JP6060638B2 - 対象物識別装置、学習サンプル作成装置、及びプログラム - Google Patents

Description

本発明は、対象物識別装置、学習サンプル作成装置、及びプログラムに係り、特に、処理対象の画像が対象物を表す画像であるか否かを識別する対象物識別装置及びプログラム、並びに対象物を識別する識別モデルを学習するための学習サンプルを作成する学習サンプル作成装置及びプログラムに関する。

従来、撮像された画像から対象物を識別するために、その画像の特徴量としてＦＩＮＤ（Feature Interaction Descriptor）特徴を用いる画像処理装置が提案されている（例えば、特許文献１参照）。ＦＩＮＤ特徴は、画像内の２つの領域の勾配方向ヒストグラム特徴量（ＨＯＧ：Histogram of Oriented Gradients）の共起（相関）を求めることによって、複雑な形状の抽出を可能としており、画像による物体識別において、高い識別能力を持っている。

また、元々スパースな特徴量のデータサイズを縮小することによって、メモリの少ないデバイスで、対象物の識別を実行可能にする方法が提案されている（例えば、非特許文献１参照）。また、学習サンプルにおいて、要素毎に閾値を決定して学習サンプルをスパース化する方法が提案されている（例えば、非特許文献２参照）。また、画像間の対応点を高速に求めるために、疎変換行列をサンプル集合から事前に算出しておき、量子化によってデータサイズを削減し高速化する方法が提案されている（例えば、非特許文献３参照）。

特開２０１１−５３９５３号公報

"Compact Signatures for High-speed Interest Point Description and Matching", ICCV2009, pp.257-364 "局所特徴量のハッシングに基づく大規模画像検索", DEMI Forum 2009. "低スペックＣＰＵのための高速かつ省メモリな局所特徴量", 第１７回画像センシングシンポジウム予稿集，IS3-09-1〜IS3-09-6.

しかしながら、上記のＦＩＮＤ特徴量は、ＨＯＧ特徴間の共起を求めるため、特徴量ベクトルの次元がＨＯＧ特徴と比べて十倍程度と大きくなっている。そのため、識別及び学習に要する計算時間が長く、またデータサイズが肥大化する、という問題がある。また、ＦＩＮＤ特徴に限らず、データサイズが大きくなると、識別精度の向上を目的として複数のモデルを用いた場合や多数のカーネルを使用する非線形識別器を用いた場合に、識別時間が増大し、現実的ではなくなるため、識別精度の向上が望めない。

また、非特許文献１〜３のように、特徴量をスパース化することにより計算量及びデータサイズを削減することが考えられる。しかし、適切なスパース化を行わなければ、スパース化後の特徴量を用いて識別する際に、識別性能が低下してしまう、という問題がある。

本発明は、上記の問題点を解決するためになされたもので、識別性能を低下させることなく、データ量及び処理時間を削減することができる対象物識別装置及びプログラム、並びに対象物を識別する識別モデルを学習するための学習サンプルを作成する学習サンプル作成装置及びプログラムを提供することを目的とする。

上記目的を達成するために、第１の発明の対象物識別装置は、処理対象の画像から、該画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する第１抽出手段と、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する決定手段と、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、前記決定手段により決定された判定基準値以上の要素で表された第２特徴量ベクトル、または前記判定基準値より小さい要素を０とした第２特徴量ベクトルを抽出する第２抽出手段と、前記第２抽出手段により抽出された第２特徴量ベクトルと、対象物を識別するための識別モデルとに基づいて、前記処理対象の画像が前記対象物を表す画像か否かを識別する識別手段と、を含んで構成されている。

第１の発明の対象物識別装置によれば、第１抽出手段が、処理対象の画像から、画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する。次に、決定手段が、第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する。さらに、第２抽出手段が、第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、決定手段により決定された判定基準値以上の要素で表された第２特徴量ベクトル、または判定基準値より小さい要素を０とした第２特徴量ベクトルを抽出する。そして、識別手段が、第２抽出手段により抽出された第２特徴量ベクトルと、対象物を識別するための識別モデルとに基づいて、処理対象の画像が対象物を表す画像か否かを識別する。

このように、処理対象の画像から、画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出し、各要素の平均より大きい判定基準値を決定して、判定基準値以上の要素を有効な要素とした第２特徴量ベクトルを抽出して識別に用いるため、識別性能を低下させることなく、データ量及び処理時間を削減することができる。

また、前記第２抽出手段は、前記判定基準値以上の要素の値を正規化した前記第２特徴量ベクトルを抽出することができる。このように、有効な要素のみを正規化すればよいため、正規化の処理を削減することができる。

また、上記目的を達成するために、第２の発明の対象物識別装置は、処理対象の画像から、該画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する第１抽出手段と、前記第１抽出手段により抽出された第１特徴量ベクトルの要素から抽出される第２特徴量ベクトルの各要素を正規化するための正規化係数を、前記第１特徴量ベクトルの要素に基づいて算出する正規化係数算出手段と、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する決定手段と、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、前記決定手段により決定された判定基準値以上の要素から演算され、かつ前記正規化係数算出手段により算出された正規化係数により正規化された値を要素とする前記第２特徴量ベクトルを抽出する第２抽出手段と、前記第２抽出手段により抽出された第２特徴量ベクトルと、対象物を識別するための識別モデルとに基づいて、前記処理対象の画像が前記対象物を表す画像か否かを識別する識別手段と、を含んで構成されている。

第２の発明の対象物識別装置によれば、第１抽出手段が、処理対象の画像から、画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する。次に、正規化係数算出手段が、第１抽出手段により抽出された第１特徴量ベクトルの要素から抽出される第２特徴量ベクトルの各要素を正規化するための正規化係数を、第１特徴量ベクトルの要素に基づいて算出する。また、決定手段が、第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する。さらに、第２抽出手段が、第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、決定手段により決定された判定基準値以上の要素から演算され、かつ正規化係数算出手段により算出された正規化係数により正規化された値を要素とする第２特徴量ベクトルを抽出する。そして、識別手段が、第２抽出手段により抽出された第２特徴量ベクトルと、対象物を識別するための識別モデルとに基づいて、処理対象の画像が対象物を表す画像か否かを識別する。

このように、第１特徴量ベクトルの有効な要素を第２特徴量ベクトルとして抽出する際の正規化係数を事前に算出しておくことで、第２特徴量ベクトルの抽出では、必要な要素の計算のみを行えばよいため、識別性能を低下させることなく、データ量及び処理時間を削減することができる。

また、第１及び第２の発明の対象物識別装置は、前記第１特徴量ベクトルの各要素のうち、少なくとも前記決定手段により決定された判定基準値より小さい要素を用いて追加特徴量ベクトルを抽出する追加特徴量抽出手段を含んで構成することができ、前記識別手段は、前記第２特徴量ベクトルと前記追加特徴量ベクトルとに基づいて、前記処理対象の画像が前記対象物を表す画像か否かを識別することができる。これにより、識別に用いる第２特徴量ベクトルの要素数の削減による識別性能の低下を抑制することができる。

また、前記第１抽出手段は、前記処理対象の画像を複数の領域に分割し、該領域毎に前記第１特徴量ベクトルを抽出し、前記決定手段は、前記領域毎に前記判定基準値を決定することができる。これにより、領域毎に判定基準値を決定することができるため、より精度良く各要素の有効性を判定することができる。

また、前記第１特徴量ベクトル及び前記第２特徴量ベクトルとして、ＨＯＧ特徴量またはＦＩＮＤ特徴量を抽出するか、または前記第１特徴量ベクトルとしてＨＯＧ特徴量を抽出すると共に、前記第２特徴量ベクトルとしてＦＩＮＤ特徴量を抽出することができる。ＨＯＧ特徴量は、各画素の輝度値の勾配を複数の方向に分類したヒストグラムを特徴量ベクトルとするものであり、ＦＩＮＤ特徴量は、ＨＯＧ特徴量の各要素間の相関を要素とする特徴量ベクトルであり、いずれも画像の特徴量を複数に分類した物理量に関連する値を要素とする特徴量ベクトルである。

また、上記目的を達成するために、第３の発明の学習サンプル作成装置は、対象物を表す複数の画像各々、及び非対象物を表す複数の画像各々から、該画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する第１抽出手段と、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する決定手段と、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、前記決定手段により決定された判定基準値以上の要素で表された第２特徴量ベクトル、または前記判定基準値より小さい要素を０とした第２特徴量ベクトルを、対象物を識別するための識別モデルを学習するための学習サンプルとして抽出する第２抽出手段と、を含んで構成することができる。

第３の発明の学習サンプル作成装置によれば、第１抽出手段が、対象物を表す複数の画像各々、及び非対象物を表す複数の画像各々、すなわちサンプル画像各々から、画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する。そして、決定手段が、第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する。そして、第２抽出手段が、第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、決定手段により決定された判定基準値以上の要素で表された第２特徴量ベクトル、または判定基準値より小さい要素を０とした第２特徴量ベクトルを、対象物を識別するための識別モデルを学習するための学習サンプルとして抽出する。

このように、対象物を識別するための識別モデルを学習するための学習サンプルとして、サンプル画像から、画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出し、各要素の平均より大きい判定基準値を決定して、判定基準値以上の要素を有効な要素とした第２特徴量ベクトルを抽出するため、識別性能を低下させることなく、データ量及び処理時間を削減することができる。

また、上記目的を達成するために、第４の発明の学習サンプル作成装置は、対象物を表す複数の画像各々、及び非対象物を表す複数の画像各々から、該画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する第１抽出手段と、前記第１抽出手段により抽出された第１特徴量ベクトルの要素から抽出される第２特徴量ベクトルの各要素を正規化するための正規化係数を、前記第１特徴量ベクトルの要素に基づいて算出する正規化係数算出手段と、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する決定手段と、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、前記決定手段により決定された判定基準値以上の要素から演算され、かつ前記正規化係数算出手段により算出された正規化係数により正規化された値を要素とする前記第２特徴量ベクトルを、対象物を識別するための識別モデルを学習するための学習サンプルとして抽出する第２抽出手段と、を含んだ構成で表すことができる。

第４の発明の学習サンプル作成装置によれば、第１抽出手段が、処理対象の画像から、画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する。次に、正規化係数算出手段が、第１抽出手段により抽出された第１特徴量ベクトルの要素から抽出される第２特徴量ベクトルの各要素を正規化するための正規化係数を、第１特徴量ベクトルの要素に基づいて算出する。また、決定手段が、第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する。そして、第２抽出手段が、第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、決定手段により決定された判定基準値以上の要素から演算され、かつ正規化係数算出手段により算出された正規化係数により正規化された値を要素とする第２特徴量ベクトルを、対象物を識別するための識別モデルを学習するための学習サンプルとして抽出する。

このように、対象物を識別するための識別モデルを学習するための学習サンプルとして、第１特徴量ベクトルの有効な要素を第２特徴量ベクトルとして抽出する際に、正規化係数を事前に算出しておくことで、第２特徴量ベクトルの抽出では、必要な要素の計算のみを行えばよいため、ため、識別性能を低下させることなく、データ量及び処理時間を削減することができる。

また、上記目的を達成するために、第５の発明の対象物識別プログラムは、コンピュータを、処理対象の画像から、該画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する第１抽出手段、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する決定手段、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、前記決定手段により決定された判定基準値以上の要素で表された第２特徴量ベクトル、または前記判定基準値より小さい要素を０とした第２特徴量ベクトルを抽出する第２抽出手段、及び前記第２抽出手段により抽出された第２特徴量ベクトルと、対象物を識別するための識別モデルとに基づいて、前記処理対象の画像が前記対象物を表す画像か否かを識別する識別手段として機能させるためのプログラムである。

また、上記目的を達成するために、第６の発明の対象物識別プログラムは、コンピュータを、処理対象の画像から、該画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する第１抽出手段、前記第１抽出手段により抽出された第１特徴量ベクトルの要素から抽出される第２特徴量ベクトルの各要素を正規化するための正規化係数を、前記第１特徴量ベクトルの要素に基づいて算出する正規化係数算出手段、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する決定手段、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、前記決定手段により決定された判定基準値以上の要素から演算され、かつ前記正規化係数算出手段により算出された正規化係数により正規化された値を要素とする前記第２特徴量ベクトルを抽出する第２抽出手段、及び前記第２抽出手段により抽出された第２特徴量ベクトルと、対象物を識別するための識別モデルとに基づいて、前記処理対象の画像が前記対象物を表す画像か否かを識別する識別手段として機能させるためのプログラムである。

また、上記目的を達成するために、第７の発明の学習サンプル作成プログラムは、コンピュータを、対象物を表す複数の画像各々、及び非対象物を表す複数の画像各々から、該画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する第１抽出手段、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する決定手段、及び前記第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、前記決定手段により決定された判定基準値以上の要素で表された第２特徴量ベクトル、または前記判定基準値より小さい要素を０とした第２特徴量ベクトルを、対象物を識別するための識別モデルを学習するための学習サンプルとして抽出する第２抽出手段として機能させるためのプログラムである。

また、上記目的を達成するために、第８の発明の学習サンプル作成プログラムは、コンピュータを、対象物を表す複数の画像各々、及び非対象物を表す複数の画像各々から、該画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する第１抽出手段、前記第１抽出手段により抽出された第１特徴量ベクトルの要素から抽出される第２特徴量ベクトルの各要素を正規化するための正規化係数を、前記第１特徴量ベクトルの要素に基づいて算出する正規化係数算出手段、前記第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する決定手段、及び前記第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、前記決定手段により決定された判定基準値以上の要素から演算され、かつ前記正規化係数算出手段により算出された正規化係数により正規化された値を要素とする前記第２特徴量ベクトルを、対象物を識別するための識別モデルを学習するための学習サンプルとして抽出する第２抽出手段として機能させるためのプログラムである。

以上説明したように、本発明の対象物識別装置、学習サンプル作成装置、及びプログラムによれば、処理対象の画像から、画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出し、各要素の平均より大きい判定基準値を決定して、判定基準値以上の要素を有効な要素とした第２特徴量ベクトルを抽出して識別に用いるため、識別性能を低下させることなく、データ量及び処理時間を削減することができる、という効果が得られる。

第１の実施の形態の対象物識別装置の構成を示すブロック図である。 ウインドウ画像を複数のセルに分割する様子を示すイメージ図である。 各セルの勾配方向及び強度、並びに勾配方向ヒストグラムを示すグラフである。 勾配方向の分類の一例を示すイメージ図である。 各セルの勾配方向ヒストグラムを連結したＨＯＧ特徴量を示すイメージ図である。 判定基準値の決定の原理を説明するためのイメージ図である。 第１の実施の形態における識別処理ルーチンの内容を示すフローチャートである。 第１の実施の形態における学習処理ルーチンの内容を示すフローチャートである。 第２の実施の形態の対象物識別装置の構成を示すブロック図である。 ウインドウ画像を複数のセルからなる複数のブロックに分割する様子を示すイメージ図である。 ＨＯＧ特徴量の要素の各組み合わせの相関からＦＩＮＤ特徴量を抽出する様子を示すイメージ図である。 第２の実施の形態における識別処理ルーチンの内容を示すフローチャートである。 第３の実施の形態の対象物識別装置の構成を示すブロック図である。 第３の実施の形態における識別処理ルーチンの内容を示すフローチャートである。 第４の実施の形態の対象物識別装置の構成を示すブロック図である。 第４の実施の形態における識別処理ルーチンの内容を示すフローチャートである。 追加特徴量ベクトルの効果を説明するためのグラフである。 Ｈａａｒ−ｌｉｋｅ特徴量を抽出するための抽出フィルタの一例を示すイメージ図である。

以下、図面を参照して本発明の実施の形態を詳細に説明する。なお、本実施の形態では、車両前方を撮像した画像から識別対象物を識別する対象物識別装置に本発明を適用した場合を例に説明する。

＜第１の実施の形態＞
図１に示すように、第１の実施の形態に係る対象物識別装置１０は、車両（図示省略）に取り付けられ、かつ、車両の前方を撮像して画像を生成する撮像装置１２と、撮像装置１２から得られる撮像画像から識別対象物を識別する処理を実行するコンピュータ１４と、コンピュータ１４の識別結果を表示する表示装置１６とを備えている。

撮像装置１２は、車両の前方を撮像した画像の画像信号を生成する撮像部（図示省略）と、撮像部で生成された画像信号をＡ／Ｄ変換するＡ／Ｄ変換部（図示省略）と、Ａ／Ｄ変換された画像信号を一時的に格納するための画像メモリ（図示省略）とを備えている。

コンピュータ１４は、ＣＰＵと、ＲＡＭと、後述する識別処理ルーチン及び学習処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備えている。このコンピュータ１４は、機能的には、図１に示すように、識別部２０と学習部４０とを含んだ構成で表すことができる。

識別部２０はさらに、撮像装置１２により撮像された画像を取得して、取得した撮像画像から、様々な大きさの切り出しウインドウを用いて走査することにより、複数のウインドウ画像を抽出するウインドウ画像抽出部２２と、抽出した各ウインドウ画像から第１特徴量ベクトルを抽出する第１特徴量抽出部２４と、抽出された第１特徴量ベクトルの各要素の有効性を判定するための判定基準値を決定する判定基準決定部２６と、決定された判定基準値に基づいて有効と判定された第１特徴量ベクトルの各要素から第２特徴量ベクトルを抽出する第２特徴量抽出部２８と、第２特徴量ベクトルを用いて、ウインドウ画像が識別対象物を撮像した画像か否かを識別する対象物識別部３０とを含んだ構成で表すことができる。

第１特徴量抽出部２４は、ウインドウ画像抽出部２２で抽出された識別対象となるウインドウ画像から、ウインドウ画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する。第１の実施の形態では、第１特徴量ベクトルとしてＨＯＧ特徴量を抽出する。具体的には、図２に示すように、ウインドウ画像を、例えば、ｐ×ｐ画素からなるｑ×ｑ個の複数のセルに分割する。図２（図３左図も参照）では、１２×１２画素のウインドウ画像を、４×４画素のセル９個に分割した例を示している。そして、各セル内の全ての画素について、画像の特徴量として輝度勾配の方向及び強度を求める。勾配強度は、下記（１）式に従って算出される。

ただし、ｍ（ｘ，ｙ）は画像座標（ｘ，ｙ）での勾配強度であり、Ｉ（ｘ，ｙ）は画像座標（ｘ，ｙ）の輝度値である。ここで、勾配強度は、上記（１）式に示すように、画像の各画素を注目画素としたときの注目画素の周辺に存在する周辺画素の輝度差に基づいて求められ、注目画素及び周辺画素を含む所定領域内の輝度の変化度合いを示している。

また、勾配方向θは、下記（２）式に従って算出される。

ただし、θ（ｘ，ｙ）は画素座標（ｘ，ｙ）での勾配の方向である。

第１特徴量抽出部２４は、各セルについて算出された各画素の勾配強度及び勾配方向に基づいて、図３に示すように、各セルに対する勾配方向のヒストグラム（以下、勾配方向ヒストグラムと称する。）を算出する。具体的には、勾配方向を０〜１８０度或いは０〜３６０度の範囲を所定角度ずつに、ｍ方向に分割する。ここでは、図４に示すように、勾配方向を８つの方向に分類するものとする。同図の例では、０〜３６０度の範囲を４５度ずつに分割している。なお、ヒストグラムの投票時には、各画素の持つ勾配方向に対応したヒストグラム方向に、その画素が持つ勾配強度で投票することによって、勾配方向ヒストグラムを算出する。そして、図５に示すように、各セルの勾配方向ヒストグラムを連結して、各セルの各勾配方向各々を要素とし、各要素の勾配強度合計を特徴量値とするＨＯＧ特徴量を、第１特徴量ベクトルＨとして抽出する。第１特徴量ベクトルＨの各要素の特徴量値をｈ_ｉ（ｉ＝１，・・・，Ｍ、ｉは要素番号）とする。なお、Ｍは要素数であり、Ｍ＝ｍ×ｑ×ｑである。

判定基準決定部２６は、抽出された第１特徴量ベクトルＨの各要素ｈ_ｉの有効性を判定するための判定基準値を決定する。

ここで、本実施の形態における判定基準値の決定の原理について説明する。

第１の実施の形態のように、第１特徴量ベクトルとしてＨＯＧ特徴量を用いた場合には、各セル内が均一なパターンやランダムパターンでなければ、勾配方向を８方向に分割した場合、特徴量値が大きくなる要素数は通常２個以下、多くとも３個以下となる傾向が強い。また、特徴量値の小さな要素は、識別に有効な情報が含まれていないため、識別性能に与える影響が小さいことから、特徴量値が大きな要素のみを有効な要素と判定する。

そこで、図６に示すように、各要素の特徴量値の平均より大きい判定基準値を設け、この判定基準値以上の特徴量値を有する要素を有効な要素として判定するものである。判定基準値を、各要素の特徴量値の平均より大きい値とするのは、上記のように、特徴量値が大きい要素数より特徴量値が小さい要素数の割合の方が高い傾向があるため、判定基準値を平均値以下とすると、特徴量値が小さい要素の影響が大きく出すぎた判定基準値となってしまい、真に有効な要素を判定することができないためである。なお、平均化方法としては、相加平均、相乗平均、二乗平均など、特に限定されない。

判定基準決定部２６は、上記のような原理に従って、まず、特徴量ベクトルＸのノルムｒを求め、ノルムｒに係数ｋを掛けて判定基準値ｔｈを決定する。係数ｋは、例えば、√２／Ｍ〜√３／Ｍ程度の値とすることができる。Ｍは特徴量ベクトルの次元数（＝要素数）であるため、この係数ｋをノルムｒに掛けることにより、各要素の特徴量値の平均より大きな判定基準値が得られる。

第２特徴量抽出部２８は、第１特徴量ベクトルＨの各要素に対して、その要素の特徴量値ｈ_ｉが判定基準値ｔｈ以上か否かを判定することにより、その要素の有効性を判定する。そして、第１特徴量ベクトルＨの各要素のうち、特徴量値ｈ_ｉが判定基準値ｔｈより小さい要素の特徴量値ｈ_ｉを０とした第２特徴量ベクトルＸを抽出する。特徴量値が０の要素は、後述する対象物識別部３０において、識別器として線形ＳＶＭを用いる場合に、識別に寄与しなくなる。また、第１特徴量ベクトルＨの各要素のうち、特徴量値ｈ_ｉが判定基準値ｔｈ以上の要素のみで表された第２特徴量ベクトルＸを抽出するようにしてもよい。この場合、特徴量値ｈ_ｉが判定基準値ｔｈ以上となる要素番号ｉを記憶しておき、識別段階で、記憶された要素番号の要素のみを用いるようにするとよい。

また、第２特徴量抽出部２８は、有効な要素（特徴量値が０以外の要素）の特徴量値に正規化係数αを掛けて正規化し、有効性の判定及び正規化後の要素からなる第２特徴量ベクトルＸを抽出してもよい。正規化係数αは、第１特徴量ベクトルＨのノルムの逆数とすることができる。有効な要素を判定した後に正規化することで、正規化の処理も削減することができる。

対象物識別部３０は、第２特徴量抽出部２８により抽出された第２特徴量ベクトルＸに基づいて、識別モデル記憶部６０に記憶された識別モデル（詳細は後述）を用いて、ウインドウ画像が識別対象物を示す画像か否かを識別する。識別器として線形ＳＶＭを用いた場合には、下記（３）式を用いて評価値を求める。

ここで、ａ及びｂは学習によって求められたモデルで、ａ_ｉは第２特徴量ベクトルの要素番号ｉの要素の特徴量値ｘ_ｉに対する係数、ｂはバイアス値である。ｆ（Ｘ）≧０の場合に、処理対象のウインドウ画像が識別対象物を示す画像であると識別する。なお、第１の実施の形態では、ｘ_ｉ＝ｈ_ｉ（ｈ_ｉ≧ｔｈ），０（ｈ_ｉ＜ｔｈ）である。

また、学習部４０はさらに、第１特徴量抽出部４４と、判定基準決定部４６と、第２特徴量抽出部４８と、第２特徴量ベクトルを用いて、識別対象物を識別するための識別モデルを学習する識別モデル学習部５０とを含んだ構成で表すことができる。

第１特徴量抽出部４４は、識別対象物を撮像した部分を切り出しウインドウにより切り出した複数の対象物画像と、識別対象物以外を撮像した部分を切り出しウインドウにより切り出した複数の非対象物画像とをサンプル画像として取得する。サンプル画像を切り出すウインドウのサイズは、識別処理のウインドウ画像のサイズと同じである。そして、取得した複数の対象物画像及び複数の非対象物画像各々について、識別部２０の第１特徴量抽出部２４と同様に、第１特徴量ベクトルＨを抽出する。

判定基準決定部４６及び第２特徴量抽出部４８は、識別部２０の判定基準決定部２６及び第２特徴量抽出部２８と同様に、第１特徴量ベクトルＨから判定基準値を決定し、有効な要素を判定して、第２特徴量ベクトルＸを抽出する。

識別モデル学習部５０は、各サンプル画像について抽出された第２特徴量ベクトルＸを学習サンプルとし、各サンプル画像が対象物画像及び非対象物画像の何れであるかに応じて付与される教師ラベルを用いて、識別モデルとして線形ＳＶＭを学習する。学習処理により求めた識別モデルを識別モデル記憶部６０に記憶する。

次に、第１の実施の形態の対象物識別装置１０の作用について説明する。後述する学習処理ルーチンにより学習された識別モデルが識別モデル記憶部６０に記憶された状態で、対象物識別装置１０を搭載した車両の走行中に、撮像装置１２によって車両の前方の所定領域が撮像されると、コンピュータ１４は、撮像装置１２から撮像画像を取得し、撮像画像に対して、様々な大きさの切り出しウインドウを走査しながら、切り出しウインドウによってウインドウ画像を抽出する。そして、コンピュータ１４において、抽出したウインドウ画像の各々について、図７に示す識別処理ルーチンが実行される。

ステップ１００で、ウインドウ画像を複数のセルに分割し、各セル内の全ての画素について、輝度勾配の方向及び強度を求め、勾配方向ヒストグラムを算出する。そして、各セルの勾配方向ヒストグラムを連結して、各セルの各勾配方向各々を要素ｉとし、各要素の勾配強度合計を特徴量値ｈ_ｉとする第１特徴量ベクトルＨを抽出する。

次に、ステップ１０２で、上記ステップ１００で抽出した第１特徴量ベクトルＨのノルムに係数ｋを掛けて、各要素の特徴量値の平均より大きな判定基準値ｔｈを決定する。

次に、ステップ１０４で、要素番号を示す変数ｉに１をセットして、次に、ステップ１０６で、第１特徴量ベクトルＨの要素番号ｉの特徴量値ｈ_ｉが、上記ステップ１０２で決定した判定基準値ｔｈより小さいか否かを判定する。ｈ_ｉ＜ｔｈの場合には、その要素は有効ではないと判定して、ステップ１０８へ移行し、ｈ_ｉを０にして、ステップ１１０へ移行する。一方、ｈ_ｉ≧ｔｈの場合には、その要素は有効であると判定して、そのままステップ１１０へ移行する。

ステップ１１０では、ｉがＭとなったか否かを判定することにより、第１特徴量ベクトルＨの全ての要素について有効性を判定したか否かを判定する。ｉ≠Ｍの場合には、ステップ１１２へ移行して、ｉを１インクリメントしてステップ１０６へ戻る。ｉ＝Ｍとなった場合には、ステップ１１４へ移行する。

ステップ１１４では、有効な要素（特徴量値が０以外の要素）の特徴量値に正規化係数αを掛けて正規化した第２特徴量ベクトルＸを抽出する。

次に、ステップ１１６で、第２特徴量ベクトルＸに基づいて、識別モデル記憶部６０に記憶された識別モデルを用いて、ウインドウ画像が識別対象物を示す画像か否かを識別する。そして、ステップ１１８において、上記ステップ１１６における識別結果を表示装置１６に表示して、識別処理ルーチンを終了する。上記の識別処理ルーチンが、抽出されたウインドウ画像の各々について実行される。

次に、第１の実施の形態における学習処理について説明する。識別対象物を撮像した部分を切り出しウインドウにより切り出した複数の対象物画像と、識別対象物以外を撮像した部分を切り出しウインドウにより切り出した複数の非対象物画像とが、サンプル画像として用意された状態で、コンピュータ１４において、図８に示す学習処理ルーチンが実行される。なお、識別処理ルーチンと同様の処理については、同一符号を付して詳細な説明を省略する。

ステップ１４０で、用意されたサンプル画像を１枚取得し、ステップ１００から１１４において、識別処理ルーチンと同様に、サンプル画像から第２特徴量ベクトルＸを抽出する。

次に、ステップ１４２で、用意された全てのサンプル画像について第２特徴量ベクトルＸを抽出したか否かを判定する。未処理のサンプル画像が存在する場合には、ステップ１４０へ戻り、全てのサンプル画像について処理が終了した場合には、ステップ１４４へ移行する。

ステップ１４４では、各サンプル画像から抽出された第２特徴量ベクトルＸを学習サンプルとし、各サンプル画像が対象物画像及び非対象物画像の何れであるかに応じて付与される教師ラベルを用いて、識別モデルとして線形ＳＶＭを学習する。次に、ステップ１４６で、上記ステップ１４４で学習した識別モデルを識別モデル記憶部６０に記憶して、学習処理ルーチンを終了する。

以上説明したように、第１の実施の形態の対象物識別装置によれば、処理対象のウインドウ画像から、ウインドウ画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出し、各要素の特徴量値の平均より大きい判定基準値を決定して、特徴量値が判定基準値以上の要素からなる第２特徴量ベクトルを抽出して識別に用いるため、識別性能を低下させることなく、データ量及び処理時間を削減することができる。

＜第２の実施の形態＞
次に、第２の実施の形態について説明する。なお、第２の実施の形態の対象物識別装置において、第１の実施の形態の対象物識別装置１０の構成と同一の構成については、同一符号を付して詳細な説明を省略する。

図９に示すように、第２の実施の形態に係る対象物識別装置２１０は、撮像装置１２と、コンピュータ２１４と、表示装置１６とを備えている。

コンピュータ２１４は、機能的には、図９に示すように、識別部２２０と学習部２４０とを含んだ構成で表すことができる。

識別部２２０はさらに、ウインドウ画像抽出部２２と、抽出した各ウインドウ画像を複数のブロックに分割する領域分割部３２と、各ブロックから第１特徴量ベクトルを抽出する第１特徴量抽出部２２４と、抽出された第１特徴量ベクトルの各要素の有効性を判定するための判定基準値をブロック毎に決定する判定基準決定部２２６と、決定された判定基準値に基づいて有効と判定された第１特徴量ベクトルの各要素から第２特徴量ベクトルを抽出する第２特徴量抽出部２２８と、対象物識別部３０とを含んだ構成で表すことができる。

領域分割部３２は、図１０に示すように、ウインドウ画像抽出部２２により抽出されたウインドウ画像を、複数のブロックｊ（ｊ＝１，・・・，Ｊ、ｊはブロック番号、Ｊはブロック数）に分割する。図１０の例では、ウインドウ画像を９つのブロックに分割した例を示している。

第１特徴量抽出部２２４は、第１特徴量ベクトルとしてＦＩＮＤ特徴量を抽出する。具体的には、領域分割部３２で分割されたブロック毎に、各ブロックを複数のセルに分割し、ＨＯＧ特徴量と同様に各セルについて勾配方向ヒストグラムを算出する。そして、各セルについて算出した勾配方向ヒストグラムについて、図１１に示すように、各要素の組み合わせについて、相関値を演算する。ここで、要素の組み合わせには、同じ勾配方向ヒストグラム内での要素の組み合わせ、及び異なる勾配方向ヒストグラム間での要素の組み合わせが含まれる。また、相関値を演算する関数については多数の選択がある。例えば、ＨＯＧ特徴量における要素ｈ_ｉとｈ_ｊとの相関値ｆ（ｈ_ｉ，ｈ_ｊ）を、最小値関数ｍｉｎ（ｈ_ｉ，ｈ_ｊ）、積ｈ_ｉ・ｈ_ｊ、調和平均関数２ｈ_ｉ・ｈ_ｊ／（ｈ_ｉ＋ｈ_ｊ）等により演算する。第１特徴量抽出部２２４は、ブロックｊ内の各セルについて演算された相関値を並べて特徴量値としたＦＩＮＤ特徴量を、ブロック毎の第１特徴量ベクトルＦ^ｊとして抽出する。なお、ブロック毎の第１特徴量ベクトルＦ^ｊは、Ｆ^ｊ＝［ｆ^ｊ _１，・・・，ｆ^ｊ _Ｍ'］で表される。Ｍ'は１つのブロックから抽出されたＦＩＮＤ特徴量の要素数である。

判定基準決定部２２６は、抽出されたブロック毎の第１特徴量ベクトルＦ^ｊの各要素の有効性を判定するための判定基準値ｔｈ^ｊを、ブロック毎に決定する。判定基準値は、第１の実施の形態と同様に、第１特徴量ベクトルのノルムに係数ｋを掛けて決定する。ＦＩＮＤ特徴量は、２つのセルのＨＯＧ特徴量の相関を求めるものである。ここで、第１の実施の形態の判定基準値の決定の原理で述べたように、勾配方向を８方向に分割した場合、ＨＯＧ特徴量では、特徴量値が大きくなる要素数は通常２個以下、多くとも３個以下となる傾向が強い。従って、ＦＩＮＤ特徴量において、特徴量値が大きくなる要素の割合は（２／８）^２〜（３／８）^２程度となると考えられる。特徴量値の小さな要素は、識別に有効な情報が含まれていない要素の相関であると考えられ、そのような相関値を用いなくとも識別性能は低下しない。ＦＩＮＤ特徴量の場合、第１特徴量ベクトルのノルムに二乗ノルムを用い、係数ｋを√２／Ｍ'程度とすると、第１特徴量ベクトル中の有効な要素数は、第１特徴量ベクトルの要素数Ｍ'の１／１０程度となる。

第２特徴量抽出部２２８は、ブロック毎の第１特徴量ベクトルＦ^ｊの各要素の有効性を、第１の実施の形態と同様に判定し、有効でない要素の特徴量値ｆ^ｊ _ｉを０としたブロック毎の第２特徴量ベクトルＸ^ｊを抽出する。ブロック毎の第２特徴量ベクトルＸ^ｊを全て連結して、最終的な第２特徴量ベクトルＸとする。

また、学習部２４０はさらに、領域分割部５２と、第１特徴量抽出部２４４と、判定基準決定部２４６と、第２特徴量抽出部２４８と、識別モデル学習部５０とを含んだ構成で表すことができる。各部の処理は識別部２２０の対応する各部と同様であるため、説明を省略する。

次に、第２の実施の形態の対象物識別装置２１０の作用について説明する。第１の実施の形態と同様に、識別モデルが識別モデル記憶部６０に記憶された状態で、対象物識別装置２１０を搭載した車両の走行中に、撮像装置１２によって車両の前方の所定領域が撮像されると、コンピュータ２１４は、撮像装置１２から撮像画像を取得し、撮像画像に対して、様々な大きさの切り出しウインドウを走査しながら、切り出しウインドウによってウインドウ画像を抽出する。そして、コンピュータ２１４において、抽出したウインドウ画像の各々について、図１２に示す識別処理ルーチンが実行される。なお、第１の実施の形態の識別処理ルーチンと同様の処理については、同一符号を付して詳細な説明を省略する。

ステップ２００で、ウインドウ画像を複数のブロックｊに分割し、次に、ステップ２０１で、ブロック番号を示す変数ｊに１をセットする。

次に、ステップ２０２〜１１０で、第１の実施の形態の識別処理ルーチンのステップ１００〜１１０と同様に、ブロックｊについて第１特徴量ベクトルＦ^ｊを抽出して、各要素の有効性を判定する。

次に、ステップ２１２で、ｊがＪとなったか否かを判定することにより、全てのブロックについて処理が終了したか否かを判定する。ｊ≠Ｊの場合には、ステップ２１４へ移行して、ｊを１インクリメントしてステップ２０２へ戻る。ｊ＝Ｊとなった場合には、ステップ２１６へ移行する。

ステップ２１６では、有効な要素で構成されたブロック毎の第２特徴量ベクトルＸ^ｊを全て連結して、最終的な第２特徴量ベクトルＸとして抽出する。そして、第２特徴量ベクトルＸに基づいて、識別モデル記憶部６０に記憶された識別モデルを用いて、ウインドウ画像が識別対象物を示す画像か否かを識別する。そして、ステップ１１８において、上記ステップ２１６における識別結果を表示装置１６に表示して、識別処理ルーチンを終了する。上記の識別処理ルーチンが、切り出されたウインドウ画像の各々について実行される。

なお、第１の実施の形態のように、ステップ２１２とステップ２１６との間で、ブロック毎の第２特徴量ベクトルについて、有効と判定された要素を正規化する処理を行ってもよい。

学習処理については、サンプル画像から、上記の識別処理と同様に第２特徴量ベクトルを抽出して学習に用いればよいため、詳細な説明を省略する。

以上説明したように、第２の実施の形態の対象物識別装置によれば、処理対象のウインドウ画像を複数のブロックに分割し、ブロック毎に第１特徴量ベクトルの抽出、判定基準値の決定、及び各要素の有効性の判定を行うため、より精度良く要素の有効性を判定することができる。

＜第３の実施の形態＞
次に、第３の実施の形態について説明する。なお、第３の実施の形態の対象物識別装置において、第１の実施の形態の対象物識別装置１０の構成と同一の構成については、同一符号を付して詳細な説明を省略する。

図１３に示すように、第３の実施の形態に係る対象物識別装置３１０は、撮像装置１２と、コンピュータ３１４と、表示装置１６とを備えている。

コンピュータ３１４は、機能的には、図１３に示すように、識別部３２０と学習部３４０とを含んだ構成で表すことができる。

識別部３２０はさらに、ウインドウ画像抽出部２２と、第１特徴量抽出部２４と、判定基準決定部２６と、第２特徴量ベクトルを正規化するための正規化係数を算出する正規化係数算出部３４と、判定基準値に基づいて有効と判定された第１特徴量ベクトルの各要素を正規化係数で正規化した第２特徴量ベクトルを抽出する第２特徴量抽出部３２８と、対象物識別部３０とを含んだ構成で表すことができる。

第３の実施の形態では、第１特徴量ベクトルの有効な要素を用いて、第２特徴量ベクトルの各要素を演算する。そこで、第１及び第２の実施の形態と同様に、第１特徴量ベクトルの各要素の特徴量値の平均より大きい判定基準値を設け、この判定基準値以上の特徴量値を有する要素を有効な要素として判定する。判定基準値を、各要素の特徴量値の平均より大きい値とするのは、前述のとおり、特徴量値が大きい要素数より特徴量値が小さい要素数の割合の方が高い傾向があるため、判定基準値を平均値以下とすると、特徴量値が小さい要素の影響が大きく出すぎた判定基準値となってしまい、真に有効な要素を判定することができないためである。なお、平均化方法としては、相加平均、相乗平均、二乗平均など、特に限定されない。

判定基準決定部２６は、上記のような原理に基づいて、下記（４）式に従って判定基準値ｔｈを決定する。

ここで、ｋは係数であり、１〜√２程度の値とすることができる。なお、判定基準値ｔｈの算出式は（４）式の例に限定されず、下記（５）式や（６）式を用いてもよい。

正規化係数算出部３４は、第１特徴量抽出部２４により抽出された第１特徴量ベクトルＨ＝［ｈ_１，ｈ_２，・・・，ｈ_Ｍ］を用いて、後段の第２特徴量抽出部３２８で抽出される第２特徴量ベクトルを正規化するための正規化係数αを算出する。正規化係数αは、例えば、下記（７）式や（８）式により算出することができる。

（７）式の正規化係数を用いた場合には、（８）式の正規化係数を用いた場合より識別精度が高くなり、（８）式の正規化係数を用いた場合には、（７）式の正規化係数を用いた場合より計算コストを抑えることができる。また、正規化係数αの算出式は上記に限定されるものではなく、後段の第２特徴量抽出部３２８による第２特徴量ベクトルの計算において、特徴量の次元を無次元化するようなものであればよい。

第２特徴量抽出部３２８は、第２特徴量ベクトルとして、第１特徴量ベクトルＨとして抽出されたＨＯＧ特徴量の各要素間の相関値を要素とするＦＩＮＤ特徴量を抽出する。具体的には、第１特徴量ベクトルＨの各要素のうち、特徴量値ｈ_ｉが判定基準決定部２６により決定された判定基準値ｔｈ以上の要素を用いて、第２特徴量ベクトルの各要素の特徴量値を演算し、かつ正規化係数算出部３４により算出された正規化係数αを用いて各特徴量値を正規化する。

例えば、第２特徴量ベクトルＸとして抽出されるＦＩＮＤ特徴量は、Ｘ＝［ｆ（ｈ_１，ｈ_２），・・・，ｆ（ｈ_１，ｈ_Ｍ），ｆ（ｈ_２，ｈ_３），・・・，ｆ（ｈ_Ｍ−１，ｈ_Ｍ）］のように表現することができる。各要素の特徴量値ｆ（ｈ_ｉ，ｈ_ｊ）は、下記（９）式により演算することができる。

なお、ｈ_１，ｈ_２≧ｔｈとなる要素番号の組み合わせｉ，ｊを記憶しておき、識別段階で、記憶された要素番号の組み合わせｉ、ｊから得られるｆ（ｈ_ｉ，ｈ_ｊ）のみを用いるようにしてもよい。判定基準値ｔｈを決定するための係数ｋを上述のように１〜√２程度とすることにより、第２特徴量ベクトルの各要素のうち、特徴量値が０以外となる要素の割合は１／１０程度となる。

また、学習部３４０はさらに、第１特徴量抽出部４４と、判定基準決定部４６と、正規化係数算出部５４と、第２特徴量抽出部３４８と、識別モデル学習部５０とを含んだ構成で表すことができる。各部の処理は識別部３２０の対応する各部と同様であるため、説明を省略する。

次に、第３の実施の形態の対象物識別装置３１０の作用について説明する。第１の実施の形態と同様に、識別モデルが識別モデル記憶部６０に記憶された状態で、対象物識別装置３１０を搭載した車両の走行中に、撮像装置１２によって車両の前方の所定領域が撮像されると、コンピュータ３１４は、撮像装置１２から撮像画像を取得し、撮像画像に対して、様々な大きさの切り出しウインドウを走査しながら、切り出しウインドウによってウインドウ画像を抽出する。そして、コンピュータ３１４において、抽出したウインドウ画像の各々について、図１４に示す識別処理ルーチンが実行される。なお、第１の実施の形態の識別処理ルーチンと同様の処理については、同一符号を付して詳細な説明を省略する。

ステップ１００で、ウインドウ画像から第１特徴量ベクトルＨを抽出する。次に、ステップ３０１で、第１特徴量ベクトルＨの各要素を用いて、第２特徴量ベクトルを正規化するための正規化係数αを算出する。

次に、ステップ１０２〜１１０で、第１の実施の形態と同様に、第１特徴量ベクトルＨの各要素ｈ_ｉの有効性を判定する。

次に、ステップ３１４で、第１特徴量ベクトルＨの各要素のうち、特徴量値ｈ_ｉが判定基準値ｔｈ以上の要素間の相関値を、上記ステップ３０１で算出された正規化係数αを用いて正規化する。この正規化した値を各要素の特徴量値とする第２特徴量ベクトルＸを抽出する。

次に、ステップ１１６で、第２特徴量ベクトルＸに基づいて、識別モデル記憶部６０に記憶された識別モデルを用いて、ウインドウ画像が識別対象物を示す画像か否かを識別し、次に、ステップ１１８で、上記ステップ１１６における識別結果を表示装置１６に表示して、識別処理ルーチンを終了する。上記の識別処理ルーチンが、切り出されたウインドウ画像の各々について実行される。

学習処理については、サンプル画像から、上記の識別処理と同様に第２特徴量ベクトルを抽出して学習に用いればよいため、詳細な説明を省略する。

以上説明したように、第３の実施の形態の対象物識別装置によれば、識別に用いる第２特徴量ベクトルを抽出する前に、第１特徴量ベクトルの要素を用いて正規化係数を算出しておき、第２特徴量ベクトルの各要素の特徴量値を、判定基準値に基づいて有効と判定された第１特徴量ベクトルの要素から算出する際に、事前に算出しておいた正規化係数によって正規化することで、必要な要素の特徴量値のみを算出すればよいため、第２特徴量ベクトルの計算コストを大幅に削減することができる。

また、第３の実施の形態のように、第１特徴量ベクトルをＨＯＧ特徴量、第２特徴量ベクトルをＦＩＮＤ特徴量とした場合には、計算コストを大幅に削減しつつ、ＨＯＧ特徴量より識別精度の高いＦＩＮＤ特徴量を識別に用いることができる。

＜第４の実施の形態＞
次に、第４の実施の形態について説明する。なお、第４の実施の形態の対象物識別装置において、第１の実施の形態の対象物識別装置１０及び第３の実施の形態の対象物識別装置３１０の構成と同一の構成については、同一符号を付して詳細な説明を省略する。

図１５に示すように、第４の実施の形態に係る対象物識別装置４１０は、撮像装置１２と、コンピュータ４１４と、表示装置１６とを備えている。

コンピュータ４１４は、機能的には、図１５に示すように、識別部４２０と学習部４４０とを含んだ構成で表すことができる。

識別部４２０はさらに、ウインドウ画像抽出部２２と、第１特徴量抽出部２４と、判定基準決定部２６と、正規化係数算出部３４と、第１特徴量ベクトルの各要素のうち、判定基準値より小さい要素を用いて追加特徴量ベクトルを抽出する追加特徴量抽出部３６と、第２特徴量抽出部３２８と、対象物識別部４３０とを含んだ構成で表すことができる。すなわち、第３の実施の形態の識別部３２０に追加特徴量抽出部３６が追加された構成である。

追加特徴量抽出部３６は、第１特徴量ベクトルの各要素のうち、特徴量値が判定基準値より小さい要素、すなわち第２特徴量ベクトルの要素として用いられない要素の特徴量値を用いて追加特徴量ベクトルを抽出する。特徴量値が判定基準値より小さく、第２特徴量ベクトルに用いられない要素（有効ではない要素）であっても、対象物の識別に全く寄与しないわけではなく、わずかながら識別に貢献している。このような有効ではない要素１つ１つの識別に与える貢献は小さいが、有効ではない要素数が多くなり過ぎると識別性能の低下が生じる。そこで、識別性能の低下を抑制するための補正項として、有効ではない要素を用いた追加特徴量ベクトルを抽出するものである。

例えば、ＨＯＧ特徴量として抽出された第１特徴量ベクトルＨの各セルに対応したｍ個の要素からなる部分を、Ｈ_ｉ（ｉ＝１，２，・・・，Ｌ）で表す。ここで、Ｌ＝ｑ×ｑである。つまり、Ｈ_ｉ＝［ｈ_{（ｉ−１）ｍ＋１}，ｈ_{（ｉ−１）ｍ＋２}，・・・，ｈ_{（ｉ−１）ｍ＋ｍ−１}，ｈ_{（ｉ−１）ｍ＋ｍ}］であり、Ｈ＝［Ｈ_１，Ｈ_２，・・・，Ｈ_Ｌ−１，Ｈ_Ｌ］である。このとき、追加特徴量ベクトルＦ’は、Ｆ’＝［ｆ'（Ｈ_１，Ｈ_１），・・・，ｆ'（Ｈ_１，Ｈ_Ｌ），ｆ'（Ｈ_２，Ｈ_２），・・・，ｆ'（Ｈ_Ｌ，Ｈ_Ｌ）］のように表現することができる。追加特徴量ベクトルＦ’の各要素の特徴量値ｆ'（Ｈ_ｉ，Ｈ_ｊ）は、例えば、下記（１０）式により算出することができる。

ここで、αは正規化係数であり、第２特徴量ベクトルを正規化するために用いる正規化係数と同一のものである。また、￣Ｈ_ｉはＨ_ｉの平均を表し、下記（１１）式により求める。

なお、本実施の形態では、上記（１０）式により、第１特徴量ベクトルの要素を全て用いた追加特徴量ベクトルを抽出する場合について説明したが、追加特徴量ベクトルは、第１特徴量ベクトルの各要素のうち、少なくとも特徴量値が判定基準値より小さい要素を含んで算出されたものであればよい。また、追加特徴量ベクトルの特徴量値の算出式も（１０）式に限定されない。例えば、下記（１２）式に示すように、第１特徴量ベクトルの各要素のうち、特徴量値が判定基準値ｔｈより小さい要素集合｛ｈ_ｉ｜ｈ_ｉ＜ｔｈ｝の二乗和を追加特徴量ベクトルとして抽出してもよい。

他の例として、図５に示したＨＯＧ特徴量として抽出された第１特徴量ベクトルＨの各セルに対応したｍ個の要素からなる部分Ｈ_ｉ（ｉ＝１，２，・・・，Ｌ）毎に、特徴量値が判定基準値ｔｈより小さい要素の集合Ｈ'_ｉ＝｛ｈ_ｊ｜ｈｊ＜ｔｈ，ｊ＝（ｉ−１）ｍ，・・・，（ｉ−１）ｍ＋ｍ｝を抽出し、下記（１３）式に示すような特徴量値を有する追加特徴量ベクトルを抽出してもよい。

対象物識別部４３０は、第２特徴量抽出部３２８で抽出された第２特徴量ベクトルＸと、追加特徴量抽出部３６で抽出された追加特徴量ベクトルＦ'とを合わせた最終的な特徴量ベクトルＸ'＝［Ｘ，Ｆ'］に基づいて、識別モデル記憶部６０に記憶された識別モデルを用いて、ウインドウ画像が識別対象物を示す画像か否かを識別する。なお、ここでは、Ｘ＝［ｆ（ｈ_１，ｈ_２），・・・，ｆ（ｈ_１，ｈ_Ｍ），ｆ（ｈ_２，ｈ_３），・・・，ｆ（ｈ_Ｍ−１，ｈ_Ｍ）］、Ｆ’＝［ｆ'（Ｈ_１，Ｈ_１），・・・，ｆ'（Ｈ_１，Ｈ_Ｌ），ｆ'（Ｈ_２，Ｈ_２），・・・，ｆ'（Ｈ_Ｌ，Ｈ_Ｌ）］である。

また、学習部４４０はさらに、第１特徴量抽出部４４と、判定基準決定部４６と、正規化係数算出部５４と、追加特徴量抽出部５６と、第２特徴量抽出部３４８と、識別モデル学習部４５０とを含んだ構成で表すことができる。すなわち、第３の実施の形態の学習部３４０に追加特徴量抽出部５６が追加された構成である。各部の処理は識別部４２０の対応する各部と同様であるため、説明を省略する。

次に、第４の実施の形態の対象物識別装置４１０の作用について説明する。第１の実施の形態と同様に、識別モデルが識別モデル記憶部６０に記憶された状態で、対象物識別装置４１０を搭載した車両の走行中に、撮像装置１２によって車両の前方の所定領域が撮像されると、コンピュータ４１４は、撮像装置１２から撮像画像を取得し、撮像画像に対して、様々な大きさの切り出しウインドウを走査しながら、切り出しウインドウによってウインドウ画像を抽出する。そして、コンピュータ４１４において、抽出したウインドウ画像の各々について、図１６に示す識別処理ルーチンが実行される。なお、第１及び第３の実施の形態の識別処理ルーチンと同様の処理については、同一符号を付して詳細な説明を省略する。

ステップ１００〜３１４で、第３の実施の形態と同様に、第２特徴量ベクトルＸを抽出する。次に、ステップ４１５で、第１特徴量ベクトルＨの各要素のうち、特徴量値が判定基準値ｔｈより小さい要素の特徴量値を用いて追加特徴量ベクトルＦ'を抽出する。

次に、ステップ４１６で、第２特徴量ベクトルＸと追加特徴量ベクトルＦ'とを合わせた最終的な特徴量ベクトルＸ'に基づいて、識別モデル記憶部６０に記憶された識別モデルを用いて、ウインドウ画像が識別対象物を示す画像か否かを識別し、次に、ステップ１１８で、上記ステップ４１６における識別結果を表示装置１６に表示して、識別処理ルーチンを終了する。上記の識別処理ルーチンが、切り出されたウインドウ画像の各々について実行される。

学習処理については、サンプル画像から、上記の識別処理と同様に最終的な特徴量ベクトルを抽出して学習に用いればよいため、詳細な説明を省略する。

ここで、図１７に、追加特徴量ベクトルを最終的な特徴量ベクトルに加えた場合（追加特徴あり）と、加えていない場合（追加特徴なし）との識別性能を比較した結果を示す。図１７に示すグラフの横軸は誤検出率、縦軸は検出率である。判定基準値を大きくし、第１特徴量ベクトルから第２特徴量ベクトルへの圧縮率を高くして第２特徴量ベクトルの要素数を削減した場合において、識別性能の低下が抑制されていることがわかる。

以上説明したように、第４の実施の形態の対象物識別装置によれば、第２特徴量ベクトルで考慮されない要素を用いて追加特徴量ベクトルを抽出し、第２特徴量ベクトルと合わせて識別に用いるため、要素数の削減による識別性能の低下を抑制することができる。

なお、上記実施の形態では、識別手法として線形ＳＶＭを用いた場合で説明したが、非線形ＳＶＭやＢｏｏｓｔｉｎｇ等の他の識別手法を用いてもよい。

また、上記実施の形態では、識別部と学習部とを同一のコンピュータで構成する場合について説明したが、別々のコンピュータで構成するようにしてもよい。また、学習部で得られる第２特徴量ベクトルまたは追加特徴量ベクトルを追加した最終的な特徴量ベクトルを学習サンプルとして出力する学習サンプル作成装置として構成してもよい。この場合、学習サンプルとしては、有効でない要素を０にした特徴量ベクトルを出力してもよいし、有効な要素番号とその特徴量値とを組にして出力するようにしてもよい。

また、第１の実施の形態では、第１特徴量ベクトルとしてＨＯＧ特徴量を、第２の実施の形態ではＦＩＮＤ特徴量を抽出する場合について説明したが、第１の実施の形態でＦＩＮＤ特徴量を、第２の実施の形態でＨＯＧ特徴量を抽出するようにしてもよい。また、特徴量ベクトルとして、ＳＩＦＴ特徴量、ＳＵＲＦ特徴量、Ｈａａｒ−ｌｉｋｅ特徴量等を用いてもよい。

一例として、Ｈａａｒ−ｌｉｋｅ特徴量について説明する。図１８に、Ｈａａｒ−ｌｉｋｅ特徴量の抽出フィルタの一例を示す。図中の網掛け部分は−１、白い部分は１の係数を表す。図２の各セルに対して各抽出フィルタを適用し、各画素の画素値と対応するフィルタの係数とを掛けた値を、セル内の画素分合計した値を特徴量値として抽出することができる。図１８の例では、Ｈａａｒ−ｌｉｋｅ１〜Ｈａａｒ−ｌｉｋｅ６の６種類の抽出フィルタによって、各セルから６個の特徴量値が算出される。すなわち、６個の要素を有する第１特徴量ベクトルが抽出される。この第１特徴量ベクトルの各要素の特徴量値の平均値より大きい値を判定基準値として決定し、特徴量値が判定基準値以上の要素からなる第２特徴量ベクトル、または特徴量値が判定基準値より小さい要素の特徴量値を０とした第２特徴量ベクトルを抽出することで、上記各実施の形態と同様の効果を得ることができる。

また、第３の実施の形態では、第１特徴量ベクトルをＨＯＧ特徴量、第２特徴量ベクトルをＦＩＮＤ特徴量とする場合について説明したが、これに限定されない。例えば、第１特徴量ベクトルとして、上記のＨａａｒ−ｌｉｋｅ特徴量を用いた場合には、第２特徴量ベクトルとして、Ｊｏｉｎｔ Ｈａａｒ−ｌｉｋｅ特徴（参考文献「三田、金子、堀、“顔検出に適したＪｏｉｎｔ Ｈａａｒ−ｌｉｋｅ特徴の提案”、画像の認識・理解シンポジウム（ＭＩＲＵ２００５）、予稿集ｐｐ．１０４−１１１」）を用いることができる。

なお、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムをＣＤＲＯＭ等の記憶媒体に格納して提供することも可能である。

１０、２１０、３１０、４１０ 対象物識別装置
１２ 撮像装置
１４、２１４、３１４、４１４ コンピュータ
１６ 表示装置
２０、２２０、３２０、４２０ 識別部
２２ ウインドウ画像抽出部
２４、２２４ 識別部の第１特徴量抽出部
２６、２２６ 識別部の判定基準決定部
２８、２２８、３２８ 識別部の第２特徴量抽出部
３０、４３０ 対象物識別部
３２ 識別部の領域分割部
３４ 識別部の正規化係数算出部
３６ 識別部の追加特徴量抽出部
４０、２４０、３４０、４４０ 学習部
４４、２４４ 学習部の第１特徴量抽出部
４６、２４６ 学習部の判定基準決定部
４８、２４８、３４８ 学習部の第２特徴量抽出部
５０、４５０ 識別モデル学習部
５２ 学習部の領域分割部
５４ 学習部の正規化係数算出部
５６ 学習部の追加特徴量抽出部
６０ 識別モデル記憶部

Claims (7)

1. 処理対象の画像から、該画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する第１抽出手段と、
   前記第１抽出手段により抽出された第１特徴量ベクトルの要素から抽出される第２特徴量ベクトルの各要素を正規化するための正規化係数を、前記第１特徴量ベクトルの要素に基づいて算出する正規化係数算出手段と、
   前記第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する決定手段と、
   前記第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、前記決定手段により決定された判定基準値以上の要素から演算され、かつ前記正規化係数算出手段により算出された正規化係数により正規化された値を要素とする前記第２特徴量ベクトルを抽出する第２抽出手段と、
   前記第２抽出手段により抽出された第２特徴量ベクトルと、対象物を識別するための識別モデルとに基づいて、前記処理対象の画像が前記対象物を表す画像か否かを識別する識別手段と、
   を含む対象物識別装置。
2. 前記第１特徴量ベクトルの各要素のうち、少なくとも前記決定手段により決定された判定基準値より小さい要素を用いて追加特徴量ベクトルを抽出する追加特徴量抽出手段を含み、
   前記識別手段は、前記第２特徴量ベクトルと前記追加特徴量ベクトルとに基づいて、前記処理対象の画像が前記対象物を表す画像か否かを識別する請求項１記載の対象物識別装置。
3. 前記第１抽出手段は、前記処理対象の画像を複数の領域に分割し、該領域毎に前記第１特徴量ベクトルを抽出し、
   前記決定手段は、前記領域毎に前記判定基準値を決定する
   請求項１又は請求項２記載の対象物識別装置。
4. 前記第１特徴量ベクトル及び前記第２特徴量ベクトルとして、ＨＯＧ特徴量またはＦＩＮＤ特徴量を抽出するか、または前記第１特徴量ベクトルとしてＨＯＧ特徴量を抽出すると共に、前記第２特徴量ベクトルとしてＦＩＮＤ特徴量を抽出する請求項１〜請求項３のいずれか１項記載の対象物識別装置。
5. 対象物を表す複数の画像各々、及び非対象物を表す複数の画像各々から、該画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する第１抽出手段と、
   前記第１抽出手段により抽出された第１特徴量ベクトルの要素から抽出される第２特徴量ベクトルの各要素を正規化するための正規化係数を、前記第１特徴量ベクトルの要素に基づいて算出する正規化係数算出手段と、
   前記第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する決定手段と、
   前記第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、前記決定手段により決定された判定基準値以上の要素から演算され、かつ前記正規化係数算出手段により算出された正規化係数により正規化された値を要素とする前記第２特徴量ベクトルを、対象物を識別するための識別モデルを学習するための学習サンプルとして抽出する第２抽出手段と、
   を含む学習サンプル作成装置。
6. コンピュータを、
   処理対象の画像から、該画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する第１抽出手段、
   前記第１抽出手段により抽出された第１特徴量ベクトルの要素から抽出される第２特徴量ベクトルの各要素を正規化するための正規化係数を、前記第１特徴量ベクトルの要素に基づいて算出する正規化係数算出手段、
   前記第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する決定手段、
   前記第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、前記決定手段により決定された判定基準値以上の要素から演算され、かつ前記正規化係数算出手段により算出された正規化係数により正規化された値を要素とする前記第２特徴量ベクトルを抽出する第２抽出手段、及び
   前記第２抽出手段により抽出された第２特徴量ベクトルと、対象物を識別するための識別モデルとに基づいて、前記処理対象の画像が前記対象物を表す画像か否かを識別する識別手段
   として機能させるための対象物識別プログラム。
7. コンピュータを、
   対象物を表す複数の画像各々、及び非対象物を表す複数の画像各々から、該画像の特徴量を複数に分類した物理量に関連する値を要素とする第１特徴量ベクトルを抽出する第１抽出手段、
   前記第１抽出手段により抽出された第１特徴量ベクトルの要素から抽出される第２特徴量ベクトルの各要素を正規化するための正規化係数を、前記第１特徴量ベクトルの要素に基づいて算出する正規化係数算出手段、
   前記第１抽出手段により抽出された第１特徴量ベクトルの各要素の平均より大きい値を判定基準値として決定する決定手段、及び
   前記第１抽出手段により抽出された第１特徴量ベクトルの各要素のうち、前記決定手段により決定された判定基準値以上の要素から演算され、かつ前記正規化係数算出手段により算出された正規化係数により正規化された値を要素とする前記第２特徴量ベクトルを、対象物を識別するための識別モデルを学習するための学習サンプルとして抽出する第２抽出手段
   として機能させるための学習サンプル作成プログラム。