JP2018018386A - 対象検出装置、対象検出方法、およびプログラム - Google Patents

Abstract

【課題】改善された検出精度および検出速度を有する検出対象検出装置を提供する。【解決手段】入力された画像に対して、画像の各画素の画像に含まれる画素との間の画素値の隔たりに基づいて画像の第１の領域を特定する特定部と、第１の領域に属する画素に対して特徴量を計算して割り当てる特徴量割当部と、特徴量を入力し、画像に含まれる検出対象の検出結果を生成する検出結果生成部と、を備え、特徴量割当部は、第１の領域に属さない画素に対しては、特徴量を計算しない対象検出装置。【選択図】図１

Description

本開示は、対象検出装置、対象検出方法、およびプログラムに関する。

近年、コンピュータの処理能力の向上に伴い、カメラによって撮影された画像から、コンピュータを用いて人物等の検出対象を検出する装置が考案されている。そのような装置の一例として、ＨＯＧ（Ｈｉｓｔｏｇｒａｍ ｏｆ Ｏｒｉｅｎｔｅｄ Ｇｒａｄｉｅｎｔｓ）特徴量の一種である勾配方向ヒストグラムや、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）を用いたシステムが提案されている（特許文献１参照）。ＨＯＧ特徴量を用いることによって、ロバスト性に優れた検出を行うことができる。

特表２００９−５１０５４２号公報

しかしながら、特許文献１に記載のシステムにおいては、画像内の全画素に亘って勾配方向ヒストグラムを計算する必要があり、計算量が膨大になる。その結果、検出対象を画像から検出する検出速度も遅くなってしまう問題がある。

歩行者を検出するための他の画像処理方法としては、事前に撮影した背景の画像との差分に基づいて歩行者の検出を行う背景差分法、ＧＭＭ（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ）を用いて算出される背景モデルに基づいて歩行者の検出を行う方法、Ｏｐｔｉｃａｌ Ｆｌｏｗを用いた運動物体の検出を行う方法等、種々の方法が知られている。しかしながら、これらの方法は、例えば車両と歩行者が同時に動く場合等、背景部分が複雑である実際の環境において、歩行者を精度良く検出することができない。

本開示の目的は、改善された検出精度および検出速度を有する対象検出装置を提供することである。

本開示に係る対象検出装置は、入力された画像に対して、前記画像の各画素の前記画像に含まれる画素との間の画素値の隔たりに基づいて前記画像の第１の領域を特定する特定部と、前記第１の領域に属する画素に対して特徴量を計算して割り当てる特徴量割当部と、前記特徴量を入力し、前記画像に含まれる検出対象の検出結果を生成する検出結果生成部と、を備え、前記特徴量割当部は、前記第１の領域に属さない画素に対しては、前記特徴量を計算しない、構成を採る。

本開示によれば、改善された検出精度および検出速度を有する対象検出装置を提供することができる。

本開示の第１の実施の形態に係る対象検出装置のブロック図である。 入力された画像とＲＧＢ色空間からＬａｂ色空間に変換された画像を示す。 顕著領域が特定される画像の一例である。 Ｌａｂ値に対する頻度を示すヒストグラムの一例である。 ヒストグラムに基づいて特定された顕著領域を示す顕著領域画像の一例である。 図４は、図２に示された画像のＬ成分の画像に対して計算したＳｃｈａｒｒ−ＨＯＧ特徴量のグラディエントを示す画像である。 顕著領域において計算したＳｃｈａｒｒ−ＨＯＧ特徴量を示す画像である。 図５Ａの特徴量に基づきＳＶＭを用いて検出した検出対象を示す画像である。 全領域について計算したＨＯＧ特徴量を示す画像である。 図６Ａの特徴量に基づきＳＶＭを用いて検出した検出対象を示す画像である。 対象検出装置の処理フローを説明するフローチャートである。 図７のステップＳ１２００の処理フローを説明するフローチャートである。 コンピュータのハードウェア構成の一例を示す図である。

以下、本開示の実施の形態について、図面を参照しながら説明する。なお、全図を通して同一符号は同一又は相当部分を示すものとする。

（第１の実施の形態）
図１は、本開示の第１の実施の形態に係る対象検出装置１００のブロック図である。対象検出装置１００は、画像入力部１１０と、顕著領域特定部１２０と、特徴量割当部１３０と、検出結果生成部１４０と、検出結果出力部１５０と、を備える。

対象検出装置１００は、画像を入力し、入力された画像に含まれる検出対象を検出し、検出された検出対象を出力する。対象検出装置１００の検出対象は、一例において歩行者である。他の検出対象としては、例えば、対向車、壁、標識等の対象物が挙げられる。

画像入力部１１０は、対象検出装置１００の検出対象を含む画像を入力する。一例において、画像入力部１１０は、車両の前方に備えられたカメラによって撮影された画像を入力する。

顕著領域特定部１２０は、入力された画像から顕著領域（第１の領域）を特定する。一例として、顕著領域特定部１２０は、特定された顕著領域を示す顕著領域画像を出力する。ここで、顕著領域は、図３Ａ〜Ｃを参照して後述される領域であり、図４〜５Ｂを参照して後述される特徴量を計算する画像の範囲を規定する領域として用いられる。また、顕著領域は、後述するように例えば検出対象を探索するウィンドウを規定する領域としても用いられる。

顕著領域特定部１２０は、色領域変換部１２２と、顕著値計算部１２４と、ヒストグラム生成部１２６と、画素選択部１２８と、を備える。色領域変換部１２２は、入力された画像の色空間をＲＧＢ色空間からＬａｂ色空間（Ｌ^＊ａ^＊ｂ^＊色空間を含む）に変換する。顕著値計算部１２４は、Ｌａｂ色空間に変換された画像（以下Ｌａｂ画像と称する）の各画素について、図３Ａ〜Ｃを参照して後述される顕著値を計算する。

ヒストグラム生成部１２６は、各画素に対して計算された顕著値から、画素の画素値（Ｌａｂ値）に対する頻度の値を計算し、計算した頻度の値に基づきヒストグラムを生成する。画素選択部１２８は、生成したヒストグラムに基づき、Ｌａｂ画像から複数の画素を選択する。顕著領域特定部１２０は、選択された複数の画素によって形成される領域を、特徴量を計算する画像の範囲を規定する顕著領域として特定する。

特徴量割当部１３０は、顕著領域に基づいて、Ｌａｂ画像の各画素に対して特徴量を割り当てる。特徴量は、一例においてＨＯＧ特徴量である。例えば、ＨＯＧ特徴量は、図４を参照して後述されるＳｃｈａｒｒ−ＨＯＧ特徴量である。

特徴量割当部１３０は、顕著領域に属する画素に対しては、特徴量を計算して割り当て、顕著領域に属さない画素に対しては、特徴量を計算しない。一例として、特徴量割当部１３０は、特徴量を計算しない画素に対して、所与の特徴量（例えばヌル値）を割り当てる。このように、顕著領域によって規定される範囲に限定して特徴量を計算することにより、Ｌａｂ画像の全画素に対して特徴量を計算する場合と比較して、計算量を低減することができる。これにより、対象検出装置１００の検出対象の検出処理を高速化することができる。

検出結果生成部１４０は、Ｌａｂ画像の画素に割り当てられた特徴量に基づき、Ｌａｂ画像に含まれる検出対象を検出する。検出結果生成部１４０は、例えば、検出対象分類部１４２を備える。検出対象分類部１４２は、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）である。

対象検出装置１００を使用する前に、ＳＶＭに学習させるために、検出対象が含まれる画像群および検出対象が含まれない画像群を準備する。準備した画像群の各画像に対して特徴量割当部１３０が画像の画素毎に特徴量を割り当て、各画像に割り当てた特徴量を、例えば検出対象が含まれるか否かを示す、ＳＶＭのバイナリ出力値に関連づけて学習させておく。計算された特徴量が顕著領域のみに割り当てられており、顕著領域に含まれないノイズ等の不要な情報については学習しないので、本開示においては、より検出精度の高いＳＶＭを得ることができる。

ＳＶＭに学習させる際には、ＳＶＭが学習用の画像群に過剰に適合することにより学習用の画像群とは異なる画像からの検出対象の検出率が低下してしまう現象である過剰適合を防ぐ必要がある。例えば、ＳＶＭで用いられる誤差関数に正則化項を追加すること（例えばＬ２正則化）により、過剰適合を防ぐ。

対象検出装置１００の使用時に、検出対象分類部１４２は、入力されたＬａｂ画像から計算された特徴量を入力し、検出対象が含まれるか否かを示す出力値（例えばＳＶＭのバイナリ出力値）を出力する。検出対象が含まれることを出力値が示す場合、検出結果生成部１４０は、検出対象が含まれることを示す検出結果を生成する。検出対象が含まれないことを出力値が示す場合、検出結果生成部１４０は、検出対象が含まれないことを示す検出結果を生成する。

一例において、検出結果生成部１４０は、検出対象を検出する領域を規定するウィンドウを顕著領域に基づいて決定する。例えば、検出結果生成部１４０は、顕著領域に属する画素を所定の第１の割合以上含むウィンドウに対してのみ、検出対象を検出する。こうすると、検出に必要な計算量を低減することができ、検出を高速化することができる。

検出結果生成部１４０は、例えば、ＳＶＭに代えて、ニューラルネットワークや、Ｂｏｏｓｔｉｎｇ等を用いて、検出対象の学習および検出を行ってもよい。

検出結果出力部１５０は、検出された検出対象を示す情報を出力する。一例として、検出結果出力部１５０は、検出された検出対象をハイライトし、画像入力部１１０に入力された画像に重畳した画像データを生成し、検出された検出対象を示す情報として出力する。例えば、検出された検出対象を、枠で囲むことによってハイライトしてもよい。

＜Ｌａｂ色空間＞
Ｌａｂ色空間は、補色空間の一種で、明度を意味する次元Ｌと、補色次元ａおよびｂとをもつ色空間である。図２は、入力された画像２１０とＲＧＢ色空間からＬａｂ色空間に変換された画像２１０Ｌ，２１０ａ，２１０ｂを示す。画像２１０Ｌ、画像２１０ａ、および画像２１０ｂは、それぞれ画像２１０のＬ成分、ａ成分、およびｂ成分の画像である。

図２に示されるように、Ｌａｂ値のＬ成分値は、人間の明度の知覚に極めて近い値となっている。したがって、Ｌａｂ色空間を用いた場合、ＲＧＢ色空間を用いる場合と比較して、より人間の知覚に近い検出処理を行うことができる。

＜顕著領域＞
図３Ａは、顕著領域（Ｓａｌｉｅｎｔ Ｒｅｇｉｏｎ）が特定される画像の一例である。図３Ｂは、Ｌａｂ値ｃ_ｌに対する頻度Ｆ（ｃ_ｌ）を示すヒストグラムの一例である。図３Ｃは、ヒストグラムに基づいて特定された顕著領域を示す顕著領域画像の一例である。

＜＜色距離＞＞
２つの画素Ｉ_ｋ，Ｉ_ｉに対して、色距離Ｄ（Ｉ_ｋ，Ｉ_ｉ）を定義する。ここで、Ｄ（Ｉ_ｋ，Ｉ_ｉ）は、距離の公理を満たし、かつＩ_ｋおよびＩ_ｉのＬａｂ値にのみ依存する、任意の実数値関数である。例えば、２つの画素Ｉ_ｋ，Ｉ_ｉの色距離Ｄ（Ｉ_ｋ，Ｉ_ｉ）を、次の＜数式１＞で定義する。
ここで、Ｉ_ｋＬ、Ｉ_ｋａ、ｉ_ｋｂは、それぞれ画素Ｉ_ｋのＬ成分値、ａ成分値、ｂ成分値を表す。同様に、Ｉ_ｉＬ、Ｉ_ｉａ，Ｉ_ｉｂは、それぞれ画素Ｉ_ｉのＬ成分値、ａ成分値、ｂ成分値を表す。ノルム
は、例えばＬ２ノルムであるが、最大値ノルムであってもＬｎノルム（ただしｎ≠２）であっても構わない。

＜＜顕著値＞＞
次いで、画素Ｉ_ｋの顕著値（Ｓａｌｉｅｎｃｙ、第１の値）Ｓ（Ｉ_ｋ）を、次の＜数式２＞で定義する。
ここで、Ｉは、画像全体の画素からなる集合を表す。すなわち、Ｓ（Ｉ_ｋ）は、画像に含まれる全画素Ｉ_ｉ∈Ｉに亘って、画素Ｉ_ｋとの色距離Ｄ（Ｉ_ｋ，Ｉ_ｉ）を総和したものである。画素Ｉ_ｋのＬａｂ値をｃ_ｌとすると、Ｓ（Ｉ_ｋ）を次のように表すことができる。

ここで、ｎは、異なるＬａｂ値の個数を表し、ｃ_ｊは、ｊ番目のＬａｂ値を表し、ｆ_ｊは、画像に含まれる画素のうちｊ番目のＬａｂ値を有する画素の出現数（ｆｒｅｑｕｅｎｃｙ）を表す。一例において、Ｌａｂ値ｃ_ｌは、Ｌ成分、ａ成分、ｂ成分を含む３次元のベクトル値であるが、これに代えて、ｃ_ｌを例えばＬ成分のみを含む一次元のスカラ値としてもよい。Ｌａｂ値ｃ_ｌ、ｃ_ｊを有する任意の画素Ｉ_ｋ、Ｉ_ｉをもって、Ｌａｂ値ｃ_ｌ、ｃ_ｊに対する色距離Ｄ（ｃ_ｌ，ｃ_ｊ）をＤ（ｃ_ｌ，ｃ_ｊ）＝Ｄ（Ｉ_ｋ，Ｉ_ｉ）と定義する。

次に、画素Ｉ_ｋおよびそのＬａｂ値ｃ_ｌに対して、差分値（第２の値）Ｃ（Ｉ_ｋ）、Ｃ（ｃ_ｌ）および頻度Ｆ（Ｉ_ｋ）、Ｆ（ｃ_ｌ）を、次の＜数式３＞および＜数式４＞で定義する。

＜数式１＞に従って定義した色距離Ｄ（Ｉ_ｋ、Ｉ_ｉ）のように、その値が画素Ｉ_ｋおよびＩ_ｉのＬａｂ値ｃ_ｌおよびｃ_ｊにのみ依存する場合、Ｄ（ｃ_ｌ，ｃ_ｊ）の定義と、Ｄ（ｃ_ｌ，ｃ_ｊ）を用いて定義されるＳ（Ｉ_ｋ）、Ｓ（ｃ_ｌ）、Ｃ（Ｉ_ｋ）、Ｃ（ｃ_ｌ）、Ｆ（Ｉ_ｋ）、およびＦ（ｃ_ｌ）の定義とは、いずれもｗｅｌｌ−ｄｅｆｉｎｅｄであることに留意する。

図３Ａに示される画像３１０からＦ（ｃ_ｌ）を計算し、横軸にｃ_ｌ、縦軸にＦ（ｃ_ｌ）をとることにより、図３Ｂに示されるヒストグラム３２０が生成される。ヒストグラム３２０においては、出現頻度の低いＬａｂ値ｃ_ｌほど右側に現れるようにｃ_ｌを配置している。

次いで、ヒストグラム３２０に基づいて、画像３１０に含まれる画素Ｉ_ｉ∈Ｉが顕著領域に属するか否かが決定される。一例として、画素Ｉ_ｉ∈Ｉが次の条件：
Ｆ（Ｉ_ｉ）＜Ｃ_１かつＣ（Ｉ_ｉ）＞Ｃ_２
を満たす場合、画素Ｉ_ｉが顕著領域に属すると決定され、画素Ｉ_ｉが選択される。ここで、Ｃ_１およびＣ_２は、所定の第１の閾値および第２の閾値である。顕著領域に属する画素のＬａｂ値は、例えば、図３Ｂで示される楕円３２２で囲まれたＬａｂ値のように表される。

なお、第１の値としては、顕著値Ｓ（Ｉ_ｋ）に限られず、画像の画素との色距離を画素毎に総和した値である他の値を採用してもよい。また、第２の値としては、差分値Ｃ（Ｉ_ｉ）に限られず、画像の画素との色距離を画像に含まれる色空間の座標値毎に総和した値である他の値を採用してもよい。さらに、第１の値および第２の値としては、これらの値に代えて、画像の各画素の画像に含まれる画素との間の画素値の隔たりを表す他の式を採用してもよい。

図３Ｃに示される顕著領域画像３３０において白色で示される顕著領域は、楕円３３２で囲まれた部分に、検出すべき検出対象である歩行者が含まれる範囲を良好にとらえていることが判る。顕著領域に属する画素に対してのみ特徴量を計算することによって、計算量を低減することができることも判る。

なお、画像３１０に示されるように、ヒストグラムの生成に用いられる画像について、元のＬａｂ画像を用いる代わりに、元のＬａｂ画像に含まれる画素をブロック単位でグループ化することにより、画像の解像度を落としてもよい。グループ化された画素のＬａｂ値として、グループに含まれる画素のＬａｂ値の平均値を採用してもよい。こうすると、ヒストグラムの生成をより高速化することができる。

＜特徴量＞
Ｓｃｈａｒｒ−ＨＯＧ（Ｓｃｈａｒｒ Ｆｉｌｔｅｒ Ｃｏｍｂｉｎｅｄ ＨＯＧ）特徴量は、ＨＯＧ特徴量の１つである。例えば、Ｌａｂ画像の１成分（例えばＬ成分の画像２１０Ｌ）Ｉ_ｘ，ｙに対して、グラディエントのｘ成分Ｇ_ｘおよびｙ成分Ｇ_ｙを、それぞれ次のように計算する。

ここで、演算子＊は２次元たたみ込み演算を表す。グラディエントのｘ成分Ｇ_ｘおよびｙ成分Ｇ_ｙは、＜数式５＞および＜数式６＞からも明らかであるように、Ｌａｂ画像の成分Ｉ_ｘ，ｙに対して、Ｓｃｈａｒｒ Ｆｉｌｔｅｒを適用することにより計算される。

次いで、グラディエント値Ｇを近似値として次のように計算する。

次いで、グラディエントの角度θを次のように計算する。

Ｓｃｈａｒｒ−ＨＯＧ特徴量を用いると、上記の＜数式５＞〜＜数式８＞からも判るように、他の代表的なＨＯＧ特徴量であるＳｏｂｅｌ−ＨＯＧ（Ｓｏｂｅｌ Ｆｉｌｔｅｒ Ｃｏｍｂｉｎｅｄ ＨＯＧ）特徴量と同等の計算速度でグラディエント値を計算することができる。

図４は、図２に示された画像２１０のＬ成分の画像２１０Ｌに対して計算したＳｃｈａｒｒ−ＨＯＧ特徴量のグラディエント値Ｇを示す画像４１０である。図４に示されるように、グラディエント値Ｇは、画像２１０に含まれるエッジを良好に特徴付けていることが判る。

図５Ａは、顕著領域において計算したＳｃｈａｒｒ−ＨＯＧ特徴量を示す画像５１０である。図５Ｂは、図５Ａの特徴量に基づきＳＶＭを用いて検出した検出対象を示す画像５２０である。

図５Ａに示されるように、Ｓｃｈａｒｒ−ＨＯＧ特徴量は、画像５１０の黒色で示される部分については計算されない。これにより、特徴量の計算量を低減し、対象検出装置１００の検出処理を高速化することができる。また、図５Ｂに示されるように、顕著領域に含まれない部分における誤検出も抑制することができる。

ＨＯＧ特徴量の他の例としては、例えばＳｏｂｅｌ−ＨＯＧ特徴量が挙げられる。カーネルサイズ３のＳｏｂｅｌ Ｆｉｌｔｅｒを用いるＳｏｂｅｌ−ＨＯＧ特徴量の計算量は、Ｓｃｈａｒｒ−ＨＯＧ特徴量の計算量と同等である。しかしながら、Ｓｏｂｅｌ−ＨＯＧ特徴量を用いた場合と比較して、Ｓｃｈａｒｒ−ＨＯＧ特徴量を用いた方が、より高精度のグラディエント値を得ることができ、さらに、人物の検出精度を上げることができる点において好ましい。特に、Ｓｏｂｅｌ−ＨＯＧ特徴量は、水平方向と垂直方向のエッジを抽出する場合に有用であるが、それ以外の方向のエッジを抽出する用途には適していない。これに対して、Ｓｃｈａｒｒ−ＨＯＧ特徴量は、斜め方向のエッジを抽出する用途にも適している。

図６Ａは、全領域について計算したＨＯＧ特徴量を示す画像である。図６Ｂは、図６Ａの特徴量に基づきＳＶＭを用いて検出した検出対象を示す画像である。

図６Ａに示されるように、ＨＯＧ特徴量が、画像６１０の全体に亘り計算されている。特徴量の計算量は、図５Ａの場合と比較して大きいことが判る。さらに、画像６１０の白丸で囲まれた部分が、図６Ｂに示されるように、画像６２０において通行人と誤検出されている。すなわち、画像６１０に映っている背景部分のうち、比較的複雑度の高い部分が通行人と誤検出されている。

このように、本開示の対象検出装置１００は、特徴量の計算量を低減し、検出処理を高速化しつつ、検出対象の誤検出も低減することができる。

図７は、対象検出装置１００の処理フローを説明するフローチャートである。まず、画像入力部１１０が画像を入力する（ステップＳ１１００）。次いで、顕著領域特定部１２０は、画像入力部１１０が入力した画像から顕著領域を特定し、顕著領域画像を生成する（ステップＳ１２００）。

次いで、特徴量割当部１３０は、顕著領域特定部１２０が特定した顕著領域に基づいて、画像入力部１１０が入力した画像の各画素に対して特徴量を割り当てる（ステップＳ１３００）。次いで、検出対象分類部１４２は、顕著領域特定部１２０が特定した顕著領域に基づいて選択されたウィンドウの特徴量を、検出対象分類部１４２に入力する（ステップＳ１４００）。次いで、検出結果生成部１４０は、検出対象分類部１４２の出力に基づき、ウィンドウにおける検出結果を生成する（ステップＳ１５００）。次いで、検出結果生成部１４０は、ウィンドウの走査が完了したか否かを判定する（ステップＳ１６００）。ウィンドウの走査が完了していないと判定した場合（ステップＳ１６００：ＮＯ）、ステップＳ１４００に進む。ウィンドウの走査が完了したと判定した場合（ステップＳ１６００：ＹＥＳ）、終了する。

図８は、図７のステップＳ１２００の処理フローを説明するフローチャートである。まず、色領域変換部１２２は、画像の色領域をＲＧＢからＬａｂに変換し、Ｌａｂ画像を生成する（ステップＳ１２１０）。次いで、顕著値計算部１２４は、色領域変換部１２２が生成したＬａｂ画像の全画素について顕著値を計算する（ステップＳ１２２０）。次いで、ヒストグラム生成部１２６は、顕著値計算部１２４が計算した顕著値に基づいてヒストグラムを生成する（ステップＳ１２３０）。次いで、画素選択部１２８は、ヒストグラム生成部１２６によって生成されたヒストグラムに基づき、色領域変換部１２２が生成したＬａｂ画像から複数の画素を選択する（ステップＳ１２４０）。顕著領域特定部１２０は、選択された複数の画素によって形成される領域を、顕著領域として特定する。

（その他の実施の形態）
第１の実施の形態においては、入力された画像の色空間をＬａｂ色空間に変換する。しかしながら、これに代えて任意の色空間（例えばＨＳＬ色空間、ＨＳＶ色空間）に変換する実施の形態も考えられる。また、入力された画像がモノクロ画像である実施の形態も考えられる。

図９は、コンピュータ２１００のハードウェア構成の一例を示す図である。上述した各実施の形態および各変形例における各部の機能は、コンピュータ２１００が実行するプログラムにより実現される。

図９に示すように、コンピュータ２１００は、入力ボタン、タッチパッドなどの入力装置２１０１、ディスプレイ、スピーカなどの出力装置２１０２、ＣＰＵ（Central Processing Unit）２１０３、ＲＯＭ（Read Only Memory）２１０４、ＲＡＭ（Random Access Memory）２１０５を備える。また、コンピュータ２１００は、ハードディスク装置、ＳＳＤ（Solid State Drive）などの記憶装置２１０６、ＤＶＤ−ＲＯＭ（Digital Versatile Disk Read Only Memory）、ＵＳＢ（Universal Serial Bus）メモリなどの記録媒体から情報を読み取る読取装置２１０７、ネットワークを介して通信を行う送受信装置２１０８を備える。上述した各部は、バス２１０９により接続される。

そして、読取装置２１０７は、上記各部の機能を実現するためのプログラムを記録した記録媒体からそのプログラムを読み取り、記憶装置２１０６に記憶させる。あるいは、送受信装置２１０８が、ネットワークに接続されたサーバ装置と通信を行い、サーバ装置からダウンロードした上記各部の機能を実現するためのプログラムを記憶装置２１０６に記憶させる。

そして、ＣＰＵ２１０３が、記憶装置２１０６に記憶されたプログラムをＲＡＭ２１０５にコピーし、そのプログラムに含まれる命令をＲＡＭ２１０５から順次読み出して実行することにより、上記各部の機能が実現される。また、プログラムを実行する際、ＲＡＭ２１０５または記憶装置２１０６には、各実施の形態で述べた各種処理で得られた情報が記憶され、適宜利用される。

本開示に係る対象検出装置は、車両に備えたカメラが撮影した画像から、歩行者等の検出対象を検出するのに好適である。

１００ 対象検出装置
１１０ 画像入力部
１２０ 顕著領域特定部
１３０ 特徴量割当部
１４０ 検出結果生成部
１５０ 検出結果出力部

Claims (10)

1. 入力された画像に対して、前記画像の各画素の前記画像に含まれる画素との間の画素値の隔たりに基づいて前記画像の第１の領域を特定する特定部と、
   前記第１の領域に属する画素に対して特徴量を計算して割り当てる特徴量割当部と、
   前記特徴量を入力し、前記画像に含まれる検出対象の検出結果を生成する検出結果生成部と、
   を備え、
   前記特徴量割当部は、前記第１の領域に属さない画素に対しては、前記特徴量を計算しない対象検出装置。
2. 前記特定部は、前記画像の各画素に対する、前記画像の画素との色距離を画素毎に総和した値である第１の値と、前記画像の画素との色距離を前記画像に含まれる色空間の座標値毎に総和した値である第２の値とに基づいて、前記第１の領域を特定する、請求項１に記載の対象検出装置。
3. 前記特定部は、前記第１の値を前記第２の値で割った値が所定の第１の閾値より小さい画素であって、前記第２の値が所定の第２の閾値より大きい画素からなる領域を、前記第１の領域として特定する、請求項２に記載の対象検出装置。
4. 前記色距離がＬａｂ色距離であり、前記色空間がＬａｂ色空間である、請求項２または３に記載の対象検出装置。
5. 前記検出結果生成部は、前記第１の領域に基づいて検出対象を識別する領域を規定するウィンドウを決定する、請求項１から４のいずれか記載の検出対象検出装置。
6. 前記ウィンドウは、前記第１の領域に属する画素を所定の第１の割合以上含むウィンドウである、請求項５に記載の対象検出装置。
7. 前記特徴量は、Ｓｃｈａｒｒ−ＨＯＧ特徴量である、請求項１から６のいずれかに記載の対象検出装置。
8. 前記検出結果生成部は、ＳＶＭを用いて前記特徴量に基づいて検出対象を検出する、請求項１から７のいずれかに記載の対象検出装置。
9. 入力された画像に対して、前記画像の各画素の前記画像に含まれる画素との間の画素値の隔たりに基づいて前記画像の第１の領域を特定するステップと、
   前記第１の領域に属する画素に対して特徴量を計算して割り当てるステップと、
   前記特徴量を入力し、前記画像に含まれる検出対象の検出結果を生成するステップと、
   を備え、
   前記割り当てるステップにおいて、前記第１の領域に属さない画素に対しては、前記特徴量を計算しない対象検出方法。
10. コンピュータを、
    入力された画像に対して、前記画像の各画素の前記画像に含まれる画素との間の画素値の隔たりに基づいて前記画像の第１の領域を特定する特定部、
    前記第１の領域に属する画素に対して特徴量を計算して割り当てる特徴量割当部、および
    前記特徴量を入力し、前記画像に含まれる検出対象の検出結果を生成する検出結果生成部として機能させ、
    前記特徴量割当部は、前記第１の領域に属さない画素に対しては、前記特徴量を計算しないプログラム。