JP2007193692A

JP2007193692A - 判別器構築装置及び物体検出装置

Info

Publication number: JP2007193692A
Application number: JP2006012945A
Authority: JP
Inventors: Makoto Ootsuru; 誠大津留; Shoji Tanaka; 昭二田中
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2006-01-20
Filing date: 2006-01-20
Publication date: 2007-08-02

Abstract

【課題】予め最適な正規化処理の方法やパラメータを決定することなく、学習効率を高めることができるようにする。
【解決手段】複数の“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”と複数の正規化方法の組み合わせ毎に、当該正規化方法と“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”を使用して、全ての例題画像の評価値を算出し、その評価値から判別エラーを算出して、その判別エラーが最小になる正規化方法と“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”の組み合わせを特定し、その正規化方法と“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”の組み合わせから仮説を生成し、全ての仮説を組み合わせて判別器を構築する。
【選択図】図１

Description

この発明は、画像から物体を検出する際に使用する判別器を構築する判別器構築装置と、その判別器を用いて、物体検出対象の画像から物体を検出する物体検出装置とに関するものである。

画像から物体を検出する物体検出手法は様々なものがあり、例えば、非特許文献１には、以下に示すように物体検出手法が開示されている。
非特許文献１に開示されている物体検出手法のアルゴリズムは、画像中の一定の矩形領域から、“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”を用いて特徴量を抽出し、判別関数を用いて、その特徴量を評価することにより、その矩形領域が顔を表しているものであるか否かを評価するものである。
ここで、“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”のフィルタ値である特徴量は、探索矩形内における複数の小矩形領域の画素値合計を加減算した値であり、下記の式（１）で表すことができる。
ｆ（ｘ）＝Ｉ₁−Ｉ₂ （１）
ただし、ｘは画像、Ｉ₁は白矩形の画素値合計、Ｉ₂は黒矩形の画素値合計である。

探索矩形内において、大きさ、位置、角度などが異なる様々な“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”が存在し、これらの“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”を用いて、複数の仮説を生成し、複数の仮説を組み合わせて、顔検出器を構築するようにしている。
非特許文献１では、顔検出器を構築するに際して、“Ａｄａｂｏｏｓｔ”と呼ばれる学習アルゴリズムを用いている。

“Ａｄａｂｏｏｓｔ”は、与えられた正の例題と負の例題を識別するために判別器を構築するアルゴリズムであり、逐次的に例題の重みを変化させながら複数の異なる仮説をつくり、それらの仮説を組み合わせることにより、識別精度の高い判別器を構築するものである。
仮説関数ｈ_tは、下記の式（２）で表すことができる。

式（２）において、ｆは“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”のフィルタ値、ｘは探索矩形内の画像データ、ｔｈは閾値、ｗ_p，ｗ_nは閾値に応じた重みを表している。
ただし、ｘに関しては、照明条件の変化に対応するために、画像に正規化処理が施されたデータを用いている。

“Ａｄａｂｏｏｓｔ”では、逐次処理において、下記の式（３）を最小化する仮説関数ｈ_tをそれぞれ選択し、その選択した複数の仮説関数ｈ_tを組み合わせて判別器を構築する。

ただし、Ｄ_tは例題として与えられた画像データに対する重み、ｙ_iはｉ番目の画像データｘ_iの正負を識別するラベルであり、｛＋１，−１｝が用いられる。
また、ｔは逐次処理の回数（学習の回数）を表している。

非特許文献１では、仮説関数ｈ_tにおける重みｗ_p，ｗ_nを下記の式（４）で定義している。

式（４）において、ｗ_p，ｗ_nは仮説関数ｈ_tの閾値によって割り振られる識別の信頼度であり、以下のように定義される。
Ｗ₊₊：閾値より大きい画像データであり、与えられたラベルが正である重みＤの合計
Ｗ_+-：閾値より大きい画像データであり、与えられたラベルが負である重みＤの合計
Ｗ_-+：閾値より小さい画像データであり、与えられたラベルが正である重みＤの合計
Ｗ_--：閾値より小さい画像データであり、与えられたラベルが負である重みＤの合計

なお、仮説関数ｈ_tには、式（３）で示した重みＤが含まれているので、式（３）は、下記の式（５）で表すことができる。

学習過程においては、各々の“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”のフィルタ値ｆから、式（５）で表される関数値Ｚ_tが最小となるように閾値ｔｈを設定し、全ての“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”のフィルタ値ｆに対する関数値Ｚ_tの中で、最小の関数値Ｚ_tに係る仮説関数ｈ_tを選択する。
各学習過程ｔにおいて、各画像データに対する判別器の出力値から“ＦａｌｓｅＰｏｓｉｔｉｖｅ（誤検出）”と“ＦａｌｓｅＮｅｇａｔｉｖｅ（検出漏れ）”が最小となる閾値を設定し、“ＦａｌｓｅＰｏｓｉｔｉｖｅ”と“ＦａｌｓｅＮｅｇａｔｉｖｅ”が目標とする精度に達している場合は学習を終了する。

構築される判別器Ｈ（ｘ）は、下記の式（６）で表される。
“ＦａｌｓｅＰｏｓｉｔｉｖｅ”と“ＦａｌｓｅＮｅｇａｔｉｖｅ”が目標とする精度に達していない場合は、各画像データの重みＤを下記の式（７）によって更新し、次回の学習処理で用いるようにする。なお、初回学習時の重みは、各画像データに均等に割り振られる。

ただし、ＴＨは判別器の閾値を表し、Ｈ（ｘ）が１であれば、ｘは顔であると判定し、０であれば、ｘは非顔であると判定する。

Ｊｏｎｅｓ，Ｍ．Ｊ．；Ｖｉｏｌａ，Ｐ．，"ＦａｃｅＲｅｃｏｇｎｉｔｉｏｎＵｓｉｎｇＢｏｏｓｔｅｄＬｏｃａｌＦｅａｔｕｒｅｓ"，ＭｉｔｓｕｂｉｓｈｉＥｌｅｃｔｒｉｃＲｅｓｅａｒｃｈＬａｂ，ＴｅｃｈｎｉｃａｌＲｅｐｏｒｔ，ＴＲ２００３−０２５，２００３．

従来の判別器構築装置は以上のように構成されているので、照明条件の変化に対応するために、例題画像（複数の顔画像と非顔画像）の正規化処理が実施されるが、その正規化処理の方法やパラメータは、予め最適なものに決めておく必要があり、最適なものに決定されていない場合には、学習効率が低下してしまうなどの課題があった。

この発明は上記のような課題を解決するためになされたもので、予め最適な正規化処理の方法やパラメータを決定することなく、学習効率を高めることができる判別器構築装置を得ることを目的とする。
また、この発明は、学習効率が高い判別器構築装置を用いて、高速に物体を検出することができる物体検出装置を得ることを目的とする。

この発明に係る判別器構築装置は、予め用意されている複数のフィルタと複数の正規化方法の組み合わせ毎に、当該正規化方法とフィルタを使用して、全ての例題画像の評価値を算出する評価値算出手段と、その評価値算出手段により算出された例題画像の評価値から判別エラーを算出する判別エラー算出手段と、その判別エラー算出手段により算出された判別エラーが最小になる正規化方法とフィルタの組み合わせを特定し、その正規化方法とフィルタの組み合わせから仮説を生成する仮説生成手段とを設け、その仮説生成手段により生成された仮説を組み合わせて判別器を構築するようにしたものである。

この発明によれば、予め用意されている複数のフィルタと複数の正規化方法の組み合わせ毎に、当該正規化方法とフィルタを使用して、全ての例題画像の評価値を算出する評価値算出手段と、その評価値算出手段により算出された例題画像の評価値から判別エラーを算出する判別エラー算出手段と、その判別エラー算出手段により算出された判別エラーが最小になる正規化方法とフィルタの組み合わせを特定し、その正規化方法とフィルタの組み合わせから仮説を生成する仮説生成手段とを設け、その仮説生成手段により生成された仮説を組み合わせて判別器を構築するように構成したので、予め最適な正規化処理の方法やパラメータを決定することなく、学習効率を高めることができる効果がある。

実施の形態１．
図１はこの発明の実施の形態１による物体検出装置を示す構成図であり、図において、物体検出装置は学習機である判別器構築装置１を実装している。
図１の例では、物体検出装置が判別器構築装置１を内蔵しているが、判別器構築装置１が外付けであってもよい。
判別器構築装置１のフィルタ記憶部１１は画像の評価値を算出する際に使用する“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”を複数記憶しているメモリである。なお、フィルタ記憶部１１はフィルタ記憶手段を構成している。
判別器構築装置１の正規化方法記憶部１２は画像を補正する際に使用する正規化方法を複数記憶しているメモリである。なお、正規化方法記憶部１２は正規化方法記憶手段を構成している。
判別器構築装置１の例題画像記憶部１３は例題画像（複数の顔画像と非顔画像）を記憶しているメモリである。

判別器構築装置１の評価値算出部１４はフィルタ記憶部１１に記憶されている複数のフィルタと正規化方法記憶部１２に記憶されている複数の正規化方法の組み合わせ毎に、当該正規化方法とフィルタを使用して、例題画像記憶部１３に記憶されている全ての例題画像の評価値を算出する処理を実施する。なお、評価値算出部１４は評価値算出手段を構成している。
判別器構築装置１の判別エラー算出部１５は評価値算出部１４により算出された例題画像の評価値から判別エラーを算出する処理を実施する。なお、判別エラー算出部１５は判別エラー算出手段を構成している。

判別器構築装置１の仮説生成部１６は判別エラー算出部１５により算出された判別エラーが最小になる正規化方法とフィルタの組み合わせを特定し、当該正規化方法とフィルタの組み合わせから仮説を生成する処理を実施する。なお、仮説生成部１６は仮説生成手段を構成している。
判別器構築装置１の判別器構築部１７は仮説生成部１６により生成された仮説を組み合わせて判別器を構築する処理を実施する。なお、判別器構築部１７は判別器構築手段を構成している。

物体検出処理部２は判別器構築部１７により構築された判別器を用いて、物体検出対象の画像から物体を検出する処理を実施する、なお、物体検出処理部２は物体検出手段を構成している。
物体検出処理部２のグレー画像作成部２１は物体検出対象の画像からグレー画像を作成する処理を実施する。
物体検出処理部２のスケール変換部２２は検出対象の物体の大きさに応じて、グレー画像作成部２１により作成されたグレー画像をスケール変換し、スケール変換後のグレー画像であるマルチスケール画像を探索矩形取得部２３に出力する。

物体検出処理部２の探索矩形取得部２３はスケール変換部２２より出力されたマルチスケール画像から検出処理を行う探索矩形を取得する処理を実施する。
物体検出処理部２の物体検出部２４は判別器構築部１７により構築された判別器を用いて、探索矩形取得部２３により取得された探索矩形を評価し、当該探索矩形の評価値が上記判別器の閾値より大きければ、その探索矩形が検出対象の物体であると認定する処理を実施する。
図２はこの発明の実施の形態１による物体検出装置の処理内容を示すフローチャートであり、図３はこの発明の実施の形態１による判別器構築装置における判別エラー算出部１５の処理内容を示すフローチャートである。

次に動作について説明する。
この実施の形態１では、物体検出対象の画像から顔を検出する例について説明する。ただし、顔の検出は一例に過ぎず、他の物体を検出するようにしてもよいことは言うまでもない。

学習機である判別器構築装置１は、物体検出処理部２が物体検出画像から顔を検出する際に使用する判別器を構築する。
以下、判別器構築装置１の処理内容を詳細に説明する。
判別器構築装置１のフィルタ記憶部１１は、画像の評価値を算出する際に使用する“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”を複数記憶している。
図４は“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”の基本形を示す説明図であり、探索矩形内において、大きさ、位置、角度などが異なる様々な“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”がフィルタ記憶部１１に記憶されている。

また、判別器構築装置１の正規化方法記憶部１２は、画像を補正する際に使用する正規化方法を複数記憶している。
正規化方法としては、様々な手法が存在するが、例えば、ガンマ補正のパラメータを変化させたものを用いることができる。
ガンマ補正は、下記の式（１１）によって表される。

ただし、ｘは補正をかける画像の画素値、γはパラメータである。
例えば、ガンマ補正のパラメータとして０．５、１．０、１．８を用いた場合には、図５のような正規化方法の組となる。
正規化方法としては、分散ベースの正規化など、他の方法を組み合わせるようにしてもよい。

判別器構築装置１の評価値算出部１４は、フィルタ記憶部１１に記憶されている複数の“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”と正規化方法記憶部１２に記憶されている複数の正規化方法の組み合わせ毎に、当該正規化方法と“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”を使用して、例題画像記憶部１３に記憶されている全ての例題画像の評価値を算出する（図２のステップＳＴ１）。
即ち、評価値算出部１４は、下記の式（１２）を計算することにより、全ての例題画像の評価値ｅｖａｌを算出する。
ｅｖａｌ＝ｆ（ｇ（ｘ））（１２）
ｆ（ｘ）＝Ｉ₁−Ｉ₂ （１３）
ただし、ｘは探索矩形内の画像データ、Ｉ₁は白矩形の画素値合計、Ｉ₂は黒矩形の画素値合計である（図４を参照）。
ｆ（）は“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”のフィルタ値、ｇ（）は正規化処理を実施する正規化関数である。

判別器構築装置１の判別エラー算出部１５は、評価値算出部１４が全ての例題画像の評価値ｅｖａｌを算出すると、判別エラーεが最小になる閾値ｔｈを求める（ステップＳＴ２）。
即ち、判別エラー算出部１５は、評価値算出部１４が全ての例題画像の評価値ｅｖａｌを算出すると、全ての例題画像の評価値ｅｖａｌの平均値と標準偏差を算出する（図３のステップＳＴ１１）。
判別エラー算出部１５は、全ての例題画像の評価値ｅｖａｌの平均値と標準偏差を算出すると、例えば、（平均値−標準偏差）〜（平均値＋標準偏差）の範囲を１０分割し、各分割範囲の値を閾値ｔｈに設定する（ステップＳＴ１２）。

判別器構築装置１の判別エラー算出部１５は、各分割範囲の値を閾値ｔｈに設定すると、各分割範囲の閾値ｔｈ毎に、下記の式（１４）を使用して、判別エラーεを算出する（ステップＳＴ１３）。

ただし、ｙは例題画像の正負を表すラベル（１：正、−１：負）、Ｄは例題画像に対する重みである。

判別器構築装置１の判別エラー算出部１５は、各分割範囲の閾値ｔｈ毎に判別エラーεを算出すると、それらの判別エラーεを比較して、判別エラーεが最も小さくなる閾値ｔｈを選択する（ステップＳＴ１４）。

判別器構築装置１の仮説生成部１６は、判別エラー算出部１５が、判別エラーεが最も小さくなる閾値ｔｈを選択すると、その閾値ｔｈと、判別エラーεが最も小さくなる正規化方法と“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”の組み合わせとから仮説ｈ_tを生成する（図２のステップＳＴ３）。
仮説ｈ_tは、下記の式（１５）で表される。

式（１５）において、ｗ_p，ｗ_nは閾値に応じた重みを表しており、式（１６）で表される。

判別器構築装置１の判別器構築部１７は、仮説生成部１６が上記のようにして、仮説ｈ_tを生成すると、全ての仮説ｈ_tの総和Σｈ_t（ｘ）を求め、その総和Σｈ_t（ｘ）から判別器Ｈ（ｘ）を構築する。
即ち、判別器構築部１７は、“ＦａｌｓｅＰｏｓｉｔｉｖｅ”と“ＦａｌｓｅＮｅｇａｔｉｖｅ”が最小になるように、仮説ｈ_tの総和Σｈ_t（ｘ）から判別器Ｈ（ｘ）の閾値ＴＨを設定する（ステップＳＴ４）。

式（１７）において、Ｈ（ｘ）が“１”であれば探索領域は顔であり、Ｈ（ｘ）が“０”であれば非顔であることを意味している。

判別器構築装置１の判別器構築部１７は、判別器Ｈ（ｘ）の閾値ＴＨを設定すると、その閾値ＴＨでの精度を求め（ステップＳＴ５）、その精度が目標精度に到達していれば、判別器の構築処理を終了する。
一方、閾値ＴＨでの精度が目標精度に到達していなければ、下記の式（１８）で重みＤを更新してから（ステップＳＴ６）、ステップＳＴ１の処理に戻り、再度、判別器Ｈ（ｘ）の構築処理を実施する。

ただし、Ｚｔは下記の式（１９）を成立させるための規格化因子であり、下記の式（２０）で表される。

なお、初回の学習時では、重みＤは各データに対して均等に割り振られている。

物体検出処理部２は、上記のようにして、判別器構築装置１が判別器Ｈ（ｘ）を構築すると、その判別器Ｈ（ｘ）を用いて、物体検出対象の画像から顔を検出する。
具体的には、以下のようにして、物体検出対象の画像から顔を検出する。

物体検出処理部２のグレー画像作成部２１は、例えば、下記の式（２１）を用いて、物体検出対象の画像からグレー画像を作成する。
ｇｒａｙ＝０．２９９Ｒ＋０．５８７Ｇ＋０．１１４Ｂ（２１）
ただし、ｇｒａｙはグレー画像の画素値、Ｒは物体検出対象の画像の赤色の画素値、Ｇは物体検出対象の画像の緑色の画素値、Ｂは物体検出対象の画像の青色の画素値である。

物体検出処理部２のスケール変換部２２は、グレー画像作成部２１がグレー画像を作成すると、検出対象の物体の大きさに応じて、そのグレー画像を拡大や縮小するなどのスケール変換処理を行うことにより、複数のスケール画像（マルチスケール画像）を生成する。
ここで、グレー画像を拡大・縮小に用いる手法としては、バイリニア法を用いることができる。バイリニア法は１次補完の一種であり、入力画像ｆ（ｉ，ｊ）をＡ倍するに際して、（ｍ／Ａ，ｎ／Ａ）の４近傍を利用する。
下記の式（２２）のように定義すると、スケール画像は下記の式（２３）で表される。

なお、画像の拡大・縮小に用いる手法としては、ニアレストネイバー法など、他の方法を用いてもかまわない。

物体検出処理部２の探索矩形取得部２３は、スケール変換部２２からマルチスケール画像を受けると、図６に示すように、マルチスケール画像の全体を走査して、検出処理を行う探索矩形を順次取得する。
検出処理を行う探索矩形のサイズは一定であるが、スケール変換部２２からスケールの異なる画像が出力されるため、任意の大きさの顔を検出することが可能となる。

物体検出処理部２の物体検出部２４は、探索矩形取得部２３が検出処理を行う探索矩形を取得する毎に、判別器構築部１７により構築された判別器Ｈ（ｘ）を用いて、探索矩形取得部２３により取得された探索矩形を評価し、その探索矩形の評価値が判別器Ｈ（ｘ）の閾値ＴＨより大きければ、その探索矩形が検出対象の顔であると認定する。
一方、探索矩形の評価値が判別器Ｈ（ｘ）の閾値ＴＨより小さければ、その探索矩形が検出対象の顔でないと認定する。

即ち、物体検出部２４は、探索矩形取得部２３が検出処理を行う探索矩形ｘを取得する毎に、その探索矩形ｘを式（１５）に代入してｆ（ｇ（ｘ））を求め、ｆ（ｇ（ｘ））が閾値ｔｈより大きければ、重みｗ_pを加算し、ｆ（ｇ（ｘ））が閾値ｔｈより小さければ、重みｗ_nを加算することにより、仮説ｈ_tを求める。
そして、物体検出部２４は、式（１７）に示すように、全ての仮説ｈ_tの総和Σｈ_t（ｘ）が判別器Ｈ（ｘ）の閾値ＴＨより大きければ、その探索矩形が検出対象の顔であると認定する。
一方、全ての仮説ｈ_tの総和Σｈ_t（ｘ）が判別器Ｈ（ｘ）の閾値ＴＨより小さければ、その探索矩形が検出対象の顔でないと認定する。

以上で明らかなように、この実施の形態１によれば、予め用意されている複数の“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”と複数の正規化方法の組み合わせ毎に、当該正規化方法と“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”を使用して、全ての例題画像の評価値を算出する評価値算出部１４と、その評価値算出部１４により算出された例題画像の評価値から判別エラーを算出する判別エラー算出部１５と、その判別エラー算出部１５により算出された判別エラーが最小になる正規化方法と“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”の組み合わせを特定し、その正規化方法と“ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”の組み合わせから仮説を生成する仮説生成部１６とを設け、その仮説生成部１６により生成された仮説を組み合わせて判別器を構築するように構成したので、予め最適な正規化処理の方法やパラメータを決定することなく、学習効率を高めることができる効果を奏する。
また、このことにより、判別器を構築する仮説の数が少なくなるため、判別器のデータサイズが小さくなり、判別器を用いての顔検出の高速化が図られる効果を奏する。

また、この実施の形態１によれば、検出対象の物体の大きさに応じて、グレー画像作成部２１により作成されたグレー画像をスケール変換し、スケール変換後のグレー画像を探索矩形取得部２３に出力するスケール変換部２２を設けるように構成したので、任意の大きさの顔を検出することができる効果を奏する。

この発明の実施の形態１による物体検出装置を示す構成図である。この発明の実施の形態１による物体検出装置の処理内容を示すフローチャートである。この発明の実施の形態１による判別器構築装置における判別エラー算出部の処理内容を示すフローチャートである。 “ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”の基本形を示す説明図である。 “ＲｅｃｔａｎｇｌｅＦｉｌｔｅｒ”と正規化方法の組み合わせの一例を示す説明図である。探索矩形の取得処理を示す説明図である。

符号の説明

１判別器構築装置、２物体検出処理部（物体検出手段）、１１フィルタ記憶部（フィルタ記憶手段）、１２正規化方法記憶部（正規化方法記憶手段）、１３例題画像記憶部、１４評価値算出部（評価値算出手段）、１５判別エラー算出部（判別エラー算出手段）、１６仮説生成部（仮説生成手段）、１７判別器構築部（判別器構築手段）、２１グレー画像作成部、２２スケール変換部、２３探索矩形取得部、２４物体検出部。

Claims

画像の評価値を算出する際に使用するフィルタを複数記憶するフィルタ記憶手段と、画像を補正する際に使用する正規化方法を複数記憶する正規化方法記憶手段と、上記フィルタ記憶手段に記憶されている複数のフィルタと上記正規化方法記憶手段に記憶されている複数の正規化方法の組み合わせ毎に、当該正規化方法とフィルタを使用して、全ての例題画像の評価値を算出する評価値算出手段と、上記評価値算出手段により算出された例題画像の評価値から判別エラーを算出する判別エラー算出手段と、上記判別エラー算出手段により算出された判別エラーが最小になる正規化方法とフィルタの組み合わせを特定し、当該正規化方法とフィルタの組み合わせから仮説を生成する仮説生成手段と、上記仮説生成手段により生成された仮説を組み合わせて判別器を構築する判別器構築手段とを備えた判別器構築装置。
画像の評価値を算出する際に使用するフィルタを複数記憶するフィルタ記憶手段と、画像を補正する際に使用する正規化方法を複数記憶する正規化方法記憶手段と、上記フィルタ記憶手段に記憶されている複数のフィルタと上記正規化方法記憶手段に記憶されている複数の正規化方法の組み合わせ毎に、当該正規化方法とフィルタを使用して、全ての例題画像の評価値を算出する評価値算出手段と、上記評価値算出手段により算出された例題画像の評価値から判別エラーを算出する判別エラー算出手段と、上記判別エラー算出手段により算出された判別エラーが最小になる正規化方法とフィルタの組み合わせを特定し、当該正規化方法とフィルタの組み合わせから仮説を生成する仮説生成手段と、上記仮説生成手段により生成された仮説を組み合わせて判別器を構築する判別器構築手段と、上記判別器構築手段により構築された判別器を用いて、物体検出対象の画像から物体を検出する物体検出手段とを備えた物体検出装置。
物体検出対象の画像からグレー画像を作成するグレー画像作成部と、上記グレー画像作成部により作成されたグレー画像から検出処理を行う探索矩形を取得する探索矩形取得部と、判別器構築手段により構築された判別器を用いて、上記探索矩形取得部により取得された探索矩形を評価し、当該探索矩形の評価値が上記判別器の閾値より大きければ、その探索矩形が検出対象の物体であると認定する検出部とから物体検出手段が構成されていることを特徴とする請求項２記載の物体検出装置。
検出対象の物体の大きさに応じて、グレー画像作成部により作成されたグレー画像をスケール変換し、スケール変換後のグレー画像を探索矩形取得部に出力するスケール変換部を設けたことを特徴とする請求項３記載の物体検出装置。