JP2019118097A - 画像処理方法、画像処理装置、撮像装置、プログラム、記憶媒体 - Google Patents
画像処理方法、画像処理装置、撮像装置、プログラム、記憶媒体 Download PDFInfo
- Publication number
- JP2019118097A JP2019118097A JP2018203254A JP2018203254A JP2019118097A JP 2019118097 A JP2019118097 A JP 2019118097A JP 2018203254 A JP2018203254 A JP 2018203254A JP 2018203254 A JP2018203254 A JP 2018203254A JP 2019118097 A JP2019118097 A JP 2019118097A
- Authority
- JP
- Japan
- Prior art keywords
- image
- learning
- user
- learning models
- imaging device
- 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
Images
Landscapes
- Image Analysis (AREA)
- Details Of Cameras Including Film Mechanisms (AREA)
- Studio Devices (AREA)
Abstract
Description
<撮像装置の構成>
図1は、第1の実施形態の撮像装置を模式的に示す図である。
図3は、撮像装置101と外部装置301との無線通信システムの構成例を示す図である。撮像装置101は撮影機能を有するデジタルカメラであり、外部装置301はBluetooth通信モジュール、無線LAN通信モジュールを含むスマートデバイスである。
図5は、撮像装置101と通信可能である外部装置501との構成例を示す図である。撮像装置101は撮影機能を有するデジタルカメラであり、外部装置501は、例えばBluetooth通信モジュールなどにより撮像装置101と通信可能である各種センシング部を含むウエアラブルデバイスである。
図7は、本実施形態における撮像装置101の第1制御回路223が受け持つ動作の例を説明するフローチャートである。
(1)電源ボタンが手動で押下されて電源起動
(2)外部機器(例えば301)からの外部通信(例えばBLE通信)による指示で電源起動
(3)Subプロセッサ(第2制御回路211)から、電源起動
ここで、(3)のSubプロセッサから電源起動の場合は、Subプロセッサ内で演算された起動条件が読み込まれることになるが、詳細は後述する図8で説明する。
[モード判定条件]
後述する学習により設定された各検出情報(画像、音、時間、振動、場所、身体の変化、環境変化)や、自動撮影モードに移行してからの経過時間や、過去の撮影情報などから、自動撮影を行うべきと判定されると、自動撮影モードに設定される。
自動撮影モード処理(S710)では、各検出情報(画像、音、時間、振動、場所、体の変化、環境変化)に基づいて、パン・チルトやズームを駆動して被写体を自動探索する。そして、ユーザの好みの撮影が行えるタイミングであると判定されると、自動で撮影が行われる。
[モード判定条件]
前回学習処理を行ってからの経過時間と、学習に使用することのできる画像に対応付けられた情報や学習データの数などから、自動学習を行うべきと判定されると、自動学習モードに設定される。または、スマートデバイス301からの通信を介して学習データが設定されるように指示があった場合も本モードに設定される。
自動学習モード処理(S712)では、ユーザの好みに合わせた学習を行う。スマートデバイス301での各操作、スマートデバイス301からの学習情報通知などの情報を基にニューラルネットワークを用いて、ユーザの好みに合わせた学習が行われる。スマートデバイス301での各操作の情報としては、例えば、撮像装置からの画像取得情報、専用アプリケーションを介して手動による編集指示がされた情報、撮像装置内の画像に対してユーザが入力した判定値情報(評価結果)がある。
ユーザが撮像装置101を例えば指先などで叩いた状態(タップ状態)を、撮像装置101に取り付けられた加速度センサの出力値より検出することが可能である。3軸の加速度センサの出力を所定サンプリング周期で特定の周波数領域に設定したバンドパスフィルタ(BPF)に通すことで、タップによる加速度変化の信号領域を抽出することができる。BPF後の加速度信号を所定時間TimeA間に、所定閾値ThreshAを超えた回数が、所定回数CountAであるか否かにより、タップ検出を行う。ダブルタップの場合は、CountAは2に設定され、トリプルタップの場合は、CountAは3に設定される。
撮像装置101の揺れ状態を、撮像装置101に取り付けられたジャイロセンサや加速度センサの出力値より検出することが可能である。ジャイロセンサや加速度センサの出力をHPFで高周波成分をカットし、LPFで低周波成分をカットした後、絶対値変換を行う。算出した絶対値が所定時間TimeB間に、所定閾値ThreshBを超えた回数が、所定回数CountB以上であるか否かにより、振動検出を行う。例えば撮像装置101を机などに置いたような揺れが小さい状態か、ウエアラブルで撮像装置101を装着し歩いているような揺れが大きい状態かを判定することが可能である。また、判定閾値や判定のカウント数の条件を複数もつことで、揺れレベルに応じた細かい揺れ状態を検出することも可能である。
特定の音声コマンドを検出する。音声コマンドは事前に登録されたいくつかのコマンドの他、ユーザが特定音声を撮像装置に登録できる。
予め大量の音声データを基に機械学習により学習させたネットワークにより音シーン判定を行う。例えば、「歓声が上がっている」、「拍手している」、「声を発している」などの特定シーンを検出する。
所定時間の間で、音レベルの大きさがレベル所定値を超えている時間を加算するなどの方法によって、音レベル判定による検出を行う。
複数のマイクが設置された平面上の音の方向を検出することができ、所定の大きさの音レベルに対して、音の方向を検出する。
(1)特定揺れ検出の判定条件
(2)特定音検出の判定条件
(3)時間経過判定の判定条件
それぞれ、S803での特定揺れ状態検出処理により、特定揺れ検出の判定条件に入ったか否かを判定できる。また、S804での特定音検出処理により、特定音検出の判定条件に入ったか否かを判定できる。また、S806での時間経過検出処理により、時間経過検出の判定条件に入ったか否かを判定できる。したがって、何れか一つ以上の条件に入っていれば、低消費電力モード解除を行うような判定が行われる。
図9を用いて、自動撮影モード処理の詳細を説明する。前述したように、以下の処理は、本実施形態における撮像装置101の第1制御回路223が制御を受け持つ。
図11を用いて、エリア分割を説明する。図11(a)のように撮像装置(原点Oが撮像装置位置とする。)位置を中心として、全周囲でエリア分割を行う。図11(a)の例においては、チルト方向、パン方向それぞれ22.5度で分割している。図11(a)のように分割すると、チルト方向の角度が0度から離れるにつれて、水平方向の円周が小さくなり、エリア領域が小さくなる。よって、図11(b)のように、チルト角度が45度以上の場合、水平方向のエリア範囲は22.5度よりも大きく設定している。図11(c)、(d)に撮影画角内でのエリア分割された例を示す。軸1101は初期化時の撮像装置101の方向であり、この方向角度を基準位置としてエリア分割が行われる。1102は、撮像されている画像の画角エリアを示しており、そのときの画像例を図11(d)に示す。画角に写し出されている画像内ではエリア分割に基づいて、図11(d)の1103〜1118のように画像分割される。
前記のように分割した各エリアについて、エリア内に存在する被写体やエリアのシーン状況に応じて、探索を行う優先順位を示す重要度レベルを算出する。被写体の状況に基づいた重要度レベルは、例えば、エリア内に存在する人物の数、人物の顔の大きさ、顔向き、顔検出の確からしさ、人物の表情、人物の個人認証結果に基づいて算出する。また、シーンの状況に応じた重要度レベルは、例えば、一般物体認識結果、シーン判別結果(青空、逆光、夕景など)、エリアの方向からする音のレベルや音声認識結果、エリア内の動き検知情報等である。また、撮像装置の状態判定(S903)で、撮像装置の振動状態が検出されており、振動状態に応じても重要度レベルが変化するようにもすることができる。例えば、「置き撮り状態」と判定された場合、顔認証で登録されている中で優先度の高い被写体(例えば撮像装置のユーザである)を中心に被写体探索が行われるように、特定人物の顔認証を検出すると重要度レベルが高くなるように判定される。また、後述する自動撮影も上記顔を優先して行われることになり、撮像装置のユーザが撮像装置を身に着けて持ち歩き撮影を行っている時間が多くても、撮像装置を取り外して机の上などに置くことで、ユーザが写った画像も多く残すことができる。このときパン・チルトにより探索可能であることから、撮像装置の置き角度などを考えなくても、適当に設置するだけでユーザが写った画像やたくさんの顔が写った集合写真などを残すことができる。なお、上記条件だけでは、各エリアに変化がない限りは、最も重要度レベルが高いエリアが同じとなり、その結果探索されるエリアがずっと変わらないことになってしまう。そこで、過去の撮影情報に応じて重要度レベルを変化させる。具体的には、所定時間継続して探索エリアに指定され続けたエリアは重要度レベルを下げたり、後述するS910にて撮影を行ったエリアでは、所定時間の間重要度レベルを下げたりしてもよい。
前記のように各エリアの重要度レベルが算出されたら、重要度レベルが高いエリアを探索対象エリアとして決定する。そして、探索対象エリアを画角に捉えるために必要なパン・チルト探索目標角度を算出する。
自動撮影を行うかどうかの判定は、機械学習の1つであるニューラルネットワークに基づく判定である。ニューラルネットワークの一例として、多層パーセプトロンによるネットワークの例を図10に示す。ニューラルネットワークは、入力値から出力値を予測することに使用されるものであり、予め入力値と、その入力に対して模範となる出力値とを学習しておくことで、新たな入力値に対して、学習した模範に倣った出力値を推定することができる。なお、学習の方法は後述する。図10の1001およびその縦に並ぶ丸は入力層のニューロンであり、1003およびその縦に並ぶ丸は中間層のニューロンであり、1004は出力層のニューロンである。1002のような矢印は各ニューロンを繋ぐ結合を示している。ニューラルネットワークに基づく判定では、入力層のニューロンに対して、現在の画角中に写る被写体や、シーンや撮像装置の状態に基づいた特徴量を入力として与え、多層パーセプトロンの順伝播則に基づく演算を経て出力層から出力された値を得る。そして、出力の値が閾値以上であれば、自動撮影を実施する判定を下す。なお、被写体の特徴は、現在のズーム倍率、現在の画角における一般物体認識結果、顔検出結果、現在画角に写る顔の数、顔の笑顔度・目瞑り度、顔角度、顔認証ID番号、被写体人物の視線角度、シーン判別結果、特定の構図の検出結果等を使用する。また、前回撮影時からの経過時間、現在時刻、GPS位置情報および前回撮影位置からの変化量、現在の音声レベル、声を発している人物、拍手、歓声が上がっているか否か等を使用してもよい。また、振動情報(加速度情報、撮像装置の状態)、環境情報(温度、気圧、照度、湿度、紫外線量)等を使用してもよい。更に、ウエアラブルデバイス501からの情報通知がある場合、通知情報(ユーザの運動情報、腕のアクション情報、心拍などの生体情報など)も特徴として使用してもよい。この特徴を所定の範囲の数値に変換し、特徴量として入力層の各ニューロンに与える。そのため、入力層の各ニューロンは上記使用する特徴量の数だけ必要となる。さらに、本実施形態では、ニューラルネットワークで学習した学習モデルを複数用意しており、状況に応じて使い分ける構成となっている。この複数の学習モデルの使い分けについては後述する。
・ポートレート用学習モデル
・スポーツ用学習モデル
・風景用学習モデル
を有する構成とする。シーンが異なれば撮りたい写真は変わることが多い。たとえばポートレートの撮影では人の肌や髪の質感まで再現したいので、被写体の動きが少ない瞬間(被写体ぶれの少ない瞬間)に撮影したい。また、スポーツの撮影では躍動感のある写真が撮りたいので被写体の動きがある瞬間に撮影したい。それぞれの学習モデルは、対象のシーンで撮影された教師データでユーザの好みを学習しており、自動撮影が行われる傾向が異なるように構成されている。
・自宅付近なら、子供の笑っているところが撮りたい
・公園付近なら、真剣な顔でスポーツしているところが撮りたい
などである。
S912で取得された学習情報を各短期学習モデルに通してスコアを出し、そのスコアと、その学習情報の教師値を比較し、その差分(差異)が最も小さい短期学習モデルを選択する。手動撮影で得られた画像から生成された学習情報の教師値は、ユーザの好みのシーンを表していると推定されるため、所定の高い値を付与する。教師値との差分が小さくなるスコアを出力した学習モデルを選択することにより、そのときのお気に入り度を良く推定できた学習モデルへ切り替えることになる。よって、ユーザの好みに適した自動撮影を行うことができる。
式1においてαを大きくすればユーザの不変的な好みを重視し、小さくすればその時々の好みを重視する自動撮影となる。αは手動撮影がなされる度に補正することもできる。特定のシチュエーションでユーザが何枚も手動撮影した場合、そこでの撮影に関心があるとみなすことができる。自動撮影もそのシチュエーションに対応した短期学習モデルの重みを大きくしたほうが、より関心に即したものとなる。そのためのαの計算方法を式2に示す。
errは、最終的なスコアとそのときの入力となる学習情報の教師値との誤差である。式2において、αが0未満にならないように、errを適宜正規化する。kは現在のシチュエーションへの追従性を示す係数である。kは大きいほどαが小さくなり、短期学習モデルが重視される傾向が強まるので追従性が上がる。逆にあまりシチュエーションを自動撮影へ反映したくない場合は、αの初期値を1に近づけ、さらにkを小さくすればよい。
説明を分かりやすくするため、入力層の特徴量が三つ(i1,i2,i3)、中間層が一層の長期学習モデルの例を図15に示す。w11〜w22は、ノード間の重みである(一部不図示)。この重みが大きい方が出力(ユーザの好み)への寄与が大きいことになる。特徴量i1に対する寄与率c_i1は、i1からOまでの経路で通るノード間の重みの積和であり、式3で定義することができる。
同様にi2,i3の寄与率であるc_i2,c_i3も計算することができる。但し、ノード間の重みは図示していない。これらの寄与率を用いれば、学習情報のクラスタリングのキーとなる特徴ベクトルは(c_i1×i1,c_i2×i2,c_i3×i3)となる。なお、特徴ベクトルの次元(入力層のノードの数)が増えた場合や、中間層の層が増えた場合も、同様に入力層のノードから出力層までの経路のノード間の重みの積和で求めることができる。これにより、ユーザの関心のある特徴で差別化された複数の短期学習モデルを作成することができる。
次に、本実施形態におけるユーザの好みに合わせた学習について説明する。
自動撮影に対する学習について説明する。自動撮影では、ユーザの好みに合った画像の撮影を自動で行うための学習を行う。図9のフローを用いた説明で上述したように、撮影後(S912)に学習情報生成処理が行われている。後述する方法により学習させる画像を選択させ、画像に含まれる学習情報を基に、ニューラルネットワークの重みを変化させることで学習する。
自動編集に対する学習について説明する。自動編集は、図9のS911での撮影直後の編集に対して学習が行われる。撮影直後の編集について説明する。後述する方法により学習させる画像を選択させ、画像に含まれる学習情報を基に、ニューラルネットワークの重みを変化させることで学習する。撮影或いは撮影直前の情報により得られた各種検出情報をニューラルネットワークに入力し、編集方法(トリミング処理、画像の回転処理、HDR(ハイダイナミックレンジ)効果、ボケ効果、色変換フィルタ効果など)の判定を行う。
被写体探索に対する学習について説明する。被写体探索では、ユーザの好みに合った被写体の探索を自動で行うための学習を行う。図9のフローを用いた説明で上述したように、被写体探索処理(S904)において、各エリアの重要度レベルを算出し、パン・チルト、ズームを駆動し、被写体探索を行っている。学習は撮影画像や探索中の検出情報によって学習され、ニューラルネットワークの重みを変化させることで学習する。探索動作中の各種検出情報をニューラルネットワークに入力し、重要度レベルの算出を行い、重要度レベルに基づきパン・チルトの角度を設定することで学習を反映した被写体探索を行う。また、重要度レベルに基づくパン・チルト角度の設定以外にも、例えば、パン・チルト駆動(速度、加速度、動かす頻度)の学習も行う。
被写体登録に対する学習について説明する。被写体登録では、ユーザの好みに合った被写体の登録やランク付けを自動で行うための学習を行う。学習として、例えば、顔認証登録や一般物体認識の登録、ジェスチャーや音声認識、音によるシーン認識の登録を行う。認証登録は人と物体に対する認証登録を行い、画像取得される回数や頻度、手動撮影される回数や頻度、探索中の被写体の現れる頻度からランク設定を行う。登録された情報は、各ニューラルネットワークを用いた判定の入力として登録されることになる。
撮像装置内学習の方法について、以下説明する。
図9のS907乃至S913で説明したとおり、本実施形態においては、撮像装置101は、手動撮影と自動撮影の2つの撮影を行うことができる。S907で手動操作による撮影指示(上記説明したとおり、3つの判定に基づいて行う。)があった場合は、S912において、撮影画像は手動で撮影された画像であるとの情報が付加される。また、S909にて自動撮影ONと判定されて撮影された場合においては、S912において、撮影画像は自動で撮影された画像であると情報が付加される。
被写体探索動作中において、個人認証登録されている被写体が、どんな人物、物体、シーンと同時に写っているかを判定し、同時に画角内に写っている時間比率を演算しておく。
図3で説明したとおり、撮像装置101と外部機器301は、通信302、303の通信手段を有している。主に通信302によって画像の送受信が行われ、外部機器301内の専用のアプリケーションを介して、撮像装置101内の画像を外部機器301に通信取得することができる。また、撮像装置101内の保存されている画像データのサムネイル画像を外部機器301内の専用のアプリケーションを介して、閲覧可能な構成である。これにより、ユーザはサムネイル画像の中から、自分が気に入った画像を選択して、画像確認し、画像取得指示を操作することで外部機器301に画像取得できる。
上記で説明したとおり、撮像装置101と外部機器301は、通信手段を有しており、撮像装置101内の保存されている画像を外部機器301内の専用のアプリケーションを介して、閲覧可能な構成である。ここで、ユーザは、各画像に対して点数付を行う構成にしてもよい。ユーザが好みと思った画像に対して高い点数(例えば5点)を付けたり、好みでないと思った画像に対して低い点数(例えば1点)を付けることができ、ユーザの操作によって、撮像装置が学習していくような構成にする。各画像の点数は、撮像装置内で学習情報と共に再学習に使用する。指定した画像情報からの特徴データを入力にした、ニューラルネットワークの出力がユーザが指定した点数に近づくように学習される。
上記で説明したとおり、撮像装置101と外部機器301は、通信手段を有しており、撮像装置101内に現在設定されている学習パラメータを外部機器301に通信し、外部機器301の記憶回路404に保存することができる。学習パラメータとしては、例えば、ニューラルネットワークの重みや、ニューラルネットワークに入力する被写体の選択などが考えられる。また、外部機器301内の専用のアプリケーションを介して、専用のサーバにセットされた学習パラメータを公衆回線制御回路406を介して取得して、撮像装置101内の学習パラメータに設定することもできる構成とする。これにより、ある時点でのパラメータを外部機器301に保存しておいて、撮像装置101に設定することで学習パラメータを戻すこともできるし、他のユーザが持つ学習パラメータを専用のサーバを介して取得し自身の撮像装置101に設定することもできる。
また本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサーがプログラムを読出し実行する処理でも実現できる。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現できる。
Claims (19)
- 撮像素子で生成された画像を記録するための基準を学習した複数の学習モデルの中から、いずれかの学習モデルを選択する処理を行う選択工程と、
選択した前記学習モデルを用いて、前記撮像素子で生成された画像が前記基準を満たすか否かの判定処理を行う判定工程と、
前記判定処理において、前記撮像素子で生成された画像が前記基準を満たすと判定された場合に、前記撮像素子で生成された画像をメモリに記録させる記録工程と、を有し、
前記いずれかの学習モデルを選択する処理は、ユーザよる撮影指示、ユーザによる画像の評価結果、前記撮像素子で画像を生成したときの環境、および、前記複数の学習モデルの前記撮像素子で生成された画像に対するスコア、の少なくともいずれかに基づいて行われることを特徴とする画像処理方法。 - 前記いずれかの学習モデルを選択する処理は、前記ユーザによる撮影指示で生成された画像に基づいて行われることを特徴とする請求項1に記載の画像処理方法。
- 前記いずれかの学習モデルを選択する処理は、前記ユーザによる撮影指示で生成された画像を解析した結果に基づいて行われることを特徴とする請求項2に記載の画像処理方法。
- 前記複数の学習モデルはそれぞれ異なるシーンに対応しており、前記いずれかの学習モデルを選択する処理では、前記ユーザによる撮影指示で生成された画像のシーンに対応する学習モデルを選択することを特徴とする請求項3に記載の画像処理方法。
- 前記いずれかの学習モデルを選択する処理は、前記ユーザによる撮影指示があった場合に、前記ユーザによる撮影指示で生成された画像よりも前に生成された画像の解析結果に基づいて行われることを特徴とする請求項1に記載の画像処理方法。
- 前記複数の学習モデルはそれぞれ異なるシーンに対応しており、前記いずれかの学習モデルを選択する処理では、前記ユーザによる撮影指示で生成された画像よりも前に生成された画像のシーンに対応する学習モデルを選択することを特徴とする請求項5に記載の画像処理方法。
- 前記複数の学習モデルはそれぞれ異なるシーンに対応しており、前記いずれかの学習モデルを選択する処理では、ユーザによって所定の条件を満たす評価点が付けられた画像のシーンに対応する学習モデルを選択することを特徴とする請求項1に記載の画像処理方法。
- 前記いずれかの学習モデルを選択する処理は、前記撮像素子で画像を生成したときの場所を示す情報に基づいて行われることを特徴とする請求項7に記載の画像処理方法。
- 前記複数の学習モデルはそれぞれ異なる場所に対応しており、前記いずれかの学習モデルを選択する処理では、前記撮像素子で画像を生成したときの場所に対応する学習モデルを選択することを特徴とする請求項8に記載の画像処理方法。
- 前記複数の学習モデルを用いて、前記複数の学習モデルの前記撮像素子で生成された画像に対するスコアを算出し、前記複数の学習モデルのスコアに基づいて、前記複数の学習モデルの中から、いずれかの学習モデルを選択することを特徴とする請求項1に記載の画像処理方法。
- 前記複数の学習モデルを用いて、ユーザよる撮影指示で生成された画像に対するスコアを算出し、前記いずれかの学習モデルを選択する処理は、前記複数の学習モデルのスコアに基づいて行われることを特徴とする請求項1に記載の画像処理方法。
- 前記いずれかの学習モデルを選択する処理では、ユーザよる撮影指示で生成された画像に対応する教師値との差異が最も小さくなるスコアの学習モデルを選択することを特徴とする請求項11に記載の画像処理方法。
- 前記複数の学習モデルのほかに、長期学習モデルを有し、前記長期学習モデルの学習に用いられた教師データの取得期間は、前記複数の学習モデルのそれぞれの学習に用いられた教師データの取得期間よりも長いことを特徴とする請求項1に記載の画像処理方法。
- 前記判定処理は、前記長期学習モデルの前記撮像素子で生成された画像に対するスコアと、前記選択されたいずれかの学習モデルの前記撮像素子で生成された画像に対するスコアとを統合した結果に基づいて行われることを特徴とする請求項13に記載の画像処理方法。
- 前記複数の学習モデルの学習に用いられた教師データとは異なる特徴を有する教師データが所定の数得られた場合に、新たな学習モデルを追加することを特徴とする請求項1に記載の画像処理方法。
- コンピュータに、請求項1乃至15のいずれか1項に記載の画像処理方法を実行させるためのプログラム。
- コンピュータに、請求項1乃至15のいずれか1項に記載の画像処理方法を実行させるためのプログラムを記憶したコンピュータが読み取り可能な記憶媒体。
- 撮像素子で生成された画像を記録するための基準を学習した複数の学習モデルの中から、いずれかの学習モデルを選択する選択手段と、
選択した前記学習モデルを用いて、前記撮像素子で生成された画像が前記基準を満たすか否かの判定処理を行う判定手段と、
前記判定処理において、前記撮像素子で生成された画像が前記基準を満たすと判定された場合に、前記撮像素子で生成された画像をメモリに記録させる記録手段と、を備え、
前記選択手段は、ユーザよる撮影指示、ユーザによる画像の評価結果、前記撮像素子で画像を生成したときの環境、および、前記複数の学習モデルの前記撮像素子で生成された画像に対するスコア、の少なくともいずれかに基づいて、前記複数の学習モデルの中から、いずれかの学習モデルを選択することを特徴とする画像処理装置。 - 撮像素子と、
前記撮像素子で生成された画像を記録するための基準を学習した複数の学習モデルの中から、いずれかの学習モデルを選択する選択手段と、
選択した前記学習モデルを用いて、前記撮像素子で生成された画像が前記基準を満たすか否かの判定処理を行う判定手段と、
前記判定処理において、前記撮像素子で生成された画像が前記基準を満たすと判定された場合に、前記撮像素子で生成された画像をメモリに記録させる記録手段と、を備え、
前記選択手段は、ユーザよる撮影指示、ユーザによる画像の評価結果、前記撮像素子で画像を生成したときの環境、および、前記複数の学習モデルの前記撮像素子で生成された画像に対するスコア、の少なくともいずれかに基づいて、前記複数の学習モデルの中から、いずれかの学習モデルを選択することを特徴とする撮像装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/229,063 US11032468B2 (en) | 2017-12-26 | 2018-12-21 | Image processing apparatus, image processing method, image capturing apparatus, and storage medium |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017250103 | 2017-12-26 | ||
JP2017250103 | 2017-12-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019118097A true JP2019118097A (ja) | 2019-07-18 |
JP6641446B2 JP6641446B2 (ja) | 2020-02-05 |
Family
ID=67304720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018203254A Active JP6641446B2 (ja) | 2017-12-26 | 2018-10-29 | 画像処理方法、画像処理装置、撮像装置、プログラム、記憶媒体 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6641446B2 (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111558945A (zh) * | 2020-05-26 | 2020-08-21 | 天津市微卡科技有限公司 | 一种基于图像处理技术的学习效率监测陪伴机器人 |
JP2021033450A (ja) * | 2019-08-20 | 2021-03-01 | 株式会社Cygames | 画像認識モデルを用いた識別子情報推論のための電子装置、方法、プログラム及びシステム |
CN112788230A (zh) * | 2019-11-01 | 2021-05-11 | 佳能株式会社 | 摄像设备及系统、信息处理设备、其控制方法和存储介质 |
WO2022049691A1 (ja) * | 2020-09-03 | 2022-03-10 | 日本電信電話株式会社 | 転移学習装置、転移学習方法およびプログラム |
WO2022191074A1 (ja) * | 2021-03-09 | 2022-09-15 | 日本電気株式会社 | 画像処理装置、画像処理方法、記録媒体 |
CN115428432A (zh) * | 2020-12-28 | 2022-12-02 | 富士胶片株式会社 | 摄像支援装置、摄像装置、摄像支援方法及程序 |
JP7270856B1 (ja) * | 2022-05-16 | 2023-05-10 | 三菱電機株式会社 | 検出装置、カメラシステム、検出方法、及び検出プログラム |
JP7453532B2 (ja) | 2020-04-08 | 2024-03-21 | 日本製鉄株式会社 | 焼結鉱の組織構成学習装置、組織構成学習方法及び組織構成学習プログラム、並びに焼結鉱の製造条件変更装置、製造条件変更方法及び製造条件変更プログラム |
CN115428432B (zh) * | 2020-12-28 | 2024-05-28 | 富士胶片株式会社 | 摄像支援装置、摄像装置、摄像支援方法及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10336576A (ja) * | 1997-05-29 | 1998-12-18 | Yamaha Motor Co Ltd | 画像記録システム |
JP2007049592A (ja) * | 2005-08-12 | 2007-02-22 | Sony Corp | 記録装置、記録方法 |
JP2008252667A (ja) * | 2007-03-30 | 2008-10-16 | Matsushita Electric Ind Co Ltd | 動画イベント検出装置 |
JP2009088828A (ja) * | 2007-09-28 | 2009-04-23 | Panasonic Corp | 放送番組記録システム、放送番組記録装置、および放送番組記録方法 |
US20100054550A1 (en) * | 2008-09-04 | 2010-03-04 | Sony Corporation | Image processing apparatus, imaging apparatus, image processing method, and program |
JP2011160044A (ja) * | 2010-01-29 | 2011-08-18 | Sanyo Electric Co Ltd | 撮像装置 |
WO2014030407A1 (ja) * | 2012-08-23 | 2014-02-27 | ソニー株式会社 | 制御装置および記憶媒体 |
JP2015197924A (ja) * | 2014-03-31 | 2015-11-09 | 三星電子株式会社Samsung Electronics Co.,Ltd. | 自動映像選択装置、自動映像選択方法、コンピュータ可読記録媒体及びコンピューティング装置 |
-
2018
- 2018-10-29 JP JP2018203254A patent/JP6641446B2/ja active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10336576A (ja) * | 1997-05-29 | 1998-12-18 | Yamaha Motor Co Ltd | 画像記録システム |
JP2007049592A (ja) * | 2005-08-12 | 2007-02-22 | Sony Corp | 記録装置、記録方法 |
JP2008252667A (ja) * | 2007-03-30 | 2008-10-16 | Matsushita Electric Ind Co Ltd | 動画イベント検出装置 |
JP2009088828A (ja) * | 2007-09-28 | 2009-04-23 | Panasonic Corp | 放送番組記録システム、放送番組記録装置、および放送番組記録方法 |
US20100054550A1 (en) * | 2008-09-04 | 2010-03-04 | Sony Corporation | Image processing apparatus, imaging apparatus, image processing method, and program |
JP2010061465A (ja) * | 2008-09-04 | 2010-03-18 | Sony Corp | 画像処理装置、撮像装置、画像処理方法およびプログラム |
JP2011160044A (ja) * | 2010-01-29 | 2011-08-18 | Sanyo Electric Co Ltd | 撮像装置 |
WO2014030407A1 (ja) * | 2012-08-23 | 2014-02-27 | ソニー株式会社 | 制御装置および記憶媒体 |
US20150207976A1 (en) * | 2012-08-23 | 2015-07-23 | Sony Corporation | Control apparatus and storage medium |
JP2015197924A (ja) * | 2014-03-31 | 2015-11-09 | 三星電子株式会社Samsung Electronics Co.,Ltd. | 自動映像選択装置、自動映像選択方法、コンピュータ可読記録媒体及びコンピューティング装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021033450A (ja) * | 2019-08-20 | 2021-03-01 | 株式会社Cygames | 画像認識モデルを用いた識別子情報推論のための電子装置、方法、プログラム及びシステム |
CN112788230A (zh) * | 2019-11-01 | 2021-05-11 | 佳能株式会社 | 摄像设备及系统、信息处理设备、其控制方法和存储介质 |
CN112788230B (zh) * | 2019-11-01 | 2023-05-30 | 佳能株式会社 | 摄像设备及系统、信息处理设备、其控制方法和存储介质 |
JP7453532B2 (ja) | 2020-04-08 | 2024-03-21 | 日本製鉄株式会社 | 焼結鉱の組織構成学習装置、組織構成学習方法及び組織構成学習プログラム、並びに焼結鉱の製造条件変更装置、製造条件変更方法及び製造条件変更プログラム |
CN111558945A (zh) * | 2020-05-26 | 2020-08-21 | 天津市微卡科技有限公司 | 一种基于图像处理技术的学习效率监测陪伴机器人 |
WO2022049691A1 (ja) * | 2020-09-03 | 2022-03-10 | 日本電信電話株式会社 | 転移学習装置、転移学習方法およびプログラム |
JP7380895B2 (ja) | 2020-09-03 | 2023-11-15 | 日本電信電話株式会社 | 転移学習装置、転移学習方法およびプログラム |
CN115428432A (zh) * | 2020-12-28 | 2022-12-02 | 富士胶片株式会社 | 摄像支援装置、摄像装置、摄像支援方法及程序 |
CN115428432B (zh) * | 2020-12-28 | 2024-05-28 | 富士胶片株式会社 | 摄像支援装置、摄像装置、摄像支援方法及存储介质 |
WO2022191074A1 (ja) * | 2021-03-09 | 2022-09-15 | 日本電気株式会社 | 画像処理装置、画像処理方法、記録媒体 |
JP7270856B1 (ja) * | 2022-05-16 | 2023-05-10 | 三菱電機株式会社 | 検出装置、カメラシステム、検出方法、及び検出プログラム |
WO2023223386A1 (ja) * | 2022-05-16 | 2023-11-23 | 三菱電機株式会社 | 検出装置、カメラシステム、検出方法、及び検出プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP6641446B2 (ja) | 2020-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7423685B2 (ja) | 画像処理装置およびその制御方法 | |
JP6799660B2 (ja) | 画像処理装置、画像処理方法、プログラム | |
JP6641446B2 (ja) | 画像処理方法、画像処理装置、撮像装置、プログラム、記憶媒体 | |
JP7222683B2 (ja) | 撮像装置及びその制御方法、プログラム、記憶媒体 | |
CN109981976B (zh) | 摄像设备及其控制方法和存储介质 | |
WO2019124055A1 (ja) | 撮像装置及びその制御方法、プログラム、記憶媒体 | |
KR102475999B1 (ko) | 화상 처리장치 및 그 제어방법 | |
JP7233162B2 (ja) | 撮像装置及びその制御方法、プログラム、記憶媒体 | |
JP2022070684A (ja) | 撮像装置およびその制御方法、プログラム | |
CN110557560B (zh) | 摄像设备及其控制方法和存储介质 | |
JP7403218B2 (ja) | 撮像装置及びその制御方法、プログラム、記憶媒体 | |
US11463617B2 (en) | Information processing apparatus, information processing system, image capturing apparatus, information processing method, and memory | |
JP2023057157A (ja) | 撮像装置及びその制御方法、プログラム | |
US11032468B2 (en) | Image processing apparatus, image processing method, image capturing apparatus, and storage medium | |
JP6896818B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP2021057815A (ja) | 撮像装置及びその制御方法、プログラム、記憶媒体 | |
JP7199808B2 (ja) | 撮像装置およびその制御方法 | |
JP2020145556A (ja) | 撮像装置及びその制御方法、プログラム、記憶媒体 | |
JP2023127983A (ja) | 撮像装置およびその制御方法、プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190227 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191126 |
|
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: 20191129 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191227 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6641446 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |