JP2019124987A - 情報処理システム、プログラム、情報処理装置及び情報出力方法 - Google Patents

Abstract

【課題】撮影画像の人物の価値観を解析できる情報処理システムを提供すること。【解決手段】一台以上の情報処理装置を含む構成の情報処理システムであって、同一の価値観を持つ人物の画像としてユーザにより選択された複数枚の撮影画像から機械学習の手法を用いて構築された見た目属性の特徴量パターンを一種類以上記憶する特徴量パターン記憶手段と、特徴量パターン記憶手段に記憶されている一種類以上の特徴量パターンを用いて、解析用データとして入力された画像に写る人物の見た目属性を解析する見た目属性解析手段と、見た目属性解析手段による解析結果に応じた出力を行う解析結果出力手段と、を有することにより上記課題を解決する。【選択図】 図３

Description

本発明は、情報処理システム、プログラム、情報処理装置及び情報出力方法に関する。

従来の画像処理装置には、カメラから人物の撮影画像を服装画像として取得し、取得した複数の服装画像を参照してその人物の服装の傾向を推定し、その人物の服装の傾向に基づき、公開している各種の商品の中から、ユーザの好みに合った衣服の情報をレコメンド情報として選択して出力するものがあった（例えば特許文献１参照）。

しかしながら、特許文献１に記載されている画像処理装置は、着用回数が多い場合にはその服装、同系色の服装が多い場合にはその色の服装、特定種類の服装が多い場合にはその種類の服装をユーザの好みの傾向として推定しており、推定できるユーザの好みの傾向が単純なものに限られるという問題があった。

例えば消費者の購買行動は消費者購買行動モデル（ＡＩＤＭＡ）等で表される。消費者購買行動モデル（ＡＩＤＭＡ）は、消費者の購買行動を、製品の存在を知るＡｔｔｅｎｔｉｏｎと、興味を持つＩｎｔｅｒｅｓｔと、欲しいと思うＤｅｓｉｒｅと、動機を求めるＭｏｔｉｖｅと、購買行動に至るＡｃｔｉｏｎとで表す。ＡｔｔｅｎｔｉｏｎからＩｎｔｅｒｅｓｔへは、消費者の価値観へのアプローチ（ターゲティング）が重要である。しかしながら、特許文献１で推定できるユーザの好みの傾向は消費者の価値観を解析できるものでなく、消費者の価値観への有効なアプローチができないという問題があった。

本発明の実施の形態は、撮影画像の人物の価値観を解析できる情報処理システムを提供することを目的とする。

上記した課題を達成するために本願請求項１は、一台以上の情報処理装置を含む構成の情報処理システムであって、同一の価値観を持つ人物の画像としてユーザにより選択された複数枚の撮影画像から機械学習の手法を用いて構築された見た目属性の特徴量パターンを一種類以上記憶する特徴量パターン記憶手段と、前記特徴量パターン記憶手段に記憶されている一種類以上の前記特徴量パターンを用いて、解析用データとして入力された画像に写る人物の前記見た目属性を解析する見た目属性解析手段と、前記見た目属性解析手段による解析結果に応じた出力を行う解析結果出力手段と、を有することを特徴とする。

本発明の実施の形態によれば、撮影画像の人物の価値観を解析できる。

本実施形態に係る情報処理システムの一例の構成図である。 コンピュータの一例のハードウェア構成図である。 本実施形態に係る情報処理システムの一例の機能構成図である。 本実施形態に係る情報処理システムが行う見た目属性に関する処理の一例のフローチャートである。 見た目属性学習処理の一例のフローチャートである。 教師データを複製する処理の一例のフローチャートである。 加工を利用して画像枚数を増やす一般事例を示す図である。 加工を利用して画像枚数を増やす本実施形態に係る事例を示す図である。 見た目属性解析処理及び解析結果出力処理の一例のフローチャートである。 見た目属性解析処理の一例のイメージ図である。 解析結果出力処理（適合型）の一例のイメージ図である。 解析結果出力処理（相関型）の一例のイメージ図である。 解析結果出力処理（価値指標型）の一例のイメージ図である。 第１の活用事例を示すシステム構成の一例のイメージ図である。 第１の活用事例を示す一例のフローチャートである。 第１の活用事例を示す一例の解析結果出力のイメージ図である。 第２の活用事例を示すシステム構成の一例のイメージ図である。 第２の活用事例を示す一例のフローチャートである。 実タイプマッチ用データ設定処理の一例のフローチャートである。 実タイプマッチ用データ設定処理の一例のイメージ図である。 実タイプマッチ用データの一例の構成図である。 第２の活用事例における解析結果出力の一例のイメージ図である。 第３の活用事例を示すシステム構成の一例のイメージ図である。 第３の活用事例を示す一例のフローチャートである。 広告定義データの一例の構成図である。 第４の活用事例を示すシステム構成の一例のイメージ図である。 第４の活用事例を示す一例のフローチャートである。 第５の活用事例を示すシステム構成の一例のイメージ図である。 第５の活用事例を示す一例のフローチャートである。 第６の活用事例を示すシステム構成の一例のイメージ図である。 第６の活用事例を示す一例のフローチャートである。 第７の活用事例を示すシステム構成の一例のイメージ図である。 第７の活用事例を示す一例のフローチャートである。 第８の活用事例を示すシステム構成の一例のイメージ図である。 第８の活用事例を示す一例のフローチャートである。 第９の活用事例を示すシステム構成の一例のイメージ図である。 第９の活用事例を示す一例のフローチャートである。 第１０の活用事例を示すシステム構成の一例のイメージ図である。 第１０の活用事例を示す一例のフローチャートである。

以下、本発明の実施形態について図面を参照しながら説明する。
［第１の実施形態］
＜概要＞
前述したように、消費者購買行動モデルにおけるＡｔｔｅｎｔｉｏｎからＩｎｔｅｒｅｓｔへは、消費者の価値観へのアプローチ（ターゲティング）が重要であるが、現状、消費者の年齢、性別、職業、住居などのペルソナ分析により消費者の価値観へアプローチする手法が一般的だった。

本発明の実施形態では「見た目属性」という概念を取り入れ、その見た目属性により消費者の価値観へアプローチする手法を用いる。見た目属性とは、消費者の価値観を直接モデリングし、分析することで、価値観を可視化する手法である。

例えば「派手系な洋服がすき」という価値観の見た目属性を「渋谷系」と指定し、その見た目属性「渋谷系」として分類したい人物の画像を複数点用意し、機械学習やディープラーニング（深層学習）の手法（以下、機械学習と総称する）を用いて見た目属性「渋谷系」の特徴量パターンを構築する。同様の手法を用いて例えば「落ち着いたかっちりした洋服がすき」という価値観の見た目属性「銀座系」などの特徴量パターンを複数構築する。そして、構築した複数の特徴量パターンを用いることで、価値観を分析したい人物の画像の見た目属性を分析し、分析した見た目属性から、その画像の人物の価値観を可視化（抽出）できる。

また、例えば女性誌Ａのファッションとして分類される人物画像（全身）を女性誌Ａから複数点用意し、機械学習の手法を用いて学習することで、見た目属性「女性誌Ａ」の特徴量パターンを構築する。同様に、見た目属性「女性誌Ｂ」の特徴量パターンと見た目属性「女性誌Ｃ」の特徴量パターンを構築する。

そして、例えば店舗に入ってきた人物の画像の見た目属性を、構築した見た目属性「女性誌Ａ」「女性誌Ｂ」「女性誌Ｃ」を用いて分析し、店舗に入ってきた人物の価値観を可視化できる。このように、本実施形態では自己の価値観が現れるファッションという見た目を見た目属性により分類し、人物の価値観を可視化する。

＜システム構成＞
図１は、本実施形態に係る情報処理システムの一例の構成図である。図１（Ａ）の情報処理システム１Ａはサーバ装置１０、クライアント端末１２、画像ファイル記憶装置１４及びカメラ１６がインターネットやＬＡＮなどのネットワーク１８を介してデータ通信可能に接続されている。図１（Ｂ）の情報処理システム１Ｂは画像ファイル記憶装置１４、カメラ１６及び情報処理装置２０がネットワーク１８を介してデータ通信可能に接続されている。

情報処理システム１Ａではユーザがクライアント端末１２を操作し、サーバ装置１０に後述の見た目属性学習処理、見た目属性解析処理、解析結果出力処理を行わせる。サーバ装置１０は画像ファイル記憶装置１４に記憶されている教師データを用いて見た目属性の特徴量パターンを構築する。また、サーバ装置１０は画像ファイル記憶装置１４に記憶されている解析用データ又はカメラ１６により撮像された解析用データの見た目属性を解析し、解析結果をクライアント端末１２などに出力させる。

情報処理システム１Ｂではユーザが情報処理装置２０を操作し、情報処理装置２０に後述の見た目属性学習処理、見た目属性解析処理、解析結果出力処理を行わせる。情報処理装置２０は画像ファイル記憶装置１４に記憶されている教師データを用いて見た目属性の特徴量パターンを構築する。また、情報処理装置２０は画像ファイル記憶装置１４に記憶されている解析用データ又はカメラ１６により撮像された解析用データの見た目属性を解析し、解析結果を出力する。

サーバ装置１０はＰＣなどのコンピュータにより実現される。クライアント端末１２はスマートデバイス、タブレット端末、携帯電話、ＰＣなどにより実現される。画像ファイル記憶装置１４は、例えばファイルサーバやネットワークハードディスクなどにより実現される。カメラ１６は撮像した画像データをネットワーク１８経由で送信できる常設監視カメラ、ネットワークカメラ、一眼レフカメラなどにより実現される。

なお、クライアント端末１２にカメラ機能が搭載されており、そのカメラ機能を利用する場合はカメラ１６が無くてもよい。また、サーバ装置１０又はクライアント端末１２の記憶装置を画像ファイル記憶装置１４の替わりに利用する場合は画像ファイル記憶装置１４が無くてもよい。また、情報処理装置２０はスマートデバイス、タブレット端末、携帯電話、ＰＣなどにより実現される。さらに、クライアント端末１２及び情報処理装置２０は学習環境用と解析環境用とを別々に設けてもよい。

なお、図１に示す情報処理システム１Ａ及び１Ｂの構成は一例である。例えばサーバ装置１０又は情報処理装置２０の機能の少なくとも一部はサーバ装置１０又は情報処理装置２０以外に備えてもよい。また、クライアント端末１２の機能の少なくとも一部はクライアント端末１２以外に備えてもよい。

＜ハードウェア構成＞
《コンピュータ》
図１のサーバ装置１０、クライアント端末１２及び情報処理装置２０は例えば図２に示すようなハードウェア構成のコンピュータにより実現される。図２は、コンピュータの一例のハードウェア構成図である。

図２に示したコンピュータ５００は、入力装置５０１、表示装置５０２、外部Ｉ／Ｆ５０３、ＲＡＭ５０４、ＲＯＭ５０５、ＣＰＵ５０６、通信Ｉ／Ｆ５０７及びＨＤＤ５０８などを備え、それぞれがバスＢで相互に接続されている。なお、入力装置５０１及び表示装置５０２は必要なときに接続して利用する形態であってもよい。

入力装置５０１はキーボードやマウス、タッチパネルなどを含み、ユーザが各操作信号を入力するのに用いられる。表示装置５０２はディスプレイ等を含み、コンピュータ５００による処理結果を表示する。

通信Ｉ／Ｆ５０７はコンピュータ５００を各種ネットワークに接続するインタフェースである。これにより、コンピュータ５００は通信Ｉ／Ｆ５０７を介してデータ通信を行うことができる。

また、ＨＤＤ５０８は、プログラムやデータを格納している不揮発性の記憶装置の一例である。格納されるプログラムやデータには、コンピュータ５００全体を制御する基本ソフトウェアであるＯＳ、及びＯＳ上において各種機能を提供するアプリケーションなどがある。なお、コンピュータ５００はＨＤＤ５０８に替え、記憶媒体としてフラッシュメモリを用いるドライブ装置（例えばソリッドステートドライブ：ＳＳＤ）を利用するものであってもよい。

外部Ｉ／Ｆ５０３は、外部装置とのインタフェースである。外部装置には、記録媒体５０３ａなどがある。これにより、コンピュータ５００は外部Ｉ／Ｆ５０３を介して記録媒体５０３ａの読み取り及び／又は書き込みを行うことができる。記録媒体５０３ａにはフレキシブルディスク、ＣＤ、ＤＶＤ、ＳＤメモリカード、ＵＳＢメモリ、ＳＩＭカードなどがある。

ＲＯＭ５０５は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリ（記憶装置）の一例である。ＲＯＭ５０５にはコンピュータ５００の起動時に実行されるＢＩＯＳ、ＯＳ設定、及びネットワーク設定などのプログラムやデータが格納されている。ＲＡＭ５０４はプログラムやデータを一時保持する揮発性の半導体メモリ（記憶装置）の一例である。

ＣＰＵ５０６は、ＲＯＭ５０５やＨＤＤ５０８などの記憶装置からプログラムやデータをＲＡＭ５０４上に読み出し、処理を実行することで、コンピュータ５００全体の制御や機能を実現する演算装置である。ＣＰＵ５０６は１つのプロセッサ又は複数のプロセッサで実現されていてもよい。

サーバ装置１０、クライアント端末１２及び情報処理装置２０は、例えば図２に示すコンピュータ５００のハードウェア構成により、後述するような各種処理を実現できる。

＜ソフトウェア構成＞
本実施形態に係る情報処理システム１Ａ又は１Ｂは例えば図３に示す機能構成により実現される。図３は本実施形態に係る情報処理システムの一例の機能構成図である。図３の機能構成は、本実施形態の説明に不要な構成について適宜省略している。以下では情報処理システム１Ａを例として説明する。

図３のサーバ装置１０は見た目属性学習部３１、学習データ記憶部３２、見た目属性解析部３３、解析結果データ記憶部３４、解析結果出力処理部３５、複製処理部３６を有する構成である。見た目属性学習部３１は後述の見た目属性学習処理を行い、機械学習の手法を用いて教師データから複数の特徴量パターンを構築する。見た目属性学習部３１は構築した特徴量パターンを学習データ記憶部３２に記憶させる。

例えば見た目属性学習部３１は見た目属性「Ａ」として分類したい人物が写っている画像ファイルを複数枚、入力されることで、機械学習の手法を用いて見た目属性「Ａ」の特徴量パターンを構築できる。

見た目属性解析部３３は後述の見た目属性解析処理を行い、学習データ記憶部３２に記憶されている特徴量パターンを用いて、解析用データとして入力された画像ファイルの人物の見た目属性を解析する。見た目属性解析部３３は解析結果データを解析結果データ記憶部３４に記憶させる。

解析結果出力処理部３５は後述の解析結果出力処理を行い、解析結果データ記憶部３４に記憶されている解析結果データを用いて、解析用データとして入力された画像ファイルの人物の見た目属性や、その見た目属性に応じた価値観などの情報を、解析結果として出力する。複製処理部３６は教師データを後述のように複製することで、教師データを増やす（水増しする）。

＜処理＞
本実施形態に係る情報処理システム１Ａ及び１Ｂは、例えば図４に示す手順で見た目属性に関する処理を行う。図４は本実施形態に係る情報処理システムが行う見た目属性に関する処理の一例のフローチャートである。

ステップＳ１１において、見た目属性学習部３１は入力された教師データから複数の見た目属性の特徴量パターンを構築し、学習データ記憶部３２に記憶させる。ステップＳ１１の見た目属性学習処理の詳細は後述する。

ステップＳ１２において、見た目属性解析部３３は学習データ記憶部３２に記憶されている特徴量パターンを用いて、解析用データとして入力された画像ファイルの人物の見た目属性を解析し、解析結果データを解析結果データ記憶部３４に記憶させる。なお、ステップＳ１２の見た目属性解析処理の詳細は後述する。

ステップＳ１３において、解析結果出力処理部３５は解析結果データ記憶部３４に記憶されている解析結果データを用いて、解析用データとして入力された画像ファイルの人物の見た目属性などの情報を、解析結果として出力する。なお、ステップＳ１３の解析結果出力処理の詳細は後述する。

図５は見た目属性学習処理の一例のフローチャートである。ステップＳ２１において見た目属性学習部３１は属性設定（学習条件）により、機械学習に必要なパラメータ設定を受け付ける。ステップＳ２２に進み、見た目属性学習部３１は、ユーザが一の見た目属性として分類した人物の画像を教師データとして読み込む。ステップＳ２３に進み、見た目属性学習部３１は機械学習により教師データの特徴を把握し、特徴量パターンを構築して学習データ記憶部３２に記憶させる。

ステップＳ２４に進み、見た目属性学習部３１はステップＳ２３の機械学習を行っていない見た目属性の教師データが残っていればステップＳ２２に戻り、処理を続ける。ステップＳ２３の機械学習を行っていない見た目属性の教師データが残っていなければ見た目属性学習部３１は図５のフローチャートの処理を終了する。

なお、画像認識のための機械学習では精度を担保する（過学習を防ぐ）ために、教師データセットとして十分な画像枚数を用意する必要がある。十分な画像枚数を用意できない場合、タグ付けされた画像群（ユーザが一の見た目属性として分類した人物の画像群）を加工することで画像枚数を増やす（水増しする）図６の方法を利用するようにしてもよい。ここで言う加工とは、コントラスト調整、ガンマ変換、平滑化、ノイズ付加、反転、拡大・縮小等である。

コントラスト調整では、画像のコントラスト（明暗差）を強調／低減させることで画像のメリハリや色彩の強弱を変換する。ガンマ変換では、画像の主階調（ガンマ）を変えて輝度値を変化させる。平滑化では、平均化フィルタ等を使って画像を滑らかにする。ノイズ付加では、ガウス分布に基づく生成値を足してノイズを付加、又は、インパルスノイズを付加する。反転では、画像を左右又は上下に反転させる。拡大・縮小では、画像の一部を拡大・縮小する。

図７は加工を利用して画像枚数を増やす一般事例を示す図である。図７では３００枚の画像枚数が最終的に１９２００枚まで増えている。一般的に図７に示す加工を利用した画像枚数の増加方法はルール化され、タグ付けされたあらゆる画像群に対して同じ増加方法が取られる。本実施形態では、タグ（見た目属性）の種類によって画像枚数の増やし方を次のように変えている。

図８は加工を利用して画像枚数を増やす本実施形態に係る事例を示す図である。図８ではタグ（見た目属性）の種類によって、利用する加工法を変えている。なお、図８の加工法及び加工順は一例である。例えば服装の特徴が「地味な服装」の画像がメインとなる画像群に対し、コントラスト強調やガンマ強調（硬調化）を行うと色彩が強調されてしまうため、地味な服装の機械学習の教師データに相応しくない画像が生成される。

また、服装の特徴が「無地の服装」の画像がメインとなる画像群に対し、ノイズ付加を行うと、付加されたノイズが服装の柄（模様）のように見えるため、無地の服装の機械学習の教師データに相応しくない画像が生成される。さらに、服装の特徴が「セーターやスウェード素材の服装」の画像がメインとなる画像群に対し、平滑化処理を行うと、素材の立体感が失われ、セーターやスウェード素材の服装の機械学習の教師データに相応しくない画像が生成される。

そこで、本実施形態では図６のフローチャートに示すように、見た目属性の種類により教師データの増やし方を変えることで、より高精度な機械学習を行うことのできる教師データセットを十分に生成できる。

図６は教師データを複製する処理の一例のフローチャートである。図６に示す教師データを複製する処理を行う複製処理部３６は情報処理システム１Ａの場合、クライアント端末１２に設けてもよい。ステップＳ３１において複製処理部３６は、属性設定（学習条件）により、図８に示す見た目属性の種類ごとの加工条件（コントラスト調整、ガンマ変換、平滑化、ノイズ付加、反転、拡大・縮小などの複製処理）の設定を受け付ける。

ステップＳ３２に進み、複製処理部３６は、ユーザが一の見た目属性として分類した人物の画像を教師データとして読み込む。ステップＳ３３に進み、複製処理部３６は読み込んだ見た目属性とマッチする加工条件があれば、ステップＳ３４に進み、その加工条件に基づき、複製加工処理を行い、複製データを教師データに追加する。

複製処理部３６は読み込んだ見た目属性とマッチする加工条件がなければ、複製処理部３６はステップＳ３４の処理をスキップする。ステップＳ３３〜Ｓ３５の処理は加工条件が無くなるまで繰り返される。

図９は見た目属性解析処理及び解析結果出力処理の一例のフローチャートである。図９のフローチャートはクライアント端末１２で行う処理も含んでいる。ステップＳ４１においてクライアント端末１２は属性設定（撮影条件）により、撮影に必要なパラメータ設定を受け付ける。ステップＳ４２に進み、クライアント端末１２は解析用データとして画像ファイル記憶装置１４又はカメラ１６から画像ファイルを読み込む。

ステップＳ４３に進み、クライアント端末１２は読み込んだ画像ファイルから見た目属性の解析に必要な領域の抽出及び解像度変更などのデータ加工を実施する。ステップＳ４４において、クライアント端末１２はステップＳ４３でデータ加工を実施した画像ファイルを解析用データとしてサーバ装置１０の見た目属性解析部３３にアップロードする。

ステップＳ４５に進み、見た目属性解析部３３は学習データ記憶部３２に記憶されている特徴量パターンを用いて、解析用データとして入力された画像ファイルの人物の各種見た目属性への適合を解析する。ステップＳ４６に進み、解析結果出力処理部３５は解析結果を各種デバイスに送信し、解析結果を各種デバイスに表示させたり、解析結果を各種デバイスに保存させたりする。ステップＳ４２〜Ｓ４７は継続処理の終了がユーザにより指示されるまで繰り返される。

図１０は見た目属性解析処理の一例のイメージ図である。図１０の例では見た目属性としてガーリー系、お姉ギャル系、フェミニン系、きれい系、ストリート系、キャリア系、お嬢さんＯＬ系、ミセス系を一例として示している。見た目属性解析部３３は図１０の左側に表示した解析用データを読み込み、特徴量パターンを使用して図１０の各種見た目属性への適合を解析する。図１０では解析用データの人物の見た目属性が「ガーリー系」と解析された例を示している。

ステップＳ１３の解析結果出力処理では例えば適合型、相関型又は価値指標型の解析結果を出力する。図１１は解析結果出力処理（適合型）の一例のイメージ図である。適合型の解析結果出力処理は例えばスマートフォンのアプリケーションに搭載し、ユーザが自分のファッションチェックを実施する場合に利用される。解析結果出力処理部３５は見た目属性解析部３３がユーザのキャプチャデータから解析した各種見た目属性の適合度を解析結果として出力する。図１１の例では見た目属性「Ａ」の適合度が最も高くなっている。

また、適合型の解析結果出力処理はアパレルや飲食などの店舗系の分析ツールとしての活用もできる。解析結果出力処理部３５は見た目属性解析部３３が特定エリアを撮影するカメラ１６の画像ファイルから解析した、特定エリアを訪れた人物の見た目属性を解析して出現率や人数を解析結果として出力する。アパレルや飲食などの店舗系は解析結果を内装や陳列に活かすことができる。

図１２は解析結果出力処理（相関型）の一例のイメージ図である。相関型の解析結果出力処理は例えばアパレルなどの店舗で活用できる。相関型の解析結果出力処理では見た目属性ごとの価値観を定義しておくことで、各種見た目属性の相関値を算出し、相関マップを作成しておく。図１２の相関マップは見た目属性Ａと、見た目属性Ｃ，Ｇ及びＨとが相関値が近く、見た目属性Ａと解析された人物に、見た目属性Ｃ，Ｇ及びＨ向けの商品を勧める価値があることを示している。

相関型の解析結果出力処理では、解析した見た目属性向けの商品だけでなく、その見た目属性と価値観が近似している見た目属性向けの商品（ファッションやアクセサリー）も顧客に提案できる。なお、見た目属性ごとの価値観の定義は、特定エリア（渋谷、原宿又は代官山など）を撮影するカメラ１６の画像ファイルから見た目属性学習部３１を利用することで特定エリア系（渋谷系、原宿系又は代官山系など）の価値観設定を行うようにしてもよい。

図１３は解析結果出力処理（価値指標型）の一例のイメージ図である。価値指標型の解析結果出力処理は、例えばスマートフォンのアプリケーションに搭載し、ユーザが自分のファッションチェックを実施する場合に利用される。価値指標型の解析結果出力処理では価値観指標を開発し、その価値観指標により見た目属性ごとの価値観を予め定義しておくことで、見た目属性解析部３３がユーザのキャプチャデータから解析した見た目属性の各種価値観指標の尺度を解析結果として出力する。

＜活用事例＞
以下、本実施形態に係る見た目属性の活用事例について説明する。

《活用事例１》
活用事例１は見た目属性を判断するものである。活用事例１は事前準備事項として見た目属性に関する学習の実施が必要である。例えば年齢性別（男性：２０代、３０代、４０代、その他、女性：２０代、３０代、４０代、その他）や系統別属性（男性：キレカジ、カジュアル、スポーティ、ストリート、きれいめ、アメカジ、ビジネス、女性：ハイファッション、ミセス、キャリア、お嬢さんＯＬ、きれい、ベーシック、フェミニン、ガーリッシュ、お姉ギャル、フェミカジ、裏原、ストリート）の見た目属性の学習を見た目属性学習部３１に行わせる。そして、活用事例１の処理概要はカメラ１６で撮影した画像ファイルの人物の見た目属性を見た目属性解析部３３に解析させて、各種見た目属性との適合度合いを出力する。

図１４は第１の活用事例を示すシステム構成の一例のイメージ図である。図１４に示したシステム構成ではクライアント端末１２からアップロードされた画像データの人物の見た目属性をサーバ装置１０が解析し、その解析結果として各種見た目属性との適合度合いをクライアント端末１２に表示させる。

図１５は第１の活用事例を示す一例のフローチャートである。ステップＳ５１においてクライアント端末１２は属性設定（撮影条件）により、撮影に必要なパラメータ設定を受け付ける。ステップＳ５２に進み、クライアント端末１２は見た目属性の解析を行いたい人物が写っている画像データを読み込み、サーバ装置１０にアップロードする。

ステップＳ５３に進み、見た目属性解析部３３は学習データ記憶部３２に記憶されている特徴量パターンを用いて、クライアント端末１２からアップロードされた画像データの人物の見た目属性を解析させる。ステップＳ５４に進み、解析結果出力処理部３５は各種見た目属性との適合度合いを解析結果としてクライアント端末１２に送信し、例えば図１６のような解析結果出力をクライアント端末１２に表示させる。図１６は第１の活用事例を示す一例の解析結果出力のイメージ図である。図１６の解析結果出力の画面は各種見た目属性との適合度合いを表示している。

《活用事例２》
活用事例２は、カメラ１６で撮影する画像ファイルの領域に予め設定しておく見た目属性（実タイプ）と、その領域に写った人物の画像ファイルから解析された見た目属性とを比較するものである。活用事例２は事前準備事項として、活用事例１の事前準備事項に加えて後述する実タイプマッチ用データの設定が必要である。活用事例２の処理概要はクライアント端末１２から実タイプマッチ用データの設定を行わせ、カメラ１６で撮影した画像データの設定領域に写った人物の見た目属性をサーバ装置１０が解析し、その解析結果と実タイプとを比較した結果をクライアント端末１２に表示させる。

図１７は第２の活用事例を示すシステム構成の一例のイメージ図である。図１７に示したシステム構成ではカメラ１６からアップロードされた画像データの設定領域に写った人物の見た目属性をサーバ装置１０が解析し、その解析結果と実タイプマッチ用データとを比較して、その比較結果をクライアント端末１２に表示させる。なお、実タイプマッチ用データは例えばクライアント端末１２からサーバ装置１０に設定される。

図１８は第２の活用事例を示す一例のフローチャートである。ステップＳ６１においてカメラ１６は属性設定（撮影条件）により、撮影に必要なパラメータ設定をユーザから受け付ける。ステップＳ６２に進み、カメラ１６は実タイプマッチ用データに設定された設定領域が写っている画像データをサーバ装置１０にアップロードする。

ステップＳ６３に進み、見た目属性解析部３３は学習データ記憶部３２に記憶されている特徴量パターンを用いて、カメラ１６からアップロードされた画像データの設定領域に写る人物の見た目属性を解析する。ステップＳ６４に進み、解析結果出力処理部３５は見た目属性解析部３３が解析した見た目属性と、実タイプマッチ用データに設定されている設定領域と対応付けられた実タイプとを比較し、例えば図２２の解析結果出力をクライアント端末１２に表示させる。図２２は第２の活用事例を示す一例の解析結果出力のイメージ図である。図２２の解析結果出力の画面は、解析した見た目属性と実タイプとの適合率の推移（折れ線グラフ）や適合した人の数（棒グラフ）のレポートを表示している。

図１９は実タイプマッチ用データ設定処理の一例のフローチャートである。ステップＳ７１においてクライアント端末１２はカメラ１６から画像データを読み込む。ステップＳ７２に進み、クライアント端末１２は例えば図２０に示すように実タイプマッチ用データの領域設定を受け付ける。また、ステップＳ７３に進み、クライアント端末１２は例えば図２０に示すように実タイプマッチ用データの実タイプ設定を受け付ける。

図２０は実タイプマッチ用データ設定処理の一例のイメージ図である。図２０はカメラ１６から読み込んだ画像データがクライアント端末１２に表示された様子を表す。図２０では実タイプマッチ用データの設定領域として棚前Ａ、棚前Ｂ、鏡前が設定され、棚前Ａの設定領域に実タイプとして「きれい系」が設定され、棚前Ｂ及び鏡前の設定領域に実タイプとして「ビジネス系」が設定されている。ステップＳ７４に進み、クライアント端末１２は例えば図２１に示す実タイプマッチ用データを実タイプマッチ用データ記憶部４１に保存する。

図２１は、実タイプマッチ用データの一例の構成図である。図２１の実タイプマッチ用データは項目として領域名、領域データ及び想定タイプを有する。領域名は設定領域の名称であって、ユーザが設定領域を識別する識別情報の一例である。領域データはカメラ１６から読み込んだ画像データ上の領域を一意に指定できる情報の一例である。想定タイプは実タイプを示す情報の一例である。

《活用事例３》
活用事例３は見た目属性を判断し、広告と連動させるものである。活用事例３は事前準備事項として、活用事例１の事前準備事項に加えて後述の広告定義データの設定が必要である。活用事例３の処理概要はカメラ１６で撮影した画像ファイルの人物の見た目属性を見た目属性解析部３３に解析させて、その解析結果に応じた広告を出力する。

図２３は第３の活用事例を示すシステム構成の一例のイメージ図である。図２３に示したシステム構成ではカメラ１６からアップロードされた画像データの人物の見た目属性をサーバ装置１０が解析し、解析された見た目属性と対応付けられた広告パターンの広告をデジタルサイネージディスプレイ４３に表示させる。

図２４は第３の活用事例を示す一例のフローチャートである。ステップＳ８１においてカメラ１６は属性設定（撮影条件）により、撮影に必要なパラメータ設定をユーザから受け付ける。ステップＳ８２に進み、カメラ１６は見た目属性の解析を行いたい人物が写る画像データをサーバ装置１０にアップロードする。

ステップＳ８３に進み、見た目属性解析部３３は学習データ記憶部３２に記憶されている特徴量パターンを用いて、カメラ１６からアップロードされた画像データの人物の見た目属性を解析させる。ステップＳ８４に進み、解析結果出力処理部３５は図２５に示すような広告定義データを参照し、解析された見た目属性と対応付けられた広告パターンをデジタルサイネージディスプレイ４３に表示させる。

図２５は広告定義データの一例の構成図である。図２５の広告定義データは項目として見た目属性及び広告パターンを有する。広告定義データは見た目属性と広告パターンとを対応付ける。広告定義データは例えば広告定義データ記憶部４２に記憶される。

《活用事例４》
活用事例４は、カメラ１６で撮影する画像ファイルの領域に予め設定しておく見た目属性（実タイプ）と、その領域に写った人物の画像ファイルから解析された見た目属性とを比較した結果を、店舗内の展示物・レイアウト変更に活用するものである。活用事例４は事前準備事項として、活用事例２と同様な事前準備事項が必要である。

活用事例４の処理概要はクライアント端末１２から実タイプマッチ用データの設定を行わせ、カメラ１６で撮影した画像データの設定領域に写った人物の見た目属性をサーバ装置１０が解析し、その解析結果と実タイプとを比較した結果をクライアント端末１２等に表示して、店舗内の展示物・レイアウト変更に活用させる。

図２６は第４の活用事例を示すシステム構成の一例のイメージ図である。図２６に示したシステム構成ではカメラ１６からアップロードされた画像データの設定領域に写った人物の見た目属性をサーバ装置１０が解析し、その解析結果と実タイプマッチ用データとを比較して、その比較結果をクライアント端末１２に表示させる。

図２７は第４の活用事例を示す一例のフローチャートである。図２７では左側にユーザが行う行動の店内フローを表し、右側に情報処理システム１Ａが行う見た目属性解析処理フローを表している。ステップＳ９１においてユーザは店舗内においてレイアウト整備や商材（展示物）展示を行う。ステップＳ９２においてユーザは図２７の右側に表した見た目属性解析処理フローの解析結果を参考に、店舗内においてレイアウト変更や展示商材の変更などを行う。

ステップＳ１０１において、カメラ１６は属性設定（撮影条件）により、撮影に必要なパラメータ設定をユーザから受け付ける。ステップＳ１０２に進み、カメラ１６は店舗近辺や店舗内の設定領域が写る画像データをサーバ装置１０にアップロードする。

ステップＳ１０３に進み、見た目属性解析部３３は学習データ記憶部３２に記憶されている特徴量パターンを用いて、カメラ１６からアップロードされた画像データの設定領域に写る人物の見た目属性を解析させる。ステップＳ１０４に進み、解析結果出力処理部３５は見た目属性解析部３３が解析した見た目属性と、実タイプマッチ用データに設定されている設定領域と対応付けられた実タイプとを比較し、解析結果出力をクライアント端末１２に表示させる。

《活用事例５》
活用事例５は、カメラ１６で撮影する画像ファイルの領域に予め設定しておく見た目属性（実タイプ）と、その領域に写った人物の画像ファイルから解析された見た目属性とを比較した結果を、見た目属性に応じたチラシ等の販促物の配布に活用するものである。

活用事例５の処理概要はクライアント端末１２から実タイプマッチ用データの設定を行わせ、カメラ１６で撮影した画像データの設定領域に写った人物の見た目属性をサーバ装置１０が解析し、その解析結果と実タイプとを比較した結果をクライアント端末１２等に表示して、店舗でのチラシ等の販促物の配布に活用させる。

図２８は第５の活用事例を示すシステム構成の一例のイメージ図である。図２８に示したシステム構成ではカメラ１６からアップロードされた画像データの設定領域に写った人物の見た目属性をサーバ装置１０が解析し、その解析結果と実タイプマッチ用データとを比較して、その比較結果に基づき、解析した見た目属性の顧客に配布するチラシのタイプをクライアント端末１２に表示させる。

図２９は第５の活用事例を示す一例のフローチャートである。図２９では左側に店員が行う行動の店員処理フローを表し、右側に情報処理システム１Ａが行う見た目属性解析処理フローを表している。ステップＳ１１１において店員は購買処理（レジ処理）を行う。ステップＳ１１２において店員は図２９の右側に表した見た目属性解析処理フローの解析結果に基づきクライアント端末１２に表示された、その顧客に配布するチラシのタイプを確認してチラシ等の販促物を配布できる。

ステップＳ１２１において、カメラ１６は属性設定（撮影条件）により、撮影に必要なパラメータ設定をユーザから受け付ける。ステップＳ１２２に進み、カメラ１６はレジ前の顧客が写る画像データをサーバ装置１０にアップロードする。

ステップＳ１２３に進み、見た目属性解析部３３は学習データ記憶部３２に記憶されている特徴量パターンを用いて、カメラ１６からアップロードされた画像データに写る顧客の見た目属性を解析させる。ステップＳ１２４に進み、解析結果出力処理部３５は見た目属性解析部３３が解析した見た目属性と、実タイプマッチ用データに設定されている設定領域と対応付けられた実タイプとを比較し、その比較結果に基づき、解析した見た目属性の顧客に配布するチラシのタイプをクライアント端末１２に表示させる。

《活用事例６》
活用事例６は見た目属性を判断し、判断した見た目属性を既存会員情報へ付加するものである。活用事例６は、事前準備事項として、活用事例１と同様な事前準備事項が必要である。活用事例６の処理概要はカメラ１６で撮影した画像ファイルの人物の見た目属性を見た目属性解析部３３に解析させて、その見た目属性を既存会員情報へ付加する。

図３０は第６の活用事例を示すシステム構成の一例のイメージ図である。図３０に示したシステム構成ではカメラ１６からアップロードされた画像データの顧客の見た目属性をサーバ装置１０が解析し、その顧客の見た目属性を、会員カードなどで照合された顧客の会員情報に付加する。会員情報は会員Ｄ／Ｂ（会員データベース）に記憶されている。

図３１は第６の活用事例を示す一例のフローチャートである。図３１では左側に店員が行う行動の店員処理フローを表し、右側に情報処理システム１Ａが行う見た目属性解析処理フローを表している。ステップＳ１３１において店員は顧客が持つ会員カード等から会員ＩＤを読み込む。ステップＳ１３２に進み、店員は会員ＩＤにより会員Ｄ／Ｂ記憶部４４を照合し、ステップＳ１３３で顧客の会員情報を表示させる。そして、ステップＳ１３４に進み、店員は顧客に対して購買処理（レジ処理）を行う。

ステップＳ１４１において、カメラ１６は属性設定（撮影条件）により、撮影に必要なパラメータ設定をユーザから受け付ける。ステップＳ１４２に進み、カメラ１６はレジ前の顧客が写る画像データをサーバ装置１０にアップロードする。

ステップＳ１４３に進み、見た目属性解析部３３は学習データ記憶部３２に記憶されている特徴量パターンを用いて、カメラ１６からアップロードされた画像データに写る顧客の見た目属性を解析させる。ステップＳ１４４に進み、解析結果出力処理部３５は見た目属性解析部３３が解析した見た目属性を、その顧客の会員情報へ付加する。

このように顧客の会員情報へ見た目属性を付加することで、活用事例６では顧客の見た目属性から顧客の価値観を解析でき、顧客ごとの嗜好にマッチした販促・キャンペーンなどが可能となるため、売上げ向上の効果が得られる。また、顧客の会員情報へ見た目属性を付加することで、活用事例６では嗜好にマッチしない顧客への販促・キャンペーンなどを実施しないことで費用削減の効果が得られる。また、顧客の会員情報へ見た目属性を付加することで、活用事例６では年齢や職業などの従来の会員情報の項目から分からない顧客の嗜好や、自店舗の購入履歴だけでは分からない顧客の嗜好も、顧客の見た目属性から解析できる。

《活用事例７》
活用事例７は活用事例６で既存会員情報へ付加した見た目属性を販売促進に利用するものである。活用事例７は、事前準備事項として、活用事例６と同様な事前準備事項が必要である。活用事例７の処理概要はカメラ１６で撮影した画像ファイルの人物の見た目属性を見た目属性解析部３３に解析させて、その見た目属性を既存会員情報へ付加し、その見た目属性に応じて販促チャネル・販促物を自動判別する。

図３２は第７の活用事例を示すシステム構成の一例のイメージ図である。図３２に示したシステム構成ではカメラ１６からアップロードされた画像データの顧客の見た目属性をサーバ装置１０が解析し、その顧客の見た目属性を、会員カードなどで照合された顧客の会員情報に付加する。例えば販促ダイレクトメールの送付や販促メールの送信を管理する管理サーバは、その会員情報に付加された見た目属性に応じて顧客への販促チャネルの自動判別や顧客への販促メールの自動発信などが実現できる。

図３３は第７の活用事例を示す一例のフローチャートである。図３３では左側に店員が行う行動の店員処理フローを表し、右側に情報処理システム１Ａが行う見た目属性解析処理フローを表している。ステップＳ１５１において店員は顧客が持つ会員カード等から会員ＩＤを読み込む。ステップＳ１５２に進み、店員は会員ＩＤにより会員Ｄ／Ｂ記憶部４４を照合し、ステップＳ１５３で顧客の会員情報を表示させる。そして、ステップＳ１５４に進み、店員は顧客に対して購買処理（レジ処理）を行う。その後、ステップＳ１５５において例えば販促ダイレクトメールの送付や販促メールの送信を管理する管理サーバは会員情報に付加された、その顧客に適した販促チャネルでの販促物の送付や送信を自動で行うか、又は、ユーザが手動で行うための情報を出力する。

ステップＳ１６１において、カメラ１６は属性設定（撮影条件）により、撮影に必要なパラメータ設定をユーザから受け付ける。ステップＳ１６２に進み、カメラ１６はレジ前の顧客が写る画像データをサーバ装置１０にアップロードする。

ステップＳ１６３に進み、見た目属性解析部３３は学習データ記憶部３２に記憶されている特徴量パターンを用いて、カメラ１６からアップロードされた画像データに写る顧客の見た目属性を解析させる。ステップＳ１６４に進み、解析結果出力処理部３５は見た目属性解析部３３が解析した見た目属性に応じて顧客ごとに適した販促チャネル・販促物を自動判別し、その販促チャネル・販促物を、その顧客の会員情報へ付加する。

《活用事例８》
活用事例８は見た目属性を判断し、判断した見た目属性を既存会員情報へ付加すると共にＷｅｂ活動情報と連携させるものである。活用事例８は事前準備事項として、活用事例６と同様な事前準備事項が必要である。活用事例８の処理概要はカメラ１６で撮影した画像ファイルの人物の見た目属性を見た目属性解析部３３に解析させて、その見た目属性を既存会員情報へ付加すると共に、Ｗｅｂ活動情報記憶部４５に記憶されているＷｅｂ活動情報を連携させる。Ｗｅｂ活動情報は顧客の購買履歴、閲覧情報、カート情報、検索エンジンなどの情報である。

図３４は第８の活用事例を示すシステム構成の一例のイメージ図である。図３４に示したシステム構成ではカメラ１６からアップロードされた画像データの顧客の見た目属性をサーバ装置１０が解析し、その顧客の見た目属性を、会員カードなどで照合された顧客の会員情報に付加する。また、顧客の会員情報には、その顧客の購買履歴や閲覧情報などのＷｅｂ活動情報が連携される。

図３５は第８の活用事例を示す一例のフローチャートである。図３５では左側に店員が行う行動の店員処理フローを表し、真ん中に情報処理システム１Ａが行う見た目属性解析処理フローを表し、右側に顧客が行うＷｅｂ内活動フローを表している。ステップＳ１７１において店員は顧客が持つ会員カード等から会員ＩＤを読み込む。ステップＳ１７２に進み、店員は会員ＩＤにより会員Ｄ／Ｂ記憶部４４を照合し、ステップＳ１７３で顧客の会員情報を表示させる。そして、ステップＳ１７４に進み、店員は顧客に対して購買処理（レジ処理）を行う。

ステップＳ１８１において、カメラ１６は属性設定（撮影条件）により、撮影に必要なパラメータ設定をユーザから受け付ける。ステップＳ１８２に進み、カメラ１６はレジ前の顧客が写る画像データをサーバ装置１０にアップロードする。

ステップＳ１８３に進み、見た目属性解析部３３は学習データ記憶部３２に記憶されている特徴量パターンを用いて、カメラ１６からアップロードされた画像データに写る顧客の見た目属性を解析させる。ステップＳ１８４に進み、解析結果出力処理部３５は見た目属性解析部３３が解析した見た目属性を、その顧客の会員情報へ付加する。

ステップＳ１９１において、顧客はＷｅｂページを閲覧することで、その閲覧ログを閲覧情報として、その顧客の会員情報へ付加する。ステップＳ１９２において、顧客はＷｅｂページでカートに商品を入れることで、そのカート内ログをカート情報として、その顧客の会員情報へ付加する。ステップＳ１９３において、顧客はＷｅｂページで商品の注文決済をすることで、その注文ログを購買履歴として、その顧客の会員情報へ付加する。

《活用事例９》
活用事例９は活用事例８で既存会員情報へ付加した見た目属性及びＷｅｂ活動情報を販売促進に利用するものである。活用事例９は、事前準備事項として、活用事例７及び８と同様な事前準備事項が必要である。活用事例９の処理概要は、カメラ１６で撮影した画像ファイルの人物の見た目属性を見た目属性解析部３３に解析させて、その見た目属性を既存会員情報へ付加すると共に、Ｗｅｂ活動情報記憶部４５に記憶されているＷｅｂ活動情報を連携させ、顧客の見た目属性に応じた販促チャネル・販促物を自動判別する。

図３６は第９の活用事例を示すシステム構成の一例のイメージ図である。図３６に示したシステム構成ではカメラ１６からアップロードされた画像データの顧客の見た目属性をサーバ装置１０が解析し、その顧客の見た目属性を、会員カードなどで照合された顧客の会員情報に付加する。また、顧客の会員情報には、その顧客の購買履歴や閲覧情報などのＷｅｂ活動情報が連携される。例えば販促ダイレクトメールの送付や販促メールの送信を管理する管理サーバは、その会員情報に付加された見た目属性及びＷｅｂ活動情報に応じて顧客への販促チャネルの自動判別や顧客への販促メールの自動発信などが実現できる。

図３７は第９の活用事例を示す一例のフローチャートである。図３７では左側に店員が行う行動の店員処理フローを表し、真ん中に情報処理システム１Ａが行う見た目属性解析処理フローを表し、右側に顧客が行うＷｅｂ内活動フローを表している。ステップＳ２０１において店員は顧客が持つ会員カード等から会員ＩＤを読み込む。ステップＳ２０２に進み、店員は会員ＩＤにより会員Ｄ／Ｂ記憶部４４を照合し、ステップＳ２０３で顧客の会員情報を表示させる。そして、ステップＳ２０４に進み、店員は顧客に対して購買処理（レジ処理）を行う。その後、ステップＳ２０５において例えば販促ダイレクトメールの送付や販促メールの送信を管理する管理サーバは会員情報に付加された、その顧客に適した販促チャネルでの販促物の送付や送信を自動で行うか、又は、ユーザが手動で行うための情報を出力する。

ステップＳ２１１において、カメラ１６は属性設定（撮影条件）により、撮影に必要なパラメータ設定をユーザから受け付ける。ステップＳ２１２に進み、カメラ１６はレジ前の顧客が写る画像データをサーバ装置１０にアップロードする。

ステップＳ２０３に進み、見た目属性解析部３３は学習データ記憶部３２に記憶されている特徴量パターンを用いて、カメラ１６からアップロードされた画像データに写る顧客の見た目属性を解析させる。ステップＳ２１４に進み、解析結果出力処理部３５は見た目属性解析部３３が解析した見た目属性を、その顧客の会員情報へ付加する。

ステップＳ２２１において、顧客はＷｅｂページを閲覧することで、その閲覧ログを閲覧情報として、その顧客の会員情報へ付加する。ステップＳ２２２において、顧客はＷｅｂページでカートに商品を入れることで、そのカート内ログをカート情報として、その顧客の会員情報へ付加する。ステップＳ２２３において、顧客はＷｅｂページで商品の注文決済をすることで、その注文ログを購買履歴として、その顧客の会員情報へ付加する。

《活用事例１０》
活用事例１０は活用事例６で既存会員情報へ付加した見た目属性の時間経過による変化の予測を行うものである。活用事例１０は、事前準備事項として、活用事例６と同様な事前準備事項が必要である。活用事例１０の処理概要はカメラ１６で撮影した画像ファイルの人物の見た目属性を見た目属性解析部３３に解析させて、その見た目属性（フェミニン系５０％、キャリア系４０％、ストリート系１０％などの割合を含む）を既存会員情報へ付加する。また、既存会員情報には顧客の時間経過（年齢経過、ライフイベントなど）に伴う見た目属性の変化の情報も蓄積しておく。このように多数の顧客の見た目属性の時間経過に伴う変化の情報を蓄積しておくことで、活用事例１０では現在の顧客の見た目属性から時間経過に伴う見た目属性の変化を予測できる。

図３８は第１０の活用事例を示すシステム構成の一例のイメージ図である。図３８に示したシステム構成ではサーバ装置１０により解析された顧客の見た目属性が会員Ｄ／Ｂ記憶部４４に記憶されている。会員・過去Ｄ／Ｂ記憶部４７は顧客の見た目属性の時間経過による変化の情報を蓄積する。このような顧客の見た目属性の時間経過による変化の情報を利用することで、第１０の活用事例ではサーバ装置１０が見た目属性を解析した顧客の時間経過（５年後など）による見た目属性の変化を予測できる。

図３９は第１０の活用事例を示す一例のフローチャートである。図３９では左側に見た目属性解析予測フローを表し、右側に見た目属性解析処理フローを表している。

ステップＳ２３１においてサーバ装置１０は属性設定（変化条件）により、見た目属性解析予測に必要なパラメータ設定をユーザから受け付ける。ステップＳ２３２でサーバ装置１０は会員Ｄ／Ｂ記憶部４４から現在の顧客の見た目属性を読み込み、また、会員・過去Ｄ／Ｂ記憶部４７に蓄積された多人数の顧客の見た目属性の時間経過による変化の情報を読み込む。ステップＳ２３３においてサーバ装置１０はステップＳ２３２で読み込んだ現在の顧客の見た目属性と、会員・過去Ｄ／Ｂ記憶部４７に蓄積された多人数の顧客の見た目属性の時間経過による変化の情報と、に基づき、顧客の時間経過に伴う見た目属性の変化を予測し、解析結果として出力する。

ステップＳ２４１において、カメラ１６は属性設定（撮影条件）により、撮影に必要なパラメータ設定をユーザから受け付ける。ステップＳ２４２に進み、カメラ１６はレジ前の顧客が写る画像データをサーバ装置１０にアップロードする。

ステップＳ２４３に進み、見た目属性解析部３３は学習データ記憶部３２に記憶されている特徴量パターンを用いて、カメラ１６からアップロードされた画像データに写る顧客の見た目属性を解析させる。ステップＳ２４４に進み、見た目属性解析部３３は解析した顧客の現在の見た目属性と会員Ｄ／Ｂ記憶部４４の会員情報に付加されている過去の見た目属性とを比較し、変化があればステップＳ２４５において、ステップＳ２４３での解析結果である現在の見た目属性を会員・過去Ｄ／Ｂ記憶部４７に蓄積させる。ステップＳ２４６に進み、解析結果出力処理部３５は見た目属性解析部３３が解析した見た目属性を、その顧客の会員情報へ付加する。

このように多数の顧客の見た目属性の時間経過による変化の情報を会員・過去Ｄ／Ｂ記憶部４７に蓄積していくことにより、第１０の活用事例では、現在の見た目属性の時間経過による変化を、蓄積された多数の顧客の見た目属性の時間経過による変化の情報を根拠に予測できる。

なお、例えば顧客の見た目属性は過去一年ぐらいの来店履歴から見た目属性の構成の割合を計算してもよい。例えば顧客の来店履歴がガーリー系→フェミニン系→きれい系→お姉ギャル系→フェミニン系→きれい系であり、フェミニン系→きれい系→お姉ギャル系→フェミニン系→きれい系が一年以内の来店である場合は、見た目属性の構成の割合は例えばフェミニン系６０％、お姉ギャル１７％、きれい系３３％となる。

また、例えば現在の見た目属性の時間経過による変化の予測は、現在の見た目属性の構成の割合（例えばガーリー系５０％、ストリート系４０％、フェミニン系１０％）である場合に、○年後の見た目属性の構成の割合を例えばフェミニン系５０％、お姉ギャル系３０％、キャリア系２０％のように予測する。
また、例えば現在の見た目属性の時間経過による変化の予測は、現在の見た目属性の構成の割合（例えばフェミニン系５０％、お姉ギャル系３０％、キャリア系２０％）である場合に、○年後の見た目属性の構成の割合を例えばきれい系４０％、フェミニン系２０％、キャリア系２０％、ミセス系１０％のように予測する。

このように第１０の活用事例では蓄積してきた特徴量パターンのビックデータから同タイプの顧客の見た目属性の変化を蓄積して、個人の見た目属性の変化を予測する。例えば年齢などの会員情報と連携することで、第１０の活用事例では、より正確な見た目属性の変化を予測できる。

さらに、第１０の活用事例では顧客の見た目属性の変化から、その顧客のライフイベントの予測も可能となる。来店履歴がフェミニン系→フェミニン系→フェミニン系→ミセス系→フェミニン系→ミセス系→ミセス系の顧客は、３番目のフェミニン系と４番目のミセス系との間で、子供の出産などのライフイベントが発生したと予測できる。

また、来店履歴がガーリー系→ガーリー系→お嬢さんＯＬ系→フェミニン系→お嬢さんＯＬ系→フェミニン系の顧客は、３番目のお嬢さんＯＬ系と４番目のフェミニン系と５番目のお嬢さんＯＬ系との間で、就職などのライフイベントが発生したと予測できる。

本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。なお、本実施形態で説明した情報処理システム１Ａ及び１Ｂは一例であって、用途や目的に応じて様々なシステム構成例があることは言うまでもない。

１Ａ、１Ｂ 情報処理システム
１０ サーバ装置
１２ クライアント端末
１４ 画像ファイル記憶装置
１６ カメラ
１８ ネットワーク
２０ 情報処理装置
３１ 見た目属性学習部
３２ 学習データ記憶部
３３ 見た目属性解析部
３４ 解析結果データ記憶部
３５ 解析結果出力処理部
３６ 複製処理部
４１ 実タイプマッチ用データ記憶部
４２ 広告定義データ記憶部
４３ デジタルサイネージディスプレイ
４４ 会員Ｄ／Ｂ記憶部
４５ Ｗｅｂ活動情報記憶部
４６ 顧客用端末
４７ 会員・過去Ｄ／Ｂ記憶部
５００ コンピュータ

特開２０１７−７６３１５号公報

Claims (14)

1. 一台以上の情報処理装置を含む構成の情報処理システムであって、
   同一の価値観を持つ人物の画像としてユーザにより選択された複数枚の撮影画像から機械学習の手法を用いて構築された見た目属性の特徴量パターンを一種類以上記憶する特徴量パターン記憶手段と、
   前記特徴量パターン記憶手段に記憶されている一種類以上の前記特徴量パターンを用いて、解析用データとして入力された画像に写る人物の前記見た目属性を解析する見た目属性解析手段と、
   前記見た目属性解析手段による解析結果に応じた出力を行う解析結果出力手段と、
   を有する情報処理システム。
2. 同一の価値観を持つ人物の画像としてユーザにより選択された複数枚の撮影画像から機械学習の手法を用いて前記見た目属性の特徴量パターンを構築し、前記特徴量パターン記憶手段に記憶させる見た目属性学習手段、
   を更に有する請求項１記載の情報処理システム。
3. 画像を撮影し、前記解析用データとして前記見た目属性解析手段に入力する撮影手段、
   を更に有する請求項１又は２記載の情報処理システム。
4. 同一の価値観を持つ人物の画像としてユーザにより選択された複数の撮影画像を加工して複製する複製処理手段、を更に有し、
   前記複製処理手段は、前記見た目属性ごとに設定された加工処理により、前記同一の価値観を持つ人物の画像としてユーザにより選択された複数の撮影画像を加工して複製すること
   を特徴とする請求項１乃至３何れか一項記載の情報処理システム。
5. 前記解析結果出力手段は、前記見た目属性解析手段により解析した前記解析用データとして入力された画像に写る人物の前記見た目属性の適合度を出力すること
   を特徴とする請求項１乃至４何れか一項記載の情報処理システム。
6. 前記解析結果出力手段は、前記見た目属性解析手段による解析結果に応じて前記見た目属性の相関値を算出しておき、前記見た目属性解析手段により解析した前記解析用データとして入力された画像に写る人物の前記見た目属性と、その見た目属性と相関値が近い他の見た目属性とに応じた出力を行うこと
   を特徴とする請求項１乃至４何れか一項記載の情報処理システム。
7. 前記解析結果出力手段は、前記解析用データとして入力される画像に対する１つ以上の設定領域の指定と、設定領域ごとに前記見た目属性の指定とを予め受け付け、前記見た目属性解析手段により解析された前記解析用データの前記設定領域に写る人物の前記見た目属性と、前記設定領域に指定された前記見た目属性との比較結果に応じた出力を行うこと
   を特徴とする請求項１乃至４何れか一項記載の情報処理システム。
8. 前記解析結果出力手段は、前記見た目属性に応じた広告情報が予め定義された広告定義データを利用し、前記見た目属性解析手段により解析した前記解析用データとして入力された画像に写る人物の前記見た目属性に応じた広告情報を出力すること
   を特徴とする請求項１乃至４何れか一項記載の情報処理システム。
9. 前記解析結果出力手段は、前記見た目属性解析手段により解析した前記解析用データとして入力された画像に写る人物の前記見た目属性を、前記人物の既存情報へ付加すること
   を特徴とする請求項１乃至４何れか一項記載の情報処理システム。
10. 前記解析結果出力手段は、前記見た目属性解析手段による解析結果に基づき、前記解析用データとして入力された画像に写る人物の既存情報へ前記人物の時間経過に伴う前記見た目属性の変化の情報が、複数人分蓄積された蓄積情報に基づき、前記見た目属性解析手段により解析した前記解析用データとして入力された画像に写る人物の前記見た目属性の時間経過による変化を予測して出力すること
    を特徴とする請求項９記載の情報処理システム。
11. 前記解析結果出力手段は、前記蓄積情報に基づき、前記人物の時間経過に伴う前記見た目属性の変化の情報から前記人物のライフイベントの発生を予測すること
    を特徴とする請求項１０記載の情報処理システム。
12. コンピュータを、
    同一の価値観を持つ人物の画像としてユーザにより選択された複数枚の撮影画像から機械学習の手法を用いて構築された見た目属性の特徴量パターンを一種類以上記憶する特徴量パターン記憶手段、
    前記特徴量パターン記憶手段に記憶されている一種類以上の前記特徴量パターンを用いて、解析用データとして入力された画像に写る人物の前記見た目属性を解析する見た目属性解析手段、
    前記見た目属性解析手段による解析結果に応じた出力を行う解析結果出力手段、
    として機能させるためのプログラム。
13. 同一の価値観を持つ人物の画像としてユーザにより選択された複数枚の撮影画像から機械学習の手法を用いて構築された見た目属性の特徴量パターンを一種類以上記憶する特徴量パターン記憶手段と、
    前記特徴量パターン記憶手段に記憶されている一種類以上の前記特徴量パターンを用いて、解析用データとして入力された画像に写る人物の前記見た目属性を解析する見た目属性解析手段と、
    前記見た目属性解析手段による解析結果に応じた出力を行う解析結果出力手段と、
    を有する情報処理装置。
14. 一台以上の情報処理装置を含む構成の情報処理システムにおいて実行される情報出力方法であって、
    同一の価値観を持つ人物の画像としてユーザにより選択された複数枚の撮影画像から機械学習の手法を用いて構築された見た目属性の特徴量パターンを一種類以上記憶する特徴量パターン記憶手段に記憶されている一種類以上の前記特徴量パターンを用いて、解析用データとして入力された画像に写る人物の前記見た目属性を解析するステップと、
    前記見た目属性解析手段による解析結果に応じた出力を行うステップと、
    を有する情報出力方法。

Images