JP4818997B2 - 顔検出装置及び顔検出プログラム - Google Patents

Description

本発明は、画像から顔領域を検出する技術に関する。

近年、顔検出処理の自動化が進み、顔検出器を搭載したデジタルカメラが増えてきている。デジタルカメラに顔検出器を搭載することにより、被写体となる人物の顔に対してピント、露出値を自動的に最適化する自動焦点制御・自動露出制御が可能になり、人物の顔を綺麗に撮影することができる。

顔検出器としては、複数の識別器をカスケード接続するViolaらが提案する顔検出器（非特許文献１）の他、ニューラルネットワークを用いた顔検出器（特許文献１）などが用いられている。
P. Viola and M. Jones. "Rapid Object Detection Using a Boosted Cascade of Simple Features," in Proc. of CVPR, vol.1, ppp.511-518, December, 2001 特開2006-301779公報 特開2003-323615公報

デジタルカメラなどの製品には学習済みの顔検出器が製品に搭載される。しかしながら、顔検出器の学習は標準的な顔の画像を用いて所望の検出精度が得られるように行われるため、あらゆる人物の顔について高い検出精度が得られるわけではない。したがって、ユーザーによっては、家族や知人といった被写体となる頻度の高い人物の顔が検出されにくいといった場合も生じうる。

この点に関して特許文献２では、被写体となる頻度が高い人物の特徴をユーザーに入力させることで、当該人物の顔の顔検出精度を向上させている。しかしながら、このような操作をユーザーに求める手法では手間がかかる。

本発明は、このような従来技術の技術的課題を鑑みてなされたもので、ユーザーに負担をかけずに、被写体となる頻度の高い人物の顔の検出精度を向上させることを目的とする。

本発明に係る顔検出装置は、画像から顔領域を検出する第１の顔検出器と、前記画像と同一ないし略同一の画像から顔領域を検出し、前記第１の顔検出器とは異なる検出精度を有する第２の顔検出器と、前記第２の顔検出器では顔領域として検出されたが前記第１の顔検出器では顔領域として検出されなかった領域を未検出領域として抽出する未検出領域抽出手段と、前記未検出領域に基づき、前記未検出領域が顔領域として検出されるように前記第１の顔検出器の学習を行う学習手段と、顔画像を複数格納する学習用画像データベースと、前記未検出領域の画像を前記学習用画像データベースに追加する画像追加手段と、を備える。そして、前記学習手段は、前記未検出領域の画像が追加された前記学習用画像データベースを用いて前記第１の顔検出器の学習を行う。

本発明によれば、第１の顔検出器によって検出することができなかった顔領域（未検出領域）に基づき第１の顔検出器の学習が行われるので、顔検出の対象となる頻度が高く、かつ、第１の顔検出器によって検出しにくい顔がある場合に、第１の顔検出器による当該顔の検出精度を高めることができる。

以下、添付図面を参照しながら本発明の実施形態について説明する。

図１は、本発明に係る顔検出装置が搭載されたデジタルカメラの概略構成図である。

光学系１はレンズ、絞りで構成され、撮像部２はCCDやCMOSなどの電荷撮像素子で構成される。光学系１を介して撮像部２で撮影された画像は、A/Dコンバータ３でリアルタイムにデジタル信号に変換され、制御部４に送られる。

制御部４は、マイクロプロセッサを中心として構成され、一時メモリ４１、速度重視顔検出器（第１の顔検出器）４２、精度重視顔検出器（第２の顔検出器）４３を備える。また、制御部４は、撮像部２で撮影された画像をスルー画像として一時メモリ４１に逐次記録するとともに、スルー画像をカメラの背面に設けられた液晶モニタ５に表示する。カメラの上面及び背面にはボタン、ダイヤル等からなる操作部９が設けられており、ユーザーは液晶モニタ５に表示されるメニュー画面、撮影された画像のサムネイル画像等を見ながら各種操作を行うことができる。

制御部４に接続される学習用画像データベース６には、複数の画像がそれぞれ顔画像、非顔画像のいずれかであることを示す教師信号と対応付けられた状態で格納されており、学習用画像データベース６は速度重視顔検出器４２の学習を行う際に用いられる。速度重視顔検出器４２の学習方法については後述する。

制御部４は、レリーズボタン７が押されるまでは、速度重視顔検出器４２をスルー画像に対して適用し、スルー画像から顔領域を検出する。そして、制御部４は、検出された顔領域の位置（中心位置）、大きさに基づき、検出された顔領域に対してピント、露出値が最適になるように、自動焦点（ＡＦ）・自動露出（ＡＥ）制御部１０に信号を送り、レンズの位置、絞りを調節する。

本撮影はユーザーがレリーズボタン７を押すことで行われる。制御部４は、本撮影によって撮影された画像を本撮影画像としてフラッシュメモリ８に記録する。

制御部４は、本撮影画像に対して精度重視顔検出器４３を適用し、本撮影画像から顔領域を検出する。そして、制御部４は、速度重視顔検出器４２の顔検出結果と精度重視顔検出器４３の顔検出結果とを比較し、精度重視顔検出器４３で顔領域として検出されたが速度重視顔検出器４２では顔領域として検出されなかった領域を未検出領域として抽出し、抽出された未検出領域の画像を顔画像であることを示す教師信号の値１と対応づけて学習用画像データベース６に追加する。

制御部４は、学習用画像データベース６に追加された画像の数が所定数に達したところで、追加された未検出領域の画像が顔領域として検出されるよう、速度重視顔検出器４２の学習を行う。

速度重視顔検出器４２と精度重視顔検出器４３についてさらに説明すると、２つの顔検出器はいずれもViolaらが提案する方法を用いた顔検出器であり、Adaboostアルゴリズムによって生成される複数の識別器H_k(k=1〜S）を、図２に示すようにカスケード接続した構造を有している。

画像のある領域が顔領域か否かを判断するには、まず、１段目の識別器H₁でその領域が顔領域か否か判定する。顔領域でないと判定した場合は処理を終了し、顔領域と判定した場合は２段目の識別器H₂に進む。そして、２段目以降の識別器H_kでも顔領域か否かの判定を行い、顔領域でないと判定した場合は処理を終了し、顔領域と判定した場合のみ次の段へと進む。

したがって、顔検出器４２、４３は、最終段の識別器H_Sまで顔領域であるとの判定が続いた場合のみその領域が顔領域であると判定するので、高い検出精度が得られる。その一方で、途中の段で顔領域でないと判定した場合は直ちに処理が終了するので、高い処理速度が得られる。

識別器H_kは、それぞれ複数の弱識別器を線形結合することによって構成される。弱識別器は図３に示すような黒矩形と白矩形からなる矩形フィルターと閾値θの組である。弱識別器は、矩形フィルターを顔検出の対象となる領域に重ね合わせ、黒矩形に対応する領域内の輝度値の和と白矩形に対応する領域内の輝度値の和との差が閾値θよりも大きいか判断し、閾値θよりも大きいときは顔であることを示す１、小さいときは非顔であることを示す０を出力する。

顔検出の対象となる領域が識別器H_kに入力されると、識別器H_kは、弱識別器の出力にその弱識別器の信頼度αを掛けた値の総和を算出し、その総和から所定の閾値Th_Tを減じた値を確信度Conv(k)として算出する。確信度Conv(k)は、その領域に顔が含まれていることの確かさを表す値である。そして、識別器H_kは、確信度Conv(k)が正の場合は当該領域が顔領域と判定して＋１を出力し、負の場合は非顔領域であると判定して−１の値を出力する。

図４は識別器H_kを生成する処理の内容を示したフローチャートである。識別器H_kを構成する弱識別器の選出はAdaboostアルゴリズムにより行われ、識別器H_kが学習用画像データベース６に格納されている画像に対して所望の精度で顔、非顔の判断ができるようになるまで繰り返される。添え字tは識別器H_kの更新回数（弱識別器を識別器H_kに追加した回数）であり、初期値は１である。

これによると、まず、ステップＳ１では、次式（１）により、学習用画像データベース６に格納されている各画像の重みを初期値W₁(i)に設定する。iは各画像に割り当てられる通し番号であり、Nは学習用画像データベース６に格納されている画像の総数である。

ステップＳ２では、様々な弱識別器を全画像に対して適用し、次式（２）により誤り率ε_tを算出する。

ステップＳ３では、誤り率ε_tが最小になる弱識別器を、識別器H_kを構成する弱識別器h_tとして選出する。そして、選出された弱識別器h_tを識別器H_kに追加し、識別器H_kを更新する。

ステップＳ４では、選出された弱識別器h_tの誤り率ε_tに基づき、次式（３）により選出された弱識別器h_tの信頼度α_tを算出する。

ステップＳ５では、選出された弱識別器h_tの信頼度α_tに基づき、弱識別器h_tが判定を誤った画像の重みW_t(i)を次式（４）により増加させ、逆に、判定が正しかった画像の重みW_t(i)を次式（５）によって減少させる。さらに、更新後の重みW_t(i)をそれらの総和で割って重みW_t(i)を正規化する。

ステップＳ６では、次式（６）により、弱識別器h_tを全画像に適用し、その結果に対応する信頼度α_tを掛けた値の総和を求め、その総和から閾値Th_Tを引いた値を確信度Conv(k)として算出する。xは画像の輝度情報である。確信度Conv(k)は、０から１の間に正規化されるように、シグモイド関数を施してもよく、最大値で割ってもよい。

ステップＳ７では、全画像について確信度Conv(k)の符号の正負に応じて顔検出対象となる領域が顔領域か否かを判断する。そして、顔領域、非顔領域の判断が正しく行われた画像の数を学習用画像データベースに格納されている画像の総数Nで割って、検出精度を算出する。

ステップＳ８では、所望の検出精度が得られているか判断する。所望の検出精度が得られている場合はステップＳ９に進む。

ステップＳ９では、次式（７）により識別器H_kを構成する。

識別器H_kは、画像のある領域の輝度情報が入力されると式（６）により確信度Conv(k)を算出し、確信度Conv(k)の符号が正の場合は当該領域が顔領域と判定して＋１を出力し、負の場合は非顔領域と判定して−１を出力する。

なお、通常、カスケード処理では前段の情報を持ち越さない場合が多いが、識別器H_kにおいて１段目からk段目の確信度Conv(k)の総和を次式（８）により算出し、Convsumの符号によって顔領域、非顔領域を判断するようにしてもよい。このように確信度Conv(k)の総和をとり、以前の段で算出した確信度も反映させたほうが、経験上、高い検出精度を得ることができることがわかっている。

一方、ステップＳ８で所望の検出精度が得られていないと判断された場合は、更新回数ｔに１が加算され、ステップＳ２に戻って新たな弱識別器の選出及び選出した弱識別器の識別器H_kへの追加が行われる。弱識別器の追加は所望の検出精度が得られるまで繰り返し行われる。

速度重視顔検出器４２と精度重視顔検出器４３は、いずれも上記手順を経て構成されるが、両検出器４２、４３の違いは、例えば、弱識別器の閾値θを変えることによって得られる。

例えば、閾値θを図５に示すように低めの値θ_Aに設定すると、顔を含む領域をほぼ正しく顔領域と判定するが、顔を含まない領域を顔領域と誤判定してしまう率が高い弱識別器が得られる。精度重視顔検出器４３を構成する識別器はこのような弱識別器を多数組み合わせることで構成され、顔領域、非顔領域を高い精度で認識する。ただし、識別器を構成する弱識別器の数が多い分、処理は遅くなる。

一方、閾値θを高めのθ_Bに設定すれば、顔を含む領域を正しく顔領域と判定する率、顔を含まない領域を非顔領域と判定する率ともにある程度高い弱識別器となる。したがって、このような弱識別器を少ない個数組み合わせれば、未検出と過検出がやや多めではあるが処理の速い識別器が得られ、速度重視顔検出器４２はこのような識別器を組み合わせて構成される。

なお、精度重視顔検出器４３は、例えば、公知のガボールフィルターとグラフマッチング処理を組み合わせた方法とViolaらが提案する方法の２つを併用する等、異なる方法を組み合わせたものであってもよい。

続いて撮影時のデジタルカメラの撮影時の処理内容について説明する。

図６は制御部４の処理内容を示したフローチャートである。この処理は、デジタルカメラが撮影モードにあるときに、制御部４において繰り返し実行される。

これによると、ステップＳ１１では、撮像部２でスルー画像を撮影し、液晶モニタ５に撮影したスルー画像を表示する。

ステップＳ１２では、一時メモリ４１に格納されているスルー画像を消去し、新たに撮影されたスルー画像を一時メモリ４１に保存する。

ステップＳ１３では、一時メモリ４１に保存されているスルー画像に対して速度重視顔検出器４２を適用し、スルー画像から顔領域を検出する。顔領域が検出された場合は、液晶モニタ５に当該領域を囲む矩形の枠を表示し、ユーザーに顔領域が検出されたことを示す。

ステップＳ１４では、検出された顔領域の位置、大きさ情報に基づき、ＡＦ・ＡＥ制御部１０を介してレンズ位置、絞りを調節し、検出された顔領域についてピント、露出値を最適化する。

ステップＳ１５ではレリーズボタン７が押されたか判断する。レリーズボタン７が押された場合はステップＳ１６に進む。そうでない場合はステップＳ１１に戻り、スルー画像の撮影及びスルー画像からの顔領域の検出を繰り返す。

ステップＳ１６では本撮影を行う。このとき、速度重視顔検出器４２で検出された顔領域について既にピント、露出値が既に最適化されているので、本撮影では被写体となっている人物の顔が綺麗に撮影される。

ステップＳ１７では撮影された画像を本撮影画像としてフラッシュメモリ８に保存する。本撮影画像は直前に撮影されたスルー画像と略同一の画像である。

ステップＳ１８ではフラッシュメモリ８に保存されている本撮影画像に対して精度重視顔検出器４３を適用し、本撮影画像から顔領域を検出する。

ステップＳ１９では、２つの検出器４２、４３の検出結果を比較し、精度重視顔検出器４３で顔領域として検出されたが速度重視顔検出器４２では顔領域として検出されなかった領域を未検出領域として抽出する。図７はそのときの様子を示したものである。この例では、被写体となっている３人の顔のうち、画面右下の人物の顔を囲む矩形領域が未検出領域として抽出される。

ステップＳ２０では、抽出された未検出領域の画像が、顔画像であることを示す教師信号の値１と対応付けられ、学習用画像データベース６に格納される。

なお、未検出領域の画像を無条件に学習用画像データベース６に顔画像として格納するようにすると、精度重視顔検出器４３が顔を含まない領域を顔領域であると誤判定した場合に非顔画像が顔画像として学習用画像データベース６に格納されてしまい、その後の速度重視顔検出器４２の学習結果に悪影響を及ぼす。

そこで、ステップＳ２０では、抽出された未検出領域が、精度重視顔検出器４３で顔と判定されたときの確信度が所定値以上か否かを判断し、所定値以上である場合に抽出された未検出領域の画像を学習用画像データベース６に格納するようにしてもよい。

あるいは、抽出された未検出領域の画像を液晶モニタ５に表示し、ユーザーが当該画像に顔が含まれていることを確認した上で、ユーザーが操作部９を操作し、抽出された未検出領域の画像を顔画像として学習用画像データベース６に追加するようにしてもよい。このとき、未検出領域に顔が含まれていない場合は、当該画像を非顔画像であることを示す教師信号の値０と対応付け、非顔画像として学習用画像データベース６に追加するようにしてもよい。

ステップＳ２１では、追加された画像の個数が所定数に達したか判断し、所定数に達している場合は速度重視顔検出器４２の学習を行う。追加された画像の個数が所定数に達した場合に学習を行うのは、学習による演算負荷を考慮したものである。

速度重視顔検出器４２の学習は、未検出領域の画像が追加された学習用画像データベース６を用い、図４に示した処理を再度実行して速度重視顔検出器４２を作り直すことで行われる。学習は未検出領域が顔領域として検出されるように行われるので、作り直された速度重視顔検出器４２では、それまで顔領域として検出されなかった未検出領域の画像が顔領域として検出されるようになる。

ステップＳ２２では撮影を終了するか判断し、撮影を終了する場合は処理を終了し、終了しない場合はステップＳ１１に戻る。

以上の構成によれば、速度重視顔検出器４２で未検出領域が発生すると、当該未検出領域が顔領域として検出されるよう速度重視顔検出器４２の学習が行われる。学習は実際に撮影された人物の顔に基づき行われるので、学習が進むにつれ、被写体となる頻度の高い人物の顔の検出精度が向上する。また、速度重視顔検出器４２の学習はユーザーが意識しないうちに行われ、ユーザーへの負担も少ない。

なお、上記実施形態では、スルー画像に対して速度重視顔検出器４２、本撮影画像に対して精度重視顔検出器４３を適用しているが、同一ないし略同一の画像に対して顔検出器４２、４３を適用する構成であればよく、例えば、同一の本撮影画像に対して顔検出器４２、４３を適用しても同様の学習が可能である。

学習により検出精度の向上が期待できる対象は特定の人物の顔に限らない。例えば、犬、猫等のペットの写真をよく撮影する場合でも、ペットの顔を精度重視顔検出器４３で検出することができれば、撮影されたペットの顔の画像が顔画像として学習用画像データベース６に追加され、速度重視顔検出器４２の学習が行われるので、速度重視顔検出器４２によるペットの顔の検出精度を向上させることも可能である。

また、ここでは速度重視顔検出器４２を構成する識別器H_kを作り直すことで学習しているが、学習の方法はこれに限らない。例えば、非顔と判定された領域が正しく顔領域として検出されるように、誤った検出を行った弱識別器の閾値θや信頼度αの値を変更するようにしてもよい。この方法によれば、速度重視顔検出器４２を作り直す学習方法にくらべ、演算負荷を下げることができる。

あるいは、識別器H_kを作り直す場合であっても、顔を含むにも関わらず非顔領域と判定された領域の画像に対する重みについては、他の画像に対する重みとは異なる制限を加える等の改変が可能である。例えば、非顔領域と判定されてしまった顔画像の重みについては、学習の途中で正しい判定を行った場合であっても、一定値よりも小さくならないような制限を加えたり、更新時には、常に、一定値より大きくなるような制限を加えたりする。こうすることで、この画像に対して正しい判定が行えるよう学習が進むことが期待される。

また、学習処理は制御部４の負担が大きいので、デジタルカメラの充電中等に学習させるようにしても良い。デジタルカメラの充電中等のユーザーが撮影を行わない時期に学習を行わせることで、学習による演算負荷が撮影動作に影響を及ぼすのを防止することができる。なお、学習のための演算は、制御部４ではなくデジタルカメラの充電器やクレードル側に設けられたプロセッサで行うようにしてもかまわない。

また、顔検出器をViolaらが提案する方法によらず他の方法によって構成してもかまわない。顔検出器は、例えば、ニューラルネットワークにより構成してもよく、この場合、学習は、顔を含むにも関わらず非顔画像と判定されてしまった画像を顔検出器に与え、正しく顔であるという判定値の＋１が出力されるように、中間層等の重みパラメータを更新すればよい。

また、図８に示すように、デジタルカメラ外部のネットワークに接続するための無線LAN、Bluetooth等の通信装置からなる通信部１１を設け、インターネット等のネットワークを通じて外部のサーバーから最新の学習結果を取り込み、最新の学習結果に基づき精度重視顔検出器４３を更新するようにしてもよい。

精度重視顔検出器４３の検出精度が向上すれば、速度重視顔検出器４２で検出できなかった顔領域を精度重視顔検出器４３で検出できる可能性が高くなり、速度重視顔検出器４２の学習がさらに進むので、結果として、被写体となる頻度の高い人物の顔の速度重視顔検出器４２による検出精度をさらに上げることができる。

さらに、速度重視顔検出器４２の未検出領域を、ネットワークを通じてサービスセンターに伝送するように構成し、サービスセンターのオペレータが顔領域、非顔領域の判定を行うようにしても良い。判定結果はネットワークを通じて教師信号としてデジタルカメラの制御部４に戻され、未検出領域の画像と対応付けられた状態で学習用画像データベース６に追加される。

この方法によれば、ユーザーの操作負担を増やすことなく、顔を含まない領域の画像が顔画像であるとして学習用画像データベース６に追加されるのを防止し、速度重視顔検出器４２の学習に悪影響を及ぼすのを防止できる。

また、速度重視顔検出器４２の学習が進みすぎると、普段撮影しない人物の顔の検出精度が下がるため、撮影シーンによっては顔検出が正しく行われない可能性がある。これを回避するには図９に示すように、２つの速度重視顔検出器４２、４４を用意しておき、一方の速度重視顔検出器４２に対してのみ学習を行い、他方の速度重視顔検出器（第３の顔検出器）４３に対しては学習を行わないようにする。そして、ユーザーが撮影シーンに応じて学習後の速度重視顔検出器４２、未学習の速度重視顔検出器４４のいずれかを操作部９を操作することで選択できるようにする。

この構成によれば、未学習の速度重視顔検出器４４を選択するようにすれば、未学習の速度重視顔検出器４４を用いてスルー画像から顔検出が行われるので、普段撮影しない人物を撮影する場合であっても所定レベル以上の検出精度が得られる。

また、学習用画像データベース６に格納されている画像をメンテナンスする機能をデジタルカメラに持たせるようにしてもよい。例えば、液晶モニタ５に学習用画像データベース６に格納されている画像を教師信号とともにサムネイル表示し、顔を含まない画像の教師信号の値が顔画像を示す１になっている場合は、ユーザーが操作部９を操作することで、当該画像の教師信号の値を０に書き換える（その逆も可）、あるいは、当該画像を学習用画像データベース６から削除できるようにしてもよい。これにより、被写体となる頻度の高い人物の顔の検出精度をさらに上げることが可能である。

以上、本発明の実施形態について説明したが、上記実施形態は本発明の適用例の一つを示したに過ぎず、本発明の技術的範囲を上記実施形態の具体的構成に限定する趣旨ではない。

本発明に係る顔検出装置を備えたデジタルカメラの概略構成図である。 顔検出器を説明するための図である。 弱識別器を構成する矩形フィルターの例である。 識別器を生成する処理の内容を示したフローチャートである。 閾値の大小と認識されるサンプル数の関係を示した図である。 撮影時の制御部の処理内容を示したフローチャートである。 ２つの顔検出器による顔検出結果のイメージである。 本発明の一部変更例である。 同じく本発明の一部変更例である。

符号の説明

４ 制御部
６ 学習用画像データベース
４２ 速度重視顔検出器（第１の顔検出器）
４３ 精度重視顔検出器（第２の顔検出器）
４４ 速度重視顔検出器（第３の顔検出器）

Claims (7)

1. 画像から顔領域を検出する第１の顔検出器と、
   前記画像と同一ないし略同一の画像から顔領域を検出し、前記第１の顔検出器とは異なる検出精度を有する第２の顔検出器と、
   前記第２の顔検出器では顔領域として検出されたが前記第１の顔検出器では顔領域として検出されなかった領域を未検出領域として抽出する未検出領域抽出手段と、
   前記未検出領域に基づき、前記未検出領域が顔領域として検出されるように前記第１の顔検出器の学習を行う学習手段と、
   顔画像を複数格納する学習用画像データベースと、
   前記未検出領域の画像を前記学習用画像データベースに追加する画像追加手段と、
   を備え、
   前記学習手段は、前記未検出領域の画像が追加された前記学習用画像データベースを用いて前記第１の顔検出器の学習を行う、
   ことを特徴とする顔検出装置。
2. 前記未検出領域に顔が含まれることの確からしさを示す確信度を算出する確信度算出手段を備え、
   前記画像追加手段は、前記確信度が所定値よりも大きい場合に前記未検出領域の画像を前記学習用画像データベースに追加する、
   ことを特徴とする請求項１に記載の顔検出装置。
3. 前記未検出領域に顔が含まれるか否かを確認する確認手段を備え、
   前記画像追加手段は、前記未検出領域に顔が含まれることが確認された場合に前記未検出領域の画像を前記学習用画像データベースに追加する、
   ことを特徴とする請求項１に記載の顔検出装置。
4. 前記顔検出装置はデジタルカメラに搭載され、
   前記第１の顔検出器は前記デジタルカメラのスルー画像から顔領域を検出し、
   前記第２の顔検出器は前記デジタルカメラの本撮影画像から顔領域を検出する、
   ことを特徴とする請求項１から３のいずれか一つに記載の顔検出装置。
5. 前記顔検出装置はデジタルカメラに搭載され、
   前記第１の顔検出器の処理時間は前記第２の顔検出器の処理時間よりも短く、
   前記第１の顔検出機器は前記デジタルカメラのスルー画像から顔領域を検出する、
   ことを特徴とする請求項１から４のいずれか一つに記載の顔検出装置。
6. 画像から顔領域を検出する第３の顔検出器と、
   前記第１の顔検出器、前記第３の顔検出器のいずれを用いて顔検出を行うかを選択する選択手段と、
   を備えたことを特徴とする請求項１から５のいずれか一つに記載の顔検出装置。
7. 画像から顔領域を検出する第１の顔検出処理と、
   前記画像と同一ないし略同一の画像から顔領域を検出し、前記第１の顔検出処理とは異なる検出精度を有する第２の顔検出処理と、
   前記第２の顔検出器では顔領域として検出されたが前記第１の顔検出器では顔領域として検出されなかった領域を未検出領域として抽出する未検出領域抽出処理と、
   前記未検出領域に基づき、前記未検出領域が顔領域として検出されるように前記第１の顔検出器の学習を行う学習処理と、
   を含むことを特徴とする顔検出プログラム。

Images