JP2015187770A - 画像認識装置、画像認識方法及びプログラム - Google Patents

Abstract

【課題】物体の色が予め分かっている場合に、処理負荷を軽減して効率良く特定色の物体を識別できるようにする。【解決手段】まず、クエリ画像から検索対象の色属性を取得し、取得した色属性に基づく色成分に対応する認識辞書を選択する。次に、カメラからの入力画像から部分領域を抽出し、抽出した部分領域の画像から色勾配を算出する。このとき、クエリ画像の検索対象に係る色成分についてのみ色勾配を算出して、特徴量を取得する。そして、この特徴量と、その色成分に対応する認識辞書とを照合して部分領域が検索対象であるか否かを判定する。【選択図】図１

Description

本発明は、特に、カメラ映像から特定の物体を検出するために用いて好適な画像認識装置、画像認識方法及びプログラムに関する。

近年、人物を監視することを目的として、大量の監視カメラが導入されている。このような監視カメラの業務を支援する監視カメラシステムは数多く提案されているが、その中でも特定の人物を数多くの監視カメラの映像の中から検索する処理は、重要なアプリケーションの１つである。

特定の人物を大規模な監視カメラシステムのカメラ映像から探したい場合、以下のようなシナリオが想定される。例えば、検索対象の人物がどこに何時頃現れたかの情報によって監視カメラ及び時間を絞り込み、過去のカメラ映像の中からその人物が映っている画像（人物画像）を検索する。さらに検索対象の人物が現在どこにいるかを多くのカメラ映像から検索する。しかしながら、現実的に多くのカメラ映像から迅速に特定の人物画像を検索することは不可能であり、検索に多くの時間を要すると検索対象の人物が別の場所に移動してしまうという問題がある。そこで、過去のカメラ映像から検索した人物画像をクエリとして自動的に類似する人物を検索するアプリケーションが重要になってくる。

例えば、クエリとして得た人物が赤い服を着た人物であるものとする。そのような場合に、カメラ映像の各フレーム画像から人物領域を検出し、検出した人物領域の服装部分に対して色特徴を取得してクエリと比較することによって検索候補を得るという方法が考えられる。画像から人物領域を検出する方法は、例えば、非特許文献１に開示されている。

この方法によると、入力画像から抽出した数多くの検出ウインドウを予め膨大な数の人物画像を用いて学習した辞書データと照合することによって高精度に人物領域を検出できるようにしている。さらに、積分画像を利用して人物の検出に有効なHistogram of Oriented Gradients（以後、ＨＯＧと称す）特徴を求め、アダブースト学習で得たカスケード型識別器を適用することによって処理の高速化を実現している。なお、カスケード型識別器は、複数の識別器を直列に結合することによって効率よく検索対象を絞り込んでいくための識別器である。

Q. Zhu, S. Avidan, M. C. Yeh, and K. T. Cheng. FastHuman Detection Using a Cascade of Histograms of Oriented Gradients. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2006. Navneet Dalal and Bill Triggs. Histograms of Oriented Gradients for Human Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2005.

非特許文献１に記載の方法では、ＨＯＧ特徴を抽出する際に画像のＲＧＢ夫々の画素値の勾配を算出し、最も勾配の強い色成分を選択してエッジ方向別の勾配ヒストグラムを求めている。しかしながら、例えば、予め赤い服を着た人物を検出すると予め分かっている場合には、Ｒ成分の勾配から人物の輪郭を抽出するのに十分な特徴量を抽出することができる。一方、赤い服を着た人物を検索しようとするとき、人物領域の検出において必要のない人物（例えば、赤い服を着ていない人物）を検出することは効率のよい方法とは言えない。したがって、予め赤い服を着た人物を検出すると予め分かっている場合には、ＧおよびＢの色成分での処理が無駄になってしまい、処理時間及び処理の負荷が大きくなってしまう。

本発明は前述の問題点に鑑み、物体の色が予め分かっている場合に、処理負荷を軽減して効率良く特定色の物体を識別できるようにすることを目的としている。

本発明に係る画像認識装置は、画像を取得する画像取得手段と、前記画像取得手段によって取得された画像から部分領域を抽出する抽出手段と、記抽出手段によって抽出された部分領域の画像から特徴量を算出する算出手段と、前記画像から検索するための検索対象を含むクエリ画像を指定する指定手段と、前記指定手段によって指定されたクエリ画像の検索対象から色属性を取得する色属性取得手段と、前記検索対象を識別するための辞書を記憶する辞書記憶手段と、前記算出手段によって算出された特徴量と前記辞書記憶手段に記憶された辞書とを照合して前記部分領域が前記検索対象か否かを判定する判定手段とを備え、前記算出手段は、前記色属性取得手段によって取得された検索対象の色属性に基づく特徴量を算出することを特徴とする。

本発明によれば、物体の色が予め分かっている場合に、処理負荷を軽減して効率良く特定色の物体を識別することができる。

本発明の第１の実施形態に係る画像認識装置の機能構成例を示すブロック図である。 本発明の実施形態における画像認識装置および監視カメラのネットワーク構成例を示す図である。 本発明の第１の実施形態において、カメラ映像から特定の人物を検索する処理手順の一例を示すフローチャートである。 クエリ画像を取得する方法を説明するための図である。 本発明の第２の実施形態に係る画像認識装置の機能構成例を示すブロック図である。 本発明の第２の実施形態において、クエリ画像から色成分を選択する処理手順の一例を示すフローチャートである。 本発明の第３の実施形態に係る画像認識装置の機能構成例を示すブロック図である。 本発明の実施形態に係る画像認識装置のハードウェア構成例を示すブロック図である。

（第１の実施形態）
以下、本発明に係る第１の実施形態について、図面に基づいて説明する。
図８は、本実施形態に係る画像認識装置１００のハードウェア構成例を示すブロック図である。
本実施形態に係る画像認識装置１００は、ＣＰＵ（Central Processing Unit）１、記憶装置２、入力装置３、及び出力装置４を含んで構成されている。なお、各装置は、互いに通信可能に構成され、バス等により接続されている。

ＣＰＵ１は、画像認識装置１００の動作を制御し、記憶装置２に格納されたプログラムの実行等を行う。記憶装置２は、磁気記憶装置、半導体メモリ等のストレージデバイスであり、ＣＰＵ１の動作に基づいて読み出されるプログラムや、長時間記憶する必要があるデータ等を記憶する。本実施形態では、ＣＰＵ１が、記憶装置２に格納されたプログラムの手順に従って処理を行うことによって、画像認識装置１００における機能及び後述するフローチャートに係る処理が実現される。

入力装置３は、マウス、キーボード、タッチパネルデバイス、ボタン等の操作部材であり、各種の指示を入力する。出力装置４は、液晶パネル、外部モニタ等であり、各種の情報を出力する。なお、画像認識装置１００のハードウェア構成は、上述した構成に限られるものではない。例えば、画像認識装置１００は、各種の装置間で通信を行うためのＩ／Ｏ装置を備えてもよい。例えば、Ｉ／Ｏ装置は、メモリーカード、ＵＳＢケーブル等の入出力部、有線、無線等による送受信部である。

図１は、本実施形態に係る画像認識装置１００の機能構成例を示すブロック図である。画像認識装置１００の処理及び機能は、図１に示す各部により実現される。また、本実施形態に係る画像認識装置１００は、図２に示すように、複数の監視カメラ（第１のカメラ１１、第２のカメラ１２、・・・、第Ｎのカメラ１Ｎ）と、有線または無線のネットワークにより接続されているものとする。

図１において、画像取得部１０１は、被検索対象である第１のカメラ１１〜第Ｎのカメラ１Ｎからそれぞれ入力画像を取得する。取得した各入力画像は、撮影したカメラ、撮影時刻に対応付けて管理され、記憶装置２に記憶される。部分領域抽出部１０２は、画像取得部１０１で取得した入力画像から部分領域を抽出する。特徴抽出部１０３は、部分領域抽出部１０２で抽出した部分領域の画像から特徴量を抽出する。なお、詳細な内容については後述するが、特徴抽出部１０３は、色勾配算出部１３１、勾配方向ヒストグラム抽出部１３２、および色成分選択部１３３により構成されている。

クエリ画像取得部１０４は、検索対象の人物画像（クエリ画像）を取得する。この人物画像は、画像取得部１０１が予め取得し、記憶装置２に記憶されている入力画像の中から、ユーザの操作によって入力装置３より指定される。色属性取得部１０５は、クエリ画像取得部１０４で取得したクエリ画像から検索対象の色属性を取得する。認識辞書記憶部１０６は、特定のオブジェクトを識別するための認識辞書を記憶する。本実施形態では、人物を識別するための複数の辞書が記憶されている。夫々の辞書は人物の服装の色属性に対応した辞書であり、予め多数の画像パターンから機械学習によって得られた識別パラメータからなる。

パターン照合部１０７は、特徴抽出部１０３で抽出した特徴量と認識辞書記憶部１０６に記憶されている認識辞書とを照合し、部分領域抽出部１０２で抽出した部分領域の画像が検索対象の人物であるかどうかを判定する。辞書選択部１０８は、色属性取得部１０５で取得した検索対象の色属性に基づいて認識辞書記憶部１０６に記憶されている複数の認識辞書から１つの辞書を選択する。検索結果表示部１０９は、パターン照合部１０７で検索対象の人物であると判定した部分領域の画像を出力装置４に出力する。

以下、本実施形態に係る画像認識装置１００の動作について説明する。以下、図２に示す第１のカメラ１１、第２のカメラ１２、・・・、第Ｎのカメラ１Ｎのうち、いずれか１つのカメラ映像から人物画像を検索する例について説明する。

図３は、本実施形態において、カメラ映像から特定の人物を検索する処理手順の一例を示すフローチャートである。
まず、クエリ画像取得部１０４は、記憶装置２に記憶されている画像から検索対象の人物画像を取得する（Ｓ３０１）。この処理では、前述したように、画像取得部１０１が予め取得し、記憶装置２に記憶されている画像の中から、ユーザの操作によって人物画像が指定される。

例えば、検索対象の人物がどこに何時頃いたかという情報を手掛かりに、ユーザの操作に応じて、記憶装置２に記憶されている画像を、カメラおよび撮影時刻で絞り込む。その中から、ユーザは絞り込んだ画像を出力装置４で確認しながら入力装置３を操作し、検索対象の人物が写っている画像を探し出す。さらに、ユーザの操作により、探し出した画像の中において対象となる人物が写っている矩形の部分領域をクエリ画像として指定する。図４には、クエリ画像を切り出す例を示している。入力装置３の操作により、図４（ａ）に示す全体画像４０１から部分領域４０２が指定され、図４（ｂ）に示すクエリ画像４０３が得られる。

次に、色属性取得部１０５は、Ｓ３０１で取得したクエリ画像から検索対象の色属性を取得する（Ｓ３０２）。本実施形態では、クエリ画像の所定の部分領域から色属性を取得する。図４（ｂ）に示す例では、クエリ画像４０３の部分領域４０４から色属性を取得し、クエリ画像４０３中の部分領域４０４内の画素値の平均のＲＧＢ値を検索対象の色属性とする。本実施形態では、平均ＲＧＢ値を色属性とするが、その他にも、例えば、部分領域４０４内の画素値のＲＧＢ夫々の中央値や最頻値を色属性として取得してもよい。

次に、色成分選択部１３３は、Ｓ３０２で取得した検索対象の色属性から、特徴抽出部１０３で抽出する特徴量の色成分を選択する（Ｓ３０３）。この処理では、色属性取得部１０５で取得した平均のＲＧＢ値をもとに予め作成したテーブルを参照して色成分を選択する。例えば、平均のＲＧＢ値のＲ成分が他の成分より著しく大きい場合は、特徴量を抽出する色成分としてＲ成分を選択する。また、平均ＲＧＢ値の各成分が同レベルである場合は特徴量を抽出する色成分としてＲＧＢ全成分を選択する。

次に、辞書選択部１０８は、Ｓ３０３で選択した色成分に基づいて、認識辞書記憶部１０６に記憶されている複数の認識辞書から１つの辞書を選択する（Ｓ３０４）。認識辞書記憶部１０６には、選択した色成分毎に関連付けられて人物を検出するための認識辞書が複数記憶されており、辞書選択部１０８は、色成分選択部１３３が選択した色成分に対応した認識辞書を選択する。例えば、色成分選択部１３３がＲ成分を選択した場合は、Ｒ成分用の認識辞書を選択する。なお、認識辞書記憶部１０６に記憶される認識辞書の学習方法の詳細については後述する。

次に、画像取得部１０１は、図２に示した何れか１つのカメラのカメラ映像から入力画像として１つのフレーム画像を抽出する（Ｓ３０５）。そして、部分領域抽出部１０２は、Ｓ３０５で取得した入力画像から部分領域を抽出する（Ｓ３０６）。この処理では、取得した入力画像から所定の大きさの矩形の部分領域を検出ウインドウとして所謂スライディングウインドウ探索によって順次切り出していく。このとき、様々な大きさの検出ウインドウを切り出すが、所定の大きさに正規化する。

次に、特徴抽出部１０３の色勾配算出部１３１は、Ｓ３０６で抽出した部分領域の画像から色勾配を算出する（Ｓ３０７）。このとき、部分領域抽出部１０２で抽出した部分領域において、色成分選択部１３３で選択された色成分についてのみ色勾配を算出する。ここで色勾配ｇ（ｉ，ｊ）は、注目する画素（ｉ，ｊ）に対する水平方向、垂直方向の隣接画素との特定色成分の画素値の差の絶対値をそれぞれｇｘ（ｉ，ｊ）、ｇｙ（ｉ，ｊ）としたとき、以下の式（１）により算出される。
g(i,j)＝sqrt（gx(i,j)×gx(i,j)＋gy(i,j)×gy(i,j)） ・・・（１）

但し、sqrt（）は平方根演算を表す。Ｓ３０７において、色勾配算出部１３１は、抽出された部分領域内の全画素位置について色勾配を算出する。

次に、特徴抽出部１０３の勾配方向ヒストグラム抽出部１３２は、Ｓ３０７で算出された色勾配から勾配方向ヒストグラムとしてＨＯＧ特徴を抽出する（Ｓ３０８）。この処理ではまず、抽出された部分領域を複数のブロックに分割する。本実施形態では、非特許文献２に開示されている方法に従い、画像パターンを所定数のブロックに分割し、夫々のブロックの色勾配からから９ビンのＨＯＧ特徴を求める。そして、ブロック毎に求めたＨＯＧ特徴を連結する。

次に、パターン照合部１０７は、Ｓ３０８で取得した特徴量（ＨＯＧ特徴）と認識辞書記憶部１０６に記憶されている認識辞書とを照合し、Ｓ３０６で抽出した部分領域が検索対象の人物であるかどうかを判定する（Ｓ３０９）。すなわち、特徴抽出部１０３で抽出したＨＯＧ特徴と、認識辞書記憶部１０６に記憶されている識別パラメータとの内積演算を行い、演算結果が０以上かどうかを判定する。演算する識別パラメータは、Ｓ３０４で辞書選択部１０８により選択された認識辞書の識別パラメータを用いる。この判定の結果、演算結果が０よりも小さい場合はその部分領域は検索対象でないと判定してＳ３０６に処理を移し、次の検出ウインドウが示す部分領域を抽出する。一方、Ｓ３０９の判定の結果、演算結果が０以上の場合は、その部分領域は検索対象であると判定し、検索結果表示部１０９は、判定結果を出力装置４に出力する（Ｓ３１０）。なお、全ての検出ウインドウに対してパターン照合を行った結果、検索対象が１つもなかった場合はＳ３１０の処理を行わず、Ｓ３１１に進む。

次に、全てのフレーム画像で処理が終了したか否かを判定する（Ｓ３１１）。この判定の結果、まだ処理を行っていないフレーム画像がある場合はＳ３０６に戻り、画像取得部１０１は、入力画像として次のフレーム画像を抽出する。一方、Ｓ３１１の判定の結果、すべてのフレーム画像で処理を行った場合は、そのまま処理を終了する。

（認識辞書の学習方法）
次に、認識辞書記憶部１０６に記憶する認識辞書の学習方法について説明する。まず、画像取得部１０１が予め取得して記憶装置２に記憶された画像から、人物領域が入力装置３によって指定される。この人物領域は例えば図４（ａ）に示す部分領域４０２である。そして、指定した人物領域の画像が、前述の部分領域抽出部１０２の処理に倣い、部分領域抽出部１０２が抽出する部分領域と同じ大きさに正規化される。

次に、抽出した部分領域の画像から色属性取得部１０５、色成分選択部１３３の処理を通して特徴量を抽出する色成分が選択される。そして、部分領域の画像から選択された色成分に基づいて色勾配算出部１３１により色勾配が算出され、勾配方向ヒストグラム抽出部１３２の処理を通してＨＯＧ特徴が抽出される。

以上の処理を大量の人物領域の画像に対して行い、機械学習用の正例として色成分毎にＨＯＧ特徴を分類しておく。一方、人物以外の領域から同様にして大量のＨＯＧ特徴を取得し、機械学習用の負例とする。そして、分類しておいた正例として用いる色成分毎に、正例および負例を用いて線形Support Vector Machineの学習を行い、識別パラメータを得る。なお、識別パラメータの学習では、線形Support Vector Machine以外にも、例えば、非特許文献１にあるブースティングを用いてもよい。

以上のように本実施形態によれば、特徴量を算出する際に、検索対象の色属性に基づいて特徴量を抽出する色成分を選択し、識別に必要な色成分の色勾配のみ算出するようにした。また、予め色成分毎に学習を行った認識辞書を複数記憶し、検索対象の色属性に基づいて適切な辞書を選択して人物かどうかの判定を行うようにした。これにより、特徴量を算出する処理を軽減することができる。

（第２の実施形態）
第１の実施形態では、検索対象から色成分の選択する際に、ヒューリスティックな手法で色属性を取得して色成分を選択した。これに対して本実施形態では、統計的な手法で検索対象から色成分を選択する方法を説明する。なお、本実施形態における画像の取得処理、特徴量を抽出する処理、パターンを照合する処理等のその他の機能および動作は第１の実施形態と同様であるため説明を省略する。以下、第１の実施形態と異なる点を中心に説明する。

図５は、本実施形態に係る画像認識装置５００の機能構成例を示すブロック図である。図１に示した構成と比較して、色属性取得部１０５および色成分選択部１３３の代わりに、色成分選択部５０１を備えている。色成分選択部５０１は、さらに画像正規化部５１１、色成分切替部５１２、および色成分決定部５１３により構成されている。

本実施形態におけるカメラ映像から特定の人物を検索する処理手順は、図３のＳ３０２およびＳ３０３を除いて同様であるため、重複する部分の説明は省略する。以下、図３のＳ３０２およびＳ３０３の処理に代わる、クエリ画像から色成分を選択する動作について、図６を参照しながら説明する。

図６は、クエリ画像から色成分を選択する処理手順の一例を示すフローチャートである。本実施形態においては、図３のＳ３０２およびＳ３０３の処理の代わりに、図６に示す処理を行う。
まず、色成分選択部５０１の画像正規化部５１１は、クエリ画像取得部１０４からクエリ画像を取得し、クエリ画像を所定の大きさに正規化する（Ｓ６０１）。正規化する大きさは学習に用いる画像パターンの大きさに統一する。

次に、色成分切替部５１２は、パターン照合を行う色成分を仮設定する（Ｓ６０２）。そして、辞書選択部１０８は、Ｓ６０２で仮設定した色成分に基づいて、認識辞書記憶部１０６に記憶されている複数の認識辞書から１つの辞書を選択する（Ｓ６０３）。次に、色勾配算出部１３１は、Ｓ６０２で正規化したクエリ画像から色勾配を算出する（Ｓ６０４）。そして、勾配方向ヒストグラム抽出部１３２は、Ｓ６０４で抽出した色勾配からＨＯＧ特徴を抽出する（Ｓ６０５）。

次に、パターン照合部１０７は、Ｓ６０５で抽出した特徴量とＳ６０３で選択した認識辞書とを照合する（Ｓ６０６）。このとき、第１の実施形態と同様に、抽出したＨＯＧ特徴と識別パラメータとの内積演算を行うが、本実施形態では内積演算結果を人物らしさの指標として用いるため、内積演算結果を色成分選択部５０１に出力する。

次に、以上のＳ６０２からＳ６０６の処理を、全ての色成分およびその組合せについて行ったか否かを判定する（Ｓ６０７）。この判定の結果、処理を行っていない色成分または組み合わせが存在する場合はＳ６０２に戻り、処理を繰り返す。一方、全ての色成分およびその組合せについて処理を行った場合は、色成分決定部５１３は、色成分毎にパターン照合部１０７で求めた内積演算結果を比較し、最大の値を出力する色成分を、特定の人物を検索する際に用いる色成分として決定する（Ｓ６０８）。

以上のように本実施形態では、統計的な手法により検索対象から色成分を選択するようにした。具体的には、入力画像を識別するための特徴抽出処理およびパターン照合処理と同じ方法でクエリ画像を識別し、人物らしさが最大となる色成分を選択するようにした。これにより、より精度良く人物を検索することができる。

（第３の実施形態）
第１の実施形態では、検索対象から色成分の選択し、識別に必要な色成分についてのみ色勾配を算出した。この方法では、色勾配の算出処理を削減できるものの、カメラ映像から画像取得部１０１で取得した全ての色成分の画像を保持しておく必要がある。このような方法は比較的記憶容量の大きい記憶装置を備える汎用コンピュータ等で実施する場合にはよいが、記憶容量の小さい半導体メモリしか組込めない機器で実施する場合は処理速度が低下する。以下、本実施形態では、必要な記憶容量を削減するための方法を示す。

図７は、本実施形態に係る画像認識装置７００の機能構成例を示すブロック図である。図７において、図１と重複する構成については同じ符号を付しており、説明は省略する。以下、第１の実施形態と異なる点を中心に説明する。

本実施形態では、カメラ映像から画像取得部１０１で取得した画像（フレーム）を画像記憶部７０１に保持しておく。このとき、クエリ画像の色属性に基づいて、色成分選択部７０２が選択した色成分によって画像記憶部７０１に特定色成分の画像を選択的に記憶する。そして、部分領域抽出部１０２は、画像記憶部７０１に保持した特定色成分の画像から部分領域を抽出する。そして、特徴抽出部７０３は部分領域抽出部１０２で抽出した部分領域の画像から特徴量を抽出する。以上のように構成することにより、画像記憶部７０１に必要な色成分の画像のみを保持して記憶容量を削減することができ、かつ、第１の実施形態と同じ特徴量を抽出することができる。

（その他の実施形態）
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ（またはＣＰＵやＭＰＵ等）がプログラムを読み出して実行する処理である。

１０１ 画像取得部
１０２ 部分領域抽出部
１０３ 特徴抽出部
１０４ クエリ画像取得部
１０５ 色属性取得部
１０６ 認識辞書記憶部
１０７ パターン照合部

Claims (8)

1. 画像を取得する画像取得手段と、
   前記画像取得手段によって取得された画像から部分領域を抽出する抽出手段と、
   前記抽出手段によって抽出された部分領域の画像から特徴量を算出する算出手段と、
   前記画像から検索するための検索対象を含むクエリ画像を指定する指定手段と、
   前記指定手段によって指定されたクエリ画像の検索対象から色属性を取得する色属性取得手段と、
   前記検索対象を識別するための辞書を記憶する辞書記憶手段と、
   前記算出手段によって算出された特徴量と前記辞書記憶手段に記憶された辞書とを照合して前記部分領域が前記検索対象か否かを判定する判定手段とを備え、
   前記算出手段は、前記色属性取得手段によって取得された検索対象の色属性に基づく特徴量を算出することを特徴とする画像認識装置。
2. 前記算出手段は、前記検索対象の色属性に基づいて色成分を選択し、前記選択した色成分の色勾配を算出することにより前記特徴量を算出することを特徴とする請求項１に記載の画像認識装置。
3. 前記画像取得手段によって取得された画像の前記色属性取得手段によって取得された検索対象の色属性に基づく色成分の画像を記憶する画像記憶手段をさらに備え、
   前記抽出手段は、前記画像記憶手段に記憶された前記検索対象の色属性に基づく色成分の画像から部分領域を抽出することを特徴とする請求項１又は２に記載の画像認識装置。
4. 前記辞書記憶手段は、検索対象の色属性に関連付けされた辞書を記憶し、
   前記判定手段は、前記クエリ画像の検索対象の色属性に関連付けされた辞書と前記算出手段によって算出された特徴量とを照合することを特徴とする請求項１〜３の何れか１項に記載の画像認識装置。
5. 前記特徴量は、勾配方向ヒストグラムであることを特徴とする請求項１〜４の何れか１項に記載の画像認識装置。
6. 前記検索対象は、特定色の服装をした人物であることを特徴とする請求項１〜５の何れか１項に記載の画像認識装置。
7. 画像を取得する画像取得工程と、
   前記画像取得工程において取得された画像から部分領域を抽出する抽出工程と、
   前記抽出工程において抽出された部分領域の画像から特徴量を算出する算出工程と、
   前記画像から検索するための検索対象を含むクエリ画像を指定する指定工程と、
   前記指定工程において指定されたクエリ画像の検索対象から色属性を取得する色属性取得工程と、
   前記算出工程において算出された特徴量と前記検索対象を識別するための辞書とを照合して前記部分領域が前記検索対象か否かを判定する判定工程とを備え、
   前記算出工程においては、前記色属性取得工程において取得された検索対象の色属性に基づく特徴量を算出することを特徴とする画像認識方法。
8. 画像を取得する画像取得工程と、
   前記画像取得工程において取得された画像から部分領域を抽出する抽出工程と、
   前記抽出工程において抽出された部分領域の画像から特徴量を算出する算出工程と、
   前記画像から検索するための検索対象を含むクエリ画像を指定する指定工程と、
   前記指定工程において指定されたクエリ画像の検索対象から色属性を取得する色属性取得工程と、
   前記算出工程において算出された特徴量と前記検索対象を識別するための辞書とを照合して前記部分領域が前記検索対象か否かを判定する判定工程とをコンピュータに実行させ、
   前記算出工程においては、前記色属性取得工程において取得された検索対象の色属性に基づく特徴量を算出することを特徴とするプログラム。

Images