JP2020030821A - 特定装置、特定方法及びコンピュータプログラム - Google Patents

Abstract

【課題】画像に写っているカードの種類の特定を実現することができる特定装置、特定方法及びコンピュータプログラムを提供する。【解決手段】学習モデルＧでは、カードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係が学習されている。教師データの画像データとして、運転免許証を含む複数種類のカードの画像データが用いられる。認証機１３では、制御部５４は、カードの画像データを学習モデルＧに入力し、学習モデルＧの出力に基づいて、カードの種類及び向きを特定する。【選択図】図８

Description

本発明は、特定装置、特定方法及びコンピュータプログラムに関する。

カードを用いて人物を認証するための装置（例えば、特許文献１）が普及している。特許文献１に記載の装置では、人物の認証に、人物の顔の顔画像データが記憶されているカードを用いる。特許文献１に記載の装置は、カードから顔画像データを取得し、取得した顔画像データに基づいて、人物の顔が写っている顔画像を表示する。実際の人物の顔を顔画像と比較することによって人物を認証する。

特開２０００−２１５２９５号公報

現在、人物を認証するためのカードとして、データが記憶されておらず、個人を識別するための個人情報が一面に表示されているカードが存在する。また、個人情報が一面に表示されているカードの種類は多い。個人情報が一面に表示されているカードを用いて人物を自動で認証する場合、カードの一面の画像を読込み、読込んだ画像の画像データから個人情報、例えば、顔画像を読み取り、読み取った個人情報を用いて認証を行う。個人情報を読み取る場合、カードの種類に応じて個人情報が表示されている位置が異なるので、読込んだ画像に写っているカードの種類を特定する必要がある。

本発明は斯かる事情に鑑みてなされたものであり、その目的とするところは、画像に写っているカードの種類の特定を実現することができる特定装置、特定方法及びコンピュータプログラムを提供することにある。

本発明の一態様に係る特定装置は、カードの画像データを取得する取得部と、運転免許証を含む複数種類のカードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係を学習した学習モデルと、前記取得部が取得した画像データを前記学習モデルに入力し、前記学習モデルからの出力に基づいて、カードの種類及び向きを特定する特定部と、前記特定部が特定したカードの種類に対応するカードの読み取りルールに従い、カード上の個人情報を読み取る読み取り部と、前記読み取り部により前記カード上の個人情報を読み取ることができない場合、カードの特定に成功したもののカードの読み取りができなかったことを示す第１情報を出力する第１情報出力部とを備える。

本発明の一態様に係る特定装置は、カードの画像データを取得する取得部と、運転免許証を含む複数種類のカードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係を学習した学習モデルと、前記取得部が取得した画像データを前記学習モデルに入力し、前記学習モデルからの出力に基づいて、カードの種類及び向きを特定する特定部と、前記特定部が特定したカードの種類が、予め設定されている複数の種類とは異なっていた場合、前記特定部が特定したカードの種類が対象外の種類であることを示す第２情報を出力する第２情報出力部とを備える。

本発明の一態様に係る特定方法では、カードの画像データを取得し、取得した画像データを、運転免許証を含む複数種類のカードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係を学習した学習モデルに入力し、前記学習モデルからの出力に基づいて、カードの種類及び向きを特定し、特定したカードの種類に対応するカードの読み取りルールに従い、カード上の個人情報を読み取り、前記カード上の個人情報を読み取ることができない場合、カードの特定に成功したもののカードの読み取りができなかったことを示す第１情報を出力する処理をコンピュータが実行する。

本発明の一態様に係る特定方法では、カードの画像データを取得し、取得した画像データを、運転免許証を含む複数種類のカードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係を学習した学習モデルに入力し、前記学習モデルからの出力に基づいて、カードの種類及び向きを特定し、特定したカードの種類が、予め設定されている複数の種類とは異なっていた場合、特定したカードの種類が対象外の種類であることを示す第２情報を出力する処理をコンピュータが実行する。

本発明の一態様に係るコンピュータプログラムは、カードの画像データを取得し、取得した画像データを、運転免許証を含む複数種類のカードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係を学習した学習モデルに入力し、前記学習モデルからの出力に基づいて、カードの種類及び向きを特定し、特定したカードの種類に対応するカードの読み取りルールに従い、カード上の個人情報を読み取り、前記カード上の個人情報を読み取ることができない場合、カードの特定に成功したもののカードの読み取りができなかったことを示す第１情報を出力する処理をコンピュータに実行させる。

本発明の一態様に係るコンピュータプログラムは、カードの画像データを取得し、取得した画像データを、運転免許証を含む複数種類のカードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係を学習した学習モデルに入力し、前記学習モデルからの出力に基づいて、カードの種類及び向きを特定し、特定したカードの種類が、予め設定されている複数の種類とは異なっていた場合、特定したカードの種類が対象外の種類であることを示す第２情報を出力する処理をコンピュータに実行させる。

上記の態様によれば、画像に写っているカードの種類の特定を実現することができる。

実施の形態１における認証装置の外観図である。 対象カードの例示図である。 学習モデルの模式図である。 縮小画像データの説明図である。 モデル生成装置の要部構成を示すブロック図である。 教師データに含まれる縮小画像データの説明図である。 モデル生成処理の手順を示すフローチャートである。 認証装置の要部構成を示すブロック図である。 認証用テーブルを示す図表である。 読み取りルールデータベースの内容を示す図表である。 認証処理の手順を示すフローチャートである。 認証処理の手順を示すフローチャートである。 実施の形態２におけるモデル生成処理の手順を示すフローチャートである。 実施の形態２におけるモデル生成処理の手順を示すフローチャートである。 実施の形態３におけるカードの上下の説明図である。 学習モデルの模式図である。 実施の形態４における認証システムの概略図である。 認証装置の要部構成を示すブロック図である。 モデル生成装置の要部構成を示すブロック図である。 認証機及びモデル生成装置が行う処理の手順を示すフローチャートである。 実施の形態５における認証システムの要部構成を示すブロック図である。

以下、本発明をその実施の形態を示す図面に基づいて詳述する。
（実施の形態１）
図１は、実施の形態１における認証装置１の外観図である。認証装置１は、認証装置１の複数の構成部が収容されている収容箱１ａを備える。収容箱１ａの外面には、内外方向に貫通している矩形状の開口１ｂが設けられている。認証装置１のユーザは、運転免許証を含む複数種類のカードＣ，Ｃ，・・・を開口１ｂに挿入する。開口１ｂの長辺はカードＣの短辺よりも若干長い。開口１ｂの短辺はカードＣの厚みよりも若干長い。従って、開口１ｂの大きさはカードＣの短辺側の端面の大きさと略同じである。認証装置１のユーザは、カードＣをカードＣの短辺側から開口１ｂに挿入する。

複数種類のカードＣ，Ｃ，・・・には、身分を証明するために公的に発行され、開口１ｂに挿入されるべき対象カードと、開口１ｂに挿入されるべきではない対象外カードとが含まれている。対象カードの種類として、運転免許証の他に、マイナンバーカード、マイナンバー通知カード、住民基本台帳カード、特別永住者証明書、在留カード、パスポートカード又はソーシャルセキュリティカード等が挙げられる。対象カードに係る複数の種類は予め設定されている。対象外カードの種類として、ポイントカード又は電子マネー用カード等が挙げられる。対象外カードに係る一又は複数の種類も予め設定されている。

図２は対象カードの例示図である。対象カードの表側及び裏側の少なくとも一方には、個人情報として、氏名、生年月日、住所又は顔写真等の個人情報が表示されている。図２の例では、対象カードの表側には、氏名、生年月日、住所及び顔写真等の個人情報が表示され、対象カードの裏側には、個人情報が表示されていない。図２に示す対象カードの裏側には、例えば、手書きで個人情報が書き込まれる。対象カードについては、種類に応じて個人情報が表示されている表示位置は異なる。なお、複数種類のカードＣ，Ｃ，・・・夫々の表側及び裏側は適宜定義される。例えば、氏名が表示されている面を表側と定義し、氏名が表示されていない面を裏側と定義してもよい。

カードＣの一方の板面を第１面と記載し、カードＣの他方の板面を第２面と記載する。図１に示す認証装置１にカードＣが開口１ｂに挿入された場合、認証装置１は、開口１ｂに挿入されたカードＣの第１面が写っている矩形状の第１面画像に対応する第１面画像データを生成する。更に、認証装置１は、開口１ｂに挿入されたカードＣの第２面が写っている矩形状の第２面画像に対応する第２面画像データを生成する。

認証装置１は、生成した第１面画像データに基づいて、開口１ｂに挿入されたカードＣの種類及び表裏を特定する。第１面が表側であると特定された場合、第２面が裏側であると自動的に特定される。「特定」の意味には、「判別」、「識別」及び「判定」等の意味が含まれる。カードＣの表裏は、カードＣの向きの１つである。認証装置１は、第１面画像データに基づいて特定を行うことが不可能であった場合、生成した第２面画像データに基づいて、開口１ｂに挿入されたカードＣの種類及び表裏を特定する。認証装置１は、特定結果に基づいて、生成した第１面画像データ及び第２面画像データから、カードＣに表示されている個人情報を読み取り、読み取った個人情報に基づいて、カードＣの所有者を認証する。

種類に応じて、対象カードにおける個人情報の表示位置は異なる。また、個人情報を読み取るためには、対象カードの表裏を特定する必要がある。認証装置１は、第１面画像データ又は第２面画像データに基づき、第１面画像又は第２面画像に写っているカードＣの種類及び表裏の分類の確からしさを示す確率を出力する学習モデルＧ（図３を参照）を用いて、カードＣの種類及び表裏を特定する。

図３は学習モデルＧの模式図である。学習モデルＧは、深層学習を含む機械学習の学習モデルであり、例えば、ニューラルネットワークによって構成される。学習モデルＧは、入力層２０、複数の中間層２１，２１・・・及び出力層２２を有する。図３には、中間層２１の数が２である例が示されている。なお、中間層２１の数は３以上であってもよい。

入力層２０、中間層２１及び出力層２２夫々では、一又は複数のノードが存在する。各層のノードは、前後の層に存在するノードと一方向に所望の重み及びバイアスで結合されている。入力層２０のノードの数と同数の成分を有するベクトルが、学習モデルＧの入力データとして入力される。学習モデルＧの入力は画像データである。例えば、画像データを構成する各画素の画素値が入力層２０のノードに入力される。
なお、入力層２０にデータを入力する前に、畳み込みフィルタを含む適宜のフィルタを画像データに適用し、フィルタを適用した後に得られる各画素の画素値を入力層２０に入力してもよい。

入力層２０の各ノードに入力されたデータは、最初の中間層２１に入力される。この中間層２１において、重み及びバイアスを含む活性化関数を用いて出力が算出される。算出された値が次の中間層２１に入力される。以下同様にして、出力層２２の出力が求められるまで次々と後の層に伝達される。なお、ノード間を結合する重み及びバイアス等の各種パラメータは、例えば、誤差逆伝播法を用いて学習される。

学習モデルＧの入力層２０に入力する入力画像データは、第１面画像データ又は第２面画像データを縮小することによって得られる縮小画像データである。入力画像データとして、運転免許証を含む複数種類のカードＣ，Ｃ，・・・の表裏の縮小画像データが用いられる。

図４は縮小画像データの説明図である。図４の上側には、第１面画像又は第２面画像が示され、図４の下側には、縮小画像データに対応する縮小画像が示されている。第１面画像データ及び第２面画像データ夫々について、縦及び横の画素数はＭ（Ｍ：自然数）及びＮ（Ｎ：自然数）で表されている。

第１面画像データ及び第２面画像データ夫々について、縦及び横の画素数を下げることによって、カードＣに表示されている個人情報を読み取ることが不可能な縮小画像データを生成する。例えば、縦及び横の画素数を（Ｍ／１０）及び（Ｎ／１０）に変更することによって縮小画像データを生成する。Ｍ及びＮ夫々は例えば３８０及び６００である。第１面画像データ又は第２面画像データが縮小された場合、第１面画像又は第２面画像も縮小される。

学習モデルＧでは、カードＣの表側又は裏側の縮小画像データと、カードＣの種類、及び、カードＣの表側又は裏側を示すラベルデータとを含む教師データを用いて、画像データとカードＣの種類及び表裏との関係が学習されている。教師データの画像データとして、運転免許証を含む複数種類のカードＣ，Ｃ，・・・の表裏の縮小画像データが用いられる。
中間層２１では、教師データに基づき、縮小画像データと、カードＣの種類及び表裏との関係が学習されている。

出力層２２は、入力画像データに対応する入力画像に写っているカードＣの種類及び表裏の分類の確からしさを示す確率を出力する。具体的には、カードＣの種類及び表裏の各組合せについて、入力画像データに係るカードＣの種類及び表裏の組合せが該当する確率を示す。図３では、カードＣの種類及び表裏の組合せを（種類，表又は裏）で示している。（運転免許証，表）、（運転免許証，裏）、（マイナンバーカード，表）及び（マイナンバーカード，裏）等の組合せ夫々について、入力画像データに係るカードＣの種類及び表裏の組合せが該当する確率を示す。
縮小画像データでは、個人情報を取得することが不可能となるまで縮小が行われている。このため、カードＣに表示されている個人情報に基づいて確率が出力されることはない。

認証装置１では、第１面画像データ又は第２面画像データの縮小画像データを学習モデルＧに入力し、学習モデルＧから出力された確率に基づいて、第１面画像又は第２面画像に写っているカードＣの種類及び表裏を特定する。

学習モデルＧはモデル生成装置３によって生成される。以下では、モデル生成装置３の構成及び作用を説明する。
図５はモデル生成装置３の要部構成を示すブロック図である。モデル生成装置３は、入力部３０、操作部３１、記憶部３２及び制御部３３を有する。これらは、内部バス３４に接続されている。

入力部３０には、教師データが入力される。入力部３０に入力された教師データは、制御部３３によって取得される。教師データは、前述したように、カードＣの表側又は裏側の縮小画像データと、カードＣの種類、及び、カードＣの表側又は裏側を示すラベルデータとを含む。教師データに含まれる画像データとして、運転免許証を含む複数種類のカードＣ，Ｃ，・・・の表裏の縮小画像データが用いられる。

操作部３１は、キーボード又はマウス等の入力インタフェースを有する。ユーザは入力インタフェースを操作する。操作部３１は、入力インタフェースにおいて行われた操作を制御部３３に通知する。

記憶部３２は例えば不揮発性メモリである。記憶部３２には、学習モデルＧ及びコンピュータプログラム４０が記憶されている。
学習モデルＧでは、前述したように、第１面画像データ又は第２面画像データに基づき、第１面画像又は第２面画像に写っているカードＣの種類及び表裏の分類の確からしさを示す確率を出力する。

制御部３３は、ＣＰＵ(Central Processing Unit)、ＧＰＵ(Graphics Processing Unit)又はＴＰＵ(Tenser Processing Unit)等の処理素子を有し、演算を行う演算部を兼ねる。コンピュータプログラム４０は、教師データを記憶部３２に記憶する記憶処理と、学習モデルＧを生成するモデル生成処理とを、制御部３３が有する処理素子（コンピュータ）に実行させるために用いられる。なお、制御部３３が有する処理素子の数は２以上であってもよい。この場合、複数の処理素子がコンピュータプログラム４０に従って、モデル生成処理を協同で実行してもよい。

なお、コンピュータプログラム４０は、制御部３３が有する処理素子が読み取り可能に、記憶媒体Ａ１に記憶されていてもよい。この場合、図示しない読み出し装置によって記憶媒体Ａ１から読み出されたコンピュータプログラム４０が記憶部３２に記憶される。記憶媒体Ａ１は、光ディスク、フレキシブルディスク、磁気ディスク、磁気光ディスク又は半導体メモリ等である。光ディスクは、ＣＤ（Compact Disc）−ＲＯＭ(Read Only Memory)、ＤＶＤ（Digital Versatile Disc）−ＲＯＭ、又は、ＢＤ（Blu-ray(登録商標) Disc）等である。磁気ディスクは、例えばハードディスクである。また、図示しない通信網に接続されている図示しない外部装置からコンピュータプログラム４０をダウンロードし、ダウンロードしたコンピュータプログラム４０を記憶部３２に記憶してもよい。

入力部３０は、例えば、図示しない装置に接続され、この装置から複数の教師データが入力部３０に順次出力される。制御部３３は、入力部３０に教師データが入力される都度、記憶処理を実行する。記憶処理では、制御部３３は、入力部３０に入力された教師データを、入力部３０から取得し、取得した教師データを記憶部３２に記憶する。その後、制御部３３は記憶処理を終了する。

モデル生成処理では、教師データに含まれる縮小画像データを学習モデルＧに入力することによって得られた学習モデルＧの出力に基づいて、学習モデルＧの中間層２１で用いられるノード間の重み及びバイアス等のパラメータを更新する。これにより、適切な学習モデルＧを生成する。学習が開始される前の段階では、中間層２１で用いられるノード間の重み及びバイアス等のパラメータが初期値に設定された学習モデルＧが記憶部３２に予め記憶されている。

図６は、教師データに含まれる縮小画像データの説明図である。教師データの縮小画像データは、複数種類のカードＣ，Ｃ，・・・の単純な縮小画像データだけではない。図６の上側に示すように、カードＣの第１面画像データ又は第２面画像データにノイズを追加し、ノイズを追加した第１面画像データ又は第２面画像データを縮小する。これにより、カードＣの単純な縮小画像データにノイズが追加された縮小画像データが生成される。制御部３３は、複数種類のカードＣ，Ｃ，・・・の単純な縮小画像データの少なくとも１つにノイズを追加することによって得られる縮小画像データを取得し、取得した縮小画像データも教師データの縮小画像データとして記憶部３２に記憶する。図６に示すノイズは、カードＣの汚れに対応するノイズである。縮小画像データに追加されるノイズは、汚れに対応するノイズに限定されず、日焼け又は経年劣化等によって生じる色の変化に対応するノイズも含む。制御部３３は、このノイズが追加された縮小画像データも取得し、取得した縮小画像データを記憶部３２に記憶する。色の変化に対応するノイズが追加された縮小画像データの縮小画像の１つとして、黄ばんだカードＣの縮小画像が挙げられる。

図６の下側に示すように、カードＣの第１面画像データ又は第２面画像データに含まれる個人情報を削除又は変更し、削除又は変更することによって得られた第１面画像データ又は第２面画像データを縮小する。これにより、カードＣの単純な縮小画像データに含まれる個人情報が削除又は変更された縮小画像データが生成される。制御部３３は、複数種類のカードＣ，Ｃ，・・・の単純な縮小画像データの少なくとも１つに含まれる個人情報を削除又は変更することによって得られる縮小画像データを取得し、取得した縮小画像データも教師データの縮小画像データとして記憶部３２に記憶する。個人情報の変更は、例えば、氏名、生年月日又は住所の変更である。個人情報の削除は、例えば、氏名又は住所の一部分の削除である。

図７は、モデル生成処理の手順を示すフローチャートである。モデル生成装置３のユーザは、操作部３１において、モデル生成処理の実行を指示する実行操作を行う。実行操作が行われた場合において、記憶部３２に少なくとも１つの教師データが記憶されているとき、制御部３３はモデル生成処理を実行する。

モデル生成処理では、制御部３３は、まず、記憶部３２に記憶されている教師データの中から１つの教師データを選択し（ステップＳ１）、選択した教師データに含まれる縮小画像データを学習モデルＧの入力層２０に入力する（ステップＳ２）。これにより、縮小画像データに対応する縮小画像に写っているカードＣの種類及び表裏の分類の確からしさを示す確率が、出力結果として、学習モデルＧの出力層２２から出力される。

制御部３３は、ステップＳ２を実行した後、学習モデルＧの出力層２２が出力した出力結果を取得し（ステップＳ３）、取得した出力結果を、入力部３０に入力された教師データに含まれるラベルデータに基づいて評価する（ステップＳ４）。具体的には、制御部３３は、ステップＳ３で取得した出力結果と、教師データに含まれるラベルデータとに基づく誤差関数（目的関数、損失関数又はコスト関数ともいう）を用いて、出力結果を評価することができる。

次に、制御部３３は、ステップＳ４で行った評価の結果に基づいて、中間層２１で用いられるノード間の重み及びバイアス等のパラメータを更新するか否かを判定する（ステップＳ５）。ステップＳ５では、例えば、制御部３３は、最急降下法等の勾配降下法によって誤差関数を最適化（最小化又は最大化）する過程で、誤差関数が閾値以下（又は閾値以上）となった場合、パラメータを更新しないと判定する。例えば、制御部３３は、誤差関数が閾値を超えた（又は閾値未満となった）場合、パラメータを更新すると判定する。

制御部３３は、パラメータを更新すると判定した場合（Ｓ５：ＹＥＳ）、中間層２１で用いられるパラメータを更新する（ステップＳ６）。制御部３３は、パラメータを更新しないと判定した場合（Ｓ５：ＮＯ）、又は、ステップＳ６を実行した後、記憶部３２に記憶されている全ての教師データを、ステップＳ１で選択したか否かを判定する（ステップＳ７）。

制御部３３は、全ての教師データを選択していないと判定した場合（Ｓ７：ＮＯ）、ステップＳ１を再び実行する。再び実行されたステップＳ１では、制御部３３は、選択していない教師データを選択する。

制御部３３は、全ての教師データを選択したと判定した場合（Ｓ７：ＹＥＳ）、パラメータが更新された学習モデルＧを記憶部３２に記憶し（ステップＳ８）、記憶部３２に記憶されている全ての教師データ、即ち、学習モデルＧのパラメータを更新するために用いた全ての教師データを、記憶部３２から削除する（ステップＳ９）。制御部３３は、ステップＳ９を実行した後、モデル生成処理を終了する。

前述したように、学習モデルＧは、カードＣの一面の縮小画像データから、カードＣの種類及び表裏を特定する処理に用いられる。モデル生成処理では、制御部３３は、記憶処理で入力部３０から取得した教師データに基づいてパラメータを更新することによって、適切な学習モデルＧを生成する。

記憶処理は複数回実行され、複数の教師データが記憶される。学習モデルＧのモデル生成処理では、複数の教師データが用いられる。これらの教師データに含まれる複数の画像データは、複数種類のカードＣ，Ｃ，・・・の表裏の画像データを縮小することによって得られる複数の縮小画像データである。言い換えると、学習モデルＧのモデル生成処理で用いられる複数の画像データには、全種類のカードＣ，Ｃ，・・・の表裏の縮小画像データが含まれる。

前述したように、認証装置１は、モデル生成装置３の制御部３３が生成処理で生成した学習モデルＧを用いる。認証装置１は、学習モデルＧから出力された出力結果に基づいて、開口１ｂに挿入されたカードＣの種類及び表裏を特定する。

モデル生成処理では、前述したように、制御部３３は、複数種類のカードＣ，Ｃ，・・・の表裏の画像データを縮小することによって得られる複数の縮小画像データを入力部３０から取得し、取得した複数の縮小画像データを、複数の教師データの画像データとして入力する。これにより、学習モデルＧが生成される。個人情報を取得することが不可能となるまで縮小が行われた縮小画像データを入力することによって、開口１ｂに挿入されるカードＣに表示されている個人情報とは異なる情報に基づいて確率を出力する学習モデルＧを生成することができる。

また、モデル生成処理では、前述したように、制御部３３は、複数種類のカードＣ，Ｃ，・・・の縮小画像データの少なくとも１つにノイズを追加することによって得られる縮小画像データを入力部３０から取得し、取得した縮小画像データを教師データの画像データとして、学習モデルＧの入力に含める。このため、認証装置１が行う認証において、学習モデルＧに入力する縮小画像データ、即ち、開口１ｂに挿入されたカードＣの第１面又は第２面の縮小画像データが、汚れが付着しているカードＣ又は色が変化しているカードＣの一面の縮小画像データであっても、学習モデルＧを用いて適切な特定が行われる。前述したように、日焼け又は経年変化等によってカードＣの色は変化する。

更に、モデル生成処理では、制御部３３は、複数種類のカードＣ，Ｃ，・・・の縮小画像データの少なくとも１つに含まれる個人情報を削除又は変更することによって得られる縮小画像データを入力部３０から取得し、取得した縮小画像データを教師データの画像データとして学習モデルＧの入力に含める。学習モデルＧへの入力には、複数種類のカードＣ，Ｃ，・・・の単純な縮小画像データだけではなく、ノイズを追加することによって得られる縮小画像データと、個人情報を削除又は変更することによって得られる縮小画像データとが含まれている。このため、モデル生成処理で用いる縮小画像データが多いので、学習モデルＧが出力する確率はより適切である。

なお、単純な縮小画像データ、ノイズが追加された縮小画像データ、個人情報が部分的に変更された縮小画像データ、又は、個人情報が部分的に削除された縮小画像データについては、モデル生成装置３の制御部３３が生成してもよい。この場合、入力部３０には、カードＣの表側又は裏側が写っている画像データと、この画像データに対応するラベルデータとを含むデータが入力される。制御部３３は、入力部３０に入力された画像データに基づいて、ノイズが追加された縮小画像データ、個人情報が部分的に変更された縮小画像データ、又は、個人情報が部分的に削除された縮小画像データを生成する。これにより、縮小画像データ及びラベルデータを含む教師データが生成される。生成された教師データを記憶部３２に記憶する。

図８は、認証装置１の要部構成を示すブロック図である。認証装置１は、更に、スキャナ１０、カメラ１１、ディスプレイ１２及び認証機１３を備える。スキャナ１０及び認証機１３は、収容箱１ａ内に収容されている。カメラ１１及びディスプレイ１２は、図１に示すように、収容箱１ａの外面に設置されている。認証機１３は、入力部５０、入出力部５１、出力部５２、記憶部５３及び制御部５４を有する。

スキャナ１０は認証機１３の入力部５０に接続されている。カメラ１１は認証機１３の入出力部５１に接続されている。ディスプレイ１２は認証機１３の出力部５２に接続されている。入力部５０、入出力部５１、出力部５２、記憶部５３及び制御部５４は内部バス５５に接続されている。

カードＣが開口１ｂに挿入された場合、スキャナ１０は、挿入されたカードＣの第１面画像を読込み、読込んだ第１面画像に対応する第１面画像データを生成する。更に、スキャナ１０は、挿入されたカードＣの第２面画像を読込み、読込んだ第２面画像に対応する第２面画像データを生成する。

前述したように、開口１ｂの大きさはカードＣの短辺側の端面の大きさと略同じである。このため、第１面画像及び第２面画像の枠の形状は、カードＣの面の形状と略一致している。スキャナ１０は、第１面画像データ及び第２面画像データを生成した場合、生成した第１面画像データ及び第２面画像データを入力部５０に出力する。入力部５０に入力された第１面画像データ及び第２面画像データは、制御部５４によって、入力部５０から取得される。制御部５４は取得部として機能する。

入出力部５１は、制御部５４の指示に従って、ユーザの顔が写っている顔画像の撮影を指示する撮影信号をカメラ１１に出力する。撮影信号がカメラ１１に入力された場合、カメラ１１は、顔画像を撮影し、撮影した顔画像に対応する顔画像データを入出力部５１に出力する。入出力部５１に入力された顔画像データは、制御部５４によって、入出力部５１から取得される。

出力部５２は、制御部５４の指示に従って、カードＣの特定を行うことができなかったことを示す特定不可情報と、特定したカードＣの種類が対象外カードの種類であることを示す対象外情報と、カードＣの特定に成功したもののカードＣの読み取りを行うことができなかったことを示す読み取り不可情報とをディスプレイ１２に出力する。特定不可情報、対象外情報又は読み取り不可情報がディスプレイ１２に入力された場合、ディスプレイ１２は、入力された情報が示す内容を表示する。これにより、カードＣを特定することができなかったこと、カードＣの種類が対象外カードの種類であること、又は、読み取りを行うことができなかったことがユーザに通知される。読み取り不可情報、特定不可情報及び対象外情報夫々は第１情報、第３情報及び第２情報に相当する。

出力部５２は、更に、制御部５４の指示に従って、認証の成功又は失敗を示す結果情報をディスプレイ１２に出力する。結果情報がディスプレイ１２に入力した場合、ディスプレイ１２は、結果情報が示す内容を表示する。これにより、認証の成功又は失敗がユーザに通知される。

記憶部５３は例えば不揮発性メモリである。記憶部５３には、学習モデルＧ、コンピュータプログラム６０、認証用テーブル６１及び読み取りルールデータベース６２が記憶されている。記憶部５３に記憶されている学習モデルＧは、モデル生成装置３によって生成された学習モデルである。

制御部５４は、ＣＰＵ、ＧＰＵ又はＴＰＵ等の処理素子を有し、演算を行う演算部を兼ねる。コンピュータプログラム６０は、カードＣの所有者を認証する認証処理を、制御部５４が有する処理素子（コンピュータ）に実行させるために用いられる。なお、制御部５４が有する処理素子の数は２以上であってもよい。この場合、複数の処理素子がコンピュータプログラム６０に従って、協同で認証処理を行ってもよい。

認証処理では、制御部５４は、開口１ｂに挿入されたカードＣの種類及び表裏を特定する。制御部５４は、特定結果に基づいて、第１面画像データ及び第２面画像データの少なくとも一方から個人情報を読み取り、読み取った個人情報に基づいて、カードＣの所有者を認証する。

なお、コンピュータプログラム６０は、制御部５４が有する処理素子が読み取り可能に、記憶媒体Ａ２に記憶されていてもよい。この場合、図示しない読み出し装置によって記憶媒体Ａ２から読み出されたコンピュータプログラム６０が記憶部５３に記憶される。また、図示しない通信網に接続されている図示しない外部装置からコンピュータプログラム６０をダウンロードし、ダウンロードしたコンピュータプログラム６０を記憶部５３に記憶してもよい。

図９は認証用テーブル６１の例を示す図表である。図９の例では、認証用テーブル６１は、氏名フィールド、住所フィールド及び生年月日フィールドを含む。氏名フィールドには、認証装置１を使用する複数のユーザに対応する複数の氏名が記憶されている。住所フィールドには、氏名フィールドに記憶されている複数の氏名夫々に対応する複数の住所が記憶されている。生年月日フィールドには、氏名フィールドに記憶されている複数の氏名夫々に対応する複数の生年月日が記憶されている。氏名、住所及び生年月日は認証用テーブル６１に予め記憶されている。認証用テーブルは、カードＣの所有者の認証に用いられる。

図１０は読み取りルールデータベース６２の内容を示す図表である。読み取りルールデータベース６２は、種類フィールド及び読み取りルールフィールドを含む。種類フィールドには、対象カードの種類が記憶されている。対象外カードの種類、ポイントカード又は電子マネー用カード等は種類フィールドに記憶されていない。前述したように、対象カードの種類として、運転免許証、マイナンバーカード、マイナンバー通知カード、住民基本台帳カード、特別永住者証明書、在留カード、パスポートカード又はソーシャルセキュリティカード等が挙げられる。読み取りルールフィールドには、種類フィールドに記憶されている種類に対応する複数の個人情報を読み取りルールが記憶されている。具体的には、各読み取りルールは、個人情報の表示位置を示している。１つの個人情報の表示位置は、個人情報が表示されているカードＣの向き（表側又は裏側）と、カードＣの表側又は裏側における個人情報の表示場所とによって定義される。種類及び読み取りルールは読み取りルールデータベース６２に予め記憶されている。

図１１及び図１２は、認証処理の手順を示すフローチャートである。制御部５４は認証処理を繰り返し実行する。認証処理では、制御部５４は、まず、開口１ｂにカードＣが挿入されたか否かを判定する（ステップＳ２１）。ステップＳ２１では、制御部５４は、例えば、カードＣの挿入を検出する光センサの検出結果に基づいて、カードＣが挿入されたか否かを判定する。前述したように、開口１ｂにカードＣが挿入された場合、スキャナ１０は、第１面画像データ及び第２面画像データを生成し、生成した第１面画像データ及び第２面画像データを入力部５０に出力する。

制御部５４は、カードＣが挿入されていないと判定した場合（Ｓ２１：ＮＯ）、認証処理を終了する。その後、制御部５４は、再び、ステップＳ２１を実行する。従って、制御部５４は、開口１ｂにカードＣが挿入されるまで待機する。

制御部５４は、カードＣが挿入されたと判定した場合（Ｓ２１：ＹＥＳ）、入力部５０に入力された第１面画像データの縮小画像データを生成する（ステップＳ２２）。制御部５４は、第１面画像データの縦及び横の画素数を下げることによって、第１面画像データを縮小し、第１面画像データの縮小画像データを生成する。制御部５４は縮小部としても機能する。

次に、制御部５４は、ステップＳ２２で生成した縮小画像データを、学習モデルＧの入力層２０に入力する（ステップＳ２３）。学習モデルＧでは、入力層２０の各ノードには、例えば、縮小画像データを構成する各画素の画素値のデータが入力される。入力層２０の各ノードに入力されたデータは、隣接する中間層２１のノードへ出力される。中間層２１では、入力層２０に入力された縮小画像データに基づいて、ノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、中間層２１で行われた演算結果は出力層２２に出力される。このようにして、学習モデルＧでは、カードＣの種類及び表裏の分類の確からしさを示す確率が出力層２２から出力される。

制御部５４は、ステップＳ２３を実行した後、学習モデルＧの出力層２２が出力した出力結果（確率）を取得する（ステップＳ２４）。次に、制御部５４は、ステップＳ２４で取得した出力結果に基づいて、カードＣの種類及び表裏の特定を行うことが可能であるか否かを判定する（ステップＳ２５）。

具体的には、制御部５４は、学習モデルＧから出力された確率の分布の分散値を算出する。分散値は、カードＣの種類及び表裏の全ての組合せに係る確率の中で１つの確率のみが極端に高い場合、大きく、カードＣの種類及び表裏の全ての組合せに係る確率が略一致している場合、小さい。ステップＳ２５では、制御部５４は、算出した分散値が所定値未満である場合、特定を行うことが不可能であると判定し、算出した分散値が所定値以上である場合、特定を行うことが可能であると判定する。分散値が所定値以上であることは所定基準に相当する。制御部５４は、学習モデルＧから出力された確率の分布が所定基準を満たさない場合、特定を行うことが不可能であると判定する。

なお、所定基準は、分散値が所定値以上であることに限定されず、例えば、カードＣの種類及び表裏の全ての組合せに係る確率の中で１番目及び２番目に高い２つの確率の差分値が第２の所定値以上であることであってもよい。また、所定基準は、カードＣの種類及び表裏の全ての組合せに係る確率の中で１番目に高い確率が第３の所定値、例えば、４０％以上であることであってもよい。

制御部５４は、特定を行うことが不可能であると判定した場合（Ｓ２５：ＮＯ）、ステップＳ２２と同様に、第２面画像データの縮小画像データを生成する（ステップＳ２６）。制御部５４は、第２面画像データの縦及び横の画素数を下げることによって、第２面画像データを縮小し、第２面画像データの縮小画像データを生成する。

次に、制御部５４は、ステップＳ２６で生成した縮小画像データを、学習モデルＧの入力層２０に入力する（ステップＳ２７）。これにより、学習モデルＧの出力層２２から、カードＣの種類及び表裏の分類の確からしさを示す確率が出力される。このように、制御部５４は、ステップＳ２５で第１面画像データに関する特定を行うことが不可能であると判定した場合、入力部５０から取得した第１面画像データ及び第２面画像データの両方を学習モデルＧの入力層２０に入力する。

なお、制御部５４は、ステップＳ２２において、第１面画像データ及び第２面画像データの両方の縮小画像データを生成してもよい。この場合、制御部５４は、ステップＳ２５で、特定を行うことが不可能であると判定した場合、ステップＳ２７を実行する。ステップＳ２７では、制御部５４は、ステップＳ２２で生成した第２面画像データの縮小画像データを、学習モデルＧの入力層２０に入力する。

制御部５４は、ステップＳ２７を実行した後、学習モデルＧの出力層２２が出力した出力結果（確率）を取得する（ステップＳ２８）。次に、制御部５４は、ステップＳ２５と同様に、ステップＳ２８で取得した出力結果に基づいて、カードＣの種類及び表裏の特定を行うことが可能であるか否かを判定する（ステップＳ２９）。

制御部５４は、第２面画像データに関する特定を行うことが不可能であると判定した場合（Ｓ２９：ＮＯ）、出力部５２に指示して、特定不可情報をディスプレイ１２に出力させる（ステップＳ３０）。これにより、ディスプレイ１２は特定不可情報が示す内容を表示し、カードＣの特定不可がユーザに通知される。前述したように、特定不可情報は第３情報に相当する。出力部５２は第３情報出力部として機能する。
ステップＳ３０を実行した後、認証処理を終了し、再びステップＳ２１を実行する。

制御部５４は、第１面画像データに関する特定を行うことが可能であると判定した場合（Ｓ２５：ＹＥＳ）、又は、第２面画像データに関する特定を行うことが可能であると判定した場合（Ｓ２９：ＹＥＳ）、ステップＳ２３又はステップＳ２８で取得した出力結果に基づいて、開口１ｂに挿入されたカードＣの種類及び表裏を特定する（ステップＳ３１）。表裏の特定は、カードＣの第１面及び第２面夫々が表側及び裏側のいずれであるかを特定することである。第１面及び第２面の一方の面について特定が行われた場合、他方の面については、自動的に特定が行われる。

ステップＳ３１では、制御部５４は、例えば、カードＣの種類を、出力結果の中で最も確率が高い組合せの種類に特定する。また、制御部５４は、例えば、出力結果の中で最も高い組合せが表側を示す場合において、学習モデルＧに入力した縮小画像データが第１面画像データの縮小画像データであるとき、カードＣの第１面及び第２面夫々は表側及び裏側であると特定する。制御部５４は、同様の場合において、学習モデルＧに入力した縮小画像データが第２面画像データの縮小画像データであるとき、カードＣの第１面及び第２面夫々は裏側及び表側であると特定する。制御部５４は、特定部としても機能する。認証機１３は特定装置として機能する。

制御部５４は、ステップＳ２５で特定を行うことが可能であると判定した場合、ステップＳ３１では、第１面画像データの縮小画像データを学習モデルＧに入力することによって得られた出力結果に基づいて特定を行う。制御部５４は、ステップＳ２９で特定を行うことが可能であると判定した場合、ステップＳ３１では、第２面画像データの縮小画像データを学習モデルＧに入力することによって得られた出力結果に基づいて特定を行う。

次に、制御部５４は、ステップＳ３１で特定した種類が対象カードに係る複数の種類とは異なっているか否かを判定する（ステップＳ３２）。制御部５４は、ステップＳ３１で特定した種類が対象カードに係る複数の種類とは異なると判定した場合（Ｓ３２：ＹＥＳ）、出力部５２に指示して、対象外情報をディスプレイ１２に出力させる（ステップＳ３３）。これにより、ディスプレイ１２は対象外情報が示す内容を表示し、ステップＳ３１で特定したカードＣの種類が対象外の種類であることがユーザに通知される。前述したように、対象外情報は第２情報に相当する。出力部５２は第２情報出力部として機能する。
ステップＳ３３を実行した後、認証処理を終了し、再びステップＳ２１を実行する。

制御部５４は、ステップＳ３１で特定した種類が対象カードに係る複数の種類中の１つと一致すると判定した場合（Ｓ３２：ＮＯ）、ステップＳ３１で特定した種類に基づいて、読み取りルールデータベース６２から、ステップＳ３１で特定した種類に対応するカードＣの読み取りルールを読み出す（ステップＳ３４）。次に、制御部５４は、ステップＳ３２で読み出した読み取りルールに従って、カードＣの表側及び裏側の一方又は両方に表示されている個人情報を、入力部５０に入力された第１面画像データ及び第２面画像デーから読み取る（ステップＳ３５）。制御部５４は、読み取り部としても機能する。

次に、制御部５４は、個人情報の読み取りに成功したか否かを判定する（ステップＳ３６）。制御部５４は、読み取りに失敗したと判定した場合（Ｓ３６：ＮＯ）、出力部５２に指示して、読み取り不可情報をディスプレイ１２に出力させる（ステップＳ３７）。これにより、ディスプレイ１２は読み取り不可情報が示す内容を表示し、カードＣの読み取り不可がユーザに通知される。前述したように、読み取り不可情報は第１情報に相当する。出力部５２は第１情報出力部としても機能する。

なお、ステップＳ３１で特定した種類が実際のカードＣの種類と異なっていたために、個人情報の読み取りに失敗する可能性もある。
制御部５４は、ステップＳ３７を実行した後、認証処理を終了し、再びステップＳ２１を実行する。

制御部５４は、読み取りに成功したと判定した場合（Ｓ３６：ＹＥＳ）、開口１ｂに挿入されたカードＣの所有者を認証する（ステップＳ３８）。
例えば、ステップＳ３５で読み取った個人情報に、人物の顔が写っている顔画像が含まれている場合、制御部５４は、入出力部５１に指示して、撮影信号をカメラ１１に出力させる。前述したように、撮影信号がカメラ１１に入力された場合、カメラ１１は、顔画像を撮影し、撮影した顔画像に対応する顔画像データを入出力部５１に出力する。入出力部５１に入力された顔画像データは、制御部５４によって、入出力部５１から取得される。

制御部５４は、ステップＳ３５で読み取った顔画像の人物が、入出力部５１から取得した顔画像データに対応する顔画像の人物と同一であるか否かに基づいて認証を行う。制御部５４は、ステップＳ３５で読み取った顔画像の人物が、入出力部５１から取得した顔画像データに対応する顔画像の人物と同一である場合、認証に成功したと判定する。制御部５４は、ステップＳ３５で読み取った顔画像の人物が、入出力部５１から取得した顔画像データに対応する顔画像の人物と異なる場合、認証に失敗したと判定する。

例えば、ステップＳ３５で読み取った個人情報に、氏名、住所及び生年月日が含まれている場合、制御部５４は、ステップＳ３８では、認証用テーブル６１（図９参照）を用いて認証を行う。例えば、制御部５４は、ステップＳ３５で読み取った氏名が認証用テーブル６１に記憶されている場合において、ステップＳ３５で読み取った住所及び生年月日夫々が、ステップＳ３５で読み取った氏名に対応する認証用テーブル６１の住所及び生年月日と一致するとき、カードＣの所有者の認証に成功したと判定する。

制御部５４は、ステップＳ３５で読み取った氏名が認証用テーブル６１に記憶されていない場合、カードＣの所有者の認証に失敗したと判定する。制御部５４は、ステップＳ３５で読み取った氏名が認証用テーブル６１に記憶されている場合において、ステップＳ３５で読み取った住所及び生年月日夫々が、ステップＳ３５で読み取った氏名に対応する認証用テーブル６１の住所及び生年月日と一致しないとき、カードＣの所有者の認証に失敗したと判定する。

制御部５４は、ステップＳ３８を実行した後、出力部５２に指示して、認証結果、即ち、認証の成功又は失敗を示す結果情報をディスプレイ１２に出力させる（ステップＳ３９）。これにより、ステップＳ３８の認証結果がディスプレイ１２に表示され、ステップＳ３８の認証結果がユーザに通知される。
制御部５４は、ステップＳ３９を実行した後、認証処理を終了し、再びステップＳ２１を実行する。

以上のように、認証装置１の認証機１３では、第１面画像データ又は第２面画像データを学習モデルＧの入力層２０に入力することによって、学習モデルＧの出力層２２からカードＣの種類及び表裏の分類の確からしさを示す確率が出力される。制御部５４は、この確率に基づいて、カードＣの種類及び表裏を特定する。また、第１面画像データを学習モデルＧの入力層２０に入力することによって、カードＣの種類及び表裏を特定することができなかった場合、第２面画像データを学習モデルＧの入力層２０に入力することによって、カードＣの種類及び表裏を特定する。

更に、制御部５４は、縮小画像データを学習モデルＧの入力層２０に入力するので、カードＣに表示されている個人情報に基づく確率の出力が学習モデルＧで行われることを防止することができる。また、制御部５４は、カードＣの種類及び表裏を特定した場合、特定結果に基づいて、入力部５０から取得した第１面画像データ及び第２面画像データ中の少なくとも一方から個人情報を読み取る。

なお、認証装置１を、個人情報を新規に登録する登録装置として機能させてもよい。認証処理において、例えば、ステップＳ３５で読み取った個人情報に、人物の顔が写っている顔画像が含まれている場合、制御部５４は、前述したように、カメラ１１が撮影した顔画像データを用いて認証を行う。制御部５４は、認証に成功した場合、ステップＳ３５で読み取った個人情報、例えば、氏名、生年月日又は住所等を、記憶部５３の図示しないデータベースに記憶する。

（実施の形態２）
実施の形態１におけるモデル生成処理では、１つの縮小画像データを学習モデルＧの入力層２０に入力する都度、学習モデルＧのパラメータを更新する。しかしながら、複数の縮小画像データを学習モデルＧの入力層２０に入力することによって得られる複数の出力結果に基づいて学習モデルＧのパラメータを更新してもよい。
以下では、実施の形態２について、実施の形態１と異なる点を説明する。後述する構成を除く他の構成については、実施の形態１と共通している。このため、実施の形態１と共通する構成部には実施の形態１と同一の参照符号を付してその説明を省略する。

実施の形態２におけるモデル生成装置３では、制御部３３は、一時記憶部として、図示しないＲＡＭ(Random Access Memory)を有する。変数Ｋ，Ｕの値が記憶部３２に記憶されている。変数Ｋ，Ｕの値は、制御部３３によって設定される。また、第１基準値及び第２基準値が記憶部３２に予め記憶されている。第１基準値及び第２基準値夫々は２以上の整数である。

また、入力部３０には、複数の教師データの他に、学習モデルＧを評価するための第１評価用データ及び第２用評価データが入力される。第１評価用データ及び第２評価用データ夫々は、教師データと同様に、カードＣの表側又は裏側の縮小画像データと、ラベルデータとを含む。ラベルデータは、カードＣの種類、及び、カードＣの表側又は裏側を示す。

制御部３３は、入力部３０に教師データ、第１評価用データ又は第２評価用データが入力される都度、記憶処理を実行する。記憶処理では、制御部３３は、入力部３０に入力された教師データ、第１評価用データ又は第２評価用データを、入力部３０から取得し、取得したデータを記憶部３２に記憶する。その後、制御部３３は記憶処理を終了する。モデル生成処理では、制御部３３は、複数の教師データ、第１評価用データ及び第２評価用データを用いて学習モデルＧを生成する。学習モデルＧの生成で用いる教師データの数は、第１基準値及び所定数の積と一致する。所定数は、２以上の整数である。

図１３及び図１４は、実施の形態２におけるモデル生成処理の手順を示すフローチャートである。モデル生成装置３のユーザは、操作部３１において、モデル生成処理の実行を指示する実行操作を行う。実行操作が行われた場合において、記憶部３２に、複数の教師データ、第１評価用データ及び第２評価用データが記憶されているとき、制御部３３はモデル生成処理を実行する。

モデル生成処理では、制御部３３は、まず、学習モデルＧの経路を形成する（ステップＳ４１）。具体的には、制御部３３は、入力層２０と入力層２０に隣接する中間層２１とに関する複数のノードの間の経路と、隣接する２つの中間層２１，２１に関する複数のノード間の経路と、中間層２１と中間層２１に隣接する出力層２２とに関する複数のノード間の経路とを形成する。中間層２１で用いられるノード間の重み及びバイアス等のパラメータは適宜設定されている。

制御部３３は、ステップＳ４１を実行した後、変数Ｋ，Ｕの値をゼロに設定し（ステップＳ４２）、記憶部３２に記憶されている複数の教師データ、第１評価用データ及び第２評価用データを、ＲＡＭにロードする（ステップＳ４３）。次に、制御部３３は、ＲＡＭから１つの教師データを選択し（ステップＳ４４）、選択した教師データに含まれる縮小画像データを学習モデルＧの入力層２０に入力する（ステップＳ４５）。これにより、縮小画像データに対応する縮小画像に写っているカードＣの種類及び表裏の分類の確からしさを示す確率が、出力結果として、学習モデルＧの出力層２２から出力される。

制御部３３は、ステップＳ４５を実行した後、学習モデルＧの出力層２２が出力した出力結果を取得し（ステップＳ４６）、変数Ｋの値を１だけインクリメントする（ステップＳ４７）。次に、制御部３３は、変数Ｋの値が第１基準値であるか否かを判定する（ステップＳ４８）。制御部３３は、変数Ｋの値が第１基準値ではないと判定した場合（Ｓ４８：ＮＯ）、ステップＳ４４を再び実行する。再び実行されたステップＳ４４では、制御部３３は、ステップＳ４３でロードされた複数の教師データの中で選択していない１つの教師データを選択する。

制御部３３は、変数Ｋの値が第１基準値となるまで、ステップＳ４４〜Ｓ４７を繰り返し実行し、第１基準値の数と同じ数の出力結果を取得する。第１基準値は、所謂、バッチサイズである。制御部３３は、変数Ｋの値が第１基準値であると判定した場合（Ｓ４８：ＹＥＳ）、取得した複数の出力結果と、ステップＳ４４で選択した複数の教師データのラベルデータが示す内容とに基づいて、学習モデルＧのパラメータを更新する（ステップＳ４９）。次に、制御部３３は、ＲＡＭに記憶されている全ての教師データをステップＳ４４で選択したか否かを判定する（ステップＳ５０）。

制御部３３は、全ての教師データを選択していないと判定した場合（Ｓ５０：ＮＯ）、
変数Ｋの値をゼロに設定し（ステップＳ５１）、ステップＳ４４を再び実行する。再び実行されたステップＳ４４では、制御部３３は、ステップＳ４３でロードされた複数の教師データの中で選択していない１つの教師データを選択する。全ての教師データが選択されるまで、複数の出力結果に基づいて、パラメータを繰り返し更新する。

制御部３３は、全ての教師データを選択したと判定した場合（Ｓ５０：ＹＥＳ）、第１評価用データを用いて学習モデルＧを評価する（ステップＳ５２）。ステップＳ５２では、制御部３３は、第１評価用データに含まれる縮小画像データを学習モデルＧの入力層２０に入力し、学習モデルＧの出力結果を取得する。制御部３３は、この出力結果と、第１評価用データに含まれるラベルデータが示す内容とに基づいて、学習モデルＧが適切な出力結果を出力していることを確認する。適切な出力結果が出力されていなかった場合、例えば、モデル生成処理を終了してもよい。この場合、例えば、教師データの数を増やして、再度、モデル生成処理を実行する。

制御部３３は、ステップＳ５２を実行した後、変数Ｕの値を１だけインクリメントし（ステップＳ５３）、変数Ｕの値が第２基準値であるか否かを判定する（ステップＳ５４）。制御部３３は、変数Ｕの値が第２基準値ではないと判定した場合（Ｓ５４：ＮＯ）、ステップＳ４４を再び実行する。このとき、ステップＳ４３でロードされた複数の教師データの中に選択された教師データはないとして、ステップＳ４４を実行する。変数Ｕの値が第２基準値となるまで、ステップＳ４３でロードされた複数の教師データを用いて学習モデルＧのパラメータを更新する。各教師データが用いられる回数は、第２基準値の数と同じである。第２基準値は、所謂、エポック数である。

制御部３３は、変数Ｕの値が第２基準値であると判定した場合（Ｓ５４：ＹＥＳ）、第２評価用データを用いて学習モデルＧを評価する（ステップＳ５５）。ステップＳ５５では、制御部３３は、第２評価用データに含まれる縮小画像データを学習モデルＧの入力層２０に入力し、学習モデルＧの出力結果を取得する。制御部３３は、この出力結果と、第２評価用データに含まれるラベルデータが示す内容とに基づいて、学習モデルＧが適切な出力結果を出力していることを確認する。適切な出力結果が出力されていなかった場合、例えば、モデル生成処理を終了してもよい。この場合、例えば、教師データの数を増やして、再度、モデル生成処理を実行する。

制御部３３は、ステップＳ５５を実行した後、パラメータが更新された学習モデルＧを記憶部３２に記憶し（ステップＳ５６）、記憶部３２に記憶されている全ての教師データ、即ち、学習モデルＧのパラメータを更新するために用いた全ての教師データを、ＲＡＭ及び記憶部３２から削除する（ステップＳ５７）。制御部３３は、ステップＳ５７を実行した後、モデル生成処理を終了する。

以上のように、実施の形態２におけるモデル生成処理では、複数の縮小画像データを学習モデルＧの入力層２０に入力することによって得られる複数の出力結果に基づいて学習モデルＧのパラメータを更新する。これにより、学習モデルＧが生成される。実施の形態２における学習モデルＧの生成では、１つの教師データを２回以上用いる。このため、より適切な学習モデルＧが生成される。

実施の形態２におけるモデル生成装置３は、実施の形態１におけるモデル生成装置３と同様の効果を奏する。
なお、実施の形態２におけるモデル生成処理において、ステップＳ５３〜Ｓ５５の処理を省略してもよい。この場合、制御部３３は、ステップＳ５２を実行した後、ステップＳ５６を実行する。ステップＳ５３〜Ｓ５５を省略する場合、第２評価用データ及び変数Ｕは不要である。

（実施の形態３）
実施の形態１においては、認証機１３の制御部５４は、開口１ｂにカードＣの種類及び表裏を特定している。しかしながら、制御部５４が学習モデルＧを用いてカードＣの種類及び表裏を特定するとともに、カードＣの一面について、上向き及び下向きのいずれであるかを特定してもよい。
以下では、実施の形態３について、実施の形態１と異なる点を説明する。後述する構成を除く他の構成については、実施の形態１と共通している。このため、実施の形態１と共通する構成部には実施の形態１と同一の参照符号を付してその説明を省略する。

図１５は、実施の形態３におけるカードＣの上下の説明図である。認証装置１の開口１ｂの一方の長辺側がカードＣの表側である場合において、一方の短辺側からカードＣを挿入したときの第１面画像データの第１面画像は、他方の短辺側からカードＣを挿入したときの第１面画像データの第１面画像とは異なる。認証装置１の開口１ｂの一方の長辺側がカードＣの表側であることは、例えば、図１において、カードＣの上面が表側であることである。図１５の例では、文字の向きが正常であるカードＣの向きを上向きと定義し、文字の向きが逆さであるカードＣの向きを下向きと定義している。

図１６は学習モデルＧの模式図である。学習モデルＧでは、カードＣの表側又は裏側の縮小画像データと、カードＣの種類、カードＣの表側又は裏側、及び、カードＣの上向き又は下向きを示すラベルデータとを含む教師データを用いて、画像データとカードＣの種類、表裏及び上下との関係が学習されている。
中間層２１では、教師データに基づき、縮小画像データと、カードＣの種類、表裏及び上下との関係が学習されている。

出力層２２は、入力画像データに対応する入力画像に写っているカードＣの種類、表裏及び上下の分類の確からしさを示す確率を出力する。具体的には、カードＣの種類、表裏及び上下の各組合せについて、入力画像データに係るカードＣの種類、表裏及び上下の組合せが該当する確率を示す。図１６では、カードＣの種類、表裏及び上下の組合せを（種類，表又は裏，上又は下）で示している。（運転免許証，表，上）、（運転免許証，表，下）、（運転免許証，裏，上）及び（運転免許証，裏，下）等の組合せ夫々について、入力画像データに係るカードＣの種類、表裏及び上下の組合せが該当する確率を示す。

モデル生成装置３の制御部３３が取得する教師データは、カードＣの表側又は裏側の縮小画像データと、カードＣの種類、カードＣの表側又は裏側、及び、カードＣの上向き又は下向きを示すラベルデータとを含む。制御部３３は、実施の形態１と同様に、モデル生成処理を実行する。

認証装置１は、実施の形態１と同様に、モデル生成装置３の制御部３３が生成処理で生成した学習モデルＧを用いる。認証装置１は、学習モデルＧから出力された出力結果に基づいて、開口１ｂに挿入されたカードＣの種類及び表裏を特定するとともに、カードＣの一面について、上向き及び下向きのいずれであるかを特定する。実施の形態３におけるモデル生成装置３は、実施の形態１におけるモデル生成装置３が奏する効果を同様に奏する。

なお、モデル生成装置３の制御部３３は、実施の形態２と同様に学習モデルＧを生成してもよい。この場合、制御部３３は、実施の形態２におけるモデル生成処理を実行し、モデル生成装置３は、実施の形態２におけるモデル生成装置３が奏する効果を同様に奏する。

認証機１３の制御部５４は、実施の形態１と同様に認証処理を実行する。実施の形態３においては、学習モデルＧの出力層２２から、カードＣの種類、表裏及び上下の分類の確からしさを示す確率が、出力結果として出力される。認証処理のステップＳ２５，Ｓ２９夫々では、制御部５４は、カードＣの種類、表裏及び上下の特定を行うことが可能であるか否かを判定する。ステップＳ３１では、制御部５４は、ステップＳ２４又はステップＳ２８で取得した出力結果に基づいて、開口１ｂに挿入されたカードＣの種類及び表裏を特定するとともに、第１面又は第２面について、上向き及び下向きのいずれであるかを特定する。

以上のように、認証装置１では、第１面画像データ又は第２面画像データを学習モデルＧの入力層２０に入力することによって、学習モデルＧの出力層２２からカードＣの種類、表裏及び上下の分類の確からしさを示す確率が出力される。制御部５４は、この確率に基づいて、カードＣの種類及び表裏を特定するとともに、カードＣの一面について、上向き及び下向きのいずれであるかを特定する。また、第１面画像データを学習モデルＧの入力層２０に入力することによって、カードＣの種類、表裏及び上下に関する特定を行うことができなかった場合、第２面画像データを学習モデルＧの入力層２０に入力することによって、カードＣの種類及び表裏を特定するとともに、カードＣの一面が上向き及び下向きのいずれであるかを特定する。

実施の形態３における認証装置１は、実施の形態１における認証装置１が奏する効果を同様に奏する。実施の形態３における認証装置１では、第１面画像又は第２面画像が写っている第１面又は第２面について、上向き及び下向きのいずれであるかを特定するので、個人情報の読み取りが容易である。

（実施の形態４）
図１７は、実施の形態４における認証システム７の概略図である。
以下では、実施の形態４について、実施の形態１と異なる点を説明する。後述する構成を除く他の構成については、実施の形態１と共通している。このため、実施の形態１と共通する構成部には実施の形態１と同一の参照符号を付してその説明を省略する。

認証システム７は、複数の認証装置１，１，・・・と、モデル生成装置３とを備える。これらはネットワークＮ１に接続されている。実施の形態４では、各認証装置１は、学習モデルＧ及び教師データをモデル生成装置３に送信する。モデル生成装置３は、学習モデルＧの再学習を行う。

図１８は、認証装置１の要部構成を示すブロック図である。認証装置１の認証機１３は、更に、通信部５６を有する。通信部５６も内部バス５５に接続されている。通信部５６は、制御部５４の指示に従って、学習モデルＧ及び教師データをモデル生成装置３に送信する。通信部５６は、モデル生成装置３から、再学習で更新された学習モデルＧを受信する。制御部５４は、通信部５６から、通信部５６が受信した学習モデルＧを取得する。教師データは、学習モデルＧに入力した縮小画像データと、カードＣの種類、及び、カードＣの表側又は裏側を示すラベルデータとを含む。ラベルデータが示す内容は、認証処理で制御部５４が特定した特定結果に基づく。

認証機１３の制御部５４は、認証処理において、ステップＳ３１でカードＣの種類及び表裏を特定した場合、学習モデルＧに入力した縮小画像データと、この縮小画像データに対応する縮小画像に写っているカードＣの種類及び向きを示すラベルデータとを含む教師データを生成し、生成した教師データを記憶部５３に記憶する。ラベルデータが示すカードＣの向きは、表側及び裏側の一方である。認証処理において、制御部５４は、第１面画像データの縮小画像データを学習モデルＧに入力して、カードＣの種類を運転免許証と特定し、カードＣの第１面を表側と特定したと仮定する。このとき、制御部５４は、第１面画像データの縮小画像データと、運転免許証及び表側を示すラベルデータとを含む教師データを生成する。
認証装置１では、制御部５４は、コンピュータプログラム６０を実行することによって、学習モデルＧを更新する更新処理も実行させる。

図１９は、モデル生成装置３の要部構成を示すブロック図である。実施の形態４におけるモデル生成装置３は、実施の形態１におけるモデル生成装置３が有する構成部の中で入力部３０を除く他の構成部を有する。実施の形態４におけるモデル生成装置３は、入力部３０の代わりに通信部３５を有する。通信部３５も内部バス３４に接続されている。通信部３５は、認証機１３の通信部５６から学習モデルＧ及び教師データを受信する。モデル生成装置３の通信部３５が受信した学習モデルＧ及び教師データは、制御部３３によって取得される。通信部３５は、制御部３３の指示に従って、学習モデルＧを認証機１３の通信部５６に送信する。モデル生成装置３では、制御部３３は、コンピュータプログラム４０を実行することによって、学習モデルＧの再学習を行う再学習処理を実行する。

図２０は、認証機１３及びモデル生成装置３が行う処理の手順を示すフローチャートである。図２０には、認証機１３の制御部５４が実行する更新処理と、モデル生成装置３の制御部３３が実行する再学習処理とが示されている。制御部５４は更新処理を周期的に実行する。制御部３３も再学習処理を周期的に実行する。

認証機１３の制御部５４は、学習モデルＧを更新するか否かを判定する（ステップＳ６１）。制御部５４は、例えば、記憶部５３に記憶されている教師データの数が所定数以上である場合に、学習モデルＧを更新すると判定し、記憶部５３に記憶されている教師データの数が所定数未満である場合に学習モデルＧを更新しないと判定する。

制御部５４は、学習モデルＧを更新すると判定した場合（Ｓ６１：ＹＥＳ）、通信部５６に指示して、記憶部５３に記憶されている学習モデルＧ及び教師データを、ネットワークＮ１を介してモデル生成装置３の通信部３５に送信させる（ステップＳ６２）。モデル生成装置３の制御部３３は、通信部３５が認証機１３の通信部５６から学習モデルＧ及び教師データを受信したか否かを判定する（ステップＳ７１）。

モデル生成装置３の制御部３３は、通信部５６が学習モデルＧ及び教師データを受信したと判定した場合（Ｓ７１：ＹＥＳ）、通信部３５が受信した学習モデルＧ及び教師データを記憶部３２に記憶し（ステップＳ７２）、図７に示すモデル生成処理を実行する（ステップＳ７３）。これにより、通信部３５が受信した学習モデルＧの再学習が行われる。学習モデルＧの再学習で用いられる教師データは、制御部５４が学習モデルＧに入力した縮小画像データと、認証処理のステップＳ３１で制御部５４が特定したカードＣの向き（表側又は裏側）を示すラベルデータとを含む。

次に、制御部５４は、通信部３５に指示して、再学習された学習モデルＧを認証機１３の通信部５６に送信させる（ステップＳ７４）。制御部３３は、通信部３５が学習モデルＧ及び教師データを受信していないと判定した場合（Ｓ７１：ＮＯ）、又は、ステップＳ７４を実行した後、再学習処理を終了する。

認証機１３の制御部５４は、ステップＳ６２を実行した後、通信部５６が、モデル生成装置３の通信部３５から学習モデルＧを受信したか否かを判定する（ステップＳ６３）。制御部５４は、学習モデルＧを受信していないと判定した場合（Ｓ６３：ＮＯ）、ステップＳ６３を再び実行し、通信部５６が学習モデルＧを受信するまで待機する。制御部５４は、通信部５６が学習モデルＧを受信したと判定した場合（Ｓ６３：ＹＥＳ）、記憶部５３に記憶されている学習モデルＧを、通信部５６が受信した学習モデルＧに更新する（ステップＳ６４）。
制御部５４は、学習モデルＧを更新しないと判定した場合（Ｓ６１：ＮＯ）、ステップＳ６４を実行した後、更新処理を終了する。

実施の形態４における認証装置１は、実施の形態１における認証装置１が奏する効果を同様に奏する。更に、実施の形態４における認証装置１に記憶されている学習モデルＧは、再学習が行われることによって、定期的に改善される。

なお、モデル生成装置３の制御部３３は、実施の形態２と同様にモデル生成処理を実行してもよい。ただし、再学習処理のステップＳ７３で実行されるモデル生成処理では、ステップＳ４１が省略され、制御部３３は、ステップＳ４２から実行する。また、実施の形態４における学習モデルＧは、実施の形態３における学習モデルＧと同様であってもよい。この場合、ラベルデータが示すカードの向きは、表側及び裏側の一方、及び、上側及び下側の一方である。認証処理において、制御部５４は、第１面画像データの縮小画像データを学習モデルＧに入力して、カードＣの種類を運転免許証と特定し、第１面に関するカードＣの向きを表側及び上側と特定したと仮定する。このとき、制御部５４は、第１面画像データの縮小画像データと、運転免許証、表側及び上側を示すラベルデータとを含む教師データを生成する。

また、学習モデルＧの再学習において、認証機１３の通信部５６は、学習モデルＧの代わりに学習モデルＧのパラメータを示す情報をモデル生成装置３の通信部３５に送信してもよい。この場合、モデル生成装置３の制御部３３は、通信部３５が受信したパラメータに基づいて学習モデルＧを生成し、生成した学習モデルＧの再学習を行う。更に、通信部３５は、通信部５６に、学習モデルＧの代わりに、学習モデルＧのパラメータを示す情報を送信してもよい。この場合、認証機１３の制御部５４は、学習モデルＧのパラメータを、受信した情報に基づいて更新する。

なお、実施の形態１〜４における認証装置１において、カードＣの第１面画像データ及び第２面画像データを取得する装置は、スキャナに限定されず、例えば、カメラであってもよい。第１面画像データ及び第２面画像データを取得するカメラとして、工業用カメラ、家庭用カメラ、携帯電話機のカメラ又はスマートフォンのカメラ等が挙げられる。

（実施の形態５）
図２１は、実施の形態５における認証システム８の要部構成を示すブロック図である。認証システム８はユーザ端末８０及びサーバ８１を備える。ユーザ端末８０及びサーバ８１はネットワークＮ２に接続されている。ユーザ端末８０は、ユーザによって操作される。ユーザ端末８０は、カードＣの２面の２つの画像データを、ネットワークＮ２を介してサーバ８１に送信する。サーバ８１は、ユーザ端末８０から受信した２つの画像データに基づいて、実施の形態１における認証機１３と同様に、カードＣの所有者を認証する。

以下では、実施の形態５について、実施の形態１と異なる点を説明する。後述する構成を除く他の構成については、実施の形態１と共通している。このため、実施の形態１と共通する構成部には実施の形態１と同一の参照符号を付してその説明を省略する。

サーバ８１は、通信部９０、記憶部９１及び制御部９２を有する。これらは内部バス９３に接続されている。
通信部９０は、ユーザ端末８０からカードＣの第１面及び第２面の画像データを受信する。受信した２つの画像データは、制御部９２によって取得される。通信部９０は、更に、制御部９２の指示に従って、特定不可情報、対象外情報、読み取り不可情報及び結果情報をユーザ端末８０に送信する。

記憶部９１は例えば不揮発性メモリである。記憶部９１には、学習モデルＧ、コンピュータプログラム６０、認証用テーブル６１及び読み取りルールデータベース６２が記憶されている。

制御部９２は、ＣＰＵ、ＧＰＵ又はＴＰＵ等の処理素子を有する。実施の形態５では、コンピュータプログラム６０は、認証処理を、制御部９２が有する処理素子（コンピュータ）に実行させるために用いられる。なお、処理素子の数は２以上であってもよい。この場合、複数の処理素子が認証処理を協同で実行してもよい。

制御部９２は認証処理を繰り返し実行する。実施の形態５における認証処理は、実施の形態１における認証処理と同様である。実施の形態５における認証処理のステップＳ２１では、通信部９０がユーザ端末８０から第１面及び第２面の画像データを受信したか否かを判定する。実施の形態５における認証処理のステップＳ３８では、制御部９２は、顔画像とは異なる個人情報、例えば、氏名、住所又は生年月日等の個人情報に基づいて認証を行う。

実施の形態５における認証処理のステップＳ３９では、通信部９０に指示して結果情報をユーザ端末８０に送信させる。これにより、例えば、ユーザ端末８０が有する図示しないディスプレイに認証結果が表示される。実施の形態５における認証処理のステップＳ３０、ステップＳ３３又はステップＳ３７では、通信部９０に指示して特定不可情報、対象外情報又は読み取り不可情報をユーザ端末８０に送信させる。これにより、例えば、ユーザ端末８０が有する図示しないディスプレイに、カードＣを特定することができなかったこと、カードＣの種類が対象外カードの種類であること、又は、読み取りを行うことができなかったことが表示される。
実施の形態５では、制御部９２が取得部、特定部、縮小部として機能し、通信部９０が第１情報出力部、第２情報出力部及び第３情報出力部として機能し、サーバ８１が特定装置として機能する。

以上のように構成されたサーバ８１は、実施の形態１における認証機１３が奏する効果と同様の効果を奏する。
学習モデルＧは、実施の形態１と同様にモデル生成装置３によって生成される。

なお、モデル生成装置３の制御部３３は、実施の形態２と同様に学習モデルＧを生成してもよい。また、実施の形態５における学習モデルＧは、実施の形態３における学習モデルＧであってもよい。この場合、認証機１３の制御部５４は、カードＣの種類及び表裏を特定するとともに、カードＣの一面が上側及び下側のいずれであるかを特定する。更に、実施の形態５において、実施の形態４と同様に、モデル生成装置３がネットワークＮ２に接続され、モデル生成装置３がサーバ８１の記憶部９１に記憶されている学習モデルＧの再学習を行ってもよい。

なお、実施の形態１〜５において、学習モデルＧは、出力層２２がカードＣの種類及び表裏等の組合せの中で、確率が最も高い組合せを出力する学習モデルであってもよい。更に、学習モデルＧは、カードＣの表裏が写っている１つの画像に対応する画像データと、カードＣの種類を示すラベルデータとを含む教師データを用いて、画像データとカードの種類との関係を学習した学習モデルであってもよい。この場合、学習モデルＧが出力する出力結果では、種類に係る複数の確率を示し、認証機１３の制御部５４又はサーバ８１の制御部９２は、認証処理において、カードＣの種類を特定する。前述したように、教師データの画像データとして、運転免許証を含む複数種類のカードＣ，Ｃ，・・・夫々の表裏の縮小画像データが用いられる。

また、学習モデルＧは、カードＣではなく、パスポート、銀行の通帳、生徒手帳、年金手帳、身体障害者手帳又は母子健康手帳等の冊子の画像に対応する画像データと、冊子の種類を示すラベルデータとを含む教師データを用いて、画像データと冊子の種類との関係を学習した学習モデルであってもよい。この場合、学習モデルＧが出力する出力結果では、種類に係る複数の確率を示し、認証機１３の制御部５４又はサーバ８１の制御部９２は、認証処理において、冊子の画像データを取得し、冊子の種類を特定する。制御部５４又は制御部９２は、特定した種類に対応する読み取りルールに従って、冊子の画像データから個人情報を読み取る。冊子の画像は、例えば、個人情報が記載された特定のページの画像である。冊子の種類として、パスポート、銀行の通帳、生徒手帳、年金手帳、身体障害者手帳又は母子健康手帳等が挙げられる。冊子の画像データは、例えば、工業用カメラ、家庭用カメラ、携帯電話機のカメラ又はスマートフォンのカメラ等を用いて冊子を撮影することによって取得される。前述したように、教師データの画像データとして、冊子の縮小画像データが用いられる。

また、教師データに含まれる画像データ、及び、学習モデルＧに入力される画像データ夫々は、縮小画像データに限定されず、縮小前の画像データであってもよい。この場合であっても、実施の形態１〜４における認証機１３、実施の形態５におけるサーバ８１及び実施の形態１〜５におけるモデル生成装置３は、前述した効果の中で縮小によって得られる効果を除く他の効果を同様に奏する。この構成では、例えば、個人情報を削除した画像データを教師データの画像データとして用いてもよい。また、縮小前の画像データにおいて、個人情報の変更又は削除が行われた画像データ、又は、縮小前の画像データにノイズを追加した画像データを教師データの画像データとして用いてもよい。
更に、実施の形態１〜３における認証機１３又は実施の形態５におけるサーバ８１に、モデル生成装置３が行う学習モデルＧの生成機能を持たせてもよい。

実施の形態１〜５で記載されている技術的特徴（構成要件）はお互いに組み合わせ可能であり、組み合わせすることにより、新しい技術的特徴を形成することができる。
開示された実施の形態１〜５はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

１ 認証装置
３ モデル生成装置
１３ 認証機（特定装置）
２０ 入力層
２１ 中間層
２２ 出力層
３３ 制御部
４０ コンピュータプログラム
５４，９２ 制御部（取得部、特定部、縮小部）
５２ 出力部（第１情報出力部、第２情報出力部、第３情報出力部）
８１ サーバ（特定装置）
９０ 通信部（第１情報出力部、第２情報出力部、第３情報出力部）
Ａ１，Ａ２ 記憶媒体
Ｃ カード
Ｇ 学習モデル

Claims (9)

1. カードの画像データを取得する取得部と、
   運転免許証を含む複数種類のカードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係を学習した学習モデルと、
   前記取得部が取得した画像データを前記学習モデルに入力し、前記学習モデルからの出力に基づいて、カードの種類及び向きを特定する特定部と、
   前記特定部が特定したカードの種類に対応するカードの読み取りルールに従い、カード上の個人情報を読み取る読み取り部と、
   前記読み取り部により前記カード上の個人情報を読み取ることができない場合、カードの特定に成功したもののカードの読み取りができなかったことを示す第１情報を出力する第１情報出力部と
   を備える特定装置。
2. カードの画像データを取得する取得部と、
   運転免許証を含む複数種類のカードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係を学習した学習モデルと、
   前記取得部が取得した画像データを前記学習モデルに入力し、前記学習モデルからの出力に基づいて、カードの種類及び向きを特定する特定部と、
   前記特定部が特定したカードの種類が、予め設定されている複数の種類とは異なっていた場合、前記特定部が特定したカードの種類が対象外の種類であることを示す第２情報を出力する第２情報出力部と
   を備える特定装置。
3. 前記取得部は、カード２面の２つの画像データを取得し、
   前記特定部は、前記取得部が取得した２つの画像データを前記学習モデルに入力する
   請求項１又は請求項２に記載の特定装置。
4. 前記カードの向きは、表裏、又は、表裏及び上下である
   請求項１から請求項３のいずれか１つに記載の特定装置。
5. 前記学習モデルは、カードの種類及び向きの分類の確からしさを示す確率を出力し、
   出力された前記確率の分布が所定基準を満たさない場合、カードの特定ができなかったことを示す第３情報を出力する第３情報出力部を備える
   請求項１から請求項４のいずれか１つに記載の特定装置。
6. カードの画像データを取得し、
   取得した画像データを、運転免許証を含む複数種類のカードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係を学習した学習モデルに入力し、
   前記学習モデルからの出力に基づいて、カードの種類及び向きを特定し、
   特定したカードの種類に対応するカードの読み取りルールに従い、カード上の個人情報を読み取り、
   前記カード上の個人情報を読み取ることができない場合、カードの特定に成功したもののカードの読み取りができなかったことを示す第１情報を出力する
   処理をコンピュータが実行する特定方法。
7. カードの画像データを取得し、
   取得した画像データを、運転免許証を含む複数種類のカードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係を学習した学習モデルに入力し、
   前記学習モデルからの出力に基づいて、カードの種類及び向きを特定し、
   特定したカードの種類が、予め設定されている複数の種類とは異なっていた場合、特定したカードの種類が対象外の種類であることを示す第２情報を出力する
   処理をコンピュータが実行する特定方法。
8. カードの画像データを取得し、
   取得した画像データを、運転免許証を含む複数種類のカードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係を学習した学習モデルに入力し、
   前記学習モデルからの出力に基づいて、カードの種類及び向きを特定し、
   特定したカードの種類に対応するカードの読み取りルールに従い、カード上の個人情報を読み取り、
   前記カード上の個人情報を読み取ることができない場合、カードの特定に成功したもののカードの読み取りができなかったことを示す第１情報を出力する
   処理をコンピュータに実行させるコンピュータプログラム。
9. カードの画像データを取得し、
   取得した画像データを、運転免許証を含む複数種類のカードの画像データと、カードの種類及び向きを示すラベルデータとを含む教師データを用いて、画像データとカードの種類及び向きとの関係を学習した学習モデルに入力し、
   前記学習モデルからの出力に基づいて、カードの種類及び向きを特定し、
   特定したカードの種類が、予め設定されている複数の種類とは異なっていた場合、特定したカードの種類が対象外の種類であることを示す第２情報を出力する
   処理をコンピュータに実行させるコンピュータプログラム。

Images