JP6065842B2 - 辞書学習装置、パターン照合装置、辞書学習方法およびコンピュータプログラム - Google Patents

Description

本発明は、パターン照合で用いる品質辞書に関わる技術に関する。

パターン照合とは、顔や指紋等の画像や、音声信号の波形などをパターンとし、照合対象の複数のパターンが同一のパターンであるか否かを判定する処理である。このパターン照合は、生体認証の分野で、特に重要とされる技術である。

パターン照合の処理の一例を次に簡単に述べる。まず、照合対象の２つのパターンがどれだけ類似しているかを示す照合スコアを計算する。その照合スコアを計算する手法としては、例えば、照合対象のパターンから抽出された特徴ベクトルと、あらかじめ用意されている識別辞書と呼ばれる特徴ベクトル群とを用いて、照合スコアを算出する。上記識別辞書は、大量のパターンの例を用いた機械学習によって生成される場合が多い。

前記のように照合スコアを算出した後に、その照合スコアを閾値に比較し、この比較に基づいて照合結果（つまり、照合対象の２つのパターンが同一であるか否か）を判定する。このようにしてパターン照合が行われる。

ところで、パターン照合が持つ問題の一つとして次のような問題がある。その問題とは、パターンの品質劣化（換言すれば、不鮮明（不明瞭）さ）に因る問題である。すなわち、パターンの品質劣化の度合いによっては、照合に必要な情報（例えば顔や指紋等の特徴を示す情報）が失われている場合がある。例えば、顔画像がぼけて不鮮明になっていると、どのような人物でも似たような顔画像になってしまう。このために、ぼけている顔画像に基づいた顔照合では、照合対象の２つの顔画像が同一人物の画像でないのにも拘わらず同一であると判定してしまう誤判定が起こりやすくなる。

そこで、パターンの品質（劣化状態）を推定し、この情報を考慮してパターンを照合する手法が提案されている。特許文献１（特開２０１０−１２９０４５号公報）には、指紋照合において、パターンの品質を推定する情報として指紋画像の汚れを検出（判定）する技術が示されている。特許文献２（特開２０１１−００２４９４号公報）には、音声認識において、パターンの品質を推定する情報として音質レベルを推定する技術が示されている。

また、特許文献３（特開２００７−１４０８２３号公報）には、パターンを撮影したときの条件（例えば、照明環境、顔の向き、および、装着物（例えばサングラス）の有無など）を考慮して、パターン照合を行う技術が示されている。

さらに、特許文献４（特開２００６−０７２５５３号公報）には、生体認証において、入力された画像が不鮮明な場合には、その画像を補正してから照合する技術が示されている。さらに、特許文献５（特開２００８−１０７４０８号公報）には、音声認識において、周囲環境を考慮して音声認識処理を行う技術が示されている。

[特許文献１]特開２０１０−１２９０４５号公報
[特許文献２]特開２０１１−００２４９４号公報
[特許文献３]特開２００７−１４０８２３号公報
[特許文献４]特開２００６−０７２５５３号公報
[特許文献５]特開２００８−１０７４０８号公報

前述したように、パターン照合は、生体認証などの認証技術に採用される技術である。このため、パターン照合での誤判定は大きな問題になることが想定される。このことから、パターン照合には、より一層の正確さが要求されている。
本発明は上記課題を解決するためになされたものである。すなわち、本発明の主な目的は、パターン照合の正確さをより高めることができる技術を提供することにある。

本発明の辞書学習装置は、
パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアを計算するスコア計算手段と、
パターン照合を行う対象のパターンである照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいて学習する学習手段と
を有する。

本発明のパターン照合装置は、
本発明の辞書学習装置によって学習された品質辞書と、
パターン照合を行う対象のパターンである照合対象パターンの劣化状態を前記品質辞書に基づいて評価する品質評価手段と、
前記辞書学習装置が照合スコアを計算する処理に相当する処理に基づいて、複数の前記照合対象パターン間の類似度を示す照合スコアを計算するスコア計算手段と、
前記品質評価手段による評価結果を利用して、前記照合スコアを補正するスコア補正手段と、
補正後の前記照合スコアに基づいて、前記照合対象パターンの照合結果を判定する判定手段と
を有する。

本発明の辞書学習方法では、
パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアをコンピュータが計算し、
パターン照合を行う対象のパターンである照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいてコンピュータが学習する。

本発明の記憶媒体は、
コンピュータに、
パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアを計算する処理と、
パターン照合を行う対象のパターンである照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいて学習する処理と
を実行させる制御手順を記憶している。

なお、本発明の前記主な目的は、上記構成の本発明の辞書学習装置に対応する辞書学習方法によっても達成される。また、本発明の主な目的は、本発明の辞書学習装置およびそれに対応する辞書学習方法をコンピュータによって実現するコンピュータプログラム、および、当該コンピュータプログラムを格納するコンピュータ読み取り可能な記憶媒体によっても達成される。

本発明によれば、パターン照合の正確さをより高めることができる。これにより、信頼性のより高いパターン照合装置を提供することを可能にする。

図１は、本発明に係る第１実施形態の辞書学習装置の構成を簡略化して示すブロック図である。 図２は、第１実施形態の辞書学習装置により学習された品質辞書を用いるパターン照合装置の構成を簡略化して示すブロック図である。 図３は、本発明に係る第２と第３の実施形態の辞書学習装置の構成を簡略化して示すブロック図である。 図４は、第２実施形態の辞書学習装置が実行する辞書学習に関わる処理の一例を示すフローチャートである。 図５は、本発明に係る第４実施形態のパターン照合装置の構成を簡略化して示すブロック図である。 図６は、第４実施形態のパターン照合装置が実行する照合処理の一例を示すフローチャートである。

以下に、本発明に係る実施形態を図面を参照して説明する。

（第１実施形態）
図１は、本発明に係る第１実施形態の辞書学習装置の構成を簡略化して示すブロック図である。この第１実施形態の辞書学習装置１は、パターン照合を行う際に利用する品質辞書を学習（機械学習により生成）する装置（例えばコンピュータ）である。辞書学習装置１は、スコア計算部（スコア計算手段）２と、学習部（学習手段）３とを有している。

スコア計算部２は、パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアを計算する機能を備えている。

学習部３は、スコア計算部２により算出された照合スコアと、上記劣化パターンとに基づいて、品質辞書を学習する機能を備えている。その品質辞書は、パターン照合装置において、パターン照合を行う態様のパターンである照合対象パターンの劣化状態（品質）を評価する処理で利用される辞書である。

図２は、辞書学習装置１が生成した品質辞書を利用するパターン照合装置の構成例を簡略化して示すブロック図である。このパターン照合装置５は、スコア計算部（スコア計算手段）６と、品質評価部（品質評価手段）７と、スコア補正部（スコア補正手段）８と、判定部（判定手段）９と、品質辞書１０とを有している。

品質辞書１０は、上記した辞書学習装置１により予め学習（生成）された辞書である。

スコア計算部６は、辞書学習装置１を構成するスコア計算部２が照合スコアを計算する処理と同様な処理によって、複数の照合対象パターン間の類似度を示す照合スコアを計算する機能を備えている。

品質評価部７は、照合対象パターンの劣化状態（品質）を品質辞書１０を利用して評価（算出）する機能を備えている。

スコア補正部８は、スコア計算部６により算出された照合スコアを、品質評価部７の評価結果を利用して補正する機能を備えている。

判定部９は、その補正後の照合スコアに基づいて照合結果を判定する機能を備えている。

この第１実施形態の辞書学習装置１およびパターン照合装置５は、次のような効果を得ることができる。すなわち、前述した特許文献１−３では、画質や音質などのパターンそのものの劣化状態を評価しているにすぎず、パターン照合を行う観点からパターンの劣化状態（品質）を評価していない。これに対して、この第１実施形態の辞書学習装置１は、パターン照合で用いる、パターン間の類似度を示す照合スコアを利用して、品質辞書を機械学習により生成している。その生成された品質辞書を利用して照合対象パターンの劣化状態（品質）を評価することによって、その照合対象パターンの評価結果は、パターン照合することを考慮した結果となる。換言すれば、辞書学習装置１により生成された品質辞書を利用することによって、パターン照合に特化したパターンの品質評価が実現できる。

パターン照合装置５は、このようにパターン照合を考慮して照合対象パターンの劣化状態（品質）を評価できる。このことから、パターン照合装置５は、その評価結果を利用したパターン照合の正確さをより高めることができる。これにより、パターン照合装置５の信頼性をより高めることができる。

（第２実施形態）
以下に、本発明に係る第２実施形態を説明する。

図３は、第２実施形態の辞書学習装置の構成を簡略化して示すブロック図である。第２実施形態の辞書学習装置２０は、制御装置２１と、記憶装置２２とを有している。記憶装置２２は、例えばハードディスク等の記憶媒体（不揮発性記憶媒体）２２Ａを有している。その記憶媒体２２Ａは、各種データやコンピュータプログラム（以下、略してプログラムとも記す）を格納している。この記憶媒体２２Ａに格納されるデータの一つとして、識別辞書２３がある。この識別辞書２３は、後述する照合スコアを計算する処理で利用する辞書である。また、記憶媒体２２Ａに格納されるプログラムの一つとして、辞書学習装置１が辞書を学習する手順を示すプログラム２４がある。なお、記憶媒体２２Ａに格納されるデータやプログラムは、可搬タイプの記憶媒体に格納されることも有り得る。例えば、プログラム２４は、可搬タイプの記憶媒体から辞書学習装置２０に読み込まれることによって、記憶媒体２２Ａに書き込まれてもよい。

制御装置２１は、例えば、ＣＰＵ（Central Processing Unit）を有している。当該制御装置２１は、記憶装置２２から読み出したプログラムに従って動作することによって、辞書学習装置２０の全体的な動作を制御する。具体的には、制御装置２１は、プログラム２４を実行することにより、次のような機能を実現する。つまり、制御装置２１は、受け付け部（受け付け手段）２６と、劣化処理部（劣化処理手段）２７と、スコア計算部（スコア計算手段）２８と、特徴抽出部（特徴抽出手段）２９と、学習部（学習手段）３０とを有する。

受け付け部２６は、サンプルパターン（学習用パターン）を受け付ける機能を有する。そのサンプルパターンとは、パターン照合を行うパターンのサンプル（パターン照合する対象になりうるパターン）である。

劣化処理部２７は、受け付けられたサンプルパターンに劣化処理を施す機能を備えている。その劣化処理されたサンプルパターンをここでは劣化パターンと呼ぶ。つまり、劣化処理部２７は、サンプルパターンを劣化処理することによって、劣化パターンを生成する機能を備えている。劣化処理としては、例えば、サンプルパターンが画像である場合には平滑化（画像をぼかす処理）がある。また、サンプルパターンが信号（例えば音声信号）である場合の劣化処理としては、ノイズを付加する処理がある。

特徴抽出部２９は、サンプルパターンと、その劣化パターンとのそれぞれから特徴を抽出する機能を備えている。その抽出する特徴としては、例えば、パターンが画像である場合には、その画像の画素値やフィルタ応答（例えば、GaborフィルタやSobelフィルタ）などがある。

スコア計算部２８は、特徴抽出部２９によって抽出された特徴（サンプルパターンおよび劣化パターンの特徴）の組み合わせと、記憶装置２２に格納されている識別辞書２３とを利用して、照合スコアｓを計算する。その照合スコアｓは、次に示す数式（１）に基づいて算出することができる。

なお、数式（１）中におけるｘは、特徴抽出部２９により抽出されたサンプルパターンの特徴をベクトルに変換した特徴ベクトルを表す。ｙは、特徴抽出部２９により抽出された劣化パターンの特徴をベクトルに変換した特徴ベクトルを表す。また、θdは、識別辞書２３を表す。識別辞書２３の具体例としては、特徴ベクトルを低次元部分空間へ射影する行列が挙げられる。

学習部３０は、劣化パターン（劣化パターンから抽出された特徴）と、その劣化パターンに基づいて算出された照合スコアとに基づいて、品質辞書を学習（生成）する機能を備えている。その品質辞書は、劣化パターンと、当該劣化パターンに対応する非劣化状態の仮想パターンとの照合スコアを推定する辞書である。具体的には、例えば、学習部３０は、次に述べる数式（２）が成り立つように数式（２）中における品質辞書θ_qを学習する。

なお、数式（２）中におけるｑは、予め定められた関数を表し、θ_qは品質辞書を表す。

上記したような品質辞書θ_qを学習する手法の一つとして、回帰分析と呼ばれる手法がある。なお、品質辞書θ_qを学習する処理で利用する照合スコアｓは、スコア計算部２８により算出された照合スコアｓを、サンプルパターンおよび劣化パターンの品質に応じて補正した補正後の照合スコアであってもよい。

図４は、この第２実施形態の辞書学習装置２０が実行する辞書学習動作（処理）の一例を示すフローチャートである。このフローチャートは、辞書学習装置２０において、制御装置２１が実行するプログラムの制御手順の一例を表している。

例えば、サンプルパターン（学習用パターン）が辞書学習装置２０に入力すると、制御装置２１（受け付け部２６）がそのサンプルパターンを受け付ける（図４のステップＳ１０１）。そして、制御装置２１（劣化処理部２７）はそのサンプルパターンに劣化処理を施して劣化パターンを生成する（ステップＳ１０２）。その後、制御装置２１（特徴抽出部２９）は、生成された劣化パターンの特徴を抽出する。また、制御装置２１（特徴抽出部２９）は、劣化処理を施さないサンプルパターンそのものの特徴をも抽出する（ステップＳ１０３）。

その後、制御装置２１（スコア計算部２８）は、識別辞書２３を利用し、上記抽出された特徴（サンプルパターンおよび劣化パターンの特徴）の組み合わせ（ｘ，ｙ）に基づいて、照合スコアｓ（つまり、サンプルパターンと当該サンプルパターンに対応する劣化パターンとの類似度を表すスコア）を計算する（ステップＳ１０４）。然る後に、制御装置２１（学習部３０）は、劣化パターンと、当該劣化パターンに基づいて算出した照合スコアｓとに基づいて、例えば、回帰分析等の学習手法によって、品質辞書θ_qを学習する（ステップＳ１０５）。

この第２実施形態の辞書学習装置２０も、第１実施形態と同様に、照合スコアを利用して、品質辞書を機械学習により生成する。このため、辞書学習装置２０により生成された品質辞書を利用して照合対象パターンの品質を評価することによって、パターン照合に特化したパターンの品質評価が実現できる。その品質評価を利用してパターン照合を行うことによって、パターン照合装置はその結果の正確さをより高めることができる。すなわち、この辞書学習装置２０は、パターン照合装置の信頼性をより高めることができる品質辞書を提供できる。

（第３実施形態）
以下に、本発明に係る第３実施形態を説明する。

この第３実施形態では、第２実施形態で述べたスコア計算部２８と学習部３０がそれぞれ実行する処理の具体例を示す。すなわち、第３実施形態の辞書学習装置は、第２実施形態と同様の構成を有する。これにより、この第３実施形態の説明では、第２実施形態と同様の構成部分には同一符号を付し、その共通部分の重複説明は省略する。

この第３実施形態では、スコア計算部２８は、次に述べる数式（３）を利用して、照合スコアｓを算出する。つまり、照合スコアｓは、特徴抽出部２９によって抽出されたサンプルパターンと劣化パターンとの各特徴に基づいた特徴ベクトルｘ，ｙが同一である可能性が高い程、その値が高くなる。このことから、相関係数を用いると、照合スコアｓは、数式（３）のように表すことができる。

なお、Ａは特徴ベクトルが行ベクトルとなっている行列であり、識別辞書２３（数式（１）におけるθdに対応）を表す。この行列Ａは、線形判別分析などの手法によって、同一パターンか否かを判定しやすい部分空間への射影行列として事前に学習（生成）されている。また、（Ａｘ）^Ｔは、行列（Ａｘ）の転置行列を表す。さらに、|Ａｘ|、|Ａｙ|は順に行列（Ａｘ）、（Ａｙ）の行列式を表している。

学習部３０は、この第３実施形態では、次に述べる数式（４）の近似が成り立つように品質辞書ｕを学習（生成）する。つまり、品質辞書は、劣化パターンと、当該劣化パターンに対応する非劣化状態のパターンとの照合スコアを推定する辞書である。その推定に線形関数を用いると、照合スコアｓは、数式（４）のように表すことができる。

なお、数式（４）中におけるｘは、特徴抽出部２９によって抽出されたサンプルパターンの特徴に基づいた特徴ベクトルを表し、ｙは、特徴抽出部２９によって抽出された劣化パターンの特徴に基づいた特徴ベクトルを表し、ｙ^Ｔは、特徴ベクトルｙの転置ベクトルを表す。さらに、ｕは、品質辞書（数式（２）におけるθqに対応）を表す。当該品質辞書ｕは、線形関数の係数に相当するベクトルである。

ここで述べた線形関数の例では、学習部３０は、例えば線形回帰手法によって、品質辞書ｕを学習する。

この第３実施形態においても、第２実施形態と同様の構成を備えているので、第２実施形態と同様の効果を得ることができる。

（第４実施形態）
以下に、本発明に係る第４実施形態を説明する。
この第４実施形態では、第２や第３の実施形態で述べた辞書学習装置により学習（生成）された品質辞書を利用するパターン照合装置の一形態例を説明する。なお、この第４実施形態の説明において、第２や第３の実施形態で述べた説明と重複する説明は省略する。

図５は、第４実施形態のパターン照合装置の構成を簡略化して表すブロック図である。このパターン照合装置４０は、制御装置４１と、記憶装置４２とを有する。記憶装置４２は、コンピュータ読み取り可能な記憶媒体（不揮発性記憶媒体）４３を有している。当該記憶媒体４３は、各種データやプログラムを格納している。この第４実施形態では、記憶媒体４３は、品質辞書４５と、識別辞書４６と、プログラム４７とを少なくとも格納している。当該記憶媒体４３に書き込まれるデータやプログラムは、可搬タイプの記憶媒体に格納されることも有り得る。例えば、それらデータやプログラムは、可搬タイプの記憶媒体からパターン照合装置４０に読み込まれることによって、記憶媒体４３に書き込まれてもよい。

品質辞書４５は、第１〜第３の実施形態で述べた辞書学習装置により学習（生成）された辞書である。識別辞書４６は、その品質辞書４５を学習する際に利用された識別辞書２３と同様の辞書である。プログラム４７は、パターン照合装置４０の全体的な動作を制御する制御手順を示すプログラムである。

制御装置４１は、例えばＣＰＵを有している。当該制御装置４１は、記憶装置４２から読み出したプログラムに従って動作することによって、パターン照合装置４０の全体的な動作を制御する様々な機能を有する。具体的には、制御装置４１は、機能部として、受け付け部５０と、特徴抽出部５１と、品質評価部５２と、スコア計算部５３と、スコア補正部５４と、判定部５５とを有している。

受け付け部５０は、パターン照合を行う照合対象パターンがパターン照合装置４０に入力すると、その照合対象パターンを受け付ける機能を有している。

特徴抽出部５１は、受け付けられた照合対象パターンから、前述した辞書学習装置２０の特徴抽出部２９と同様に、特徴を抽出する機能を有している。

品質評価部５２は、抽出された照合対象パターンの特徴、および、品質辞書４５を利用して、照合対象パターンの品質を評価する機能を有している。例えば、互いに照合し合う２つの照合対象パターンＩｘ，Ｉｙがパターン照合装置４０に入力したとする。ここで、特徴抽出部５１が照合対象パターンＩｘ，Ｉｙから抽出した特徴を特徴ベクトルｘ，ｙとする。品質評価部５２は、その特徴ベクトルｘ，ｙと、品質辞書４５とに基づいて、照合対象パターンＩｘ，Ｉｙのそれぞれの品質ｑ_x，ｑ_yを次の数式（５）、（６）に従って算出する。

なお、数式（５）中におけるｘ^Tは、特徴ベクトルｘの転換ベクトルを表す。また、数式（５）中におけるｙ^Tは、特徴ベクトルｙの転換ベクトルを表す。さらに、数式（５）、（６）中におけるｕは品質辞書４５を示す。

数式（５）、（６）に示されるように、この第４実施形態では、照合し合う２つの照合対象パターンｘ，ｙの両方に同じ品質辞書４５を利用している。

スコア計算部５３は、特徴抽出部５１により抽出された照合対象パターンＩｘ，Ｉｙの特徴（特徴ベクトルｘ，ｙ）と、識別辞書４６とを利用して、照合スコアを計算する機能を有している。この第４実施形態では、照合スコアを算出する関数は、品質辞書４５を学習（生成）した辞書学習装置２０におけるスコア計算部２８が用いた関数と同様である。具体的には、例えば、スコア計算部５３は、次の数式（７）に従って照合スコアｓを算出する。

なお、数式（７）は、数式（３）と同様な数式である。

スコア補正部５４は、品質評価部５２により算出された品質ｑ_x，ｑ_yを参照することにより、スコア計算部５３によって算出された照合スコアｓ（ｓ＝ｓ（ｘ，ｙ））を補正する機能を有している。具体的には、例えば、スコア補正部５４は、次の数式（８）に従って照合スコアｓを補正し、補正後の照合スコアｓ_hを算出する。

なお、数式（８）中におけるＰは照合対象パターンＩｘ，Ｉｙの品質ｑ_x，ｑ_yに応じて照合スコアｓを補正する関数である。この補正関数Ｐは、例えば、多項式関数を用いることができる。補正関数Ｐとして２次関数を用いる場合には、補正関数Ｐは、次の数式（９）のように表すことができる。

なお、数式（９）中におけるａ₁〜ａ₆は、補正関数Ｐを決定するパラメータである。このパラメータも前述した行列Ａと同様に、事前に学習（生成）される。数式（９）中におけるｑ_x，ｑ_yは、照合対象パターンＩｘ，Ｉｙの品質を表す。

判定部５５は、補正後の照合スコアｓ_hに基づいて、照合対象パターンＩｘ，Ｉｙの照合結果を判定する機能を有している。具体的には、判定部５５は、補正後の照合スコアｓ_hを、予め定められた閾値αに比較し、照合スコアｓ_hが閾値α以上であるか否かを判定する。判定部５５は、照合スコアｓ_hが閾値α以上であると判定した場合には、照合対象パターンＩｘ，Ｉｙが同一パターンであることを示す数値“１”を判定結果Ｄ（ｓ_h）として出力する。さらに、判定部５５は、照合スコアｓ_hが閾値α以上でない（照合スコアｓ_hが閾値αよりも小さい）と判定した場合には、照合対象パターンＩｘ，Ｉｙが異なるパターンであることを示す数値“０”を判定結果Ｄ（ｓ_h）として出力する。その判定結果は次式（１０）のように表すことができる。

以下に、この第４実施形態のパターン照合装置４０における照合処理に関わる動作例を図６に基づいて説明する。すなわち、図６は、パターン照合装置４０が実行する照合処理の一例を示すフローチャートである。このフローチャートは、パターン照合装置４０において、制御装置４１が実行するプログラムの制御手順の一例を表している。

例えば、パターン照合装置４０に照合対象パターンＩｘ，Ｉｙが入力すると、制御装置４１（受け付け部５０）がそれら照合対象パターンＩｘ，Ｉｙを受け付ける（ステップＳ２０１）。そして、制御装置４１（特徴抽出部５１）は、それら照合対象パターンＩｘ，Ｉｙの特徴（特徴ベクトルｘ，ｙ）を抽出する（ステップＳ２０２）。その後、制御装置４１（品質評価部５２）は、その抽出された特徴に基づいて、照合対象パターンＩｘ，Ｉｙの品質ｑ_x，ｑ_yを評価する（ステップＳ２０３）。一方、制御装置４１（スコア計算部５３）は、照合対象パターンＩｘ，Ｉｙの特徴（特徴ベクトルｘ，ｙ）と、識別辞書４６とを利用して、照合対象パターンＩｘ，Ｉｙに対する照合スコアｓを算出する（ステップＳ２０４）。

そして、制御装置４１（スコア補正部５４）は、照合対象パターンＩｘ，Ｉｙの品質ｑ_x，ｑ_yと、品質辞書４５とを利用して、照合スコアｓを補正し、補正後の照合スコアｓ_hを算出する（ステップＳ２０５）。

その後、制御装置４１（判定部５５）は、その補正後の照合スコアｓ_hが閾値α以上であるか否かを判断する（ステップＳ２０６）。これにより、制御装置４１（判定部５５）は、補正後の照合スコアｓ_hが閾値α以上であると判断した場合には、照合対象パターンＩｘ，Ｉｙは同一のパターンであると判断し、数値“１”を出力する（ステップＳ２０７）。反対に、制御装置４１（判定部５５）は、補正後の照合スコアｓ_hが閾値α以上でない（照合スコアｓ_hが閾値αよりも小さい）と判断した場合には、照合対象パターンＩｘ，Ｉｙは異なるパターンであると判断し、数値“０”を出力する（ステップＳ２０８）。このように判定を下した後には、制御装置４１は、次の照合処理に備えて待機状態となる。

この第４実施形態のパターン照合装置４０は、第２や第３の実施形態の辞書学習装置２０により学習された品質辞書を利用して、照合対象パターンの品質を評価している。その品質辞書は、前述したように、照合スコアを利用して学習された辞書であることから、第４実施形態のパターン照合装置４０は、照合処理に特化して照合対象パターンの品質評価を行うことができる。これにより、この第４実施形態のパターン照合装置４０は、照合結果の正確さをより高めることができるから、照合判定に対する信頼性をより向上できる。

（その他の実施形態）
なお、この発明は第１〜第４の各実施形態に限定されるものではなく、様々な実施の形態を採り得る。例えば、第４実施形態では、照合対象パターンＩxを評価する際に利用する品質辞書と、照合対象パターンＩyを評価する際に利用する品質辞書とは同じ品質辞書を用いる例が説明されている。これに対し、照合対象パターンＩxを評価する品質辞書と、照合対象パターンＩyを評価する品質辞書とは別々の品質辞書であってもよい。このように別々の品質辞書を用いる場合の例としては、照合対象パターンＩｘ，Ｉｙの一方が写真（静止画）による画像であり、他方が映像（動画）による画像であるというように、照合対象パターンＩｘ，Ｉｙの劣化状態（劣化過程）が異なる場合が挙げられる。

上記のような別々の品質辞書は、それら照合対象パターンＩｘ，Ｉｙにそれぞれ応じた別々のサンプルパターンと、照合対象パターンＩｘ，Ｉｙに対応する別々の劣化処理を施した劣化パターンとに基づいて、第１〜第３の実施形態で述べた辞書学習装置によって、それぞれ別々に機械学習によって生成される。

また、照合対象パターンＩｘ，Ｉｙの一方が高品質であることが分かっている場合がある。例えば生体認証の場合には、照合対象パターンＩｘ，Ｉｙの一方は、予め与えられている参照パターンであり、当該参照パターンは高品質なパターンでなければ採用されない場合が多い。生体認証では、その参照パターンに、照合対象として取得された照合対象パターンが照合され、この照合に基づいて、認証の可否が判断される。パターン照合装置４０がそのような生体認証のために照合処理を行う場合には、パターン照合装置４０は、高品質な一方の照合対象パターン（参照パターン）の品質を評価する処理を省略してもよい。この場合には、パターン照合装置４０は、品質を評価した他方の照合対象パターンのみの品質評価結果に基づいて照合スコアを補正する。

さらに、上記各実施形態では、記憶媒体に記憶されたコンピュータプログラム（ソフトウェア）によってコンピュータ（制御装置）の各機能が実現される例を説明しているが、それら機能のうちの一部あるいは全部はハードウェアによって実現される構成であってもよい。

以上、実施形態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。

なお、この出願は、２０１１年１２月１６日に出願された日本出願特願２０１１−２７５８７２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。

本発明は、パターン照合を利用する例えば認証技術等の分野に適用可能である。

１，２０ 辞書学習装置
２，２８，５３ スコア計算部
３，３０ 学習部
５，４０ パターン照合装置
７，５２ 品質評価部
８，５４ スコア補正部
９，５５ 判定部
２９，５１ 特徴抽出部

Claims (9)

1. パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアを計算するスコア計算手段と、
   パターン照合を行う対象のパターンである照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいて学習する学習手段と
   を有する辞書学習装置。
2. 前記サンプルパターンを劣化処理することによって前記劣化パターンを生成する劣化処理手段をさらに有する請求項１記載の辞書学習装置。
3. 前記サンプルパターンと前記劣化パターンとのそれぞれの特徴を抽出する特徴抽出手段をさらに有し、
   前記スコア計算手段は、それら抽出された前記サンプルパターンと前記劣化パターンとの特徴に基づいて、前記照合スコアを計算する請求項１又は請求項２記載の辞書学習装置。
4. 前記品質辞書は、前記照合対象パターンと、当該照合対象パターンに対応する非劣化状態の仮想パターンとの類似度を示す照合スコアを求める辞書である請求項１又は請求項２又は請求項３記載の辞書学習装置。
5. 前記サンプルパターンおよび前記劣化パターンは、画像パターン、あるいは、音声信号パターンである請求項１乃至請求項４の何れか一つに記載の辞書学習装置。
6. 請求項１乃至請求項５の何れか一つに記載の辞書学習装置によって学習された品質辞書と、
   パターン照合を行う対象のパターンである照合対象パターンの劣化状態を前記品質辞書に基づいて評価する品質評価手段と、
   前記辞書学習装置が照合スコアを計算する処理に相当する処理に基づいて、複数の前記照合対象パターン間の類似度を示す照合スコアを計算するスコア計算手段と、
   前記品質評価手段による評価結果を利用して、前記照合スコアを補正するスコア補正手段と、
   補正後の前記照合スコアに基づいて、前記照合対象パターンの照合結果を判定する判定手段と
   を有するパターン照合装置。
7. 前記照合対象パターンの特徴を抽出する特徴抽出手段を有し、
   前記スコア計算手段は、その抽出された照合対象パターンの特徴に基づいて、前記照合スコアを計算する請求項６記載のパターン照合装置。
8. パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアをコンピュータが計算し、
   パターン照合を行う照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいてコンピュータが学習する辞書学習方法。
9. パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアを計算する処理と、
   パターン照合を行う対象のパターンである照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいて学習する処理と
   をコンピュータに実行させるためのコンピュータプログラム。

Images