CN110537188A - 物体识别装置、物体识别系统以及物体识别方法 - Google Patents

物体识别装置、物体识别系统以及物体识别方法 Download PDF

Info

Publication number
CN110537188A
CN110537188A CN201780089469.9A CN201780089469A CN110537188A CN 110537188 A CN110537188 A CN 110537188A CN 201780089469 A CN201780089469 A CN 201780089469A CN 110537188 A CN110537188 A CN 110537188A
Authority
CN
China
Prior art keywords
information
reliability
data
property data
property
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201780089469.9A
Other languages
English (en)
Other versions
CN110537188B (zh
Inventor
孔全
渡边裕树
秋良直人
松原大辅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Publication of CN110537188A publication Critical patent/CN110537188A/zh
Application granted granted Critical
Publication of CN110537188B publication Critical patent/CN110537188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—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
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Abstract

提供能够高精度地识别物体的物体识别技术。物体识别装置根据关于物体取得的对象数据(图像数据等)，关于多个不同的性质，生成将特定的性质进行了强调的性质数据，针对每个性质数据抽出作为在性质数据各自的判别中使用的特征量的判别用特征量，根据关于性质数据分别求出的判别用特征量，针对每个性质数据求出在性质数据的判别中使用的判别信息，针对每个性质数据抽出在关于性质数据分别求出的判别信息的可靠性的推测中使用的可靠性特征量，根据关于性质数据分别求出的可靠性特征量，针对每个性质数据推测判别信息的可靠性，生成将针对每个性质数据求出的判别信息和针对每个性质数据求出的可靠性进行了合成的合成信息，根据合成信息进行与物体的识别有关的处理，生成识别结果。

Description

物体识别装置、物体识别系统以及物体识别方法
技术领域
本发明涉及物体识别装置、物体识别系统以及物体识别方法。
背景技术
在专利文献1中记载为“预先关于大量的物体，从整体或者1个以上的部分输入性质不同的1个以上的信息，将通过所述信息的综合而得到的综合信息针对每个类别进行分类，根据针对每个所述类别分类的综合信息求出特征抽出矩阵，并根据所述特征抽出矩阵求出其代表特征量，从输入物体，从整体或者1个以上的部分输入性质不同的信息，综合所述性质不同的信息，使用所述综合信息和所述特征抽出矩阵来计算特征量，将所述代表特征量和所述输入物体的特征量的类似度最高的部分作为识别结果而输出1个或者1个以上”。
现有技术文献
专利文献1：日本特开2001-14465号公报
发明内容
在专利文献1中，从输入物体，从整体或者1个以上的部分输入性质不同的信息，综合性质不同的信息，使用综合信息和特征抽出矩阵来计算特征量，将代表特征量和输入物体的特征量的类似度最高的部分作为识别结果而输出1个或者1个以上。
但是，在这样将多个信息统一地综合为一个信息、并根据从综合的信息求出的特征量而综合地表现物体的多个性质的方式中，对识别有利的特征量被平均化，并且综合的信息中所包含的对识别不利那样的信息也一并被学习，所以存在识别精度的提高已到极限这样的课题。
本发明是鉴于这样的背景而完成的，其目的在于提供一种能够高精度地识别物体的物体识别装置、物体识别系统以及物体识别方法。
本发明之一是一种物体识别装置，具备：异种性质数据生成部，根据作为关于物体取得的数据的对象数据，关于多个不同的性质，生成作为将特定的性质进行了强调的数据的性质数据；判别用特征量抽出部，针对每个所述性质数据，抽出作为在所述性质数据各自的判别中使用的特征量的判别用特征量；判别信息计算部，根据关于所述性质数据分别求出的所述判别用特征量，针对每个所述性质数据，求出作为在所述性质数据的判别中使用的信息的判别信息；可靠性特征量抽出部，针对每个所述性质数据，抽出作为在关于所述性质数据分别求出的所述判别信息的可靠性的推测中使用的特征量的可靠性特征量；可靠性推测部，根据关于所述性质数据分别求出的所述可靠性特征量，针对每个所述性质数据推测所述判别信息的可靠性；合成信息生成部，生成合成信息，该合成信息是将针对每个所述性质数据求出的所述判别信息和针对每个所述性质数据求出的所述可靠性进行了合成的信息；以及物体识别处理部，根据所述合成信息进行与所述物体的识别有关的处理，生成识别结果。
此外，本申请公开的课题及其解决方法通过具体实施方式的栏以及附图而变得明确。
根据本发明，能够高精度地识别物体。
附图说明
图1是第1实施方式的物体识别装置的功能框图。
图2是用于实现物体识别装置的硬件的一个例子。
图3是判别器信息的一个例子。
图4是可靠性推测器信息的一个例子。
图5是可靠性推测部的功能框图。
图6是在计算正判别似然度值时进行的处理的一个例子。
图7是在计算误判别似然度值时进行的处理的一个例子。
图8是判别器权重信息的一个例子。
图9是说明物体识别处理的流程图。
图10是第1实施方式的物体识别装置的功能框图。
图11是学习部周边的功能框图。
图12是学习用信息的一个例子。
图13是带正误的可靠性特征量的一个例子。
图14是说明学习处理的流程图。
图15是第3实施方式的物体识别装置的异种性质数据生成部周边的功能框图。
图16是比例换算信息的一个例子。
图17是RGB变换表格的一个例子。
图18是示出由HSV变换处理部实施的变换的情况的图。
图19是物体识别系统的功能框图。
图20是识别结果显示画面的一个例子。
(符号说明)
1：物体识别系统；100：物体识别装置；111：对象数据取得部；112：异种性质数据生成部；113：特征量抽出部；1131：判别用特征量抽出部；1132：可靠性特征量抽出部；114：判别部；1141：判别信息计算部；1142：可靠性推测部；118：合成信息生成部；119：物体识别处理部；120：识别结果输出部；151：判别器信息；152：可靠性推测器信息；153：判别器权重信息；155：学习用信息；161：学习部；1611：判别器构筑部；1612：判别器权重信息生成部；1613：可靠性推测器构筑部；1614：正误评价部；1620：带正误的可靠性特征量；171：正判别可靠性推测器构筑部；172：误判别可靠性推测器构筑部；173：评价值计算部；611：正判别似然度值计算部；612：误判别似然度值计算部；620：可靠性计算部；S900：物体识别处理；S1400：学习处理；2000：识别结果显示画面。
具体实施方式
以下，参照附图来说明实施方式。此外，在以下的说明中，有时对相同或者类似的结构附加相同的符号而省略重复的说明。
[第1实施方式]
图1是作为第1实施方式说明的物体识别装置100的功能框图。物体识别装置100根据对物体进行摄影得到的影像数据等关于物体取得的数据(以下称为对象数据)，进行与物体识别有关的处理。更详细而言，物体识别装置100根据对象数据，关于多个不同的性质，生成将特定的性质(属性)进行了强调的数据(以下称为性质数据)，关于生成的各个性质数据，抽出在物体的判别中使用的特征量(以下称为判别用特征量)以及在根据该判别用特征量进行了物体的判别时的可靠性的推测中使用的特征量(以下称为可靠性特征量)。然后，物体识别装置100根据关于各个性质数据抽出的判别用特征量和可靠性特征量，进行与物体的识别有关的处理。
图2示出用于实现物体识别装置100的硬件(信息处理装置)的一个例子。物体识别装置100具备处理器51、主存储装置52、辅助存储装置53、输入装置54、输出装置55以及通信装置56的各结构。它们经由总线等通信单元可相互通信地连接。此外，例如也可以使用云系统中的云服务器那样的虚拟的资源来实现物体识别装置100的全部或者一部分。
处理器51例如使用CPU(Central Processing Unit，中央处理单元)、MPU(MicroProcessing Unit，微处理单元)、GPU(Graphics Processing Unit，图形处理单元)、DSP(Digital Signal Processor，数字信号处理器)等来构成。处理器51读出并执行储存于主存储装置52的程序，从而实现物体识别装置100的全部或者一部分的功能。主存储装置52例如是ROM(Read Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、非易失性半导体存储器(NVRAM(Non Volatile RAM))等，存储程序、数据。
辅助存储装置53例如是硬盘驱动器、SSD(Solid State Drive，固态驱动器)、光学式存储装置(CD(Compact Disc，高密度盘)、DVD(Digital Versatile Disc，数字多功能盘)等)、存储设备系统、IC卡、SD存储卡或光学式记录介质等记录介质的读取/写入装置等。储存于辅助存储装置53的程序、数据被随时载入到主存储装置52。辅助存储装置53例如也可以如网络存储设备那样构成为与物体识别装置100独立。
输入装置54是受理来自外部的数据的输入的接口，例如是记录介质(非易失性存储器、光学式记录介质、磁记录介质、光磁记录介质等)的读取装置、键盘、鼠标、触摸面板等。此外，例如也可以构成为物体识别装置100经由通信装置56从其它装置受理数据的输入。
输出装置55是向外部提供处理经过、处理结果等的数据、信息的用户接口，例如是画面显示装置(液晶显示器(Liquid Crystal Display)、投影仪、图形卡(Graphic card)等)、印刷装置、记录介质的记录装置等。此外，例如也可以构成为物体识别装置100经由通信装置56向其它装置提供处理经过、处理结果等的数据。
通信装置56是实现与图像取得装置2等其它装置、元件之间的通信的有线方式或者无线方式的通信接口，例如是NIC(Network Interface Card，网络接口卡)、无线通信模块等。
如图1所示，物体识别装置100具备信息存储部110、对象数据取得部111、异种性质数据生成部112、特征量抽出部113A、113B、判别部114A、114B、合成信息生成部118、物体识别处理部119以及识别结果输出部120。特征量抽出部113具备判别用特征量抽出部1131以及可靠性特征量抽出部1132。判别部114具备判别信息计算部1141以及可靠性推测部1142。此外，在以下的说明中，有时省略对结构的名称附加的符号的附加文字(字母部分)而对结构进行总称(例如将“特征量抽出部113A”、“特征量抽出部113B”总称为“特征量抽出部113”等)。
上述各功能例如通过由处理器51读出并执行储存于主存储装置52、辅助存储装置53的程序来实现。另外，这些功能例如通过物体识别装置100具备的硬件(FPGA(Field-Programmable Gate Array，现场可编程门阵列)、ASIC(Application SpecificIntegrated Circuit，专用集成电路)等)来实现。物体识别装置100也可以除了这些功能以外，例如还具备操作系统、设备驱动器、DBMS(DataBase Management System，数据库管理系统)等的功能。
图1所示的功能中的信息存储部110存储判别器信息151、可靠性推测器信息152以及判别器权重信息153。信息存储部110例如通过文件系统、DBMS来管理这些信息。
判别器信息151包括与针对性质数据的每个种类准备的判别器有关的信息(以下还称为判别器信息)。可靠性推测器信息152包括与针对性质数据的每个种类准备的可靠性推测器有关的信息(以下还称为可靠性推测器信息)。判别器权重信息153包括与判别器的权重有关的信息(以下还称为判别器权重信息)。判别器、可靠性推测器、判别器权重信息的详情后述。例如，经由输入装置54、通信装置56设定信息存储部110存储的信息。
对象数据取得部111经由输入装置54、通信装置56从外部取得对象数据。对象数据例如是由可见光照相机、立体照相机、IR(红外线)照相机、放射线(X射线)摄影装置等取得的数据(图像数据、RAW数据等)。
异种性质数据生成部112根据从外部输入的对象数据，关于多个不同的性质，生成作为将特定的性质进行了强调的数据的性质数据。例如，在对象数据是RGB(Red GreenBlue，红绿蓝)形式的图像数据的情况下，异种性质数据生成部112将从对象数据取出R(红色)分量而得到的数据、从对象数据取出G(绿色)分量而得到的数据、以及从对象数据取出B(蓝色)分量而得到的数据分别生成为性质数据。异种性质数据生成部112将生成的各性质数据分别输入到不同的特征量抽出部113和判别部114的组。在本实施方式中，为了简化说明，异种性质数据生成部112作为一个例子生成2种性质数据(以下称为性质A数据、性质B数据)，关于性质A数据，输入到特征量抽出部113A，关于性质B数据，输入到特征量抽出部113B。
特征量抽出部113的判别用特征量抽出部1131从性质数据，抽出作为在性质数据各自的判别中使用的特征量的判别用特征量，将抽出的判别用特征量输入到判别部114的判别信息计算部1141。判别用特征量例如包括用于对对象数据的形状进行识别的信息。判别用特征量抽出部1131例如将针对对象数据的特征的变化而具有鲁棒性(robust)的向量信息作为判别用特征量来抽出。并未限定判别用特征量的抽出方法，例如判别用特征量抽出部1131通过下述的参考文献1记载的方法从性质数据抽出判别用特征量。
(参考文献1)Bag of contour fragments for robust shape classification XWang，B Feng，X Bai，W Liu，LJ Latecki，Pattern Recognition 47(6)，2116-2125
特征量抽出部113的可靠性特征量抽出部1132抽出关于各个性质数据由判别信息计算部1141求出的作为在后述的判别信息的可靠性的推测中使用的特征量的可靠性特征量，并输入到判别部114的可靠性推测部1142。可靠性特征量是按照与判别用特征量不同的观点抽出的特征量，例如是表示对象数据的上下文信息的向量信息(例如，将包含于对象数据的颜色信息的出现频度用直方图来表现的向量信息等)等。
判别部114的判别信息计算部1141根据从判别用特征量抽出部1131输入的判别用特征量、以及从判别器信息151取得的针对每个性质数据准备的判别器，求出作为在性质数据的判别中使用的信息的判别信息。判定器例如使用SVM(Support Vector Machine，支持向量机)来构成。判别信息计算部1141例如生成向量形式的判别信息，将生成的向量形式的判别信息输入到合成信息生成部118。向量形式的判别信息例如包括表示对象数据所属的类别的标识符(以下还称为类别ID)、表示该对象数据向该类别的所属的程度的概率等信息。
图3示出判别器信息151的一个例子。判别器信息151包括具有性质ID1511以及判别器1512的各项目的一个以上的记录项。在性质ID1511中，设定针对性质数据的每个种类(性质)赋予的标识符(以下称为性质ID)。在判别器1512中，设定判别器的结构信息(例如表示判别器的公式)。
返回到图1，可靠性推测部1142根据从可靠性特征量抽出部1132输入的可靠性特征量、以及从可靠性推测器信息152取得的每个性质数据的可靠性推测器信息，推测判别信息计算部1141输出的判别信息的可靠性，将推测出的可靠性输入到合成信息生成部118。
图4示出可靠性推测器信息152的一个例子。如该图所示，可靠性推测器信息152由具有性质ID1521、正判别可靠性推测器1522、误判别可靠性推测器1523以及判别器评价值1524的各项目的一个以上的记录项构成。
在上述项目中的性质ID1521中设定上述性质ID。在正判别可靠性推测器1522中，设定用于构成可靠性推测器(以下称为正判别可靠性推测器)的信息(在本例子中是后述的正判别似然度值映射图)。在误判别可靠性推测器1523中，设定用于构成可靠性推测器(以下称为误判别可靠性推测器)的信息(在本例子中是后述的误判别似然度值映射图)。在判别器评价值1524中，设定判别器的评价值(例如是判别器的可靠性的先验概率)。
图5是说明可靠性推测部1142的详情的功能框图。如该图所示，可靠性推测部1142具有正判别似然度计算部611、误判别似然度值计算部612以及可靠性计算部620的各功能。
正判别似然度计算部611根据从可靠性特征量抽出部1132输入的可靠性特征量、以及从可靠性推测器信息152取得的正判别可靠性推测器(正判别似然度值映射图)，求出似然度(以下称为正判别似然度值)，将求出的正判别似然度值输入到可靠性计算部620。正判别似然度值的详情后述。
误判别似然度值计算部612求出基于从可靠性特征量抽出部1132输入的可靠性特征量以及从可靠性推测器信息152取得的误判别可靠性推测器(误判别似然度值映射图)的似然度(以下称为误判别似然度值)，将求出的误判别似然度值输入到可靠性计算部620。误判别似然度值的详情后述。
可靠性计算部620根据从可靠性推测器信息152取得的判别器的评价值、从正判别似然度计算部611输入的正判别似然度值、以及从误判别似然度值计算部612输入的误判别似然度值，求出关于相同的性质数据设置的判别信息计算部1141所输出的判别信息的可靠性。此外，关于可靠性推测器信息152的评价值，例如既可以由用户预先设定，也可以通过使用过去进行的判别的结果等的信息的机械学习等方法而自动地生成。
图6是概念性地示出在正判别似然度计算部611根据从可靠性特征量抽出部1132输入的可靠性特征量来计算正判别似然度值时进行的处理的一个例子的图。如该图所示，正判别似然度值计算部611存储有正判别似然度值映射图711。正判别似然度值映射图711包括将与可靠性特征量对应的似然度和二维空间的各坐标对应起来的信息。正判别似然度值计算部611输出在与可靠性特征量对应的坐标中设定的正判别似然度值。此外，正判别似然度值映射图711被设定成越是性质数据的判别易于成为正确解答的区域则成为越高的似然度值。
图7是概念性地示出在误判别似然度值计算部612根据从可靠性特征量抽出部1132输入的可靠性特征量来计算误判别似然度值时进行的处理的一个例子的图。如该图所示，误判别似然度值计算部612存储有误判别似然度值映射图811。误判别似然度值映射图811包括将与可靠性特征量对应的似然度与二维空间的各坐标对应起来的信息。误判别似然度值计算部612输出在与输入的可靠性特征量对应的坐标中设定的误判别似然度值。此外，误判别似然度值映射图811被设定成越是性质数据的判别易于成为不正确解答的区域则成为越高的似然度值。
此外，并未限定正判别似然度值映射图711、误判别似然度值映射图811的样式。关于正判别似然度值映射图711、误判别似然度值映射图811，例如既可以由用户根据经验等而手动地指定，也可以根据实际使用数据来实施判别是否易于成为正确解答的评价而得到的结果，通过机械学习等方法而自动地生成。
返回到图5，可靠性计算部620将正判别似然度值计算部611输出的正判别似然度值除以从正判别似然度值计算部611输出的正判别似然度值和从误判别似然度值计算部输出的误判别似然度值的加法值，并对得到的值乘以从可靠性推测器信息152取得的评价值，将由此得到的值作为可靠性而输入到合成信息生成部118。例如，可靠性计算部620根据下式求出上述的可靠性rn。此外，n表示性质的种类。
[式1]
在上式中，Cn是从可靠性特征量抽出部1132送来的可靠性特征量。另外，p(Cn|On＝1)是由正判别似然度值计算部611求出的正判别似然度值，p(Cn|On＝-1)是由误判别似然度计算部612求出的误判别似然度值。另外，p(On＝1)是从可靠性推测器信息152取得的、判别器的评价值(输出正确解答的可靠性的先验概率)，p(On＝-1)是从可靠性推测器信息152取得的、判别器的评价值(输出不正确解答的可靠性的先验概率)。
返回到图1，合成信息生成部118生成将从各判别部114输入的向量形式的判别信息h、可靠性r以及从判别器权重信息153取得的判别器的权重α进行了合成的信息即合成向量信息(合成信息)，将生成的合成向量信息输入到物体识别处理部119。此外，例如手动地或根据过去的信息设定判别器的权重α。在性质数据的种类是N种的情况下，合成向量信息例如用下式表示。
[式2]
图8示出判别器权重信息153的一个例子。如该图所示，判别器权重信息153包括具有性质ID1531以及判别器权重1532的各项目的一个以上的记录项。在性质ID1531中设定上述性质ID。在判别器权重1532中设定表示判别器的权重的信息。
返回到图1，物体识别处理部119根据从合成信息生成部118输入的合成向量信息，推测物体(对象数据)所属的类别，并输出推测结果。例如，物体识别处理部119将合成向量信息中的值最大的向量要素的索引值作为推测结果输出。
识别结果输出部120例如将表示物体识别处理部119推测的结果的信息(例如识别的类别信息等)输出到输出装置55。
图9是说明由以上说明的结构构成的物体识别装置100进行的处理(以下称为物体识别处理S900)的流程图。以下，参照该图来说明物体识别处理S900。
首先，对象数据取得部111经由输入装置54、通信装置56从外部取得对象数据(S911)。接下来，异种性质数据生成部112根据对象数据生成多种性质数据，将生成的各性质数据输入到各自对应的特征量抽出部113(S912)。
接下来，判别用特征量抽出部1131从性质数据抽出判别用特征量，并输入到判别部114(S913)。另外，可靠性特征量抽出部1132从性质数据抽出可靠性特征量，将抽出的可靠性特征量输入到判别部114(S914)。
接下来，判别信息计算部1141从判别器信息151取得与上述性质数据对应的判别器(S915)，根据基于取得的判别器信息的判别器和从判别用特征量抽出部1131输入的判别用特征量，生成判别信息，将生成的判别信息输入到合成信息生成部118(S916)。
接下来，可靠性推测部1142从可靠性推测器信息152取得与上述性质数据对应的可靠性推测器(S917)，根据取得的可靠性特征量和从可靠性推测器信息152取得的性质数据的可靠性推测器信息，求出判别信息计算部1141生成的判别信息的可靠性，将求出的可靠性输入到合成信息生成部118(S918)。
接下来，合成信息生成部118从判别器权重信息153取得与各性质数据对应的判别器权重信息(S919)，根据从各判别部114输入的判别信息、可靠性以及判别器权重信息，生成合成向量信息，将生成的合成向量信息输入到物体识别处理部119(S920)。
接下来，物体识别处理部119根据合成向量信息，推测对象数据所属的类别，将推测结果输入到识别结果输出部120(S921)。
接下来，识别结果输出部120将表示所输入的推测结果的信息输出到输出装置55(S922)。
通过以上，物体识别处理S900结束。
如以上说明那样，物体识别装置针对每个性质数据求出判别信息，并且求出每个性质数据的判别信息的可靠性，根据基于这些信息生成的合成向量信息来推测对象数据所属的类别，从而识别物体，所以不存在对识别有利的特征量被平均化这样的情况，能够高精度地识别物体。
[第2实施方式]
图10是作为第2实施方式说明的物体识别装置100的功能框图。第2实施方式的物体识别装置100能够通过与第1实施方式的物体识别装置100同样的硬件来实现。第2实施方式的物体识别装置100具备与第1实施方式的物体识别装置100同等的功能。
第2实施方式的物体识别装置100除了第1实施方式的物体识别装置100具备的功能以外，还具备学习部161。另外，第2实施方式的信息存储部110除了第1实施方式的物体识别装置100存储的信息以外，还存储学习用信息155。第2实施方式的物体识别装置100通过机械学习而自动地生成判别器信息151、可靠性推测器信息152以及判别器权重信息153。在学习用信息155中包括用于上述机械学习的学习用数据。以下，以与第1实施方式不同的点为中心进行说明。
图11示出学习部161周边的功能框图。如该图所示，学习部161具备判别器构筑部1611、判别器权重信息生成部1612、可靠性推测器构筑部1613以及正误评价部1614。另外，学习部161存储带正误的可靠性特征量1620。学习部161通过从学习用信息155取得学习用的判别用特征量以及学习用的可靠性特征量，并进行将它们作为学习用数据的机械学习，从而生成判别器信息151、可靠性推测器信息152以及判别器权重信息153。
图12示出学习用信息155的一个例子。如该图所示，学习用信息155包括由学习用数据ID1551、性质ID1552、可靠性特征量1553、判别用特征量1554以及类别ID1555的各项目构成的一个以上的记录项。学习用信息155的1个记录项与1个学习用数据对应。
在上述项目中的学习用数据ID1551中，设定针对每个学习用数据赋予的标识符(以下称为学习用数据ID)。在性质ID1552中设定性质ID。在可靠性特征量1553中设定学习用的可靠性特征量。在判别用特征量1554中设定学习用的判别用特征量。在类别ID1555中设定类别ID。
返回到图11，判别器构筑部1611根据存储为学习用信息155的学习用数据来学习判别器，将学习的判别器存储为判别器信息151。此外，判别器构筑部1611例如将关于学习用的判别用特征量发现模式(pattern)时的过程(process)作为判别器来学习。例如，在作为判别器使用SVM的情况下，判别器构筑部1611通过搜索在特征量空间中决定最能够将每个类别的特征量进行分离那样的平面的判别式的参数，从而学习判别器。
如图11所示，判别部114的判别信息计算部1141从判别器信息151取得判别器，根据取得的判别器和从学习用信息155取得的学习用数据，生成判别信息。然后，判别信息计算部1141生成使所生成的判别信息附带输入到上述判别器的学习用数据的类别ID1555而得到的信息(以下称为学习用判别信息)，将生成的学习用判别信息输入到学习部161的正误评价部1614。
正误评价部1614根据从判别信息计算部1141输入的学习用判别信息，推测该学习用判别信息的类别。例如，在判别信息是将表示对象数据的类别和类别的所属程度的概率、似然度等作为向量信息来表现的信息的情况下，正误评价部1614将具有最大似然度的类别推测为上述学习用判别信息的类别。
接下来，正误评价部1614通过比较推测出的类别和附带于上述学习用判别信息的类别，进行推测出的类别的正误评价，将其评价结果存储为带正误的可靠性特征量1620。
图13示出带正误的可靠性特征量1620的一个例子。如该图所示，带正误的可靠性特征量1620由具有性质ID1621、可靠性特征量1622以及正误评价1623的各项目的一个以上的记录项构成。
在上述项目中的性质ID1621中，设定上述学习用数据的性质ID1552。在可靠性特征量1622中，设定上述学习用数据的可靠性特征量1553。在正误评价1623中，设定上述正误评价的结果(以下称为正误评价)。
返回到图11，正误评价部1614在推测出的类别和附带于学习用判别信息的类别一致的情况下，将在上述学习用数据的性质ID1552和可靠性特征量1553的组合中作为正误评价而附带有“正”的记录项存储到带正误的可靠性特征量1620。另外，正误评价部1614在推测出的类别和附带于学习用判别信息的类别不一致的情况下，将在上述学习用数据的性质ID1552和可靠性特征量1553的组合中作为正误评价而附带有“误”的记录项存储到带正误的可靠性特征量1620。
判别器权重信息生成部1612例如根据带正误的可靠性特征量1620的正误评价1623的内容，求出每个性质(每个性质ID)的正确解答率，将把求出的正确解答率作为判别器的权重1532与性质ID1531对应起来的信息(记录项)，存储为判别器权重信息153。
可靠性推测器构筑部1613具有正判别可靠性推测器构筑部171、误判别可靠性推测器构筑部172以及评价值计算部173。
正判别可靠性推测器构筑部171从带正误的可靠性特征量1620，根据在正误评价1623中设定有“正”的可靠性特征量1622(学习用数据)来学习正判别可靠性推测器，将学习结果存储为可靠性推测器信息152。
误判别可靠性推测器构筑部172从带正误的可靠性特征量1620，根据在正误评价1623中设定有“误”的可靠性特征量1622(学习用数据)来学习误判别可靠性推测器，将学习结果存储为可靠性推测器信息152。
可靠性推测器构筑部1613例如在特征量空间中对正/误的可靠性特征量进行分组，搜索表示上述特征量空间中的正/误的可靠性特征量的似然度信息概率分布的概率模型的参数，从而学习正判别可靠性推测器以及误判别可靠性推测器。此外，正判别可靠性推测器成为表示“正”的可靠性特征量的概率分布的概率模型。另外，误判别可靠性推测器成为表示“误”的可靠性特征量的概率分布的概率模型。
评价值计算部173例如根据带正误的可靠性特征量1620的记录项的正误评价1623的“正”和“误”的比值(判别器的判别信息的正误率)，求出判别器的可靠性的先验概率。评价值计算部173将求出的比值作为判别器的评价值来输出，并存储为可靠性推测器信息152的判别器评价值1524。
图14是说明每当学习判别器信息151、可靠性推测器信息152以及判别器权重信息153时第2实施方式的物体识别装置100进行的处理(以下称为学习处理S1400)的流程图。以下，参照该图来说明学习处理S1400。
此外，作为执行以下说明的学习处理S1400的前提，准备学习用信息155。例如通过将异种性质数据生成部112根据学习用的对象数据而生成的性质数据输入到特征量抽出部113(判别用特征量抽出部1131、可靠性特征量抽出部1132)，从而生成学习用信息155的内容。
如该图所示，首先，学习部161的判别器构筑部1611根据存储为学习用信息155的学习用数据，学习判别器(S1411)。
接下来，判别部114的判别信息计算部1141从判别器信息151取得判别器，根据取得的判别器和从学习用信息155取得的学习用数据，生成学习用判别信息(S1412)。
接下来，正误评价部1614根据从判别信息计算部1141输入的学习用判别信息，推测在该学习用判别信息的生成中使用的学习用数据的类别(S1413)。
接下来，正误评价部1614比较推测出的类别和附带于学习用判别信息的类别，从而进行推测出的类别的正误评价，将评价结果存储为带正误的可靠性特征量1620(S1414)。
接下来，判别器权重信息生成部1612根据带正误的可靠性特征量1620的正误评价1623的内容，求出每个性质(性质ID)的正确解答率，将把求出的正确解答率作为判别器的权重1532与性质ID1531对应起来的信息(记录项)，存储为判别器权重信息153(S1415)。
接下来，可靠性推测器构筑部1613学习可靠性推测器(正判别可靠性推测器、误判别可靠性推测器)，并且求出判别器评价值，将学习的内容存储为可靠性推测器信息152(S1416)。
如以上那样，第2实施方式的物体识别装置100通过机械学习而自动地生成判别器信息151、可靠性推测器信息152以及判别器权重信息153，所以能够高效地构筑判别器信息151、可靠性推测器信息152以及判别器权重信息153。另外，根据针对每个性质准备的学习用数据，通过机械学习来构筑判别器信息151、可靠性推测器信息152以及判别器权重信息153，所以能够构筑识别精度高的物体识别装置100。另外，例如物体识别装置100根据从过去未识别过的物体取得的对象数据而生成判别器信息151、可靠性推测器信息152以及判别器权重信息153，从而能够关于各种物体高精度地进行识别。
[第3实施方式]
第3实施方式涉及第1实施方式或者第2实施方式中的物体识别装置100的对象数据取得部111以及异种性质数据生成部112的具体例。
第3实施方式的物体识别装置100的对象数据取得部111取得从X射线摄影装置输出的、表示X射线的透射强度的向量形式的数据(RAW数据、能量数据)作为对象数据。
图15是第3实施方式的物体识别装置100的异种性质数据生成部112周边的功能框图。如该图所示，异种性质数据生成部112具有比例换算处理部1121、RGB变换处理部1122以及HSV(Hue Saturation Value，色相饱和度值)变换处理部1123。
比例换算处理部1121根据从对象数据取得部111输入的对象数据而生成性质A数据，将生成的性质A数据输入到特征量抽出部113A。RGB变换处理部1122根据上述对象数据而生成性质B数据，将生成的性质B数据输入到特征量抽出部113B。HSV变换处理部1123根据上述对象数据而生成性质C数据，将生成的性质C数据输入到特征量抽出部113C。此外，这样在实施方式3中设想物体识别装置100将特征量抽出部113和判别部114的组具有3个以上的情况。
图16示出对象数据31(RAW数据)以及根据该对象数据31生成的比例换算信息32的一个例子。比例换算处理部1121生成对对象数据的各分量(表示能量强度的信息)在0～255的范围中进行了比例换算的信息(以下称为比例换算信息32)，使用所生成的比例换算信息32来生成灰度级图像数据，将所生成的灰度级图像数据作为性质A数据而输入到特征量抽出部113A。
图17是RGB变换处理部1122参照的RGB变换表格1700的一个例子。RGB变换处理部1122根据对象数据31的各分量的值，将各分量变换为RGB空间的信息(以下称为RGB空间信息)，将RGB空间信息、即彩色图像数据作为性质B数据而输入到特征量抽出部113B。
HSV变换处理部1123根据对象数据31的各分量的值，将各分量变换为HSV空间(色调空间H、彩度空间S、明度空间V)的信息(以下称为HSV空间信息)，将HSV空间信息(HSV空间的图像数据)作为性质C数据而输入到特征量抽出部113C。
图18示出由HSV变换处理部1123实施的变换的情况。如该图所示，关于上述变换中的色调空间H，例如使用预先准备的色调空间变换目的地参照表格1811来进行。另外，关于上述变换中的彩度空间S，例如通过进行对对象数据31的各分量的值在0～1的范围中进行比例换算的处理(彩度空间变换处理)来进行。另外，关于上述变换中的明度空间V，例如通过进行在对象数据31的各分量的值是0的附近(0至预定范围内)的情况下设为0并在其以外的情况下设为1的处理(明度空间变换处理)来进行。
这样，在对象数据是表示X射线的透射强度的向量形式的数据的情况下，能够通过以上的方法来生成反映了物体的不同的性质的多种性质数据，能够实现高精度地进行基于X射线图像的物体识别的结构。
此外，在本实施方式中，对比例换算处理部1121、RGB变换处理部1122以及HSV变换处理部1123输入相同的对象数据，但也可以对各自输入不同的对象数据。
[第4实施方式]
第4实施方式涉及根据第1至第3实施方式的物体识别装置100具备的要素而构成的、基于X射线摄影图像来识别物体的系统(以下称为物体识别系统1)的事例。
图19示出物体识别系统1的功能框图。如该图所示，物体识别系统1包括X射线摄影装置60、摄影图像存储装置61、物体识别装置100、物体识别装置设定终端200、学习装置300、学习装置设定终端400以及图像检查装置500。
摄影图像存储装置61、物体识别装置100、物体识别装置设定终端200、学习装置300、学习装置设定终端400以及图像检查装置500例如使用具有与图2所示的硬件同等的结构的信息处理装置来实现。这些装置的功能例如是通过由上述信息处理装置的处理器读出并执行储存于主存储装置、辅助存储装置的程序而实现的。另外，这些装置的功能例如通过上述信息处理装置的硬件来实现。另外，例如也可以通过云系统中的云服务器那样的虚拟的资源来实现这些装置的功能的全部或者一部分。
如该图所示，X射线摄影装置60和摄影图像存储装置61可通信地连接。X射线摄影装置60输出成为对象数据的表示X射线的透射强度的向量形式的数据(RAW数据、能量数据)。摄影图像存储装置61存储X射线摄影装置60输出的上述数据。
物体识别装置100与X射线摄影装置60、摄影图像存储装置61以及学习装置300经由第1通信网络51可通信地连接。另外，物体识别装置100与物体识别装置设定终端200经由第2通信网络52可通信地连接。另外，物体识别装置100与图像检查装置500经由第3通信网络53可通信地连接。学习装置300与学习装置设定终端400经由第4通信网络54可通信地连接。
第1至第4通信网络51～54例如是有线方式或者无线方式的通信网络，例如使用LAN(Local Area Network，局域网)、无线LAN、USB(Universal Serial Bus，通用串行总线)、串行通信、并行通信等预定的通信方式来实现。
X射线摄影装置60、摄影图像存储装置61经由第1通信网络51，向物体识别装置100、学习装置300提供对象数据(图像数据、影像数据)。
物体识别装置100具备与第1至第3实施方式中的至少任一个物体识别装置100同等的结构。物体识别处理部119的识别结果经由第3通信网络53被提供给图像检查装置500。此外，在该图中省略了记载，所以关于特征量抽出部113和判别部114的组合仅记载一个，但在第4实施方式的物体识别装置100中也将特征量抽出部113和判别部114的组合具备多个。
物体识别装置设定终端200具备判别器权重信息设定部211以及识别用阈值信息设定部212。判别器权重信息设定部211提供用于设定判别器权重信息153的用户接口。识别用阈值信息设定部212提供用于对在物体识别处理部119推测对象数据所属的类别时等所使用的阈值等各种设定信息进行设定的用户接口。
学习装置300具备异种性质数据生成部112、生成图像存储部311、判别用特征量抽出部1131、可靠性特征量抽出部1132、判别器构筑部1611、可靠性推测器构筑部1613以及已学习信息存储部312。其中，异种性质数据生成部112、判别用特征量抽出部1131、可靠性特征量抽出部1132、判别器构筑部1611以及可靠性推测器构筑部1613与第2实施方式相同，所以省略说明。
生成图像存储部311存储由异种性质数据生成部112生成的性质数据。已学习信息存储部312存储学习部161生成的判别器信息151、可靠性推测器信息152以及判别器权重信息153。已学习信息存储部312存储的这些信息经由第1通信网络51而被随时提供给物体识别装置100，物体识别装置100将提供的信息用作自身的判别器信息151、可靠性推测器信息152以及判别器权重信息153。
学习装置设定终端400具备类别设定部411。类别设定部411提供用于对生成图像存储部311所存储的性质数据中包含的物体赋予类别的用户接口(用于对学习用信息155的类别ID1555进行设定的用户接口)。
图像检查装置500具备识别结果输出部120。识别结果输出部120与第1实施方式相同，所以省略说明。
图20是识别结果输出部120作为识别结果输出的画面(以下称为识别结果显示画面2000)的一个例子。如该图所示，识别结果显示画面2000具有每个性质数据的图像显示区域2011、每个性质数据的可靠性的显示区域2012、每个类别的所属程度的显示区域2013、以及推测结果的显示区域2014。
在每个性质数据的图像显示区域2011中，根据对象数据(物体S的X射线摄影图像数据(X射线能量数据)，显示基于异种性质数据生成部112所生成的多个性质数据中的各个性质数据的图像(影像)。在本例子中，显示基于性质A数据、性质B数据以及性质C数据的各个数据的图像。用户能够根据该显示区域2011的内容，掌握性质数据的影像。
在每个性质数据的可靠性的显示区域2012中，关于各性质数据，显示判定部114的可靠性推测部1142推测的可靠性。关于可靠性最高的性质数据，在每个性质数据的图像显示区域2011中图像被强调显示(在本例子中带粗线框的显示)。在本例子中，可靠性最高的性质B数据(可靠性＝0.8442)的图像被强调显示。用户能够根据该显示区域2012的内容，掌握基于各性质数据的判定信息的可靠性。
在每个类别的所属程度的显示区域2013中，显示在物体识别处理部119根据合成向量信息来推测对象数据所属的类别时所求出的向各类别的所属程度。用户能够根据该显示区域2013的内容，掌握对象数据向各类别的所属程度的情况。
在推测结果的显示区域2014中，显示物体识别处理部119的推测结果。在本例子中，将所属程度最高的类别ID即“2”(所属程度＝0.8)显示为推测结果。用户能够根据该显示区域2014的内容，掌握识别结果。
通过如以上那样构成，能够使X射线摄影装置60和物体识别装置100协作，能够对由X射线摄影装置60取得的数据高效地进行与物体识别有关的处理。另外，学习装置300将从X射线摄影装置60取得并积蓄的数据作为学习用数据而继续地学习，并将学习的数据提供给物体识别装置100，从而能够实现高精度地进行物体识别的系统。
以上详细说明了第1至第4实施方式，但本发明不限于上述实施方式，显然能够在不脱离其要旨的范围中进行各种变更。例如，上述实施方式是为了易于理解地说明本发明而详细说明的例子，未必具备所说明的所有结构。另外，能够针对上述实施方式的结构的一部分，进行其它结构的追加、删除、置换。
例如，在以上的实施方式中，根据一种对象数据生成了多种性质数据，但也可以根据多个对象数据生成多种性质数据。作为根据多个对象数据生成多种性质数据的情况，例如设想对象数据包括从不同的方向对作为识别对象的物体进行摄影得到的多个图像数据的情况、对象数据包括对作为识别对象的物体的不同部分进行摄影得到的多个图像数据的情况等。
另外，上述的各结构、功能部、处理部、处理单元等例如也可以通过用集成电路进行设计等而用硬件来实现它们的一部分或者全部。另外，上述的各结构、功能等也可以通过由处理器解释并执行实现各个功能的程序，从而用软件来实现。实现各功能的程序、表格、文件等信息能够设置于存储器、硬盘、SSD(Solid State Drive，固态驱动器)等记录装置、或者IC卡、SD卡、DVD等记录介质。
另外，在上述各图中，关于控制线、信息线，示出在说明上认为必要的部分，未必示出安装方面的所有控制线、信息线。例如，也可以认为实际上几乎所有的结构相互连接。
另外，以上说明的各种装置的各种功能部、各种处理部、各种数据库的配置方式只不过是一个例子。各种功能部、各种处理部、各种数据库的配置方式能够根据各种装置具备的硬件、软件的性能、处理效率、通信效率等观点而变更为最佳的配置方式。
另外，根据资源的高效利用、处理效率提高、存取效率提高、检索效率提高等观点，能够灵活地变更上述数据库的结构(架构(Schema)等)。

Claims (15)

1.一种物体识别装置，具备：
异种性质数据生成部，根据作为关于物体取得的数据的对象数据，关于多个不同的性质，生成作为将特定的性质进行了强调的数据的性质数据；
判别用特征量抽出部，针对每个所述性质数据，抽出作为在所述性质数据各自的判别中使用的特征量的判别用特征量；
判别信息计算部，根据关于所述性质数据分别求出的所述判别用特征量，针对每个所述性质数据，求出作为在所述性质数据的判别中使用的信息的判别信息；
可靠性特征量抽出部，针对每个所述性质数据，抽出作为在关于所述性质数据分别求出的所述判别信息的可靠性的推测中使用的特征量的可靠性特征量；
可靠性推测部，根据关于所述性质数据分别求出的所述可靠性特征量，针对每个所述性质数据推测所述判别信息的可靠性；
合成信息生成部，生成合成信息，该合成信息是将针对每个所述性质数据求出的所述判别信息和针对每个所述性质数据求出的所述可靠性进行了合成的信息；以及
物体识别处理部，根据所述合成信息进行与所述物体的识别有关的处理，生成识别结果。
2.根据权利要求1所述的物体识别装置，其中，
具备存储判别器信息的信息存储部，该判别器信息是用于构筑针对每个所述性质数据准备的判别器的信息，
所述判别信息计算部根据所述性质数据的所述判别用特征量和关于该性质数据准备的所述判别器，求出该性质数据的所述判别信息。
3.根据权利要求2所述的物体识别装置，其中，
具备存储可靠性推测器信息的信息存储部，该可靠性推测器信息是用于构筑作为针对每个所述性质数据准备的可靠性推测器的正判别可靠性推测器以及误判别可靠性推测器的信息，
所述可靠性推测部具备：
正判别似然度值计算部，根据所述性质数据的所述可靠性特征量和该性质数据的所述正判别可靠性推测器，求出正判别似然度值；
误判别似然度值计算部，根据所述性质数据的所述可靠性特征量和该性质数据的所述误判别可靠性推测器，求出误判别似然度值；以及
可靠性计算部，根据所述正判别似然度值以及所述误判别似然度值，求出所述可靠性。
4.根据权利要求3所述的物体识别装置，其中，
所述信息存储部存储所述判别器的评价值，
所述可靠性计算部根据所述正判别似然度值、所述误判别似然度值以及所述评价值，求出所述可靠性。
5.根据权利要求4所述的物体识别装置，其中，
所述信息存储部存储作为与所述判别器各自的权重有关的信息的判别器权重信息，
所述合成信息生成部将根据所述判别信息、所述可靠性以及所述判别器的权重而生成的合成向量信息，生成为所述合成信息。
6.根据权利要求5所述的物体识别装置，其中，
所述物体识别处理部将根据所述合成向量信息推测的类别，生成为所述识别结果。
7.根据权利要求6所述的物体识别装置，其中，具备：
信息存储部，将学习用的所述判别用特征量和所述类别的对应作为学习用信息来存储；以及
判别器构筑部，根据所述学习用的判别用特征量，生成所述判别器信息。
8.根据权利要求6所述的物体识别装置，其中，
所述信息存储部将学习用的所述判别用特征量、学习用的所述可靠性特征量以及所述类别的对应作为学习用信息来存储，
所述判别信息计算部根据所述学习用的判别用特征量，生成学习用的所述判别信息，
所述物体识别装置具备：
正误评价部，根据所述学习用的判别信息来推测类别，比较推测出的该类别和与所述学习用的判别用特征量对应起来的类别，从而生成包括每个所述性质数据的正误评价的结果的信息即带正误的可靠性特征量；以及
判别器权重信息生成部，根据从所述带正误的可靠性特征量掌握的正误的比值，生成所述判别器权重信息。
9.根据权利要求8所述的物体识别装置，其中，
所述物体识别装置具备可靠性推测器构筑部，
所述可靠性推测器构筑部包括：
正判别可靠性推测器构筑部，根据所述带正误的可靠性特征量，构筑所述正判别可靠性推测器；
误判别可靠性推测器构筑部，根据所述带正误的可靠性特征量，构筑所述误判别可靠性推测器；以及
评价值计算部，根据所述带正误的可靠性特征量，求出所述评价值，
所述可靠性推测器构筑部根据所述正判别可靠性推测器、所述误判别可靠性推测器以及所述评价值，生成所述可靠性推测器信息。
10.根据权利要求7至9中的任意一项所述的物体识别装置，其中，
具备类别设定部，该类别设定部提供设定所述学习用信息的用户接口。
11.根据权利要求1至8中的任意一项所述的物体识别装置，其中，
所述对象数据是通过利用摄影装置对所述物体进行摄影而取得的RGB(红绿蓝)形式的图像数据，
所述异种性质数据生成部将从所述图像数据取出R分量得到的数据、从所述图像数据取出G分量得到的数据以及从所述图像数据取出B分量得到的数据中的至少2个以上的数据，生成为多个所述性质数据。
12.根据权利要求1至8中的任意一项所述的物体识别装置，其中，
所述对象数据是通过利用X射线摄影装置对所述物体进行摄影而取得的X射线图像数据，
在所述异种性质数据生成部中，
将以对所述X射线图像数据中的X射线强度值进行比例换算得到的值为像素值的灰度级图像，生成为第1所述性质数据，
将根据所述X射线图像数据中的X射线强度值的范围把所述X射线图像数据设为RGB(红绿蓝)形式的图像数据而得到的数据，生成为第2所述性质数据，
将根据所述X射线图像数据中的X射线强度值的范围把所述X射线图像数据设为HSV(色相饱和度值)形式的图像数据而得到的数据，生成为第3所述性质数据。
13.一种物体识别系统，构成为具备权利要求6所述的物体识别装置，其中，
所述物体识别系统具备与所述物体识别装置能够通信地连接的学习装置，
所述学习装置具备：
信息存储部，将学习用的所述判别用特征量、学习用的所述可靠性特征量以及所述类别的对应作为学习用信息来存储；
判别器构筑部，根据所述学习用的判别用特征量，生成所述判别器信息；
正误评价部，根据由所述判别信息计算部基于所述学习用的判别用特征量生成的所述学习用的判别信息来推测类别，比较推测出的该类别和与所述学习用的判别用特征量对应起来的类别，从而生成包括每个所述性质数据的正误评价的结果的信息即带正误的可靠性特征量；
判别器权重信息生成部，根据从所述带正误的可靠性特征量掌握的正误的比值，生成所述判别器权重信息；以及
可靠性推测器构筑部，
所述可靠性推测器构筑部包括：正判别可靠性推测器构筑部，根据所述带正误的可靠性特征量，构筑正判别可靠性推测器；误判别可靠性推测器构筑部，根据所述带正误的可靠性特征量，构筑误判别可靠性推测器；以及评价值计算部，根据所述带正误的可靠性特征量，求出所述评价值，所述可靠性推测器构筑部根据所述正判别可靠性推测器、所述误判别可靠性推测器以及所述评价值，生成所述可靠性推测器信息。
14.一种物体识别方法，使信息处理装置执行：
根据作为关于物体取得的数据的对象数据，关于多个不同的性质，生成作为将特定的性质进行了强调的数据的性质数据的步骤；
针对每个所述性质数据，抽出作为在所述性质数据各自的判别中使用的特征量的判别用特征量的步骤；
根据关于所述性质数据分别求出的所述判别用特征量，针对每个所述性质数据，求出作为在所述性质数据的判别中使用的信息的判别信息的步骤；
针对每个所述性质数据，抽出作为在关于所述性质数据分别求出的所述判别信息的可靠性的推测中使用的特征量的可靠性特征量的步骤；
根据关于所述性质数据分别求出的所述可靠性特征量，针对每个所述性质数据，推测所述判别信息的可靠性的步骤；
生成将针对每个所述性质数据求出的所述判别信息和针对每个所述性质数据求出的所述可靠性进行了合成的信息即合成信息的步骤；以及
根据所述合成信息进行与所述物体的识别有关的处理，生成识别结果的步骤。
15.根据权利要求14所述的物体识别方法，其中，
使所述信息处理装置还执行：
将学习用的所述判别用特征量、学习用的所述可靠性特征量以及所述类别的对应作为学习用信息来存储的步骤；
根据所述学习用的判别用特征量，生成所述判别器信息的步骤；
根据所述学习用的判别用特征量，生成学习用的所述判别信息的步骤；
生成通过根据所述学习用的判别信息来推测类别并比较推测出的该类别和与所述学习用的判别用特征量对应起来的类别而取得的、包括每个所述性质数据的正误评价的结果的信息即带正误的可靠性特征量的正误评价部；以及
根据从所述带正误的可靠性特征量掌握的正误的比值，生成所述判别器权重信息的步骤。
CN201780089469.9A 2017-04-12 2017-12-21 物体识别装置、物体识别系统以及物体识别方法 Active CN110537188B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017-078937 2017-04-12
JP2017078937A JP6785181B2 (ja) 2017-04-12 2017-04-12 物体認識装置、物体認識システム、及び物体認識方法
PCT/JP2017/045975 WO2018189962A1 (ja) 2017-04-12 2017-12-21 物体認識装置、物体認識システム、及び物体認識方法

Publications (2)

Publication Number Publication Date
CN110537188A true CN110537188A (zh) 2019-12-03
CN110537188B CN110537188B (zh) 2023-02-28

Family

ID=63792392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780089469.9A Active CN110537188B (zh) 2017-04-12 2017-12-21 物体识别装置、物体识别系统以及物体识别方法

Country Status (5)

Country Link
US (1) US10963736B2 (zh)
JP (1) JP6785181B2 (zh)
CN (1) CN110537188B (zh)
DE (1) DE112017007437T5 (zh)
WO (1) WO2018189962A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3998931A4 (en) * 2019-07-16 2023-04-19 Docbot, Inc. REAL-TIME DEPLOYMENT OF MACHINE LEARNING SYSTEMS
CN112529037A (zh) * 2020-11-06 2021-03-19 重庆恢恢信息技术有限公司 基于大数据分析建筑工地建设优化方法
WO2022185436A1 (ja) * 2021-03-03 2022-09-09 日本電気株式会社 情報処理装置、情報処理方法及び記録媒体

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104412302A (zh) * 2012-06-29 2015-03-11 西科姆株式会社 对象检测装置以及对象检测方法
US20150363667A1 (en) * 2014-05-26 2015-12-17 Kabushiki Kaisha Toshiba Recognition device and method, and computer program product
CN105404848A (zh) * 2014-09-05 2016-03-16 欧姆龙株式会社 识别装置以及识别装置的控制方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7242988B1 (en) * 1991-12-23 2007-07-10 Linda Irene Hoffberg Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore
JP2001014465A (ja) 1999-06-29 2001-01-19 Matsushita Electric Ind Co Ltd 物体認識方法及び物体認識装置
JP3776340B2 (ja) * 2000-09-27 2006-05-17 エムヴイテック・ソフトウェア・ゲーエムベーハー 対象物認識システム及び方法
US6775411B2 (en) * 2002-10-18 2004-08-10 Alan D. Sloan Apparatus and method for image recognition
JP2004337291A (ja) * 2003-05-14 2004-12-02 Konica Minolta Medical & Graphic Inc 画像出力情報設定方法および画像出力情報設定装置ならびに画像出力情報設定プログラム
US7129484B2 (en) * 2004-01-21 2006-10-31 Hitachi Global Storage Technologies Netherlands B.V. Method for pattern recognition in energized charge particle beam wafer/slider inspection/measurement systems in presence of electrical charge
US20070285554A1 (en) * 2005-10-31 2007-12-13 Dor Givon Apparatus method and system for imaging
CN101590825B (zh) * 2009-07-06 2011-08-31 浙江双友物流器械股份有限公司 测力棘轮式捆绑器
JP5786110B2 (ja) * 2009-12-11 2015-09-30 ライカ バイオシステムズ イメージング インコーポレイテッドＡｐｅｒｉｏ Ｔｅｃｈｎｏｌｏｇｉｅｓ， Ｉｎｃ． デジタル病理画像分析における信号対雑音比の改善
CN102959551B (zh) * 2011-04-25 2017-02-08 松下电器（美国）知识产权公司 图像处理装置
JP6254836B2 (ja) 2013-11-29 2017-12-27 キヤノン株式会社 画像検索装置、画像検索装置の制御方法およびプログラム
JP6395481B2 (ja) * 2014-07-11 2018-09-26 キヤノン株式会社 画像認識装置、方法及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104412302A (zh) * 2012-06-29 2015-03-11 西科姆株式会社 对象检测装置以及对象检测方法
US20150363667A1 (en) * 2014-05-26 2015-12-17 Kabushiki Kaisha Toshiba Recognition device and method, and computer program product
CN105404848A (zh) * 2014-09-05 2016-03-16 欧姆龙株式会社 识别装置以及识别装置的控制方法

Also Published As

Publication number Publication date
JP6785181B2 (ja) 2020-11-18
WO2018189962A1 (ja) 2018-10-18
JP2018180879A (ja) 2018-11-15
US20200117948A1 (en) 2020-04-16
DE112017007437T5 (de) 2020-01-09
CN110537188B (zh) 2023-02-28
US10963736B2 (en) 2021-03-30

Similar Documents

Publication Publication Date Title
Papazov et al. Real-time 3D head pose and facial landmark estimation from depth images using triangular surface patch features
Wang et al. Automatic analysis of lateral cephalograms based on multiresolution decision tree regression voting
TW393629B (en) Hand gesture recognition system and method
US9087232B2 (en) 3D object recognition
US10558851B2 (en) Image processing apparatus and method of generating face image
CN111723691B (zh) 一种三维人脸识别方法、装置、电子设备及存储介质
CN110537188A (zh) 物体识别装置、物体识别系统以及物体识别方法
CN110546644B (zh) 识别装置、识别方法以及记录介质
Casanova et al. Texture analysis using fractal descriptors estimated by the mutual interference of color channels
US20150003704A1 (en) Information processing apparatus and control method and control program thereof, and communication terminal and control method and control program thereof
JP2012073845A (ja) 計算機システム、及び画像／図表を位置合わせする方法
JP2000322573A (ja) 画像処理方法及びその装置
Rai et al. Using facial images for the diagnosis of genetic syndromes: a survey
JP2015197708A (ja) オブジェクト識別装置、オブジェクト識別方法及びプログラム
CN111553422A (zh) 手术器械自动识别回收方法及系统
CN111460910A (zh) 人脸脸型的分类方法、装置、终端设备及存储介质
CN110276263B (zh) 一种人脸识别系统及识别方法
CN111275754B (zh) 一种基于深度学习的脸部痘印比例计算方法
EP1810216A1 (en) 3d object recognition
CN107092907B (zh) 面向血液细菌培养的生长曲线处理方法、装置及系统
CN110532845A (zh) 生物认证装置和生物认证方法
CN110674817B (zh) 一种基于双目摄像头的车牌防伪的方法及装置
EP4350615A1 (en) Facial deformation compensation method for facial depth image, and imaging apparatus and storage medium
CN111723612A (zh) 人脸识别和人脸识别网络的训练方法和装置、存储介质
CN113658101B (zh) 图像中地标点检测方法、装置、终端设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant