JP2014197342A - 物体位置検出装置、物体位置検出方法、及びプログラム - Google Patents

Abstract

【課題】精度よく物体領域を検出することができる物体位置検出装置、物体位置検出方法、及びプログラムを提供すること。【解決手段】物体確率算出手段１２１は、画像を分割した部分領域の各々の特徴量を算出し、特定物体が表示されている確率である物体確率を部分領域の各々について算出する。物体色尤度算出手段１２２は、物体確率と、部分領域の各々に含まれる色の頻度と、を基に特定物体の色の尤もらしさである物体色尤度を部分領域毎に算出する。物体領域検出手段１２３は、物体確率と物体色尤度に基づいて画像内の特定物体が表示された領域を検出する。【選択図】図８

Description

本発明は画像から物体位置を検出する物体位置検出装置、物体位置検出方法、及びプログラムに関する。

映像（または静止画）から物体位置を検出する技術は、物体位置検出と呼称される。物体位置検出は、カメラの撮影映像から監視目的の所望の物体を見つけ出す用途、高画質化のために特定の物体に対してフォーカスを合わせる用途、等に使用される。

物体位置検出の一態様として、Ｓｌｉｄｉｎｇ Ｗｉｎｄｏｗ法と呼称される技術が使用されている（例えば特許文献１）。Ｓｌｉｄｉｎｇ Ｗｉｎｄｏｗ法の処理概念を図８に示す。Ｓｌｉｄｉｎｇ Ｗｉｎｄｏｗ法は、図８に示すように検出対象の画像に対して複数の矩形領域（Ｗｉｎｄｏｗ）を設定し、Ｗｉｎｄｏｗの位置と大きさを変化させながら各矩形領域内での認識対象物体の有無を評価関数により評価する。しかし、この手法では、全ての矩形領域を探索する場合、組み合わせ数が膨大となってしまい、処理に時間がかかるという問題があった。

これに対し非特許文献１は、Ｅｆｆｉｃｉｅｎｔ Ｓｕｂｗｉｎｄｏｗ Ｓｅａｒｃｈ（ＥＳＳ）を用いた物体位置検出の手法を提案している。Ｅｆｆｉｃｉｅｎｔ Ｓｕｂｗｉｎｄｏｗ Ｓｅａｒｃｈ（ＥＳＳ）とは、分岐限定法を用いた効率的な物体の位置検出アルゴリズムである。

また特許文献２は、物体位置検出に関し、検出範囲を限定するための方法として顕著度に基づいた評価関数を用いる技術を開示している。顕著度とは、人間の視覚的特性をモデル化した指標であり、画像内の捕色差や輝度差といったコントラストの差に基づいて算出される。画像内においてコントラストの高い領域は物体が存在している確率が高いと考えられる。そこで特許文献１の手法は、コントラストの高い領域のみを検出処理を行う範囲とすることによって処理速度の向上を図っている。

特開２００２−３２７６６号公報 特開２０１１−３４３１１号公報

Lampert, C.H.Blaschko, M.B. and Hofmann, T.: Efficient subwindow search: A branch and bound framework for object localization, IEEE Trans. PAMI, Vol.31, No.12, pp.2129-2142(2009).

しかしながら、上述した技術は、いずれも精度よく物体領域を検出することができないという課題がある。

例えば非特許文献１の手法では、物体が映りこんでいる多数の画像を事前に収集し、これらの多数の画像から算出された物体群の特徴を用いて、ある画像内の物体領域を検出している。そのため非特許文献１の手法では、ある１枚の画像に映っている物体に特化した特徴を用いて物体領域を検出する場合と比べて、位置検出精度を向上させることが困難である。

また特許文献２において用いる評価関数の顕著度は、色やエッジ強度の差といった低レベルの情報に基づいて算出される。すなわち評価関数の顕著度は、物体に特化した情報を用いて算出されたものではない。そのため特許文献１の技術では、色差やエッジ強度の差が大きい他の物体領域も検出対象としてしまう可能性があり、精度や処理速度が低下する恐れがある。

本発明は、上述した問題に鑑みてなされたものであり、精度よく物体領域を検出することができる物体位置検出装置、物体位置検出方法、及びプログラムを提供することを主たる目的とする。

本発明にかかる物体位置検出装置の一態様は、
画像を分割した部分領域の各々の特徴量を算出し、特定物体が表示されている確率である物体確率を前記部分領域の各々について算出する物体確率算出手段と、
前記物体確率と、前記部分領域の各々に含まれる色の頻度と、を基に前記特定物体の色の尤もらしさである物体色尤度を算出する物体色尤度算出手段と、
前記物体確率と前記物体色尤度に基づいて前記画像内の前記特定物体が表示された領域を検出する物体領域検出手段と、
を備えたものである。

本発明にかかる物体位置検出方法の一態様は、
画像を分割した部分領域の各々の特徴量を算出し、特定物体が表示されている確率である物体確率を前記部分領域の各々について算出する物体確率算出ステップと、
前記物体確率と、前記部分領域の各々に含まれる色の頻度と、を基に前記特定物体の色の尤もらしさである物体色尤度を算出する物体色尤度算出ステップと、
前記物体確率と前記物体色尤度に基づいて前記画像内の前記特定物体が表示された領域を検出する物体領域検出ステップと、
を有するものである。

本発明にかかるプログラムの一態様は、
コンピュータに、
画像を分割した部分領域の各々の特徴量を算出し、特定物体が表示されている確率である物体確率を前記部分領域の各々について算出する物体確率算出ステップと、
前記物体確率と、前記部分領域の各々に含まれる色の頻度と、を基に前記特定物体の色の尤もらしさである物体色尤度を算出する物体色尤度算出ステップと、
前記物体確率と前記物体色尤度に基づいて前記画像内の前記特定物体が表示された領域を検出する物体領域検出ステップと、
を実行させるものである。

本発明は、精度よく物体領域を検出することができる物体位置検出装置、物体位置検出方法、及びプログラムを提供することができる。

実施の形態１にかかる物体位置検出装置１００の構成を示すブロック図である。 実施の形態１にかかる物体位置検出装置１００の処理を示すフローチャートである。 実施の形態１にかかる物体確率算出手段１２１の動作概念を示す図である。 実施の形態１にかかる物体色尤度算出手段１２２による色分布の生成手法を示す図である。 実施の形態１にかかる物体色尤度算出手段１２２による色分布の生成手法を示す図である。 実施の形態２にかかる物体確率算出手段１２１の動作概念を示す図である。 実施の形態２にかかる物体領域統合手段１２４の動作を示す概念図である。 本発明にかかる物体位置検出装置１００の構成を示すブロック図である。 一般的なＳｌｉｄｉｎｇ Ｗｉｎｄｏｗ方式を示す概念図である。

＜実施の形態１＞
以下、図面を参照して本発明の実施の形態について説明する。図１は、本実施の形態にかかる物体位置検出装置の構成を示すブロック図である。物体位置検出装置１００は、画像入力手段１１０、データ処理手段１２０、データ記憶手段１３０、及び位置検出結果出力手段１４０を有する。データ処理手段１２０は、物体確率算出手段１２１、物体色尤度算出手段１２２、及び物体領域検出手段１２３を含む。データ記憶手段１３０は、物体特徴量記憶手段１３１を含む。

物体位置検出装置１００は、画像を処理する任意の装置であれば良く、例えば一般的なコンピュータ装置、撮像装置（携帯電話、スマートフォン、デジタルスチールカメラ）等であれば良い。

画像入力手段１１０は、任意の撮像手段が撮像した画像を物体確率算出手段１２１に入力する。なお画像入力手段１１０は、処理対象とする画像を入力するものであれば良く、例えば物体位置検出装置１００に着脱可能な記憶装置（たとえばＵＳＢ（Universal Serial Bus）メモリ）から画像を読み出してデータ処理手段１２０に入力してもよく、またデータ記憶手段１３０に記憶された画像を読み出してデータ処理手段１２０に入力してもよい。ここで画像入力手段１１０が入力する画像は静止画を想定しているが、動画を構成する各フレームを切り出してデータ処理手段１２０に逐次入力する構成であってもよい。

データ記憶手段１３０は、物体位置検出装置１００内に設けられた不揮発性のデータ記憶手段であり、例えばハードディスクドライブ等である。またデータ記憶手段１３０は、物体位置検出装置１００と着脱可能なデータ記憶手段であってもよい。

物体特徴量記憶手段１３１は、予め多数の画像から収集した検出対象の物体（以下の説明では、特定物体とも呼称する。）の特徴量を記憶する。特徴量記憶手段１３１は、特定物体の特徴量をファイル形式で保持してもよく、データベースのテーブル等の形式により保持してもよい。物体特徴量記憶手段１３１は、複数種類の特定物体の特徴量を記憶してもよい。たとえば物体特徴量記憶手段１３１は、車、電車、飛行機の各種類についての特徴量を物体名と関連付けて記憶する。

物体確率算出手段１２１は、画像入力装置１１０から入力された画像を分割した部分領域毎の特徴量を算出する。また物体確率算出手段１２１は、物体特徴量記憶手段１３１から各特定物体の特徴量を読み出す。そして物体確率算出手段１２１は、部分領域毎の特徴量と、読み出した各特定物体の特徴量を比較し、当該比較に応じて特徴量に基づく各部分領域の物体らしさを確率（各部分領域に特定物体が存在している確率である。以下の説明では、物体確率とも呼称する。）として算出する。

物体色尤度算出手段１２２は、部分領域毎の色の頻度を算出し、当該色の頻度に基づいて各特定物体が持つ色らしさを尤度（以下の説明では、物体色尤度とも呼称する。）として算出する。

物体領域検出手段１２３は、物体確率算出手段１２１が算出した部分領域毎の物体確率と、物体色尤度算出手段１２２が算出した部分領域毎の特定物体毎の色尤度（物体色尤度）と、に基づいて各特定物体の物体らしさを算出した後に物体領域を検出する。

なおデータ処理手段１２０内の各処理手段（物体確率算出手段１２１、物体色尤度算出手段１２２、物体領域検出手段１２３）の処理の詳細は図２等を参照して改めて説明する。

位置結果出力手段１４０は、検出した特定物体の物体領域を出力する。位置結果出力手段１４０は、例えば物体位置検出装置１００上の（または接続された）ディスプレイ等の表示装置に対し、画像に物体領域を重畳して表示する。また位置結果出力手段１４０は、物体領域の情報（例えば座標情報）をファイルに書き込んでもよい。

続いて図１及び図２を参照して物体位置検出装置１００の処理の流れについて説明する。図２は、物体位置検出装置１００による物体位置検出の処理の流れを示すフローチャートである。

画像入力手段１１０は、解析対象となる画像をデータ処理手段１２０内の物体確率算出手段１２１に入力する。物体確率算出手段１２１は、入力された画像を部分領域Ｉに分割する。ここで物体確率算出手段１２１は、画像を一定間隔（一定幅及び一定高さ）毎に分割してもよいし、同一レベルの輝度の領域毎に分割してもよい（Ｓ１）。

次に物体確率算出手段１２１は、分割した部分領域毎の特徴量を算出する。特徴量は、各部分領域内に含まれる画素の画素値の差を基に、画素値の差の頻度分布や勾配を算出して求める。なお特徴量は、これに限られず、他の算出方法により求めてもよい。すなわち特徴量は、各部分領域の特徴を表現するものであれば良い。

前述のように物体特徴量記憶手段１３１は、検出対象となる特定物体の特徴量を記憶する。ここで各特定物体の特徴量は予め多数の画像から収集しておく。物体特徴量記憶手段１３１は、特定物体の物体名と特徴量を関連付けて記憶しておく（Ｓ２）。

物体確率算出手段１２１は、部分領域毎の特徴量と、物体特徴量記憶手段１３１から読み出した各特定物体の特徴量と、を比較（認識）する。物体確率算出手段１２１は、この比較により各部分領域の物体類似度を示す物体確率Ｐｒ（Ｏｂｊ）を算出する。すなわち物体確率Ｐｒ（Ｏｂｊ）は、特定物体Ｏｂｊが部分領域に存在している確率を示す。比較（認識）の手法は、例えば特徴量の値の差を算出して行えばよい。この場合、物体確率算出手段１２１は、特徴量間の差が大きいほど物体確率が高くなるような評価関数を用いる（Ｓ３）。物体特徴量記憶手段１３１に車、電車、及び飛行機に関する特徴量が記憶されていた場合、物体確率算出手段１２１は車、電車、及び飛行機のそれぞれについての物体確率Ｐｒ（Ｏｂｊ）を算出する。

物体色尤度算出手段１２２は、物体確率算出手段１２１に入力された画像と各部分領域の範囲（座標）を取得する。物体色尤度算出手段１２２は、部分領域毎の色出現頻度と、物体確率Ｐｒ（Ｏｂｊ）に基づいて特定物体毎の色分布ヒストグラムを生成する（Ｓ４）。物体色尤度算出手段１２２は、算出した色分布ヒストグラムを基に物体色尤度Ｐｒ（Ｉ｜Ｏｂｊ）を算出する（Ｓ５）。

ある部分領域Ｉにおける物体らしさをＰｒ（Ｏｂｊ｜Ｉ）と表す場合、ベイズ推定に基づいて以下の式（１）により表現することができる。
Ｐｒ（Ｏｂｊ｜Ｉ）＝（Ｐｒ（Ｏｂｊ）・Ｐｒ（Ｉ｜Ｏｂｊ））／Ｐｒ（Ｉ）―――式（１）

ここで右辺の分母Ｐｒ（Ｉ）は、部分領域内部では共通となるために無視することができる。そのため、ある部分領域Ｉにおける物体らしさをＰｒ（Ｏｂｊ｜Ｉ）は、以下の式（２）で表現することができる。
Ｐｒ（Ｏｂｊ｜Ｉ）＝（Ｐｒ（Ｏｂｊ）・Ｐｒ（Ｉ｜Ｏｂｊ））―――式（２）

すなわち、ある部分領域Ｉにおける物体らしさＰｒ（Ｏｂｊ｜Ｉ）は、物体確率Ｐｒ（Ｏｂｊ）と物体色尤度Ｐｒ（Ｉ｜Ｏｂｊ）の積により算出する（Ｓ６）。物体領域検出手段１２３は、この式（１）を用いて各特定物体に関する各部分領域の物体らしさを算出する。データ処理手段１２０は、全ての部分領域に対してＳ２〜Ｓ５までの処理を実行する（Ｓ７）。そして物体領域検出手段１２３は、各部分領域において最も物体らしさが高い特定物体の種類を、当該部分領域に存在する特定物体であると特定する。なお、事前に全ての部分領域の特徴量を算出しておいてもよく、この場合にはＳ３〜Ｓ５までの処理が繰り返し行われる。以上が物体位置検出装置１００の処理の流れである。

続いて具体的な実施例を用いて、物体位置検出装置１００の詳細な動作について説明する。以下の説明では、予め特徴量記憶手段１３１に特定物体の特徴量を格納する学習フェーズと、入力された画像から物体位置を検出する検出フェーズに分けて説明する。

はじめに学習フェーズについて説明する。ユーザは、予め車、電車、飛行機等の物体領域を指定した画像を物体位置検出装置１００に入力する。物体位置検出装置１００は、指定された物体領域から算出した特徴量を物体名と関連付けて特徴量記憶手段１３１に格納する。物体位置検出装置１００は、例えばＳＩＦＴ（Scale-Invariant Feature Transform）やＨＯＧ（Histograms of Oriented Gradients）といった輝度勾配を用いた公知の特徴抽出方法により特徴量を算出する。また特徴量と物体名を関連付けて特徴量記憶手段１３１に格納する際に、ＳＶＭ（Support Vector Machine）等の公知の学習方法により物体名に対して特徴量を関連付けてもよい。

次に画像内から物体位置検出を行う検出フェーズについて説明する。以下の説明では、物体確率算出手段１２１は画像を横８分割、縦５分割した各部分領域から学習フェーズで用いた特徴抽出方法により特徴量を算出する。物体確率算出手段１２１は、部分領域毎の特徴量と、特徴量記憶手段１３１に格納された各特定物体の特徴量と、を比較（認識）することにより、各部分領域の各特定物体の物体確率を算出する。以下の説明では、検出対象の特定物体を車、電車、及び飛行機の３種類とする。図３の例では、物体確率算出手段１２１は部分領域１の特徴量を抽出し、車確率（部分領域１に車が表示されいてる確率）＝０．７、電車確率＝０．２、飛行機確率＝０．１と算出する。同様に物体確率算出手段１２１は部分領域２の特徴量を抽出し、車確率＝０．６、電車確率＝０．３、飛行機確率＝０．１と算出する。

次に図４Ａ及び図４Ｂを参照して物体色尤度算出手段１２２による色分布ヒストグラムの生成手法について説明する。部分領域１に赤色・青色の画素が存在している場合、物体色尤度算出手段１２２は車色分布（車に関する色分布）における赤色と青色に対して０．７（部分領域１の車確率の値）、電車色分布（電車に関する色分布）における赤色と青色に対して０．２（部分領域１の電車確率の値）、飛行機色分布（飛行機に関する色分布）における赤色と青色に対して０．１（部分領域１の飛行機確率の値）をそれぞれ加算する（図４Ａ）。

部分領域２に赤色・青色・白色の画素が存在している場合、物体色尤度算出手段１２２は車色分布における赤色と青色に対して０．６（部分領域１の車確率の値）、電車色分布における赤色と青色に対して０．３（部分領域１の電車確率の値）、飛行機色分布における赤色と青色に対して０．１（部分領域１の飛行機確率の値）をそれぞれ加算する（図４Ｂ）。なお、説明の簡略化のため、その他の部分領域についての説明は省略し、部分領域が２つ（部分領域１、部分領域２）であるものとした処理を以下に説明する。

上記の処理により、車色分布は赤＝１．３、青＝１．３、白＝０．６となる。電車色分布は赤＝０．５、青＝０．５、白＝０．３となる。飛行機色分布は赤＝０．２、青＝０．２、白＝０．１となる。

次に物体色尤度算出手段１２２は、算出した各色分布ヒストグラムから各色（上記の場合には青、赤、白）についての物体色尤度を算出する。たとえば物体色尤度算出手段１２２は、赤色についての車らしさＰｒ（赤｜車）を算出する。車色分布における赤色は１．３、電車色分布における赤色は０．５、飛行機色分布における赤色は０．２であるため、Ｐｒ（赤｜車）は、以下のように算出される。
Ｐｒ（赤｜車）＝（１．３／（１．３＋０．５＋０．２））＝０．６５

同様に物体色尤度算出手段１２２は、Ｐｒ（青｜車）、Ｐｒ（白｜車）、Ｐｒ（赤｜電車）、Ｐｒ（青｜電車）、Ｐｒ（白｜電車）、Ｐｒ（赤｜飛行機）、Ｐｒ（青｜飛行機）、Ｐｒ（白｜飛行機）を以下のように算出する。
Ｐｒ（青｜車）＝（１．３／（１．３＋０．５＋０．２））＝０．６５
Ｐｒ（白｜車）＝（０．６／（０．６＋０．３＋０．１））＝０．６
Ｐｒ（赤｜電車）＝（０．５／（１．３＋０．５＋０．２））＝０．２５
Ｐｒ（青｜電車）＝（０．５／（１．３＋０．５＋０．２））＝０．２５
Ｐｒ（白｜電車）＝（０．３／（０．６＋０．３＋０．１））＝０．３
Ｐｒ（赤｜飛行機）＝（０．２／（１．３＋０．５＋０．２））＝０．１
Ｐｒ（青｜飛行機）＝（０．２／（１．３＋０．５＋０．２））＝０．１
Ｐｒ（白｜飛行機）＝（０．１／（０．６＋０．３＋０．１））＝０．１

最後に物体領域検出手段１２３は、物体確率算出手段１２１が算出した物体確率、及び物体色尤度算出手段１２２が算出した特定物体毎の物体色尤度の乗算により、各部分領域の物体らしさを算出する。以下の説明では図３における部分領域１の車（物体）らしさを算出する場合について説明する。

物体領域１の車確率Ｐｒ（車）＝０．７であり、部分領域１における色の割合が赤：青：白＝３：６：１である場合、物体領域検出手段１２３は以下の式（３）により物体領域１の車らしさＰｒ（車｜物体領域１）を算出する。
Ｐｒ（車｜部分領域１）＝Ｐｒ（車）＊（０．３＊Ｐｒ（赤｜車）＋０．６＊Ｐｒ（青｜車）＋０．１＊（白｜車））――式（３）

この式（３）に算出した物体色尤度を代入すると以下の式（４）となる。
Ｐｒ(車｜物体領域１)＝０．７＊（０．３＊０．６５＋０．６＊０．６５＋０．１＊０．６）＝０．４５――式（４）

同様に物体領域検出手段１２３は、Ｐｒ（電車｜部分領域１）、Ｐｒ（飛行機｜部分領域１）についても算出する。そして物体領域検出手段１２３は、Ｐｒ(車｜物体領域１)、Ｐｒ（電車｜部分領域１）、Ｐｒ（飛行機｜部分領域１）を比較し、最も大きい値となる物体名を物体領域１に含まれる物体と決定する。物体領域検出手段１２３は、全ての部分領域について同様の算出処理を行い、物体の存在する領域を決定する。なお、上述の例では、車、電車、及び飛行機の物体領域を算出する例で説明したが、背景やその他の物体についても同様にして求める。

続いて本実施の形態にかかる物体位置検出装置１００の効果について説明する。上述のように物体位置検出装置１００は、入力画像から直接的に色分布ヒストグラムを作成し、当該色分布ヒストグラムを用いて物体領域を検出している。入力画像から色分布ヒストグラムを生成することにより、物体位置検出装置１００は入力画像の色を反映した精度の高い色分布ヒストグラムを作成することができる。物体色検出装置１００は、精度の高い色分布ヒストグラムを使用することにより、所望の物体位置を精度よく算出することができる。

ここで物体位置検出装置１００は、各部分領域毎に物体確率に応じた値を特定物体毎に累積加算する（図４Ａ、図４Ｂ）ことにより、各特定物体の色分布ヒストグラムを作成している。物体確率を考慮して累算処理を行うことにより、より精度の高い色分布ヒストグラムを作成することができる。

物体領域検出手段１２３は、物体確率と物体色尤度を乗算する。すなわち物体領域検出手段１２３は、物体確率に対して色を考慮して特定物体の領域を検出するため、精度の高い領域検出が可能となる。

また物体特徴記憶手段１３１は、検出対象の特定物体の特徴量を複数保持することができる。そのため物体位置検出装置１００は、複数種類の特定物体を検出できるとともに、検出対象を変更することも可能となる。

＜実施の形態２＞
本実施の形態にかかる物体位置検出装置１００は、実施の形態１の構成と比較して物体領域統合手段１２４を更に有することを特徴とする。本実施の形態にかかる物体位置検出装置１００について実施の形態１と異なる点を以下に説明する。

図５は、実施の形態２にかかる物体位置検出装置１００の構成を示すブロック図である。実施の形態２にかかる物体位置検出装置１００は、図１に示す構成に加えてデータ処理手段１２０内に物体領域統合手段１２４を更に有する構成である。

物体領域統合手段１２４は、各部分領域内において、特定物体間の物体らしさ(物体確率と物体色尤度の乗算値)の差が閾値以下であるかを判定する。たとえば物体領域統合手段１２４は、部分領域１についての車らしさ（Ｐｒ(車｜物体領域１)）、電車らしさ（Ｐｒ(電車｜物体領域１)）、飛行機らしさ（Ｐｒ(車｜物体領域１)）の差を算出して、その差が閾値以下であるかを判定する。物体領域統合手段１２４は、部分領域０の特定物体間の物体らしさの差が最大０．２であるため、閾値以下と判定する。閾値以下であるため、物体領域統合手段１２４は、部分領域０の周囲の部分領域１〜４において物体らしさが最も大きい特定物体を多数決により決定する。図６の場合、物体領域統合手段１２４は部分領域０が車の領域であると補正する。なお物体領域統合手段１２４は、上述のように多数決により補正を行ってもよく、物体らしさの平均値が最も高い物体を用いて補正を行ってもよい。

なお物体領域統合手段１２４は、処理対象の部分領域と当該部分領域の周囲に位置する部分領域との連続性から、処理対象の部分領域の物体名を補正してもよい。たとえば物体領域統合手段１２４は、部分領域０と部分領域１における輝度の周波数成分を求める。同様に部分領域統合手段１２４は、部分領域０と部分領域２における輝度の周波数成分、部分領域０と部分領域３における輝度の周波数成分、部分領域０と部分領域４における輝度の周波数成分を算出する。物体領域統合手段１２４は、部分領域１〜４において部分領域０との輝度差がもっと小さい部分領域を部分領域０と同一テクスチャ（物体）が存在しているとみなして、部分領域０の物体名を当該部分領域（輝度差が最も小さい部分領域）と同一の物体名に補正する。

続いて本実施の形態にかかる物体位置検出装置１００の効果について説明する。物体領域統合手段１２４は、上述の特定物体間の物体らしさの差と閾値との比較を行うことにより物体名の補正を要する部分領域を抽出する。そして物体領域統合手段１２４は、補正を要する部分領域を周辺の部分領域を用いて補正している。物体領域検出手段１００は、周辺の部分領域を参照して物体名を算出することにより、より精度の高い物体位置の検出を行うことができる。

上述した実施の形態は本件発明者により得られた技術思想の適用に関する例に過ぎない。すなわち、当該技術思想は、上述した実施の形態のみに限定されるものではなく、種々の変更が可能であることは勿論である。

上述のデータ処理手段１２０内の各処理手段（物体確率算出手段１２１、物体色尤度算出手段１２２、物体領域検出手段１２３、物体領域統合手段１２４）の各処理は、ＣＰＵ（Central Processing Unit）がコンピュータプログラムを実行することにより実現される。

コンピュータプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ−ＲＯＭ（Read Only Memory）、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（random access memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

最後に図７を参照して改めて本発明にかかる物体位置検出装置１００の概略について説明する。図７は、本発明の物体位置検出装置１００の主要な動作に関する構成を示すブロック図である。

データ処理手段１２０には、処理対象となる画像が入力されるとともに、検出対象の特定物体の特徴量が入力される。物体確率算出手段１２１は、入力された画像を部分領域に分割し、部分領域毎の特徴量を算出する。また物体確率算出手段１２１は、データベース等の記憶手段から読み出した検出対象の特定物体の特徴量と、部分領域毎の特徴量を比較し、比較に応じて物体確率（各部分領域に特定物体が存在している確率）を算出する。

物体色尤度検出手段１２２は、部分領域毎の色の頻度を算出し、前述の物体確率と当該色の頻度に基づいて各特定物体が持つ色らしさ（物体色尤度）を算出する。物体領域検出手段は、物体色尤度と物体確率の乗算（上述の式（２））により、物体らしさを算出する。

以上のように、物体領域統合手段１２４は、上述の特定物体間の物体らしさの差と閾値との比較を行うことにより物体名の補正を要する部分領域を抽出する。そして物体領域統合手段１２４は、補正を要する部分領域を周辺の部分領域を用いて補正している。物体領域検出手段１００は、周辺の部分領域を参照して物体名を算出することにより、より精度の高い物体位置の検出を行うことができる。

１００ 物体位置検出装置
１１０ 画像入力手段
１２０ データ処理手段
１２１ 物体確率算出手段
１２２ 物体色尤度算出手段
１２３ 物体領域検出手段
１２４ 物体領域統合手段
１３０ データ記憶手段
１３１ 物体特徴量記憶手段
１４０ 位置結果出力手段

Claims (9)

1. 画像を分割した部分領域の各々の特徴量を算出し、特定物体が表示されている確率である物体確率を前記部分領域の各々について算出する物体確率算出手段と、
   前記物体確率と、前記部分領域の各々に含まれる色の頻度と、を基に前記特定物体の色の尤もらしさである物体色尤度を前記部分領域毎に算出する物体色尤度算出手段と、
   前記物体確率と前記物体色尤度に基づいて前記画像内の前記特定物体が表示された領域を検出する物体領域検出手段と、を備えた物体位置検出装置。
2. 前記物体色尤度算出手段は、
   前記特定物体の種類毎に、前記部分領域に含まれる各色の前記物体確率に基づく値を累算することにより色分布ヒストグラムを生成し、当該色分布ヒストグラムに基づいて前記物体色尤度を算出する、請求項１に記載の物体位置検出装置。
3. 前記物体領域検出手段は、
   前記部分領域毎に前記物体確率と前記物体色尤度を乗算して、前記特定物体の種類毎の物体らしさを算出する、請求項１または請求項２に記載の物体位置検出装置。
4. 前記物体領域検出手段は、
   処理対象とする前記部分領域において、前記特定物体の種類毎の前記物体らしさを比較し、前記物体らしさが最も大きい前記特定物体の種類を、当該処理対象の前記部分領域に存在する前記特定物体と特定する、請求項３に記載の物体位置検出装置。
5. 前記部分領域の各々について、前記特定物体毎の前記物体らしさの差分値と所定閾値を比較し、前記所定閾値の方が大きい場合に処理対象としている前記部分領域の周囲に位置する前記部分領域における前記物体らしさを参照して、前記処理対象としている前記部分領域に存在する前記特定物体の種類を補正する物体領域統合手段を更に有する、請求項１〜４のいずれか１項に記載の物体位置検出装置。
6. 前記部分領域の各々について、前記処理対象としている前記部分領域の周囲に位置する前記部分領域との輝度の周波数成分を算出し、算出した前記周波数成分を用いて前記処理対象としている前記部分領域に存在する前記特定物体の種類を補正する物体領域統合手段を更に有する、請求項１〜４のいずれか１項に記載の物体位置検出装置。
7. 前記物体確率算出手段は、
   予め解析された前記特定物体の種類毎の特徴量と、前記部分領域の各々の特徴量と、を比較して、前記部分領域毎の前記物体確率を算出する、請求項１〜６のいずれか１項に記載の物体位置検出装置。
8. 画像を分割した部分領域の各々の特徴量を算出し、特定物体が表示されている確率である物体確率を前記部分領域の各々について算出する物体確率算出ステップと、
   前記物体確率と、前記部分領域の各々に含まれる色の頻度と、を基に前記特定物体の色の尤もらしさである物体色尤度を算出する物体色尤度算出ステップと、
   前記物体確率と前記物体色尤度に基づいて前記画像内の前記特定物体が表示された領域を検出する物体領域検出ステップと、を有する物体位置検出方法。
9. コンピュータに、
   画像を分割した部分領域の各々の特徴量を算出し、特定物体が表示されている確率である物体確率を前記部分領域の各々について算出する物体確率算出ステップと、
   前記物体確率と、前記部分領域の各々に含まれる色の頻度と、を基に前記特定物体の色の尤もらしさである物体色尤度を算出する物体色尤度算出ステップと、
   前記物体確率と前記物体色尤度に基づいて前記画像内の前記特定物体が表示された領域を検出する物体領域検出ステップと、を実行させるプログラム。

Images