JP2020181283A - 情報処理装置、情報処理方法、寸法データ算出装置、及び製品製造装置 - Google Patents

Abstract

【課題】対象物の高精度な寸法データを提供する。【解決手段】情報処理装置は、変換部２４Ｃ及び推定部２４Ｄを備える。変換部２４Ｃは、対象物のシルエット画像を受け付ける受付部たり得る。推定部２４Ｄは、サンプル対象物のシルエット画像とサンプル対象物に関連付けられた所定個数の形状パラメータの値とを関連付けた対象物エンジン２１Ａを使用して、受け付けたシルエット画像から対象物の形状パラメータの値を推定する。そして、推定された対象物の形状パラメータの値が、対象物が有する任意の部位に関連する寸法データに関連付けられる。【選択図】図１

Description

本開示は、情報処理装置、情報処理方法、寸法データ算出装置、及び製品製造装置に関する。

従来、対象物の形状に基づいて製品を製造する装置が検討されている。例えば、特許文献１（特開２０１７−０１８１５８号公報）には、指の爪を撮影して爪画像を取得し、爪画像に基づいて、爪の形状、爪の位置、爪の曲率等の付け爪作成に必要な爪情報を取得し、爪情報に基づいて付け爪パーツを作成する技術が開示されている。

しかしながら、従来技術では、対象物における寸法及び形状を高精度に算出することが困難であった。

第１観点の情報処理装置は、対象物のシルエット画像を受け付ける受付部と、サンプル対象物のシルエット画像とサンプル対象物に関連付けられた所定個数の形状パラメータの値とを関連付けた対象物エンジンを使用して、受け付けたシルエット画像から対象物の形状パラメータの値を推定する推定部と、を備え、推定された対象物の形状パラメータの値が、対象物が有する任意の部位に関連する寸法データに関連付けられる。このような構成により、対象物について算出される寸法データを高精度で提供することができる。

第２観点の情報処理装置は、第１観点の情報処理装置において、サンプル対象物に関連付けられた所定個数の形状パラメータが、サンプル対象物の３次元データを次元削減することによって得られる。

第３観点の情報処理装置は、第２観点の情報処理装置において、次元削減が主成分分析により行われ、推定された所定個数の形状パラメータの値に対し、主成分分析に係る射影の逆変換により対象物の３次元データが算出され、３次元データが寸法データに関連付けられる。

第４観点の情報処理装置は、第３観点の情報処理装置において、第１順位の主成分を除いた第２順位以降の所定個数の主成分が形状パラメータに選択される。

第５観点の情報処理装置は、第４観点の情報処理装置において、対象物が人であり、第１順位の主成分が人の身長に関連付けられる。

第６観点の情報処理装置は、第１観点から第５観点の何れかの情報処理装置において、サンプル対象物のシルエット画像が、サンプル対象物の３次元データから構成される３次元物体における所定方向の投影画像である。

第７観点の情報処理装置は、第１観点から第６観点の何れかの情報処理装置において、対象物エンジンが、サンプル対象物のシルエット画像とサンプル対象物に関連付けられた所定個数の形状パラメータの値との関係を学習することにより生成されている。

第８観点の情報処理装置は、第１観点から第７観点の何れかの情報処理装置であって、対象物について推定された所定個数の形状パラメータの値から、対象物における複数の頂点の３次元データを構成し、構成された３次元データに基づいて、対象物における任意の２つの頂点の間の寸法データを算出する算出部と、を更に備える。

第９観点の情報処理装置は、第８観点の情報処理装置の算出部において、２つの頂点の間の寸法データが、対象物における複数の頂点の３次元データから構成される３次元物体上の曲面に沿って算出される。

第１０観点の情報処理装置は、第１観点から第９観点の何れかの情報処理装置において、対象物のシルエット画像が、深度データ測定装置を用いて得られる深度データに基づいて、対象物の画像と対象物以外の画像とを分離することで生成される。

第１１観点の情報処理装置は、第１０観点の情報処理装置において、深度データ測定装置がステレオカメラである。

第１２観点の情報処理方法は、サンプル対象物のシルエット画像とサンプル対象物に関連付けられた所定個数の形状パラメータの値との関係を学習させ、対象物エンジンを生成するステップと、対象物のシルエット画像を受け付けるステップと、対象物エンジンを使用して、受け付けたシルエット画像から対象物の形状パラメータの値を推定するステップと、対象物の形状パラメータの値に基づいて、対象物が有する部位に関連する寸法データを算出するステップと、を含む。このような構成により、対象物について算出される寸法データを高精度で提供することができる。

第１３観点の情報処理装置は、対象物の属性データを受け付ける受付部と、サンプル対象物の属性データとサンプル対象物に関連付けられた所定個数の形状パラメータの値とを関連付けた対象物エンジンを使用して、受け付けた属性データから対象物の形状パラメータの値を推定する推定部と、を備え、推定された対象物の形状パラメータの値が、対象物が有する任意の部位に関連する寸法データに関連付けられる。このような構成により、対象物について算出される寸法データを高精度で提供することができる。

第１４観点の情報処理装置は、第１３観点の情報処理装置において、サンプル対象物に関連付けられた所定個数の形状パラメータが、サンプル対象物の３次元データを次元削減することによって得られる。

第１５観点の情報処理装置は、第１４観点の情報処理装置において、次元削減が主成分分析により行われ、第１順位の主成分を除いた第２順位以降の所定個数の主成分が形状パラメータに選択される。

第１６観点の情報処理装置は、第１５観点の情報処理装置において、対象物が人であり、第１順位の主成分が人の身長に関連付けられ、属性データには対象物の身長データが含まれる。

第１７観点の情報処理装置は、第１３観点から第１６観点の何れかの情報処理装置において、対象物エンジンが、サンプル対象物の属性データとサンプル対象物に関連付けられた所定個数の形状パラメータの値との関係を学習することにより生成されている。

第１８観点の情報処理装置は、第１３観点から第１７観点の何れかの情報処理装置であって、対象物について推定された所定個数の形状パラメータの値から、対象物における複数の頂点の３次元データを構成し、構成された３次元データに基づいて、対象物における任意の２つの頂点の間の寸法データを算出する算出部と、を更に備える。

第１９観点の情報処理装置は、第１８観点の情報処理装置の算出部において、２つの頂点の間の寸法データが、対象物における複数の頂点の３次元データから構成される３次元物体上の曲面に沿って算出される。

第２０観点の情報処理方法は、サンプル対象物の属性データとサンプル対象物に関連付けられた所定個数の形状パラメータの値との関係を学習させ、対象物エンジンを生成するステップと、対象物の属性データを受け付けるステップと、受け付けた属性データから対象物の形状パラメータの値を推定する推定ステップと、対象物の形状パラメータの値に基づいて、対象物が有する部位に関連する寸法データを算出するステップと、を含む。

第２１観点の寸法データ算出装置は、対象物が撮影された画像データ及び対象物の全長データを取得する取得部と、画像データから対象物の形状を示す形状データを抽出する抽出部と形状データを全長データに基づいてシルエット画像に変換する変換部と、サンプル対象物のシルエット画像とサンプル対象物に関連付けられた所定個数の形状パラメータの値とを関連付けた対象物エンジンを使用して、シルエット画像から所定個数の形状パラメータの値を推定する推定部と、推定された所定個数の形状パラメータの値に基づいて、対象物の寸法データを算出する算出部と、を備える。このような構成により、対象物について算出される寸法データを高精度で提供することができる。

第２２観点の寸法データ算出装置は、第２１観点の寸法データ算出装置において、所定個数の形状パラメータが、サンプル対象物の３次元データを次元削減することによって得られる。

第２３観点の寸法データ算出装置は、第２２観点の寸法データ算出装置において、次元削減が主成分分析により行われ、算出部において、所定個数の形状パラメータの値に対し、主成分分析に係る射影行列に基づいて逆変換を行うことにより３次元データが算出され、寸法データが３次元データから算出される。

第２４観点の製品製造装置は、第２１観点から第２３観点の何れかの寸法データ算出装置を用いて算出された少なくとも１つの寸法データを用いて、対象物の形状に関連する製品を製造する。

第１実施形態に係る寸法データ算出システム１００の模式図である。 図１の学習装置２５の動作を示すフローチャートである。 図１の寸法データ算出装置２０の動作を示すフローチャートである。 形状パラメータの特性を示す概略説明図である。 形状パラメータの特性を示す概略グラフである。 第１実施形態に係る製品製造システム１の概念を示す模式図である。 図６の製品製造システム１の動作を示すシーケンス図である。 図６の端末装置１０に表示される画面の一例を示す模式図である。 図６の端末装置１０に表示される画面の一例を示す模式図である。 第２実施形態に係る寸法データ算出システム１００の模式図である。 図１０の学習装置１２５の動作を示すフローチャートである。 図１０の寸法データ算出装置２０の動作を示すフローチャートである。 第２実施形態に係る製品製造システム１Ｓの概念を示す模式図である。

以下に、本発明の情報処理装置、情報処理方法、製品製造装置、及び寸法データ算出装置の実施形態に係る寸法データ算出システムを添付図面とともに説明する。以下の実施形態の説明において、情報処理装置及び寸法データ算出装置は、寸法データ算出システムの一部として実装される。

添付図面において、同一又は類似の要素には同一又は類似の参照符号が付され、各実施形態の説明において同一又は類似の要素に関する重複する説明は省略することがある。また、各実施形態で示される特徴は、互いに矛盾しない限り他の実施形態にも適用可能である。更に、図面は模式的なものであり、必ずしも実際の寸法や比率等とは一致しない。図面相互間においても互いの寸法の関係や比率が異なる部分が含まれていることがある。

なお、以下の説明において、行列やベクトルなどを用いて複数の要素をまとめて表記する場合は大文字で表し、行列の個々の要素を表記する場合は小文字で表すことがある。例えば、形状パラメータの集合を示す場合等は行列Λと表記し、行列Λの要素を表す場合は、要素λと表記する場合がある。

＜第１実施形態＞
（１−１）寸法データ算出システムの構成
図１は本実施形態に係る寸法データ算出システム１００の構成を示す模式図である。寸法データ算出システム１００は、寸法データ算出装置２０及び学習装置２５を備える。

寸法データ算出装置２０及び学習装置２５は、それぞれ、任意のコンピュータにより実現することができる。寸法データ算出装置２０は、記憶部２１、入出力部２２、通信部２３、及び処理部２４を備える。また、学習装置２５は、記憶部２６及び処理部２７を備える。なお、寸法データ算出装置２０及び学習装置２５は、ＬＳＩ(Large Scale Integration)，ＡＳＩＣ(Application Specific Integrated Circuit)，ＦＰＧＡ(Field-Programmable Gate Array)等を用いてハードウェアとして実現されてもよい。

記憶部２１，２６は、何れも各種情報を記憶するものであり、メモリ及びハードディスク等の任意の記憶装置により実現される。例えば、記憶部２１は、処理部２４において寸法データ算出に関する情報処理を実行するために、対象物エンジン２１Ａを含む各種データ、プログラム、情報等を格納する。また、記憶部２６は、対象物エンジン２１Ａを生成するために、学習段階で利用される訓練データを格納する。

入出力部２２は、キーボード、マウス、タッチパネル等により実現され、コンピュータに各種情報を入力したり、コンピュータから各種情報を出力したりする。
通信部２３は、任意のネットワークカード等のネットワークインタフェースにより実現され、有線又は無線によりネットワーク上の通信機器との通信を可能にする。

処理部２４，２７は、何れも各種情報処理を実行するために、ＣＰＵ(Central Processing Unit)及び／又はＧＰＵ(Graphical Processing Unit)といったプロセッサ、並びにメモリにより実現される。処理部２４は、コンピュータのＣＰＵ，ＧＰＵ等に、記憶部２１に記憶されたプログラムが読み込まれることにより、取得部２４Ａ、抽出部２４Ｂ、変換部２４Ｃ、推定部２４Ｄ、及び算出部２４Ｅとして機能する。同様に、処理部２７は、コンピュータのＣＰＵ，ＧＰＵ等に、記憶部２６に記憶されたプログラムが読み込まれることにより、前処理部２７Ａ及び学習部２７Ｂとして機能する。

寸法データ算出装置２０の処理部２４において、取得部２４Ａは、対象物が撮影された画像データ、並びに対象物の全長データ及び重量データ等の属性データを取得する。取得部２４Ａは、例えば、撮像装置により、対象物を複数の異なる方向から撮影した複数の画像データを取得する。

抽出部２４Ｂは、画像データから対象物の形状を示す形状データを抽出する。具体的には、抽出部２４Ｂは、対象物の種類毎に準備されたセマンティックセグメンテーションのアルゴリズム(Mask R-CNN等)を用いて、画像データに含まれる対象物領域を抽出することにより、対象物の形状データを抽出する。セマンティックセグメンテーションのアルゴリズムは、対象物の形状が特定されていない訓練データを用いて構築できる。

なお、セマンティックセグメンテーションのアルゴリズムが、形状が不特定の対象物の訓練データを用いて構築されている場合、必ずしも高精度に対象物の形状を抽出することができないことがある。このような場合、抽出部２４Ｂは、対象物領域からグラブカット(Grab Cut)アルゴリズムにより対象物の形状データを抽出する。これにより、高精度に対象物の形状を抽出することが可能になる。

また、抽出部２４Ｂは、グラブカットアルゴリズムにより特定された対象物の画像を、対象物の特定部分の色画像に基づいて補正することにより、対象物と対象物以外の背景画像とを分離してもよい。これにより、更に高精度に対象物の形状データを生成することが可能となる。

変換部２４Ｃは、形状データを全長データに基づいてシルエット化する。つまり、対象物の形状データを変換して、対象物のシルエット画像を生成する。これにより、形状データが規格化される。変換部２４Ｃは、生成されたシルエット画像を推定部２４Ｄに入力するための受付部としても機能することになる。

推定部２４Ｄは、シルエット画像から所定個数の形状パラメータの値を推定する。推定には、対象物エンジン２１Ａが使用される。推定部２４Ｄで推定された所定個数の対象物の形状パラメータの値は、対象物が有する任意の部位に関連する寸法データに関連付けられる。

算出部２４Ｅは、推定部２４Ｄによって推定された所定個数の形状パラメータの値から、これに関連付けられた対象物の寸法データを算出する。具体的には、算出部２４Ｅは、推定部２４Ｄで推定された対象物の形状パラメータの値から、対象物における複数の頂点の３次元データを構成し、更に、当該３次元データに基づいて対象物における任意の２つの頂点の間の寸法データを算出する。

学習装置２５の処理部２７において、前処理部２７Ａは、学習のための各種前処理を実施する。特に、前処理部２７Ａは、サンプル対象物の３次元データを次元削減により特徴抽出することを通じて、所定個数の形状パラメータを特定する。また、サンプル対象物ごとに所定個数（次元）の形状パラメータの値を得る。サンプル対象物の形状パラメータの値は、訓練データとして記憶部２６に格納される。

また、前処理部２７Ａは、サンプル対象物の３次元データに基づいて、３次元空間内にサンプル対象物の３次元物体を仮想的に構成した上で、３次元空間内に仮想的に設けた撮像装置を用いて所定方向から３次元物体を投影する。サンプル対象物のシルエット画像は、訓練データとして記憶部２６に格納される。

学習部２７Ｂは、サンプル対象物のシルエット画像と、サンプル対象物に関連付けられる所定個数の形状パラメータの値との関係を関連付けるように学習する。学習の結果、対象物エンジン２１Ａが生成される。生成された対象物エンジン２１Ａは、電子ファイルの形態で保持できる。寸法データ算出装置２０において対象物の寸法データを算出する際には、対象物エンジン２１Ａは、記憶部２１に格納されて推定部２４Ｄによって参照される。

（１−２）寸法データ算出システムの動作
図２及び図３を参照して、図１の寸法データ算出システム１００の動作を説明する。図２は、学習装置２５の動作（Ｓ１０）を示すフローチャートであり、サンプル対象物データに基づいて対象物エンジン２１Ａを生成する。図３は、寸法データ算出装置２０の動作を示すフローチャートであり、対象物の画像データに基づいて対象物の寸法データを算出する。

（１−２−１）学習装置の動作
最初に、サンプル対象物のデータが準備され、記憶部２６に格納される（Ｓ１１）。一例では、準備されるデータは、４００個のサンプル対象物のデータであり、サンプル対象物ごとに５，０００個の３次元データを含む。３次元データには、サンプル対象物が有する頂点の３次元座標データが含まれる。また、３次元データには、３次元物体を構成する各メッシュの頂点情報及び各頂点の法線方向等のメッシュ・データ、並びに、全長データ、重量データ、及び経時データ（年齢等を含む。）等の属性データが含まれてもよい。

サンプル対象物の３次元データは、頂点番号が関連付けられている。前述の例では、サンプル対象物ごとに、５，０００個の頂点の３次元データが頂点番号＃１〜＃５，０００に対応付けられている。また、頂点番号の全部又は一部は、対象物の部位の情報が関連付けられている。例えば、対象物が「人」の場合、頂点番号＃２０は「頭頂点」に関連付けられ、同様に、頂点番号＃３１３は「左肩の肩峰」に、頂点番号＃５２１は「右肩の肩峰」に関連付けられる等である。

続いて、前処理部２７Ａは、次元削減により形状パラメータへの特徴変換を行う（Ｓ１２）。具体的には、サンプル対象物ごとに、サンプル対象物の３次元データを次元削減により特徴抽出を行う。その結果、所定個数（次元数）の形状パラメータを得る。一例では、形状パラメータの次元数は３０である。次元削減は、主成分分析、Random Projection等の手法により実現される。

前処理部２７Ａは、主成分分析の射影行列を用いて、サンプル対象物ごとに３次元データから所定個数の形状パラメータの値に変換する。これにより、関連する特徴的な情報を維持した上で、サンプル対象物の３次元データからノイズを取り除き、３次元データを圧縮することができる。

前述の例のように、サンプル対象物のデータが４００個あり、各サンプル対象物が５，０００個の頂点の３次元（座標）データを含み、各３次元データを３０次元の形状パラメータに特徴変換することを想定する。ここでは、４００個のサンプル対象物のデータを表す〔４００行，１５，０００列（５，０００×３）〕の頂点座標行列を行列Ｘとする。また、主成分分析によって生成される〔１５，０００行、３０列〕の射影行列を行列Ｗとする。頂点座標行列Ｘに対し、射影行列Ｗを右から掛けることによって、〔４００行、３０列〕の形状パラメータ行列である行列Λを得ることができる。

つまり、形状パラメータ行列Λは次の数式から計算することができる。

射影行列Ｗを用いた行列演算の結果、４００個のサンプル対象物がそれぞれ有する１５，０００次元のデータは、３０次元の主成分の形状パラメータ（λ_１，．．．，λ_３０）に特徴変換される。なお、主成分分析では、λ_ｉに対する４００個分の値（λ_１，１，．．．，λ_{４００，１}）の平均値がゼロになるように計算されている。

Ｓ１２の結果、形状パラメータ行列Λを得たのに続いて、前処理部２７Ａは、形状パラメータ行列Λに含まれている形状パラメータのデータ・セットを、乱数を用いて拡張する（Ｓ１３）。前述の例では、４００個のデータ・セット（λ_ｉ，１，．．．，λ_ｉ，３０（１≦ｉ≦４００））を、１０，０００個の形状パラメータの拡張データ・セット（λ_ｊ，１，．．．，λ_ｊ，３０（１≦ｊ≦１０，０００））にデータ拡張する。データ拡張は、正規分布を有する乱数を用いて行う。拡張データ・セットは、各形状パラメータの値の分散が３σの正規分布となる。

拡張データ・セットに対し、射影行列Ｗに基づく逆変換を行うことにより、拡張データ・セットの３次元データを構成することができる。前述の例において、更に、１０，０００個の拡張データ・セットを表す、〔１０，０００行、３０列〕の拡張形状パラメータ行列を行列Λ’（λ_ｊ，ｋ，．．．，λ_ｊ，ｋ（１≦ｊ≦１０，０００及び１≦ｋ≦３０））とする。１０，０００個のサンプル対象物の３次元データを表す頂点座標行列Ｘ’は、拡張形状パラメータ行列Λ’に対して、〔３０行，１５，０００列〕である射影行列Ｗの転置行列Ｗ^Ｔを右から掛けることによって得られる。

つまり、頂点座標行列Ｘ’は、次の数式から計算することができ、１０，０００個に拡張されたサンプル対象物ごとに、５，０００個（１５，０００／３）の３次元データを得ることができる。

Ｓ１３の結果、頂点座標行列Ｘ’が得られたのに続いて、前処理部２７Ａは、拡張されたサンプル対象物の３次元データに基づいて、それぞれのシルエット画像を生成する（Ｓ１４）。前述の例では、１０，０００個のサンプル対象物ごとに、３次元空間内において５，０００個の３次元データから、サンプル対象物の３次元物体を仮想的に構成する。そして、同じく３次元空間内に仮想的に設けられ、任意の方向から投影可能な投影装置を用いて３次元物体を投影する。前述の例では、１０，０００個のサンプル対象物ごとに、正面方向及び側面方向の２枚のシルエット画像を投影により取得するのがよい。取得されるシルエット画像は、白黒の２値化データで表される。

最後に、学習部２７Ｂは、学習により、サンプル対象物に関連付けられた形状パラメータの値と、サンプル対象物のシルエット画像との関係を関連付ける（Ｓ１５）。具体的には、Ｓ１３で得た形状パラメータのデータ・セットと、Ｓ１４で得たシルエット画像との組を訓練データに用いて、両者の関係をディープラーニングにより学習させるのがよい。

より詳しくは、前述の例で１０，０００個に拡張されたサンプル対象物について、各シルエット画像の２値化データをディープラーニングのネットワーク・アーキテクチャに入力する。ディープラーニングにおける特徴抽出では、ネットワーク・アーキテクチャから出力されるデータが、３０個の形状パラメータの値に近づくように、ネットワーク・アーキテクチャの重み係数が設定される。なお、ここでのディープラーニングは、一例では、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）を利用することができる。

このようにして、Ｓ１４では、サンプル対象物に関連付けられた形状パラメータの値と、サンプル対象物のシルエット画像との関係をディープラーニングにより学習させ、ディープラーニングのネットワーク・アーキテクチャが構築される。その結果、対象物のシルエット画像が入力されるのに応じて、形状パラメータの値を推定する推定モデルである対象物エンジン２１Ａが生成される。

（１−２−２）寸法データ算出装置の動作
寸法データ算出装置２０は、学習装置２５で生成された対象物エンジン２１Ａの電子ファイル、及び学習装置２５で得た主成分分析の射影情報を予め記憶部２１に格納して、対象物の寸法データ算出に使用する。

最初に、取得部２４Ａは、入出力部１２２を通じて、外部の端末装置等を介して対象物の全体を異なる方向から撮影した複数の画像データを、対象物の全長を示す全長データと共に取得する（Ｓ２１）。次いで、抽出部２４Ｂは、各画像データから対象物の各部分の形状を示す形状データをそれぞれ抽出する（Ｓ２２）。続いて、変換部２４Ｃは、全長データに基づいて各形状データを所定の大きさに変換するリスケール処理を実行する（Ｓ２３）。Ｓ２１〜Ｓ２３のステップを通じて、対象物のシルエット画像が生成され、寸法データ算出装置２０は対象物のシルエット画像を受け付ける。

次いで、予め記憶部２１に格納された対象物エンジン２１Ａを使用して、推定部２４Ｄは、受け付けたシルエット画像から対象物の形状パラメータの値を推定する（Ｓ２４）。そして、算出部２４Ｅは、対象物の形状パラメータの値に基づいて、対象物が有する部位に関連する寸法データを算出する（Ｓ２５）。

具体的には、Ｓ２５での寸法データの算出では、最初に、対象物について対象物エンジン２１Ａで推定された所定個数の形状パラメータの値から、対象物の頂点の３次元データを構成する。ここでは、学習段階において前処理部２７Ａで実施した次元削減に係る射影（Ｓ１０）の逆変換を行えばよい。より詳しくは、推定された所定個数の形状パラメータの値（列ベクトル）に対し、主成分分析に係る射影行列Ｗの転置行列Ｗ^Ｔを右から掛けることによって、３次元データを得ることができる。

前述の例では、対象物の形状パラメータの値Λ’’に対し、対象物の３次元データＸ’’は、次の数式から計算することができる。

Ｓ２５において、算出部２４Ｅは、３次元データを使用して、対象物における任意の２つの頂点の間の寸法データを算出する。ここでは、３次元データから３次元物体を仮想的に構成し、３次元物体上の曲面に沿って２つの頂点の間の寸法データを算出する。つまり、３次元物体の立体的な形状に沿うようにして、２つの頂点間の距離を立体的に算出することができる。２つの頂点間の距離を立体的に算出するためには、最初に、多数の頂点（前述の例では５，０００個の３次元データ）によって構成される３次元のメッシュ上で２つの頂点の間を繋ぐ最短経路を探索し、最短経路が通るメッシュを特定する。次いで、特定されたメッシュの頂点座標データを用いて、最短経路に沿ってメッシュ毎に距離を算出し、合算する。その合計値が２つの頂点間の立体的な距離となる。なお、立体的な距離の計算には、３次元物体を構成する各メッシュの頂点情報及び各頂点の法線方向等のメッシュ・データを用いることができる。

例えば、対象物が「人」であり、人の「肩幅」を算出する場合を想定する。事前準備として、「肩幅＝左肩の肩峰を示す頂点と右肩の肩峰を示す頂点の間の距離」であることを予め規定しておく。また、左肩の肩峰を示す頂点の頂点番号が例えば＃３１３であり、右肩の肩峰を示す頂点の頂点番号が例えば＃５２１であることを予め関連付けておく。これらの情報は予め記憶部２１に格納される。寸法データ算出の際は、頂点番号＃３１３から＃５２１に向けた最短経路を特定し、最短経路に関連して特定されたメッシュの頂点座標データを用いて、最短経路に沿ってメッシュ毎に距離を算出し、合計すればよい。

このように、本実施形態の寸法データ算出装置２０は、対象物エンジン２１Ａを使用することにより、シルエット画像から所定個数の形状パラメータの値を高精度に推定することができる。また、高精度に推定された形状パラメータの値から、対象物の３次元データを高精度に復元することができるので、特定部位のみならず任意の２つの頂点間を採寸対象箇所として、高精度に算出することができる。特に、算出される２つの頂点の間の寸法データは、３次元データから構成される３次元物体に基づいて立体的な形状に沿って算出されるので、高精度である。

（１−３）寸法データ算出システムの特徴
ａ）以上説明したように、本実施形態に係る寸法データ算出システム１００は、寸法データ算出装置２０及び学習装置２５を備える。寸法データ算出装置２０の一部として構成される情報処理装置は、変換部（受付部）２４Ｃ及び推定部２４Ｄを備える。変換部（受付部）２４Ｃは、対象物のシルエット画像を受け付ける。推定部２４Ｄは、サンプル対象物のシルエット画像とサンプル対象物に関連付けられた所定個数の形状パラメータの値とを関連付けた対象物エンジン２１Ａを使用して、受け付けたシルエット画像から対象物の形状パラメータの値を推定する。そして、推定された対象物の形状パラメータの値が、対象物が有する任意の部位に関連する寸法データに関連付けられる。

また、寸法データ算出装置２０は、取得部２４Ａ、抽出部２４Ｂ、変換部２４Ｃ、推定部２４Ｄ、及び算出部２４Ｅを備える。取得部２４Ａは、対象物が撮影された画像データ及び対象物の全長データを取得する。抽出部２４Ｂは、画像データから対象物の形状を示す形状データを抽出する。変換部２４Ｃは形状データを全長データに基づいてシルエット画像に変換する。推定部２４Ｄは、サンプル対象物のシルエット画像とサンプル対象物に関連付けられた所定個数の形状パラメータの値とを関連付けた対象物エンジン２１Ａを使用して、シルエット画像から所定個数の形状パラメータの値を推定する。算出部２４Ｅは、推定された所定個数の形状パラメータの値に基づいて、対象物の寸法データを算出する。

したがって、かかる寸法データ算出装置２０は、予め作成済みの対象物エンジン２１Ａを使用することにより、シルエット画像から所定個数の形状パラメータの値を高精度に推定することができる。また、高精度に推定された形状パラメータの値を用いることで、対象物の任意の部位に関連するデータを効率的且つ高精度で算出することができる。このように、寸法データ算出装置２０によれば、対象物について算出される寸法データを効率的且つ高精度で提供することができる。

かかる寸法データ算出装置２０を用いることで、例えば、対象物として生物の各部分の寸法データを高精度に算出することができる。また、対象物として車や各種荷物等、任意の物体の各部分の寸法データを高精度に算出することができる。更に、寸法データ算出装置２０を、各種製品を製造する製品製造装置に組み込むことで、対象物の形状に適合した製品を製造することが可能となる。

かかる寸法データ算出装置２０を用いることで、例えば、対象物として生物の各部位に関連する寸法データを高精度に算出することができる。また、対象物として車や各種荷物等、任意の物体の各部分の寸法データを高精度に算出することができる。また、寸法データ算出装置２０を、各種製品を製造する製品製造装置に組み込むことで、対象物の形状に適合した製品を製造することが可能となる。

ｂ）かかる寸法データ算出装置２０では、サンプル対象物に関連付けられた所定個数の形状パラメータが、サンプル対象物の３次元データを次元削減することによって特定される。特に、次元削減は主成分分析により行われる。これにより、サンプル対象物の３次元データからノイズを効果的に取り除き、３次元データを圧縮することができる。

ｃ）かかる寸法データ算出装置２０では、推定された所定個数の形状パラメータの値に対し、上記主成分分析に係る射影の逆変換により対象物の３次元データが算出され、３次元データが寸法データに関連付けられる。これにより、対象物のシルエット画像の入力に対し、３次元データを対象物の３次元データを高精度に構成することができる。

ｄ）かかる寸法データ算出装置２０では、サンプル対象物のシルエット画像が、サンプル対象物の３次元データから構成される３次元物体における所定方向の投影画像である。つまり、サンプル対象物の３次元データを用いて３次元物体を構成した上で、これを投影することによりシルエット画像が得られる。正面方向及び側面方向の２枚のシルエット画像を投影により取得するのがよい。これにより、サンプル対象物のシルエット画像を高精度に生成することができる。

ｅ）かかる寸法データ算出装置２０では、対象物エンジン２１Ａが、サンプル対象物のシルエット画像とサンプル対象物に関連付けられた所定個数の形状パラメータの値との関係を学習することにより生成されている。当該学習は、ディープラーニングにより行うことができる。ディープラーニングによる学習を行うことにより、サンプル対象物のシルエット画像とサンプル対象物の形状パラメータの値との対応付けを高精度に行うことができる。

ｆ）かかる寸法データ算出装置２０の算出部２４Ｅでは、対象物について推定された所定個数の形状パラメータの値から、対象物における複数の頂点の３次元データを構成する。そして、構成された３次元データに基づいて、対象物における任意の２つの頂点の間の寸法データを算出する。つまり、対象物の３次元データを用いて３次元物体を構成した上で、この寸法データを算出する。これにより、対象物の３次元物体の形状から２つの頂点の間の寸法データを算出することができるので、採寸対象箇所が特定部分に限定されることがない。

特に、かかる寸法データ算出装置２０の算出部２４Ｅでは、２つの頂点の間の寸法データが、対象物において複数の頂点の３次元データから構成される３次元物体上の曲面に沿って算出される。これにより、寸法データを更に高精度に算出することができる。

（１−４）変形例
ａ）上記説明においては、取得部２４Ａが、対象物を異なる方向から撮影した複数の画像データを取得している。ここでは、対象物を複数の異なる方向から同時に撮影できる撮像装置として、深度データを併せて取得可能な深度データ測定装置が適用可能である。深度データ測定装置の一例はステレオカメラである。本明細書において「ステレオカメラ」とは、対象物を複数の異なる方向から同時に撮影して、両眼視差を再現する任意の形態の撮像装置を意味している。他方、必ずしも画像データが複数必要であるわけではなく、対象物の画像データが一枚であっても各部分の寸法データを算出することが可能である。

ｂ）上記説明においては、グラブカットアルゴリズムを採用して、対象物と対象物以外の背景画像とを分離してもよいものとした。これ以外にも、例えば、取得部２４Ａにおいて前述のステレオカメラを用いた場合には、ステレオカメラから取得される深度データを用いて、対象物と対象物以外の背景画像とを分離することが可能である。これにより、更に高精度に対象物の形状データを生成することが可能となる。更に、ステレオカメラ以外にも、ＬｉＤＡＲ（Light Detection and Ranging）装置により深度データを求め、対象物と対象物以外の背景画像とを分離することが可能である。すなわち、取得部２４Ａに深度データを測定できる任意の機械（深度データ測定装置）を用いることで、高精度に対象物の形状データを生成することが可能となる。

ｃ）上記説明においては、Ｓ１３で、前処理部２７Ａは、形状パラメータのデータ・セットを、乱数を用いて拡張するデータ拡張処理を行った。データ拡張処理は、サンプル対象物の数に応じてどの程度の数まで拡張するかを決定すればよい。サンプル数が予め十分に用意されている場合には、Ｓ１３の拡張処理は行わなくてもよい。

ｃ）上記説明においては、サンプル対象物に対し、形状パラメータ（λ_１，・・・，λ_３０）は学習装置２５の前処理部２７Ａにおいて主成分分析によって取得した。ここで、サンプル対象物が「人」である場合の形状パラメータについて更に考察する。前述の例のように４００個のサンプル対象物及び５，０００個の頂点の３次元データを用いて主成分分析を行った結果、対象物が「人」である場合の形状パラメータは少なくとも次の特性を有することが考察された。

〔特性１〕
第１順位の主成分λ_１は、人の身長との間で線形の関係を有するように関連付けられていた。具体的には、図４に示すように、第１順位の主成分λ_１が大きくなればなるほど、人の身長が小さくなるというものであった。

特性１を考慮すれば、推定部２４Ｄによる人の形状パラメータの値の推定時は、第１順位の主成分λ_１に関しては、対象物エンジン２１Ａを用いることなく取得部２４Ａで取得した身長データを利用すればよい。具体的には、第１順位の主成分λ_１の値は、人の身長を説明変数とする線形回帰モデルを利用することにより、別途計算するように構成すればよい。

この場合、学習段階で学習部２７Ｂにおいて対象物エンジン２１Ａを生成する時においても、当該主成分λ_１を学習対象から除いてもよい。前述のとおり、学習装置２５における学習段階では、ネットワーク・アーキテクチャの重み付けを行う。この際、入力されたシルエット画像を主成分分析することで得られる第１順位の主成分を除いた第２順位以降の主成分と、訓練データである形状パラメータλ_２以降の値との誤差が最小化されるようにネットワーク・アーキテクチャの重み係数を設定してもよい。これにより、対象物が「人」である場合は、上記線形回帰モデルの利用と併せて、推定部２４Ｄにおける形状パラメータの値の推定精度を向上させることができる。

また、学習段階で学習部２７Ｂにおいて対象物エンジン２１Ａを生成するときには、第１順位の主成分も含めて、形状パラメータλ_１以降の値との誤差が最小化されるようにネットワーク・アーキテクチャの重み係数を設定してもよい。そして、第１順位の主成分λ_１の値は、人の身長を説明変数とする線形回帰モデルを利用することにより、別途計算した値と置き換えてもよい。これにより、対象物が「人」である場合は、上記線形回帰モデルの利用と併せて、推定部２４Ｄにおける形状パラメータの値の推定精度を向上させることができる。

〔特性２〕
図５は、主成分である形状パラメータの再現率を示した概略グラフである。グラフにおいて横軸が寄与率によって順位付けされた主成分を示し、縦軸が固有値の分散説明率を示している。そして、棒グラフは、順位ごとの個別の分散説明率を示している。また、実線の折れ線グラフは、第１順位からの分散説明率の累積を示している。図５では、簡単のため、第１０順位までの１０個の主成分に関するグラフを概略的に示している。なお、主成分分析において求められる共分散行列の固有値は固有ベクトル（主成分）の大きさを表しており、固有値の分散説明率は主成分に対する再現率と考えてよい。

図５のグラフを参照すると、第１順位から第１０順位までの１０個の主成分で分散説明率の累積が約０．９５を示している（破線矢印）。つまり、第１順位から第１０順位までの１０個の主成分の再現率が約９５％であることが当業者には理解される。すなわち、前述の例では、次元削減によって特徴変換される形状パラメータは３０次元としたが、これに限らず、仮に形状パラメータを１０次元としても約９５％をカバーできている。すなわち、上記説明において形状パラメータの個数（次元数）は３０個としたが、特性２を考慮すれば、１０個程度のものとしてよい。

ｄ）上記説明においては、学習装置２５の前処理部２７Ａにおいて、１０，０００個のサンプル対象物ごとに、正面方向及び側面方向の２枚のシルエット画像を投影により取得した。他方、対象物のシルエット画像は必ずしも２枚必要とするわけではなく、１枚でよい。

（１−５）製品製造システムへの適用
以下、前述の寸法データ算出装置２０を製品製造システム１に適用する例について説明する。

（１−５−１）製品製造システムの構成
図６は本実施形態に係る製品製造システム１の概念を示す模式図である。製品製造システム１は、ユーザ５が保有する端末装置１０と通信可能な寸法データ算出装置２０と、製品製造装置３０とを備え、所望の製品６を製造するためのシステムである。図６では、一例として、対象物７が人であり、製品６が椅子であるときの概念を示している。但し、本実施形態に係る製品製造システム１において、対象物７及び製品６はこれらに限定されるものではない。

端末装置１０は、所謂スマートデバイスにより実現することができる。ここでは、スマートデバイスに、ユーザ用プログラムがインストールされることで端末装置１０が各種機能を発揮する。具体的には、端末装置１０は、ユーザ５により撮像される画像データを生成する。ここで、端末装置１０は、対象物を複数の異なる方向から同時に撮影して、両眼視差を再現するステレオカメラ機能を有するものでもよい。なお、画像データは端末装置１０で撮影されるものに限定されず、例えば、店舗内に設置されたステレオカメラを用いて撮影されたものを利用してもよい。

また、端末装置１０は、対象物７の属性を示す属性データの入力を受け付ける。「属性」には、対象物７の全長・重量・生成からの経過時間（年齢を含む。）等が含まれる。また、端末装置１０は、通信機能を有しており、寸法データ算出装置２０及び製品製造装置３０と端末装置１０との間で各種情報の送受信を実行する。

寸法データ算出装置２０は任意のコンピュータにより実現することができる。ここでは、寸法データ算出装置２０の記憶部２１は、端末装置１０のユーザ５を識別する識別情報に関連付けて、端末装置１０から送信される情報を記憶する。また、記憶部２１は、寸法データを算出する情報処理を実行するために必要なパラメータ等を記憶する。

また、寸法データ算出装置２０の処理部２４は、前述のとおり、取得部２４Ａ、抽出部２４Ｂ、変換部２４Ｃ、推定部２４Ｄ、及び算出部２４Ｅとして機能する。ここでは、取得部２４Ａは、ユーザ５によりステレオカメラで撮影された画像データ及び対象物７の属性データを取得する。また、抽出部２４Ｂは、画像データから対象物７の形状を示す形状データを抽出する。例えば、対象物の種類として「人」が予め設定されている場合には、人を識別するための訓練データを用いてセマンティックセグメンテーションのアルゴリズムが構築されている。また、抽出部２４Ｂは、ステレオカメラから取得される深度データを用いて、対象物と対象物以外の背景画像とを分離するのがよい。変換部２４Ｃは、形状データを全長データに基づいてシルエット画像に変換する。変換部２４Ｃは、生成されたシルエット画像を推定部２４Ｄに入力するための受付部としても機能することになる。

推定部２４Ｄは、サンプル対象物のシルエット画像とサンプル対象物に関連付けられた所定個数の形状パラメータの値とを関連付けた対象物エンジン２１Ａを使用して、シルエット画像から所定個数の形状パラメータの値を推定する。算出部２４Ｅは、推定された所定個数の形状パラメータの値に基づいて、対象物の寸法データを算出する。具体的には、推定部２４Ｄで推定された対象物の形状パラメータの値から、対象物における複数の頂点の３次元データを構成し、更に、当該３次元データに基づいて対象物における任意の２つの頂点の間の寸法データを算出する。

製品製造装置３０は、寸法データ算出装置２０を用いて算出された少なくとも１つの寸法データを用いて、対象物７の形状に関連する所望の製品を製造する製造装置である。なお、製品製造装置３０は、自動で製品を製造・加工できる任意の装置を採用することができ、例えば３次元プリンタ等により実現することができる。

（１−５−２）製品製造システムの動作
図７は、本実施形態に係る製品製造システム１の動作を説明するためのシーケンス図である。また、図８及び図９は端末装置１０の画面遷移を示す模式図である。

まず、端末装置１０を介して対象物７の全体が異なる方向から写るように複数回撮像され、対象物７が撮像された複数の画像データが生成される（Ｔ１）。ここでは、図８及び図９にそれぞれ示すような、正面及び側面の写真が複数枚撮影される。このような正面及び側面の写真は端末装置１０のステレオカメラ機能をオンにして撮影するのがよい。

次に、ユーザ５により端末装置１０に、対象物７の属性を示す属性データが入力される（Ｔ２）。ここでは、属性データとして、対象物７の全長データ・重量データ・経時データ（年齢等を含む。）等が入力される。そして、これらの複数の画像データ及び属性データが端末装置１０から寸法データ算出装置２０に送信される。

寸法データ算出装置２０は、端末装置１０から複数の画像データ及び属性データを受信すると、これらのデータを用いて対象物７の各部分の寸法データを算出する（Ｔ３）。なお、端末装置１０には、設定に応じて、寸法データが画面に表示される。そして、製品製造装置３０が、寸法データ算出装置２０により算出された寸法データに基づいて所望の製品６を製造する（Ｔ４）。

（１−５−３）製品製造システムの特徴
以上説明したように、本実施形態に係る製品製造システム１は、ユーザ５が保有する端末装置１０と通信可能な寸法データ算出装置２０と、製品製造装置３０とを備える。

端末装置１０（撮影装置）は、対象物７の画像を複数枚撮影する。寸法データ算出装置２０は、取得部２４Ａ、抽出部２４Ｂ、変換部２４Ｃ、推定部２４Ｄ、及び算出部２４Ｅを備える。取得部２４Ａは、対象物が撮影された画像データ及び対象物の全長データを取得する。抽出部２４Ｂは、画像データから対象物の形状を示す形状データを抽出する。変換部２４Ｃは形状データを全長データに基づいてシルエット画像に変換する。推定部２４Ｄは、サンプル対象物のシルエット画像とサンプル対象物に関連付けられた所定個数の形状パラメータの値とを関連付けた対象物エンジン２１Ａを使用して、シルエット画像から所定個数の形状パラメータの値を推定する。算出部２４Ｅは、推定された所定個数の形状パラメータの値に基づいて、対象物の寸法データを算出する。製品製造装置３０は、算出部２４Ｅにより算出された寸法データを用いて製品６を製造する。このような構成により、寸法データ算出装置２０が高精度に対象物７の各部分を高精度に算出するので、対象物７の形状に関連する所望の製品を提供できる。

例えば、製品製造システム１により、心臓等の各種臓器の形状の測定から、臓器の模型を製造することができる。また、例えば、人のウェスト形状の測定から各種ヘルスケア製品等を製造することができる。また、例えば、人の形状から当該人のフィギュア製品を製造することができる。また、例えば、人の形状から当該人に適合する椅子等を製造することができる。また、例えば、車の形状から車のおもちゃを製造することができる。また、例えば、任意の風景画からジオラマ等を製造することができる。

なお、上記説明においては、寸法データ算出装置２０と製品製造装置３０とが別部材の装置として説明しているが、これらは一体として構成されるものでもよい。

＜第２実施形態＞
以下、既に説明した構成及び機能については略同一符号を付して説明を省略する。
（２−１）寸法データ算出装置の構成
図１０は本実施形態に係る寸法データ算出システム２００の構成を示す模式図である。寸法データ算出システム２００は、寸法データ算出装置１２０及び学習装置１２５を備える。

寸法データ算出装置１２０は、記憶部１２１、入出力部１２２、通信部１２３、及び処理部１２４を備える。また、学習装置１２５は、記憶部１２６及び処理部１２７を備える。なお、寸法データ算出装置１２０及び学習装置１２５は、ＬＳＩ、ＡＳＩＣ、ＦＰＧＡ等を用いてハードウェアとして実現されてもよい。

記憶部１２１，１２６は、何れも各種情報を記憶するものであり、メモリ及びハードディスク等の任意の記憶装置により実現される。例えば、記憶部１２１は、処理部１２４において寸法データ算出に関する情報処理を実行するために、対象物エンジン１２１Ａを含む各種データ、プログラム、情報等を格納する。また、記憶部１２６は、対象物エンジン１２１Ａを生成するために、学習段階で利用される訓練データを格納する。

入出力部１２２は、前述の入出力部２２と同様の構成及び機能を有するものである。また、通信部１２３は、前述の通信部２３と同様の構成及び機能を有するものである。

処理部１２４は、コンピュータのＣＰＵ，ＧＰＵ等に、記憶部１２１に記憶されたプログラムが読み込まれることにより、取得部１２４Ａ、推定部１２４Ｄ、及び算出部１２４Ｅとして機能する。同様に、処理部１２７は、コンピュータのＣＰＵ，ＧＰＵ等に、記憶部１２６に記憶されたプログラムが読み込まれることにより、前処理部１２７Ａ及び学習部１２７Ｂとして機能する。

寸法データ算出装置１２０の処理部１２４において、取得部１２４Ａは、対象物の全長データ、重量データ、経時データ（年齢等を含む。）とのうちの少なくともいずれかを含む属性データを取得する。本実施形態では、取得部１２４Ａが、属性データを推定部２４Ｄに入力するための受付部としても機能することになる。

推定部１２４Ｄは、属性データから所定個数の形状パラメータの値を推定する。推定には、対象物エンジン１２１Ａが使用される。推定部１２４Ｄで推定された対象物の形状パラメータの値は、後述のように、対象物が有する任意の部位に関連する寸法データに関連付けることができる。

算出部１２４Ｅは、推定部１２４Ｄによって推定された対象物の形状パラメータの値から、対象物の寸法データを算出する。具体的には、算出部１２４Ｅは、推定部１２４Ｄで推定された対象物の形状パラメータの値から、対象物における複数の頂点の３次元データを構成し、更に、当該３次元データに基づいて対象物における任意の２つの頂点の間の寸法データを算出する。

学習装置１２５の処理部１２７において、前処理部１２７Ａは、学習のための各種前処理を実施する。特に、前処理部１２７Ａは、サンプル対象物の３次元データを次元削減により特徴抽出することを通じて、所定個数の形状パラメータを特定する。サンプル対象物の形状パラメータの値、及び対応する属性データは、訓練データとして予め記憶部１２６に格納されている。

なお、サンプル対象物の３次元データとして、対応する属性データ（全長データ、重量データ、経時データ（年齢等を含む。））が用意されているとする。対応する属性データは、訓練データとして記憶部１２６に格納される。

学習部１２７Ｂは、サンプル対象物の形状パラメータの値と、対応する属性データとの関係を関連付けるように学習する。学習の結果、対象物エンジン１２１Ａが生成される。生成された対象物エンジン１２１Ａは、電子ファイルの形態で保持できる。寸法データ算出装置１２０で対象物の寸法データを算出する際には、対象物エンジン１２１Ａは、記憶部１２１に格納され推定部１２４Ｄによって参照される。

（２−２）寸法データ算出システムの動作
図１１及び図１２を参照して、図１０の寸法データ算出システム２００の動作を説明する。図１１は、学習装置１２５の動作（Ｓ１１０）を示すフローチャートであり、ここでは、サンプル対象物データに基づいて対象物エンジン１２１Ａを生成する。図１２は寸法データ算出装置１２０の動作を示すフローチャートであり、ここでは、対象物の画像データに基づいて対象物の寸法データを算出する。

（２−２−１）学習装置の動作
最初に、サンプル対象物のデータが準備され、記憶部１２６に格納される（Ｓ１１１）。一例では、準備されるデータは、４００個のサンプル対象物のデータであり、サンプル対象物ごとに準備される５，０００個の３次元データと、サンプル対象物ごとに準備される属性データとを含む。３次元データには、サンプル対象物が有する頂点の３次元座標データが含まれる。また、３次元データには、３次元物体を構成する各メッシュの頂点情報及び各頂点の法線方向等のメッシュ・データが含まれてもよい。

また、第１実施形態と同様、サンプル対象物の３次元データは、頂点番号と共に部位の情報が関連付けられている。

続いて、前処理部１２７Ａは、次元削減により、所定個数（次元）の形状パラメータへの特徴変換を行う（Ｓ１１２）。この特徴変換処理も第１実施形態と同様である。前述の例では、主成分分析に係る射影行列を用いた行列演算の結果、４００個のサンプル対象物がそれぞれ有する１５，０００次元（５，０００×３）のデータは、例えば３０次元の主成分の形状パラメータΛに特徴変換される。

そして、学習部１２７Ｂが、Ｓ１１１で準備された複数のサンプル対象物の属性データと、Ｓ１１２で得た複数の形状パラメータのデータ・セットとの組を訓練データに用いて、両者の関係を機械学習する（Ｓ１１５）。

具体的には、学習部２７Ｂは、対象物の属性データから、変換属性データＹを求める。変換属性データＹの要素ｙ_ｒと形状パラメータΛの要素λ_ｍとを関連づける変換行列Ｚの要素をｚ_ｒｍと表記する。変換行列Ｚは、〔ｓ行、ｎ列〕からなる行列である。また、記号ｍは、１≦ｍ≦ｎであり、前述の例ではｎは形状パラメータΛの次元数である３０である。記号ｒは、１≦ｒ≦ｓであり、ｓは変換属性データＹから得られる演算に用いられる要素の数である。

例えば、対象物の属性データが全長データｈ、重量データｗ、及び経時データａからなるものと想定する。つまり、属性データは、（ｈ，ｗ，ａ）の要素のセットである。この場合、学習部２７Ｂは、対象物の属性データの各要素（ｈ，ｗ，ａ）を２乗した値（二次項ともいう。）と、各要素を掛け合わせた値（相互作用項ともいう。）と、各要素自体の値（一次項ともいう。）とを求める。

その結果、次の９個の要素を有する変換属性データＹが得られる。

次に、学習部２７Ｂは、４００個のサンプル対象物に関連付けられた属性データから得られる変換属性データＹと、サンプル対象物の３次元データから得られた形状パラメータΛとの組を回帰分析することにより、次に示すような、〔９行、３０列〕からなる変換行列Ｚを求める。

このようにして求められた変換行列Ｚのデータは、対象物エンジン１２１Ａとして記憶部２６に記憶される。

（２−２−２）寸法データ算出装置の動作
寸法データ算出装置１２０は、学習装置１２５で生成された対象物エンジン１２１Ａの電子ファイル、及び学習装置１２５で得た主成分分析の射影情報を記憶部１２１に格納して、対象物の寸法データ算出に使用する。

最初に、取得部１２４Ａは、入出力部１２２を通じて、対象物の属性データを取得する（Ｓ１２１）。これにより、対象物の属性データを受け付ける。次いで、予め記憶部１２１に格納された対象物エンジン１２１Ａを使用して、推定部１２４Ｄは、受け付けた属性データから対象物の形状パラメータの値を推定する（Ｓ１２４）。

例えば、対象物の属性データが全長データｈ、重量データｗ、及び経時データａからなるものと想定する。つまり、属性データは、（ｈ，ｗ，ａ）の要素のセットである。Ｓ１２４では、上述したように、推定部１２４Ｄは、対象物の属性データの各要素（ｈ，ｗ，ａ）を２乗した値と、各要素を掛け合わせた値と、各要素自体の値とからなる変換属性データＹを得る。

最後に、算出部１２４Ｅは、対象物の形状パラメータの値に基づいて、対象物が有する部位に関連する寸法データを算出する（Ｓ１２５）。具体的には、取得部１２４Ａが取得した対象物の属性データから、変換属性データＹを算出する。そして、その変換属性データＹに上述した変換行列Ｚを掛け合わせることで形状パラメータΛを算出する。この後は、第１実施形態におけるもの（Ｓ２５）と同様に、３次元データから３次元物体を仮想的に構成し、３次元物体上の曲面に沿って２つの頂点の間の寸法データを算出する。なお、立体的な距離の計算には、３次元物体を構成する各メッシュの頂点情報及び各頂点の法線方向等のメッシュ・データを用いることができる。

このように、本実施形態の寸法データ算出装置１２０は、対象物エンジン１２１Ａを使用することにより、対象物の属性データから所定個数の形状パラメータの値を高精度に推定することができる。第１実施形態とは異なり、対象物の画像入力の必要がなく、かつ図３のＳ２２（形状データの抽出処理）及びＳ２３（リスケール処理）を必要としないので、効率的である。

また、高精度に推定された形状パラメータの値から、対象物の３次元データを高精度に復元することができるので、特定部位のみならず任意の２つの頂点間を採寸対象箇所として、高精度に算出することができる。特に、算出される２つの頂点の間の寸法データは、３次元データから構成される３次元物体に基づいて、立体的な形状に沿って算出されるので、高精度である。

（２−３）寸法データ算出システムの特徴
以上説明したように、本実施形態に係る寸法データ算出システム２００は、寸法データ算出装置１２０及び学習装置１２５を備える。寸法データ算出装置１２０の一部として構成される情報処理装置は、取得部（受付部）１２４Ａ、推定部１２４Ｄ、及び算出部１２４Ｅを備える。取得部（受付部）１２４Ａは、対象物の属性データを受け付ける。推定部１２４Ｄは、サンプル対象物の属性データと、サンプル対象物に関連付けられた所定個数の形状パラメータの値とを関連付けた対象物エンジン１２１Ａを使用して、受け付けた属性データから対象物の形状パラメータの値を推定する。そして、推定された対象物の形状パラメータの値が、対象物が有する任意の部位に関連する寸法データに関連付けられる。

したがって、寸法データ算出装置１２０は、予め作成済みの対象物エンジン１２１Ａを使用することにより、属性データから所定個数の形状パラメータの値を効率的に推定することができる。また、推定される形状パラメータの値は高精度である。また、高精度に推定された形状パラメータの値を用いることで、対象物の任意の部位に関連するデータを効率的且つ高精度で算出することができる。このように、寸法データ算出装置１２０によれば、対象物について算出される寸法データを効率的且つ高精度で提供することができる。

（２−４）製品製造システムへの適用
図１３は本実施形態に係る製品製造システム１Ｓの概念を示す模式図である。本実施形態に係る寸法データ算出装置１２０も、第１実施形態に係る寸法データ算出装置２０と同様に、製品製造システム１Ｓに適用することが可能である。

本実施形態に係る端末装置１０Ｓは、対象物７の属性を示す属性データの入力を受け付けるものであればよい。「属性」としては、対象物７の全長・重量・生成からの経過時間（年齢を含む）等が挙げられる。

また、前述のように、寸法データ算出装置１２０の処理部１２４は、取得部１２４Ａ、推定部１２４Ｄ、及び算出部１２４Ｅとして機能する。算出部１２４Ｅは、推定部１２４Ｄで得られた対象物の形状パラメータの値に基づいて、対象物が有する部位に関連する寸法データを算出する

製品製造システム１Ｓでは、寸法データ算出装置１２０が効率的且つ高精度に対象物７の寸法データを算出するので、対象物７の形状に関連する所望の製品を提供できる。その他、第２実施形態に係る製品製造システム１Ｓは、第１実施形態の製品製造システム１と同様の効果を発揮することができる。

＜他の実施形態＞
本開示は、上記各実施形態そのままに限定されるものではない。本開示は、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できるものである。また、本開示は、上記各実施形態に開示されている複数の構成要素の適宜な組み合わせにより種々の開示を形成できるものである。例えば、実施形態に示される全構成要素から幾つかの構成要素は削除してもよいものである。さらに、異なる実施形態に構成要素を適宜組み合わせてもよいものである。

１，１Ｓ・・・製品製造システム、１００，２００…寸法データ算出システム、２０，１２０…寸法データ算出装置、２１，２６，１２１，１２６…記憶部、２１Ａ，１２１Ａ…対象物エンジン、２２，１２２…入出力部、２３，１２３…通信部、２４，２７，１２４，１２７…処理部、２４Ａ，１２４Ａ…取得部、２４Ｂ…抽出部、２４Ｃ…変換部、２４Ｄ，１２４Ｄ…推定部、２４Ｅ，１２４Ｅ…算出部、２５，１２５…学習装置、２７Ａ，１２７Ａ…前処理部、２７Ｂ，１２７Ｂ…学習部

特開２０１７−０１８１５８号公報

Claims (24)

1. 対象物のシルエット画像を受け付ける受付部と、
   サンプル対象物のシルエット画像と前記サンプル対象物に関連付けられた所定個数の形状パラメータの値とを関連付けた対象物エンジンを使用して、前記受け付けたシルエット画像から前記対象物の形状パラメータの値を推定する推定部と、
   を備え、前記推定された対象物の形状パラメータの値が、前記対象物が有する任意の部位に関連する寸法データに関連付けられる、情報処理装置。
2. 前記サンプル対象物に関連付けられた所定個数の形状パラメータが、前記サンプル対象物の３次元データを次元削減することによって得られる、請求項１記載の情報処理装置。
3. 前記次元削減が主成分分析により行われ、
   前記推定された所定個数の形状パラメータの値に対し、前記主成分分析に係る射影の逆変換により前記対象物の３次元データが算出され、前記３次元データが前記寸法データに関連付けられる、請求項２記載の情報処理装置。
4. 第１順位の主成分を除いた第２順位以降の所定個数の主成分が前記形状パラメータに選択される、請求項３記載の情報処理装置。
5. 前記対象物が人であり、前記第１順位の主成分が人の身長に関連付けられる、請求項４記載の情報処理装置。
6. 前記サンプル対象物のシルエット画像が、前記サンプル対象物の３次元データから構成される３次元物体における所定方向の投影画像である、請求項１から５の何れか一項記載の情報処理装置。
7. 前記対象物エンジンが、前記サンプル対象物のシルエット画像と前記サンプル対象物に関連付けられた所定個数の形状パラメータの値との関係を学習することにより生成されている、請求項１から６の何れか一項記載の情報処理装置。
8. 前記対象物について前記推定された形状パラメータの値から、前記対象物における複数の頂点の３次元データを構成し、前記構成された３次元データに基づいて、前記対象物における任意の２つの前記頂点の間の寸法データを算出する算出部と、
   を更に備える、請求項１から７の何れか一項記載の情報処理装置。
9. 前記算出部において、前記２つの頂点の間の寸法データが、前記対象物における前記複数の頂点の３次元データから構成される３次元物体上の曲面に沿って算出される、請求項８記載の情報処理装置。
10. 前記対象物のシルエット画像が、深度データ測定装置を用いて得られる深度データに基づいて、対象物の画像と前記対象物以外の画像とを分離することで生成される、請求項１から９の何れか一項記載の情報処理装置。
11. 前記深度データ測定装置がステレオカメラである、請求項１０記載の情報処理装置。
12. サンプル対象物のシルエット画像と前記サンプル対象物に関連付けられた所定個数の形状パラメータの値との関係を学習させ、前記対象物エンジンを生成するステップと、
    対象物のシルエット画像を受け付けるステップと、
    前記対象物エンジンを使用して、前記受け付けたシルエット画像から前記対象物の形状パラメータの値を推定するステップと、
    前記対象物の形状パラメータの値に基づいて、前記対象物が有する部位に関連する寸法データを算出するステップと、
    を含む、情報処理方法。
13. 対象物の属性データを受け付ける受付部と、
    サンプル対象物の属性データと前記サンプル対象物に関連付けられた所定個数の形状パラメータの値とを関連付けた対象物エンジンを使用して、前記受け付けた属性データから前記対象物の形状パラメータの値を推定する推定部と、
    を備え、前記推定された対象物の形状パラメータの値が、前記対象物が有する任意の部位に関連する寸法データに関連付けられる、情報処理装置。
14. 前記サンプル対象物に関連付けられた所定個数の形状パラメータが、前記サンプル対象物の３次元データを次元削減することによって得られる、請求項１３記載の情報処理装置。
15. 前記次元削減が主成分分析により行われ、第１順位の主成分を除いた第２順位以降の所定個数の主成分が前記形状パラメータに選択される、請求項１４記載の情報処理装置。
16. 前記対象物が人であり、前記第１順位の主成分が人の身長に関連付けられ、前記属性データには前記対象物の身長データが含まれる、請求項１５記載の情報処理装置。
17. 前記対象物エンジンが、前記サンプル対象物の属性データと前記サンプル対象物に関連付けられた所定個数の形状パラメータの値との関係を学習することにより生成されている、請求項１３から１６の何れか一項記載の情報処理装置。
18. 前記対象物について前記推定された形状パラメータの値から、前記対象物における複数の頂点の３次元データを構成し、前記構成された３次元データに基づいて、前記対象物における任意の２つの前記頂点の間の寸法データを算出する算出部と、
    を更に備える、請求項１３から１７の何れか一項記載の情報処理装置。
19. 前記算出部において、前記２つの頂点の間の寸法データが、前記対象物における前記複数の頂点の３次元データから構成される３次元物体上の曲面に沿って算出される、請求項１８記載の情報処理装置。
20. サンプル対象物の属性データと前記サンプル対象物に関連付けられた所定個数の形状パラメータの値との関係を学習させ、前記対象物エンジンを生成するステップと、
    対象物の属性データを受け付けるステップと、
    前記受け付けた属性データから前記対象物の形状パラメータの値を推定する推定ステップと、
    前記対象物の形状パラメータの値に基づいて、前記対象物が有する部位に関連する寸法データを算出するステップと、
    を含む、情報処理方法。
21. 対象物が撮影された画像データ及び前記対象物の全長データを取得する取得部と、
    前記画像データから前記対象物の形状を示す形状データを抽出する抽出部と、
    前記形状データを前記全長データに基づいてシルエット画像に変換する変換部と、
    サンプル対象物のシルエット画像と前記サンプル対象物に関連付けられた所定個数の形状パラメータの値とを関連付けた対象物エンジンを使用して、前記シルエット画像から所定個数の形状パラメータの値を推定する推定部と、
    前記推定された所定個数の形状パラメータの値に基づいて、前記対象物の寸法データを算出する算出部と、
    を備える、寸法データ算出装置。
22. 前記所定個数の形状パラメータが、前記サンプル対象物の３次元データを次元削減することによって得られる、請求項２１記載の寸法データ算出装置。
23. 前記次元削減が主成分分析により行われ、
    前記算出部において、前記所定個数の形状パラメータの値に対し、前記主成分分析に係る射影行列に基づいて逆変換を行うことにより３次元データが算出され、前記寸法データが前記３次元データから算出される、請求項２２記載の寸法データ算出装置。
24. 請求項２１から２３の何れか一項記載の寸法データ算出装置を用いて算出された少なくとも１つの寸法データを用いて、前記対象物の形状に関連する製品を製造する、製品製造装置。

Images