JP4863121B2 - 画像特徴抽出装置および画像特徴抽出方法 - Google Patents

Description

本発明は、画像データから対象物の認識等に利用可能な新規な特徴データを抽出する画像特徴抽出装置および画像特徴抽出方法に関するものである。

画像に対する特徴抽出手法としては、画像ピクセル値の高次局所自己相関を用いた高次局所自己相関特徴手法の有効性が確かめられている。下記の特許文献１には、静止画像に対して高次局所自己相関特徴を抽出し、多変量解析手法を使用して対象の個数の推定を行う技術が開示されている。
特許第２８３４１５３号公報

例えば車載カメラによって撮影した画像から人や車両を検出、認識しようとした場合には、画像全体が常に移動しているために、固定カメラのようにフレーム間差分を取ることにより変化しない背景と移動物体とを分離することができない。従って各フレームの画像そのものから人や車両の有無を検出する必要がある。または、より一般の認識問題としては、個人認証のための顔認識などが挙げられ、ここでは人の顔画像を識別することにより個人を特定する必要がある。

前記した従来の高次局所自己相関特徴は積分特徴であるために、対象の位置ずれに強いという特長（位置不変性）をもっている。しかし、画像が２値の場合には有効に働く特徴抽出方法であるが、画像が多値のピクセル値を持つ場合には、そのピクセル値の単純な積和という形式から対象の画像情報が欠落してしまい、認識精度が低いという問題点があった。

本発明の目的は、上記したような従来例の問題点を解決し、画像データから対象物の認識等に広く利用可能な新規な特徴データを抽出することができる画像特徴抽出装置および画像特徴抽出方法を提供する点にある。

本発明の画像特徴抽出装置は、エッジ情報を用いた曲率に基づく新規な特徴データを抽出する。まず、画像の各画素において輝度の傾斜方向（基準方向からの角度：θ）・傾斜量（Ｎ）あるいは傾斜角度を算出し、これらの情報を用いてエッジベクトルを求める。次に、画像内の局所領域に限定した自己相関を考え、位置の自己相関に対応する画素組に対してさらにエッジベクトルの角度の相関を求める。ここでは、空間的な相関（画素組の相対的位置関係）とエッジベクトルの相関（角度の相関）という二つの相関を組み合わせて求めている。特徴量はこれらの相関値の領域全体での積分値となる。

本発明の画像特徴抽出装置は、画像データの各画素の輝度値から少なくとも輝度の傾斜方向を表すエッジベクトルを算出するエッジベクトル算出手段と、各エッジベクトルについて局所自己相関値を算出する局所自己相関手段と、各エッジベクトルについて算出された前記局所自己相関値を足し合わせる加算手段とを備えたことを主要な特徴とする。

また、前記した画像特徴抽出装置において、前記局所自己相関手段は、平行移動で重複しない、注目画素位置およびその近傍の画素位置を示す複数のマスクパターンを使用し、各マスクパターンで表される画素の組についてエッジベクトルの角度の相関を求める点にも特徴がある。

また、前記した画像特徴抽出装置において、前記エッジベクトルは、輝度の傾斜方向を示す角度情報がそれぞれ異なる角度を表す複数の量子化要素により量子化ベクトルとして表現され、前記エッジベクトルの角度の相関は、量子化ベクトルの量子化要素の各組み合わせに対してその量子化要素の値を掛け合わせることにより相関値を得るものである点にも特徴がある。また、前記した画像特徴抽出装置において、前記加算手段は前記エッジベクトルのノルム（傾斜量）により重みを付けて相関値を加算する点にも特徴がある。

また、前記した画像特徴抽出装置において、前記エッジベクトルは輝度の傾斜方向を示す角度情報に加えて傾斜量あるいは傾斜角度に対応する情報を含む３次元ベクトルとして表現され、さらに、それぞれ異なる角度を表す複数の量子化要素により３次元量子化ベクトルとして表現される点にも特徴がある。また、前記した画像特徴抽出装置において、輝度の傾斜量から逆正接関数を用いて前記３次元ベクトルのＸＹ平面からの角度を算出して、前記３次元量子化ベクトルを求める点にも特徴がある。

また、前記した画像特徴抽出装置において、前記３次元ベクトルのＸＹ平面からの角度の分布がサンプル集合で均一になるような係数を傾斜量にかけて前記逆正接関数を調節する点にも特徴がある。また、前記した画像特徴抽出装置において、前記エッジベクトル算出手段は注目画素を含む局所領域に所定の係数を有するフィルタをかけて傾斜方向の情報を抽出する点にも特徴がある。

本発明の画像特徴抽出方法は、画像データの各画素の輝度値から少なくとも輝度の傾斜方向を表すエッジベクトルを算出するステップ、各エッジベクトルについて局所自己相関値を算出するステップ、各エッジベクトルについて算出された局所自己相関値を足し合わせるステップを含むことを主要な特徴とする。

本発明によれば、以下のような効果がある。
（１）輝度の傾斜方向と位置の相関情報を求めており、これは対象の輪郭曲線の曲率情報を抽出していることになり、対象認識に必要な画像情報が効果的に抽出され、識別能力が高くなる。更に、輝度の傾斜角度を考慮した場合には、対象の輝度値からなる曲面の曲率を求めていることになり、識別能力はさらに高まる。
（２）対象物の切り出しを行わず（位置不変性）に複数の対象物を同時に認識可能（加法性）であるので、対象物がどこに何個あるかを予め認識する必要が無い。

（３）全体の特徴次元としては大きくなるが、各ピクセルにおいて計算する特徴要素数は非常に少ないため、特徴抽出のための計算量が少ない。また、計算量は対象物の個数に依らず一定である。従って、高速（実時間）処理が可能である。

以下の実施例においては、静止画用カメラで撮影した画像データをオフラインで処理する例について説明するが、本発明の特徴抽出、認識処理は、例えばビデオカメラで撮影した動画像の各フレームに対してリアルタイムに実行することも可能である。

図１は、本発明による画像特徴抽出装置の構成を示すブロック図である。カメラ１０は対象となる画像を撮影し、ケーブルあるいはメモリカード等を介して画像ファイルをコンピュータ１１に転送する。カメラ１０はモノクロでもよいしカラーカメラであってもよい。コンピュータ１１は例えば動画像を取り込むための汎用インターフェイス回路あるいはメモリカードリーダを備えた周知のパソコン（ＰＣ）であってもよい。本発明は、パソコンなどの周知の任意のコンピュータ１１に後述する処理を実行するプログラムを作成、インストールして起動することにより実現される。

モニタ装置１２はコンピュータ１１の周知の出力装置であり認識結果、例えば対象の検出個数をオペレータに表示するために使用される。キーボード１３およびマウス１４は、オペレータが入力に使用する周知の入力装置である。なお、実施例においては、例えばカメラ１０から入力された画像データを実時間で処理してもよいし、一旦保存してから読み出して処理してもよい。また、カメラ１０は任意の通信網を介してコンピュータ１１と接続されていてもよい。

図２は、本発明の画像特徴抽出装置における処理の内容を示すフローチャートである。Ｓ１０においては、カメラ１０あるいはハードディスク装置から画像データを読み込む。Ｓ１１においては、画像データから後述する方法でエッジベクトル場を算出する。エッジベクトルは輝度の傾斜方向および傾斜量（傾斜角度）を表すデータからなるベクトルであり、後述するように２次元データによって表現したエッジベクトルの実施例と、３次元データによって表現したエッジベクトルの実施例を開示する。

Ｓ１２においては、後述する方法でエッジベクトル場の局所自己相関値を算出する。画像内の局所領域に限定した自己相関を考え、位置の自己相関に対応する画素組に対して、更にエッジベクトルの角度の相関を求める。ここでは、空間的な相関（画素組の相対的位置関係）とエッジベクトルの相関（角度の相関）という二つの相関を組み合わせている。この相関値は輝度変化の曲率に相当するデータを含んでいる。

Ｓ１３においては、局所自己相関値を画像全体で足し合わせて特徴データを得る。即ち、エッジベクトル場から、局所的な自己相関のヒストグラムを算出する。Ｓ１４においては、抽出された特徴データに基づき、認識対象や目的に従って公知の重回帰分析や因子分析等の多変量解析手法を利用して画像認識処理を行う。

まず、エッジベクトルが２次元データで表現される実施例について説明する。図３は、本発明のエッジベクトル算出処理（Ｓ１１、２次元の場合）の内容を示すフローチャートである。画像データ（画素の輝度値）をＩ（ｘ,ｙ）として表現すると、輝度の傾斜方向θ、傾斜量Ｎは次の数式１のように求められる。arctanは逆正接関数である。

２次元エッジベクトルは数式２のように定義され、図６のように表される。

傾斜方向θはベクトルの向き、傾斜量Ｎはベクトルのノルムにそれぞれ対応している。
Ｓ２０においては、画像データから未処理の画素（注目画素）を１つ選択する。Ｓ２１においては、注目画素を中心とする（含む）局所領域の画素値に対してエッジオペレータを乗算して加算し、Ｘ方向およびＹ方向の傾斜データを得る。この傾斜データは輝度のＸあるいはＹ方向偏微分値に相当する。

図５は、エッジオペレータの例を示す説明図である。エッジオペレータは輝度の傾斜を求めるためのフィルタである。図５（ａ）に示すソベル（Sobel）フィルタはＸ方向およびＹ方向の輝度傾斜算出用にそれぞれ図示するような３×３画素分の係数を備えている。注目画素におけるＸ方向の輝度傾斜値は、Ｘ方向用フィルタの中央を注目画素に合わせ、注目画素を中心とする３×３の画素のそれぞれに対応する（同じ位置の）フィルタ係数を乗算して乗算結果を加算することにより得られる。

例えば注目画素周辺において輝度変化がなければフィルタ演算の出力は０であるが、図５において右に行くほど輝度が大きくなっていれば、フィルタ演算出力は正の値となり、右に行くほど輝度が小さくなっていれば負の値となる。算出値の大きさは輝度の傾斜が大きいほど大きくなる。Ｙ方向についても同様に演算する。

図５（ｂ）に示すロバーツ（Roberts）フィルタについては、求める傾斜方向が４５°およびー４５°である点、係数が２×２個であり、例えば左上の係数を注目画素に合わせる点が異なるが、ソベルフィルタと同様に傾斜を算出可能である。

Ｓ２２においては、輝度の傾斜方向θおよび傾斜量Ｎを求める。これらは数式１に示したように、Ｓ２１において求めたＸ方向傾斜データｘおよびＹ方向傾斜データｙから、θ＝arctan（ｙ／ｘ）、Ｎ＝√（ｘ2＋ｙ2）として求められる。arctanは逆正接関数である。
求めた傾斜方向θおよび傾斜量Ｎは画素対応に保存する。ただし、ここでのarctanはｘ、ｙの符号によりθ＝-π〜πの値をとる関数とする。つまり、傾斜方向（角度）は３６０度の向きをもつものとする。

Ｓ２３においては、全画素について処理が完了したか否かが判定され、判定結果が否定の場合にはＳ２０に移行するが、肯定の場合には処理を終了して次のステップに移行する。

次に、エッジベクトルが３次元データで表現される実施例について説明する。図７は、画像データを３次元で表現した場合の輝度曲面における法線ベクトルとエッジベクトルとの関係を示す説明図である。
３次元エッジベクトルは、水平方向の角度θ、垂直方向距離ｋＮ、水平方向距離１の点を向いた長さ１のベクトルであり、ΦはＸＹ平面とエッジベクトルとの成す角度を表している。

一般に、画像データをＸ方向およびＹ方向に偏微分すると輝度値曲面(x,y,I(x,y))に対する法線ベクトルｎは以下の数式３のようになる。

輝度の最大傾斜方向（θ）は前記した数式１のように、法線ベクトルnのＸ方向およびＹ方向成分値から求められる。更に輝度の傾斜量Ｎは前記した数式１のように表せる。しかしここでは、輝度値I（ｘ,ｙ）をｋによりスケーリングし、I’（ｘ,ｙ）=ｋ* I（ｘ,ｙ）としている。ｋによるスケーリングの意義については後述する。これにより図７に示されている法線ベクトルｎ’、スケーリングされた傾斜量Ｎ’は以下の数式４のようになる。

これにより、傾斜角度Φは数式５のように定義される。つまり、画像データのＸ方向およびＹ方向の偏微分値を基にθおよびφによって規定される（３次元の）エッジベクトルを求めることができる。

図４は、本発明のエッジベクトル算出処理（Ｓ１１、３次元）の内容を示すフローチャートである。Ｓ２０〜Ｓ２２の処理は前述した２次元の処理（図３）と同一である。
Ｓ２４においては、傾斜量Ｎに係数ｋをかける。係数ｋは、３次元エッジベクトルのＸＹ平面からの角度φの分布を一様にするように輝度値のスケールを調整する係数であり、サンプル画像データ等を使用して後述する方法により予め求めておく。Ｓ２５においては、ｋＮから角度Φを求める。求めたエッジベクトルの角度Φは画素対応に保存する。

角度Φの分布を一様にするように係数ｋで輝度値をスケーリングする理由は以下の通りである。数式１に示されるように傾斜量Ｎの大きさは画素の輝度値Iの表現（例えば桁数）に依存しており、また輝度表現は任意のスケーリングに設定可能である。従って、例えば傾斜量Ｎの平均値が大きすぎると、Φは大きな値の領域に集中してしまうし、逆に傾斜量Ｎの平均値が小さすぎると、Φは小さな値の領域に集中してしまう。

そうすると、傾斜量Ｎの違いに基づく画像特徴がΦによってうまく表現されずに特徴情報が欠落してしまい、そのままでは識別精度が向上しない可能性がある。そこで、Φの分布が一様になるような係数ｋを乗算することにより、得られる特徴データが画像の特徴をより高精度に表現したものとなる。

発明者は、角度Φを以下のように求める方法を発明した。角度Φは傾斜量Ｎの関数であるが、傾斜量Ｎの情報を欠落せずに引き継ぐために、前述の通りΦの分布はなるべく偏らずに一様である方が望ましい。ここで、確率分布関数で写像すると、変換後の分布は一様分布になるという逆関数法が知られている。従って、Φ＝Ｐ（Ｎ）（Ｐ（Ｎ）はＮの確率分布関数）とすれば、Φは一様分布となる。

Φは上に示した数式５で定義され、発明者はＰ（Ｎ）をここでの逆正接関数（arctan）で近似することにより、Φが一様分布に近くなり、特徴抽出精度が向上することを発見した。

係数ｋは、ＸＹ平面からの角度φの分布を一様にするための係数であり、逆正接関数arctan(ｋＮ)が分布関数Ｐ（Ｎ）を最もよく近似するように設定される。ここではサンプル画像データ等を使用して以下に示す方法により予めｋを求めておく。まず、例えば複数枚の学習用画像データから前述したように、それぞれの画素に対応する傾斜量Ｎを求め、ヒストグラムを生成して確率分布関数Ｐ（Ｎ）を得る。係数ｋ（およびｌ）は、分布関数Ｐ（Ｎ）に基づき、以下に示す数式６のように求める。

即ち、損失関数Ｌを数式６のように定義し、この損失関数Ｌを最小化するｋ（およびｌ）を求める。損失関数Ｌをｋで偏微分した偏導関数Ｌk＝０は陽には解けない。そこで、公知の山下り法（最急降下法）を用いて数式６に示すような更新式による演算を繰り返してｋを求める。αは正の小さな値の学習係数である。ｋ、ｌの初期値はそれぞれｋ＝１、ｌ＝２／πとする。この時、ｌは数式６に示すように陽に求められる。損失関数Ｌの値が変化しなくなったら処理を終了し、この時のｋを出力する。

図４に戻って、Ｓ２６においては、全画素について処理が完了したか否かが判定され、判定結果が否定の場合にはＳ２０に移行するが、肯定の場合には処理を終了して次のステップに移行する。

図１０は、局所自己相関値算出処理（S12）の内容を示すフローチャートである。Ｓ３０においては、全てのエッジベクトルの角度を量子化角度ベクトルに変換する。

図８は、２次元エッジベクトルの場合の量子化の例を示す説明図である。２次元エッジベクトルの場合には、例えば図８に示すように、平面上の８方向に均等角度に配置された基準ベクトルＡ〜Ｈを使用してエッジベクトルの角度θを量子化する。図８（ａ）に示した表現は、エッジベクトルｆ(x,y)の角度θに最も近い基準ベクトルに対応する要素のみを１（図８ではＢ）、他を０とする最近傍量子化例である。図８（ｂ）に示した表現は、エッジベクトルｆ(x,y)の角度θを挟む両側の基準ベクトルと対応する要素値をθと基準ベクトルとの角度差（ｔおよび１−ｔ）に比例した値とした線形補間表現例である。

図９は、３次元エッジベクトルの場合の量子化の例を示す説明図である。３次元エッジベクトルの場合には、半球面上にほぼ均一に分布する複数の基準ベクトルを使用してエッジベクトルの角度θおよびΦを量子化する。図９の例では、例えば、半球面上にほぼ均一に分布する１７方向の基準ベクトルＡ〜Ｑを使用してエッジベクトルの角度θおよびΦを量子化する。

基準ベクトルＡ〜Ｈは半球の底面近傍において、底面と平行な平面と半球が交わる円を等角に８等分した点を指すベクトル、基準ベクトルＱは半球の頂点を指すベクトル、基準ベクトルＩ〜Ｐは、半球上でＡ〜ＨとＱを結ぶそれぞれの円弧の中点を指すベクトルとしてもよい。

図９（ａ）に示した表現は、ベクトルｆ(x,y)の角度θ、Φに最も近い基準ベクトルと対応する要素のみを１（図８ではＫ）、他を０とする最近傍量子化例である。図９（ｂ）に示した表現は、ベクトルｆ(x,y)の角度θ、Φを囲む４個の基準ベクトルと対応する要素値をθと基準ベクトルとの角度差（ｔおよび１−ｔ）、Φと基準ベクトルとの角度差（ｕおよび１−ｕ）に比例した値とした線形補間表現例である。なお、要素ベクトルの個数や配置は任意に変更可能である。

Ｓ３１においては、未処理のマスクパターンを選択する。図１１は、マスクパターンを示す説明図である。自己相関を取るためのマスクパターンは、注目画素のみの０次の相関を表すマスクパターンが１個、注目画素と周囲の１つの画素からなる１次の相関を表すマスクパターンが４個の計５個ある。なお、１次のマスクパターンは全部で８種類考えられる。しかし、例えば中央の注目画素と左側の画素の組み合わせは、注目画素を１つ左に移動させると図１１下段左端のパターンと同一の組み合わせとなる。従って注目画素を任意の方向に移動させることによって重複するマスクパターンは１つを残して重複排除する。また、ここでは１次の相関までを考えているが、２次以上（３点関係以上）の相関も全く同様に定義することが可能である。

Ｓ３２においては、未処理の画素を選択する。Ｓ３３においては、相関値として、マスクパターンに基づき、量子化角度ベクトルのベクトル要素間の全ての組み合わせに対する積を求める。即ち、例えば２つのｎ次元量子化角度ベクトルをa=[a_1 ... a_n], b=[b_1 ... b_n]とすると、相関値の要素は、Ｃ(i,j)=a_i×b_jとなり、ｎ×ｎ通りの組み合わせがある。

エッジベクトルが２次元の場合、０次のマスクパターンの場合には相関値は量子化ベクトルそのものである。実施例においては、図８に示すように量子化ベクトルの次元は８であるので、０次の相関の次元は８となる。また、１次のマスクパターンの場合には８×８＝６４次元となる。

エッジベクトルが３次元の場合、０次のマスクパターンの場合には相関値は量子化ベクトルそのものである。実施例においては、図９に示すように量子化ベクトルの次元は１７であるので、０次の相関の次元は１７となる。また、１次のマスクパターンの場合には１７×１７＝２８９次元となる。式で表すと、以下の数式７となる。なお、ｆは量子化エッジベクトル、Ｗは相関値（ベクトル）である。また、演算子「××」は、上記したように、それぞれの量子化エッジベクトルの任意の要素間の積を要素とする相関値ベクトルを生成する演算子である。

Ｓ３４においては、算出した相関値を画素対応に保存する。Ｓ３５においては、全画素について処理が完了したか否かが判定され、判定結果が否定の場合にはＳ３２に移行するが、肯定の場合にはＳ３６に移行する。Ｓ３６においては、全マスクパターンについて処理が完了したか否かが判定され、判定結果が否定の場合にはＳ３１に移行するが、肯定の場合には処理を終了する。

全てのマスクパターンについて処理が完了した場合、エッジベクトルが２次元の場合には全ての相関値を合わせた特徴データの次元は、８＋８×８×４＝２６４次元となる。またエッジベクトルが３次元の場合には全ての相関値を合わせた特徴データの次元は、１７＋１７×１７×４＝１１７３次元となる。

図１２は、相関値積算処理（S13）の内容Ａを示すフローチャートである。Ｓ４０においては、全ての相関値を２６４次元（２次元エッジベクトルの場合）あるいは１１７３次元（３次元エッジベクトルの場合）の各要素毎に重み１で足し合わせる。式で示すと以下に示す数式８となる。

図１３は、相関値積算処理（S13）の内容Ｂを示すフローチャートである。Ｓ４１においては、全ての相関値を２６４次元の各要素毎に２次元エッジベクトルのノルム（傾斜量）Ｎにより重み付けして足し合わせる。重み付けの方法は、例えばマスクパターンにより相関をとった２つの画素対応のノルムの最小値を重みとして乗算する方式でもよい。式で示すと以下に示す数式９となる。また、ノルムの最大値を乗算する方式、２つのノルムの積を乗算する方式、上記したいずれかの重みの対数を取って乗算する方式等が考えられる。

以上のような処理によって、多次元の特徴データが得られる。なお、実施例としては、エッジベクトルの表現として２次元あるいは３次元のいずれかを採用可能であり、２次元の場合にはＳ４０とＳ４１のいずれかの処理を選択可能であるが、３次元の場合には、すでに傾斜量Ｎの情報が角度Φに反映されているので、Ｓ４１を選択する必要は無い。

以上、実施例について説明したが、本発明には以下のような変形例も考えられる。実施例においては、画像（対象物）の回転については考慮していないが、抽出した高次元の特徴データの内、画像を回転したときに重複するデータを全て加算することにより、回転不変（対象がどの方向を向いていても同じ特徴データが得られる）の特徴データが得られる。

本発明による画像特徴抽出装置の構成を示すブロック図である。 本発明の画像特徴抽出装置における処理の内容を示すフローチャートである。 本発明のエッジベクトル算出処理（２次元）の内容を示すフローチャートである。 本発明のエッジベクトル算出処理（３次元）の内容を示すフローチャートである。 エッジオペレータの例を示す説明図である。 エッジベクトルに関する説明図である。 ３次元空間におけるΦの意味を説明した説明図である。 ２次元エッジベクトルの場合の量子化の例を示す説明図である。 ３次元エッジベクトルの場合の量子化の例を示す説明図である。 局所自己相関値算出処理の内容を示すフローチャートである。 マスクパターンを示す説明図である。 相関値積算処理（S13）の内容Ａを示すフローチャートである。 相関値積算処理（S13）の内容Ｂを示すフローチャートである。

符号の説明

１０…カメラ
１１…コンピュータ
１２…モニタ装置
１３…キーボード
１４…マウス

Claims (7)

1. 画像データの各画素の輝度値から、輝度の傾斜方向を示す角度情報がそれぞれ異なる角度を表す複数の量子化要素により表現される量子化ベクトルであるエッジベクトルを算出するエッジベクトル算出手段と、
   平行移動で重複しない、注目画素位置およびその近傍の画素位置を示す複数のマスクパターンを使用し、各マスクパターンで表される画素の組についてエッジベクトルの角度の相関を求めることにより、各エッジベクトルについて局所自己相関値を算出するものであり、前記エッジベクトルの角度の相関は、量子化ベクトルの量子化要素の各組み合わせに対してその量子化要素の値を掛け合わせることにより相関値を得るものである局所自己相関手段と、
   各エッジベクトルについて算出された前記局所自己相関値を足し合わせる加算手段とを備えたことを特徴とする画像特徴抽出装置。
2. 前記加算手段は輝度の傾斜量あるいは傾斜角度により重みを付けて相関値を加算することを特徴とする請求項１に記載の画像特徴抽出装置。
3. 前記エッジベクトルは輝度の傾斜方向を示す角度情報に加えて傾斜量あるいは傾斜角度に対応する情報を含む３次元ベクトルとして表現され、さらに、それぞれ異なる角度を表す複数の量子化要素により３次元量子化ベクトルとして表現されることを特徴とする請求項１に記載の画像特徴抽出装置。
4. 輝度の傾斜量から逆正接関数を用いて前記３次元エッジベクトルのＸＹ平面からの角度を算出して、前記３次元量子化ベクトルを求めることを特徴とする請求項３に記載の画像特徴抽出装置。
5. 前記３次元ベクトルのＸＹ平面からの角度の分布がサンプル集合で均一になるような係数を傾斜量にかけて前記逆正接関数を調節することを特徴とする請求項４に記載の画像特徴抽出装置。
6. 前記エッジベクトル算出手段は注目画素を含む局所領域に所定の係数を有するフィルタをかけて傾斜方向及び傾斜量の情報を抽出することを特徴とする請求項１に記載の画像特徴抽出装置。
7. 画像データの各画素の輝度値から、輝度の傾斜方向を示す角度情報がそれぞれ異なる角度を表す複数の量子化要素により表現される量子化ベクトルであるエッジベクトルを算出するステップ、
   平行移動で重複しない、注目画素位置およびその近傍の画素位置を示す複数のマスクパターンを使用し、各マスクパターンで表される画素の組についてエッジベクトルの角度の相関を求めることにより、各エッジベクトルについて局所自己相関値を算出するステップであり、前記エッジベクトルの角度の相関は、量子化ベクトルの量子化要素の各組み合わせに対してその量子化要素の値を掛け合わせることにより相関値を得るものであるステップ、
   各エッジベクトルについて算出された前記局所自己相関値を足し合わせるステップを含むことを特徴とする画像特徴抽出方法。

Images