JP4720913B2 - 学習装置、学習方法、識別装置、識別方法、及び、プログラム - Google Patents

Description

本発明は、学習装置、学習方法、識別装置、識別方法、及び、プログラムに関し、特に、画像に写っている被写体が所定の識別対象であるか否かの識別において、識別性と不変性との両方を向上させることができるようにする学習装置、学習方法、識別装置、識別方法、及び、プログラムに関する。

カメラで取得した画像から、その画像内に存在する識別対象としての物体を識別（認識）する識別方法としては、識別対象を大局的に記述したテンプレートを用いたマッチングを行う方法がある。

すなわち、従来の識別方法では、識別対象を大局的に記述したテンプレート、つまり、識別対象全体のテクスチャのテンプレートを用意しておき、そのテンプレートと、識別を行う対象の画像（処理対象画像）とのマッチングが行われる。

しかしながら、識別対象を大局的に記述したテンプレートを用いたマッチングでは、処理対象画像に写っている識別対象の部分的な隠れや歪み等に対して対応することが困難であった。

そこで、処理対象画像の局所領域に注目して、各局所領域から特徴量を抽出し、各局所領域の特徴量を組み合わせたもの（局所領域の特徴量の集合）、すなわち、例えば、各局所領域の特徴量をコンポーネントとするベクトルを用いて、識別を行う方法がある。

局所領域の特徴量の集合を用いる場合には、識別対象を大局的に記述したテンプレートを用いる方法では対応することが困難であった、識別対象の部分的な隠れや歪み等の問題を、ある程度解消し、精度の高い識別を行うことができる。

局所領域の特徴量は、個別の物体の識別の他、物体のカテゴリの識別にも用いられる。例えば、局所領域の特徴量を用いて、人の顔等の特定のカテゴリを識別する方法が提案されている（例えば、非特許文献１を参照）。

また、カテゴリの識別には、様々なフレームワークが提案されている。カテゴリの識別に提案されているフレームワークとしては、例えば、BoF(Bag of Features)ヒストグラムを用いるフレームワーク（例えば、非特許文献２を参照）や、特徴量の相関を用いるフレームワーク(例えば、特許文献１を参照)等がある。

さらに、識別に用いる局所領域の特徴量としては、例えば、SIFT特徴量（例えば、非特許文献３を参照）や、ステアブルフィルタ(Steerable Filter)の出力（応答）（例えば、非特許文献４を参照）が提案されている。

特開2007-128195号公報

P.Viola, M. Jones. Robust Real-time Face Detection, cvpr2001 G. Csurka, C. Bray, C. Dance, and L. Fan. Visual categorization with bags of keypoint, ECCV2004 D. Lowe. Object recognition from local scale-invariant features, ICCV1999 J.J. Yokono and T. Poggio. "Oriented filters for Object Recognition: an empirical study", FG2004

ところで、個別の物体や物体のカテゴリといった識別対象の識別には、識別対象と、識別対象以外とを識別（区別）する識別性と、処理対象画像に写る識別対象が回転していたり、歪んでいても、識別対象であることを識別することができる不変性とが要求される。しかしながら、識別性と不変性とは、一般に、トレードオフの関係にある。このため、個別の物体や物体のカテゴリの識別等の、画像に写っている被写体が所定の識別対象であるか否かの識別において、SIFT特徴量や、ステアブルフィルタの応答そのものを、特徴量として用いても、識別性と不変性との両方を向上させることは困難である。

本発明は、このような状況に鑑みてなされたものであり、画像に写っている被写体が所定の識別対象であるか否かの識別において、識別性と不変性との両方を向上させることができるようにするものである。

本発明の第１の側面の学習装置、又はプログラムは、画像に写っている被写体が所定の識別対象であるか否かを識別する識別器を生成する学習に用いられる複数の生成用画像であって、かつ、前記識別対象が写っているポジティブ画像と、前記識別対象が写っていないネガティブ画像とを含む生成用画像において、特徴的な点である特徴点を抽出する特徴点抽出手段と、前記生成用画像の前記特徴点の特徴を表す特徴点特徴量を抽出する特徴点特徴量抽出手段と、前記生成用画像の特徴点特徴量から、その生成用画像全体の特徴を表す全体特徴量であって、かつ、複数の次元のベクトルで表される全体特徴量を求める全体特徴量生成手段と、前記生成用画像の全体特徴量と、その生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表す正解ラベルとを用い、前記識別器を生成する識別器生成手段とを備え、前記特徴点特徴量抽出手段は、複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数それぞれで、前記生成用画像をフィルタリングし、そのフィルタリングにより得られる複数の応答画像を出力するフィルタ手段と、同一のスケールσのガウス関数の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られる前記応答画像について、前記特徴点を中心とする、固定半径の円形の領域である特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、前記複数の小領域のそれぞれについて、前記小領域の画素値の平均値を、前記小領域の画素値の統計量として求め、同一のスケールσのガウス関数の、複数の角度θ方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる前記応答画像から求められる、前記小領域の画素値の平均値をコンポーネントとするベクトルを、前記特徴点の１種類の特徴量として、前記複数のスケールσと前記複数の微分回数cとの組み合わせの数だけの種類の特徴量を、前記特徴点の特徴点特徴量として求める特徴点特徴量算出手段とを有し、前記識別器生成手段は、前記全体特徴量である前記複数の次元のベクトルのコンポーネントである複数の次元特徴量のうちの、前記ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする前記次元特徴量を用いて識別を行う前記識別器と、前記エラー値を小さくする前記次元特徴量の次元を表す次元情報とを生成する学習装置、又は、学習装置として、コンピュータを機能させるためのプログラムである。

本発明の第１の側面の学習方法は、画像に写っている被写体が所定の識別対象であるか否かを識別する識別器を生成する学習に用いられる複数の生成用画像であって、かつ、前記識別対象が写っているポジティブ画像と、前記識別対象が写っていないネガティブ画像とを含む生成用画像において、特徴的な点である特徴点を抽出し、前記生成用画像の前記特徴点の特徴を表す特徴点特徴量を抽出することを、複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数それぞれで、前記生成用画像をフィルタリングし、そのフィルタリングにより得られる複数の応答画像を出力し、同一のスケールσのガウス関数の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られる前記応答画像について、前記特徴点を中心とする、固定半径の円形の領域である特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、前記複数の小領域のそれぞれについて、前記小領域の画素値の平均値を、前記小領域の画素値の統計量として求め、同一のスケールσのガウス関数の、複数の角度θ方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる前記応答画像から求められる、前記小領域の画素値の平均値をコンポーネントとするベクトルを、前記特徴点の１種類の特徴量として、前記複数のスケールσと前記複数の微分回数cとの組み合わせの数だけの種類の特徴量を、前記特徴点の特徴点特徴量として求めることにより行い、前記生成用画像の特徴点特徴量から、その生成用画像全体の特徴を表す全体特徴量であって、かつ、複数の次元のベクトルで表される全体特徴量を求め、前記生成用画像の全体特徴量と、その生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表す正解ラベルとを用い、前記識別器を生成することを、前記全体特徴量である前記複数の次元のベクトルのコンポーネントである複数の次元特徴量のうちの、前記ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする前記次元特徴量を用いて識別を行う前記識別器と、前記エラー値を小さくする前記次元特徴量の次元を表す次元情報とを生成することにより行うステップを含む学習方法である。

本発明の第１の側面においては、画像に写っている被写体が所定の識別対象であるか否かを識別する識別器を生成する学習に用いられる複数の生成用画像であって、かつ、前記識別対象が写っているポジティブ画像と、前記識別対象が写っていないネガティブ画像とを含む生成用画像において、特徴的な点である特徴点が抽出され、前記生成用画像の前記特徴点の特徴を表す特徴点特徴量が抽出される。さらに、前記生成用画像の特徴点特徴量から、その生成用画像全体の特徴を表す全体特徴量であって、かつ、複数の次元のベクトルで表される全体特徴量が求められ、前記生成用画像の全体特徴量と、その生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表す正解ラベルとを用い、前記識別器が生成される。この場合において、複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数それぞれで、前記生成用画像がフィルタリングされ、そのフィルタリングにより得られる複数の応答画像が出力される。さらに、同一のスケールσのガウス関数の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られる前記応答画像について、前記特徴点を中心とする、固定半径の円形の領域である特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域が、複数の小領域に分割され、前記複数の小領域のそれぞれについて、前記小領域の画素値の平均値が、前記小領域の画素値の統計量として求められる。そして、同一のスケールσのガウス関数の、複数の角度θ方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる前記応答画像から求められる、前記小領域の画素値の平均値をコンポーネントとするベクトルを、前記特徴点の１種類の特徴量として、前記複数のスケールσと前記複数の微分回数cとの組み合わせの数だけの種類の特徴量が、前記特徴点の特徴点特徴量として求められる。また、前記全体特徴量である前記複数の次元のベクトルのコンポーネントである複数の次元特徴量のうちの、前記ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする前記次元特徴量を用いて識別を行う前記識別器と、前記エラー値を小さくする前記次元特徴量の次元を表す次元情報とが生成される。

本発明の第２の側面の識別装置、又はプログラムは、画像に写っている被写体が所定の識別対象であるか否かを識別する対象の処理対象画像において、特徴的な点である特徴点を抽出する特徴点抽出手段と、前記処理対象画像の前記特徴点の特徴を表す特徴点特徴量を抽出する特徴点特徴量抽出手段と、前記処理対象画像の特徴点特徴量から、その処理対象画像全体の特徴を表す全体特徴量であって、かつ、複数の次元のベクトルで表される全体特徴量としての前記ベクトルのコンポーネントである複数の次元特徴量のうちの、次元情報が表す次元の次元特徴量を生成する次元特徴量生成手段と、画像に写っている被写体が所定の識別対象であるか否かを識別する識別器に対して、前記次元特徴量を入力として与えることで、前記処理対象画像に写っている被写体が所定の識別対象であるか否かを識別する識別手段とを備え、前記特徴点特徴量抽出手段は、複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数それぞれで、前記処理対象画像をフィルタリングし、そのフィルタリングにより得られる複数の応答画像を出力するフィルタ手段と、同一のスケールσのガウス関数の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られる前記応答画像について、前記特徴点を中心とする、固定半径の円形の領域である特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、前記複数の小領域のそれぞれについて、前記小領域の画素値の平均値を、前記小領域の画素値の統計量として求め、同一のスケールσのガウス関数の、複数の角度θ方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる前記応答画像から求められる、前記小領域の画素値の平均値をコンポーネントとするベクトルを、前記特徴点の１種類の特徴量として、前記複数のスケールσと前記複数の微分回数cとの組み合わせの数だけの種類の特徴量を、前記特徴点の特徴点特徴量として求める特徴点特徴量算出手段とを有し、前記識別器、及び、次元情報は、前記識別器を生成する学習に用いられる複数の生成用画像であって、かつ、前記識別対象が写っているポジティブ画像と、前記識別対象が写っていないネガティブ画像とを含む生成用画像において、特徴点を抽出し、前記生成用画像の前記特徴点の特徴点特徴量を抽出することを、前記生成用画像を、前記複数のフィルタでフィルタリングすることにより得られる複数の応答画像それぞれについて、前記特徴点を中心とする特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、前記複数の小領域のそれぞれについて、前記小領域の画素値の統計量を求め、前記特徴点について、前記生成用画像の複数の応答画像それぞれから得られる、前記複数の小領域それぞれの前記統計量を、前記特徴点の特徴点特徴量とすることにより行い、前記生成用画像の特徴点特徴量から、その生成用画像の全体特徴量を求め、前記生成用画像の全体特徴量と、その生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表す正解ラベルとを用い、前記識別器を生成することを、前記全体特徴量である複数の次元のベクトルのコンポーネントである複数の次元特徴量のうちの、前記ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする前記次元特徴量を用いて識別を行う前記識別器と、前記エラー値を小さくする前記次元特徴量の次元を表す次元情報とを生成することにより行うことで得られたものである識別装置、又は、識別装置として、コンピュータを機能させるためのプログラムである。

本発明の第２の側面の識別方法は、画像に写っている被写体が所定の識別対象であるか否かを識別する対象の処理対象画像において、特徴的な点である特徴点を抽出する特徴点抽出ステップと、前記処理対象画像の前記特徴点の特徴を表す特徴点特徴量を抽出する特徴点特徴量抽出ステップと、前記処理対象画像の特徴点特徴量から、その処理対象画像全体の特徴を表す全体特徴量であって、かつ、複数の次元のベクトルで表される全体特徴量としての前記ベクトルのコンポーネントである複数の次元特徴量のうちの、次元情報が表す次元の次元特徴量を生成する次元特徴量生成ステップと、画像に写っている被写体が所定の識別対象であるか否かを識別する識別器に対して、前記次元特徴量を入力として与えることで、前記処理対象画像に写っている被写体が所定の識別対象であるか否かを識別する識別ステップとを含み、前記特徴点特徴量抽出ステップでは、複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数それぞれで、前記処理対象画像をフィルタリングし、そのフィルタリングにより得られる複数の応答画像を出力し、同一のスケールσのガウス関数の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られる前記応答画像について、前記特徴点を中心とする、固定半径の円形の領域である特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、前記複数の小領域のそれぞれについて、前記小領域の画素値の平均値を、前記小領域の画素値の統計量として求め、同一のスケールσのガウス関数の、複数の角度θ方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる前記応答画像から求められる、前記小領域の画素値の平均値をコンポーネントとするベクトルを、前記特徴点の１種類の特徴量として、前記複数のスケールσと前記複数の微分回数cとの組み合わせの数だけの種類の特徴量を、前記特徴点の特徴点特徴量として求め、前記識別器、及び、次元情報は、前記識別器を生成する学習に用いられる複数の生成用画像であって、かつ、前記識別対象が写っているポジティブ画像と、前記識別対象が写っていないネガティブ画像とを含む生成用画像において、特徴点を抽出し、前記生成用画像の前記特徴点の特徴点特徴量を抽出することを、前記生成用画像を、前記複数のフィルタでフィルタリングすることにより得られる複数の応答画像それぞれについて、前記特徴点を中心とする特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、前記複数の小領域のそれぞれについて、前記小領域の画素値の統計量を求め、前記特徴点について、前記生成用画像の複数の応答画像それぞれから得られる、前記複数の小領域それぞれの前記統計量を、前記特徴点の特徴点特徴量とすることにより行い、前記生成用画像の特徴点特徴量から、その生成用画像の全体特徴量を求め、前記生成用画像の全体特徴量と、その生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表す正解ラベルとを用い、前記識別器を生成することを、前記全体特徴量である複数の次元のベクトルのコンポーネントである複数の次元特徴量のうちの、前記ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする前記次元特徴量を用いて識別を行う前記識別器と、前記エラー値を小さくする前記次元特徴量の次元を表す次元情報とを生成することにより行うことで得られたものである識別方法である。

本発明の第２の側面においては、画像に写っている被写体が所定の識別対象であるか否かを識別する対象の処理対象画像において、特徴的な点である特徴点が抽出され、前記処理対象画像の前記特徴点の特徴を表す特徴点特徴量が抽出される。さらに、前記処理対象画像の特徴点特徴量から、その処理対象画像全体の特徴を表す全体特徴量であって、かつ、複数の次元のベクトルで表される全体特徴量としての前記ベクトルのコンポーネントである複数の次元特徴量のうちの、次元情報が表す次元の次元特徴量が生成され、画像に写っている被写体が所定の識別対象であるか否かを識別する識別器に対して、前記次元特徴量を入力として与えることで、前記処理対象画像に写っている被写体が所定の識別対象であるか否かが識別される。この場合において、複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数それぞれで、前記処理対象画像がフィルタリングされ、そのフィルタリングにより得られる複数の応答画像が出力される。さらに、同一のスケールσのガウス関数の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られる前記応答画像について、前記特徴点を中心とする、固定半径の円形の領域である特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域が、複数の小領域に分割され、前記複数の小領域のそれぞれについて、前記小領域の画素値の平均値が、前記小領域の画素値の統計量として求められる。そして、同一のスケールσのガウス関数の、複数の角度θ方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる前記応答画像から求められる、前記小領域の画素値の平均値をコンポーネントとするベクトルを、前記特徴点の１種類の特徴量として、前記複数のスケールσと前記複数の微分回数cとの組み合わせの数だけの種類の特徴量が、前記特徴点の特徴点特徴量として求められる。また、前記識別器、及び、次元情報は、前記識別器を生成する学習に用いられる複数の生成用画像であって、かつ、前記識別対象が写っているポジティブ画像と、前記識別対象が写っていないネガティブ画像とを含む生成用画像において、特徴点を抽出し、前記生成用画像の前記特徴点の特徴点特徴量を抽出することを、前記生成用画像を、前記複数のフィルタでフィルタリングすることにより得られる複数の応答画像それぞれについて、前記特徴点を中心とする特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、前記複数の小領域のそれぞれについて、前記小領域の画素値の統計量を求め、前記特徴点について、前記生成用画像の複数の応答画像それぞれから得られる、前記複数の小領域それぞれの前記統計量を、前記特徴点の特徴点特徴量とすることにより行い、前記生成用画像の特徴点特徴量から、その生成用画像の全体特徴量を求め、前記生成用画像の全体特徴量と、その生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表す正解ラベルとを用い、前記識別器を生成することを、前記全体特徴量である複数の次元のベクトルのコンポーネントである複数の次元特徴量のうちの、前記ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする前記次元特徴量を用いて識別を行う前記識別器と、前記エラー値を小さくする前記次元特徴量の次元を表す次元情報とを生成することにより行うことで得られたものになっている。

なお、学習装置、及び識別装置のそれぞれは、独立した装置であっても良いし、１つの装置を構成している内部ブロックであっても良い。

また、プログラムは、伝送媒体を介して伝送することにより、又は、記録媒体に記録して、提供することができる。

本発明の第１及び第２の側面によれば、画像に写っている被写体が所定の識別対象であるか否かの識別において、識別性と不変性との両方を向上させることができる。

本発明を適用した学習装置の一実施の形態の構成例を示すブロック図である。 特徴点特徴量抽出部１２の構成例を示すブロック図である。 ガウス関数の導関数を示す図である。 ガウス関数の導関数を示す図である。 ガウス関数の導関数を示す図である。 応答画像を示す図である。 特徴点領域を示す図である。 １種類の特徴量を説明する図である。 特徴点特徴量抽出処理を説明するフローチャートである。 全体特徴量生成部２３の処理を説明する図である。 全体特徴量生成処理を説明するフローチャートである。 全体特徴量生成処理を説明するフローチャートである。 識別器生成部２４の処理を説明する図である。 識別器生成処理を説明するフローチャートである。 学習装置の学習処理を説明するフローチャートである。 本発明を適用した識別装置の一実施の形態の構成例を示すブロック図である。 識別装置の識別処理を説明するフローチャートである。 本発明を適用したコンピュータの一実施の形態の構成例を示すブロック図である。

［学習装置の一実施の形態の構成例］

図１は、本発明を適用した学習装置の一実施の形態の構成例を示すブロック図である。

図１において、学習装置は、学習用画像、及び正解ラベルを用いて、画像に写っている被写体が所定の識別対象であるか否かを識別する識別器と、後述する次元情報とを生成する（求める）。

ここで、学習用画像は、識別器の生成（学習）に用いられる画像であり、複数のモデル画像と、複数の生成用画像とを含む。

モデル画像は、識別対象が写っているポジティブ画像であり、生成用画像は、ポジティブ画像と、識別対象が写っていない（識別対象以外の物体が写っている）ネガティブ画像との両方を含む。

また、正解ラベルは、生成用画像ごとに存在し、各生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表すラベルである。

図１において、学習装置は、特徴点抽出部１１、特徴点特徴量抽出部１２、特徴点特徴量記憶部１３、特徴点抽出部２１、特徴点特徴量抽出部２２、全体特徴量生成部２３、及び、識別器生成部２４から構成される。

特徴点抽出部１１には、学習用画像のうちのモデル画像が、外部から供給される。特徴点抽出部１１は、そこに供給されるモデル画像において、特徴的な点である特徴点を抽出し、モデル画像とともに、特徴点特徴量抽出部１２に供給する。

ここで、画像の局所的な情報は、コーナ(Corner)点に含まれることが多いため、特徴点抽出部１１は、コーナ点（となっている画素）を、特徴点として抽出する。

コーナ点の抽出は、ハリーズコーナ検出器(Harris Corner Detector)を用いて行うことができる。ハリーズコーナ検出器では、ある位置(x,y)の画素の画素値（例えば、輝度）を、I(x,y)と表すとすると、式（１）により求められる輝度勾配の２次モーメントLの２つの固有値が所定の閾値以上の画素が、コーナ点として検出される。

・・・（１）

なお、式（１）では、画素値I(x,y)を、(x,y)を省略して、Iと記述してある。

ここで、特徴点としては、その他、例えば、エッジとなっている画素や、所定の固定の位置の画素等を採用することが可能である。

特徴点特徴量抽出部１２は、特徴点抽出部１１からのモデル画像から、同じく特徴点抽出部１１からの特徴点の特徴を表す特徴点特徴量を抽出し、特徴点特徴量記憶部１３に供給する。

特徴点特徴量記憶部１３は、特徴点特徴量抽出部１２からのモデル画像の特徴点特徴量を記憶する。

特徴点抽出部２１には、学習用画像のうちの生成用画像が、外部から供給される。特徴点抽出部２１は、そこに供給される生成用画像から、特徴点抽出部１１と同様にして、特徴点を抽出し、生成用画像とともに、特徴点特徴量抽出部２２に供給する。

特徴点特徴量抽出部２２は、特徴点抽出部２１からの生成用画像から、同じく特徴点抽出部２１からの特徴点の特徴を表す特徴点特徴量を、特徴点特徴量抽出部１２と同様にして抽出し、全体特徴量生成部２３に供給する。

全体特徴量生成部２３は、特徴点特徴量記憶部１３に記憶されたモデル画像の特徴点特徴量に基づき、特徴点特徴量抽出部２２からの生成用画像の特徴点特徴量から、その生成用画像全体の特徴を表す全体特徴量を求める。

ここで、全体特徴量は、例えば、複数の次元のベクトル（複数の値を、コンポーネントとして有するベクトル）で表される。複数の次元のベクトルである全体特徴量は、全体特徴量生成部２３から、識別器生成部２４に供給される。

識別器生成部２４には、全体特徴量生成部２３から生成用画像の全体特徴量が供給される他、その生成用画像の正解ラベルが、外部から供給される。識別器生成部２４は、生成用画像の全体特徴量と、その生成用画像の正解ラベルとを用い、識別器を生成する（識別器を規定するパラメータを求める学習を行う）。

ここで、全体特徴量としての複数の次元のベクトルのコンポーネントを、次元特徴量ということとすると、全体特徴量は、複数（ベクトルの次元に等しい数）の次元特徴量から構成される。

識別器生成部２４では、全体特徴量を構成する次元特徴量のすべてではなく、全体特徴量を構成する次元特徴量の中から選択された一部の次元特徴量を用いて識別を行う識別器が生成される。この識別器が識別に用いる次元特徴量の次元を表す情報（次元特徴量が、全体特徴量としてのベクトルの何番目のコンポーネントであるかを表す情報）が、次元情報であり、識別器生成部２４は、識別器とともに、次元情報も生成する。

［特徴点特徴量抽出部１２の構成例］

図２は、図１の特徴点特徴量抽出部１２の構成例を示すブロック図である。

なお、図１の特徴点特徴量抽出部２２、及び、後述する識別装置（図１６）の特徴点特徴量抽出部７２も、特徴点特徴量抽出部１２と同様に構成される。但し、特徴点特徴量抽出部１２では、モデル画像を対象として処理が行われるが、特徴点特徴量抽出部２２では、生成用画像を、特徴点特徴量抽出部７２では、処理対象画像を、それぞれ対象として処理が行われる。

図２において、特徴点特徴量抽出部１２は、フィルタ部４１と、特徴点特徴量算出部４２とから構成される。

フィルタ部４１には、特徴点抽出部１１（図１）から、特徴点特徴量を抽出する対象の画像、すなわち、ここでは、モデル画像が供給される。

フィルタ部４１は、特徴点抽出部１１からのモデル画像を、特性の異なる複数のフィルタでフィルタリングし、そのフィルタリングの結果得られる複数の応答画像（フィルタリング結果）を、特徴点特徴量算出部４２に供給する。

特徴点特徴量算出部４２には、フィルタ部４１から、モデル画像の応答画像が供給される他、特徴点抽出部１１（図１）から、モデル画像の特徴点が供給される。

特徴点特徴量算出部４２は、フィルタ部４１からの、モデル画像の複数の応答画像それぞれについて、特徴点抽出部１１からの特徴点を中心とする領域である特徴点領域を設定する。さらに、特徴点特徴量算出部４２は、特徴点を基準に、特徴点領域を、角度方向と距離方向に区切ることで、特徴点領域を、複数の小領域に分割する。

そして、特徴点特徴量算出部４２は、複数の小領域のそれぞれについて、小領域の画素値（応答画像の画素値）の統計量を求め、各特徴点について、複数の応答画像それぞれから得られる、複数の小領域それぞれの統計量を、特徴点の特徴点特徴量として出力する。

図３ないし図６を参照して、図２のフィルタ部４１のフィルタリングについて説明する。

フィルタ部４１では、特徴点抽出部１１からのモデル画像をフィルタリングすることにより、例えば、非特許文献４に記載されているステアブルフィルタの応答を、応答画像として求める。

すなわち、フィルタ部４１は、例えば、複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数を、特性の異なる複数のフィルタとして、その複数の導関数それぞれで、特徴点抽出部１１からのモデル画像をフィルタリングし、モデル画像の複数の応答画像を出力する。

具体的には、２次元のガウス関数G(x,y)が、スケール（標準偏差）σを用いて、式（２）で表されることとする。

・・・（２）

また、ガウス関数G(x,y)の、角度θ［度］方向の、c回の微分回数の導関数（ガウス関数G(x,y)のc回の微分を行って得られる導関数）（以下、c次導関数ともいう）を、G_c ^θと表すこととする。

ガウス関数G(x,y)の0度の方向の１次導関数G₁ ⁰は、ガウス関数G(x,y)のx方向の（偏）微分の結果と一致するので、式（３）で表すことができる。

・・・（３）

また、ガウス関数G(x,y)の90度の方向の１次導関数G₁ ⁹⁰は、ガウス関数G(x,y)のy方向の微分の結果と一致するので、式（４）で表すことができる。

・・・（４）

式（３）の１次導関数G₁ ⁰、及び、式（４）の１次導関数G₁ ⁹⁰は、ガウス関数G(x,y)の任意の角度θの方向の１次導関数G₁ ^θの基底関数になっている。したがって、ガウス関数G(x,y)の任意の角度θの方向の１次導関数G₁ ^θは、基底関数である１次導関数G₁ ⁰及びG₁ ⁹⁰の線形結合として、式（５）で表すことができる。

・・・（５）

式（５）から、ガウス関数G(x,y)の、例えば、45度の方向の１次導関数G₁ ⁴⁵は、式（６）で表される。

・・・（６）

ここで、図３は、基底関数である１次導関数G₁ ⁰及びG₁ ⁹⁰と、45度の方向の１次導関数G₁ ⁴⁵とを示している。

図３において（後述する図４及び図５でも同様）、x方向は横方向であり、y方向は縦方向である。また、白いほど（又は、黒いほど）、値が大（又は、小）であることを表す。

基底関数である１次導関数G₁ ⁹⁰は、基底関数である１次導関数G₁ ⁰を、（反時計回りに）90度だけ、原点を中心に回転したものになっている。同様に、１次導関数G₁ ⁴⁵は、１次導関数G₁ ⁰を、45度だけ回転したものになっている。

フィルタ部４１は、例えば、２つスケールσ=1,2のガウス関数G(x,y)の、４つの角度θ=θ_A，θ_B，θ_C，θ_D方向の、微分回数cが１回の１次導関数G₁ ^θそれぞれで、モデル画像をフィルタリングし、モデル画像の８枚の応答画像を求める。

ここで、１次導関数G₁ ^θによるモデル画像のフィルタリングは、１次導関数G₁ ^θと、モデル画像との畳み込みで表されるので、式（５）から、基底関数である１次導関数G₁ ⁰及びG₁ ⁹⁰それぞれと、モデル画像との畳み込み結果の線形結合で表すことができる。

いま、モデル画像の画素値をIと表すこととすると、１次導関数G₁ ⁰と、モデル画像Iとの畳み込み結果R₁ ⁰は、式（７）で、１次導関数G₁ ⁹⁰と、モデル画像Iとの畳み込み結果R₁ ⁹⁰は、式（８）で、それぞれ表される。

・・・（７）

・・・（８）

なお、*は、畳み込みを表す。

１次導関数G₁ ^θによるモデル画像Iのフィルタリングの結果得られる応答画像R₁ ^θは、式（７）の畳み込み結果R₁ ⁰と、式（８）の畳み込み結果R₁ ⁹⁰とを用いて、式（９）で表される。

・・・（９）

フィルタ部４１は、微分回数cが２回の２次導関数G₂ ^θと、３回の３次導関数G₃ ^θとのそれぞれについても、微分回数cが１回の１次導関数G₁ ^θの場合と同様のフィルタリングを行い、２次導関数G₂ ^θに対して、８枚の応答画像を求めるとともに、３次導関数G₃ ^θに対して、８枚の応答画像を求める。

ここで、２次導関数G₂ ^θは、基底関数となる３つの２次導関数G₂ ⁰，G₂ ⁶⁰，及び、G₂ ¹²⁰を用いて、式（１０）で表すことができる。

・・・（１０）

式（１０）の係数k_2i(θ)は、式（１１）で表される。

・・・（１１）

但し、式（１１）において、θ₁，θ₂，θ₃は、それぞれ、0度、60度、120度である。

ここで、図４は、２次導関数G₂ ^θの基底関数である３つの２次導関数G₂ ⁰，G₂ ⁶⁰、及び、G₂ ¹²⁰を示している。

２次導関数G₂ ⁶⁰は、２次導関数G₂ ⁰を、60度だけ回転したものになっており、２次導関数G₂ ¹²⁰は、２次導関数G₂ ⁰を、120度だけ回転したものになっている。

３次導関数G₃ ^θは、基底関数となる４つの３次導関数G₃ ⁰，G₃ ⁴⁵，G₃ ⁹⁰、及び、G₃ ¹³⁵を用いて、式（１２）で表すことができる。

・・・（１２）

式（１２）の係数k_3i(θ)は、式（１３）で表される。

・・・（１３）

但し、式（１１）において、θ₁，θ₂，θ₃，θ₄は、それぞれ、0度、45度、90度、135度である。

ここで、図５は、３次導関数G₃ ^θの基底関数である４つの３次導関数G₂ ⁰，G₂ ⁴⁵，G₂ ⁹⁰、及び、G₂ ¹³⁵を示している。

３次導関数G₃ ⁴⁵は、３次導関数G₃ ⁰を、45度だけ回転したものになっており、３次導関数G₃ ⁹⁰は、３次導関数G₃ ⁰を、90度だけ回転したものになっている。さらに、３次導関数G₃ ¹³⁵は、３次導関数G₃ ⁰を、135度だけ回転したものになっている。

図６は、図２のフィルタ部４１が出力するモデル画像の応答画像を示している。

フィルタ部４１は、２つスケールσ=1,2のガウス関数G(x,y)の、４つの角度θ=θ_A，θ_B，θ_C，θ_D方向の、３つの微分回数c=1,2,3の導関数である１次導関数G₁ ^θ、２次導関数G₂ ^θ、３次導関数G₃ ^θそれぞれで、モデル画像をフィルタリングする。

したがって、フィルタ部４１では、１枚のモデル画像について、２つスケールσ=1,2、４つの角度θ=θ_A，θ_B，θ_C，θ_D、及び、３つの微分回数c=1,2,3の組み合わせの数、つまり、２４枚の応答画像が求められ、特徴点特徴量算出部４２に供給される。

なお、フィルタ部４１において、フィルタとして用いる関数は、ガウス関数に限定されるものではない。また、図３ないし図６では、フィルタとして、２つスケールσ=1,2のガウス関数G(x,y)の、４つの角度θ=θ_A，θ_B，θ_C，θ_D方向の、３つの微分回数c=1,2,3の導関数を採用したが、スケールσ、角度θ、及び、微分回数cは、上述した値に限定されるものではない。さらに、フィルタとしては、ガウス関数G(x,y)の導関数以外の関数を採用することが可能である。

次に、図７及び図８を参照して、図２の特徴点特徴量算出部４２の処理について説明する。

図６で説明したように、フィルタ部４１では、１枚のモデル画像について、２４枚の応答画像が求められ、特徴点特徴量算出部４２に供給される。

いま、１枚のモデル画像について求められる２４枚の応答画像のうちの、ある１枚の応答画像に注目するとともに、その注目している応答画像（以下、注目応答画像ともいう）の特徴点（正確には、モデル画像の特徴点と同一位置の応答画像上の点）のうちの、ある１つの特徴点に注目する。

特徴点特徴量算出部４２は、注目応答画像について、特徴点抽出部１１（図１）からの特徴点のうちの、注目している特徴点（以下、注目特徴点ともいう）を中心とする特徴点領域を設定し、注目特徴点を基準に、特徴点領域を、角度方向と距離方向に区切ることで、特徴点領域を、複数の小領域に分割する。

図７は、特徴点領域と、その特徴点領域を分割した複数の小領域とを示している。

特徴点特徴量算出部４２は、注目特徴点を中心とする、例えば、固定半径の円形の領域を、特徴点領域に設定し、注目特徴点を基準に、特徴点領域を、角度方向と距離方向に区切ることで、特徴点領域を、複数の小領域に分割する。

図７では、特徴点領域が、８つの角度方向と、３つの距離方向とに区切られ、合計で、２４個の小領域に分割されている。

なお、特徴点領域を区切る角度方向や距離方向の数は、特に限定されるものではない。

特徴点特徴量算出部４２は、注目特徴点について得られた２４個の小領域それぞれについて、小領域の画素値（小領域内にある画素の画素値）の、例えば、平均値を、その小領域の画素値の統計量として求める。

そして、特徴点特徴量算出部４２は、同一のスケールσのガウス関数G(x,y)の、４つの角度θ=θ_A，θ_B，θ_C，θ_D方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる４枚の応答画像から求められる、小領域の画素値の平均値をコンポーネントとするベクトルを、注目特徴点の１種類の特徴量として、２つのスケールσ=1,2と３つの微分回数c=1,2,3との組み合わせの数だけの６種類の特徴量を、注目特徴点の特徴点特徴量として求める。

図８は、特徴点特徴量算出部４２が求める１種類の特徴量を説明する図である。

図８では、スケールσが1のガウス関数G(x,y)の、４つの角度θ=θ_A，θ_B，θ_C，θ_D方向の、微分回数cが１回の導関数（１次導関数）それぞれでのフィルタリングにより得られる４枚の応答画像それぞれから、注目特徴点について、応答画像の１枚あたり、２４個の小領域の画素値の平均値（以下、小領域平均値ともいう）が求められている。

したがって、同一のスケールσのガウス関数G(x,y)の、４つの角度θ=θ_A，θ_B，θ_C，θ_D方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる４枚の応答画像からは、合計で、９６個の小領域平均値が求められる。

特徴点特徴量算出部４２は、この９６個の小領域平均値をコンポーネントとする９６次元のベクトルを、注目特徴点の１種類の特徴量とする。

特徴点特徴量算出部４２は、スケールσが1で、微分回数cが1である場合の他、スケールσが1で、微分回数cが2である場合、スケールσが1で、微分回数cが3である場合、スケールσが2で、微分回数cが1である場合、スケールσが2で、微分回数cが2である場合、及び、スケールσが2で、微分回数cが3である場合のそれぞれについても、９６個の小領域平均値をコンポーネントとする９６次元のベクトルを、注目特徴点の１種類の特徴量として求める。

その結果、特徴点特徴量算出部４２では、注目特徴点の特徴点特徴量として、６種類の特徴量（６個の９６次元のベクトル）が求められる。

以上のように、特徴点特徴量抽出部１２では、複数のスケールσ=1,2のガウス関数G(x,y)の、複数の角度θ=θ_A，θ_B，θ_C，θ_D方向の、複数の微分回数c=1,2,3の導関数それぞれでのフィルタリングにより得られる応答画像から求められる、小領域の画素値の平均値をコンポーネントとするベクトルを、注目特徴点の特徴点特徴量として求める。

ここで、非特許文献４では、複数のスケールσのガウス関数G(x,y)の、複数の角度θ方向の導関数それぞれでのフィルタリングにより得られる複数の応答画像の特徴点の画素値をコンポーネントとするベクトルを、特徴点特徴量とすることで、高い識別性を有する特徴点特徴量を求めている。

一方、図１の学習装置では、複数のスケールσ=1,2のガウス関数G(x,y)の、複数の角度θ=θ_A，θ_B，θ_C，θ_D方向の、複数の微分回数c=1,2,3の導関数それぞれで、モデル画像をフィルタリングすることにより、複数のスケールσ、複数の角度θ、及び複数の導関数の組み合わせに対応する複数の応答画像から、特徴点特徴量が求められる。したがって、画像（ここでは、モデル画像）における、様々な方向への画素値の変化の具合、つまり、画像の様々なテクスチャ(Texture)の情報が反映された、より識別性の高い特徴点特徴量を得ることができる。

さらに、図１の学習装置では、応答画像について、特徴点を中心とする特徴点領域を、特徴点を基準に、角度方向と距離方向に区切ることで得られる複数の小領域の画素値の平均値を、特徴点特徴量とする。

したがって、複数のスケールσ=1,2のガウス関数G(x,y)の、複数の角度θ=θ_A，θ_B，θ_C，θ_D方向の、複数の微分回数c=1,2,3の導関数それぞれとしての、異なる特性の複数のフィルタの応答の、特徴点の周辺の分布が反映された、識別性の高い特徴点特徴量を得ることができる。

また、特徴点の周囲の複数の小領域から特徴点特徴量を求めること、及び、小領域の画素値の統計量としての平均値等を、特徴点特徴量とすることにより、画像に写っている被写体の傾き（回転）や歪み等に対するロバスト性がある特徴点特徴量、すなわち、不変性の向上した特徴点特徴量を得ることができる。

［特徴点特徴量抽出処理の説明］

図９を参照して、図２の特徴点特徴量抽出部１２が行う、特徴点特徴量を抽出する特徴点特徴量抽出処理を説明する。

特徴点特徴量抽出部１２は、ステップＳ１１において、特徴点抽出部１１（図１）から供給されるモデル画像から、まだ、注目する注目画像として選択していない１枚のモデル画像を、注目画像として選択し、処理は、ステップＳ１２に進む。

ステップＳ１２では、特徴点特徴量抽出部１２において、フィルタ部４１（図２）が、２つスケールσ=1,2のガウス関数G(x,y)の、４つの角度θ=θ_A，θ_B，θ_C，θ_D方向の、３つの微分回数c=1,2,3の導関数それぞれで、注目画像をフィルタリングする。すなわち、フィルタ部４１は、注目画像のフィルタリングにより、図６で説明したように、２４枚の応答画像を求める。

そして、フィルタ部４１は、注目画像について求めた２４枚の応答画像を、特徴点特徴量算出部４２に供給して、処理は、ステップＳ１２からステップＳ１３に進む。

ステップＳ１３では、特徴点特徴量算出部４２は、特徴点抽出部１１から供給されるモデル画像の特徴点に含まれる、注目画像の特徴点から、注目する注目特徴点として選択していない１つの特徴点を、注目特徴点として選択し、処理は、ステップＳ１４に進む。

ステップＳ１４では、特徴点特徴量算出部４２は、同一のスケールσのガウス関数G(x,y)の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られた応答画像、つまり、フィルタ部４１からの２４枚の応答画像のそれぞれに、注目特徴点を中心とする特徴点領域を設定する。

その後、処理は、ステップＳ１４からステップＳ１５に進み、特徴点特徴量算出部４２は、２４枚の応答画像それぞれについて、注目特徴点を基準に、特徴点領域を、角度方向と距離方向に区切ることで、応答画像の特徴点領域を、図７で説明したように、２４個の小領域に分割する。

そして、処理は、ステップＳ１５からステップＳ１６に進み、特徴点特徴量算出部４２は、２４枚の応答画像それぞれについて、注目特徴点の特徴点領域を分割して得られた２４個の小領域それぞれの小領域平均値を求め、処理は、ステップＳ１７に進む。

ステップＳ１７では、特徴点特徴量算出部４２は、同一のスケールσのガウス関数G(x,y)の、４つの角度θ=θ_A，θ_B，θ_C，θ_D方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる応答画像から求められる、小領域平均値をコンポーネントとするベクトルを、注目特徴点の１種類の特徴量として、２つのスケールσ=1,2と３つの微分回数c=1,2,3との組み合わせの数だけの６種類の特徴量を、注目特徴点の特徴点特徴量として求める。

その後、処理は、ステップＳ１７からステップＳ１８に進み、特徴点特徴量抽出部１２は、注目画像の特徴点すべての特徴点特徴量を求めたかどうかを判定する。ステップＳ１８において、注目画像の特徴点すべての特徴点特徴量を、まだ求めていないと判定された場合、すなわち、注目画像の特徴点の中に、まだ、注目特徴点として選択いない特徴点がある場合、処理は、ステップＳ１３に戻る。

そして、ステップＳ１３において、特徴点特徴量算出部４２は、注目画像の特徴点から、まだ、注目特徴点として選択していない１つの特徴点を、注目特徴点として新たに選択し、以下、同様の処理が繰り返される。

また、ステップＳ１８において、注目画像の特徴点すべての特徴点特徴量を求めたと判定された場合、処理は、ステップＳ１９に進み、特徴点特徴量抽出部１２は、特徴点抽出部１１（図１）からのモデル画像すべてについて、特徴点特徴量を求めたかどうかを判定する。

ステップＳ１９において、特徴点抽出部１１からのモデル画像すべてについて、まだ、特徴点特徴量を求めていないと判定された場合、すなわち、特徴点抽出部１１からのモデル画像の中に、まだ、注目画像として選択していないモデル画像がある場合、処理は、ステップＳ１１に戻る。

ステップＳ１１では、特徴点特徴量抽出部１２は、特徴点抽出部１１からのモデル画像から、まだ、注目画像として選択していない１枚のモデル画像を、注目画像として新たに選択し、以下、同様の処理が繰り返される。

また、ステップＳ１９において、特徴点抽出部１１からのモデル画像すべてについて、特徴点特徴量を求めたと判定された場合、特徴点特徴量抽出処理は終了する。

なお、特徴点特徴量抽出部１２が、特徴点特徴量抽出処理によって求めたモデル画像の特徴点特徴量は、特徴点特徴量記憶部１３（図１）に供給されて記憶される。

また、特徴点特徴量抽出部１２では、モデル画像の特徴点特徴量をベクトル量子化し、そのベクトル量子化結果（コード）を、モデル画像の、いわば最終的な特徴点特徴量として、特徴点特徴量記憶部１３に記憶させることができる。

ここで、図８及び図９で説明したように、特徴点特徴量抽出部１２（の特徴点特徴量算出部４２）では、１個の特徴点について、９６個の小領域平均値をコンポーネントとする９６次元のベクトルを、注目特徴点の１種類の特徴量として、６種類の特徴量（６個の９６次元のベクトル）が求められる。

特徴点特徴量抽出部１２において、特徴点特徴量のベクトル量子化を行う場合、そのベクトル量子化は、特徴量（９６次元のベクトル）の種類ごとに行われる。

ここで、ベクトル量子化には、コードブックが必要であるが、コードブックの生成は、例えば、k-means法等によって行うことができる。コードブックの生成は、ベクトル量子化と同様に、特徴量（９６次元のベクトル）の種類ごとに行われ、６種類のコードブックが生成される。また、コードブックのコードベクトルの数（ベクトル量子化のクラスタの数）としては、例えば、400等を採用することができる。

［全体特徴量生成部２３の処理の説明］

図１０を参照して、図１の全体特徴量生成部２３が行う処理について説明する。

図１の学習装置では、特徴点抽出部１１、及び特徴点特徴量抽出部１２において、上述したように、モデル画像の特徴点特徴量が求められ、特徴点特徴量記憶部１３に記憶される。

また、特徴点抽出部２１、及び特徴点特徴量抽出部２２において、特徴点抽出部１１、及び特徴点特徴量抽出部１２と同様にして、生成用画像の特徴点特徴量が求められ、全体特徴量生成部２３に供給される。

全体特徴量生成部２３は、特徴点特徴量記憶部１３に記憶されたモデル画像の特徴点特徴量に基づき、特徴点特徴量抽出部２２からの生成用画像の特徴点特徴量から、その生成用画像全体の特徴（モデル画像を、いわば基準とする相対的な特徴）を表す全体特徴量を求める。

図１０は、全体特徴量生成部２３で求められる全体特徴量の例を示している。

全体特徴量生成部２３では、例えば、特徴点特徴量記憶部１３（図１）に記憶されたモデル画像の特徴点特徴量の値である特徴点特徴量値を階級とする、特徴点特徴量抽出部２２からの生成用画像の特徴点特徴量値のヒストグラムを、生成用画像の全体特徴量として求めることができる。

また、全体特徴量生成部２３では、例えば、特徴点特徴量記憶部１３に記憶されたモデル画像の特徴点特徴量値に対する、特徴点特徴量抽出部２２からの生成用画像の特徴点特徴量値の相関値を、生成用画像の全体特徴量として求めることができる。

図１０Ａは、生成用画像に含まれるポジティブ画像及びネガティブ画像のそれぞれについて、全体特徴量として求められる、特徴点特徴量値のヒストグラム（以下、特徴点特徴量値ヒストグラムともいう）を示している。

また、図１０Ｂは、生成用画像に含まれるポジティブ画像及びネガティブ画像のそれぞれについて、全体特徴量として求められる、特徴点特徴量値の相関値（以下、特徴点特徴量値相関値ともいう）を示している。

図１０Ａの特徴点特徴量値ヒストグラムは、以下のようにして求められる。

すなわち、いま、説明を簡単にするため、特徴点特徴量が、６種類の特徴量ではなく、１種類の特徴量（９６次元のベクトル）であるとする。

また、特徴点特徴量記憶部１３（図１）に記憶されている特徴点の特徴点特徴量値の数（種類）が、K個であるとする。

生成用画像の、ある特徴点に注目すると、全体特徴量生成部２３は、特徴点特徴量記憶部１３に記憶されたモデル画像のK個の特徴点特徴量値（９６次元のベクトル）を階級（ヒストグラムの横軸）として、そのK個の階級（特徴点特徴量値）のうちの、生成用画像において注目している特徴点（注目特徴点）の特徴点特徴量値との距離が最も近い階級の頻度を、１だけインクリメントする。

全体特徴量生成部２３は、生成用画像のすべての特徴点の特徴点特徴量値を対象として、K個の階級の頻度をカウントし、その結果得られるヒストグラム（特徴点特徴量値ヒストグラム）のK個の階級の頻度をコンポーネントとするK次元のベクトルを、生成用画像の全体特徴量として出力する。

なお、特徴点特徴量が、上述したように、６種類の特徴量（９６次元のベクトル）である場合には、各種類ごとに、特徴点特徴量値ヒストグラムが求められ、６種類についての、６つの特徴点特徴量値ヒストグラムの、合計で６×K個の階級の頻度をコンポーネントとする６×K次元のベクトルが、生成用画像の全体特徴量とされる。

ここで、全体特徴量としての特徴点特徴量値ヒストグラムは、BoFヒストグラム（非特許文献２）であり、生成用画像において、モデル画像に存在する特徴点特徴量値が、どの程度存在するかを表現する。

図１０Ｂの特徴点特徴量値相関値は、以下のようにして求められる。

すなわち、ここでも、説明を簡単にするため、特徴点特徴量が、１種類の特徴量（ベクトル）であり、特徴点特徴量記憶部１３（図１）に記憶されている特徴点の特徴点特徴量値の数（種類）が、K個であるとする。

全体特徴量生成部２３は、特徴点特徴量記憶部１３に記憶されたモデル画像のK個の特徴点特徴量値（９６次元のベクトル）を、順次、注目値として、注目値に対する、生成用画像の特徴点それぞれの特徴点特徴量値の相関値を演算する。

そして、全体特徴量生成部２３は、注目値に対する、生成用画像の特徴点それぞれの特徴点特徴量値の相関値のうちの最大値を、特徴点特徴量値相関値として検出し、モデル画像のK個の特徴点特徴量値に対して得られる、全部でK個の特徴点特徴量値相関値をコンポーネントとするK次元のベクトルを、生成用画像の全体特徴量として出力する。

なお、特徴点特徴量が、６種類の特徴量（９６次元のベクトル）である場合には、各種類ごとに、K個の特徴点特徴量値相関値が求められ、６種類についての、合計で６×K個の特徴点特徴量値相関値をコンポーネントとする６×K次元のベクトルが、生成用画像の全体特徴量とされる。

また、モデル画像の特徴点特徴量値（注目値）に対する、生成用画像の特徴点の特徴点特徴量値の相関値としては、モデル画像の特徴点特徴量値としてのベクトルと、生成用画像の特徴点の特徴点特徴量値としてのベクトルとの内積に比例する値等を採用することができる。

ここで、全体特徴量としての特徴点特徴量値相関値は、生成用画像に存在する特徴点特徴量値が、モデル画像に存在する特徴点特徴量値に類似する程度を表現する。

なお、モデル画像の特徴点特徴量値と、生成用画像の特徴点特徴量値との相関値を用いて、識別を行う方法については、特許文献１に記載されている。特許文献１に記載の方法によれば、生成用画像の特徴点の中で、モデル画像の注目値に対応する特徴点の位置に近い特徴点の特徴点特徴量値だけを対象として、モデル画像の注目値との相関値が求められ、その相関値のうちの最大値が、全体特徴量として採用される。

なお、全体特徴量は、特徴点特徴量値ヒストグラムや、特徴点特徴量値相関値に限定されるものではない。

図１１は、全体特徴量生成部２３が、特徴点特徴量値ヒストグラムを、生成用画像の全体特徴量として求める全体特徴量生成処理を説明するフローチャートである。

ステップＳ３１において、全体特徴量生成部２３は、特徴点特徴量抽出部２２（図１）から特徴点特徴量が供給された生成用画像のうちの、まだ、注目する注目画像として選択していない１枚の生成用画像を、注目画像として選択し、処理は、ステップＳ３２に進む。

ステップＳ３２では、全体特徴量生成部２３は、特徴点特徴量記憶部１３（図１）に記憶されたモデル画像の特徴点特徴量値（以下、モデル特徴量値ともいう）を階級とする、注目画像の特徴点特徴量値のヒストグラムを、注目画像の全体特徴量として求め、識別器生成部２４に供給する。

そして、処理は、ステップＳ３２からステップＳ３３に進み、全体特徴量生成部２３は、特徴点特徴量抽出部２２から特徴点特徴量が供給された生成用画像すべてについて、全体特徴量を求めたかどうかを判定する。

ステップＳ３３において、特徴点特徴量抽出部２２から特徴点特徴量が供給された生成用画像すべてについて、まだ、全体特徴量を求めていないと判定された場合、処理は、ステップＳ３１に戻り、以下、同様の処理が繰り返される。

また、ステップＳ３３において、特徴点特徴量抽出部２２から特徴点特徴量が供給された生成用画像すべてについて、全体特徴量を求めたと判定された場合、全体特徴量生成処理は終了する。

図１２は、全体特徴量生成部２３が、特徴点特徴量値相関値を、生成用画像の全体特徴量として求める全体特徴量生成処理を説明するフローチャートである。

ステップＳ４１において、全体特徴量生成部２３は、特徴点特徴量抽出部２２（図１）から特徴点特徴量が供給された生成用画像のうちの、まだ、注目する注目画像として選択していない１枚の生成用画像を、注目画像として選択し、処理は、ステップＳ４２に進む。

ステップＳ４２では、全体特徴量生成部２３は、特徴点特徴量記憶部１３（図１）に記憶された各モデル特徴量値について、生成用画像の特徴点それぞれの特徴点特徴量値との相関値のうちの最大値を、特徴点特徴量値相関値として求める。そして、全体特徴量生成部２３は、特徴点特徴量値相関値を、注目画像の全体特徴量として、識別器生成部２４に供給し、処理は、ステップＳ４２からステップＳ４３に進む。

ステップＳ４３では、全体特徴量生成部２３は、特徴点特徴量抽出部２２から特徴点特徴量が供給された生成用画像すべてについて、全体特徴量を求めたかどうかを判定する。

ステップＳ４３において、特徴点特徴量抽出部２２から特徴点特徴量が供給された生成用画像すべてについて、まだ、全体特徴量を求めていないと判定された場合、処理は、ステップＳ４１に戻り、以下、同様の処理が繰り返される。

また、ステップＳ４３において、特徴点特徴量抽出部２２から特徴点特徴量が供給された生成用画像すべてについて、全体特徴量を求めたと判定された場合、全体特徴量生成処理は終了する。

ここで、全体特徴量生成部２３において求められる全体特徴量としてのベクトルのコンポーネント（例えば、上述した特徴点特徴量値ヒストグラムの頻度や、特徴点特徴量値相関値）が、図１で説明した次元特徴量である。

［識別器生成部２４の処理］

図１３を参照して、図１の識別器生成部２４の処理の概要を説明する。

識別器生成部２４は、例えば、ブースティング(Boosting)のアルゴリズムに従い、全体特徴量生成部２３からの全体特徴量を構成する次元特徴量の中から、識別に用いる次元特徴量（の次元）を選択するとともに、その次元特徴量を用いて識別を行う識別器を生成する。

すなわち、識別器生成部２４は、全体特徴量生成部２３（図１）からの全体特徴量を構成する複数の次元特徴量（ベクトルのコンポーネントで）のうちの、ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする次元特徴量を用いて識別を行う識別器と、エラー値を小さくする次元特徴量の次元を表す次元情報とを生成する。

具体的には、いま、生成用画像として、複数であるN枚の画像が存在し、全体特徴量生成部２３において、図１３に示すように、N枚の生成用画像のNサンプルの全体特徴量x₁,x₂,・・・,x_Nとしてのベクトルが得られたこととする。

さらに、全体特徴量x_i(i=1,2,・・・,N)は、図１３に示すように、複数であるM個のコンポーネント（次元特徴量）x_i,1，x_i,2，・・・，x_i,Mを有するM次元のベクトルであるとする。

また、識別器生成部２４には、図１で説明したように、正解ラベルが供給されるが、第iサンプルx_i（i枚目の生成用画像）の正解ラベルを、y_iと表す。正解ラベルy_iは、i枚目の生成用画像がポジティブ画像である場合に、例えば、+1になっており、i枚目の生成用画像がネガティブ画像である場合に、例えば、-1になっていることとする。

識別器生成部２４が生成する識別器は、全体特徴量x_iを構成するM個の次元特徴量x_i,1ないしx_i,Mのうちの、ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする次元特徴量x_i,dを用いて識別を行う関数であり、複数の弱仮説器(Weak learner)h_t,d(x_i,d)から構成される。

ここで、弱仮説器h_t,d(x_i,d)のサフィックスtは、弱仮説器h_t,d(x_i,d)の個数をカウントする変数であり、識別器は、複数であるT個の弱仮説器h_1,d(x_i,d)，h_2,d(x_i,d)，・・・，h_T,d(x_i,d)から構成されることとする。

弱仮説器h_t,d(x_i,d)の個数Tとしては、例えば、経験的に、あるいは、識別器による識別の識別率がある程度の値以上となるように、M以下の値が設定される。

弱仮説器h_t,d(x_i,d)は、生成用画像の全体特徴量x_iの第d次元の次元特徴量（全体特徴量x_iとしてのベクトルのd番目のコンポーネント）x_i,dを入力として、生成用画像が、ポジティブ画像、又はネガティブ画像である旨の識別結果を出力する関数であり、ポジティブ画像である旨の識別結果としては、例えば、+1を、ネガティブ画像である旨の識別結果としては、例えば、-1を、それぞれ出力する。

いま、弱仮説器h_t,d(x_i,d)の識別結果のエラー値を、ε_t,dと表すこととすると、識別器生成部２４は、弱仮説器h_t,d(x_i,d)を、エラー値ε_t,dを小さくするように決定する。

なお、ここでは、説明を簡単にするため、弱仮説器h_t,d(x_i,d)として、例えば、引数である第d次元の次元特徴量x_i,dが、所定の閾値以上である場合に、ポジティブ画像である旨の識別結果を表す+1を出力し、第d次元の次元特徴量x_i,dが、所定の閾値未満である場合に、ネガティブ画像である旨の識別結果を表す-1を出力する関数を採用することとする。

この場合、エラー値ε_t,dを小さくするように、弱仮説器h_t,d(x_i,d)を決定するとは、弱仮説器h_t,d(x_i,d)の閾値を決定することを意味する。弱仮説器h_t,d(x_i,d)の閾値には、引数となりうるN個の第d次元の次元特徴量x_1,d，x_2,d，・・・，x_N,dのうちの最小値以上で、かつ、最大値以下の値が決定される。

識別器生成部２４は、エラー値ε_t,1，ε_t,2，・・・，ε_t,Mそれぞれを小さくするように、弱仮説器h_t,1(x_i,1)，h_t,2(x_i,2)，・・・，h_t,M(x_i,M)それぞれを決定し、エラー値ε_t,1ないしε_t,Mのうちの最小値が得られる次元（以下、最小エラー次元ともいう）d(t)を求める。

また、識別器生成部２４は、弱仮説器h_t,d(x_i,d)によるi番目の生成用画像の識別結果が、正解ラベルy_iと一致するか否か、つまり、式h_t,d(x_i,d)＝y_iが成り立つか、又は、式h_t,d(x_i,d)≠y_iが成り立つかによって、生成用画像の識別結果の誤りをエラー値ε_t,dに影響させる重みD_t(i)を、生成用画像ごとに求める。

ここで、エラー値ε_t,dは、N枚の生成用画像のうちの、弱仮説器h_t,d(x_i,d)による識別結果が誤る生成用画像の重みD_t(i)を加算することで求められる。

識別器生成部２４は、以上の、弱仮説器h_t,d(x_i,d)を、エラー値ε_t,dを小さくするように決定すること、弱仮説器h_t,d(x_i,d)による生成用画像の識別結果のエラー値ε_t,1ないしε_t,Mのうちの最小値が得られる次元（最小エラー次元）d(t)を求めること、及び、エラー値ε_t,dを計算するのに用いる重みD_t(i)を求めることを、T回だけ繰り返すことで、T個の弱仮説器h_1,d(x_i,d)，h_2,d(x_i,d)，・・・，h_T,d(x_i,d)から構成される識別器H(x)と、最小エラー次元d(1)，d(2)，・・・，d(T)を表す次元情報とを生成する。

図１４を参照して、図１の識別器生成部２４が行う、識別器と次元情報を生成する識別器生成処理を説明する。

ステップＳ６１において、識別器生成部２４は、弱仮説器h_t,d(x_i,d)が識別を誤る度合いを表すエラー値ε_t,dに、i番目の生成用画像の識別結果の誤りを影響させる重みD_t(i)の初期値D₁(1)，D₁(2)，・・・，D₁(N)を、例えば、式（１４）に従って設定し、処理は、ステップＳ６２に進む。

・・・（１４）

ステップＳ６２では、識別器生成部２４は、識別器H(x)を構成する弱仮説器h_t,d(x_i,d)の個数をカウントする変数tを、1に初期化して、処理は、ステップＳ６３に進む。

ステップＳ６３では、識別器生成部２４は、全体特徴量x_iの次元d=1,2,・・・,Mのそれぞれについて、重みD_i(t)を用いて求められるエラー値ε_t,dが最小となるように、弱仮説器h_t,d(x_i,d)（の閾値TH_t,d)を決定し、処理は、ステップＳ６４に進む。

ここで、ステップＳ６３では、識別器生成部２４は、例えば、式（１５）に従って計算されるエラー値ε_t,dが最小となるように、弱仮説器h_t,d(x_i,d)の閾値TH_t,dを決定する。

・・・（１５）

式（１５）において、［y_i≠h_t,d(x_i,d)］は、指示関数であり、式y_i≠h_t,d(x_i,d)が成り立つ場合は、1となり、成り立たない場合は、0となる。

したがって、式（１５）によれば、エラー値ε_t,dは、N枚の生成用画像のうちの、弱仮説器h_t,d(x_i,d)による識別結果が誤る生成用画像（式y_i≠h_t,d(x_i,d)が成り立つ生成用画像）の重みD_t(i)のみを加算することで求められる。

ステップＳ６４では、識別器生成部２４は、直前のステップＳ６３で、次元d=1,2,・・・,Mのそれぞれについて決定された弱仮説器h_t,d(x_i,d)を用いて、式（１５）に従って計算されるエラー値ε_t,1，ε_t,2，・・・，ε_t,Mの中の最小値ε_tを求める。さらに、識別器生成部２４は、エラー値ε_t,1ないしε_t,Mの中の最小値ε_tが得られる次元（最小エラー次元）d(t)（1ないしMの範囲の整数値）を求め、処理は、ステップＳ６４からステップＳ６５に進む。

ここで、最小エラー次元d(t)が、全体特徴量を構成する次元特徴量のうちの、識別器H(x)による識別に用いられる次元特徴量の次元であり、したがって、識別器H(x)による識別では、全体特徴量を構成する次元特徴量のうちの、最小エラー次元d(t)の次元特徴量が選択されて、識別に用いられる。

また、エラー値ε_t,1，ε_t,2，・・・，ε_t,Mの中の最小値ε_tを、最小エラー値ε_tということとすると、その最小エラー値ε_tが得られる弱仮説器h_t,d(t)(x_i,d(t))が、識別器H(x)を構成するt番目の弱仮説器となる。

ステップＳ６５では、識別器生成部２４は、直前のステップＳ６４で求めた最小エラー値ε_tを用い、識別器H(x)を構成するt番目の弱仮説器h_t,d(t)(x_i,d(t))による生成用画像の識別の信頼性を表す信頼度α_tを、式（１６）に従って求め、処理は、ステップＳ６６に進む。

・・・（１６）

ここで、式（１６）によれば、最小エラー値ε_tが大（、又は小）であるほど、値が小（、又は大）の信頼度α_tが求められる。

ステップＳ６６では、識別器生成部２４は、重みD_t(i)を、式（１７）に従い、重みD_t+1(i)に更新して、処理は、ステップＳ６７に進む。

・・・（１７）

ここで、式（１７）において、係数Z_tは、重みD_t+1(i)の正規化のための係数であり、式（１８）で表される。

・・・（１８）

式（１７）によれば、弱仮説器h_t,d(t)(x_i,d(t))による識別結果が正しいi枚目の生成用画像、つまり、識別結果が正解ラベルy_iに一致する生成用画像については、重みD_t(i)は、より小さい値の重みD_t+1(i)に更新される。その結果、次のステップＳ６３において、重みD_t(i)を用いて計算されるエラー値ε_t,dは、小さくなる。

一方、弱仮説器h_t,d(t)(x_i,d(t))による識別結果が誤りとなるi枚目の生成用画像、つまり、識別結果が正解ラベルy_iに一致しない生成用画像については、重みD_t(i)は、より大きい値の重みD_t+1(i)に更新される。その結果、次のステップＳ６３において、重みD_t(i)を用いて計算されるエラー値ε_t,dは、大きくなる。

ステップＳ６７では、識別器生成部２４は、変数tが、識別器H(x)を構成する弱仮説器h_t,d(x_i,d)の個数（以下、弱仮説器数ともいう）Tに等しいかどうかを判定する。

ステップＳ６７において、変数tが弱仮説器数Tに等しくないと判定された場合、処理は、ステップＳ６８に進み、識別器生成部２４は、変数tを１だけインクリメントする。そして、処理は、ステップＳ６８からステップＳ６３に戻り、以下、同様の処理が繰り返される。

また、ステップＳ６７において、変数tが弱仮説器数Tに等しいと判定された場合、すなわち、識別器H(x)を構成するT個の弱仮説器h_1,d(1)(x_i,d(1))，h_2,d(2)(x_i,d(2))，・・・，h_T,d(T)(x_i,d(T))と、T個の最小エラー次元d(1)，d(2)，・・・，d(T)とが生成された場合、処理は、ステップＳ６９に進み、識別器生成部２４は、T個の弱仮説器h_1,d(1)(x_i,d(1))，h_2,d(2)(x_i,d(2))，・・・，h_T,d(T)(x_i,d(T))と、T個の信頼度α₁，α₂，・・・，α_Tを、識別器H(x)（を規定するパラメータ）として出力する。

さらに、ステップＳ６９では、識別器生成部２４は、T個の最小エラー次元d(1)，d(2)，・・・，d(T)を、次元情報として出力し、識別器生成処理を終了する。

識別器生成部２４では、以上のような、ブースティングによる統計学習によって、全体特徴量を構成する次元特徴量の中で、識別対象を識別するのにより有効なT個の次元特徴量を表す次元（最小エラー次元）d(1)ないしd(T)と、その最小エラー次元d(t)の次元特徴量を用いて識別を行う識別器H(x)が求められる。

［学習装置の学習処理の説明］

図１５を参照して、図１の学習装置が行う処理（学習処理）を説明する。

学習装置において、特徴点抽出部１１には、モデル画像が供給され、特徴点抽出部２１には、生成用画像が供給される。さらに、識別器生成部２４には、正解ラベルが供給される。

そして、学習装置では、ステップＳ８１において、特徴点抽出部１１が、そこに供給されるモデル画像から、特徴点を抽出し、モデル画像とともに、特徴点特徴量抽出部１２に供給する。

さらに、ステップＳ８１では、特徴点抽出部２１が、そこに供給される生成用画像から、特徴点を抽出し、生成用画像とともに、特徴点特徴量抽出部２２に供給し、処理は、ステップＳ８２に進む。

ステップＳ８２では、特徴点特徴量抽出部１２が、特徴点抽出部１１から供給されるモデル画像から、特徴点抽出部１１から供給される特徴点の特徴点特徴量を抽出し（図９の特徴点特徴量抽出処理を行い）、特徴点特徴量記憶部１３に供給して記憶させる。

さらに、ステップＳ８２では、特徴点特徴量抽出部２２が、特徴点抽出部２１から供給される生成用画像から、特徴点抽出部２１から供給される特徴点の特徴点特徴量を抽出し、全体特徴量生成部２３に供給して、処理は、ステップＳ８３に進む。

ステップＳ８３では、全体特徴量生成部２３は、特徴点特徴量記憶部１３に記憶されたモデル画像の特徴点特徴量に基づき、特徴点特徴量抽出部２２からの生成用画像の特徴点特徴量から、その生成用画像全体の特徴を表す全体特徴量を求める（図１１又は図１２の全体特徴量生成処理を行う）。さらに、ステップＳ８３では、全体特徴量生成部２３は、生成用画像の全体特徴量を、識別器生成部２４に供給し、処理は、ステップＳ８４に進む。

ステップＳ８４では、識別器生成部２４は、全体特徴量生成部２３からの生成用画像の全体特徴量と、その生成用画像の正解ラベルとを用いたブースティングによる統計学習によって、識別器と、次元情報を生成して出力し（図１４の識別器生成処理を行い）、学習処理は終了する。

なお、異なる複数の識別対象を識別するための識別器、及び次元情報は、異なる識別対象ごとに、学習用画像（モデル画像と生成用画像）、及び、正解ラベルを用意して、図１５の学習処理を行うことによって生成される。

［識別装置の一実施の形態の構成例］

図１６は、本発明を適用した識別装置の一実施の形態の構成例を示すブロック図である。

図１６において、識別装置は、図１の学習装置で得られた識別器H(x)と、次元情報としての最小エラー次元d(1)ないしd(T)とを用いて、処理対象画像に写っている被写体が所定の識別対象であるか否かを識別する。

すなわち、識別装置は、特徴点特徴量記憶部６１、次元情報記憶部６２、識別器記憶部６３、特徴点抽出部７１、特徴点特徴量抽出部７２、次元特徴量生成部７３、及び、識別部７４から構成される。

特徴点特徴量記憶部６１は、図１の学習装置の特徴点特徴量抽出部１２で所定の識別対象について得られたモデル画像の特徴点特徴量（特徴点特徴量記憶部１３に記憶されているのと同一の特徴点特徴量）が記憶されている。

次元情報記憶部６２は、図１の学習装置の識別器生成部２４で所定の識別対象について得られた次元情報としての最小エラー次元d(1)ないしd(T)を記憶している。

識別器記憶部６３は、図１の学習装置の識別器生成部２４で所定の識別対象について得られた識別器H(x)としてのT個の弱仮説器h_1,d(1)(x_i,d(1))，h_2,d(2)(x_i,d(2))，・・・，h_T,d(T)(x_i,d(T))と、T個の信頼度α₁，α₂，・・・，α_Tとを記憶している。

特徴点抽出部７１には、画像に写っている被写体が所定の識別対象であるか否かを識別する対象の処理対象画像が供給される。特徴点抽出部７１は、そこに供給される処理対象画像から、図１の特徴点抽出部１１と同様にして、特徴点を抽出し、処理対象画像とともに、特徴点特徴量抽出部７２に供給する。

特徴点特徴量抽出部７２は、特徴点抽出部７１からの処理対象画像から、同じく特徴点抽出部７１からの特徴点の特徴点特徴量を抽出し、次元特徴量生成部７３に供給する。

次元特徴量生成部７３は、図１の学習装置の全体特徴量生成部２３と同様にして、特徴点特徴量記憶部６１に記憶されたモデル画像の特徴点特徴量に基づき、特徴点特徴量抽出部７２からの処理対象画像の特徴点特徴量から、その処理対象画像の全体特徴量を構成する次元特徴量を求める。

但し、次元特徴量生成部７３では、処理対象画像の全体特徴量を構成するM個（M次元）の次元特徴量すべてではなく、そのM個の次元特徴量のうちの、次元情報記憶部６２に記憶された次元情報としての最小エラー次元d(1)ないしd(T)の次元特徴量が、選択的に求められる。

なお、次元特徴量生成部７３では、最初から、処理対象画像の全体特徴量のうちの、次元情報としての最小エラー次元d(1)ないしd(T)の次元特徴量だけを求めてもよいし、処理対象画像の全体特徴量を求め、その全体特徴量の中から、最小エラー次元d(1)ないしd(T)の次元特徴量を抽出してもよい。

ここで、M個の次元特徴量から構成される、処理対象画像の全体特徴量としての、例えば、M個の次元特徴量をコンポーネントとするベクトルを、x'と表す。また、処理対象画像の全体特徴量x'のM個の次元特徴量のうちのm番目を、x'_mと表す。

この場合、処理対象画像の全体特徴量x'のM個の次元特徴量のうちの、最小エラー次元d(1)ないしd(T)の次元特徴量は、x'_d(1)，x'_d(2)，・・・，x'_d(T)と表される。

次元特徴量生成部７３は、処理対象画像の全体特徴量x'のM個の次元特徴量のうちの、最小エラー次元d(1)ないしd(T)のT個の次元特徴量x'_d(1)ないしx'_d(T)を選択し（選択的に求めて）、識別部７４に供給する。

識別部７４は、識別器記憶部６３に記憶された識別器H(x')に対して、次元特徴量生成部７３からの、処理対象画像の最小エラー次元d(1)ないしd(T)の次元特徴量x'_d(1)ないしx'_d(T)を、入力x'として与えることで、処理対象画像に写っている被写体が所定の識別対象であるか否かを識別し、その識別結果を出力する。

すなわち、識別部７４は、識別器記憶部６３に記憶された識別器H(x')としてのT個の弱仮説器h_1,d(1)(x'_d(1))，h_2,d(2)(x'_d(2))，・・・，h_T,d(T)(x'_d(T))と、T個の信頼度α₁，α₂，・・・，α_Tとを用いて、識別器H(x')としての式（１９）の関数H(x')を演算する。

・・・（１９）

ここで、式（１９）において、sign()は、かっこ（）内の符号が正の場合は、例えば、+1を、符号が負の場合は、例えば、-1を、それぞれ出力する関数である。したがって、式（１９）の関数H(x')の値は、+1又は-1となる。

式（１９）の関数H(x')の値が+1である場合、処理対象画像に写っている被写体が所定の識別対象であるという識別結果を表し、式（１９）の関数H(x')の値が-1である場合、処理対象画像に写っている被写体が所定の識別対象でないという識別結果を表す。

［識別装置の識別処理の説明］

図１７を参照して、図１６の識別装置が行う処理（識別処理）を説明する。

識別装置では、処理対象画像が、特徴点抽出部７１に供給される。

特徴点抽出部７１は、ステップＳ９１において、特徴点抽出部７１は、そこに供給される処理対象画像から、特徴点を抽出し、処理対象画像とともに、特徴点特徴量抽出部７２に供給して、処理は、ステップＳ９２に進む。

ステップＳ９２では、特徴点特徴量抽出部７２は、特徴点抽出部７１から供給される処理対象画像から、特徴点抽出部７１から供給される特徴点の特徴点特徴量を抽出し、次元特徴量生成部７３に供給して、処理は、ステップＳ９３に進む。

ステップＳ９３では、次元特徴量生成部７３が、特徴点特徴量記憶部６１に記憶されたモデル画像の特徴点特徴量に基づき、特徴点特徴量抽出部７２からの処理対象画像の特徴点特徴量から、その処理対象画像の全体特徴量を構成する次元特徴量のうちの、次元情報記憶部６２に記憶された次元情報としての最小エラー次元d(1)ないしd(T)の次元特徴量x'_d(1)ないしx'_d(T)を求める。

そして、次元特徴量生成部７３は、最小エラー次元d(1)ないしd(T)の次元特徴量x'_d(1)ないしx'_d(T)を、識別部７４に供給して、処理は、ステップＳ９３からステップＳ９４に進む。

ステップＳ９４では、識別部７４は、識別器記憶部６３に記憶された、式（１９）で表される識別器H(x')に対して、次元特徴量生成部７３からの、処理対象画像の最小エラー次元d(1)ないしd(T)の次元特徴量x'_d(1)ないしx'_d(T)を、入力x'として与えることで、処理対象画像に写っている被写体が所定の識別対象であるか否かを識別し、その識別結果を出力して、識別処理は終了する。

図１６の識別装置の特徴点特徴量抽出部７２において、図1の特徴点特徴量抽出部１２と同様にして求められる特徴点特徴量は、図８等で説明したように、識別性、及び不変性の高い特徴点特徴量であり、識別装置において、そのような特徴点特徴量から生成される次元特徴量を用いて、処理対象画像の識別を行うことにより、識別性、及び不変性の高い識別を行うことができる。

［本発明を適用したコンピュータの説明］

次に、上述した一連の処理は、ハードウェアにより行うこともできるし、ソフトウェアにより行うこともできる。一連の処理をソフトウェアによって行う場合には、そのソフトウェアを構成するプログラムが、汎用のコンピュータ等にインストールされる。

そこで、図１８は、上述した一連の処理を実行するプログラムがインストールされるコンピュータの一実施の形態の構成例を示している。

プログラムは、コンピュータに内蔵されている記録媒体としてのハードディスク１０５やROM１０３に予め記録しておくことができる。

あるいはまた、プログラムは、リムーバブル記録媒体１１１に格納（記録）しておくことができる。このようなリムーバブル記録媒体１１１は、いわゆるパッケージソフトウエアとして提供することができる。ここで、リムーバブル記録媒体１１１としては、例えば、フレキシブルディスク、CD-ROM(Compact Disc Read Only Memory)，MO(Magneto Optical)ディスク，DVD(Digital Versatile Disc)、磁気ディスク、半導体メモリ等がある。

なお、プログラムは、上述したようなリムーバブル記録媒体１１１からコンピュータにインストールする他、通信網や放送網を介して、コンピュータにダウンロードし、内蔵するハードディスク１０５にインストールすることができる。すなわち、プログラムは、例えば、ダウンロードサイトから、ディジタル衛星放送用の人工衛星を介して、コンピュータに無線で転送したり、LAN(Local Area Network)、インターネットといったネットワークを介して、コンピュータに有線で転送することができる。

コンピュータは、CPU(Central Processing Unit)１０２を内蔵しており、CPU１０２には、バス１０１を介して、入出力インタフェース１１０が接続されている。

CPU１０２は、入出力インタフェース１１０を介して、ユーザによって、入力部１０７が操作等されることにより指令が入力されると、それに従って、ROM(Read Only Memory)１０３に格納されているプログラムを実行する。あるいは、CPU１０２は、ハードディスク１０５に格納されたプログラムを、RAM(Random Access Memory)１０４にロードして実行する。

これにより、CPU１０２は、上述したフローチャートにしたがった処理、あるいは上述したブロック図の構成により行われる処理を行う。そして、CPU１０２は、その処理結果を、必要に応じて、例えば、入出力インタフェース１１０を介して、出力部１０６から出力、あるいは、通信部１０８から送信、さらには、ハードディスク１０５に記録等させる。

なお、入力部１０７は、キーボードや、マウス、マイク等で構成される。また、出力部１０６は、LCD(Liquid Crystal Display)やスピーカ等で構成される。

ここで、本明細書において、コンピュータがプログラムに従って行う処理は、必ずしもフローチャートとして記載された順序に沿って時系列に行われる必要はない。すなわち、コンピュータがプログラムに従って行う処理は、並列的あるいは個別に実行される処理（例えば、並列処理あるいはオブジェクトによる処理）も含む。

また、プログラムは、１のコンピュータ（プロセッサ）により処理されるものであっても良いし、複数のコンピュータによって分散処理されるものであっても良い。さらに、プログラムは、遠方のコンピュータに転送されて実行されるものであっても良い。

なお、本発明の実施の形態は、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。

１１ 特徴点抽出部， １２ 特徴点特徴量抽出部， １３ 特徴点特徴量記憶部， ２１ 特徴点抽出部， ２２ 特徴点特徴量抽出部， ２３ 全体特徴量生成部， ２４ 識別器生成部， ４１ フィルタ部， ４２ 特徴点特徴量算出部， ６１ 特徴点特徴量記憶部， ６２ 次元情報記憶部， ６３ 識別器記憶部， ７１ 特徴点抽出部， ７２ 特徴点特徴量抽出部， ７３ 次元特徴量生成部， ７４ 識別部， １０１ バス， １０２ CPU， １０３ ROM， １０４ RAM， １０５ ハードディスク， １０６ 出力部， １０７ 入力部， １０８ 通信部， １０９ ドライブ， １１０ 入出力インタフェース， １１１ リムーバブル記録媒体

Claims (11)

1. 画像に写っている被写体が所定の識別対象であるか否かを識別する識別器を生成する学習に用いられる複数の生成用画像であって、かつ、前記識別対象が写っているポジティブ画像と、前記識別対象が写っていないネガティブ画像とを含む生成用画像において、特徴的な点である特徴点を抽出する特徴点抽出手段と、
   前記生成用画像の前記特徴点の特徴を表す特徴点特徴量を抽出する特徴点特徴量抽出手段と、
   前記生成用画像の特徴点特徴量から、その生成用画像全体の特徴を表す全体特徴量であって、かつ、複数の次元のベクトルで表される全体特徴量を求める全体特徴量生成手段と、
   前記生成用画像の全体特徴量と、その生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表す正解ラベルとを用い、前記識別器を生成する識別器生成手段と
   を備え、
   前記特徴点特徴量抽出手段は、
   複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数それぞれで、前記生成用画像をフィルタリングし、そのフィルタリングにより得られる複数の応答画像を出力するフィルタ手段と、
   同一のスケールσのガウス関数の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られる前記応答画像について、前記特徴点を中心とする、固定半径の円形の領域である特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、
   前記複数の小領域のそれぞれについて、前記小領域の画素値の平均値を、前記小領域の画素値の統計量として求め、
   同一のスケールσのガウス関数の、複数の角度θ方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる前記応答画像から求められる、前記小領域の画素値の平均値をコンポーネントとするベクトルを、前記特徴点の１種類の特徴量として、前記複数のスケールσと前記複数の微分回数cとの組み合わせの数だけの種類の特徴量を、前記特徴点の特徴点特徴量として求める
   特徴点特徴量算出手段と
   を有し、
   前記識別器生成手段は、前記全体特徴量である前記複数の次元のベクトルのコンポーネントである複数の次元特徴量のうちの、前記ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする前記次元特徴量を用いて識別を行う前記識別器と、前記エラー値を小さくする前記次元特徴量の次元を表す次元情報とを生成する
   学習装置。
2. 前記ポジティブ画像であるモデル画像から、前記特徴点を抽出する他の特徴点抽出手段と、
   前記モデル画像の前記特徴点の特徴点特徴量を抽出する他の特徴点特徴量抽出手段と
   をさらに備え、
   前記全体特徴量生成手段は、
   前記モデル画像の特徴点特徴量の値である特徴点特徴量値を階級とする、前記生成用画像の特徴点特徴量値のヒストグラム、
   又は、前記モデル画像の特徴点特徴量値に対する、前記生成用画像の特徴点特徴量値の相関値
   を、前記全体特徴量として求める
   請求項１に記載の学習装置。
3. 前記識別器は、複数の弱仮説器から構成され、
   前記識別器生成手段は、
   前記生成用画像の前記全体特徴量を入力として、前記生成用画像が、前記ポジティブ画像、又はネガティブ画像である旨の識別結果を出力する前記弱仮説器を、前記エラー値を小さくするように決定し、
   前記全体特徴量を構成する前記複数の次元特徴量のうちの、前記弱仮説器の前記エラー値の最小値が得られる前記次元特徴量の次元である最小エラー次元を求め、
   前記弱仮説器による前記生成用画像の識別結果が、前記生成用画像の前記正解ラベルと一致するか否かによって、前記生成用画像の識別結果の誤りを前記エラー値に影響させる重みを、前記生成用画像ごとに求める
   ことを、所定の回数だけ繰り返すことで、その所定の回数に等しい所定の数の弱仮説器から構成される前記識別器と、前記所定の数の、前記最小エラー次元を表す前記次元情報とを生成し、
   前記エラー値は、前記複数の生成用画像のうちの、識別結果が誤る前記生成用画像の前記重みを加算することで求められる
   請求項１に記載の学習装置。
4. 前記特徴点抽出手段は、コーナ点を、前記特徴点として抽出する
   請求項１に記載の学習装置。
5. 画像に写っている被写体が所定の識別対象であるか否かを識別する識別器を生成する学習に用いられる複数の生成用画像であって、かつ、前記識別対象が写っているポジティブ画像と、前記識別対象が写っていないネガティブ画像とを含む生成用画像において、特徴的な点である特徴点を抽出し、
   前記生成用画像の前記特徴点の特徴を表す特徴点特徴量を抽出することを、
   複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数それぞれで、前記生成用画像をフィルタリングし、そのフィルタリングにより得られる複数の応答画像を出力し、
   同一のスケールσのガウス関数の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られる前記応答画像について、前記特徴点を中心とする、固定半径の円形の領域である特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、
   前記複数の小領域のそれぞれについて、前記小領域の画素値の平均値を、前記小領域の画素値の統計量として求め、
   同一のスケールσのガウス関数の、複数の角度θ方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる前記応答画像から求められる、前記小領域の画素値の平均値をコンポーネントとするベクトルを、前記特徴点の１種類の特徴量として、前記複数のスケールσと前記複数の微分回数cとの組み合わせの数だけの種類の特徴量を、前記特徴点の特徴点特徴量として求める
   ことにより行い、
   前記生成用画像の特徴点特徴量から、その生成用画像全体の特徴を表す全体特徴量であって、かつ、複数の次元のベクトルで表される全体特徴量を求め、
   前記生成用画像の全体特徴量と、その生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表す正解ラベルとを用い、前記識別器を生成することを、
   前記全体特徴量である前記複数の次元のベクトルのコンポーネントである複数の次元特徴量のうちの、前記ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする前記次元特徴量を用いて識別を行う前記識別器と、前記エラー値を小さくする前記次元特徴量の次元を表す次元情報とを生成する
   ことにより行う
   ステップを含む学習方法。
6. 画像に写っている被写体が所定の識別対象であるか否かを識別する識別器を生成する学習に用いられる複数の生成用画像であって、かつ、前記識別対象が写っているポジティブ画像と、前記識別対象が写っていないネガティブ画像とを含む生成用画像において、特徴的な点である特徴点を抽出する特徴点抽出手段と、
   前記生成用画像の前記特徴点の特徴を表す特徴点特徴量を抽出する特徴点特徴量抽出手段と、
   前記生成用画像の特徴点特徴量から、その生成用画像全体の特徴を表す全体特徴量であって、かつ、複数の次元のベクトルで表される全体特徴量を求める全体特徴量生成手段と、
   前記生成用画像の全体特徴量と、その生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表す正解ラベルとを用い、前記識別器を生成する識別器生成手段と
   して、コンピュータを機能させるためのプログラムであり、
   前記特徴点特徴量抽出手段は、
   複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数それぞれで、前記生成用画像をフィルタリングし、そのフィルタリングにより得られる複数の応答画像を出力するフィルタ手段と、
   同一のスケールσのガウス関数の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られる前記応答画像について、前記特徴点を中心とする、固定半径の円形の領域である特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、
   前記複数の小領域のそれぞれについて、前記小領域の画素値の平均値を、前記小領域の画素値の統計量として求め、
   同一のスケールσのガウス関数の、複数の角度θ方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる前記応答画像から求められる、前記小領域の画素値の平均値をコンポーネントとするベクトルを、前記特徴点の１種類の特徴量として、前記複数のスケールσと前記複数の微分回数cとの組み合わせの数だけの種類の特徴量を、前記特徴点の特徴点特徴量として求める
   特徴点特徴量算出手段と
   を有し、
   前記識別器生成手段は、前記全体特徴量である前記複数の次元のベクトルのコンポーネントである複数の次元特徴量のうちの、前記ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする前記次元特徴量を用いて識別を行う前記識別器と、前記エラー値を小さくする前記次元特徴量の次元を表す次元情報とを生成する
   プログラム。
7. 画像に写っている被写体が所定の識別対象であるか否かを識別する対象の処理対象画像において、特徴的な点である特徴点を抽出する特徴点抽出手段と、
   前記処理対象画像の前記特徴点の特徴を表す特徴点特徴量を抽出する特徴点特徴量抽出手段と、
   前記処理対象画像の特徴点特徴量から、その処理対象画像全体の特徴を表す全体特徴量であって、かつ、複数の次元のベクトルで表される全体特徴量としての前記ベクトルのコンポーネントである複数の次元特徴量のうちの、次元情報が表す次元の次元特徴量を生成する次元特徴量生成手段と、
   画像に写っている被写体が所定の識別対象であるか否かを識別する識別器に対して、前記次元特徴量を入力として与えることで、前記処理対象画像に写っている被写体が所定の識別対象であるか否かを識別する識別手段と
   を備え、
   前記特徴点特徴量抽出手段は、
   複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数それぞれで、前記処理対象画像をフィルタリングし、そのフィルタリングにより得られる複数の応答画像を出力するフィルタ手段と、
   同一のスケールσのガウス関数の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られる前記応答画像について、前記特徴点を中心とする、固定半径の円形の領域である特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、
   前記複数の小領域のそれぞれについて、前記小領域の画素値の平均値を、前記小領域の画素値の統計量として求め、
   同一のスケールσのガウス関数の、複数の角度θ方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる前記応答画像から求められる、前記小領域の画素値の平均値をコンポーネントとするベクトルを、前記特徴点の１種類の特徴量として、前記複数のスケールσと前記複数の微分回数cとの組み合わせの数だけの種類の特徴量を、前記特徴点の特徴点特徴量として求める
   特徴点特徴量算出手段と
   を有し、
   前記識別器、及び、次元情報は、
   前記識別器を生成する学習に用いられる複数の生成用画像であって、かつ、前記識別対象が写っているポジティブ画像と、前記識別対象が写っていないネガティブ画像とを含む生成用画像において、特徴点を抽出し、
   前記生成用画像の前記特徴点の特徴点特徴量を抽出することを、
   前記生成用画像を、前記複数のフィルタでフィルタリングすることにより得られる複数の応答画像それぞれについて、前記特徴点を中心とする特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、
   前記複数の小領域のそれぞれについて、前記小領域の画素値の統計量を求め、
   前記特徴点について、前記生成用画像の複数の応答画像それぞれから得られる、前記複数の小領域それぞれの前記統計量を、前記特徴点の特徴点特徴量とする
   ことにより行い、
   前記生成用画像の特徴点特徴量から、その生成用画像の全体特徴量を求め、
   前記生成用画像の全体特徴量と、その生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表す正解ラベルとを用い、前記識別器を生成することを、
   前記全体特徴量である複数の次元のベクトルのコンポーネントである複数の次元特徴量のうちの、前記ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする前記次元特徴量を用いて識別を行う前記識別器と、前記エラー値を小さくする前記次元特徴量の次元を表す次元情報とを生成する
   ことにより行う
   ことで得られたものである
   識別装置。
8. 前記処理対象画像の全体特徴量は、
   前記ポジティブ画像であるモデル画像の特徴点特徴量の値である特徴点特徴量値を階級とする、前記処理対象画像の特徴点特徴量値のヒストグラム、
   又は、前記モデル画像の特徴点特徴量値に対する、前記処理対象画像の特徴点特徴量値の相関値
   である
   請求項７に記載の識別装置。
9. 前記特徴点抽出手段は、コーナ点を、前記特徴点として抽出する
   請求項７に記載の識別装置。
10. 画像に写っている被写体が所定の識別対象であるか否かを識別する対象の処理対象画像において、特徴的な点である特徴点を抽出する特徴点抽出ステップと、
    前記処理対象画像の前記特徴点の特徴を表す特徴点特徴量を抽出する特徴点特徴量抽出ステップと、
    前記処理対象画像の特徴点特徴量から、その処理対象画像全体の特徴を表す全体特徴量であって、かつ、複数の次元のベクトルで表される全体特徴量としての前記ベクトルのコンポーネントである複数の次元特徴量のうちの、次元情報が表す次元の次元特徴量を生成する次元特徴量生成ステップと、
    画像に写っている被写体が所定の識別対象であるか否かを識別する識別器に対して、前記次元特徴量を入力として与えることで、前記処理対象画像に写っている被写体が所定の識別対象であるか否かを識別する識別ステップと
    を含み、
    前記特徴点特徴量抽出ステップでは、
    複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数それぞれで、前記処理対象画像をフィルタリングし、そのフィルタリングにより得られる複数の応答画像を出力し、
    同一のスケールσのガウス関数の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られる前記応答画像について、前記特徴点を中心とする、固定半径の円形の領域である特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、
    前記複数の小領域のそれぞれについて、前記小領域の画素値の平均値を、前記小領域の画素値の統計量として求め、
    同一のスケールσのガウス関数の、複数の角度θ方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる前記応答画像から求められる、前記小領域の画素値の平均値をコンポーネントとするベクトルを、前記特徴点の１種類の特徴量として、前記複数のスケールσと前記複数の微分回数cとの組み合わせの数だけの種類の特徴量を、前記特徴点の特徴点特徴量として求め、
    前記識別器、及び、次元情報は、
    前記識別器を生成する学習に用いられる複数の生成用画像であって、かつ、前記識別対象が写っているポジティブ画像と、前記識別対象が写っていないネガティブ画像とを含む生成用画像において、特徴点を抽出し、
    前記生成用画像の前記特徴点の特徴点特徴量を抽出することを、
    前記生成用画像を、前記複数のフィルタでフィルタリングすることにより得られる複数の応答画像それぞれについて、前記特徴点を中心とする特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、
    前記複数の小領域のそれぞれについて、前記小領域の画素値の統計量を求め、
    前記特徴点について、前記生成用画像の複数の応答画像それぞれから得られる、前記複数の小領域それぞれの前記統計量を、前記特徴点の特徴点特徴量とする
    ことにより行い、
    前記生成用画像の特徴点特徴量から、その生成用画像の全体特徴量を求め、
    前記生成用画像の全体特徴量と、その生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表す正解ラベルとを用い、前記識別器を生成することを、
    前記全体特徴量である複数の次元のベクトルのコンポーネントである複数の次元特徴量のうちの、前記ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする前記次元特徴量を用いて識別を行う前記識別器と、前記エラー値を小さくする前記次元特徴量の次元を表す次元情報とを生成する
    ことにより行う
    ことで得られたものである
    識別方法。
11. 画像に写っている被写体が所定の識別対象であるか否かを識別する対象の処理対象画像において、特徴的な点である特徴点を抽出する特徴点抽出手段と、
    前記処理対象画像の前記特徴点の特徴を表す特徴点特徴量を抽出する特徴点特徴量抽出手段と、
    前記処理対象画像の特徴点特徴量から、その処理対象画像全体の特徴を表す全体特徴量であって、かつ、複数の次元のベクトルで表される全体特徴量としての前記ベクトルのコンポーネントである複数の次元特徴量のうちの、次元情報が表す次元の次元特徴量を生成する次元特徴量生成手段と、
    画像に写っている被写体が所定の識別対象であるか否かを識別する識別器に対して、前記次元特徴量を入力として与えることで、前記処理対象画像に写っている被写体が所定の識別対象であるか否かを識別する識別手段と
    して、コンピュータを機能させるためのプログラムであり、
    前記特徴点特徴量抽出手段は、
    複数のスケールσのガウス関数の、複数の角度θ方向の、複数の微分回数cの導関数それぞれで、前記処理対象画像をフィルタリングし、そのフィルタリングにより得られる複数の応答画像を出力するフィルタ手段と、
    同一のスケールσのガウス関数の、同一の角度θ方向の、同一の微分回数cの導関数でのフィルタリングにより得られる前記応答画像について、前記特徴点を中心とする、固定半径の円形の領域である特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、
    前記複数の小領域のそれぞれについて、前記小領域の画素値の平均値を、前記小領域の画素値の統計量として求め、
    同一のスケールσのガウス関数の、複数の角度θ方向の、同一の微分回数cの導関数それぞれでのフィルタリングにより得られる前記応答画像から求められる、前記小領域の画素値の平均値をコンポーネントとするベクトルを、前記特徴点の１種類の特徴量として、前記複数のスケールσと前記複数の微分回数cとの組み合わせの数だけの種類の特徴量を、前記特徴点の特徴点特徴量として求める
    特徴点特徴量算出手段と
    を有し、
    前記識別器、及び、次元情報は、
    前記識別器を生成する学習に用いられる複数の生成用画像であって、かつ、前記識別対象が写っているポジティブ画像と、前記識別対象が写っていないネガティブ画像とを含む生成用画像において、特徴点を抽出し、
    前記生成用画像の前記特徴点の特徴点特徴量を抽出することを、
    前記生成用画像を、前記複数のフィルタでフィルタリングすることにより得られる複数の応答画像それぞれについて、前記特徴点を中心とする特徴点領域を、前記特徴点を基準に、角度方向と距離方向に区切ることで、前記特徴点領域を、複数の小領域に分割し、
    前記複数の小領域のそれぞれについて、前記小領域の画素値の統計量を求め、
    前記特徴点について、前記生成用画像の複数の応答画像それぞれから得られる、前記複数の小領域それぞれの前記統計量を、前記特徴点の特徴点特徴量とする
    ことにより行い、
    前記生成用画像の特徴点特徴量から、その生成用画像の全体特徴量を求め、
    前記生成用画像の全体特徴量と、その生成用画像が、ポジティブ画像、又はネガティブ画像のうちのいずれであるかを表す正解ラベルとを用い、前記識別器を生成することを、
    前記全体特徴量である複数の次元のベクトルのコンポーネントである複数の次元特徴量のうちの、前記ポジティブ画像、及びネガティブ画像の識別を誤る度合いを表すエラー値を小さくする前記次元特徴量を用いて識別を行う前記識別器と、前記エラー値を小さくする前記次元特徴量の次元を表す次元情報とを生成する
    ことにより行う
    ことで得られたものである
    プログラム。

Images