JP2013033331A - 識別装置及び識別プログラム - Google Patents
識別装置及び識別プログラム Download PDFInfo
- Publication number
- JP2013033331A JP2013033331A JP2011168300A JP2011168300A JP2013033331A JP 2013033331 A JP2013033331 A JP 2013033331A JP 2011168300 A JP2011168300 A JP 2011168300A JP 2011168300 A JP2011168300 A JP 2011168300A JP 2013033331 A JP2013033331 A JP 2013033331A
- Authority
- JP
- Japan
- Prior art keywords
- weak
- detection target
- weak classifier
- threshold value
- classifier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
【解決手段】識別装置10は、入力データの特徴量を生成する特徴量生成部3と、特徴量が第1閾値と第2閾値とで挟まれた所定範囲内に存在するか否かを判定する判定部4と、検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定された重み設定部5とを備えた弱識別器2と、弱識別器2を複数備え、各弱識別器2における特徴量の判定結果と重みとの積算値の線形和に基づいて入力データが検出対象であるか否かを識別する強識別器1とを有する。
【選択図】図1
Description
本発明の実施形態を図面に基づいて説明する。
本実施形態に係る識別装置10は、図1に示すように、複数の弱識別器2を学習データにより学習させて強識別器1を生成する学習モードと、強識別器1により入力データを識別する識別モードとに切り替え可能にされている。識別装置10は、強識別器1と、強識別器1を構成する複数の弱識別器2とを備えている。各弱識別器2は、入力データの特徴量を生成する特徴量生成部3と、特徴量が第1閾値と第2閾値とで挟まれた所定範囲内に存在するか否かを判定する判定部4と、検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定された重み設定部5とを備えている。そして、強識別器1は、各弱識別器2における特徴量の判定結果と重みとの積算値の線形和に基づいて、入力データが検出対象であるか否かを識別するようになっている。
『学習』は、ポジティブ学習データ及びネガティブ学習データを用いて弱識別器2に重みを付ける処理である。重み付けのための学習アルゴリズムとしては、特に限定されるものではないが、Adaboostアルゴリズムが例示される。Adaboostアルゴリズムの概要を説明すると、先ず、弱識別器候補(学習前の弱識別器2)が作成される。この後、学習データ(特徴量とクラス)への重みがサンプル数Nで初期化1/Nされることによって、全学習データが同一の重み付けに設定される。各学習データにおいて、学習データのクラスと弱識別器候補の出力クラスが一致しない学習データの重みが積算されることによって、各弱識別器候補の誤り率が求められる。誤り率が小さいほど信頼度が大きくなるように、学習データの重みが更新される。即ち、学習データの重みは、弱識別器候補が正しく識別できた学習データについては重みが小さくなるように更新される一方、弱識別器候補が間違って識別した学習データについては重みが大きくなるように更新される。この後、学習データの重みの和が1になるように正規化されることによって、1個の弱識別器候補が作成される。このような弱識別器候補の作成が繰り返して行われた後、全数や所定個数の弱識別器候補が弱識別器2として選択される。
『特徴量』は、画像データを数値化したものであり、他の特徴量と比較することより類似度を求めることができるものであれば、特に限定されない。例えば、Haar−like特徴の場合、検出対象か非検出対象かを判定するために、白矩形領域における平均輝度値と黒矩形領域における平均輝度値との差を用いた特徴量となる。この場合には、Integral Image の利用により高速演算が可能になる。
弱識別器2と弱識別器候補とは、学習前の弱識別器2が弱識別器候補である関係であり、重みの状態を除いて同一である。弱識別器2及び弱識別器候補は、Violaらが提案した構成と同様に、2矩形からなる特徴、3矩形からなる特徴、4矩形からなる特徴であってもよいし、画素高次元空間内での自由度を最大限に取りながら、且つ判定を高速化するため、2矩形領域の明度差のみを取り扱う構成であってもよい。
1. 2つの閾値d1・d2
2. 白矩形X,Y座標
3. 白矩形横幅Xw、縦幅Yw
4. 黒矩形座標
5. 黒矩形横幅、縦幅
ここで、「白矩形」及び「黒矩形」は便宜的な呼称であり、例えば、基準座標が左にあるものを「白矩形」、右にあるものを「黒矩形」と呼ぶ(X座標が同一の場合は、上にあるものを「白矩形」、下にあるものを「黒矩形」と呼ぶ)。どちらの矩形の明度が高いかは呼称と無関係に実際のポジティブサンプルの分布で決定され、閾値d1・d2の値に反映される。
『第1閾値、第2閾値』は、図4に示すように、2つの矩形領域のそれぞれの明度総和の差の分布である正規分布の一方側(下側領域)と他方側(上側領域)とに設けた閾値である。第1閾値は、非検出対象の特徴量の下側確率が検出対象の特徴量の下側確率よりも大きくなる交点であり、第2閾値は、前記非検出対象の特徴量の上側確率が前記検出対象の特徴量の上側確率よりも大きくなる交点であってもよい。この場合には、第1閾値及び第2閾値を容易に設定することができる。尚、弱識別器2の出力h(x)は、第1識別値θ1から第2閾値θ2の範囲に特徴量xが存在すれば、“1”となり、存在しなければ“0”となる。
dp2 = μp + 3σp
また、図6に示すように、識別装置10における強識別器1は、カスケード構造にされている。具体的には、強識別器1は、弱識別器2の1以上の弱識別器集合部21を複数段で直列配置し、前段の弱識別器集合部21において検出対象であると識別した入力データだけを、後段の弱識別器集合部21における検出対象の識別に用いる構成にされている。尚、識別装置1は、カスケード構造以外の構成にされていてもよい。
Haar−like弱識別器2の役割は、各画素を直行成分とする高次元のベクトル空間を超平面で仕切ることに等しい。
n画素で構成されるポジティブ画像
Pk=(Pk1, Pk2, Pk3,・・・Pkn)
n画素で構成されるネガティブ画像
Nk=(Nk1, Nk2, Nk3,・・・Nkn)
ポジティブ画像集合は、この高次元空間内で連結された有限領域を占めることが予想される。ポジティブ画像集合が有限な連結領域で囲まれるなら、Haar−like弱識別器2に2つの平行な超平面で挟み込むことができる。従って、Haar−like弱識別器2に2つの閾値を設定することが合理的である。Haar−like弱識別器2を複数組み合わせることで、ポジティブ画像連結領域を凸包で囲むことになる。
ここで、256画素それぞれの輝度値を独立変数とする256次元空間を考える。
V=(X1, X2, ... X256)
この空間Vを超平面で二つに分けたときの半空間の一般式は、下式のようになる。
(1)式は(2)式の特殊な形である。(A1= A2=…A68=0, A69=1, A70=−2, A71=1, A72=A73=... A256=0, d=d)
つまり、画素の輝度値を独立変数とする256次元空間Vを考えた場合、Haar−like弱識別器2はVを超平面で仕切る半空間として与えられることになる。
このときの超平面は下式で示される。
この超平面に平行な超平面は下式で示される。
A1X1+A2X2+…A256X256=d´ (d´≠d) (4)
2閾値を備えた弱識別器2は、例えば(1)式で与えられるHaar−like弱識別器2を下式のように拡張したものである。
(5)式は互いに平行な二枚の超平面で区切られた内側の領域を示す。図8に部分空間(X69,X70,X71)における顔画像領域の模式図を示す。雲状に示した黒い領域が真の顔画像と想定される領域、ストライプで示した二枚の平面が(5)式で定義される弱識別器2が判定する顔画像領域の境界面になる。
以上の説明においては、識別装置10がハードウエア的に構成された場合について説明したが、これに限定されるものではなく、コンピュータに識別プログラムをインストールして識別装置10としてもよい。
上記の構成において、ソフトハウスや販売店から識別プログラムが情報処理装置に送信され、情報処理装置の記憶装置にダウンロードされる。そして、情報処理装置において識別プログラムがインストールされることによって、図1に示すように、未学習の識別装置10が構築される。即ち、弱識別器2(情報処理装置)は、入力データの特徴量を生成する特徴量生成手段と、特徴量が第1閾値と第2閾値とで挟まれた所定範囲内に存在するか否かを判定する判定手段と、検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定される重み設定手段とを備えた複数の弱識別手段と、各弱識別手段における特徴量の判定結果と重みとの積算値の線形和に基づいて、入力データが検出対象であるか否かを識別する強識別手段としてコンピュータを機能させるように構築される。さらに、弱識別器2(情報処理装置)は、弱識別手段をカスケード構造にする手段としてコンピュータを機能させるように構築される。
次に、識別装置10が図1の学習モードに設定される。具体的には、図10に示すように、学習モード処理ルーチンが実行される。本ルーチンが実行されると、弱識別器候補準備処理が実行される(S1)。これにより、図11に示すように、検出ウインドウ内の全ての2矩形領域からなる弱識別器候補が形成される(S21)。そして、全ての弱識別器候補の中から所定画素毎の第1弱識別器候補に絞り込まれ (S22)、個数を減少された第1弱識別器候補が図示しない記憶装置に割り当てられた第1記憶部に格納される(S23)。
上記のようにして全ての第1弱識別器候補の学習が完了すると、図12の近傍探索処理ルーチンが実行される。先ず、学習済みの第1弱識別器候補が重み順に並び替えられる(S31)。大きな重みから順番に1個の第1弱識別器候補が選択される(S32)。選択された第1弱識別器候補の周辺に存在する全ての第2弱識別器候補が取得される。尚、第1弱識別器候補の周辺は、弱識別器パラメータの変更により行われる(S33)。
上記のようにして、第1弱識別器候補及び第2弱識別器候補に基づいて弱識別器2が獲得されると、次に、強識別器構築処理が実行される。具体的には、図13に示すように、複数の弱識別器集合部21が所定の記憶領域に作成される(S41)。この後、学習済みの弱識別器2が重み順に並べ替えられる(S42)。大きな重み順から順番に所定個数単位で弱識別器2が抽出される(S43)。抽出された弱識別器2が未登録の弱識別器集合部21に登録される(S44)。
上記のようにして強識別器1が構築されると、図1の識別モードに設定される。具体的には、図14に示すように、強識別処理ルーチンが実行される。先ず、通路やドア、各種装置に設置された撮像装置から動画や静止画が検査データ(入力データ)として取り込まれ、この検査データが1段目の弱識別器集合部21に入力される(S51)。
識別装置10を備えた遊技媒体貸出装置について説明する。尚、以後の説明においては、遊技媒体貸出装置を用いて説明するが、これに限定されるものではなく、画像データから顔等の検出対象を識別する用途に用いられる全ての種類の装置に搭載することができる。例えば、識別装置10は、パチンコやパチスロ等の遊技機に搭載されていてもよいし、携帯型のデジタルカメラ、監視カメラ、ドアホン、インターホン等の撮像装置に搭載されていてもよい。搭載形態としては、搭載対象である装置の制御部とは別個に識別装置10を備えた構成であってもよいし、搭載対象である装置の制御部において、識別装置10の処理を実行させるように、プログラムやデータが組み込まれた構成にされていてもよい。
2 弱識別器
3 特徴量生成部
4 判定部
5 重み設定部
10 識別装置
21 弱識別器集合部
Claims (5)
- 入力データの特徴量を生成する特徴量生成部と、
前記特徴量が第1閾値と第2閾値とで挟まれた所定範囲内に存在するか否かを判定する判定部と、
検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定された重み設定部とを備えた弱識別器と、
前記弱識別器を複数備え、前記各弱識別器における特徴量の判定結果と重みとの積算値の線形和に基づいて、前記入力データが検出対象であるか否かを識別する強識別器とを有することを特徴とする識別装置。 - 前記強識別器は、
前記弱識別器の集合体を複数段で直列配置し、前段の集合体において検出対象であると識別した入力データだけを、後段の集合体における検出対象の識別に用いることを特徴とする請求項1に記載の識別装置。 - 前記弱識別器における前記重み設定部は、
前記検出対象である複数のポジティブ学習データと、非検出対象である複数のネガティブ学習データとを前記入力データとしたアダブースト(Adaboost)の学習アルゴリズムによって、前記重みが設定されていることを特徴とする請求項1又は2に記載の識別装置。 - 前記弱識別器における前記判定部は、
非検出対象の特徴量の下側確率が前記検出対象の特徴量の下側確率よりも大きくなる交点を前記第1閾値とし、
前記非検出対象の特徴量の上側確率が前記検出対象の特徴量の上側確率よりも大きくなる交点を前記第2閾値としていることを特徴とする請求項1乃至3の何れか1項に記載の識別装置。 - 入力データが入力される入力部、記憶部及び出力部を備えたコンピュータを、
前記入力データの特徴量を生成する特徴量生成手段、前記特徴量が第1閾値と第2閾値とで挟まれた所定範囲内に存在するか否かを判定する判定手段、及び検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定される重み設定手段を備えた複数の弱識別手段、
前記各弱識別手段における前記特徴量の判定結果と重みとの積算値の線形和に基づいて、前記入力データが前記検出対象であるか否かを識別する強識別手段
として機能させることを特徴とする識別プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011168300A JP5565869B2 (ja) | 2011-08-01 | 2011-08-01 | 識別装置及び識別プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011168300A JP5565869B2 (ja) | 2011-08-01 | 2011-08-01 | 識別装置及び識別プログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014121406A Division JP5856235B2 (ja) | 2014-06-12 | 2014-06-12 | 遊技用装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013033331A true JP2013033331A (ja) | 2013-02-14 |
JP5565869B2 JP5565869B2 (ja) | 2014-08-06 |
Family
ID=47789180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011168300A Active JP5565869B2 (ja) | 2011-08-01 | 2011-08-01 | 識別装置及び識別プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5565869B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101476799B1 (ko) * | 2013-07-10 | 2014-12-26 | 숭실대학교산학협력단 | 깊이 정보를 이용한 객체 검출 시스템 및 방법 |
WO2015146113A1 (ja) * | 2014-03-28 | 2015-10-01 | 日本電気株式会社 | 識別辞書学習システム、識別辞書学習方法および記録媒体 |
JP2016012302A (ja) * | 2014-06-30 | 2016-01-21 | 株式会社デンソー | 対象物検出装置 |
US10386307B2 (en) | 2014-06-05 | 2019-08-20 | Satake Corporation | Method of creating quality grade discrimination criteria in granular material appearance quality grade discrimination device |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005044330A (ja) * | 2003-07-24 | 2005-02-17 | Univ Of California San Diego | 弱仮説生成装置及び方法、学習装置及び方法、検出装置及び方法、表情学習装置及び方法、表情認識装置及び方法、並びにロボット装置 |
JP2009009456A (ja) * | 2007-06-29 | 2009-01-15 | Olympus Corp | 顔検出装置及び顔検出プログラム |
JP2009026326A (ja) * | 2008-09-26 | 2009-02-05 | Sony Corp | 集団学習装置及び方法 |
JP2010165046A (ja) * | 2009-01-13 | 2010-07-29 | Canon Inc | 情報処理装置及び情報処理方法 |
-
2011
- 2011-08-01 JP JP2011168300A patent/JP5565869B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005044330A (ja) * | 2003-07-24 | 2005-02-17 | Univ Of California San Diego | 弱仮説生成装置及び方法、学習装置及び方法、検出装置及び方法、表情学習装置及び方法、表情認識装置及び方法、並びにロボット装置 |
JP2009009456A (ja) * | 2007-06-29 | 2009-01-15 | Olympus Corp | 顔検出装置及び顔検出プログラム |
JP2009026326A (ja) * | 2008-09-26 | 2009-02-05 | Sony Corp | 集団学習装置及び方法 |
JP2010165046A (ja) * | 2009-01-13 | 2010-07-29 | Canon Inc | 情報処理装置及び情報処理方法 |
Non-Patent Citations (2)
Title |
---|
CSNG200800956014; 日高 章理: '非隣接型矩形特徴を用いた物体検出' 情報処理学会研究報告 第2008巻 第82号, 20080829, p.137-142, 社団法人情報処理学会 * |
JPN6014019671; 日高 章理: '非隣接型矩形特徴を用いた物体検出' 情報処理学会研究報告 第2008巻 第82号, 20080829, p.137-142, 社団法人情報処理学会 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101476799B1 (ko) * | 2013-07-10 | 2014-12-26 | 숭실대학교산학협력단 | 깊이 정보를 이용한 객체 검출 시스템 및 방법 |
WO2015146113A1 (ja) * | 2014-03-28 | 2015-10-01 | 日本電気株式会社 | 識別辞書学習システム、識別辞書学習方法および記録媒体 |
JPWO2015146113A1 (ja) * | 2014-03-28 | 2017-04-13 | 日本電気株式会社 | 識別辞書学習システム、識別辞書学習方法および識別辞書学習プログラム |
US10380456B2 (en) | 2014-03-28 | 2019-08-13 | Nec Corporation | Classification dictionary learning system, classification dictionary learning method and recording medium |
JP2020053073A (ja) * | 2014-03-28 | 2020-04-02 | 日本電気株式会社 | 学習方法、学習システム、および学習プログラム |
US10386307B2 (en) | 2014-06-05 | 2019-08-20 | Satake Corporation | Method of creating quality grade discrimination criteria in granular material appearance quality grade discrimination device |
JP2016012302A (ja) * | 2014-06-30 | 2016-01-21 | 株式会社デンソー | 対象物検出装置 |
Also Published As
Publication number | Publication date |
---|---|
JP5565869B2 (ja) | 2014-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Face liveness detection by rppg features and contextual patch-based cnn | |
US7508961B2 (en) | Method and system for face detection in digital images | |
US11222222B2 (en) | Methods and apparatuses for liveness detection, electronic devices, and computer readable storage media | |
US8351662B2 (en) | System and method for face verification using video sequence | |
CN102667810B (zh) | 数字图像中的面部识别 | |
Rattani et al. | A survey of mobile face biometrics | |
US11106947B2 (en) | System and method of classifying an action or event | |
JP5287333B2 (ja) | 年令推定装置 | |
CN111368811B (zh) | 活体检测方法、装置、设备及存储介质 | |
CN101558431A (zh) | 脸认证设备 | |
Almeida et al. | Detecting face presentation attacks in mobile devices with a patch-based CNN and a sensor-aware loss function | |
US20060291001A1 (en) | Apparatus and method for detecting occluded face and apparatus and method for discriminating illegal user using the same | |
JP5565869B2 (ja) | 識別装置及び識別プログラム | |
de Souza et al. | On the learning of deep local features for robust face spoofing detection | |
US20080175447A1 (en) | Face view determining apparatus and method, and face detection apparatus and method employing the same | |
CN110610575B (zh) | 硬币识别方法及装置、收银机 | |
CN106471440A (zh) | 基于高效森林感测的眼睛跟踪 | |
Gualdi et al. | Contextual information and covariance descriptors for people surveillance: an application for safety of construction workers | |
CN113614731A (zh) | 使用软生物特征的认证验证 | |
CN102216958A (zh) | 物体检测装置以及物体检测方法 | |
WO2004042539A9 (en) | Video-based face recognition using probabilistic appearance manifolds | |
JP6031181B2 (ja) | 識別装置及び遊技用装置 | |
JP5856235B2 (ja) | 遊技用装置 | |
JP5389723B2 (ja) | 対象物検知装置及びその学習装置 | |
KR101521136B1 (ko) | 얼굴 인식 방법 및 얼굴 인식 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130627 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130702 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130830 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20131001 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20131128 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140520 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140612 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5565869 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |