JP2011215883A - 対象物検知装置及びその学習装置 - Google Patents

Abstract

【課題】画像から対象物を検知する対象物検知装置において、画像を分割したセルごとに識別器を設け、対象物の特徴が強く現れるセルを選択して検知を行うと、当該セルが隠蔽されたときに対象物を検知し損なう。
【解決手段】後段部３２の全体識別関数はセルごとの部分識別器３００それぞれから識別指標値を入力される。全体識別関数は、セル数に応じた多次元の正規分布関数であり、部分識別器群３０２に対象物画像、非対象物画像をそれぞれ多数入力したときの各識別指標値を正規分布として求めた平均・分散により予め定義される。対象物判定部３４は、全体識別関数の出力値に基づいて対象物の有無を判定する。
【選択図】図２

Description

本発明は、入力画像に現れる対象物を検知する対象物検知装置、及びその学習に用いる学習装置に関する。

近年、監視カメラの画像やデジタルスチルカメラの画像から人や顔などの存在を検知する研究が盛んに行われている。検知処理の様々な手法のうち、識別器を用いた検知が注目されている。

識別器を用いた従来技術に、対象物の一部を識別する複数の部分識別器と、それら部分識別器の出力を用い対象物全体を識別する全体識別器との２段構成にした対象物検知器が存在する。

特許文献１に開示される物体検出装置は、全体識別器の学習にアダブースト（AdaBoost）法を適用している。アダブースト法には、画像から抽出される特徴のうち識別に有効なものを選択して識別器を構築する特質がある。すなわち、特許文献１に記載の従来技術では、部分識別器の組み合わせを選択的に利用する全体識別器が学習され、検知処理において対象物画像内での特徴が強い部分の組み合わせが選択的に用いられる。

特開２００９−３０１１０４号公報

画像の対象物はその全体が撮像されているとは限らず、対象物の一部が他の物体に隠蔽されている場合もある。隠蔽状況は多様であり、対象物の特徴が強い部分が一部隠蔽される状況もしばしば生じる。対象物画像の部分を選択的に用いる学習によって構築される従来の検知器は選択部分に対する依存性が強いため、当該選択部分が隠れると対象物を検知し損ねやすくなるという問題があった。

本発明は上記問題点を解決するためになされたものであり、対象物の特徴が強い部分が一部隠蔽されていても、検出漏れが少なく、かつ信頼性の高い対象物検知を可能とする対象物検知装置、及び当該対象物検知装置の構築に用いる学習装置を提供することを目的とする。

本発明に係る対象物検知装置は、入力画像に現れる対象物を検知するものであって、対象物学習に用いる多数の標本画像を複数のセルに区分けして前記セルごとに対象物の有無を識別する識別関数を学習した複数の部分識別器と、前記学習した部分識別器の全てが前記多数の標本画像に対して出力したセル識別指標値の分布に応じて算出した前記対象物の有無を識別可能な全体識別関数を有する全体識別器と、から少なくとも構成され、前記入力画像を前記部分識別器に入力して得られるセル識別指標値を前記全体識別器に入力させて対象物の有無を検知する。

他の本発明に係る対象物検知装置においては、前記全体識別関数が、前記標本画像が前記対象物のものであるか否かの種別ごとの前記分布のうちの一方又は両方に応じて算出したものである。

さらに他の本発明に係る対象物検知装置においては、前記複数の部分識別器が、前記学習の学習条件ごとに前記各セルと対応して具備され、前記全体識別器が、前記学習条件ごとの複数の前記全体識別関数を備えると共に、前記複数の全体識別関数から得られる全体識別指標値を加算する加算器を備え、前記複数の前記全体識別関数それぞれが、前記学習条件ごとの前記分布に応じて算出したものである。

本発明に係る学習装置は、上記対象物検知装置に関する学習に用いるものであって、前記多数の標本画像を記憶する記憶部と、前記記憶部の前記多数の標本画像を用いて前記複数の部分識別器の学習を行う部分識別器学習部と、前記部分識別器学習部にて学習を行われた全ての前記部分識別器に前記記憶部の前記多数の標本画像を入力して得られるセル識別指標値の分布を求める中間特徴分布算出部と、前記中間特徴分布算出部にて前記分布が求められると、当該分布に応じた前記全体識別関数を算出する全体識別器生成部と、を有する。

本発明によれば、対象物の特徴が強い部分が一部隠蔽されていても、検出漏れが少なく、かつ信頼性の高い対象物検知が可能となり、また当該検知を可能とする対象物検知装置の構築が可能となる。

本発明の実施形態に係る対象物検知装置の概略の構成を示すブロック図である。 検知処理部の概略の構成を示すブロック図である。 入力画像、枠領域及びセルを模式的に示した説明図である。 中間特徴量ｙを変数とする全体識別関数ｆ_ｔ(ｙ)の例を説明する模式的なグラフである。 本発明の実施形態における画像監視処理の概略のフロー図である。 本発明の実施形態に係る学習装置の概略のブロック構成図である。 中間特徴分布算出部による処理を説明する模式図である。 中間特徴分布の特質を説明する模式図である。 本発明の実施形態に係る学習装置の概略の動作を示すフロー図である。

以下、本発明の実施の形態（以下実施形態という）である対象物検知装置１、及び学習装置２について、図面に基づいて説明する。対象物検知装置１は、例えば、監視空間から得られた監視画像等を入力画像とし、当該入力画像に現れる対象物を検知する。本実施形態では人の上半身を対象物として検知する例を説明する。対象物検知装置１は例えば、監視画像において、人の上半身を検出することで侵入者を検知し、侵入者を検知すると異常信号を出力する。学習装置２は、対象物検知装置１を学習データに基づいて学習させるものであり、具体的には対象物検知装置１に用いる識別器を学習により生成する。

［対象物検知装置］
図１は、実施形態に係る対象物検知装置１の概略のブロック構成図である。対象物検知装置１は、画像入力部１０、記憶部１１、画像処理部１２及び出力部１３を含んで構成される。画像入力部１０、記憶部１１及び出力部１３は画像処理部１２と接続される。

画像入力部１０は、監視カメラであり、監視空間内に設置される。例えば、監視カメラは監視空間の天井部に監視空間を俯瞰して設置される。当該監視カメラは、監視空間を所定の時間間隔で撮影し、各画素が多階調の画素値で表現される監視画像を順次、画像処理部１２へ出力する。以下、画像入力部１０にて取得され画像処理部１２に入力される画像を入力画像と称する。

記憶部１１は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、ハードディスク等の記憶装置であり、画像処理部１２で使用されるプログラムやデータを記憶する。記憶部１１はこれらプログラム、データを画像処理部１２との間で入出力する。記憶部１１に記憶されるデータには、部分識別器１１０、全体識別器１１１が含まれる。

部分識別器１１０は、セルごとに設けられた識別器であり、後述する学習装置２によって多数の標本画像に基づいて生成・学習される。記憶部１１は部分識別器１１０として、識別関数を表す情報を記憶する。セルは、対象物体像に応じた形状の枠領域の一部範囲であって、当該枠領域内に複数設定される。後述するように部分識別器１１０はＴ段（Ｔ≧１）構成となっており、各段にセルの数だけの部分識別器１１０が設けられる。

全体識別器１１１は、部分識別器の各段に対応して設けられた全体識別関数であり、後述する学習装置２によって多数の標本画像に基づいて生成・学習される。記憶部１１は全体識別器１１１として、各全体識別関数を表す情報を記憶する。

画像処理部１２はＤＳＰ(Digital Signal Processor)、ＭＣＵ(Micro Control Unit)等の演算装置を用いて構成される。画像処理部１２は、画像入力部１０からの入力画像を処理して人の存在有無を判定し、人を検知すると異常信号を出力部１３へ出力する処理を行う。具体的には、画像処理部１２は、記憶部１１からプログラムを読み出して実行し、後述する検知処理部１２０、異常判定部１２１として機能する。

検知処理部１２０は、記憶部１１に記憶された部分識別器１１０、全体識別器１１１を用いて、入力画像における対象物の存在を判定する。検知処理部１２０の詳細については後述する。

異常判定部１２１は、検知処理部１２０により対象物の存在が判定されると、侵入異常が検知されたとして異常信号を出力部１３へ出力する。

出力部１３は、外部装置と接続され、当該外部装置へ異常信号を出力するインターフェース回路である。外部装置は、侵入者の存在を警報するスピーカー、ブザー又はランプ等の警報表示手段や、通信網を介して接続される遠隔地のセンタ装置等である。

図２は、検知処理部１２０の概略の構成を示すブロック図である。検知処理部１２０は前段部３０と後段部３２との２段構成を有し、その後ろに対象物判定部３４が設けられる。

前段部３０には、複数の部分識別器３００からなる部分識別器群３０２が少なくとも１つ設けられ、さらに、部分識別器群３０２ごとに中間特徴作成部３０４が設けられる。

後段部３２は、各部分識別器群３０２に対応した全体識別器である弱識別器３０６が設けられ、さらに各弱識別器３０６の出力を加算合成して出力する加算器３０８を備える。ここで、後段部３２は、部分識別器群３０２それぞれに対応した全体識別器である弱識別器３０６を組み合わせた強識別器を構成する。つまり、後段部３２は弱識別器３０６の出力を線形結合して評価値を生成するものであり、弱識別器３０６より上位の全体識別器であると見ることができる。そこで、以下、強識別器である後段部３２を全体識別器Ｈと呼ぶこととする。一方、第ｔの弱識別器３０６は全体識別器Ｈの一部機能をなす全体識別関数ｆ_ｔと表現する。

図３は、以下説明する入力画像４０、枠領域４２及びセル４４を模式的に示した説明図である。検知処理部１２０は、検知対象物の画像に応じた形状の枠領域（窓領域）４２を、例えばラスタ走査により入力画像４０の各所に順次設定し、当該枠領域４２内の画像における対象物体像の有無を判定する。本実施形態では、対象物を人の上半身とすることに対応して枠領域４２の形状は正方形に設定し、大きさは幅（画像水平方向）６４×高さ（画像垂直方向）６４ピクセルとする。当該枠領域４２内に複数のセル（小領域）４４が設定される。

セル４４は、それぞれ枠領域の一部範囲であり、互いに位置が異なるように配置され、全部のセルで枠領域の全体がカバーされる。すなわち、枠領域の任意の位置にいずれかのセルが設定される。本実施形態では、セルを１６×１６ピクセルの正方形とし、隣同士が幅方向及び高さ方向に８ピクセルずつオーバーラップするように枠領域内に配置する。この配置では、枠領域の水平方向、垂直方向それぞれに７個のセルが配列され、枠領域全体に４９個のセルｃ１〜ｃ４９が設定される。図３の右側に拡大して示す枠領域４２に４９個のセル４４（セルｃ１〜ｃ４９）の配列順序を示した。なお、図３では上述のセル相互のオーバーラップは表していない。

図２に示すように、枠領域４２にセルを４９個設定するのに対応して、各部分識別器群３０２は４９個の部分識別器３００からなる。ここで第ｔの部分識別器群の第ｊセルに対応する部分識別器３００をＭ_ｔ，ｊ、また部分識別器Ｍ_ｔ，ｊの出力をｙ_ｔ，ｊと表記する。なお、部分識別器群３０２の個数をＴ（Ｔは１以上の整数）と表す。Ｔは後述の学習装置２での学習により決定される。複数の部分識別器群のそれぞれは互いに異なる学習条件にて、後述の学習装置で学習されたものである。この構成により各セルに対する識別性能が向上するので対象物の隠蔽に対する検知精度が向上する。

部分識別器Ｍ_ｔ，ｊは、セルｊに包含される画像から抽出された情報を入力される。具体的には、検知処理部１２０は、各セルｊの特徴量としてヒストグラム・オブ・オリエンティッド・グラディエント（ＨＯＧ：Histograms of Oriented Gradients）特徴（Navneet Dalal and Bill Triggs， "Histograms of Oriented Gradients for Human Detection"， In Proceedings of IEEE Conference Computer Vision and Pattern Recognition 2005）を算出し、各部分識別器群３０２の第ｊ部分識別器Ｍ_ｔ，ｊに並列に入力する。ＨＯＧ特徴量は３６次元のベクトルで表される。

各部分識別器Ｍ_ｔ，ｊは、後述する学習装置２による学習で生成された部分識別関数を備え、当該部分識別関数を用いて、セルｃｊのＨＯＧ特徴から、枠領域内の画像が対象物である人が撮された対象物画像か、対象物が撮されていない非対象物画像かを識別するためのスカラ量であるスコア（セル識別指標値）ｙ_ｔ，ｊを算出する。

第ｔ部分識別器群に対応した中間特徴作成部３０４は、これらのスコアを並べた４９次元ベクトルである中間特徴量ｙ_ｔ＝［ｙ_ｔ，１，ｙ_ｔ，２，・・・，ｙ_ｔ，４９］を生成して、対応する全体識別関数ｆ_ｔに入力する。

各全体識別関数ｆ_ｔは、セルの個数に対応した４９次元空間にて定義される関数である。当該全体識別関数ｆ_ｔは学習装置２により予め生成される。学習装置２は多数の標本画像を学習データとして用い、学習により全体識別関数ｆ_ｔを生成する。各全体識別関数ｆ_ｔは、標本画像である複数の対象物画像を第ｔ部分識別器群に入力して得られる中間特徴量ｙ_ｔの分布に応じた対象物側分布関数と、標本画像である複数の非対象物画像を第ｔ部分識別器群に入力して得られる中間特徴量ｙ_ｔの分布に応じた非対象物側分布関数との一方又は両方を用いて構成される。前述したように、複数の部分識別器群はそれぞれ学習条件ごとに設けられ、これに対応し全体識別関数も学習条件ごとに設けられている。この構成により検知精度の向上が図られている。

図４は中間特徴量ｙを変数とする全体識別関数ｆ_ｔ(ｙ)の例を説明する模式的なグラフである。図４（ａ）は、枠領域の画像について中間特徴量として或るベクトルｙが得られたときに当該枠領域の画像が対象物画像posである事後確率についての事後分布関数ｐ_ｔ(pos|y)（曲線５０）と、当該ベクトルｙが得られたときに枠領域の画像が非対象物画像negである事後確率とについての確率分布関数ｐ_ｔ(neg|y)（曲線５２）とを示している。図４（ａ）において横軸はベクトルｙを模式的に１次元で表したものであり、ｙの任意の１つの成分（セル識別指標値）に対する関数変化を表していると見てもよい。縦軸は各事後確率の値である。また、図４（ｂ）は、それらの差ｐ_ｔ(pos|y)−ｐ_ｔ(neg|y)を同じく横軸をベクトルｙに対応付けて表している（曲線５４）。これより関数［ｐ_ｔ(pos|y)−ｐ_ｔ(neg|y)］は、枠領域における対象物体像の有無を判定するための指標値（全体識別指標値）を与える全体識別関数ｆ_ｔとして用いることが可能である。この関数ｆ_ｔは次式のように計算される。

（１−１）式から（１−２）式への変形には、ベイズの定理（Bayes' theorem）を用いている。ここで、Ｐ_ｔ(pos)，Ｐ_ｔ(neg)はそれぞれ対象物画像である事前確率、非対象物画像である事前確率である。ｐ_ｔ(y|pos)、ｐ_ｔ(y|neg)はそれぞれ枠領域内の画像が対象物画像pos、非対象物画像negであるときに中間特徴量としてベクトルｙが得られる確率を与える確率密度関数であり、それぞれ上述した対象物側分布関数、非対象物側分布関数を用いて値を求めることができる。

また、全体識別関数ｆ_ｔを次式で表される対数の形式での事後分布関数の差を用いて定義することもできる。

このようにして全体識別器Ｈでは、全体識別関数ｆ_ｔを用いて中間特徴量ｙ_ｔから枠領域内における対象物体像の有無を判定するための全体識別指標値が算出される。全体識別器Ｈは加算器３０８によって各全体識別関数ｆ_ｔの出力値（スカラ）の線形和を求め、評価値として対象物判定部３４へ出力する。

対象物判定部３４は当該評価値を、予め設定された閾値と比較して枠領域における対象物体像の有無を判定する。

上述の（１−１）式、又は（３）式で定義される全体識別関数ｆ_ｔを用いた場合、ｆ_ｔはｆ_ｔ＞０ならば対象物体像が有ることを示し、ｆ_ｔ＜０ならば対象物体像が無いことを示すと解することができる。すなわち、ｆ_ｔに関する対象物体像の有無識別の閾値は０である。これは各全体識別関数ｆ_ｔ（ｔ＝１〜Ｔ）を同様に定義すれば、加算器３０８から出力される評価値Ｈ(ｙ)に対する対象物判定部３４の閾値も０に設定することができることを意味する。

なお、上述のようなＨ(ｙ)に対する閾値設定の単純さがなくなる可能性はあるが、図４（ａ）から分かるように原理的にはｐ_ｔ(pos|y)、ｐ_ｔ(neg|y)の一方、つまり対象物側分布関数、非対象物側分布関数の一方のみを用いて、対象物体像の有無を識別するための全体識別関数ｆ_ｔを定義することも可能である。

次に対象物検知装置１の動作を説明する。図５は、対象物検知装置１における画像監視処理の概略のフロー図である。例えば、装置の管理者が電源を投入すると対象物検知装置１の各部が動作を始める。画像入力部１０は所定の時間間隔で（例えば１秒おきに）監視空間を撮像し、撮像した画像を画像処理部１２に入力する。画像処理部１２は画像が入力されるたびにＳ２０〜Ｓ５０の処理を繰り返す。

画像が入力されると（Ｓ２０）、画像処理部１２は、図２〜図４を用いて上述した検知処理部１２０の動作により、入力画像から対象物の検出を行い、その有無の判定結果を出力する（Ｓ３０）。

対象物の検知処理Ｓ３０が終わると、画像監視処理は対象物の検知の有無に応じて（Ｓ４０）、警報処理を行う（Ｓ５０）。すなわち、検知処理部１２０が対象物を検知した旨の判定結果を出力すると（Ｓ４０にて「ＹＥＳ」）、異常判定部１２１は異常信号を出力部１３へ出力し、出力部１３に警報を出力させる（Ｓ５０）。

以上の処理を終えると、処理は再びステップＳ２０へ戻される。

以上説明した対象物検知装置１は、セルの数と対応した次元数の多次元空間にて定義される全体識別関数により全セルの部分識別指標値を利用した対象物検知を行うので、特定の一部セルに隠蔽が生じても検知精度が大幅に低下しない。そのため隠蔽による対象物の検知漏れを減少させることができる。

［学習装置］
図６は、本発明の実施形態に係る学習装置２の概略のブロック構成図である。学習装置２は、記憶部２０、信号処理部２１及び出力部２２を含んで構成される。記憶部２０及び出力部２２は信号処理部２１と接続される。

記憶部２０は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、ハードディスク等の記憶装置であり、信号処理部２１で使用されるプログラムやデータを記憶する。記憶部２０はこれらプログラム、データを信号処理部２１との間で入出力する。記憶部２０に記憶されるデータには、標本画像２００、部分特徴量２０１、部分識別器２０２、中間特徴量２０３、全体識別器２０４、学習条件２０５が含まれる。

標本画像２００は、対象物検知装置１の学習に用いる画像であり、当該学習に先立って予め記憶される。標本画像２００は、検知対象物である人の上半身が撮像された多数の対象物画像２００ｐ（ポジティブ・サンプル）と、検知対象物以外の背景などが撮像された多数の非対象物画像２００ｎ（ネガティブ・サンプル）とからなる。対象物画像２００ｐ、非対象物画像２００ｎはそれぞれは数千枚程度用意される。対象物画像２００ｐの枚数をＮ_ｐｏｓ、非対象物画像２００ｎの枚数をＮ_ｎｅｇと表す。対象物画像２００ｐ及び非対象物画像２００ｎはいずれも６４×６４ピクセルの基準サイズに予め揃えられている。

部分特徴量２０１は、各標本画像２００から算出されるセルごとの特徴量である。部分特徴量２０１としてＨＯＧ特徴ベクトルを用いる。以降の説明で、第ｊセルの部分特徴量２０１をｘ_ｊと表す。また、ｉ枚目の標本画像から算出された第ｊセルの部分特徴量２０１をｘ_ｉ，ｊと表し、さらに当該標本画像が対象物画像２００ｐか非対象物画像２００ｎかを区別する場合には、対象物画像２００ｐから算出されたものをｘｐ_ｉ，ｊ、非対象物画像２００ｎから算出されたものをｘｎ_ｉ，ｊと表記する。

部分識別器２０２は、セルごとに部分特徴量２０１を用いて生成・学習される識別器である。部分識別器２０２は１又は複数段構成（段数Ｔ）となっており、１段ずつ学習・生成され、また各段にてセルの数だけ学習・生成される。部分識別器２０２の段は対象物検知装置１における部分識別器群３０２に対応する。以下、総称的には部分識別器をＭと表記し、また段（ｔ）、セル（ｊ）別の個々の部分識別器は対象物検知装置１での説明と同じくＭ_ｔ，ｊと表記する。

中間特徴量２０３は、部分特徴量２０１を入力としてセルごとの部分識別器から得られる出力値を要素としたベクトルである。本実施形態では４９次元ベクトルとなる。ここでは、部分特徴量ｘ_ｉ，ｊを部分識別器Ｍ_ｔ，ｊに入力したときの出力値をｙ_ｉ，ｊ、また、ｉ枚目の標本画像２００に対して得られる中間特徴量をｙ_ｉ＝［ｙ_ｉ，１，ｙ_ｉ，２，…，ｙ_ｉ，４９］と表す。なお、この中間特徴量の表記は上述の対象物検知装置１の説明で用いたｙ_ｔ，ｙ_ｔ，ｊという表記と似ているが、それぞれの添え字ｉとｔとは異なる意味を有していることに留意する。

全体識別器２０４は、中間特徴量２０３を用いて生成される識別器であり、複数の部分識別器２０２の出力を識別結果に統合するための識別器である。この全体識別器２０４は対象物検知装置１の全体識別器Ｈに相当し、以下、同一の表記を用いる。全体識別器２０４は、部分識別器２０２の段数と同じＴ個の全体識別関数２０６を含む。全体識別関数２０６は、部分識別器２０２の各段に対応して設けられており、それぞれ対応する第ｔ段（ｔ＝１〜Ｔ）の部分識別器２０２の出力の統合を行うものであり、上述の対象物検知装置１の全体識別関数ｆ_ｔに相当し、以下、同一の表記を用いる。

学習条件（重み）２０５は部分識別器２０２の学習に用いる条件である。具体的には学習条件２０５は各標本画像２００に対する重みであり、部分識別器２０２の段ごとに異なる条件が設定される。以降、第ｔ段の部分識別器２０２の学習におけるｉ枚目の標本画像２００に対する重みをｗ_ｔ，ｉと表記する。

信号処理部２１はＤＳＰ、ＭＣＵ等の演算装置を用いて構成される。信号処理部２１は、記憶部２０からプログラムを読み出して実行し、後述する特徴量算出部２１０、部分識別器学習部２１１、中間特徴分布算出部２１２、全体識別器生成部２１３、識別器追加部２１４として機能する。信号処理部２１は記憶部２０から標本画像２００を読み出して部分識別器Ｍ及び全体識別器Ｈの生成・学習を行い、学習結果を記憶部２０に記憶させる。

特徴量算出部２１０は、標本画像２００のそれぞれをセルに分割して各セルの部分特徴量２０１を算出し、算出した部分特徴量２０１を部分識別器学習部２１１に入力する。

上述のように部分特徴量２０１としてＨＯＧ特徴量を用いる。ＨＯＧ特徴は濃度勾配分布の情報であり、特徴量算出部２１０は、ＨＯＧ特徴ベクトルは次のように算出する。まず、セルを構成する各ピクセルについてエッジの強度と方向とを計算する。ここで、方向は２０°ごとの９方向に量子化する。１ピクセルがＲＧＢの３成分からなるカラー画像の場合は、各成分について強度を計算し、強度が最大である成分についての計算結果をそのピクセルの強度及び方向とする。セルを２×２分割した４つの領域それぞれについて、方向ごとの強度の重み付きヒストグラムを作成する。そして、ヒストグラムの値をベクトルの要素として並べて、９方向×４領域＝３６次元のＨＯＧ特徴ベクトルが作成される。なお、当該ベクトルのノルムは１に正規化する。

算出された部分特徴量２０１は、同一の標本画像を用いた処理ごとに計算することによる処理量増大を避けるため、セルと対応付けて記憶部２０に保存される。

部分識別器学習部２１１は、特徴量算出部２１０から入力される各セルの部分特徴量２０１を用いて当該セルごとに部分識別器Ｍを生成・学習し、学習後の部分識別器Ｍを記憶部２０に記憶させる。

学習アルゴリズムとしては、公知のディスクリート・アダブースト（Discrete AdaBoost；Robert E．Schapire，Yoram Singer，"Improved Boosting Algorithms Using Confidence-rated Predictions"，Machine Learning，Vol．37，No．3）、やサポート・ベクター・マシーン（ＳＶＭ；Support Vector Machine）等を用いることができる。

部分識別器Ｍの学習は誤り率が予め設定された目標値（部分目標値）を下回るまで反復して行われ、これにより、学習された部分識別器Ｍのそれぞれは一定以上の識別率を有する。例えば、対象物及び非対象物の誤り率に対してそれぞれ１５％程度の値を部分目標値に設定することができる。

学習は第１段の部分識別器群から順番に実施される。各段階では標本画像２００に対する重みが適宜設定され、これにより、各段にて異なる部分識別器Ｍ_ｔ，ｊが学習される。例えば、第１段階（ｔ＝１）では、各対象物画像２００ｐに均等な重みｗ_１，ｉ＝０．５／Ｎ_ｐｏｓ（ｉ＝１〜Ｎ_ｐｏｓ）が設定され、また、各非対象物画像２００ｎに均等な重みｗ_１，ｉ＝０．５／Ｎ_ｎｅｇ（ｉ＝１〜Ｎ_ｎｅｇ）が予め設定される。また、第２段階以降（ｔ＞１）では各標本画像２００に識別器追加部２１４から入力された重みｗ_ｔ，ｉ（ｉ＝１〜Ｎ_ｐｏｓ＋Ｎ_ｎｅｇ）が設定される。

学習された第ｊセルの部分識別器Ｍ_ｔ，ｊは、第ｊセルの部分特徴量ｘ_ｊを入力されると当該部分特徴量ｘ_ｊが対象物又は非対象物である度合いｙ_ｊ（スカラ）を出力する。例えば、ディスクリート・アダブーストを用いて学習された部分識別器Ｍ_ｊは、部分特徴量ｘ_ｊが対象物のものであるときに正の尤度を出力し、部分特徴量ｘ_ｊが対象物として尤もらしければ尤もらしいほど大きな尤度を出力する。他方、部分特徴量ｘ_ｊが対象物のものでないとき、部分識別器Ｍ_ｊは負の尤度を出力し、部分特徴量ｘ_ｊが非対象物として尤もらしければ尤もらしいほど小さな尤度を出力する。

中間特徴分布算出部２１２は、部分識別器学習部２１１によって学習された各セルの部分識別器Ｍ_ｔ，ｊに、複数の対象物画像２００ｐ及び複数の非対象物画像２００ｎから特徴量算出部２１０によって算出された当該セルの部分特徴量２０１を入力する。そして、各部分識別器Ｍ_ｔ，ｊの出力値の分布を近似する所定の関数を、対象物の部分特徴量２０１を入力した場合と非対象物の部分特徴量２０１を入力した場合とに分けて算出し、算出された関数を全体識別器生成部２１３へ出力する。部分識別器Ｍ_ｔ，ｊの出力値の分布は確率密度に応じた特性を示し、本実施形態では当該関数は正規分布関数とし、当該正規分布関数を平均値及び分散値をパラメータとして表す。但し、これらの関数近似を行うにあたり、中間特徴分布算出部２１２は、各出力値に当該値と対応する各標本画像２００の重みｗによる重みに応じて近似を行う。

図７は中間特徴分布算出部２１２による処理を説明する模式図である。中間特徴分布算出部２１２は、人が撮像されているＮ_ｐｏｓ枚の対象物画像２００ｐそれぞれの第１セルから算出された部分特徴量ｘｐ_ｉ，１（ｉ＝１〜Ｎ_ｐｏｓ）を、部分識別器Ｍ_ｔ，１に入力してＮ_ｐｏｓ個の出力値ｙ_ｉ，１を算出させ、当該出力値ｙ_ｉ，１の平均値及び分散値を算出する。この平均値及び分散値により、対象物画像２００ｐの第１セルに対する出力値ｙ_ｉ，１を近似する正規分布関数６０−１が特定される。

同様に中間特徴分布算出部２１２は、人が撮像されていないＮ_ｎｅｇ枚の非対象物画像２００ｎそれぞれの第１セルから算出された部分特徴量ｘｎ_ｉ，１（ｉ＝１〜Ｎ_ｎｅｇ）を部分識別器Ｍ_ｔ，１に入力してＮ_ｎｅｇ個の出力値ｙ_ｉ，１を算出させ、当該出力値ｙ_ｉ，１の平均値及び分散値を算出する。この平均値及び分散値により、非対象物画像２００ｎの第１セルに対する出力値ｙ_ｉ，１を近似する正規分布関数６１−１が特定される。

中間特徴分布算出部２１２は、第２セル以降についても同様の処理を行い、対象物画像２００ｐの任意の第ｊセル（ｊ＝１〜４９）に対する出力値を近似する正規分布関数６０−ｊ及び非対象物画像２００ｎの任意の第ｊセルに対する出力値を近似する正規分布関数６１−ｊそれぞれを表す平均値及び分散値を算出する。

その結果、中間特徴分布算出部２１２から上記平均値に関する出力として、対象物に係る上記平均値を成分とする平均値ベクトルμ_ｐｏｓと非対象物に係る上記平均値を成分とする平均値ベクトルμ_ｎｅｇとが得られる。各平均値ベクトルμ_ｐｏｓ及びμ_ｎｅｇは各セルに対応した平均値を成分とし、セル数に等しい次元を有する。また、中間特徴分布算出部２１２は上記分散に関し、対象物に係る上記分散を対角成分とする共分散行列Σ_ｐｏｓと非対象物に係る上記分散を対角成分とする共分散行列Σ_ｎｅｇとを出力する。各共分散行列Σ_ｐｏｓ及びΣ_ｎｅｇは各セルに対応した分散を対角成分とし、セル数×セル数の次元を有する。

これら平均値ベクトルと共分散行列との組によって、セル数だけの次元を有した多次元正規分布が定義される。当該多次元正規分布は中間特徴量に関する上述の確率密度関数ｐ_ｔ(y|pos)及びｐ_ｔ(y|neg)を表す。

なお、上述した共分散行列Σ_ｐｏｓ及びΣ_ｎｅｇは対角行列である。すなわち、非対角成分が０であり、共分散を考慮していない。しかし、互いに異なる２つのセルからなる各組み合わせについて共分散を算出し、非対角成分に非零の値を有する共分散行列Σ_ｐｏｓ及びΣ_ｎｅｇを用いてｐ_ｔ(y|pos)及びｐ_ｔ(y|neg)を表す多次元正規分布を定義してもよい。このように非対角成分の共分散を計算した共分散行列を使用することによって、非対角成分が０である共分散行列を用いた場合より中間特徴量の分布を精度良く近似することができる。

例えばセル１とセル２との共分散を計算する場合、人が撮像されている対象物画像２００ｐの第１セルから計算した画像特徴を入力とした時の部分識別器Ｍ_ｔ，１の出力値ｙ_ｉ，１（ｉ＝１〜Ｎ_ｐｏｓ）と、第２セルから計算した画像特徴を入力とした時の部分識別器Ｍ_ｔ，２の出力値ｙ_ｉ，２（ｉ＝１〜Ｎ_ｐｏｓ）とからセル１とセル２との共分散を算出する。当該共分散を全てのセルの組み合わせについて計算する。計算された異なるセル間の共分散を共分散行列の非対角成分に設定する。同様に非対象物のセル間の共分散を計算しΣ_ｎｅｇの非対角成分に設定する。

図８は、中間特徴分布の特質を説明する模式図である。グラフ７０及びグラフ７１はそれぞれ、標本画像２００の第１セル及び第２セルから算出された部分特徴量２０１の分布のイメージを表したものである。白抜きの楕円が対象物画像２００ｐの部分特徴量２０１の分布を表し、斜線の楕円が非対象物画像２００ｎの部分特徴量２０１の分布を表す。特徴空間は実際には３６次元であるが便宜上、３次元だけ図示している。いずれも対象物に係る分布と非対象物に係る分布とが散り散りに分布をしており、これらの特徴空間において対象物を非対象物と識別するのは困難であることが分かる。

発明者は、対象物を人とした標本画像２００のＨＯＧ特徴を用いて学習した部分識別器Ｍの出力を観測したところ、各セルの出力値の分布が正規分布にて良好に近似できることを見出した。つまり一定以上の識別率を有する部分識別器Ｍの出力値の分布においては、対象物に係る分布と非対象物に係る分布とがそれぞれ１つにまとまる性質がある。

このことは中間特徴量の分布、すなわち全セルを併せた分布においても対象物に係る分布と非対象物に係る分布とがそれぞれ１つにまとまることを意味する。

グラフ７２は、中間特徴分布算出部２１２により算出された確率密度関数により表される中間特徴量の分布のイメージを表したものである。白抜きの楕円が対象物画像２００ｐの中間特徴量の分布を表し、斜線の楕円が非対象物画像２００ｎの中間特徴量の分布を表す。どちらの分布も多次元正規分布で近似され、それぞれが１つにまとまっており、中間特徴量の特徴空間では、対象物を非対象物と識別することが容易化されることが分かる。なお、特徴空間は実際には４９次元であるが２次元だけ図示している。

全体識別器生成部２１３は、中間特徴分布算出部２１２から入力された中間特徴量の確率密度関数ｐ_ｔ(y|pos)及びｐ_ｔ(y|neg)から全体識別器Ｈの識別基準である全体識別関数ｆ_ｔを算出して記憶部２０に記憶させる。この全体識別関数ｆ_ｔは上述の（１−２）式を用いて算出される。

ここで事前確率Ｐ_ｔ(pos)及びＰ_ｔ(neg)の初期値としてＰ_１(pos)＝Ｐ_１(neg)＝０．５を予め設定する。これにより、中間特徴分布算出部２１２により得られるｐ_１(y|pos)及びｐ_１(y|neg)を用いて全体識別関数ｆ_１を算出可能である。また、ｔ＞１の場合についてＰ_ｔ(pos)及びＰ_ｔ(neg)を重みｗ_ｔ，ｉに応じて適宜設定すれば同様に第２段以降の全体識別関数ｆ_ｔの算出が可能である。

上述のようにして中間特徴量の関数に基づいて生成される全体識別関数ｆは、セルごとに学習された部分識別器Ｍを取捨選択せずに各部分識別器Ｍによる識別結果を全て反映させた識別を行うことができる。つまり、対象物の特徴が強く現れる特定のセルに対して強く依存しない識別を行うことができる。これにより例えば、対象物の特徴が強く現れる特定のセルが隠蔽されたとしても、残りの部分識別器の集積により検知精度の維持を図ることができる。

識別器追加部２１４は、部分識別器群及び全体識別関数の段数の増加を行う。上述したように全体識別器Ｈは複数の全体識別関数ｆの線形結合とすることでその精度を改善できる。しかし、これから生成する第（ｔ＋１）段を、既に生成されている第１〜ｔ段の部分識別器Ｍ及び識別関数ｆと同じ学習条件で学習を行ったのでは精度は改善されない。そこで、識別器追加部２１４は、部分識別器の既生成の段での学習に用いたものとは異なる学習条件を定め、当該学習条件を用いて追加の部分識別器Ｍ及び全体識別関数ｆを生成させる。

例えば、学習条件は学習する際の各標本画像の重みであり、識別器追加部２１４は、部分識別器の追加段に対する学習条件を定めるに際し、既生成の段の部分識別器及び全体識別器を用いて標本画像における対象物体像の有無の判定を行い、誤った判定結果が得られた標本画像の重みを正しい判定結果が得られた標本画像の重みよりも重く設定する。

すなわち、識別器追加部２１４は、既生成の段の部分識別器Ｍ及び全体識別器Ｈからなる図２の構成の検知処理部１２０をエミュレートし、当該検知処理部１２０による標本画像２００のそれぞれに対する識別結果を求める。そして、識別結果が誤である標本画像２００に偏らせた重みを各標本画像２００に設定し、この重み設定にて部分識別器学習部２１１に追加の部分識別器Ｍ_{ｔ＋１，ｊ}を学習させると共に全体識別器生成部２１３に当該追加の部分識別器Ｍ_{ｔ＋１，ｊ}に適合した追加の全体識別関数ｆ_ｔ＋１を生成させる。

対象物画像２００ｐに対する重み設定は以下に示す（４−１）式又は（４−２）式に従って行い、非対象物画像２００ｎに対する重み設定は以下に示す（５−１）式又は（５−２）式に従って行う。

対象物画像２００ｐに関してはＨ及びｆの出力が負（非対象物であるとの識別結果）のときに識別結果が誤りであり、非対象物画像２００ｎに関してはＨ及びｆの出力が正（対象物であるとの識別結果）のときに識別結果が誤りである。（４−１）式、（４−２）式、（５−１）式及び（５−２）式の右辺の指数の符号は、識別結果が誤りである場合に大きな重みを算出させるように設定している。

（４−１）式又は（５−１）式を用いる場合は、特徴量算出部２１０により算出された部分特徴量２０１を部分識別器Ｍに入力してＨ(ｙ_ｉ)を算出させればよい。また、（４−２）式又は（５−２）式を用いる場合は、中間特徴分布算出部２１２が部分識別器学習部２１１に算出させた出力値ｙ_ｉを記憶部２０に記憶させておき、これらの出力値ｙ_ｉを全体識別関数ｆに入力してｆ_ｔ(ｙ_ｉ)を算出させればよい。

なお、識別器追加部２１４は、上記式にしたがって重みを更新後、最後に重みの合計が１になるように正規化を行う。

追加は無制限に行うのではなく、識別器追加部２１４は全体識別器Ｈの誤り率が予め設定された全体目標値を下回ったとき、又は段数ｔが予め設定された段数上限値Ｔtに達したときに追加を停止する。例えば、対象物の誤り率に対しては０．０５％程度の全体目標値、非対象物の誤り率に対しては０．０１％程度の全体目標値を設定することができる。また、Ｔtは例えば５０程度に設定することができる。

出力部２２は、生成・学習された部分識別器２０２及び全体識別器２０４を学習装置２の外部へ出力するＵＳＢ端子、ＣＤドライブ、ネットワークアダプタ等のインターフェース回路、及びそれぞれのドライバ・プログラムからなる。外部出力された各データは対象物検知装置１に入力される。

次に学習装置２の動作を説明する。図９は学習装置２の概略の動作を示すフロー図である。まず、信号処理部２１は特徴量算出部２１０により標本画像２００の部分特徴量２０１を算出する（Ｓ１）。すなわち、特徴量算出部２１０は記憶部２０から標本画像２００を順次読み出して当該標本画像２００をセルに分割し、各セルの部分特徴量２０１を算出する。特徴量算出部２１０は算出した部分特徴量２０１のそれぞれに、その元となった標本画像２００のインデックスｉ、当該標本画像２００が対象物画像２００ｐであるか非対象物画像２００ｎであるかを表すクラス識別子、及びセルのインデックスｊ（セル・インデックス）を付与して記憶部２０に記憶させる。

次に、信号処理部２１は段数ｔを１に初期化する（Ｓ２）。また、標本画像２００のそれぞれに対する重みに予め設定された初期値を設定する（Ｓ３）。設定された重みのそれぞれは、設定対象の標本画像２００のインデックス（標本インデックス）を付与され、記憶部２０に記憶される。

続いて、信号処理部２１は部分識別器学習部２１１により、各セルの部分識別器Ｍ_ｔ，ｊを生成し、学習用データとして、各標本画像から生成した当該セルの部分特徴量２０１、及び当該各部分特徴量２０１に対応する重みを記憶部２０から読み出す。そして、読み出した学習用データに、予め設定されたディスクリート・アダブースト等の学習アルゴリズムを適用して部分識別器Ｍ_ｔ，ｊの学習を行う（Ｓ４）。学習された部分識別器Ｍ_ｔ，ｊは、段数のインデックスｔ（段数インデックス）及びセルのインデックスｊを付与され、記憶部２０に記憶される。

信号処理部２１は中間特徴分布算出部２１２により、ステップＳ４にて学習された各セルの部分識別器２０２のそれぞれに、当該セルの部分特徴量２０１を改めて入力して中間特徴量２０３を収集する（Ｓ５）。すなわち、中間特徴分布算出部２１２は、各部分識別器Ｍ_ｔ，ｊに、当該部分識別器Ｍ_ｔ，ｊと同一のセル・インデックスｊが付与された部分特徴量２０１を入力して出力値ｙ_ｉ，ｊを求め、当該出力値ｙ_ｉ，ｊをその元となった部分特徴量２０１と同一のセル・インデックス、クラス識別子と対応付けて記憶部２０に記憶させる。

中間特徴分布算出部２１２は、標本画像２００ごとの部分特徴量２０１全てについて、上述の出力値ｙ_ｉ，ｊを求める処理を終えると、記憶部２０から標本画像２００ごとの出力値ｙ_ｉ，ｊをそれに対応付けられているセル・インデックス及びクラス識別子と共に読み出して、読み出した出力値群の平均値、分散値及び出力値群の間の共分散を算出する。これにより、対象物画像２００ｐの中間特徴量の確率密度関数ｐ_ｔ(y|pos)と非対象物画像２００ｎの中間特徴量の確率密度関数ｐ_ｔ(y|neg)が算出される（Ｓ６）。中間特徴分布算出部２１２は算出結果を信号処理部２１の全体識別器生成部２１３に入力する。

全体識別器生成部２１３は、入力された関数ｐ_ｔ(y|pos)及びｐ_ｔ(y|neg)を（１−２）式に適用して全体識別関数ｆ_ｔを生成し、生成された全体識別関数ｆ_ｔを段数インデックスｔと対応付けて記憶部２０の全体識別器２０４に記憶させる（Ｓ７）。

こうして全体識別器Ｈが生成（ｔ＝１）または追加（ｔ＞１）されると、信号処理部２１は識別器追加部２１４により、段数ｔを段数上限値Ｔtと比較し（Ｓ８）、ｔがＴtに達していれば学習を終了する。

一方、ｔがＴtに達していなければ、識別器追加部２１４は全体識別器Ｈの誤り率を算出する（Ｓ９）。まず、識別器追加部２１４は、各標本画像に対する全体識別器Ｈの出力値である評価値を算出する。全体識別器Ｈは全体識別関数ｆ_ｔの線形結合であり、評価値はＨ(ｙ_ｉ)＝Σｆ_ｔ(ｙ_ｉ)で与えられるＨ(ｙ_ｉ)である。ここでΣはｔについての総和を意味する。具体的には、識別器追加部２１４は、記憶部２０から標本インデックスｉが共通する中間特徴量ｙ_ｉ，ｊを読み出し、ステップＳ７にて定められたた全体識別関数ｆ_ｔにこれらを入力して出力値ｆ_ｔ(ｙ_ｉ)を算出させる。そして、ｔ＝１であれば出力値ｆ_ｔ(ｙ_ｉ)を評価値とし、これをその算出に用いた中間特徴量と同一の標本インデックスｉ及びクラス識別子と対応付けて記憶部２０に新規記憶させる。また、ｔ＞１であれば出力値ｆ_ｔ(ｙ_ｉ)を、対応する記憶部２０の評価値Ｈ(ｙ_ｉ)に加算して書き戻す。識別器追加部２１４は当該処理を全標本インデックスｉに対して行った後、クラス識別子が「pos」である評価値Ｈ(ｙ_ｉ)を記憶部２０から順次読み出して検知閾値である０より小さい評価値Ｈ(ｙ_ｉ)を計数し、計数結果をＮ_ｐｏｓで除して対象物側の誤り率を算出する。さらに識別器追加部２１４は、クラス識別子が「neg」である評価値Ｈ(ｙ_ｉ)を記憶部２０から順次読み出して０以上である評価値Ｈ(ｙ_ｉ)を計数し、計数結果をＮ_ｎｅｇで除して非対象物側の誤り率を算出する。

識別器追加部２１４は、対象物側の誤り率及び非対象物側の誤り率のそれぞれを全体目標値と比較し（Ｓ１０）、両者が共に全体目標値を下回っていれば学習を終了する。

一方、対象物側の誤り率及び非対象物側の誤り率のいずれかが全体目標値を下回っていなければ、識別器の追加となる。この場合、識別器追加部２１４は、次段の追加に備えて学習条件２０５、すなわち各標本画像２００の重みｗを変更する（Ｓ１１）。具体的には、識別器追加部２１４は、ステップＳ９にて算出された評価値Ｈ(ｙ_ｉ)を順次、記憶部２０から読み出し、クラス識別子が「pos」である評価値Ｈ(ｙ_ｉ)には（４−１）式を適用して新たな重みｗ_{ｔ＋１，ｉ}を算出し、クラス識別子が「neg」である評価値Ｈ(ｙ_ｉ)には（５−１）式を適用して新たな重みｗ_{ｔ＋１，ｉ}を算出して、算出された各重みｗ_{ｔ＋１，ｉ}を記憶部２０に記憶させる。

学習条件を変更した識別器追加部２１４は、段数ｔを１だけ増加させ（Ｓ１２）、処理をステップＳ４へ戻すことで部分識別器学習部２１１及び全体識別器生成部２１３に次段の追加を行わせる。

上述の実施形態では、特徴量算出部２１０は部分特徴量２０１として輝度勾配の分布を表すＨＯＧ特徴を算出した。しかし、本発明において、部分特徴量２０１はＨＯＧ特徴に限られず、他の様々な画像特徴量を用いることができる。例えば、特徴量算出部２１０は輝度値の分布を表すハール・ライク（Haar-Like）特徴（Paul Viola and Michael Jones，"Rapid object detection using a boosted cascade of simple features"， In Proceedings of IEEE Conference Computer Vision and Pattern Recognition，vol．1，pp．511-518，2001）を算出するものであってもよい。

また、上述の実施形態では、複数の全体識別関数ｆを並列接続して対象物検知装置１を構成した。これに対し、複数の全体識別器Ｈを直列接続したカスケード構造を有する対象物検知装置１の構成を採用することもできる。カスケード構造の場合、識別器追加部２１４は、前段までに学習された全体識別器Ｈが正しく対象物と判定した対象物画像２００ｐと、当該全体識別器Ｈが誤って対象物と判定した非対象物画像２００ｎとに学習データを制限する学習条件の変更を行って次段の学習を行う。

さらに、関数ｐ_ｔ(y|pos)及びｐ_ｔ(y|neg)を正規分布に似た形状の他の関数で近似してもよい。例えば、ロジスティック分布のように、正規分布に類似した対称な釣鐘型の関数を用いることも可能である。また、検知対象物が人である場合には、中間特徴量の分布が正規分布で通常は好適に近似可能であるが、入力画像の取得環境が特殊である、或いはか検知対象物が人以外の物であるなど、必ずしも正規分布が好適な近似関数とならない場合には、他の好適な近似関数を採用することができる。

１ 対象物検知装置、２ 学習装置、１０ 画像入力部、１１ 記憶部、１２ 画像処理部、１３ 出力部、２０ 記憶部、２１ 信号処理部、２２ 出力部、３０ 前段部、３２ 後段部、３４ 対象物判定部、４０ 入力画像、４２ 枠領域、４４ セル、１１０ 部分識別器、１１１ 全体識別器、１２０ 検知処理部、１２１ 異常判定部、２００ 標本画像、２００ｐ 対象物画像、２００ｎ 非対象物画像、２０１ 部分特徴量、２０２ 部分識別器、２０３ 中間特徴量、２０４ 全体識別器、２０５ 学習条件、２０６ 全体識別関数、２１０ 特徴量算出部、２１１ 部分識別器学習部、２１２ 中間特徴分布算出部、２１３ 全体識別器生成部、２１４ 識別器追加部、３００ 部分識別器、３０２ 部分識別器群、３０４ 中間特徴作成部、３０６ 弱識別器、３０８ 加算器。

Claims (4)

1. 入力画像に現れる対象物を検知する対象物検知装置であって、
   対象物学習に用いる多数の標本画像を複数のセルに区分けして前記セルごとに対象物の有無を識別する識別関数を学習した複数の部分識別器と、
   前記学習した部分識別器の全てが前記多数の標本画像に対して出力したセル識別指標値の分布に応じて算出した前記対象物の有無を識別可能な全体識別関数を有する全体識別器と、から少なくとも構成され、
   前記入力画像を前記部分識別器に入力して得られるセル識別指標値を前記全体識別器に入力させて対象物の有無を検知すること、を特徴とする対象物検知装置。
2. 請求項１に記載の対象物検知装置において、
   前記全体識別関数は、前記標本画像が前記対象物のものであるか否かの種別ごとの前記分布のうちの一方又は両方に応じて算出したものであること、を特徴とする対象物検知装置。
3. 請求項１又は請求項２に記載の対象物検知装置において、
   前記複数の部分識別器は、前記学習の学習条件ごとに前記各セルと対応して具備され、
   前記全体識別器は、前記学習条件ごとの複数の前記全体識別関数を備えると共に、前記複数の全体識別関数から得られる全体識別指標値を加算する加算器を備え、
   前記複数の前記全体識別関数それぞれは、前記学習条件ごとの前記分布に応じて算出したものであること、
   を特徴とする対象物検知装置。
4. 請求項１から請求項３のいずれか１つに記載の対象物検知装置に関する学習に用いる学習装置であって、
   前記多数の標本画像を記憶する記憶部と、
   前記記憶部の前記多数の標本画像を用いて前記複数の部分識別器の学習を行う部分識別器学習部と、
   前記部分識別器学習部にて学習を行われた全ての前記部分識別器に前記記憶部の前記多数の標本画像を入力して得られるセル識別指標値の分布を求める中間特徴分布算出部と、
   前記中間特徴分布算出部にて前記分布が求められると、当該分布に応じた前記全体識別関数を算出する全体識別器生成部と、
   を有することを特徴とする学習装置。

Images