JP2020197910A - 画像アクセス管理装置、画像アクセス管理方法及び画像アクセス管理システム - Google Patents

Abstract

【課題】本発明は、アクセス要求者のアクセス権限に基づいて映像の特徴の情報量（次元）を適宜に変更することで、適切なアクセス権者に適切な範囲の情報を提供することを目的とする。【解決手段】、画像アクセス管理装置５０５は、対象画像へのアクセス要求を受信する場合には、アクセス管理部５１０は、対象画像へのアクセス要求に含まれるアクセス権限や目的に応じて、前記対象画像に対する閲覧レベルを判定し、画像生成部５６０は、特徴ベクトルを閲覧レベルに応じて加工することで、アクセス権限に応じた最終画像を生成し、アクセス要求への回答として提供することによって、適切なアクセス権者に適切な範囲の情報を提供することができる。【選択図】図５

Description

本発明は、画像アクセス管理装置、画像アクセス管理方法及び画像アクセス管理システムに関する。

近年、ＩＴ化の進展に伴い、社会に多数のセンサーが配置され、極めて大量のデータが蓄積されている。そうした中、集積された画像データを活用する様々な方策が検討されている。特に、写真、動画、画像等の映像コンテンツが増える中、その映像に写る人物の身元を正確に特定する手段が多数開発されている。

その中で、画像におけるオブジェクトの特徴を抽出し、当該特徴に基づいて個人を特定するための機械学習を用いた手法が知られている。
例えば、米国特許出願ＵＳ２０１８／０３０７８９９Ａ１（特許文献１）には、「身体の１つまたは複数の部分に基づいて身体の特徴を抽出し、抽出された身体の特徴をデータベースに格納された特徴ベクトルと比較し、顔認証以外にも、抽出された身体の特徴に基づいて、個人認証又は再識別を容易にするための分類モデルを一定期間を渡って構築することを含む」技術が記載されている。

上記の特許文献１においては、映像に写る人物の身体の部分（腕、脚、胴体）の特徴を抽出し、これらの特徴を用いて機械学習システムを訓練することで、その人を特定するための分類モデルを構築することが記載されている。特許文献１に係る発明によれば、例えば人の顔が映らない映像の場合でも、その人の身元を正確に特定することができる。
一方、個人情報の保護の観点からは、身元を正確に特定した情報については、不正アクセスから適切に保護することも求められている。

米国特許出願ＵＳ２０１８／０３０７８９９Ａ１

しかしながら、特許文献１には、人間を身体の部分に基づいて個人を特定することが記載されているものの、解析した画像データに関する情報を適正に管理し、適切なアクセス権者に適切な範囲の情報を提供することについては考慮されていない。

そこで、本発明は、アクセス要求者のアクセス権限に基づいて映像の特徴の情報量（次元）を適宜に変更することで、適切なアクセス権者に適切な範囲の情報を提供することを目的とする。

上記の課題を解決するために、代表的な本発明の画像処理装置の一つは、画像へのアクセスを管理するための画像アクセス管理装置であって、前記画像アクセス管理装置は、特徴計算部と、アクセス管理部と、画像生成部とを備え、前記特徴計算部は、対象画像における所定領域に関する特徴ベクトルを抽出し、前記画像アクセス管理装置が、前記対象画像へのアクセス要求を受信する場合、前記アクセス管理部は、前記対象画像へのアクセス要求に含まれるアクセス権限や目的に応じて、前記対象画像に対する閲覧レベルを判定し、前記画像生成部は、前記特徴ベクトルを前記閲覧レベルに応じて加工することで、前記アクセス権限に応じた最終画像を生成し、前記アクセス要求への回答として提供する。

本発明によれば、アクセス要求者のアクセス権限に基づいて映像の特徴の情報量（次元）を適宜に変更することで、適切なアクセス権者に適切な範囲の情報を提供することができる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本発明の実施形態を実施するためのコンピュータシステムのブロック図である。 本発明に係る画像アクセス管理におけるニューラルネットワークによるＳｅｍａｎｔｉｃ Ｔｒｉｐｌｅｔ Ｌｏｓｓを示す図である。 本発明に係る画像アクセス管理における情報の次元削減の概念図である。 本発明に係る画像アクセス管理における情報のアクセス付与の概念を示す図である。 本発明に係る画像アクセス管理システムの構成の一例を示すブロック図である。 本発明に係る画像アクセス管理の処理の一例を示すフローチャート図である。 本発明に係る画像アクセス管理におけるニューラルネットワークによる特徴ベクトルの計算の一例を示す図ある。 本発明に係る画像アクセス管理における、特徴の意味的結合による特徴ベクトルの次元削減の一例を示す図である。 本発明に係る画像アクセス管理における、属性値変更による特徴ベクトルの次元削減の一例を示す図である。 本発明に係る画像アクセス管理における、通信ネットワークの制約による特徴ベクトルの次元削減の一例を示す図である。 本発明に係る画像アクセス管理における、特徴の意味的演算による画像生成の一例を示す図である。

以下、図面を参照して、本発明の実施形態について説明する。なお、この実施形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示している。
（ハードウエア構成）

まず、図１を参照して、本開示の実施形態を実施するためのコンピュータシステム３００について説明する。本明細書で開示される様々な実施形態の機構及び装置は、任意の適切なコンピューティングシステムに適用されてもよい。コンピュータシステム３００の主要コンポーネントは、１つ以上のプロセッサ３０２、メモリ３０４、端末インターフェース３１２、ストレージインタフェース３１４、Ｉ／Ｏ（入出力）デバイスインタフェース３１６、及びネットワークインターフェース３１８を含む。これらのコンポーネントは、メモリバス３０６、Ｉ／Ｏバス３０８、バスインターフェースユニット３０９、及びＩ／Ｏバスインターフェースユニット３１０を介して、相互的に接続されてもよい。

コンピュータシステム３００は、プロセッサ３０２と総称される１つ又は複数の汎用プログラマブル中央処理装置（ＣＰＵ）３０２Ａ及び３０２Ｂを含んでもよい。ある実施形態では、コンピュータシステム３００は複数のプロセッサを備えてもよく、また別の実施形態では、コンピュータシステム３００は単一のＣＰＵシステムであってもよい。各プロセッサ３０２は、メモリ３０４に格納された命令を実行し、オンボードキャッシュを含んでもよい。

ある実施形態では、メモリ３０４は、データ及びプログラムを記憶するためのランダムアクセス半導体メモリ、記憶装置、又は記憶媒体（揮発性又は不揮発性のいずれか）を含んでもよい。メモリ３０４は、本明細書で説明する機能を実施するプログラム、モジュール、及びデータ構造のすべて又は一部を格納してもよい。例えば、メモリ３０４は、画像アクセス管理アプリケーション３５０を格納していてもよい。ある実施形態では、画像アクセス管理アプリケーション３５０は、後述する機能をプロセッサ３０２上で実行する命令又は記述を含んでもよい。

ある実施形態では、画像アクセス管理アプリケーション３５０は、プロセッサベースのシステムの代わりに、またはプロセッサベースのシステムに加えて、半導体デバイス、チップ、論理ゲート、回路、回路カード、および/または他の物理ハードウェアデバイスを介してハードウェアで実施されてもよい。ある実施形態では、画像アクセス管理アプリケーション３５０は、命令又は記述以外のデータを含んでもよい。ある実施形態では、カメラ、センサ、または他のデータ入力デバイス（図示せず）が、バスインターフェースユニット３０９、プロセッサ３０２、またはコンピュータシステム３００の他のハードウェアと直接通信するように提供されてもよい。

コンピュータシステム３００は、プロセッサ３０２、メモリ３０４、表示システム３２４、及びＩ／Ｏバスインターフェースユニット３１０間の通信を行うバスインターフェースユニット３０９を含んでもよい。Ｉ／Ｏバスインターフェースユニット３１０は、様々なＩ／Ｏユニットとの間でデータを転送するためのＩ／Ｏバス３０８と連結していてもよい。Ｉ／Ｏバスインターフェースユニット３１０は、Ｉ／Ｏバス３０８を介して、Ｉ／Ｏプロセッサ（ＩＯＰ）又はＩ／Ｏアダプタ（ＩＯＡ）としても知られる複数のＩ／Ｏインタフェースユニット３１２，３１４，３１６、及び３１８と通信してもよい。

表示システム３２４は、表示コントローラ、表示メモリ、又はその両方を含んでもよい。表示コントローラは、ビデオ、オーディオ、又はその両方のデータを表示装置３２６に提供することができる。また、コンピュータシステム３００は、データを収集し、プロセッサ３０２に当該データを提供するように構成された1つまたは複数のセンサ等のデバイスを含んでもよい。

例えば、コンピュータシステム３００は、心拍数データやストレスレベルデータ等を収集するバイオメトリックセンサ、湿度データ、温度データ、圧力データ等を収集する環境センサ、及び加速度データ、運動データ等を収集するモーションセンサ等を含んでもよい。これ以外のタイプのセンサも使用可能である。表示システム３２４は、単独のディスプレイ画面、テレビ、タブレット、又は携帯型デバイスなどの表示装置３２６に接続されてもよい。

Ｉ／Ｏインタフェースユニットは、様々なストレージ又はＩ／Ｏデバイスと通信する機能を備える。例えば、端末インタフェースユニット３１２は、ビデオ表示装置、スピーカテレビ等のユーザ出力デバイスや、キーボード、マウス、キーパッド、タッチパッド、トラックボール、ボタン、ライトペン、又は他のポインティングデバイス等のユーザ入力デバイスのようなユーザＩ／Ｏデバイス３２０の取り付けが可能である。ユーザは、ユーザインターフェースを使用して、ユーザ入力デバイスを操作することで、ユーザＩ／Ｏデバイス３２０及びコンピュータシステム３００に対して入力データや指示を入力し、コンピュータシステム３００からの出力データを受け取ってもよい。ユーザインターフェースは例えば、ユーザＩ／Ｏデバイス３２０を介して、表示装置に表示されたり、スピーカによって再生されたり、プリンタを介して印刷されたりしてもよい。

ストレージインタフェース３１４は、１つ又は複数のディスクドライブや直接アクセスストレージ装置３２２（通常は磁気ディスクドライブストレージ装置であるが、単一のディスクドライブとして見えるように構成されたディスクドライブのアレイ又は他のストレージ装置であってもよい）の取り付けが可能である。ある実施形態では、ストレージ装置３２２は、任意の二次記憶装置として実装されてもよい。メモリ３０４の内容は、ストレージ装置３２２に記憶され、必要に応じてストレージ装置３２２から読み出されてもよい。Ｉ／Ｏデバイスインタフェース３１６は、プリンタ、ファックスマシン等の他のＩ／Ｏデバイスに対するインターフェースを提供してもよい。ネットワークインターフェース３１８は、コンピュータシステム３００と他のデバイスが相互的に通信できるように、通信経路を提供してもよい。この通信経路は、例えば、ネットワーク３３０であってもよい。

ある実施形態では、コンピュータシステム３００は、マルチユーザメインフレームコンピュータシステム、シングルユーザシステム、又はサーバコンピュータ等の、直接的ユーザインターフェースを有しない、他のコンピュータシステム（クライアント）からの要求を受信するデバイスであってもよい。他の実施形態では、コンピュータシステム３００は、デスクトップコンピュータ、携帯型コンピュータ、ノートパソコン、タブレットコンピュータ、ポケットコンピュータ、電話、スマートフォン、又は任意の他の適切な電子機器であってもよい。

次に、図２を参照して、本発明に係る画像アクセス管理におけるニューラルネットワーク２００によるＳｅｍａｎｔｉｃ Ｔｒｉｐｌｅｔ Ｌｏｓｓを示す図である。

本開示の実施形態の態様はニューラルネットワークに関する。一般に、「ニューラルネットワーク」とは、機械学習及びパターン認識などの機能を有する計算モデルである。ニューラルネットワークは、ローカル装置、サーバ／クライアント構成、分散型ネットワーク等、様々な動作環境に適用されてもよく、様々な訓練方法で訓練されてもよい。

本発明に係るニューラルネットワーク２００は、例えば、Ｓｅｍａｎｔｉｃ Ｔｒｉｐｌｅｔ Ｌｏｓｓと呼ばれる訓練方法で訓練されているＣＮＮ（Ｃｏｎｄｅｎｓｅｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）であってもよい。以下では、Ｓｅｍａｎｔｉｃ Ｔｒｉｐｌｅｔ Ｌｏｓｓについて説明する。

Ｓｅｍａｎｔｉｃ Ｔｒｉｐｌｅｔ Ｌｏｓｓ訓練では、まず、参考となるアンカークラスが設定され、このアンカークラスの中から、代表となる１つのサンプル（サンプルＡ２１０）が選択される。このサンプルＡ２１０は、例えば、画像や映像であってもよい。その後、同じアンカークラスの中から、もう一つのサンプル（サンプルＰ２２０）が選択される。そして、サンプルＡ２１０とは異なるクラスから、別のサンプルＮ２３０が選択される。ここで、サンプルＰ２２０とは、サンプルＡ２１０に対する正のサンプルであり、サンプルＮ２３０は、サンプルＡ２１０に対する負のサンプルである。

サンプルＡ２１０，サンプルＰ２２０，及びサンプルＮ２３０が選択された後、ニューラルネットワーク２００は、既存の特徴計算の手段を用いて、これらのサンプルに対応する特徴ｆ（Ａ）２４０、ｆ（Ｐ）２５０、及びｆ（Ｎ）２６０を計算する。そして、ニューラルネットワーク２００は、特徴ｆ（Ａ）２４０、ｆ（Ｐ）２５０、及びｆ（Ｎ）２６０に基づいて、それぞれの距離ｄ（ｆ（Ａ）、ｆ（Ｐ））及びｄ（ｆ（Ａ）、ｆ（Ｎ））を計算する（例示せず）。この距離は、例えば、当該特徴のユークリッド空間におけるＬ２ノルムであってもよいが、他の空間におけるノルムであってもよい。

次に、ニューラルネットワーク２００は、選択された各サンプルのクラスに基づいて、それぞれのサンプルＡ２１０，サンプルＰ２２０，及びサンプルＮ２３０の意味的類似度（Ｓｅｍａｎｔｉｃ Ｓｉｍｉｌａｒｉｔｙ）を計算する。この意味的類似度は、例えば、Ｗｏｒｄｎｅｔ等のような、単語がグラフ構造で相関的に接続されているツールに基づいて計算されてもよい。このＷｏｒｄｎｅｔでは、ある言語におけるそれぞれの単語がノードとして表現されており、それぞれのノードが、他のノードとの類似度に比例する距離で位置される（すなわち、類似度の高い単語に該当するノードが近く、類似度が低い単語に該当するノードが遠い）。それぞれのサンプルの意味的類似度は、例えば、Ｗｏｒｄｎｅｔ上の距離に基づいて計算される。なお、この意味的類似度はＷｏｒｄｎｅｔ以外の手段で計算されてもよい。

次に、ニューラルネットワーク２００は、距離ｄ（ｆ（Ａ）、ｆ（Ｐ））及びｄ（ｆ（Ａ）、ｆ（Ｎ））が、それぞれのサンプルの意味的類似度ｓ（Ａ，Ｎ）に比例しているか否かを確認する。この確認を行うためには、ニューラルネットワーク２００は以下の数式１〜４のうち、１つ以上の数式を用いる。適用する数式は、例えば、訓練対象のニューラルネットワークの目標の分類精度に基づいて適宜選択されてもよい。

この数１では、アンカークラスのサンプルＡ２１０と正のサンプルＰ２２０の距離ｄ（ｆ（Ａ）、ｆ（Ｐ））が、所定の閾値ｔ未満になることが保障される。この所定の閾値ｔは、例えば、特徴ｆの次元に基づいて定められてもよい。

この数２では、アンカークラスのサンプルＡ２１０と負のサンプルＮ２３０の距離ｄ（ｆ（Ａ）、ｆ（Ｎ））が、所定の閾値ｔより大きくなることが保障される。

この数３では、アンカークラスのサンプルＡ２１０と負のサンプルＮ２３０の距離ｄ（ｆ（Ａ）、ｆ（Ｎ））が、所定の閾値ｔと、アンカークラスのサンプルＡ２１０と負のサンプルＮ２３０の意味的類似度ｓ（Ａ，Ｎ）との和未満になることが保障される。ここでは、「ｋ」とは、特徴ｆのベクトル空間の次元に基づくスケーリング係数である。

この数４では、アンカークラスのサンプルＡ２１０と負のサンプルＮ２３０の距離ｄ（ｆ（Ａ）、ｆ（Ｎ））が、所定の閾値ｔと、アンカークラスのサンプルＡ２１０と負のサンプルＮ２３０の意味的類似度ｓ（Ａ，Ｎ）との和より大きくなることが保障される。

特徴ｆ（Ａ）、ｆ（Ｐ）、及びｆ（Ｎ）のいずれかが適用された数式で定められた条件を満たさない場合には、その結果がフィードバックとしてニューラルネットワークに提供される。この処理を繰り返すことで、ニューラルネットワークの分類精度が向上し、意味関係が存在するクラスを検出するように学習させることができる。

また、このように訓練されたニューラルネットワークは、入力された画像に対応する特徴ベクトルの属性値に対して「意味的演算」を行うことで、特徴ベクトルの次元を適宜に調整することができる。ここでは、「意味的演算」とは、入力データに示される人物、概念、状況、目的、行為、発言、理由等の意味的要素（Ｓｅｍａｎｔｉｃ Ｅｌｅｍｅｎｔ）に基づいた計算である。例えば、「男性」を示す画像と、「王冠」を示す画像に対して意味的加算を行うことで、「王様」を示す画像を得ることができる。また、例えば、「ユニコーン」を示す画像と、「角」を示す画像に対して意味的減算を行うことで、「馬」を示す画像を得ることができる。
上述したＳｅｍａｎｔｉｃ Ｔｒｉｐｌｅｔ Ｌｏｓｓで訓練されたニューラルネットワークを用いることで、以下説明する本発明のそれぞれの態様を実施することができる。

次に、図３を参照して、本発明に係る画像アクセス管理における情報の次元削減の概念について説明する。

社会における多数のセンサーによって取得されるデータには、個人の身元を特定することができる「個人識別情報」が含まれる場合がある。このような個人識別情報の例としては、図３に示すように、例えば監視カメラで収集された映像データ３５５、運転免許証やパスポート等の身分証明書３６０、又は医療機関での診断結果等を示す医療データ３７０等が挙げられる。

この個人識別情報は、情報の形式、内容、解像度等によっては、含まれる情報の量が異なる。情報の量を表す１つの尺度としては、情報の「次元」がある。ここでは、情報の次元とは、ある情報に含まれる変数の数を意味する。この変数とは、その情報に関する有意義な推論を導出するために用いられる属性である。例えば、複数人が会話している様子を表す画像の場合、会話中の人の人数、服装（種類、色、ブランド）、性別、年齢、場所、周辺環境等が、その画像が示す意味に関する推論を導出するための属性である。
これらの属性は、数値として表現されてもよい。本明細書では、数値化した属性のことを「属性値」と呼ぶ。また、ある画像における領域やオブジェクトの属性を表す１つ以上の属性値を「特徴ベクトル」と呼ぶ。この特徴ベクトルは、含まれる属性値の数によって定義される。例えば図３に示す特徴ベクトル３８０の次元は「５」であり、特徴ベクトル３９０の次元は「３」である。

特徴ベクトルの次元によっては、導出可能な推論が異なる。原則として、特徴ベクトルの次元が高いほど、画像のより細かい要素に関する推論をより容易に導出することが可能である。例えば、画像に写る人物の顔に関する属性を含む、次元の高い特徴ベクトル３８０では、画像に写る人物の身元を特定する推論を導出することができる可能性が高い。一方、画像に写る人物の顔に関する属性を含まない、次元がより低い特徴ベクトル３９０では、画像に写る人物の身元を特定する推論を導出できる可能性が低い。したがって、特徴ベクトルの次元を本発明に係るニューラルネットワークによって適宜に調整することで、その特徴ベクトルから導出可能な推論を管理することができる。

個人情報の取り扱いが厳格化する中、蓄積されているデータに含まれる機密情報を適切に保護することが求められている。そこで、本発明は、情報の次元を調整することで、適切なアクセス権者に適切な範囲の情報を提供することができる。

図４を参照し、本発明に係る画像アクセス管理における情報のアクセス付与の概念について説明する。

上述したように、本発明は、アクセス要求者のアクセス権限に基づいて、画像の特徴ベクトルを調整することで適切な範囲の情報を提供することに関する。以下、アクセス要求者のアクセス権限に基づいて適切な範囲の情報へのアクセスを付与する一例を説明する。

図４に示すように、上述したニューラルネットワーク（図示せず）は、対象画像に関する特徴ベクトル４１０を計算する。上述したように、この特徴ベクトルには、対象画像の領域やオブジェクト等の属性を表す属性値を含む。例えば、対象画像では複数人が会話している様子が示されている場合には、特徴ベクトル４１０には、画像に写っている人々の性別、年齢、荷物、服装、及び活動を示す属性を含んでもよい。

対象画像に関する特徴ベクトル４１０が計算された後、当該特徴ベクトル４１０が特徴データベース４２０に格納される。特徴データベース４２０の詳細については後述する。

その後、アクセス要求者からの要求があった場合、後述するアクセス管理部は、アクセス要求者のアクセス要求に含まれるアクセス権限や目的に応じて、対象画像に対する閲覧レベルを判定する。この判定は予め設定された基準に基づいて行われてもよい。例えば、警察署、消防署、防衛省等の政府機関には、広範囲のアクセスを付与する閲覧レベルが定められ、民間企業、病院、銀行等の非政府組織からの要求には、限られた情報のみへのアクセスを付与する閲覧レベルが定められてもよい。

続いて、後述する画像生成部は、特徴データベース４２０に格納された特徴ベクトル４１０を、アクセス要求者のアクセス権限に基づいて判定した閲覧レベルに応じて加工することで、アクセス要求者のアクセス権限に応じた最終画像を生成し、アクセス要求への回答として提供する。

一例として、警察署４５０には、高度の閲覧レベルが定められ、民間企業４６０には、限られた情報へのアクセスが定められているとする。図４に示すように、警察署４５０からのアクセス要求があった場合、警察署４５０は高度の閲覧レベルが定められているため、特徴ベクトル４１０のすべての属性４４０を含む最終画像が生成され、アクセス要求への回答として提供される。

一方、マーケティング会社等の民間企業４６０からの要求があった場合、民間企業４６０は限られた情報へのアクセスが定められているため、特徴ベクトル４１０の特定の属性４３０（例えば、個人の身元を特定する識別力の低い属性）のみを含む最終画像が生成され、アクセス要求への回答として提供される。

これにより、機密情報を不正アクセスから守り、適切なアクセス権者に適切な範囲の情報を提供することができる。
なお、閲覧レベルの判定、特徴ベクトルの加工、及び最終画像の生成等の処理の詳細については後述する。

次に、図５を参照して、本発明に係る画像アクセス管理システム５００の構成の一例について説明する。

図５に示すように、画像アクセス管理システム５００は、画像アクセス装置５０５、センサ５１５、ネットワーク５２５、及びクライアント端末５３５Ａ，５３５Ｂからなる。画像アクセス装置５０５は、ネットワーク５２５を介して、クライアント端末５３５Ａ、５３５Ｂと接続される。また、画像アクセス管理装置５０５は、直接的にセンサ５１５と接続される。

画像アクセス管理装置５０５は、対象画像へのアクセスを管理するアクセス管理部５１０、対象画像の入力を受け付ける画像入力部５２０、対象画像を分割する画像分割部５３０、対象画像に対応する特徴ベクトルを計算する特徴計算部５４０、対象画像に基づいて計算された特徴ベクトルを格納する特徴データベース５５０、アクセス要求者のアクセス権限に応じて画像を生成する画像生成部５６０、特徴ベクトルの次元を調整する次元調整部５７０、及び生成された画像から推論を導出する推論部５８０からなる。
なお、画像アクセス管理装置５０５に含まれるそれぞれの機能部は、図１に示す画像アクセス管理アプリケーション３５０を構成するソフトウエアモジュールであってもよく、独立した専用ハードウェアデバイスであってもよい。また、上記の機能部は、同一のコンピューティング環境に実施されてもよく、分散されたコンピューティング環境に実施されてもよい。例えば、画像生成部５６０及び特徴計算部５４０を遠隔のサーバに実装し、それ以外の機能部をクライアント端末５３５Ａ、５３５Ｂ等のローカルデバイスに実装する構成であってもよい。

センサ５１５は、自然現象や人工物の機械的・電磁気的・熱的・音響的・化学的性質に関する情報を取得し、人間や機械が扱い易い別媒体の信号に置き換える装置である。センサ５１５は、例えば、監視カメラ、録音装置、光センサ、赤外線センサ、超音波距離計、レーザードップラー振動速度計等、任意のセンサであってもよいが、本明細書では、センサ５１５を監視カメラとした場合を例として説明する。

クライアント端末５３５Ａ、５３５Ｂは、画像アクセス管理装置５０５の特徴データベース５５０に格納される対象画像へのアクセス要求をネットワーク５２５を介して送信するクライアント端末である。これらのクライアント端末５３５Ａ、５３５Ｂは、個人に利用される端末であってもよく、警察署や民間企業等の組織における端末であってもよい。これらのクライアント端末５３５Ａ、５３５Ｂは、例えば、デスクトップパソコン、ノートパソコン、タブレット、スマートフォン等、任意のデバイスであってもよい。

なお、画像アクセス管理システム５００に含まれる機能部や装置の機能の詳細については後述する。

次に、本発明に係る画像アクセス管理の処理６００の一例について説明する。以下の処理は、アクセス要求者のアクセス権限に基づいて映像の特徴の情報量（次元）を適宜に変更することで、適切なアクセス権者に適切な範囲の情報を提供するための処理であり、例えば図５に示す画像アクセス管理システム５００に含まれる装置や機能部によって実施される。

まず、ステップS６１０では、画像入力部（例えば、図５に示す画像入力部５２０）は、対象画像を取得する。ここで、「取得する」との表現は、対象画像を収集したり、入手したり、獲得したりすることを含む。この対象画像は、例えば、監視カメラなどのセンサ（例えば、図５に示すセンサ５１５）から取得される写真などの静止画であってもよく、動画等の映像であってもよい。その後、画像入力部はノイズ低減やぼやけ低減などの低レベル画像加工を行ってもよい。

次に、ステップS６２０では、画像分割部（例えば、図５に示す画像分割部５３０）は、取得した対象画像を複数の領域に分割する。ここで、「分割する」との表現は、対象画像を複数の領域に区画したり、仕切ったり、グループ化したりすることを含む。この画像分割処理では、対象画像は、例えば後述する図７の対象画像７１０のように、均等のサイズを有する格子状の領域に分割されてもよい。
以下、格子状の領域におけるそれぞれのマスは、「パッチ」と呼ぶ。パッチの大きさは、対象画像の画素数や複雑さに応じて適宜に定められてもよい。例えば、対象画像の画素数や複雑さが高い場合には、対象画像をより小さな面積を有する細かなパッチに分割することが望ましい。これは、パッチが小さいほど、パッチ内に含まれるオブジェクトの属性をより高い次元で表す特徴ベクトルが生成可能となるからである。

次に、ステップS６３０では、特徴計算部（例えば、図５に示す特徴計算部５４０）は、対象画像における１つ以上のパッチを含む領域に関する特徴ベクトルを計算する。ここで、「計算する」との表現は、特徴ベクトルを算出したり、割り出したり、予測したり、導出したりすることを含む。

具体的には、特徴計算部は、分割した対象画像におけるそれぞれのパッチに関する特徴値を計算し、計算した特徴値をＣＮＮ等のようなニューラルネットワークで処理することで、対象画像に対応する１つ以上の特徴マップを生成する。その後、特徴計算部は、特徴マップにおける所定の要素（例えば、１つのオブジェクト等）を特徴ベクトルとして抽出する。上述したように、この特徴ベクトルとは、対象画像におけるオブジェクトの属性を表す属性値からなるベクトルである。また、言い換えれば、この特徴ベクトルは、複数の特徴マップにおける特定の座標に対応する値のセットである。

そして、特徴計算部は、抽出した特徴ベクトルを特徴データベース（例えば図５に示す特徴データベース５５０）に保存する。この特徴データベースは、例えば、大量の画像から計算される特徴データを検索可能な形式で格納するデータベースである。特徴データベース４２０は、例えば、ＳＱＬ等のドメイン固有言語を利用する関係データベース管理システム（ＲＤＢＭＳ）であってもよい。

次に、ステップＳ６４０では、アクセス管理部（例えば図５に示す特徴データベース５５０）は、対象画像へのアクセス要求を受け付ける。ここで、受け付けるとの表現は、アクセス要求を受信したり、受容したり、受け入れたり、受領したり、取得したりすることを含む。このアクセス要求は、例えば、警察署、消防署、防衛省等の政府機関、民間企業、病院、銀行等の非政府組織、又は個人からのアクセス要求であってもよい。アクセス要求は、例えば、アクセス対象の画像を指定する識別子、画像をアクセスする目的、及びアクセス要求者の要求を検証するためのアクセス権限を含む。また、このアクセス要求は、例えば、図５のクライアント端末５３５Ａ、５３５Ｂを介して入力されてもよい。

次に、ステップＳ６５０では、アクセス管理部は、受け付けたアクセス要求のアクセス要求者の閲覧レベルを判定する。ここで、「判定する」とは、閲覧レベルを判断したり、選択したり、決定したり、確定したり、分別したり、計算したり、判じたりすることを含む。この閲覧レベルは、あるアクセス要求者が対象画像に対して閲覧可能な範囲を定めるものである。

閲覧レベルは、例えば、高度の閲覧範囲を示す「１」、中度の閲覧範囲を示す「２」、及び低度の閲覧範囲を示す「３」等の３つの数字で表現される。閲覧レベルが高い（つまり、１に近い）ほど、対象画像に含まれる情報において、より次元が高いものの閲覧が許されることを示す。例えば、閲覧レベルが「１」の場合、対象画像に写る人物の性別や年齢等の、個人の身元を特定する識別力の高い属性を含む画像が閲覧可能となる。一方、閲覧レベルが「２」の場合、対象画像に写る人物の活動や服装等の、個人の身元を特定する識別力がより低い属性を含む画像が閲覧可能となる。

アクセス管理部は、例えば、アクセス要求に含まれるアクセス権限を予め作成されたアクセス管理表に照らし合わせることで、アクセス要求者の閲覧レベルを判定してもよい。このアクセス管理表は、例えば、アクセス要求者の種別（個人、政府機関、民間企業等）又は閲覧目的（犯罪防止、マーケティング調査等）ごとに、そのアクセス要求者の適切な閲覧レベルを定めるデータベースであってもよい。例えば、アクセス要求に含まれるアクセス権限が、そのアクセス要求者が警察署であり、閲覧目的が犯罪防止であること示す場合には、アクセス管理部は、アクセス管理表を参照することで、高度の閲覧範囲を付与する閲覧レベル「１」を判定してもよい。

次に、ステップS６７０では、画像生成部（例えば図５に示す画像生成部５６０）は、判定した閲覧レベルに応じて対象画像を加工することで、アクセス要求者のアクセス権限に応じた最終画像を生成する。ここで、「生成する」との表現は、最終画像を作成したり、作り出したり、創造したり、造成したりすることを含む。また、ここで説明する画像生成手段は、計算した特徴ベクトルを削減するステップと、削減した特徴ベクトルに基づく推論を導出するステップとの２つのステップを含むが、本発明はこれに限定されない。例えば、推論を導出ステップを省いた画像生成も、より多くのステップを含む画像生成も可能である。

まず、画像生成部の次元調整部（例えば図５に示す次元調整部５７０）は、対象画像に対応し、特徴データベースに保存されている特徴ベクトルの次元を後述する手法で調整（例えば、削減）する。ここでは、「調整する」との表現は、特徴ベクトルを削減したり、増加したりすることを含むが、以下では、特徴ベクトルを削減する加工を行う例について説明する。
また、後述するように、特徴ベクトルを調整する手段が複数存在し、どの手段を適用するかは、判定した閲覧レベルに基づいて選択されてもよい。例えば、閲覧レベルが「３」と判定された場合、次元調整部は、個人の身元を特定する識別力の高い属性が排除・ぼやかされるように、特徴ベクトルの次元を調整してもよい。一方、閲覧レベルが「１」と判定された場合、次元調整部は、対象画像の特徴ベクトルの次元を調整せずに、対象画像をそのまま最終画像として生成してもよい。
なお、特徴ベクトルの次元削減の手段については、図８〜１０を参照して説明する。

特徴ベクトルの次元が調整された後、画像生成部の推論部（例えば図５に示す推論部５８０）は、次元が削減された特徴ベクトルに関する推論を導出する。ここで、「推論を導出する」との表現は、対象ベクトルに含まれる属性によって示される人物、概念、状況、目的、行為、発言、理由等に関する事柄から、人間が解釈できる情報を抽出することを意味する。例えば、対象画像は、複数人が会話している様子を表す画像である場合、推論部は、特徴ベクトルに基づいて、対象画像に写るオブジェクトの性別、服装、活動、場所、サイズ、色、種別等に関する推論を導出してもよい。
なお、上記の推論の正確性は、対象の特徴ベクトルの次元によって異なる。特徴ベクトルの次元が高いほど、対象画像に写るオブジェクトに関するより具体的な推論を導出することができる。その一方、特徴ベクトルが低いほど、対象画像に写るオブジェクトに関する推論の正確性が落ちる。本発明では、この正確性の低減を利用することで、アクセス要求者へ提供する情報の範囲を制限することができる。

推論が導出された後、画像生成部は、次元が調整された特徴ベクトル及び当該特徴ベクトルに基づいて導出された推論の情報を用いて、最終画像を生成する。この最終画像は、アクセス要求者のために判定された閲覧レベルに応じて次元が調整された特徴ベクトルに基づいて生成された画像であるため、当該アクセス要求者に適切な範囲の情報のみを提供するものである。その後、画像アクセス管理装置は、当該最終画像を要求への回答として、アクセス要求者に提供する。

上述の処理により、機密情報を不正アクセスから守り、適切なアクセス権者に適切な範囲の情報を提供することができる。

次に、図７を参照して、本発明に係る画像アクセス管理におけるニューラルネットワーク７２０による特徴ベクトル７４０の計算の一例について説明する。

監視カメラ（例えば、図５に示すセンサ５１５）から、複数人が会話している様子を表す対象画像７１０が取得されるとする。画像分割部（例えば、図５に示す画像分割部５３０）は、図７に示すように、対象画像７１０を均等の面積を有するパッチに分割する。

そして、特徴計算部（例えば、図５に示す特徴計算部５４０）は、分割した対象画像におけるそれぞれのパッチに関する特徴値を計算し、計算した特徴値をＣＮＮ等のようなニューラルネットワーク７２０で処理することで、対象画像に対応する１つ以上の特徴マップ７３０を生成する。その後、特徴計算部は、特徴マップ７３０における所定の領域（例えば、１つ以上のパッチ）の値を特徴ベクトル７４０として抽出する。

この特徴ベクトル７４０には、対象画像における所定の領域の属性を表す複数の属性値が含まれる。例えば、図７に示すように、所定の領域に、青いシャツを着て、黒いズボンを履いて、立って話している男性が写る場合には、これらのそれぞれの属性を表す属性値が特徴ベクトル７４０に含まれる。
なお、５つの属性値を含む特徴ベクトルを例として説明したが、本発明はこれに限定されず、特徴ベクトルの属性値の数は所定の領域に写るオブジェクトの複雑さによって任意の値に設定されてもよい。

次に、図８〜１０を参照して、本発明に係る特徴ベクトルの次元調整（削減）の手段について説明する。

図８を参照して、本発明に係る画像アクセス管理における、特徴の意味的結合による特徴ベクトルの次元削減について説明する。

上述したように、本発明では、適切なアクセス権者に適切な範囲の情報を提供することために、次元調整部（例えば、図５に示す次元調整部５７０）は、対象画像から計算した特徴ベクトルの次元を削減する加工を行う。この次元削減の１つの方法では、次元調整部は、対象画像において異なる領域（パッチ）に対応する複数の特徴ベクトルの意味的平均を計算することで、次元が削減された特徴ベクトルを生成する。以下では、この次元削減の手段による一例について説明する。

まず、上述した特徴計算部（例えば、図５に示す特徴計算部５４０）は、対象画像８１０における第１のパッチに関する第１の特徴ベクトルを計算し、第２のパッチに関する第２特徴ベクトルを計算する。特徴ベクトルの計算は、例えば図７に示す特徴ベクトルの計算手段で計算されてもよい。
なお、この第１のパッチと第２のパッチは、任意のパッチであってもよいが、対象画像において相対的に近い（例えば、所定の距離閾値以内）パッチであることが望ましい。これは、対象画像におけるパッチが互いに近いほど、共通の属性に関連する確率が高く、より有意義な推論を導出することが可能な特徴ベクトルが得られるからである。

その後、次元調整部（例えば、図５に示す次元調整部５７０）は、第１の特徴ベクトルと、第２の特徴ベクトルとの意味的平均を計算する。この意味的平均は、例えば、上述したＳｅｍａｎｔｉｃ Ｔｒｉｐｌｅｔ Ｌｏｓｓの訓練方法で訓練されているＣＮＮの意味的演算によって計算されてもよい。

複数の特徴ベクトルの意味的平均を計算することで、特徴ベクトルの属性に関する細かい情報が失われ、属性に関して、より大雑把な情報を有する特徴ベクトル（すなわち、次元がより低い特徴ベクトル）となる。また、以上では、２つのパッチに対応する２つの特徴ベクトルの意味的平均を計算した場合について述べたが、この処理は任意の数の特徴ベクトルに対して行われてもよく、特徴ベクトルを増やすほど、導出可能な推論がより大雑把な（つまり、次元が低い）情報となる。

例えば、２つのパッチを含む領域８４０に対応する特徴ベクトルの意味的平均を計算し、計算した特徴ベクトル８４５に関する推論を導出した場合、「３人の男性が会話中」との、性別、人数、及び活動の情報が明らかとなる推論を導出することができる。一方、６つのパッチを含む領域８２０に対応する特徴ベクトルの意味的平均を計算し、計算した特徴ベクトル８２５に関する推論を導出した場合、「複数人」との、性別や活動に関する情報が失われ、より大雑把な情報に関する推論となる。

このように、対象画像における複数のパッチに対応する特徴ベクトルの意味的平均を計算することで、個人の身元を特定する識別力の高い属性を含まない、次元が削減された特徴ベクトルを生成することができる。この次元が削減された特徴ベクトル及び当該特徴ベクトルに関する推論を用いることで、アクセス要求者に適切な範囲の情報のみを提供する最終画像を生成することができる。

次に、本発明に係る画像アクセス管理における、属性値変更による特徴ベクトルの次元削減の一例について説明する。

上述したように、本発明では、適切なアクセス権者に適切な範囲の情報を提供するために、次元調整部（例えば、図５に示す次元調整部５７０）は、対象画像から計算した特徴ベクトルの次元を削減する加工を行う。この次元削減の１つの方法では、次元調整部は、特徴ベクトルに含まれる特定の属性値を変更することで、次元が削減された特徴ベクトルを得ることができる。

以下では、特徴ベクトルに含まれる特定の属性値を変更するための３つの手段について説明するが、本発明は以下の手段に限定されず、これら以外の手段で特徴ベクトルの属性を変更してもよい。

特徴ベクトルの属性値を変更する手段の１つとしては、特徴ベクトルの１つ以上の属性値の代わりに、「０」を挿入することができる。例えば、図９に示すように、５つの属性値を有する特徴ベクトル９１０における下位の２つの属性値９１３を「０」に入れ替えることで、特定の属性（例えば、性別や年齢等の、個人の身元を特定する識別力の高い情報）を初期の状態に戻した特徴ベクトル９１２を得ることができる。
例えば、対象画像に写る人物が会話中の場合、人物の活動に対応する属性値を「０」に入れ替えることで、写る人物が何もしていないことを示す属性値を含む特徴ベクトルが得られる。

特徴ベクトルの属性値を変更する手段のもう１つとしては、特徴ベクトルの１つ以上の属性値の代わりに、ランダムな値を挿入する手段がある。例えば、図９に示すように、５つの属性値を有する特徴ベクトル９１０における下位の２つの属性値９１５をランダムな値に入れ替えることで、特定の属性を無作為な状態に設定した特徴ベクトル９１６を得ることができる。
例えば、対象画像に写る人物の洋服の色が赤い場合、洋服の色に対応する属性値をランダムな値にすることで、写る人物の洋服の色がランダムな色（例えば、緑）であることを示す属性値を含む特徴ベクトルが得られる。

特徴ベクトルの属性値を変更する手段のもう１つとしては、特徴ベクトルの１つ以上の属性値を削除することができる。例えば、図９に示すように、５つの属性値を有する特徴ベクトル９１０における下位の２つの属性値９１５を削除することで、特定の属性を排除した特徴ベクトル９１６を得ることができる。
例えば、対象画像に写る人物が荷物を持っている場合、その荷物に対応する属性値を削除することで、写る人物が荷物を持っていない状態を示す属性値を含む特徴ベクトルが得られる。

上述したように、このように次元が削減された特徴ベクトルについて導出する推論は、対象画像とは異なり、より大雑把なものとなる。例えば、元の特徴ベクトルについて「座標（Ｘ１、Ｙ１、Ｘ２、Ｙ２）に、青いシャツを着ている男性が話している」という推論が導出されたのに対して、次元が削減された特徴ベクトルについて導出できる推論が「座標（Ｘ１、Ｙ１、Ｘ２、Ｙ２）に、男性が立っている」や「座標（Ｘ１、Ｙ１、Ｘ２、Ｙ２）に、赤いシャツを着ている男性が話している」等となる。つまり、情報が失われたり、対象画像と異なる状態を示すものとなることが考えられる。本発明では、この情報の正確性を低減させることで、アクセス要求者へ提供する情報の範囲を制限することができる。

このように、特徴ベクトルに含まれる特定の属性値を変更することで、個人の身元を特定する識別力の高い属性等を含まない、次元が削減された特徴ベクトルを生成することができる。つまり、この次元が削減された特徴ベクトル及び当該特徴ベクトルに関する推論を用いることで、アクセス要求者に適切な範囲の情報のみを提供する最終画像を生成することができる。

次に、図１０を参照して、本発明に係る画像アクセス管理における、通信ネットワークの制約による情報の次元削減の一例について説明する。

上述したように、本発明では、適切なアクセス権者に適切な範囲の情報を提供することために、次元調整部（例えば、図５に示す次元調整部５７０）は、対象画像から計算した特徴ベクトルの次元を削減する加工を行う。この次元削減の１つの方法では、次元調整部は、ＷＡＮ、ＬＡＮ，インターネット等の通信ネットワークに依存する制約を利用することで、次元が削減された特徴ベクトルを生成することができる。以下、この次元削減の方法の詳細について説明する。

画像アクセス管理装置とクライアント端末が通信ネットワークを介して接続される場合には、通信ネットワークの帯域幅、情報流量の制限、ノイズ、ファイヤーウォール等の制約によって、送信されるデータの一部が失われることがある。本発明では、このデータ損失を利用することで、特徴ベクトルの次元を削減することができる。

特徴ベクトル１０００が通信チャンネル１０１０を介して送信される場合を例として説明する。通信チャンネル１０１０の帯域幅、情報流量の制限、ノイズ、ファイヤーウォール等のいずれかの制約により、特徴ベクトル１０００に含まれる属性が失われたとする。その後、属性が失われた特徴ベクトル１０００を受信した側（例えば、図５に示すクライアント端末５３５Ａ、５３５Ｂ）は、失われた属性の代わりに、任意の値を挿入する。この任意の値は、例えば、「０」であってもよく、ランダムに生成された値であってもよく、さらには、残っている属性の平均値であってもよい。

次に、属性が失われた特徴ベクトル１０００を受信した側が、ＣＮＮ等のニューラルネットワーク１０５０を用いて、受信した特徴ベクトル１０００の属性に対応する部分的画像１０６０を生成する。この部分的画像１０６０は、「偽」の属性値（つまり、本来の属性値とは異なる値）が含まれる特徴ベクトルに基づいて生成されるため、送信前の特徴ベクトル１０００に比べて次元が削減されたものとなる。その後、生成した部分的画像１０６０を予め定められた背景画像１０７０に挿入することで、最終画像を生成することができる。

なお、以上では、特徴ベクトルの次元が通信ネットワークの制約によって無作為に削減される場合を例示したが、本発明はこれに限定されない。例えば、所定のノイズ量が特徴ベクトルに対して課されたり、特定の属性に該当するデータパケットの送信が阻止されたりするようにルーターやファイヤーウォール等の通信制御部を構成することで、アクセス要求者のアクセス権限に基づいて特徴ベクトルの次元を調整（削減）することができる。また、上記の方法では、対象画像全体ではなく、特徴ベクトルのみがネットワーク上で送信されるため、送信されるデータ量を減らす効果も得られる。

次に、図１１を参照して、本発明に係る画像アクセス管理における、特徴の意味的演算による画像生成の一例について説明する。

上述したように、本発明では、Ｓｅｍａｎｔｉｃ Ｔｒｉｐｌｅｔ Ｌｏｓｓの訓練方法で訓練されているＣＮＮを用いることで、特徴ベクトルの特定の属性値を変更することや、特徴ベクトルに対する意味的演算を行うことができる。また、これらの処理を用いることで、所望の属性を有する最終画像を生成することができる。以下では、所望の属性を有する最終画像を生成する手段の一例について説明する。

まず、１つの属性値のセットをもう一つの属性値のセットから減算することで、特定の属性を含まない最終画像を生成する手段について説明する。

特徴計算部（例えば、図５に示す特徴計算部５４０）は、スーツのジャケット等の第１の属性を有する男性等のオブジェクトを表す第１画像１１００を受信する。そして、特徴計算部は、第１の属性を表す第２の画像１１１０を受信する。これらの画像は、例えば、ユーザに指定されてもよく、監視カメラ等のセンサから取得されてもよい。

そして、特徴計算部は、第１の画像のオブジェクト（例えば、図１１のジャケットを着ている男性）に対応する第１の属性値のセット１１２０と、第２の画像の属性（例えば、図１１のジャケット）に対応する第２の属性値のセット１１３０を計算する。その後、特徴計算部は、第２の画像の属性に対応する第２の属性値のセット１１３０を、第１の画像のオブジェクトに対応する第１の属性値のセット１１２０から減算することで、第３の属性値のセット１１５０を計算する。この第３属性値のセットは、第２の属性値のセットを第１の属性値のセットから引いた特徴ベクトルである。

そして、画像生成部（例えば、図５に示す画像生成部５６０）は、計算した第３属性値のセット１１５０に基づいて、第１の属性を有しないオブジェクトの画像を最終画像１１６０として生成する。例えば、図１１に示すように、ジャケットに対応する第２の属性値のセット１１３０を、ジャケットを着ている男性に対応する第１の属性値のセット１１２０から減算することで、ジャケットを着ていない男性の画像が得られる。

次に、１つの属性値のセットをもう１つの属性値のセットに加算することで、特定の属性を含む最終画像を生成する手段について説明する（例示せず）。

特徴計算部は、スーツのジャケット等の第１の属性を有しない男性等のオブジェクトを表す第１画像を受信する。そして、特徴計算部は、第１の属性を表す第２の画像を受信する。これらの画像は、例えば、ユーザに指定されてもよく、監視カメラ等のセンサから取得されてもよい。

そして、特徴計算部は、第１の画像のオブジェクト（例えば、ジャケットを着ていない男性）に対応する第１の属性値のセットと、第２の画像の属性（例えば、ジャケット）に対応する第２の属性値のセットを計算する。その後、特徴計算部は、第２の画像の属性に対応する第２の属性値のセットを、第１の画像のオブジェクトに対応する第１の属性値のセットに加算することで、第３の属性値のセットを計算する。この第３属性値のセットは、第２の属性値のセットと第１の属性値のセットを足した特徴ベクトルである。

そして、画像生成部は、計算した第３属性値のセットに基づいて、第１の属性を有するオブジェクトの画像を最終画像として生成する。例えば、ジャケットに対応する第２の属性値のセットを、ジャケットを着ていない男性に対応する第１の属性値のセットに加算することで、ジャケットを着ている男性の画像が得られる。

以上説明した、意味的減算又は意味的加算による属性値の変更では、所望の属性を含む最終画像や含まない最終画像を生成することができる。また、上記では、特定の属性を挿入する例や、特定の属性を削除する例について説明したが、本発明に係る意味的演算はこれに限定されない。例えば、特定の属性の挿入や削除に加えて、オブジェクトの色、サイズ、数等、様々なパラメータを調整することができる。

このようなに生成した最終画像は、例えば、ある人物の身元を特定するためや、ある人物の身元を隠すために用いられてもよい。例えば、最終画像における属性を適宜に変更することで、最終画像に写る人物の見た目と、実際の人物の見た目との類似度を自由に調整することができる。例としては、人物の身元を隠したい場合には、髭やサングラス等を加えることで、実際の人物との見た目を異ならせることができる。一方、人物の身元を特定したい場合には、対象画像に写る人物の髭やサングラス等を削除することで、その人物の本来の姿に近い画像を生成し、この画像を既存のオブジェクト検出手段を行うように訓練されたニューラルネットワークに入力することで、特定の人物を画像中に検出することができる。

また、以上説明した手段で得られた最終画像は、例えば、ニューラルネットワークを訓練するために用いられてもよい。例えば、対象画像をグラウンドトゥルースとし、属性を変更した最終画像をソフトターゲットとすることで、ニューラルネットワークを訓練させ、分類精度を向上させることができる。

以上、本発明の実施の形態について説明したが、本発明は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。

５００ 画像アクセス管理システム
５０５ 画像アクセス管理装置
５１０ アクセス管理部
５１５ センサ
５２０ 画像入力部
５２５ ネットワーク
５３０ 画像分割部
５３５Ａ、５３５Ｂ クライアント端末
５４０ 特徴計算部
５５０ 特徴データベース
５６０ 画像生成部
５７０ 次元調整部
５８０ 推論部

Claims (15)

1. 画像へのアクセスを管理するための画像アクセス管理装置であって、
   前記画像アクセス管理装置は、
   特徴計算部と、アクセス管理部と、画像生成部とを備え、
   前記特徴計算部は、
   対象画像における所定領域に関する特徴ベクトルを抽出し、
   前記画像アクセス管理装置が、前記対象画像へのアクセス要求を受信する場合、
   前記アクセス管理部は、
   前記対象画像へのアクセス要求に含まれるアクセス権限や目的に応じて、前記対象画像に対する閲覧レベルを判定し、
   前記画像生成部は、
   前記特徴ベクトルを前記閲覧レベルに応じて加工することで、前記アクセス権限に応じた最終画像を生成し、前記アクセス要求への回答として提供する、
   ことを特徴とする画像アクセス管理装置。
2. 前記画像生成部は、
   次元調整部と、推論部を更に備え、
   前記次元調整部は、
   前記閲覧レベルに応じて、前記特徴ベクトルの情報量を削減する加工を行い、
   前記推論部は、
   情報量が削減された前記特徴ベクトルに基づいて、前記特徴ベクトルに関する推論を導出し、
   前記画像生成部は、
   情報量が削減された前記特徴ベクトルと、前記推論とに基づいて、前記最終画像を生成する、
   ことを特徴とする、請求項１に記載の画像アクセス管理装置。
3. 前記画像アクセス管理装置は、通信ネットワークを介してクライアント端末と接続されており、
   前記次元調整部は、
   前記特徴ベクトルを前記通信ネットワークに依存する制約を利用して、前記特徴ベクトルの情報量を削減する加工を行い、
   前記クライアント端末は、
   情報量が削減された前記特徴ベクトルを受信し、ニューラルネットワークで処理することで、前記特徴ベクトルに基づいた部分的画像を生成し、
   前記部分的画像を、予め定められた背景画像に挿入することで、前記最終画像を生成する、
   ことを特徴とする、請求項２に記載の画像アクセス管理装置。
4. 前記対象画像の所定領域は、
   少なくとも第１パッチ及び第２パッチを含み、
   前記特徴計算部は、
   前記第１パッチに関する第１特徴ベクトルを抽出し、
   前記第２パッチに関する第２特徴ベクトルを抽出し、
   前記次元調整部は、
   前記第１特徴ベクトルと、前記第２特徴ベクトルとの意味的平均を計算することで、前記第１特徴ベクトル及び第２特徴ベクトルに比べて情報量が削減された第３特徴ベクトルを生成する、
   ことを特徴とする、請求項２に記載の画像アクセス管理装置。
5. 前記特徴ベクトルは、前記対象画像におけるオブジェクトの属性を表す１つ以上の属性値を含み、
   前記次元調整部は、
   前記属性値を変更することで、前記特徴ベクトルの情報量を削減する加工を行う、
   ことを特徴とする、請求項２に記載の画像アクセス管理装置。
6. 前記特徴計算部は、
   第１の属性を有するオブジェクトを表す第１の画像と、前記第１の属性を表す第２の画像とを受信し、
   前記第１の画像に基づいて、前記オブジェクトに対応する第１の属性値のセットを計算し、
   前記第２の画像に基づいて、前記第１の属性に対応する第２の属性値のセットを計算し、
   前記第２の属性値のセットを、前記第１の属性値のセットから減算し、第３の属性値のセットを計算することで、前記第１の画像の属性値の変更を行い、
   前記画像生成部は、
   前記第３の属性値のセットに基づいて、前記第１の属性を有しない前記オブジェクトの画像を生成する、
   ことを特徴とする、請求項５に記載の画像アクセス管理装置。
7. 前記特徴計算部は、
   第１の属性を有しないオブジェクトを表す第１の画像と、前記第１の属性を表す第２の画像とを受信し、
   前記第１の画像に基づいて、前記オブジェクトに対応する第１の属性値のセットを計算し、
   前記第２の画像に基づいて、前記第１の属性に対応する第２の属性値のセットを計算し、
   前記第２の属性値のセットを、前記第１の属性値のセットに加算し、第３の属性値のセットを計算することで、前記第１の画像の属性値の変更を行い、
   前記画像生成部は、
   前記第３の属性値のセットに基づいて、前記第１の属性を有する前記オブジェクトの画像を生成する、
   ことを特徴とする、請求項５に記載の画像アクセス管理装置。
8. 画像へのアクセスを管理するための画像アクセス管理装置によって実施される画像アクセス管理方法であって、
   前記画像アクセス管理装置は、
   特徴計算部と、アクセス管理部と、画像生成部とを備え、
   前記画像アクセス管理方法は、
   前記特徴計算部によって、
   対象画像における所定領域に関する特徴ベクトルを抽出する工程と、
   前記画像アクセス管理装置が、前記対象画像へのアクセス要求を受信する場合、
   前記アクセス管理部によって、
   前記対象画像へのアクセス要求に含まれるアクセス権限や目的に応じて、前記対象画像に対する閲覧レベルを判定する工程と、
   前記画像生成部によって、
   前記特徴ベクトルを前記閲覧レベルに応じて加工することで、前記アクセス権限に応じた最終画像を生成する工程と、
   前記最終画像を前記アクセス要求の回答として提供する工程と、
   を含む画像アクセス管理方法。
9. 前記画像生成部は、
   次元調整部と、推論部を更に備え、
   前記最終画像を生成する工程は、
   前記次元調整部によって、
   前記閲覧レベルに応じて、前記特徴ベクトルの情報量を削減する加工を行う工程と、
   前記推論部によって、
   情報量が削減された前記特徴ベクトルに基づいて、前記特徴ベクトルに関する推論を導出する工程と、
   前記画像生成部によって、
   情報量が削減された前記特徴ベクトルと、前記推論とに基づいて、前記最終画像を生成する工程と、
   を更に含む、請求項８に記載の画像アクセス管理方法。
10. 前記画像アクセス管理装置は、通信ネットワークを介してクライアント端末と接続されており、
    前記最終画像を生成する工程は、
    前記次元調整部によって、
    前記特徴ベクトルを前記通信ネットワークに依存する制約を利用して、前記特徴ベクトルの情報量を削減する加工を行う工程と、
    前記クライアント端末によって、
    情報量が削減された前記特徴ベクトルを受信し、ニューラルネットワークで処理することで、前記特徴ベクトルに基づいた部分的画像を生成する工程と、
    前記部分的画像を、予め定められた背景画像に挿入することで、前記最終画像を生成する工程と、
    を更に含む、請求項９に記載の画像アクセス管理方法。
11. 前記対象画像の所定領域は、
    少なくとも第１パッチ及び第２パッチを含み、
    前記画像アクセス管理方法は、
    前記特徴計算部によって、
    前記第１パッチに関する第１特徴ベクトルを抽出する工程と、
    前記第２パッチに関する第２特徴ベクトルを抽出する工程と、
    前記次元調整部によって、
    前記第１特徴ベクトルと、前記第２特徴ベクトルとの意味的平均を計算することで、前記第１特徴ベクトル及び第２特徴ベクトルに比べて情報量が削減された第３特徴ベクトルを生成する、
    を更に含む、請求項９に記載の画像アクセス管理方法。
12. 前記特徴ベクトルは、前記対象画像におけるオブジェクトの属性を表す１つ以上の属性値を含み、
    前記画像アクセス管理方法は、
    前記次元調整部によって、
    前記属性値を変更することで、前記特徴ベクトルの情報量を削減する加工を行う工程、
    を更に含む、請求項９に記載の画像アクセス管理方法。
13. 前記画像アクセス管理方法は、
    前記特徴計算部によって、
    第１の属性を有するオブジェクトを表す第１の画像と、前記第１の属性を表す第２の画像とを受信する工程と、
    前記第１の画像に基づいて、前記オブジェクトに対応する第１の属性値のセットを計算する工程と、
    前記第２の画像に基づいて、前記第１の属性に対応する第２の属性値のセットを計算する工程と、
    前記第２の属性値のセットを、前記第１の属性値のセットから減算し、第３の属性値のセットを計算することで、前記第１の画像の属性値の変更を行う工程と、
    前記画像生成部によって、
    前記第３の属性値のセットに基づいて、前記第１の属性を有しない前記オブジェクトの画像を生成する工程と、
    を更に含む、請求項１２に記載の画像アクセス管理方法。
14. 前記画像アクセス管理方法は、
    前記特徴計算部によって、
    第１の属性を有しないオブジェクトを表す第１の画像と、前記第１の属性を表す第２の画像とを受信する工程と、
    前記第１の画像に基づいて、前記オブジェクトに対応する第１の属性値のセットを計算する工程と、
    前記第２の画像に基づいて、前記第１の属性に対応する第２の属性値のセットを計算する工程と、
    前記第２の属性値のセットを、前記第１の属性値のセットに加算し、第３の属性値のセットを計算することで、前記第１の画像の属性値の変更を行う工程と、
    前記画像生成部は、
    前記第３の属性値のセットに基づいて、前記第１の属性を有する前記オブジェクトの画像を生成する工程と、
    を更に含む、請求項１２に記載の画像アクセス管理方法。
15. 画像へのアクセスを管理するための画像アクセス管理システムであって、
    前記画像アクセス管理システムは、
    特徴計算部と、アクセス管理部と、画像生成部とを有する画像アクセス管理装置と、
    対象画像を取得するセンサ装置と、
    前記対象画像へのアクセス要求を作成し、送信するクライアント端末と、
    を備え、
    前記画像アクセス管理装置と、前記センサ装置と、前記クライアント端末とがネットワークを介して接続されており、
    前記特徴計算部は、
    前記センサ装置から前記対象画像を取得し、前記対象画像における所定領域に関する特徴ベクトルを抽出し、
    前記画像アクセス管理装置が、前記対象画像へのアクセス要求を前記クライアント端末から受信する場合、
    前記アクセス管理部は、
    前記対象画像へのアクセス要求に含まれるアクセス権限や目的に応じて、前記対象画像に対する閲覧レベルを判定し、
    前記画像生成部は、
    前記特徴ベクトルを前記閲覧レベルに応じて加工することで、前記アクセス権限に応じた最終画像を生成し、前記クライアント端末からの前記アクセス要求への回答として提供する、
    ことを特徴とする画像アクセス管理システム。

Images