JP5241590B2 - 情報処理装置及び識別方法 - Google Patents

Description

本発明は、情報処理装置及び識別方法に関する。

画像中から所定物体を検出する方法として、画素値に対するヒストグラムを用いて所定物体に対応する領域を画像中から推定するアルゴリズムがある（例えば、非特許文献１、特許文献１参照）。これは、照合するための類似度として所定物体領域内の画素値に対するヒストグラムを用いるものであり、処理画像中における所定領域内の画素値に対するヒストグラムとの照合を取ることで、処理画像中における所定物体位置を検出する方法である。

いま、所定サイズ（３×３）の照合用画像である画像１、検定用画像である画像２、画像３が与えられたとする。このとき、画像１と画像２、画像１と画像３の類似度は、各々のヒストグラム間の論理積処理、即ち各特徴値の度数を比較して小さい方の和を用いて与えられる。実際には、予め類似度に閾値Ｔを設定しておき、２つの画像間の類似度が閾値Ｔより大きい場合は同一画像とする。このような画素値に対するヒストグラムから算出される類似度を用いることにより、入力画像の回転に対して頑健な検出が可能になる。

特開平７−２３９９１０号公報

Ｍｉｃｈａｅｌ Ｊ．Ｓｗａｉｎ， Ｄａｎａ Ｈ．Ｂａｌｌａｒｄ ： Ｃｏｌｏｒ Ｉｎｄｅｘｉｎｇ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ， Ｖｏｌ．７，Ｎｏ．１， ｐｐ．１１−３２， １９９１．

しかし、このような画素値に対するヒストグラムを用いた物体検出方法の場合、一般に、複雑背景下における所定物体領域とその他の背景画像領域のヒストグラムとが類似する。そのため、従来のヒストグラムを用いた場合、所定物体とその背景画像との識別精度が低下するという問題があった。

本発明はこのような問題点に鑑みなされたもので、画像中の複雑背景下における物体の識別精度を向上することを目的とする。

そこで、本発明は、画像データの領域内の特徴量を算出する算出手段と、前記算出手段で算出された特徴量に基づいて、領域内の特徴量毎に、特徴量の生起回数に対するヒストグラムを生成する生成手段と、前記生成手段で生成された複数のヒストグラムに基づいて生起回数を決定する決定手段と、前記生成手段で生成された検定画像のヒストグラムと、前記決定手段で決定された生起回数と、に基づいて、前記検定画像中の物体を識別する識別手段と、を有することを特徴とする。
かかる構成することにより、画像中の複雑背景下における物体の識別精度を向上することができる。
また、本発明は、識別方法としてもよい。

本発明によれば、画像中の複雑背景下における物体の識別精度を向上することができる。

情報処理装置の一例である物体識別装置の概略構成を示すブロック図である。 画像入力部の概略構成を示すブロック図である。 対象画像と、非対象画像と、の一例を示す図である。 検定画像の一例を示す図である。 特徴量算出部の概略構成を示すブロック図である。 ペア点決定部で用いられる円形型方向ベクトルｄ_kを示す図である。 ペア点決定部で用いられる矩形型方向ベクトルｄ_kを示す図である。 ヒストグラム生成部の概略構成を示すブロック図である。 特徴値の一例を示す図である。 画像の特徴値に対するヒストグラムの一例を示す図である。 特徴値の生起回数に対するヒストグラムの一例を示す図（その１）である。 特徴値の生起回数に対するヒストグラムの一例を示す図（その２）である。 特徴値の生起回数に対するヒストグラムの一例を示す図（その３）である。 保存部の概略構成を示すブロック図である。 対象画像のヒストグラムと、非対象画像のヒストグラムと、の一例を示す図である。 検定用ヒストグラムの一例を示す図である。 学習部の概略構成を示すブロック図である。 生起回数に対する閾値の一例を示す図である。 識別部の概略構成を示すブロック図である。 検定画像の一例を示す図である。

以下、本発明の実施形態について図面に基づいて説明する。

＜第１の実施形態＞
図１は、情報処理装置の一例である物体識別装置の概略構成を示すブロック図である。物体識別装置は、半導体集積回路（ＬＳＩ）を用いて実現される。
図１に示すように物体識別装置１は、画像入力部１１、特徴量算出部１２、ヒストグラム生成部１３、学習部１４、識別部１５、制御部１６を有する。これらの構成要素は物体識別装置１が果たす機能にそれぞれ対応している。
物体識別装置１が果たす機能を大別すると２つある。その一つは学習機能であり、学習部１４で実行される。もう一つは識別機能であり、識別部１５で実行される。このとき、画像入力部１１、特徴量算出部１２、ヒストグラム生成部１３は、学習部１４と、識別部１５と、に共通して必要な機能を提供する。また、制御部１６は、物体識別装置１の各構成要素の制御を行っている。

図２は、画像入力部１１の概略構成を示すブロック図である。図２に示すように画像入力部１１は、組合せ回路ＤＭＸ１１１、学習用画像データベース１１２、検定用画像データベース１１３、組合せ回路ＭＵＸ１１４から構成される。ここで、画像データベースは、ＤＤＲ ＳＤＲＡＭ、ＳＲＡＭ等の半導体メモリを用いて実現される。なお、ＤＤＲ ＳＤＲＡＭは、Ｄｏｕｂｌｅ−Ｄａｔａ−Ｒａｔｅ Ｓｙｎｃｈｒｏｎｏｕｓ Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙの略である。また、ＳＲＡＭは、Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙの略である。
組合せ回路ＤＭＸ１１１は、物体識別装置１の外部から入力される画像データＩｎ１１Ａを、制御部１６より入力される制御信号Ｃｔｒｌ１１Ａに基づいて、学習用画像データベース１１２と検定用画像データベース１１３とのどちらか一方に入力する。

学習用画像データベース１１２は、学習部１４で用いられる学習用画像を格納するものであり、図３のように所定サイズの対象画像と非対象画像とを各々Ｎ枚格納することができる。ここで、枚数Ｎは学習用画像データベース１１２を構成する半導体メモリ容量により一意的に決定される。ここで、対象画像とは、物体識別装置１で識別する対象物体が所定サイズ（Ｘ×Ｙ）で映し出された画像を意味しており、非対象画像とは、対象物体以外の物体及びその部分画像、或いは背景画像が所定サイズ（Ｘ×Ｙ）で映し出された画像を意味している。但し、Ｘ，Ｙは水平方向及び垂直方向の画素数を表している。

検定用画像データベース１１３は、識別部１５で用いられる検定画像を格納するものであり、図４のように所定サイズの検定画像をＮ'枚格納できる。ここで、枚数Ｎ'は検定用画像データベース１１３を構成する半導体メモリ容量により一意的に決定される。また、検定画像とは、物体識別装置１を用いて対象物体を識別するための画像を意味している。
組合せ回路ＭＵＸ１１４は、制御部１６より入力される制御信号Ｃｔｒｌ１１Ａに基づいて、学習用画像データベース１１２から出力される画像データＯｕｔ１１２Ａと検定用画像データベース１１３から出力される画像データＯｕｔ１１３Ａとのどちらか一方をＯｕｔ１１Ｂから出力する。
ここで制御部１６は、物体識別装置１の学習時、画像データＩｎ１１Ａを学習用画像データベース１１２に入力し、学習用画像データベース１１２からの出力画像データＯｕｔ１１２ＡをＯｕｔ１１Ｂから学習部１４に出力するように制御信号Ｃｔｒｌ１１Ａを用いて制御する。
また制御部１６は、物体識別装置１の識別時、画像データＩｎ１１Ａを検定用画像データベース１１３に入力し、検定用画像データベース１１３からの出力画像データＯｕｔ１１３ＡをＯｕｔ１１Ｂから識別部１５に出力するように制御信号Ｃｔｒｌ１１Ａを用いて制御する。

図５は、特徴量算出部１２の概略構成を示すブロック図である。図５に示すように特徴量算出部１２は、ペア点決定部１２１、増分評価値算出部１２２、符号ビット列生成部１２３から構成される。特徴量算出部１２は、ペア点決定部１２１に入力される画像データＩｎ１２Ａの全ての画素に対して増分評価値算出部１２２の処理を実行し、符号ビット列生成部１２３から符号ビット列Ｏｕｔ１２Ｂを出力する。
ペア点決定部１２１では、増分評価値を算出するためのペア点の位置を決定し、更に必要があれば、その位置における近似画素値を算出する。まずペア点決定のために、画像内における任意の着目点の位置をベクトルｐ＝（ｘ，ｙ）^Tで表すものとする。また、放射状の方向ベクトルｄ_k（ｋ＝０，１，２，・・・，Ｎ）を定義する。ここでＮはペア点の個数を表す。方向ベクトルｄ_kを各々ｄ０＝（ｃｏｓ（２π・０／Ｎ），ｓｉｎ（２π・０／Ｎ））^T，ｄ１＝（ｃｏｓ（２π・１／Ｎ），ｓｉｎ（２π・１／Ｎ））^T，ｄ２＝（ｃｏｓ（２π・２／Ｎ），ｓｉｎ（２π・２／Ｎ））^T，・・・，ｄｎ＝（ｃｏｓ（２π・ｎ／Ｎ），ｓｉｎ（２π・ｎ／Ｎ））^T，・・・，ｄ_N＝（ｃｏｓ（２π・Ｎ／Ｎ），ｓｉｎ（２π・Ｎ／Ｎ））^Tとする。つまり、方向ベクトルｄ_kは、図６のように画面上で右水平方向から反時計回りに２π／Ｎ毎回転させた方向となる。

これらに基づいて、画像データ中の任意画素である着目点ｐにおけるｋ番目のペア点の位置ベクトルｒ_kを、

と与えるものとする。また、スカラー値ｒ_k（ｋ＝０，１，２，・・・，Ｎ）は着目点ｐからの距離を表し、実数で与えられる。位置ｒ_kに対応する画素値がない場合、ペア点決定部１２１は、位置ｒ_kの近傍４画素を抽出し、線形補間による近似画素値を求める。

また、方向ベクトルｄ_kを、図７のように着目点を取り囲む矩形上に沿って反時計回りに２π／Ｎ毎回転させた方向としてもよい。但し、この場合のスカラー値ｒ_kは矩形上までの距離で与えられる。ここで、ペア点決定部１２１は、制御部１６より入力される制御信号Ｃｔｒｌ１２１Ａに基づきペア点の個数、即ち所定ビット数Ｎ及びスカラー値ｒ_kを、予め幾つかのＮとｒ_kとの組（Ｎ，ｒ_k）による識別精度を計測し、そのうち最も精度のよい組（Ｎ，ｒ_k）を選択し、設定する。
増分評価値算出部１２２では、ペア点決定部１２１で決定されたペア点を用いて着目点ｐの増分評価値ｂ₀（ｐ）〜ｂ_N（ｐ）を以下のように２値で与える。但し、ｆ＝ｆ（ｘ）は、画像中の任意の位置ｘにおける画素値を表す。

また、増分評価値算出部１２２は、増分評価値ｂ₀（ｐ）〜ｂ_N（ｐ）を以下のように算出してもよい。

ここで、Ｔ_bはノイズに対する耐性を高める目的で設定される。増分評価値算出部１２２は、制御部１６により入力される制御信号Ｃｔｒｌ１２２Ａに基づき、撮像系のノイズ分布を測定しておくことで予め合理的に設定することができる。

符号ビット列生成部１２３では、増分評価値算出部１２２で算出された増分評価値ｂ₀（ｐ）〜ｂ_N（ｐ）を用いて以下のように符号ビット列ＬＢＰ（ｐ）に変換する。

ここで、Ｓ（ｎ）はビット順指定配列と称し、増分評価値ｂ₀（ｐ）〜ｂ_N（ｐ）をそれぞれ符号ビット列ＬＢＰ（ｐ）の何ビット目に配置するのかを決定する、０からＮ−１までの整数を要素とする配列である。増分評価値ｂ₀（ｐ）〜ｂ_N（ｐ）をＬＢＰ（ｐ）の最上位ビットから割り振るのであれば、ビット順指定配列は、Ｓ（ｎ）＝｛Ｎ−１，Ｎ−２，・・・，２，１，０｝のように定義すればよい。或いは、ＬＢＰ（ｐ）の最下位ビットから割り振るのであれば、Ｓ（ｎ）＝｛０，１，２，・・・，Ｎ−２，Ｎ−１｝のように定義すればよい。ここで、ビット順指定配列Ｓ（ｎ）は制御部１６より入力される制御信号Ｃｔｒｌ１２３Ａにより設定される。

このようにすることによって特徴量算出部１２により、画像データの領域内の特徴量を算出することができる。つまり、上述した処理により、特徴量算出部１２は、識別対象物体の有する潜在的構造的特徴を照明変動やノイズに対して頑健に抽出することが可能になる。

図８は、ヒストグラム生成部１３の概略構成を示すブロック図である。ヒストグラム生成部１３は、生成部１３１、変換部１３２、保存部１３３から構成される。
生成部１３１では、学習部１４及び識別部１５より入力されるＭ個の特徴値Ｉｎ１３Ａに対するヒストグラム（度数分布）を生成し、これをＩｎ１３２Ａとして変換部１３２に入力する。ここでＭは、画像入力部１１より学習部１４に入力される画像一枚の総画素数（Ｘ×Ｙ）に相当する。
学習用画像サイズ（Ｘ，Ｙ）＝（３，３）、特徴量算出部１２におけるペア点の個数Ｎ＝２の場合を考え、図９のように画像１、画像２、画像３に対する特徴値が与えられたとする。すると、生成部１３１は、図１０のようなヒストグラムを生成し、このヒストグラムをＩｎ１３２Ａとして変換部１３２に出力する。

変換部１３２では、生成部１３１で生成されたヒストグラムＩｎ１３２Ａを特徴値毎（特徴量毎）の生起回数に対するヒストグラムに変換し、保存部１３３において既に保存されているヒストグラムＯｕｔ１３３との和を算出し、これをＩｎ１３３Ａとして保存部１３３に入力する。
図１０のようなヒストグラムＩｎ１３２Ａを変換部１３２により特徴値毎の生起回数に対するヒストグラムに変換すると図１１のようになる。このとき、保存部１３３において保存されているヒストグラムＯｕｔ１３３が図１２のように与えられるとする。すると、変換部１３２は、変換した図１１のヒストグラムと、保存部１３３に保存されている図１２のヒストグラムと、に基づいて、最終的に図１３のようなヒストグラムを生成し、これをＩｎ１３３Ａとして保存部１３３に入力する。

保存部１３３は、図１４のように組合せ回路ＤＭＸ１３２１、学習用ヒストグラムデータベース１３３２、検定用ヒストグラムデータベース１３３３、組合せ回路ＭＵＸ１３３４から構成される。ここで、ヒストグラムは、ＤＤＲ ＳＤＲＡＭ，ＳＲＡＭ等の半導体メモリを用いて実現される。
組合せ回路ＤＭＸ１３２１は、変換部１３２から入力されるヒストグラムＩｎ１３３Ａを制御部１６より入力される制御信号Ｃｔｒｌ１３２Ａに基づいて、学習用ヒストグラムデータベース１３３２と検定用ヒストグラムデータベース１３３３のどちらか一方に入力する。

学習用ヒストグラムデータベース１３３２は、学習部１４で用いられる学習用ヒストグラムを格納するものであり、図１５のように対象画像のヒストグラムと非対象画像のヒストグラムとを各々２Ｎ個格納できる。ここで個数Ｎは特徴量算出部１２におけるペア点の個数Ｎと同等のものである。また、学習用ヒストグラムデータベース１３３２は既に格納されているヒストグラムＯｕｔ１３３２を変換部１３２に対してＯｕｔ１３３Ａとして出力する。
検定用ヒストグラムデータベース１３３３は、識別部１５で用いられる検定用ヒストグラムを格納するものであり、図１６のように所定サイズの検定用ヒストグラムを２Ｎ個格納できる。ここで個数Ｎは先の学習用ヒストグラムデータベース１３３２と同様、特徴量算出部１２におけるペア点の個数Ｎと同等のものである。
組合せ回路ＭＵＸ１３３４は、制御部１６より入力される制御信号Ｃｔｒｌ１３２Ａに基づいて、学習用ヒストグラムデータベース１３３２から出力されるヒストグラムＯｕｔ１３３２と検定用ヒストグラムデータベース１３３３から出力されるヒストグラムＯｕｔ１３３３とのどちらか一方をＯｕｔ１３Ｂから出力する。

制御部１６は物体識別装置１の学習時、ヒストグラムＩｎ１３３Ａを学習用ヒストグラムデータベース１３３２に入力し学習用ヒストグラムデータベース１３３２からの出力ヒストグラムＯｕｔ１３３２をＯｕｔ１３Ｂから学習部１４に出力するように制御信号Ｃｔｒｌ１３２Ａを用いて制御する。
制御部１６は物体識別装置１の識別時、ヒストグラムＩｎ１３３Ａを検定用ヒストグラムデータベース１３３３に入力し検定用ヒストグラムデータベース１３３３からの出力画像データＯｕｔ１３３３をＯｕｔ１３Ｂから識別部１５に出力するように制御信号Ｃｔｒｌ１３２Ａを用いて制御する。
このようなヒストグラムを複数生成することにより、後述する弱仮説の設定が容易になる。

図１７は、学習部１４の概略構成を示すブロック図である。学習部１４は、弱仮説設定部１４１、強判別器生成部１４２から構成される。
弱仮説設定部１４１では、画像入力部１１より入力される所定サイズ（Ｘ×Ｙ）の対象画像及び非対象画像のＯｕｔ１１Ｂから特徴量算出部１２を用いて、これらの画像全て画素の特徴値Ｆｔｒ１４１Ａを生成する。更に弱仮説設定部１４１は、特徴値Ｆｔｒ１４１Ａからヒストグラム生成部１３を用いてヒストグラムＨｇｍ１４１Ｂを生成する。このとき、弱仮説設定部１４１は、図１８のように特徴値毎に対象画像と非対象画像とを最も精度良く識別する生起回数に対する閾値ｌ_n（０＜＝ｎ＜２^N）を設定し、弱仮説Ｌ_nを以下のような大小関係を用いて設定する。

弱仮説設定部１４１は、生起回数がｌ_nより大きい範囲を対象物体と設定する場合、Ｌ_n＝ｌ_nで与え、生起回数がｌ_nより小さい範囲を対象物体とする場合、Ｌ_n＝−ｌ_nで与える。また、ここで設定されたＬ_nはＯｕｔ１４１Ｄより識別部１５に出力される。
強判別器生成部１４２では、弱仮説設定部１４１で生成された生起回数に対する弱仮説Ｌ_n（０＜＝ｎ＜２Ｎ）を用いて強判別器を生成する。強判別器を生成するためのより具体的方法としては、例えば以下の公知技術、「Ｆｒｉｅｄｍａｎ， Ｊ． Ｈ．， Ｈａｓｔｉｅ， Ｔ． ａｎｄ Ｔｉｂｓｈｉｒａｎｉ， Ｒ． （１９９８）． Ａｄｄｉｔｉｖｅ ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ： ａ ｓｔａｔｉｓｔｉｃａｌ ｖｉｅｗ ｏｆ ｂｏｏｓｔｉｎｇ． Ｄｅｐｔ． ｏｆ Ｓｔａｔｉｓｔｉｃｓ， Ｓｔａｎｆｏｒｄ Ｕｎｉｖｅｒｓｉｔｙ Ｔｅｃｈｎｉｃａｌ Ｒｅｐｏｒｔ．」等のＢｏｏｓｔｉｎｇ学習を用いて実現される。その結果、弱仮説Ｌ_nに対する信頼度α_nが生成され、Ｏｕｔ１４２Ａより識別部１５に出力される。

図１９は、識別部１５の概略構成を示すブロック図である。識別部１５は、解像度変換部１５１、探索部１５２、統合部１５３から構成される。
図２０は、検定画像の例を示す図である。解像度変換部１５１は、図２０の（ａ）のような識別対象物体の処理画像中のサイズ変動に対応するため、画像入力部１１より入力される検定画像Ｏｕｔ１１Ｂの解像度変換を行い、複数の検定画像を生成する。更に、解像度変換部１５１は、特徴量算出部１２を用いてこれらの画像全てを特徴値Ｆｔｒ１５１Ｂに変換する。但し、縮小倍率Ｃ及び解像度変換後の検定画像数ｎは、制御部１６より入力される制御信号Ｃｔｒｌ１５Ａにより設定される。また、解像度変換を行うためのより具体的な方法としては、例えば以下の公知技術、ニアレストネイバー法、バイリニア法、バイキュービック法、等を用いて実現される。

探索部１５２は、解像度変換部１５１で生成された複数の検定画像から、図２０の（ｂ）のように所定サイズ（Ｘ×Ｙ）の検定領域を抽出し、ヒストグラム生成部１３を用いてヒストグラムＨｇｍ１５２Ａを生成する。更に、探索部１５２は、学習部１４で生成された弱仮説Ｏｕｔ１４１Ｄと信頼度Ｏｕｔ１４２Ａとを用いて、検定画像中の任意の検定領域ｘに対する識別結果Ｈ（ｘ）を以下の式を用いて算出する。

ここで、Ｌ_t（ｘ）はｔ番目の弱仮説による検定領域ｘの判定結果であり、Ｏｕｔ１４１Ｄで与えられる。一方α_tはＬ_t（ｘ）に対する信頼度を表しており、Ｏｕｔ１４２Ａで与えられる。前記式を全ての検定画像における検定領域ｘに対して実行することにより、図２０の（ｃ）のように検定画像毎に識別結果が検定画像内の座標（Ｈ₀，Ｖ₀），（Ｈ₁，Ｖ₁），（Ｈ₂，Ｖ₂），・・・，（Ｈ_n，Ｖ_n）で与えられる。これらの識別結果はＯｕｔ１５２Ｂとして統合部１５３に出力される。

統合部１５３は、探索部１５２で得られた検定画像毎の識別結果（Ｈ₀，Ｖ₀），（Ｈ₁，Ｖ₁），（Ｈ₂，Ｖ₂），・・・，（Ｈ_n，Ｖ_n）を統合し、図２０の（ｄ）のように解像度変換前の検定用画像一枚に統合する処理を行う。これらの座標を解像度変換前の画像内の座標に変換するより具体的な方法としては、例えば以下の公知技術、ニアレストネイバー法、バイリニア法、バイキュービック法、等を用いて実現される。

＜その他の実施形態＞
上述した実施形態は、学習機能及び識別機能の両者を実行する物体識別装置に関するものであるが、学習機能及び照合機能の何れか一方のみを実行する物体識別装置についても本発明の実施形態に含まれる。
また、特徴量算出部１２は、入力画像の輝度成分の平均を０、分散を１に変換する、分散正規化を用いてもよい。
また、特徴量算出部１２は、入力画像の画素値に対する高次局所自己相関特徴を用いてもよい。
また、特徴量算出部１２は、入力画像の画素値に対する増分符号相関特徴を用いてもよい。
また、上述した実施形態はソフトウェアを用いて実施されてもよい。
即ち、上述した実施形態の機能を実現するソフトウェアのプログラムコードを、システム或いは装置の中央演算処理手段（ＣＰＵやＭＰＵ）が記憶媒体から読み出し実行することで実施形態の機能を実現することができる。

また、読み出したプログラムコードの指示に基づき、システム或いは装置上で稼働しているオペレーティングシステム（ＯＳ）等が実際の処理の一部又は全部を行う場合も含まれる。

以上、上述した各実施形態によれば、画像中の複雑背景下における物体の識別精度を向上することができる。

以上、本発明の好ましい実施形態について詳述したが、本発明は係る特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１ 物体識別装置、１１ 画像入力部、１２ 特徴量算出部、１３ ヒストグラム生成部、１４ 学習部、１５ 識別部

Claims (6)

1. 画像データの領域内の特徴量を算出する算出手段と、
   前記算出手段で算出された特徴量に基づいて、領域内の特徴量毎に、特徴量の生起回数に対するヒストグラムを生成する生成手段と、
   前記生成手段で生成された複数のヒストグラムに基づいて生起回数を決定する決定手段と、
   前記生成手段で生成された検定画像のヒストグラムと、前記決定手段で決定された生起回数と、に基づいて、前記検定画像中の物体を識別する識別手段と、
   を有することを特徴とする情報処理装置。
2. 前記生成手段は、前記算出手段で生成された特徴量に基づいて、領域内の特徴量毎に、特徴量に対するヒストグラムを生成し、該特徴量に対するヒストグラムに基づいて、特徴量の生起回数に対するヒストグラムを生成することを特徴とする請求項１に記載の情報処理装置。
3. 前記決定手段は、前記生成手段で生成された、対象画像の領域内の特徴量の生起回数に対するヒストグラムと、非対象画像の領域内の特徴量の生起回数に対するヒストグラムと、に基づいて生起回数を決定することを特徴とする請求項１に記載の情報処理装置。
4. 情報処理装置における識別方法であって、
   画像データの領域内の特徴量を算出する算出ステップと、
   前記算出ステップで算出された特徴量に基づいて、領域内の特徴量毎に、特徴量の生起回数に対するヒストグラムを生成する生成ステップと、
   前記生成ステップで生成された複数のヒストグラムに基づいて生起回数を決定する決定ステップと、
   前記生成ステップで生成された検定画像のヒストグラムと、前記決定ステップで決定された生起回数と、に基づいて、前記検定画像中の物体を識別する識別ステップと、
   を有することを特徴とする識別方法。
5. 前記生成ステップは、前記算出ステップで生成された特徴量に基づいて、領域内の特徴量毎に、特徴量に対するヒストグラムを生成し、該特徴量に対するヒストグラムに基づいて、特徴量の生起回数に対するヒストグラムを生成することを特徴とする請求項４に記載の識別方法。
6. 前記決定ステップは、前記ヒストグラム生成ステップで生成された、対象画像の領域内の特徴量の生起回数に対するヒストグラムと、非対象画像の領域内の特徴量の生起回数に対するヒストグラムと、に基づいて生起回数を決定することを特徴とする請求項４に記載の識別方法。

Images