JP2001005967A - 画像送信装置及びニューラルネットワーク - Google Patents

Abstract

(57)【要約】 【課題】 端末装置において、人物画像から顔画像を抽
出する処理とセンター装置へ送信する顔画像の特徴量の
符号化データを作成する処理とを共通化させる人物画像
認証システムを提供する。 【解決手段】 端末装置１００の特徴量判別符号化部１
０８は、ニューラルネットワークによって第１の特徴量
（人物画像の特徴量）を２進探索木に従ってベクトル量
子化することによって、人物画像の顔画像クラスに属す
る帰属度を判定するとともに、第２の特徴量（顔画像の
特徴量）をセンター装置１０１へ送信するため、ニュー
ラルネットワークによって第２の特徴量のブロックを２
進探索木に従ってベクトル量子化することによって、第
２の特徴量を符号化データに変換する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、画像送信装置及び
ニューラルネットワークに関し、特に画像認識に適した
画像送信装置及びニューラルネットワークを対象とす
る。

【０００２】

【従来の技術】セキュリティ監視、電子通商取引などの
分野では、人物の顔画像により個人の認証、識別を行
い、入退室の許可や、サービスの提供を行う人物画像認
証システムが提供されている。このような人物画像認証
システムでは、通常、要所におかれた端末装置とセンタ
ー装置とを通信ネットワークで接続し、端末装置で撮影
した人物画像をセンター装置へ転送し、センター装置側
で一括して、人物画像の認証を行う構成をとっている。

【０００３】図５６は、従来の人物画像認証システムの
構成を示す機能ブロック図である。従来の人物画像認証
システムは、端末装置５６００とセンター装置５６０１
を通信ネットワーク５６０２で接続して構成される。端
末装置５６００は、撮像部５６０３と、画像メモリ５６
０４と、画像サンプリング部５６０５と、画像直交変換
部５６０６と、画像符号化部５６０７と、通信部５６０
８より構成される。また、センター装置５６０１は、通
信部５６０９と、画像復号化部５６１０と、画像逆直交
変換部５６１１と、画像再生部５６１２と、画像メモリ
５６１３と、画像サンプリング部５６１４と、第１の特
徴量抽出部５６１５と、第１の特徴量判別部５６１６
と、第２の特徴量抽出部５６１８と、第２の特徴量判別
部５６１７より構成される。

【０００４】端末装置５６００の画像サンプリング部５
６０５は、画像メモリ５６０１中の人物画像をブロック
ごとにサンプリングしてブロック画像とし、これを画像
直交変換部５６０６に出力する。画像直交変換部５６０
６は、ブロック画像の画素信号を離散コサイン変換によ
り周波数変換し、データ量を圧縮するために低周波数成
分のみを画像符号化部５６０７に出力する。

【０００５】画像符号化部５６０７は、低周波成分の信
号をハフマン符号化して符号化データとする。通信部５
６０８は、センター装置５６０１の通信部５６０９へ符
号化データを転送する。画像復号化部５６１０は、符号
化データを復号化して低周波成分の信号にもどす。

【０００６】画像逆直交変換部５６１１は、低周波数成
分の信号を逆離散コサイン変換してもとの画像信号にも
どしてブロック画像とする。画像再生部５６１２は、ブ
ロック画像を再配列して人物画像を再生し、画像メモリ
５６１３に記憶する。センター装置５６０１の画像サン
プリング部５６１４は、画像メモリ５６１３中の人物画
像を所定の大きさにサンプリングして複数個の第１の部
分画像を生成する。

【０００７】第１の特徴量抽出部５６１５は、第１の部
分画像の画像信号より第１の特徴量を抽出する。第１の
特徴判別部５６１６は、第１の特徴量抽出部５６１５で
抽出した第１の特徴量を用いて、最も人物の顔画像の特
徴を示している第１の部分画像を特定する。

【０００８】そして、画像サンプリング部５６１４は、
人物画像より特定された第１の部分画像を含む領域をサ
ンプリングして第２の部分画像（顔画像）を生成し、第
２の特徴量抽出部５６１７に出力する。第２の特徴量抽
出部５６１７は、第２の部分画像（顔画像）の画像信号
より第２の特徴量を抽出する。

【０００９】第２の特徴量判別部５６１８は、第２の特
徴量抽出部５６１７で抽出した第２の特徴量より、その
人物が登録されている人物中のいずれであるかを特定す
る。ここで、第１の特徴量抽出部５６１５及び第２の特
徴量抽出部５６１７における特徴量抽出方法として、種
々のものがあるが、Ｋａｒｈｕｎｅｎ−Ｌｏｅｖｅ変換
が広く用いられている。

【００１０】また、第１の特徴量判別部５６１６及び第
２の特徴量判別部５６１８における特徴量判別方法にも
種々あるが、ニューラルネットワークがその有効性よ
り、広く用いられている。例えば、バックプロパゲーシ
ョンニューラルネットワークにより顔の識別を行なった
ものとして、著者S.Lawrence,C.L.Giles,A.C.Tsoi,A.D.
Backが１９９７年１月 IEEE Transaction on Neural Ne
twork Volume8 No1 98-113頁の題名"FaceRecognition:
A Convolutional Neural Network Approach" が挙げら
れる。

【００１１】また、その他の顔の識別を行なうニューラ
ルネットワークとして、同巻114-132頁で著者S.H.Lin,
S.Y.Kung, L.J.Linによる題名"Face Recognition/Detec
tionby Probabilistic Decision-based Neural Networ
k"がある。この文献で用いられているニューラルネット
ワークは、一種の学習ベクトル量子化（Ｌｅａｒｉｎｇ
Ｖｅｃｔｏｒ Ｑｕａｎｔｉｚａｔｉｏｎ：ＬＶＱ）
ニューラルネットワークに属するものだが、ＬＶＱに変
形を加え、精度を向上させている。すなわち、入力パタ
ーンが生起する分布として正規分布を仮定して、任意の
入力パターンとその平均パターンとの距離の計算に分散
値を考慮した距離を用いている。

【００１２】以下、このニューラルネットワークをσＬ
ＶＱ（分散値を考慮したＬＶＱ）ニューラルネットワー
クと記すことにする。上記のバックプロパゲーションニ
ューラルネットワーク及びσＬＶＱニューラルネットワ
ークでは、識別したい人物の顔画像を適切に学習するこ
とによって、未知の人物の顔画像に対して、学習ずみの
顔画像の中から最も類似する顔画像をもつ人物を特定す
ることができ、顔画像よりその人物の認証が行える。

【００１３】以上のような人物認証システムによって、
人物の顔画像を用いた人物認証が可能である。

【００１４】

【発明が解決しようとする課題】しかしながら、上述の
人物認証システムでは、一応は人物の認証ができるもの
の、その効率性、認識精度の点で以下のような問題があ
る。まず、従来の人物画像認証システムでは、端末装置
５６００から撮影した画像データをすべてをセンター装
置５６０１へ転送し、センター装置５６０１側で、認証
に必要な領域（顔領域）を切り出して、認証を行う構成
としていることである。このため、画像認証として用い
られる顔領域のデータ以外の膨大なデータをも通信ネッ
トワークを介して送信していることになり、無駄な通信
コストがかかる。また、一般に、人物画像から顔画像を
切り出す処理は時間を要するので、センター装置５６０
１が、遠隔多地点の端末装置５６００から転送されてく
る人物画像から顔画像を切り出す処理を一括して行うシ
ステム構成では、センター装置５６０１の負荷が高くな
る。

【００１５】この点については、端末装置５６００にお
いて顔画像の切り出し処理を行うようなシステム構成を
とればよいと考えることもできる。つまり、端末装置５
６００が第１の特徴量抽出部５６１５及び第１の特徴量
判別部５６１６を備えて、顔画像の切り出し処理を行わ
せるのである。これによって、端末装置５６００では、
第１の特徴量抽出部５６１５及び第１の特徴量判別部５
６１６によって顔画像の切り出し処理が行われ、画像直
交変換部５６０６及び画像符号化部５６０７によって、
顔画像を符号化する処理が行われる。

【００１６】しかし、これらの切り出し処理と符号化処
理とは、それぞれ別個の方式に基づいているので、別個
のハードウエアが必要となり、端末装置５６００のハー
ドウエアの規模が大きくなる。端末装置５６００では、
経済性、メンテナンス等の点で、できるだけ簡易なハー
ドウエア構成が望ましいのに対して、これは極めて重要
な問題となる。

【００１７】また、第１の特徴量判別部５６１６及び第
２の特徴量判別部５６１８において用いられるニューラ
ルネットワークには次のような問題がある。σＬＶＱ型
ニューラルネットワークでは、参照ベクトルのうちの代
表ベクトルの学習方法は公知のものを利用できるが、分
散ベクトルについての学習方法は未だ見出されておら
ず、そのため望ましい精度、及び学習時間が得られな
い。

【００１８】また、σＬＶＱ型ニューラルネットワーク
を含めニューラルネットワークは、一般に学習サンプル
数が少ない場合には、特徴量の構造を十分に学習できな
い。特に、σＬＶＱ型ニューラルネットワーク固有の問
題として、学習サンプル数が少ない場合には、学習サン
プルから統計計算した分散ベクトルの信頼性が低く、そ
のため、識別精度が著しく劣化する。

【００１９】さらに、ニューラルネットワークによる人
物識別では、未登録の人物の顔画像に対しても、それと
最も類似する顔画像をもつ人物（登録人物）が特定され
るので、未登録人物を誤って登録人物のいずれかである
ものと識別してしまう。また、ニューラルネットワーク
では、入力パターン又は出力パターンの次元が増えると
ともに、ネットワークの構造が大規模、複雑になり、多
量の学習データと学習時間を要するとともに、識別精度
も悪くなる。

【００２０】さらに、顔画像の位置に依存した特徴量を
ニューラルネットワークの入力パターンとする場合、撮
像部に対する人物の位置が変わると、その識別精度は劣
化する。特に、σＬＶＱ型ニューラルネットワークで
は、入力パターンの位置ずれに対して識別精度の劣化は
著しい。そこで、本発明はかかる問題点に鑑みてなされ
たものであり、端末装置のハードウエア構成が簡易とな
る人物認証システム、及び人物認証に適したニューラル
ネットワークを提供することを目的とする。

【００２１】

【課題を解決するための手段】上記目的を達成するため
に、本発明は、同一のクラスに属する複数の異なるオブ
ジェクトそれぞれを識別するための画像を送信する装置
であって、オブジェクトを撮像して得られる画像データ
を獲得する画像獲得手段と、獲得された画像データを用
いてオブジェクトの画像上の特徴を示す特徴量を作成す
る特徴量作成手段と、特徴量を構成する複数の特徴成分
それぞれに対応する座標軸からなる特徴空間を２分探索
が可能なように分割した分割境界面それぞれがノードに
対応づけられ、分割された最小単位の部分空間それぞれ
に末端の枝が対応づけられた２進探索木を予め記憶する
２進探索木記憶手段と、前記２進探索木の分割境界面に
従って、前記特徴量作成手段により作成された特徴量を
順次量子化していき、末端の枝を特定し、該末端の枝よ
り符号語を特定し、該符号語を特徴量の符号化データと
する符号化手段と、前記符号化データを送信する送信手
段とを備える。

【００２２】また、本発明の画像獲得手段は、人間を撮
像した撮像画像から複数個の部分画像を作成する部分画
像作成部と、前記部分画像の画像データの特徴を示す特
徴量を作成する特徴量作成部と、特徴量を構成する複数
の特徴成分それぞれに対応する座標軸からなる特徴空間
を２分探索が可能なように分割した分割境界面それぞれ
が各ノードに対応づけられ、分割された最小単位の部分
空間それぞれを特定する顔の画像クラスへの帰属度が末
端の枝に対応づけられた２進探索木を予め記憶する２進
探索木記憶部と、前記２進探索木の分割境界面に従っ
て、前記特徴量作成部が作成した特徴量を順次量子化し
ていき、末端の枝より前記特徴量の顔の画像クラスへの
帰属度を判定する帰属度判定部と、前記顔画像クラスへ
の帰属度が最大となる部分画像を顔の画像データとする
画像データ選択部とを備える。

【００２３】また、本発明は、学習により入力ベクトル
が属するベクトル空間を複数の代表ベクトルそれぞれに
対応する部分空間に分割する量子化を行い、入力ベクト
ルと各代表ベクトルとの距離を計算して、その距離の最
も近い代表ベクトルの属するカテゴリーに入力ベクトル
が属すると判定する学習ベクトル量子化ニューラルネッ
トワークであって、代表ベクトルと分散ベクトルとから
なる参照ベクトルを記憶する記憶手段と、前記入力ベク
トルと前記各代表ベクトルとの距離を［数１４］により
計算する距離計算手段と、前記距離の最も近い代表ベク
トルに属するカテゴリーに入力ベクトルが属すると判定
するカテゴリー判定手段と、カテゴリー判定が正しけれ
ば［数１５］により代表ベクトルを更新し、［数１６］
により分散ベクトルを更新し、カテゴリー判定が誤りで
あれば［数１７］により代表ベクトルを更新し、［数１
８］により分散ベクトルを更新することにより学習する
学習手段とを備える。

【００２４】

【数１４】

【００２５】

【数１５】

【００２６】

【数１６】

【００２７】

【数１７】

【００２８】

【数１８】

【００２９】また、本発明は、出力パターンにより入力
パターンが登録カテゴリーのいずれに属するのか、ある
いは登録カテゴリーに属さないのかを識別するニューラ
ルネットワークであって、登録カテゴリーに属するサン
プルと、登録カテゴリーに属さないサンプルを入力パタ
ーンとし、登録カテゴリーに属するサンプルに対して
は、それが登録カテゴリーのいずれであるかを示す出力
パターンを教師信号とし、登録カテゴリーに属さないサ
ンプルに対しては、それが擬似登録カテゴリーに属する
ことを示す出力パターンを教師信号として学習サンプル
を作成する学習サンプル作成手段と、前記学習サンプル
を用いて学習をする学習手段と、任意の入力パターンに
対して擬似登録カテゴリーに属することを示す出力パタ
ーンが得られた時には、該入力パターンが登録カテゴリ
ーに属さないと判断する未登録カテゴリー識別手段とを
備える。

【００３０】

【発明の実施の形態】以下、本発明の実施の形態につい
て図面を用いて説明する。 （実施の形態１）実施の形態１は、端末装置において、
同一の方式に基づいて顔画像の切り出し処理と符号化処
理を行う人物認証システムに関する。

【００３１】図１は、実施の形態１の人物画像認証シス
テムの構成を示す機能ブロック図である。人物画像認証
システムは、端末装置１００とセンター装置１０１を通
信ネットワーク１０２で接続して構成される。端末装置
１００は、人物を撮像して、撮像した画像から顔画像を
切り出し、顔画像の特徴量を符号化するもので、撮像部
１０３と、画像メモリ１０４と、画像サンプリング部１
０５と、特徴量変換部１０６と、第１の特徴量識別参照
情報記憶部１０７と、特徴量判別符号化部１０８と、第
２の特徴量符号化参照情報記憶部１０９と、選択信号入
力部１１１と、制御部１１２と、通信部１１３と、デー
タ記憶部１１４と、データ符号復号化部１１５と、デー
タ提示部１１６より構成される。

【００３２】撮像部１０３は、人物画像を撮像する。画
像メモリ１０４は、撮像した人物画像を以下の処理のた
め記憶する。画像サンプリング部１０５は、人物画像よ
り所定の大きさの矩形領域内の部分画像を取り出し、濃
度値の補正を行なって第１の部分画像及び第２の部分画
像を抽出する。

【００３３】第１の部分画像は、一定間隔で移動させる
第１の矩形領域に含まれる画像部分を切り出して、その
画素の濃度値を補正したものである。図２は、人物画像
中での第１の矩形領域及び第２の矩形領域を示す。図２
（ａ）は、第１の矩形領域を示す図である。第１の矩形
領域２０１は、所定の大きさを有し、人物画像２００上
を水平、垂直方向に一定間隔で移動するものである。

【００３４】第２の部分画像は、顔の領域であると判定
された第１の矩形領域を取り囲む第２の矩形領域に含ま
れる画像部分を切り出して、その画素の濃度値を補正し
たものである。図２（ｂ）は、第２の矩形領域を示す図
である。第２の矩形領域２０３は、第１の矩形領域２０
２よりも大きく、顔の領域と判定された第１の矩形領域
２０２を取り囲むように配置される。

【００３５】特徴量変換部１０６は、第１の部分画像の
画像データ及び第２の部分画像の画像データを、それぞ
れ、周波数による帯域２分割のサブバンド分解して、第
１の特徴量及び第２の特徴量を抽出する。第１の部分画
像より変換された第１の特徴量は、第１の部分画像が顔
領域であるのかを判定するために用いられる。

【００３６】第２の部分画像より変換された第２の特徴
量は、第２の部分画像がどの人物の顔画像であるかの特
定、すなわち人物認証のために用いられる。第１の特徴
量識別参照情報記憶部１０７は、第１の特徴量を構成す
る複数の特徴成分それぞれに対応する座標軸からなる特
徴空間を２分探索が可能なように２分割していくための
複数の分割境界面それぞれがノードに対応づけられ、分
割された最小単位の部分空間それぞれを特定する顔の画
像クラスへの帰属度が末端の枝に対応づけられた２進探
索木を記憶する。この２進探索木は、ニューラルネット
ワークによる学習により作成される。つまり、上記分割
境界面はニューラルネトワークの学習係数として記憶さ
れている。

【００３７】第２の特徴量符号化参照情報記憶部１０９
は、第２の特徴量をブロック分割したブロック単位の特
徴量を構成する複数の特徴成分それぞれに対応する座標
軸からなる特徴空間を２分探索が可能なように２分割し
ていくための複数の分割境界面それぞれがノードに対応
づけられ、分割された最小単位の部分空間が末端の枝に
対応づけられた２進探索木を記憶する。この２進探索木
も、同様にニューラルネットワークによる学習により作
成される。

【００３８】特徴量判別符号化部１０８は、ニューラル
ネットワークによって、第１の特徴量を２進探索木に従
ってベクトル量子化することによって、第１の部分画像
の顔画像クラスに属する帰属度を判定する（第１の特徴
量の判別）とともに、第２の特徴量をセンター装置１０
１へ送信するため、ニューラルネットワークによって、
第２の特徴量のブロックを２進探索木に従ってベクトル
量子化することによって、第２の特徴量を符号化する
（第２の特徴量の符号化）。このように、特徴量判別符
号化部１０８において、第２の特徴量を符号化する方法
と第１の特徴量を判別する方法とが同一であることが本
実施の形態の最も特徴的なところである。

【００３９】選択信号入力部１１１は、ユーザからの入
力、例えば、サービス利用者の認証番号（利用者ＩＤ番
号）の入力や、サービスの内容の選択や、サービスの開
始入力を受け付ける。制御部１１２は、選択信号入力部
１１１の入力に基づき、サービスを開始する場合、若し
くは認証結果に基づき、サービスを許可した場合に、撮
像部１０３に撮影を指示する。

【００４０】通信部１１３は、第２の特徴量を符号化し
たデータをセンター装置１０１へ送信するとともに、セ
ンター装置１０１との間でサービス情報の授受を行な
う。データ記憶部１１４は、サービス情報を一時的に記
憶する。データ符号復号化部１１５は、データ記憶部１
２７へ書き込む情報の符号化、又はデータ記憶部１２７
から読み込んだ情報の復号化をする。符号化方式として
は、楕円暗号やＲＳＡ暗号等を用いる。

【００４１】データ提示部１１６は、データ記憶部１２
７から読み込んだ情報を提示する。センター装置１０１
は、端末装置１００から符号化データを受信し、符号化
データを復元した顔画像の特徴量より人物を識別するも
ので、通信部１１７と、第２の特徴量復号化参照情報記
憶部１１８と、第２の特徴量復号化部１１９と、第２の
特徴量識別参照情報記憶部１２０と、第２の特徴量判別
部１２１と、特徴量逆変換部１２２と、画像再生部１２
３と、画像表示部１２４と、制御部１２６と、データ記
憶部１２７と、データ符号復号化部１２８より構成され
る。

【００４２】通信部１１７は、第２の特徴量を符号化し
たデータを端末装置から受信するとともに、端末装置と
の間でサービス情報の授受を行なう。第２の特徴量復号
化参照情報記憶部１１８は、第２の特徴量のブロックを
符号化したデータと第２の特徴量の代表ベクトルとの対
応表を記憶する。第２の特徴量復号化部１１９は、符号
化されて送られてきた第２の特徴量のブロックを上記対
応表より、第２の特徴量のブロックの代表ベクトルに変
換する。

【００４３】第２の特徴量判別部１２１は、第２の特徴
量をニューラルネットワークに入力して、第２の部分画
像が属する人物を特定する。第２の特徴量識別参照情報
記憶部１２０は、上記ニューラルネットワークの学習係
数を記憶する。特徴量逆変換部１２２は、第２の特徴量
のブロックを周波数による帯域２分割のサブバンド合成
して、第２の部分画像のブロックを復元する。

【００４４】画像再生部１２３は、第２の部分画像のブ
ロックを配列して、第２の部分画像を再生する。画像表
示部１２４は、再生された第２の部分画像を提示する。
制御部１２６は、第２の特徴量判別部１２１において特
定した人物と転送されてきた顔の認証番号と比較して、
一致しているかどうかを判定し、判定した判定結果の信
号によって他の構成要素に指示を送る。

【００４５】データ記憶部１２７は、サービス情報を記
憶する。データ符号復号化部１２８は、データ記憶部１
２７へ書き込む情報を復号化し、データ記憶部１２７か
ら読み込んだ情報を符号化する。図３は、実施の形態１
の人物画像認証システム全体の動作手順の概略を示すフ
ローチャートである。

【００４６】まず、撮像部１０３が人物画像を撮影し、
画像メモリ１０４に記憶する（ステップＳ３００）。次
に、画像サンプリング部１０５は、画像メモリ１０４よ
り人物画像を取り出して、その大きさを縮少変換した縮
小画像を作成する（ステップＳ３０１）。そして、画像
サンプリング部１０５は、第１の矩形領域の位置を水
平、垂直に指定された画素間隔で移動させて、第１の矩
形領域内に含まれる画素の濃度値を補正して、第１の部
分画像を生成する（ステップＳ３０２）。

【００４７】続いて、特徴量変換部１０６は、第１の部
分画像から第１の特徴量を抽出する（ステップＳ３０
３）。次に、特徴量判別符号化部１０８は、抽出した第
１の特徴量を入力とし、第１の特徴量識別参照情報記憶
部１０７に記憶されている２進探索木に従って、ニュー
ラルネットワークにより、第１の部分画像の顔画像クラ
スに属する帰属度を判定する（ステップＳ３０４）。

【００４８】第１の矩形領域の水平、垂直の位置がサン
プリングの最終の位置になるまで、ステップＳ３０３〜
Ｓ３０５を繰り返し、縮小画像のサイズが指定したサイ
ズ以下になるまで、ステップＳ３０２〜Ｓ３０６を繰り
返すことによって、帰属度が最大である最大値、第１の
矩形領域の位置、縮小画像の縮小率を求める（ステップ
Ｓ３０５、Ｓ３０６）。

【００４９】次に、画像サンプリング部１０５は、ステ
ップＳ３０６までによって得られた帰属度が最大である
第１の矩形領域の位置、縮小画像の縮小率から、前記第
１の矩形領域を含むように、第２の矩形領域を生成す
る。そして、画像サンプリング部１０５は、第２の矩形
領域に含まれる画素の濃度値を補正して第２の部分画像
を生成する（ステップＳ３０７）。

【００５０】そして、特徴量変換部１０６は、第２の部
分画像から第２の特徴量を抽出する（ステップＳ３０
８）。続いて、特徴量判別符号化部１０８は、抽出した
第２の特徴量を入力とし、第２の特徴量符号化参照情報
記憶部１０９に記憶されている２進探索木に従って、ニ
ューラルネットワークにより、第２の特徴量を所定のブ
ロック単位で符号化する（ステップＳ３０９）。

【００５１】次に、通信部１１３は、符号化された第２
の特徴量を通信ネットワーク１０２を介して、センター
装置１０１内の通信部１１７に転送する（ステップＳ３
１０）。次に、第２の特徴量復号化部１１９は、第２の
特徴量復号化参照情報記憶部１１８に記憶されている符
号化データとその代表ベクトルとの対応表に基づいて符
号化データを復号化して、もとの第２の特徴量のブロッ
クにもどす（ステップＳ３１１）。

【００５２】次に、第２の特徴量逆変換部１２２は、第
２の特徴量を逆変換して、第２の部分画像のブロックを
復元する。そして、画像再生部１２３は、ブロックを配
列して第２の部分画像を再生し、画像表示部１２４は、
第２の部分画像を表示する（ステップＳ３１２）。そし
て、第２の特徴量判別部１２１は、第２の特徴量と第２
の特徴量識別参照情報記憶部１２０の第２の特徴量識別
参照情報とを比較して、第２の特徴量がどの人物の第２
の特徴量であるかを判定する。すなわち、撮像部が撮影
した人物画像より、人物の特定が行なわれることになる
（ステップＳ３１３）。

【００５３】このように、画像認証のための処理を端末
装置１００とセンター装置１０１で分担することとした
ので、効率のよいシステム構成とすることができる。す
なわち、第１の特徴量の判別は、端末装置１００で行な
うようにしたので、センター装置１０１では、複数の端
末装置１００から同時に送信されてくる人物画像に対し
て顔画像を切り出す処理から、はじめる必要がなくセン
ター装置の負荷を削減できる。また、通信ネットワーク
には、認証のために必要な顔画像に関連するデータのみ
が流れることになるので、通信コストを軽減できる。

【００５４】以下では、本実施の形態の人物画像認証シ
ステムの各構成要素についてより詳細に説明する。図４
は、実施の形態１の人物画像認証システムのデータ通信
の動作手順を示すフローチャ−トである。端末装置１０
０とセンター装置１０１との間の通信を矢印で示してい
る。

【００５５】まず、端末装置１００内の選択信号入力部
１１１は、サービス利用者の認証番号（利用者ＩＤ番
号）の入力を受け付ける。そして、制御部１１２は、撮
像部１０３に撮影を指示し、一連の処理を経て符号化さ
れた第２の特徴量が得られる（ステップＳ４００）。次
に、端末装置１００内の通信部１１３は、符号化された
第２の特徴量（顔の認証データ）と、認証番号を識別要
求信号とともにセンター装置１０１内の通信部１１７へ
転送する（ステップＳ４０１）。

【００５６】そして、センター装置１０１は、ステップ
Ｓ３１１、Ｓ３１３の処理を行って、転送されてきた符
号化された第２の特徴量が属するクラスの判定、すなわ
ち、その人物を特定し、制御部１２６に出力する。制御
部１２６は、特定した人物と転送されてきた顔の認証番
号と比較して、一致しているかどうかを判定する（ステ
ップＳ４０２）。

【００５７】制御部１２６が不一致であると判定した場
合には、通信部１１７は、認証番号、不一致応答信号を
端末装置１００内の通信部１１３へ転送する（ステップ
Ｓ４０３）。そして、ステップＳ４００〜Ｓ４０２と同
様にして、端末装置１００からセンター装置１０１へ符
号化された第２の特徴量（顔の認証データ）と、認証番
号を識別要求信号とともに送り、センター装置１０１
で、転送されてきた符号化された第２の特徴量が属する
人物を特定し、特定した人物と転送されてきた顔の認証
番号と比較して、一致しているかどうかを判定する。

【００５８】制御部１２６は、一致であると判定した場
合には、認証番号に応じて登録されたサービスの許可を
する（ステップＳ４０４〜Ｓ４０６）。そして、通信部
１１７は、認証番号、一致応答信号を端末装置１００内
の通信部１１３へ転送する（ステップＳ４０７）。端末
装置１００の制御部１１２は一致応答信号により、利用
者に認証番号に応じて登録されたサービスの選択を許可
する。利用者は、選択信号入力部１１１を通じて、許可
されたサービス内容を選択する。ここでは、サービス情
報の読み込み、例えば、預金残高の読み込みが選択され
たとする。

【００５９】制御部１１２は、認証番号、読み込み要求
信号を通信部１１３に出力する（ステップＳ４０８）。
そして、端末装置１００の通信部１１３から、センター
装置１０１の通信部１１７へ認証番号と読み込み要求信
号が転送される（ステップＳ４０９）。センター装置１
０１の制御部１２６は、読み込み要求信号の指定した読
み込み情報をデータ記憶部１２７から読み出し、データ
符号復号化部１２８により符号化して、認証番号と符号
化された読み込み情報とを通信部１１７に出力する（ス
テップＳ４１０）。

【００６０】次に、センター装置１０１の通信部１１７
から、端末装置１００の通信部１１３へ認証番号と符号
化された読み込み情報が転送される（ステップＳ４１
１）。そして、通信部１１３が受信した符号化された読
み込み情報は、データ符号復号化部１１５で復号化さ
れ、復号化された読み込み情報は、データ記憶部１１４
に記憶されるとともに、データ提示部１１６により提示
される（ステップＳ４１２）。

【００６１】次に、利用者は、選択信号入力部１１１を
通じて、サービス情報の書き込み、例えば、預金残高の
書き込み、すなわち預金の引き出しを選択したとする。
制御部１１２は、書き込み情報を一旦、データ記憶部１
１４に記憶させ、書き込み情報をデータ符号復号化部１
１５で符号化させて、認証番号と、符号化された書き込
み情報と、書き込み込み要求信号を通信部１１３に出力
する（ステップＳ４１３）。

【００６２】そして、端末装置１００の通信部１１３か
ら、センター装置１０１の通信部１１７へ認証番号と、
符号化された書き込み情報と、書き込み要求信号が転送
される（ステップＳ４１４）。センター装置１０１の制
御部１２６は、符号化された書き込み情報をデータ符号
復号化部１２８で復号化して、書き込み要求信号の指定
した情報をデータ記憶部１２７に書き込み、書き込みの
正常又は異常終了を示す書き込み応答信号を生成する
（ステップＳ４１５）。

【００６３】センター装置１０１の通信部１１７から、
端末装置１００の通信部１１３へ認証番号と書き込み応
答信号が転送される（ステップＳ４１６）。制御部１１
２は、書き込み応答信号が書き込み異常終了を示してい
る場合には、再度ステップＳ４１４を実行して再送す
る。また、選択信号入力部１１１を通じて、サービスの
終了が選択された場合には、制御部１１２はサービスの
許可を終了し、初期状態（人物識別モード）にもどすと
ともに、通信部１１３に、認証番号と、終了信号を出力
する（ステップＳ４１７）。

【００６４】そして、端末装置１００の通信部１１３か
ら、センター装置１０１の通信部１１７へ認証番号と終
了信号が転送される（ステップＳ４１８）。最後に、セ
ンター装置１０１の制御部１２６は、認証番号に応じて
登録されたサービスの許可を終了する（ステップＳ４１
９）。次に、画像サンプリング部１０５の動作について
説明する。

【００６５】撮像部１０３から得られる人物画像の画素
値は、照明の変化などの撮影条件によって影響を受け変
化する。画像サンプリング部１０５は、濃度値を補正し
て、撮影条件に依存しない画像、すなわち正規化画像を
生成する。画像サンプリング部１０５は、ヒストグラム
平坦化により画素値を補正する。ヒストグラム平坦化と
は、すべての濃度値について、その濃度値をとる画素の
数を同じにするものである。

【００６６】図５は、画像サンプリング部１０５による
画素値（濃度値）補正の動作手順を示すフローチャート
である。まず、画像サンプリング部１０５は、第１又は
第２の矩形領域に含まれる画素の濃度ヒストグラムを作
成する。図６は、ヒストグラム平坦化におけるヒストグ
ラムを示す。図６（ａ）は、濃度ヒストグラム曲線ｐ₁
（ｚ）を示す（ステップＳ５００）。

【００６７】次に、画像サンプリング部１０５は、濃度
ヒストグラム曲線ｐ₁（ｚ）より累積ヒストグラム曲線
Ｐ₁（ｚ₁）を作成する。濃度ヒストグラム曲線ｐ
₁（ｚ）と累積ヒストグラム曲線Ｐ₁（ｚ₁）との間に
は、［数１９］の関係が成立する。

【００６８】

【数１９】

【００６９】図６（ｂ）は、累積ヒストグラム曲線を示
す（ステップＳ５０１）。次に、画像サンプリング部１
０５は、濃度値の変換式を以下のようにして作成する。
図６（ｃ）は平坦化されたヒストグラムを示す。第１又
は第２の矩形領域に含まれる総画素数をＮとし、変換に
よって画素の階調数をＭになるとする。平坦化されたヒ
ストグラムの頻度値は、一定値ｐ₂（ｚ）＝Ｎ／Ｍとな
る。変換前の濃度値ｚ₁と変換後の濃度値ｚ₂との間に
は、以下の関係が成り立つ。すなわち、ｐ₁（ｚ）をｚ₁
まで累積した値と、ｐ₂（ｚ）をｚ₂まで累積した値が等
しい。これは［数２０］で表される。

【００７０】

【数２０】

【００７１】従って、濃度値の変換式は、ｚ₂＝（Ｍ／
Ｎ）×P₁（ｚ₁）となる（ステップＳ５０２）。そし
て、画像サンプリング部１０５は、第１又は第２の矩形
領域に含まれるすべての画素について、上式に従って、
その濃度値ｚ₁をｚ₂に変換する（ステップＳ５０３）。

【００７２】以上のような画像サンプリング部１０５に
よって、照明の変化による濃度値のゆらぎを取り除くこ
とができる。次に、特徴量変換部１０６の動作について
説明する。特徴量変換部１０６は、画像サンプリング部
１０５によって生成された第１の部分画像を第１の特徴
量に変換し、同じく生成された第２の部分画像を第２の
特徴量に変換する。これらの特徴量は、画像データを周
波数による帯域２分割のサブバンド分解することにより
得られる。

【００７３】図７は、特徴量変換部１０６が原画像から
特徴量を生成する過程を示す図である。図７（ａ）は、
１回目の水平方向と垂直方向の帯域２分割のサブバンド
分解がされる過程を示す。まず、第１の部分画像又は第
２の部分画像である原画像７００は、水平方向の低域通
過フィルタＬＰＸ７０１と水平方向の高域通過フィルタ
ＨＰＸ７０２によって帯域２分割のサブバンド分解され
た後、１／２のダウンサンプリング７０３によって、サ
ブバンド画像Ｌ７０４とサブバンド画像Ｈ７０５に変換
される。

【００７４】さらに、サブバンド画像Ｌ７０４とサブバ
ンド画像Ｈ７０５のそれぞれは、垂直方向の低域通過フ
ィルタＬＰＹ７０６、垂直方向の高域通過フィルタＨＰ
Ｙ７０７によって、サブバンド分解された後、１／２に
ダウンサンプリング７０３されることによって、サブバ
ンド画像ＬＬ７０８と、サブバンド画像ＬＨ７０９と、
サブバンド画像ＨＬ７０９と、サブバンド画像ＨＨ７１
０が得られる。

【００７５】図７（ｂ）は、２回目の水平方向と垂直方
向の帯域２分割のサブバンド分解がされる過程を示す。
サブバンド画像ＬＬ７０８に対して、もう一度上記処理
を繰返す。すなわち、図７（ｂ）では、図７（ａ）の原
画像７００に変えて、サブバンド画像ＬＬ７０８に対し
て、サブバンド分解、ダウンサンプリング処理を行な
う。そして、その結果、サブバンド画像ＬＬＬＬ７１
４、ＬＬＬＨ７１５、ＬＬＨＬ７１６、ＬＬＨＨ７１７
とが得られることになる。

【００７６】図８は、第１の部分画像からサブバンド画
像が生成される過程を示す。３２画素×３２画素の第１
の部分画像８００は、水平方向の帯域分割、ダウンサン
プリングによって、１６画素×３２画素のサブバンド画
像Ｌ８０１とＨ８０２に変換される。サブバンド画像Ｌ
８０１とＨ８０２は、それぞれ垂直方向の帯域分割、ダ
ウンサンプリングによって、１６画素×１６画素のサブ
バンド画像ＬＬ８０３、ＬＨ８０４、ＨＬ８０５、ＨＨ
８０６に変換される。サブバンド画像ＬＬ８０３は、水
平方向と垂直方向についての、帯域分割、ダウンサンプ
リングによって、８画素×８画素のサブバンド画像ＬＬ
ＬＬ８０７、ＬＬＬＨ８０８、ＬＬＨＬ８０９、ＬＬＨ
Ｈ８１０に変換される。

【００７７】このような処理により、最終的に８画素×
８画素のＬＬＬＬ、ＬＬＨＬ、ＬＬＬＨ、ＬＬＨＨと、
１６画素×１６画素のＬＨ、ＨＬ、ＨＨとが生成される
ことになるのが、この中からサブバンド画像ＬＬＬＬの
みを第１の特徴量とする。つまり、第１の特徴量は第２
の特徴量と異なり、顔の領域がどうかの識別のためにの
み用いられるものなので、原画像の特徴を最も表してい
る低周波成分であるＬＬＬＬとしたものである。

【００７８】また、第２の特徴量を抽出するためには、
画像をブロックに分割して、ブロック単位で、第１の特
徴量を抽出する処理と同様に、図７に示す処理を２回行
なう。このブロック単位ごとの第２の特徴量が後述の符
号化に用いられることになる。図９は、第２の部分画像
からサブバンド画像が生成される過程を示す。６４画素
×６４画素の第２の部分画像９００は、２５６個（＝１
６×１６）の４画素×４画素のブロック画像９０１に分
割される。そして、ブロック画像９０１を単位として第
２の特徴量を求める。ブロック９０１は、水平方向の帯
域分割、ダウンサンプリングによって、２画素×４画素
のサブバンド画像Ｌ９０２とＨ９０３に変換される。サ
ブバンド画像Ｌ９０２とＨ９０３は、それぞれ垂直方向
の帯域分割、ダウンサンプリングによって、２画素×２
画素のサブバンド画像ＬＬ９０４、ＬＨ９０５、ＨＬ９
０６、ＨＨ９０７に変換される。サブバンド画像ＬＬ９
０４は、水平方向と垂直方向についての、帯域分割、ダ
ウンサンプリングによって、１画素のサブバンド画像Ｌ
ＬＬＬ９０８、ＬＬＬＨ９０９、ＬＬＨＬ９１０、ＬＬ
ＨＨ９１１に変換される。

【００７９】このような処理により、ブロック画像９０
１に対して、最終的に１画素のＬＬＬＬ、ＬＬＨＬ、Ｌ
ＬＬＨ、ＬＬＨＨと、２画素×２画素のＬＨ、ＨＬ、Ｈ
Ｈが生成されることになる。そして、ブロック画像の第
２の特徴量としてこれらのすべてを用いた４×４次元ベ
クトル９２０とする第１の特徴量は、画像中の最も特徴
的な成分であるＬＬＬＬを用いることとしたが、第２の
特徴量は、センター装置１０１において、原画像を復元
する必要があるから、このような目的を満たすだけの情
報量を含むものとしたものである。

【００８０】次に、特徴量逆変換部１２２の動作につい
て説明する。特徴量逆変換部１２２は、特徴量変換部１
０６と逆の動作を行なう。図１０は、特徴量逆変換部１
２２が第２の特徴量から第２の部分画像を生成する過程
を示す図である。図１０（ａ）は、１回目の水平方向と
垂直方向の帯域２分割のサブバンド合成がされる過程を
示す。まず、サブバンド画像ＬＬＬＬ１０００、ＬＬＬ
Ｈ１００１、ＬＬＨＬ１００２、ＬＬＨＨ１００３は、
それぞれアップサンプリング１００４され、垂直方向の
低域通過逆フィルタＩＬＰＹ１００５と垂直方向の高域
通過逆フィルタＩＨＰＹ１００６を通して足しあわせら
れ、サブバンド画像ＬＬＬ１００７とサブバンド画像Ｌ
ＬＨ１００８が得られる。さらに、サブバンド画像ＬＬ
Ｌ１００７とサブバンド画像ＬＬＨ１００８のそれぞれ
は、アップサンプリング１００４され、水平方向の低域
通過逆フィルタＩＬＰＸ１０１１と水平方向の高域通過
逆フィルタＩＨＰＸ１０１２を通して合成され、サブバ
ンド画像ＬＬ１００９が得られる。

【００８１】図１０（ｂ）は、２回目の水平方向と垂直
方向の帯域２分割のサブバンド合成がされる過程を示
す。得られたサブバンド画像ＬＬ１００９と、ＬＨ１０
１０、ＨＬ１０１１、ＨＨ１０１２に対しても上記と同
様の処理を行なうことによって原画像１０１５が得られ
る。図１１は、第２の特徴量から第２の部分画像が生成
される過程を示す。第２の特徴量の成分である１画素の
サブバンド画像ＬＬＬＬ９１０，ＬＬＬＨ９１１、ＬＬ
ＨＬ９１２、ＬＬＨＨ９１３１は、それぞれ、垂直方向
のアップサンプリング、帯域合成により、１画素×２画
素のサブバンド画像ＬＬＬ９０８とＬＬＨ９０９に変換
される。サブバンド画像ＬＬＬ９０８とＬＬＨ９０９
は、それぞれ、水平方向のアップサンプリング、帯域合
成により、２画素×２画素のサブバンド画像ＬＬに変換
される。２画素×２画素のサブバンド画像ＬＬ９０４、
ＬＨ９０５、ＨＬ９０６、ＨＨ９０７は、それぞれ、垂
直方向のアップサンプリング、帯域合成により、２画素
×４画素のサブバンド画像Ｌ９０２とＨ９０３に変換さ
れる。サブバンド画像Ｌ９０２とＨ９０３は、それぞ
れ、水平方向のアップサンプリング、帯域合成により、
４画素×４画素のブロック９０１に変換される。

【００８２】このような処理をすべてのブロック（１６
×１６＝２５６個）について行うことにより、最終的に
６４画素×６４画素の第２の部分画像９００が再生され
る。次に、上記抽出した第１の特徴量の判別及び第２の
特徴量の符号化について説明する。特徴量判別符号化部
１０８は、第１の特徴量識別参照情報記憶部１０７に記
憶された情報を用いて、第１の特徴量を判別し、第２の
特徴量符号化参照情報記憶部１０９に記憶された情報を
用いて、第２の特徴量を符号化する。

【００８３】第１の特徴量識別参照情報記憶部１０７に
記憶された情報及び第２の特徴量符号化参照情報記憶部
１０９に記憶された情報は、学習装置による学習によっ
て得られる。この学習装置について以下に説明する。図
１２は、学習装置の構成を示す機能ブロック図である。
学習装置１３０は、撮像部１０３と、画像メモリ１０４
と、画像サンプリング部１０５と、特徴量変換部１０６
と、特徴量判別符号化学習部１３１と、第２の特徴量判
別学習部１３２とから構成される。

【００８４】撮像部１０３と、画像メモリ１０４と、画
像サンプリング部１０５と、特徴量変換部１０６は、図
１に示す端末装置１００の構成要素と同一である。特徴
量判別符号化学習部１３１は、学習データにより第１の
特徴量を判別する学習をし、その結果は、ネットワーク
又は可搬性記憶媒体を介して端末装置１００の第１の特
徴量識別参照情報記憶部１０７に記憶される。そして、
この学習結果は、図１に示す端末装置１００の特徴量判
別符号化部１０８において、第１の特徴量を判別するた
めに利用される。

【００８５】また、特徴量判別符号化学習部１３１は、
学習データにより第２の特徴量を符号化する学習をし、
その結果は、ネットワーク又は可搬性記憶媒体を介して
端末装置１００の第２の特徴量符号化参照情報記憶部１
０９に記憶される。同様に、この学習結果は、端末装置
１００の特徴量判別符号化部１０８において、第２の特
徴量を符号化するために利用される。

【００８６】図１３は、特徴量判別符号化学習部１３１
において用いられる２進探索木を示す図である。Ｓ１〜
Ｓ７は２進探索木のノードを示し、Ｔ１Ｒ、Ｔ１Ｌ、Ｔ
２Ｒ、Ｔ２Ｌ、Ｔ３Ｒ、Ｔ３Ｌ、Ｔ４Ｒ、Ｔ４Ｌ、Ｔ５
Ｒ、Ｔ５Ｌ、Ｔ６Ｒ、Ｔ６Ｌ、Ｔ７Ｒ、Ｔ７Ｌは、は２
進探索木のノードＳ１〜Ｓ７から分岐した枝を示す。特
徴量判別符号化学習部１３１は、第１の特徴量の特徴量
空間を２進探索木の枝に対応させて、順次２分割してい
き、最終的に顔画像クラスとそれ以外のクラス（非顔画
像クラス）が分割された空間を形成する。そして、特徴
量判別符号化学習部１３１は、分割境界面をニューラル
ネットワークの学習係数という形式で学習させ、これを
第１の特徴量識別参照情報記憶部１０７に記憶する。

【００８７】特徴量判別符号化部１０８は、第１の特徴
量識別参照情報記憶部１０７に記憶されているニューラ
ルネットワークの学習係数を読込んで、任意の入力され
た第１の特徴量がどの分割空間に属するかを判定し、そ
の第１の特徴量の顔画像クラスへの帰属度を判別する。
また、特徴量判別符号化学習部１３１は、第２の特徴量
の特徴量空間を２進探索木の枝に対応させて、順次２分
割していき、最終的に１つの分割空間が１つの符号をも
つように分割された空間を形成する。そして、特徴量判
別符号化学習部１３１は、分割境界面をニューラルネッ
トワークの学習係数という形式で学習させ、これを第２
の特徴量識別参照情報記憶部１０９に記憶する。

【００８８】特徴量判別符号化部１０８は、第２の特徴
量識別参照情報記憶部１０９に記憶されている学習係数
を読込んで、任意の入力された第２の特徴量がどの分割
空間に属するかを判定することによって、その第２の特
徴量に符号を割当てる。このように、特徴量判別符号化
部１０８は、２進探索木により、第１の特徴量の判別
（顔領域かどうかの判別）と、第２の特徴量符号化（顔
の領域画像の転送のために符号化）が両方できることに
なるので、端末装置のハードウエア構成を簡易にするこ
とができる。

【００８９】第２の特徴量判別学習部１３２は、学習デ
ータにより第２の特徴量を判別する学習をし、その結果
は、ネットワーク又は可搬性記憶媒体を介してセンター
装置１０１の第２の特徴量識別参照情報記憶部１２０に
記憶される。そして、この学習結果は、センター装置１
０１の第２の特徴量判別部１２１において、第２の特徴
量を判別するために利用される。

【００９０】それでは、学習装置１３０により第１の特
徴量を判別する学習の動作について説明する。図１４
は、本実施の形態の学習装置が第１の特徴量の判別を学
習する動作手順を示すフローチャートである。まず、学
習装置１３０内の撮像部１０３と、画像メモリ１０４
と、画像サンプリング部１０５と、特徴量変換部１０６
は、顔画像クラスに属する第１の特徴量と顔画像クラス
に属さない第１の特徴量を有限個作成する。

【００９１】図１５は、第１の特徴量の特徴量空間が順
次２分割されていく過程を示す図である。第１の特徴量
の特徴量空間は６４次元のベクトル空間となるが、ここ
では説明のため２次元平面に投射して示している。図１
５（ａ）は、作成した第１の特徴量の特徴量空間での分
布を示す。ここでは、人物Ａ〜Ｄのそれぞれに対して、
顔画像クラスに属する第１の特徴量（目と鼻と口を含む
部分画像より作成される）を６個、顔画像クラスに属さ
ない（非顔画像クラスに属する）第１の特徴量（顔の下
半分を含む部分画像等から作成される）を６個作成して
いる。顔画像クラスの特徴量と非顔画像クラスの特徴量
はそれぞれ、第１の特徴量の特徴量空間上でまとまって
分布するが、人物によってある程度ばらつきも発生する
ため、特定の一人の人物の顔画像と非顔画像のデータの
みを用いた学習によってでは、本システムで識別するす
べての人物について顔画像と非顔画像を区別できるよう
に、第１の特徴量空間をうまく分割しきれない。そこ
で、本実施の形態では、人物間のばらつきをも解消する
ため顔の特徴が異なる典型的な複数人（ここでは４人）
のデータを用いることとする（ステップＳ１４００）。

【００９２】次に、特徴量判別符号化学習部１３１は、
２進探索木の最初のノードにおいて、８個の集合（集合
１〜８）をそれぞれ４つの集合からなる２つのクラス
（Ｔ１Ｌ、Ｔ１Ｒ）に分類する。分類方法としては₈Ｃ₄
の組合わせの数だけあるが、そのうちの１つが後述の基
準で選択される（ステップＳ１４０１）。まず、特徴量
判別符号化学習部１３１は、上記各分類のそれぞれにつ
いて２つのクラスに分類する２分割境界面を以下のニュ
ーラルネットワークによる学習で作成する。

【００９３】図１６は、第１の特徴量の特徴量空間を２
分割する分割境界面を生成するニューラルネットワーク
の構成を示す。図１６に示すニューラルネットワーク
は、入力ユニット１７０１と、出力ユニット１７０２と
から構成されるσＬＶＱ型ニューラルネットワークであ
る。入力ユニット１７０１には、入力パターンＱ
（ｑ₁、ｑ₂、…、ｑ_n）１７０２が入力される。入力パ
ターンＱは前述のように、第１の特徴量で、８画素×８
画素からなるＬＬＬＬである。従って、この場合には、
ｎ＝６４となる。

【００９４】出力ユニット１７０２は、学習係数である
代表ベクトルＭと分散ベクトルＶからなる参照ベクトル
Ｗを保持しており、入力パターンＱと代表ベクトルＭと
の距離を計算する。出力ユニットＯ１の参照ベクトルＷ
１（Ｍ１、Ｖ１）の初期値は、２進探索木の最初のノー
ドの左枝（クラスＴ１Ｌ）に属する第１の特徴量のサン
プルデータを統計計算した平均ベクトルと分散ベクトル
とする。

【００９５】同様に、出力ユニットＯ２の参照ベクトル
Ｗ２（Ｍ１、Ｖ１）の初期値は、２進探索木の最初のノ
ードの右枝（クラスＴ１Ｒ）に属する第１の特徴量のサ
ンプルデータを統計計算した平均ベクトルと分散ベクト
ルとする。出力ユニットＯ１において、参照ベクトルで
あるＭ１（ｍ₁₁、ｍ₁₂、…、ｍ_1n）、Ｖ１（σ₁₁、
σ₁₂、…、σ_1n）を用いて、［数２１］により入力パタ
ーンＱと代表ベクトルＭ１との距離ｄ１を計算する。

【００９６】

【数２１】

【００９７】出力ユニットＯ２においても同様に、参照
ベクトルであるＭ２（ｍ₂₁、ｍ₂₂、…、ｍ_2n）、Ｖ２
（σ₂₁、σ₂₂、…、σ_2n）を用いて、［数２２］により
入力パターンＱと代表ベクトルＭ２との距離ｄ２を計算
する。

【００９８】

【数２２】

【００９９】出力ユニット１７０２は、上記計算した距
離を用いて［数２３］に従って、出力信号１７０４を出
力する。

【０１００】

【数２３】

【０１０１】以上によって、入力パターンＱを集合ｃに
分類したものとする。入力パターンの分類として望まし
い分類が教師信号１７０５によって、出力ユニット１７
０２に与えられる。教師信号は、入力パターンＱがクラ
スＴ１Ｌに属する時には、Ｙ₁＝１、Ｙ₂＝０として与え
られ、クラスＴ１Ｒに属する時には、Ｙ₁＝０、Ｙ₂＝１
として与えられる。

【０１０２】分類が教師信号Ｙ₁、Ｙ₂として与えられる
望ましい分類に一致するように、以下の学習則を用い
て、参照ベクトルのうちの代表ベクトルを更新する。分
類が正しい時には、すなわち、ｙ_i＝Ｙ_i（ｆｏｒ １≦
ｉ≦ｎ）には、［数２４］に従って、参照ベクトルのう
ちの代表ベクトルを更新する。

【０１０３】

【数２４】

【０１０４】分類が誤っている時には、［数２５］に従
って、代表ベクトルを更新する。

【０１０５】

【数２５】

【０１０６】以上のような学習により、８つの集合をク
ラスＴ１Ｌに属する４つの集合とクラスＴ１Ｒに属する
４つの集合に分ける２分割境界面が参照ベクトルの形で
得られることになる（ステップＳ１４０２）。そして、
特徴量判別符号化学習部１３１は、学習により２分割境
界面が正しく作成されたかを調べるため、学習後の２分
割境界面（参照ベクトル）によって、各集合の要素が望
ましく分離されたかを調べる。つまり、ニューラルネッ
トワークに、学習後の参照ベクトルを用いて、学習に用
いた第１の特徴量を入力して分類結果を得る。

【０１０７】そして、特徴量判別符号化学習部１３１
は、分類結果の望ましさを示す指標として［数２６］の
分離度を計算する。

【０１０８】

【数２６】

【０１０９】図１７は、分離度の違いによる第１の特徴
量の特徴量空間の分割を示す。図１７（ａ）は、分離度
が大きな分割を示し、図１７（ｂ）は、分離度が小さな
分割を示す。図１７（ａ）では、１つの集合に属する要
素はすべて、Ｔ１ＬかＴ１Ｒのどちらかに属するように
分けられており分離度が大きいのに対して、図１７
（ｂ）では、１つの集合に属するある要素はＴ１Ｌに属
し、他の要素はＴ１Ｒに属するようにばらばらに分けら
れており分離度が小さい。このように、分離度が小さい
と、２分割境界面によって、別のクラスに属するような
要素が増加することになる。

【０１１０】特徴量判別符号化学習部１３１は、₈Ｃ₄個
のすべての組み合せについて、このようなニューラルネ
ットワークの学習を行なって、分離度を計算する（ステ
ップＳ１４０３）。次に、特徴量判別符号化学習部１３
１は、分離度が最大となる分類を選択する。つまり、特
徴量判別符号化学習部１３１は、ニューラルネットワー
クにより正しく分離することのできた分類を選択する。

【０１１１】そして、特徴量判別符号化学習部１３１
は、選択された分類の２分割境界面を形成する参照ベク
トルを第１の特徴量識別参照情報記憶部１０７に記憶す
ることとする。図１５（ｂ）は、最初のノードにおける
第１の特徴量の特徴量空間の分割を示す（ステップＳ１
４０４）。

【０１１２】次に、特徴量判別符号化学習部１３１は、
分離されたＴ１Ｌに属する４つの集合を２つの集合から
なる２つのクラスへ分類（Ｔ２Ｌ、Ｔ２Ｒ）、分離され
たＴ１Ｒに属する４つの集合を２つの集合からなる２つ
のクラスへの分類（Ｔ３Ｌ、Ｔ３Ｒ）を順次実行する
（ステップＳ１４００〜ステップＳ１４０４）そして、
特徴量判別符号化学習部１３１は、最終的に所定の段
数、ここでは３段のすべてのノードの分岐が終了するま
でステップＳ１４０１〜Ｓ１４０４の処理を繰り返す
（ステップＳ１４０５）。

【０１１３】そして、特徴量判別符号化学習部１３１
は、最後の枝が顔画像クラスに属するか非顔画像クラス
に属するかの識別情報を第１の特徴量識別参照情報記憶
部１０７に書き込む（ステップＳ１４０６）。図１５
（ｃ）は、２段目のノードにおける第１の特徴量の特徴
量空間の分割を示す。図１５（ｄ）は、３段目のノード
における第１の特徴量の特徴量空間の最終的な分割を示
す。ここで、第１の特徴量の特徴量空間の２分割境界面
Ｓ１〜Ｓ７は、図１３に示す２進探索木のノードＳ１〜
Ｓ７に対応している。また、分割空間Ｔ４Ｌ〜Ｔ７Ｒ
は、図１３に示す２進探索木の末端の枝Ｔ４Ｌ〜Ｔ７Ｒ
に対応している。

【０１１４】図１８は、特徴量判別符号化学習部１３１
が第１の特徴量識別参照情報記憶部１０７に書き込んだ
情報を示す。図１８（ａ）は、各ノードごとの２分割境
界面を決める参照ベクトルを示し、図１８（ｂ）は末端
の枝が顔画像クラスに属するか非顔画像クラスに属する
かの識別情報を示す。

【０１１５】次に、端末装置１００の特徴量判別符号化
部１０８が、任意の入力された第１の特徴量を判別する
動作について説明する。特徴量判別符号化部１０８は、
２進探索木を辿っていくことにより、第１の特徴量が属
する枝を判定する。すなわち、まず、第１の特徴量が２
分割境界面S１のどちらにあるかが調べられる。特徴量
判別符号化部１０８は、図１８（ａ）に示す第１の特徴
量識別参照情報記憶部１０７に記憶されている参照ベク
トルＭａ、Ｖａ、Ｍｂ、Ｖｂを読込んで、ニューラルネ
ットワークにより、第１の特徴量が２分割境界面Ｓ１の
どちらに属するかを判別する。

【０１１６】図１９は、第１の特徴量が判別される過程
を示す。図１９（ａ）は、入力された第１の特徴量の特
徴量空間での分布を示す。図１９（ｂ）は、２分割境界
面Ｓ１によって、第１の特徴量がＴ１Ｌに属すると判定
された状態を示す。次に、特徴量判別符号化部１０８
は、枝Ｔ１Ｌを辿り、図１８（ａ）に示す第１の特徴量
識別参照情報記憶部１０７に記憶されている参照ベクト
ルＭｃ、Ｖｃ、Ｍｄ、Ｖｄを読込んで、ニューラルネッ
トワークにより、第１の特徴量が２分割境界面Ｓ２のど
ちらに属するかを判別する。

【０１１７】そして、特徴量判別符号化部１０８は、上
記と同様にして順次、２進探索木の枝を辿っていく。特
徴量判別符号化部１０８は、末端の枝に達した場合に、
図１８（ｂ）に示す第１の特徴量識別参照情報記憶部１
０７に記憶されている識別情報を読込んで、その枝が顔
画像クラスに属するか、非顔画像クラスに属するかを判
定する。

【０１１８】図１９（ｃ）は、第１の特徴量が分割空間
Ｔ４Ｒに属すると判定された状態を示す。ここでは、顔
画像クラスに対応する分割空間は、Ｔ４Ｒ、Ｔ６Ｒ、Ｔ
７Ｌ、Ｔ７Ｒなので、特徴量判別符号化部１０８は、そ
れらの枝に達した時には、第１の特徴量が顔画像クラス
に属すると判定し、それ以外の枝に達した場合には、第
１の特徴量が非顔画像クラスに属すると判定することに
なる。

【０１１９】そして、末端で分岐した枝が顔画像クラス
に対応するものである場合に、その時の距離ｄ１又はｄ
２は、入力パターンと顔画像クラスに属する集合の中心
との距離となる。そして、この距離が小さいほど、その
第１の特徴量は、より顔画像としての特徴を表してお
り、もととなる第１の部分画像は、顔画像として切出す
のに適しているといえる。そこで、末端の枝が顔画像ク
ラスに対応するものである場合に、その時の距離ｄ１又
はｄ２の逆数を顔画像クラスへの帰属度とする。また、
末端の枝が非顔画像クラスに対応するものである場合に
帰属度は０としておく。

【０１２０】特徴量判別符号化部１０８には、第１の矩
形領域の移動により得られた複数の第１の部分画像を変
換した複数の第１の特徴量が入力されるが、特徴量判別
符号化部１０８は、これら複数の第１の特徴量の中で顔
画像クラスへの帰属度が最大なものを選択する。そし
て、特徴量判別符号化部１０８は、選択した第１の特徴
量のもととなる第１の部分画像の位置及び大きさを画像
サンプリング部１０５に通知する。画像サンプリング部
は、通知された位置と大きさに基づいて顔画像（第２の
部分画像）として切り出す第２の矩形領域を設定する。

【０１２１】次に、特徴量判別符号化部１０８による第
２の特徴量の符号化方法について説明する。まず、学習
装置１３０により第２の特徴量を符号化する学習の動作
について説明する。図２０は、学習装置が第２の特徴量
の符号化を学習する動作手順を示すフローチャートであ
る。まず、学習装置１３０内の撮像部１０３と、画像メ
モリー１０４と、画像サンプリング部１０５と、特徴量
変換部１０６は複数の第２の特徴量のサンプルを有限個
作成する（ステップＳ２０００）。

【０１２２】特徴量判別符号化学習部１３１は、第２の
特徴量のサンプルを２つのクラスにクラスタリングす
る。第２の特徴量は、端末装置１００で符号化されてセ
ンター装置１０１へ転送されるが、センター装置１０１
で復号化することによって、ほぼもとどうりの第２の特
徴量が復元できることが必要となる。第２の特徴量空間
の１つの分割空間に１つの符号が与えられるので、分割
空間内の特定の１点で、その分割空間内のすべての要素
の特徴を代表し得るように第２の特徴量空間は分割され
なけばならない。このような条件を満たすような特徴量
空間を分割するため、特徴量判別符号化学習部１３１
は、第２の特徴量の特徴量空間上でまとまりを形成する
サンプルが同じ分割空間に属するように、第２の特徴量
のサンプルをｋ平均アルゴリズムにより２つのクラスに
クラスタリングする。ｋ平均クラスタリングの方法につ
いては後述する。

【０１２３】図２１は、第２の特徴量のサンプルがクラ
スタリングされていく過程を示す。図２１（ａ）は、第
２の特徴量のサンプルのクラスタリング前の特徴量空間
での分布を示す。図２１（ｂ）は、第２の特徴量のサン
プルが２つのクラスタに分類された状態を示す（ステッ
プＳ２００１）。特徴量判別符号化学習部１３１は 第
１の特徴量の特徴量空間を２進探索木に対応させて順次
２分割したのと同様にして、第２の特徴量の特徴空間２
進探索木に対応させて分割する。すなわち、特徴量判別
符号化学習部１３１は、クラスタリングにより２つのク
ラスに分類された第２の特徴量のサンプルを第２の特徴
量の特徴量空間上で分割する２分割境界面を作成する。

【０１２４】まず、特徴量判別符号化学習部１３１は、
特徴量空間をクラスタリングによる２つのクラスに分類
する２分割境界面を以下のニューラルネットワークによ
る学習で作成する。図２２は、第２の特徴量の特徴量空
間の２分割境界面を生成するニューラルネットワークの
構成を示す。このニューラルネットワークは、図１６の
ニューラルネットワークと入力ユニット１８００の個数
が相違するのみで、それ以外は同じ構成をとる。入力パ
ターン１８０３は、単位ブロックの第２の特徴量である
４画素×４画素からなる１６次元ベクトルである。従っ
て、入力ユニット１８００の個数は１６個となる。

【０１２５】特徴量判別符号化学習部１３１は、２分割
境界面をニューラルネットワークの参照ベクトルという
形式で学習させ、学習後の参照ベクトルを第２の特徴量
符号化参照情報記憶部１０９に記憶する。図２１（ｃ）
は、第２の特徴量の２分割境界面Ｓ１が作成された状態
を示す（ステップＳ２００２）。さらに、特徴量判別符
号化学習部１３１は、ステップＳ２００１〜Ｓ２００２
により、クラスタＴ１Ｌ、Ｔ１Ｒをそれぞれ、さらに２
つのクラスタに分割し、２分割境界面を生成する。図２
１（ｄ）は、第２の特徴量のサンプルが４つのクラスタ
に分類された状態を示す。図２１（ｅ）は、第２の特徴
量の２分割境界面Ｓ２及びＳ３が作成された状態を示
す。

【０１２６】特徴量判別符号化学習部１３１は、２進探
索木の所定の段数ｎに相当する分岐について上記処理を
繰り返すことによって、２ⁿの分割空間を形成する（ス
テップＳ２００３）。特徴量判別符号化学習部１３１
は、末端の枝に達したら、末端の枝に対応する符号化デ
ータと参照ベクトル中の代表ベクトルとの対応を、第２
の特徴量復号化参照情報記憶部１１８に記憶する（ステ
ップＳ２００４）。

【０１２７】ここで、末端の枝に対する符号化データと
は、末端の枝に達するまでの枝を辿る過程により表され
るデータである。すなわち、末端の枝に達するまでに２
進探索木の各ノードで左の枝を辿ると０の符号が付さ
れ、右の枝を辿ると１の符号を付される。その結果、２
進探索木の末端の枝には、２進探索木の段数分の長さを
もった０又は１からなる符号化データ割当てられること
になる。例えば、Ｔ５Ｌの枝には、枝を左、右、左と辿
るので、０１０の符号が与えられることになる。

【０１２８】このようにして作成される符号化データの
長さは、２進探索木の段数と同一の固定値となる。従っ
て、ＪＰＥＧ、ＭＰＥＧ等の可変符号長化方式に比べて
ノイズの多い無線経路では、耐ビット誤り性能が高い効
果がある。図２３は、特徴量判別符号化学習部１３１に
より第２の特徴量符号化参照情報記憶部１０９に書き込
まれた情報を示す。同図のように、第２の特徴量符号化
参照情報記憶部１０９は、各ノードごとの２分割境界面
を決める参照ベクトルを記憶している。

【０１２９】図２４は、特徴量判別符号化学習部１３１
により第２の特徴量復号化参照情報記憶部１１８に書き
込まれた情報を示す。同図のように、特徴量判別符号化
学習部１３１は、末端の枝の符号化データと代表ベクト
ルとの対応関係（いわゆるコードブック）を記憶してい
る。センター装置１０１では、この対応を用いて符号化
データを代表ベクトルに変換することで、受信した符号
化データを復号化する。

【０１３０】さて、ステップＳ２００１におけるＫ平均
アルゴリズムによるクラスタリングの手法について説明
する。図２５は、第２の特徴サンプルを２つのクラスタ
に分類する手順を示すフローチャートである。まず、一
方のクラスタをＴ１Ｒ、Ｔ１Ｒとして、２つの初期クラ
スタ中心を適当に決める。これをＭ_1L（１）、Ｍ
_1R（１）とする（ステップＳ２５００）。

【０１３１】そして、ｋ回目の繰り返しステップにおい
て、第２の特徴量のサンプル｛Ｑ｝を次の方法で、２つ
のクラスタに分類する。すなわち、｜Ｑ−Ｍ_1L（ｋ）｜
≦｜Ｑ−Ｍ_1R（ｋ）｜であれば、ＱはクラスタＴ１Ｌに
属するものとする。また、｜Ｑ−Ｍ_1L（ｋ）｜＞｜Ｑ−
Ｍ_1R（ｋ）｜であれば、ＱはクラスタＴ１Ｒに属するも
のとする（ステップＳ２５０１）。

【０１３２】次に、ステップＳ２５０１によって新しい
クラスタ中心を［数２７］によって計算する（ステップ
Ｓ２５０２）。

【０１３３】

【数２７】

【０１３４】次に、アルゴリズムの収束を判定する。す
なわち、Ｍ_1L（ｋ＋１）＝Ｍ_1L（ｋ）、及びＭ_1R（ｋ＋
１）＝Ｍ_1R（ｋ）となれば、終了し、そうでなければ、
ステップＳ２５０１へもどる（ステップＳ２５０３）。
次に、特徴量判別符号化部１０８による第２の特徴量を
符号化する動作について説明する。特徴量判別符号化部
１０８は、２進探索木を辿っていくことにより、第２の
特徴量が属する枝を判定する。すなわち、特徴量判別符
号化部１０８は、図２３に示す第２の特徴量符号化参照
情報記憶部１０９に記憶されている参照ベクトルＭｏ、
Ｖｏ、Ｍｐ、Ｖｐを読込んで、ニューラルネットワーク
により、第２の特徴量が２分割境界面Ｓ１のどちらに属
するかを判別し、順次、２進探索木の枝を辿っていく。

【０１３５】図２６は、ニューラルネットワークにより
各ブロックの第２の特徴量が判別される過程を示す。図
２６（ａ）は、ニューラルネットワークにより、第１ブ
ロックの第２の特徴量が分割空間のいずれに属するかが
判定される過程を示す。Ｓ１〜Ｓ７は、分割境界面を示
す。図２６（ａ）では、入力パターンである第１ブロッ
クの第２の特徴量Ｑが、第１ブロックの第２の特徴量の
特徴量空間（以下、第１ブロック空間）のＳ１を分割す
るニューラルネットワークによりＴ１Ｒに属すると判定
され、次に、第１ブロック空間のＳ３を分割するニュー
ラルネットワークによりＴ３Ｒに属すると判定され、最
終的に第１ブロック空間のＳ７を分割するニューラルネ
ットワークによりＴ７Ｒに属すると判定されている。

【０１３６】その結果、第１ブロックの第２の特徴量Ｑ
は、Ｔ７Ｒに属することを示す符号化データ１１１で表
されることになる。そして、符号化データ１１１のみが
センター装置１０１に送られ、センター装置１０１で
は、図２４に示す第２の特徴量復号化参照情報記憶部に
記憶されている符号化データと代表ベクトルの対応関係
を参照して、符号化データ１１１より代表ベクトルＭβ
がもとの第１ブロックの第２の特徴量Ｑとして復元され
ることになる。

【０１３７】図２６（ｂ）は、ニューラルネットワーク
により、第２ブロックの第２の特徴量が分割空間のいず
れに属するかが判定される過程を示す。図２６（ｂ）で
は、入力パターンである第２ブロックの第２の特徴量Ｑ
が、第２ブロックの第２の特徴量の特徴量空間（以下、
第２ブロック空間）のＳ１を分割するニューラルネット
ワークによりＴ１Ｒに属すると判定され、次に、第２ブ
ロック空間のＳ３を分割するニューラルネットワークに
よりＴ３Ｒに属すると判定され、最終的に第２ブロック
空間のＳ７を分割するニューラルネットワークによりＴ
７Ｌに属すると判定されている。

【０１３８】その結果、第２ブロックの第２の特徴量Ｑ
は、Ｔ７Ｌに属することを示す符号化データ１１０で表
されることになる。そして、符号化データ１１０のみが
センター装置１０１に送られ、センター装置１０１で
は、図２４に示す第２の特徴量復号化参照情報記憶部に
記憶されている符号化データと代表ベクトルの対応関係
を参照して、符号化データ１１０より代表ベクトルＭα
（２）がもとの第２ブロックの第２の特徴量Ｑとして復
元されることになる。

【０１３９】このように、特徴量判別符号化部１０８
は、２５６個あるすべてのブロックについて、上述のよ
うにしてブロック単位で第２の特徴量を符号化する。そ
して、符号化データがセンター装置１０１へ送られる。
センター装置１０１では、符号化データより、その分割
空間の代表ベクトルをもとのブロックの第２の特徴量Ｑ
として復元することになる。

【０１４０】次に、第２の特徴量復号化部１１９による
第２の特徴量の復号化方法について説明する。第２の特
徴量復号化参照情報記憶部１１８は、上述の２進探索木
の末端の枝を分割するニューラルネットワークが学習に
よって獲得した第２の特徴量の参照ベクトル中の代表ベ
クトルと、符号化データとの対応表を有している。第２
の特徴量復号化部１１９は、図２４に示す第２の特徴量
復号化参照情報記憶部に記憶されている情報より、端末
装置１００から送られてきた符号化データより代表ベク
トルを求める。この代表ベクトルは、もとの第２の特徴
量のブロックとして、人物画像の再生と人物の認証のた
めに用いられる。人物画像を再生するためには、まず、
図１１に示したように、特徴量逆変換部１２２によっ
て、第２の特徴量のブロックは周波数による帯域２分割
のサブバンド合成されて、第２の部分画像のブロックが
復元される。そして、画像再生部１２３によって、第２
の部分画像のブロックが配列されて、第２の部分画像が
再生される。人物を認証するためには、後述するよう
に、第２の特徴量判別部１２０によって、第２の特徴量
のブロック中のＬＬＬＬ成分が選択されて用いられる。

【０１４１】次に、第２の特徴量判別部１２１における
第２の特徴量の判別（人物の認証）の動作について説明
する。第２の特徴量判別部１２１は、第２の特徴量識別
参照情報記憶部１２０中の情報を用いて第２の特徴量を
判別する。まず、学習装置１３０による第２の特徴量を
判別する学習の動作について説明する。図２７は、学習
装置が第２の特徴量の判別を学習する動作手順を示すフ
ローチャートである。

【０１４２】まず、学習装置１３０内の撮像部１０３
と、画像メモリー１０４と、画像サンプリング部１０５
と、特徴量変換部１０６は、システムに登録すべき人物
の第２の特徴量を複数個作成する（ステップＳ２７０
０）。次に、第２の特徴量判別学習部１３２は、ステッ
プＳ２７００により得られたブロック単位の第２の特徴
量からＬＬＬＬ成分を抽出して、判別に用いるニューラ
ルネットワークの入力パターンを作成する。

【０１４３】図２８は、第２の特徴量のブロックと第２
の特徴量を判別するニューラルネットワークの入力パタ
ーンとの関係を示す。第２の特徴量のブロック２１００
は、１画素のＬＬＬＬ、ＬＬＨＬ、ＬＬＬＨ、ＬＬＨＨ
と、２画素×２画素のＬＨ、ＨＬ、ＨＨとからなる１６
次元ベクトルである。第２の特徴量のブロック２１００
中で、ＬＬＬＬ成分が画像の主要な特徴をもっともよく
表しており人物の判別に用いるのに適しているので、こ
のＬＬＬＬ成分を各ブロックから抜き出すことにする。
ブロックの総数は１６×１６個あるので、すべてのブロ
ックよりＬＬＬＬ成分を抜き出すことにより１６×１６
次元ベクトル２１０１が得られる。

【０１４４】第２の特徴量判別学習部１３２は、この１
６×１６次元ベクトル２１０１を生成して、これを第２
の特徴量を判別するニューラルネットワークの入力パタ
ーンとする（ステップＳ２７０１）。第２の特徴量判別
学習部１３２は、ステップＳ２７０１で作成した入力パ
ターンを用いてニューラルネットワークにより第２の特
徴量の判別を学習する。

【０１４５】図２９は、第２の特徴量を判別するニュー
ラルネットワークの構成を示す。図２９に示すニューラ
ルネットワークは、図１６に示す第１の特徴量の特徴量
空間を２分割する分割境界面を生成するニューラルネッ
トワークと入力ユニット２２０１の数と出力ユニット２
２０２の数が異なるのみである。第２の特徴量の判別
は、第１の特徴量の判別や、第２の特徴量の符号化のよ
うに、順次、集合を２分割するのと異なり、ひとつのニ
ューラルネットワークで、入力パターンをすべての集合
のうちのどれに属するか、すなわち、特定の人物に分類
する。従って、出力ユニット２２０２の個数ｍは、集合
の数、すなわち、登録されている人物の数だけ必要とな
る。

【０１４６】教師信号は、入力パターンＱが人物ｋに属
する時には、Ｙ_k＝１、Ｙ_i＝０（ｆｏｒ ｉ≠ｋ）とし
て与えられる。入力パターンは前述のように１６×１６
次元ベクトルであるので、入力ユニット２２０１の個数
は、２５６個となる。第２の特徴量判別学習部１３２
は、学習結果としての参照ベクトルを第２の特徴量識別
参照情報記憶部１２０に記憶する（ステップＳ２７０
２）。

【０１４７】図３０は、第２の特徴量判別学習部１３２
が第２の特徴量識別参照情報記憶部１２０に書き込んだ
情報を示す。第２の特徴量識別参照情報記憶部１２０に
は、ｍ個の出力ユニットごとの参照ベクトルが記憶され
ている（ステップＳ２９０２）。次に、センター装置１
０１の第２の特徴量判別部１２１が、任意の第２の特徴
量を判別する動作について説明する。

【０１４８】第２の特徴量判別部１２０は、図３０に示
す第２の特徴量識別参照情報記憶部１２０に記憶されて
いる学習結果である参照ベクトルを読込んで、任意の入
力された第２の特徴量をニューラルネットワークによっ
て分類する。すなわち、入力パターンとの距離が最小と
なる参照ベクトルをもつ出力ユニットに対応する人物
が、入力パターンを生成した人物画像の持ち主であると
特定される。

【０１４９】これによって、端末装置１００で撮像した
人物がセンター装置１０１に登録されている人物のうち
のいずれであるかが判別される。以上のように、本実施
の形態の人物画像認証システムによれば、端末装置１０
０内の特徴量判別部１０８は、ニューラルネットワーク
を用いて第１の特徴量を順次２進探索木に従って量子化
することによって、人物画像から顔画像の切り出し位置
を決めるとともに、ニューラルネットワークを用いて第
２の特徴量を順次２進探索木に従って量子化することに
よってセンター装置１０１に送信する符号化データを作
成する。つまり、端末装置１００の２つの機能、顔画像
の切り出しと符号化が同一の処理アルゴリズムに基づい
て行えるので、これらの機能を実現するハードウエア構
成要素を共通化でき、端末装置のハードウエア構成を軽
くすることができる。

【０１５０】なお、本実施の形態では、第１の特徴量及
び第２の特徴量として画像データをサブバンド分解した
ものを用いたが、これに限定されるものではない。すな
わち、第２の特徴量としては、画像認識のための特徴量
として用いることができ、かつ可逆的に又はそれに近い
形でもとの画像データを再生できるような特徴量なら別
のもの、例えば、離散コサイン変換（ＤＣＴ）により得
られるＤＣＴ係数などを用いてもよい。また、第１の特
徴量は、第２の特徴量のように可逆的にもとの画像デー
タを再生する必要はないので、第２の特徴量と同一のも
のでなくてもよく、画像認識に多用される特徴量でよ
い。例えば、画像データを複数方向に投影をとったデー
タなどを特徴量として用いてもよい。

【０１５１】また、本実施の形態では、第１の特徴量の
判別及び第２の特徴量の判別にはＬＬＬＬ成分を用いる
こととしたが、これに限定するものでなく、高域フィル
タ、低域フィルタの構成に基づいて適切な成分を選択し
て用いればよい。また、本実施の形態は、人物の顔画像
の識別以外の用途にも用いることができる。つまり、本
実施の形態は、人物の指紋画像の識別や、手書き文字の
識別のように、なんらかのクラスに属するオブジェクト
の識別にも用いることができる。 （実施の形態２）実施の形態２は、薄型メモリカードを
用いた人物画像認証システムに関する。

【０１５２】図３１は、実施の形態２の薄型メモリカー
ドを用いた人物画像認証システムの構成を示す機能ブロ
ック図である。本実施の形態は、実施の形態１の構成に
薄型メモリカード３１００が追加され、端末装置１００
に入出力部３１０５が追加された構成である。薄型メモ
リカード３１００は、入出力部３１０１と、制御部３１
０２と、データ記憶部３１０３と、データ符号復号化部
３１０４とから構成される。

【０１５３】入出力部３１０１は、端末装置１００の入
出力部３１０５との間で電気、電磁波などの手段でデー
タの授受を行なう。制御部３１０２は、薄型メモリカー
ド３１００の構成要素の動作を制御する。データ記憶部
３１０３は、サービス情報の記憶、サービスを受けるこ
とに対して支払われる全額データの残額を記憶する。

【０１５４】データ符号復号化部３１０４は、端末装置
１００から受信した符号化データを復号化し、端末装置
１００へ送信するデータを符号化する。次に、本実施の
形態の薄型メモリカードを用いた人物画像認証システム
の動作について説明する。図３２は、実施の形態２の薄
型メモリカードを用いた人物画像認証システムの動作手
順を示すフローチャートである。

【０１５５】まず、端末装置１００の制御部１１２は、
入出力部３１０５に認証番号要求信号の送信を指示する
（ステップＳ３２００）。端末装置１００の入出力部３
１０５は、薄型メモリカード３１００の入出力部３１０
１へ認証番号要求信号を送信する（ステップＳ３２０
１）。薄型メモリカード３１００の入出力部３１０１
は、受信した認証要求信号を制御部３１０２に転送す
る。薄型メモリカード３１００の制御部３１０２は、デ
ータ記憶部３１０３から認証番号を読み出して、データ
符号復号化部３１０４に転送する。データ符号復号化部
３１０４で符号化された認証番号は入出力部３１０１よ
り、端末装置１００の入出力部３１０５に送信される
（ステップＳ３２０２、Ｓ３２０３）。

【０１５６】端末装置１００の入出力部３１０５は、符
号化された認証番号を受信し、端末装置１００の制御部
１１２は、撮像部１０３に人物画像の撮影を指示し、一
連の処理を経て符号化された第２の特徴量が得られる。
制御部１１２は、符号化された第２の特徴量（顔の認証
データ）、符号化された認証番号、識別要求信号を通信
部１１３に出力する（ステップＳ３２０４）。

【０１５７】端末装置１００の通信部１１３は、符号化
された第２の特徴量（顔の認証データ）、符号化された
認証番号、識別要求信号をセンター装置１０１の通信部
１１７へ転送する（ステップＳ３２０５）。センター装
置１０１は、ステップＳ３１１、Ｓ３１３の処理を行っ
て、転送されてきた符号化された第２の特徴量（顔の認
証データ）を復号化し、その第２の特徴量が属するクラ
スの判定、すなわち、その人物を特定し、制御部１２６
に出力する。また、データ符号復号化部１２８は、符号
化されている認証番号を復号化する。制御部１２６は、
特定した人物と認証番号と比較して、一致しているかど
うかを判定する（ステップＳ３２０６）。

【０１５８】制御部１２６が不一致であると判定した場
合には、通信部１１７は、認証番号、不一致応答信号を
端末装置１００内の通信部１１３へ転送する（ステップ
Ｓ３２０７）。ステップＳ３２００〜Ｓ３２０６の手続
きを繰り返して、センター装置１０１へ符号化された第
２の特徴量（顔の認証データ）と、符号化された認証番
号と、識別要求信号が送られ、センター装置１０１で、
転送されてきた符号化された第２の特徴量を復号化し、
その第２の特徴量が属する人物を特定するとともに、認
証番号を復号化し、特定した人物と認証番号と比較し
て、一致しているかどうかを判定する。制御部１２６
は、一致であると判定した場合には、認証番号に応じて
登録されたサービスの許可をする（ステップＳ３２０８
〜Ｓ３２１４）。

【０１５９】そして、通信部１１７は、認証番号、一致
応答信号を端末装置１００内の通信部１１３へ転送する
（ステップＳ３２１５）。端末装置１００の制御部１１
２は、受信した一致応答信号により、利用者に認証番号
に応じて登録されたサービスの選択を許可する。利用者
は、選択信号入力部１１１を通じて、許可されたサービ
ス内容を選択する。ここでは、センター装置１０１のデ
ータ記憶部１２７に記憶されている有償のサービス情報
を端末装置１００を経由して薄型メモリカード３１００
に入力するサービスを選択したとする。そして、サービ
スに対する課金は、薄型メモリカード３１００のデータ
記憶部３１０３で記憶している金額データからサービス
料金を減算することによって行うものとする（ステップ
Ｓ３２１６）。

【０１６０】端末装置１００の入出力部３１０５は、薄
型メモリカード３１００の入出力部３１０１に認証番号
と金額データ要求信号を送信する（ステップＳ３２１
７）。薄型メモリカード３１００の制御部３１０２は、
受信した認証番号が薄型メモリカード３１００のデータ
記憶部３１０３に記憶している認証番号と一致している
ならば、金額データ要求信号で指定されたデータ記憶部
３１０３のアドレスから金額データを読み出す。そし
て、データ符号復号化部３１０４は、読み出された金額
データを符号化する（ステップＳ３２１８）。

【０１６１】入出力部３１０１は、認証番号と符号化さ
れた金額データを端末装置１００の入出力部３１０５に
送信する（ステップＳ３２１９）。端末装置１００の通
信部１１３は、認証番号、符号化された金額データに加
えて、サービス要求信号をセンター装置１０１の通信部
１１７に転送する（ステップＳ３２２０）。

【０１６２】センター装置１０１の制御部１２６は、サ
ービス要求信号を解読してデータ記憶部１２７からサー
ビス情報を読み出し、データ符号復号化部１２８は、サ
ービス情報を符号化する。また、データ符号復号化部１
２８は、金額データを復号化する。制御部１２６は、復
号化した金額データからサービス料金を減算し、金額デ
ータを更新し、データ符号復号化部１２８は、更新した
金額データを符号化する（ステップＳ３２２１）。

【０１６３】センター装置１０１の通信部１１７は、端
末装置１００の通信部１１３へ認証番号、符号化した更
新金額データ、符号化したサービス情報を転送する（ス
テップＳ３２２２）。端末装置１００の入出力部３１０
５は、薄型メモリカード３１００の入出力部３１０１へ
認証番号、符号化した更新金額データ、符号化したサー
ビス情報を転送する（ステップＳ３２２３）。

【０１６４】薄型メモリカード３１００のデータ符号復
号化部３１０４は、受信した符号化されている更新金額
データとサービス情報を復号化して、データ記憶部３１
０３に記憶する（ステップＳ３２２４）。そして、認証
番号とともに、データ記憶部３１０３への書き込み応答
が入出力部３１０１から端末装置１００の入出力部３１
０５へ転送される（ステップＳ３２２５）。

【０１６５】端末装置１００において、選択信号入力部
１１１を通じて、サービスの終了が選択された場合に
は、制御部１１２はサービスの許可を終了し、初期状態
（人物識別モード）にもどすとともに、通信部１１３
に、認証番号と、終了信号を出力する（ステップＳ３２
２６）。端末装置１００の通信部１１３から、センター
装置１０１の通信部１１７へ認証番号と終了信号が転送
される（ステップＳ３２２７）。

【０１６６】センター装置１０１の制御部１２６は、認
証番号に応じて登録されたサービスの許可を終了する
（ステップＳ３２２８）。以上のように、本実施の形態
の人物画像認証システムでは、現状広く普及している薄
型メモリカードを用いたサービスにおいて、薄型メモリ
カードに記憶されている認証番号だけで人物を認証する
のではなく、顔画像より人物を特定し、認証番号と一致
しているかどうかにより人物を認証するので、強固なセ
キュリティを確保した個人の認証が可能となる。 （実施の形態３）実施の形態３は、バックプロパゲーシ
ョンニューラルネットワークにより第１の特徴量の判
別、第２の特徴量の符号化、及び第２の特徴量の判別を
する人物画像認証システムに関する。

【０１６７】実施の形態１における特徴量判別符号化部
１０８、第２の特徴量判別部１２１、特徴量判別符号化
学習部１３１、第２の特徴量判別学習部１３２ではσＬ
ＶＱ型ニューラルネットワークを用いていたが、本実施
の形態ではバックプロパゲーションニューラルネットワ
ークを用いる。図３３は、第２の特徴量を判別するバッ
クプロパゲーションニューラルネットワークの構成を示
す。図３３に示すバックプロパゲーションニューラルネ
ットワークは、入力ユニット３３０１と、中間ユニット
３３０３、出力ユニット３３０２とから構成される。

【０１６８】入力ユニット３３０１には、入力パターン
Ｑ（ｑ₁、ｑ₂、…、ｑ_n）３３０４が入力される。入力
パターンＱは前述のように１６×１６次元ベクトルであ
るので、入力ユニット３３０１の個数は２５６個とな
る。出力ユニット３３０２は、登録する人物の数だけ備
える。そして、出力ユニット３３０２から出力される出
力信号３３０５により人物の判定がなされる。すなわ
ち、入力パターンＱ３３０４に対して、出力信号３３０
５が１に近い値をもつ出力ユニットが特定され、入力パ
ターン３３０４は、その出力ユニットに対応する人物の
ものであると判定される。教師信号３３０６の値は、入
力されている入力パターンＱを生成した人物に対応する
出力ユニットに対しては１、それ以外の出力ユニットに
対しては０とする。この表現方法では、出力ユニットが
ｍ個の時には、ｍ人が識別できることになる。

【０１６９】あるいは、別の表現方法として、例えば、
人物Ａに対しては、出力ユニットＯ１とＯ２が１で、そ
れ以外の出力ユニットは０とするような表現も可能であ
る。この場合には、出力ユニットｍ個に対して２^m人の
識別が可能である。中間ユニット３３０３は、ニューラ
ルネットワークの性能を向上させるために設けるもので
あり、その個数は実験的に決める。

【０１７０】バックプロパゲーションニューラルネット
ワークでは、出力信号３３０５と教師信号３３０６との
誤差を最小化するように、各結合の重みを修正する誤差
逆伝播アルゴリズムを用いて学習を行なう。バックプロ
パゲーションニューラルネットワークは、周知であるの
で、ここでは、より詳しい説明は省略する。

【０１７１】第１の特徴量の判別、第２の特徴量の符号
化をするバックプロパゲーションニューラルネットワー
クも、上述の第２の特徴量を判別するバックプロパゲー
ションニューラルネットワークと入力ユニット、中間ユ
ニット、出力ユニットの個数がそれぞれ異なるだけで、
その他は同様の構成である。以上のように、本実施の形
態の人物画像認証システムでは、実施の形態１で用いた
σＬＶＱ型ニューラルネットワークの代わりにバックプ
ロパゲーションニューラルネットワークを用いて、実施
の形態１と同様の効果を達成することができる。 （実施の形態４）実施の形態４は、σＬＶＱ型ニューラ
ルネットワークに新しい学習則を導入し、判別及び符号
化の精度を向上させた人物画像認証システムに関する。

【０１７２】実施の形態１における特徴量判別符号化学
習部１３１、及び第２の特徴量判別学習部１３２のσＬ
ＶＱ型ニューラルネットワークは、参照ベクトルのうち
代表ベクトルのみを学習して更新していたが、本実施の
形態では、代表ベクトルに加えて分散ベクトルも学習に
より更新する。分散ベクトルの学習方法は、カテゴリー
の判定結果と、入力パターンと平均ベクトルとの距離、
分散ベクトルの大きさに従う。

【０１７３】すなわち、カテゴリーの判定が正しく（入
力パターンがそのカテゴリーに含まれる。）、かつ、入
力パターンと平均ベクトルとの距離が分散ベクトルより
大きい場合には、現在用いている分散ベクトルの値が小
さいといえるので、分散ベクトルの値を大きくなる方向
に修正する。一方、カテゴリーの判定が誤りで（入力パ
ターンがそのカテゴリーに含まれない）、かつ、入力パ
ターンと平均ベクトルとの距離が分散ベクトルより小さ
い場合には、現在用いている分散ベクトルの値が大きい
といえるので、分散ベクトルの値を小さくなる方向に修
正する。

【０１７４】上記以外の場合、すなわち、カテゴリーの
判定が正しく、かつ、入力パターンと平均ベクトルとの
距離が分散ベクトルより小さい場合、及びカテゴリーの
判定が誤りで、かつ、入力パターンと平均ベクトルとの
距離が分散ベクトルより大きい場合には、現在用いてい
る分散ベクトルの値は適当といえるので、分散ベクトル
の値は更新せずそのままとする。

【０１７５】第１の特徴量の判別に用いるσＬＶＱ型ニ
ューラルネットワークに分散ベクトルの学習則を用いた
場合について説明する。図３４は、第１の特徴量の判別
に用いるσＬＶＱ型ニューラルネットワークの学習の動
作手順を示すフローチャートである。ここでは、１つの
学習サンプルを学習する動作を示す。まず、σＬＶＱ型
ニューラルネットワークに学習サンプルを入力して、各
出力ユニットにおける距離を［数２８］、［数２９］に
従って算出して、入力した学習サンプルを分類する（ス
テップＳ３４００）。

【０１７６】

【数２８】

【０１７７】

【数２９】

【０１７８】分類が教師信号Ｙ₁、Ｙ₂として与えられる
望ましい分類に一致するかどうかを調べる（ステップＳ
３４０１）。分類が正しい時には、すなわち、ｙ_i＝Ｙ_i
（ｆｏｒ １≦ｉ≦ｎ）には、［数３０］に従って、代
表ベクトルを更新する（ステップＳ３４０２）。

【０１７９】

【数３０】

【０１８０】また、［数３１］に従って、分散ベクトル
を更新する（ステップＳ３４０３）。

【０１８１】

【数３１】

【０１８２】分類が誤っている時には、［数３２］に従
って、代表ベクトルを更新する（ステップＳ３４０
４）。

【０１８３】

【数３２】

【０１８４】また、［数３３］に従って、分散ベクトル
を更新する（ステップＳ３４０５）。

【０１８５】

【数３３】

【０１８６】図３５は、分散ベクトルの成分である分散
値σ_cjの更新について示す。図３５（ａ）は、分類が正
しく、かつ｜ｑ_j（ｔ）−ｍ_cj（ｔ）｜−σ_cj（ｔ）
＞０を満たす場合の入力パターンｑ_j（ｔ）の分布を示
す。図３５（ｂ）は、図３５（ａ）の時のσ_cj（ｔ）の
更新値σ_cj（ｔ＋１）を示す。図３５（ａ）では、分類
が正しいので［数３１］により分散値σ_cj（ｔ）を更新
する。［数３１］においてｓｇｎ（｜ｑ_j（ｔ）−ｍ_cj
（ｔ）｜−σ_cj（ｔ））＝１となるので、更新値σ
_cj（ｔ＋１）は、σ_cj（ｔ）×（１＋γ１）となる。

【０１８７】図３５（ｃ）は、分類が正しく、かつ｜ｑ
_j（ｔ）−ｍ_cj（ｔ）｜−σ_cj（ｔ） ≦０を満たす場
合の入力パターンｑ_j（ｔ）の分布を示す。図３５
（ｄ）は、図３５（ｃ）の時のσ_cj（ｔ）の更新値σ_cj
（ｔ＋１）を示す。図３５（ｃ）では、分類が正しいの
で［数３１］により分散値σ_cj（ｔ）を更新する。［数
３１］においてｓｇｎ（｜ｑ_j（ｔ）−ｍ_cj（ｔ）｜−
σ_cj（ｔ））＝０となるので、更新値σ_cj（ｔ＋１）
は、σ_cj（ｔ）のままである。

【０１８８】図３５（ｅ）は、分類が誤りで、かつ｜ｑ
_j（ｔ）−ｍ_cj（ｔ）｜−σ_cj（ｔ） ≧０を満たす場
合の入力パターンｑ_j（ｔ）の分布を示す。図３５
（ｆ）は、図３５（ｅ）の時のσ_cj（ｔ）の更新値σ_cj
（ｔ＋１）を示す。図３５（ｅ）では、分類が誤りなの
で［数３３］により分散値σ_cj（ｔ）を更新する。［数
３３］においてｓｇｎ（σ_cj（ｔ）−｜ｑ_j（ｔ）−ｍ
_cj（ｔ）｜）＝０となるので、更新値σ_cj（ｔ＋１）
は、σ_cj（ｔ）のままである。

【０１８９】図３５（ｇ）は、分類が誤りで、かつ｜ｑ
_j（ｔ）−ｍ_cj（ｔ）｜−σ_cj（ｔ） ＜０を満たす場
合の入力パターンｑ_j（ｔ）の分布を示す。図３５
（ｈ）は、図３５（ｇ）の時のσ_cj（ｔ）の更新値σ_cj
（ｔ＋１）を示す。図３５（ｇ）では、分類が誤りなの
で［数３３］により分散値σ_cj（ｔ）を更新する。［数
３３］においてｓｇｎ（σ_cj（ｔ）−｜ｑ_j（ｔ）−ｍ
_cj（ｔ）｜）＝１となるので、更新値σ_cj（ｔ＋１）
は、σ_cj（ｔ）×（１−γ２）となる。

【０１９０】第２の特徴量の符号化、及び第２の特徴量
の判別のためのσＬＶＱ型ニューラルネットワークにつ
いても、上記と同様にして分散ベクトルの学習が可能で
ある。以上のように本実施の形態の人物画像認証システ
ムでは、代表ベクトルだけでなく分散ベクトルをも学習
により更新するので、カテゴリー判定のための距離の計
算がより精密にでき、学習の精度を向上することができ
るとともに、学習に要する時間も短縮できる。 （実施の形態５）実施の形態５は、学習に用いる人物画
像のサンプル数が少ない場合に、混合した特徴量によっ
てニューラルネットワークの学習をする人物画像認証シ
ステムに関する。

【０１９１】本実施の形態の人物画像認証システムは、
実施の形態１の第２の特徴量判別学習部１３２におい
て、ニューラルネットワークの入力パターンを保有する
サンプルデータを用いて合成して人為的に作成し、これ
を用いて学習する機能が付加されたものである。図３６
は、実施の形態５の混合した特徴量の作成及びこれを用
いた学習の動作手順を示すフローチャートである。

【０１９２】まず、特定の人物ｓについて、他のすべて
の人物との間で［数３４］で定義される距離ｄを計算す
る（ステップＳ３６００）。

【０１９３】

【数３４】

【０１９４】次に、［数３５］によって、距離ｄが最小
となる人物ｐを選択する（ステップＳ３６０１）。

【０１９５】

【数３５】

【０１９６】次に、人物ｓの第２の特徴量のサンプルの
中で平均ベクトルに近い値をもつ１つのサンプルを選択
し、人物ｐの第２の特徴量のサンプルの中で平均ベクト
ルに近い値をもつ１つのサンプルを選択し、これらを
［数３６］に従って混合した混合特徴量を作成する（ス
テップＳ３６０２）。

【０１９７】

【数３６】

【０１９８】次に、ステップＳ３６０２で作成した時間
変化する混合特徴量を入力パターンとして学習を行う。
従って、学習時には、人物ｓの第２の特徴量q_sを繰り返
し入力するのではなく、人物ｓの第２の特徴量q_sjと人
物ｐの第２の特徴量ｑ_pjを時間変化する混合比αのもと
で混合した特徴量をニューラルネットワークに入力して
学習させることとなる（ステップＳ３６０３）。

【０１９９】図３７は、入力パターンの時間変化を示
す。３７０１は、人物ｓの第２の特徴量の平均ベクトル
に近い値をもつサンプルであるq_sjを示し、３７０２
は、人物ｐの第２の特徴量の平均ベクトルに近い値をも
つサンプルであるq_pjを示す。３７０３は、q_sjとq_pjを
結ぶ線分の中点を示す。３７０４は人物ｓの学習におけ
るｔ＝０での入力パターンｑ_sj(α)を示す。ここでｔ＝
０におけるαの値は［数３６］よりα₀であり、α₀＝
０．４とする。従って、ｔ＝０では、ｑ_sjとq_pjとが
４：６で混合された特徴量が入力される。時間ｔの進行
に伴って、αの値は［数３６］に従って減少し、十分に
時間を経過した時にはα＝０となる。

【０２００】これは、人物ｓの学習において、合成して
作成した特徴量３７０４を含むように人物ｓと人物ｐと
の識別境界面が生成されるように明示的に示したことに
なる。これによって、学習サンプルが少ない場合に、人
物ｓと人物ｐの識別境界面が人物ｓのサンプルに近い場
所（混合特徴量３７０４を含まない場所）に偏って生成
されるのを防止している。

【０２０１】また、ニューラルネットワークへの入力パ
ターンｑ_sj(α)は、学習開始時には人物ｓと人物ｐとの
境界付近から始まって、学習の進行とともに徐々に人物
ｓの特徴量に近付けていくことで、人物ｓと人物ｐとを
区別する境界境界面が早期に精度よく形成できる、すな
わち収束性がよい学習が可能となる。図３８は、入力パ
ターンの時間変化の例を画像形式で示す。実際には、ニ
ューラルネットワークには第２の特徴量が入力されるの
だが、ここでは、説明のため顔画像の形式で示す。図３
８（ａ）は、人物Ａの顔画像３８０１と人物Ｂの顔画像
３８０２を示す。ここで、人物Ａの顔画像に最も類似す
る顔画像として人物Ｂの顔画像が選ばれ、人物Ｂの顔画
像に最も類似する画像として人物Ａの顔画像が選ばれた
ものとする。従って、人物Ａの顔画像の学習と、人物Ｂ
の顔画像の学習のどちらにおいても、人物Ａの顔画像と
人物Ｂの顔画像を合成した画像が用いられることにな
る。

【０２０２】図３８（ｂ）は、人物Ａの学習における、
ニューラルネットワークの入力パターンを顔画像の形式
で示す。３８０３は学習開始時に入力する顔画像（比率
α＝０．４）、３８０４は学習の中間時点で入力する顔
画像（比率α＝０．２）、３８０５は十分時間を経た学
習終了時に入力する顔画像（比率α＝０）を示す。図３
８（ｃ）は、人物Ｂの学習において、ニューラルネット
ワークの入力パターンを顔画像の形式で示す。３８０６
は学習開始時に入力する顔画像（比率α＝０．４）、３
８０７は学習の中間時点で入力する顔画像（比率α＝
０．２）、３８０８は十分時間を経た学習終了時に入力
する顔画像（比率α＝０）を示す。

【０２０３】このように、Ａを学習する場合には、最初
にＢの混合比率が高い架空のＡを用いて、ＡとＢとの境
界付近を学習し、徐々に真のＡ（データとして実際に存
在する）を用いて、Ａの中心点を学習していくことにな
る。他方、Ｂを学習する場合には、最初にＡの混合比率
が高い架空のＢを用いて、ＡとＢとの境界付近を学習
し、徐々に真のＢ（データとして実際に存在する）を用
いて、Ｂの中心点を学習していくことになる。

【０２０４】以下に、本実施の形態の認識実験結果を示
す。図３９は、学習サンプル数と誤認識率の関係を示
す。４０人の人物に対して、それぞれ１０個の顔画像を
用意した。図３９に示すグラフの横軸は、各人に対して
学習に用いた画像サンプル数を示す。グラフの縦軸は、
認識テスト用画像の誤認識率である。認識テスト用画像
とは、学習に用いなかった画像である。従って、学習に
ｘ個の画像を用いる場合は、認識テスト用画像は、１０
−ｘ個となる。［数３６］のパラメータは、α₀＝０．
５、η＝２００と設定した。図３９には、本実施の形態
である混合した特徴量を用いた方法による誤認識率３９
０１と、特徴量を混合しない従来方法の誤認識率３９０
２を示す。本実施の形態による混合した特徴量を用いる
認識方法は、従来方法に比べて認識率が高いことが示さ
れた。

【０２０５】以上のように、本実施の形態の人物画像認
証システムでは、混合特徴量を用いて、類似した人物を
明確に区別できるように学習することができる。なお、
ここでは、人物ｓと人物ｐの特徴量サンプルから平均ベ
クトルに近い値をもつサンプルを１個ずつ抽出して、抽
出したサンプルから混合特徴量を作成して学習をするこ
ととしたが、これに限定するものでなく、人物ｓと人物
ｐの特徴量サンプルから任意個数のサンプルを抽出し
て、これらのサンプルより混合特徴量を作成して、学習
することとしてもよい。 （実施の形態６）実施の形態６は、学習に用いる人物画
像のサンプル数が少ない場合に、特徴量の分散ベクトル
の推定を向上させる手段を導入してσＬＶＱ型ニューラ
ルネットワークの学習精度を向上させる人物画像認証シ
ステムに関する。

【０２０６】本実施の形態の人物画像認証システムで
は、実施の形態１の第２の特徴量判別学習部１３２にお
いて、σＬＶＱ型ニューラルネットワークの参照ベクト
ル中の分散ベクトルは、その集合（人物）に属するサン
プルデータだけから計算するのでなく、その集合以外の
集合との混合集合を作成して、その混合集合のサンプル
データから計算するものとする。

【０２０７】学習サンプル数が少ない場合には、統計計
算により算出される分散ベクトルの信頼性が低い。特
に、信頼性が低い分散値が得られた場合には、［数２
１］等の距離の計算が分散値の２乗のオーダーできくた
め、認識率が極度に低下する場合がある。一方、人物の
顔画像についていえば、人物ごとに、その代表ベクトル
（平均値）は当然異なるが、分散ベクトル（カメラに対
する顔の向きや位置の変化に伴うちらばり）はそれほど
変らないと考えられる。

【０２０８】そこで、本実施の形態では、信頼性の低い
分散値が得られた場合に、ＭＤＬ原理に基づいて、他の
人物のサンプル集合と混合した混合集合を用いて正しい
分散値を推定する。ＭＤＬ（Ｍｉｎｉｍｕｍ Ｄｅｓｃ
ｒｉｐｔｉｏｎ Ｌｅｎｇｔｈ）原理とは、データ圧縮
の考えを基礎として、「与えられたデータの中で、モデ
ルの記述を含めて、最も短く記述できるモデルが最良の
モデルとする。」ものである。本実施の形態では、各集
合の分布として正規分布を仮定しているので、混合集合
のユニバーサル符号語長は、各集合の分散の自然対数の
和（対数分散和）に依存する。従って、対数分散和が小
さな（ユニバーサル符号語長が小さい）混合集合を選択
すればよいことになる。なお、ユニバーサル符号化、及
びＭＤＬ原理に関しては、韓、小林著「応用数学 情報
と符号化の数理」（岩波書店）に詳しく記述されてい
る。

【０２０９】図４０は、実施の形態６における混合集合
を作成して特徴量の分散値を推定する動作手順を示すフ
ローチャートである。また、図４１は、人物Ａの特徴量
の分散値σ_Aが推定される過程を示す。図４１（ａ）
は、人物Ａ、Ｂ、Ｃ、Ｄの特徴量のサンプルの分布を示
す。それぞれの分散値をσ_A、σ_B、σ_C、σ_Dとする。こ
こでは、集合Ａのサンプルが少なく、サンプルの分散値
σ_Aの信頼性が低いので、人物Ａの特徴量の分散値σ_Aを
推定するものとする。

【０２１０】まず、人物Ａと混合される人物の集合を決
めるために、［数３７］に従って、人物Ａの分散値σ_A
の自然対数と他の人物の分散との自然対数の和を求める
（ステップＳ４０００）。

【０２１１】

【数３７】

【０２１２】次に、［数３７］の対数分散和が最小値を
持つものを選択し、それが最初の対数分散値ｌｏｇσ_A
より小さければ、そのような対数分散和を与える集合を
選択し、混合するものとする。例えば、Ｍ（Ａ、Ｃ）が
最小で、ｌｏｇσ_Aσ_C＜ｌｏｇσ_Aの時には、集合Ｃと
混合する。混合の際には、集合Ｃの平均値が集合Ａの平
均値と一致するように、集合Ｃのサンプルの値をシフト
させて混合する。そして、集合Ａと集合Ｃの混合集合Ａ
Ｃの分散値σ_ACが集合Ａの分散値とみなされる。図４１
（ｂ）は、最小の対数分散和を与える集合Ｃが選択さ
れ、混合集合ＡＣが作成された状態を示す（ステップＳ
４００１、Ｓ４００２）。

【０２１３】さらに、混合する集合を決めるために、
［数３８］を計算する（ステップＳ４０００）。

【０２１４】

【数３８】

【０２１５】［数３８］の対数分散和が最小値を持つも
のを選択し、それがもとの対数分散和ｌｏｇσ_Aσ_Cより
小さければ、そのような対数分散和を与える集合を選択
し、混合するものとする。例えば、Ｍ（ＡＣ、Ｂ）が最
小で、ｌｏｇσ_Aσ_Cσ_B＜ｌｏｇσ_Aσ_Cの時には、集合
Ｂと混合する。混合の際には、集合Ｂの平均値が混合集
合ＡＣの平均値と一致するように、集合Ｂのサンプルの
値をシフトさせて混合する。そして、集合Ｂと混合集合
ＡＣの混合集合ＡＣＢの分散値σ_ACBが集合Ａの分散値
とみなされる。図４１（ｃ）は、最小の対数分散和を与
える集合Ｂが選択され、混合集合ＡＣＢが作成された状
態を示す（ステップＳ４００１、Ｓ４００２）。

【０２１６】以下、同様にして、順次、混合集合を作成
して行く（ステップＳ４０００〜Ｓ４００２）。そし
て、最終的な混合集合の分散値をもとの集合Ａの分散値
と推定する。このような分散値の推定を分散ベクトルの
各成分ごとに行って分散ベクトルの推定をする。

【０２１７】次に、本実施の形態による分散ベクトル推
定の実験結果を示す。図４２は、混合する集合の数と対
数分散和との関係を示す。図４２は、ある人物Ａの集合
の分散値を推定するために、上述の方法で順次、混合集
合を作成した時の混合した集合の数と対数分散和を示し
ている。実験では、混合した集合の数が３の時に対数分
散和が最小となった。従って、この場合には、集合数３
で混合された時の混合集合における分散値でもって、人
物Ａの集合の分散値を推定することとなる。

【０２１８】図４３は、混合する集合の数と認識誤り率
及び平均分散値との関係を示す。図４３は、すべての人
物の集合の分散値を推定するために、上述の方法で順
次、混合集合を作成した時の混合した集合の数と、誤認
識率及び平均分散値を示す。実験では、混合した集合の
数が４の時に、認識誤り率及び平均分散値が最小値に収
束した。このように、信頼性が低い分散値が得られた場
合（通常は、撮影条件などによって真の値より大きな値
が得られる。）、混合集合を用いて分散値を推定するこ
とで、分散値を小さくでき、認識率を上昇させることが
可能となった。

【０２１９】以上のように、本実施の形態の人物画像認
証システムでは、信頼性の高い分散ベクトルが得られな
い場合に、混合集合の分散値でもってその集合の分散値
とみなすことによって、少ない学習データ数でも認識率
を維持することが可能になる。なお、本実施の形態によ
る分散値の推定方法は、実施の形態４の第２の特徴量判
別部１２１におけるσＬＶＱ型ニューラルネットワーク
の参照ベクトル中の分散ベクトルの分散値の初期値の決
定に用いてもよい。実施の形態４では、実施の形態１と
異なり分散ベクトルも更新し学習するが、分散ベクトル
の初期値はサンプルデータから統計計算する。サンプル
データ数が少ない場合には、上述と同様に統計計算され
た分散ベクトルの信頼性が低く、適切な初期値とならな
いからである。

【０２２０】また、本実施の形態では、対数分散和の最
小値が最初の対数分散値ｌｏｇσ_Aより大きければ混合
集合は作成されないこととなるが、別の実験によれば、
このような場合にでも、混合集合を作成する方が識別力
はよくなることが示されている。これは、ニューラルネ
ットワークの汎化能力に関連していると考えられる。従
って、対数分散和の最小値が最初の対数分散値ｌｏｇσ
_Aより大きい場合にでも、必ず１個の集合とは混合集合
を作成するとしてもよい。すなわち、上述の具体例で
は、混合Ｍ（Ａ、Ｃ）が最小で、ｌｏｇσ_Aσ_C≧ｌｏｇ
σ_Aの時にも、集合Ｃと混合することとしてもよい。 （実施の形態７）実施の形態７は、システムに登録され
ていない人物を誤って、登録者の誰かであると判定する
のを防止することのできる人物画像認証システムに関す
る。

【０２２１】本実施の形態の人物画像認証システムは、
実施の形態１の第２の特徴量判別学習部１３２において
未登録者排除学習機能が付加され、第２の特徴量判別部
１２１において未登録者識別機能が付加されたものであ
る。ニューラルネットワークによる対象の識別では、入
力された対象は、学習した対象の中で最も類似する対象
であると識別される。従って、人物認証においては、登
録されていない人物がニューラルネットワークに入力さ
れた場合には、その人物は、登録された人物の中から最
も近い人物であると判定されることになる。これは、ニ
ューラルネットワークによって、特徴量空間が登録者ご
との空間に分割されるので、入力された特徴量は、いず
れかの登録者の空間に属することになるからである。こ
のように未登録者を登録者の誰かであると誤って認識す
ることは、セキュリティ上問題となる場合が多い。

【０２２２】そこで、登録者以外に擬似登録者の空間を
特徴量空間中に別途設けることによって未登録者を登録
者であると誤って判定するのを抑制することができる。
ここで、擬似登録者とは、システムに関与しない人物で
ある。例えば、会社の営業部の人物を識別するためにシ
ステムを用いる場合に、社外の人物を営業部の誰かであ
ると判定しないようにするために、擬似登録者として、
その会社の人事部の人物を用いる。

【０２２３】図４４は、実施の形態７の未登録者識別機
能の学習及び判別の動作手順を示すフローチャートであ
る。まず、登録者以外のシステムに関与しない複数の人
物を疑似登録者として、ニューラルネットワークに登録
者だけでなく疑似登録者も併せて並行し学習させる。

【０２２４】図４５は、実施の形態７のニューラルネッ
トワークの構成を示す図である。このニューラルネット
ワークは、図２９に示す第２の特徴量を判別するニュー
ラルネットワークの出力ユニットをｍ個の登録者のため
の出力ユニットＯ₁〜Ｏ_mだけでなく、ｎ個の疑似登録者
のための出力ユニットＯ_m+1〜Ｏ_m+nを付加したところに
特徴がある。つまり、ｍ人の登録者の学習は通常通り行
ない、ｎ人の疑似登録者の学習は、疑似登録者ｎ人に対
して、それぞれ対応する出力ユニットがカテゴリー学習
を行なう。上記学習によって登録者以外の疑似登録者の
空間が形成されることになる。

【０２２５】図４６は、学習後の第２の特徴量の特徴量
空間を示す。図４６（ａ）は、疑似登録者を用いない場
合の第２の特徴量空間を示す。この場合、特徴量空間
は、登録者Ａと登録者Ｂの空間に分割される。図４６
（ｂ）は、疑似登録者を用いた場合の第２の特徴量空間
を示す。この場合には、真の登録者Ａ、Ｂ以外の疑似登
録者Ｃの空間が生成される。そして、登録者以外の未登
録者の入力があった場合、その特徴量が疑似登録者の空
間に属することができれば、登録者の誰かと誤って判定
しないようにすることができる（ステップＳ４４０
０）。

【０２２６】次に、未知の入力パターンをニューラルネ
ットワークに入力して、入力パターンのカテゴリーを判
定する（ステップＳ４４０１）。入力パターンが登録者
であるカテゴリー１〜ｍに分類されたかを調べる（ステ
ップＳ４４０２）。入力パターンがカテゴリー１〜ｍに
分類された場合には、分類されたカテゴリーより入力パ
ターンが登録者中のいずれであるかを特定する（ステッ
プＳ４４０３）。

【０２２７】また、入力パターンがカテゴリー１〜ｍ以
外に分類された場合には、未知登録者であると判定する
図４６（ａ）の疑似登録者を用いない場合には、未登録
者Ｃのサンプルは、登録者Ａ、登録者Ｂのサンプルのど
ちらとも近くない（類似していない）が、未登録者Ｃは
登録者Ａの分割空間に属している。従って、未登録者Ｃ
は登録者Ａと判別されることになる。

【０２２８】図４６（ｂ）の疑似登録者を用いる場合に
は、未登録者Ｃのサンプルは、登録者Ａ、Ｂのサンプル
よりも疑似登録者Ｃのサンプルに近く、疑似登録者Ｃの
分割空間に属する。従って、未登録者Ｃは未登録者と判
別されることになる。つまり、登録者の分割空間以外に
疑似登録者のための空間が加わったことにより、未知登
録者Ｃのサンプルは、登録者のサンプルに非類似である
にも係らず、登録者の誰かと誤って特定されるのを防止
できる（ステップＳ４４０４）。

【０２２９】図４７は、実施の形態７による登録者及び
未登録者の識別率を示す。５人の真の登録者に対して、
疑似登録者を８人、１６人、２４人、３２人、４０人と
変化させた時、真の登録者の識別率と、未登録者の識別
率を調べた。真の登録者を真の登録者であると判別する
識別率は１００％であった。未登録者を疑似登録者と判
別する、すなわち真の登録者でないと判別する認識率
は、疑似登録者の数とともに、８７％、９４％、９７
％、９８％、９８％と上昇した。以上の結果より、擬似
登録する人物の数を増やすことによって、未登録者を排
除する機能が強化されていくことが示された。

【０２３０】以上のように、本実施の形態の人物画像認
証システムでは、ニューラルネットワークに登録者以外
に擬似登録者の特徴量も学習させることによって、未登
録者を登録者の誰かであると誤って判定するのを抑制す
ることができる。なお、ここでは、各疑似登録者に対し
て、それぞれ１個の出力ユニットを設けることとした
が、これに限定するものでなく、数人の擬似登録者に対
して、それぞれ１個の出力ユニットを設けることとして
もよい。計算時間や学習精度を考慮してより望ましい構
成とすればよい。 （実施の形態８）実施の形態８は、疑似登録者の特徴量
として合成特徴量を用い、擬似登録者のサンプル数を増
やして、未登録者排除機能を強化することのできる人物
画像認証システムに関する。

【０２３１】本実施の形態は、実施の形態７において擬
似登録者のサンプル数が少ない場合や、実施の形態７よ
りも登録者の特徴量の空間をさらに狭くして、未登録者
を登録者と誤って判定するのを抑制する機能を強化した
い場合に有効なものである。本実施の形態では、疑似登
録者の特徴量として合成特徴量を用いる。すなわち、疑
似登録者の第２の特徴量と真の登録者の第２の特徴量を
１：１の比率で混合した合成特徴量をも疑似登録者の特
徴量として用いる。

【０２３２】本実施の形態のニューラルネットワークの
形態は、図３２に示す実施の形態７のニューラルネット
ワークの形態と同一である。図４８は、実施の形態８に
よる登録者及び未登録者の識別率を示す。真の登録者の
数を変えて、真の登録者の識別率と、未登録者の識別率
を合成特徴量を用いない場合と用いる場合とで比較し
た。疑似登録者の数は２０人である。図４８（ａ）は、
合成特徴量を用いない場合の識別率を示す。合成特徴量
を用いない場合には、真の登録者を真の登録者であると
判別する識別率は９８％であり、未登録者を疑似登録者
と判別する、すなわち真の登録者でないと判別する認識
率は、登録者の数とともに、９６.０％、８８.２％、８
１.７％と下降した。図４８（ｂ）は、合成特徴量を用
いた場合の識別率を示す。合成特徴量のサンプル数は、
真の登録者の数が１人の場合は２０個、３人の場合は２
０×３＝６０個、５人の場合は２０×５＝１００個とし
た。合成特徴量を用いる場合には、真の登録者を真の登
録者であると判別する識別率は９７％であり、未登録者
を疑似登録者と判別する、すなわち真の登録者でないと
判別する認識率は、１００％を示した。以上の実験によ
り、合成特徴量を用いることによって、未登録者を排除
する機能が強化されたことが示された。

【０２３３】以上のように、本実施の形態の人物画像認
証システムでは、擬似登録者の特徴量のサンプルとして
人為的に作成した（実際には存在しない）合成特徴量を
用いて、ニューラルネットワークに学習させることによ
って、未登録者を排除する機能を格段に強化することが
できる。 （実施の形態９）実施の形態９は、第２の特徴量を判別
するニューラルネットワークの入力パターンの次元を２
次元離散コサイン変換により削減する人物画像認証シス
テムに関する。

【０２３４】本実施の形態の人物画像認証システムは、
実施の形態１の第２の特徴量判別部１２１及び第２の特
徴量判別学習部１３２において、ニューラルネットワー
クの入力パターンを２次元離散コサイン変換したものと
する機能が付加されたものである。図４９は、実施の形
態９の学習及び判別の動作手順を示すフローチャートで
ある。

【０２３５】第２の特徴量判別部１２１及び第２の特徴
量判別学習部１３２は、帯域分解変換した低周波成分１
６×１６画素のｆ（ｘ、ｙ）を［数３９］に従って、離
散コサイン変換してＤＣＴ係数Ｓ_uvを得る（ステップＳ
４９００）。

【０２３６】

【数３９】

【０２３７】第２の特徴量判別部１２１及び第２の特徴
量判別学習部１３２は、［数３９］のＤＣＴ係数Ｓ_uvの
うち［数４０］を満たすような低周波成分のＤＣＴ係数
を選択する（ステップＳ４９０１）。

【０２３８】

【数４０】

【０２３９】第２の特徴量判別部１２１及び第２の特徴
量判別学習部１３２は、ステップＳ４７０１で選択した
ＤＣＴ係数をニューラルネットワークの入力パターンと
して、それぞれ判別、学習を実施する（ステップＳ４９
０２）。以上のように、本実施の形態によれば、第２の
特徴量をＤＣＴ変換して、低周波成分のＤＣＴ係数を入
力パターンとすることで、入力パターンの次元数を減す
ことができるので、ニューラルネットワークの規模が巨
大となり、識別精度が劣化するのを防止することができ
る。 （実施の形態１０）実施の形態１０は、人物をグループ
に分類して、そのグループを判別する人物画像認証シス
テムに関する。

【０２４０】本実施の形態の人物画像認証システムは、
実施の形態１の第２の特徴量判別部１２１及び第２の特
徴量判別学習部１３２において、人物をグループに分類
して、そのグループを判別する機能が付加されたもので
ある。実施の形態１では、第２の特徴量判別部１２１及
び第２の特徴量判別学習部１３２におけるニューラルネ
ットワークの出力ユニット数は識別する人物と同数と
し、個々の人物を識別する。従って、識別すべき人物の
数が増加すると出力ユニット数が大きくなり、ニューラ
ルネットワークの規模が大きくなり計算時間が長くなる
とともに、認識率が低下する場合がある。

【０２４１】しかし、各人物の識別までは不要で、なん
らかのグループに属することがわかればよい場合もあ
る。ここでいうグループは、会社の部や課など予め定め
られているものではないが、人物を任意にグループに分
類してグループ単位で管理するような用途の場合には有
効である。そこで、本実施の形態の人物画像認証システ
ムは、各人物の識別が認識率、計算時間の面で決められ
た条件を満たさない場合に、人物をいくつかのグループ
に分類して、ニューラルネットワークの出力ユニットを
各人物でなく、各グループに割当てて、グループを判別
することとしたものである。

【０２４２】図５０は、実施の形態１０での人物のグル
ープを学習、判別する動作手順を示すフローチャートで
ある。まず、第２の特徴量判別学習部１３２は、各人物
を１つグループとする。人物数がｍ人とすると、ｍ個の
グループが作成される（ステップＳ５０００）。次に、
第２の特徴量判別学習部１３２は、ｍ個のグループの２
つを混合した混合グループを_mＣ₂個作成する（ステップ
Ｓ５００１）。

【０２４３】次に、第２の特徴量判別学習部１３２は、
各混合グループに属するサンプルデータの分散ベクトル
を計算する（ステップＳ５００２）。次に、第２の特徴
量判別学習部１３２は、最小の分散ベクトルが所定の分
散ベクトルＶｐより小さければ、その最小の分散ベクト
ルをもつ混合グループのグループを併合する。そして、
ｍ＝ｍ−１としてステップＳ５００１にもどる（ステッ
プＳ５００３、Ｓ５００４）。

【０２４４】上記処理を繰り返して、グループが順次併
合されていく。図５１は、人物のグループが作成される
過程を示す。図５１（ａ）は、人物Ａ〜Ｇの第２の特徴
量のサンプルデータの特徴空間での分布を示す。図５１
（ｂ）は、グループＡとグループＢとが併合された状態
を示す。図５１（ｃ）は、グループＣとグループＤとが
併合された状態を示す。図５１（ｄ）は、併合グループ
ＡＢとグループＧとが併合された状態を示す（ステップ
Ｓ５００１〜Ｓ５００４）。

【０２４５】次に、第２の特徴量判別部１２１及び第２
の特徴量判別学習部１３２は、ステップＳ５００４まで
で作成された各グループをそれぞれニューラルネットワ
ークの出力ユニットに割当てて、グループの学習、判別
を実施する（ステップＳ５００５）。以上のように、本
実施の形態の人物画像認証システムでは、各人物の識別
でなく、各人物の属するグループを識別するので、人物
の数が多い場合でもニューラルネットワークの出力ユニ
ットの数を少なくすることができ、識別精度を維持する
ことができる。 （実施の形態１１）実施の形態１１は、人物画像の位置
等が変化した場合にでも正しく識別することのできる人
物画像認証システムに関する。

【０２４６】まず、人物が回転、位置の変化等した場合
の問題点について説明する。人物が撮像部１０３に対し
て回転、位置の変化をした場合には、撮像した撮像画像
の中の特定の画素が表す顔画像中の位置が変化する。例
えば、ある時には、撮像画像中の眼の位置に対応してい
た画素が、別の時には、眉毛の位置に対応することがあ
る。これに伴なって、撮像画像から生成される第１の特
徴量及び第２の特徴量も位置ずれがおきる。図５２は、
第２の特徴量の位置ずれの例を示す。このような位置ず
れがおこっている場合に、ニューラルネットワークによ
る特徴量の学習には以下の問題がある。

【０２４７】ニューラルネットワークの入力ユニットの
うちで、（ｘ＝５、ｙ＝５）の値を入力値とする入力ユ
ニットには、第２の特徴量サンプル４１０１を学習する
時には、濃度値５０（４１１０）が入力され、第２の特
徴量サンプル４１０２を学習する時には、濃度値５０
（４１１１）が入力され、第２の特徴量サンプル４１０
３を学習する時には、濃度値１２０（４１１２）が入力
される。

【０２４８】このように同一の入力ユニットに異なる特
徴が入力された場合、ニューラルネットワークはうまく
特徴を学習できるとは限らない。特に、σＬＶＱ型ニュ
ーラルネットワークは、このような位置ずれをおこす対
象の判別には適していない。そこで、本実施の形態で
は、撮像部１０３に対する人物の位置の変化等を吸収す
るために、画像をブロックに分割して、ブロックごとの
頻度分布を作成し、頻度値をニューラルネットワークの
入力パターンとする。

【０２４９】本実施の形態における端末装置、センター
装置、学習装置の構成は、実施の形態１と概ね同じだ
が、本実施の形態では、サブバンド画像でなく頻度分布
を特徴量として学習、判別を行うため、以下の点で実施
の形態１と異なる。図１２に示す学習装置１３０の特徴
量変換部１０６は、第１の特徴量又は第２の特徴量の判
別を学習する際には、それぞれ、第１の部分画像又は第
２の部分画像より頻度分布を作成し、これらの頻度値を
特徴量する。特徴量判別符号化学習部１３１及び第２の
特徴量判別学習部１３２は、これらの頻度値をニューラ
ルネットワークの入力パターンとして、第１の特徴量又
は第２の特徴量の判別の学習を行なう。これらの学習結
果が端末装置１００の第１の特徴量識別参照情報記憶部
１０７及びセンター装置１０１の第２の特徴量識別参照
情報記憶部１２０に記憶される。なお、第２の特徴量を
符号化する際には、復号化によって、もとの画像を再現
する必要があるので、頻度分布を特徴量とせず、実施の
形態１と同様に、サブバンド画像を特徴量として用いる
こととする。

【０２５０】図１に示す端末装置１００の特徴量変換部
１０６は、第１の特徴量を判別する際には、第１の部分
画像より頻度分布を作成して、第１の特徴量とする。特
徴量判別符号化部１０８は、この頻度値をニューラルネ
ットワークの入力パターンとして第１の特徴量の判別を
行う。また、センター装置１０１の第２の特徴量判別部
１２１は、第２の特徴量復号化部１１９で得られた第２
の部分画像より、頻度分布を作成し、この頻度値をニュ
ーラルネットワークの入力パターンとして第２の特徴量
の判別を行う。

【０２５１】次に、本実施の形態における人物認証シス
テムの動作について説明する。ここでは、第１の特徴量
の判別とその学習の動作を説明するが、第２の特徴量の
判別とその学習の動作も同様である。図５３は、実施の
形態１１の第１の特徴量の判別の学習及び判別の動作手
順を示すフローチャートである。

【０２５２】まず、学習段階について説明する。実施の
形態１と同様にして、撮像部１０３により撮影画像を取
得し、画像サンプリング１０５により第１の部分画像を
作成する（ステップＳ５３００）。次に、特徴量変換部
１０６は、人物の位置の変化を吸収するために第１の部
分画像に対して、ブロックごとの頻度分布を作成する。
図５４は、ブロックごとの画素の頻度分布の例を示す。
ここでは、３２画素×３２画素の第１の部分画像を８画
素×８画素のブロックに分割し（ブロック数は１６個に
なる）、１６個のブロックに対する８階調（０〜７）の
頻度分布が作成されている（ステップＳ５３０１）。

【０２５３】次に、特徴量判別符号化学習部１３１は、
これらの頻度をニューラルネットワークの入力パターン
として学習をする。図５５は、第１の特徴量を判別する
ニューラルネットワークの構成を示す。入力ユニット５
５０１は、すべてのブロックについて頻度分布の階調数
だけ設け、その入力値をその階調の頻度とする。ここで
は、入力ユニットの総数は、１６（ブロック数）×８
（階調数）＝１２８個となる（ステップＳ５３０２）。

【０２５４】次に、判別段階について説明する。実施の
形態１と同様にして、撮像部１０３により撮影画像を取
得し、画像サンプリング１０５により第１の部分画像を
作成する（ステップＳ５３０３）。次に、特徴量変換部
１０６は、ブロックごとの頻度分布を作成する（ステッ
プＳ５３０４）。

【０２５５】そして、特徴量判別符号化部１０８は、ス
テップＳ５３０４で作成した頻度値を入力パターンと
し、ステップＳ５３０２の学習によって得られた学習係
数を読込んでニューラルネットワークにより判別を行な
う（ステップＳ５３０５）。以上のように、本実施の形
態の人物画像認証システムでは、第１の部分画像又は第
２の部分画像の頻度分布を、それぞれ第１の特徴量、第
２の特徴量として、ニューラルネットワークの入力パタ
ーンとすることで、人物の位置等が変化した場合でも、
識別精度を維持することができる。

【０２５６】なお、上述のようにして作成したニューラ
ルネットワークの入力パターンについて、実施の形態９
と同様に、離散コサイン変換によって、その次元を減ら
すことも有効である。すなわち、各ブロックの階調ごと
（０〜７）の頻度を２次元座標（ｘ、ｙ：ブロック位
置）上の信号として２次元離散コサイン変換したり、階
調（０〜７）も次元として加えて３次元座標（ｘ、ｙ：
ブロック位置、ｚ：階調）上の信号として３次元離散コ
サイン変換する。そして、変換後の低周波成分を示すＤ
ＣＴ係数のみをニューラルネットワークの入力パターン
とすることで、入力ユニット数を減らすことができる。

【０２５７】

【発明の効果】以上の説明から明らかなように、本発明
は、同一のクラスに属する複数の異なるオブジェクトそ
れぞれを識別するための画像を送信する装置であって、
オブジェクトを撮像して得られる画像データを獲得する
画像獲得手段と、獲得された画像データを用いてオブジ
ェクトの画像上の特徴を示す特徴量を作成する特徴量作
成手段と、特徴量を構成する複数の特徴成分それぞれに
対応する座標軸からなる特徴空間を２分探索が可能なよ
うに分割した分割境界面それぞれがノードに対応づけら
れ、分割された最小単位の部分空間それぞれに末端の枝
が対応づけられた２進探索木を予め記憶する２進探索木
記憶手段と、前記２進探索木の分割境界面に従って、前
記特徴量作成手段により作成された特徴量を順次量子化
していき、末端の枝を特定し、該末端の枝より符号語を
特定し、該符号語を特徴量の符号化データとする符号化
手段と、前記符号化データを送信する送信手段とを備え
ることを特徴とする。

【０２５８】これによって、特徴量が属する空間を２分
探索することによって符号語が決められるので、全空間
を探索する通常のベクトル量子化に比べて、符号化に要
する時間を短縮できる。また、通常の画像送信装置で
は、画像データを符号化して符号化データを画像認識装
置へ送るので、画像認識装置は符号化データを画像デー
タに復号化して、その後、画像データから特徴量を抽出
する処理が必要となるのに対して、本発明に係る画像送
信装置では、オブジェクトから抽出した特徴量を符号化
して画像認識装置へ送るので、画像認識装置では、符号
化データを特徴量に復号化すれば、その特徴量をそのま
まオブジェクト識別に用いることができ、画像認識装置
の負担を軽減することができる。

【０２５９】ここで、前記クラスは人間であり、前記オ
ブジェクトは、一人の人間であり、前記画像獲得手段
は、前記オブジェクトに係る顔の画像データを獲得し、
前記特徴量作成手段は、獲得された顔の画像データから
それを構成する各ブロックごとの特徴を作成することを
特徴とすることもできる。これによって、セキュリティ
監視や電子通商取り引き等の分野において、人物の顔の
画像データを用いて人物を識別するための画像送信装置
を得ることができる。

【０２６０】また、前記画像獲得手段は、人間を撮像し
た撮像画像から複数個の部分画像を作成する部分画像作
成部と、前記部分画像の画像データの特徴を示す特徴量
を作成する特徴量作成部と、特徴量を構成する複数の特
徴成分それぞれに対応する座標軸からなる特徴空間を２
分探索が可能なように分割した分割境界面それぞれが各
ノードに対応づけられ、分割された最小単位の部分空間
それぞれを特定する顔の画像クラスへの帰属度が末端の
枝に対応づけられた２進探索木を予め記憶する２進探索
木記憶部と、前記２進探索木の分割境界面に従って、前
記特徴量作成部が作成した特徴量を順次量子化してい
き、末端の枝より前記特徴量の顔の画像クラスへの帰属
度を判定する帰属度判定部と、前記顔画像クラスへの帰
属度が最大となる部分画像を顔の画像データとする画像
データ選択部とを備えることを特徴とすることもでき
る。

【０２６１】これによって、特徴量符号化手段と、帰属
度判定部とは、どちらも２進探索木を用いて特徴量を量
子化するので、ハードウエアの構成要素を共有でき、画
像送信装置のハードウエア構成を簡易にすることができ
る。また、前記符号化手段は、２進探索木の分岐ごとに
０又は１のビットを付加して符号語とすることを特徴と
することもできる。

【０２６２】これによって、２進探索木の段数をｎとす
ると、ｎビットの固定長の符号語である符号化データが
画像送信装置から画像認識装置へ送られるので、通信経
路でビットが損失した場合にでも、可変長の符号化デー
タに比べて誤りの伝播を抑制するのが容易となる。ま
た、前記特徴量生成手段は、画像データを周波数による
帯域２分割のサブバンド分解して得たデータを特徴量と
することを特徴とすることもできる。

【０２６３】これによって、いわゆるピラミッドアルゴ
リズムによる画像圧縮などが容易でブロックひずみが生
じない特性を有するサブバンド分解により得たデータを
符号化データのもととなる特徴量とすることができるの
で、符号化データを受信した装置側では、画像データを
もと通りの形で再生することが可能となる。また、前記
特徴量生成手段は、画像データを周波数による帯域２分
割のサブバンド分解して得たデータを特徴量とし、前記
特徴量生成部は、部分画像データを周波数による帯域２
分割のサブバンド分解して得たデータを特徴量とするこ
とを特徴とすることもできる。

【０２６４】これによって、特徴量作成手段及び特徴量
作成部は、共通の特徴量を作成し、ハードウエアの構成
要素を共有できるので、画像送信装置のハードウエア構
成を簡易にすることができる。また、本発明は、前記２
進探索木のノードで定められる分割境界面をニューラル
ネットワークによる学習により作成する学習装置であっ
て、前記ニューラルネットワークは、前記特徴量を入力
パターンとし、分岐する枝の別を出力パターンとして、
教師あり学習する手段を備え、前記ニューラルネットワ
ークの学習後の学習係数により分割境界面を定める分割
境界面設定手段とを備えることを特徴とする。

【０２６５】これによって、ニューラルネットワークの
高度な学習機能を利用することができるので、２進探索
木の各ノードで定められる分割境界面を高精度に、かつ
学習係数という簡易な形式で作成することができる。ま
た、前記符号化手段は、前記２進探索木記憶手段から前
記分割境界面を定めたニューラルネットワークの学習係
数を読み込んで、前記特徴量をニューラルネットワーク
の入力パターンとし、出力パターンにより前記特徴量を
量子化することを特徴とすることもできる。

【０２６６】これによって、ニューラルネットワークの
高度な学習機能を利用して作成された学習係数を用いた
ニューラルネットワークにより特徴量が量子化されるの
で、精度の高い特徴量の符号化が実現できる。また、前
記帰属度判定部は、前記２進探索木記憶部から前記分割
境界面を定めたニューラルネットワークの学習係数を読
み込んで、前記特徴量をニューラルネットワークの入力
パターンとし、出力パターンにより前記特徴量を量子化
するとともに顔画像クラスへの帰属度を判定することを
特徴とすることもできる。

【０２６７】これによって、入力された特徴量が単に顔
画像クラスに属するかでなく、顔画像クラスへの帰属度
をニューラルネットワークの出力パターンにより表すこ
とができるので、より簡易に、顔画像クラスに最もふさ
わしい部分画像を顔画像として選択することができる。
また、本発明は、同一のクラスに属する複数の異なるオ
ブジェクトそれぞれを識別する画像認識装置であって、
オブジェクトの画像上の特徴を示す特徴量を符号化した
符号化データを受信する受信手段と、前記符号化データ
と特徴量との対応関係を定めた対応表を予め記憶する対
応表記憶手段と、前記符号化データより前記対応表を参
照して特徴量を復元する特徴量復号化手段と、特徴量を
構成する複数の特徴成分それぞれに対応する座標軸から
なる特徴空間をオブジェクトごとの部分空間に分割する
複数の分割境界面を予め記憶している分割境界面記憶手
段と、前記分割境界面により、前記特徴量の属する分割
空間を特定し、オブジェクトを識別するオブジェクト識
別手段とを備えることを特徴とする。

【０２６８】これによって、画像認識装置は受信した符
号化データを復号化すればオブジェクト識別に利用でき
る特徴量が得られるので、画像認識装置は、識別ための
特徴量を一から新たに作成する必要がなく、画像認識装
置の負荷を削減できる。ここで、前記クラスは人間であ
り、前記オブジェクトは、一人の人間であり、前記特徴
量は、顔の画像データを構成する各ブロックごとの特徴
であることを特徴とすることもできる。

【０２６９】これによって、画像認識装置は、受信した
符号化データを復号化して人物識別に利用できる特徴量
を得ることができるので、画像認識装置の負荷を抑えた
人物識別が可能となる。また、前記特徴量復号化手段
は、復元した特徴量をさらに離散コサイン変換したもの
を特徴量とすることを特徴とすることもできる。

【０２７０】これによって、離散コサイン変換によって
特定の周波数成分のみを抽出して特徴量とすることがで
きるので、ニューラルネットワークへの入力パターンの
次元を少なくできる、また、本発明は、前記分割境界面
をニューラルネットワークによる学習により作成する学
習装置であって、前記ニューラルネットワークは、前記
特徴量を入力パターンとし、各分割空間の別を出力パタ
ーンとして学習する手段を備え、前記ニューラルネット
ワークの学習後の学習係数により分割境界面を定める分
割境界面設定手段とを備えることを特徴とする。

【０２７１】これによって、ニューラルネットワークの
高度な学習機能を利用することができるので、登録人物
ごとの分割空間を定める分割境界面を高精度に、かつ学
習係数という簡易な形式で作成することができる。ま
た、前記オブジェクト識別手段は、前記分割境界面記憶
手段から前記分割境界面を定めたニューラルネットワー
クの学習係数を読み込んで、前記特徴量をニューラルネ
ットワークの入力パターンとし、出力パターンにより前
記特徴量が属する分割空間を特定することを特徴とする
こともできる。

【０２７２】これによって、ニューラルネットワークの
高度な学習機能を利用して作成された学習係数を用いた
ニューラルネットワークにより特徴量の属する分割空間
が特定されるので、精度の高い人物判定が実現できる。
また、前記画像認識装置は、さらに特徴量より画像デー
タを再生する画像再生手段を備えることを特徴とするこ
ともできる。

【０２７３】これによって、画像認識装置では、画像送
信装置で撮像した人物の顔画像を復元できるので、視覚
的に顔画像を表示させて監視員に確認させることによ
り、オブジェクト識別手段の人物判定結果を補完して信
頼性を向上させたセキュリティシステムの構築が可能と
なる。また、前記画像再生手段は、特徴量を周波数によ
る帯域２分割のサブバンド合成して得たデータを画像デ
ータとすることを特徴とすることもできる。

【０２７４】これによって、画像認識装置でサブバンド
分解して作成された特徴量をサブバンド合成して顔画像
を再生できるので、ブロックひずみの少ない顔画像を再
生するすることができる。また、本発明は、画像送信装
置と画像認識装置を通信ネットワークを介してなる画像
認識システムであって、前記画像送信装置は、オブジェ
クトを撮像して得られる画像データを獲得する画像獲得
手段と、獲得された画像データを用いてオブジェクトの
画像上の特徴を示す特徴量を作成する特徴量作成手段
と、特徴量を構成する複数の特徴成分それぞれに対応す
る座標軸からなる特徴空間を２分探索が可能なように分
割した分割境界面それぞれが各ノードに対応づけられ、
分割された最小単位の部分空間それぞれに末端の枝が対
応づけられた２進探索木を予め記憶する２進探索木記憶
手段と、前記２進探索木の分割境界面に従って、前記特
徴量作成手段により作成された特徴量を順次量子化して
いき、末端の枝を特定し、該末端の枝より符号語を特定
し、該符号語を特徴量の符号化データとする符号化手段
と、前記符号化データを送信する送信手段とを備え、前
記画像認識装置は、前記符号化データを受信する受信手
段と、前記符号化データと特徴量との対応関係を定めた
対応表を予め記憶する対応表記憶手段と、前記符号化デ
ータより前記対応表を参照して特徴量を復元する特徴量
復号化手段と、特徴量を構成する複数の特徴成分それぞ
れに対応する座標軸からなる特徴空間をオブジェクトご
との部分空間に分割する複数の分割境界面を予め記憶し
ている分割境界面記憶手段と、前記分割境界面により、
前記特徴量の属する分割空間を特定し、オブジェクトを
識別するオブジェクト識別手段とを備えることを特徴と
する。

【０２７５】これによって、画像送信装置から画像認識
装置へ人物画像全体に関するデータを送って、画像認識
装置で当該データから顔画像を切り出した後、その顔画
像により人物を認証するような従来のシステム構成と異
なり、画像送信装置では、顔画像の切り出し処理を行っ
て、顔画像のみに関するデータを画像認識装置へ送り、
画像認識装置で当該データにより人物を認証するような
システム構成とすることができるので、画像認識装置で
は、複数の画像送信装置から送られたデータをもとにし
て、一から認証のための処理をする必要がなく、通信コ
ストを軽減するとともに、画像認識装置の負荷を削減で
きる。

【０２７６】ここで、前記画像送信装置は、さらに撮像
されたオブジェクトを特定する識別情報を入力する入力
手段を含み、前記送信手段は、前記符号化データととも
に、前記識別情報をも送信し、前記画像認識装置の前記
受信手段は、前記符号化データとともに、前記識別情報
をも受信し、前記画像認識装置は、オブジェクト識別手
段により識別されたオブジェクトと前記識別情報で特定
されるオブジェクトとが一致するかを判定する手段とを
含むことを特徴とすることもできる。

【０２７７】これによって、オブジェクト識別手段では
類似した顔画像をもつ人物の識別が困難な場合にでも、
人物の顔画像と薄型メモリカードに記録された認証番号
を併用して人物が特定されるので、信頼性の高い人物の
識別が可能となる。また、本発明は、学習により入力ベ
クトルが属するベクトル空間を複数の代表ベクトルそれ
ぞれに対応する部分空間に分割する量子化を行い、入力
ベクトルと各代表ベクトルとの距離を計算して、その距
離の最も近い代表ベクトルの属するカテゴリーに入力ベ
クトルが属すると判定する学習ベクトル量子化ニューラ
ルネットワークであって、代表ベクトルと分散ベクトル
とからなる参照ベクトルを記憶する記憶手段と、前記入
力ベクトルと前記各代表ベクトルとの距離を［数４１］
により計算する距離計算手段と、前記距離の最も近い代
表ベクトルに属するカテゴリーに入力ベクトルが属する
と判定するカテゴリー判定手段と、カテゴリー判定が正
しければ［数４２］により代表ベクトルを更新し、［数
４３］により分散ベクトルを更新し、カテゴリー判定が
誤りであれば［数４４］により代表ベクトルを更新し、
［数４５］により分散ベクトルを更新することにより学
習する学習手段とを備えることを特徴とする。

【０２７８】

【数４１】

【０２７９】

【数４２】

【０２８０】

【数４３】

【０２８１】

【数４４】

【０２８２】

【数４５】

【０２８３】これによって、正しい出力を出すように代
表ベクトルだけでなく、分散ベクトルも更新するので、
より精度が高く、かつ短時間に学習することができる学
習ベクトル量子化ニューラルネットワークが得られる。
また、本発明は、出力パターンにより入力パターンのカ
テゴリーを識別するニューラルネットワークであって、
一のカテゴリーに属するサンプルの入力パターンと、一
のカテゴリーに類似する他のカテゴリーに属するサンプ
ルの入力パターンとを一のカテゴリーの混合比率が他の
カテゴリーの混合比率より大きい条件で混合した入力パ
ターンを一のカテゴリーの入力パターンとし、一のカテ
ゴリーに属することを示す出力パターンを教師信号とし
て学習サンプルを作成する学習サンプル作成手段と、前
記学習サンプルを用いて一のカテゴリーの識別を学習す
る学習手段とを備えることを特徴とする。

【０２８４】これによって、学習サンプル数が少ない場
合にでも、一のカテゴリーと他のカテゴリーの識別境界
面を明示的に定めるように学習サンプルを人為的に生成
して、この学習サンプルを用いて学習するので、一のカ
テゴリーに属する入力パターンを誤って類似する他のカ
テゴリーに属するものと判定しないようにすることがで
きる。

【０２８５】ここで、前記学習サンプル作成手段は、混
合比の異なる複数の入力パターンを作成し、前記学習手
段は、一のカテゴリーの混合比の小さな入力パターンを
有する学習サンプルから学習することを特徴とすること
もできる。これによって、一のカテゴリーの境界付近か
ら学習を開始するので、境界を区別する識別境界面が早
期に精度よく形成できるような学習が可能となる。

【０２８６】また、本発明は、学習により入力ベクトル
が属するベクトル空間を複数の代表ベクトルそれぞれに
対応する部分空間に分割する量子化を行い、入力ベクト
ルと各代表ベクトルとの距離を計算して、その距離の最
も近い代表ベクトルの属するカテゴリーに入力ベクトル
が属すると判定する学習ベクトル量子化ニューラルネッ
トワークであって、代表ベクトルと分散ベクトルとから
なる参照ベクトルを記憶する記憶手段と、前記入力ベク
トルと前記各代表ベクトルとの距離を［数４６］により
計算する距離計算手段と、前記距離の最も近い代表ベク
トルに属するカテゴリーに入力ベクトルが属すると判定
するカテゴリー判定手段と、カテゴリー判定が正しけれ
ば［数４７］により代表ベクトルを更新し、カテゴリー
判定が誤りであれば［数４８］により代表ベクトルを更
新することにより学習する学習手段と、一のカラゴリー
と他のカテゴリーとを平均ベクトルの成分（平均値）を
一致させて混合した混合カテゴリーに属する学習データ
の分散値を一のカテゴリーの分散ベクトルの成分（分散
値）の初期値とする分散ベクトル推定手段とを備えるこ
とを特徴とする。

【０２８７】

【数４６】

【０２８８】

【数４７】

【０２８９】

【数４８】

【０２９０】これによって、学習サンプル数が少なく、
少ない学習サンプルより計算した分散ベクトルの信頼性
が低い場合でも、他のカテゴリーに属するが、類似する
ばらつきをもつ学習サンプルをも用いて分散ベクトルを
推定するので、より信頼性の高い分散ベクトルが得ら
れ、［数４６］の距離の計算を高精度に行うことができ
る。

【０２９１】また、本発明は、学習により入力ベクトル
が属するベクトル空間を複数の代表ベクトルそれぞれに
対応する部分空間に分割する量子化を行い、入力ベクト
ルと各代表ベクトルとの距離を計算して、その距離の最
も近い代表ベクトルの属するカテゴリーに入力ベクトル
が属すると判定する学習ベクトル量子化ニューラルネッ
トワークであって、代表ベクトルと分散ベクトルとから
なる参照ベクトルを記憶する記憶手段と、前記入力ベク
トルと前記各代表ベクトルとの距離を［数４９］により
計算する距離計算手段と、前記距離の最も近い代表ベク
トルに属するカテゴリーに入力ベクトルが属すると判定
するカテゴリー判定手段と、カテゴリー判定が正しけれ
ば［数５０］により代表ベクトルを更新し、［数５１］
により分散ベクトルを更新し、カテゴリー判定が誤りで
あれば［数５２］により代表ベクトルを更新し、［数５
３］により分散ベクトルを更新することにより学習する
学習手段と、一のカラゴリーと他のカテゴリーとを平均
ベクトルの成分（平均値）を一致させて混合した混合カ
テゴリーに属する学習データの分散値を一のカテゴリー
の分散ベクトルの成分（分散値）の初期値とする分散ベ
クトル推定手段とを備えることを特徴とする。

【０２９２】

【数４９】

【０２９３】

【数５０】

【０２９４】

【数５１】

【０２９５】

【数５２】

【０２９６】

【数５３】

【０２９７】これによって、学習により分散ベクトルを
更新する場合にでも、分散ベクトルの初期値を前述のよ
うに、より信頼性の高いものとすることができる。ここ
で、前記分散ベクトル推定手段は、一のカテゴリーに属
する学習サンプルの分散値の自然対数と他のカテゴリー
に属する学習サンプルの分散値の自然対数との和である
対数分散和を計算する対数分散和算出部と、前記対数分
散和が最小となる他のカテゴリーを特定して、特定した
カテゴリーを一のカテゴリーと混合する他のカテゴリー
として決定するカテゴリー決定部とを備えることを特徴
とすることもできる。

【０２９８】これによって、ＭＤＬ原理に従って、混合
する他のカテゴリーを選択するので、分散ベクトルを正
確、かつ容易に推定できる。また、本発明は、出力パタ
ーンにより入力パターンが登録カテゴリーのいずれに属
するのか、あるいは登録カテゴリーに属さないのかを識
別するニューラルネットワークであって、登録カテゴリ
ーに属するサンプルと、登録カテゴリーに属さないサン
プルを入力パターンとし、登録カテゴリーに属するサン
プルに対しては、それが登録カテゴリーのいずれである
かを示す出力パターンを教師信号とし、登録カテゴリー
に属さないサンプルに対しては、それが擬似登録カテゴ
リーに属することを示す出力パターンを教師信号として
学習サンプルを作成する学習サンプル作成手段と、前記
学習サンプルを用いて学習をする学習手段と、任意の入
力パターンに対して擬似登録カテゴリーに属することを
示す出力パターンが得られた時には、該入力パターンが
登録カテゴリーに属さないと判断する未登録カテゴリー
識別手段とを備えることを特徴とする。

【０２９９】これによって、未登録のカテゴリーの入力
があった場合に、登録カテゴリーのうちのいずれかであ
ると、必ずしも決める必要がなくなり、擬似登録カテゴ
リーに属するとすることもできるので、未登録カテゴリ
ーを登録カテゴリーと誤って判定するのを抑制すること
ができる。このような未登録者排除機能は、特に、セキ
ュリティシステムを構築する上で有効な機能である。

【０３００】また、本発明は、出力パターンにより入力
パターンのカテゴリーを識別するニューラルネットワー
クであって、任意の２つのカテゴリーを混合した混合カ
テゴリーに属する学習データの分散ベクトルを計算する
分散ベクトル計算手段と、前記分散ベクトルが最小で、
かつ一定値以下となる混合カテゴリーに属するカテゴリ
ーを併合して１つの新たなカテゴリーとするカテゴリー
併合手段と、前記入力パターンが、前記カテゴリー併合
手段による併合結果である新たなカテゴリー分類のいず
れに属するかを示す識別情報を出力パターンとする出力
パターン生成手段とを備えることを特徴とする。

【０３０１】これによって、学習データの総数に比べて
識別すべきカテゴリー数が多く、ニューラルネットワー
クのカテゴリーの識別精度が落ちる場合にカテゴリーを
併合することとして、その併合カテゴリーをニューラル
ネットワークにより識別するに際して、入力パターンの
分散ベクトルに基づいて類似するカテゴリーを併合する
ので、ニューラルネットワークの併合カテゴリーの識別
精度を高くすることができる。

【０３０２】また、本発明は、出力パターンにより入力
パターンのカテゴリーを識別するニューラルネットワー
クであって、オブジェクトを撮像して得られる画像デー
タを獲得する画像獲得手段と、獲得された画像データを
所定サイズのブロックに分割し、各ブロックごとの画素
値の頻度分布を作成する頻度分布作成手段と、前記作成
した画素値の頻度値を入力パターンとする入力パターン
作成手段と備えることを特徴とする。

【０３０３】これによって、識別物体を複数回撮像した
際にカメラや識別物体の移動によって、画像中の識別物
体の構成部分の画素の位置がそれぞれ異なるサンプルを
得た場合、通常のニューラルネットワークでこれらのサ
ンプルを学習させると、同一の入力ユニットに異なる構
成部分の画素値が入力されて相殺しあうが、本発明に係
るニューラルネットワークでは、撮像した画像をブロッ
クに分割し、ブロックごとの頻度分布を作成し、頻度値
をニューラルネットワークの入力値とするので、識別物
体の移動、回転に伴なう構成部分の位置のずれを解消す
ることができる。

【図面の簡単な説明】

【図１】実施の形態１の人物画像認証システムの構成を
示す機能ブロック図である。

【図２】人物画像中での第１の矩形領域及び第２の矩形
領域を示す図である。図２（ａ）は、第１の矩形領域を
示す図である。図２（ｂ）は、第２の矩形領域を示す図
である。

【図３】実施の形態１の人物画像認証システム全体の動
作手順の概略を示すフローチャートである。

【図４】実施の形態１の人物画像認証システムのデータ
通信の動作手順を示すフローチャ−トである。

【図５】画像サンプリング部１０５による画素値（濃度
値）補正の動作手順を示すフローチャートである。

【図６】ヒストグラム平坦化におけるヒストグラムであ
る。図６（ａ）は、濃度ヒストグラム曲線ｐ₁（ｚ）で
ある。図６（ｂ）は、累積ヒストグラム曲線である。図
６（ｃ）は平坦化されたヒストグラムである。

【図７】特徴量変換部１０６が原画像から特徴量を生成
する過程を示す図である。図７（ａ）は、１回目の水平
方向と垂直方向の帯域２分割のサブバンド分解がされる
過程を示す図である。図７（ｂ）は、２回目の水平方向
と垂直方向の帯域２分割のサブバンド分解がされる過程
を示す図である。

【図８】第１の部分画像からサブバンド画像が生成され
る過程を示す図である。

【図９】第２の部分画像からサブバンド画像が生成され
る過程を示す図である。

【図１０】特徴量逆変換部１２２が第２の特徴量から第
２の部分画像を生成する過程を示す図である。図１０
（ａ）は、１回目の水平方向と垂直方向の帯域２分割の
サブバンド合成がされる過程を示す図である。図１０
（ｂ）は、２回目の水平方向と垂直方向の帯域２分割の
サブバンド合成がされる過程を示す図である。

【図１１】第２の特徴量から第２の部分画像が生成され
る過程を示す図である。

【図１２】学習装置の構成を示す機能ブロック図であ
る。

【図１３】特徴量判別符号化学習部１３１において用い
られる２進探索木を示す図である。

【図１４】学習装置が第１の特徴量の判別を学習する動
作手順を示すフローチャートである。

【図１５】第１の特徴量の特徴量空間が順次２分割され
ていく過程を示す図である。図１５（ａ）は、作成した
第１の特徴量の特徴量空間での分布を示す図である。図
１５（ｂ）は、最初のノードにおける第１の特徴量の特
徴量空間の分割を示す図である。図１５（ｃ）は、２段
目のノードにおける第１の特徴量の特徴量空間の分割を
示す図である。図１５（ｄ）は、３段目のノードにおけ
る第１の特徴量の特徴量空間の最終的な分割を示す図で
ある。

【図１６】第１の特徴量の特徴量空間を２分割する分割
境界面を生成するニューラルネットワークの構成を示す
図である。

【図１７】分離度の違いによる第１の特徴量の特徴量空
間の分割を示す図である。図１７（ａ）は、分離度が大
きな分割を示す図である。図１７（ｂ）は、分離度が小
さな分割を示す図である。

【図１８】特徴量判別符号化学習部１３１が第１の特徴
量識別参照情報記憶部１０７に書き込んだ情報を示す図
である。図１８（ａ）は、各ノードごとの２分割境界面
を決める参照ベクトルを示す図である。図１８（ｂ）は
末端の枝が顔画像クラスに属するか非顔画像クラスに属
するかの識別情報を示す図である。

【図１９】第１の特徴量が判別される過程を示す図であ
る。図１９（ａ）は、入力された第１の特徴量の特徴量
空間での分布を示す図である。図１９（ｂ）は、２分割
境界面Ｓ１によって、第１の特徴量がＴ１Ｌに属すると
判定された状態を示す図である。図１９（ｃ）は、第１
の特徴量が分割空間Ｔ４Ｒに属すると判定された状態を
示す図である。

【図２０】学習装置が第２の特徴量の符号化を学習する
動作手順を示すフローチャートである。

【図２１】第２の特徴量のサンプルがクラスタリングさ
れていく過程を示す図である。図２１（ａ）は、第２の
特徴量のサンプルのクラスタリング前の特徴量空間での
分布を示す図である。図２１（ｂ）は、第２の特徴量の
サンプルが２つのクラスタに分類された状態を示す図で
ある。図２１（ｃ）は、第２の特徴量の２分割境界面Ｓ
１が作成された状態を示す図である。図２１（ｄ）は、
第２の特徴量のサンプルが４つのクラスタに分類された
状態を示す図である。図２１（ｅ）は、第２の特徴量の
２分割境界面Ｓ２及びＳ３が作成された状態を示す図で
ある。

【図２２】第２の特徴量の特徴量空間の２分割境界面を
生成するニューラルネットワークの構成を示す図であ
る。

【図２３】特徴量判別符号化学習部１３１により第２の
特徴量符号化参照情報記憶部１０９に書き込まれた情報
を示す図である。

【図２４】特徴量判別符号化学習部１３１により第２の
特徴量復号化参照情報記憶部１１８に書き込まれた情報
を示す図である。

【図２５】第２の特徴サンプルを２つのクラスタに分類
する手順を示すフローチャートである。

【図２６】ニューラルネットワークにより各ブロックの
第２の特徴量が判別される過程を示す図である。図２６
（ａ）は、ニューラルネットワークにより、第１ブロッ
クの第２の特徴量が分割空間のいずれに属するかが判定
される過程を示す図である。図２６（ｂ）は、ニューラ
ルネットワークにより、第２ブロックの第２の特徴量が
分割空間のいずれに属するかが判定される過程を示す図
である。

【図２７】学習装置が第２の特徴量の判別を学習する動
作手順を示すフローチャートである。

【図２８】第２の特徴量のブロックと第２の特徴量を判
別するニューラルネットワークの入力パターンとの関係
を示す図である。

【図２９】第２の特徴量を判別するニューラルネットワ
ークの構成を示す図である。

【図３０】第２の特徴量判別学習部１３２が第２の特徴
量識別参照情報記憶部１２０に書き込んだ情報を示す図
である。

【図３１】実施の形態２の薄型メモリカードを用いた人
物画像認証システムの構成を示す機能ブロック図であ
る。

【図３２】実施の形態２の薄型メモリカードを用いた人
物画像認証システムの動作手順を示すフローチャートで
ある。

【図３３】第２の特徴量を判別するバックプロパゲーシ
ョンニューラルネットワークの構成を示す図である。

【図３４】実施の形態４のσＬＶＱ型ニューラルネット
ワークの学習の動作手順を示すフローチャートである。

【図３５】分散ベクトルの成分である分散値σ_cjの更新
について示す。図３５（ａ）は、分類が正しく、かつ｜
ｑ_j（ｔ）−ｍ_cj（ｔ）｜−σ_cj（ｔ） ＞０を満たす
場合の入力パターンｑ_j（ｔ）の分布を示す図である。
図３５（ｂ）は、図３５（ａ）の時のσ_cj（ｔ）の更新
値σ_cj（ｔ＋１）を示す図である。図３５（ｃ）は、分
類が正しく、かつ｜ｑ_j（ｔ）−ｍ_cj（ｔ）｜−σ
_cj（ｔ） ≦０を満たす場合の入力パターンｑ_j（ｔ）
の分布を示す図である。図３５（ｄ）は、図３５（ｃ）
の時のσ_cj（ｔ）の更新値σ_cj（ｔ＋１）を示す図であ
る。図３５（ｅ）は、分類が誤りで、かつ｜ｑ_j（ｔ）
−ｍ_cj（ｔ）｜−σ_cj（ｔ） ≧０を満たす場合の入力
パターンｑ_j（ｔ）の分布を示す図である。図３５
（ｆ）は、図３５（ｅ）の時のσ_cj（ｔ）の更新値σ_cj
（ｔ＋１）を示す図である。図３５（ｇ）は、分類が誤
りで、かつ｜ｑ_j（ｔ）−ｍ_cj（ｔ）｜−σ_cj（ｔ）
＜０を満たす場合の入力パターンｑ_j（ｔ）の分布を示
す図である。図３５（ｈ）は、図３５（ｇ）の時のσ_cj
（ｔ）の更新値σ_cj（ｔ＋１）を示す図である。

【図３６】実施の形態５の混合した特徴量の作成及びこ
れを用いた学習の動作手順を示すフローチャートであ
る。

【図３７】入力パターンの時間変化を示す図である。

【図３８】入力パターンの時間変化の例を画像形式で示
す図である。図３８（ａ）は、人物Ａの顔画像３８０１
と人物Ｂの顔画像３８０２を示す図である。図３８
（ｂ）は、人物Ａの学習における、ニューラルネットワ
ークの入力パターンを顔画像の形式で示す図である。図
３８（ｃ）は、人物Ｂの学習において、ニューラルネッ
トワークの入力パターンを顔画像の形式で示す図であ
る。

【図３９】学習サンプル数と誤認識率の関係を示す図で
ある。

【図４０】実施の形態６における混合集合を作成して特
徴量の分散値を推定する動作手順を示すフローチャート
である。

【図４１】人物Ａの特徴量の分散値σ_Aが推定される過
程を示す図である。図４１（ａ）は、人物Ａ、Ｂ、Ｃ、
Ｄの特徴量のサンプルの分布を示す図である。図４１
（ｂ）は、最小の対数分散和を与える集合Ｃが選択さ
れ、混合集合ＡＣが作成された状態を示す図である。図
４１（ｃ）は、最小の対数分散和を与える集合Ｂが選択
され、混合集合ＡＣＢが作成された状態を示す図であ
る。

【図４２】混合する集合の数と対数分散和との関係を示
す図である。

【図４３】混合する集合の数と平均分散値及び認識誤り
率との関係を示す図である。

【図４４】実施の形態７の未登録者識別機能の学習及び
判別の動作手順を示すフローチャートである。

【図４５】実施の形態７のニューラルネットワークの構
成を示す図である。

【図４６】学習後の第２の特徴量の特徴量空間を示す図
である。図４６（ａ）は、疑似登録者を用いない場合の
第２の特徴量空間を示す図である。図４６（ｂ）は、疑
似登録者を用いた場合の第２の特徴量空間を示す図であ
る。

【図４７】実施の形態７による登録者及び未登録者の識
別率を示す図である。

【図４８】実施の形態８による登録者及び未登録者の識
別率を示す図である。図４８（ａ）は、合成特徴量を用
いない場合の識別率を示す。図４８（ｂ）は、合成特徴
量を用いた場合の識別率を示す。

【図４９】実施の形態９の学習及び判別の動作手順を示
すフローチャートである。

【図５０】実施の形態１０人物のグループを学習、判別
する動作手順を示すフローチャートである。

【図５１】人物のグループが作成される過程を示す図で
ある。図５１（ａ）は、人物Ａ〜Ｇの第２の特徴量のサ
ンプルデータの特徴空間での分布を示す図である。図５
１（ｂ）は、グループＡとグループＢとが併合された状
態を示す図である。図５１（ｃ）は、グループＣとグル
ープＤとが併合された状態を示す図である。図５１
（ｄ）は、併合グループＡＢとグループＧとが併合され
た状態を示す図である。

【図５２】第２の特徴量の位置ずれの例を示す図であ
る。

【図５３】実施の形態１１の第２の特徴量の学習及び判
別の動作手順を示すフローチャートである。

【図５４】ブロックごとの第２の特徴量の頻度分布の例
を示す図である。

【図５５】第１の特徴量を判別するニューラルネットワ
ークの構成を示す図である。

【図５６】従来の人物画像認証システムの構成を示す機
能ブロック図である。

【符号の説明】

１００ 端末装置 １０１ センター装置 １０２ 通信ネットワーク １０３ 画像メモリ １０３ 撮像部 １０４ 画像メモリ １０５ 画像サンプリング部 １０６ 特徴量変換部 １０７ 特徴量識別参照情報記憶部 １０８ 特徴量判別符号化部 １０９ 特徴量符号化参照情報記憶部 １１０ 特徴量符号化部 １１１ 選択信号入力部 １１２ 制御部 １１３ 通信部 １１４ データ記憶部 １１５ データ符号復号化部 １１６ データ提示部 １１７ 通信部 １１８ 特徴量復号化参照情報記憶部 １１９ 第２の特徴量復号化部 １２０ 特徴量識別参照情報記憶部 １２１ 第２の特徴量判別部 １２２ 特徴量逆変換部 １２３ 画像再生部 １２４ 画像表示部 １２６ 制御部 １２７ データ情報記憶部 １２８ データ符号復号化部 １３０ 学習装置 １３１ 特徴量判別符号化学習部 １３２ 第２の特徴量判別学習部 ７０１ 低域通過フィルタＬＰＸ ７０２ 高域通過フィルタＨＰＸ ７０６ 低域通過フィルタＬＰＹ ７０７ 高域通過フィルタＨＰＹ １００５ 低域通過逆フィルタＩＬＰＹ １００６ 高域通過逆フィルタＩＨＰＹ １０１１ 低域通過逆フィルタＩＬＰＸ １０１２ 高域通過逆フィルタＩＨＰＸ １７０１ 入力ユニット １７０２ 出力ユニット １７０４ 出力信号 １７０５ 教師信号 １８００ 入力ユニット １８０３ 入力パターン ３１００ 薄型メモリカード ３１０１ 入出力部 ３１０２ 制御部 ３１０３ データ記憶部 ３１０４ データ符号復号化部 ３１０５ 入出力部 ３３０１ 入力ユニット ３３０２ 出力ユニット ３３０３ 中間ユニット ３３０４ 入力パターン ３３０５ 出力信号 ３３０６ 教師信号 ５６００ 端末装置 ５６０１ センター装置 ５６０２ 通信ネットワーク ５６０３ 撮像部 ５６０４ 画像メモリ ５６０５ 画像サンプリング部 ５６０６ 画像直交変換部 ５６０７ 画像符号化部 ５６０８ 通信部 ５６０９ 通信部 ５６１０ 画像復号化部 ５６１１ 画像逆直交変換部 ５６１２ 画像再生部 ５６１３ 画像メモリ ５６１４ 画像サンプリング部 ５６１５ 特徴量抽出部 ５６１６ 特徴量判別部 ５６１７ 特徴量抽出部 ５６１８ 特徴量判別部

Claims (27)

【特許請求の範囲】
1. 【請求項１】 同一のクラスに属する複数の異なるオブ
   ジェクトそれぞれを識別するための画像を送信する装置
   であって、 オブジェクトを撮像して得られる画像データを獲得する
   画像獲得手段と、 獲得された画像データを用いてオブジェクトの画像上の
   特徴を示す特徴量を作成する特徴量作成手段と、 特徴量を構成する複数の特徴成分それぞれに対応する座
   標軸からなる特徴空間を２分探索が可能なように分割し
   た分割境界面それぞれがノードに対応づけられ、分割さ
   れた最小単位の部分空間それぞれに末端の枝が対応づけ
   られた２進探索木を予め記憶する２進探索木記憶手段
   と、 前記２進探索木の分割境界面に従って、前記特徴量作成
   手段により作成された特徴量を順次量子化していき、末
   端の枝を特定し、該末端の枝より符号語を特定し、該符
   号語を特徴量の符号化データとする符号化手段と、 前記符号化データを送信する送信手段とを備えたことを
   特徴とする画像送信装置。
2. 【請求項２】 前記クラスは人間であり、 前記オブジェクトは、一人の人間であり、 前記画像獲得手段は、前記オブジェクトに係る顔の画像
   データを獲得し、 前記特徴量作成手段は、獲得された顔の画像データから
   それを構成する各ブロックごとの特徴を作成することを
   特徴とする請求項１記載の画像送信装置。
3. 【請求項３】 前記画像獲得手段は、 人間を撮像した撮像画像から複数個の部分画像を作成す
   る部分画像作成部と、 前記部分画像の画像データの特徴を示す特徴量を作成す
   る特徴量作成部と、 特徴量を構成する複数の特徴成分それぞれに対応する座
   標軸からなる特徴空間を２分探索が可能なように分割し
   た分割境界面それぞれが各ノードに対応づけられ、分割
   された最小単位の部分空間それぞれを特定する顔の画像
   クラスへの帰属度が末端の枝に対応づけられた２進探索
   木を予め記憶する２進探索木記憶部と、 前記２進探索木の分割境界面に従って、前記特徴量作成
   部が作成した特徴量を順次量子化していき、末端の枝よ
   り前記特徴量の顔の画像クラスへの帰属度を判定する帰
   属度判定部と、 前記顔画像クラスへの帰属度が最大となる部分画像を顔
   の画像データとする画像データ選択部とを備えたことを
   特徴とする請求項２記載の画像送信装置。
4. 【請求項４】 前記符号化手段は、２進探索木の分岐ご
   とに０又は１のビットを付加して符号語とすることを特
   徴とする請求項１〜３のいずれか１項に記載の画像送信
   装置。
5. 【請求項５】 前記特徴量生成手段は、画像データを周
   波数による帯域２分割のサブバンド分解して得たデータ
   を特徴量とすることを特徴とする請求項１〜３のいずれ
   か１項に記載の画像送信装置。
6. 【請求項６】 前記特徴量生成手段は、画像データを周
   波数による帯域２分割のサブバンド分解して得たデータ
   を特徴量とし、 前記特徴量生成部は、部分画像データを周波数による帯
   域２分割のサブバンド分解して得たデータを特徴量とす
   ることを特徴とする請求項３記載の画像送信装置。
7. 【請求項７】 請求項１〜３のいずれか１項に記載の前
   記２進探索木のノードで定められる分割境界面をニュー
   ラルネットワークによる学習により作成する学習装置で
   あって、 前記ニューラルネットワークは、 前記特徴量を入力パターンとし、分岐する枝の別を出力
   パターンとして、教師あり学習する手段を備え、 前記ニューラルネットワークの学習後の学習係数により
   分割境界面を定める分割境界面設定手段とを備えたこと
   を特徴とする学習装置。
8. 【請求項８】 前記符号化手段は、前記２進探索木記憶
   手段から前記分割境界面を定めたニューラルネットワー
   クの学習係数を読み込んで、前記特徴量をニューラルネ
   ットワークの入力パターンとし、出力パターンにより前
   記特徴量を量子化することを特徴とする請求項１〜３の
   いずれか１項に記載の画像送信装置。
9. 【請求項９】 前記帰属度判定部は、前記２進探索木記
   憶部から前記分割境界面を定めたニューラルネットワー
   クの学習係数を読み込んで、前記特徴量をニューラルネ
   ットワークの入力パターンとし、出力パターンにより前
   記特徴量を量子化するとともに顔画像クラスへの帰属度
   を判定することを特徴とする請求項３記載の画像送信装
   置。
10. 【請求項１０】 同一のクラスに属する複数の異なるオ
    ブジェクトそれぞれを識別する画像認識装置であって、 オブジェクトの画像上の特徴を示す特徴量を符号化した
    符号化データを受信する受信手段と、 前記符号化データと特徴量との対応関係を定めた対応表
    を予め記憶する対応表記憶手段と、 前記符号化データより前記対応表を参照して特徴量を復
    元する特徴量復号化手段と、 特徴量を構成する複数の特徴成分それぞれに対応する座
    標軸からなる特徴空間をオブジェクトごとの部分空間に
    分割する複数の分割境界面を予め記憶している分割境界
    面記憶手段と、 前記分割境界面により、前記特徴量の属する分割空間を
    特定し、オブジェクトを識別するオブジェクト識別手段
    とを備えたことを特徴とする画像認識装置。
11. 【請求項１１】 前記クラスは人間であり、 前記オブジェクトは、一人の人間であり、 前記特徴量は、顔の画像データを構成する各ブロックご
    との特徴であることを特徴とする請求項１０記載の画像
    認識装置。
12. 【請求項１２】 前記特徴量復号化手段は、復元した特
    徴量をさらに離散コサイン変換したものを特徴量とする
    ことを特徴とする請求項１０又は１１記載の画像認識装
    置。
13. 【請求項１３】 請求項１０又は１１に記載の前記分割
    境界面をニューラルネットワークによる学習により作成
    する学習装置であって、 前記ニューラルネットワークは、 前記特徴量を入力パターンとし、各分割空間の別を出力
    パターンとして学習する手段を備え、 前記ニューラルネットワークの学習後の学習係数により
    分割境界面を定める分割境界面設定手段とを備えたこと
    を特徴とする学習装置。
14. 【請求項１４】 前記オブジェクト識別手段は、前記分
    割境界面記憶手段から前記分割境界面を定めたニューラ
    ルネットワークの学習係数を読み込んで、前記特徴量を
    ニューラルネットワークの入力パターンとし、出力パタ
    ーンにより前記特徴量が属する分割空間を特定すること
    を特徴とする請求項１０又は１１に記載の画像認識装
    置。
15. 【請求項１５】 前記画像認識装置は、さらに特徴量よ
    り画像データを再生する画像再生手段を備えることを特
    徴とする請求項１０又は１１に記載の画像認識装置。
16. 【請求項１６】 前記画像再生手段は、特徴量を周波数
    による帯域２分割のサブバンド合成して得たデータを画
    像データとすることを特徴とする請求項１５記載の画像
    認識装置。
17. 【請求項１７】 画像送信装置と画像認識装置を通信ネ
    ットワークを介してなる画像認識システムであって、 前記画像送信装置は、 オブジェクトを撮像して得られる画像データを獲得する
    画像獲得手段と、 獲得された画像データを用いてオブジェクトの画像上の
    特徴を示す特徴量を作成する特徴量作成手段と、 特徴量を構成する複数の特徴成分それぞれに対応する座
    標軸からなる特徴空間を２分探索が可能なように分割し
    た分割境界面それぞれが各ノードに対応づけられ、分割
    された最小単位の部分空間それぞれに末端の枝が対応づ
    けられた２進探索木を予め記憶する２進探索木記憶手段
    と、 前記２進探索木の分割境界面に従って、前記特徴量作成
    手段により作成された特徴量を順次量子化していき、末
    端の枝を特定し、該末端の枝より符号語を特定し、該符
    号語を特徴量の符号化データとする符号化手段と、 前記符号化データを送信する送信手段とを備え、 前記画像認識装置は、 前記符号化データを受信する受信手段と、 前記符号化データと特徴量との対応関係を定めた対応表
    を予め記憶する対応表記憶手段と、 前記符号化データより前記対応表を参照して特徴量を復
    元する特徴量復号化手段と、 特徴量を構成する複数の特徴成分それぞれに対応する座
    標軸からなる特徴空間をオブジェクトごとの部分空間に
    分割する複数の分割境界面を予め記憶している分割境界
    面記憶手段と、 前記分割境界面により、前記特徴量の属する分割空間を
    特定し、オブジェクトを識別するオブジェクト識別手段
    とを備えたことを特徴とする画像認識システム。
18. 【請求項１８】 前記画像送信装置は、さらに撮像され
    たオブジェクトを特定する識別情報を入力する入力手段
    を含み、 前記送信手段は、前記符号化データとともに、前記識別
    情報をも送信し、 前記画像認識装置の前記受信手段は、前記符号化データ
    とともに、前記識別情報をも受信し、 前記画像認識装置は、オブジェクト識別手段により識別
    されたオブジェクトと前記識別情報とで特定されるオブ
    ジェクトとが一致するかを判定する手段とを含むことを
    特徴とする請求項１７記載の画像認識システム。
19. 【請求項１９】 学習により入力ベクトルが属するベク
    トル空間を複数の代表ベクトルそれぞれに対応する部分
    空間に分割する量子化を行い、入力ベクトルと各代表ベ
    クトルとの距離を計算して、その距離の最も近い代表ベ
    クトルの属するカテゴリーに入力ベクトルが属すると判
    定する学習ベクトル量子化ニューラルネットワークであ
    って、 代表ベクトルと分散ベクトルとからなる参照ベクトルを
    記憶する記憶手段と、 前記入力ベクトルと前記各代表ベクトルとの距離を［数
    １］により計算する距離計算手段と、 前記距離の最も近い代表ベクトルに属するカテゴリーに
    入力ベクトルが属すると判定するカテゴリー判定手段
    と、 カテゴリー判定が正しければ［数２］により代表ベクト
    ルを更新し、［数３］により分散ベクトルを更新し、 カテゴリー判定が誤りであれば［数４］により代表ベク
    トルを更新し、［数５］により分散ベクトルを更新する
    ことにより学習する学習手段とを備えたことを特徴とす
    る学習ベクトル量子化ニューラルネットワーク。 【数１】 【数２】 【数３】 【数４】 【数５】
20. 【請求項２０】 出力パターンにより入力パターンのカ
    テゴリーを識別するニューラルネットワークであって、 一のカテゴリーに属するサンプルの入力パターンと、一
    のカテゴリーに類似する他のカテゴリーに属するサンプ
    ルの入力パターンとを一のカテゴリーの混合比率が他の
    カテゴリーの混合比率より大きい条件で混合した入力パ
    ターンを一のカテゴリーの入力パターンとし、 一のカテゴリーに属することを示す出力パターンを教師
    信号として学習サンプルを作成する学習サンプル作成手
    段と、 前記学習サンプルを用いて一のカテゴリーの識別を学習
    する学習手段と、を備えたことを特徴とするニューラル
    ネットワーク。
21. 【請求項２１】 前記学習サンプル作成手段は、混合比
    の異なる複数の入力パターンを作成し、 前記学習手段は、一のカテゴリーの混合比の小さな入力
    パターンを有する学習サンプルから学習することを特徴
    とする請求項２０記載のニューラルネットワーク。
22. 【請求項２２】 学習により入力ベクトルが属するベク
    トル空間を複数の代表ベクトルそれぞれに対応する部分
    空間に分割する量子化を行い、入力ベクトルと各代表ベ
    クトルとの距離を計算して、その距離の最も近い代表ベ
    クトルの属するカテゴリーに入力ベクトルが属すると判
    定する学習ベクトル量子化ニューラルネットワークであ
    って、 代表ベクトルと分散ベクトルとからなる参照ベクトルを
    記憶する記憶手段と、 前記入力ベクトルと前記各代表ベクトルとの距離を［数
    ６］により計算する距離計算手段と、 前記距離の最も近い代表ベクトルに属するカテゴリーに
    入力ベクトルが属すると判定するカテゴリー判定手段
    と、 カテゴリー判定が正しければ［数７］により代表ベクト
    ルを更新し、 カテゴリー判定が誤りであれば［数８］により代表ベク
    トルを更新することにより学習する学習手段と、 一のカラゴリーと他のカテゴリーとを平均ベクトルの成
    分（平均値）を一致させて混合した混合カテゴリーに属
    する学習データの分散値を一のカテゴリーの分散ベクト
    ルの成分（分散値）の初期値とする分散ベクトル推定手
    段とを備えたことを特徴とする学習ベクトル量子化ニュ
    ーラルネットワーク。 【数６】 【数７】 【数８】
23. 【請求項２３】 学習により入力ベクトルが属するベク
    トル空間を複数の代表ベクトルそれぞれに対応する部分
    空間に分割する量子化を行い、入力ベクトルと各代表ベ
    クトルとの距離を計算して、その距離の最も近い代表ベ
    クトルの属するカテゴリーに入力ベクトルが属すると判
    定する学習ベクトル量子化ニューラルネットワークであ
    って、 代表ベクトルと分散ベクトルとからなる参照ベクトルを
    記憶する記憶手段と、前記入力ベクトルと前記各代表ベ
    クトルとの距離を［数９］により計算する距離計算手段
    と、 前記距離の最も近い代表ベクトルに属するカテゴリーに
    入力ベクトルが属すると判定するカテゴリー判定手段
    と、 カテゴリー判定が正しければ［数１０］により代表ベク
    トルを更新し、［数１１］により分散ベクトルを更新
    し、 カテゴリー判定が誤りであれば［数１２］により代表ベ
    クトルを更新し、［数１３］により分散ベクトルを更新
    することにより学習する学習手段と、 一のカラゴリーと他のカテゴリーとを平均ベクトルの成
    分（平均値）を一致させて混合した混合カテゴリーに属
    する学習データの分散値を一のカテゴリーの分散ベクト
    ルの成分（分散値）の初期値とする分散ベクトル推定手
    段とを備えたことを特徴とする学習ベクトル量子化ニュ
    ーラルネットワーク。 【数９】 【数１０】 【数１１】 【数１２】 【数１３】
24. 【請求項２４】 前記分散ベクトル推定手段は、 一のカテゴリーに属する学習サンプルの分散値の自然対
    数と他のカテゴリーに属する学習サンプルの分散値の自
    然対数との和である対数分散和を計算する対数分散和算
    出部と、 前記対数分散和が最小となる他のカテゴリーを特定し
    て、特定したカテゴリーを一のカテゴリーと混合する他
    のカテゴリーとして決定するカテゴリー決定部とを備え
    たことを特徴とする請求項２２又は２３のいずれかに記
    載のニューラルネットワーク。
25. 【請求項２５】 出力パターンにより入力パターンが登
    録カテゴリーのいずれに属するのか、あるいは登録カテ
    ゴリーに属さないのかを識別するニューラルネットワー
    クであって、 登録カテゴリーに属するサンプルと、登録カテゴリーに
    属さないサンプルを入力パターンとし、登録カテゴリー
    に属するサンプルに対しては、それが登録カテゴリーの
    いずれであるかを示す出力パターンを教師信号とし、登
    録カテゴリーに属さないサンプルに対しては、それが擬
    似登録カテゴリーに属することを示す出力パターンを教
    師信号として学習サンプルを作成する学習サンプル作成
    手段と、 前記学習サンプルを用いて学習をする学習手段と、 任意の入力パターンに対して擬似登録カテゴリーに属す
    ることを示す出力パターンが得られた時には、該入力パ
    ターンが登録カテゴリーに属さないと判断する未登録カ
    テゴリー識別手段とを備えたことを特徴とするニューラ
    ルネットワーク。
26. 【請求項２６】 出力パターンにより入力パターンのカ
    テゴリーを識別するニューラルネットワークであって、 任意の２つのカテゴリーを混合した混合カテゴリーに属
    する学習データの分散ベクトルを計算する分散ベクトル
    計算手段と、 前記分散ベクトルが最小で、かつ一定値以下となる混合
    カテゴリーに属するカテゴリーを併合して１つの新たな
    カテゴリーとするカテゴリー併合手段と、 前記入力パターンが、前記カテゴリー併合手段による併
    合結果である新たなカテゴリー分類のいずれに属するか
    を示す識別情報を出力パターンとする出力パターン生成
    手段とを備えたことを特徴とするニューラルネットワー
    ク。
27. 【請求項２７】 出力パターンにより入力パターンのカ
    テゴリーを識別するニューラルネットワークであって、 オブジェクトを撮像して得られる画像データを獲得する
    画像獲得手段と、 獲得された画像データを所定サイズのブロックに分割
    し、各ブロックごとの画素値の頻度分布を作成する頻度
    分布作成手段と、 前記作成した画素値の頻度値を入力パターンとする入力
    パターン作成手段とを備えたことを特徴とするニューラ
    ルネットワーク。