JP2015032119A - 対象検出装置 - Google Patents
対象検出装置Info
- Publication number
- JP2015032119A JP2015032119A JP2013160843A JP2013160843A JP2015032119A JP 2015032119 A JP2015032119 A JP 2015032119A JP 2013160843 A JP2013160843 A JP 2013160843A JP 2013160843 A JP2013160843 A JP 2013160843A JP 2015032119 A JP2015032119 A JP 2015032119A
- Authority
- JP
- Japan
- Prior art keywords
- evaluation value
- data
- image
- unit
- human body
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 195
- 238000011156 evaluation Methods 0.000 claims abstract description 339
- 238000004364 calculation method Methods 0.000 claims abstract description 62
- 230000008859 change Effects 0.000 claims description 128
- 238000000034 method Methods 0.000 claims description 68
- 230000008569 process Effects 0.000 claims description 62
- 238000009499 grossing Methods 0.000 claims description 9
- 238000012986 modification Methods 0.000 abstract description 15
- 230000004048 modification Effects 0.000 abstract description 15
- 230000013016 learning Effects 0.000 description 80
- 238000012544 monitoring process Methods 0.000 description 48
- 238000012806 monitoring device Methods 0.000 description 42
- 230000000873 masking effect Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 20
- 230000007423 decrease Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 238000003384 imaging method Methods 0.000 description 17
- 238000012935 Averaging Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 15
- 210000004027 cell Anatomy 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 230000001174 ascending effect Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 206010039740 Screaming Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
【解決手段】対象検出装置10は、入力データから、検出対象を表現する程度である情報レベルを互いに異ならせた変更データを生成するマルチレベルデータ生成部152と、変更データのそれぞれに対し、検出対象らしさの度合いを表す評価値を算出する評価値算出部153と、情報レベルにて規定される予め設定した順序にて評価値を並べて評価値系列を生成する評価値系列生成部154と、評価値系列が検出対象を含む入力データから生成されたか否かを識別するための識別情報により入力データに検出対象が含まれるか否かを判定する対象判定部155を有する。
【選択図】図4
Description
対象検出装置は、検出処理の対象となる入力データから検出対象に特有の特徴量を求め、求めた特徴量を機械学習により生成した識別器に入力して検出対象らしさの度合いを表す評価値を算出し、算出した評価値から入力データに検出対象が含まれるか否かを判定する。発明者は、鋭意検討を重ね、一つの入力データから情報レベルが互いに異なる複数のデータを生成し、複数のデータのそれぞれから評価値を算出すると、入力データに検出対象が含まれる場合、情報レベルが変化することによる評価値の変化の態様が共通の特徴を有するという知見を得た。さらに、発明者は、検出対象を含む入力データと検出対象を含まない入力データとで、情報レベルが変化することによる評価値の変化の態様が大きく異なるという知見を得た。データの情報レベルは、当該データが検出対象の特徴を表現する程度であり、当該データが検出対象の特徴を表現する詳細さの程度(表現可能な程度)、または当該データが検出対象の特徴表現に適する程度である。
本実施形態による監視システムは、監視領域へ侵入した侵入者を検知して警報を発する。この監視システムは、監視装置とセンタ装置を有する。この監視装置は、監視領域を撮影した画像に人体が写っているか否かを判定し、人体が写っていると判定すると、監視領域に人体が侵入したと判定してセンタ装置に警報を発する。つまり、本実施形態による監視システムは、入力データを画像データとし、検出対象を人体とする。
撮影画像は、グレースケールまたはカラーの多階調の画像とすることができる。本実施形態では、撮影画像を、横320画素×縦240画素を有し、8ビットの輝度分解能を持つグレースケール画像とした。ただし、撮影画像として、この実施形態以外の解像度及び階調を有するものを使用してもよい。
なお、制御部15が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、制御部15の各部について詳細に説明する。
本実施形態では、データの情報レベルが、当該データが検出対象の特徴を表現する詳細さの程度(表現可能な程度)である例について説明する。本実施形態によるマルチレベルデータ生成部152は、マルチレベルデータとして、情報レベルが高いほど鮮鋭度が高く、情報レベルが低いほど鮮鋭度が低い、鮮鋭度が互いに異なる複数の画像を生成する。マルチレベルデータ生成部152は、部分画像に平均化処理を実施することにより鮮鋭度を低くした個別レベル画像を生成する。例えば、マルチレベルデータ生成部152は、部分画像に、情報レベルが高いほどフィルタサイズが小さく、情報レベルが低いほどフィルタサイズが大きい平均化フィルタをそれぞれ適用することにより、鮮鋭度が互いに異なる複数の個別レベル画像を生成する。平均化フィルタのフィルタサイズを(4(n-1)+1)(例えばnは2〜33の整数)とすると、個別レベル画像の各画素には部分画像において対応する画素を中心とする(4(n-1)+1)画素×(4(n-1)+1)画素の範囲にある画素の画素値の平均値が設定される。つまり、フィルタサイズを大きくするほど、その平均化フィルタの通過帯域は狭くなり、その個別レベル画像はぼけた画像となって鮮鋭度が低くなるので、その個別レベル画像が人体の特徴を表現可能な程度は低くなって情報レベルは低くなる。例えば、情報レベルは、1から33まで33段階に定められる。そして、情報レベルが1のときのフィルタサイズは129(n=33)に設定され、情報レベルが1大きくなるごとにフィルタサイズは4小さい値に(nは1小さい値に)設定される。また、情報レベルが最も高い値である33のときは、平均化フィルタが適用されていない元の部分画像が利用される。
リアルアダブースト識別器は、複数の弱識別器と、各弱識別器の判定結果を統合して判定する強識別器とから構成される。各弱識別器には、各弱識別器ごとに予め決定されたハールライク特徴量を用いて画像から特徴量を算出する。各弱識別器は、対応する部分画像に人体が写っている可能性が高いほど高く、可能性が低いほど低い値を出力する。一方、強識別器は、各弱識別器による出力値の総和を評価値として出力する。なお、この評価値は、少なくとも三値以上の値を取り、例えば連続値である。
(1)事前学習を行うコンピュータは、各学習用画像について、画像領域中に複数のブロックを設定し、設定した各ブロックに関するHOG特徴量をそれぞれ算出する。
(2)コンピュータは、各学習用画像に対する重みを決定する。重みの初期値は、各学習用画像に対して同じ値とする。
(3)コンピュータは、設定したブロックのそれぞれについて、そのブロックに関するHOG特徴量ごとに、学習用人体画像について設定された重みから学習用人体画像の確率密度分布W+ jを算出する。なお、jはHOG特徴量の値に対応する番号である。同様に、コンピュータは、設定したブロックのそれぞれについて、そのブロックに関するHOG特徴量の値ごとに、学習用非人体画像について設定された重みから学習用非人体画像の確率密度分布W- jを算出する。なお、コンピュータは、各HOG特徴量をその値の取り得る範囲を複数に分割することによって量子化し、確率密度分布W+ j及び確率密度分布W- jを算出してもよい。
(4)コンピュータは、各HOG特徴量について、学習用人体画像の確率密度分布W+ jと学習用非人体画像の確率密度分布W- jから評価値Zを以下の式より算出する。
(5)コンピュータは、選択したHOG特徴量を用いた弱識別器が識別に失敗した学習用画像の重みを大きくし、識別に成功した学習用画像の重みを小さくする。そして、全ての学習用画像の重みの和が1となるよう学習用画像の重みを正規化する。
(6)コンピュータは、(3)〜(5)の手順を所定回数繰り返す。
このようにして決定された各弱識別器として用いるHOG特徴量の情報とブロックを表す情報と、各弱識別器の出力関数を表す情報とは、人体の参照データとして記憶部14に記憶される。
したがって、制御部15は、情報レベルに応じた評価値の変化が、部分画像に人体が含まれる場合に見られる傾向を示すか否かを判定すれば、各部分画像101、111、201及び211について人体が写っているか否かを全て正しく判定することができる。
g(x)=wtx+b (3)
ここで、xは系列識別器に入力する評価値系列のベクトルであり、wは重みベクトルであり、bはバイアス項である。重みベクトルwは、人体側のクラスと非人体側のクラスの間のマージンを最大化するように算出される。本実施形態の超平面識別関数は、入力された評価値系列が、特徴量空間において、識別境界に対して人体側の領域に位置するときに正値となり、非人体側の領域に位置するときに負値となり、その位置が識別境界から離れるほど絶対値が大きく、識別境界に近いほど絶対値が小さい値を出力する。つまり、この超平面識別関数の出力値は、評価値系列が検出対象を含む入力データから生成された確からしさを表し、入力データから算出された各評価値の情報レベルに応じた変化が、前述した、入力データに検出対象が含まれる場合に見られる傾向を表している度合いを表している。
なお、判定閾値として、入力データに検出対象が含まれる場合における超平面識別関数の出力値の下限値が設定される。例えば、事前の実験により人体が写った複数のテスト用人体画像に対して算出された出力値の平均値と人体が写っていない複数のテスト用非人体画像に対して算出された出力値の平均値との平均値を判定閾値とすることができる。または、テスト用非人体画像に対して算出された出力値の最大値、もしくはテスト用人体画像に対して算出された出力値の最小値を判定閾値としてもよい。つまり、判定閾値より大きい値は、評価値系列が検出対象を含む入力データから生成されたことを示す値となり、判定閾値以下の値は、評価値系列が検出対象を含む入力データから生成されていないことを示す値となる。
事前学習により決定された超平面識別関数の重みベクトルw及びバイアス項bを表す情報と判定閾値は、評価値系列の参照データとして記憶部14に記憶される。
人体特徴量としてハールライク特徴量を使用する場合、評価値算出部の各弱識別器には、所定の隣接矩形領域について求められたハールライク特徴量がそれぞれ入力され、各弱識別器は、入力されたハールライク特徴量に基づいて、対応する部分画像に人体が写っている可能性が高いほど高く、可能性が低いほど低い値を出力する。なお、どの隣接矩形領域のハールライク特徴量を各弱識別器に入力するかは、事前学習により決定される。学習手順は人体特徴量としてHOG特徴量を使用する場合と同様であるため、説明を省略する。事前学習により決定された各弱識別器として用いるハールライク特徴量を表す情報と、隣接矩形領域を表す情報と、各弱識別器の出力関数を表す情報とは、人体の参照データとして記憶部に記憶される。
あるいは、マルチレベルデータ生成部は、平均化フィルタのフィルタ係数を変更することにより鮮鋭度が互いに異なる複数の画像を生成してもよい。その場合、マルチレベルデータ生成部は、固定サイズ(例えば5×5)のフィルタについてフィルタの中央部に近いほど重みが大きくなるように重み付けをし、その重み付けが互いに異なるフィルタを用いて鮮鋭度が互いに異なる複数の画像を生成する。適用するフィルタの縁部から中央部への重みの変化の度合いが緩やかなほど生成される画像の鮮鋭度は低くなり、縁部から中央部への重みの変化の度合いが急峻なほどその鮮鋭度は高くなる。
あるいは、マルチレベルデータ生成部は、画像内の各画素を画素値が互いに類似する隣接画素のまとまり(セグメント)に分割し、各セグメントごとに、そのセグメントを構成する画素の画素値を同一の値に置換することにより鮮鋭度が互いに異なる複数の画像を生成してもよい。その場合、マルチレベルデータ生成部は、画素値の差の絶対値が閾値以下である隣接画素のまとまりをセグメントとし、各セグメントを構成する画素の画素値をそのセグメントにおける平均画素値で置換する。マルチレベルデータ生成部は、この閾値を複数通りに変更することにより、鮮鋭度が互いに異なる複数の画像を生成する。隣接画素をまとめるための閾値が高いほど生成される画像の鮮鋭度は低くなり、隣接画素をまとめるための閾値が低いほどその鮮鋭度は高くなる。
あるいは、マルチレベルデータ生成部は、情報レベルが高いほどコントラストを高くし、情報レベルが低いほどコントラストを低くした複数の画像を生成してもよい。その場合、マルチレベルデータ生成部は、入力された画像に対して、画像内の全画素の輝度値の標準偏差が小さくなるように各画素の輝度値を変換した画像を生成する。
図6にマスキング領域について説明するための模式図を示す。図6に示す例では、サイズが互いに異なるマスキング領域600、601、602は、各マスキング領域の中央位置が、それぞれ画像603の中央位置604に一致するように設定される。
マスキング領域のサイズが大きいほど生成される画像のマスキング度合いが高くなってその画像に表れる人体の特徴の正確性が低くなるので情報レベルは低くなり、マスキング領域のサイズが小さいほどそのマスキング度合いが低くなってその情報レベルは高くなる。なお、マスキング度合いが最も低い画像として、マスキング領域のサイズが0の画像、すなわち元の画像を利用することができる。
例えば、人体特徴量としてHOG特徴量を用いる場合、マルチレベルデータ生成部は、分析レベルを互いに異ならせた複数の変更データとして、分析レベルが高いほど特徴量を表現する量子化数を多くし、分析レベルが低いほど特徴量を表現する量子化数を少なくした複数の変更データを生成することができる。上述したように、HOG特徴量は画像内の各セルにおける各勾配方向の勾配強度の総和のヒストグラムとして求められる。マルチレベルデータ生成部は、ヒストグラムの量子化数、すなわち勾配方向の数を2、3、4、…、9と、予め設定された範囲で複数通りに変更することにより、分析レベルを変更する。量子化数が少ないほど人体の特徴が失われていくため抽出される特徴量の情報レベルは低くなり、逆に量子化数が多いほどその情報レベルは高くなる。
あるいは、マルチレベルデータ生成部は、各特徴量に対して重み付けを行うことにより、分析レベルを変更してもよい。例えば、特徴量としてHOG特徴量を用いる場合、マルチレベルデータ生成部は、部分画像の中心位置に近いセルと部分画像の中心位置から離れている縁部のセルとで異なる重み係数を設定し、各セルのヒストグラムにこの重み係数を乗じることにより分析レベルを変更する。この場合、部分画像の中心位置のセルと縁部のセルで重み係数の差が大きいほど人体の特徴が失われていくため抽出される特徴量の情報レベルは低くなり、逆に重み係数の差が小さいほどその情報レベルは高くなる。
また、例えば、マルチレベルデータ生成部は、分析レベルを互いに異ならせた複数の変更データとして、特徴量を構成する各要素に分析レベルが高いほど大きく、分析レベルが低いほど小さい1以下の正の係数α(0<α≦1.0)をそれぞれ乗じた複数の変更データを生成する。マルチレベルデータ生成部は、係数αを例えば0.1、0.2、0.3、…、1.0と、予め設定された範囲で複数通りに変更する。例えば、ハールライク特徴量を用いる場合、ハールライク特徴量として算出された複数の隣接矩形領域間の輝度差のそれぞれにαを乗じて変更データを生成する。αが小さいほど人体の特徴が失われていくため求められる特徴量の情報レベルは低くなり、逆にαが大きいほどその情報レベルは高くなる。
例えば、マルチレベルデータ生成部は、部分画像を回転させることにより幾何変換を行う。画像に写っている検出対象は回転角度が大きいほど多くの学習用画像における検出対象の傾きと異なるものとなるため、回転後の画像が検出対象の特徴表現に適する程度は低下して、情報レベルは低くなる。この場合、マルチレベルデータ生成部は、情報レベルが高いほど小さい回転角度で情報レベルが低いほど大きい回転角度で部分画像をそれぞれ回転させた複数の個別レベル画像を生成する。
また、特徴量がハールライク特徴量である場合、マルチレベルデータ生成部は、事前学習により決定された各弱識別器に入力するハールライク特徴量に対応する隣接矩形領域ごとに、その隣接矩形領域を回転させて、回転させた隣接矩形領域間の輝度差をその弱識別器に入力するハールライク特徴量として求める。この場合、マルチレベルデータ生成部は、事前学習により決定された各弱識別器に入力するハールライク特徴量に対応する隣接矩形領域ごとに、その隣接矩形領域を回転させる回転角度を0°〜180°の間で段階的に回転させながら複数のハールライク特徴量を求め、情報レベルを互いに異ならせた複数の変更データとして用いる。
特徴量を回転させるこれらの処理は、画像を回転させるよりも低い負荷で行うことができる。
例えば、マルチレベルデータ生成部は、入力された画像の四辺のうち何れか一辺を短くする台形変換を行い、情報レベルが高いほど当該一辺とその対辺の比が1に近く、情報レベルが低いほど上記比が1から離れた複数の変更データを生成する。
あるいは、マルチレベルデータ生成部は、入力された画像における四つの内角の角度を変更する幾何変換を行い、情報レベルが高いほど変換後の各角度が90°に近く、情報レベルが低いほど変換後の各角度が90°から離れた複数のデータを生成する。
本実施形態による監視装置は、複数の変更処理によって、入力データから検出対象を表現する程度を互いに異ならせた複数の変更データを生成し、生成した複数の変更データについて算出された評価値をまとめて評価値系列を生成する。監視装置は、異なる変更処理によって生成された変更データに基づく評価値系列を用いて入力データに検出対象が含まれるか否かを判定することにより、入力データから検出対象を検出する精度のさらなる向上を図る。
なお、制御部25が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、マルチレベルデータ生成部252が二つの変更処理によって変更データを生成する例について説明する。マルチレベルデータ生成部252は、一つの入力データから、第1変更処理によって検出対象を表現する程度を互いに異ならせた複数の第1変更データを生成するとともに、第1変更処理とは異なる第2変更処理によって検出対象を表現する程度を互いに異ならせた複数の第2変更データを生成する。例えば、マルチレベルデータ生成部252は、第1変更処理を平均化フィルタにより検出対象を表現する程度を変更する処理とし、第2変更処理をノイズ付加により検出対象を表現する程度を変更する処理とする。
なお、第1変更処理および第2変更処理の組み合わせはこれ以外の組み合わせとすることもでき、第1の実施形態における変形例として上述した各種変更処理の中から互いに異なる任意の変更処理を組み合わせることができる。また、組み合わせる数を三種類以上とすることもできる。
マルチレベルデータ生成部252は、部分画像に、情報レベルが高いほどフィルタサイズが小さく、情報レベルが低いほどフィルタサイズが大きい平均化フィルタをそれぞれ適用することにより、情報レベルが互いに異なる33個の第1変更データを生成する。また、マルチレベルデータ生成部252は、部分画像に、情報レベルが高いほど少ない量のノイズを、情報レベルが低いほど多い量のノイズをそれぞれ重畳することにより、情報レベルが互いに異なる10個の第2変更データを生成する。
マルチレベルデータ生成部252は、生成した第1変更データおよび第2変更データを一つのグループの変更データとして評価値算出部253に送る。
なお、第1系列および第2系列における順序は対応する情報レベルの降順又は別の順序とすることもでき、事前学習時の順序と対象検出時の順序が同一であればよい。
図7Aのグラフ700に示すように、入力データに検出対象が含まれる場合、レベルが25〜32の領域と、34〜43の領域の二箇所で、レベルの上昇に従って評価値が急激に上昇する傾向が見られる。一方、図7Bのグラフ710に示すように、入力データに検出対象が含まれない場合、そのような傾向は見られない。このように、複数の種類の情報レベルについて評価値系列を生成すると、入力データに検出対象が含まれる場合は、情報レベルの種類の数だけ特定の傾向が表れ、入力データに検出対象が含まれる場合はその傾向は表れないため、監視装置20は、検出対象を検出する精度をより向上することができる。
本実施形態による監視装置は、情報レベルにて規定される予め設定した順序にて評価値を並べた原系列を平滑化して評価値系列を生成し、平滑化された評価値系列を用いて入力データに検出対象が含まれるか否かを判定する。これにより、監視装置は、情報レベルに応じた評価値の細かな変化の影響を除去して、入力データから検出対象を検出する精度のさらなる向上を図る。
なお、制御部35が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。
図9Aのグラフ900に示すように、原系列では、情報レベルが16〜18、22〜23の領域のように情報レベルが中程度の領域であるにも関わらず情報レベルの上昇に従って評価値が上昇したり、情報レベルが29〜30の領域のように情報レベルが高い領域であるにも関わらず情報レベルの上昇に従って評価値が下降する場合がある。一方、図9Bのグラフ910に示すように、グラフ900の原系列を平滑化することにより、評価値は、情報レベルが中程度の領域では情報レベルの上昇に従って安定して下降し、情報レベルが高い領域では情報レベルの上昇に従って安定して上昇する。したがって、監視装置10は、検出対象を検出する精度をより向上することができる。
さらに、入力データは、画像データに限定されず、例えば音響信号としてもよい。その場合、検出対象は、例えば悲鳴とすることができる。対象検出装置は、悲鳴の発生の有無を監視する監視空間における音から生成した音響信号から有音区間の信号を切り出し、切り出した信号から、情報レベルが互いに異なる複数の信号を生成し、生成した各信号から悲鳴らしさの度合いを表す評価値を算出する。そして、対象検出装置は、算出した評価値を所定順序に並べた評価値系列を生成する。さらに、対象検出装置は、生成した評価値系列を、悲鳴が含まれる音響信号について生成された評価値系列と、含まれない音響信号について生成された評価値系列とを用いて予め学習された系列識別器に入力して、音響信号に悲鳴が含まれるか否かを判定する。
さらに、入力データは、ドップラ信号としてもよい。その場合、検出対象は、例えば人体の移動とすることができる。対象検出装置は、監視領域に電磁波を送信して得られる反射波に含まれるドップラ成分のみを抽出し、ドップラ信号とする。対象検出装置は、ドップラ信号から切り出した信号から、情報レベルが互いに異なる複数の信号を生成し、生成した各信号から人体らしさの度合いを表す評価値を算出する。そして、対象検出装置は、算出した評価値を所定順序に並べた評価値系列を生成する。さらに、対象検出装置は、生成した評価値系列を、人体の移動に起因するドップラ信号について生成された評価値系列と、人体の移動に起因しないドップラ信号について生成された評価値系列とを用いて予め学習された系列識別器に入力して、ドップラ信号が人体の移動に起因するか否かを判定する。
15、25、35 制御部
150、250、350 データ入力部
151、251、351 切り出し部
152、252、352 マルチレベルデータ生成部
153、253、353 評価値算出部
154、254、354 評価値系列生成部
155、255、355 対象判定部
156、256、356 通知制御部
Claims (3)
- データ入力部から取得した入力データに検出対象が含まれるか否かを判定する対象検出装置であって、
前記入力データから、前記検出対象を表現する程度である情報レベルを互いに異ならせた変更データを生成するマルチレベルデータ生成部と、
前記変更データのそれぞれに対し、前記検出対象らしさの度合いを表す評価値を算出する評価値算出部と、
前記情報レベルにて規定される予め設定した順序にて前記評価値を並べて評価値系列を生成する評価値系列生成部と、
前記評価値系列が前記検出対象を含む入力データから生成されたか否かを識別するための識別情報により前記入力データに前記検出対象が含まれるか否かを判定する対象判定部と、
を有することを特徴とする対象検出装置。 - 前記マルチレベルデータ生成部は、第1変更処理によって前記入力データから前記検出対象を表現する程度を互いに異ならせた第1変更データを生成するとともに、前記第1変更処理とは異なる第2変更処理によって前記入力データから前記検出対象を表現する程度を互いに異ならせた第2変更データを生成し、前記第1変更データおよび前記第2変更データを前記変更データとする、請求項1に記載の対象検出装置。
- 前記評価値系列生成部は、前記情報レベルにて規定される予め設定した順序にて前記評価値を並べた原系列を平滑化して前記評価値系列を生成する、請求項1又は2に記載の対象検出装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013160843A JP6113018B2 (ja) | 2013-08-01 | 2013-08-01 | 対象検出装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013160843A JP6113018B2 (ja) | 2013-08-01 | 2013-08-01 | 対象検出装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015032119A true JP2015032119A (ja) | 2015-02-16 |
JP6113018B2 JP6113018B2 (ja) | 2017-04-12 |
Family
ID=52517387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013160843A Active JP6113018B2 (ja) | 2013-08-01 | 2013-08-01 | 対象検出装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6113018B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017147490A (ja) * | 2016-02-15 | 2017-08-24 | セコム株式会社 | 空間認識装置 |
JP2018522339A (ja) * | 2015-06-05 | 2018-08-09 | 北京京東尚科信息技術有限公司Beijing Jingdong Shangke Information Technology Co., Ltd. | 商品画像特徴に基づく個性化捜索装置および方法 |
JP2019159820A (ja) * | 2018-03-13 | 2019-09-19 | オムロン株式会社 | 検査装置、画像識別装置、識別装置、検査方法、及び検査プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008053667A1 (fr) * | 2006-10-31 | 2008-05-08 | National Institute Of Advanced Industrial Science And Technology | Système d'estimation de structure, procédé d'estimation de structure et programme |
JP2009093611A (ja) * | 2007-10-11 | 2009-04-30 | Mwtec Software Gmbh | 三次元オブジェクト認識のためのシステムおよび方法 |
JP2013525905A (ja) * | 2010-04-20 | 2013-06-20 | クゥアルコム・インコーポレイテッド | 事前計算されたスケール空間からのデイジー記述子生成 |
-
2013
- 2013-08-01 JP JP2013160843A patent/JP6113018B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008053667A1 (fr) * | 2006-10-31 | 2008-05-08 | National Institute Of Advanced Industrial Science And Technology | Système d'estimation de structure, procédé d'estimation de structure et programme |
JP2009093611A (ja) * | 2007-10-11 | 2009-04-30 | Mwtec Software Gmbh | 三次元オブジェクト認識のためのシステムおよび方法 |
JP2013525905A (ja) * | 2010-04-20 | 2013-06-20 | クゥアルコム・インコーポレイテッド | 事前計算されたスケール空間からのデイジー記述子生成 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018522339A (ja) * | 2015-06-05 | 2018-08-09 | 北京京東尚科信息技術有限公司Beijing Jingdong Shangke Information Technology Co., Ltd. | 商品画像特徴に基づく個性化捜索装置および方法 |
JP2017147490A (ja) * | 2016-02-15 | 2017-08-24 | セコム株式会社 | 空間認識装置 |
JP2019159820A (ja) * | 2018-03-13 | 2019-09-19 | オムロン株式会社 | 検査装置、画像識別装置、識別装置、検査方法、及び検査プログラム |
WO2019176990A1 (ja) * | 2018-03-13 | 2019-09-19 | オムロン株式会社 | 検査装置、画像識別装置、識別装置、検査方法、及び検査プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP6113018B2 (ja) | 2017-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766786B (zh) | 活性测试方法和活性测试计算设备 | |
CN110298297B (zh) | 火焰识别方法和装置 | |
EP3333768A1 (en) | Method and apparatus for detecting target | |
US9008365B2 (en) | Systems and methods for pedestrian detection in images | |
Ko et al. | Spatiotemporal bag-of-features for early wildfire smoke detection | |
WO2018105112A1 (ja) | 水上侵入検知システムおよびその方法 | |
JP6032921B2 (ja) | 物体検出装置及びその方法、プログラム | |
US9294665B2 (en) | Feature extraction apparatus, feature extraction program, and image processing apparatus | |
US20060126938A1 (en) | Apparatus, method, and medium for detecting face in image using boost algorithm | |
JP4533836B2 (ja) | 変動領域検出装置及びその方法 | |
US20150262068A1 (en) | Event detection apparatus and event detection method | |
JP5106356B2 (ja) | 画像監視装置 | |
JP2008146539A (ja) | 顔認証装置 | |
CN108416291B (zh) | 人脸检测识别方法、装置和系统 | |
JP5290227B2 (ja) | 対象物検知装置及びその学習装置 | |
US9704024B2 (en) | Object discriminating apparatus and method | |
US11334759B2 (en) | Information processing apparatus, information processing method, and medium | |
Song et al. | Background subtraction based on Gaussian mixture models using color and depth information | |
JP6113018B2 (ja) | 対象検出装置 | |
US20200013172A1 (en) | Object tracking device and object tracking method | |
KR101769741B1 (ko) | 동공 탐지를 통한 홍채 인식 방법 및 홍채 인식 장치 | |
KR101515308B1 (ko) | 얼굴 자세 추정 장치 및 그 방법 | |
JP2010277431A (ja) | 対象物検出装置 | |
CN111753775A (zh) | 鱼的生长评估方法、装置、设备及存储介质 | |
Soundrapandiyan et al. | Robust pedestrian detection in infrared images using rotation and scale invariant-based structure element descriptor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160412 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20161206 |
|
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: 20170214 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170314 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6113018 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 |