JP2007004721A - 対象物検出装置、及び対象物検出方法 - Google Patents

Abstract

【課題】 色彩に特徴がある対象物を好適に検出する。
【解決手段】 対象物検出装置１は、撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像部１０_１-１０_Ｍと、事前に学習したテンプレート情報を用いて、スペクトル画像のそれぞれについてテンプレート特徴量を算出するテンプレート特徴算出部１４_１-１４_Ｔと、事前に学習した識別関数情報を用いて、テンプレート特徴量のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別器１６_１-１６_Ｔと、第一識別器の判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別器１８と、を有する。
【選択図】 図１

Description

本発明は、画像データを処理して、画像中に含まれる特定の対象物を検出する対象物検出装置、及び対象物検出方法に関するものである。

従来技術に係る対象物検出装置は、同種の識別器を直列的に接続して構成されており（非特許文献１）、各識別器により画像データを処理して、画像中に含まれる特定の対象物を検出している。ここで、対象物検出装置の各識別器は、第一領域（白領域）と第二領域（黒領域）を有するテンプレートを有しており、各領域の画素の輝度値の総和を求め、第一領域の画素値の総和と第二領域の画素の輝度値の総和の差分を求めることで、画像の特徴量を演算し、その特徴量に基づいて特定の対象物を検出する。
P.Viola andM.Jones Rapid object detection using a boosted cascade of simple Features, Proc.OfIEEE Conf. CVPR, pp.551-518 2001

しかしながら、従来技術に係る対象物検出装置では、テンプレートに規定される領域の画素の輝度値の総和を求めるのみであるため、色彩に特徴がある対象物（例えば、道路上の標識、車両など）を検出できない場合がある。即ち、色彩に特徴がある対象物を撮影した画像データでは、対象物の配色が変化する境界部分において、色差が大きいものの輝度差が小さい場合があり、対象物を検出することができない、という問題がある。

そこで、本発明は、色彩に特徴がある対象物を好適に検出することが可能な対象物検出装置、及び対象物検出方法を提供することを目的とする。

上述した目的を達成するために、本発明に係る対象物検出装置は、撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像部と、事前に学習したテンプレート情報を用いて、スペクトル画像のそれぞれについてテンプレート特徴量を算出するテンプレート特徴算出部と、事前に学習した識別関数情報を用いて、テンプレート特徴量のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別器と、第一識別器の判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別器と、を有することを特徴とする。

この構成によれば、撮像部が、互いに周波数領域が異なる複数のスペクトル画像を生成する。そして、テンプレート特徴算出部、第一識別器及び第二識別器が、画像中に検出対象物が含まれるか否かを判定する。これによれば、互いに周波数領域が異なる複数のスペクトル画像を処理して、画像中に検出対象物が含まれるか否かを判定するため、輝度差が小さく色差が大きい検出対象物を検出することができる。

上述した目的を達成するために、本発明に係る対象物検出装置は、撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像部と、事前に学習したテンプレート情報を用いて、スペクトル画像についてテンプレート特徴ベクトルを算出するテンプレート特徴ベクトル算出部と、事前に学習した識別関数情報を用いて、テンプレート特徴ベクトルの各要素のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別器と、テンプレート情報が共通する第一識別器の判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別器と、第二識別器の判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第三識別器と、を有することを特徴とする。

この構成によれば、撮像部が、互いに周波数領域が異なる複数のスペクトル画像を生成する。そして、テンプレート特徴ベクトル算出部、第一識別器、第二識別器及び第三識別器が、画像中に検出対象物が含まれるか否かを判定する。これによれば、互いに周波数領域が異なる複数のスペクトル画像を処理して、画像中に検出対象物が含まれるか否かを判定するため、輝度差が小さく色差が大きい検出対象物を検出することができる。

上述した目的を達成するために、本発明に係る対象物検出装置は、撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像部と、事前に学習したテンプレート情報を用いて、スペクトル画像についてテンプレート特徴ベクトルを算出するテンプレート特徴ベクトル算出部と、事前に学習した射影パラメータを用いて、テンプレート特徴ベクトルを射影変換して、テンプレート特徴量を算出する射影変換部と、事前に学習した識別関数情報を用いて、テンプレート特徴量のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別器と、第一識別器の判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別器と、を有することを特徴とする。

この構成によれば、撮像部が、互いに周波数領域が異なる複数のスペクトル画像を生成する。そして、テンプレート特徴ベクトル算出部、射影変換部、第一識別器及び第二識別器が、画像中に検出対象物が含まれるか否かを判定する。これによれば、互いに周波数領域が異なる複数のスペクトル画像を処理して、画像中に検出対象物が含まれるか否かを判定するため、輝度差が小さく色差が大きい検出対象物を検出することができる。

また、上述した対象物検出装置において、第一識別器は、１つの入力値に基づいて画像中に検出対象物が含まれるか否かを判定するものであり、その他の識別器は、複数の入力値に基づいて画像中に検出対象物が含まれるか否かを判定するものであることが好ましい。

上述した目的を達成するために、本発明に係る対象物検出方法は、撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像ステップと、事前に学習したテンプレート情報を用いて、スペクトル画像のそれぞれについてテンプレート特徴量を算出するテンプレート特徴算出ステップと、事前に学習した識別関数情報を用いて、テンプレート特徴量のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別ステップと、第一識別ステップにおける判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別ステップと、を含む。

上述した目的を達成するために、本発明に係る対象物検出方法は、撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像ステップと、事前に学習したテンプレート情報を用いて、スペクトル画像についてテンプレート特徴ベクトルを算出するテンプレート特徴ベクトル算出ステップと、事前に学習した識別関数情報を用いて、テンプレート特徴ベクトルの各要素のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別ステップと、第一識別ステップにおけるテンプレート情報が共通する判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別ステップと、第二識別ステップにおける判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第三識別ステップと、を含む。

上述した目的を達成するために、本発明に係る対象物検出方法は、撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像ステップと、事前に学習したテンプレート情報を用いて、スペクトル画像についてテンプレート特徴ベクトルを算出するテンプレート特徴ベクトル算出ステップと、事前に学習した射影パラメータを用いて、テンプレート特徴ベクトルを射影変換して、射影テンプレート特徴量を算出する射影変換ステップと、事前に学習した識別関数情報を用いて、射影テンプレート特徴量のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別ステップと、第一識別ステップにおける判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別ステップと、を含む。

本発明によれば、色彩に特徴がある対象物を好適に検出することができる。

以下、図面を参照して、本発明の好適な実施形態に係る対象物検出装置について説明する。

［１］第一の実施形態
［対象物検出装置］
図１には、第一の実施形態に係る対象物検出装置１の構成の概略が示されている。対象物検出装置１は、物理的には、撮像素子１０_１〜１０_Ｍ、ハードディスク等の大容量記憶装置１２、ＣＰＵ及びＲＡＭ１３等で構成されている。また、対象物検出装置１は、機能的には、Ｍ個のフィルタ付き撮像素子１０_１〜１０_Ｍと、学習結果データベース１２と、Ｔ個のテンプレート特徴算出部１４_１〜１４_Ｔと、Ｔ個の弱識別器（第一識別器）１６_１〜１６_Ｔと、強識別器（第二識別器）１８と、で構成されている。テンプレート特徴算出部１４_１〜１４_Ｔ、弱識別器１６_１〜１６_Ｔ及び強識別器１８は、ＣＰＵ及びＲＡＭ１３が記憶装置１２に記憶された情報に基づいて演算処理を行うことで実現される。

フィルタ付き撮像素子１０_１〜１０_Ｍは、特定のスペクトルの電磁波のみを通過させるバンドパスフィルタ、例えばＲＧＢカラーフィルタ、赤外線領域のみを通過させるフィルタなどを有する撮像素子である。フィルタ付き撮像素子１０_１〜１０_Ｍは全部でＭ個設けられており、各フィルタ付き撮像素子１０_１〜１０_Ｍが通過させる電磁波の周波数領域は互いに異なる。よって、各フィルタ付き撮像素子１０_１〜１０_Ｍにより生成される画像データにおいて、各画素データはフィルタを通過する電磁波に応じた輝度値を有するデータとなる。以下の説明では、フィルタ付き撮像素子１０_１〜１０_Ｍにより生成される特定のスペクトルの画像データを、スペクトル画像データと呼ぶ。なお、ベイヤー配列型のように部分的に画素データが欠損した画像データを得る撮像素子については、欠損した画素データについてNearest Neighbor法等の補間処理を行うことで、欠損のない画像データを得てもよい。

学習結果データベース１２は、対象物を検出するのに有効なＴ個のテンプレート情報、弱識別関数ｈｔ、強識別関数ｈ、及びそれらの対応関係が記憶されている。ここで、テンプレート情報とは、画像データの特徴量を演算するための情報であり、演算対象となる画像データに含まれる一部の領域を特定する情報と、その領域の画素データに対する演算方法の情報を含んでいる。図２及び図３を参照して、テンプレート情報の一例について説明する。図２に示されるテンプレート情報は、画像データＰの第一領域（白領域）Ｒ１及び第二領域（黒領域）Ｒ２を演算対象の領域Ｒとして特定し、第一領域Ｒ１の画素データの輝度値の総和から第二領域Ｒ２の画素データの輝度値の総和を減算して差分を求める処理を演算方法として特定する。このテンプレート情報は、次の数式（１）により表される。なお、次の数式（１）において、Ｉ_ｍ,ｕ,ｖは、スペクトルｍの画像データにおける画素座標ｕ,ｖの輝度値である。

さらに図３に示すように、Ｔ個のテンプレート情報はそれぞれ、演算対象となる領域Ｒ_１〜Ｒ_ｔの位置及び大きさが異なっており、車両、信号、道路標識などの対象物を検出するために用いられる。

テンプレート特徴算出部１４_１〜１４_Ｔは、学習結果データベース１２に記憶されたテンプレート情報に従って、フィルタ付き撮像素子１０_１〜１０_Ｍにより生成されたスペクトル画像データを処理することで、各スペクトル画像データのテンプレート特徴量を算出する。テンプレート特徴算出部１４_１〜１４_Ｔは全部でＴ個設けられており、各テンプレート特徴算出部１４_１〜１４_Ｔは互いに異なる処理を行ってテンプレート特徴量を算出する。

弱識別器１６_１〜１６_Ｔは、学習結果データベース１２に記憶された弱識別関数ｈｔに従って、テンプレート特徴算出部１４_１〜１４_Ｔにより算出されたテンプレート特徴量を処理することで、スペクトル画像データに検出対象物が含まれるか否かを判定する。弱識別器１６_１〜１６_Ｔは、各テンプレート特徴算出部１４_１〜１４_Ｔに対して一つずつ設けられており、各テンプレート特徴算出部１４_１〜１４_Ｔにより算出されたテンプレート特徴量について判定を行う。ここで、各弱識別器１６_１〜１６_Ｔは、スペクトル画像データに検出対象物が含まれると判定した場合には１を出力し、スペクトル画像データに検出対象物が含まれないと判定した場合には０を出力する。なお、弱識別関数ｈｔとは、上述したとおり、スペクトル画像データに検出対象物が含まれるか否かを判定する条件であり、本実施形態ではテンプレート特徴量を閾値と比較して判定が行われる。

強識別器１８は、次の数式（２）の強識別関数ｈにより、弱識別器１６_１〜１６_Ｔの結果を統合して、フィルタ付き撮像素子１０_１〜１０_Ｍにより撮影された画像データに、検出対象物が含まれるか否かを判定する。ここで、強識別器１８は、画像データに検出対象物が含まれると判定した場合には１を出力し、画像データに検出対象物が含まれないと判定した場合には０を出力する。

本実施形態では、Ｍ個のフィルタ付き撮像素子１０_１〜１０_Ｍにより互いにスペクトルが異なる複数のスペクトル画像データが生成され、これらのスペクトル画像データを処理することで、画像データに検出対象物が含まれるか否かが判定される。従来技術のように、撮像素子にフィルタを設けないで画像データを得た場合には、車両、信号、標識などの検出対象物に対応する画素データとその周囲の画素データとで輝度値の差が小さいと、各検出対象物を検出できない。これに対して、本実施形態では、互いにスペクトルが異なる複数のスペクトル画像データを処理するため、検出対象物に対応する画素データとその周囲の画素データとで輝度値の差が小さい状況でも、色彩に特徴がある検出対象物を検出することができる。

次に、上述した対象物検出装置１による処理について説明する。図４には、対象物検出装置１による処理のフローチャートが示されている。先ず、対象物検出装置１は、フィルタ付き撮像素子１０_１〜１０_Ｍにより、撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する（Ｓ４０１）。次に、対象物検出装置１は、テンプレート特徴算出部１４_１〜１４_Ｔにより、事前に学習したテンプレート情報を用いて、スペクトル画像のそれぞれについてテンプレート特徴量を算出する（Ｓ４０２）。次に、対象物検出装置１は、弱識別器１６_１〜１６_Ｔにより、事前に学習した識別関数情報を用いて、テンプレート特徴量のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する（Ｓ４０３）。次に、対象物検出装置１は、強識別器１８により、弱識別器１６_１〜１６_Ｔの判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する（Ｓ４０４）。

［学習装置］
次に、上述した学習結果データベース１２を得るための学習装置２について説明する。図５には、学習装置２の構成の概略が示されている。学習装置２は、物理的には、ハードディスク等の大容量記憶装置１２，２０，２２、ＣＰＵ及びＲＡＭ２３等で構成されている。また、学習装置２は、機能的には、マルチスペクトル正解画像データベース２０と、マルチスペクトル不正解画像データベース２２と、それぞれＮ個のテンプレート特徴算出部２６_１〜２６_Ｎを含むスペクトル１〜Ｍ用特徴算出部２４_１〜２４_Ｍと、識別器学習部２８と、学習結果データベース１２と、で構成されている。

マルチスペクトル正解画像データベース２０は、多数の検出対象物をフィルタ付き撮像素子１０_１〜１０_Ｍにより撮影して生成したスペクトル画像データを、マルチスペクトル正解画像データとして記憶しているものである。また、マルチスペクトル不正解画像データベース２２は、対象物以外の物体をフィルタ付き撮像素子１０_１〜１０_Ｍにより撮影して生成したスペクトル画像データ、又はランダムな画素データからなる画像データを、マルチスペクトル不正解画像データとして記憶しているものである。マルチスペクトル画像データ及びマルチスペクトル不正解画像データは、１つの画素に対してＭ個のスペクトル成分の輝度値及び色情報を有している。

スペクトル１〜Ｍ用特徴算出部２４_１〜２４_Ｍはそれぞれ、マルチスペクトル正解画像データ又はマルチスペクトル不正解画像データから、自己の対応するスペクトル１〜Ｍの画像データのみを抽出して、テンプレート情報に従いテンプレート特徴量を算出する。スペクトル１〜Ｍ用特徴算出部２４_１〜２４_Ｍはそれぞれ全ての種類のテンプレート１〜Ｎ特徴算出部２６_１〜２６_Ｎを有しており、各テンプレート特徴算出部２６_１〜２６_Ｎは互いに異なる処理を行ってテンプレート特徴量を算出する。

識別器学習部２８は、算出されたテンプレート特徴量に基づいて学習を行い、画像データに検出対象物が含まれるか否かを判定するための弱識別関数ｈ_ｔ及び強識別関数ｈを決定する。本実施形態では、Adaboost法を用いて学習用のテンプレート特徴量を選択し、各識別関数ｈ_ｔ，ｈを決定する。以下、識別器学習部２８の処理の詳細について説明する。

識別器学習部２８は、先ず、各画像ｊに関するテンプレート特徴量の集合Ｆ_ｊと、その画像ｊが正解又は不正解であることを示す正解情報ｙ_ｊとを、学習用のデータとして取得する。ここで、正解情報ｙ_ｊとは、画像ｊが検出対象物を含む正解データである場合に１となり、画像ｊが検出対象物を含まない不正解データである場合に０となる情報である。なお、次の数式（３）に示すように、テンプレート特徴量の集合Ｆ_ｊは、テンプレート特徴ベクトルｆ_ｍの集合として表され、さらに、テンプレート特徴ベクトルｆ_ｍは、テンプレート特徴量ｆ_ｍ,ｎの集合として表される。

識別器学習部２８は、次に、画像データのそれぞれに対して重みω_ｔ,ｊを付与する。ここで、画像データが正解データである場合には重みの初期値ω_１,ｊ＝Ｑ／２が付与され、画像データが不正解データである場合には重みの初期値ω_１,ｊ＝Ｐ／２が付与される。なお、Ｐは正解データの総数であり、Ｑは不正解データの総数である。

これから説明する処理は、所定の回数Ｔ繰り返し行われる処理である。以降の説明では、繰り返し回数をｔで表しており、この繰り返し回数ｔは１からＴまで漸増する。

識別器学習部２８は、重みω_ｔ,ｊを、次の数式（４）に従って正規化する。

特徴ベクトルＦ_ｊの各要素ｆ_ｍ,ｎに対して複数の識別関数ｈ_ｍ,ｎ,ｔを用意し、各識別関数ｈ_ｍ,ｎ,ｔについて、次の数式（５）で定義されるエラー値ε_ｍ,ｎ,ｔを算出する。

各特徴ベクトルの各要素ｆ_ｍ,ｎについて、エラー値が最小となる識別関数ｈ_ｔを選択し、その識別関数ｈ_ｔの重みα_ｔを次の数式（６）に従って算出する。

識別器学習部２８は、テンプレートｎ及びスペクトルｍと関連付けて、識別関数ｈ_ｔとその重みα_ｔを、識別パラメータとしてデータベースに記憶する。なお、この識別関数ｈ_ｔが、対象物検出装置１の弱識別器１６_１〜１６_Ｔとなる。

次に、識別器学習部２８は、次の数式（７）に従って、各画像データの重みω_ｔ,ｊを更新する。これにより、重みω_ｔ,ｊが大きくなった画像データが重点的に学習されることとなる。

識別器学習部２８は、繰り返し回数ｔをインクリメント（＋１）し、上記の重みω_ｔ,ｊの正規化から重みω_ｔ,ｊの更新までの処理を繰り返す。但し、繰り返し回数ｔが所定の回数Ｔに至っている場合には、識別器学習部２８は、以上の処理の結果から、Ｔ個のテンプレート情報、Ｔ個の弱識別関数ｈ_ｔとその重みα_ｔ、強識別関数ｈを取得して、学習結果データベース１２に記憶する。なお、強識別器１８用の識別関数ｈは、既述の数式（２）で表される。

［２］第二の実施形態
［対象物検出装置］
図６には、第二の実施形態に係る対象物検出装置３の構成の概略が示されている。対象物検出装置３は、物理的には、撮像素子３０_１〜３０_Ｍ、ハードディスク等の大容量記憶装置３２、ＣＰＵ及びＲＡＭ３３等で構成されている。また、対象物検出装置３は、機能的には、Ｍ個のフィルタ付き撮像素子３０_１〜３０_Ｍと、学習結果データベース３２と、Ｔ個のテンプレート特徴ベクトル算出部３４_１〜３４_Ｔと、それぞれＭ個のスペクトル弱識別器（第一識別器）３６_１,１〜３６_Ｍ,Ｔを含むテンプレート１〜Ｔ用スペクトル弱識別器セット３５_１〜３５_Ｔと、Ｔ個のテンプレート識別器（第二識別器）３７_１〜３７_Ｔと、強識別器（第三識別器）３８と、で構成されている。テンプレート特徴ベクトル算出部３４_１〜３４_Ｔ、スペクトル弱識別器３６_１,１〜３６_Ｍ,Ｔ、テンプレート識別器３７_１〜３７_Ｔ及び強識別器３８は、ＣＰＵ及びＲＡＭ３３が記憶装置３２に記憶された情報に基づいて演算処理を行うことで実現される。

フィルタ付き撮像素子３０_１〜３０_Ｍは、第一実施形態のフィルタ付き撮像素子１０_１〜１０_Ｍと同じ構成である。また、学習結果データベース３２は、対象物を検出するのに有効なＴ個のテンプレート情報、スペクトル弱識別関数ｈ_ｌ、テンプレート識別関数η_ｎ、強識別関数η、及びそれらの対応関係が記憶されている。

テンプレート特徴ベクトル算出部３４_１〜３４_Ｔのそれぞれは、学習結果データベース３２に記憶されたテンプレート情報に従って、各フィルタ付き撮像素子３０_１〜３０_Ｍにより生成されたスペクトル画像データを処理することで、各スペクトル画像データのテンプレート特徴量からなるテンプレート特徴ベクトルを算出する。テンプレート特徴ベクトル算出部３４_１〜３４_Ｔは全部でＴ個設けられており、各テンプレート特徴ベクトル算出部３４_１〜３４_Ｔは互いに異なる処理を行ってテンプレート特徴ベクトルを算出する。

スペクトル弱識別器３６_１,１〜３６_Ｍ,Ｔは、各テンプレート特徴ベクトル算出部３４_１〜３４_Ｔに対してＭ個ずつ設けられている。スペクトル弱識別器３６_１,１〜３６_Ｍ,Ｔのそれぞれは、学習結果データベース３２に記憶された弱識別関数ｈ_ｌに従って、テンプレート特徴ベクトル算出部３４_１〜３４_Ｔにより算出されたテンプレート特徴量を処理することで、スペクトル画像データに検出対象物が含まれるか否かを判定する。ここで、各スペクトル弱識別器３６_１,１〜３６_Ｍ,Ｔは、スペクトル画像データに検出対象物が含まれると判定した場合には１を出力し、スペクトル画像データに検出対象物が含まれないと判定した場合には０を出力する。

テンプレート識別器３７_１〜３７_Ｔのそれぞれは、次の数式（８）のテンプレート識別関数η_ｎにより、テンプレート特徴ベクトル算出部３４_１〜３４_Ｔが共通するスペクトル弱識別器３６_１,１〜３６_Ｍ,１，３６_１,ｔ〜３６_Ｍ,ｔ，３６_１,Ｔ〜３６_Ｍ,Ｔの判定結果を統合して、フィルタ付き撮像素子３０_１〜３０_Ｍにより撮影された画像データに、検出対象物が含まれるか否かを判定する。ここで、テンプレート識別器３７_１〜３７_Ｔは、画像データに検出対象物が含まれると判定した場合には１を出力し、画像データに検出対象物が含まれないと判定した場合には０を出力する。

強識別器３８は、次の数式（９）の強識別関数ηにより、テンプレート識別器３７_１〜３７_Ｔの結果を統合して、フィルタ付き撮像素子３０_１〜３０_Ｍにより撮影された画像データに、検出対象物が含まれるか否かを判定する。ここで、強識別器３８は、画像データに検出対象物が含まれると判定した場合には１を出力し、画像データに検出対象物が含まれないと判定した場合には０を出力する。

本実施形態では、Ｍ個のフィルタ付き撮像素子３０_１〜３０_Ｍにより互いにスペクトルが異なる複数のスペクトル画像データが生成され、これらのスペクトル画像データを処理することで、画像データに検出対象物が含まれるか否かが判定される。よって、本実施形態では、第一実施形態と同様に、互いにスペクトルが異なる複数のスペクトル画像データを処理するため、検出対象物に対応する画素データとその周囲の画素データとで輝度値の差が小さい状況でも、色彩に特徴がある検出対象物を検出することができる。

次に、上述した対象物検出装置３による処理について説明する。図７には、対象物検出装置３による処理のフローチャートが示されている。先ず、対象物検出装置３は、フィルタ付き撮像素子３０_１〜３０_Ｍにより、撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する（Ｓ７０１）。次に、対象物検出装置３は、テンプレート特徴ベクトル算出部３４_１〜３４_Ｔにより、事前に学習したテンプレート情報を用いて、スペクトル画像についてテンプレート特徴ベクトルを算出する（Ｓ７０２）。次に、対象物検出装置３は、スペクトル弱識別器３６_１,１〜３６_Ｍ,Ｔにより、事前に学習した識別関数情報を用いて、テンプレート特徴ベクトルの各要素のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する（Ｓ７０３）。次に、対象物検出装置３は、テンプレート識別器３７_１〜３７_Ｔにより、テンプレート情報が共通するスペクトル弱識別器３６_１,１〜３６_Ｍ,Ｔの判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する（Ｓ７０４）。次に、対象物検出装置３は、強識別器３８により、テンプレート識別器３７_１〜３７_Ｔの判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する（Ｓ７０５）。

［学習装置］
次に、上述した学習結果データベース３２を得るための学習装置４について説明する。図８には、学習装置４の構成の概略が示されている。学習装置４は、物理的には、ハードディスク等の大容量記憶装置３２，４０，４２、ＣＰＵ及びＲＡＭ４３等で構成されている。また、学習装置４は、機能的には、マルチスペクトル正解画像データベース４０と、マルチスペクトル不正解画像データベース４２と、Ｎ個のテンプレート特徴ベクトル算出部４４_１〜４４_Ｎと、識別器学習部４８と、学習結果データベース３２と、で構成されている。

マルチスペクトル正解画像データベース４０、及びマルチスペクトル不正解画像データベース４２は、第一実施形態と同様な構成である。

テンプレート特徴ベクトル算出部４４_１〜４４_Ｎのそれぞれは、マルチスペクトル正解画像データ又はマルチスペクトル不正解画像データを、テンプレート情報に従って処理することで、各画像についてスペクトル数（Ｍ個）のテンプレート特徴量からなるテンプレート特徴ベクトルを算出する。テンプレート特徴ベクトル算出部４４_１〜４４_Ｎのそれぞれは、互いに異なる処理を行ってテンプレート特徴ベクトルを算出する。

識別器学習部４８は、算出されたテンプレート特徴ベクトルに基づいて学習を行い、画像データに検出対象物が含まれるか否かを判定するためのスペクトル弱識別関数ｈ_ｌ、テンプレート識別関数η_ｎ及び強識別関数ηを決定する。本実施形態では、Adaboost法を用いて学習用のテンプレート特徴量を選択し、各識別関数ｈ_ｌ，η_ｎ，ηを決定する。以下、識別器学習部４８の処理の詳細について説明する。

（１）強識別器学習方法
強識別器を構成する強識別関数ηの学習方法について説明する。識別器学習部４８は、第一実施形態と同様に、先ず、各画像ｊに関するテンプレート特徴ベクトルの集合Ｆ_ｊと、その画像ｊが正解又は不正解であることを示す正解情報ｙ_ｊと、を学習用のデータとして取得し、次に、画像データのそれぞれに対して重みω_１,ｊ＝Ｑ／２，Ｐ／２を付与する。

これから説明する処理は、所定の回数Ｔ繰り返し行われる処理である。以降の説明では、繰り返し回数をｔで表しており、この繰り返し回数ｔは１からＴまで漸増する。

識別器学習部４８は、重みω_ｔ,ｊを、次の数式（１０）に従って正規化する。

複数のテンプレート識別関数η_ｎ,ｔを用意し、各テンプレート識別関数η_ｎ,ｔについて、次の数式（１１）で定義されるエラー値ε_ｎ,ｔを算出する。なお、テンプレート識別関数η_ｎ,ｔのそれぞれは、弱識別関数ｈ_ｌとその重みβによって構成される。

エラー値が最小となるテンプレート識別関数η_ｎ,ｔを選択し、そのテンプレート識別関数η_ｎ,ｔの重みα_ｔを次の数式（１２）に従って算出する。

識別器学習部４８は、テンプレートｎと関連付けて、テンプレート識別関数η_ｎ,ｔとその重みα_ｔを、識別パラメータとしてデータベースに記憶する。

次に、識別器学習部４８は、次の数式（１３）に従って、画像データの重みω_ｔ,ｊを更新する。これにより、重みω_ｔ,ｊが大きくなった画像データが重点的に学習されることとなる。

識別器学習部４８は、繰り返し回数ｔをインクリメント（＋１）し、上記の重みω_ｔ,ｊの正規化から重みω_ｔ,ｊの更新までの処理を繰り返す。但し、繰り返し回数ｔが所定の回数Ｔに至っている場合には、識別器学習部４８は、以上の処理の結果から、Ｔ個のテンプレート情報、テンプレート識別関数η_ｎ,ｔとその重みα_ｔ、強識別関数ηを取得して、学習結果データベース３２に記憶する。なお、強識別関数ηは、既述の数式（９）で表される。

（２）テンプレート識別器学習方法
テンプレート識別器を構成するテンプレート識別関数η_ｎの学習方法について説明する。識別器学習部４８は、各画像ｊをテンプレート情報ｎで処理して得た特徴ベクトルｆ_ｎ,ｊと、その画像ｊが正解又は不正解であることを示す正解情報ｙ_ｊと、を学習用のデータとして取得し、次に、画像データのそれぞれに対して重みΩ_１,ｊ＝ω_ｔ,ｊを付与する。

これから説明する処理は、所定の回数Ｌ繰り返し行われる処理である。以降の説明では、繰り返し回数をｌで表しており、この繰り返し回数ｌは１からＬまで漸増する。

識別器学習部４８は、重みΩ_１,ｊを、次の数式（１４）に従って正規化する。

特徴ベクトルｆ_ｎの各要素ｆ_ｍ,ｎに対して複数の弱識別関数ｈ_ｍ,ｌを用意し、各弱識別関数ｈ_ｍ,ｌについて、次の数式（１５）で定義されるエラー値φ_ｍ,ｌを算出する。

エラー値が最小となる弱識別関数ｈ_ｍ,ｌを選択し、その弱識別関数ｈ_ｍ,ｌの重みβ_ｔを次の数式（１６）に従って算出する。

識別器学習部４８は、スペクトルｍと関連付けて、スペクトル弱識別関数ｈ_ｍ,ｌとその重みβ_ｔを、識別パラメータとしてデータベースに記憶する。なお、この識別関数ｈ_ｌが、対象物検出装置３のスペクトル弱識別器３６_１,１〜３６_Ｍ,Ｔとなる。

次に、識別器学習部４８は、次の数式（１７）に従って、画像データの重みΩ_ｔ,ｊを更新する。これにより、重みΩ_ｔ,ｊが大きくなった画像データが重点的に学習されることとなる。

識別器学習部４８は、繰り返し回数ｌをインクリメント（＋１）し、上記の重みΩ_ｔ,ｊの正規化から重みΩ_ｔ,ｊの更新までの処理を繰り返す。但し、繰り返し回数ｌが所定の回数Ｌに至っている場合には、識別器学習部４８は、以上の処理の結果から、Ｌ個のスペクトル弱識別関数ｈ_ｌとその重みβ_ｌ、テンプレート識別関数η_ｎを取得して、学習結果データベース３２に記憶する。なお、テンプレート識別関数η_ｎは、既述の数式（８）で表される。

［３］第三の実施形態
［対象物検出装置］
図９には、第三の実施形態に係る対象物検出装置５の構成の概略が示されている。対象物検出装置５は、物理的には、撮像素子５０_１〜５０_Ｍ、ハードディスク等の大容量記憶装置５２、ＣＰＵ及びＲＡＭ５３等で構成されている。また、対象物検出装置５は、機能的には、Ｍ個のフィルタ付き撮像素子５０_１〜５０_Ｍと、学習結果データベース５２と、Ｔ個のテンプレート特徴ベクトル算出部５４_１〜５４_Ｔと、Ｔ個の射影変換部５５_１〜５５_Ｔと、Ｔ個の弱識別器（第一識別器）５６_１〜５６_Ｔと、強識別器（第二識別器）５８と、で構成されている。テンプレート特徴ベクトル算出部５４_１〜５４_Ｔ、射影変換部５５_１〜５５_Ｔ、弱識別器５６_１〜５６_Ｔ及び強識別器５８は、ＣＰＵ及びＲＡＭ５３が記憶装置５２に記憶された情報に基づいて演算処理を行うことで実現される。

フィルタ付き撮像素子５０_１〜５０_Ｍは、第一実施形態のフィルタ付き撮像素子１０_１〜１０_Ｍと同じ構成である。また、学習結果データベース５２は、対象物を検出するのに有効なＴ個のテンプレート情報、射影変換に用いる射影パラメータａ、弱識別関数ｈ_ｔ、強識別関数ｈ、及びそれらの対応関係が記憶されている。

テンプレート特徴ベクトル算出部５４_１〜５４_Ｔのそれぞれは、学習結果データベース５２に記憶されたテンプレート情報に従って、各フィルタ付き撮像素子５０_１〜５０_Ｍにより生成されたスペクトル画像データを処理することで、各スペクトル画像データのテンプレート特徴量からなるテンプレート特徴ベクトルを算出する。テンプレート特徴ベクトル算出部５４_１〜５４_Ｔは全部でＴ個設けられており、各テンプレート特徴ベクトル算出部５４_１〜５４_Ｔは互いに異なる処理を行ってテンプレート特徴ベクトルを算出する。

射影変換部５５_１〜５５_Ｔのそれぞれは、各テンプレートに対応する射影パラメータａ_ｎ,ｍを学習結果データベースより取得し、テンプレート特徴ベクトルｆ_ｎを射影変換し、射影変換後の射影テンプレート特徴量ｆ_ｍ,ｎ’を次の数式（１８）により得る。このように、射影変換によりテンプレート特徴ベクトルｆ_ｎの次元数を累積寄与率等を基準として削減することで、１次元の射影テンプレート特徴量ｆ_ｍ,ｎ’を求める。これにより、後段の弱識別器５６_１〜５６_Ｔにおいて識別に要する計算時間を短くすることができる。

弱識別器５６_１〜５６_Ｔのそれぞれは、学習結果データベース５２に記憶された弱識別関数ｈ_ｔに従って、射影変換部５５_１〜５５_Ｔにより射影変換された射影テンプレート特徴量を処理することで、スペクトル画像データに検出対象物が含まれるか否かを判定する。弱識別器５６_１〜５６_Ｔは、各射影変換部５５_１〜５５_Ｔに対して一つずつ設けられており、射影変換部５５_１〜５５_Ｔにより射影変換された射影テンプレート特徴量について判定を行う。ここで、各弱識別器５６_１〜５６_Ｔは、スペクトル画像データに検出対象物が含まれると判定した場合には１を出力し、スペクトル画像データに検出対象物が含まれないと判定した場合には０を出力する。

強識別器５８は、次の数式（１９）の強識別関数ηにより、弱識別器５６_１〜５６_Ｔの結果を統合して、フィルタ付き撮像素子５０_１〜５０_Ｍにより撮影された画像データに、検出対象物が含まれるか否かを判定する。ここで、強識別器５８は、画像データに検出対象物が含まれると判定した場合には１を出力し、画像データに検出対象物が含まれないと判定した場合には０を出力する。

本実施形態では、Ｍ個のフィルタ付き撮像素子５０_１〜５０_Ｍにより互いにスペクトルが異なる複数のスペクトル画像データが生成され、これらのスペクトル画像データを処理することで、画像データに検出対象物が含まれるか否かが判定される。よって、本実施形態では、第一実施形態と同様に、互いにスペクトルが異なる複数のスペクトル画像データを処理するため、検出対象物に対応する画素データとその周囲の画素データとで輝度値の差が小さい状況でも、色彩に特徴がある検出対象物を検出することができる。

次に、上述した対象物検出装置５による処理について説明する。図１０には、対象物検出装置５による処理のフローチャートが示されている。先ず、対象物検出装置５は、フィルタ付き撮像素子５０_１〜５０_Ｍにより、撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する（Ｓ１０１）。次に、対象物検出装置５は、テンプレート特徴ベクトル算出部５４_１〜５４_Ｔにより、事前に学習したテンプレート情報を用いて、スペクトル画像についてテンプレート特徴ベクトルを算出する（Ｓ１０２）。次に、対象物検出装置５は、射影変換部５５_１〜５５_Ｔにより、事前に学習した射影パラメータを用いて、テンプレート特徴ベクトルを射影変換して、テンプレート特徴量を算出する（Ｓ１０３）。次に、対象物検出装置５は、弱識別器５６_１〜５６_Ｔにより、事前に学習した識別関数情報を用いて、テンプレート特徴量のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する（Ｓ１０４）。次に、対象物検出装置５は、強識別器５８により、弱識別器５６_１〜５６_Ｔの判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する（Ｓ１０５）。

［学習装置］
次に、上述した学習結果データベース５２を得るための学習装置６について説明する。図１１には、学習装置６の構成の概略が示されている。学習装置６は、物理的には、ハードディスク等の大容量記憶装置５２，６０，６２、ＣＰＵ及びＲＡＭ６３等で構成されている。また、学習装置６は、機能的には、マルチスペクトル正解画像データベース６０と、マルチスペクトル不正解画像データベース６２と、Ｎ個のテンプレート特徴ベクトル算出部６４_１〜６４_Ｎと、Ｎ個の射影パラメータ算出部６５_１〜６５_Ｎと、Ｎ個の射影変換部６６_１〜６６_Ｎと、識別器学習部６８と、学習結果データベース５２と、で構成されている。

マルチスペクトル正解画像データベース６０、及びマルチスペクトル不正解画像データベース６２は、第一実施形態と同様な構成である。

テンプレート特徴ベクトル算出部６４_１〜６４_Ｎのそれぞれは、マルチスペクトル正解画像データ又はマルチスペクトル不正解画像データを、テンプレート情報に従って処理することで、各画像についてスペクトル数（Ｍ個）のテンプレート特徴量からなるテンプレート特徴ベクトルを算出する。テンプレート特徴ベクトル算出部６４_１〜６４_Ｎのそれぞれは、互いに異なる処理を行ってテンプレート特徴ベクトルを算出する。

射影パラメータ算出部６５_１〜６５_Ｎのそれぞれは、各画像について算出されたテンプレート特徴ベクトルを、所定の軸上に射影変換するための射影パラメータを算出する。ここで、射影変換の対象となる軸は、正解画像データと不正解画像データとの識別面を簡単に決定できる軸であることが好ましい。このような軸を求める方法としては、ＫＬ展開やフィッシャーの線形判別法などの次元圧縮方法がある。

射影変換部６６_１〜６６_Ｎのそれぞれは、射影パラメータ算出部で算出された射影行列Ａ_ｎを用いて、次の数式（２０）に従ってテンプレート特徴ベクトルｆ_ｎを射影変換し、射影変換後の特徴ベクトルｆ_ｎ’を求める。このように、射影変換により特徴ベクトルｆ_ｎの次元数を累積寄与率等を基準として削減することで、１次元の射影テンプレート特徴量ｆ_ｍ,ｎ’を求める。これにより、後段の識別器学習部６８で識別に要する計算時間を短くすることができる。

識別器学習部６８は、算出された射影テンプレート特徴量に基づいて学習を行い、画像データに検出対象物が含まれるか否かを判定するための射影パラメータａ_ｎ,ｍ、弱識別関数ｈ_ｔ及び強識別関数ｈを決定する。本実施形態では、Adaboost法を用いて学習用のテンプレート特徴量を選択し、射影パラメータａ_ｎ,ｍ及び各識別関数ｈ_ｔ，ｈを決定する。以下、識別器学習部６８の処理の詳細について説明する。

識別器学習部６８は、第一実施形態と同様に、先ず、各画像ｊに関する射影変換後の特徴ベクトルの集合Ｆ_ｊと、その画像ｊが正解又は不正解であることを示す正解情報ｙ_ｊと、を学習用のデータとして取得し、次に、画像データのそれぞれに対して重みω_１,ｊ＝Ｑ／２，Ｐ／２を付与する。

これから説明する処理は、所定の回数Ｔ繰り返し行われる処理である。以降の説明では、繰り返し回数をｔで表しており、この繰り返し回数ｔは１からＴまで漸増する。

識別器学習部６８は、重みω_ｔ,ｊを、次の数式（２１）に従って正規化する。

複数の弱識別関数ｈ_ｍ,ｎ,ｔを用意し、各弱識別関数ｈ_ｍ,ｎ,ｔについて、次の数式（２２）で定義されるエラー値ε_ｍ,ｎ,ｔを算出する。

エラー値が最小となる弱識別関数ｈ_ｍ,ｎ,ｔを選択し、その弱識別関数ｈ_ｍ,ｎ,ｔの重みα_ｔを次の数式（２３）に従って算出する。

識別器学習部６８は、テンプレートｎと関連付けて、射影パラメータａ_ｎ,ｍ、弱識別関数ｈ_ｔとその重みα_ｔを、識別パラメータとしてデータベースに記憶する。なお、この識別関数ｈ_ｔが、対象物検出装置５の弱識別器５６_１〜５６_Ｔとなる。

次に、識別器学習部６８は、次の数式（２４）に従って、画像データの重みω_ｔ,ｊを更新する。これにより、重みω_ｔ,ｊが大きくなった画像データが重点的に学習されることとなる。

識別器学習部６８は、繰り返し回数ｔをインクリメント（＋１）し、上記の重みω_ｔ,ｊの正規化から重みω_ｔ,ｊの更新までの処理を繰り返す。但し、繰り返し回数ｔが所定の回数Ｔに至っている場合には、識別器学習部６８は、以上の処理の結果から、Ｔ個のテンプレート情報、射影変換パラメータａ_ｎ,ｍ、弱識別関数ｈ_ｔとその重みα_ｔ、強識別関数ｈを取得して、学習結果データベース５２に記憶する。なお、強識別関数ηは、既述の数式（１９）で表される。

なお、上述した第一〜第三の実施形態の対象物検出装置１，３，５では、強識別器の前段にあるテンプレート特徴算出部、弱識別器などの各構成を並列させたが、他の実施形態では、これらの構成を直列的に接続して、対象物検出装置を構成してもよい。

第一の実施形態に係る対象物検出装置を示す概略図である。 テンプレート情報を用いた処理を説明するための模式図である。 テンプレート情報を用いた処理の例を説明するための模式図である。 第一の実施形態に係る対象物検出装置による処理のフローチャートである。 第一の実施形態に係る学習装置を示す概略図である。 第二の実施形態に係る対象物検出装置を示す概略図である。 第二の実施形態に係る対象物検出装置による処理のフローチャートである。 第二の実施形態に係る学習装置を示す概略図である。 第三の実施形態に係る対象物検出装置を示す概略図である。 第三の実施形態に係る対象物検出装置による処理のフローチャートである。 第三の実施形態に係る学習装置を示す概略図である。

符号の説明

１，３，５…対象物検出装置、２，４，６…学習装置、１０_１-１０_Ｍ…フィルタ付き撮像素子、１２…学習結果データベース、１４_１-１４_Ｔ…テンプレート特徴算出部、１６_１-１６_Ｔ…弱識別器、１８…強識別器、２０…マルチスペクトル正解画像データベース、２２…マルチスペクトル不正解画像データベース、２４_１-２４_Ｍ…スペクトル１〜Ｍ用特徴算出部、２６_１-２６_Ｎ…テンプレート特徴算出部、２８…識別器学習部。

Claims (7)

1. 撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像部と、
   事前に学習したテンプレート情報を用いて、前記スペクトル画像のそれぞれについてテンプレート特徴量を算出するテンプレート特徴算出部と、
   事前に学習した識別関数情報を用いて、前記テンプレート特徴量のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別器と、
   前記第一識別器の判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別器と、
   を有することを特徴とする対象物検出装置。
2. 撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像部と、
   事前に学習したテンプレート情報を用いて、前記スペクトル画像についてテンプレート特徴ベクトルを算出するテンプレート特徴ベクトル算出部と、
   事前に学習した識別関数情報を用いて、前記テンプレート特徴ベクトルの各要素のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別器と、
   前記テンプレート情報が共通する前記第一識別器の判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別器と、
   前記第二識別器の判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第三識別器と、
   を有することを特徴とする対象物検出装置。
3. 撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像部と、
   事前に学習したテンプレート情報を用いて、前記スペクトル画像についてテンプレート特徴ベクトルを算出するテンプレート特徴ベクトル算出部と、
   事前に学習した射影パラメータを用いて、前記テンプレート特徴ベクトルを射影変換して、射影テンプレート特徴量を算出する射影変換部と、
   事前に学習した識別関数情報を用いて、前記射影テンプレート特徴量のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別器と、
   前記第一識別器の判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別器と、
   を有することを特徴とする対象物検出装置。
4. 前記第一識別器は、１つの入力値に基づいて画像中に検出対象物が含まれるか否かを判定するものであり、
   その他の前記識別器は、複数の入力値に基づいて画像中に検出対象物が含まれるか否かを判定するものであることを特徴とする請求項１〜３のいずれか１項に記載の対象物検出装置。
5. 撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像ステップと、
   事前に学習したテンプレート情報を用いて、前記スペクトル画像のそれぞれについてテンプレート特徴量を算出するテンプレート特徴算出ステップと、
   事前に学習した識別関数情報を用いて、前記テンプレート特徴量のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別ステップと、
   前記第一識別ステップにおける判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別ステップと、
   を含む対象物検出方法。
6. 撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像ステップと、
   事前に学習したテンプレート情報を用いて、前記スペクトル画像についてテンプレート特徴ベクトルを算出するテンプレート特徴ベクトル算出ステップと、
   事前に学習した識別関数情報を用いて、前記テンプレート特徴ベクトルの各要素のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別ステップと、
   前記第一識別ステップにおける前記テンプレート情報が共通する判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別ステップと、
   前記第二識別ステップにおける判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第三識別ステップと、
   を含む対象物検出方法。
7. 撮像領域を撮影して、互いに周波数領域が異なる複数のスペクトル画像を生成する撮像ステップと、
   事前に学習したテンプレート情報を用いて、前記スペクトル画像についてテンプレート特徴ベクトルを算出するテンプレート特徴ベクトル算出ステップと、
   事前に学習した射影パラメータを用いて、前記テンプレート特徴ベクトルを射影変換して、テンプレート特徴量を算出する射影変換ステップと、
   事前に学習した識別関数情報を用いて、前記テンプレート特徴量のそれぞれについて、画像中に検出対象物が含まれるか否かを判定する第一識別ステップと、
   前記第一識別ステップにおける判定結果に基づいて、画像中に検出対象物が含まれるか否かを判定する第二識別ステップと、
   を含む対象物検出方法。

Images