JP2012164093A - 顔画像認証装置 - Google Patents

Abstract

【課題】複数の利用者が連続して認証される場合であっても、全員分について認証結果を含む出力用音声情報を出力する顔画像認証装置を提供する。
【解決手段】本発明にかかる顔画像認証装置は、撮像部により取得された入力画像から利用者の入力顔画像を抽出する顔検出部と、１人分の出力用音声情報を入力顔画像の数だけ出力するのに要する総出力時間と本装置の利用者が通行終了までに要する通行時間を算出する時間長算出部と、総出力時間が通行時間を上回る場合には短縮した出力用音声情報生成する音声合成部と、出力用音声情報を利用者に出力する通知部とを有する。

【選択図】図１

Description

本発明は、認証結果を利用者に音声にて出力する機能を有する顔画像認証装置に関する。

従来より、企業の居室の入口などに設置され、通行する利用者（社員等）の顔を撮影して取得された顔画像を登録された顔画像と照合することにより、当該居室に入室可能な人物であるか否かを認証する顔画像認証装置が提案されている。近年では、機器の処理速度の向上に伴い、居室入口の扉の前で一旦立ち止まって暗証番号を入力するタイプの他に、歩行中の利用者の顔を撮影して認証処理を短時間に終了させ、利用者が扉に接近する前に認証結果を確定させる歩行型の顔画像認証装置が提案されている。このような歩行型の顔画像認証装置においては、利用者に対して認証結果を音声出力することで、装置の使用感を高めることが行われる。しかし、出勤時など、複数の利用者が同時に居室入口に接近すると、認証処理および音声出力に要する時間が、利用者が入室に要する時間を超えることがある。

特許文献１では、歩行中の人物を対象とした人物認識装置について、撮影された画像中の人数を計数し、人数が多い場合には、過去の利用履歴などを参照した認証処理の優先度に応じて、機器の処理能力を割り当てる技術が開示されている。

特開２００７−１５６５４１号公報

特許文献１に記載された人物認証装置では、優先度が高く設定された利用者について優先的に機器の処理能力を割り当てるため、利用者が入室しようとするまでに認識し終わらないという事態を避けることができる。
しかし、利用者への音声出力は、認識された利用者の人数分だけ要するため、利用者が入室しようとするまでに認識処理が終了していても、全員分の音声出力が終了しないことがあり、装置の使用感が向上しないことがあった。

そこで、本発明の目的は、入室を試みる利用者の全員に対して、認証結果を含む音声出力を行い、使用感の確保が可能な顔画像認証装置を提供することにある。

本発明は、利用者を含む入力画像を取得する撮像部と、入力画像から利用者の入力顔画像を検出する顔検出部と、予め、登録顔画像、利用者に出力する音声情報、該音声情報をひとりの利用者に出力するのに標準的な標準出力時間を記憶する記憶部と、入力顔画像を用いて利用者と登録顔画像の人物が一致するか否かを認証する認証部と、登録顔画像の人物に一致した認証者を計数する計数部と、標準出力時間と認証者の数から総出力時間を算出し、該総出力時間が所定の時間長閾値を越えるか否かを判定する判定部と、音声情報から認証者への出力用音声情報を生成する音声合成部と、出力用音声情報を用いて利用者に音声出力する出力部と、を有し、音声合成部は、出力用音声情報として、総出力時間が時間長閾値以下と判定されると標準音声情報を生成し、総出力時間が時間長閾値を越えると判定されると、時間長が標準音声情報より短い短縮音声情報を生成することを特徴とした顔画像認証装置を提供する。

かかる顔画像認証装置において、記憶部は、音声情報として、認証定型句と登録顔画像の個人呼称句を記憶し、音声合成部は、標準音声情報を、一つの認証定型句とひとりの認証者の個人呼称句から生成し、短縮音声情報を、一つの認証定型句と複数人の認証者の個人呼称句から生成することが好ましい。

かかる顔画像認証装置において、顔画像認証装置は、さらに、順次取得される複数の入力画像において対応する入力顔画像を追跡する追跡部と、撮像部の設置条件を用いて、利用者が存在する床面上における該利用者と撮像部との距離を検出する距離検出部と、追跡された利用者について、距離の時間変化から該利用者の歩行速度を検出する速度検出部とを有し、判定部は、距離と歩行速度から算出される通行時間を時間長閾値に用いることが好ましい。

本発明によれば、入室を試みる利用者の全員に対して、認証結果を含む音声出力を行えるため、使用感の確保が可能となる。

本発明にかかる顔画像認証装置の概略構成図である。 利用者それぞれに対して標準音声情報が出力される場合の、運用場所の模式図である。 利用者をひとまとめにして、短縮音声情報が出力される場合の、運用場所の模式図である。 記憶部１１０に記憶される登録者情報をテーブル形式で示した模式図である。 音声情報に含まれる定型的な語句を例示した図である。 利用者との距離を計算する方法を説明する模式図である。 本発明にかかる顔画像認証装置の動作フロー図である。 短縮音声情報を生成するにあたって、個人呼称句１２３を並べる順番の方法を説明する模式図である。 計数部２４０における、計数方法について、他の実施形態を説明する入力画像の模式図である。

以下、図を参照しつつ、本発明にかかる顔画像認証装置の一つの実施の形態を、図を参照しつつ説明する。
当該顔画像認証装置は、企業の居室などの入口付近に設置されたカメラから入力された画像に写った人物（社員等の利用者）について、その顔画像を抽出して認証処理を行い、人物の数や歩行速度に応じて、通行終了前にその全員分について出力できるよう認証結果を含む音声情報（音声ガイダンス）を可変とするものである。これにより、利用者の使用感を確保することが可能となる。

図１は、本発明にかかる顔画像認証装置１０の概略構成図である。
顔画像認証装置１０は、撮像部２０、通知部３０、インターフェース部１００、記憶部１１０、処理部２００から構成されている。

撮像部２０は、顔画像認証装置１０が運用される環境に応じて、利用者の顔を撮影できるように設置される。その例として、図２には、扉２を開けて入室を試みる利用者１ａ〜１ｃの顔を撮影するよう撮像部２０が、扉２の上方である天井付近に取り付けられている様子が示されている。
撮像部２０は、予め定められた撮影条件に応じて適切な焦点距離を持つレンズを有し、ＣＣＤまたはＣ−ＭＯＳといった固体撮像素子の２次元アレイ上に利用者の顔の像を結像するカメラを含む。
そして、撮像部２０は、利用者が写った画像を入力画像として生成して、インターフェース部１００に出力する。

尚、撮像部２０は、カラーの多階調画像を作成するものであっても良く、あるいは、近赤外に感度を有し、グレー画像を作成するカメラであっても良い。また、撮像部２０が有する固体撮像素子の２次元アレイは、利用者の顔の各部位について、その特徴を十分に入力画像に含み得る画素数を有することが好ましい。

通知部３０は、後述する音声合成部２８０にて生成された出力用音声情報を、インターフェース部１００から受け取り、顔画像認証装置１０の利用者に出力するための手段であり、いわゆるスピーカーである。利用者に聞こえるような位置に、適当な音量で出力されるように調整されているものとする。図２の模式図では、扉２の上方に、撮像部２０と並べて利用者の方向に向けて設置された様子が示されている。

インターフェース部１００は、撮像部２０と通知部３０と接続されるインターフェース回路であり、例えばビデオインターフェース、オーディオインターフェースなどのインターフェース回路を有する。
インターフェース部１００は、撮像部２０から受け取った入力画像を処理部２００に渡し、処理部２００から受け取った出力用音声情報を通知部３０に渡す。

記憶部１１０は、半導体メモリ、磁気記録媒体およびそのアクセス装置および光記録媒体およびそのアクセス装置の少なくとも一つを有する。そして、記憶部１１０は、顔画像認証装置１０を制御するためのコンピュータープログラム、各種パラメータおよびデータを記憶する。
また、記憶部１１０は、予め、図２でいう扉２を開けて入室が許可された利用者である登録者について、その登録者ごとに登録者情報１２０として、識別情報、登録顔画像または登録顔画像から抽出され認証処理に用いる顔画像に関する特徴量、個人呼称句、人物属性とを記憶する。
さらに、記憶部１１０は、処理部２００の結果に応じて、通知部３０から利用者に出力される出力用音声情報を生成するための音声情報１３０を記憶する。

音声情報１３０には認証定型句１３１、非認証定型句１３２、敬称句１３３と、標準出力時間１４０が含まれる。
記憶部１１０に記憶されている各情報について、図４と図５を用いて説明する。

図４には登録者情報が、符号１２０に示すテーブル形式にて模式的に示されている。登録者１人分の登録者情報は、識別子１２１、登録顔画像１２２、個人呼称句１２３、人物属性１２４から構成されている。
識別子１２１は、登録者１人について１つ割り当てられる数字または記号であり、顔画像認証装置１０が企業の居室入口にて運用されるならば、例えば社員番号が用いられる。あるいは連続する正の整数であってもよい。

登録顔画像１２２は、後述する処理部２００の認証部２３０にて、認証処理に用いられる各登録者の顔の特徴を含む画像である。図４では理解の容易のため顔画像として描画したが、記憶部１１０への記憶の際、即ち顔画像の登録の際に、認証処理に直接用いる特徴量として記憶することも可能である。

個人呼称句１２３は、各登録者の名称である。図４における例では、識別子１２１が“１”の人物の名称は“Ａ”であり、識別子１２１が“２”の人物の名称は“Ｂ”であることを示している。
個人呼称句１２３は、個人の本名である氏名でもよいし、通称名でもよい。また名字のみでもよい。ありふれた名字のため、同じ名字の人物が複数登録される場合に限って氏名を登録してもよい。
なお、個人呼称句１２３を単独で出力用音声情報として、通知部３０から出力するとした場合、それに必要な時間長をｔｍとする。当該時間長ｔｍは、個人呼称句１２３を通知部３０から出力するために必要な長さを確保した、全ての登録者に共通の値とするが、各登録者の名称の長さに応じて異なる値としてもよい。

人物属性１２４は、各登録者の属性を表す情報である。図４における例では、企業における役職を示しており、識別子１２１が“１”の人物の属性は“役員”であり、識別子１２１が“２”の人物の属性は“部長”であり、識別子１２１が“３”の人物の属性は“担当”であり、識別子１２１が“４”の人物の属性は、事前に来訪するとの連絡をしてきた人物であることを示している。この人物属性１２４は、後述する音声合成部２８０にて、利用者に通知する音声において、呼びかけの敬称に用いることができる。敬称についても後述する。

図５は、認証部２３０の処理結果に応じて、音声合成部２８０が、利用者に出力する音声情報の生成に用いる認証定型句１３１、非認証定型句１３２、敬称句１３３（図１では不図示）を示している。それぞれ図５に例示される文言を含み、記憶部１１０に記憶するためには、文字列として記憶してもよいし、音声合成部２８０にて直接利用できる音声データを記憶してもよい。音声データを記憶する場合には、音声合成部２８０における処理の複雑さは軽減されるものの、必要な記憶容量が増えるので、適宜記憶するデータ量を考慮して決めればよい。

認証定型句１３１は、撮像部２０にて取得された入力画像に写った利用者が、登録者情報１２０のいずれかの人物に一致した場合に、音声合成部２８０にて用いられ、当該利用者に出力される語句である。例えば、認証部２３０における照合処理が午前中に行われた場合には「おはようございます」との語句を用い、日中のいわゆるオフィスアワーに行われた場合には「お疲れさまです」との語句を用い、夕方に行われた場合には「お疲れさまでした」との語句を用いるのが好適である。あるいは図４における識別子１２１が“４”の人物のように、来訪者の場合には「いらっしゃいませ」との語句を用いるのが好適である。
認証定型句１３１を単独で出力用音声情報として、通知部３０から出力するとした場合、それに必要な時間長をｔｇとする。当該時間長ｔｇは、認証定型句１３１を通知部３０から出力するために必要な長さを確保した、全ての認証定型句１３１に共通の値とするが、認証定型句１３１の長さに応じて異なる値としてもよい。

非認証定型句１３２は、撮像部２０にて取得された入力画像に写った利用者が、登録者情報１２０のいずれの人物にも一致しない場合に、音声合成部２８０にて用いられ、当該利用者に出力される語句である。この場合、例えば、入力画像に写った利用者が社外の人物である場合には、当該利用者に失礼のないよう「ご来館ありがとうございます」との語句や「ご用の方は内線電話にて呼び出してください」との語句を用いるのが好適である。
あるいは、顔画像認証装置１０が設置された場所が、企業内部の人間の利用が圧倒的であることが仮定でき、別途ＩＤカードによる認証装置が備わっている場合には「カード操作をしてください」との語句を用いるのが好適である。
非認証定型句１３２を単独で出力用音声情報として、通知部３０から出力するとした場合、それに必要な時間長をｔｎとする。当該時間長ｔｎは、非認証定型句１３２を通知部３０から出力するために必要な長さを確保した全ての非認証定型句１３２に共通の値とするが、非認証定型句１３２の長さに応じて異なる値としてもよい。

敬称句１３３は、撮像部２０にて取得された入力画像に写った利用者の属性に応じて、当該利用者に出力する出力用音声情報に付加する敬称を表す語句である。当該利用者が、登録者情報１２０のいずれかの人物に一致した場合には、人物属性１２４を参照して、それに応じた敬称句１３３が選択される。例えば、図４における識別子１２１が“１”の人物の属性は“役員”であるので、敬称句１３３としては「役員」を用い、識別子１２１が“４”の人物は来訪者であるので「様」を用いるのが好適である。
あるいは、人物属性１２４を参照せず、全ての利用者について共通の敬称句を用いる場合には、一般的な「さん」を用いるのが好適である。
敬称句１３３を単独で出力用音声情報として、通知部３０から出力するとした場合、それに必要な時間長をｔｒとする。図５では、各語句について共通の値としたが、音数に応じて異なる値としてもよい。

標準出力時間ｔｓ１４０は、認証者ひとりに対して出力用音声情報を出力した場合の音声長に相当する時間である。本実施の形態では、前述の認証定型句１３１、個人呼称句１２３、敬称句１３３を連続させた出力用音声情報である標準音声情報を通知部３０から当該利用者に出力するのに要する時間に相当し、予め記憶されている。
また、本実施の形態では、標準出力時間１４０を、予め定めた時間としたが、予め各登録者ごとにｔｇ、ｔｍ、ｔｒを記憶させておき、認証された際に全ての認証者にかかるｔｇ、ｔｍ、ｔｒを用いて、それぞれについての平均値を求め、その和を標準出力時間１４０としてもよい。
例えば認証定型句１３１を「おはようございます」、個人呼称句１２３を「Ａ」、敬称句１３３を「役員」とすると、標準音声情報は「おはようございます、Ａ役員」となり、標準出力時間ｔｓ１４０は、図５に示すようにｔｓ＝ｔｇ＋ｔｍ＋ｔｒから求めることができる。

図５に示す認証定型句１３１、非認証定型句１３２、敬称句１３３は、それぞれ例示であり、顔画像人称装置１０の運用場所や運用方針、あるいは利用者の嗜好に応じて語句を増減してもよい。

図１に戻り、処理部２００は、１個または複数個のプロセッサおよびその周辺回路を有し、利用者に対する認証処理を実行する。そのために処理部２００は、そのプロセッサ上で動作するソフトウェアにより実装される機能モジュールとして、顔検出部２１０、追跡部２２０、速度検出部２６０、距離検出部２５０、認証部２３０、計数部２４０、判定部２７０、音声合成部２８０とを有する。これらの各部は、独立した集積回路、ファームウェア、マイクロプロセッサなどで構成されてもよい。
以下、処理部２００の各部について詳細に説明する。

顔検出部２１０は、撮像部２０にて取得された入力画像から、当該入力画像に写っている利用者の顔を検出し、切り出して入力顔画像を取得する。同時に、入力顔画像の、入力画像中における検出位置、即ち入力画像について水平方向にＸ軸、垂直方向にＹ軸を定義した場合のＸ座標とＹ座標を取得する。
入力画像中に複数の利用者が写っている場合には、それぞれの利用者毎に入力顔画像と上記座標情報を取得する。
顔検出部２１０は、取得した入力顔画像を追跡部２２０と認証部２３０に出力し、座標情報を記憶部１１０、追跡部２２０と、距離検出部２５０、音声合成部２８０に出力する。

顔検出部２１０における、顔の検出と入力顔画像の取得は適宜公知の方法を用いればよい。例えば、撮像部２０の設置条件から定まる人間の顔の大きさに応じた楕円形状を入力画像中から検出する方法や、識別器と呼ばれるフィルタにて顔を直接検出する方法を採用すればよい。

追跡部２２０は、記憶部１１０に一時記憶された入力顔画像の座標情報を参照し、同一利用者の顔画像を入力画像上にて追跡する。そのために、追跡部２２０は、入力画像において、過去時点における入力顔画像の座標情報と現在時点おける入力顔画像の座標情報とを比較し、一定の範囲内であれば対応付けることとする。さらには、認証部２３０の照合結果を参照するのが好適である。オプティカルフローなど、他の方法を用いてもよい。

認証部２３０は、記憶部１１０に記憶されている登録顔画像１２２のそれぞれと、顔検出部２１０にて検出された入力顔画像との類似の程度を調べ、その最大値が所定の照合閾値を越えている場合には、入力顔画像の人物は類似度が最大値を示した登録顔画像１２２の人物に一致すると判断する。
類似の程度を求める方法は、適宜公知の方法を用いればよい。例えば顔の特徴的な部位を表す特徴点を公知の方法で抽出し、その特徴点の位置関係のずれの程度を用いたり、特徴点付近の局所領域の輝度や色の相違度を用いることができる。
認証部２３０は、認証の結果を計数部２４０と音声合成部２８０に出力する。

計数部２４０は、認証部２３０の結果を参照し、入力顔画像に写った人物が登録者情報１２０のいずれかの人物に一致した場合、即ち、認証者（登録者）と確認された人数Ｎｆを計数する。その結果は判定部２７０に出力される。

なお、処理部２００は、撮像部２０にて取得された入力画像を一定の枚数（例えば１０枚）を記憶部１１０に一時記憶させるものとし、計数部２４０は、顔検出部２１０にて検出された入力顔画像について、同一人物ごとに認証者を計数してＮｆを求めてもよい。
これを図９に示す模式図を用いて説明する。図９には、３枚の入力画像を例示している。
時刻ｔでは人物Ａのみが、時刻ｔ＋１では人物Ａとさらに人物Ｂが、時刻ｔ＋２では人物Ｂとさらに人物Ｃが写っている。
そこで、計数部２４０は、時刻ｔの入力画像のみを用いて計数するのではなく、認証部２３０により人物Ａ、人物Ｂ、人物Ｃが認証者と判断されたとして、時刻ｔから時刻ｔ＋２までに取得された入力画像に写った人物Ａ、人物Ｂ、人物Ｃの３人を計数結果としてもよい。

距離検出部２５０は、入力画像に写った利用者について、撮像部２０との水平方向の距離Ｌを算出する。
そのためには、撮像部２０の設置条件を既知として、図６に示すような方法に基づけばよい。
即ち、撮像部２０の設置高をｈｃ［ｍｍ］、利用者１の平均的な顔の高さをｈｔ［ｍｍ］、入力画像の水平方向の総画素数をｐａ［ｐｉｘｅｌ］、入力画像中の顔の幅の画素数をｐｗ［ｐｉｘｅｌ］、利用者１の平均的な顔の幅をｗｆ［ｍｍ］、撮像部２０の撮像素子の横幅をｗｃ［ｍｍ］、焦点距離をｆｃ［ｍｍ］、撮像部２０と利用者１との直線距離をｄ［ｍｍ］、利用者１の仰角をθ［ｒａｄ］とすると、ｄ＝（ｈｃ×ｗｆ×ｆｃ）／（ｐａ×ｗｃ）（式１）、θ＝ａｒｃｓｉｎ（（ｈｃ−ｈｔ）／ｄ）（式２）、Ｌ＝ｄ×ｃｏｓθ（式３）にて求めることができる。
上記計算式で求まった距離Ｌは、概算値ではあるが、本発明における精度としては十分実用に耐えうる。当然、より高精度さを求めるので有れば、レーザー光や超音波による専用の測距手段を用いればよい。
入力画像中に複数の利用者が写っている場合には、距離検出部２５０は、各利用者について距離Ｌを求め、求めた距離Ｌを記憶部１１０に一時記憶させる。

速度検出部２６０は、入力画像に写った利用者について、距離検出部２５０にて求めた撮像部２０からの距離Ｌの時間変化にて、歩行速度を算出する。即ち、前回時刻における利用者の距離Ｌと現時刻における利用者の距離Ｌの差を、撮像部２０から取得される入力画像の取得時間間隔にて除算すれば求めることができる。
入力画像中に複数の利用者が写っている場合には、各利用者について求める。但し、本発明にかかる顔画像認証装置１０が動作するような、企業の居室入口では、複数の利用者が写っていても、各利用者間では歩行速度は概ね同程度であることもわかっているので、いずれか１名の歩行速度で代表させてもよい。あるいは全員の歩行速度の平均値を採用してもよい。
または、距離検出部２５０の検出結果に依らず、簡易な処理として、入力画像における入力顔画像の座標の時間変化を歩行速度の代用としてもよい。
速度検出部２６０は、求めた速度ｖを判定部２７０に出力する。

判定部２７０は、計数部２４０にて計数された認証者数Ｎｆ、速度検出部２６０にて検出された利用者の歩行速度ｖ、認証部２３０の認証結果、記憶部１１０に記憶されている認証定型句１３１の時間長ｔｇなどを用いて、入力画像に写った利用者全員に出力するために必要な出力用音声情報の総出力時間と、それら利用者が歩行に要する通行時間とを算出し、音声合成部２８０が生成すべき出力用音声情報の種類を決定する。

まず、認証部２３０が、入力顔画像の利用者が登録顔画像１２２のいずれかの人物について一致したと判断した場合に、認証者の１人分について音声合成部２８０が生成する標準音声情報は、１つの認証定型句１３１、１人分の個人呼称句１２３、１つの敬称句１３３から構成される。この標準音声情報を利用者に対して出力するのに必要な時間長が標準出力時間長ｔｓ１４０であり、総出力時間は、ｔｓ×Ｎｆにて求めることができる。
また、本実施の形態では、標準出力時間１４０を、予め定めた時間としたが、前述のｔｍ、ｔｇ、ｔｒが登録者ごとに異ならせて、標準出力時間１４０を算出した場合には、認証者のｔｍ、ｔｇ、ｔｒを総和することで総出力時間を求めることができる。

一方で、認証部２３０が、入力顔画像の利用者が登録顔画像１２２のいずれの人物についても一致しない非認証者と判断した場合には、個人呼称句１２３を特定することができないので、音声合成部２８０は、記憶部１１０に記憶されている非認証定型句１３２を用いて出力用音声情報を作成することになる。当該人数をＮｎｇとする。

通行時間は、認証者Ｎｆ人について、扉２を通過するのに要する時間である（図２または図３を参照）。よって、並びの最後の人物、図２または図３でいう符号１ｃの人物が、扉２までのＬｅの距離を歩き終わるのに要する時間である。よって、通行時間はＬｅ／ｖで求められる。

（総出力時間≦通行時間）の場合には、入力画像に写っている利用者全員が通行し終わるまでに、その全員分について、前述の標準音声情報をそれぞれ出力することが可能なことを意味している。この様子を図２に示す。

図２には、扉２を開けて入室を試みる利用者が３名おり、離れて歩行している様子が例示されている。同図では、扉２からＬｓの距離にて歩行中である符号１ａに示す利用者について認証し終わり、当該利用者について標準音声情報を出力し、引き続き同様に符号１ｂに示す利用者について認証し終わり、当該標準音声情報を出力し、さらに符号１ｃに示す利用者について認証し終わり、当該標準音声情報を出力するという一連の動作が、利用者１ｃが扉２を通過するまでに可能である。
よって、（総出力時間≦通行時間）の場合には判定部２７０は、利用者それぞれについて標準音声情報を生成するよう音声合成部２８０に指示する。

一方、（総出力時間＞通行時間）の場合には、入力画像に写っている利用者全員が通行し終わるまでに、その全員分について、前述の標準音声情報を出力しきれないことを意味している。この様子を図３に示す。

図３には、図２と同様に３名が例示されているが、密着するほどではないにしろ、短時間に扉２を次々と通過しようとする様子を示している。この場合、人物１ａについては扉２を通過する前に標準音声情報を出力することができても、人物１ｂについては、扉２を通過する時に出力し、人物１ｃに至っては扉２を通過した後に出力することになりかねない。
よって、その場合には判定部２７０は、利用者それぞれについて個人音声合成を生成するのではなく、短縮音声情報を生成するよう音声合成部２８０に指示する。

音声合成部２８０は、判定部２７０の判定結果による指示に従い、利用者に出力する出力用音声情報を生成する。出力用音声情報の種類には、登録者情報１２０のいずれかに一致すると認証部２３０にて判定された認証者に対しては、前述のように標準音声情報と短縮音声情報とがある。
標準音声情報は、利用者に出力する出力用音声情報の基本的なものであり、前述のように、利用者１人分について、１つの認証定型句１３１、１人分の個人呼称句１２３、１つの敬称句１３３から構成されている。例えば、図４に示した識別子“１”の人物の場合には「おはようございます、Ａ役員」が標準音声情報となる。同様に、例えば識別子“３”の人物の場合には「お疲れさまです、Ｃさん」が標準音声情報となる。

但し、認証部２３０による照合結果として、入力顔画像の人物が、登録顔画像１２２のいずれの人物とも一致しないと判断された場合には、いずれかの個人呼称句１２３を特定して用いることができない。よって、その場合には、音声合成部２８０は、顔画像認証装置１０の運用場所や運用方針などに応じて、記憶部１１０に記憶されている非認証定型句１３２から、いずれかを選択して出力用音声情報を生成するものとする。

短縮音声情報は、図３に模式的に示すように、複数の利用者が次々と入室を試みる場合に生成されるものであり、１つの認証定型句１３１、計数部２４０が計数した認証者数分の個人呼称句１２３、それぞれの敬称句１３３から構成されている。例えば、図３に示した場合では、人物１ａが図４でいう識別子“１”の人物、人物１ｂが図４でいう識別子“２”の人物、人物１ｃが図４でいう識別子“３”の人物であるとすると、「お疲れさまです、Ａ役員、Ｂ部長、Ｃさん」が短縮音声情報となる。
個人呼称句１２３の順番は、認証部２３０が認証結果を出力した順番とすることが望ましい。あるいは、距離検出部２５０が、入力画像に写った認証者ごとに求めた、撮像部２０からの距離に応じて、距離が小さい順とすることもできる。

短縮音声情報は、標準音声情報を人数分連続させるよりも短い時間長となっている。上記の例では、「お疲れさまです、Ａ役員。お疲れさまです、Ｂ部長。お疲れさまです、Ｃさん」よりも短い時間で出力することができる。
従って、図３に模式的に示すように、複数の利用者が次々と入室を試みる場合であっても、最後の利用者が扉を通過する前に出力し終わることが可能となる。

次に、図７に示すフロー図を用いて、本発明にかかる顔画像認証装置１０の動作を説明する。
まず、処理部２００は、撮像部２０からインターフェース部１００を介して、利用者の顔が写っている入力画像を取得する（ステップＳ１００）。そして処理部２００は、取得した入力画像を顔検出部２１０に渡す。
顔検出部２１０は、入力画像から利用者の顔の写っている領域を検出し、それを含む入力顔画像を抽出する（ステップＳ１１０）。顔検出部２１０が、入力画像中に利用者の顔が写っている領域の検出に失敗した場合には、図７では明示していないが、利用者が当該入力画像中には存在しないとして、処理をステップＳ１００に戻す。

次に、認証部２３０は、入力顔画像と登録顔画像１２２をパターンマッチングなどに方法により直接比較したり、両画像から特徴量を抽出して比較するなどの周知の方法を用いて、認証処理を行い、入力顔画像が記憶部１１０に記憶されている登録者情報１２０のいずれかの人物か否かを判定する（ステップＳ１２０）。

判定部２７０は、認証者数や、利用者の位置などの情報を用いて、標準音声情報を人数分順次出力するのに必要な時間である総出力時間を算出する（ステップＳ１８０）。算出方法は既に述べた通りである。
上述のステップＳ１８０の処理と並行して、ステップＳ１４０〜Ｓ１７０の処理が行われる。

追跡部２２０は、顔検出部２１０が抽出した入力顔画像について、入力画像中における位置を時系列に把握し、追跡する処理を行う（ステップＳ１４０）。
距離検出部２５０は、入力画像に写っている利用者について、撮像部２０の設置条件から、床面上における撮像部２０との距離を算出する（ステップＳ１５０）。この距離に撮像部２０と扉２までの距離を加減算することで、扉２までの距離を求めることができる（図２、図３、図６を参照）。
速度検出部２６０は、前ステップで距離検出部２５０が求めた、距離の時間変化から、利用者の歩行速度を求める（ステップＳ１６０）。
判定部２７０は、利用者と扉までの位置と、前ステップで求めた速度から、全利用者が通行し終わるのに要する通行時間を算出する（ステップＳ１７０）。

そして判定部２７０は、ステップＳ１８０にて求められた総出力時間と、ステップＳ１７０にて求められた通行時間とを比較し（ステップＳ１９０）、総出力時間より通行時間が長い場合には、判定部２７０は音声合成部２８０に利用者それぞれ向けに標準音声情報を生成するよう指示し、音声合成部２８０は標準音声情報を生成する（ステップＳ２００）。一方で、総出力時間より通行時間が短い場合には、判定部２７０は音声合成部２８０に短縮音声情報を生成するよう指示し、音声合成部２８０は短縮音声情報を生成する（ステップＳ２１０）。
通知部３０は、インターフェース部１００から、ステップＳ１７０またはＳ１８０にて生成された音声情報を受け取り、利用者に出力する（Ｓ２２０）。

ステップＳ２２０の出力処理が終了すると、処理部２００は、次の時点の入力画像を撮像部２０から取得して処理すべく、ステップＳ１００に処理を戻す。

音声合成部２８０における短縮音声情報の生成において、個人呼称句１２３の順番は、認証部２３０が認証した順に並べることが好ましい。図３の模式図では、利用者１ａ、利用者１ｂ、利用者１ｃの順で扉２からの距離が小さいので、短縮音声情報においては、「Ａ、Ｂ、Ｃ」の順に並べる。
もしくは、図３の模式図のように、撮像部２０が利用者を上方から見下ろすように設置する場合には、入力画像中で、扉２に近い順に入力画像中で下から並ぶことになるので、その並び順を利用してもよい。これを図８の模式図を用いて説明する。

図８には、図３の状態において、撮像部２０が取得した利用者１ａ、１ｂ、１ｃを映した入力画像３００が示されている。図８からわかるように、扉２に最も近い利用者１ａが最も下に写っており、扉２から離れるに従って上方に映る。
よって、入力画像３００のｘ−ｙ座標系を符号３１０のように設定すると、各利用者の入力顔画像３３０の重心３２０のｙ座標を比較すればよい。図８の場合では、人物１ａのｙ座標をｙａ、人物１ｂのｙ座標をｙｂ、人物１ｃのｙ座標をｙｃとすると、ｙａ＞ｙｂ＞ｙｃとなる。よって、重心３２０のｙ座標が大きい順に短縮音声情報では個人呼称句を並べることができる。

なお、入力画像に写った人物の中に、認証部２３０にて登録顔画像１２２の人物のいずれとも一致が判断されない非認証者が含まれている場合には、音声合成部２８０は、当該非認証者のために、非認証定型句１３１を用いて出力用音声情報を生成して、通知部３０はその出力用音声情報を出力する。

以上説明してきたように、本発明にかかる顔画像認証装置は、利用者の人数と通行時間、１人分の出力音声の長さなどを判断して、単純に利用者それぞれに標準音声情報を並べると、利用者が通行し終わる前に出力が終わらないと判断されるときは、短縮した音声を生成して出力することで、本装置の使用感の低下を招かない効果を奏する。

本発明にかかる顔画像認証装置の実施の形態はこれまでに説明してきたものに限られない。図８を用いて説明した入力画像中での顔画像の重心位置を比較する手法の他にも、撮影条件を正確に把握でき、利用者の歩行速度を実験などにより概略既知である場合には、計数部２４０にて計数された認証者数を直接ステップＳ１９０における条件分岐の判断に用いても良い。例えば、認証者が３以上の場合には、音声合成部２８０は短縮音声情報を生成するものとしても、同様の効果を得ることができる。この場合、距離検出部２５０、速度検出部２６０は省略できる。
あるいは、利用者の数や通行時間に依らず、総出力時間を所定の時間長閾値と比較して、上回る場合には音声合成部２８０は短縮音声情報を生成するものとしてもよい。

または、記憶部１１０に記憶する登録者情報１２０に、人物属性１２４に応じた、音声合成部２８０における短縮音声情報の並び順を表す情報を付加しておいてもよい。例えば、図４でいう識別子１２１が“４”の人物については“最優先”、役職が高い識別子１２１が“１”の人物については“優先”、役職が低い識別子１２１が“３”の人物については“通常”などと設定して、その順に並べて生成することもできる。

さらには、音声合成部２８０に、出力音声情報のピッチを変えずに出力速度（再生速度）を変える機能が備わっている場合には、判定部２７０の判定条件として、聞き取り可能な範囲で出力速度を速めても総出力時間が通行時間を下回らない場合に短縮音声情報を生成するよう音声合成部２８０に指示してもよい。

２０・・・撮像部
３０・・・通知部
１２３・・・個人呼称句
１２４・・・人物属性
１３１・・・認証定型句
１３２・・・非認証定型句
２１０・・・顔検出部
２３０・・・認証部
２７０・・・判定部
２８０・・・音声合成部

Claims (3)

1. 利用者を含む入力画像を取得する撮像部と、
   前記入力画像から前記利用者の入力顔画像を検出する顔検出部と、
   予め、登録顔画像、前記利用者に出力する音声情報、該音声情報をひとりの前記利用者に出力するのに標準的な標準出力時間を記憶する記憶部と、
   前記入力顔画像を用いて前記利用者と前記登録顔画像の人物が一致するか否かを認証する認証部と、
   前記登録顔画像の人物に一致した認証者を計数する計数部と、
   前記標準出力時間と前記認証者の数から総出力時間を算出し、該総出力時間が所定の時間長閾値を越えるか否かを判定する判定部と、
   前記音声情報から前記認証者への出力用音声情報を生成する音声合成部と、
   前記出力用音声情報を用いて前記利用者に音声出力する出力部と、
   を有し、
   前記音声合成部は、前記出力用音声情報として、
   前記総出力時間が前記時間長閾値以下と判定されると標準音声情報を生成し、
   前記総出力時間が前記時間長閾値を越えると判定されると、時間長が前記標準音声情報より短い短縮音声情報を生成する
   ことを特徴とした顔画像認証装置。
   
2. 前記記憶部は、前記音声情報として、認証定型句と前記登録顔画像の個人呼称句を記憶し、
   前記音声合成部は、
   前記標準音声情報を、一つの前記認証定型句とひとりの認証者の前記個人呼称句から生成し、
   前記短縮音声情報を、一つの前記認証定型句と複数人の認証者の前記個人呼称句から生成する
   ことを特徴とした請求項１に記載の顔画像認証装置。
   
3. 前記顔画像認証装置は、さらに、
   順次取得される複数の前記入力画像において対応する前記入力顔画像を追跡する追跡部と、
   前記撮像部の設置条件を用いて、前記利用者が存在する床面上における該利用者と前記撮像部との距離を検出する距離検出部と、
   前記追跡された前記利用者について、前記距離の時間変化から該利用者の歩行速度を検出する速度検出部と
   を有し、
   前記判定部は、
   前記距離と前記歩行速度から算出される通行時間を前記時間長閾値に用いる
   ことを特徴とした請求項１から請求項２のいずれか１つに記載の顔画像認証装置。