JP2011221750A - 物体識別装置 - Google Patents

Abstract

【課題】識別精度の向上を図ることができる物体識別装置を提供する。
【解決手段】物体を識別する有効な特徴量を学習画像から統計的に複数抽出して物体の部分を識別する強識別器を複数生成し、この生成された複数の強識別器を直列的に組み合わせることで物体全体の識別を行う物体識別装置１であって、学習画像から抽出される特徴量の条件を強識別器ごとに設定する特徴サイズ設定部３０と、条件を満たす特徴量を学習画像から統計的に複数抽出する特徴量抽出部３１と、特徴量抽出部３１により抽出された複数の特徴量を強識別器として保存する部分特徴モデル保存部２１と、を備える。
【選択図】図１

Description

本発明は、物体識別装置に関するものである。

従来、物体を識別する装置として、画像情報を用いるものが知られている（例えば、特許文献１参照）。特許文献１に記載の物体識別装置は、アダブーストアルゴリズム（AdaBoost Algorithm）で学習した弱分類器の重み付け投票により分類を行うものであり、順列番号順に弱識別器を演算するとともに、弱識別器の演算ごとに重み付け投票の結果を更新し、重み付け投票の結果が閾値を上回った時点で、positive判定（識別する分類に属するとの判定）を行い、それ以降の順列番号の弱分類器の演算を中断するものである。

特開２００７−０６６１１４号公報

しかしながら、アダブーストアルゴリズムを採用した従来の物体識別装置にあっては、十分な識別性能を得られない場合がある。例えば、学習画像に偏りがある場合には、不必要な特徴量に対して弱識別器が機械的に割り当てられて学習することになるため、結果として全体の識別性能が低下するおそれがある。

そこで、本発明はこのような技術課題を解決するためになされたものであって、識別精度の向上を図ることができる物体識別装置を提供することを目的とする。

すなわち、本発明に係る物体識別装置は、物体を識別する有効な特徴量を学習画像から統計的に複数抽出して前記物体の部分を識別する強識別器を複数生成し、この生成された複数の前記強識別器を直列的に組み合わせることで前記物体全体の識別を行う物体識別装置であって、前記学習画像から抽出される前記特徴量の条件を前記強識別器ごとに設定する条件設定手段と、前記条件を満たす前記特徴量を前記学習画像から統計的に複数抽出する特徴量抽出手段と、前記特徴量抽出手段により抽出された複数の前記特徴量を前記強識別器として保存する保存手段と、を備えて構成される。

本発明に係る物体識別装置では、条件設定手段により、学習画像から抽出される特徴量の条件が強識別器ごとに設定され、特徴量抽出手段により、条件を満たす特徴量が学習画像から統計的に複数抽出され、保存手段により、特徴量抽出手段によって抽出された複数の特徴量が強識別器として保存される。このように、識別器を学習する段階で、学習画像から抽出される特徴量に条件を付することができるので、例えば背景や服装の一部等、認識対象の物体に共通するはずのない特徴量を条件設定で排除することができる。このため、学習画像に偏りがあった場合でも、適切な学習を行うことが可能となる。また、強識別器ごとに条件を設定することができるので、例えば、直列的に組み合わせられた複数の強識別器のうち初期段階（前段側）で実行される強識別器を、認識対象に共通する大雑把な特徴量で構成し、後期段階（後段側）で実行される強識別器を認識対象に共通する細かい特徴量で構成するように制御することが可能となる。よって、識別精度の向上を図ることができる。

ここで、前記条件設定手段は、前記特徴量の大きさの下限値を設定してもよい。この場合、前記条件設定手段は、前記物体の部位ごとに前記特徴量の大きさの下限値を設定してもよい。このように、特徴量の大きさに制限を与えることで、強識別器ごとに抽出する特徴量の性質を設定することができる。

また、本発明に係る物体識別装置は、物体を識別する有効な特徴量を学習画像から統計的に複数抽出して前記物体の部分を識別する強識別器を複数生成し、この生成された複数の前記強識別器を直列的に組み合わせることで前記物体全体の識別を行う物体識別装置であって、前記学習画像の画素値を前記強識別器ごとに異なる度合いで平均化するフィルタ手段と、前記フィルタ手段により処理された後の前記学習画像から前記特徴量を統計的に複数抽出する特徴量抽出手段と、前記特徴量抽出手段により抽出された複数の前記特徴量を前記強識別器として保存する保存手段と、を備えて構成される。

本発明に係る物体識別装置では、フィルタ手段により学習画像の画素値が強識別器ごとに異なる度合いで平均化され、特徴量抽出手段により平均化された学習画像から特徴量が統計的に複数抽出され、保存手段により抽出された複数の特徴量が強識別器として保存される。このように、識別器を学習する段階で、学習画像を平均化して特徴量を抽出することができるので、例えば、認識対象の物体に共通する大雑把な特徴量を取得することができる。このため、学習画像に偏りがあった場合でも、適切な学習を行うことが可能となる。また、強識別器ごとに平均化の度合いを設定することができるので、例えば、直列的に組み合わせられた複数の強識別器のうち初期段階（前段側）で実行される強識別器を、認識対象に共通する大雑把な特徴量で構成し、後期段階（後段側）で実行される強識別器を認識対象に共通する細かい特徴量で構成するように制御することが可能となる。よって、識別精度の向上を図ることができる。

また、本発明に係る物体識別装置は、物体を識別する有効な特徴量を学習画像から統計的に複数抽出して前記物体の部分を識別する強識別器を複数生成し、この生成された複数の前記強識別器を直列的に組み合わせることで前記物体全体の識別を行う物体識別装置であって、前記特徴量を前記学習画像から統計的に複数抽出する特徴量抽出手段と、前記特徴量抽出手段により抽出された複数の前記特徴量の信頼度をそれぞれ算出し、前記信頼度に基づいて前記特徴量抽出手段により抽出された複数の前記特徴量から前記物体を識別する有効な特徴量を選択する特徴量選択手段と、前記特徴量選択手段により選択された前記特徴量を前記強識別器として保存する保存手段と、を備えて構成される。

本発明に係る物体識別装置では、特徴量抽出手段により特徴量が学習画像から統計的に複数抽出され、特徴量選択手段により抽出された特徴量の信頼度が算出され、信頼度に基づいて特徴量抽出手段により抽出された複数の特徴量から物体を識別する有効な特徴量が選択され、保存手段により選択された特徴量が強識別器として保存される。このように、識別器を学習する段階で、学習画像から抽出される特徴量を信頼度で評価することができるので、例えば背景や服装の一部等、認識対象の物体に共通するはずのない特徴量が偶然にも有効な特徴量として抽出された場合であっても当該特徴量に弱識別器を割り当てることを回避することができる。このため、学習画像に偏りがあった場合でも、適切な学習を行うことが可能となる。よって、識別精度の向上を図ることができる。

ここで、前記特徴量選択手段は、前記特徴量抽出手段により抽出された前記特徴量の位置を変動させて前記信頼度を算出し、前記位置の変動に対して前記信頼度の変動の少ない前記特徴量を前記特徴量抽出手段により抽出された複数の前記特徴量から優先的に選択することが好適である。このように構成することで、位置がずれても識別に有効な物体の特徴量を選択することができるので、識別精度の向上を図ることができる。

また、前記特徴量選択手段は、前記特徴量抽出手段により抽出された前記特徴量の大きさを変動させて前記信頼度を算出し、前記大きさの変動に対して前記信頼度の変動の少ない前記特徴量を前記特徴量抽出手段により抽出された複数の前記特徴量から優先的に選択することが好適である。このように構成することで、位置がずれても識別に有効な物体の特徴量を選択することができるので、識別精度の向上を図ることができる。

本発明によれば、識別精度の向上を図ることができる。

第１実施形態に係る物体識別装置の構成を示すブロック図である。 第１実施形態に係る物体識別装置が抽出する部分特徴量を説明するための概要図である。 第１，第３実施形態に係る物体識別装置の学習動作を示すフローチャートである。 第１実施形態に係る物体識別装置の動作を説明するための概要図である。 第２実施形態に係る物体識別装置の構成を示すブロック図である。 第２実施形態に係る物体識別装置の組合せ学習動作を示すフローチャートである。 第２実施形態に係る物体識別装置の動作を説明するための概要図である。 第２実施形態に係る物体識別装置の動作を説明するための概要図である。 第３実施形態に係る物体識別装置の構成を示すブロック図である。 第３実施形態に係る物体識別装置の動作を説明するための概要図である。 第４実施形態に係る物体識別装置の構成を示すブロック図である。 第４実施形態に係る物体識別装置の組合せ学習動作を示すフローチャートである。 第４実施形態に係る物体識別装置の動作を説明するための概要図である。 第４実施形態に係る物体識別装置の他の動作を説明するための概要図である。

以下、添付図面を参照して本発明の実施形態について説明する。なお、各図において同一又は相当部分には同一の符号を付し、重複する説明を省略する。

（第１実施形態）
本実施形態に係る物体識別装置は、学習画像を学習した結果に基づいて、判定画像内に含まれる物体を識別する装置であって、例えば、車両の運転支援等に好適に採用されるものである。

最初に、本実施形態に係る物体識別装置の構成を説明する。図１は、本実施形態に係る物体識別装置の構成を示すブロック図である。図１に示すように、物体識別装置１は、記録装置２及び演算装置３を備えている。

記録装置２は、情報を記録する装置であって、演算装置３により読み書き可能に構成されている。記録装置２として、例えばＨＤＤ（Hard Disk Drive）が用いられる。この記録装置２は、学習画像保存部２０及び部分特徴モデル保存部（保存手段）２１を備えている。

学習画像保存部２０には、演算装置３が識別対象物体を識別するために学習する学習画像が複数保存されている。学習画像としては、識別の対象となる識別対象物体が含まれる画像のみならず、識別対象物体が含まれない画像も用いられる。また、部分特徴モデル保存部２１には、演算装置３が学習により取得した部分特徴の特徴量が複数保存されている。部分特徴とは、画像の一部を構成する部分画像であって、例えば識別対象物体が人間であれば頭、手、足等の人であるという識別性を発揮する部分的な特徴を示すものである。特徴量とは、特徴を評価するための評価値であって部分特徴の画像情報に基づいて算出されるものである。例えば、Ｈａａｒウェーブレット（Haar wavelets）の特徴量が用いられ、詳細については後述する。

演算装置３は、演算処理を行う装置であって、記録装置２、判定画像を入力する判定画像入力部４、判定結果を表示する判定結果表示部５に接続されている。演算装置３として、例えばＥＣＵ（Electronic Control Unit）が用いられる。ＥＣＵは、電子制御するコンピュータであり、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）等のメモリ、及び入出力インターフェイスなどを備えて構成されている。なお、判定画像入力部４として、例えばＣＣＤ（Charge Coupled Device）カメラ等の撮像装置、判定結果表示部５として、例えばディスプレイ等の表示装置が用いられる。

演算装置３は、特徴サイズ設定部（条件設定手段）３０、特徴量抽出部（特徴量抽出手段）３１及び識別部３２を備えている。

特徴サイズ設定部３０は、学習画像に描画される識別対象物体の特徴量の大きさの下限値を設定する機能を有している。この機能は、特徴量抽出部３１が抽出する特徴量の大きさの下限値を設定するものである。この大きさの設定は、後述する強識別器ごと、すなわちステージごとに設定可能である。特徴サイズ設定部３０は、設定した内容を特徴量抽出部３１へ出力する機能を有している。

特徴量抽出部３１は、学習画像の部分特徴を学習する機能を有している。特徴量抽出部３１は、学習画像保存部２０に保存された学習画像を参照し、学習画像の部分特徴を学習する。例えば、特徴量抽出部３１は、アダブーストアルゴリズムを用いて学習する。アダブーストアルゴリズムは、逐次的に例題に関する信頼度の重みを変化させながら異なる弱識別器を生成し、それらを組み合わせて高精度な識別器を構成する学習アルゴリズムである。特徴量抽出部３１は、数種類のフィルタを用いてＨａａｒウェーブレットの特徴量を学習画像から取得する。図２（ａ）は、特徴量を抽出するフィルタＦ１〜Ｆ４の例である。図２（ａ）に示すように、フィルタＦ１，Ｆ２は、エッジ部に現れる特徴を抽出するものであり、フィルタＦ３，Ｆ４は、線部に現れる特徴を抽出するものである。フィルタＦ１〜Ｆ４は、±１の２値矩形フィルタであり、＋１の白領域内の画素値（輝度値）の和から−１の黒領域内の画素値の和を減じた値を特徴量の評価値として算出する。また、フィルタＦ１〜Ｆ４は、任意の位置及び大きさに変更され、学習画像から適切に部分特徴を抽出する。すなわち抽出された部分特徴は、位置、大きさ及び形状の情報を含む特徴量で表現される。図２（ｂ）は、画像Ｇ１内の部分特徴の位置及び大きさを説明する概要図である。図２（ｂ）に示すように、部分特徴の位置は、例えば学習画像Ｇ１の左上を基準としたフィルタの左上の位置（ｕ１，ｖ１）によって表現される。また、部分特徴の大きさは、領域の横及び縦の長さ（Ｗ１，Ｈ１）によって部分特徴の大きさが表現される。さらに、形状については、例えばフィルタＦ１〜Ｆ４で示す形状パターンで表現される。このように、部分特徴は、位置、大きさ及び形状で表現され、評価値で評価される。

特徴量抽出部３１は、特徴サイズ設定部３０により出力された下限値に基づいて、下限値よりも大きいサイズの特徴量を抽出する。例えば、特徴サイズ設定部３０により、フィルタＦ１〜Ｆ４の大きさ（Ｗ１，Ｈ１）の下限値が設定され、特徴サイズ設定部３０は、フィルタＦ１〜Ｆ４の大きさ（Ｗ１，Ｈ１）を下限値よりも大きくして特徴量を抽出する。

特徴量抽出部３１は、図２（ｃ）に示すように、複数のフィルタを用いて、学習画像Ｇ１に含まれる部分特徴を複数個抽出する。なお、図２（ｃ）は、識別対象物体を人とした場合の学習画像の一例であり、点線で囲む部分特徴Ａ〜Ｈが検出されていることを示している。そして、特徴量抽出部３１は、抽出した部分特徴ごとに弱識別器を用意する。この弱識別器は、後述する識別部３２に用いられる識別器であって、例えば、部分特徴の位置、大きさ、形状に対応した判定画像の領域において、上述した評価値を算出して、判定画像内に学習画像の部分特徴に対応する特徴が存在するか否かを判定する機能を有している。

特徴量抽出部３１は、多数の学習画像を入力して、識別対象物体の識別に有効な弱識別器を学習する機能を有している。具体的には、特徴量抽出部３１は、識別対象物体に共通する部分特徴を学習することで、識別対象物体の識別に最適な弱識別器を複数個選択する。その際、選択した弱識別器ごとに、識別に必要な所定値を設定するとともに、エラー値や画像の重み等に基づいて弱識別器の重みを算出して弱識別器ごとに関連付けする。この重みは、弱識別器の識別の投票力を示すものであるとともに、当該弱識別器と対応する部分特徴の投票力を示すものである。すなわち、この重みは、部分特徴に関連付けされているともいえる。そして、特徴量抽出部３１は、識別に用いる部分特徴、関連付けされた重み及び弱識別器を、部分特徴モデルとして部分特徴モデル保存部２１に保存する。

識別部３２は、判定画像に識別対象物体が存在するか否か判定する機能を有している。識別部３２は、部分特徴モデル保存部２１に保存された弱識別器を複数用いて強識別器を生成する。この強識別器は、弱識別器の識別結果に当該弱識別器の投票力である重みを積算して弱識別器の重み付き多数決（重み付け投票）を行い、識別対象物体の部分を識別する。そして、識別部３２は、複数の強識別器を直列的に組み合わせて多段構造であるカスケード（cascade）を構成して、一つの識別器を構成する。なお、カスケードを構成する１つの強識別器の処理をステージという。

各ステージでは、判定画像入力部４が入力した判定画像に対して、部分特徴モデル保存部２１に保存された弱識別器が適用される。具体的には、識別部３２は、学習された部分特徴の位置、大きさ及び形状に対応した判定画像の領域において、上述した特徴量の評価値を算出する。そして、特徴量抽出部３１により弱識別器ごとに設定された所定値と比較して、判定画像内に学習画像の部分特徴に対応する特徴が存在するか否かを判定する。また、判定に用いた弱識別器に関連付けされた重みを部分特徴モデル保存部２１から取得する。弱識別器は、判定画像内に学習画像の部分特徴に対応する特徴が存在すると判定した場合には１、判定画像内に学習画像の部分特徴に対応する特徴が存在しないと判定した場合には０を出力する機能を有している。識別部３２は、弱識別器の出力値と当該弱識別器に関連付けされた重みとを積算し、算出された積算値を加算して重み和として出力する。識別部３２は、例えば、重み和が所定値より小さい場合には、識別対象物体を識別していないと判定し、重み和が所定値以上の場合には、識別対象物体を識別したと判定する。

識別部３２は、判定画像の画像情報を識別器に入力させて識別器を構成する強識別器を直列順に実行させ、全ての強識別器が識別対象物体を検出した場合のみ、判定画像に識別対象物体が存在すると判定する。すなわち全てのステージを通過した判定画像のみ、識別対象物体が存在すると判定する。一方、識別器を構成する複数の強識別器のうちの一つが判定画像情報に識別対象物体の特徴量が含まれていないと判定した場合には、当該強識別器より後に行う処理を実行することなく、判定画像に識別対象物体が存在しないと判定する。識別部３２は、判定結果を判定結果表示部５に出力する。判定結果表示部５は、出力に応じて判定結果を表示する。

次に、本実施形態に係る物体識別装置１の動作について説明する。図３は、本実施形態に係る物体識別装置１の学習動作を示すフローチャートである。図３に示す制御処理は、例えば、学習処理を開始するボタン等がＯＮされたタイミングで開始される。

図３に示すように、最初に、学習画像を入力する（Ｓ１０）。Ｓ１０の処理では、特徴量抽出部３１が学習画像保存部２０を参照して学習画像を入力する。学習画像は、複数枚の画像セットとして入力される。画像セットは以下の式１で表される。

なお、ｘ_ｉは画像ベクトルであり、ｔ_ｉ＝０の場合、ｘ_ｉは識別対象物体が存在しない（negative）ことを示し、ｔ_ｉ＝１の場合、ｘ_ｉは識別対象物体が存在する（positive）ことを示す。Ｓ１０の処理が終了すると、画像の重みの初期化処理へ移行する（Ｓ１２）。

Ｓ１２の処理では、特徴量抽出部３１が、Ｓ１０の処理で入力した学習画像の重みを初期化する。例えば、学習画像の重みをω_１，ｉとすると、ｔ_ｉ＝０の場合、重みω_１，ｉは１／２ｍ，ｔ_ｉ＝１の場合、重みω_１，ｉは１／２ｌとされる。ｍはnegativeの数、ｌはpositiveの数である。Ｓ１２の処理が終了すると、画像の重みの正規化処理へ移行する（Ｓ１４）。

Ｓ１４の処理では、特徴量抽出部３１が、学習画像の重みを正規化する。例えば、以下の式２を用いて正規化を行う。

Ｓ１４の処理が終了すると、エラーレートの評価処理へ移行する（Ｓ１６）。

Ｓ１６の処理では、特徴量抽出部３１が、特徴サイズ設定部３０によりステージごとに設定された特徴量の下限の大きさ（Ｗ_ｓｔ，Ｈ_ｓｔ）よりもサイズの大きな特徴量ｊのおのおのについてエラーレートを算出する。エラーレートは、認識対象の画像であるにもかかわらず特徴が抽出されない場合、又は、非認識対象の画像であるにもかかわらず特徴が抽出されることを値として表したものであり、以下の式３で表現することができる。

Ｓ１６の処理が終了すると、最小エラーレートの弱識別器選択処理へ移行する（Ｓ１８）。

Ｓ１８の処理では、特徴量抽出部３１が、Ｓ１６の処理で算出したエラーレートが最小となる弱識別器を、強識別器を構成するｔ番目の弱識別器として採用する。なお、ｔは学習回数であり、Ｓ１４〜Ｓ２０までの処理を実行すると１回とカウントされる値である。Ｓ１８の処理が終了すると、重み更新処理へ移行する（Ｓ２０）。

Ｓ２０の処理では、特徴量抽出部３１が、学習画像の重みを更新する。例えば、以下の式４に示すように更新する。

学習画像ｘ_ｉを正しく分類できた場合にはｅ_ｉ＝０、それ以外はｅ_ｉ＝１とされる。これによりＳ１８の処理で採用した弱識別器で正しく識別できた学習画像の重みは小さくされる。Ｓ２０の処理が終了すると、打ち切り判定処理へ移行する（Ｓ２２）。

Ｓ２２の処理では、特徴量抽出部３１が、学習回数ｔが所定の閾値Ｔとなったか否かを判定する。閾値Ｔは学習回数の上限値である。Ｓ２２の処理において、学習回数ｔが打ち切りの閾値Ｔとなっていないと判定した場合には、Ｓ１４の処理へ再度移行して、弱識別器の選択・追加が実行される。一方、Ｓ２２の処理において、学習回数ｔが打ち切りの閾値Ｔとなったと判定した場合には、強識別器の構成処理へ移行する（Ｓ２４）。

Ｓ２４の処理では、特徴量抽出部３１が、Ｓ１４〜Ｓ２２の処理で選択した弱識別器に基づいて強識別器を構築する。例えば、以下の式５のように構築する。

Ｓ２４の処理が終了すると、図３に示す制御処理が終了する。

図３に示す制御処理を実行することにより、１つの強識別器が構成される。図３に示す制御処理を繰り返し行って複数の強識別器が構成され、カスケードが形成される。ここで、Ｓ１６の処理で特徴量の大きさに下限値を与えているため、例えば、カスケードの下流に向かうに従ってステージの特徴量の最小サイズを小さく設定することもできる。図４は、カスケードの下流に向かうに従ってステージの特徴量の最小サイズを小さく設定した場合の例を示している。図４に示すように、カスケードの下流に向かうに従ってステージの特徴量の最小サイズを小さく設定することにより、ステージ１の特徴量Ｆ５，ステージ３の特徴量Ｆ６，ステージ５の特徴量Ｆ７と除々に特徴の大きさを変更することができる。このように、カスケードの初期（上流）であるステージ１では、認識対象に共通する大雑把な特徴量Ｆ５を優先的に選択し、後段（下流）のステージ３，５では、より細部の特徴量Ｆ６，Ｆ７を優先的に選択することができる。このため、例えば歩行者を検出する場合において、カスケードの初期のステージでたまたま抽出された細かい服装などの特徴量の影響により、歩行者が描画された画像を早期に棄却されることを回避することができる。

以上、第１実施形態に係る物体識別装置１によれば、特徴サイズ設定部３０により、学習画像から抽出される特徴量の条件が強識別器ごとに設定され、特徴量抽出部３１により、条件を満たす特徴量が学習画像から統計的に複数抽出され、部分特徴モデル保存部２１により、特徴量抽出部３１によって抽出された複数の特徴量が強識別器として保存される。このように、識別器を学習する段階で、学習画像から抽出される特徴量に条件を付することができるので、例えば背景や服装の一部等、認識対象の物体に共通するはずのない特徴量を条件設定で排除することができる。このため、学習画像に偏りがあった場合でも、適切な学習を行うことが可能となる。また、強識別器ごとに条件を設定することができるので、例えば、直列的に組み合わせられた複数の強識別器のうち初期段階（前段側）で実行される強識別器を、認識対象に共通する大雑把な特徴量で構成し、後期段階（後段側）で実行される強識別器を認識対象に共通する細かい特徴量で構成するように制御することが可能となる。よって、識別精度の向上を図ることができる。

（第２実施形態）
第２実施形態に係る物体識別装置１は、第１実施形態に係る物体識別装置１とほぼ同様に構成されており、特徴サイズ設定部３０を備えず、画像ぼかし部３３及び画像選択部３４を備える点が相違する。よって、第２実施形態では第１実施形態との相違点を中心に説明し、重複する説明は省略する。

図５は、第２実施形態に係る物体識別装置１の構成を示すブロック図である。図５に示すように、第２実施形態に係る物体識別装置１の構成は、第１実施形態に係る物体識別装置１の構成とほぼ同様であり、特徴サイズ設定部３０に替えて画像ぼかし部（フィルタ手段）３３及び画像選択部３４を備える点が相違する。画像選択部３４は学習画像から処理対象の画像を選択する機能を有している。画像ぼかし部３３は、画像をぼかす機能を有している。例えば、画像ぼかし部３３は、画像選択部３４により選択された学習画像の画素値を強識別器ごとに異なる度合いで平均化するフィルタ機能を有している。その他の構成は第１実施形態に係る物体識別装置１と同様である。

次に、第２実施形態に係る物体識別装置１の動作を説明する。図６は、本実施形態に係る物体識別装置１の学習動作を示すフローチャートである。図６に示す制御処理は、例えば、学習処理を開始するボタン等がＯＮされたタイミングで開始される。

図６に示すように、最初に、学習画像を入力する（Ｓ３０）。この処理は図３のＳ１０の処理と同様である。Ｓ３０の処理が終了すると、画像ぼかし処理へ移行する（Ｓ３２）。Ｓ３２の処理では、画像ぼかし部３３及び画像選択部３４により、ぼかし処理が行われる。最初に、画像選択部３４がＳ３０の処理で入力した学習画像から処理対象とする画像を選択する。次に、画像ぼかし部３３が、例えばフィルタを用いて画像をぼかす。図７にフィルタの例を示す。図７に示すフィルタは、領域Ｒ（中央画素Ｚの近傍８点）の色の平均を算出するものであり、フィルタサイズＳは３である。画像ぼかし部３３は、ステージごとに設定されたフィルタサイズＳを用いて、学習画像をぼかす処理を実行する。Ｓ３２の処理が終了すると、画像の重みの初期化処理へ移行する（Ｓ３４）。

なお、以降の処理は、第１実施形態のＳ１２〜Ｓ２４の処理とほぼ同様であり、Ｓ３８の処理のみ相違する。Ｓ３８の処理では、Ｓ１６の処理と異なり、全てのサイズの特徴量を対象にエラーレートを評価する処理を行う。勿論、本実施形態でも特徴量のサイズ条件を設定してもよい。

図６に示す制御処理を実行することにより、１つの強識別器が構成される。図６に示す制御処理を繰り返し行って複数の強識別器が構成され、カスケードが形成される。ここで、Ｓ３２の処理で学習画像にぼかしを入れているため、例えば、強識別器を構成する際に、カスケードの下流側に位置するほど、くっきりとした学習画像を提供して強識別器を構成することができる。図８は、カスケードの下流に向かうに従って強識別器の学習画像のフィルタサイズＳを小さく設定した場合の例を示している。ステージ１で用いるフィルタの関数をｆ_１（ｘ），ステージ３で用いるフィルタの関数をｆ_３（ｘ），ステージ５で用いるフィルタの関数をｆ_５（ｘ）で示している。図８に示すように、カスケードの下流に向かうに従ってフィルタサイズＳを小さく設定することにより、カスケードの下流になるに従い除々に学習画像を明瞭にすることができる。このため、カスケードの初期（上流）であるステージ１では、認識対象に共通するぼんやりとした大雑把な特徴量を優先的に選択し、後段（下流）のステージ３，５では、よりくっきりとした明瞭な特徴量を優先的に選択することができる。このため、例えば歩行者を検出する場合において、カスケードの初期のステージでたまたま抽出された細かい服装などの特徴量の影響により、歩行者が描画された画像を早期に棄却されることを回避することができる。

以上、第２実施形態に係る物体識別装置１によれば、画像ぼかし部３３により、学習画像の画素値が強識別器ごとに異なる度合いで平均化され、特徴量抽出部３１により、平均化された学習画像から特徴量が統計的に複数抽出され、部分特徴モデル保存部２１により、抽出された複数の特徴量が強識別器として保存される。このように、識別器を学習する段階で、学習画像を平均化して特徴量を抽出することができるので、例えば、認識対象の物体に共通する大雑把な特徴量を取得することができる。このため、学習画像に偏りがあった場合でも、適切な学習を行うことが可能となる。また、強識別器ごとに平均化の度合いを設定することができるので、例えば、直列的に組み合わせられた複数の強識別器のうち初期段階（前段側）で実行される強識別器を、認識対象に共通する大雑把な特徴量で構成し、後期段階（後段側）で実行される強識別器を認識対象に共通する細かい特徴量で構成するように制御することが可能となる。よって、識別精度の向上を図ることができる。

（第３実施形態）
第３実施形態に係る物体識別装置１は、第１実施形態に係る物体識別装置１とほぼ同様に構成されており、抽出領域設定部３５を備える点が相違する。よって、第３実施形態では第１実施形態との相違点を中心に説明し、重複する説明は省略する。

図９は、第３実施形態に係る物体識別装置１の構成を示すブロック図である。図９に示すように、第３実施形態に係る物体識別装置１の構成は、第１実施形態に係る物体識別装置１の構成とほぼ同様であり、抽出領域設定部３５を備える点が相違する。抽出領域設定部３５は、認識対象の特色を考慮して、認識対象の部位ごとに抽出する領域を設定する機能を有している。例えば、認識対象が歩行者であれば、頭部、胴体部、足部といった領域を設定する。抽出領域設定部３５は、設定した領域の情報を特徴サイズ設定部３０へ出力する機能を有している。特徴サイズ設定部３０は、設定された領域ごとに抽出する特徴量の大きさを制限する。例えば、認識対象が歩行者の場合、頭部が描画される領域では細かい特徴量で判別するために特徴量の大きさの下限値を小さくしたり、胴体部が描画される領域では服装等の特徴が含まれないように、特徴量の大きさの下限値を大きくしたりする。その他の構成は第１実施形態に係る物体識別装置１と同様である。

次に、第３実施形態に係る物体識別装置１の動作を説明する。第３実施形態に係る物体識別装置１の動作は、第１実施形態に係る物体識別装置１の動作とほぼ同様であり、図３に示すＳ１６の処理のみが相違する。よって、以下では、エラーレートの評価処理のみ説明する。この処理では、最初に、特徴量抽出部３１が、特徴サイズ設定部３０により設定された複数の処理領域の中から１つの領域Ｄ_ｋを選択する。そして、特徴量抽出部３１が、領域Ｄ_ｋ内において、特徴サイズ設定部３０によりステージごとに設定された特徴量の下限の大きさ（Ｗ_ｓｔ，Ｈ_ｓｔ）よりもサイズの大きな特徴量ｊのおのおのについてエラーレートを算出する。この処理で選択される特徴量について、図１０を用いて詳細を説明する。図１０は、領域Ｄ_ｋごとの特徴量の大きさを説明する概要図である。図１０の（Ａ）に示すように、学習画像ｘ_ｉに、４つの領域Ｄ_１〜Ｄ_４が設定されている。各領域Ｄ_ｋには、それぞれの領域の部位の特徴に基づいて、特徴量の大きさが制限されている。例えば、頭部を識別するには詳細な特徴量が必要とする場合には、領域Ｄ_１の特徴量の大きさの下限値は小さく設定される。このため、図１０の（Ｂ）に示すように、特徴量の最小サイズが小さくなるので、細かい特徴量を抽出することができる。同様に、足部を識別するには詳細な特徴量が必要とする場合には、領域Ｄ_４の特徴量の大きさの下限値は小さく設定される。このため、図１０の（Ｄ）に示すように、特徴量の最小サイズが小さくなるので、細かい特徴量を抽出することができる。反対に、例えば、胴体部を識別するには洋服の柄等の特徴を排除するために大雑把な特徴量が必要とする場合には、領域Ｄ_２の特徴量の大きさの下限値は大きく設定される。このため、図１０の（Ｃ）に示すように、特徴量の最小サイズが大きくなるので、大雑把な特徴量を抽出することができる。

以上、第３実施形態に係る物体識別装置１によれば、認識対象の部位ごとに抽出する領域を設定し、領域ごとに特徴量の大きさの下限値を設定することができる。このため、例えば、歩行者の服装の模様に着目することを回避することが可能となるので、たまたま服装の模様に共通する特徴量を学習することがないようにすることができる。よって、識別精度の向上を図ることができる。

（第４実施形態）
第４実施形態に係る物体識別装置１は、第１実施形態に係る物体識別装置１とほぼ同様に構成されており、特徴サイズ設定部３０を備えず、特徴信頼度評価部（特徴量選択手段）３６を備える点が相違する。よって、第４実施形態では第１実施形態との相違点を中心に説明し、重複する説明は省略する。

図１１は、第４実施形態に係る物体識別装置１の構成を示すブロック図である。図１１に示すように、第４実施形態に係る物体識別装置１の構成は、第１実施形態に係る物体識別装置１の構成とほぼ同様であり、特徴サイズ設定部３０を備えず、特徴信頼度評価部３６を備える点が相違する。特徴信頼度評価部３６は、特徴量抽出部３１により学習画像から統計的に複数抽出された特徴量を選別する機能を有している。また、部分特徴モデル保存部２１は、特徴信頼度評価部３６により選別された特徴量を保存する。その他の構成は第１実施形態に係る物体識別装置１と同様である。

次に、第４実施形態に係る物体識別装置１の動作を説明する。図１２は、本実施形態に係る物体識別装置１の学習動作を示すフローチャートである。図１２に示す制御処理は、例えば、学習処理を開始するボタン等がＯＮされたタイミングで開始される。

図１２に示すように、最初に、学習画像を入力する（Ｓ５０）。なお、Ｓ５０〜Ｓ５４までの処理は、図３のＳ１０〜Ｓ１４の処理と同様であるので省略する。

Ｓ５６の処理では、Ｓ１６の処理とほぼ同様であり、全てのサイズの特徴量を対象にエラーレートを評価する点が相違する。その他の動作はＳ１６の処理と同様である。Ｓ５６の処理が終了すると、最小エラーレートの特徴量を選択処理へ移行する（Ｓ５８）。

Ｓ５８の処理では、特徴信頼度評価部３６が、最小エラーレートの特徴量を選択する。Ｓ５８の処理が終了すると、エラーレートの再算出処理へ移行する（Ｓ６０）。

Ｓ６０の処理では、特徴信頼度評価部３６が、選択されたエラーレートの特徴量の位置を変更してエラーレートを算出する。例えば、特徴量の位置を所定値（例えば、数ピクセル）だけ上下左右にずらしてエラーレートを算出する。Ｓ６０の処理が終了すると、評価判定へ移行する（Ｓ６４）。

Ｓ６４の処理では、特徴信頼度評価部３６が、Ｓ５６の処理で算出したエラーレートと、Ｓ６０の処理で算出したエラーレートとの差分を算出し、その差分が所定の閾値θ以上であるか否かを判定する。すなわち、移動前後においてエラーレートの変動が閾値θ以上であるか否かを判定する。Ｓ６４の処理において、移動前後においてエラーレートの変動が閾値θ以上である場合には、信頼性が低いと判定し、特徴量選択処理へ移行する（Ｓ６２）。

Ｓ６２の処理では、特徴信頼度評価部３６が、次にエラーレートの小さい特徴量を選択する。Ｓ６２の処理が終了すると、エラーレートの再算出処理へ再度移行する（Ｓ６０）。このように、Ｓ６４の処理において、移動前後においてエラーレートの変動が閾値θ以上である場合には、特徴量がエラーレートの小さい順に選択されて評価される。一方、Ｓ６４の処理において、移動前後においてエラーレートの変動が閾値θ以上でない場合には、信頼性が高いと判定して、特徴量採用処理へ移行する（Ｓ６６）。

Ｓ６６の処理では、特徴信頼度評価部３６が、Ｓ６４の処理で評価された弱識別器を、強識別器を構成するｔ番目の弱識別器として採用する。Ｓ６４の処理が終了すると、重み更新処理へ移行する（Ｓ６８）。なお、以降の処理は、第１実施形態のＳ２０〜Ｓ２４の処理と同様であるので説明を省略する。

図１２に示す制御処理を実行することにより、１つの強識別器が構成される。図１２に示す制御処理を繰り返し行って複数の強識別器が構成され、カスケードが形成される。ここで、選択する特徴量をエラーレートで評価しているため、多少位置が異なっても類似した識別性能が得られる特徴量を優先的に選択することができる。図１３は、特徴量の位置を変更する例を説明する概要図であり、図１３の（Ａ）に示す特徴量を上下左右にずらした場合を、図１３の（Ｂ）〜（Ｅ）に示す。位置を変更させてその特徴量のエラーレートの差分を評価することで、例えば、図１３の（Ｆ）に示す特徴量を排除することができる。このように、少し大きさを変更すると全ての学習画像に共通して有効である確率が低い特徴量が、たまたまピンポイントで有効と判断された場合であっても、当該特徴量を用いて強識別器を構成することを回避することができる。特に、サイズの大きい特徴量において、信頼度の高い特徴量を選択することが可能となる。

以上、第４実施形態に係る物体識別装置１によれば、特徴量抽出部３１により、特徴量が学習画像から統計的に複数抽出され、特徴信頼度評価部３６により、抽出された特徴量の信頼度が算出され、信頼度に基づいて特徴量抽出部３１により抽出された複数の特徴量から物体を識別する有効な特徴量が選択され、部分特徴モデル保存部２１により、選択された特徴量が強識別器として保存される。このように、識別器を学習する段階で、学習画像から抽出される特徴量を信頼度で評価することができるので、例えば背景や服装の一部等、認識対象の物体に共通するはずのない特徴量が偶然にも有効な特徴量として抽出された場合であっても当該特徴量に弱識別器を割り当てることを回避することができる。このため、学習画像に偏りがあった場合でも、適切な学習を行うことが可能となる。よって、識別精度の向上を図ることができる。

なお、上述した各実施形態は本発明に係る物体識別装置の一例を示すものである。本発明に係る物体識別装置は、各実施形態に係る物体識別装置に限られるものではなく、各請求項に記載した要旨を変更しない範囲で、各実施形態に係る物体識別装置を変形し、又は他のものに適用したものであってもよい。

例えば、上述した実施形態では、部分特徴は、位置、大きさ及び形状で表現されることを説明したが、位置、大きさ及び形状の少なくとも一つで表現してもよい。すなわち、部分特徴の特徴量が同一又は類似するか否かを判定するために、部分特徴の形状、位置及び大きさを評価することを説明したが、これらの少なくとも一つで評価してもよい。

また、上述した第４実施形態では、特徴量の位置を変更して特徴量の信頼度を評価する例を説明したが、特徴量の大きさを変更して特徴量の信頼度を評価してもよい。例えば、図１４の（Ａ）に示す学習画像における特徴量を、図１４の（Ｂ）に示すように、所定の倍率ｇで大きくしたり、図１４の（ｃ）に示すように、所定の倍率ｇで小さくしたりして、倍率変動前後のエラーレートの差分から特徴量の信頼度を評価してもよい。このように構成することで、特に、サイズの小さい特徴量において、信頼度の高い特徴量を選択することが可能となる。

１…物体識別装置、２１…部分特徴モデル保存部（保存手段）、３０…特徴サイズ設定部（条件設定手段）、３１…特徴量抽出部（特徴量抽出手段）、３２…識別部、３３…画像ぼかし部（フィルタ手段）、３６…特徴信頼度評価部（特徴量選択手段）。

Claims (7)

1. 物体を識別する有効な特徴量を学習画像から統計的に複数抽出して前記物体の部分を識別する強識別器を複数生成し、この生成された複数の前記強識別器を直列的に組み合わせることで前記物体全体の識別を行う物体識別装置であって、
   前記学習画像から抽出される前記特徴量の条件を前記強識別器ごとに設定する条件設定手段と、
   前記条件を満たす前記特徴量を前記学習画像から統計的に複数抽出する特徴量抽出手段と、
   前記特徴量抽出手段により抽出された複数の前記特徴量を前記強識別器として保存する保存手段と、
   を備えることを特徴とする物体識別装置。
2. 前記条件設定手段は、前記特徴量の大きさの下限値を設定する請求項１に記載の物体識別装置。
3. 前記条件設定手段は、前記物体の部位ごとに前記特徴量の大きさの下限値を設定する請求項２に記載の物体識別装置。
4. 物体を識別する有効な特徴量を学習画像から統計的に複数抽出して前記物体の部分を識別する強識別器を複数生成し、この生成された複数の前記強識別器を直列的に組み合わせることで前記物体全体の識別を行う物体識別装置であって、
   前記学習画像の画素値を前記強識別器ごとに異なる度合いで平均化するフィルタ手段と、
   前記フィルタ手段により処理された後の前記学習画像から前記特徴量を統計的に複数抽出する特徴量抽出手段と、
   前記特徴量抽出手段により抽出された複数の前記特徴量を前記強識別器として保存する保存手段と、
   を備えることを特徴量とする物体識別装置。
5. 物体を識別する有効な特徴量を学習画像から統計的に複数抽出して前記物体の部分を識別する強識別器を複数生成し、この生成された複数の前記強識別器を直列的に組み合わせることで前記物体全体の識別を行う物体識別装置であって、
   前記特徴量を前記学習画像から統計的に複数抽出する特徴量抽出手段と、
   前記特徴量抽出手段により抽出された前記特徴量の信頼度を算出し、前記信頼度に基づいて前記特徴量抽出手段により抽出された複数の前記特徴量から前記物体を識別する有効な特徴量を選択する特徴量選択手段と、
   前記特徴量選択手段により選択された前記特徴量を前記強識別器として保存する保存手段と、
   を備えることを特徴とする物体識別装置。
6. 前記特徴量選択手段は、前記特徴量抽出手段により抽出された前記特徴量の位置を変動させて前記信頼度を算出し、前記位置の変動に対して前記信頼度の変動の少ない前記特徴量を前記特徴量抽出手段により抽出された複数の前記特徴量から優先的に選択する請求項５に記載の物体識別装置。
7. 前記特徴量選択手段は、前記特徴量抽出手段により抽出された前記特徴量の大きさを変動させて前記信頼度を算出し、前記大きさの変動に対して前記信頼度の変動の少ない前記特徴量を前記特徴量抽出手段により抽出された複数の前記特徴量から優先的に選択する請求項５又は６に記載の物体識別装置。