JP2007266661A - 撮像装置、情報処理装置、撮像表示システム - Google Patents

Abstract

【課題】所望の動画ファイルの選定の容易化が図られた撮像装置を提供することを目的とする。
【解決手段】動画撮影時に撮影者が発声したサムネイル用音声から、テキスト変換を介して、サムネイル文字列を生成し、それをサムネイル画像に関連付けて記録する。そして、サムネイル画像を表示する際、サムネイル画像と併せてサムネイル文字列を表示する。また、サムネイル用音声の信号成分を、撮影時の周辺音を表す音声信号から除去し、除去後の音声信号を最終的な音声信号として映像信号と共にメモリカードに記録する。
【選択図】図７

Description

本発明は、デジタルスチルカメラやデジタルビデオカメラ等の撮像装置に関し、特に動画用のサムネイルの作成技術に関する。また、本発明は、撮像装置を利用した情報処理装置及び撮像表示システムに関する。

デジタルビデオカメラ等の撮像装置には、サムネイル画像を表示するモードが設けられていることが多い。動画用のサムネイル画像は、通常、動画の録画開始時または録画終了時など、適当なタイミングで生成される（例えば、下記特許文献１参照）。この種の撮像装置は、例えば下記特許文献１に開示されている。ユーザは、このサムネイル画像を頼りに、録画した複数の動画の内から再生しようとする動画を選び出す。

尚、下記特許文献２（例えば段落６２）には、マイクに向かって発声したシーン番号等を表す音声より、動画ファイルのファイル名を生成する手法が開示されている。

特開平１０−２８２５０号公報 特開２００３−３７７７０号公報

上記のように、従来の動画用のサムネイル画像は、撮影した動画の内容と関係なく、適当なタイミングにおける画像を基に生成される。このため、従来の撮像装置において、サムネイル画像は撮影した動画の特徴を表していないことが多く、所望の動画ファイルを効率的に選択して再生することが困難である、という問題があった。

尚、上記特許文献２に記載の技術は、動画ファイルのファイル名の生成手法に関する技術であり、サムネイル画像に関与する上記のような問題を解決する技術ではない。

そこで本発明は、所望の動画ファイルの選定の容易化が図られた撮像装置並びに該撮像装置を利用した情報処理装置及び撮像表示システムを提供することを目的とする。

上記の目的を達成するために本発明に係る撮像装置は、被写体に応じた撮像信号を出力する撮像手段と、動画を撮影した際、前記撮像信号に基づいて該動画に対応するサムネイル画像を生成するサムネイル画像生成手段と、前記サムネイル画像を表示可能な表示手段と、を備えた撮像装置において、外部からサムネイル用音声の入力を受ける音入力手段と、前記動画の撮影に対応して入力された前記サムネイル用音声からサムネイル文字列を生成するサムネイル文字列生成手段と、を備え、前記表示手段は、前記サムネイル画像を表示する際、表示した前記サムネイル画像に対応する前記サムネイル文字列も表示することを特徴とする。

サムネイル画像を表示する際、入力されたサムネイル用音声に応じたサムネイル文字列も表示することにより、所望の動画ファイルの選定の容易化が図られる。

尚、サムネイル画像がカーソル等によって選択されている場合にのみ対応するサムネイル文字列を表示するか、或いは、サムネイル画像がカーソル等によって選択されているか否かに拘らず対応するサムネイル文字列を表示するか、は任意である。

例えば、前記表示手段は、前記サムネイル画像を表示する際、外部からの操作に応じて、表示した前記サムネイル画像に対応する前記サムネイル文字列も表示する。

また例えば、前記サムネイル用音声は、外部から所定の操作を受けたときに前記音入力手段を介して入力された音声である。

また例えば、上記撮像装置は、前記音入力手段を介して入力された音声の話者と、予め登録された登録話者と、の一致または不一致を判断する話者認識手段を備え、前記サムネイル用音声は、前記登録話者に一致すると判断された話者が前記音入力手段を介して入力した音声である。

また例えば、上記撮像装置は、当該撮像装置の周辺音に応じた音声信号を前記動画を表す映像信号と共に記録する記録手段と、前記サムネイル用音声の信号成分を、前記記録手段に記録されるべき前記音声信号から除去する音声除去手段と、を更に備えている。

これにより、サムネイル文字列を形成するために発したサムネイル用音声が記録されるべき周辺音に混入してしまうことを嫌うユーザに対して、便宜が図られる。

また例えば、前記サムネイル画像生成手段は、前記サムネイル文字列の生成の基となる前記サムネイル用音声が入力されたタイミングを基準とした所定タイミングにおける前記撮像信号を用いて、前記サムネイル画像を生成する。

動画の特徴を表現しようとしてユーザはサムネイル用音声を発する。従って、この発声タイミングにおける撮影画像及びそれに対応するサムネイル画像は、動画の特徴を良く表した画像またはユーザにとって印象の深い画像となることが多い。このため、上記のように構成することにより、サムネイル画像を頼りとした、所望の動画ファイルの選定の容易化がより一層図られる。

また上記の目的を達成するために本発明に係る情報処理装置は、被写体に応じた撮像信号を出力する撮像手段と、動画を撮影した際、前記撮像信号に基づいて該動画に対応するサムネイル画像を生成するサムネイル画像生成手段と、外部からサムネイル用音声の入力を受ける音入力手段と、前記動画の撮影に対応して入力された前記サムネイル用音声からサムネイル文字列を生成するサムネイル文字列生成手段と、を備えた撮像装置にて生成された、前記サムネイル画像を表す情報及び前記サムネイル文字列を表す情報の供給を受ける入力手段と、前記入力手段を介して与えられた前記情報に基づいた表示を行う表示手段と、を備えた情報処理装置であって、前記表示手段は、前記サムネイル画像を表示する際、表示した前記サムネイル画像に対応する前記サムネイル文字列も表示することを特徴とする。

サムネイル画像を表示する際、入力されたサムネイル用音声に応じたサムネイル文字列も表示することにより、所望の動画ファイルの選定の容易化が図られる。

尚、サムネイル画像がカーソル等によって選択されている場合にのみ対応するサムネイル文字列を表示するか、或いは、サムネイル画像がカーソル等によって選択されているか否かに拘らず対応するサムネイル文字列を表示するか、は任意である。

例えば、上記情報処理装置において、前記表示手段は、前記サムネイル画像を表示する際、外部からの操作に応じて、表示した前記サムネイル画像に対応する前記サムネイル文字列も表示する。

また上記の目的を達成するために本発明に係る撮像表示システムは、上記撮像装置と上記情報処理装置とを備えている。

上述した通り、本発明によれば、所望の動画ファイルの選定の容易化が図られる。

以下、本発明の実施の形態につき、図面を参照して具体的に説明する。参照される各図において、同一の部分には同一の符号を付す。

後に、第１、第２及び第３実施例を説明するが、まず、それらの全てに共通する内容を、図１〜図３を参照して説明する。

図１は、本発明の実施の形態に係る撮像装置１の全体ブロック図である。撮像装置１は、例えば、デジタルスチルカメラやデジタルビデオカメラである。撮像装置１は、動画及び静止画を撮影可能となっていると共に、動画撮影中に静止画を同時に撮影することも可能となっている。

撮像装置１は、撮像部１１と、ＡＦＥ（Analog Front End）１２と、映像信号処理部１３と、主マイク１４ａと、副マイク１４ｂと、音声信号処理部１５と、圧縮処理部１６と、内部メモリの一例としてのＳＤＲＡＭ（Synchronous Dynamic Random Access Memory）１７と、メモリカード１８と、伸張処理部１９と、映像出力回路（ビデオ出力回路）２０と、音声出力回路２１と、ＴＧ（タイミングジェネレータ）２２と、ＣＰＵ（Central Processing Unit）２３と、バス２４と、バス２５と、操作部２６と、表示部２７と、スピーカ２８と、を備えている。操作部２６は、録画ボタン２６ａ、シャッタボタン２６ｂ及び操作キー２６ｃ等を有している。

バス２４には、撮像部１１、ＡＦＥ１２、映像信号処理部１３、音声信号処理部１５、圧縮処理部１６、伸張処理部１９、映像出力回路２０、音声出力回路２１及びＣＰＵ２３が接続されている。バス２４に接続された各部位は、バス２４を介して、各種の信号（データ）のやり取りを行う。

バス２５には、映像信号処理部１３、音声信号処理部１５、圧縮処理部１６、伸張処理部１９及びＳＤＲＡＭ１７に接続されている。バス２５に接続された各部位は、バス２５を介して、各種の信号（データ）のやり取りを行う。

ＴＧ２２は、撮像装置１全体における各動作のタイミングを制御するためのタイミング制御信号を生成し、生成したタイミング制御信号を撮像装置１内の各部に与える。具体的には、タイミング制御信号は、撮像部１１、映像信号処理部１３、音声信号処理部１５、圧縮処理部１６、伸張処理部１９及びＣＰＵ２３に与えられる。タイミング制御信号は、垂直同期信号Ｖｓｙｎｃと水平同期信号Ｈｓｙｎｃを含む。

ＣＰＵ２３は、撮像装置１内の各部の動作を統括的に制御する。操作部２６は、ユーザによる操作を受け付ける。操作部２６に与えられた操作内容は、ＣＰＵ２３に伝達される。ＳＤＲＡＭ１７は、フレームメモリとして機能する。撮像装置１内の各部は、必要に応じて、信号処理時に一時的に各種のデータ（デジタル信号）をＳＤＲＡＭ１７に記録する。

メモリカード１８は、外部記録媒体であり、例えば、ＳＤ（Secure Digital）メモリカードである。メモリカード１８は、撮像装置１に対して着脱自在となっている。メモリカード１８の記録内容は、メモリカード１８の端子を介して又は撮像装置１に設けられた通信用コネクタ部（不図示）を介して、外部のパーソナルコンピュータ等によって自在に読み出し可能である。尚、本実施形態では外部記録媒体としてメモリカード１８を例示しているが、外部記録媒体を、１または複数のランダムアクセス可能な記録媒体（半導体メモリ、メモリカード、光ディスク、磁気ディスク等）で構成することができる。

図２は、図１の撮像部１１の内部構成図である。撮像部１１は、ズームレンズ３０及びフォーカスレンズ３１を含む複数枚のレンズを備えて構成される光学系３５と、絞り３２と、撮像素子３３と、ドライバ３４を有している。ドライバ３４は、ズームレンズ３０及びフォーカスレンズ３１の移動並びに絞り１２の開口量の調節を実現するためのモータ等から構成される。

被写体（撮像対象）からの入射光は、光学系３５を構成するズームレンズ３０及びフォーカスレンズ３１、並びに、絞り３２を介して撮像素子３３に入射する。ＴＧ２２は、上記タイミング制御信号に同期した、撮像素子３３を駆動するための駆動パルスを生成し、該駆動パルスを撮像素子３３に与える。

撮像素子３３は、例えばＣＣＤ（Charge Coupled Devices）やＣＭＯＳ（Complementary Metal Oxide Semiconductor）イメージセンサ等からなる。撮像素子３３は、光学系３５及び絞り３２を介して入射した光学像を光電変換し、該光電変換によって得られた電気信号をＡＦＥ１２に出力する。より具体的には、撮像素子３３は、マトリクス状に二次元配列された複数の画素（受光画素；不図示）を備え、各撮影において、各画素は露光時間に応じた電荷量の信号電荷を蓄える。蓄えた信号電荷の電荷量に比例した大きさを有する各画素からの電気信号は、ＴＧ２２からの駆動パルスに従って、後段のＡＦＥ１２に順次出力される。

撮像素子３３は、カラー撮影の可能な、単板式の撮像素子となっている。撮像素子３３を構成する各画素には、例えば、赤（Ｒ）、緑（Ｇ）及び青（Ｂ）の何れかのカラーフィルタ（不図示）が設けられている。尚、撮像素子３３として、３板式の撮像素子を採用することも可能である。

ＡＦＥ１２は、撮像部１１の出力信号（即ち、撮像素子３３の出力信号）であるアナログの上記電気信号を増幅する増幅回路（不図示）、増幅された電気信号をデジタル信号に変換するＡ／Ｄ（アナログ−デジタル）変換回路（不図示）と、を備える。ＡＦＥ１２によってデジタル信号に変換された撮像部１１の出力信号は、順次、映像信号処理部１３に送られる。また、ＣＰＵ２３は、撮像部１１の出力信号の信号レベルに基づいて上記増幅回路の増幅度を調整する。

以下、撮像部１１またはＡＦＥ１２から出力される、被写体に応じた信号を、撮像信号と呼ぶ。

映像信号処理部１３は、ＡＦＥ１２からの撮像信号に基づいて、撮像部１１の撮影によって得られる映像（撮影画像）を表す映像信号を生成し、生成した映像信号を圧縮処理部１６に送る。映像信号は、撮影画像の輝度を表す輝度信号Ｙと、撮影画像の色を表す色差信号Ｕ及びＶと、から構成される。映像信号処理部１３は、動画の映像信号の生成と静止画の映像信号の生成の双方を行う。

図３は、撮像装置１の概略外観図である。主マイク１４ａは、撮像装置１の周辺の音を広く集めることができるよう、撮像装置１の筐体の適切な場所に固定される。副マイク１４ｂは、撮像装置１を用いて被写体を撮影するユーザ（即ち撮影者）が発した音声を選択的に集音できるように、撮像装置１の筐体の適切な場所に固定される。具体的には、副マイク１４ｂは、指向性マイクとされ、表示部２７の表示内容を視認できる方向（例えば、表示部２７の表示面に鉛直な方向であって且つ表示部２７の表示内容を視認できる方向）、または、撮像装置１のファインダ２９を覗くことができる方向からの音声を選択的に集音する。

主マイク１４ａは、撮像装置１の周辺の音を受け、その音をアナログの電気信号に変換して出力する。音声信号処理部１５は、主マイク１４ａから出力される電気信号（音声アナログ信号）をデジタル信号に変換する。この変換によって得られたデジタル信号は、主マイク１４ａに対して入力された音声を表す音声信号として圧縮処理部１６に送られる。主マイク１４ａに対応する該音声信号を、以下、主音声信号（主音声データとも呼べる）という。

副マイク１４ｂは、外部から与えられた音声をアナログの電気信号に変換して出力するが、その音声の発生元は、主として撮影者である。音声信号処理部１５は、副マイク１４ｂより出力される電気信号から人の音声の周波数成分を抽出した上で、その電気信号をデジタル信号に変換する。この変換によって得られたデジタル信号は、副マイク１４ｂに対して入力された音声を表す音声信号であり、この音声信号を、以下、副音声信号（副音声データとも呼べる）という。

圧縮処理部１６は、映像信号処理部１３からの映像信号を、所定の圧縮方式を用いて圧縮する。動画に対しては、例えば、ＭＰＥＧ（Moving Picture Experts Group）等の圧縮方式を用いて映像信号の圧縮を行い、静止画に対しては、例えば、ＪＰＥＧ（Joint Photographic Experts Group）等の圧縮方式を用いて映像信号の圧縮を行う。動画または静止画撮影時において、圧縮された映像信号はメモリカード１８に送られる。

尚、例えば、動画を構成する各撮影画像（各フレーム画像）の画像サイズは、映像信号処理部１３等において、必要に応じ、間引き処理等を介して縮小されている。静止画に対しては、例えば、そのような縮小処理は施されない（施してもよい）。

また、圧縮処理部１６は、音声信号処理部１５からの主音声信号を、ＡＡＣ（Advanced Audio Coding）等の所定の圧縮方式を用いて圧縮する。動画撮影時において、映像信号処理部１３からの映像信号と音声信号処理部１５からの主音声信号は、圧縮処理部１６にて、時間的に互いに関連付けられつつ圧縮され、圧縮後のそれらはメモリカード１８に送られる。副音声信号の取り扱いについては、後に詳説する。

録画ボタン２６ａは、ユーザが動画（動画像）の撮影の開始及び終了を指示するための押しボタンスイッチであり、シャッタボタン２６ｂは、ユーザが静止画（静止画像）の撮影を指示するための押しボタンスイッチである。録画ボタン２６ａに対する操作に従って動画撮影の開始及び終了が実施され、シャッタボタン２６ｂに対する操作に従って静止画撮影が実施される。１つのフレームにて１つのフレーム画像が得られる。各フレームの長さは、例えば１／６０秒である。この場合、１／６０秒の周期にて順次取得されるフレーム画像の集まり（ストリーム画像）が、動画を構成する。

撮像装置１の動作モードには、動画及び静止画の撮影が可能な撮影モードと、メモリカード１８に格納された動画または静止画を表示部２７に再生表示する再生モードと、が含まれる。再生モードには、メモリカード１８に格納された動画または静止画に関連付けられたサムネイル画像を表示部２７に再生表示するサムネイル画像表示モードが、含まれる。操作キー２６ｃに対する操作に応じて、各モード間の遷移は実施される。

撮影モードにおいて、ユーザが録画ボタン２６ａを押下すると、ＣＰＵ２３の制御の下、その押下後の各フレームの映像信号及びそれに対応する主音声信号が、順次、圧縮処理部１６を介してメモリカード１８に記録される。つまり、主音声信号と共に、各フレームの撮影画像（即ちフレーム画像）が順次メモリカード１８に格納される。動画撮影の開始後、再度ユーザが録画ボタン２６ａを押下すると、動画撮影は終了する。つまり、映像信号及び主音声信号のメモリカード１８への記録は終了し、１つの動画の撮影は完了する。

また、撮影モードにおいて、ユーザがシャッタボタン２６ｂを押下すると、静止画の撮影が行われる。具体的には、ＣＰＵ２３の制御の下、その押下直後の１つのフレームの映像信号が、静止画を表す映像信号として、圧縮処理部１６を介してメモリカード１８に記録される。動画の撮影中に静止画を同時撮影することも可能であり、この場合、同一のフレームの撮像信号に基づいて、動画に関する信号処理と静止画に関する信号処理が並行して行われる。尚、共通の回路を時分割で利用して、動画に関する信号処理と静止画に関する信号処理を別個のタイミングで行うようにしてもよい。例えば、静止画に関する信号処理を動画撮影終了後に行う。この場合、例えば、事後的に行うその信号処理に必要な撮像信号（撮影画像）をＳＤＲＡＭ１７に一時記憶させておけばよい。

再生モードにおいて、ユーザが操作キー２６ｃに所定の操作を施すと、メモリカード１８に記録された動画または静止画を表す圧縮された映像信号は、伸張処理部１９に送られる。伸張処理部１９は、受け取った映像信号を伸張して映像出力回路２０に送る。また、撮影モードにおいては、通常、動画または静止画を撮影しているか否かに拘らず、映像信号処理１３による映像信号の生成が逐次行われており、その映像信号は映像出力回路２０に送られる。

映像出力回路２０は、与えられたデジタルの映像信号を表示部２７で表示可能な形式の映像信号（例えば、アナログの映像信号）に変換して出力する。表示部２７は、液晶ディスプレイなどの表示装置であり、映像出力回路２０から出力された映像信号に応じた画像を表示する。即ち、表示部２７は、撮像部１１から現在出力されている撮像信号に基づく画像（現在の被写体を表す画像）、または、メモリカード１８に記録されている動画（動画像）若しくは静止画（静止画像）を、表示する。

また、再生モードにおいて動画を再生する際、メモリカード１８に記録された動画に対応する圧縮された主音声信号も、伸張処理部１９に送られる。伸張処理部１９は、受け取った主音声信号を伸張して音声出力回路２１に送る。音声出力回路２１は、与えられたデジタルの主音声信号をスピーカ２８にて出力可能な形式の主音声信号（例えば、アナログの主音声信号）に変換してスピーカ２８に出力する。スピーカ２８は、音声出力回路２１からの主音声信号を音声（音）として外部に出力する。

また、映像信号処理部１３は、撮影画像中のフォーカス検出領域内のコントラスト量に応じたＡＦ評価値を検出するＡＦ評価値検出回路、撮影画像の明るさに応じたＡＥ評価値を検出するＡＥ評価値検出回路、画像の動きを検出する動き検出回路などを含む。ＣＰＵ２３は、ＡＦ評価値に応じ、図２のドライバ３４を介してフォーカスレンズ３１の位置を調節することにより、被写体の光学像を撮像素子３３の撮像面（受光面）に結像させる。また、ＣＰＵ２３は、ＡＥ評価値に応じ、図２のドライバ３４を介して絞り３２の開口量（及び必要に応じてＡＦＥ１２の増幅回路の増幅度）を調節することにより、受光量（画像の明るさ）を制御する。

撮像装置１は、撮影された動画の夫々にサムネイル画像とサムネイル文字列とを関連付け、サムネイル画像と共にサムネイル文字列を表示する機能を備えている。該サムネイル文字列は、副マイク１４ｂに与えられた音声に基づいて作成される。

サムネイル画像には、動画用のサムネイル画像と静止画用のサムネイル画像があるが、以下の説明において、単にサムネイル画像といった場合、それは、動画用のサムネイル画像を意味するものとする。

サムネイル文字列の作成動作を含む、動画撮影時の撮像装置１の動作を例示する実施例として、以下に、第１、第２及び第３実施例を例示する。以下、特に記述しない限り、或る１つの動画に着目して説明を行う。

＜＜第１実施例＞＞
まず、第１実施例について説明する。図４は、第１実施例に係る、撮像装置１の動作手順を示すフローチャートである。

まず、ステップＳ１において、ＣＰＵ２３は、撮影モードにおいて録画ボタン２６ａが押下されたかどうかを判断する。押下されていない場合はステップＳ１の処理が繰り返され、押下された場合はステップＳ２に移行する（ステップＳ１のＹｅｓ）。

ステップＳ２に移行すると、映像信号（映像データ）及び主音声信号（主音声データ）から成る撮影データの記録が開始される（録画が開始される）。具体的には、ステップＳ２に移行してから録画ボタン２６ａが再度押下されたことに起因してステップＳ１０に移行するまでの間、ＣＰＵ２３の制御の下、各フレームの撮影画像を表す映像信号（即ち動画）及びそれに対応する主音声信号が、順次、圧縮処理部１６を介してメモリカード１８に記録されていく。

ステップＳ２の処理の後、ステップＳ３に移行する。ステップＳ３において、ＣＰＵ２３は、録画ボタン２６ａが再度押下されたか、即ち録画停止が指示されたかを判断する。録画ボタン２６ａが再度押下された場合は（ステップＳ３のＹｅｓ）ステップＳ１０に移行し、録画ボタン２６ａが再度押下されていない場合は（ステップＳ３のＮｏ）ステップＳ４に移行する。

ステップＳ４において、ＣＰＵ２３は、サムネイル文字列を生成するための所定の録音開始操作が操作キー２６ｃに対して施されたかを判断する。録音開始操作がなされた場合は（ステップＳ４のＹｅｓ）ステップＳ５に進む一方、なされていない場合は（ステップＳ４のＮｏ）ステップＳ３に戻る。

ステップＳ５において、ＣＰＵ２３は、副マイク１４ｂへの音声入力に応じた副音声信号（副音声データ）を、ＳＤＲＡＭ１７に記録させる。この記録動作は、映像信号及び主音声信号から成る撮影データの記録動作と平行して実施される。

ステップＳ５に続くステップＳ６において、ＣＰＵ２３は、所定の録音終了操作が操作キー２６ｃに対して施されたかを判断する。録音終了操作がなされた場合は（ステップＳ６のＹｅｓ）はステップＳ３に戻り、なされていない場合は（ステップＳ６のＮｏ）ステップＳ５に戻る。

このように、ステップＳ５とＳ６のループ処理により、録音開始操作がなされてから録音終了操作がなされるまでの期間の副音声信号（副音声データ）がＳＤＲＡＭ１７に記録される。この期間を、サムネイル用音声入力期間と呼ぶ。ＳＤＲＡＭ１７に記録された、該サムネイル用音声入力期間における副音声信号（副音声データ）をサムネイル用音声信号と呼ぶ。サムネイル用音声信号によって表される、サムネイル用音声入力期間における副マイク１４ｂへの入力音声をサムネイル用音声と呼ぶ。

録画停止が指示された場合にステップＳ３から移行するステップＳ１０では、撮影データの記録が終了する（録画が終了する）。つまり、ステップＳ２から行われていた、各フレームの撮影画像を表す映像信号及びそれに対応する主音声信号をメモリカード１８に記録する処理を停止する。

ステップＳ１０に続くステップＳ１１において、ＣＰＵ２３は、ＳＤＲＡＭ１７に記録されているサムネイル用音声信号を、音声認識処理を用いて、テキスト情報に変換する（テキスト変換する）。音声認識処理を実現する手法として、公知または周知の任意の手法を採用可能である。

例えば、ＣＰＵ２３は、音素または単語などを単位とする標準パターンと、サムネイル用音声信号から求められた、未知音声の音声パターンとの比較を行う。そして、最も類似している標準パターンと同じカテゴリの音素または単語が未知音声として発声されたと判断する。この際、適宜、周知のＤＰ（Dynamic Programming）マッチング法などが用いられる。尚、標準パターンは、撮像装置１内の音声認識用メモリ（不図示）に予め格納されている。

これにより、副マイク１４ｂへのサムネイル用音声が「秋の運動会、徒競走に出場、天候は晴れ」であった場合、ステップＳ１１にて、そのサムネイル用音声はテキスト変換され、「秋の運動会、徒競走に出場、天候は晴れ」のテキスト情報が得られる。

ステップＳ１１を終えるとステップＳ１２に移行する。ステップＳ１２では、ステップＳ１１で作成されたテキスト情報からサムネイル文字列を生成する。例えば、テキスト情報の最初のｐ個の、文節、単語または音素をサムネイル文字列として抽出する（ｐは、１以上の整数）。例えば、副マイク１４ｂへのサムネイル用音声が「秋の運動会、徒競走に出場、天候は晴れ」であった場合において、テキスト情報の最初の２個の文節をサムネイル文字列として抽出する場合、サムネイル文字列は「秋の運動会」となる。尚、テキスト情報の全てをサムネイル文字列とするようにしてもよい。この場合、サムネイル文字列は、「秋の運動会、徒競走に出場、天候は晴れ」となる。

ステップＳ１２を終えるとステップＳ１３に移行する。ステップＳ１３では、撮影した動画を構成するフレーム画像からサムネイル画像を作成する。作成されたサムネイル画像は、撮影した動画に関連付けられつつ、メモリカード１８に記録される。例えば、撮影した動画の先頭のフレーム画像、末尾のフレーム画像など、予め設定されたタイミングのフレーム画像（換言すれば、そのフレーム画像を表す撮像信号）からサムネイル画像を作成する。また、動画の撮影直前または撮影直後のフレーム画像から、その動画に関連付けられるべきサムネイル画像を作成するようにしてもよい。

また、サムネイル用音声入力期間における何れかのフレーム画像から、サムネイル画像を作成するようにしてもよい。換言すれば、サムネイル用音声入力期間における何れかのフレームの撮像信号に基づいて、サムネイル画像を作成するようにしてもよい。何れのフレームの撮像信号に基づいてサムネイル画像を作成するかは、例えば、サムネイル用音声入力期間の開始タイミングを基準として予め設定されている。例えば、サムネイル用音声入力期間の先頭フレームまたは末尾フレームの撮像信号からサムネイル画像が作成される。勿論、該期間の中間のフレームの撮像信号からサムネイル画像を作成してもよい。

サムネイル用音声入力期間におけるフレーム画像から作成されたサムネイル画像は、動画の特徴を表すサムネイル文字列の入力タイミングに対応した画像であるため、動画の特徴を良く表した画像または撮影者にとって印象の深い画像となることが多い。

サムネイル画像の画像サイズは、間引き処理等を介して、作成元のフレーム画像の画像サイズよりも縮小化される。但し、この縮小化は必須ではない。尚、ステップＳ１３の処理は、映像信号処理部１３によって実施される。また、サムネイル画像の生成は、録画中に行っても良い（ステップＳ２とＳ３の間など）。

ステップＳ１３を終えるとステップＳ１４に移行する。ステップＳ１４では、ステップＳ１２にて作成されたサムネイル文字列が、ステップＳ１３で作成されたサムネイル画像に関連付けられつつメモリカード１８に記録される。具体的には例えば、サムネイル画像のファイル名を、サムネイル文字列にて置換する。当初、サムネイル画像のファイル名は、撮影順番に応じた番号などとなっている。

図５に、サムネイル画像表示モードにおける表示部２７の表示画面の表示例を示す。サムネイル画像表示モードにおいて、メモリカード１８に格納されたサムネイル画像は、伸張処理部１９による伸張処理及び映像出力回路２０による変換処理を介して、表示部２７に表示される。表示部２７の表示画面に表示されるサムネイル画像には、図４のステップＳ１３にて作成される動画用のサムネイル画像と、撮影された静止画に対応する静止画用のサムネイル画像と、がある。静止画用のサムネイル画像は、静止画撮影時に撮影及び記録される。

図５では、表示部２７の表示エリアは４分割され、表示エリアの左上、右上、左下及び右下に、それぞれ、サムネイル画像ＴＮ１、ＴＮ２、ＴＮ３及びＴＮ４が表示されている。メモリカード１８に、他のサムネイル画像が格納されている場合は、操作キー２６ｃに所定の操作を施すことにより、上記他のサムネイル画像が表示される。サムネイル画像ＴＮ２及びＴＮ３に付されたマーク７１は、そのサムネイル画像が動画用のサムネイル画像であることを示している。従って、サムネイル画像ＴＮ２及びＴＮ３は動画用のサムネイル画像であり、サムネイル画像ＴＮ１及びＴＮ４は静止画用のサムネイル画像である。今、サムネイル画像ＴＮ３として表示されているサムネイル画像に、「秋の運動会」というサムネイル文字列が関連付けられているとする。

図５において、７２は表示画面上のカーソルである。カーソル７２は、操作キー２６ｃに対する操作により表示画面上を移動する。図５は、サムネイル画像ＴＮ３がカーソル７２によって選択されている状態を示している。各サムネイル画像の右下に表示されている番号または文言は、各サムネイル画像のファイル名を示している。図５は、サムネイル画像ＴＮ３のファイル名が、図４のステップＳ１２で作成されたサムネイル文字列（「秋の運動会」）となっている場合を表している。

カーソル７２によって或るサムネイル画像を選択している状態において、所定のキー操作を行うと、そのサムネイル画像に関連付けられた動画または静止画がメモリカード１８から読み出される。そして、読み出された動画または静止画が表示部２７の表示画面全体を使って表示される。例えば、サムネイル画像ＴＮ３に対応する動画が再生されるようにキー操作を施した場合、表示部２７の表示画面は図５に示す状態から図６に示す状態に遷移し、サムネイル画像ＴＮ３に対応する動画が表示部２７の表示画面全体を使って再生表示される。この状態で、再生を停止するためのキー操作を施すと、表示画面は図５に示す状態に戻る。

また例えば、或るサムネイル画像をカーソル７２によって選択した際に、そのサムネイル画像に対応するサムネイル文字列を表示するためのウィンドウをポップアップ表示するようにしてもよい。つまり例えば、図７に示す如く、サムネイル画像ＴＮ３がカーソル７２によって選択されたとき、表示部２７の表示画面上にサムネイル画像ＴＮ３に関連付けたウィンドウを開き、該ウィンドウにサムネイル画像ＴＮ３に関連付けられたサムネイル文字列（「秋の運動会」）を表示するようにしてもよい。

これ以外にも、サムネイル画像とサムネイル文字列との関連が分かるような表示形式であれば、どのような表示形式を採用してもよい。例えば、表示画面上にサムネイル文字列を表示する専用の領域を設け、該領域にサムネイル文字列をサムネイル画像との対応が分かるように表示するようにしてもよい。例えば、該領域にはサムネイル画像ＴＮ３に対応するサムネイル文字列が、カーソル７２によってサムネイル画像ＴＮ３が選択されている場合に、或いは、カーソル７２によってサムネイル画像ＴＮ３が選択されているか否かに拘らず、表示される。

このように、サムネイル画像を表示する際において、サムネイル画像だけでなくサムネイル文字列も併せて表示することにより（より詳しくは、同一の画像に対応するサムネイル画像とサムネイル文字列とを関連付けて表示することにより）、撮影した動画の特徴を、画像とテキストで提示することができる。この結果、サムネイル画像を利用した所望の動画ファイル選定が容易となり、ユーザの利便性が向上する。

尚、動画撮影中に、録音開始操作及び録音終了操作が複数回実行された場合、サムネイル用音声入力期間が複数存在することになるが、その場合、ＣＰＵ２３は、例えば、最後のサムネイル用音声入力期間に対応するサムネイル用音声信号からサムネイル文字列を作成する。

＜＜第２実施例＞＞
次に、第２実施例について説明する。第１実施例に記載した事項は、矛盾なき限り第２実施例についても当てはまる。第１実施例との相違点に特に着目して第２実施例の説明を行う。

第２実施例では、任意の言葉にて話者認識を行う発声内容独立型の話者認識処理が利用される。話者認識処理を実現する手法として、公知または周知の任意の手法を採用可能である。図８に、周知の話者認識処理を行うための話者認識部のブロック図を示す。図８に示す各部は、例えばＣＰＵ２３によって実現される。但し、図８の話者モデル記録部５３は、ＣＰＵ２３の外部に設けられるメモリ（不図示）によって実現される。

まず、話者認識を行う前に話者の登録を行う。本実施例では、登録される話者が撮像装置１を用いて撮影を行う１人のユーザである場合を想定する。つまり、登録話者が１人である場合を想定する。但し、登録話者を複数人とすることも可能である。また、話者登録及び話者認識の対象となる話者の音声は、副マイク１４ｂから入力される。

話者登録時において、副マイク１４ｂに入力された音声は、特徴量抽出部５１に供給される。話者が発生した文章などの音声に含まれる、ケプストラムやピッチ等の特徴量が特徴量抽出部５１にて抽出される。話者登録時において、該特徴量は話者モデル作成部５２に与えられる。

話者モデル作成部５２は、抽出された特徴量に基づき、話者の音声のモデル（以下、登録話者モデルという）、例えば隠れマルコフモデル（Hidden Markov Model）を作成する。登録話者モデルは、話者モデル記録部５３に記録される。

話者認識時において、副マイク１４ｂに入力された、認識対象話者（現在の話者）の音声は、特徴量抽出部５１に供給される。認識対象話者が発生した文章などの音声に含まれる、ケプストラムやピッチ等の特徴量が特徴量抽出部５１にて抽出される。話者認識時において、該特徴量は尤度算出部５４に与えられる。尤度算出部５４は、話者モデル記録部５３に記録されている登録話者モデルと認識対象話者に対応する特徴量とを比較し、それらの尤度（類似度）を算出する。そして、尤度が所定の閾値より大きければ認識対象話者が登録話者と一致すると判断し、そうでなければ、認識対象話者は登録話者と相違すると判断する。

上記のような話者認識処理を利用した、撮像装置１の動作の手順を示すフローチャートを図９に示す。図９のフローチャートに示す処理の実行の前に、事前に話者登録が行われているものとする。第２実施例に係る動作手順は、ステップＳ１〜Ｓ３と、Ｓ２１と、Ｓ５と、Ｓ１０〜Ｓ１４と、から成る。ステップＳ１〜Ｓ３と、Ｓ５と、Ｓ１０〜Ｓ１４の処理は、第１実施例に係る動作手順におけるそれらと同じであるので、それらに関する重複する説明を（原則として）省略する。

第２実施例では、ステップＳ３において録画ボタン２６ａの再度の押下が確認されない場合（ステップＳ３のＮｏ）、ステップＳ２１に移行する。

ステップＳ２１において、動画撮影中に副マイク１４ｂに対して入力された音声の話者（上記の認識対象話者に対応）の話者認識を行い、その話者が登録話者と一致するかが判断される。一致する場合は（ステップＳ２１のＹｅｓ）ステップＳ５に移行し、一致しない場合は（ステップＳ２１のＮｏ）ステップＳ３に戻る。

ステップＳ５において、ＣＰＵ２３は、副マイク１４ｂへの音声入力に応じた副音声信号（副音声データ）を、ＳＤＲＡＭ１７に記録させる。この記録動作は、映像信号（映像データ）及び主音声信号（主音声データ）とから成る撮影データの記録動作と平行して実施される。

本実施例では、動画撮影中に登録話者が副マイク１４ｂに対して発した音声はサムネイル用音声となり、該音声を表す副音声信号はサムネイル用音声信号となる。ステップＳ３、Ｓ２１及びＳ５の処理により、サムネイル用音声信号はＳＤＲＡＭ１７に記録される。そして、該サムネイル用音声信号はステップＳ１１にてテキスト情報に変換され、ステップＳ１２にてサムネイル文字列が生成される。このサムネイル文字列は、第１実施例と同様、ステップＳ１３にて作成されたサムネイル画像と関連付けられつつメモリカード１８に記録される。そして、サムネイル画像表示モードにおいて、第１実施例と同様、サムネイル文字列はサムネイル画像に関連付けられつつ表示される。

尚、ステップＳ１３では、第１実施例と同様、予め設定されたタイミングのフレーム画像からサムネイル画像が作成される。この際、サムネイル用音声が入力されていた期間における何れかのフレーム画像から、サムネイル画像を作成するようにしてもよい。換言すれば、その期間における何れかのフレームの撮像信号に基づいて、サムネイル画像を作成するようにしてもよい。該期間中の何れのフレームの撮像信号に基づいてサムネイル画像を作成するかは、例えば、該期間の開始タイミングを基準として予め設定されている。例えば、該期間の先頭フレームまたは末尾フレームの撮像信号からサムネイル画像が作成される。勿論、該期間の中間のフレームの撮像信号からサムネイル画像を作成してもよい。

該期間におけるフレーム画像から作成されたサムネイル画像は、動画の特徴を表すサムネイル文字列の入力タイミングに対応した画像であるため、動画の特徴を良く表した画像または撮影者にとって印象の深い画像となることが多い。

また、１つの動画撮影中において、副マイク１４ｂに対してサムネイル用音声が２回以上入力された場合は、例えば、各サムネイル用音声の音の強さまたは大きさに基づいて、テキスト情報とサムネイル文字列の生成の基となるサムネイル用音声を択一的に選択する。以下、各サムネイル用音声の音の強さに基づいて、上記の選択を行う場合の例を説明する。各サムネイル用音声の音の大きさに基づいて、上記の選択を行う場合は、音に関する下記「強さ」の文言は、「大きさ」に読み替えられる。

例えば、図１０に示す如く、録画開始後、或るタイミングにおいて、登録話者による第１回目のサムネイル用音声の入力があり、その第１回目のサムネイル用音声の入力が終了してから所定の閾値時間以上の時間が経過した後、登録話者による第２回目のサムネイル用音声の入力があった場合を考える。登録話者による副マイク１４ｂへの音声入力が閾値時間（例えば１〜２秒）以上途絶えると、１つのサムネイル用音声の入力は終了したものと判断される。尚、副マイク１４ｂに入力された音の強さが所定の閾値以下である場合に、サムネイル用音声の入力はない、と判断される。

第１回目のサムネイル用音声に対応する第１のサムネイル用音声信号、第２回目のサムネイル用音声に対応する第２のサムネイル用音声信号は、ステップＳ５の処理によって、共にＳＤＲＡＭ１７に記録される。

そして、ステップＳ１１においてＣＰＵ２３は、テキスト情報の生成の基となるサムネイル用音声信号を、第１及び第２のサムネイル用音声信号の中から択一的に選択する。この際、第１回目のサムネイル用音声の音の強さに応じた音強度値と、第２回目のサムネイル用音声の音の強さに応じた音強度値とを比較し、大きい方の音強度値に対応するサムネイル用音声信号を、テキスト情報の生成の基となるサムネイル用音声信号として選択する。尚、サムネイル用音声が３回以上入力された場合は、最大の音強度値に対応するサムネイル用音声信号を、テキスト情報の生成の基となるサムネイル用音声信号として選択する。

第１回目及び第２回目のサムネイル用音声が副マイク１４ｂに入力されていた期間を、それぞれ、第１及び第２の発声期間と呼ぶ。第１のサムネイル用音声信号に対応する音強度値は、例えば、第１回目のサムネイル用音声の音の強さの、第１の発声期間における平均値またはピーク値（最大値）である。第２のサムネイル用音声信号に対応する音強度値は、例えば、第２回目のサムネイル用音声の音の強さの、第２の発声期間における平均値またはピーク値（最大値）である。各音強度値は、音の強さが増大するにつれて大きくなる。また、音の強さとは、実際に発声した音の強さではなく、副マイク１４ｂに与えられた音の強さを意味する。

登録話者としての撮影者は、サムネイル用音声として意図していない音声を、小さな声で発する場合もある。このような音声に基づきサムネイル文字列を作成するのは好ましくないが、上記のように処理することにより、サムネイル用音声を意図して発した比較的大きな声に基づいてサムネイル文字列は作成されるようになる。また、サムネイル用音声として発した第１回目のサムネイル用音声を、他のサムネイル用音声に置換したい場合、ユーザは、より大きな声で第２回目のサムネイル用音声を発すればよい。

＜＜第３実施例＞＞
動画撮影中に副マイク１４ｂに対して発したサムネイル用音声は、主マイク１４ａにもひろわれ、主マイク１４ａに対応する主音声信号に、サムネイル用音声に対応する信号成分が混入する（以下、この混入した信号成分を「混入信号成分」とよぶ）。サムネイル用音声は、撮影者がサムネイル文字列を形成するために発した音声であり、主音声信号への混入は望まれないことが多い。

これを考慮し、第１及び第２実施例において、主マイク１４ａに対応する主音声信号からサムネイル用音声に対応する混入信号成分を除去し、その除去後の主音声信号を最終的にメモリカード１８に記録するようにしてもよい。このような除去に関する変形を施した、第１及び第２実施例に対する変形例を、第３実施例として説明する。

主音声信号から混入信号成分を除去するタイミングは、動画撮影中であっても動画撮影終了後であっても構わない。

図１１に、動画撮影中に混入信号成分を除去する場合における音声除去部の概略ブロック図を示す。図１１の音声除去部は、図１の音声信号処理部１５内に設けられる。図１１の音声除去部は、副マイク１４ｂに対してサムネイル用音声が入力された時にのみ機能する。

主マイク１４ａに入力された音に応じた、主マイク１４ａからの電気信号は、Ａ／Ｄ変換回路６１にてデジタル値に変換され、差分回路６３に送られる。副マイク１４ｂに入力された音に応じた、副マイク１４ｂからの電気信号は、Ａ／Ｄ変換回路６２にてデジタル値に変換され、乗算器６４に送られる。

主マイク１４ａと１４ｂのマイクとしての特性の相違やそれらの配置位置の相違に起因して、撮影者が副マイク１４ｂに対して発した音声が同じであっても、その音声に対応するＡ／Ｄ変換回路６１の出力値（Ａ／Ｄ変換回路６１から出力されるデジタル値）とＡ／Ｄ変換回路６２の出力値（Ａ／Ｄ変換回路６２から出力されるデジタル値）は異なる。撮影者が副マイク１４ｂに対して発した音声が同じ場合に、それらの出力値が同じとなるように、乗算器６４は、予め設定された係数ｋをＡ／Ｄ変換回路６２の出力値に乗算し、その乗算によって得られた値を差分回路６３に送る。

差分回路６３は、Ａ／Ｄ変換回路６１の出力値から乗算器６４の出力値を減算する。この減算によって得られた信号は、主マイク１４ａに対して入力された音声を表す主音声信号（より詳しくは、混入信号成分が除去された主音声信号）として圧縮処理部１６に送られ、圧縮後、メモリカード１８に記録される。

尚、第２実施例では、話者認識を行う必要があり、話者認識の実施には或る程度の時間が必要である。従って、第２実施例に対して図１１の音声除去部を適用する場合においては、Ａ／Ｄ変換回路６１及び６２の出力値を一定量保存しておくバッファを差分回路６３などに設けるようにし、話者認識の結果が得られた後に、そのバッファに保存された値を用いて上述と同様の動作を行うようにすればよい。勿論、第１実施例に対して図１１の音声除去部を適用する場合においても、同様にバッファを設けてもよい。

また、図１１の音声除去部は、デジタル変換後に差分処理（差分回路６３における差分処理）を行うようにしているが、アナログの信号形式の状態で同様の差分処理を行うようにしても構わない。

また、動画撮影終了後に、主音声信号から混入信号成分を除去する場合は、副マイク１４ｂに対してサムネイル用音声が入力されていた期間に対応する主音声信号をメモリカード１８から読み出すともに、ＳＤＲＡＭ１７に記録されているサムネイル用音声信号（図４及び図９におけるステップＳ５参照）をＳＤＲＡＭ１７から読み出す。そして、例えばＣＰＵ２３が、その主音声信号からサムネイル用音声信号の成分が除去されるように主音声信号を補正し、補正後の主音声信号にてメモリカード１８内の該期間に対応する主音声信号を置き換える。

また、撮像装置１に主マイク１４ａと副マイク１４ｂの２つのマイクを設ける例を上述してきたが、マイクを１つにすることも可能である。例えば、副マイク１４ｂを省略することが可能である。この場合、主マイク１４ａが、上述してきた副マイク１４ｂの機能を兼務する。

マイクを１つにした場合は、第２実施例に対してのみ混入信号成分の除去機能を適用可能である。例えば、動画撮影中に主マイク１４ａに対して入力された音声の話者が登録話者であるかを判断する。そして、その話者が登録話者である場合、登録話者の音声、即ちサムネイル用音声からサムネイル文字列を生成する。一方で、差分演算等を介して、そのサムネイル用音声に対応するサムネイル用音声信号の成分を、最終的にメモリカード１８に記録されるべき主音声信号から除去する。

＜＜変形等＞＞
上述の各実施例に記載した内容は、矛盾なき限り、他の実施例にも適用可能である。

また、上述したように、メモリカード１８の記録内容は、外部のパーソナルコンピュータ等によって自在に読み出し可能となっている。メモリカード１８の記録内容を表示部２７及びスピーカ２８にて再生（映像表示及び音声出力）することができると上述したが、メモリカード１８の記録内容の再生は、図１２に示す、パーソナルコンピュータ等の情報処理装置８０によっても同様に実現可能である。情報処理装置８０は、表示部２７と同様の表示を行うことが可能な表示部８１と、スピーカ２８と同様の音声出力を行うことが可能なスピーカ８２と、を備えている。尚、表示部２７及びスピーカ２８そのものが表示部８１及びスピーカ８２として、情報処理装置８０内に設けられていると考えても良い。

情報処理装置８０は、メモリカード１８に記録された記録内容を読み出すための入力部８３を備える。この入力部８３は、例えば、メモリカード１８を装着してメモリカード１８の記録内容を読み出すためのメモリカードスロット、または、通信線を介してメモリカード１８の記録内容を読み出すための通信用コネクタである。メモリカード１８の記録内容には、サムネイル画像を表す情報、サムネイル文字列を表す情報、撮影された動画を表す情報などが含まれている他、それらの対応関係（関連付けがどのようになされているか）を特定する情報も含まれている。

そして、情報処理装置８０の表示部８１は、入力部８３を介して与えられた各情報に基づき、サムネイル画像を表示する際、同一の動画に対応するサムネイル画像とサムネイル文字列とを、図５及び図７に示したものと同様に、関連付けて表示する。

また、この情報処理装置８０と、撮像装置１とで、撮像表示システムが構成されると考えても良い。情報処理装置８０を用いることを前提とすれば、撮像装置１から表示部２７及びスピーカ２８を削除する形態も有用である。

尚、動画撮影の開始及び終了を指示するための手段として押しボタンスイッチの録画ボタン２６ａを例示し、静止画撮影の実施を指示するための手段として押しボタンスイッチのシャッタボタン２６ｂを例示したが、それらの手段を実施するための手法として、あらゆる手法を採用可能である。例えば、押しボタンスイッチ以外のスイッチ手段（例えば、ダイヤル式やレバー式のスイッチ）やタッチパネル等を用いて、動画撮影の開始及び終了や静止画撮影の実施を指示するようにしてもよいし、ユーザ（特に例えば、上述の登録話者）が発した音声によって動画撮影の開始及び終了や静止画撮影を実施するようにしてもよい。

また、サムネイル画像を表示する際、サムネイル用音声をスピーカ２８を介して同時に出力するようにしてもよい。また、動画に対応するサムネイル画像は動画（以下、サムネイル動画という）であっても構わない。

本発明の実施の形態に係る撮像装置の全体ブロック図である。 図１の撮像部の内部ブロック図である。 図１の撮像装置の概略外観図である。 本発明の第１実施例に係る、図１の撮像装置の動作を説明するための図である。 サムネイル画像表示モードにおける、図１の表示部の表示画面の表示例を示す図である。 図５の表示画面から遷移しうる、動画の再生表示画面を示す図である。 サムネイル画像表示モードにおける、図１の表示部の表示画面の表示例を示す図である。 本発明の第２実施例に係る話者認識部のブロック図である。 本発明の第２実施例に係る、図１の撮像装置の動作を説明するための図である。 本発明の第２実施例を説明するための図である。 本発明の第３実施例を説明するための図である。 図１の撮像装置と併せて使用可能な情報処理装置の概略外観図である。

符号の説明

１ 撮像装置
１１ 撮像部
１２ ＡＦＥ
１３ 映像信号処理部
１４ａ 主マイク
１４ｂ 副マイク
１５ 音声信号処理部
２６ 操作部
２６ａ 録画ボタン
２６ｂ シャッタボタン
２６ｃ 操作キー
２７ 表示部
２８ スピーカ

Claims (9)

1. 被写体に応じた撮像信号を出力する撮像手段と、
   動画を撮影した際、前記撮像信号に基づいて該動画に対応するサムネイル画像を生成するサムネイル画像生成手段と、
   前記サムネイル画像を表示可能な表示手段と、を備えた撮像装置において、
   外部からサムネイル用音声の入力を受ける音入力手段と、
   前記動画の撮影に対応して入力された前記サムネイル用音声からサムネイル文字列を生成するサムネイル文字列生成手段と、を備え、
   前記表示手段は、前記サムネイル画像を表示する際、表示した前記サムネイル画像に対応する前記サムネイル文字列も表示する
   ことを特徴とする撮像装置。
2. 前記表示手段は、前記サムネイル画像を表示する際、外部からの操作に応じて、表示した前記サムネイル画像に対応する前記サムネイル文字列も表示する
   ことを特徴とする請求項１に記載の撮像装置。
3. 前記サムネイル用音声は、外部から所定の操作を受けたときに前記音入力手段を介して入力された音声である
   ことを特徴とする請求項１または請求項２に記載の撮像装置。
4. 前記音入力手段を介して入力された音声の話者と、予め登録された登録話者と、の一致または不一致を判断する話者認識手段を備え、
   前記サムネイル用音声は、前記登録話者に一致すると判断された話者が前記音入力手段を介して入力した音声である
   ことを特徴とする請求項１または請求項２に記載の撮像装置。
5. 当該撮像装置の周辺音に応じた音声信号を前記動画を表す映像信号と共に記録する記録手段と、
   前記サムネイル用音声の信号成分を、前記記録手段に記録されるべき前記音声信号から除去する音声除去手段と、を更に備えている
   ことを特徴とする請求項１〜請求項４の何れかに記載の撮像装置。
6. 前記サムネイル画像生成手段は、前記サムネイル文字列の生成の基となる前記サムネイル用音声が入力されたタイミングを基準とした所定タイミングにおける前記撮像信号を用いて、前記サムネイル画像を生成する
   ことを特徴とする請求項１〜請求項５の何れかに記載の撮像装置。
7. 被写体に応じた撮像信号を出力する撮像手段と、動画を撮影した際、前記撮像信号に基づいて該動画に対応するサムネイル画像を生成するサムネイル画像生成手段と、外部からサムネイル用音声の入力を受ける音入力手段と、前記動画の撮影に対応して入力された前記サムネイル用音声からサムネイル文字列を生成するサムネイル文字列生成手段と、を備えた撮像装置にて生成された、前記サムネイル画像を表す情報及び前記サムネイル文字列を表す情報の供給を受ける入力手段と、
   前記入力手段を介して与えられた前記情報に基づいた表示を行う表示手段と、を備えた情報処理装置であって、
   前記表示手段は、前記サムネイル画像を表示する際、表示した前記サムネイル画像に対応する前記サムネイル文字列も表示する
   ことを特徴とする情報処理装置。
8. 前記表示手段は、前記サムネイル画像を表示する際、外部からの操作に応じて、表示した前記サムネイル画像に対応する前記サムネイル文字列も表示する
   ことを特徴とする請求項７に記載の情報処理装置。
9. 請求項７または請求項８に記載の撮像装置及び情報処理装置を備えた
   ことを特徴とする撮像表示システム。