JP2003153276A

JP2003153276A - 画像処理方法、画像符号化方法、画像復号方法、画像符号化装置、および画像復号装置

Info

Publication number: JP2003153276A
Application number: JP2001345287A
Authority: JP
Inventors: Giyouzo Akiyoshi; 仰三秋吉; Nobuo Akiyoshi; 信雄秋吉
Original assignee: Monolith Co Ltd
Current assignee: Monolith Co Ltd
Priority date: 2001-11-09
Filing date: 2001-11-09
Publication date: 2003-05-23

Abstract

(57)【要約】【課題】高圧縮率と高画質を実現する符号化および復
号技術を提供する。【解決手段】画像入力部１２は、人が言葉を発声する
ときの表情を示す画像を各音ごとにキーフレームＫＦと
して取得する。音声認識部１８は、音声入力部１６が取
得した音声データＳに含まれる各音を認識する。配列部
２０は、認識された各音の順となるように、キーフレー
ムＫＦの配列を決定する。プロセッサ２２は、決定され
た配列において、隣接するキーフレームＫＦ間の対応点
情報Ｃを取得する。ストリーム生成部２４は、認識され
た各音に対応するキーフレームＫＦおよび対応点情報Ｃ
を含む形式にて符号化データストリームＣＩを生成す
る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、画像処理技術に
関し、とくにネットワークを介して画像データの送受信
を行う際に、受信側で滑らかな動画の再生を行うための
符号化および復号方法と装置に関する。

【０００２】

【従来の技術】携帯電話の爆発的な普及に伴い、携帯電
話端末を利用したメールや静止画像データのやり取りも
盛んに行われるようになってきた。今後は携帯電話端末
を用いた高品質の動画像データの配信が望まれる。

【０００３】

【発明が解決しようとする課題】ネットワークを介した
動画像データの配信は、圧縮符号化技術なしに考えるこ
とはできない。特に携帯電話の商品価値は、その軽量
性、長い電池寿命、安いハードウエアコスト、軽快な操
作性などにあり、重たい画像データを長い時間をかけて
ダウンロードすることは嫌われる。また、そうした重い
画像データを処理するためのＣＰＵパワーも消費電力的
に不利である。

【０００４】そこで、携帯電話端末における圧縮符号化
を実現する方法として、より高い圧縮率と画質の両立を
可能とする技術が望まれる。

【０００５】この発明はそうした状況に鑑みてなされた
ものであり、その目的は、良好な動画の圧縮技術を提供
することにある。

【０００６】

【課題を解決するための手段】以下、本発明の画像符号
化技術および画像復号技術は、２枚の静止画像からその
中間画像を生成してこれを動画として生成する場合につ
いて説明するが、本質的には動画像の圧縮技術に関す
る。

【０００７】本発明のある態様は画像処理方法に関す
る。この方法は、音声データを取得する工程と、音声デ
ータに含まれる各音を認識する工程と、認識された各音
の順となるように、各音に対応付けられた、人が言葉を
発声するときの表情を示すキーフレームの配列を決定す
る工程と、決定された配列において、隣接するキーフレ
ーム間の対応点情報を取得する工程と、キーフレームお
よび対応点情報に基づき各キーフレーム間の中間フレー
ムを生成しつつ、キーフレームおよび中間フレームを動
画として出力する工程とを含む。

【０００８】「音」とは、日本語でいえば「あ」、
「い」、「う」、「え」、「お」など五十音の各音であ
ってよい。また「音」は、一文字の音に限られず、単語
単位であってもよい。さらに、外国語であれば、例えば
口形の変化する節単位であってもよい。要するに、
「音」は、口形が変化すると共に認識可能な言葉の単位
であってよい。「フレーム」は表示を意識した画像の単
位ではあるが、以下特に必要がない限り、これと「画
像」を区別しない。

【０００９】対応点情報は、キーフレームの特異点を基
礎として検出されたものであってよい。対応点情報は、
キーフレーム間で画素を単位として記述されていてよ
い。この方法は、対応点情報をキーフレーム間における
マッチングをもとに生成する工程をさらに含んでもよ
い。この方法は、人が言葉を発声するときの表情を示す
画像を各音ごとにキーフレームとして取得する工程をさ
らに含んでよい。この方法は、取得したキーフレームを
各音に対応づけて保持する工程をさらに含んでよい。

【００１０】出力する工程は、動画と共に音声データを
出力してよい。このとき、取得された音声データを略リ
アルタイムで出力してもよく、予め保存しておいた音声
データを動画に同期させて出力してもよい。また、出力
する工程は、音声データにおいて各音が発声されるタイ
ミングでキーフレームを出力してよい。

【００１１】本発明の別の態様は画像符号化方法に関す
る。この方法は、音声データを取得する工程と、音声デ
ータに含まれる各音を認識する工程と、認識された各音
の順となるように、各音に対応付けられた、人が言葉を
発声するときの表情を示すキーフレームの配列を決定す
る工程と、決定された配列において、隣接するキーフレ
ーム間の対応点情報を取得する工程と、キーフレームお
よび対応点情報を含む形式にて符号化データストリーム
を生成する工程とを含む。

【００１２】この方法は、音声データにおいて各音が発
声されたタイミングを検知する工程をさらに含んでもよ
く、符号化データストリームを生成する工程は、検知さ
れたタイミングをも含む形で符号化データを生成しても
よい。「タイミング」は、音声データにおける各音が発
声された時間間隔であってよい。

【００１３】この方法は、音声データにおいて各音が発
声されたタイミングを検知する工程と、タイミングに応
じてキーフレーム間に人工的に生成すべき中間フレーム
の枚数を特定する工程とをさらに含んでもよく、符号化
データストリームを生成する工程は、特定された枚数を
も含む形で符号化データを生成してもよい。「特定する
工程」とは、ソフトウエアやハードウエアによって自動
的に算出する工程、ユーザによる指示を取得して利用す
る工程など、その形態にはいろいろある。枚数は、各音
が発声された時間間隔に比例するように特定されてよ
い。

【００１４】本発明の別の態様は、画像復号方法に関す
る。この方法は、音声データを取得する工程と、音声デ
ータに含まれる各音を発声するときの表情を示すキーフ
レームを含む符号化データストリームを取得する工程
と、そのデータストリームに含まれるキーフレームおよ
びキーフレーム間の対応点情報を検出する工程と、音声
データにおける各音の出力タイミングに同期して各キー
フレームが出力されるように、検出されたキーフレーム
と対応点情報に基づき各キーフレーム間の中間フレーム
を生成しつつ、キーフレームおよび中間フレームを動画
として出力する工程とを含む。

【００１５】各キーフレーム間における中間フレームの
生成枚数は、音声データにおける各音の出力タイミング
にしたがって制御されてよい。対応点情報は、キーフレ
ームの特異点を基礎として検出されたものであってよ
い。対応点情報は、キーフレーム間で画素を単位として
記述されてよい。

【００１６】符号化データストリームを取得する工程
は、キーフレームを出力すべき配列を示す情報とその配
列に含まれるキーフレームとをそれぞれ取得してよく、
出力する工程は、配列を示す情報に基づいてキーフレー
ムを配列する工程をさらに含んでよい。

【００１７】本発明の別の態様は画像符号化装置に関す
る。この装置は、人が言葉を発声するときの表情を示す
画像を各音ごとにキーフレームとして取得する画像入力
部と、音声データを取得する音声入力部と、音声データ
に含まれる各音を認識する音声認識部と、認識された各
音の順となるように、キーフレームの配列を決定する配
列部と、決定された配列において、隣接するキーフレー
ム間の対応点情報を取得する対応点取得部と、認識され
た前記各音に対応するキーフレームおよび対応点情報を
含む形式にて符号化データストリームを生成する生成部
とを含む。

【００１８】対応点取得部は、対応点情報を生成するプ
ロセッサであってよい。プロセッサは、キーフレーム間
において特異点に注目したマッチングをもとに対応点情
報を生成してよい。プロセッサは、各キーフレームを特
異点を抽出することによって多重解像度し、解像度の荒
いレベルから順に特異点どうしの対応関係を特定して対
応点情報を生成してよい。プロセッサは、多重解像度特
異点フィルタを作用させることによりキーフレーム間の
マッチングを計算して対応点情報を生成してよい。

【００１９】対応点情報は、キーフレームの特異点を基
礎として検出されたものであってよい。対応点情報は、
キーフレーム間で画素を単位として記述されてもよい。
また、対応点情報は外部で生成されてもよく、その場
合、画像符号化装置はその外部装置から情報を受取って
もよい。

【００２０】この装置は、異なる音であっても、それら
の音を発声するときの表情が類似する場合、それらの音
を同一のキーフレームに対応づけて保持する保持部をさ
らに含んでよい。この場合、予め略同一の表情になるで
あろう音をグループ化しておき、グループごとにひとつ
の表情を示す画像を取得してもよい。また、取得された
画像の類似度を判定する判定部を有し、類似すると判定
されたものをグループ化して保持させてもよい。

【００２１】本発明の別の態様は、画像復号装置に関す
る。この装置は、音声データを取得する音声入力部と、
音声データに含まれる各音を発声するときの表情を示す
キーフレームを含む符号化データストリームを取得する
取得部と、そのデータストリームに含まれるキーフレー
ムおよびキーフレーム間の対応点情報を検出する検出部
と、キーフレームと対応点情報をもとに補間により中間
フレームを生成する生成部と、音声データを出力する音
声出力部と、音声データにおける各音の出力タイミング
に同期して各キーフレームが出力されるように、キーフ
レームおよび中間フレームを動画として出力する画像出
力部とを含む。

【００２２】対応点情報は、キーフレームの特異点を基
礎として検出されたものであってよい。対応点情報は、
キーフレーム間で画素を単位として記述されていてもよ
い。

【００２３】本発明の別の態様もまた、画像符号化方法
に関する。この方法は、言葉を発声している人の画像を
所定のタイミングでキーフレームとして取得し、隣接す
るキーフレーム間の対応点情報を取得して、キーフレー
ム、対応点情報およびタイミングに関する情報を含む形
式にて符号化データストリームを生成する。

【００２４】ここで所定のタイミングとは、言葉を発声
している人の表情が変化するタイミングであってよい。
また所定のタイミングは、その人が異なる音を発声する
タイミングであってもよい。所定のタイミングは定期的
な間隔であってもよい。

【００２５】本発明の別の態様もまた、画像復号方法に
関する。この方法は、音声データを取得する工程と、所
定のタイミングで取得された話をしている人の画像をキ
ーフレームとして含む符号化データストリームを取得す
る工程と、そのデータストリームに含まれるキーフレー
ムおよびキーフレーム間の対応点情報を検出する工程
と、検出されたキーフレームと対応点情報に基づき各キ
ーフレーム間の中間フレームを生成しつつ、音声データ
の出力タイミングに同期させてキーフレームおよび中間
フレームを動画として出力する工程とを含む。

【００２６】本発明の別の態様もまた、画像処理方法に
関する。この方法は、人の発声に含まれる各音に対応す
る表情の画像をキーフレームとして取得し、各音の順に
キーフレームを配置するとともに隣接しあうキーフレー
ム間は補間による中間フレームを挿入して出力する。

【００２７】以上の各構成部材や処理内容を任意に入れ
替えたり、方法と装置の間で表現を一部または全部入れ
替え、または追加したり、表現をコンピュータプログラ
ム、記録媒体等に変更したものもまた、本発明として有
効である。

【００２８】

【発明の実施の形態】はじめに、実施の形態で利用する
多重解像度特異点フィルタ技術とそれを用いた画像マッ
チング処理を「前提技術」として詳述する。これらの技
術は本出願人がすでに特許第２９２７３５０号を得てい
る技術であり、本発明との組合せに最適である。ただ
し、実施の形態で採用可能な画像マッチング技術はこれ
に限られない。図１８以降、前提技術を利用した画像処
理技術を具体的に説明する。 [前提技術の背景]最初に［１］で前提技術の要素技術の
詳述し、［２］で処理手順を具体的に説明する。さらに
［３］で実験の結果を報告する。

【００２９】［１］要素技術の詳細［１．１］イントロダクション特異点フィルタと呼ばれる新たな多重解像度フィルタを
導入し、画像間のマッチングを正確に計算する。オブジ
ェクトに関する予備知識は一切不要である。画像間のマ
ッチングの計算は、解像度の階層を進む間、各解像度に
おいて計算される。その際、粗いレベルから精細なレベ
ルへと順に解像度の階層を辿っていく。計算に必要なパ
ラメータは、人間の視覚システムに似た動的計算によっ
て完全に自動設定される。画像間の対応点を人手で特定
する必要はない。

【００３０】本前提技術は、例えば完全に自動的なモー
フィング、物体認識、立体写真測量、ボリュームレンダ
リング、少ないフレームからの滑らかな動画の生成など
に応用できる。モーフィングに用いる場合、与えられた
画像を自動的に変形することができる。ボリュームレン
ダリングに用いる場合、断面間の中間的な画像を正確に
再構築することができる。断面間の距離が遠く、断面の
形状が大きく変化する場合でも同様である。

【００３１】［１．２］特異点フィルタの階層前提技術に係る多重解像度特異点フィルタは、画像の解
像度を落としながら、しかも画像に含まれる各特異点の
輝度及び位置を保存することができる。ここで画像の幅
をＮ、高さをＭとする。以下簡単のため、Ｎ＝Ｍ＝２^ｎ
（ｎは自然数）と仮定する。また、区間［０，Ｎ］⊂Ｒ
をＩと記述する。（ｉ，ｊ）における画像の画素をｐ
_{（ｉ，ｊ）}と記述する（ｉ，ｊ∈Ｉ）。

【００３２】ここで多重解像度の階層を導入する。階層
化された画像群は多重解像度フィルタで生成される。多
重解像度フィルタは、もとの画像に対して二次元的な探
索を行って特異点を検出し、検出された特異点を抽出し
てもとの画像よりも解像度の低い別の画像を生成する。
ここで第ｍレベルにおける各画像のサイズは２^ｍ×２ ^ｍ
（０≦ｍ≦ｎ）とする。特異点フィルタは次の４種類の
新たな階層画像をｎから下がる方向で再帰的に構築す
る。

【００３３】

【数１】ただしここで、

【数２】とする。以降これら４つの画像を副画像（サブイメー
ジ）と呼ぶ。ｍｉｎ_ｘ≦ｔ _≦ｘ＋１、ｍａｘ
_{ｘ≦ｔ≦ｘ＋１}をそれぞれα及びβと記述すると、副画
像はそれぞれ以下のように記述できる。

【００３４】Ｐ^{（ｍ，０）}＝α（ｘ）α（ｙ）ｐ^{（ｍ＋１，０）} Ｐ^{（ｍ，１）}＝α（ｘ）β（ｙ）ｐ^{（ｍ＋１，１）} Ｐ^{（ｍ，２）}＝β（ｘ）α（ｙ）ｐ^{（ｍ＋１，２}）Ｐ^{（ｍ，３）}＝β（ｘ）β（ｙ）ｐ^{（ｍ＋１，３）} すなわち、これらはαとβのテンソル積のようなものと
考えられる。副画像はそれぞれ特異点に対応している。
これらの式から明らかなように、特異点フィルタはもと
の画像について２×２画素で構成されるブロックごとに
特異点を検出する。その際、各ブロックのふたつの方
向、つまり縦と横について、最大画素値または最小画素
値をもつ点を探索する。画素値として、前提技術では輝
度を採用するが、画像に関するいろいろな数値を採用す
ることができる。ふたつの方向の両方について最大画素
値となる画素は極大点、ふたつの方向の両方について最
小画素値となる画素は極小点、ふたつの方向の一方につ
いて最大画素値となるとともに、他方について最小画素
値となる画素は鞍点として検出される。

【００３５】特異点フィルタは、各ブロックの内部で検
出された特異点の画像（ここでは１画素）でそのブロッ
クの画像（ここでは４画素）を代表させることにより、
画像の解像度を落とす。特異点の理論的な観点からすれ
ば、α（ｘ）α（ｙ）は極小点を保存し、β（ｘ）β
（ｙ）は極大点を保存し、α（ｘ）β（ｙ）及びβ
（ｘ）α（ｙ）は鞍点を保存する。

【００３６】はじめに、マッチングをとるべき始点（ソ
ース）画像と終点（デスティネーション）画像に対して
別々に特異点フィルタ処理を施し、それぞれ一連の画像
群、すなわち始点階層画像と終点階層画像を生成してお
く。始点階層画像と終点階層画像は、特異点の種類に対
応してそれぞれ４種類ずつ生成される。

【００３７】この後、一連の解像度レベルの中で始点階
層画像と終点階層画像のマッチングがとれらていく。ま
ずｐ^{（ｍ，０）}を用いて極小点のマッチングがとられ
る。次に、その結果に基づき、ｐ^{（ｍ，１）}を用いて鞍
点のマッチングがとられ、ｐ^（ ^ｍ，２）を用いて他の鞍
点のマッチングがとられる。そして最後にｐ^{（ｍ，３）}
を用いて極大点のマッチングがとられる。

【００３８】図１（ｃ）と図１（ｄ）はそれぞれ図１
（ａ）と図１（ｂ）の副画像ｐ^（５， ^０）を示してい
る。同様に、図１（ｅ）と図１（ｆ）はｐ^{（５，１）}、
図１（ｇ）と図１（ｈ）はｐ^{（５，２）}、図１（ｉ）と
図１（ｊ）はｐ^{（５，３）}をそれぞれ示している。これ
らの図からわかるとおり、副画像によれば画像の特徴部
分のマッチングが容易になる。まずｐ^{（５，０）}によっ
て目が明確になる。目は顔の中で輝度の極小点だからで
ある。ｐ^{（５，１）}によれば口が明確になる。口は横方
向で輝度が低いためである。ｐ^{（５，２）}によれば首の
両側の縦線が明確になる。最後に、ｐ^{（５，３）}によっ
て耳や頬の最も明るい点が明確になる。これらは輝度の
極大点だからである。

【００３９】特異点フィルタによれば画像の特徴が抽出
できるため、例えばカメラで撮影された画像の特徴と、
予め記録しておいたいくつかのオブジェクトの特徴を比
較することにより、カメラに映った被写体を識別するこ
とができる。

【００４０】［１．３］画像間の写像の計算始点画像の位置（ｉ，ｊ）の画素をｐ^（ｎ） _{（ｉ，ｊ）}
と書き、同じく終点画像の位置（ｋ，ｌ）の画素をｑ
^（ｎ） _{（ｋ，ｌ）}で記述する。ｉ，ｊ，ｋ，ｌ∈Ｉとす
る。画像間の写像のエネルギー（後述）を定義する。こ
のエネルギーは、始点画像の画素の輝度と終点画像の対
応する画素の輝度の差、及び写像の滑らかさによって決
まる。最初に最小のエネルギーを持つｐ^{（ｍ，０）}とｑ
^{（ｍ，０）}間の写像ｆ^{（ｍ，０）}：ｐ^{（ｍ，０）}→ｑ
^{（ｍ，０）}が計算される。ｆ^（ｍ，０ ^）に基づき、最小
エネルギーを持つｐ^（ｍ，１）、ｑ^{（ｍ，１）}間の写像
ｆ^（ｍ ^，１）が計算される。この手続は、ｐ^{（ｍ，３）}
とｑ^{（ｍ，３）}の間の写像ｆ^（ ^ｍ，３）の計算が終了す
るまで続く。各写像ｆ^{（ｍ，ｉ）}（ｉ＝０，１，２，
…）を副写像と呼ぶことにする。ｆ^{（ｍ，ｉ）}の計算の
都合のために、ｉの順序は次式のように並べ替えること
ができる。並べ替えが必要な理由は後述する。

【００４１】

【数３】ここでσ（ｉ）∈｛０，１，２，３｝である。

【００４２】［１．３．１］全単射始点画像と終点画像の間のマッチングを写像で表現する
場合、その写像は両画像間で全単射条件を満たすべきで
ある。両画像に概念上の優劣はなく、互いの画素が全射
かつ単射で接続されるべきだからである。しかしながら
通常の場合とは異なり、ここで構築すべき写像は全単射
のディジタル版である。前提技術では、画素は格子点に
よって特定される。

【００４３】始点副画像（始点画像について設けられた
副画像）から終点副画像（終点画像について設けられた
副画像）への写像は、ｆ^{（ｍ，ｓ）}：Ｉ／２^ｎ−ｍ×Ｉ
／２ ^ｎ−ｍ→Ｉ／２^ｎ−ｍ×Ｉ／２^ｎ−ｍ（ｓ＝０，
１，…）によって表される。ここで、ｆ
^{（ｍ，ｓ）}（ｉ，ｊ）＝（ｋ，ｌ）は、始点画像のｐ
^{（ｍ，ｓ）} _（ｉ， _ｊ）が終点画像のｑ^{（ｍ，ｓ）}
_{（ｋ，ｌ）}に写像されることを意味する。簡単のため
に、ｆ（ｉ，ｊ）＝（ｋ，ｌ）が成り立つとき画素ｑ
_{（ｋ，ｌ）}をｑ_ｆ（ｉ _，ｊ）と記述する。

【００４４】前提技術で扱う画素（格子点）のようにデ
ータが離散的な場合、全単射の定義は重要である。ここ
では以下のように定義する（ｉ，ｉ’，ｊ，ｊ’，ｋ，
ｌは全て整数とする）。まず始めに、始点画像の平面に
おいてＲによって表記される各正方形領域、

【数４】を考える（ｉ＝０，…，２^ｍ−１、ｊ＝０，…，２^ｍ−
１）。ここでＲの各辺（エッジ）の方向を以下のように
定める。

【００４５】

【数５】この正方形は写像ｆによって終点画像平面における四辺
形に写像されなければならない。ｆ^{（ｍ，ｓ）}（Ｒ）に
よって示される四辺形、

【数６】は、以下の全単射条件を満たす必要がある。

【００４６】１．四辺形ｆ^{（ｍ，ｓ）}（Ｒ）のエッジは
互いに交差しない。２．ｆ^{（ｍ，ｓ）}（Ｒ）のエッジの方向はＲのそれらに
等しい（図２の場合、時計回り）。３．緩和条件として収縮写像（リトラクション：retrac
tions）を許す。

【００４７】何らかの緩和条件を設けないかぎり、全単
射条件を完全に満たす写像は単位写像しかないためであ
る。ここではｆ^{（ｍ，ｓ）}（Ｒ）のひとつのエッジの長
さが０、すなわちｆ^{（ｍ，ｓ）}（Ｒ）は三角形になって
もよい。しかし、面積が０となるような図形、すなわち
１点または１本の線分になってはならない。図２（Ｒ）
がもとの四辺形の場合、図２（Ａ）と図２（Ｄ）は全単
射条件を満たすが、図２（Ｂ）、図２（Ｃ）、図２
（Ｅ）は満たさない。

【００４８】実際のインプリメンテーションでは、写像
が全射であることを容易に保証すべく、さらに以下の条
件を課してもよい。つまり始点画像の境界上の各画素
は、終点画像において同じ位置を占める画素に写影され
るというものである。すなわち、ｆ（ｉ，ｊ）＝（ｉ，
ｊ）（ただしｉ＝０，ｉ＝２^ｍ−１，ｊ＝０，ｊ＝２^ｍ
−１の４本の線上）である。この条件を以下「付加条
件」とも呼ぶ。

【００４９】［１．３．２］写像のエネルギー［１．３．２．１］画素の輝度に関するコスト写像ｆのエネルギーを定義する。エネルギーが最小にな
る写像を探すことが目的である。エネルギーは主に、始
点画像の画素の輝度とそれに対応する終点画像の画素の
輝度の差で決まる。すなわち、写像ｆ^{（ｍ，ｓ）}の点
（ｉ，ｊ）におけるエネルギーＣ^{（ｍ，ｓ）} _{（ｉ，ｊ）}
は次式によって定まる。

【００５０】

【数７】ここで、Ｖ（ｐ^{（ｍ，ｓ）} _{（ｉ，ｊ）}）及びＶ（ｑ
^{（ｍ，ｓ）} _{ｆ（ｉ，ｊ）}）はそれぞれ画素ｐ^{（ｍ，ｓ）}
_{（ｉ，ｊ）}及びｑ^{（ｍ，ｓ）} _{ｆ（ｉ，ｊ）}の輝度であ
る。ｆのトータルのエネルギーＣ^{（ｍ，ｓ）}は、マッチ
ングを評価するひとつの評価式であり、つぎに示すＣ
^{（ｍ，ｓ）} _{（ｉ，ｊ）}の合計で定義できる。

【００５１】

【数８】［１．３．２．２］滑らかな写像のための画素の位置に
関するコスト滑らかな写像を得るために、写像に関する別のエネルギ
ーＤｆを導入する。このエネルギーは画素の輝度とは関
係なく、ｐ^{（ｍ，ｓ）} _{（ｉ，ｊ）}およびｑ^（ｍ ^，ｓ）
_{ｆ（ｉ，ｊ）}の位置によって決まる（ｉ＝０，…，２^ｍ
−１，ｊ＝０，…，２^ｍ−１）。点（ｉ，ｊ）における
写像ｆ^{（ｍ，ｓ）}のエネルギーＤ^（ｍ，ｓ ^） _{（ｉ，ｊ）}
は次式で定義される。

【００５２】

【数９】ただし、係数パラメータηは０以上の実数であり、ま
た、

【数１０】

【数１１】とする。ここで、

【数１２】であり、ｉ’＜０およびｊ’＜０に対してｆ（ｉ’，
ｊ’）は０と決める。Ｅ_０は（ｉ，ｊ）及びｆ（ｉ，
ｊ）の距離で決まる。Ｅ_０は画素があまりにも離れた画
素へ写影されることを防ぐ。ただしＥ_０は、後に別のエ
ネルギー関数で置き換える。Ｅ_１は写像の滑らかさを保
証する。Ｅ_１は、ｐ_{（ｉ，ｊ）}の変位とその隣接点の変
位の間の隔たりを表す。以上の考察をもとに、マッチン
グを評価する別の評価式であるエネルギーＤ_ｆは次式で
定まる。

【００５３】

【数１３】［１．３．２．３］写像の総エネルギー写像の総エネルギー、すなわち複数の評価式の統合に係
る総合評価式はλＣ^（ ^ｍ，ｓ） _ｆ＋Ｄ^{（ｍ，ｓ）} _ｆで定
義される。ここで係数パラメータλは０以上の実数であ
る。目的は総合評価式が極値をとる状態を検出するこ
と、すなわち次式で示す最小エネルギーを与える写像を
見いだすことである。

【００５４】

【数１４】 λ＝０及びη＝０の場合、写像は単位写像になることに
注意すべきである（すなわち、全てのｉ＝０，…，２^ｍ
−１及びｊ＝０，…，２^ｍ−１に対してｆ
^（ｍ ^，ｓ）（ｉ，ｊ）＝（ｉ，ｊ）となる）。後述のご
とく、本前提技術では最初にλ＝０及びη＝０の場合を
評価するため、写像を単位写像から徐々に変形していく
ことができる。仮に総合評価式のλの位置を変えてＣ
^{（ｍ，ｓ）} _ｆ＋λＤ^（ｍ ^，ｓ） _ｆと定義したとすれば、
λ＝０及びη＝０の場合に総合評価式がＣ^（ｍ， ^ｓ） _ｆ
だけになり、本来何等関連のない画素どうしが単に輝度
が近いというだけで対応づけられ、写像が無意味なもの
になる。そうした無意味な写像をもとに写像を変形して
いってもまったく意味をなさない。このため、単位写像
が評価の開始時点で最良の写像として選択されるよう係
数パラメータの与えかたが配慮されている。

【００５５】オプティカルフローもこの前提技術同様、
画素の輝度の差と滑らかさを考慮する。しかし、オプテ
ィカルフローは画像の変換に用いることはできない。オ
ブジェクトの局所的な動きしか考慮しないためである。
前提技術に係る特異点フィルタを用いることによって大
域的な対応関係を検出することができる。

【００５６】［１．３．３］多重解像度の導入による写
像の決定最小エネルギーを与え、全単射条件を満足する写像ｆ
_ｍｉｎを多重解像度の階層を用いて求める。各解像度レ
ベルにおいて始点副画像及び終点副画像間の写像を計算
する。解像度の階層の最上位（最も粗いレベル）からス
タートし、各解像度レベルの写像を、他のレベルの写像
を考慮に入れながら決定する。各レベルにおける写像の
候補の数は、より高い、つまりより粗いレベルの写像を
用いることによって制限される。より具体的には、ある
レベルにおける写像の決定に際し、それよりひとつ粗い
レベルにおいて求められた写像が一種の拘束条件として
課される。

【００５７】まず、

【数１５】が成り立つとき、ｐ^{（ｍ−１，ｓ）} _{（ｉ’，ｊ’）}、ｑ
^{（ｍ−１，ｓ）} _（ｉ’， _ｊ’）をそれぞれｐ^{（ｍ，ｓ）}
_{（ｉ，ｊ）}、ｑ^{（ｍ，ｓ）} _{（ｉ，ｊ）}のｐａｒｅｎｔと
呼ぶことにする。［ｘ］はｘを越えない最大整数であ
る。またｐ^（ｍ，ｓ ^） _{（ｉ，ｊ）}、ｑ^{（ｍ，ｓ）}
_{（ｉ，ｊ）}をそれぞれ
ｐ^{（ｍ−１，ｓ）} _{（ｉ’，ｊ} _’）、ｑ^{（ｍ−１，ｓ）}
_{（ｉ’，ｊ’）}のｃｈｉｌｄと呼ぶ。関数ｐａｒｅｎｔ
（ｉ，ｊ）は次式で定義される。

【００５８】

【数１６】ｐ^{（ｍ，ｓ）} _{（ｉ，ｊ）}とｑ^{（ｍ，ｓ）} _{（ｋ，ｌ）}の間
の写像ｆ^{（ｍ，ｓ）}は、エネルギー計算を行って最小に
なったものを見つけることで決定される。ｆ^（ ^ｍ，ｓ）
（ｉ，ｊ）＝（ｋ，ｌ）の値はｆ^{（ｍ−１，ｓ）}（ｍ＝
１，２，…，ｎ）を用いることによって、以下のように
決定される。まず、ｑ^{（ｍ，ｓ）} _（ｋ， _ｌ）は次の四辺
形の内部になければならないという条件を課し、全単射
条件を満たす写像のうち現実性の高いものを絞り込む。

【００５９】

【数１７】ただしここで、

【数１８】である。こうして定めた四辺形を、以下ｐ^{（ｍ，ｓ）}
_{（ｉ，ｊ）}の相続（inherited）四辺形と呼ぶことにす
る。相続四辺形の内部において、エネルギーを最小にす
る画素を求める。

【００６０】図３は以上の手順を示している。同図にお
いて、始点画像のＡ，Ｂ，Ｃ，Ｄの画素は、第ｍ−１レ
ベルにおいてそれぞれ終点画像のＡ’，Ｂ’，Ｃ’，
Ｄ’へ写影される。画素ｐ^{（ｍ，ｓ）} _{（ｉ，ｊ）}は、相
続四辺形Ａ’Ｂ’Ｃ’Ｄ’の内部に存在する画素ｑ
^{（ｍ，ｓ）} _{ｆ（ｍ）（ｉ，ｊ）}へ写影されなければなら
ない。以上の配慮により、第ｍ−１レベルの写像から第
ｍレベルの写像への橋渡しがなされる。

【００６１】先に定義したエネルギーＥ_０は、第ｍレベ
ルにおける副写像ｆ^（ｍ，０）を計算するために、次式
に置き換える。

【００６２】

【数１９】また、副写像ｆ^{（ｍ，ｓ）}を計算するためには次式を用
いる。

【００６３】

【数２０】こうしてすべての副写像のエネルギーを低い値に保つ写
像が得られる。式２０により、異なる特異点に対応する
副写像が、副写像どうしの類似度が高くなるように同一
レベル内で関連づけられる。式１９は、ｆ
^{（ｍ，ｓ）}（ｉ，ｊ）と、第ｍ−１レベルの画素の一部
と考えた場合の（ｉ，ｊ）が射影されるべき点の位置と
の距離を示している。

【００６４】仮に、相続四辺形Ａ’Ｂ’Ｃ’Ｄ’の内部
に全単射条件を満たす画素が存在しない場合は以下の措
置をとる。まず、Ａ’Ｂ’Ｃ’Ｄ’の境界線からの距離
がＬ（始めはＬ＝１）である画素を調べる。それらのう
ち、エネルギーが最小になるものが全単射条件を満たせ
ば、これをｆ^{（ｍ，ｓ）}（ｉ，ｊ）の値として選択す
る。そのような点が発見されるか、またはＬがその上限
のＬ^（ｍ）ｍａｘに到達するまで、Ｌを大きくしてい
く。Ｌ^（ｍ）ｍａｘは各レベルｍに対して固定である。
そのような点が全く発見されない場合、全単射の第３の
条件を一時的に無視して変換先の四辺形の面積がゼロに
なるような写像も認め、ｆ^{（ｍ，ｓ）}（ｉ，ｊ）を決定
する。それでも条件を満たす点が見つからない場合、つ
ぎに全単射の第１及び第２条件を外す。

【００６５】多重解像度を用いる近似法は、写像が画像
の細部に影響されることを回避しつつ、画像間の大域的
な対応関係を決定するために必須である。多重解像度に
よる近似法を用いなければ、距離の遠い画素間の対応関
係を見いだすことは不可能である。その場合、画像のサ
イズはきわめて小さなものに限定しなければならず、変
化の小さな画像しか扱うことができない。さらに、通常
写像に滑らかさを要求するため、そうした画素間の対応
関係を見つけにくくしている。距離のある画素から画素
への写像のエネルギーは高いためである。多重解像度を
用いた近似法によれば、そうした画素間の適切な対応関
係を見いだすことができる。それらの距離は、解像度の
階層の上位レベル（粗いレベル）において小さいためで
ある。

【００６６】［１．４］最適なパレメータ値の自動決定既存のマッチング技術の主な欠点のひとつに、パレメー
タ調整の困難さがある。大抵の場合、パラメータの調整
は人手作業によって行われ、最適な値を選択することは
きわめて難しい。前提技術に係る方法によれば、最適な
パラメータ値を完全に自動決定することができる。

【００６７】前提技術に係るシステムはふたつのパレメ
ータ、λ及びηを含む。端的にいえば、λは画素の輝度
の差の重みであり、ηは写像の剛性を示している。これ
らのパラメータの値は初期値が０であり、まずη＝０に
固定してλを０から徐々に増加させる。λの値を大きく
しながら、しかも総合評価式（式１４）の値を最小にす
る場合、各副写像に関するＣ^{（ｍ，ｓ）} _ｆの値は一般に
小さくなっていく。このことは基本的にふたつの画像が
よりマッチしなければならないことを意味する。しか
し、λが最適値を超えると以下の現象が発生する。

【００６８】１．本来対応すべきではない画素どうし
が、単に輝度が近いというだけで誤って対応づけられ
る。２．その結果、画素どうしの対応関係がおかしくなり、
写像がくずれはじめる。

【００６９】３．その結果、式１４においてＤ
^{（ｍ，ｓ）} _ｆが急激に増加しようとする。４．その結果、式１４の値が急激に増加しようとするた
め、Ｄ^{（ｍ，ｓ）} _ｆの急激な増加を抑制するようｆ
^{（ｍ，ｓ）}が変化し、その結果Ｃ^{（ｍ，ｓ）} _ｆが増加す
る。したがって、λを増加させながら式１４が最小値を
とるという状態を維持しつつＣ^{（ｍ，ｓ）} _ｆが減少から
増加に転じる閾値を検出し、そのλをη＝０における最
適値とする。つぎにηを少しづつ増やしてＣ^{（ｍ，ｓ）}
_ｆの挙動を検査し、後述の方法でηを自動決定する。そ
のηに対応してλも決まる。

【００７０】この方法は、人間の視覚システムの焦点機
構の動作に似ている。人間の視覚システムでは、一方の
目を動かしながら左右両目の画像のマッチングがとられ
る。オブジェクトがはっきりと認識できるとき、その目
が固定される。

【００７１】［１．４．１］λの動的決定 λは０から所定の刻み幅で増加されていき、λの値が変
わる度に副写像が評価される。式１４のごとく、総エネ
ルギーはλＣ^{（ｍ，ｓ）} _ｆ＋Ｄ^{（ｍ，ｓ）} _ｆによって定
義される。式９のＤ^{（ｍ，ｓ）} _ｆは滑らかさを表すもの
で、理論的には単位写像の場合に最小になり、写像が歪
むほどＥ_０もＥ_１も増加していく。Ｅ_１は整数であるか
ら、Ｄ^{（ｍ，ｓ）} _ｆの最小刻み幅は１である。このた
め、現在のλＣ^{（ｍ，ｓ）} _{（ｉ，ｊ）}の変化（減少量）
が１以上でなければ、写像を変化させることによって総
エネルギーを減らすことはできない。なぜなら、写像の
変化に伴ってＤ^{（ｍ，ｓ）} _ｆは１以上増加するため、λ
Ｃ^{（ｍ，ｓ）} _{（ｉ，ｊ）}が１以上減少しない限り総エネ
ルギーは減らないためである。

【００７２】この条件のもと、λの増加に伴い、正常な
場合にＣ^{（ｍ，ｓ）} _{（ｉ，ｊ）}が減少することを示す。
Ｃ^{（ｍ，ｓ）} _{（ｉ，ｊ）}のヒストグラムをｈ（ｌ）と記
述する。ｈ（ｌ）はエネルギーＣ^{（ｍ，ｓ）} _{（ｉ，ｊ）}
がｌ^２である画素の数である。λｌ^２≧１が成り立つた
めに、例えばｌ^２＝１／λの場合を考える。λがλ_１か
らλ_２まで微小量変化するとき、

【数２１】で示されるＡ個の画素が、

【数２２】のエネルギーを持つより安定的な状態に変化する。ここ
では仮に、これらの画素のエネルギーがすべてゼロにな
ると近似している。この式はＣ^{（ｍ，ｓ）} _ｆの値が、

【数２３】だけ変化することを示し、その結果、

【数２４】が成立する。ｈ（ｌ）＞０であるから、通常Ｃ
^{（ｍ，ｓ）} _ｆは減少する。しかし、λが最適値を越えよ
うとするとき、上述の現象、つまりＣ^{（ｍ，ｓ）} _ｆの増
加が発生する。この現象を検出することにより、λの最
適値を決定する。

【００７３】なお、Ｈ（ｈ＞０）及びｋを定数とすると
き、

【数２５】と仮定すれば、

【数２６】が成り立つ。このときｋ≠−３であれば、

【数２７】となる。これがＣ^{（ｍ，ｓ）} _ｆの一般式である（Ｃは定
数）。

【００７４】λの最適値を検出する際、さらに安全を見
て、全単射条件を破る画素の数を検査してもよい。ここ
で各画素の写像を決定する際、全単射条件を破る確率を
ｐ_０と仮定する。この場合、

【数２８】が成立しているため、全単射条件を破る画素の数は次式
の率で増加する。

【００７５】

【数２９】従って、

【数３０】は定数である。仮にｈ（ｌ）＝Ｈｌ^ｋを仮定するとき、
例えば、

【数３１】は定数になる。しかしλが最適値を越えると、上の値は
急速に増加する。この現象を検出し、Ｂ_０λ
^{３／２＋ｋ／２}／２^ｍの値が異常値Ｂ_{０ｔｈｒｅｓ}を越
えるかどうかを検査し、λの最適値を決定することがで
きる。同様に、Ｂ_１λ^３／２ ^＋ｋ／２／２^ｍの値が異常
値Ｂ_{１ｔｈｒｅｓ}を越えるかどうかを検査することによ
り、全単射の第３の条件を破る画素の増加率Ｂ_１を確認
する。ファクター２^ｍを導入する理由は後述する。この
システムはこれら２つの閾値に敏感ではない。これらの
閾値は、エネルギーＣ^{（ｍ，ｓ）} _ｆの観察では検出し損
なった写像の過度の歪みを検出するために用いることが
できる。

【００７６】なお実験では、副写像ｆ^{（ｍ，ｓ）}を計算
する際、もしλが０．１を越えたらｆ^{（ｍ，ｓ）}の計算
は止めてｆ^{（ｍ，ｓ＋１）}の計算に移行した。λ＞０．
１のとき、画素の輝度２５５レベル中のわずか「３」の
違いが副写像の計算に影響したためであり、λ＞０．１
のとき正しい結果を得ることは困難だったためである。

【００７７】［１．４．２］ヒストグラムｈ（ｌ）Ｃ^{（ｍ，ｓ）} _ｆの検査はヒストグラムｈ（ｌ）に依存し
ない。全単射及びその第３の条件の検査の際、ｈ（ｌ）
に影響を受けうる。実際に（λ，Ｃ^{（ｍ，ｓ）} _ｆ）をプ
ロットすると、ｋは通常１付近にある。実験ではｋ＝１
を用い、Ｂ_０λ ^２とＢ_１λ^２を検査した。仮にｋの本当
の値が１未満であれば、Ｂ_０λ^２とＢ_１λ^２は定数にな
らず、ファクターλ^{（１−ｋ）／２}に従って徐々に増加
する。ｈ（ｌ）が定数であれば、例えばファクターはλ
^１／２である。しかし、こうした差は閾値Ｂ
_{０ｔｈｒｅｓ}を正しく設定することによって吸収するこ
とができる。

【００７８】ここで次式のごとく始点画像を中心が（ｘ
_０，ｙ_０）、半径ｒの円形のオブジェクトであると仮定
する。

【数３２】一方、終点画像は、次式のごとく中心（ｘ_１，ｙ_１）、
半径がｒのオブジェクトであるとする。

【数３３】ここでｃ（ｘ）はｃ（ｘ）＝ｘ^ｋの形であるとする。中
心（ｘ_０，ｙ_０）及び（ｘ_１，ｙ_１）が十分遠い場合、
ヒストグラムｈ（ｌ）は次式の形となる。

【数３４】ｋ＝１のとき、画像は背景に埋め込まれた鮮明な境界線
を持つオブジェクトを示す。このオブジェクトは中心が
暗く、周囲にいくに従って明るくなる。ｋ＝−１のと
き、画像は曖昧な境界線を持つオブジェクトを表す。こ
のオブジェクトは中心が最も明るく、周囲にいくに従っ
て暗くなる。一般のオブジェクトはこれらふたつのタイ
プのオブジェクトの中間にあると考えてもさして一般性
を失わない。したがって、ｋは−１≦ｋ≦１として大抵
の場合をカバーでき、式２７が一般に減少関数であるこ
とが保障される。

【００７９】なお、式３４からわかるように、ｒは画像
の解像度に影響されること、すなわちｒは２ｍに比例す
ることに注意すべきである。このために［１．４．１］
においてファクター２ｍを導入した。

【００８０】［１．４．３］ηの動的決定パラメータηも同様の方法で自動決定できる。はじめに
η＝０とし、最も細かい解像度における最終的な写像ｆ
^（ｎ）及びエネルギーＣ^（ｎ） _ｆを計算する。つづい
て、ηをある値Δηだけ増加させ、再び最も細かい解像
度における最終写像ｆ^（ｎ）及びエネルギーＣ^（ｎ） _ｆ
を計算し直す。この過程を最適値が求まるまで続ける。
ηは写像の剛性を示す。次式の重みだからである。

【００８１】

【数３５】 ηが０のとき、Ｄ^（ｎ） _ｆは直前の副写像と無関係に決
定され、現在の副写像は弾性的に変形され、過度に歪む
ことになる。一方、ηが非常に大きな値のとき、Ｄ
^（ｎ） _ｆは直前の副写像によってほぼ完全に決まる。こ
のとき副写像は非常に剛性が高く、画素は同じ場所に射
影される。その結果、写像は単位写像になる。ηの値が
０から次第に増えるとき、後述のごとくＣ^（ｎ） _ｆは徐
々に減少する。しかしηの値が最適値を越えると、図４
に示すとおり、エネルギーは増加し始める。同図のＸ軸
はη、Ｙ軸はＣ_ｆである。

【００８２】この方法でＣ^（ｎ） _ｆを最小にする最適な
ηの値を得ることができる。しかし、λの場合に比べて
いろいろな要素が計算に影響する結果、Ｃ^（ｎ） _ｆは小
さく揺らぎながら変化する。λの場合は、入力が微小量
変化するたびに副写像を１回計算しなおすだけだが、η
の場合はすべての副写像が計算しなおされるためであ
る。このため、得られたＣ^（ｎ） _ｆの値が最小であるか
どうかを即座に判断することはできない。最小値の候補
が見つかれば、さらに細かい区間を設定することによっ
て真の最小値を探す必要がある。

【００８３】［１．５］スーパーサンプリング画素間の対応関係を決定する際、自由度を増やすため
に、ｆ^{（ｍ，ｓ）}の値域をＲ×Ｒに拡張することができ
る（Ｒは実数の集合）。この場合、終点画像の画素の輝
度が補間され、非整数点、

【数３６】における輝度を持つｆ^{（ｍ，ｓ）}が提供される。つまり
スーパーサンプリングが行われる。実験では、ｆ
^{（ｍ，ｓ）}は整数及び半整数値をとることが許され、

【数３７】は、

【数３８】によって与えられた。

【００８４】［１．６］各画像の画素の輝度の正規化始点画像と終点画像がきわめて異なるオブジェクトを含
んでいるとき、写像の計算に元の画素の輝度がそのまま
では利用しにくい。輝度の差が大きいために輝度に関す
るエネルギーＣ^{（ｍ，ｓ）} _ｆが大きくなりすぎ、正しい
評価がしずらいためである。

【００８５】例えば、人の顔と猫の顔のマッチングをと
る場合を考える。猫の顔は毛で覆われており、非常に明
るい画素と非常に暗い画素が混じっている。この場合、
ふたつの顔の間の副写像を計算するために、まず副画像
を正規化する。すなわち、最も暗い画素の輝度を０、最
も明るいそれを２５５に設定し、他の画素の輝度は線形
補間によって求めておく。

【００８６】［１．７］インプリメンテーション始点画像のスキャンに従って計算がリニアに進行する帰
納的な方法を用いる。始めに、１番上の左端の画素
（ｉ，ｊ）＝（０，０）についてｆ^{（ｍ，ｓ）}の値を決
定する。次にｉを１ずつ増やしながら各ｆ
^{（ｍ，ｓ）}（ｉ，ｊ）の値を決定する。ｉの値が画像の
幅に到達したとき、ｊの値を１増やし、ｉを０に戻す。
以降、始点画像のスキャンに伴いｆ^{（ｍ，ｓ）}（ｉ，
ｊ）を決定していく。すべての点について画素の対応が
決まれば、ひとつの写像ｆ^{（ｍ，ｓ）}が決まる。

【００８７】あるｐ_{（ｉ，ｊ）}について対応点ｑ
_{ｆ（ｉ，ｊ）}が決まれば、つぎにｐ_（ｉ， _ｊ＋１）の対
応点ｑ_{ｆ（ｉ，ｊ＋１）}が決められる。この際、ｑ
_{ｆ（ｉ，ｊ＋１} _）の位置は全単射条件を満たすために、
ｑ_{ｆ（ｉ，ｊ）}の位置によって制限される。したがっ
て、先に対応点が決まる点ほどこのシステムでは優先度
が高くなる。つねに（０，０）が最も優先される状態が
つづくと、求められる最終の写像に余計な偏向が加わ
る。本前提技術ではこの状態を回避するために、ｆ
^{（ｍ，ｓ）}を以下の方法で決めていく。

【００８８】まず（ｓｍｏｄ４）が０の場合、（０，
０）を開始点としｉ及びｊを徐々に増やしながら決めて
いく。（ｓｍｏｄ４）が１の場合、最上行の右端点を
開始点とし、ｉを減少、ｊを増加させながら決めてい
く。（ｓｍｏｄ４）が２のとき、最下行の右端点を開
始点とし、ｉ及びｊを減少させながら決めていく。（ｓ
ｍｏｄ４）が３の場合、最下行の左端点を開始点と
し、ｉを増加、ｊを減少させながら決めていく。解像度
が最も細かい第ｎレベルには副写像という概念、すなわ
ちパラメータｓが存在しないため、仮にｓ＝０及びｓ＝
２であるとしてふたつの方向を連続的に計算した。

【００８９】実際のインプリメンテーションでは、全単
射条件を破る候補に対してペナルティを与えることによ
り、候補（ｋ，ｌ）の中からできる限り全単射条件を満
たすｆ^{（ｍ，ｓ）}（ｉ，ｊ）（ｍ＝０，…，ｎ）の値を
選んだ。第３の条件を破る候補のエネルギーＤ（ｋ、
ｌ）にはφを掛け、一方、第１または第２の条件を破る
候補にはψを掛ける。今回はφ＝２、ψ＝１０００００
を用いた。

【００９０】前述の全単射条件のチェックのために、実
際の手続として（ｋ，ｌ）＝ｆ^（ｍ ^，ｓ）（ｉ，ｊ）を
決定する際に以下のテストを行った。すなわちｆ
^{（ｍ，ｓ）}（ｉ，ｊ）の相続四辺形に含まれる各格子点
（ｋ，ｌ）に対し、次式の外積のｚ成分が０以上になる
かどうかを確かめる。

【００９１】

【数３９】ただしここで、

【数４０】

【数４１】である（ここでベクトルは三次元ベクトルとし、ｚ軸は
直交右手座標系において定義される）。もしＷが負であ
れば、その候補についてはＤ^{（ｍ，ｓ）} _（ｋ，ｌ _）にψ
を掛けることによってペナルティを与え、できるかぎり
選択しないようにする。

【００９２】図５（ａ）、図５（ｂ）はこの条件を検査
する理由を示している。図５（ａ）はペナルティのない
候補、図５（ｂ）はペナルティがある候補をそれぞれ表
す。隣接画素（ｉ，ｊ＋１）に対する写像ｆ^{（ｍ，ｓ）}
（ｉ，ｊ＋１）を決定する際、Ｗのｚ成分が負であれば
始点画像平面上において全単射条件を満足する画素は存
在しない。なぜなら、ｑ^{（ｍ，ｓ）} _{（ｋ，ｌ）}は隣接す
る四辺形の境界線を越えるためである。

【００９３】［１．７．１］副写像の順序インプリメンテーションでは、解像度レベルが偶数のと
きにはσ（０）＝０、σ（１）＝１、σ（２）＝２、σ
（３）＝３、σ（４）＝０を用い、奇数のときはσ
（０）＝３、σ（１）＝２、σ（２）＝１、σ（３）＝
０、σ（４）＝３を用いた。このことで、副写像を適度
にシャッフルした。なお、本来副写像は４種類であり、
ｓは０〜３のいずれかである。しかし、実際にはｓ＝４
に相当する処理を行った。その理由は後述する。

【００９４】［１．８］補間計算始点画像と終点画像の間の写像が決定された後、対応し
あう画素の輝度が補間される。実験では、トライリニア
補間を用いた。始点画像平面における正方形ｐ
_{（ｉ，ｊ）}ｐ_{（ｉ＋１，ｊ）}ｐ_{（ｉ，ｊ＋１）}ｐ
_{（ｉ＋１，ｊ＋１）}が終点画像平面上の四辺形ｑ
_{ｆ（ｉ，ｊ）}ｑ_{ｆ（ｉ＋１，ｊ）}ｑ_{ｆ（ｉ，ｊ＋１）}ｑ
_ｆ（ｉ _{＋１，ｊ＋１）}に射影されると仮定する。簡単の
ため、画像間の距離を１とする。始点画像平面からの距
離がｔ（０≦ｔ≦１）である中間画像の画素ｒ（ｘ，
ｙ，ｔ）（０≦ｘ≦Ｎ−１，０≦ｙ≦Ｍ−１）は以下の
要領で求められる。まず画素ｒ（ｘ，ｙ，ｔ）の位置
（ただしｘ，ｙ，ｔ∈Ｒ）を次式で求める。

【００９５】

【数４２】つづいてｒ（ｘ，ｙ，ｔ）における画素の輝度が次の式
を用いて決定される。

【００９６】

【数４３】ここでｄｘ及びｄｙはパラメータであり、０から１まで
変化する。

【００９７】［１．９］拘束条件を課したときの写像いままでは拘束条件がいっさい存在しない場合の写像の
決定を述べた。しかし、始点画像と終点画像の特定の画
素間に予め対応関係が規定されているとき、これを拘束
条件としたうえで写像を決定することができる。

【００９８】基本的な考えは、まず始点画像の特定の画
素を終点画像の特定の画素に移す大まかな写像によって
始点画像を大まかに変形し、しかる後、写像ｆを正確に
計算する。

【００９９】まず始めに、始点画像の特定の画素を終点
画像の特定の画素に射影し、始点画像の他の画素を適当
な位置に射影する大まかな写像を決める。すなわち、特
定の画素に近い画素は、その特定の画素が射影される場
所の近くに射影されるような写像である。ここで第ｍレ
ベルの大まかな写像をＦ^（ｍ）と記述する。

【０１００】大まかな写像Ｆは以下の要領で決める。ま
ず、いくつかの画素について写像を特定する。始点画像
についてｎ_ｓ個の画素、

【数４４】を特定するとき、以下の値を決める。

【数４５】始点画像の他の画素の変位量は、ｐ_{（ｉｈ，ｊｈ）}（ｈ
＝０，…，ｎ_ｓ−１）の変位に重み付けをして求められ
る平均である。すなわち画素ｐ_{（ｉ，ｊ）}は、終点画像
の以下の画素に射影される。

【０１０１】

【数４６】ただしここで、

【数４７】

【数４８】とする。

【０１０２】つづいて、Ｆ^（ｍ）に近い候補写像ｆがよ
り少ないエネルギーを持つように、その写像ｆのエネル
ギーＤ^{（ｍ，ｓ）} _{（ｉ，ｊ）}を変更する。正確には、Ｄ
^（ｍ ^，ｓ） _{（ｉ，ｊ）}は、

【数４９】である。ただし、

【数５０】であり、κ，ρ≧０とする。最後に、前述の写像の自動
計算プロセスにより、ｆを完全に決定する。

【０１０３】ここで、ｆ^{（ｍ，ｓ）}（i,j)がＦ
^（ｍ）（i,j）に十分近いとき、つまりそれらの距離
が、

【数５１】以内であるとき、Ｅ_２ ^{（ｍ，ｓ）} _{（ｉ，ｊ）}が０になる
ことに注意すべきである。そのように定義した理由は、
各ｆ^{（ｍ，ｓ）}（i,j）がＦ^（ｍ）（i,j）に十分近い限
り、終点画像において適切な位置に落ち着くよう、その
値を自動的に決めたいためである。この理由により、正
確な対応関係を詳細に特定する必要がなく、始点画像は
終点画像にマッチするように自動的にマッピングされ
る。

【０１０４】［２］具体的な処理手順［１］の各要素技術による処理の流れを説明する。図６
は前提技術の全体手順を示すフローチャートである。同
図のごとく、まず多重解像度特異点フィルタを用いた処
理を行い（Ｓ１）、つづいて始点画像と終点画像のマッ
チングをとる（Ｓ２）。ただし、Ｓ２は必須ではなく、
Ｓ１で得られた画像の特徴をもとに画像認識などの処理
を行ってもよい。

【０１０５】図７は図６のＳ１の詳細を示すフローチャ
ートである。ここではＳ２で始点画像と終点画像のマッ
チングをとることを前提としている。そのため、まず特
異点フィルタによって始点画像の階層化を行い（Ｓ１
０）、一連の始点階層画像を得る。つづいて同様の方法
で終点画像の階層化を行い（Ｓ１１）、一連の終点階層
画像を得る。ただし、Ｓ１０とＳ１１の順序は任意であ
るし、始点階層画像と終点階層画像を並行して生成して
いくこともできる。

【０１０６】図８は図７のＳ１０の詳細を示すフローチ
ャートである。もとの始点画像のサイズは２^ｎ×２^ｎと
する。始点階層画像は解像度が細かいほうから順に作ら
れるため、処理の対象となる解像度レベルを示すパラメ
ータｍをｎにセットする（Ｓ１００）。つづいて第ｍレ
ベルの画像ｐ^{（ｍ，０）}、ｐ^{（ｍ，１）}、
ｐ^（ｍ，２ ^）、ｐ^{（ｍ，３）}から特異点フィルタを用い
て特異点を検出し（Ｓ１０１）、それぞれ第ｍ−１レベ
ルの画像ｐ^{（ｍ−１，０）}、ｐ^{（ｍ−１，１）}、ｐ
^（ｍ−１ ^，２）、ｐ^{（ｍ−１，３）}を生成する（Ｓ１０
２）。ここではｍ＝ｎであるため、ｐ^{（ｍ，０）}＝ｐ
^{（ｍ，１）}＝ｐ^{（ｍ，２）}＝ｐ^{（ｍ，３）}＝ｐ^（ｎ）で
あり、ひとつの始点画像から４種類の副画像が生成され
る。

【０１０７】図９は第ｍレベルの画像の一部と、第ｍ−
１レベルの画像の一部の対応関係を示している。同図の
数値は各画素の輝度を示す。同図のｐ^{（ｍ，ｓ）}はｐ
^（ｍ， ^０）〜ｐ^{（ｍ，３）}の４つの画像を象徴するもの
で、ｐ^{（ｍ−１，０）}を生成する場合には、ｐ
^{（ｍ，ｓ）}はｐ^{（ｍ，０）}であると考える。［１．２］
で示した規則により、ｐ^{（ｍ−１，０）}は例えば同図で
輝度を記入したブロックについて、そこに含まれる４画
素のうち「３」、ｐ^{（ｍ−１，１）}は「８」、ｐ
^（ｍ−１ ^，２）は「６」、ｐ^{（ｍ−１，３）}を「１０」
をそれぞれ取得し、このブロックをそれぞれ取得したひ
とつの画素で置き換える。したがって、第ｍ−１レベル
の副画像のサイズは２^ｍ−１×２^ｍ−１になる。

【０１０８】つづいてｍをデクリメントし（図８のＳ１
０３）、ｍが負になっていないことを確認し（Ｓ１０
４）、Ｓ１０１に戻ってつぎに解像度の粗い副画像を生
成していく。この繰り返し処理の結果、ｍ＝０、すなわ
ち第０レベルの副画像が生成された時点でＳ１０が終了
する。第０レベルの副画像のサイズは１×１である。

【０１０９】図１０はＳ１０によって生成された始点階
層画像をｎ＝３の場合について例示している。最初の始
点画像のみが４つの系列に共通であり、以降特異点の種
類に応じてそれぞれ独立に副画像が生成されていく。な
お、図８の処理は図７のＳ１１にも共通であり、同様の
手順を経て終点階層画像も生成される。以上で図６のＳ
１による処理が完了する。

【０１１０】前提技術では、図６のＳ２に進むためにマ
ッチング評価の準備をする。図１１はその手順を示して
いる。同図のごとく、まず複数の評価式が設定される
（Ｓ３０）。［１．３．２．１］で導入した画素に関す
るエネルギーＣ^{（ｍ，ｓ）} _ｆと［１．３．２．２］で導
入した写像の滑らかさに関するエネルギーＤ^{（ｍ，ｓ）}
_ｆがそれである。つぎに、これらの評価式を統合して総
合評価式を立てる（Ｓ３１）。［１．３．２．３］で導
入した総エネルギーλＣ^{（ｍ，ｓ）} _ｆ＋Ｄ^（ｍ， ^ｓ） _ｆ
がそれであり、［１．３．２．２］で導入したηを用い
れば、 ΣΣ（λＣ^{（ｍ，ｓ）} _{（ｉ，ｊ）}＋ηＥ_０ ^{（ｍ，ｓ）} _{（ｉ，ｊ）}＋Ｅ_１ ^（ｍ ^，ｓ） _{（ｉ，ｊ）} ）（式５２）となる。ただし、総和はｉ、ｊについてそれぞれ０、１
…、２^ｍ−１で計算する。以上でマッチング評価の準備
が整う。

【０１１１】図１２は図６のＳ２の詳細を示すフローチ
ャートである。［１］で述べたごとく、始点階層画像と
終点階層画像のマッチングは互いに同じ解像度レベルの
画像どうしでとられる。画像間の大域的なマッチングを
良好にとるために、解像度が粗いレベルから順にマッチ
ングを計算する。特異点フィルタを用いて始点階層画像
および終点階層画像を生成しているため、特異点の位置
や輝度は解像度の粗いレベルでも明確に保存されてお
り、大域的なマッチングの結果は従来に比べて非常に優
れたものになる。

【０１１２】図１２のごとく、まず係数パラメータηを
０、レベルパラメータｍを０に設定する（Ｓ２０）。つ
づいて、始点階層画像中の第ｍレベルの４つの副画像と
終点階層画像中の第ｍレベルの４つの副画像のそれぞれ
の間でマッチングを計算し、それぞれ全単射条件を満た
し、かつエネルギーを最小にするような４種類の副写像
ｆ^{（ｍ，ｓ）}（ｓ＝０，１，２，３）を求める（Ｓ２
１）。全単射条件は［１．３．３］で述べた相続四辺形
を用いて検査される。この際、式１７、１８が示すよう
に、第ｍレベルにおける副写像は第ｍ−１レベルのそれ
らに拘束されるため、より解像度の粗いレベルにおける
マッチングが順次利用されていく。これは異なるレベル
間の垂直的参照である。なお、いまｍ＝０であってそれ
より粗いレベルはないが、この例外的な処理は図１３で
後述する。

【０１１３】一方、同一レベル内における水平的参照も
行われる。［１．３．３］の式２０のごとく、ｆ
^{（ｍ，３）}はｆ^{（ｍ，２）}に、ｆ^{（ｍ，２）}はｆ
^{（ｍ，１）}に、ｆ ^{（ｍ，１）}はｆ^{（ｍ，０）}に、それぞ
れ類似するように決める。その理由は、特異点の種類が
違っても、それらがもともと同じ始点画像と終点画像に
含まれている以上、副写像がまったく異なるという状況
は不自然だからである。式２０からわかるように、副写
像どうしが近いほどエネルギーは小さくなり、マッチン
グが良好とみなされる。

【０１１４】なお、最初に決めるべきｆ^{（ｍ，０）}につ
いては同一のレベルで参照できる副写像がないため、式
１９に示すごとくひとつ粗いレベルを参照する。ただ
し、実験ではｆ^{（ｍ，３）}まで求まった後、これを拘束
条件としてｆ^{（ｍ，０）}を一回更新するという手続をと
った。これは式２０にｓ＝４を代入し、ｆ^{（ｍ，４）}を
新たなｆ^{（ｍ，０）}とすることに等しい。ｆ^{（ｍ，０）}
とｆ^{（ｍ，３）}の関連度が低くなり過ぎる傾向を回避す
るためであり、この措置によって実験結果がより良好に
なった。この措置に加え、実験では［１．７．１］に示
す副写像のシャッフルも行った。これも本来特異点の種
類ごとに決まる副写像どうしの関連度を密接に保つ趣旨
である。また、処理の開始点に依存する偏向を回避する
ために、ｓの値にしたがって開始点の位置を変える点は
［１．７］で述べたとおりである。

【０１１５】図１３は第０レベルにおいて副写像を決定
する様子を示す図である。第０レベルでは各副画像がた
だひとつの画素で構成されるため、４つの副写像
^{ｆ（０，ｓ} ^）はすべて自動的に単位写像に決まる。図１
４は第１レベルにおいて副写像を決定する様子を示す図
である。第１レベルでは副画像がそれぞれ４画素で構成
される。同図ではこれら４画素が実線で示されている。
いま、ｐ^{（１，ｓ）}の点ｘの対応点をｑ^{（１，ｓ）}の中
で探すとき、以下の手順を踏む。

【０１１６】１．第１レベルの解像度で点ｘの左上点
ａ、右上点ｂ、左下点ｃ、右下点ｄを求める。２．点ａ〜ｄがひとつ粗いレベル、つまり第０レベルに
おいて属する画素を探す。図１４の場合、点ａ〜ｄはそ
れぞれ画素Ａ〜Ｄに属する。ただし、画素Ａ〜Ｃは本来
存在しない仮想的な画素である。３．第０レベルですでに求まっている画素Ａ〜Ｄの対応
点Ａ’〜Ｄ’をｑ^（１ ^，ｓ）の中にプロットする。画素
Ａ’〜Ｃ’は仮想的な画素であり、それぞれ画素Ａ〜Ｃ
と同じ位置にあるものとする。４．画素Ａの中の点ａの対応点ａ’が画素Ａ’の中にあ
るとみなし、点ａ’をプロットする。このとき、点ａが
画素Ａの中で占める位置（この場合、右下）と、点ａ’
が画素Ａ’の中で占める位置が同じであると仮定する。５．４と同様の方法で対応点ｂ’〜ｄ’をプロットし、
点ａ’〜ｄ’で相続四辺形を作る。６．相続四辺形の中でエネルギーが最小になるよう、点
ｘの対応点ｘ’を探す。対応点ｘ’の候補として、例え
ば画素の中心が相続四辺形に含まれるものに限定しても
よい。図１４の場合、４つの画素がすべて候補になる。

【０１１７】以上がある点ｘの対応点の決定手順であ
る。同様の処理を他のすべての点について行い、副写像
を決める。第２レベル以上のレベルでは、次第に相続四
辺形の形が崩れていくと考えられるため、図３に示すよ
うに画素Ａ’〜Ｄ’の間隔が空いていく状況が発生す
る。

【０１１８】こうして、ある第ｍレベルの４つの副写像
が決まれば、ｍをインクリメントし（図１２のＳ２
２）、ｍがｎを超えていないことを確かめて（Ｓ２
３）、Ｓ２１に戻る。以下、Ｓ２１に戻るたびに次第に
細かい解像度のレベルの副写像を求め、最後にＳ２１に
戻ったときに第ｎレベルの写像ｆ^（ｎ）を決める。この
写像はη＝０に関して定まったものであるから、ｆ
^（ｎ）（η＝０）と書く。

【０１１９】つぎに異なるηに関する写像も求めるべ
く、ηをΔηだけシフトし、ｍをゼロクリアする（Ｓ２
４）。新たなηが所定の探索打切り値η_ｍａｘを超えて
いないことを確認し（Ｓ２５）、Ｓ２１に戻り、今回の
ηに関して写像ｆ^（ｎ）（η＝Δη）を求める。この処
理を繰り返し、Ｓ２１でｆ^（ｎ）（η＝ｉΔη）（ｉ＝
０，１，…）を求めていく。ηがη_ｍａｘを超えたとき
Ｓ２６に進み、後述の方法で最適なη＝η_ｏｐｔを決定
し、ｆ^（ｎ）（η＝η_ｏｐｔ）を最終的に写像ｆ ^（ｎ）
とする。

【０１２０】図１５は図１２のＳ２１の詳細を示すフロ
ーチャートである。このフローチャートにより、ある定
まったηについて、第ｍレベルにおける副写像が決ま
る。副写像を決める際、前提技術では副写像ごとに最適
なλを独立して決める。

【０１２１】同図のごとく、まずｓとλをゼロクリアす
る（Ｓ２１０）。つぎに、そのときのλについて（およ
び暗にηについて）エネルギーを最小にする副写像ｆ
^（ｍ， ^ｓ）を求め（Ｓ２１１）、これをｆ
^{（ｍ，ｓ）}（λ＝０）と書く。異なるλに関する写像も
求めるべく、λをΔλだけシフトし、新たなλが所定の
探索打切り値λ_ｍａｘを超えていないことを確認し（Ｓ
２１３）、Ｓ２１１に戻り、以降の繰り返し処理でｆ
^{（ｍ，ｓ）}（λ＝ｉΔλ）（ｉ＝０，１，…）を求め
る。λがλ _ｍａｘを超えたときＳ２１４に進み、最適な
λ＝λ_ｏｐｔを決定し、ｆ^（ｍ，ｓ ^）（λ＝λ_ｏｐｔ）
を最終的に写像ｆ^{（ｍ，ｓ）}とする（Ｓ２１４）。

【０１２２】つぎに、同一レベルにおける他の副写像を
求めるべく、λをゼロクリアし、ｓをインクリメントす
る（Ｓ２１５）。ｓが４を超えていないことを確認し
（Ｓ２１６）、Ｓ２１１に戻る。ｓ＝４になれば上述の
ごとくｆ^{（ｍ，３）}を利用してｆ^{（ｍ，０）}を更新し、
そのレベルにおける副写像の決定を終了する。

【０１２３】図１６は、あるｍとｓについてλを変えな
がら求められたｆ^{（ｍ，ｓ）}（λ＝ｉΔλ）（ｉ＝０，
１，…）に対応するエネルギーＣ^{（ｍ，ｓ）} _ｆの挙動を
示す図である。［１．４］で述べたとおり、λが増加す
ると通常Ｃ^{（ｍ，ｓ）} _ｆは減少する。しかし、λが最適
値を超えるとＣ^{（ｍ，ｓ）} _ｆは増加に転じる。そこで本
前提技術ではＣ^{（ｍ，ｓ）} _ｆが極小値をとるときのλを
λ_ｏｐｔと決める。同図のようにλ＞λ_ｏｐｔの範囲で
再度Ｃ^{（ｍ，ｓ）} _ｆが小さくなっていっても、その時点
ではすでに写像がくずれていて意味をなさないため、最
初の極小点に注目すればよい。λ_ｏｐｔは副写像ごとに
独立して決めていき、最後にｆ^（ｎ）についてもひとつ
定まる。

【０１２４】一方、図１７は、ηを変えながら求められ
たｆ^（ｎ）（η＝ｉΔη）（ｉ＝０，１，…）に対応す
るエネルギーＣ^（ｎ） _ｆの挙動を示す図である。ここで
もηが増加すると通常Ｃ^（ｎ） _ｆは減少するが、ηが最
適値を超えるとＣ^（ｎ） _ｆは増加に転じる。そこでＣ
^（ｎ） _ｆが極小値をとるときのηをη_ｏｐｔと決める。
図１７は図４の横軸のゼロ付近を拡大した図と考えてよ
い。η_ｏｐｔが決まればｆ^（ｎ）を最終決定することが
できる。

【０１２５】以上、本前提技術によれば種々のメリット
が得られる。まずエッジを検出する必要がないため、エ
ッジ検出タイプの従来技術の課題を解消できる。また、
画像に含まれるオブジェクトに対する先験的な知識も不
要であり、対応点の自動検出が実現する。特異点フィル
タによれば、解像度の粗いレベルでも特異点の輝度や位
置を維持することができ、オブジェクト認識、特徴抽
出、画像マッチングに極めて有利である。その結果、人
手作業を大幅に軽減する画像処理システムの構築が可能
となる。

【０１２６】なお、本前提技術について次のような変形
技術も考えられる。（１）前提技術では始点階層画像と終点階層画像の間で
マッチングをとる際にパラメータの自動決定を行った
が、この方法は階層画像間ではなく、通常の２枚の画像
間のマッチングをとる場合全般に利用できる。

【０１２７】たとえば２枚の画像間で、画素の輝度の差
に関するエネルギーＥ_０と画素の位置的なずれに関する
エネルギーＥ_１のふたつを評価式とし、これらの線形和
Ｅ_ｔ _ｏｔ＝αＥ_０＋Ｅ_１を総合評価式とする。この総合
評価式の極値付近に注目してαを自動決定する。つま
り、いろいろなαについてＥ_ｔｏｔが最小になるような
写像を求める。それらの写像のうち、αに関してＥ_１が
極小値をとるときのαを最適パラメータと決める。その
パラメータに対応する写像を最終的に両画像間の最適マ
ッチングとみなす。

【０１２８】これ以外にも評価式の設定にはいろいろな
方法があり、例えば１／Ｅ_１と１／Ｅ_２のように、評価
結果が良好なほど大きな値をとるものを採用してもよ
い。総合評価式も必ずしも線形和である必要はなく、ｎ
乗和（ｎ＝２、１／２、−１、−２など）、多項式、任
意の関数などを適宜選択すればよい。

【０１２９】パラメータも、αのみ、前提技術のごとく
ηとλのふたつの場合、それ以上の場合など、いずれで
もよい。パラメータが３以上の場合はひとつずつ変化さ
せて決めていく。

【０１３０】（２）本前提技術では、総合評価式の値が
最小になるよう写像を決めた後、総合評価式を構成する
ひとつの評価式であるＣ^{（ｍ，ｓ）} _ｆが極小になる点を
検出してパラメータを決定した。しかし、こうした二段
回処理の代わりに、状況によっては単に総合評価式の最
小値が最小になるようにパラメータを決めても効果的で
ある。その場合、例えばαＥ_０＋βＥ_１を総合評価式と
し、α＋β＝１なる拘束条件を設けて各評価式を平等に
扱うなどの措置を講じてもよい。パラメータの自動決定
の本質は、エネルギーが最小になるようにパラメータを
決めていく点にあるからである。

【０１３１】（３）前提技術では各解像度レベルで４種
類の特異点に関する４種類の副画像を生成した。しか
し、当然４種類のうち１、２、３種類を選択的に用いて
もよい。例えば、画像中に明るい点がひとつだけ存在す
る状態であれば、極大点に関するｆ^{（ｍ，３）}だけで階
層画像を生成しても相応の効果が得られるはずである。
その場合、同一レベルで異なる副写像は不要になるた
め、ｓに関する計算量が減る効果がある。

【０１３２】（４）本前提技術では特異点フィルタによ
ってレベルがひとつ進むと画素が１／４になった。例え
ば３×３で１ブロックとし、その中で特異点を探す構成
も可能であり、その場合、レベルがひとつ進むと画素は
１／９になる。

【０１３３】（５）始点画像と終点画像がカラーの場
合、それらをまず白黒画像に変換し、写像を計算する。
その結果求められた写像を用いて始点のカラー画像を変
換する。それ以外の方法として、ＲＧＢの各成分につい
て副写像を計算してもよい。

【０１３４】［画像符号化および復号に関する実施の形
態］前提技術ではキーフレーム間のマッチングをとって
対応点情報を生成し、この対応点情報をもとに中間フレ
ームを生成した。したがって、この技術は動画の圧縮に
利用でき、現実に実験ではＭＰＥＧを超える画質と圧縮
率の両立が確認されはじめている。また、キーフレーム
とその対応点情報を元に、キーフレーム間の中間フレー
ムを精度良く生成できるので、複数の静止画像から滑ら
かな動画を生成するのに利用できる。本実施の形態で
は、ネットワークを介して音声データと共に画像データ
を送受信する端末間で、画像データの通信量を減らして
も受信側で滑らかな動画像を再生可能とする技術を説明
する。以下、前提技術を利用した画像符号化および復号
技術を説明する。

【０１３５】＜符号化側（送信側）＞図１８は、本発明
の実施の形態に係る画像符号化装置１０の構成を示す図
である。画像符号化装置１０は、テレビ電話やテレビ会
議などにおける送信側の端末である。画像符号化装置１
０は、画像入力部１２、画像保持部１４、音声入力部１
６、音声認識部１８、配列部２０、プロセッサ２２、ス
トリーム生成部２４、および通信部２６を有する。

【０１３６】画像入力部１２は、人が言葉を発声すると
きの表情を示す画像を各音ごとにキーフレームＫＦとし
て取得する。画像入力部１２は、各音ごとに静止画像と
してキーフレームＫＦを取得してもよく、動画像を取得
してその中からキーフレームＫＦを決定する機能を有し
てもよい。また、このときの画像はユーザの実際の画像
でなく、キャラクタの画像であってもよい。

【０１３７】画像保持部１４は、画像入力部１２により
取得されたキーフレームＫＦを各音に対応づけて保持す
る。また画像保持部１４は、異なる音であってもそれら
の音を発声するときの表情が類似する場合、それらの音
をグループ化して同一のキーフレームＫＦに対応づけて
保持してもよい。

【０１３８】このグループ化を行うひとつの方法とし
て、発声したときに類似した表情になるであろう音を予
めグループ化しておき、画像入力部１２にグループごと
にひとつの表情の画像を取得させてもよい。また別の方
法として、取得された画像の類似度を判定する手段を設
け、類似すると判定されたものをグループ化して保持し
てもよい。

【０１３９】音声入力部１６は音声データＳを入力す
る。音声認識部１８は音声データＳに含まれる各音を認
識する既知の音声認識手段である。音声認識部１８はさ
らに、音声データＳにおいて各音が発声されたタイミン
グを検知する手段を有する。ここでいうタイミングと
は、例えば各音が発声された時間間隔である。音声認識
部１８は、さらにタイミングに応じてキーフレームＫＦ
間に人工的に生成すべき中間フレームの枚数Ｎｉを特定
する手段を有する。

【０１４０】配列部２０は、キーフレームＫＦを認識さ
れた各音の順に配列する。プロセッサ２２は前提技術に
基づき、または別の任意の技術に基づき、特異点その他
をもとに画素単位でふたつのキーフレームＫＦ間のマッ
チングをとる。これによりプロセッサ２２は、配列され
たキーフレームＫＦ間の対応点情報Ｃを生成する。ただ
し、プロセッサ２２をなくし、対応点情報Ｃ自体を別の
個所から取得してストリーム生成部２４へ投入する構成
であってもよい。

【０１４１】ストリーム生成部２４は、配列されたキー
フレームＫＦ、対応点情報Ｃ、各キーフレームＫＦ間に
生成すべき中間フレームの枚数Ｎｉをもとに符号化デー
タストリームＣＩを生成する。通信部２６は、符号化デ
ータストリームＣＩを、音声データと共に図示しないネ
ットワークを介して、後述する画像復号装置５０へ出力
する。

【０１４２】以上の構成による符号化の手順を示す。ま
ず、ストレージやカメラから画像入力部１２を介してキ
ーフレームＫＦが入力される。画像符号化装置１０は、
ユーザにキーフレームＫＦを入力させるための指示を行
う。例えば、「「あ」と発声してください。」という表
示をしてユーザが「あ」という音を発声するときの表情
を示す画像を取得する。このとき、画像符号化装置１０
は、ユーザの音声情報を同時に取得してもよい。その場
合、音声認識部１８は、ユーザ自身の音声情報を基準に
して音声データＳに含まれる音の認識を行えるので、認
識精度を上げることができる。

【０１４３】図１９は、画像保持部１４の内部構成を示
す図である。画像保持部１４は、フレーム番号欄、キー
フレーム欄および音欄を有する。ユーザが各音を発声す
るときの表情を示す画像であるキーフレームＫＦは、そ
のフレーム番号と音とに対応づけて保持される。例え
ば、フレーム番号Ａ１のキーフレームＫＦはユーザが
「あ」と発声したときの表情を示す画像である。本実施
の形態では各音ごとにキーフレームを対応付けている
が、例えばユーザが「い」と発声したときと「し」と発
声したときの表情が類似している場合、フレーム番号Ｂ
１のキーフレームに「し」の音をも対応づけて保持して
よい。このようにグループ化することにより、必要なキ
ーフレームＫＦの数を減らすことができるので、通信量
をさらに少なくすることができる。

【０１４４】以上のキーフレームＫＦの取得および保持
は、音声データＳの入力に先立ち予め処理される。次
に、音声データＳの入力を説明する。音声データＳは、
ユーザが画像復号装置５０のユーザへ電話をするときに
入力されてよい。

【０１４５】音声入力部１６は、ユーザが発した音声を
音声データＳとして入力する。例えばユーザが「もしも
し」と発声すると、音声認識部１８はこの音声データＳ
に「も、し、も、し」という音が含まれることを認識す
る。この場合のように、同じ音が重複する場合、配列部
２０はキーフレームＫＦ自体を配列するのではなく、各
キーフレームＫＦのフレーム番号を配列する。

【０１４６】また、音声認識部１８は、音声データＳに
含まれる各音が発生された時間間隔に応じて、隣接する
キーフレームＫＦ間に生成すべき中間フレームの枚数Ｎ
ｉを算出する。隣接するキーフレームＫＦ間の時間間隔
をΔＴ、表示装置の毎秒の表示フレーム数をｎとすれ
ば、生成すべき中間フレームの枚数Ｎｉは、Ｎｉ＝ｎΔ
Ｔとなる。

【０１４７】ストリーム生成部２４には、配列部２０か
らキーフレームＫＦおよびフレーム番号の配列が、プロ
セッサ２２からキーフレームＫＦ間の対応点情報Ｃが、
音声認識部１８から中間フレームの枚数Ｎｉが入力され
る。ストリーム生成部２４はこれらのデータを適当な順
番で組み込み、符号化データストリームＣＩを生成す
る。

【０１４８】図２０は、ストリーム生成部２４によって
生成された符号化データストリームＣＩの構成を示す図
である。符号化データストリームＣＩは、「も」を発声
したときのキーフレームＫＦ（Ｅ７）、「し」を発声し
たときのキーフレームＫＦ（Ｂ３）、これらのキーフレ
ームＫＦ間の対応点情報Ｃおよびフレーム番号の配列を
示す配列情報Ｈを含む。

【０１４９】図２１は、配列情報Ｈのフォーマットを示
す。配列は「Ｅ７、Ｂ３、Ｅ７、Ｂ３」の順となる。ま
た、各フレーム番号の間にはその間に挿入すべき中間フ
レームの枚数Ｎｉが含まれる。

【０１５０】通信部２６は、音声入力部１６から音声デ
ータＳを、ストリーム生成部２４から符号化データスト
リームＣＩを受取り、画像復号装置５０に送信する。以
上が符号化側の処理である。画像符号化装置１０によれ
ば、復号側で容易に再生可能な動画像を提供できる。

【０１５１】＜復号側（受信側置）＞図２２は、本発明
の実施の形態に係る画像復号装置５０の構成を示す図で
ある。画像復号装置５０は、テレビ電話やテレビ会議な
どにおける受信側の端末である。画像復号装置５０は、
通信部５２、ストリーム入力部５４、ストリーム分別部
５６、音声入力部５８、同期調整部６０、中間画像生成
部６２、画像出力部６４、および音声出力部６６を有す
る。

【０１５２】通信部５２は、ネットワークを介して画像
符号化装置１０からデータを受取る。ストリーム入力部
５４は、符号化データストリームＣＩを取得する。スト
リーム分別部５６は、入力した符号化データストリーム
ＣＩをその構成要素へ分解して、そのデータストリーム
ＣＩに含まれるキーフレームＫＦ、フレーム番号の配列
情報Ｈ、キーフレームＫＦ間の対応点情報Ｃおよび中間
フレームの枚数Ｎｉを検出する。音声入力部５８は、音
声データＳを取得する。

【０１５３】中間画像生成部６２は、ストリーム分別部
５６からキーフレームＫＦ、配列情報Ｈ、対応点情報Ｃ
および中間フレームの枚数Ｎｉを受取り、前提技術で示
した補間処理によって各キーフレームＫＦ間にＮｉ枚の
中間フレームを生成する。

【０１５４】同期調整部６０は、音声データＳにおける
各音の出力タイミングに同期して各キーフレームＫＦが
出力されるように、音声データＳおよび動画像の再生の
同期を調整する。音声出力部６６は音声データＳを出力
する。画像出力部６４はキーフレームＫＦおよび中間フ
レームを動画として出力する。

【０１５５】以上、実施の形態をもとに本発明を説明し
た。なお本発明はこの実施の形態に限定されることな
く、そのさまざまな変形例もまた、本発明の態様として
有効である。

【０１５６】例えば、実施の形態では予めキーフレーム
ＫＦを登録しておき、音声認識技術を用いて、入力され
た音声データＳに含まれる各音に対応するキーフレーム
ＫＦを取り出して符号化データストリームＣＩを生成し
ていたが、音声データＳの入力と同時に所定のタイミン
グで順次キーフレームＫＦを取得してもよい。この場
合、キーフレームＫＦの取得は音声データＳの入力と略
リアルタイムで行われてよい。このようにすれば、音声
認識を行う必要がないので、処理がより簡潔になる。

【０１５７】以下に、図１８および図２２を用いてこの
例を説明する。画像入力部１２にはキーフレームＫＦ
が、音声入力部１６には音声データＳが略リアルタイム
に入力される。プロセッサ２２は、入力されたキーフレ
ームＫＦ間の対応点情報Ｃを順次生成する。ストリーム
生成部２４は、キーフレームＫＦおよび対応点情報Ｃを
含む形式にて符号化データストリームＣＩを生成する。

【０１５８】画像入力部１２は、入力画像の変化を検知
する手段を有してもよく、話をしている人の表情が変化
するタイミングでキーフレームＫＦを取得してよい。ま
た、画像符号化装置１０は、その人が異なる音を発声す
るタイミングを検知する手段を有してもよく、そのタイ
ミングでキーフレームＫＦを取得してもよい。

【０１５９】画像復号装置５０は、以上のようにして生
成された符号化データストリームＣＩに基づき、各キー
フレームＫＦ間の中間フレームを生成しつつ、音声デー
タＳの出力タイミングに同期させてキーフレームＫＦお
よび中間フレームを動画として出力する。

【０１６０】また、本実施の形態にでは、配列部２０に
よりキーフレームＫＦを配列した後に各フレーム間の対
応点情報Ｃを生成したが、予め全てのキーフレーム間の
対応点情報Ｃを生成して画像保持部１４に保持してお
き、必要に応じて取り出すようにしてもよい。このよう
にすれば、対応点情報を毎回生成する必要がなくなり、
音声データＳの入力に対して効率よく符号化ストリーム
ＣＩを生成することができる。

【０１６１】また、図２３に示すように画像復号装置５
０に、画像符号化装置１０から送信されたキーフレーム
ＫＦを各音に対応づけて保存するキーフレーム保存部７
４と、中間画像を生成する際にキーフレーム保存部７４
からキーフレームＫＦを選択する画像選択部７２とを設
けてもよい。さらに、画像復号装置５０に、画像符号化
装置１０に対して取得済みのキーフレームＫＦを通知
し、未取得のキーフレームＫＦのみを送信するように促
す判断部７６を設けてもよい。この判断部７６は画像符
号化装置１０に設けられてもよく、未送信のキーフレー
ムＫＦのみが画像復号装置５０に送信されようにしても
よい。このようにすると、既に全てのキーフレームＫＦ
がキーフレーム保存部７４に保存されている場合、画像
符号化装置１０から配列情報Ｈを送信するだけで、キー
フレーム保存部７４に保存されたキーフレームＫＦを用
いて動画を再生することができる。

【０１６２】また、画像復号装置５０にキャラクタの画
像をキーフレームとして保存させておき、送信側からは
音声データＳと配列情報Ｈを送信し、音声と同期させて
そのキャラクタの動画を出力させてもよい。

【０１６３】また、本実施の形態では画像復号装置５０
は、音声データＳと同時に配列情報Ｈを受取る構成とし
たが、これに限らず、音声データＳのみを受け取り、画
像復号装置５０側に音声認識機能を設け、あらかじめ画
像復号装置５０に保存してあるキーフレームＫＦから動
画を生成し音声に同期させて出力してもよい。これによ
り、送信側に画像を送信する画像符号化機能がない場
合、または送信側から画像が送られない場合でも、動画
を利用した通話が実現できる。

【０１６４】図２４はこれを実現するための画像復号装
置５０の変形例の構成を示す図である。以下、図２２と
同様の構成には同じ符号を与え、適宜その説明を略す。
図２４における新たな構成は、画像復号装置５０が、ス
トリーム入力部５４およびストリーム分別部５６に代え
て、画像入力部１２、音声認識部１８、キーフレーム保
存部７４、画像選択部７２、および特定部７０を有する
点にある。

【０１６５】画像入力部１２は、音声に対応づけられた
画像をキーフレームＫＦ群として取得しておく。これ
は、前述のキャラクタの画像でもよいし、俳優の画像な
どでもよい。キーフレーム保存部７４は、取得したキー
フレームＫＦ群をその送信者に対応づけて保存する。特
定部７０は、例えば送信者側から電話があったときに、
送信者を特定して画像選択部７２に通知する。画像選択
部７２は、その送信者に対応づけられたキーフレームＫ
Ｆ群をキーフレーム保存部７４から選択する。

【０１６６】キーフレーム保存部７４は、例えば送信者
の電話番号に対応づけてキーフレームＫＦを保存してよ
い。この場合、特定部７０は、発信者番号通知機能など
により送信者の電話番号を特定する。これにより、画像
出力部６４は、その送信者に対応づけられているキーフ
レームＫＦに基づき動画を出力することができる。また
この手法は、通話中はもちろん、着信合図にも使用でき
る。例えば、画像復号装置５０は送信者側からの電話を
受け、「Ａさんより着信です」などの音声とともに動画
を生成および表示してもよい。

【０１６７】音声認識部１８は音声データＳに含まれる
音を認識し、画像選択部７２は、同期調整部６０の指示
に基づき、その音に対応するキーフレームＫＦをキーフ
レーム保存部７４のその送信者に対応付けられたキーフ
レームＫＦ群から取得する。中間画像生成部６２は、取
得されたキーフレームＫＦをもとに中間画像を生成し、
画像出力部６４は動画を出力する。その際、同期調整部
６０は出力すべき音声との同期を取る。

【０１６８】またここで、音声入力部５８に入力される
データは音声データとしているが、これは音声に変換可
能なデータであればよく、例えば電子メールなどで受取
るテキストデータであってもよい。

【０１６９】また、画像符号化装置１０の機能をネット
ワーク上のサーバに設け、従来の送信端末から入力され
た音声データＳをもとに、受信端末側で動画像を表示さ
せるようにしてもよい。

【０１７０】図２５は通信端末１２０およびキーフレー
ム提供サーバ１１０が接続されたネットワークシステム
１８０の構成を示す図である。キーフレーム提供サーバ
１１０は、画像符号化装置１０の機能を有する。通信端
末１２０は画像復号装置５０を含む。通信端末１２０の
ユーザは、音声に同期させて動画を表示する場合、その
動画を生成するために必要なキーフレームＫＦをキーフ
レーム提供サーバ１１０よりあらかじめ取得して保存し
ておく。ここで、キーフレームＫＦとして使用される画
像は、送信者から電子メールの添付ファイルとして取得
されてもよいし、メモリカードのような記録媒体から取
得されてもよい。

【０１７１】以上の説明において、画像復号装置５０と
それを含む通信端末１２０は区別しない。また通信端末
１２０は画像符号化装置１０の機能を有したものでもよ
い。

【０１７２】本実施の形態では、静止画をキーフレーム
ＫＦとして保存し適宜動画を生成したが、これに限らず
動画を保存して利用してもよい。特に頻出する単語、さ
らには文章、例えば「こんにちは」などの挨拶や固有名
詞などの動画が保存されてもよい。これは特にテキスト
データに動画を同期させる場合有効である。

【０１７３】また、実施の形態では前提技術のマッチン
グ技術を利用したが、これはオプティカルフローやブロ
ックマッチングなど、既存の技術を利用してもよい。

【０１７４】明記しなかったが、画像符号化装置１０の
音声入力部１６は例えばＭＰＥＧレイヤ３などの手法で
音声の圧縮符号化を行い、圧縮された音声データを画像
復号装置５０に送信してもよい。

【図面の簡単な説明】

【図１】図１（ａ）とは図１（ｂ）は、ふたりの人物
の顔に平均化フィルタを施して得られる画像、図１
（ｃ）と図１（ｄ）は、ふたりの人物の顔に関して前提
技術で求められるｐ^{（５，０）}の画像、図１（ｅ）と図
１（ｆ）は、ふたりの人物の顔に関して前提技術で求め
られるｐ^{（５，１）}の画像、図１（ｇ）と図１（ｈ）
は、ふたりの人物の顔に関して前提技術で求められるｐ
^{（５，２）}の画像、図１（ｉ）と図１（ｊ）は、ふたり
の人物の顔に関して前提技術で求められるｐ^{（５，３）}
の画像をそれぞれディスプレイ上に表示した中間調画像
の写真である。

【図２】図２（Ｒ）はもとの四辺形を示す図、図２
（Ａ）、図２（Ｂ）、図２（Ｃ）、図２（Ｄ）、図２
（Ｅ）はそれぞれ相続四辺形を示す図である。

【図３】始点画像と終点画像の関係、および第ｍレベ
ルと第ｍ−１レベルの関係を相続四辺形を用いて示す図
である。

【図４】パラメータηとエネルギーＣ_ｆの関係を示す
図である。

【図５】図５（ａ）、図５（ｂ）は、ある点に関する
写像が全単射条件を満たすか否かを外積計算から求める
様子を示す図である。

【図６】前提技術の全体手順を示すフローチャートで
ある。

【図７】図６のＳ１の詳細を示すフローチャートであ
る。

【図８】図７のＳ１０の詳細を示すフローチャートで
ある。

【図９】第ｍレベルの画像の一部と、第ｍ−１レベル
の画像の一部の対応関係を示す図である。

【図１０】前提技術で生成された始点階層画像を示す
図である。

【図１１】図６のＳ２に進む前に、マッチング評価の
準備の手順を示す図である。

【図１２】図６のＳ２の詳細を示すフローチャートで
ある。

【図１３】第０レベルにおいて副写像を決定する様子
を示す図である。

【図１４】第１レベルにおいて副写像を決定する様子
を示す図である。

【図１５】図１２のＳ２１の詳細を示すフローチャー
トである。

【図１６】あるｆ^{（ｍ，ｓ）}についてλを変えながら
求められたｆ^（ｍ， ^ｓ）（λ＝ｉΔλ）に対応するエネ
ルギーＣ^{（ｍ，ｓ）} _ｆの挙動を示す図である。

【図１７】 ηを変えながら求められたｆ^（ｎ）（η＝
ｉΔη）（ｉ＝０，１，…）に対応するエネルギーＣ
^（ｎ） _ｆの挙動を示す図である。

【図１８】本発明の実施の形態に係る画像符号化装置
の構成を示す図である。

【図１９】画像保持部の内部構成を示す図である。

【図２０】ストリーム生成部によって生成された符号
化データストリームの構成を示す図である。

【図２１】配列情報のフォーマットを示す。

【図２２】本発明の実施の形態に係る画像復号装置の
構成を示す図である。

【図２３】本発明の実施の形態に係る画像復号装置の
変形例の構成を示す図である。

【図２４】本発明の実施の形態に係る画像復号装置の
変形例の構成を示す図である。

【図２５】本発明の実施の形態に係る通信端末とキー
フレーム提供サーバが接続されたネットワークシステム
を示す図である。

【符号の説明】

１０画像符号化装置、１２画像入力部、１４
画像保持部、１６音声入力部、１８音声認識部、
２０配列部、２２プロセッサ、２４ストリ
ーム生成部、２６通信部、５０画像復号装置、
５２通信部、５４ストリーム入力部、５６
ストリーム分別部、５８音声入力部、６０同期
調整部、６２中間画像生成部、６４画像出力
部、７０特定部、７２画像選択部、７４キ
ーフレーム保存部、７６判断部、１１０キーフ
レーム提供サーバ。

───────────────────────────────────────────────────── フロントページの続きＦターム(参考） 5C059 KK22 KK23 LB13 RA04 RA08 RB06 RB16 RC12 RC32 SS10 TA08 TB00 TB01 TC42 TC43 UA02 UA05 UA11 UA34 UA39 5D015 LL05

Claims

【特許請求の範囲】

【請求項１】音声データを取得する工程と、前記音声データに含まれる各音を認識する工程と、認識された前記各音の順となるように、前記各音に対応
付けられた、人が言葉を発声するときの表情を示すキー
フレームの配列を決定する工程と、決定された前記配列において、隣接するキーフレーム間
の対応点情報を取得する工程と、前記キーフレームおよび前記対応点情報に基づき各キー
フレーム間の中間フレームを生成しつつ、前記キーフレ
ームおよび前記中間フレームを動画として出力する工程
とを含むことを特徴とする画像処理方法。
【請求項２】前記出力する工程は、前記動画と共に前
記音声データを出力することを特徴とする請求項１に記
載の方法。
【請求項３】前記出力する工程は、前記音声データに
おいて各音が発声されるタイミングで前記キーフレーム
を出力することを特徴とする請求項１または２に記載の
方法。
【請求項４】前記対応点情報を前記キーフレーム間に
おけるマッチングをもとに生成する工程をさらに含む請
求項１に記載の方法。
【請求項５】音声データを取得する工程と、前記音声データに含まれる各音を認識する工程と、認識された前記各音の順となるように、前記各音に対応
付けられた、人が言葉を発声するときの表情を示すキー
フレームの配列を決定する工程と、決定された前記配列において、隣接するキーフレーム間
の対応点情報を取得する工程と、前記キーフレームおよび前記対応点情報を含む形式にて
符号化データストリームを生成する工程とを含むことを
特徴とする画像符号化方法。
【請求項６】前記音声データにおいて各音が発声され
たタイミングを検知する工程をさらに含み、前記符号化データストリームを生成する工程は、検知さ
れた前記タイミングをも含む形で前記符号化データを生
成することを特徴とする請求項５に記載の方法。
【請求項７】前記音声データにおいて各音が発声され
たタイミングを検知する工程と、前記タイミングに応じて前記キーフレーム間に人工的に
生成すべき中間フレームの枚数を特定する工程とをさら
に含み、前記符号化データストリームを生成する工程は、特定さ
れた前記枚数をも含む形で前記符号化データを生成する
ことを特徴とする請求項６に記載の方法。
【請求項８】音声データを取得する工程と、前記音声データに含まれる各音を発声するときの表情を
示すキーフレームを含む符号化データストリームを取得
する工程と、そのデータストリームに含まれるキーフレームおよびキ
ーフレーム間の対応点情報を検出する工程と、前記音声データにおける各音の出力タイミングに同期し
て各キーフレームが出力されるように、検出されたキー
フレームと対応点情報に基づき各キーフレーム間の中間
フレームを生成しつつ、前記キーフレームおよび前記中
間フレームを動画として出力する工程とを含むことを特
徴とする画像復号方法。
【請求項９】各キーフレーム間における前記中間フレ
ームの生成枚数は、前記音声データにおける各音の出力
タイミングにしたがって制御されることを特徴とする請
求項８に記載の方法。
【請求項１０】前記符号化データストリームを取得す
る工程は、キーフレームを出力すべき配列を示す情報と
その配列に含まれるキーフレームとをそれぞれ取得し、前記出力する工程は、前記配列を示す情報に基づいて前
記キーフレームを配列する工程をさらに含むことを特徴
とする請求項８に記載の方法。
【請求項１１】人が言葉を発声するときの表情を示す
画像を各音ごとにキーフレームとして取得する画像入力
部と、音声データを取得する音声入力部と、前記音声データに含まれる各音を認識する音声認識部
と、認識された前記各音の順となるように、前記キーフレー
ムの配列を決定する配列部と、決定された前記配列において、隣接するキーフレーム間
の対応点情報を取得する対応点取得部と、認識された前記各音に対応するキーフレームおよび前記
対応点情報を含む形式にて符号化データストリームを生
成する生成部とを含むことを特徴とする画像符号化装
置。
【請求項１２】前記対応点取得部は、前記対応点情報
を生成するプロセッサであることを特徴とする請求項１
１に記載の装置。
【請求項１３】前記プロセッサは、前記キーフレーム
間において特異点に注目したマッチングをもとに前記対
応点情報を生成する請求項１１に記載の装置。
【請求項１４】異なる音であっても、それらの音を発
声するときの表情が類似する場合、それらの音を同一の
キーフレームに対応づけて保持する保持部をさらに含む
ことを特徴とする請求項１１から１３のいずれかに記載
の装置。
【請求項１５】音声データを取得する音声入力部と、前記音声データに含まれる各音を発声するときの表情を
示すキーフレームを含む符号化データストリームを取得
する取得部と、そのデータストリームに含まれるキーフレームおよびキ
ーフレーム間の対応点情報を検出する検出部と、前記キーフレームと前記対応点情報をもとに補間により
中間フレームを生成する生成部と、前記音声データを出力する音声出力部と、前記音声データにおける各音の出力タイミングに同期し
て各キーフレームが出力されるように、前記キーフレー
ムおよび前記中間フレームを動画として出力する画像出
力部とを含むことを特徴とする画像復号装置。
【請求項１６】前記対応点情報は、前記キーフレーム
の特異点を基礎として検出されたものである請求項１５
に記載の装置。
【請求項１７】前記対応点情報は、前記キーフレーム
間で画素を単位として記述されている請求項１５に記載
の装置。
【請求項１８】言葉を発声している人の画像を所定の
タイミングでキーフレームとして取得し、隣接するキー
フレーム間の対応点情報を取得して、前記キーフレー
ム、前記対応点情報および前記タイミングに関する情報
を含む形式にて符号化データストリームを生成すること
を特徴とする画像符号化方法。
【請求項１９】音声データを取得する工程と、所定のタイミングで取得された話をしている人の画像を
キーフレームとして含む符号化データストリームを取得
する工程と、そのデータストリームに含まれるキーフレームおよびキ
ーフレーム間の対応点情報を検出する工程と、検出されたキーフレームと対応点情報に基づき各キーフ
レーム間の中間フレームを生成しつつ、前記音声データ
の出力タイミングに同期させて前記キーフレームおよび
前記中間フレームを動画として出力する工程とを含むこ
とを特徴とする画像復号方法。
【請求項２０】人の発声に含まれる各音に対応する表
情の画像をキーフレームとして取得し、前記各音の順に
キーフレームを配置するとともに隣接しあうキーフレー
ム間は補間による中間フレームを挿入して出力すること
を特徴とする画像処理方法。
【請求項２１】取得した音声データに含まれる各音を
認識する処理と、認識された前記各音の順となるように、前記各音に対応
付けられた、人が言葉を発声するときの表情を示すキー
フレームの配列を決定する処理と、決定された前記配列において、隣接するキーフレーム間
の対応点情報を取得する処理と、前記キーフレームおよび前記対応点情報を含む形式にて
符号化データストリームを生成する処理とをコンピュー
タに実行せしめることを特徴とするコンピュータプログ
ラム。
【請求項２２】取得した音声データに含まれる各音を
発声するときの表情を示すキーフレームを含む符号化デ
ータストリームを取得する処理と、そのデータストリームに含まれるキーフレームおよびキ
ーフレーム間の対応点情報を検出する処理と、前記音声データにおける各音の出力タイミングに同期し
て各キーフレームが出力されるように、検出されたキー
フレームと対応点情報に基づき各キーフレーム間の中間
フレームを生成しつつ、前記キーフレームおよび前記中
間フレームを動画として出力する処理とをコンピュータ
に実行せしめることを特徴とするコンピュータプログラ
ム。
【請求項２３】人の発声に含まれる各音に対応する表
情の画像をキーフレームとして取得し、前記各音の順に
キーフレームを配置するとともに隣接しあうキーフレー
ム間は補間による中間フレームを挿入して出力する処理
をコンピュータに実行せしめることを特徴とするコンピ
ュータプログラム。