JP2004078912A

JP2004078912A - デジタルカラー画像において顔を位置付けるための方法

Info

Publication number: JP2004078912A
Application number: JP2003194950A
Authority: JP
Inventors: Shoupu Chen; ショウプ　チェン; Lawrence A Ray; ローレンス　エイ　レイ
Original assignee: Eastman Kodak Co
Current assignee: Eastman Kodak Co
Priority date: 2002-08-02
Filing date: 2003-07-10
Publication date: 2004-03-11
Also published as: US7110575B2; EP1391842A2; EP1391842B1; EP1391842A3; US20040022423A1; DE60330299D1

Abstract

【課題】デジタルカラー画像において顔を位置付けるためのデジタル画像処理方法を提供する。
【解決手段】複数のサンプルの顔画像から平均グリッドパターン要素（ＭＧＰｅ）画像を生成する段階と、デジタルカラー画像から積分画像を生成する段階と、異なる効果的な解像度においてデジタルカラー画像をグリッドパターン要素画像（ＧＰｅ）に小さくし、且つＧＰｅを用いてＭＧＰｅを補正することにより、複数の効果的な解像度において平均グリッドパターン要素（ＭＧＰｅ）画像とデジタルカラー画像との間の補正テストを行うために、積分画像を用いることにより、デジタルカラー画像において顔を位置付ける段階と、から構成される。
【選択図】　　　図２

Description

【０００１】
【発明の属する技術分野】
本発明は、デジタル画像において、人間の顔を自動的に位置決めするためのデジタル画像処理方法に関する。
【０００２】
【従来の技術】
デジタル画像処理であって、特に、カメラによる画像捕捉のプロセスをエンハンス及び最適化する目的で行う画像処理において、人間の顔を自動検出することはしばしば有用である。顔の検出の応用は、顔の認識、画像美化、画像シーンバランシング、画像修正、安全監視及び人の識別等を含む。
【０００３】
写真撮影者により収集された画像の重要性は、しばしば最も重要な画像の主題となる人間の顔を含む画像にある。画像における顔の存在及び位置、特に、特定の顔の存在及び位置についての知識は、画像捕捉プロセスにおいて多くの有利な改善を行うことを可能にする。それらの一部は先行技術において提案されている。例えば、オートフォーカスカメラ及びセミオートフォーカスカメラは、どこを最良の焦点のために調節するかに関して、しばしば、シーンの一部を選ぶ。カメラがシーンの中に顔を配置する場合、写真撮影者が明らかにその選択を放棄しない限り、焦点を顔に対して最適化することが可能である。１９９８年１０月１０日に発行された、Ｌｏｂｏ等による米国特許第５，８３５，６１６号明細書（特許文献１）において、焦点合わせされた被写体の欠如により低品質がもたらされる、マニュアルによる調整の問題を低減するために、自動化された写真撮影において顔の検出システムが用いられている。
【０００４】
更に、シーンにおける顔の検出は、主な被写体の正確な位置の非常に強力な証拠を与える。その点に関連して、米国特許第５，８３５，６１６号明細書（特許文献１）において開示されているプロセスは、デジタルカメラにより撮影されたデジタル画像において人間の顔を自動的に見つけ、顔の特徴を調べることにより顔の存在を確認し、次いで、検出された顔上にカメラ撮影の中心を自動的にもつものである。顔の検出はまた、顔及び／又は皮膚の領域に対して適正なカラーバランスの強力な証拠となる。例えば、１９９８年７月に発行された、Ｔｏｍｉｔａによる米国特許第５，４３０，８０９号明細書（特許文献２）において、ビデオカメラは、自動露出およびオートフォーカスを目的として、顔の被写体に計測フレームを設定するために、顔の被写体を自動的に探知する。更に、一旦、測定フレームが設定されると、自動ホワイトバランスシステムが、顔において最適な皮膚色を得るように色を調節する。その結果、自動ホワイトバランスシステムは自動皮膚色バランスを実施するものといわれる。人間の顔を検出し、次いで顔の部分の色及び／濃度を表すデータを利用して、顔に相当する部分を写真プリンタによって適切にプリントするように、露光量を決定することが開示されている（１９９７年５月１３日に発行された、Ｋｉｎｊｏによる米国特許第５，６２９，７５２号明細書（特許文献３））。
【０００５】
【特許文献１】
米国特許第５，８３５，６１６号明細書
【特許文献２】
米国特許第５，４３０，８０９号明細書
【特許文献３】
米国特許第５，６２９，７５２号明細書
【発明が解決しようとする課題】
多岐に亘って顔の検出技術の提案に関して非常に多くの研究努力が払われてきた。顔の検出は、画像において顔の存在を位置付けることと定義されている。他方、顔の認識は、検出された顔に同一性を与えることと定義されている。顔の検出は、しばしば、顔の認識の予備段階と位置付けられる。一般に、先行技術における顔の検出技術は、特徴ベース又は領域ベースのどちらかとして分類されている。特徴ベースのカテゴリの技術は、先ず、エッジのような低レベルの特徴から得られ、次いで、顔の知識ベースの分析を用いて、画像において顔の候補を見つける。皮膚色及び顔の幾何学的性質のような顔の明らかな特性が、このカテゴリの異なるシステムレベルで利用されている。特徴ベースの方法は、顔の検出においてパターン認識理論を用いることに興味が移行するようになる最近まで、非常に長い間、顔の検出の研究の興味の中心となってきた。特徴ベースの技術において用いられる主な構成要素は、画像の高周波部分から由来するエッジであり、一般に、低周波部分から由来する構成要素と同程度の安定性は備えていない。また、顔の検出のために皮膚色を用いることにおいて、殆どの技術は、非常に低い偽陽性をもつ高い肌の検出正確度を達成するために、注意深くデザインされた皮膚色モデルを用いている。しかしながら、高い正確度の皮膚色モデルは、しばしば、皮膚色モデルが構築されているマジョリティの皮膚色領域の外側にある皮膚色を排除する傾向にある。非マジョリティの皮膚色の排除は、また、顔の検出の失敗をもたらす。
【０００６】
近年、パターン認識における進展による恩恵を得て、領域ベースのカテゴリにおける技術は、顔の知識を適用することなく、パターン認識の問題として顔の検出を扱う。このカテゴリにおける方法の性能は、顔を含む種類の画像と顔を含まない種類の画像から学習した例によって練習を積んだ分類器の性能にのみ依存する。練習のプロセスで用いられた顔を含む画像及び顔を含まない画像（又は練習した画像の変化）の数が、分類記の有効性の殆どを決定してしまう。より多くの練習画像により、結果的によりよい分類器が得られる。顔を含む練習画像の数には制約があり得るが、顔を含まない練習画像の数には制約がないとの理解が、一般に受け入れられている。それ故、このカテゴリの技術に対して、練習を繰り返すことは稀ではない。莫大なフットプリント（顔の検出タスクを実行するコンピュータにおける練習済みの分類器の情報を記憶するために必要なメモリ空間）が得られ、限られたコンピュータリソースを用いるアプリケーションに対して問題となり得る。このカテゴリの技術においては、顔の構造的（幾何学的）情報は基本的に用いられないことに、留意する必要がある。
【０００７】
顔の検出については画像理解の主題に関連してここ数年に亘って研究されてきたが、強力な顔の検出アルゴリズムを必要とする場合は特に、目覚しい計算要求を満たさなければならない領域が残されている。数多くの方法が考案され、それらは種々の画像化条件の範囲に亘って妥当な性能を示している。例えば、“Ｈｕｍａｎ　Ｆａｃｅ　Ｄｅｔｅｃｔｉｏｎ　ｉｎ　Ａ　Ｃｏｍｐｌｅｘ　Ｂａｃｋｇｒｏｕｎｄ”と題され、Ｙａｎｇ等により１９９４年にＰａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，　Ｖｏｌ．２７，　Ｎｏ．１，　ｐｐ．５３−６３において報告された最近の研究論文において、画像において人間の顔を位置付けるための階層的な知識ベースの方法が提案された。そのような方法は、比較的高度の処理能力（携帯型カメラに比較して）を有する写真プリンタのような大型処理装置において十分うまく実施することが可能である。その課題は、メモリリソースが限られており、低いコストのコンピュータを用いるカメラにおいて、適切にこれらの顔の検出方法を実施することである（速い実施）。これがうまく実施される場合、シーンにおける顔の検出は、画像捕捉プロセスにおける数多くの他の改善に対する跳ね板のような役割を果たすこととなる。更に、画像捕捉の後にダウンストリームアクティビティを実施するために、顔を検出することは有用であり、例えば、顔の検出は、後のプリント（例えば、インデックスのプリント）のためのアップ／ダウンオリエンテーション（ｕｐ／ｄｏｗｎ　ｏｒｉｅｎｔａｔｉｏｎ）の証拠を提供することとなる。
【０００８】
したがって、上記の問題を克服するために、改善された顔検出方法に対する要求がある。
【０００９】
本発明における、上記及び他の側面、目的、特徴及び優位性は、以下、詳細に説明する本発明に従った好適な実施形態及び請求項が精査され、並びに説明に伴う図を参照されることにより、より明快に理解され、高く評価されることであろう。
【００１０】
【課題を解決するための手段】
デジタルカラー画像において顔を位置付けるためのデジタル画像処理方法であって、複数のサンプルの顔画像から平均グリッドパターン要素（ＭＧＰｅ：ＭｅａｎＧｒｉｄ　Ｐａｔｔｅｒｎ　ｅｌｅｍｅｎｔ）画像を生成する段階と、デジタルカラー画像から積分画像を生成する段階と、異なる効果的な解像度においてデジタルカラー画像をグリッドパターン要素画像（ＧＰｅ：Ｇｒｉｄ　Ｐａｔｔｅｒｎ　ｅｌｅｍｅｎｔ）に小さくし且つＧＰｅを用いてＭＧＰｅを補正することにより複数の効果的な解像度において平均グリッドパターン要素（ＭＧＰｅ）画像とデジタルカラー画像との間の補正テストを行うために、積分画像を用いることによりデジタルカラー画像において顔を位置付ける段階と、から構成される。
【００１１】
【発明の実施の形態】
図１は、フィルムスキャナのようなカラーデジタル画像ソース１００、又はピクチャーＣＤをもつコンパクトディスクドライブのようなデジタル画像記憶装置を含む本発明の実施形態を実施することにおいて有用である画像処理システムを示している。デジタル画像ソース１００からのデジタル画像は、プログラム可能なパーソナルコンピュータ又はＳｕｎ　Ｍｉｃｒｏｓｙｓｔｅｍｓ社のスパークワークステーションのようなデジタル画像処理ワークステーション等の画像プロセッサ１０２に供給される。画像プロセッサ１０２を、ＣＲＴ表示装置１０４、キーボード１０６及びマウス１０８のようなオペレータインタフェースに接続することが可能である。また、画像プロセッサ１０２をコンピュータ読み取り可能記憶媒体１０７に接続することが可能である。画像プロセッサ１０２は出力装置１０９に処理されたデジタル画像を送る。出力装置１０９は、ハードコピープリンタ、長期保存装置、他のプロセッサへの接続、又は例えばインターネットに接続される画像通信装置から構成することが可能である。
【００１２】
以下の記述において、本発明の好適な実施形態について、方法として説明することとする。しかしながら、他の好適な実施形態においては、本発明は、説明する方法によりデジタル画像において人間の顔を検出するためのコンピュータプログラムプロダクトから構成される。本発明の説明において、本発明のコンピュータプログラムは、図１に示すタイプのパーソナルコンピュータのような、何れかの周知のコンピュータシステムを用いることが可能である。しかしながら、多くの他のタイプのコンピュータシステムを、本発明のコンピュータプログラムを実行するために用いることが可能である。例えば、本発明の方法を、デジタルカメラに備えられたコンピュータにおいて実行することが可能である。したがって、ここでは、コンピュータシステムについてこれ以上詳細に説明することはしない。
【００１３】
本発明のコンピュータプログラムプロダクトは、周知の画像操作アルゴリズム及びプロセスを使用することが可能であることを理解されたい。したがって、ここでは、特に、本発明の方法の一部を構成するか又は非常に直接的に関係するアルゴリズム及びプロセスについて説明することにする。したがって、本発明のコンピュータプログラムプロダクトの実施形態は、実施のためには有用であるが、ここでは特に図示したり又は説明したりしないアルゴリズム及びプロセスを具体化することが可能である。そのようなアルゴリズム及びプロセスは、当該技術分野においては従来からのものであり、熟達者には熟知されているものである。
【００１４】
そのようなアルゴリズムとシステム、そしてハードウェア及び／又はソフトウェアの他の特徴であって、関連する画像を形成するため、或いは処理するための、又は本発明のコンピュータプログラムプロダクトと連携するための特徴は、当該技術分野における周知のアルゴリズム、システム、ハードウェア、部品及び要素から選択して実現することが可能であるが、ここでは、具体的な図示又は説明は行わない。
【００１５】
本発明の方法を実行するためのコンピュータプログラムを、コンピュータ読み取り可能記憶媒体に記憶することが可能である。このような媒体は、例えば、磁気ディスク（ハードディスク又はフロッピー（登録商標）ディスク）又は磁気テープ等の磁気記憶媒体、光ディスク、光テープ又は機械読み取り可能バーコード等の光記憶媒体、ランダムアクセスメモリ（ＲＡＭ：Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）等の個体電子記憶媒体、或いはコンピュータプログラムを記憶するための他の何れかの物理的装置又は媒体から構成されることが可能である。また、インターネット又は他の通信手段により画像プロセッサに接続されるコンピュータ読み取り可能記憶媒体に、本発明の方法を実行するためのコンピュータプログラムを記憶することが可能である。当業者は、そのようなコンピュータプログラムプロダクトと同等なものであれば、ハードウェアにおいて構成されることが可能であることを、容易に理解するであろう。
【００１６】
ここで、図２を参照するに、本発明の実施形態に従った方法の概略を示している。図２は、本発明の顔検出方法の一実施形態を示すフローチャートである。図に示した実施形態において、入力カラーデジタル画像は一連のカスケードテストを受ける。これらのテストの各々は、高信頼性の顔ではない被写体を排除し、殆どの顔をそのまま残す。この方法は、全てのカスケードテストにおいて非常に大きい真陽性率を維持し、個々のテストにおいては比較的小さい偽陽性率を維持する。テストはカスケードかされているため、全体的に大きい真陽性率と小さい偽陽性率における実行が達成される。本発明において、顔検出のタスクは異なるタイプのテストに分配されている。この分配されるシステムによる方法は、各々の個々のテストにおける負荷を軽減し、これにより顔検出プロセスの速度を速めることができる。
【００１７】
図２に示す実施形態においては、基本的に、４つのカスケードテストがある。色度テスト２０２は、入力デジタルカラー画像における、高信頼性の非皮膚色画素を排除する。色度テストは、従来の皮膚色の検出方法とは異なっている。顔検出のための色特性を用いて、殆どの皮膚色検出技術は、非常に低い偽陽性である高い皮膚検出精度を達成するために、注意深くデザインされた皮膚色モデルを使用する。しかしながら、高い検出精度をもつ皮膚色モデルは、しばしば、皮膚色モデルが構築されたマジョリティの皮膚色領域の外側に位置する皮膚色を排除する傾向にある。非マジョリティの皮膚色の排除は、また、結果的に顔検出の失敗をもたらす。色度テストは、そうではなくて、高精度である非皮膚色の排除を中心に据えている。例えば、色度テストは、飽和した緑又は飽和した青の画素を排除し（黒に設定し）、全ての色相の皮膚色に近い色をもつ画素をそのままの状態に保つ。したがって、色度テストは、非マジョリティの皮膚色画素を排除しない。
【００１８】
色度テスト２０２の次は幾何学的テスト２０４である。色度テスト段階２０２において維持された画素は領域（又は画素のクラスター）にグループ化される。これらの領域は、幾何学的テストに合格するかどうかを判断するためにチェックされる。このテストに合格した領域のみが、次の統計テスト、即ち、全ての他の画素が黒に設定されるグリッドパターンテスト２０６に移行することができる。幾何学的テスト２０４は、基本的には、領域の幾何学的形状、大きさ及び位置をチェックする。
【００１９】
最初の２つのテスト（色度テスト２０２と幾何学的テスト２０４）の後、顔を含む可能性がある領域（又は画素のクラスター）が残されており、顔の実際の位置を特定するために更にチェックされる。グリッドパターンテスト２０６は、平均グリッドパターン要素画像ジェネレータ２１２において形成される平均グリッドパターン要素画像の支援を受けて、実際の顔の位置を特定するタスクを実行する。グリッドパターンテスト２０６は、幾何学的テスト段階２０４から得られた残りの領域からクロッピングされたサブ画像から変換されたグリッドパターン要素画像と平均グリッドパターン要素画像との間の相関係数を評価することにより、類似性のチェックを行う。グリッドパターンテストを合格したサブ画像は顔の候補として印が付けられる。一部の候補は、幾何学的テスト段階２０４において廃棄された領域に部分的に属すことが可能である。
【００２０】
全ての候補は、次いで、ロケーションテスト２０８においてチェックされる。幾何学的テスト段階２０４において廃棄された領域の一部に存在する候補は、ロケーションテスト段階２０８において印が付けられていない。グリッドパターンテスト２０６は、ラスタ走査の様式で画像において実施される。ラスタ走査を用いると、同じ顔の位置に関して互いに非常に近い複数の候補が結果的に得られることとなる。非常に接近した複数の候補を、距離測定に基づいて１つの候補に結合するために、テスト後処理２１０が実行される。
【００２１】
ここで、図４を参照するに、本発明の方法について非常に詳細に表している。図４は、図２に示した段階を更に細かい段階に分割して示したフローチャートである。図４に示した実施形態において、先ず、標準的な大きさをもつ入力画像を、画像を小さいサイズに変更する段階４０２で小さいサイズにサイズ変更することが可能である。この段階はオプションであって、この方法の処理速度を増すことが可能である。代表的な入力画像の標準サイズは３８４ｘ２５６である。入力画像のサイズを小さく変更することの目的は、色度テストと幾何学的テストのプロセスの速度を増加させることである。このサイズ変更カラー画像は、非皮膚色画素を消去する段階４０４において処理され、非皮膚色画素は排除される。非皮膚色カラー画素は黒に設定される。従来の皮膚色検出アルゴリズムと異なり、この色度テストには色空間変換及び皮膚色モデリングはない。本発明において、画素が一連の条件を満足する場合、その画素は非皮膚色画素として印が付けられる。消去手順及び関連する代表的な条件は、式（１）における１つの擬似コードにより表され、ここで、ｒｏｗｓｎｅｗ及びｃｏｌｓｎｅｗは、それぞれサイズ変更された画像の高さ及び幅であり、ｒ、ｇ及びｂは画素の三原色成分であり、Ｒｇｒａｔｉｏ１、Ｒｂｒａｔｉｏ１、Ｒｇｒａｔｉｏ２及びＲｂｒａｔｉｏ２は所定の係数である。これらの係数の代表的な値は、Ｒｇｒａｔｉｏ１＝１．１、Ｒｂｒａｔｉｏ１＝１．１、Ｒｇｒａｔｉｏ２＝３．５及びＲｂｒａｔｉｏ２＝５．０である。これらの係数は、多数のサンプル画像を調べることによって半経験的に決定される。画素が条件を満たす場合、画素は黒に設定される。図１２Ａ乃至Ｄは色度テストの例を示している。図１２Ａには、強度カラー画像１２０２がある。図１２Ｂには、式（１）を強度画像１２０２に適用した後の結果である第１バイナリ画像１２１２がある。第１バイナリ画像１２１２において、黒色の画素は強度画像１２０２における非皮膚色画素を表し、他方、白色の画素は強度画像１２０２における皮膚色画素を表す。
【００２２】
【数１】

ここで、図４に再び戻って参照するに、幾何学的テスト２０４の実施に寄与する３つの段階（残りの画素を領域にクラスター化する段階４０６、形態学的処理を行う段階４０８及び不所望領域を消去する段階４１０）がある。テスト操作をより分かり易く説明するために、図１２Ｂ及びＣに示した画像の例を参照する。残りの画素を領域にクラスター化する段階（又は、図４に示した非常に詳細なフローチャートにおける非皮膚色画素を消去する段階）への入力画像は、図２における色度テスト２０２から得られるバイナリ画像である。例としてのバイナリ画像は、図１２Ｂの右上部分に示されている。第１バイナリ画像１２１２における非ゼロ画素はクラスターにグループ化される。定義によれば、クラスターは、クラスター内の全ての画素はまた、クラスター内の他の画素に対して所定の範囲内にあるという性質をもった、空でない一組の黒色でない画素である。代表的な所定の距離は１である。第１バイナリ画像１２１２における例としてのクラスターは、クラスターＲ１（１２１６）、クラスターＲ２（１２１８）及びクラスターＲ３（１２２０）である。興味深いことに、クラスターＲ１（１２１６）は、殆ど接触する状態の２つのクラスターの組み合わせとなっている。複数の画素からなるクラスターに形態学的プロセス４０８を適用した後、バイナリ画像１２１２におけるクラスターＲ１（１２１６）は、第２バイナリ画像１２３２において、２つのクラスターＲ１１（１２３４）及びＲ１２（１２３６）に分かれる。好適な形態学的プロセスは閉操作である。
【００２３】
幾何学的テスト２０４の最終段階は、不所望クラスターを消去する段階４１０である。不所望のクラスターは、次のような条件の１つ又はそれ以上を満足するクラスターである。クラスターの最大幅は所定の最小幅より小さい。クラスターの最大高さは所定の最小高さより小さい。代表的な所定の最小幅は、サイズ変更された画像に対しては３である。代表的な所定の最小高さは、サイズ変更された画像に対しては３である。代表的な所定の最小マージンは、サイズ変更された画像に対しては３である。消去されるクラスターの例は、図１２に示した第２のバイナリ画像１２３２において、クラスターＲ２（１２３８）、クラスターＲ１１（１２３４）及びクラスターＲ４（１２４０）である。消去される不所望のクラスター４１０の結果は、図１２に示す第３バイナリ画像１２４２となる。残りのクラスターの例は、クラスターＲ３（１２４４）及びクラスターＲ１２（１２４６）である。
【００２４】
図２を参照するに、幾何学的テスト２０４の後の段階はグリッドパターンテスト２０６である。グリッドパターンテスト２０６は、図４において、パラメータのセットを用いるサブ画像をクロッピングする段階４１４から始まり、クエリー３の段階４３０までである。グリッドパターンテスト２０６において用いられる強度画像は、図４に示すように、グレー画像４１１に変換する段階においてオリジナルカラー画像から変換されるグレースケール画像である。サブ画像をクロッピングする段階４１４において用いられるパラメータは、パラメータセットのリストを形成する段階４１２において生成される。パラメータセットは、矩形状ボックスの幅、高さ及びの左上コーナーの位置を含む。そのボックスの幅は、幾何学的テスト段階２０４において維持されたクラスターの最大幅である。そのボックスの高さは、幾何学的テスト段階２０４において維持されたクラスターの最大高さである。図１２Ｄに示すボックス１２４８はそのようなボックスの例である。ボックスの左上コーナーの位置は、バイナリ画像１２４２の左上コーナーに関して定義される。これらのパラメータは、サブ画像をクロッピングする段階４１４においてグレースケール画像からサブ画像をクロッピングするためにそれらが用いられる前に、オリジナル画像の大きさに適合するように再度大きさが変更される。
【００２５】
グリッドパターンテスト段階２０６は、平均グリッドパターン要素画像ジェネレータ２１２の段階において生成される平均グリッドパターン要素（ＭＧＰｅ）画像を用いる。ＭＧＰｅ画像を生成するためのデザインは２つある。それらのデザイン１は汎用のデザインである。デザイン２はデザイン１の特別な場合である。デザイン１の段階を図３Ａに示す。デザイン１における第１段階はサンプルとして顔画像を収集する段階３０４である。大量のクロッピングされた顔画像がマニュアル的に収集される。平均顔画像を得る段階３０６において、平均顔画像は、全ての収集された顔画像の２つの眼の位置を合わせること及び全ての画素に対する平均強度を得ることにより、得られる。ＭＧＰｅ画像を生成するために、グリッドセルの大きさと位置が決定される。デザイン１において、セルの大きさは異なっており、それらセルの各々は、顔のクラスターの特定範囲をカバーしている（局所的な顔の特徴をカバーする個々のセルを決定する段階３０８）。セルデザイン１の例を図５に示す。
【００２６】
顔画像５０２において、額部分をカバーするセル５０６がある。他のセルデザイン１の例をまた、図５に示している。全てのセルを含む最小ボックスは、全てのセルを含むボックスを決定する段階３１０において決定される。クラスターの境界を形成する例としてのボックス５０８を図５に示す。このボックスを用いて、サブ画像をクロッピングする段階３１２において、平均顔画像のサブ画像を得ることが可能である。セル５０６の右上コーナーのドット５０４のような４つのコーナーのドットは、それ故、４つのコーナーの位置を決定する段階３１４において、サブ画像の左上コーナーに関して計算される。平均グリッドパターン要素画像を計算するための効果的な方法は、積分画像を用いることである。論文、Ｐａｕｌ　Ｖｏｉｌａ　ｅｔ　ａｌ．，“Ｒｏｂｕｓｔ　Ｒｅａｌ−ｔｉｍｅ　Ｏｂｊｅｃｔ　Ｄｅｔｅｃｔｉｏｎ”，　Ｓｅｃｏｎｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｓｔａｔｉｓｔｉｃａｌ　ａｎｄ　Ｃｏｍｐｕｔａｔｉｏｎａｌ　Ｔｈｅｏｒｉｅｓ　ｏｆ　Ｖｉｓｉｏｎ，　Ｊｕｌｕ　１３，　２００１，　ｐｐ１−２５を参照されたい。積分画像の計算の例を図１１Ａ及び１１Ｂに示す。図１１Ａにおいて、画像Ａ（１１０２）はグレーレベル強度画像であり、図１１Ｂにおいて、画像Ｂ（１１２２）は画像Ａ（１１０２）の積分画像である。積分画像の大きさは、平均顔強度画像Ａと同じである。積分画像Ｂ（１１２２）における図１１Ａの画像Ａの位置１１０６に対応する位置１１２６における画素の計算は次式を用いてなされる。
【００２７】
【数２】

ここで、
【００２８】
【外１】

は、平均顔画像１１０２における領域１１０４を規定する。ｐ_ｉは、左上コーナーを原点とする二次元画像平面におけるベクトルである。このような場合、Ｐ_０＝Ｐ′_０である。実際には、式（２）は、迅速な計算のためにＶｉｏｒａの論文において導入される一対の漸化式により置き換えられる。
【００２９】
クロッピングされたサブ画像を用いて積分画像を生成する段階３１６において積分画像を得た後、平均グリッドパターン画像は、積分画像におけるセルのコーナーの位置を用いて平均グリッドパターン画像を計算する段階３１８において計算される。平均グリッドパターン画像は平均グリッドパターン要素画像とは異なることを理解する必要がある。平均グリッドパターン画像は平均顔強度画像と同じ大きさである。平均グリッドパターン要素画像は平均グリッドパターン画像から抽出される３２０。ここで、図１１を再び参照するに、４つのコーナーの点ｐ_１（１１０８）、ｐ_２（１１１０）、ｐ_３（１１１２）及びｐ_４（１１１４）により規定されるセル１１１６がある。このセルは、平均顔画像の鼻の部分をカバーしている。このセルはまた、平均顔画像から計算される平均グリッドパターン画像における同じパターンのセルを表している。平均グリッドパターン画像のためのこのセル内の画像の計算は何れも次式で表される。
【００３０】
【数３】

ここで、Φ［ｐ_１，ｐ_２，ｐ_３，ｐ_４］はグリッドパターン画像における４つのコーナーの点ｐ_１（１１０８）、ｐ_２（１１１０）、ｐ_３（１１１２）及びｐ_４（１１１４）により定義されるセル、φはセルΦ［ｐ_１，ｐ_２，ｐ_３，ｐ_４］の何れかの画素であり、Ｂ（ｐ′_ｘ）は積分画像（ここでは、ｐ_１＝ｐ′_１，ｐ_２＝ｐ′_２，ｐ_３＝ｐ′_３及びｐ_４＝ｐ′_４）におけるｐ′_ｘ（それらは、ｐ′_１（１１２８）、ｐ′_２（１１３０）、ｐ′_３（１１３２）及びｐ′_４（１１３４）である）の画素値であり、ｍはセルの高さ、そしてｎはセルの幅である。セル内の全ての画素は同じ値であるため、平均グリッドパターン要素画像を構成するために、各々のセルについて１つの画素が必要である。デザイン１について、平均グリッドパターン要素画像のフォーマットは一次元画像又は二次元画像とすることが可能である。好適なフォーマットは一次元画像である。平均グリッドパターン画像を構成するために、各々の平均グリッドパターン画像のセルから平均グリッドパターン要素画像における画素に順に単純にコピーする。平均グリッドパターン要素（ＭＧＰｅ）画像における画素数は平均グリッドパターン画像におけるセル数に等しい。この操作のための画素をコピーするプロセスの順序は、グリッドパターンテスト段階２０６において、デザイン１が選択される場合、テストにおいて画像についてのグリッドパターン要素画像を形成するために　同じ順序を用いることが可能であるように、この操作のための画素をコピーするプロセスの順序は記録される必要がある。
【００３１】
平均グリッドパターン要素（ＭＧＰｅ）は各々のセルから画素１つのみを取り込むため、クロッピングされたサブ画像の大きさ（即ち、個々のセルの大きさ）は問題にはならない。ＭＧＰｅ画像は、単に、平均顔の主な特性の統計的測定である。実際的には、ＭＧＰｅ画像を生成するためのクロッピングされたサブ画像についての代表的な大きさは１０５ｘ１０５とすることができる。
【００３２】
ここで、図３Ｂを参照するに、ＭＧＰｅ画像を生成するためにデザイン２を説明するフローチャートを示している。大量のクロッピングされた顔画像がマニュアル的に収集される。平均顔画像を得る段階３７４において、平均顔画像は、すべての収集された顔画像の２つの眼の位置合わせを行い、全ての画素について平均強度を得ることにより得られる。ＭＧＰｅ画像を生成するために、グリッドセルの大きさ及び位置が決定されなければならない。デザイン２において、全てのセルは同じ大きさである。このデザインは、２つの眼の中心間の距離ｅ_１（図６の顔画像６０２における６０８）を計算する段階３７６において開始される。次いで、中心の位置を計算する段階３７８において２つの眼の中心間の中心位置ｃ（図７の顔画像７０２における７０６）を見つける。距離ｅ_１（６０８）及び中心位置ｃ（７０６）は、ｍｘｎ画素を有する各々のＭｘＮセルを含む領域を規定するために距離ｅ_１及び中心位置ｃを用いる段階３８０において用いられる。ユニット距離をｕで表す。ｕ＝ｅ_１／ｆと表される。ｆの好適な値は８である。図７においては、中心ｃ（７０６）から開始し、それぞれ東、西、北及び南を指し示す４つの矢印（矢印７０４、矢印７０８、矢印７１０及び矢印７１２）を用いる。矢印の先端は、ＭＧＰｅ画像を計算するためであって平均顔画像をクロッピングするために用いられるボックスの境界を規定する。図７に示すように、上部境界は、中心ｃから（Ｍ−δ_１）ユニット（ｕ）の距離だけ離れ、下部境界は中心ｃから（Ｍ＋δ_２）ユニット（ｕ）の距離だけ離れており、左の境界は中心ｃからＮユニット（ｕ）だけ離れ、右の境界は中心ｃからＮユニット（ｕ）だけ離れている。ユニットｕの物理的長さは平均顔画像の大きさに依存することに留意する必要がある。Ｍについての代表的値は７であり、Ｎについては７、δ_１については２、及びδ_２については２である。この場合、図８に示すように、顔グリッドパターン画像８０４のデザインは、サブ画像をクロッピングする段階３８２（図８において示す平均顔画像からクロッピングされたサブ画像８０２を参照）において用いられる四角形のクロッピング領域と全て同じ大きさの四角形のセル（セル８０６のような）を有している。
【００３３】
デザイン２に対しては、セル５０６の４つのコーナーの位置を決定する段階３８４において、サブ画像の左上部コーナーに関して容易に計算することが可能である。デザイン２の全てのセルについてのコーナーの位置を得た後、それに続く段階（積分画像を生成する段階３８６、平均グリッドパターン画像を計算する段階３８８及び平均グリッドパターン要素画像を生成する段階３９０）はデザイン１の場合と非常によく一致している。
【００３４】
平均グリッドパターン要素（ＭＧＰｅ）画像は各々のセルから１つの画素を取り上げることから、統計的に、クロッピングされるサブ画像のサイズ（即ち、個々のセルの大きさ）は問題にする必要がないことを、再び理解されたい。ＭＧＰｅ画像は、単に、平均顔の主な特徴の統計的測定である。実際には、デザイン２のためにクロップされたサブ画像についての代表的サイズは１０５ｘ１０５であって、１５ｘ１５画素を有する各々の７ｘ７セルをもつものである。したがって、平均グリッドパターン要素（ＭＧＰｅ）画像は４９要素を有している。
【００３５】
図４を再び参照する前に、ＭＧＰｅ画像を用いるためには説明を要する。上述の説明から、ＭＧＰｅ画像は平均顔領域の統計的情報（構造及び強度の情報）を収集することが理解できる。画像において顔を位置付けるために、測定の様式を決定する必要がある。本発明においては、統計データ、即ち２つの変数の補正係数（文献　“Ｔｈｅ　Ｓｔａｔｉｓｔｉｃａｌ　Ａｎａｌｙｓｉｓ　ｏｆ　Ｔｉｍｅ　Ｓｅｒｉｅｓ”，　Ｔ．　Ｗ．　Ａｎｄｅｒｓｏｎ，　Ｊｏｈｎ　Ｗｉｌｅｙ　＆　Ｓｏｎｓ，　Ｉｎｃ，　１９９４，　ｃｈａｐｔｅｒ　６，　ｅｎｔｉｔｌｅｄ　Ｓｅｒｉａｌ　Ｃｏｒｒｅｌａｔｉｏｎ，　ｐｐ．２５４−３５７を参照されたい）を、顔の被写体又は非顔の被写体を分類するために用いる。ここでの２つの変数は、テストされる画像の平均グリッドパターン要素（ＭＧＰｅ）画像とグリッドパターン要素（ＧＰｅ）画像である。ＧＰｅ画像はＭＧＰｅ画像と同じサイズである必要がある。
【００３６】
ＭＧＰｅ画像はΦ_０で表され、ＧＰｅ画像はΦ_１で表される。これら２つの変数の間の補正係数は次式により表され、
【００３７】
【数４】

ここで、
【００３８】
【数５】

であり、Ｅ｛｝は期待演算子である。
【００３９】
非顔被写体及び顔を分離するための統計的測定として補正係数ｒを用いるために、平均顔のＭＧＰｅと顔のＧＰｅとの間の補正係数及び平均顔のＭＧＰｅと非顔被写体のＧＰｅとの間の補正係数の分布を調べる。
【００４０】
上記デザイン２（段階３７６乃至段階３９０）において説明された方法を用いて、顔グリッドパターン要素（ＧＰｅ）を生成するために数多くのサンプルの顔を用いる。このとき、ＧＰｅは、各々の個々のサンプルの顔画像に対して生成され、平均画像に対して生成されるのではないことに留意されたい。式（４）をＭＧＰｅ及び各々の個々の顔のＧＰｅに適用した後、数多くの補正係数が得られる。これらの補正係数の例としての分布を、図９に、グラフ９０２における曲線９０６に示す。明らかなように、非顔ＧＰｅについては、補正係数は０．４乃至１の間に殆ど分布している。同じ手法を数多くの非顔サンプル画像に対して適用することができる。ＭＧＰｅと非顔ＧＰｅとの間の補正係数の例としての分布は、図９に、グラフ９０２における曲線９０４により示されている。明らかなように、非顔ＧＰｅについては、補正係数は、０．４以下に殆ど分布している。したがって、閾値ｒ_Ｔ９０８を変化させることにより、バランスの取れた偽陽性（失敗されて分類された顔）対真陽性（正確に分類された顔）パフォーマンスが達成される。図１０におけるグラフ１００２は、閾値ｒ_Ｔ９０８の関数として偽陽性対真陽性パフォーマンスを表す曲線１００４を示している。例えば、閾値０．３（１００６）は、サンプル顔のセットから顔を約９７．８％含み、同じ閾値は、非顔のセットから非顔の約６．２％を顔として誤って受け入れる。
【００４１】
図２を再び参照するに、グリッドパターンテストの段階２０６は、図におけるサブ画像をクロッピングする段階４１４からクエリー３の段階４３０までの段階により詳細について示されている。
【００４２】
サブ画像をクロッピングする段階４１４において示されるパラメータは、パラメータセットのリストを形成する段階４１２において生成されることを思い起こすことにする。パラメータのセットは、矩形のボックスの幅、高さ及び左上のコーナーの位置を含む。ボックスの幅は、幾何学的テスト段階２０４において維持されるクラスターの最大幅である。そのようなボックスの例は、図１２に示すボックス１２４８である。ボックスの左上のコーナーの位置は、バイナリ画像１２４２の左上のコーナーに関して規定される。これらのパラメータは、サブ画像をクロッピングする段階４１４においてグレースケール画像からサブ画像をクロッピングするために用いられる前に、オリジナルの画像サイズに適合させるために、これらのパラメータを再度変更することを理解する必要がある。
【００４３】
このリストからの各々のパラメータのセットに対して、グレー画像を変換する段階４１１から得られるグレー画像からサブ画像をクロッピングする。このグレー画像は、ブラックに設定される不所望のクラスターを消去する段階４１０において維持された画像を除く全部を有することに留意されたい。段階４１０からのパラメータは、それらが段階４１１において用いられる前に、再度変更されなければならないことを思い出すことにする。グレー画像は、例としての画像１２４２において示したような被写体を有することができる。例としてのパラメータのセットは、ボックス１２４８と同じ大きさであるサブ画像をクロッピングすることができる。このサブ画像はＲ１２（１２４６）のようなクラスターを有する。このクラスターはグレースケールの画素をもっている。クラスターの外側の画素は黒色である。このサブ画像を用いて、積分画像を計算する段階４１６において対応する積分画像を計算することができる。
【００４４】
クロッピングされたサブ画像において、何れかの顔がある場合、それらの大きさは明らかではない。それ故、顔の調査は、可能である最大のセルの大きさ（適切なグリッドパターンセルの大きさから開始する段階４１８を参照）を用いて開始し、可能である最小のセルの大きさ（クエリー２の段階４２８参照）まで行われる。７ｘ７グリッドパターン要素画像（例として８０６参照）フォーマットが顔検出のために用いられることを考えることとする。可能な最大のセルの大きさは、この場合、１０ｘ１０である。可能な最小のセルのサイズは所定のもので得ある。７ｘ７グリッドパターン要素画像について、１０ｘ１０のサイズを有するセルを支持するために７０ｘ７０の領域が必要であり、２ｘ２のサイズを有するセルを支持するためには１４ｘ１４の領域があれば済む。７０ｘ７０のサブ画像に対して、調査の段階のサイズが１であれば、可能な最小のセルの大きさに対して、３２４９回の調査が必要である。また、所定の可能な最大のセルの大きさがある。代表的な可能な最大のセルの大きさは２５ｘ２５である。２つの連続したセルのサイズ間の差は、所定の倍率により決定される。代表的な倍率は２^１／８とすることが可能である。
【００４５】
グリッドパターンテストは、基本的には、ＭＧＰｅ画像のタイプをテスト画像から得られるＧＰｅ画像に関連付ける。２つのタイプのＭＧＰｅがあることを思い出すことにする。それらは、積分ＭＧＰｅ画像（デザイン１から）と標準的ＭＧＰｅ画像（デザイン２から）である。
【００４６】
不規則なＭＧＰｅ画像が選択された場合、可能な最大のセルの大きさから始めて、カレントのサブ画像を走査する段階４２０は、段階４１６においてクロッピングされたサブ画像から計算される積分画像のパッチをクロッピングする。次いで、段階４２０は、グリッドパターン要素（ＧＰｅ）画像を計算するＭＧＰｅを計算するために、積分画像と不規則なグリッドパターンのタイプを用いる。グリッドパターンのテストの段階４２２において、クロッピングされた積分画像のパッチに対応するサブ画像のパッチがＧＰｅとＭＧＰｅの補正係数を評価することにより顔を表すかどうかを確認するために、テストがなされる。クロッピングされた積分画像のパッチから計算されたＧＰｅがグリッドパターンテストを合格した場合（即ち、補正係数が所定の閾値、ｒ_Ｔ９０８より大きい場合）、カレントのパッチの位置と大きさのパラメータは、状態をチェックする段階４２４において、顔の候補のリストに保存される。
【００４７】
上記のグリッドパターンテストは、クロッピングされたサブ画像（クエリー１の段階４２６参照）における全ての範囲、全ての適切なセルの大きさ（クエリー２の段階４２８参照）及び全てのパラメータのセット（クエリー３の段階４３０参照）について実施される。
【００４８】
顔の候補のリストを得た後、位置をテストする段階４３２は、記憶されたパラメータにより規定される顔の候補の範囲をテストする。前記パラメータのセットにより規定される範囲が段階４１０内に維持された所定の割合未満のクラスターを含む場合、前記テストは顔の候補からパラメータのセットを取り除く。取り除かれる代表的な候補を図１１３に示す。候補Ｗ１（１３０６）は部分的に顔の部分をカバーするので、それは候補のリストから取り除かれる。
【００４９】
テスト後の処理の最終段階４３４は、候補の範囲の中心の距離測定に基づいて隣接する候補をマージすることにより、段階４３２において偏向された顔の候補のパラメータリストを更新する。図１３における位置テスト画像１３０２のクラスターＲ３（１３１０）の例としての候補Ｗ２（１３０４）及びＷ３（１３０８）は互いに近接しているため、それらはマージすることとなる。例としての距離の測定は、ボックス（候補の範囲）の高さの平均のユークリッド距離である。
【００５０】
本発明の主旨は、デジタル画像を理解する技術に関連し、認識するためにデジタル画像をデジタル的に処理する平均技術に対して理解し、それ故、人間が理解可能な被写体、特性又は条件に有用な意味を割り当て、更に、デジタル画像の更なる処理において得られる結果を利用する
【図面の簡単な説明】
【図１】本発明の実施形態の実施において有用な画像処理システムを模式的に示す図である。
【図２】本発明の実施形態の顔検出方法を示すフローチャートである。
【図３Ａ】不規則的グリッドパターンのデザインの方法を示すフローチャートである。
【図３Ｂ】規則的グリッドパターンのデザインの方法を示すフローチャートである。
【図４】本発明の実施形態にしたがった顔検出の詳細なプロセスを示すフローチャートである。
【図５】不規則的グリッドパターンを示す図である。
【図６】規則的グリッドパターンデザインのためのキーポジションを示す図である。
【図７】規則的グリッドパターンのデザインのための位置と大きさのパラメータを示す図である。
【図８】強度顔画像と規則的グリッドパターン画像を示す図である。
【図９】顔グリッドパターン画像と平均顔グリッドパターン画像、及び非顔グリッドパターン画像と平均顔グリッドパターン画像のための補正係数の分布を示すグラフである。
【図１０】本発明を用いて、閾値の関数として顔検出率と偽陽性率とを示すグラフである。
【図１１Ａ】強度画像と関連する積分画像を示す図である。
【図１１Ｂ】強度画像と関連する積分画像を示す図である。
【図１２Ａ】画像の説明に有用な図である。
【図１２Ｂ】皮膚テストの説明に有用な図である。
【図１２Ｃ】幾何学的テストの説明に有用な図である。
【図１２Ｄ】皮膚色クラスターのためのボックスの規定の説明に有用な図である。
【図１３】位置のテストとテスト後の処理の説明に有用な図である。
【符号の説明】
１００　　　カラーデジタル画像ソース
１０２　　　画像プロセッサ
１０４　　　ＣＲＴ表示装置
１０６　　　キーボード
１０７　　　コンピュータ読み取り可能記憶媒体
１０８　　　マウス
１０９　　　出力装置
２０２　　　色度テスト
２０４　　　幾何学的テスト
２０６　　　グリッドパターンテスト
２０８　　　位置テスト
２１０　　　テスト後処理
２１２　　　平均グリッドパターン要素画像ジェネレータ
３０４　　　顔画像を収集する段階
３０６　　　平均顔画像を得る段階
３０８　　　局所的な顔の特徴をカバーする個々のセルを決定する段階
３１０　　　全てのセルを含むボックスを決定する段階
３１２　　　サブ画像をクロッピングする段階
３１４　　　４つのコーナーの位置を決定する段階
３１６　　　クロッピングされたサブ画像を用いて積分画像を生成する段階
３１８　　　平均グリッドパターン画像を計算する段階
３２０　　　平均グリッドパターン要素画像を抽出する段階
３７２　　　サンプル顔画像を収集する段階
３７４　　　平均顔画像を得る段階
３７６　　　２つの眼の中心間の距離ｅ_１を計算する段階
３７８　　　２つの眼の中心間の中心の位置ｃを計算する段階
３８０　　　ｍｘｎ画素を有する各々のＭｘＮセルを含む領域を規定するために距離ｅ_１及び中心位置ｃを用いる段階
３８２　　　サブ画像をクロッピングする段階
３８４　　　全てのセルの４つのコーナーの位置を決定する段階
３８６　　　積分画像を生成する段階
３８８　　　平均グリッドパターン画像を計算する段階
３９０　　　平均グリッドパターン要素画像を生成する段階
４０２　　　画像を小さいサイズに変更する段階
４０４　　　非皮膚色画素を消去する段階
４０６　　　残りの画素を領域にクラスター化する段階
４０８　　　形態学的処理を行う段階
４１０　　　不所望領域を消去する段階
４１１　　　グレー画像に変換する段階
４１２　　　パラメータのセットのリストを形成する段階
４１４　　　パラメータのセットを用いるサブ画像をクロッピングする段階
４１６　　　積分画像を計算する段階
４１８　　　適切なグリッドパターンセルの大きさから開始する段階
４２０　　　カレントのサブ画像を走査する段階
４２２　　　グリッドパターンのテストの段階
４２４　　　状態をチェックする段階
４２６　　　クエリー１の段階
４２８　　　クエリー２の段階
４３０　　　クエリー３の段階
４３２　　　位置をテストする段階
４３４　　　テスト後の処理の段階
５０２　　　顔画像
５０４　　　ドット
５０６　　　セル
５０８　　　ボックス
６０２　　　顔画像
６０８　　　２つの眼の中心間の距離ｅ_１
７０２　　　顔画像
７０４　　　矢印
７０６　　　２つの眼の中心間の中心位置ｃ
７０８　　　矢印
７１０　　　矢印
７１２　　　矢印
８０２　　　サブ画像
８０４　　　顔グリッドパターン画像
８０６　　　セル
９０２　　　グラフ
９０４　　　曲線
９０６　　　曲線
９０８　　　閾値ｒ_Ｔ
１００２　　グラフ
１００４　　曲線
１１０２　　平均顔画像（画像Ａ）
１１０４　　領域
１１０６　　平均顔画像の位置
１１０８　　４つのコーナーのうちの１つの点ｐ_１
１１１０　　４つのコーナーのうちの１つの点ｐ_２
１１１２　　４つのコーナーのうちの１つの点ｐ_３
１１１４　　４つのコーナーのうちの１つの点ｐ_４
１１１６　　セル
１１２２　　画像Ａの積分画像（画像Ｂ）
１１２６　　画像Ｂにおける画像Ａの位置１１０６に対応する位置
１１２８　　画像Ｂにおけるｐ_１＝ｐ′_１である点
１１３０　　画像Ｂにおけるｐ_２＝ｐ′_２である点
１１３２　　画像Ｂにおけるｐ_３＝ｐ′_３である点
１１３４　　画像Ｂにおけるｐ_４＝ｐ′_４である点
１２０２　　強度画像
１２１２　　第１バイナリ画像
１２１６　　クラスターＲ１
１２１８　　クラスターＲ２
１２２０　　クラスターＲ３
１２３２　　第２バイナリ画像
１２３４　　クラスターＲ１１
１２３６　　クラスターＲ１２
１２３８　　クラスターＲ２
１２４０　　クラスターＲ４
１２４２　　第３バイナリ画像
１２４４　　クラスターＲ３
１２４６　　クラスターＲ１２
１２４８　　ボックス
１３０２　　位置テスト画像
１３０４　　候補Ｗ２
１３０６　　候補Ｗ１
１３０８　　候補Ｗ３
１３１０　　クラスターＲ３

Claims

デジタルカラー画像において顔を位置付けるためのデジタル画像処理方法であって：
ａ）複数のサンプル顔画像から平均グリッドパターン要素（ＭＧＰｅ）画像を生成する段階；
ｂ）デジタルカラー画像から積分画像を生成する段階；並びに
ｃ）異なる効果的な解像度においてデジタルカラー画像をグリッドパターン要素画像（ＧＰｅ）に小さくし且つＧＰｅを用いて平均グリッドパターン要素（ＭＧＰｅ）を補正することにより複数の効果的な解像度においてＭＧＰｅ画像とデジタルカラー画像との間の補正テストを行うために、積分画像を用いることによりデジタルカラー画像において顔を位置付ける段階；
から構成されることを特徴とする方法。
請求項１に記載の方法であって、平均グリッドパターン要素（ＭＧＰｅ）画像を生成する段階は：
ａ１）サンプル顔画像を収集する段階；
ａ２）サンプル顔画像から平均顔画像を生成する段階；
ａ３）グリッドパターン（ＧＰ）を選択する段階；並びに
ａ４）平均化することにより平均顔画像の解像度を選択されたグリッドパターン（ＧＰ）の解像度に減少させる段階；
から構成される、ことを特徴とする方法。