JP6209069B2 - 境界検出装置、境界検出方法及びコンピュータプログラム - Google Patents

Description

本発明は、画像における境界線検出の技術に関する。

従来、画像の被写体の境界線を検出する手法が提案されている。近年では、人為的に境界線情報が付与されたデータを用いた機械学習のアプローチによる境界線検出技術が提案されている（例えば、非特許文献１、２参照。）。また、境界線によって分割された領域の前後関係を推定する技術も提案されている（例えば、非特許文献３、４参照。）。

Contour Detection and Hierarchical Image Segmentation、Pablo Arbelaez、Michael Maire、Charless Fowlkes、Jitendra Malik、IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 33, NO. 5, MAY 2011 Sketch Tokens: A Learned Mid-level Representation for Contour and Object Detection、Joseph J. Lim、C. Lawrence Zitnick、Piotr Dollar Simultaneous Segmentation and Figure/Ground Organization Using Angular Embedding、Michael Maire、K. Daniilidis、P. Maragos、N. Paragios (Eds.): ECCV 2010, Part II, LNCS 6312, pp. 450-464, 2010. Recovering Occlusion Boundaries from an Image、Derek Hoiem、Alexei A. Efros、Martial Hebert、Int J Comput Vis (2011) 91: 328-346 DOI 10.1007/s11263-010-0400-4

しかしながら、画像の被写体の境界線を検出し、境界線によって分割された領域の前後関係を推定する処理においては、検出精度と検出速度とが両立しないという問題があった。
上記事情に鑑み、本発明は、画像の被写体の境界線の検出と、境界線によって分割された領域の前後関係の推定とを、より高速かつ高精度に行うことを可能とする技術を提供することを目的としている。

本発明の一態様は、学習用に入力された訓練画像及び前後関係付き境界線情報の関係性を学習する境界識別器学習部と、前記境界識別器学習部によって学習された関係性に基づいて、入力画像における前後関係付き境界線情報を推定する境界検出部と、を備える境界検出装置である。

本発明の一態様は、上記の境界検出装置であって、前記境界検出部は、前記入力画像を複数の領域に分割し、分割された領域から境界線候補を選択する画像小領域分割部と、前記境界線候補の識別スコアに基づいて、前記境界線候補が境界線か否か判定し、境界線である場合はどちらを手前とする境界線であるかの状態を表す境界確率を算出する境界確率算出部と、前記境界線候補の状態を表す境界ラベルを用いて、前記境界線候補の境界確率を画像全体で統合し、画像全体で統合された前記境界確率において最も尤度の高い境界ラベルの組み合わせを前後関係付き境界線情報として出力する境界ラベル最適化部と、を備える。

本発明の一態様は、学習用に入力された訓練画像及び前後関係付き境界線情報の関係性を学習する境界識別器学習ステップと、前記境界識別器学習ステップにおいて学習された関係性に基づいて、入力画像における前後関係付き境界線情報を推定する境界検出ステップと、を有する境界検出方法である。

本発明の一態様は、コンピュータを、上記の境界検出装置として機能させるためのコンピュータプログラムである。

本発明により、画像の被写体の境界線の検出と、境界線によって分割された領域の前後関係の推定とを、より高速かつ高精度に行うことが可能となる。

実施形態の境界検出装置１のシステム構成を表すシステム構成図である。 境界識別器学習部１０の機能構成を表す機能ブロック図である。 境界線情報３から抽出されたパッチの具体例を表す図である。 境界パッチの具体例を表す図である。 境界検出部２０の機能構成を表す機能ブロック図である。 各境界クラスの平均パッチの具体例を示す図である。 境界線の交差点におけるラベルの組み合わせを表す図である。 実施形態の境界検出装置１による境界線検出処理の流れを表すフローチャートである。 実施形態の境界検出装置１における境界検出処理の入出力の具体例を示す図である。 実施形態の境界検出装置１の変形例における境界検出部２０ａの構成を示す図である。

図１は、実施形態の境界検出装置１のシステム構成を表すシステム構成図である。
訓練画像２は、境界線の形状及び境界線によって分割された領域の前後関係と、画像の特徴（以下、「画像特徴」という。）との関係性の学習のために、境界検出装置１に入力される学習用の画像データの集合である。
境界線情報３は、境界線の形状及び境界線によって分割された領域の前後関係と、画像特徴との関係性の学習のために、境界検出装置１に入力される学習用の境界線情報の集合である。境界線情報３は、訓練画像２における被写体の位置と、被写体の前後関係を表す情報である。境界線情報は、例えば、被写体の前後関係が色の階調で表現された画像データなどである。
入力画像４は、境界検出装置１に入力される、境界線を検出する対象の画像データである。

境界検出装置１は、バスで接続されたＣＰＵ（Central Processing Unit）やメモリや補助記憶装置などを備え、境界検出プログラムを実行することによって、境界識別器学習部１０、境界検出部２０及び記憶部３０を備える装置として機能する。なお、境界識別器学習部１０、境界検出部２０及び記憶部３０の各機能の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されてもよい。情報推定プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。境界検出プログラムは、電気通信回線を介して送信されてもよい。

境界識別器学習部１０は、画像特徴と局所的な境界線の形状との関係性を学習する。さらに、境界識別器学習部１０は、画像特徴と領域の前後関係との関係性を学習する。境界識別器学習部１０は、訓練画像２及び境界線情報３に基づいて、境界識別パラメータを決定し、境界識別パラメータを記憶部３０に保存する。境界識別パラメータは、画像特徴と局所的な境界線の形状との関係性を推定する境界識別器を動作させるためのパラメータである。

境界検出部２０は、入力画像４に対して、境界識別器学習部１０によって学習された境界識別パラメータを用いて境界識別器を動作させる。これにより、境界検出部２０は、入力画像４について境界線を検出し、境界線によって分割された領域の前後関係を推定する。

記憶部３０は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。記憶部３０は、境界識別器学習部１０によって学習された境界識別パラメータを記憶する。

図２は、境界識別器学習部１０の機能構成を表す機能ブロック図である。
境界識別器学習部１０は、境界パッチ抽出部１０１、クラスタリング部１０２、画像パッチ抽出部１０３、画像特徴抽出部１０４及びパラメータ学習部１０５を備える。

境界パッチ抽出部１０１は、入力された境界線情報３から、局所的な境界線の形状を示すパッチを抽出する。抽出されるパッチは、境界線情報３の境界線上の所定の位置から、所定のサイズで抽出される。所定の位置及び所定のサイズは、任意に決定される。
図３は、境界線情報３から抽出されたパッチの具体例を表す図である。図３の例では、パッチの形状は四角形であり、線分によりパッチ内の領域が２つの領域に分割されている。一方の領域は手前に位置する被写体が写った領域（以下、「手前領域」という。）であり、他方の領域は奥に位置する被写体が写った領域（以下、「奥領域」という。）である。
図２の説明に戻る。境界パッチ抽出部１０１は、抽出されたパッチに対して、境界線によって分割された領域の前後関係を表す情報を付与する。前後関係を表す情報が付与されたパッチを、境界パッチと呼ぶ。前後関係を表す情報は、例えば、奥の領域を‘０’、手前の領域を‘１’で表した情報である。
図４は、境界パッチの具体例を表す図である。図４は、図３に示されたパッチの具体例に基づいて生成された境界パッチを示す。手前領域及び奥領域が、それぞれ白及び黒で表されている。

図２の説明に戻る。クラスタリング部１０２は、境界パッチ抽出部１０１によって抽出された境界パッチのクラスタリングを行う。クラスタリング部１０２は、境界線の形状を表す画像特徴を境界パッチから抽出する。抽出される画像特徴には、例えば境界パッチの微小な回転に頑強なＤＡＩＳＹ特徴や、GeometricBlur特徴が用いられる。クラスタリング部１０２は、抽出された画像特徴に基づいてクラスタリングを行う。境界パッチは、クラスタリングによって似た形状の境界線を持つ境界パッチのクラス（以下、「境界クラス」という。）に分類される。本実施形態では、境界の検出速度及び検出精度を向上させるために、クラスタリングの手法にk-means法を用いる。

画像パッチ抽出部１０３は、入力された訓練画像２から画像パッチを抽出する。画像パッチ抽出部１０３は、訓練画像２から境界線情報３における境界パッチの位置に対応する領域を画像パッチとして抽出する。画像パッチは、境界パッチの位置に対応して抽出されることによって、対応する境界パッチが属する境界クラスに対応付けられる。
さらに、画像パッチ抽出部１０３は、訓練画像２において境界パッチの位置に対応しない領域から一定数のパッチを切り出し画像パッチに含める。このように抽出された境界パッチに対応しない画像パッチは、対応する境界クラスを持たないため、訓練画像２における非境界領域を表すクラス（以下、「非境界クラス」という。）に対応付けられる。

画像特徴抽出部１０４は、抽出された画像パッチから画像特徴を抽出する。画像パッチの画像特徴としては、例えば、ＬＵＶ色空間における色情報及び勾配情報や、パッチを格子状に区切った自己相似に基づく特徴などが境界検出に有用であることが知られている。

パラメータ学習部１０５は、画像パッチの画像特徴と、画像パッチが対応するクラス（境界クラス及び非境界クラス）との関係性を学習する。具体的には、パラメータ学習部１０５は、境界識別器を動作させるためのパラメータ（以下、「境界識別パラメータ」という。）を学習する。境界識別器は、入力された画像パッチがどのクラスに属するかを推定するための識別器である。パラメータ学習部１０５は、画像パッチの画像特徴と、画像パッチとクラスとの対応と、に基づいて境界識別パラメータを決定する。
本実施形態では、識別する対象のクラスが多数である。そのため、境界識別器に用いる識別手法には、RandomForestなどの多クラスを高速に識別する手法が用いられることが望ましい。そこで、本実施形態では、境界識別器の識別手法にRandomForestの手法を用いる。
パラメータ学習部１０５は、境界識別パラメータを記憶部３０に保存する。

図５は、境界検出部２０の機能構成を表す機能ブロック図である。
境界検出部２０は、画像特徴抽出部２０１、境界識別部２０２、画像分割部２０３、境界確率算出部２０４及び境界ラベル最適化部２０５を備える。
画像特徴抽出部２０１は、入力画像４からパッチを抽出する。抽出されるパッチ（以下、「入力画像パッチ」という。）は、入力画像４の全ての画素について、所定の範囲の周辺画素を含む領域として抽出される。画像特徴抽出部２０１は、抽出された各入力画像パッチについて画像特徴を抽出する。抽出する画像特徴には、画像特徴抽出部１０４において画像パッチの画像特徴を抽出する際に用いられた画像特徴を用いる。

境界識別部２０２は、パラメータ学習部１０５によって学習された境界識別パラメータに基づいて、各入力画像パッチに対し境界識別器を動作させることにより、各入力画像パッチの識別スコアを算出する。識別スコアは、対象の入力画像パッチが各境界クラス及び非境界クラスに属する確率値として算出される。識別スコアは、各入力画像パッチについて、各境界クラス及び非境界クラス毎に算出される。
画像分割部２０３は、入力画像４を十分に細かい領域に分割する。画像分割部２０３は、分割された画像から境界線となり得る候補（以下、「境界線候補」という。）を選択する。入力画像４の領域を分割する手法には、Superpixel抽出に用いられる様々な手法を用いることができる。領域を分割する手法は、余す所なく境界線候補を抽出できる手法ほど望ましい。

境界確率算出部２０４は、画像分割部２０３によって選択された各境界線候補に対して、各境界線候補が取り得る状態（以下、「境界状態」という。）の確率値（以下、「境界確率」という。）を算出する。境界状態は大きく２つの状態に分類される。１つの状態は、境界線候補の示す境界線が、境界線である状態である。また、１つの状態は、境界線候補の示す境界線が、境界線でない状態である。
境界確率算出部２０４は、境界線候補に含まれる画素について、非境界クラスに対応する識別スコアを、当該画素が境界線でない場合の境界確率とする。

境界線候補の示す境界線が境界線である場合の境界状態は、さらに２つの状態に分類される。１つの状態は、境界線候補の示す境界線が、境界線によって分割された領域の一方を手前とする境界線である状態である。また、１つの状態は、境界線候補の示す境界線が、境界線によって分割された領域の他方を手前とする境界線である状態である。
境界確率算出部２０４は、各境界クラスに付与された前後関係の情報に基づいて、境界線候補に含まれる画素の各境界クラス毎の識別スコアを、２つの状態に分類する。そして、境界確率算出部２０４は、分類された識別スコアを積算する。これによって、境界確率算出部２０４は、境界線候補に含まれる各画素について、当該画素が境界線である場合の２つの境界状態に対する境界確率を得る。

本実施形態では、識別スコアの分類に各境界クラスの平均パッチを用いている。
境界確率算出部２０４は、各境界クラスの境界パッチを平均化した平均パッチを生成する。図６は、各境界クラスの平均パッチの具体例を示す図である。
境界確率算出部２０４は、平均パッチにおいて手前の領域から奥の領域に向かう法線ベクトルを、領域の前後関係を表す重み付けベクトルとする。境界確率算出部２０４は、重み付けベクトルと、各画素の位置における境界線候補の傾きに対する法線ベクトルと、の余弦の値によって対象画素の識別スコアを分類する。すなわち、境界クラスと同じ前後関係を持つ画素は余弦の値が正となり、境界クラスと逆の前後関係を持つ画素は余弦の値が負となる。境界確率算出部２０４は、重み付けされた識別スコアを、正、負の値毎に積算することによって、当該画素が境界線である場合の２つの境界状態に対する境界確率を算出する。

図５の説明に戻る。境界確率算出部２０４は、画素毎に得られた境界確率を、各境界状態毎に、境界線候補上の全画素について掛け合わせることにより、各境界線候補が取りうる３つの境界状態の境界確率を算出する。

境界ラベル最適化部２０５は、各境界線候補の境界確率を入力画像４の画像全体で統合し、各境界線候補の境界状態の組み合わせを推定する。境界確率の統合には、専用の識別器を学習する手法など、任意の手法が用いられてよい。例えば、本実施形態では、条件付き確率場を用いて各境界線候補の境界確率を統合している。境界ラベル最適化部２０５は、条件付き確率場において最も尤度が高い境界状態の組み合わせを選択することで、入力画像４に対する境界線情報を推定する。
条件付き確率場では、入力画像４の画像全体で取り得る境界状態の確率は、（式１）で表される。

ｅは境界線候補を表しており、Ｎ_ｅは境界線候補の数を表している。ｌ_ｅは各境界線候補の境界ラベルを表している。境界ラベルとは、各境界線候補の取り得る３つの境界状態を表すラベルである。ｘ_ｅは各境界線候補の画像特徴から算出された識別スコアである。したがって、確率ｐ_ｅ（ｌ_ｅ｜ｘ_ｅ）は識別スコアｘ_ｅを持つ境界線候補に対して境界ラベルｌ_ｅを付与した場合の、境界線候補ｅの境界確率を表している。すなわち、確率ｐ_ｅ（ｌ_ｅ｜ｘ_ｅ）は、境界確率算出部２０４によって算出された各境界線候補の境界確率である。
また、ｊは各境界線候補の境界線が交差する交差点を表しており、ｌ_ｊは交差点ｊに接続する境界ラベルを表している。

図７は、境界線の交差点におけるラベルの組み合わせを表す図である。
図７において、実線は境界線である境界線候補を表し、点線は境界線でない境界線候補を表している。また、図７において矢印は、その右側が左側よりも手前に位置する領域であることを表している。各領域に付された番号は、その値が小さい程手前に位置する領域であることを表している。単純な物体の配置を考えた場合、交差点ｊにおいて取り得る境界ラベルの組み合わせには限りがあり、図７に示した以外の接続のパターンが発生する可能性は低いと考えられる。よって、本実施形態では、境界ラベルの組み合わせにおいて、組み合わせの発生し易さに関するペナルティをｐ_ｊ（ｌ_ｊ）として導入する。ｐ_ｊ（ｌ_ｊ）は、図７に示す境界ラベルの組み合わせには一定の確率を与え、それ以外の組み合わせには十分に小さい確率を与える。
このようにして算出されるｐ（Ｌ｜Ｘ）は、入力画像４の画像全体における各境界線候補の組み合わせに対する尤度を表す。境界ラベル最適化部２０５は、この尤度を最大化する境界ラベルの組み合わせを決定し、前後関係付き境界線情報として出力する。

なお、（式１）の最大化は、整数計画問題として解くことにより厳密解が得られる。しかしながら、整数計画法による解法では、対象とするデータによっては莫大な計算時間を要する場合もある。そのため、（式１）の最大化にはＣＣＣＰ（Concave-Convex Copautational Procedure）アルゴリズムなどの近似的な解法が用いられてもよい。

図８は、実施形態の境界検出装置１による境界線検出処理の流れを表すフローチャートである。
まず、境界検出装置１は、境界線を検出する対象となる画像（入力画像４）の入力を受け付ける（ステップＳ１０１）。
画像特徴抽出部２０１は、入力された画像から全画素分のパッチ（入力画像パッチ）を抽出する（ステップＳ１０２）。
画像特徴抽出部２０１は、抽出された各入力画像パッチについて画像特徴を抽出する（ステップＳ１０３）。
境界識別部２０２は、学習された境界識別パラメータを用いて境界識別器を動作させることにより、画像特徴抽出部２０１によって抽出された各入力画像パッチの画像特徴に基づいて、入力画像４の各画素のクラス（各境界クラス及び非境界クラス）毎の識別スコアを算出する（ステップＳ１０４）。境界識別部２０２は、各画素の識別スコアを、各境界クラス及び非境界クラス毎に算出する。
画像分割部２０３は、入力画像４を十分に細かい領域に分割し、境界線となり得る境界線候補を選択する（ステップＳ１０５）。
境界確率算出部２０４は、画像分割部２０３によって選択された境界線候補について、３つの境界状態に対する境界確率を算出する（ステップＳ１０６）。
境界ラベル最適化部２０５は、境界確率算出部２０４によって算出された各境界線候補の境界確率を、境界ラベルを用いて入力画像４の画像全体で統合する（ステップＳ１０７）。
境界ラベル最適化部２０５は、入力画像４の画像全体で統合された境界確率の尤度が最大となる境界ラベルの組み合わせを決定する（ステップＳ１０８）。
境界ラベル最適化部２０５は、決定された境界ラベルの組み合わせを入力画像４に対して推定された前後関係付き境界線情報として出力する（ステップＳ１０９）。

図９は、実施形態の境界検出装置１における境界検出処理の入出力の具体例を示す図である。

このように構成された境界検出装置１は、前後関係を含む局所的な境界線形状を識別する境界識別器を学習し、境界識別器が出力する識別スコアに基づいて、境界線の検出と境界線によって分割された領域の前後関係の推定とを行う。境界検出装置１は、局所的な画像特徴を画像全体で統合する際、画素レベルではなく、より表現力の高いパッチレベルで最適化する。これにより、境界検出装置１は、画像内の物体の境界線の検出と境界線によって分割された領域の前後関係の推定をより高速かつ高精度に行うことが可能となる。

＜変形例＞
図１０は、実施形態の境界検出装置１の変形例における境界検出部２０ａの構成を示す図である。変形例における、境界検出部２０ａは、境界ラベル最適化部２０５に代えて境界ラベル最適化部２０５ａを備える点で、境界検出部２０と異なる。境界ラベル最適化部２０５ａには、境界確率算出部２０４の出力に加えて、境界確率パラメータが入力される。
境界確率パラメータは、境界ラベル最適化部２０５ａに入力される境界線候補の非境界確率を増加させるためのパラメータである。境界確率パラメータは、予め記憶部３０に記憶されている。（式１）における境界ラベルの組み合わせの推定において、意図しない境界線の検出の頻度を下げるために、境界確率パラメータが設けられてもよい。
なお、境界検出装置は以下の様に構成されてもよい。
境界識別器は、学習用に入力された前後関係付き境界線情報から前後関係付き境界パッチを抽出する前後関係付き境界パッチ抽出部と、前記境界パッチを、似た境界線形状を表す境界クラスに分類する境界パッチクラスタリング部と、前記境界クラスに基づいて、学習用に入力された訓練画像から画像パッチを抽出する画像パッチ抽出部と、前記画像パッチから画像特徴を抽出する画像パッチ特徴抽出部と、前記境界クラスと前記画像特徴とに基づいて、前記訓練画像と前記前後関係付き境界線情報との関係性を表す境界識別器を生成する境界識別パラメータ学習部と、を備える。
前記境界検出部は、境界線の検出のために入力された入力画像から、境界線候補を抽出し前記境界線候補の画像特徴を抽出する入力画像特徴抽出部と、前記境界線候補の画像特徴を入力として、予め学習された前記境界識別器を用いて前記境界線候補の識別スコアを前記境界クラス毎に算出する境界識別部と、前記境界線候補の識別スコアを画像全体で統合し、前記境界線候補の組み合わせを画像全体で最適化することにより、前記入力画像における前後関係付き境界線情報を推定する識別スコア統合部と、を備える。

上述した実施形態における境界検出装置１をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ（Field Programmable Gate Array）等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

１…境界検出装置， ２…訓練画像， ３…境界線情報， ４…入力画像， １０…境界識別器学習部， １０１…境界パッチ抽出部， １０２…クラスタリング部， １０３…画像パッチ抽出部， １０４…画像特徴抽出部， １０５…パラメータ学習部， ２０、２０ａ…境界検出部， ２０１…画像特徴抽出部， ２０２…境界識別部， ２０３…画像分割部， ２０４…境界確率算出部， ２０５、２０５ａ…境界ラベル最適化部， ３０…記憶部

Claims (4)

1. 被写体の境界識別に用いる境界識別器を構築するために入力される訓練用画像とともに入力される情報であって、前記訓練用画像の被写体に関する局所的な境界線の形状と、前記局所的な境界線によって分割される領域の前後関係とを表す複数の境界線情報を、前記局所的な境界線の形状及び前記境界線に係る前後関係の特徴に基づいて複数のクラスに分類するクラスタリング部と、
   前記訓練用画像から取得される部分画像であって、前記複数の境界線情報のそれぞれに対応する第１の部分画像と前記境界線情報に対応しない所定数の第２の部分画像とのそれぞれの部分画像について取得された特徴量に基づいて、前記部分画像と前記クラスとの関係性を定めるパラメータを決定することにより前記境界識別器を構築するパラメータ学習部と、
   被写体の境界を識別する対象として入力される入力画像から取得される部分画像の特徴量と、前記パラメータ学習部によって構築された前記境界識別器とを用いて前記部分画像に含まれる境界線を前記複数のクラスのいずれかに分類することにより前記入力画像の被写体の境界を推定する境界検出部と、
   を備える境界検出装置。
2. 前記境界検出部は、
   前記入力画像の画素ごとに、前記画素が境界でない確率、境界であってその境界によって分割される一方の領域が手前側である確率、及び前記一方の領域が奥側である確率を識別スコアとして算出する境界識別部と、
   前記入力画像を複数の部分画像に分割し、分割された部分画像から境界線候補を抽出する画像分割部と、
   前記境界線候補に含まれる各画素の識別スコアに基づいて、前記境界線候補が境界でない場合の確率、境界であってその境界によって分割される一方の領域が手前側である場合の確率、及び前記一方の領域が奥側である場合の確率を各境界線候補の境界確率として算出する境界確率算出部と、
   前記境界線候補ごとの境界確率を画像全体で統合し、各境界線候補が取り得る各場合の組み合わせのうち、統合された前記境界確率の尤度が最も高い場合の組み合わせを示す情報を出力する最適化部と、
   を備える、
   請求項１に記載の境界検出装置。
3. 被写体の境界識別に用いる境界識別器を構築するために入力される訓練用画像とともに入力される情報であって、前記訓練用画像の被写体に関する局所的な境界線の形状と、前記局所的な境界線によって分割される領域の前後関係とを表す複数の境界線情報を、前記局所的な境界線の形状及び前記境界線に係る前後関係の特徴に基づいて複数のクラスに分類するクラスタリングステップと、
   前記訓練用画像から取得される部分画像であって、前記複数の境界線情報のそれぞれに対応する第１の部分画像と前記境界線情報に対応しない所定数の第２の部分画像とのそれぞれの部分画像について取得された特徴量に基づいて、前記部分画像と前記クラスとの関係性を定めるパラメータを決定することにより前記境界識別器を構築するパラメータ学習ステップと、
   被写体の境界を識別する対象として入力される入力画像から取得される部分画像の特徴量と、前記パラメータ学習ステップにおいて構築された前記境界識別器とを用いて前記部分画像に含まれる境界線を前記複数のクラスのいずれかに分類することにより前記入力画像の被写体の境界を推定する境界検出ステップと、
   を有する境界検出方法。
4. コンピュータを、請求項１又は２に記載の境界検出装置として機能させるためのコンピュータプログラム。