JP2010108138A - 人物検出装置及びプログラム - Google Patents

Abstract

【課題】人物の検出の精度を向上させることができる人物検出装置及びプログラムを提供することを目的とする。
【解決手段】入力画像から抽出したウインドウ画像を左右の領域に分割して左半分画像及び右半分画像を生成し、左半分画像と左半分画像用の学習モデルとの比較、右半分画像と右半分画像用の学習モデルとの比較、全体画像と全体画像用の学習モデルとの比較を行い、左半分画像、右半分画像、及び全体画像のいずれか１つの画像が人物であると判定された場合に、ウインドウ画像が人物であると判定することにより、入力画像から人物を検出する。
【選択図】図１

Description

本発明は、歩行者検出装置及びプログラムに関し、特に、撮像した画像から人物を検出する人物検出装置及びプログラムに関する。

近年、車載カメラで撮像した車両周辺の映像を画像処理し、歩行者などの対象物を検出してドライバに検出結果を提示する対象物検出装置を搭載する車両が増加している。

対象物を検出する方法として、予め対象物パターンを学習させた学習モデル辞書を生成しておき、入力された画像が学習モデル辞書に登録されたデータに近いか否かを判断することで対象物を検出する方法が一般的である。具体的には、例えば、Ｖｉｏｌａ＆Ｊｏｎｅｓの手法等、様々な手法がある。

例えば、入力画像の画素の組の２画素間の輝度値の差分を特徴量として求め、求めた特徴量に基づいて予め学習により定められた複数個の判別手段により、画素の組が検知対象画像の輪郭部分であるか否かを判定することにより、入力画像の検知対象物を検知する対象物検知装置が提案されている（特許文献１）。
特開２００６−３１８３４１号公報

しかしながら、特許文献１の対象物検知装置では、例えば、図９に示すように、人物を検出するために抽出した画像が、（ａ）複数の人物が重なっている、（ｂ）人物が斜めに傾いていたり、片側に大きな荷物を持っていたりする、（ｃ）背景のライトなどの光により人物の輪郭が不明瞭になっている、（ｄ）背景の白線や標識等と人物が重なって人物の輪郭が不明瞭になっている、（ｅ）人物が自転車等に乗っている（特に横向きの場合）等の場合には、正確に人物を検出できない場合がある、という問題がある。

本発明は、上述した問題を解決するために提案されたものであり、人物の検出の精度を向上させることができる人物検出装置及びプログラムを提供することを目的とする。

上記目的を達成するために本発明の人物検出装置は、入力画像から抽出した抽出画像を左右の領域に分割する画像分割手段と、前記画像分割手段により分割された左側領域の画像と前記左側領域の画像に対応する人物を検出するための学習モデルとの比較、前記画像分割手段により分割された右側領域の画像と前記右側領域の画像に対応する人物を検出するための学習モデルとの比較、及び前記抽出画像の全体と前記抽出画像の全体に対応する人物を検出するための学習モデルとの比較のいずれか１つの比較で人物が検出された場合に、前記抽出画像に人物有りと判定する判定手段と、を含んで構成されている。

本発明の人物検出装置によれば、画像分割手段が、入力画像から抽出した抽出画像を左右の領域に分割し、判定手段が、画像分割手段により分割された左側領域の画像と左側領域の画像に対応する人物を検出するための学習モデルとの比較、画像分割手段により分割された右側領域の画像と右側領域の画像に対応する人物を検出するための学習モデルとの比較、及び抽出画像の全体と抽出画像の全体に対応する人物を検出するための学習モデルとの比較のいずれか１つの比較で人物が検出された場合に、前記抽出画像に人物有りと判定する。

このように、左側領域の画像及び右側領域の画像それそれで人物の検出を行うため、抽出画像の左側領域及び右側領域のいずれかの領域に不要な情報が含まれていても、精度良く人物を検出することができる。

また、本発明の人物検出装置は、入力画像から抽出した抽出画像を左右の領域に分割する画像分割手段と、前記画像分割手段により分割された左側領域の画像及び右側領域の画像の各々の左右を反転させる画像反転手段と、前記画像分割手段により分割された左側領域の画像と前記画像反転手段により反転された左側領域の画像とを合成した画像、前記画像分割手段により分割された右側領域の画像と前記画像反転手段により反転された右側領域の画像とを合成した画像、及び前記抽出画像の全体のいずれかと、人物を検出するための学習モデルとの比較で人物が検出された場合に、前記抽出画像に人物有りと判定する判定手段と、を含んで構成されている。

本発明の人物検出手段によると、画像反転手段が、画像分割手段により分割された左側領域の画像及び右側領域の画像の各々の左右を反転させ、判定手段が、画像分割手段により分割された左側領域の画像と画像反転手段により反転された左側領域の画像とを合成した画像、画像分割手段により分割された右側領域の画像と画像反転手段により反転された右側領域の画像とを合成した画像、及び抽出画像のいずれかと、人物を検出するための学習モデルとの比較で人物が検出された場合に、抽出画像に人物有りと判定する。

このように、画像分割手段により分割された左側領域の画像と画像反転手段により反転された左側領域の画像とを合成した画像、画像分割手段により分割された右側領域の画像と画像反転手段により反転された右側領域の画像とを合成した画像を用いることにより、前述と同様に、抽出画像の左側領域及び右側領域のいずれかの領域に不要な情報が含まれていても、精度良く人物を検出することができる。また、左側領域の画像、右側領域の画像、及び抽出画像全体の画像に対応する学習モデルを準備する必要がなく、抽出画像全体の画像に対応する学習モデルを共通で用いることができる。

また、本発明の人物検出装置の前記判定手段は、画像の特徴量を用いて学習モデルと比較することができる。従って、学習モデルとの比較で用いる手法、例えば、Ｖｉｏｌａ＆ＪｏｎｅｓやＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）等の手法に対応した特徴量を用いるようにするとよい。

また、本発明の人物検出プログラムは、コンピュータを、入力画像から抽出した抽出画像を左右の領域に分割する画像分割手段と、前記画像分割手段により分割された左側領域の画像と前記左側領域の画像に対応する人物を検出するための学習モデルとの比較、前記画像分割手段により分割された右側領域の画像と前記右側領域の画像に対応する人物を検出するための学習モデルとの比較、及び前記抽出画像の全体と前記抽出画像の全体に対応する人物を検出するための学習モデルとの比較のいずれか１つの比較で人物が検出された場合に、前記抽出画像に人物有りと判定する判定手段と、して機能させるためのものである。

また、本発明の人物検出プログラムは、コンピュータを、入力画像から抽出した抽出画像を左右の領域に分割する画像分割手段と、前記画像分割手段により分割された左側領域の画像及び右側領域の画像の各々の左右を反転させる画像反転手段と、前記画像分割手段により分割された左側領域の画像と前記画像反転手段により反転された左側領域の画像とを合成した画像、前記画像分割手段により分割された右側領域の画像と前記画像反転手段により反転された右側領域の画像とを合成した画像、及び前記抽出画像の全体のいずれかと、人物を検出するための学習モデルとの比較で人物が検出された場合に、前記抽出画像に人物有りと判定する判定手段と、して機能させるためのものである。

以上説明したように、本発明によれば、人物の検出の精度を向上させることができる、という効果が得られる。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

（第１の実施の形態）

図１に示すように、第１の実施の形態に係る人物検出装置１０は、識別対象領域を含む範囲を撮像する撮像装置１２と、撮像装置１２から出力される撮像画像に基づいて人物を検出する人物検出処理ルーチンを実行するコンピュータ１６と、コンピュータ１６での処理結果を表示するための表示装置１８とを備えている。

撮像装置１２は、識別対象領域を含む範囲を撮像し、画像信号を生成する撮像部（図示省略）と、撮像部で生成されたアナログ信号である画像信号をデジタル信号に変換するＡ／Ｄ変換部（図示省略）と、Ａ／Ｄ変換された画像信号を一時的に格納するための画像メモリ（図示省略）とを備えている。

コンピュータ１６は、人物検出装置１０全体の制御を司るＣＰＵ、後述する人物検出処理のプログラムを記憶した記憶媒体としてのＲＯＭ、ワークエリアとしてデータを一時格納するＲＡＭ、及びこれらを接続するバスを含んで構成されている。このコンピュータ１６をハードウエアとソフトウエアとに基づいて定まる機能実現手段毎に分割した機能ブロックで説明すると、図１に示すように、撮像装置１２から出力される撮像画像を入力する画像入力部２０と、画像入力部２０によって入力された撮像画像から所定領域を抽出するウインドウ画像抽出部２２と、ウインドウ画像抽出部２２により抽出された画像から人物の有無を判定するための分割画像を生成する分割画像生成部２４と、学習用画像により予め生成された学習モデルが記憶された学習モデルＤＢ２６と、分割画像生成部２４で生成された画像及び学習モデルＤＢ２６に記憶された学習モデルに基づいて人物の有無を判定する判定部２８と、撮像装置１２によって撮像された撮像画像に、判定部２８による判定結果を重畳させて表示装置１８に表示するよう制御する表示制御部３０とを含んだ構成で表すことができる。

ウインドウ画像抽出部２２は、画像入力部２０から入力された入力画像から人物を検出する際に、入力画像から予め定められたサイズのウインドウ（探索ウインドウと呼称）を１ステップにつき、予め定められた移動量（探索ピッチと呼称）だけ移動させながら画像を切り取り、切り取った画像から人物を検出する。ここでは、切り取った画像をウインドウ画像といい、ウインドウ画像のサイズ（すなわち探索ウインドウのサイズ）をウインドウサイズと呼称する。ウインドウサイズは様々なサイズの人物を検出するために複数種設定されており、ウインドウ画像抽出部２２は、設定されている全てのウインドウサイズの探索ウインドウを用いてウインドウ画像を抽出する。また、ウインドウ画像抽出部２２は、抽出したウインドウ画像を予め設定された画素数の画像（例えば、横１６×縦３２画素の画像）に変換する。

分割画像生成部２４は、画像毎に異なる輝度分布の影響をなくし、後述する学習モデルと、抽出したウインドウ画像との比較が行えるように、抽出したウインドウ画像の輝度値を正規化し、ウインドウ画像を左側領域及び右側領域に分割する。ここでは、左側領域の画像と右側領域の画像との画素数が等しくなるよう（例えば、横８×縦３２画素）に、ウインドウ画像の中央で分割する。

学習モデルＤＢ２６は、ハードディスクドライブ（ＨＤＤ）やＣＤ−ＲＯＭ等のように、内蔵または外付けの記憶手段であって、学習モデルを記憶できる媒体により構成されている。学習モデルは、学習モデル生成部３２において、後述する学習モデル生成処理ルーチンにより、抽出画像の左側領域の画像に対応する学習モデル、右側領域に対応する学習モデル、及び抽出画像の全体に対応する学習モデルの各々が生成される。学習モデルＤＢ２６に記憶された学習モデルは、人物検出装置１０の判定部２８で人物の検出に利用される。

学習モデル生成部３２は、ＣＰＵ、ＲＯＭ、ＲＡＭ、及び内蔵ＨＤＤ等を含んで構成されたコンピュータで構成することができる。このような構成の場合には、各構成要素の機能を実現するためのプログラムをＲＯＭやＨＤＤ等の記憶媒体に記憶しておき、これをＣＰＵが実行することによって、各機能が実現されるようにする。また、学習モデル生成部３２を人物検出装置１０と互いに独立したマイクロコンピュータで構成してもよいし、同一コンピュータ上で構成することも可能である。

判定部２８は、分割画像生成部２４により生成された抽出画像の左側領域の画像、右側領域の画像、及び抽出画像の全体の画像と、学習モデルＤＢ２６に記憶された各々対応する学習モデルとの比較により、左側領域の画像、右側領域の画像、及び抽出画像の全体の画像が人物であるか否かを判定し、いずれか１つの画像が人物であると判定された場合には、ウインドウ画像が人物であると判定する。

ここで、図２を参照して、学習モデル２６に記憶される学習モデルの生成処理ルーチンについて説明する。ここでは、学習の手法としてＳＶＭを用いる場合について説明する。学習に用いる画像（学習用画像）の対象物画像として、人物（向き、背景、服装、及び持ち物等が異なるもの）が撮影された画像、及び学習用画像の非対象物画像として、人物以外（電柱や看板等、特に人物に似ている物）が撮影された画像を所定枚数（例えば、各１０００枚）用意しておく。

ステップ１００で、学習モデル生成部３２に、学習用画像を１枚入力し、次にステップ１０２で、入力された学習用画像の中で、人物または人物に相当する対象が含まれている領域を所定の縦横比（例えば、横１：縦２）で切り取り、次にステップ１０４で、切り取った画像をバイリニア法等により、所定のサイズ（例えば、１６×３２画素）に正規化する。

次に、ステップ１０６で、所定サイズに正規化された画像（全体画像）を左側領域の画像と右側領域の画像とに分割する。ここでは、左側領域の画像と右側領域の画像とが同サイズ（例えば、８×３２画素）になるように、全体画像の中央で分割する。例えば、図３（Ａ）に示すような１６×３２画素に正規化された全体画像において、ａが全体画像の中央を示す線（左端から８画素目と９画素目の境界線）を表している場合、全体画像を線ａで分割して、（Ｂ）に示す左半分画像、及び（Ｃ）に示す右半分画像を生成する。生成された画像及び全体画像は一旦学習モデル生成部３２内のＲＡＭに格納する。

次に、ステップ１０８で、用意しておいたすべての学習用画像について、左半分画像及び右半分画像を生成する処理が終了したか否かを判断する。終了した場合には、ステップ１１０へ進み、終了していない場合には、ステップ１００へ戻り、次の学習用画像を入力して、左半分画像及び右半分画像を生成する処理を繰り返す。

ステップ１１０で、学習モデル生成部３２内のＲＡＭに格納しておいた左半分画像を読み出して、例えば標準偏差を用いて輝度の正規化を行って、画像の特徴量として４方向面特徴を抽出し、ＳＶＭの手法を用いて左半分画像用の学習モデルを生成する。右半分画像及び全体画像についても同様に処理し、右半分画像用の学習モデル及び全体画像用の学習モデルを生成する。生成した学習モデルは、学習モデルＤＢ２６に記憶される。

次に、図４を参照して、第１の実施の形態における人物検出の処理ルーチンについて説明する。

ステップ２００で、撮像装置１２で撮像された画像が、画像入力部２０により人物を検出する対象となる画像としてウインドウ画像抽出部２２に入力される。

次に、ステップ２０２で、ウインドウ画像抽出部２２は、入力画像に対して例えば１６×３２画素の探索ウインドウを入力画像の所定領域（例えば、左角の領域）に設定し、設定した探索ウインドウを用いて、入力画像から１６×３２画素のウインドウ画像を抽出する。

次に、ステップ２０４で、分割画像生成部２４は、ウインドウ画像抽出部２２により抽出されたウインドウ画像について、標準偏差を用いて輝度を正規化する。なお、輝度の正規化の方法は、輝度値が閾値を超えている画素について、輝度値が閾値になるように補正する等の様々な方法を用いることが可能であり、標準偏差を用いる場合に限られないが、学習モデル生成の際に用いた方法と同一の方法で行う。

次に、ステップ２０６で、分割画像生成部２４は、ウインドウ画像を左側領域の画像と右側領域の画像とに分割する。ここでは、左側領域の画像と右側領域の画像とが同サイズ（例えば、８×３２画素）になるように、全体画像の中央で分割する。例えば、図５（Ａ）に示すようなウインドウ画像において、ｂがウインドウ画像の中央を示す線（左端から８画素目と９画素目の境界線）を表している場合、ウインドウ画像を線ｂで分割して、同図（Ｂ）に示す左半分画像を生成する。

次に、ステップ２０８で、判定部２８は、左半分画像の特徴量として４方向面特徴を計算し、次のステップ２１０で、学習モデルＤＢ２６に記憶されている左半分画像用の学習モデルと比較して、ＳＶＭの手法を用いて人物の確からしさを評価値として算出する。

次に、ステップ２１２で、判定部２８は、算出した評価値に基づいて左半分画像が人物であるか否かを判定する。人物であると判定した場合には、ステップ２２８へ進み、人物ではないと判定した場合には、ステップ２１４へ進む。

ステップ２１４で、ステップ２０６と同様の処理により、図５（Ｃ）に示す右半分画像を生成する。なお、ステップ２０６で、左半分画像を生成する際に、あわせて右半分画像を生成しておき、本ステップを省略することも可能である。

次に、ステップ２１６〜ステップ２２０で、ステップ２０８〜ステップ２１２の左半分画像の場合と同様に、右半分画像についても、学習モデルＤＢ２６に記憶されている右半分画像用の学習モデルと比較して、右半分画像が人物であるか否かを判定する。人物であると判定した場合には、ステップ２２８へ進み、人物ではないと判定した場合には、ステップ２２２へ進む。

ステップ２２２〜ステップ２２６で、ステップ２０８〜ステップ２１２の左半分画像の場合と同様に、ウインドウ画像全体についても、学習モデルＤＢ２６に記憶されている全体画像用の学習モデルと比較して、ウインドウ画像が人物であるか否かを判定する。人物であると判定した場合には、ステップ２２８へ進み、人物ではないと判定した場合には、ステップ２３０へ進む。

ステップ２２８で、判定部２８は、ステップ２１２、ステップ２２０、及びステップ２２６で各画像が人物であると判定したときの探索ウインドウの位置及び大きさ等の情報をリストとしてＲＡＭに保存する。

次に、ステップ２３０で、判定部２８は、入力画像全体について探索ウインドウをスキャンして探索が終了したか否かを判定する。終了した場合は、ステップ２３４へ進み、終了していない場合は、ステップ２３２へ進む。

ステップ２３２で、ウインドウ画像抽出部２２は、探索ウインドウの位置を予め定められた探索ピッチだけ移動させて、ステップ２０２に戻り、ステップ２０２〜ステップ２３０までの処理を繰り返す。探索ウインドウが画像全体の探索を終了すると、ステップ２３４へ進む。

ステップ２３４で、判定部２８は、全てのサイズの探索ウインドウでの探索が終了したか否かを判定する。ここで、探索ウインドウは人物を検出するためのウインドウ画像を抽出するためのフレームとして用いられているが、探索ウインドウのサイズが異なれば、様々なサイズの人物を検出することができる。本実施の形態では、様々なサイズの探索ウインドウが予め用意されており、各々の探索ウインドウで画像全体を探索する必要がある。終了した場合は、ステップ２３８へ進み、終了していない場合は、ステップ２３６へ進む。

ステップ２３６で、ウインドウ画像抽出部２２は、探索ウインドウのサイズを１ステップ拡大（例えば、探索ウインドウのサイズを１．２倍）して、ステップ２０２へ戻り、ステップ２０２〜ステップ２３４までの処理を繰り返す。なお、設定した探索ウインドウが１６×３２画素を超えるサイズのウインドウであった場合には、抽出したウインドウ画像を１６×３２画素に変換する。すべてのサイズの探索ウインドウサイズで探索が終了すると、ステップ２３８へ進む。

ステップ２３８で、判定部２８は、リストに保存した情報を表示制御部３０に供給する。表示制御部３０は、リストの情報に基づいて、入力画像に対して、検出された人物がウインドウで囲まれて表示されるように表示装置１８を制御する。

以上説明したように、第１の実施の形態における人物検出装置１０では、左半分画像、右半分画像、及び全体画像を用いて人物の有無を判定しているため、例えば、図５（Ａ）に示すように人物の片側の大きな荷物や背景の照明などの影響により、全体としては人物であると判定されにくい場合でも、不要な情報が除かれた同図（Ｂ）に示す左半部画像では、人物であると判定されやすいため、人物の検出の精度を向上させることができる。

（第２の実施の形態）

第１の実施の形態では、ウインドウ画像（抽出画像）から、左半分画像及び右半分画像を生成して、学習モデルとの比較を行うことにより人物を検出する場合について説明したが、第２の実施の形態では、左反転画像及び右反転画像を生成して、学習モデルとの比較を行うことにより人物を検出する場合について説明する。なお、第２の実施の形態の人物検出装置の構成において、上記第１の実施の形態の人物検出装置１０の構成と同一の構成、及び同一の処理については同一の符号を付し、その説明を省略する。

第２の実施の形態の人物検出装置１０は、図６に示すように、画像入力部２０と、ウインドウ画像抽出部２２と、ウインドウ画像抽出部２２により抽出された画像から人物の有無を判定するための反転画像を生成する反転画像生成部３４と、学習モデルＤＢ２６と、判定部２８と、表示制御部３０とを備えている。

反転画像生成部３４は、画像毎に異なる輝度分布の影響をなくし、学習モデルと、抽出したウインドウ画像との比較が行えるように、抽出したウインドウ画像の輝度値を正規化し、ウインドウ画像を左側領域及び右側領域に分割する。ここでは、左側領域の画像と右側領域の画像との画素数が等しくなるよう（例えば、横８×縦３２画素）に、ウインドウ画像の中央で分割する。さらに、分割した左側領域の画像に左側領域の画像を左右反転させた画像を合成して、左反転画像を生成する。また、分割した右側領域の画像に右側領域の画像を左右反転させた画像を合成して、右反転画像を生成する。

次に、第２の実施の形態における学習モデル生成処理ルーチンについて説明する。第２の実施の形態では、左反転画像及び右反転画像の縦横比は、全体画像の縦横比（例えば、横１×縦２）と同じになるため、第１の実施の形態のように、左反転画像、右反転画像、及び全体画像の各々に対応した学習モデルを生成する必要がない。従って、図２に示す第１の実施の形態における学習モデル生成処理ルーチンにおいて、ステップ１０６と、ステップ１１０における左半分画像及び右半分画像の学習モデル生成の処理について省略することができる。

次に、図７を参照して、第２の実施の形態における人物検出の処理ルーチンについて説明する。

ステップ２００で、ウインドウ画像抽出部２２に画像が入力され、ステップ２０２で、ウインドウ画像抽出部２２がウインドウ画像を抽出し、ステップ２０４で、反転画像生成部３４が、ウインドウ画像の輝度を正規化する。

次に、ステップ３００で、反転画像生成部３４は、ウインドウ画像を左側領域の画像と右側領域の画像とに分割する。ここでは、左側領域の画像と右側領域の画像とが同サイズ（例えば、８×３２画素）になるように、全体画像の中央で分割し、分割した左側領域の画像を左右反転した画像を生成して、左側領域の画像と合成して左反転画像を生成する。例えば、図８（Ａ）に示すようなウインドウ画像において、ｃがウインドウ画像の中央を示す線（左端から８画素目と９画素目の境界線）を表している場合、ウインドウ画像を線ｃで分割して左半分画像を生成し、左半分画像の左右反転画像を生成し、左半分画像に右端の画素に反転画像の左端の画素が隣接するように左半分画像と左半分画像の反転画像を合成して、同図（Ｂ）に示す左反転画像を生成する。

次に、ステップ３００で、判定部２８は、左反転画像の特徴量を抽出し、次のステップ３０４で、学習モデルＤＢ２６に記憶されている学習モデルと比較して、ＳＶＭの手法を用いて人物の確からしさを評価値として算出する。

次に、ステップ２１２で、判定部２８が、ウインドウ画像が人物であるか否かを判定する。人物であると判定した場合には、ステップ２２８へ進み、人物ではないと判定した場合には、ステップ３０６へ進む。

ステップ３０６で、ステップ３００と同様の処理により、図８（Ｃ）に示す右反転画像を生成する。なお、ステップ３００で、左反転画像を生成する際に、あわせて右反転画像を生成しておき、本ステップを省略することも可能である。

次に、ステップ３０８、ステップ３１０、及びステップ２２０で、ステップ２０８〜ステップ２１２の左反転画像の場合と同様に、右反転画像についても、学習モデルＤＢ２６に記憶されている学習モデルと比較して、ウインドウ画像が人物であるか否かを判定する。ここで、比較に用いる学習モデルは、左半分画像用、右半分画像用、及び全体画像用の学習モデルを用いた第１の実施の形態の場合と異なり、左反転画像、右反転画像、及び全体画像で共通の学習モデルを用いることができる。人物であると判定した場合には、ステップ２２８へ進み、人物ではないと判定した場合には、ステップ２２２へ進む。

以上説明したように、第２の実施の形態における人物検出装置１０では、左反転画像、右反転画像、及び全体画像を用いて人物の有無を判定しているため、例えば、図８（Ａ）に示すように人物の片側の大きな荷物や背景の照明などの影響により、全体としては人物であると判定されにくい場合でも、不要な情報が除かれた同図（Ｂ）に示す左反転画像では、人物であると判定されやすいため、第１の実施の形態の場合と同様に、人物の検出の精度を向上させることができると共に、判定画像として生成する左反転画像及び右反転画像は、抽出画像と同サイズとなるため、比較する学習モデルを左反転画像用、右反転画像用、及び全体画像用と個別に設ける必要がなく、学習モデルの生成を簡略化できる。

なお、上記第１の実施の形態及び第２の実施の形態では、学習モデルの生成及び人物の検出にＳＶＭの手法を用いる場合について説明したが、特徴量としてＨａａｒ−ｌｉｋｅ ｆｅａｔｕｒｅを計算して、Ｖｉｏｌａ＆Ｊｏｎｅｓの手法を用いてもよい。

第１の実施の形態の人物検出装置１０の構成を示すブロック図である。 第１の実施の形態の学習モデルの生成処理ルーチンを示すフローチャートである。 第１の実施の形態における学習モデル生成を説明する図である。 第１の実施の形態の人物検出処理ルーチンを示すフローチャートである。 第１の実施の形態における分割画像生成を説明する図である。 第２の実施の形態の人物検出装置１０の構成を示すブロック図である。 第２の実施の形態の人物検出処理ルーチンを示すフローチャートである。 第２の実施の形態における反転画像生成を説明する図である。 抽出画像の一例を示す図である。

符号の説明

１０ 人物検出装置
２２ ウインドウ画像抽出部
２４ 分割画像生成部
２６ 学習モデルＤＢ
２８ 判定部

Claims (5)

1. 入力画像から抽出した抽出画像を左右の領域に分割する画像分割手段と、
   前記画像分割手段により分割された左側領域の画像と前記左側領域の画像に対応する人物を検出するための学習モデルとの比較、前記画像分割手段により分割された右側領域の画像と前記右側領域の画像に対応する人物を検出するための学習モデルとの比較、及び前記抽出画像の全体と前記抽出画像の全体に対応する人物を検出するための学習モデルとの比較のいずれか１つの比較で人物が検出された場合に、前記抽出画像に人物有りと判定する判定手段と、
   を含む人物検出装置。
2. 入力画像から抽出した抽出画像を左右の領域に分割する画像分割手段と、
   前記画像分割手段により分割された左側領域の画像及び右側領域の画像の各々の左右を反転させる画像反転手段と、
   前記画像分割手段により分割された左側領域の画像と前記画像反転手段により反転された左側領域の画像とを合成した画像、前記画像分割手段により分割された右側領域の画像と前記画像反転手段により反転された右側領域の画像とを合成した画像、及び前記抽出画像の全体のいずれかと、人物を検出するための学習モデルとの比較で人物が検出された場合に、前記抽出画像に人物有りと判定する判定手段と、
   を含む人物検出装置。
3. 前記判定手段は、画像の特徴量と前記学習モデルとを比較する請求項１または請求項２記載の人物検出装置。
4. コンピュータを、
   入力画像から抽出した抽出画像を左右の領域に分割する画像分割手段と、
   前記画像分割手段により分割された左側領域の画像と前記左側領域の画像に対応する人物を検出するための学習モデルとの比較、前記画像分割手段により分割された右側領域の画像と前記右側領域の画像に対応する人物を検出するための学習モデルとの比較、及び前記抽出画像の全体と前記抽出画像の全体に対応する人物を検出するための学習モデルとの比較のいずれか１つの比較で人物が検出された場合に、前記抽出画像に人物有りと判定する判定手段と、
   して機能させるための人物検出プログラム。
5. コンピュータを、
   入力画像から抽出した抽出画像を左右の領域に分割する画像分割手段と、
   前記画像分割手段により分割された左側領域の画像及び右側領域の画像の各々の左右を反転させる画像反転手段と、
   前記画像分割手段により分割された左側領域の画像と前記画像反転手段により反転された左側領域の画像とを合成した画像、前記画像分割手段により分割された右側領域の画像と前記画像反転手段により反転された右側領域の画像とを合成した画像、及び前記抽出画像の全体のいずれかと、人物を検出するための学習モデルとの比較で人物が検出された場合に、前記抽出画像に人物有りと判定する判定手段と、
   して機能させるための人物検出プログラム。