JP5459312B2 - パターン照合装置、パターン照合方法及びパターン照合プログラム - Google Patents

Description

本発明は、顔画像などのパターン照合を行うパターン照合装置、パターン照合方法及びパターン照合プログラムに関する。

顔照合において、幅広く用いられ、かつ有用とされているアプローチが部分空間法に基づく顔照合のアプローチである。
部分空間法に基づく照合方法とは、入力される顔画像の情報に対して行列変換を施すことで前記入力情報を前記入力情報より低次元の情報に変換し、前記低次元の入力情報の距離もしくは類似度を計算して、前記距離が小さいもしくは前記類似度が大きければ、前記入力情報は同一人物の情報であると判断する照合処理方法である。
このアプローチに基づく手法として、ＰＣＡ（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）［非特許文献１］、ＬＤＡ（Ｌｉｎｅａｒ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ）［非特許文献２］、及びそれぞれの拡張手法［非特許文献３］や［非特許文献４］など、さまざまな手法が用いられている。
例えば、ＰＣＡに基づく手法は分散の大きい部分空間を求める。ＬＤＡは、クラス間分散／クラス内分散を最大化する部分空間を求める。いずれにしても、部分空間を求めた後には、ＰＣＡ又はＬＤＣなどにおける識別処理は、ユークリッド距離、あるいは正規化相関値といった、なんらかの距離や類似度を計算する関数を別途設定し、前記距離や類似度の大小に基づいて、同一人物であるか否かを判定する。
Ｍ．Ａ．Ｔｕｒｋ ａｎｄ Ａ．Ｐ．Ｐｅｎｔｌａｎｄ，″Ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ｅｉｇｅｎｆａｃｅｓ，″Ｐｒｏｃ．ｏｆ ＩＥＥＥ ＣＶＰＲ，ｐｐ．５８６−５９１，Ｊｕｎｅ，１９９１． Ｐ．Ｎ．Ｂｅｌｈｕｍｅｕｒ，Ｊ．Ｐ．Ｈｅｓｐａｎｈａ，ａｎｄ Ｄ．Ｊ．Ｋｒｅｇｍａｎ，″Ｅｉｇｅｎｆａｃｅｓ ｖｓ．Ｆｉｓｈｅｒ ｆａｃｅｓ：Ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ｃｌａｓｓ ｓｐｅｃｉｆｉｃ ｌｉｎｅａｒ ｐｒｏｊｅｃｔｉｏｎ，″ＩＥＥＥ Ｔｒａｎｓ．Ｐａｔｔｅｒｎ Ａｎａｌ．Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌ．，ＶＯｌ．１９，ｐｐ．７１１−７２０，Ｍａｙ １９９７ Ｘ．Ｊｉａｎｇ，Ｂ．Ｍａｎｄａｌ，ａｎｄ Ａ Ｋｏｔ，Ｅｉｇｅｎｆｅａｔｕｒｅ Ｒｅｇｕｌａｒｉｚａｔｉｏｎ ａｎｄ Ｅｘｔｒａｃｔｉｏｎ ｉｎ Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ，ＩＥＥＥ ＴＲＡＮＳＡＣＴＩＯＮＳ ＯＮ ＰＡＴＴＥＲＮ ＡＮＡＬＹＳＩＳ ＡＮＤ ＭＡＣＨＩＮＥ ＩＮＴＥＬＬ ＩＧＥＮＣＥ，ｖｏｌ３０，ｎｏ．３，ｐｐ．３８３−３９４，２００８ Ｓａｎｇ−Ｋｉ Ｋｉｍ，Ｋａｒ−Ａｎｎ Ｔｏｈ，ａｎｄ Ｓａｎｇｙｏｕｎ Ｌｅｅ，″ＳＶＭ−ｂａｓｅｄ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ ｆｏｒ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ，″Ｉｎｄｕｓｔｒｉａｌ Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ，２００８．ＩＣＩＥＡ ２００８．３ｒｄ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ３−５，ｐｐ．２１１２−２１１５，Ｊｕｎｅ ２００８． Ｃ．Ｌｉｕ ａｎｄ Ｈ．Ｗｅｃｈｓｌｅｒ，″Ｇａｂｏｒ Ｆｅａｔｕｒｅ Ｂａｓｅｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ ｔｈｅ Ｅｎｈａｎｃｅｄ Ｆｉｓｈｅｒ Ｌｉｎｅａｒ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ ｆｏｒ Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ，″ＩＥＥＥ Ｔｒａｎｓ．Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，ｖｏｌ．１１，ｎｏ．４，ｐｐ．４６７−４７６，２００２． 監訳：尾上守夫、パターン識別、ｐｐ３１１−３１２ Ｋｅｉｎｏｓｕｋｅ Ｆｕｋｕｎａｇａ，ＩＮＴＲＯＤＵＣＴＩＯＮ ＴＯ ＳＴＡＴＩＳＴＩＣＡＬ ＰＡＴＴＥＲＮ ＲＥＣＯＧＮＩＴＩＯＮ Ｓｅｃｏｎｄ Ｅｄｉｔｉｏｎ、ｐｐ７６ 監訳：尾上守夫、パターン識別、ｐｐ２１−２６

しかしながら、非特許文献１などの技術は、照合に用いる距離あるいは類似度によらず部分空間を求める手法であるために、照合に用いる距離あるいは類似度に対する最適な部分空間を求めることができず、結果として顔照合などのパターン照合の精度が十分得られない。
例えば、照合に用いる距離や類似度がユークリッド距離の場合と正規化相関値の場合とでは、顔照合に適した部分空間は必ずしも同一とはならないはずである。しかし、非特許文献１などの技術は、同一の部分空間が算出されるため、良い精度を得ることができない。
そこで本発明は、上記問題点に鑑みてなされたもので、照合に用いる距離や類似度に応じた部分空間を学習するパターン照合装置を提供することを目的とする。

本発明におけるパターン照合装置は、特徴抽出用パラメータを用いて、データを低次元化することで特徴値を抽出する特徴抽出手段と、前記特徴値を用いて照合するデータの距離又は類似度を計算する計算手段と、距離又は類似度を比較して、距離又は類似度の値が同一カテゴリか否かの照合結果に近づくように前記特徴抽出用パラメータを更新するパラメータ更新手段とを有する。
本発明におけるパターン照合方法は、特徴抽出用パラメータを用いて、データを低次元化することで特徴値を抽出し、特徴値を用いて照合するデータの距離又は類似度を計算する計算し、距離又は類似度を比較して、距離又は類似度の値が同一カテゴリか否かの照合結果に近づくように前記特徴抽出用パラメータを更新することを有する。
本発明におけるプログラムは、特徴抽出用パラメータを用いて、データを低次元化することで特徴値を抽出する特徴抽出処理と、特徴値を用いて照合するデータの距離又は類似度を計算する計算処理と、距離又は類似度を比較して、距離又は類似度の値が同一カテゴリか否かの照合結果に近づくように前記特徴抽出用パラメータを更新するパラメータ更新処理とをコンピュータに実行させる。

本発明により、照合に用いる距離や類似度に応じた部分空間を抽出するパラメータを学習により改善できるため、パターン照合の性能を改善できる。

本発明の実施形態に係るパターン照合装置の構成図である。 本発明を実施形態に係るパターン照合装置のフローチャート図である。 本発明を実施形態に係るパターン照合装置のフローチャート図である。 本発明の実施形態に係るパターン照合装置の構成図である。

１１ データ登録部（ユニット）
１２ 特徴抽出部（ユニット）
１３ 距離・類似度計算部（ユニット）
１４ パラメータ更新部（ユニット）
１５ データ照合部（ユニット）
１６ 結果出力部（ユニット）
２１ 特徴抽出用パラメータ格納部（ユニット）

次に、発明を実施するための最良の形態について図面を参照して詳細に説明する。
図１は、本発明の実施の形態におけるパターン照合装置の構成図である。本パターン照合装置は、データ登録部（ユニット）１１と、特徴抽出部（ユニット）１２と、距離・類似度計算部（ユニット）１３と、パラメータ更新部（ユニット）１４と、データ照合部（ユニット）１５と、結果出力部（ユニット）１６と、特徴抽出用パラメータ格納部（ユニット）２１と、を備える。
データ登録部１１は、あらかじめ顔画像データなどのパターンの画像データの集合を登録する。そして、データ登録部１１は、それら画像データの集合と、照合を行いたい顔画像データなどのパターンの画像データの集合とを特徴抽出部１２に出力する。以降では具体的に顔画像データの場合に限定して説明を行うが、本発明の以降の説明において、顔画像の代わりに人体や動物、物体の画像など任意のパターンの画像データの場合に置き換えることが可能である。
また、データ登録部１１は、データ登録部１１に登録されている顔画像データの集合を、Ｄ次元のベクトルの集合ｘ^（１） _ｉ（ｉ＝１，．．．，Ｎ_１）として表現する。また、データ登録部１１は、照合を行いたい顔画像データの集合を、Ｄ次元のベクトルの集合ｘ^（２） _ｊ（ｊ＝１，．．．，Ｎ_２）として表現する。前記登録されている顔画像データの集合と照合を行いたい顔画像データの集合とは、同一の集合であってもかまわない。
データ登録部１１が前記顔画像データをＤ次元のベクトルで表現するときの表現方法としては、例えば、顔画像データを画素数Ｄの画像データとして大きさをそろえ、前記画素数Ｄの画像データの階調値を順次並べたベクトルを用いれば良い。あるいは、データ登録部１１は、前記顔画像データに対して例えば［非特許文献５］に記述されているようなＧａｂｏｒフィルタなどの特徴抽出処理を行い、得られたＤ個の結果を並べたベクトルとしても良い。
特徴抽出部１２は、特徴抽出用パラメータ格納部２１に格納されている特徴抽出用パラメータを用いて、前記データ登録部１１から入力される顔画像データを表すベクトルを、より低次元のベクトルに変換することで、特徴値を抽出する。
具体的には、特徴抽出部１２は、前記データ登録部１１から入力されたＤ次元ベクトルで表現されるデータｘ^（１） _ｉ（ｉ＝１，．．．，Ｎ_１）、ｘ^（２） _ｊ（ｊ＝１，．．．，Ｎ_２）と、特徴抽出用パラメータ格納部２１に格納されているＤ’×Ｄ（Ｄ’の次元≦Ｄの次元）行列で表現される特徴抽出用パラメータＡとを用いて、
ｚ^（１） _ｉ＝Ａｘ^（１） _ｉ（ｉ＝１，．．．，Ｎ_１）
ｚ^（２） _ｊ＝Ａｘ^（２） _ｊ（ｊ＝１，．．．，Ｎ_２）
といった行列変換を計算することで、データ登録部１１から入力されるデータの次元よりも小さいＤ’次元のベクトルｚ^（１） _ｉ（ｉ＝１，．．．，Ｎ_１），ｚ^（２） _ｊ（ｊ＝１，．．．，Ｎ_２）を得る。
距離・類似度計算部１３は、特徴抽出部１２で得られる変換後の顔画像データを表現するベクトル（特徴値）を用いて、距離または類似度を計算する。前記距離とは、照合されるベクトルが表す顔画像データが、同一人物であれば小さくなり、同一人物でなければ大きくなることが期待される値である。また、前記類似度とは、照合されるベクトルが表す顔画像データが、同一人物であれば大きくなり、同一人物でなければ小さくなることが期待される値である。
具体的には、距離・類似度計算部１３は、特徴抽出部１２において得られるＤ’次元ベクトルｚ^（１） _ｉとｚ^（２） _ｊとが表現する顔画像データが、同一人物であるか否かを判定するための距離・類似度を計算することになるが、ここで用いる距離・類似度として、例えば前記ｚ^（１） _ｉとｚ^（２） _ｊのベクトルのユークリッド距離

を計算すれば良い。または、距離・類似度計算部１３は、前記ユークリッド距離を用いる代わりに、類似度を表す尺度の１つである正規化相関値

を計算すれば良い。あるいは、距離・類似度計算部１３は、前記ユークリッド距離や正規化相関値ではなく、Ｌ１距離などの他の距離尺度や類似度尺度を用いても良い。
パラメータ更新部１４は、データ登録部１１に登録されている顔画像データと、距離・類似度計算部１３で得られる距離の値または類似度の値を用いて、特徴抽出用パラメータ格納部２１に格納される特徴抽出用パラメータＡを更新する。パラメータ更新部１４は、距離・類似度計算部１３が距離又は類似度を計算するデータにおいて、照合結果がより正確になるようにすべく、同一人物の場合はより距離が小さく、または類似度が大きくなるように、同一人物ではない場合はより距離が大きく、または類似度が小さくなるように、特徴抽出用パラメータＡを更新する。
具体的には、パラメータ更新部１４は、入力ｘ^（１） _ｉが示す人物と入力ｘ^（２） _ｊが示す人物が同一人物である確率を、ｘ^（１） _ｉ、ｘ^（２） _ｊ、特徴抽出用パラメータＡ、及びパラメータａ，ｂ，ｃを用いて表現する。前記確率をＰ_ｉｊ（ｘ^（１） _ｉ，ｘ^（２） _ｊ；Ａ，ａ，ｂ，ｃ）として定義すると、パラメータ更新部１４は、

で計算されるＳの値が最大となるように特徴抽出用パラメータＡ及びパラメータａ，ｂ，ｃを算出すること。これにより、パラメータ更新部１４は、前記入力ｘ^（１） _ｉとｘ^（２） _ｊの照合結果がより正確な結果となるような特徴抽出用パラメータＡ及びパラメータａ，ｂ，ｃを得ることができる。すなわち、パラメータ更新部１４は、同一人物であるか否かの事後確率に対する最尤推定を行うことで、パラメータを算出する。
また、任意のｉ、ｊに対して入力ｘ^（１） _ｉとｘ^（２） _ｊが同一人物であればｙ＝１、そうでなければｙ＝−１とｙ_ｉｊを定義すると、パラメータ更新部１４は、Ｓの値の代わりに両辺の対数をとって符号を反転して、

が最小となるように、すなわち対数尤度に対する最尤推定を行うように特徴抽出用パラメータＡ及びパラメータａ，ｂ，ｃを算出しても良い。
または、パラメータ更新部１４は、Ｓ’にさらに、パラメータａ，ｂ，ｃが安定に求められるように、［非特許文献６］に記載されているｗｅｉｇｈｔ ｄｅｃａｙ（重み減衰）の項を追加して、ある予め定めた定数Ｃを用いて、

と設定して、これを最小化しても良い。または、パラメータ更新部１４は、より細かく、ある予め定めた定数Ｃ_ａ、Ｃ_ｂ、Ｃ_ｃを用いて、

と設定しても良い。
Ｐ_ｉｊの具体的数式として、パラメータ更新部１４は、単純にロジスティック回帰を使用しても良い。すなわち、パラメータ更新部１４は、距離または類似度の値をｄ_ｉｊとして、

として確率を求めても良い。
また、パラメータ更新部１４は、例えば距離・類似度計算部１３においてユークリッド距離ｄ_ｉｊを用いるのであれば、

として確率を定義すれば良い。
例えば［非特許文献７］に記載されているように、距離の値のような正の値をとるような分布は、ガンマ分布でモデル化して解析するという処理が行われる。前記ガンマ分布でのモデル化を使用することによっても、パラメータ更新部１４は、前記確率Ｐ_ｉｊを求めることができる。すなわち、パラメータ更新部１４は、同一人物である場合のｄの分布を、ガンマ分布

（ここで、Ｃ_１は所定の定数、α_１、β_１はガンマ分布のパラメータ）
で表現し、同一人物ではない場合のｄの分布を別のガンマ分布

（ここで、Ｃ_２は所定の定数、α_２、β_２はガンマ分布のパラメータ）
と表現し、同一人物となる事前確率（定数）をＰ_１、同一人物にならない場合の事前確率（定数）をＰ_２とし、例えば［非特許文献８］に示されるようなベイズの定理に従って、同一人物であると判断される事後確率Ｐを、

と計算でき、前記表現と同じ数式を得ることができる。ただし、パラメータ更新部１４は、
ａ＝α_１−α_２，ｂ＝−（β_１−β_２），ｃ＝−（ｌｏｇＣ_１Ｐ_１−ｌｏｇＣ_２Ｐ_２）
とパラメータを置き換えている。
パラメータ更新部１４は、前記ユークリッド距離ではなく、たとえばＬ１距離のような他の距離尺度を用いる場合でも前記と同じ数式を用いることが可能である。
また、パラメータ更新部１４は、前記距離を用いる代わりに、正規化相関値ｒ_ｉｊを用いる場合において、距離が小さいと同一人物らしさが大きいのに対して、類似度の場合は値が大きいほど同一人物らしさが大きいため、符号を反転させて、

として定義したものを例えば用いれば良い。また、パラメータ更新部１４は、正規化相関値の代わりに、内積など他の類似度尺度を用いても同じ数式を用いれば良い。
また、パラメータ更新部１４は、別途、ガンマ分布ではなく、それぞれの距離尺度や類似度に適した分布を設定し、前記ベイズの定理を基にして数式の導出を行ったものを採用しても良い。
パラメータ更新部１４は、同一人物でない分布であるｐ_２の表現として、入力ｘ^（１） _ｉとｘ^（２） _ｊがランダムに発生した場合の距離または類似度の分布で代用しても良い。
Ｓが最大、またはＳ’が最小となるようなパラメータＡ，ａ，ｂ，ｃの算出方法として、パラメータ更新部１４は、一般的なさまざまな最適化手法を用いれば良い。たとえば、パラメータ更新部１４は、ある予め定めた定数αを用いて、

の処理を反復するといった、勾配法を用いて推定を行えば良い。または、パラメータ更新部１４は、ニュートン法や共役勾配法など、他の最適化手法を用いても良い。
または、パラメータ更新部１４は、ランダムにｘ^（１） _ｉ、ｘ^（２） _ｊを選択して、逐次パラメータの更新を行う確率的降下法の枠組みに従って学習しても良い。この場合、実際にランダムに入力を与えると、パラメータ更新部１４の学習の収束が遅くなる可能性がある。そこで代わりに、パラメータ更新部１４は、予め各人物毎に、それぞれ特徴量の平均値を計算しておき、ｘ^（１） _ｉ、ｘ^（２） _ｊのうち一方を、前記特徴量をそのまま利用する代わりに前記特徴量が表す予め起算しておいた前記人物の特徴量の平均値で代用して、確率的降下法を実施しても良い。
また、パラメータ更新部１４の動作としては、前記特徴抽出用パラメータＡのパラメータを直接推定する代わりに、特徴抽出用パラメータＡを予め定めたＫ個のＤ’×Ｄ行列Ａ_ｋ（ｋ＝１，．．．，Ｋ）を用いて、

と重みパラメータｗ_ｋを用いた線形和で表現し、特徴抽出用パラメータＡを直接推定する代わりに、重みパラメータｗ_ｋ（ｋ＝１，．．．，Ｋ）を推定する方法も考えられる。特徴抽出用パラメータＡのパラメータ数はＤ’×Ｄ個であるが、特徴抽出用パラメータＡを前記線形和で表現した場合、パラメータ更新部１４は、特徴抽出用パラメータＡを表すＫ個のパラメータを推定すれば良いため、特に特徴抽出用パラメータＡの推定に利用するデータ数Ｎ_１、Ｎ_２が少ない場合に、安定してパラメータ推定が行える。
パラメータ更新部１４における前記重みパラメータｗのパラメータ推定も、前記特徴抽出用パラメータＡなどのパラメータ推定方法と同様である。すなわち、パラメータ更新部１４は、重みパラメータｗのパラメータ推定として、例えば勾配法を用いて、

として算出すれば良い。
パラメータ更新部１４は、前記行列Ａ_ｋとして、具体的には例えば、データｘ^（１） _ｉ、ｘ^（２） _ｊ全部に対しＰＣＡを行った結果得られる固有ベクトルｕ_ｋを用いて、
Ａ_ｋ＝ｕ_ｋｕ_ｋ ^Ｔ（Ｔは転置を表す）
と設定したものを用いれば良い。または、パラメータ更新部１４は、ＰＣＡのかわりにＬＤＡや、ＬＤＡの各種拡張手法で得られる固有ベクトルｕ_ｋを用いても良い。
あるいは、パラメータ更新部１４は、Ｄ次元ベクトルである入力ｘ^（１） _ｉとｘ^（２） _ｊの特徴空間の各軸を表す基底ベクトルを用いても良い。この場合、特徴抽出用パラメータＡは、特徴空間の各軸方向の拡大縮小を考慮した行列になる。
また、パラメータ更新部１４は、前記重みパラメータｗ_ｋに対してもｗｅｉｇｈｔ Ｄｅｃａｙの項を追加して、

のように設定しても良いし、ｗｅｉｇｈｔ Ｄｅｃａｙの項として、

のように１乗の形にしても良いし、他のべき乗項など、ｗｅｉｇｈｔ Ｄｅｃａｙで一般的に利用されるさまざまな項の形で置き換えても良い。
データ照合部１５は、距離・類似度計算部１３から得た距離または類似度を用いて、照合される顔画像データが同一人物のデータか否かを判断する。
例えばユークリッド距離などの距離の値が得られる場合、データ照合部１５は、判定する方法として予め定めた閾値ｔｈを用いて、ｄ_ｉｊ＜ｔｈなら入力ｘ^（１） _ｉが表す人物とｘ^（２） _ｊが表す人物は同一人物であり、そうでなければ同一人物ではない、との照合処理を行えば良い。
また、正規化相関値などの類似度を用いる場合、データ照合部１５は、判定する方法として予め定めた閾値ｔｈ’を用いて、ｒ_ｉｊ＞ｔｈ’なら入力ｘ^（１） _ｉが表す人物とｘ^（２） _ｊが表す人物は同一人物であり、そうでなければ同一人物ではない、との照合処理を行えば良い。
あるいは、閾値処理を行う代わりに、データ照合部１５は、すべてのｉに対してｒ_ｉｊを計算し、最大となるｉに対応する入力ｘ^（１） _ｉの人物が入力ｘ^（２） _ｊが表す人物であると判定しても良い。
結果出力部１６は、データ照合部１５で得られた照合結果をコンピュータのモニタに表示したり、ディスクに結果を保存したりする。結果出力部１６の出力は、例えばモニタに照合対象の入力ｘ^（１） _ｉとｘ^（２） _ｊとが同一人物か否かを順次表示するなど、結果出力部１６の出力手法については特に制限は無い。
特徴抽出用パラメータ格納部２１は、特徴抽出部１２が特徴抽出処理を行う際に必要となる特徴抽出用パラメータＡを、例えば特徴抽出用パラメータ格納部２１が備える辞書などに格納する。具体的には、特徴抽出用パラメータ格納部２１は、前記Ｄ’×Ｄ行列である特徴抽出用パラメータＡを格納することになる。
次に、図２及び図３を参照して本発明を実施するための最良の形態の動作について詳細に説明する。
本発明の実施形態のパターン照合装置は、まず予め、適切な特徴抽出用パラメータＡを特徴抽出用パラメータ格納部２１に格納しておく必要がある。そのための処理を含めてパターン照会装置の処理について、図２を参照して詳細に説明する。
実際に顔照合を行わせたいデータとは別に、特徴抽出用パラメータＡを算出するための多数の顔画像データを、データ登録部１１に登録する（ステップＡ１）。
そして、特徴抽出用パラメータ格納部２１は、特徴抽出用パラメータＡとして仮にその登録された多数の顔画像データから求めた値を辞書に格納する（ステップＡ２、Ａ３）。具体的には、特徴抽出用パラメータ格納部２１は、仮に格納しておく特徴抽出用パラメータＡとして、例えば、登録した多数の顔画像データｘ^（１） _ｉ（ｉ＝１，．．．，Ｎ_１）、ｘ^（２） _ｊ（ｊ＝１，．．．，Ｎ_２）全体のデータ集合に対して、［非特許文献１］〜［非特許文献４］などに記載される処理などを実施して算出した特徴抽出用パラメータＡを格納すれば良い。
次に、本発明のパターン照合装置は、変数ｔを用意し、変数ｔに０をセットする（ステップＡ４）。変数ｔは、以降の処理ステップＡ５からステップＡ８までの処理を実行した回数を表す。
データ登録部１１を介して照合する顔データを受け取った特徴抽出部１２は、特徴抽出用パラメータ格納部２１に格納してある特徴抽出用パラメータＡを用いて、特徴抽出処理を実施する（ステップＡ５）。
ステップＡ５において特徴抽出部１２が求めた特徴値を用いて、距離・類似度計算部１３は、照合するデータの距離または類似度の計算を行う（ステップＡ６）。
次に距離・類似度計算部１３によりステップＡ６で得られた距離または類似度の値を基に、パラメータ更新部１４は、より望ましい値に近づくように特徴抽出用パラメータＡ、パラメータａ，ｂ，ｃの更新を行う（ステップＡ７）。距離の場合、パラメータ更新部１４は、同一人物の場合は小さく、同一人物でない場合は大きくなるように特徴抽出用パラメータＡなどの更新を行う。また、類似度の場合、パラメータ更新部１４は、同一人物の場合は大きく、同一人物出ない場合は小さくなるように特徴抽出用パラメータのＡなどの更新を行う。
また、前記パラメータ更新部１４は、パラメータａ，ｂ，ｃの初期値として、例えばランダムに設定するか、例えば、ａ＝−１，ｂ＝０，ｃ＝０．５といった設定を行えば良い。あるいは、パラメータ更新部１４は、特徴抽出用パラメータＡを更新する前にａ，ｂ，ｃを更新していき、現状与えられている特徴抽出用パラメータＡの下での最適なａ，ｂ，ｃを導出して、それを初期値として用いても良い。
パラメータ更新部１４は、更新した特徴抽出用パラメータＡなどを再度、特徴抽出用パラメータ格納部２１に格納する（ステップＡ８）。
パターン照合装置は、処理を終了しても良いか否かを判定する（ステップＡ９）。たとえば、パターン照合装置は、予め定めた定数ｔｈに対し、ステップＡ５からステップＡ８までの処理の回数の変数ｔが上回るのであれば、十分な回数実施したと判定して終了し、そうでなければ終了しないとすればよい。または、パターン照合装置は、前記評価関数ＳやＳ’の値をパラメータ更新前の値とパラメータ更新後の値との比較を実施し、変化が十分小さいと判断すれば終了し、そうでなければ終了しないと判定してもよい。
ステップＡ９で終了しないと判定された場合、パターン照合装置は、変数ｔを１増加させ（ステップＡ１０）、ステップＡ８でパラメータ更新部１４が更新した特徴抽出用パラメータＡを用いて、再度特徴抽出部１２がステップＡ５の特徴計算を実施し、処理を反復させる。以上の処理をパターン照会装置は、ステップＡ９において終了判定となるまで繰り返す。
次に、実際に照合処理を行いたい対象のデータを入力する場合について、図３を参照して詳細に説明する。
データ登録部１１は、実際に顔照合を行わせたいデータを、ステップＡ１と同様、受け取る（ステップＢ１）。
次に、ステップＡ５と同様に、特徴抽出部１２は、特徴抽出用パラメータ格納部２１に格納してある特徴抽出用パラメータＡを用いて、特徴を抽出する処理を実施する（ステップＢ２）。
距離・類似度計算部１３は、ステップＡ６で用いた照合のための計算処理と同じ、照合のための距離又は類似度の計算処理を実施する（ステップＢ３）。
データ照合部１５は、人物判定を実施し、結果出力部１６が照合結果を出力する（ステップＢ４）。
このように本実施形態に係るパターン照合装置は、部分空間を最適にする効果を獲ることができる。
その理由は、本実施形態に係るパターン照合装置は、部分空間を抽出するパラメータを、照合に用いる距離や類似度に応じた学習により改善することができるためである。
なお、本発明の最小構成の実施形態は、図４に示すように、特徴抽出部１２と、距離・類似度計算部１３と、パラメータ構成部１４とにより構成でき、この最小構成においても、本発明の効果である、照合に用いる距離や類似度に応じた部分空間を学習することができる。
また、部分空間において、各人物のデータが存在する空間をその人物のカテゴリと言う場合がある。照合するデータが同一人物の場合、それらのデータは、同じカテゴリのデータとなる。そして、あるカテゴリに所属するデータと同じカテゴリのデータとの距離は、他のカテゴリのデータとの距離より短い。同様に、あるカテゴリに所属するデータと同じカテゴリのデータとの類似度は、他のカテゴリのデータとの類似度より高くなる。従って、パラメータ更新部１４及びデータ照合部１５は、距離又は類似度から、照合するデータが同じカテゴリかどうかを判断することができる。
そして、既に説明を行った、パラメータ更新部１４が、同一人物の場合に、より距離が小さく、または類似度が大きくなるようにする処理を、同一カテゴリである照合結果に近づくようにする処理と言う。また、パラメータ更新部１４が、同一人物ではない場合に、より距離が大きく、または類似度が小さくなるようにする処理を、同一カテゴリが否の照合結果に近づくようにする処理と言う。

次に、図１から図３を用いて本発明の実施するための具体的な実施例をについて説明する。
本実施例のパラメータ照合装置は、事前に特徴抽出用パラメータを推定するために、照合を行わせたい画像データとは別に、１人１０枚ずつ１０００人の顔画像データを収集した。
データ登録部１１は、すべての顔画像データの大きさを８０×８０とし、かつ右目の位置と左目の位置が同一座標値にくるように大きさの正規化を実施した。
これらの画像データの階調値を並べたベクトルは、８０×８０＝６４００次元のベクトルとして表現される。データ登録部１１は、これらのベクトルをｘ_ｋ（ｋ＝１，．．．，１０００×１０）とする。さらに、データ登録部１１は、ｘ_ｋ（ｋ＝１，．．．，１０００×１０）をｘ^（１） _ｉ＝ｘ_ｉ（ｉ＝１，．．．，１０００×１０）、ｘ^（２） _ｊ（ｊ＝１，．．．，１０００×１０）とする。つまり、データ登録部１１は、ｘ^（１） _ｉとｘ^（２） _ｊを同じ値とする。
次に上記のｘに対して本実施例のパターン照合装置は、［非特許文献２］で記述されるＬＤＡ処理により、初期の特徴抽出用パラメータＡを算出し、特徴抽出用パラメータ格納部２１の辞書に格納する（ステップＡ２、Ａ３）。
次に、本実施例のパラメータ照合装置は、変数ｔに０をセットする（ステップＡ４）。変数ｔは、以降の処理ステップＡ５からステップＡ８までの処理を実行した回数を表す。
照合する顔画像データを受け取った特徴抽出部１２は、特徴抽出用パラメータ格納部２１に格納してある特徴抽出用パラメータＡを用いて、特徴抽出処理を実施する（ステップＡ５）。具体的には、特徴抽出部１２が、ｚ^（１） _ｉ＝ｚ^（２） _ｉ＝Ａｘ_ｉ（ｉ＝１，．．．，１０００×１０）を求める。
次に距離・類似度計算部１３は、ステップＡ５で得られた特徴値ｚ^（１） _ｉ、ｚ^（２） _ｊを用いて、すべての組み合わせに対して正規化相関値

を計算する（ステップＡ６）。
距離・類似度計算部１３によりステップＡ６で得られた正規化相関値として求めた照合のための計算結果のデータが、より望ましい値に近づくように、パラメータ更新部１４は、特徴抽出用パラメータ格納部２１のパラメータの更新を行う（ステップＡ７）。具体的には、パラメータ更新部１４は、パラメータａ，ｂ，ｃの初期値としてａ＝−１，ｂ＝０，ｃ＝０．５と予め設定する。また、パラメータ更新部１４は、予めＣ＝０．００１と定数Ｃを定めておき、

として計算できるＳ’が小さくなるように、特徴抽出用パラメータＡとパラメータａ，ｂ，ｃを、

のように予め定めた定数αを用いて更新する（ステップＡ８）。定数αは、具体的にはα＝０．０１として定める。
パターン照合装置は、処理を終了しても良いか否かを変数ｔが１００を超えるか否か、すなわちｔ≦１００か否かをもって判定する（ステップＡ９）。
最初の時点ではｔ＝１のため、ｔ≦１００となるため、パターン照合装置は、終了でないと判定し、変数ｔを１増加させる（ステップＡ１０）。
そして、特徴抽出部１２は、ステップＡ８で更新された特徴抽出用パラメータ格納部２１が格納している特徴抽出用パラメータＡを用いて、再度ステップＡ５の特徴計算を実施する。パターン照合装置は、処理を反復させ、以上の処理をステップＡ９において終了と判定するまで繰り返す。
次に、実際に照合処理を行う場合の処理について、図３を参照して詳細に説明する。
本説明では、実際に顔照合を行わせたい顔画像データは、２枚の顔画像データのペアとし、前記２枚の顔画像データが同一人物か否かを判定する場合を考える。ステップＡ１と同様、データ登録部１１は、６４００次元のベクトルｘ^（１）とｘ^（２）のペアとして顔画像データを特徴抽出部１２に出力する（ステップＢ１）。
次に、ステップＡ５と同様に、特徴抽出部１２は、特徴抽出用パラメータ格納部２１に格納してある特徴抽出用パラメータＡを用いて、特徴抽出処理を実施し、
ｚ^（１）＝Ａｘ^（１）
ｚ^（２）＝Ａｘ^（２）
を得る（ステップＢ２）。
次に距離・類似度計算部１３は、ステップＡ６で用いた処理と同じ類似度である正規化相関値

を計算する（ステップＢ３）。
次にデータ照合部１５は、予め定めた閾値ｔｈ’＝０．５に対し、ｒがｔｈ’より大きいか否かを判定し、大きければ同一人物であるという結果を結果出力部１６が出力し、そうでなければ同一人物ではないという結果を結果出力部１６が出力する（ステップＢ４）。
このように本実施例に係るパターン照合装置は、部分空間を最適にする効果を得ることができる。
その理由は、本実施例に係るパターン照合装置は、部分空間を抽出するパラメータを照合に用いる距離や類似度に応じた学習により改善することができるためである。
以上、実施形態及び実施例を説明したが、特許請求の範囲に定義された本発明の広範囲な趣旨および範囲から逸脱することなく、これら実施形態及び実施例に様々な修正および変更が可能である。
また、実施形態及び実施例を参照して本願発明を説明したが、本願発明は上記実施形態及び実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
この出願は、２００９年３月２７日に出願された日本出願特願２００９−０８０５３２を基礎とする優先権を主張し、その開示の全てをここに取り込む。

Claims (17)

1. 特徴抽出用パラメータを用いて、データを低次元化することで特徴値を抽出する特徴抽出手段と、
   前記特徴値を用いて照合するデータの距離又は類似度を計算する計算手段と、
   前記距離又は類似度を比較して、前記距離又は類似度の値が同一カテゴリか否かの照合結果に近づくように前記特徴抽出用パラメータを更新するパラメータ更新手段と、を備えることを特徴とするパターン照合装置。
2. 前記パラメータ更新手段は、照合するデータが同一カテゴリか否かを判断する事後確率に対する最尤推定を行うことで更新する前記特徴抽出用パラメータを算出することを特徴とする請求項１記載のパターン照合装置。
3. 前記パラメータ更新手段は、同一カテゴリの場合の距離または類似度の分布と、異なるカテゴリの場合の距離または類似度の分布をモデル化し、ベイズの定理をもちいて事後確率をパラメータ化した尺度を用いることを特徴とする請求項２に記載のパターン照合装置。
4. 前記パラメータ更新手段は、同一カテゴリの場合の距離または類似度の分布と、同一カテゴリではない場合の距離または類似度の分布としてガンマ分布を用いることを特徴とする請求項３に記載のパターン照合装置。
5. 前記パラメータ更新手段は、照合するデータが異なるカテゴリの場合の距離または類似度の分布として、前記照合するデータがランダムな値が入力されると仮定して導出した確率密度を用いることを特徴とする請求項３に記載のパターン照合装置。
6. 前記パラメータ更新手段は、事後確率を、計算を距離や類似度の値を変数とするロジスティック回帰とすることを特徴とする請求項２に記載のパターン照合装置。
7. 前記パラメータ更新手段により更新された前記特徴抽出用パラメータを用いて、前記計算手段が前記距離又は類似度を算出し、算出した距離又は類似度を基に同一カテゴリか否かの判断を行う照合手段を備えることを特徴とする請求項１から６のいずれか１項に記載のパターン照合装置。
8. 前記照合手段は、前記距離又は類似度が闘値に達しているか否かに応じて同一カテゴリか否かを判断することを特徴とする請求項７に記載のパターン照合装置。
9. 特徴抽出用パラメータを用いて、データを低次元化することで特徴値を抽出し、
   前記特徴値を用いて照合するデータの距離又は類似度を計算し、
   前記距離又は類似度を比較して、前記距離又は類似度の値が同一カテゴリか否かの照合結果に近づくように前記特徴抽出用パラメータを更新することを特徴とするパターン照合方法。
10. 照合するデータが同一カテゴリか否かを判断する事後確率に対する最尤推定を行うことで更新する前記特徴抽出用パラメータを算出することを特徴とする請求項９記載のパターン照合方法。
11. 同一カテゴリの場合の距離または類似度の分布と、異なるカテゴリの場合の距離または類似度の分布をモデル化し、ベイズの定理をもちいて事後確率をパラメータ化した尺度を用いることを特徴とする請求項１０に記載のパターン照合方法。
12. 同一カテゴリの場合の距離または類似度の分布と、同一カテゴリではない場合の距離または類似度の分布としてガンマ分布を用いることを特徴とする請求項１１に記載のパターン照合方法。
13. 照合するデータが異なるカテゴリの場合の距離または類似度の分布として、前記照合するデータがランダムな値が入力されると仮定して導出した確率密度を用いることを特徴とする請求項１１に記載のパターン照合方法。
14. 事後確率を、計算を距離や類似度の値を変数とするロジスティック回帰とすることを特徴とする請求項１０に記載のパターン照合方法。
15. 更新された前記特徴抽出用パラメータを用いて、前記距離又は類似度を算出し、算出した距離又は類似度を基に同一カテゴリか否かの判断を行うことを特徴とする請求項９から１４のいずれか１項に記載のパターン照合方法。
16. 前記距離又は類似度が閾値に達しているか否かに応じて同一カテゴリか否かを判断することを特徴とする請求項１５に記載のパターン照合方法。
17. 特徴抽出用パラメータを用いて、データを低次元化することで特徴値を抽出する特徴抽出処理と、
    前記特徴値を用いて照合するデータの距離又は類似度を計算する計算処理と、
    前記距離又は類似度を比較して、前記距離又は類似度の値が同一カテゴリか否かの照合結果に近づくように前記特徴抽出用パラメータを更新するパラメータ更新処理と、をコンピュータに実行させるプログラム。

Images