점 k의 대응하는 로컬 특징량의 조합에 있어서의 모델 특징량을, 학습용 모델 특징량 저장부(102)로부터 판독하고, 학습 데이터 저장부(73)에 기억시킨다.
스텝(S100)에서, 학습기 선택부(107)는, 카운터 Q가 L보다 큰가 아닌가를 판정하고, L보다 크지 않다고 판정되었을 경우, 그 처리는, 스텝(S101)으로 진행되어, 카운터 Q가 1만큼 증가되어 스텝(S92)으로 돌아온다. 카운터 Q가 L보다 크다고 판정되었을 경우, 처리는 종료한다.
이상의 처리에 의해, L개의 비교적 에러율이 낮은 약학습기 fQ(1＜Q＜L)로 구성되는 학습기 R(x)가 학습 데이터 저장부(73)에 기억됨과 동시에, 각각의 약학습기 fQ에 의해 사용되는 특징점 k의 모델 특징량이 학습 데이터 저장부(73)에 기억된다. 여기서, L은, L≤N×P이다.
식 (13)의 학습기는, L개의 약학습기의 다수결에 의해, 인식하려고 하는 대상 물체의 유무를 출력하는 함수라고 말할 수 있다. 약학습기에 부여하고 가산하는 동작을 반복함으로써 학습기를 생성하는 학습 처리는, 이산 아다부스트 알고리즘(Descrete Adaboost Algorithm)이라고 칭해지는 처리이다.
즉, 이상의 학습기 생성 처리에 의해, 에러율이 높은 학습용 입력 화상의 학습용 입력 특징량의 가중치를 순차적으로 증가시키고, 에러율이 낮은 학습용 입력 특징량의 가중치를 감소시키기 위해, 모델 특징량 마다 학습기와 에러율이 계산되는 처리가 반복된다. 따라서, 반복 처리(스텝(S92) 내지 (S101)의 처리)에서, 학습기를 설정할 때에 선택되는 학습용 입력 특징량(스텝(S92)에서 선택되는 학습용 입력 특징량)은, 서서히 에러율이 높어지도록 선택되기 쉬워지므로, 인식하기 어려운 학습용 입력 특징량이 반복해질 정도로 선택되고 학습이 반복적으로 선택되면, 인식하기 어려운 학습용 입력 화상의 특징량이 보다 많이 선택되게 되어, 최종적으로 높은 인식율의 학습기를 생성하는 것이 가능해진다.
또, 반복 처리(스텝(S92) 내지 (S101)의 처리)에서, 학습기 선택부(107)는, 항상 에러율이 가장 낮은 모델 특징량에 대응하는 약학습기를 선택하게 되므로, 학습 처리의 반복에 의해, 항상 신뢰도의 가장 높은 모델 특징량에 대한 약학습기가 선택되어 학습기에 가산되며, 반복될때 마다 정확도가 높은 약학습기가 차례차례 가산된다.
즉, 이상의 학습 처리에 의해, 특징점 및 조합에 대해 부여된 기하학적인 제한이 부가된 특징량을 이용하여, 에러율 ejk가 낮은 L개의 약학습기 fjk로 구성되는 학습기 R(x)가 생성된다. 결과적으로, 신뢰도가 높은 약학습기만으로 구성 되는 학습기가 구성되므로, 한정된 개수의 약학습기를 가지며 신뢰도가 높은 학습기를 구성하는 것이 가능해지므로, 후술하는 인식 처리에 있어서의 연산 처리수를 저감시키면서, 인식 정도를 향상시키는 것이 가능해진다.
학습기의 수가 증가하면(상술한 L이 증가하면), 약학습기가 증가되어 인식 정도를 향상시키는 것이 가능해진다. 한편, 학습기의 수가 감소되면(상술한 L이 감소되면), 선택되는 약학습기는, 갯수가 작더라도, 단지 신뢰도가 높은 약학습기에 근거하여 인식 처리를 실행할 수 있으므로, 신뢰도를 유지하면서 인식 처리에 있어서의 연산 처리수를 저감시키는 것이 가능해진다. 즉, 필요에 따라, 학습 처리에 학습 처리를 반복하여 생성되는 학습기의 생성 개수를 증가시킴으로써 높은 정밀도의 학습기를 생성하는 것이 가능하다. 반대로, 학습 부하를 김소시켜, 즉, 원-숏(one-shot) 학습을 실행하여, 생성되는 비교적 정밀도가 높은 학습기를 생성하는 것이 가능해진다.
다음에, 도 11의 플로차트를 참조하여, 화상 처리 장치(11)가 실행하는 인식 처리 1에 대해 설명한다.
스텝(S131)에서, 안면 검출부(32)는, 화상 취득부(31)에 의해 취득된 안면 화상을 포함한 화상으로부터 안면에 대응하는 부분을 검출하고, 검출된 안면 화상을, 안면 특징점 검출부(51) 및 안면 얼라이먼트부(52)에 공급한다.
스텝(S132)에서, 안면 특징점 검출부(51)는, 안면의 특징적인 부분(안면 특징 위치), 예를 들면, 목, 코, 입과 같은 특징적인 부분을 검출한다.
스텝(S133)에서, 안면 얼라이먼트부(52)는, 안면 검출부(32)로부터 공급된 안면 화상에 대해서, 안면 특징점 검출부(51)에 의해 검출된 안면 특징점에 근거하여, 예를 들면, 아핀 변환에 의해 모핑 처리를 실시하고, 정면에서 촬상되었을 경 우의 안면 화상에 대응하도록 변환을 실행한다. 변환된 안면 화상은, 로컬 특징 계산부(71)에 공급된다.
스텝(S134)에서, 로컬 특징 계산부(71)는, 예를 들면, 도 2를 이용하여 설명한 바와 같이, 가보 필터(Gabor Filter)를 이용하여, 로컬 특징량을 산출한다.
스텝(S135)에서, 로컬 특징 계산부(71)는, 학습 데이터 저장부(73)로부터, 인식용 특징량의 정보를 취득한다.
상술한 인식용 특징량의 정보는, 어느 특징점에 대한 어느 특별한 조합을 나타내는 정보이다(예를 들면, 전부 40개의 가보 필터가 사용된다면, 이러한 필터들의 몇 개의 필터들의 조합이, 어느 특별한 학습기에 이용된 어느 특징점에서 사용된다.).
예를 들면, 학습기의 생성에서, 전부 40개의 가보 필터가 준비되어 있었을 경우에, 인식용 특징량에 나타난 어느 특징점의 로컬 특징량의 조합안에, 40개의 가보 필터에 의해 얻어지는 특징량을 모두 포함한 조합 즉, 40 차원의 특징 벡터가 포함되어 있어도 좋고, 포함되지 않아도 좋다. 환언하면, 인식용 특징량의 정보는, 학습에 의해서 얻어지는 학습기에 따라, 40개 이하의 가보 특징의 복수의 조합인 경우와 40개 미만의 가보 특징의 복수의 조합인 경우가 있다.
스텝(S136)에서, 로컬 특징 계산부(71)는, 가보 필터에 의해 얻어지는 로컬 특징량과 취득된 인식용 특징량의 정보와, 얻어진 인식용 특징량에 대한 정보에 근거하여, 인식용 특징량에 나타난 특징점의 로컬 특징량의 조합을 생성하여, 상관계수 산출용 정보로서 안면 인식부(74)에 공급한다.
스텝(S137)에서, 안면 인식부(74)는, 안면 등록 데이터 베이스(35)로부터, 등록안면의 특징량을 판독한다.
스텝(S138)에서, 안면 인식부(74)는, 학습 데이터 저장부(73)로부터 학습기를 판독하고, 특징량을 대입하고, 계산한다. 구체적으로는, 안면 인식부(74)는, 상관계수 산출용 정보로서 로컬 특징 계산부(71)로부터 공급된 인식용 특징량에 나타난 특징점의 로컬 특징량의 조합과, 안면 등록 데이터 베이스(35)로부터 판독된 등록안면의 특징량중 인식용 특징량에 나타난 특징점의 로컬 특징량의 조합에 대응하는 조합간의 상관계수를 연산하고, 얻어진 상관계수를 특징량으로서 학습 데이터 저장부(73)로부터 판독된 학습기에 대입하여 계산한다.
즉, 상술한 것처럼, 상관계수 산출용 정보로서 로컬 특징 계산부(71)로부터 공급되는 특징량은, 학습시에 신뢰도가 높은 약학습기 fjk의 계산에 필요한 특징량이므로, 안면 인식부(74)는, 공급되어 오는 선택된 특징량을 각 약학습기 fjk에 대입해 학습기 R(x)를 계산한다. 그리고, 안면 인식부(74)는, 가중치가 부여된 각 약학습기 fjk의 판정 결과를 가지는 투표 결과를 계산 결과로서 인식 결과 출력부(36)에 공급한다.
스텝(S139)에서, 인식 결과 출력부(36)는, 안면 인식부(74)로부터 공급된 계산 결과에 근거하여, 대상 물체의 유무의 인식 결과를 출력한다. 즉, 안면 인식부(74)로부터 공급되어 오는 계산 결과는, 상술한 식 (13)에 기재된 연산 결과이므로, 인식 결과 출력부(36)는, 연산 결과로서 [+1]이 공급된 경우, 인식하려고 하는 대상 물체가 입력 화상에 포함되어 있다고 하는 결과를 출력하고, 연산 결과적으로 [-1]이 공급된 경우, 인식하려고 하는 대상 물체가 입력 화상에 포함되지 않는다는 결과를 출력하고, 처리가 종료된다.
이상의 처리에 의해, 학습 처리의 과정에서, 특징점 마다 특징량에 기하학적인 제한이 부가된 특징량에 의해 생성되며, 에러율 ejk가 비교적 낮은 L개의 약학습기 fjk로 구성되는 학습기 R(x)에 의해 대상 물체의 인식 처리가 이루어진다.
상기 실시예에서는, 이산 아다부스트 알고리즘에 근거하여, 학습 처리를 실행하였다. 그러나, 다른 부스팅 알고리즘을 사용하는 것이 가능하다. 예를 들면, 젠틀 아다부스트 알고리즘이 사용될 수도 있다. 이산 아다부스트 알고리즘과 젠틀 아다부스트 알고리즘은, 전자의 학습기의 출력 결과가 이산 변량이라는 점 때문에 서로 다르며, 후자는 연속 변량인 점이므로 다르다. 그렇지만, 전자에 대해서는, 신뢰도가 증배되므로, 출력 결과는, 실질적으로 연속 변량으로서 다루어지고 있어 본질적으로 처리의 차이는 없다. 젠틀 아다부스트 알고리즘을 적용하였을 경우에, 상술한 식 (11), 및 식 (13)은, 이하의 식 (14) 및 식 (15)로 기재된다. 나머지 처리는 동일하다.
(식 14)
(식 15)
즉, 젠틀 아다부스트 알고리즘을 적용하였을 경우에, 약학습기 fjk가, 각각 신뢰도를 포함하는 연속 변량의 값을 출력하게 되므로, 대응하는 가중치가 부여되어 신뢰도의 계산이 생략된다.
상기에서는, 안면 화상의 인식에 있어서, 가보 필터 및 부스팅 알고리즘을 이용했을 경우에 대해 설명했다. 복수의 특징량에 근거하여 특징량 벡터를 취득하고, 학습시에는, 학습용의 특징량 벡터와의 상관계수를 산출하고, 판정 처리시에는, 판정 처리시에 판정 처리용의 등록된 특징량 벡터와의 상관계수를 산출하는 경우에, 본 발명은, 안면 화상 이외의 화상 인식 처리와 비인식 처리에도 적용가능하다.
예를 들면, 안면 이외의 화상의 일치 불일치를 판정하는 경우와, 음성인식 처리 등에 있어서, 복수의 차원 S의 특징량 벡터를 이용하여 상관계수를 산출하는 경우, S차원의 특징량 벡터로부터 얻을 수 있는 1개의 상관계수만으로 일치 불일치를 판정하는 것이 아니라, S차원의 특징량으로부터 S차원 이하의 복수의 특징량 벡터를 생성하고, 이것을 이용하여, 복수의 상관계수를 산출하여, 판정의 정밀도를 향상시킬 수 있다.
이상 설명한 것처럼, 학습 및 판정에 부스팅 알고리즘을 이용했을 경우에는, 예를 들면, SVM(Support Vector Machine)을 이용했을 경우와 비교하면, 차원수가 증가했을 경우에도, 계산량이 폭발적으로 많아져 버리는 일이 없기 때문에, 매우 적합하다.
특징량의 추출에, 가보 필터를 이용했을 경우, 상술한 수법에 의해, 로컬 영 역(또는 특별한 특징점)의 특징을 가장 잘 나타내고 있는 필터의 주파수와 방향을 선택해 학습하는 것이 가능하므로, 부스팅 알고리즘을 이용하여, 학습 및 판정을 실시하는 것이 적합하다.
이상 설명한 것처럼, 예를 들면, 센서 등의 정보 취득부에 의해 소정의 정보, 예를 들면, 안면 화상과 같은 제 1의 특징량이 취득되고, 도 1에 있어서의 안면 검출부나 안면 화상 변환부(33)와 같은 정보처리 수단에 의해, 필요에 따라서 소정의 처리가 실행되고, 학습용, 또는, 판정용으로 등록된(또는, 센서 등의 정보 취득부에 의해 취득된) 제 2의 특징량과 취득된(필요에 따라서, 처리된) 제 1의 특징량이 동일한 신호원으로부터 나온 것이라면, 제 1의 특징량의 상관 벡터 및 제2의 특징량의 상관 벡터의 모든 차원 뿐만 아니라, 적어도 일부의 차원을 이용한 상관계수 벡터를 복수 종류 산출하도록 했으므로, 정보의 분류 성능을 비약적으로 향상시키는 것이 가능해진다.
도 12는, 40종류의 가보 필터를 모두 이용한 40차원의 특징 벡터를 이용하여 1종류만 상관계수를 구했을 경우에 있어서의 검출 정도를 나타내고 있다. 도 13은, 40 종류의 가보 필터중 일부를 선택하고, 8차원이 다른 복수의 조합에 의한 특징 벡터를 이용하여 복수의 상관계수를 구했을 경우에 있어서의 검출 정도를 나타내고 있다.
도 12 및 도 13에서는, 세로축이, 올바르게 검출된 비율을 나타내며, 횡축이, 오류 검출된 비율을 나타낸다. 즉, 그래프의 변화가 심한 곡선은 검출 정도가 더욱 좋아지게 된다.
도 12 및 도 13에 도시한 바와 같이, 40차원의 특징 벡터를 이용하여 1종류만 상관계수를 구했을 경우에 있어서의 검출 정밀도보다, 40 종류의 가보 필터중 일부를 선택하여, 8차원이 다른 복수의 조합에 의한 특징 벡터를 이용하여 복수의 상관계수를 구했을 경우에 있어서의 검출 정밀도가 더욱 높다. 즉, 얻어지는 특징량의 상관 벡터의 모든 차원 뿐만 아니라, 적어도 일부의 차원을 이용한 상관계수 벡터를 복수 종류 산출하여, 정보의 분류 성능을 비약적으로 향상시키는 것이 가능해진다.
그런데, 상술한 화상 처리 장치(11)는, 학습 모드와 인식 모드의 2개의 동작 모드에서 동작하고, 학습기 생성부(72)에 의해 생성된 학습기를 이용하여, 인식 처리를 실시하도록 구성되어 있다. 그러나, 상술한 학습 처리 장치(11)의 학습 모드에서의 실행에 의해 얻어지는 인식 처리를 위한 정보, 즉, 학습기와 인식용 특징량의 정보를 내부에 미리 기억해 두어, 학습기 생성부(72)를 갖추는 일없이, 인식 모드의 처리만을 실시하는 화상 처리 장치를 구성하는 것이 가능하다.
도 14는, 학습 처리에 의해서 얻을 수 있는 인식 처리를 위한 정보를 이용하여 인식 처리를 실시하는 것이 가능한 화상 처리 장치(201)의 구성을 나타내는 블럭도이다.
도 1에 있어서의 경우와 대응하는 부분에는 동일한 부호를 교부하며, 그 설명은 생략한다.
그러므로, 화상 처리 장치(201)는, 도 1의 안면 인식 처리부(34) 대신에 안면 인식 처리부(211)를 제외한 도 1의 화상 처리 장치(11)와 기본적으로 같은 구성 을 가지는 것이다. 또, 안면 인식 처리부(211)는, 도 1의 로컬 특징 계산부 (71) 대신에 로컬 특징 계산부(221)를, 도 1의 안면 인식부(74) 대신에 안면 인식부(222)를, 도 1의 학습 데이터 저장부(73) 대신에 학습 데이터 저장부(223)를 갖출 수 있으며, 도 1의 학습기 생성부(72)와 동등한 요소는 생략된다.
안면 인식 처리부(211)는, 도 1의 학습기 생성부(72)를 포함하지 않는다. 그렇지만, 학습 데이터 저장부(223)에는, 상술한 학습 처리 장치(11)의 학습 모드에 의해서 얻을 수 있는 인식 처리를 위한 정보가, 미리 기억되어 있다.
즉, 학습 데이터 저장부(223)에는, 상술한 화상 처리 장치(11)의 학습기 생성부(72)가 학습 모드에 대해 생성한 학습기와 인식용 특징량의 정보를 기억하고 있다. 구체적으로는, 학습 데이터 저장부(223)는, 상술한 학습 처리 장치(11)의 학습 모드에서, 로컬 특징 계산부(71)에 의해 산출된 학습용 화상의 특징량과 미리 보관 유지하고 있는 학습용 모델의 특징량을 이용하여, 아다부스트에 근거하여 통계학습처리의 실행에 의해 생성된 학습기, 및, 그 학습기에 관한 정보(상관치와 그 학습기의 신뢰도를 나타내는 정보), 및, 특별한 특징점의 특별한 로컬 특징량을 나타내는 정보가 되는 인식용 특징량, 즉 대상이 되는 안면 화상을 인식하는데 크게 영향을 주는 모델 특징량을 나타내는 정보(가보 필터의 필터 방향과 주파수와의 특별한 조합, 혹은, 어느 특별한 직사각형 영역)를, 학습 데이터 저장부(223)에 기억시킨다.
화상 처리 장치(201)는, 인물의 촬상 화상을 이용하여, 화상 인식 처리를 실행하며, 그 인물이 등록된 인물인가 아닌가를 판정하는 처리를 실행할 수 있다.
화상 처리 장치(201)는, 학습 모드는 실시하지 않고, 학습 데이터 저장부 (223)에 기억된 학습기와 인식용 특징량의 정보를 이용하여, 화상을 인식하고 인식 대상의 화상이, 등록된 인물의 안면을 포함하는 것인지 아닌지를 판정하는 처리를 실행한다.
화상 처리 장치(201)에 안면 등록 데이터 베이스(35)가 포함되는 것으로 설명을 하였지만, 안면 등록 데이터 베이스(35)는, 도시하지 않는 네트워크 등을 통해, 화상 처리 장치(201)에 접속되는 구성으로 하는 것도 가능하다. 네트워크 등을 통해 안면 등록 데이터 베이스(35)가 접속되는 구성으로 설계하면, 복수의 화상 처리 장치(201) 사이에 한 개의 안면 등록 데이터 베이스(35)를 공유하는 것이 가능해진다.
상술한 것처럼, 화상 취득부(31) 내지 안면 화상 변환부(33)는, 도 1의 화상 처리 장치(11)와 기본적으로 같은 구성을 가지는 것이다.
즉, 화상 취득부(31)는, 예를 들면, 카메라 등을 포함한 구성으로 여겨져 사람을 촬상하는 기능을 가지거나, 또는, 외부에 배치된 카메라, 혹은, 다른 장치로부터, 촬상된 사람의 화상을 취득한다. 화상 취득부(31)에 의해 취득된 화상은, 안면 검출부(32)에 공급된다.
안면 검출부(32)는, 화상 취득부(31)로부터 공급된 화상을 해석하여, 사람의 안면의 부분(안면의 위치와 크기)을 추출하고, 추출된 사람의 안면의 부분의 화상(이하, 안면 화상이라고 칭한다)을 검출한다.
안면 화상 변환부(33)는, 안면 특징점 검출부(51), 및, 안면 얼라이먼트 부(52)로 구성된다.
안면 특징점 검출부(51)는, 안면 검출부(32)로부터 공급된 안면 화상으로부터, 후술하는 안면 얼라이먼트부(52)에 의한 모핑 처리에 이용되는 얼라이먼트용 특징점을 검출한다. 안면 얼라이먼트부(52)는, 안면 검출부(32)로부터 공급된 안면 화상, 및, 안면 특징 점검출부(51)에 의해 검출된 얼라이먼트용 특징점을 해석하여, 추출된 안면이, 어느 방향으로 향하고 있는지를 검출하며, 안면 특징 위치가 기준 위치에 오도록, 아핀 변환 등의 모핑 처리를 실시한다.
안면 인식 처리부(211)는, 로컬 특징 계산부(221), 학습 데이터 저장부 (223), 및, 안면 인식부(222)를 포함하여 구성된다.
추출된 특징점이 기준 위치로 수정된 안면 화상은, 안면 인식 처리부(211)의 로컬 특징 계산부(221)에 공급된다. 로컬 특징 계산부(221)는, 학습 데이터 저장부(223)로부터, 인식용 특징량의 정보를 취득한다. 그리고, 로컬 특징 계산부 (221)는, 공급된 안면 화상의 인식용 특징량에 합치하는 특징점에 있어서의 로컬 특징량을 계산한다. 로컬 특징 계산부(221)는, 가보 필터(Gabor Filter)로 구성된다.
로컬 특징 계산부(221)는, 각각 다른 방향 및 주파수의 복수의 가보 필터를 이용하여, 인식용 특징량에 합치하는 특징점에 있어서의 특징량을 계산한다. 로컬 특징 계산부(221)는, 여기에서, 도 2를 이용하여 설명한 경우와 같이, 8종류의 방향과 5개의 주파수를 채용하고, 합계 40개의 가보 필터중 적어도 일부를 이용하여, 인식용 특징량에 합치하는 특징점의 특징량을 계산하는 처리를 실시한다.
로컬 특징 계산부(221)에 의해 산출된 특징량은, 안면 인식부(222)에 공급된다.
안면 인식부(222)는, 학습 데이터 저장부(223)에 기억되어 있는 학습기를 이용하여, 로컬 특징 계산부(221)에 의해 산출된 인식용 특징량에 합치하는 특징점에 있어서의 특징량과 안면 등록 데이터 베이스(35)에 등록되어 있는 등록안면 화상 데이터를 비교하고, 즉, 상관계수를 계산하여, 등록되어 있는 인물과 일치하는지 아닌지를 판단하며, 판단 결과를 인식 결과 출력부(36)에 공급한다. 즉, 안면 인식부(222)는, 학습 데이터 저장부(223)에 기억되어 있는 학습기의 신뢰도에 근거하여, 학습기의 판정 결과의 다수결을 실시하며, 등록되어 있는 인물과 일치하는지 아닌지의 판단을 실행한다.
안면 등록 데이터 베이스(35)에는, 등록되어 있는 인물의 인식에 필요한 특징량의 정보가 등록되어 있다. 즉, 안면 등록 데이터 베이스(35)에는, 등록되어 있는 인물의 안면 화상의 모든 특징점에 있어서의 모든 가보 제트가 등록될 수 있으며, 적어도, 인식용 특징량에 대응하는 특징량의 정보가 등록될 수 있다.
안면 등록 데이터 베이스(35)에 등록되어 있는 특징량의 데이터(즉, 등록안면 화상 데이터)는, 도 1의 화상 취득부(31) 내지 로컬 특징 계산부(71), 또는, 도 14의 화상 취득부(31) 내지 로컬 특징 계산부(221)에 의한 처리의 결과로서 취득되어 등록되는 데이터 또는, 도 1의 화상 취득부(31) 내지 로컬 특징 계산부(71), 또는, 도 14의 화상 취득부(31) 내지 로컬 특징 계산부(221)에 의한 처리의 결과로서 얻을 수 있다면, 외부로부터 취득되어서 등록되는 데이터가 될 수 있다.
인식 결과 출력부(36)는, 안면 인식부(222)로부터 공급된 판단 결과를, 예를 들면, 버저음, 텍스트 표시, LED 점등 등에 의해서 외부에 통지하거나 판단 결과를 외부의 장치에 출력한다. 구체적으로, 예를 들면, 인식 결과 출력부(36)는, 예를 들면, 디스플레이 등을 포함해 구성되며, 판정 결과를, 메세지 등의 형식으로 표시한다.
이와 같이, 화상 처리 장치(201)는, 특징량을 비교하여, 얻어진 사람의 안면 화상이 등록되어 있는 사람의 안면 화상과 일치하는지 아닌지의 식별을 실시한다.
다음에, 도 15의 플로차트를 참조하여, 화상 처리 장치(201)가 실행하는 인식 처리 2에 대해 설명한다.
스텝(S211)에서, 안면 검출부(32)는, 화상 취득부(31)에 의해 취득된 안면 화상을 포함한 화상으로부터 안면에 대응하는 부분을 검출하고, 검출된 안면 화상을, 안면 특징점 검출부(51) 및 안면 얼라이먼트부(52)에 공급한다.
스텝(S212)에서, 안면 특징점 검출부(51)는, 안면의 특징적인 부분(안면 특징 위치), 예를 들면, 목, 코, 입과 같은 특징적인 부분을 검출한다.
스텝(S213)에서, 안면 얼라이먼트부(52)는, 안면 검출부(32)로부터 공급된 안면 화상에 대해서, 안면 특징점 검출부(51)에 의해 검출된 안면 특징점에 근거하여 예를 들면, 아핀 변환과 같은 모핑 처리를 실시하며, 정면에서 촬상되었을 경우의 안면 화상에 대응하도록 변환한다. 변환된 안면 화상은, 로컬 특징 계산부 (221)에 공급된다.
스텝(S214)에서, 로컬 특징 계산부(221)는, 학습 데이터 저장부(223)로부터, 인식용 특징량의 정보를 취득한다.
상술한 인식용 특징량의 정보는, 학습기 생성에 이용된 기보 특징이, 어느 특징점에 대한 어느 조합인지(예를 들면, 전부 40개 가보 필터가 준비되어 있으면, 그 중의 어느 필터의 조합의 것이, 어느 특징점의 어느 학습기에 이용되었는지)를 나타내는 정보이다.
스텝(S215)에서, 로컬 특징 계산부(221)는, 예를 들면, 도 2를 이용하여 설명한 바와 같이, 가보 필터(Gabor Filter)를 이용하여, 인식용 특징량의 정보에 합치하는 특징점의 로컬 특징량을 산출한다.
스텝(S216)에서, 로컬 특징 계산부(221)는 가보 필터에 의해 얻을 수 있는 로컬 특징량과 취득된 인식용 특징량의 정보에 근거하여, 예를 들면, 도 3을 이용하여 설명한 바와 같이, 인식용 특징량에 나타난 특징점의 로컬 특징량의 조합을 생성하고, 생성된 조합을 상관계수 산출용 정보로서 안면 인식부(222)에 공급한다.
스텝(S217)에서, 안면 인식부(222)는, 안면 등록 데이터 베이스(35)로부터, 등록안면의 특징량을 판독한다.
스텝(S218)에서, 안면 인식부(222)는, 학습 데이터 저장부(223)로부터 학습기를 판독하고, 특징량을 대입하고, 계산한다. 구체적으로, 안면 인식부(222)는, 상관계수 산출용 정보로서 로컬 특징 계산부(221)로부터 공급된 인식용 특징량에 나타난 특징점의 로컬 특징량의 조합과, 안면 등록 데이터 베이스(35)로부터 판독된 등록안면의 특징량중 인식용 특징량에 나타난 특징점의 로컬 특징량의 조합에에 대응하는 조합간의 상관계수를 연산하고, 얻어진 상관계수를 특징량으로서 학습 데이터 저장부(223)로부터 판독된 학습기에 대입하여 계산한다.
즉, 상술한 것처럼, 상관계수 산출용 정보로서 로컬 특징 계산부(221)로부터 공급된 특징량은, 학습시에, 신뢰도가 높은 약학습기 fjk의 계산에 필요한 특징량이므로, 안면 인식부(222)는, 공급된 선택된 특징량을 각 약학습기 fjk에 대입해 학습기 R(x)를 계산한다. 그 후에, 안면 인식부(222)는, 각 약학습기 fjk의 판정 결과에 가중치가 부여된 투표 결과를 계산 결과로서 인식 결과 출력부(36)에 공급한다.
스텝(S219)에서, 인식 결과 출력부(36)는, 안면 인식부 (222)로부터 공급된 계산 결과에 근거하여, 대상 물체의 유무의 인식 결과를 출력한다. 즉, 안면 인식부(222)로부터 공급된 계산 결과는, 상술한 식 (13)에서 나타나는 연산 결과이므로, 인식 결과 출력부(36)는, 연산 결과로 [+1]이 공급되어 왔을 경우, 인식하려고 하는 대상 물체가 입력 화상에 포함되어 있다고 하는 결과를 출력하며, 연산 결과로 [-1]이 공급되어 왔을 경우, 인식하려고 하는 대상 물체가 입력 화상에 포함되지 않다는 결과를 출력하고, 처리가 종료된다.
이상의 처리에 의해, 학습 데이터 저장부(223)에 기억되어 있는 인식용 특징량의 정보에 근거하여, 인식 처리에 필요한 특징량만이 추출되어, 학습 데이터 저장부(223)에 기억되어 있는, 에러율 ejk의 비교적 낮은 L개의 약학습기 fjk로 구성되는 학습기 R(x)에 의해, 대상 물체의 인식 처리가 이루어진다.
화상 처리 장치(201)에서도, 이산 아다부스트 알고리즘에 근거하여, 학습 처리를 실행하는 예에 대해 설명해 왔지만, 그 이외의 부스팅 알고리즘을 적용할 수 있으며, 예를 들면, 젠틀 아다부스트 알고리즘를 이용할 수 있다. 이산 아다부스트 알고리즘과 젠틀 아다부스트 알고리즘은, 전자의 학습기의 출력 결과가 이산 변량인데 반해, 후자는, 연속 변량인 점이라는 것이 다르다. 그렇지만, 전자에 대해서는, 신뢰도가 증배되므로, 출력 결과는, 실질적으로 연속 변량으로 다루어지고 있어 본질적으로 처리의 차이는 없다. 젠틀 아다부스트 알고리즘을 적용했을 경우, 상술한 식 (11) 및 식 (13) 대신에, 상술한 식 (14) 및 식 (15)가 이용되지만, 처리는 동일하다.
상술한 일련의 처리는, 소프트웨어와 하드웨어에 의해 실행될 수도 있다. 상술한 일련의 처리가 소프트웨어에 의해 실행될 때에, 소프트웨어를 구성하는 프로그램이, 전용의 하드웨어 장비에 설치된다. 또는 그 프로그램은, 네트워크 또는 기록매체로부터, 각종의 프로그램이 각종의 기능을 실행하기 위해 설치되는 예를 들면 범용의 퍼스널 컴퓨터 등에, 설치된다. 이 경우, 예를 들면, 도 1을 이용하여 설명한 화상 처리 장치(11)는, 도 16에 나타나는 퍼스널 컴퓨터(301)로 구성된다.
도 16을 참조하면, CPU(Central Processing Unit)(311)는, ROM(Read Only M emory)(312)에 기억되어 있는 프로그램, 또는 저장부(318)로부터 RAM(Random Access Memory)(313)으로 로드된 프로그램에 따라, 각종의 처리를 실행한다. RAM(313)은 CPU(311)가 각종 처리의 실행을 위해 필요한 데이터를 저장한다.
CPU(311), ROM(312), 및 RAM(313)은, 버스(314)를 통해 서로 접속되어 있다.이 버스(314)에는 또, 입출력 인터페이스(315)도 접속되어 있다.
입출력 인터페이스(315)에는, 키보드, 마우스로 구성되는 입력부(316), 디스플레이 모니터와 스피커로 구성되는 출력부(317), 하드 디스크로 구성되는 저장부 (318), 모뎀과 터미널 어댑터로 구성되는 통신부(319)가 접속되어 있다. 통신부 (319)는, 인터넷과 같은 네트워크를 통해 통신 처리를 실시한다.
입출력 인터페이스(315)에는 또, 필요에 따라 드라이브(320)가 접속된다. 상기 드라이브에는, 자기 디스크(331), 광디스크(332), 광학 자기 디스크(333), 혹은, 반도체 메모리(334)가 로드된다. 이러한 기록매체로부터 판독된 컴퓨터 프로그램이, 필요에 따라서 저장부(318)에 설치된다.
상술한 일련의 처리가 소프트웨어에 의해 실행될 때에, 소프트웨어를 구성하는 프로그램이, 전용의 하드웨어 장비에 설치된다. 또는 그 프로그램은, 네트워크 또는 기록매체로부터, 각종의 프로그램이 각종의 기능을 실행하기 위해 설치되는 예를 들면 범용의 퍼스널 컴퓨터 등에, 설치된다.
이러한 기록 매체는, 도 16에 도시한 바와 같이, 장치 본체와는 별도로, 이용자에게 프로그램을 공급하기 위해서 배포되는, 프로그램이 기억되어 있는 자기 디스크(331)(floppy disk를 포함한다), 광디스크(332)(CD-ROM(Compact Disc-Read Only Memory), DVD(Digital Versatile Disc)를 포함한다), 광학 자기 디스크 (333)(MD(Mini-Disc)(상표)를 포함한다), 혹은 반도체 메모리(334)로 구성되는 패키지 미디어에 의해 구성될 뿐만 아니라, 장치 본체에 미리 내장된 상태로 이용자에게 공급되며, 프로그램이 기억되어 있는 ROM(312)나, 저장부(318)로 구성된다.
본 명세서에서, 기록 매체에 기록되는 프로그램을 기술하는 스텝은, 기재된 순서에 따라서 시계열적으로 행해지는 처리는 물론, 반드시 시계열적으로 처리되지 않아도, 병렬적 혹은 개별적으로 실행되는 처리도 포함하는 것이다.
본 발명의 실시의 형태는, 상술한 실시의 형태로 한정되는 것이 아니고, 본 발명의 요지를 일탈하지 않는 범위에 대해 여러 가지의 변경이 가능하다.
본 발명의 첨부된 청구항과 그와 동등한 것들의 범위내에서 여러 가지 수정과 결합, 소결합 및 변경들이 설계요구 및 다른 인자에 따라 이루어질 수 있다는 것을 당업자들이 알 수 있다.
도 1은, 화상 처리 장치의 구성을 나타내는 블럭도이다.
도 2는, 가보 필터에 대해 설명하기 위한 도이다.
도 3은, 조합의 예에 대해 설명하기 위한 도면이다.
도 4는, 부스팅 처리에 대해 설명하기 위한 도면이다.
도 5는, 부스팅 처리에 대해 설명하기 위한 다른 도면이다.
도 6은, 도 1의 학습기 생성부의 구성을 나타내는 블럭도이다.
도 7은, 학습시의 상관계수의 산출에 대해 설명하기 위한 도면이다.
도 8은, 부스팅 처리에 이용되는 특징량에 대해 설명하기 위한 도면이다.
도 9는, 학습 처리에 대해 설명하기 위한 플로차트이다.
도 10은, 학습기 생성 처리에 대해 설명하기 위한 플로차트이다.
도 11은, 인식 처리 1에 대해 설명하기 위한 플로차트이다.
도 12는, 40 종류의 가보 필터를 모두 이용한 40 차원의 특징 벡터를 이용하여 한 종류의 상관계수만을 구했을 경우에 있어서의 검출 정도에 대해 설명하기 위한 도면이다.
도 13은, 40 종류의 가보 필터 중 일부를 선택한 후에, 8 차원이 다른 복수의 조합에 의한 특징 벡터를 이용하여 복수의 상관계수를 구했을 경우에 있어서의 검출 정도에 대해 설명하기 위한 도면이다.
도 14는, 화상 처리 장치의 다른 구성예를 나타내는 블럭도면이다.
도 15는, 인식 처리 2에 대해 설명하기 위한 플로차트이다.
도 16은, 퍼스널 컴퓨터의 구성에 대해 설명하기 위한 도면이다.
Claims (31)
- 정보처리 장치에 있어서,학습을 실행하기 위해서 준비된 제 1의 정보로부터, N차원(N은 2이상의 정수)의 제 1의 특징량을 취득하고, N차원의 상기 제 1의 특징량을 이용하여, 상기 제 1의 특징량의 N차원 이하의 제 1의 특징량 조합을 최소한 두 개 생성하는 조합 생성 수단과,상기 조합 생성 수단에 의해 생성된 복수의 상기 제 1의 특징량 조합과 복수의 상기 제 1의 특징량 조합의 각각의 차원에 합치한 학습용 모델 특징량간의 제 1의 상관계수를 산출하고, 상기 제 1의 상관계수를 이용하여, 상기 제 1의 정보의 분류 처리를 실시하여, 소정의 제 2의 정보의 분류 처리를 행하기 위한 학습 처리를 실행하는 학습 처리 실행 수단을 갖추는 정보처리 장치.
- 제 1항에 있어서,상기 조합 생성 수단은, 상기 N차원의 상기 제 1의 특징량을 구성하는 요소를, 성질마다 분류한 행렬내의 연속하는 영역에 포함되는 상기 제 1의 특징량을 조합하여, 상기 제 1의 특징량 조합을 복수 생성하는 정보처리 장치.
- 제 1항에 있어서,상기 N차원의 상기 제 1의 특징량은, N개의 가보 필터에 의해서 취득된 특징 량이 되는 정보처리 장치.
- 제 3항에 있어서,상기 조합 생성 수단은, N개의 상기 가보 필터에 의해서 취득된 특징량에서, 상기 N개의 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류되어 생성된 행렬의 연속하는 영역에 포함되는 상기 제 1의 특징량을 조합하여 상기 제 1의 특징량 조합을 복수 생성하는 정보처리 장치.
- 제 4항에 있어서,상기 조합 생성 수단은, N개의 상기 가보 필터에 의해서 취득된 특징량에서, 상기 N개의 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류되어 생성된 행렬내의 소정의 범위내에서 필터 주파수와 필터의 방향을 포함하기 위해 직사각형 영역에 포함되는 상기 제 1의 특징량을 조합하여 상기 제 1의 특징량 조합을 복수 생성하는 정보처리 장치.
- 제 1항에 있어서,상기 학습 처리 실행 수단은, 부스팅 알고리즘을 이용하여, 상기 제 1의 정보를 분류함으로써, 상기 학습 처리를 실행하는 정보처리 장치.
- 제 1항에 있어서,상기 조합 생성 수단은, 상기 제 2의 정보로부터, 상기 학습 처리 실행 수단에 의해 실행된 상기 학습 처리에 대해 생성되는 소정의 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 제 2의 특징량을 취득하고, 상기 학습기에 근거하여 미리 결정되어 있는 상기 제 2의 특징량의 N차원 이하의 조합인 제 2의 특징량 조합을, 추가로 복수 생성하며,상기 조합 생성 수단에 의해 생성된 복수의 상기 제 2의 특징량 조합과 복수의 상기 제 2의 특징량 조합의 각각의 차원에 합치한 등록 특징량과의 제 2의 상관계수를 산출하고, 상기 제 2의 상관계수와, 상기 학습기를 이용하여 상기 제 2의 정보의 분류 처리를 실행하는 분류 처리 실행 수단을 추가로 갖추는 정보처리 장치.
- 분류 처리를 위한 학습을 실시하는 정보처리 장치의 정보처리 방법에 있어서,학습을 실행하기 위해서 준비된 제 1의 정보로부터, N차원(N은 2이상의 정수)의 제 1의 특징량을 취득하는 스텝과,N차원의 상기 제 1의 특징량을 이용하여, 상기 제 1의 특징량의 N차원 이하의 조합인 제 1의 특징량 조합을 복수 생성하는 스텝과,복수의 상기 제 1의 특징량 조합의 각각의 차원에 합치한 학습용 모델 특징량을 취득하여, 복수의 상기 제 1의 특징량 조합과 상기 학습용 모델 특징량과의 제 1의 상관계수를 산출하는 스텝과,상기 제 1의 상관계수를 이용하여, 상기 제 1의 정보의 분류 처리를 실행하여, 소정의 제 2의 정보의 분류 처리를 행하는 스텝을 포함하는 정보처리 방법.
- 제 8항에 있어서,상기 분류 처리에 의해 분류되기 위해서 공급된 상기 제 2의 정보로부터, 상기 학습 처리에 의한 학습의 결과로 얻어지는 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 제 2의 특징량을 취득하는 스텝과,N차원 이하의 상기 제 2의 특징량을 이용하여, 상기 학습기에 근거하여 미리 결정되어 있는 상기 제 2의 특징량의 N차원 이하의 조합인 제 2의 특징량 조합을 복수 생성하는 스텝과,복수의 상기 제 2의 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하는 스텝과,복수의 상기 제 2의 특징량 조합과 상기 등록 특징량과의 제 2의 상관계수를 산출하는 스텝과,상기 학습 처리에 의한 학습의 결과로 얻어지는 상기 학습기 및 상기 제 2의 상관계수를 이용하여, 상기 제 2의 정보의 분류 처리를 실행하는 스텝을 추가로 구비하는 정보처리 방법.
- 분류 처리를 위한 학습을 컴퓨터에 실행시키기 위한 프로그램에 있어서,학습을 실행하기 위해서 준비된 제 1의 정보로부터, N차원(N는 2이상의 정 수)의 제 1의 특징량을 취득하는 스텝과,N차원의 상기 제 1의 특징량을 이용하여, 상기 제 1의 특징량의 N차원 이하의 조합인 제 1의 특징량 조합을 복수 생성하는 스텝과,복수의 상기 제 1의 특징량 조합의 각각의 차원에 합치한 학습용 모델 특징량을 취득하여, 복수의 상기 제 1의 특징량 조합과 상기 학습용 모델 특징량과의 제 1의 상관계수를 산출하는 스텝과,상기 제 1의 상관계수를 이용하여, 상기 제 1의 정보의 분류 처리를 실행하여, 소정의 제 2의 정보의 분류 처리를 행하기 위한 학습 처리를 실행하는 스텝을 포함하는 프로그램.
- 제 10항에 있어서,상기 분류 처리에 의해 분류되기 위해서 공급된 상기 제 2의 정보로부터, 상기 학습 처리에 의한 학습의 결과로 얻어지는 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 제 2의 특징량을 취득하는 스텝과,N차원 이하의 상기 제 2의 특징량을 이용하여, 상기 학습기에 근거하여 미리 결정되어 있는 상기 제 2의 특징량의 N차원 이하의 조합인 제 2의 특징량 조합을 복수 생성하는 스텝과,복수의 상기 제 2의 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하는 스텝과,복수의 상기 제 2의 특징량 조합과 상기 등록 특징량과의 제 2의 상관계수를 산출하는 스텝과,상기 학습 처리에 의한 학습의 결과로 얻어지는 상기 학습기 및 상기 제 2의 상관계수를 이용하여, 상기 제 2의 정보의 분류 처리를 실행하는 스텝을 추가로 구비하는 프로그램.
- N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 학습 처리의 결과로 얻어지는 소정의 학습기를 이용하여 소정의 정보를 분류하는 인식 처리를 실시하는 인식 장치에 있어서,상기 소정의 정보로부터, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 미만의 소정의 상기 특징량을 취득하여, 상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 미만의 조합인 특징량 조합을 복수 생성하는 조합 생성 수단과,상기 조합 생성 수단에 의해 생성된 복수의 상기 특징량 조합과 복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량과의 상관계수를 산출하고, 상기 상관계수를 이용하여, 상기 학습기에 근거하여 상기 소정의 정보의 분류 처리를 실행하는 분류 처리 실행 수단을 갖추는 인식 장치.
- 제 12항에 있어서,상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 미만의 조합은, 상기 N차원의 상기 특징량을 구성하는 요소를, 성질마다 분류한 행렬에 대해 연속하는 영역에 포함되는 상기 특징량의 복수의 조합이 되는 인식 장치.
- 제 12항에 있어서,상기 특징량은, 복수 종류의 가보 필터중 어느 한 필터에 의해 취득된 특징량이 되는 인식 장치.
- 제 14항에 있어서,상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 미만의 조합은, 상기 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류되어 생성된 행렬에 대해 연속하는 영역에 포함되는 상기 특징량이 조합되어 있는 복수의 조합이 되는 인식 장치.
- 제 15항에 있어서,상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 미만의 조합은, 상기 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류되어 생성된 행렬내에서 필터 주파수와 필터의 방향이 소정의 주파수 범위내에 있도록 직사각형 영역내에 포함되는 상기 특징량이 조합되어 있는 복수의 조합이 되는 인식 장치.
- 제 12항에 있어서,상기 분류 처리 실행 수단은, 부스팅 알고리즘을 이용하여, 상기 소정의 정 보를 분류하는 인식 장치.
- N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 학습 처리의 결과로 얻어지는 소정의 학습기를 이용하여 소정의 정보를 분류하는 인식 처리를 실행하는 인식 장치의 정보 인식 방법에 있어서,분류 처리에 의해 분류되는 상기 소정의 정보의 공급을 받아 상기 소정의 정보로부터, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 미만의 소정의 특징량을 취득하는 스텝과,N차원 미만의 상기 특징량을 이용하여, 상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 미만의 조합인 특징량 조합을 복수 생성하는 스텝과,복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하는 스텝과,복수의 상기 특징량 조합과 상기 등록 특징량과의 상관계수를 산출하고, 상기 상관계수를 이용하여, 상기 소정의 정보를 분류하는 스텝을 포함하는 정보 인식 방법.
- N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 학습 처리의 결과로 얻어지는 소정의 학습기를 이용하여 소정의 정보를 분류하는 인식 처리를 컴퓨터에 실행시키기 위한 프로그램에 있어서,분류 처리에 의해 분류되는 상기 소정의 정보의 공급을 받아 상기 소정의 정 보로부터, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 미만의 소정의 특징량을 취득하는 스텝과,N차원 미만의 상기 특징량을 이용하여, 상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 미만의 조합인 특징량 조합을 복수 생성하는 스텝과,복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하는 스텝과,복수의 상기 특징량 조합과 상기 등록 특징량과의 상관계수를 산출하고, 상기 상관계수를 이용하여, 상기 소정의 정보를 분류하는 스텝을 포함하는 프로그램.
- N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 소정의 정보를 분류하는 인식 처리를 실시하는 인식 장치에 있어서,학습 처리의 결과로 얻어지는 소정의 학습기와, 인식용 특징량의 정보를 기억하는 기억 수단과,상기 기억 수단에 의해 기억되어 있는 상기 학습기 및 상기 인식용 특징량을 이용하여, 상기 소정의 정보로부터, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 상기 특징량중 상기 인식용 특징량에 합치하는 특징량을 취득하여, 상기 인식용 특징량에 합치하는 상기 특징량의 N차원 이하의 조합인 특징량 조합을 복수 생성하는 조합 생성 수단과,상기 조합 생성 수단에 의해 생성된 복수의 상기 특징량 조합과 복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량과의 상관계수를 산출하고, 상기 상관계수를 이용하여 상기 학습기를 이용한 상기 소정의 정보의 분류 처리를 실행하는 분류 처리 실행 수단을 갖추는 인식 장치.
- 제 20항에 있어서,상기 인식용 특징량은, 상기 학습기에서 이용되는, 어느 특징점의 어느 로컬 특징량인지를 나타내는 정보가 되는 인식 장치.
- 제 20항에 있어서,상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 이하의 조합은, 상기 N차원의 상기 특징량을 구성하는 요소를, 성질마다 분류한 행렬내의 연속하는 영역에 포함되는 상기 특징량의 복수의 조합이 되는 인식 장치.
- 제 20항에 있어서,상기 특징량은, 복수의 가보 필터중 어느 필터에 의해 취득된 특징량이 되는 인식 장치.
- 제 23항에 있어서,상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 이하의 조합은, 상기 복수의 가보 필터의 필터 주파수와 필터의 방향에 의해분류되어 생성된 행렬내의 연속하는 영역에 포함되는 상기 특징량이 조합된 복수의 조합이 되는 인 식 장치.
- 제 24항에 있어서,상기 학습기에 근거하여 미리 결정되어 있는 상기 특징량의 N차원 이하의 조합은, 상기 복수의 가보 필터의 필터 주파수와 필터의 방향에 의해서 분류되어 생성된 행렬내의 소정의 범위에 있는 필터 주파수와 필터의 방향을 포함하기 위한 직사각형 영역에 포함되는 상기 특징량이 조합된, 복수의 조합이 되는 인식 장치.
- 제 20항에 있어서,상기 분류 처리 실행 수단은, 부스팅 알고리즘을 이용하여, 상기 소정의 정보를 분류하는 인식 장치.
- 학습 처리의 결과로 얻어지는 소정의 학습기와 인식용 특징량의 정보를 기억하는 저장부를 가지며, N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 소정의 정보를 분류하는 인식 처리를 실시하는 인식 장치의 정보 인식 방법에 있어서,상기 저장부에 기억되어 있는 상기 학습기 및 상기 인식용 특징량을 이용하여, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 상기 특징량중 상기 인식용 특징량에 합치하는 특징량을 취득하는 스텝과,상기 저장부에 기억되어 있는 상기 학습기 및 상기 인식용 특징량을 이용하 여, 상기 소정의 정보로부터, 상기 인식용 특징량에 합치하는 상기 특징량의 N차원 이하의 조합인 특징량 조합을 복수 생성하는 스텝과,복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하는 스텝과,생성된 복수의 상기 특징량 조합과 복수의 상기 특징량 조합의 각각의 차원에 합치한 상기 등록 특징량과의 상관계수를 산출하는 스텝과,상기 상관계수를 이용하여, 상기 학습기를 이용한 상기 소정의 정보의 분류 처리를 실행하는 스텝을 포함하는 정보 인식 방법.
- 저장부에 기억되어 있으며, 학습 처리의 결과로 얻어지는 소정의 학습기와 인식용 특징량의 정보를 이용하여, N차원(N은 2이상의 정수)의 특징량을 취득하고, 소정의 정보를 분류하는 인식 처리를 실시하는 처리를 컴퓨터에 실행시키기 위한 프로그램에 있어서,상기 저장부에 기억되어 있는 상기 학습기 및 상기 인식용 특징량을 이용하여, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 상기 특징량중 상기 인식용 특징량에 합치하는 특징량을 취득하는 스텝과,상기 저장부에 기억되어 있는 상기 학습기 및 상기 인식용 특징량을 이용하여, 상기 소정의 정보로부터, 상기 인식용 특징량에 합치하는 상기 특징량의 N차원 이하의 조합인 특징량 조합을 복수 생성하는 스텝과,복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량을 취득하는 스텝과,생성된 복수의 상기 특징량 조합과 복수의 상기 특징량 조합의 각각의 차원에 합치한 상기 등록 특징량과의 상관계수를 산출하는 스텝과,상기 상관계수를 이용하여, 상기 학습기를 이용한 상기 소정의 정보의 분류 처리를 실행하는 스텝을 포함하는 처리를 컴퓨터에 실행시키기 위한 프로그램.
- 정보처리 장치에 있어서,학습을 실행하기 위해서 준비된 제 1의 정보로부터, N차원(N은 2이상의 정수)의 제 1의 특징량을 취득하고, N차원의 상기 제 1의 특징량을 이용하여, 상기 제 1의 특징량의 N차원 이하의 제 1의 특징량 조합을 최소한 두 개 생성하는 조합 생성기와,상기 조합 생성 수단에 의해 생성된 복수의 상기 제 1의 특징량 조합과 복수의 상기 제 1의 특징량 조합의 각각의 차원에 합치한 학습용 모델 특징량간의 제 1의 상관계수를 산출하고, 상기 제 1의 상관계수를 이용하여, 상기 제 1의 정보의 분류 처리를 실시하여, 소정의 제 2의 정보의 분류 처리를 행하기 위한 학습 처리를 실행하는 학습 처리 실행기를 갖추는 정보처리 장치.
- N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 학습 처리의 결과로 얻어지는 소정의 학습기를 이용하여, 소정의 정보를 분류하는 인식 처리를 실시하는 인식 장치에 있어서,상기 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 상기 특징량중 상기 인식용 특징량에 합치하는 특징량을 취득하여, 상기 인식용 특징량에 합치하는 상기 특징량의 N차원 이하의 조합인 특징량 조합을 복수 생성하는 조합 생성기와,상기 조합 생성 수단에 의해 생성된 복수의 상기 특징량 조합과 복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량과의 상관계수를 산출하고, 상기 상관계수를 이용하여 상기 학습기를 이용한 상기 소정의 정보의 분류 처리를 실행하는 분류 처리 실행기를 갖추는 인식 장치.
- N차원(N은 2이상의 정수)의 특징량을 취득하는 것이 가능하고, 소정의 정보를 분류하는 인식 처리를 실시하는 인식 장치에 있어서,학습 처리의 결과로 얻어지는 소정의 학습기와, 인식용 특징량의 정보를 기억하는 저장부와,상기 기억 수단에 의해 기억되어 있는 상기 학습기 및 상기 인식용 특징량을 이용하여, 상기 소정의 정보로부터, 상기 학습기에 근거하여 미리 결정되어 있는 N차원 이하의 소정의 상기 특징량중 상기 인식용 특징량에 합치하는 특징량을 취득하여, 상기 인식용 특징량에 합치하는 상기 특징량의 N차원 이하의 조합인 특징량 조합을 복수 생성하는 조합 생성기와,상기 조합 생성 수단에 의해 생성된 복수의 상기 특징량 조합과 복수의 상기 특징량 조합의 각각의 차원에 합치한 등록 특징량과의 상관계수를 산출하고, 상기 상관계수를 이용하여 상기 학습기를 이용한 상기 소정의 정보의 분류 처리를 실행하는 분류 처리 실행기를 갖추는 인식 장치.
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JPJP-P-2006-00332302 | 2006-12-08 | ||
| JP2006332302 | 2006-12-08 | ||
| JPJP-P-2007-00218727 | 2007-08-24 | ||
| JP2007218727AJP4321645B2 (ja) | 2006-12-08 | 2007-08-24 | 情報処理装置および情報処理方法、認識装置および情報認識方法、並びに、プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20080053191Atrue KR20080053191A (ko) | 2008-06-12 |
Family
ID=39498087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020070122124ACeasedKR20080053191A (ko) | 2006-12-08 | 2007-11-28 | 정보처리 장치 및 정보처리 방법, 인식 장치 및 정보 인식방법, 및 , 프로그램 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US8411906B2 (ko) |
| JP (2) | JP4321645B2 (ko) |
| KR (1) | KR20080053191A (ko) |
| CN (1) | CN101196992B (ko) |
| DE (1) | DE602007008037D1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8189906B2 (en) | 2008-09-24 | 2012-05-29 | Canon Kabushiki Kaisha | Information processing apparatus and method |
| CN110991505A (zh)* | 2019-11-22 | 2020-04-10 | 拉扎斯网络科技（上海）有限公司 | 异常对象识别方法和装置以及异常行为识别方法和装置 |
| KR20210050167A (ko)* | 2019-10-28 | 2021-05-07 | 주식회사 뷰온 | 합성필터를 이용한 디스패리티 영상 생성장치 및 그 방법 |
| CN114219016A (zh)* | 2021-12-01 | 2022-03-22 | 国网福建省电力有限公司莆田供电公司 | 一种基于adaboost的油纸绝缘水分含量综合评估方法 |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4321645B2 (ja)* | 2006-12-08 | 2009-08-26 | ソニー株式会社 | 情報処理装置および情報処理方法、認識装置および情報認識方法、並びに、プログラム |
| KR100888476B1 (ko)* | 2007-02-15 | 2009-03-12 | 삼성전자주식회사 | 얼굴이 포함된 영상에서 얼굴의 특징을 추출하는 방법 및장치. |
| JP5041229B2 (ja)* | 2007-12-07 | 2012-10-03 | ソニー株式会社 | 学習装置および方法、認識装置および方法、並びにプログラム |
| JP2010244381A (ja)* | 2009-04-08 | 2010-10-28 | Sony Corp | ガボアフィルタ、画像認識装置および方法、プログラム、並びに記録媒体 |
| JP5538967B2 (ja)* | 2009-06-18 | 2014-07-02 | キヤノン株式会社 | 情報処理装置、情報処理方法、プログラム |
| JP2011154501A (ja)* | 2010-01-27 | 2011-08-11 | Sony Corp | 学習装置、学習方法、識別装置、識別方法、プログラム、及び情報処理システム |
| JP5873959B2 (ja)* | 2010-09-27 | 2016-03-01 | パナソニックＩｐマネジメント株式会社 | ホワイトリスト内外判定装置及び方法 |
| JP5671928B2 (ja)* | 2010-10-12 | 2015-02-18 | ソニー株式会社 | 学習装置、学習方法、識別装置、識別方法、およびプログラム |
| CN102859555B (zh)* | 2011-01-13 | 2016-04-20 | 松下知识产权经营株式会社 | 图像处理装置及图像处理方法 |
| JP5668932B2 (ja)* | 2011-05-23 | 2015-02-12 | 株式会社モルフォ | 画像識別装置、画像識別方法、画像識別プログラム及び記録媒体 |
| JP2015087973A (ja)* | 2013-10-31 | 2015-05-07 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 生成装置、生成方法、およびプログラム |
| JP6632288B2 (ja)* | 2014-12-12 | 2020-01-22 | キヤノン株式会社 | 情報処理装置、情報処理方法、プログラム |
| US10963063B2 (en)* | 2015-12-18 | 2021-03-30 | Sony Corporation | Information processing apparatus, information processing method, and program |
| CN105701830B (zh)* | 2016-01-18 | 2018-09-21 | 武汉大学 | 基于几何模型的lasis波段影像配准方法及系统 |
| JP6781950B2 (ja)* | 2016-10-12 | 2020-11-11 | オムロン株式会社 | 識別情報付与システム、識別情報付与方法、及びそのプログラム |
| CN106650682B (zh)* | 2016-12-29 | 2020-05-01 | Tcl集团股份有限公司 | 一种人脸追踪的方法及装置 |
| JP7218215B2 (ja)* | 2019-03-07 | 2023-02-06 | 株式会社日立製作所 | 画像診断装置、画像処理方法及びプログラム |
| CN110825765B (zh)* | 2019-10-23 | 2022-10-04 | 中国建设银行股份有限公司 | 一种人脸识别的方法和装置 |
| WO2022113281A1 (ja)* | 2020-11-27 | 2022-06-02 | 日本電気株式会社 | 生体認証システム、生体認証方法、及びコンピュータプログラム |
| CN116361702A (zh)* | 2021-12-27 | 2023-06-30 | 中移(苏州)软件技术有限公司 | 一种网络设备识别方法、装置、设备及存储介质 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05303645A (ja)* | 1992-04-28 | 1993-11-16 | Toshiba Corp | 画像認識装置 |
| JPH06168318A (ja)* | 1992-11-27 | 1994-06-14 | Video Res:Kk | 顔画像認識装置 |
| JPH11175724A (ja)* | 1997-12-11 | 1999-07-02 | Toshiba Tec Corp | 人物属性識別装置 |
| JP3962517B2 (ja)* | 1999-12-08 | 2007-08-22 | キヤノン株式会社 | 顔面検出方法及びその装置、コンピュータ可読媒体 |
| US20030023910A1 (en)* | 2001-07-25 | 2003-01-30 | Myler Harley R. | Method for monitoring and automatically correcting digital video quality by reverse frame prediction |
| KR100941209B1 (ko) | 2001-08-23 | 2010-02-10 | 소니 주식회사 | 로봇 장치, 얼굴 인식 방법 및 얼굴 인식 장치 |
| CN1459761B (zh)* | 2002-05-24 | 2010-04-21 | 清华大学 | 基于Gabor滤波器组的字符识别技术 |
| JP2005044330A (ja)* | 2003-07-24 | 2005-02-17 | Univ Of California San Diego | 弱仮説生成装置及び方法、学習装置及び方法、検出装置及び方法、表情学習装置及び方法、表情認識装置及び方法、並びにロボット装置 |
| JP4613617B2 (ja)* | 2005-01-07 | 2011-01-19 | ソニー株式会社 | 画像処理システム、学習装置および方法、並びにプログラム |
| JP2006202049A (ja)* | 2005-01-20 | 2006-08-03 | Omron Corp | 顔認識装置 |
| JP2006268825A (ja)* | 2005-02-28 | 2006-10-05 | Toshiba Corp | オブジェクト検出装置、学習装置、オブジェクト検出システム、方法、およびプログラム |
| JP4618098B2 (ja)* | 2005-11-02 | 2011-01-26 | ソニー株式会社 | 画像処理システム |
| JP4321645B2 (ja)* | 2006-12-08 | 2009-08-26 | ソニー株式会社 | 情報処理装置および情報処理方法、認識装置および情報認識方法、並びに、プログラム |
| JP2008152530A (ja)* | 2006-12-18 | 2008-07-03 | Sony Corp | 顔認識装置及び顔認識方法、ガボア・フィルタ適用装置、並びにコンピュータ・プログラム |
- 2007
- 2007-08-24JPJP2007218727Apatent/JP4321645B2/janot_activeExpired - Fee Related
- 2007-11-28KRKR1020070122124Apatent/KR20080053191A/konot_activeCeased
- 2007-12-06DEDE602007008037Tpatent/DE602007008037D1/deactiveActive
- 2007-12-06USUS11/951,437patent/US8411906B2/ennot_activeExpired - Fee Related
- 2007-12-10CNCN200710195332XApatent/CN101196992B/zhnot_activeExpired - Fee Related
- 2009
- 2009-04-13JPJP2009097485Apatent/JP4645749B2/janot_activeExpired - Fee Related
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8189906B2 (en) | 2008-09-24 | 2012-05-29 | Canon Kabushiki Kaisha | Information processing apparatus and method |
| KR20210050167A (ko)* | 2019-10-28 | 2021-05-07 | 주식회사 뷰온 | 합성필터를 이용한 디스패리티 영상 생성장치 및 그 방법 |
| CN110991505A (zh)* | 2019-11-22 | 2020-04-10 | 拉扎斯网络科技（上海）有限公司 | 异常对象识别方法和装置以及异常行为识别方法和装置 |
| CN110991505B (zh)* | 2019-11-22 | 2023-12-26 | 拉扎斯网络科技（上海）有限公司 | 异常对象识别方法和装置以及异常行为识别方法和装置 |
| CN114219016A (zh)* | 2021-12-01 | 2022-03-22 | 国网福建省电力有限公司莆田供电公司 | 一种基于adaboost的油纸绝缘水分含量综合评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| DE602007008037D1 (de) | 2010-09-09 |
| JP4321645B2 (ja) | 2009-08-26 |
| US20080137917A1 (en) | 2008-06-12 |
| JP4645749B2 (ja) | 2011-03-09 |
| CN101196992A (zh) | 2008-06-11 |
| US8411906B2 (en) | 2013-04-02 |
| JP2008165731A (ja) | 2008-07-17 |
| CN101196992B (zh) | 2010-06-23 |
| JP2009157950A (ja) | 2009-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20080053191A (ko) | 정보처리 장치 및 정보처리 방법, 인식 장치 및 정보 인식방법, 및 , 프로그램 | |
| Zahisham et al. | Food recognition with resnet-50 | |
| Cheng et al. | Exploiting effective facial patches for robust gender recognition | |
| CN109583322B (zh) | 一种人脸识别深度网络训练方法和系统 | |
| Ali et al. | Boosted NNE collections for multicultural facial expression recognition | |
| US7912253B2 (en) | Object recognition method and apparatus therefor | |
| CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
| Tivive et al. | A gender recognition system using shunting inhibitory convolutional neural networks | |
| WO2008091281A2 (en) | Artificial intelligence systems for identifying objects | |
| Mähönen et al. | Automated source classification using a Kohonen network | |
| US7233692B2 (en) | Method and computer program product for identifying output classes with multi-modal dispersion in feature space and incorporating multi-modal structure into a pattern recognition system | |
| EP1930842B1 (en) | Face recognition with Gabor filters | |
| US7164791B2 (en) | Method and computer program product for identifying and incorporating new output classes in a pattern recognition system during system operation | |
| Szmurło et al. | Ensemble of classifiers based on CNN for increasing generalization ability in face image recognition | |
| Broussard et al. | Using artificial neural networks and feature saliency techniques for improved iris segmentation | |
| Curran et al. | The use of neural networks in real-time face detection | |
| Kodinariya | Hybrid Approach to Face Recognition System using Principle component and Independent component with score based fusion process | |
| You | Discrete Lion Swarm Optimization Algorithm for face recognition: Discrete Lion Swarm Optimization Algorithm for face recognition | |
| Meng et al. | Khmer character recognition using artificial neural network | |
| Sultanov | Analysis of methods for detecting faces in an image | |
| Nakano et al. | Recognition of Smiling Faces Using Neural Networks and SPCA | |
| Mamatov et al. | Algorithm for Selecting Optimal Features in Face Recognition Systems | |
| Verma et al. | A hybrid approach to human face detection | |
| Stojmenovic | Algorithms for Real‐Time Object Detection in Images | |
| ÖZTÜRK | REPUBLIC OF TURKEY AKDENIZ UNIVERSITY |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application | Patent event code:PA01091R01D Comment text:Patent Application Patent event date:20071128 | |
| PG1501 | Laying open of application | ||
| A201 | Request for examination | ||
| PA0201 | Request for examination | Patent event code:PA02012R01D Patent event date:20120910 Comment text:Request for Examination of Application Patent event code:PA02011R01I Patent event date:20071128 Comment text:Patent Application | |
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection | Comment text:Notification of reason for refusal Patent event date:20131129 Patent event code:PE09021S01D | |
| E601 | Decision to refuse application | ||
| PE0601 | Decision on rejection of patent | Patent event date:20140227 Comment text:Decision to Refuse Application Patent event code:PE06012S01D Patent event date:20131129 Comment text:Notification of reason for refusal Patent event code:PE06011S01I |