JP6590477B2 - 情報処理装置、情報処理方法、プログラム - Google Patents

Description

本発明は、入力データを特定のクラスに識別するための技術に関する。

センサが取得したデータが異常であるか否かを判定する異常検知の問題がある。この異常検知の問題に対するアプローチには、正常の訓練データ（正常データ）から特徴空間上における正常の範囲をモデル化し、判定対象のデータが該範囲内にある場合は、正常と判定し、範囲外にある場合は、異常と判定するものがある。

非特許文献１では、該範囲をモデル化するために、複数の線形識別モデルを、正常データが分割せず、かつ正常データから離れないように選択する方式が提案されている。該方式は、判定対象のデータが各線形境界のどちら側にあるかを単純な計算で求めることが出来るため、監視カメラなどの小規模の計算環境においての実装が期待されている。

ＮＳＨ：Ｎｏｒｍａｌｉｔｙ Ｓｅｎｓｉｔｉｖｅ Ｈａｓｈｉｎｇ ｆｏｒ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ，Ｈｉｒｏｔａｋａ Ｈａｃｈｉｙａ，Ｍａｓａｋａｚｕ Ｍａｔｓｕｇｕ， Ｔｈｅ ５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｖｉｄｅｏ Ｅｖｅｎｔ Ｃａｔｅｇｏｒｉｚａｔｉｏｎ，Ｔａｇｇｉｎｇ ａｎｄ Ｒｅｔｒｉｅｖａｌ（ＶＥＣＴａＲ２０１３），２０１３．

しかしながら、非特許文献１に記載の異常検知方法では、非凸な形状や、複数の島から構成される正常データの範囲を線形識別モデルの組み合わせでは表現できないため、精度高く異常を検知できないという問題あった。

本発明は、上記問題を解決すべくなされたもので、識別モデルを用いて複雑な正常データの範囲を表現し、高精度か高速な識別を目的とする。

上記課題を解決するために、本発明の情報処理装置は、入力データから第１の特徴量を抽出する特徴抽出手段と、特定のクラスに属する訓練データから抽出され、該訓練データが取得された環境を示すシーン情報を含む第２の特徴量を該シーン情報に基づいて分割して得られる複数の集合ごとに生成される識別モデルと、前記それぞれの集合の特性を表す特性情報と、前記それぞれの集合とを関連付けて保持する保持手段と、前記抽出された第１の特徴量と、前記特性情報とに基づいて、前記第１の特徴量に対応する集合を選択する選択手段と、前記選択された前記集合に関連付けられた識別モデルを用いて、前記入力データが前記特定のクラスに属するか否かを判定する判定手段とを備えることを特徴とする。

本発明によれば、識別モデルを用いて複雑な正常データの範囲を表現し、高精度か高速な識別をすることができる。

第１の実施形態の情報処理装置の構成の一例を示す構成図である。 第１の実施形態の情報処理装置の線形識別モデル生成部の構成の一例を示す構成図である。 第１の実施形態の正常特徴量記憶部（特徴量記憶部）が記憶する情報の一例を示す表である。 第１の実施形態のデータ集合記憶部が記憶する情報の一例を示す表である。 第１の実施形態の線形識別モデル記憶部が記憶する情報の一例を示す図である。 第１の実施形態の局所的な線形識別モデルが判定対象データを識別する過程の一例を示す図である。 第１の実施形態の情報処理装置の線形識別モデルの生成に係る動作の一例を示すフローチャートである。 第１の実施形態の情報処理装置の動作の一例を示すフローチャートである。 第２の実施形態の情報処理装置の構成の一例を示す構成図である。 第２の実施形態の情報処理装置の線形識別モデル生成部の構成の一例を示す構成図である。 第２の実施形態の特定のデータ集合に対する複数の線形識別モデルを学習する過程の一例を示す図である。 第２の実施形態の情報処理装置の線形識別モデルの生成に係る動作の一例を示すフローチャートである。 第３の実施形態の情報処理装置の構成の一例を示す構成図である。 第３の実施形態の情報処理装置の線形識別モデル生成部の構成の一例を示す構成図である。 第３の実施形態の特定のデータ集合に対して線形識別モデルを追加する過程の一例を示す図である。 第３の実施形態の情報処理装置の線形識別モデルの生成に係る動作の一例を示すフローチャートである。 本発明の情報処理装置のハードウェア構成の例を示す図である。

［第１の実施形態］
本発明を実施するための第１の実施形態について、図面を参照して説明する。本実施形態における異常検知システム１は、監視対象が正常時にカメラ等の撮像装置で撮影した映像などのデータを、正常データとし、該データから特徴空間上の正常の範囲を表す局所的な線形識別モデルを学習する。そして、監視対象の新たな状態を撮影した映像などのデータを、判定対象データ（入力データ）とし、学習した線形識別モデルを用いて、該データが特徴空間上で局所的に正常クラス又は異常クラスに識別する。これらの識別結果に基づいて、判定対象データに異常があるか否かを判定する。そして、異常がある場合は、警備室等の監視センタに常駐する監視者に警報する。つまり、ここでは、特定のクラスを正常クラス、特定外のクラスを異常クラスとする。この監視対象には、例えば、一般家庭の屋内及び屋外、又は病院、駅などの公共施設が含まれる。

図１７は、異常検知システムに含まれる情報処理装置のハードウェア構成の一例を示す図である。

図１７に示される様に、本発明の情報処理装置は、ハードウェア構成として、少なくとも、ＣＰＵ１０１と、メモリ１０２と、ネットワークＩ／Ｆ１０３と、を有する。ＣＰＵ１０１は、情報処理装置の全体を制御する。ＣＰＵ１０１がメモリ１０２に記憶されたプログラムに基づき処理を実行することによって、後述する識別モデル生成装置や情報処理装置の機能や、フローチャートの処理が実現される。メモリ１０２は、ＲＡＭやＲＯＭ、ＨＤ等であり、プログラムやＣＰＵ１０１が処理を実行する際に利用するデータ等を記憶する。後述する記憶部は、メモリ１０２に構成される。ネットワークＩ／Ｆ１０３は、情報処理装置をネットワーク等に接続する。

なお、撮像装置２０や端末装置３０等も図１に示されるようなハードウェア構成を少なくとも有する。そして、各々のＣＰＵが各々のメモリに記憶されているプログラムに基づき処理を実行することによって、各々の装置の機能等が実現される。また、撮像装置２０の場合は、ＣＰＵやメモリ以外にもハードウェア構成として少なくとも撮像素子等を有する。また、端末装置３０の場合は、ＣＰＵやメモリ以外にもハードウェア構成としてディスプレイ等の表示部を有する。

図１は、本発明の一実施形態に係る情報処理装置を用いた異常検知システムの構成の一例を示す概略ブロック図である。異常検知システム１は、ネットワークを介して接続された情報処理装置１０と、撮像装置２０と、端末装置３０とを備えている。このネットワークには、例えば、携帯電話回線網やインターネットが適用できる。

次に、情報処理装置１０の詳細な構成について、説明する。

情報処理装置１０は、撮影装置２０で撮影された判定対象のデータを正常クラス又は異常クラスに識別する装置である。情報処理装置１０は、正常特徴量記憶部（特徴量記憶部）Ｍ１と、データ集合記憶部Ｍ２と、線形識別モデル記憶部Ｍ３と、データ分割部１１と、線形識別モデル生成部１２と、特徴抽出部１３と、データ集合選択部１４と、識別部１５と、出力部１６とを備えている。

正常特徴量記憶部（特徴量記憶部）Ｍ１は、正常データ（訓練データ）を識別する正常データＩＤ（特徴量識別情報）と関連付ける。そして、正常クラスに属する正常データの特徴量を示す正常特徴量と、該正常データが属するデータ集合を識別するデータ集合ＩＤと、該正常データが取得された環境の属性を示すシーン情報とを記憶する。ここで、正常クラスに属する正常データとは、予め人間により正常であると確認された監視対象の映像などのデータである。また、正常特徴量とは、正常データから所定の抽出方法を用いて抽出された、監視対象の複数の特徴を示す情報である。特徴量の抽出方法については、情報処理装置１０が備える特徴抽出部２１の説明にて後述する。また、正常データが属するデータ集合とは、後述するデータ分割部１１により、自動的に決定される。また、シーン情報とは、予め用意された複数のカテゴリのなかから、データが取得された環境に応じて選択されたカテゴリである。例えば、時間帯に関するシーン情報としては、「朝」、「昼」、「夜」などがカテゴリとして予め用意され、データが取得された時間帯に応じて、カテゴリが選択される。

図３は、本実施形態の正常徴量記憶部Ｍ１が記憶する情報の一例を示す表である。同図が示すように、正常データＩＤは、例えば、アルファベット及び数字とから成る文字列である。例えば、２つのデータは、正常データＩＤ「Ｄ０００１」とデータＩＤ「Ｄ０００２」とにより識別される。そして、例えば、正常データＩＤ「Ｄ０００１」に関連付けられて正常特徴量「０．５」と、該データが属するデータ集合を識別するデータ集合ＩＤ「Ｃ０００１」と、該データが取得された環境を示すシーン情報「朝」が格納されていることが示されている。

データ集合記憶部Ｍ２は、データ集合を識別するデータ集合ＩＤに関連付けて、該データ集合の特性を示すデータ集合の特性を示すデータ集合特性情報を記憶する（特性情報設定）。ここで、データ集合特性情報には、例えば、各データ集合の特徴空間上の中心座標や、各データ集合の形状を表す分散共分散行列や、各データ集合に属する正常データのシーン情報が含まれる。

図４は、本実施形態のデータ集合記憶部Ｍ２が記憶する情報の一例を示す表である。同図が示すように、データ集合ＩＤは、例えば、アルファベット及び数字とから成る文字列である。例えば、２つのデータ集合は、「Ｃ０００１」と「Ｃ０００２」とにより識別される。そして、同図では、例えば、データ集合ＩＤ「Ｃ０００１」に関連付けられて、該データ集合の中心座標（データ集合特性情報）「（１０、５）」と、該データ集合のシーン情報（データ集合特性情報）「朝」が格納されていることが示されている。

線形識別モデル記憶部Ｍ３は、線形識別モデルを示すパラメータを記憶（保持）する。具体的には、線形識別モデル記憶部Ｍ３は、データ集合ＩＤと、線形識別モデルを識別する線形識別モデルＩＤとに関連付けて、線形識別モデルのパラメータを記憶する。このパラメータは、例えば、後述する線形識別モデル生成部１２が生成する線形識別モデルの法線ベクトルｗ及びバイアスｂ（式１参照）などが含まれる。

図５は、本実施形態の線形識別モデル記憶部Ｍ３が記憶する情報の一例を示す表である。同図が示すように、線形識別モデルＩＤは、例えば、アルファベット及び数字とから成る文字列である。例えば、２つの線形識別モデルは、「Ｈ０００１」と「Ｈ０００２」とにより識別される。そして、同図では、データ集合ＩＤに関連付けられた表があり、各表には線形識別モデルＩＤに関連付けられて線形識別モデルのパラメータが記憶されていることが示されている。

再び、図１を参照して、情報処理装置１０の構成について説明する。

データ分割部１１は、正常特徴量記憶部Ｍ１が記憶する正常特徴量を複数のデータ集合に分割し、各データ集合の特性を示すデータ集合特性情報を、データ集合を識別するデータ集合ＩＤと関連付けてデータ集合記憶部Ｍ２に記憶させる。それとともに、正常データＩＤと関連付けて、該正常データが属するデータ集合を識別するデータ集合ＩＤを正常特徴量記憶部Ｍ１に記憶させる。具体的には、データ分割部１１は、正常特徴量記憶部Ｍ１から、正常特徴量を読み込む。次に、データ分割部１１は、読み込んだ正常特徴量を、予め定められたデータ集合数Ｃのデータ集合に分割する。データ分割の方法には、例えば、ｋ平均法、スパースコーディング又は混合正規分布などの公知の方法が用いられる。

データ分割の方法として、ｋ平均法及びスパースコーディングを用いた場合、データ集合特性情報には、該データ集合の中心座標が含まれる。一方、混合正規分布を用いた場合、データ集合特性情報には、該データ集合の中心座標に加え、データ集合の形状を示す分散共分散行列が含まれる。なお、データ分割部１１は、正常データが取得された環境を示すシーン情報の種類に基づいて正常データを分割してもよい。具体的には、データ集合特性としてシーン情報を含んでも良い。例えば、シーン情報として「朝」、「昼」又は「夜」を有する正常データをそれぞれ２つに分割した場合、合計で正常データは６つのデータ集合に分割される。

次に、データ分割部１１は、データ集合ＩＤと関連づけて、データ集合特性情報をデータ集合記憶部Ｍ２に記憶させるとともに、正常データＩＤと関連付けて、該正常データが属するデータ集合のデータ集合ＩＤを正常特徴量記憶部Ｍ１に記憶させる。それとともに、データ分割部１１は、線形識別モデル生成部１２に、トリガーを出力する。ここで、データ集合ＩＤは、データ集合が生成された順番に基づいて決定されてもよい。その場合、例えば、２番目に生成されたデータ集合のデータ集合ＩＤは、「Ｃ０００２」である。

線形識別モデル生成部１２は、ランダムモデル生成部１２１と、線形識別モデル選択部１２２とを含む。線形識別モデル生成部１２は、正常特徴量記憶部Ｍ１が記憶する正常特徴量に基づき、データ集合ごとに、判定対象のデータを正常クラスと異常クラスとに識別する複数の線形識別モデルを生成する。そして、線形識別モデル生成部１２は、生成した線形識別モデルを、識別する線形識別モデルＩＤと、線形識別モデルが属するデータ集合を識別するデータ集合ＩＤとに関連付けて線形識別モデル記憶部Ｍ３に記憶させる。ここで、線形識別モデルＩＤは、線形識別モデルが生成された順番に基づいて決定されてもよい。その場合、例えば、２番目に生成された線形識別モデルの線形識別モデルＩＤは、「Ｈ０００２」である。

線形識別モデルは、特徴空間上での超平面として表現される。特徴空間とは、特徴量のベクトルを要素とする空間である。そして、超平面を境界として、法線ベクトルの方向側にある特徴量を正常クラスに識別し、その反対側にある特徴量を異常クラスに識別する。例えば、ｍ番目の線形識別モデル（線形識別モデルＩＤ：Ｈ０００ｍ）を式（１）で表す。

ここで、Ｔは、ベクトルの転置、ｘは各要素に一つの特徴量を持つ特徴ベクトルであり、ｗは超平面の法線ベクトルであり、ｂはバイアスである。つまり、ｍ番目の線形識別モデルのパラメータは、（ｗｍ、ｂｍ）に対応する。

ランダムモデル生成部１２１は、データ集合ごとに線形識別モデルの候補を、予め定められた確率分布に従いランダムに生成する。なお、データ集合特性情報に基づき、線形識別モデルの候補を生成する確率分布を設定してもよい。具体的には、データ分割部１１からトリガーを入力したことに応じて、ランダムモデル生成部１２１は、予め定められた確率分布に従いランダムに所定の候補数Ｌ個のパラメータ（ｗ、ｂ）の組みを生成する。ここで、確率分布としては、正規分布や一様分布が用いられる。なお、該確率分布をデータ集合特性情報に基づいて設定してもよい。例えば、正規分布の中心座標と分散共分散とを、データ集合特性情報に含まれるデータ集合の中心座標と分散共分散に設定してもよい。

モデル選択部１２２は、ランダムモデル生成部１２１が生成したデータ集合ごとの線形識別モデルの候補の中から、該データ集合に属する正常データが、正常クラスに識別され、かつ正常クラスに識別される該正常データの密度が高い線形識別モデルを選択する。例えば、モデル選択部１２２は、次の１クラスサポートベクトルマシンの目的関数に準ずる評価式を用いて、各線形識別モデルを評価する。

ここで、Ｎはデータ集合に属する正常データの数、λはバイアス重要度パラメータである。また、Ｌ（ｚ）は、正常データを異常と判定した場合の誤差を表す関数であり、例えば次のように定義される。

つまり、関数Ｌ（ｚ）は、次の性質を持つ。正常特徴量が超平面の法線ベクトル方向側にあればＬ（ｚ）の値は０になる。一方、正常特徴量が超平面の法線ベクトルの反対方向側にある場合は、Ｌ（ｚ）の値は、超平面からの距離に比例した正の値を持つ。つまり、出来るだけ多くの正常特徴量が、超平面の法線ベクトル方向側にある超平面は、式（２）の第１項目の値が小さい。

一方、式（２）の第２項目のバイアスパラメータｂは、その値が０のとき、超平面は特徴量空間の原点を通る。そして、その値が大きくなるにつれ、超平面は法線ベクトルの方向に平行移動する。一方、その値が小さく（例えば負の値）なるにつれ、超平面は、法線ベクトルの反対方向に平行移動する。バイアス重要度パラメータλは、式（２）において、第１項目に対して相対的に第２項目のバイアスパラメータｂの影響度を調整することができる。λの値は、予め人間により設定される。なお、クロスバリデーション等のモデル選択方式を用いて、自動的にλの値を自動的に設定してもよい。

そして、モデル選択部１２２は、Ｌ個の線形識別モデルの候補の中から、式（２）を最小化する所定の数Ｍ個の線形識別モデル（パラメータｗとｂの組み）を選択する。

線形識別モデル生成部１２は、データ集合ごとに生成した複数の線形識別モデルを、データ集合を識別するデータ集合ＩＤと線形識別モデルＩＤとに関連付けて線形識別モデル記憶部Ｍ３に記憶させる。

再び、図１を参照して、情報処理装置１０の構成について説明する。

撮像装置２０は、監視対象に係る画像データ又は映像データを撮像するカメラを備える。なお、該装置は、監視対象の音声を入力するマイクロフォン、温度を測定する温度計、又は距離を測る距離センサなどを備えてもよい。撮像装置２０は、取得した映像などのデータである判定対象データを、情報処理装置１０にネットワークを介して送信する。なお、撮像装置２０は、内部に判定対象データが取得された環境のメタ情報を測定するセンサを搭載し、測定したメタ情報を判定対象データに含めてもよい。例えば、撮像装置１０は、内部に時計を有しており、データ取得時の時刻を判定対象データに含める。

特徴量抽出部１３は、撮像部２０が取得した判定対象データから特徴量を抽出する。具体的には、所定の時間間隔で判定対象データがネットワークを介して撮像部２０から特徴抽出部１３に出力される。特徴抽出部１３は、判定対象データを取得したことに応じて、取得した判定対象データを所定の特徴量抽出方法により特徴量に変換した判定対象特徴量を、取得した判定対象データに含まれるメタ情報とともに、データ集合選択部１４に出力する。ここで、判定対象データは、所定の長さで、所定のフレームレートで構成される。例えば、長さは５秒で、フレームレートは３ｆｐｓである。そして、特徴量抽出方法には、例えば、映像の各フレームの局所的な特徴を抽出するＨＯＧ（Ｈｉｓｔｏｇｒａｍ ｏｆ Ｇｒａｄｉｅｎｔ）、ＨＯＦ（Ｈｉｓｔｏｇｒａｍ ｏｆ Ｏｐｔｉｃａｌ Ｆｌｏｗ）、ＭＨＯＦ（Ｍｕｌｔｉ−ｓｃａｌｅ Ｈｉｓｔｏｇｒａｍ ｏｆ Ｏｐｔｉｃａｌ Ｆｌｏｗ）又はＳＩＦＴ（Ｓｃａｌｅ Ｉｎｖａｒｉａｎｔ Ｆｅａｔｕｒｅ Ｔｒａｎｓｆｏｒｍ）などの公知の方法が用いられる。

なお、これらの特徴抽出方法を、映像の各フレームを複数の領域に分割した各領域に適用してもよい。なお、特徴量抽出方法は、特定の監視対象に特化してもよい。例えば、監視対象が人物の場合は、人物の姿勢及び移動軌跡などを特徴量として抽出する方法でもよい。

データ集合選択部１４は、判定対象特徴量とデータ集合特性情報との関係に基づき、判定対象データが属するデータ集合を選択する。なお、データ集合選択部１４は、判定対象特徴量に加え、判定対象データが取得された環境を示すシーン情報と、データ集合特性情報との関係に基づき、判定対象データが属するデータ集合を選択してもよい。具体的には、データ集合選択部１４は、特徴抽出部１３から、判定対象特徴量とメタ情報とを入力したことに応じて、メタ情報に基づいて判定対象データが取得されたシーンのカテゴリをシーン情報として選択する。具体的には、予め用意されたカテゴリのなかから、メタ情報に応じて選択する。例えば、メタ情報が有する取得された時刻の情報に応じて、時間帯に対応するシーンのカテゴリ（「朝」、「昼」、「夜」）を選択する。そして、データ集合選択部１４は、入力した判定対象特徴量及び選択したシーン情報と、データ集合記憶部Ｍ２が記憶するデータ集合特性情報との関係に基づき、判定対象特徴量が属する一つ又は複数のデータ集合を選択する。ここで、データ集合の選択方法としては、例えば次の３つの方法がある。

第１のデータ集合選択方法として、データ集合選択部１４は、判定対象データのシーン情報と一致するシーン情報を有する全てのデータ集合を選択する。具体的には、データ集合選択部１４は、データ集合特性情報に含まれるシーン情報が、判定対象データのシーン情報と一致するデータ集合を全て選択する。

第２のデータ集合選択方法として、データ集合選択部１４は、判定対象特徴量の近傍にあるデータ集合を選択する。具体的には、データ集合選択部１４は、データ集合特性情報に含まれる中心座標と、識別対象特徴量との距離が所定の閾値より低いデータ集合を選択する。

第３のデータ集合選択方法として、データ集合選択部１４は、判定対象データのシーン情報が一致し、かつ近傍にあるデータ集合を選択する。具体的には、データ集合特性情報に含まれるシーン情報が、判定対象データのシーン情報と一致するデータ集合のなかで、データ集合特性情報に含まれる中心座標と、判定対象特徴量との距離が所定の閾値より小さいデータ集合を選択する。

なお、第２、第３のデータ集合選択方法においては、データ集合特性情報に、分散共分散行列が含まれる場合、距離測定において分散共分散行列を計量とするマハラノビス距離を用いてもよい。

データ集合選択部１４は、選択したデータ集合を識別するデータ集合ＩＤと、判定対象特徴量とを識別部１５に出力する。

識別部１５は、データ集合選択部１４により選択されたデータ集合を識別するデータ集合ＩＤに関連付けられた線形識別モデルのパラメータを線形識別モデル記憶部Ｍ３から読み込む。そして、読み込まれた線形識別モデルを用いて、判定対象特徴量が正常クラスまたは異常クラスに属するかを判定する。そして、識別部１５は、識別結果を示す識別結果情報を出力部１６に出力する。具体的には、データ集合選択部１４からデータ集合ＩＤと判定対象特徴量とを入力するとともに、入力したデータ集合ＩＤに関連付けられて記憶されている複数の線形モデルのパラメータをデータ集合ごとに線形識別モデル記憶部Ｍ３から読み込む。そして、識別部１５は、読み込んだ線形モデルのパラメータを用いて、データ集合ごとに入力した判定対象の特徴量を正常クラスまたは異常クラスに識別する。ここで、識別方法としては、例えば、データ集合ごとに、複数の線形識別モデルのうち判定対象データを正常クラスに識別する線形識別モデルの数が、所定の閾値より大きい場合に、識別部１５は、該データ集合に対して判定対象のデータを正常クラスに識別する。そして、判定対象データがいずれかのデータ集合において正常クラスとして識別された場合、識別部１５は、判定対象データを正常クラスに識別する。そして、識別部１５は、判定対象データが正常クラス又は異常クラスに属するかを示す識別結果情報を、出力部１６に出力する。この識別結果情報は、例えば、異常の場合は「−１」、正常の場合は「１」の値を取る。

出力部１６は、識別結果情報に基づいて、映像データに係る表示情報を生成して、生成した表示情報を出力する。具体的には、出力部１６は、識別部１５から識別結果情報を入力するとともに、撮像装置１０から映像データを入力する。そして、出力部１６は、入力した識別結果情報に基づいて、入力した映像データの表示情報を生成し、生成した表示情報をネットワークを介して端末装置３０に出力する。この表示情報は、識別結果情報が映像データに異常がないことを示す場合（例えば、「１」の場合）、例えば、そのままの映像データ、又は解像度及びフレームレートを低くした映像データである。一方、識別結果情報が映像データに異常があることを示す場合（例えば、「−１」の場合）、表示情報は、映像データに加え、監視者の注意を促すための警報情報を含む。この警報情報は、例えば、「異常があります」等のテキストまたは音声である。

端末装置３０は、監視ユーザが利用するコンピュータ装置であり、情報処理装置１０からネットワークを介して供給される表示情報を提供する。図示はしないが、端末装置３０は、表示部４１を備える。端末装置３０には、例えばＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）やタブレットＰＣ、スマートフォン、フューチャーフォン等が適用できる。具体的には、情報処理装置１０が表示情報を出力したことに応じて、端末装置３０は、表示情報を取得する。そして、端末装置３０は、取得した表示情報を表示部４１に出力する。

図６は、情報処理装置１０が局所的な線形識別モデルを用いて判定対象データを識別する過程の一例を示す図である。同図が示すように、まず、情報処理装置１０は、正常データを、複数のデータ集合に分割する。次に、情報処理装置１０は、データ集合ごとにランダムに生成した線形識別モデルのなかから、式（２）の評価式を用いて、Ｍ個の線形識別モデルを選択する。判定対象データが与えられたとき、情報処理装置１０は、近傍のデータ集合を選択し、該データ集合の線形識別モデルを用いて、判定対象データが正常か否かを判定する。

次に、図７を参照して、本実施形態の情報処理装置の動作について説明する。図７は、本実施形態の情報処理装置の線形識別モデルの生成動作の一例を示すフローチャートである。

（ステップＳ１０１）
まず、データ分割部１１は、正常特徴量記憶部Ｍ１から、正常特徴量を読み込む。

（ステップＳ１０２）
次に、データ分割部１１は、正常データを分割する。具体的には、読み込んだ正常データを、上述した所定の方法を用いて分割し、データ集合ＩＤと関連付けてデータ集合特性情報を、データ集合記憶部Ｍ２に記憶させる。また、正常データＩＤと関連づけて、該データが属するデータ集合のデータ集合ＩＤを、正常特徴量記憶部Ｍ１に記憶させる。そして、データ分割部１１は、線形識別モデル生成部１２に、トリガーを出力する。

次に、線形識別モデル生成部１２は、データ集合カウンタｃをリセットする（ステップＳ１０３）。具体的には、データ分割部１１からトリガーを入力したことに応じて、線形識別モデル生成部１２は、データ集合カウンタｃを「０」に設定する。

（ステップＳ１０４）
次に、線形識別モデル生成部１２は、データ集合ｃに属する正常データを読み込む。具体的には、線形識別モデル生成部１２は、データ集合ｃを識別するデータ集合ＩＤに関連付けられた正常特徴量を、正常特徴量記憶部Ｍ１から読み込む。

（ステップＳ１０５）
次に、ランダムモデル生成部１２１は、データ集合ｃに対してランダムに線形識別モデルの候補を生成する。具体的には、ランダム候補生成部１２１は、ランダムに所定の候補数Ｌ個のパラメータ（ｗ、ｂ）の組みを生成する。

（ステップＳ１０６）
次に、線形識別モデル選択部１２２は、データ集合ｃに対して線形識別モデルを選択する。具体的には、ランダム候補生成部１２１が生成した候補の中から、式（２）を最小化するＭ個の線形識別モデルのパラメータを選択する。

（ステップＳ１０７）
次に、線形識別モデル生成部１２は、生成した線形識別モデルのパラメータを、線形モデル記憶部Ｍ３に記憶させる。具体的には、線形識別モデル生成部１２は、生成した線形識別モデルのパラメータを、データ集合ｃを識別するデータ集合ＩＤと線形識別モデルを識別する線形識別モデルＩＤとに関連付けて、線形識別モデル記憶部Ｍ３に記憶させる。

（ステップＳ１０８）
次に、線形識別モデル生成部１２は、データ集合カウンタｃに「１」を追加する。

（ステップＳ１０９）
次に、線形識別モデル生成部１２は、データ集合カウンタｃが所定のデータ集合数Ｃ以上か否かを判定する。具体的には、カウンタｃが該データ集合数Ｃ以上の場合、線形識別モデル生成部１２は、処理を終了する。一方、カウンタｃが該データ集合数Ｃ未満の場合、線形識別モデル生成部１２は、処理をステップｓ１０４に戻す。

次に、図８は、本実施形態の情報処理装置の識別の動作の一例を示すフローチャートである。

（ステップＳ２０１）
まず、特徴抽出部１３は、判定対象データを撮像装置から取得する。具体的には、撮像装置２０により撮像された判定対象データが、ネットワークを介して特徴抽出部１３と出力部１６に出力される。特徴抽出部１３は、判定対象データを取得したことに応じて、上述した所定の特徴抽出方法を用いて、取得した判定対象データから判定対象特徴量を抽出する。そして、特徴抽出部１３は、抽出した判定対象特徴量と、判定対象データに含まれるメタ情報とをデータ集合選択部１４に出力する。

（ステップＳ２０２）
次に、データ集合選択部１４は、判定対象データのシーン情報を選択する。具体的には、データ集合選択部１４は、特徴抽出部１３から判定対象特徴量とメタ情報とを入力したことに応じ、予め用意された所定のカテゴリの中から、入力したメタ情報に基づき、判定対象データが取得された環境を示すカテゴリをシーン情報として選択する。

（ステップＳ２０３）
次に、データ集合選択部１４は、判定対特徴量及び選択したシーン情報と、データ集合特性情報との関係に基づきデータ集合を選択する。具体的には、データ集合選択部１４は、データ集合記憶部Ｍ２がデータ集合ＩＤと関連付けて記憶するデータ集合特性情報を読み込む。そして、データ集合選択部１４は、入力した判定対象特徴量及び選択したシーン情報と、読み込んだデータ集合特性情報とに基づき上述した所定のデータ集合選択方法を用いて、判定対象データが属するデータ集合を選択する。そして、選択したデータ集合を識別するデータ集合ＩＤと、入力した判定対象特徴量とを識別部１５に出力する。

（ステップＳ２０４）
次に、識別部１５は、データ集合数のカウンタをリセットする。具体的には、データ集合選択部１４からデータ集合ＩＤと判定対象特徴量とを入力したことに応じて、識別部１５は、データ集合数のカウンタｃを「０」に設定する。

（ステップＳ２０５）
次に、識別部１５は、ｃ番目のデータ集合に関連付けられた線形識別モデルのパラメータを読み込む。具体的には、ｃ番目のデータ集合を識別するデータ集合ＩＤに関連付けられた全ての線形識別モデルのパラメータを線形識別モデル記憶部Ｍ２から読み込む。

（ステップＳ２０６）
次に、識別部１５は、ｃ番目のデータ集合に対して判定対象データが正常クラス又は異常クラスに識別する。具体的には、読み込んだ線形識別モデルを用いて、前述した所定の識別方法により、入力した判定対象特徴量をｃ番目のデータ集合に対して正常クラス又は異常クラスに識別する。

（ステップＳ２０７）
次に、識別部１５は、カウンタｃに「１」を加算する。

（ステップＳ２０８）
次に、識別部１５は、カウンタｃがデータ集合選択部１４から入力したデータ集合の数Ｃ１以上か否かを判定する。具体的には、カウンタｃが該データ集合数Ｃ１以上の場合、識別部１５は、処理をステップＴ１０９に進める。一方、カウンタｃが該データ集合数Ｃ１未満の場合、識別部１５は、処理をステップＳ２０５に戻す。

（ステップＳ２０９）
次に、識別部１５は、判定対象データが正常か否かを判定する。具体的には、Ｃ１個のデータ集合のうち、一つでも判定対象データが正常クラスに識別されている場合、識別部１５は、判定対象データが正常であると判定する。一方、一つも判定対象データが正常クラスに識別されていない場合、識別部１５は、判定対象データが異常であると判定する。そして、識別部１５は、判定結果を示す情報を出力部１６に出力する。

（ステップＳ２１０）
次に、出力部１６は、表示情報を端末装置２０に出力する。具体的には、出力部１６は、識別部１５から、入力した識別結果情報と、撮像装置２０から入力した判定対象データとに基づいて生成した表示情報を、ネットワークを介して端末装置３０に出力する。

（ステップＳ２１１）
次に、端末装置３０は、表示情報を出力し、処理を終了する。具体的には、端末装置３０は、情報処理装置２０の出力部１６から入力した表示情報を、表示部４１に出力する。

以上のように、第１の実施形態では、判定対象特徴量近傍のデータ集合に対応した局所的な線形識別モデルを用いて、判定対象データを識別する。これにより、正常データの領域が非凸形状をしていたり、または複数の島から構成される場合においても、高精度に異常を検知することができる。

なお、識別部は、データ集合選択部により選択されたデータ集合ごとに、判定対象のデータが特定クラスに属するか否かを識別し、いずれかのデータ集合において特定クラスに属すると識別した場合、判定対象のデータは、特定クラスに属すると判定する。

そのため、情報処理装置１０は、判定対象データ近傍の複数のデータ集合に対して何重に正常か否かを確認できるので、判定対象データに含まれるノイズに対してロバストに異常を検知することができる。

なお、特徴量は、該データが取得された環境を示すシーン情報を有し、データ分割部は、シーン情報の種類にごとに特徴量を分割し、該シーン情報をデータ集合特性情報に含める。そして、データ集合選択部は、判定対象のデータが取得された環境を示すシーン情報を選択し、特徴抽出部が変換した判定対象特徴量に該シーン情報を加え、データ集合特性情報との関係に基づき、判定対象特徴量が属するデータ集合を選択する。

そのため、判定対象データが取得される様々な状況（シーン）ごとに、正常の範囲をモデル化することができ、異なる状況が混在することによる異常検知の性能劣化の問題を回避することができる。

［第２の実施形態］
次に、本発明を実施するための第２の実施形態について、図面を参照して説明する。なお、上述した第１の実施形態における各構成と同一の構成については、同一の符号を付して説明を省略する。

本実施形態における異常検知システム１ａについて、データ集合ごとの線形識別モデルのパラメータの設定に、マルチタスク学習を用いた場合を例に説明する。つまり、本実施形態の情報処理装置１０ａは、データ集合ごとの線形識別モデルのパラメータの設定に学習を用いている点において、第１の実施形態と異なる。ここでは、第１の実施形態と同様に、特定のクラスを正常クラス、特定外のクラスを異常クラスとする。

図９は、本発明の第２の実施形態に係る異常検知システム１ａの構成の一例を示す構成図である。異常検知システム１ａは、ネットワークを介して接続された情報処理装置１０ａと、情報処理装置２０と、撮像装置２０と、端末装置３０とを備えている。

情報処理装置１０ａは、線形識別モデル生成部１２ａを含む点において、第１の実施形態の情報処理装置１０と異なる。

線形識別モデル生成部１２ａは、ランダムモデル生成部１２１と、非類似モデル学習部１２２ａとを含む。線形識別モデル生成部１２ａは、正常特徴量記憶部Ｍ１が記憶する正常特徴量に基づき、データ集合ごとに、判定対象のデータを正常クラスと異常クラスとに識別する複数の線形識別モデルを生成する。そして、線形識別モデル生成部１２は、生成した線形識別モデルを、識別する線形識別モデルＩＤと、線形識別モデルが属するデータ集合を識別するデータ集合ＩＤとに関連付けて線形識別モデル記憶部Ｍ３に記憶させる。

非類似モデル学習部１２２ａは、ランダムモデル生成部１２１が生成したデータ集合ごとの複数の線形識別モデルを、１つずつ次の条件で学習する。この条件とは、該データ集合に属する正常データが正常クラスに識別され、かつ正常クラスに識別される該正常データの密度が高く、かつ既に学習した同じデータ集合内の他の線形識別モデルと類似しないことである。例えば、非類似モデル学習部１２２ａは、式（１）で表されたｍ番目の線形識別モデルに対して、次の類似罰則化項を含む１クラスサポートベクトルマシンの目的関数を最小化するように、パラメータを最適化する。

ここで、（ｗｍ、ｂｍ）は、ｍ番目線形識別モデルのパラメータである。Ｄは正常データを正常クラスに識別する誤差に対する重要度のハイパーパラメータである。第４項のＪ（ｗｍ，ｗｍ’）は、２つの線形識別モデルの法線ベクトルｗｍ、ｗｍ’間の類似罰則を表す。例えば、類似罰則は、次のように定義される。

関数Ｊ（ｗｍ，ｗｍ’）は、次の性質を持つ。法線ベクトルｗｍとｗｍ’が同じ方向を向いている場合は、最大値を取り、直行している場合は、「０」の値を取り、反対を向いている場合は、最小値を取る。つまり、２つの法線ベクトルが類似している程高い値を取る。したがって、ｍ番目の線形識別モデルに対して、目的関数式（４）を全体を最小化することにより、多くの正常特徴量が正常クラスに識別される（式（４）の第３項に対応）。また、超平面が正常特徴ベクトルに近く（式（４）の第２項に対応）、かつｍ−１番目までの既に最適化が行われたモデルと類似しないように（式（４）の第４項に対応）パラメータを最適化することができる。なお、最初の線形識別モデル（ｍ＝１）に対しては、第４項目は「０」となる。また、最適化手法としては、１クラスサポートベクトルマシンと同様に、例えば、式５を満たす最適なパラメータは、以下のように求めることができる。すなわち、式５の目的関数をラグランジュ未定乗数法とＫａｒｕｓｈ−Ｋｕｈｎ−Ｔｕｃｋｅｒ条件とを用いることにより変形した双対問題対し、最急降下法などを用いて逐次的に解くことができる。なお、最急降下法の各反復にパラメータの更新量が、予め用意された所定の更新量閾値以下になった場合又は、更新回数が予め用意された所定の回数閾値以上となった場合に、最急降下法によるパラメータの更新を終了する。

図１１は、情報処理装置１０ａが特定のデータ集合に対する複数の線形識別モデルを学習する過程の一例を示す図である。同図が示すように、まず、情報処理装置１０ａは、正常データを、複数のデータ集合に分割する。次に、情報処理装置１０ａは、データ集合ごとにランダムに生成した線形識別モデルを、式（４）の最適化問題を解くことにより、順次学習する。

次に、図１２を参照して、異常検知システム１ａにおける情報処理装置１０ａの動作について説明する。図１２は、本実施形態の情報処理装置の線形モデル生成の動作の一例を示すフローチャートである。なお、第１の実施形態と同一の動作については同一の符号を付して、その説明を省略する。

（ステップＳ３０１）
まず、非類似モデル学習部１２２ａは、モデルカウンタｍをリセットする。具体的には、モデルカウンタｍを「０」に設定する。

（ステップＳ３０２）
次に非類似モデル学習部１２２ａは、データ集合ｃに対するｍ番目の線形識別モデルのパラメータを学習する。具体的には、式（４）を満たすように、上述した最急降下法を用いてデータ集合ｃに対するｍ番目の線形識別モデルのパラメータを最適化する。

（ステップＳ３０３）
次に、非類似モデル学習部１２２ａは、モデルカウンタｍに「１」を追加する。

（ステップＳ３０４）
次に非類似モデル学習部１２２ａは、モデルカウンタｍが所定のモデル数Ｍ以上か否かを判定する。具体的には、モデルカウンタｍが該モデル数Ｍ以上の場合、非類似モデル学習部１２２ａは、処理をステップｓ１０７に移す。一方、モデルカウンタｍが該モデル数Ｍ未満の場合、非類似モデル学習部１２２ａは、処理をステップＳ３０２に戻す。

以上のように、生成した線形識別モデルを、データ集合ごとに、該データ集合に属する特徴量が特定のクラスに識別され、かつ特定のクラス内の特徴量の密度が大きく、かつ該データ集合内の線形識別モデル同士が類似しないように、線形識別モデルを学習する。

これにより、各データ集合において類似した冗長な線形識別モデルを減らすことができ、予め各データ集合における線形識別モデルの数Ｍ小さく設定することにより、異常検知に必要なメモリ容量を抑えることができる。

［第３の実施形態］
次に、本発明を実施するための第３の実施形態について、図面を参照して説明する。なお、上述した第１の実施形態における各構成と同一の構成については、同一の符号を付して説明を省略する。

本実施形態における異常検知システム１ｂについて、データ集合ごとの線形識別モデルのパラメータの設定に、ブースティング学習を用いた場合を例に説明する。つまり、本実施形態の情報処理装置１０ｂは、データ集合ごとの線形識別モデルのパラメータの設定にブースティング学習を用いている点において、第１の実施形態と異なる。ここでは、第１の実施形態と同様に、特定のクラスを正常クラス、特定外のクラスを異常クラスとする。

図１３は、本発明の第３の実施形態に係る異常検知システム１ｂの構成の一例を示す構成図である。異常検知システム１ｂは、ネットワークを介して接続された情報処理装置１０ｂと、情報処理装置２０と、撮像装置２０と、端末装置３０とを備えている。

情報処理装置１０ａは、線形識別モデル生成部１２ｂを含む点において、第１の実施形態の情報処理装置１０と異なる。

線形識別モデル生成部１２ｂは、重要度割り当て部１２１ｂと、モデル追加判定部１２２ｂと、モデル追加部１２３ｂとを含む。そして、線形識別モデル生成部１２ｂは、正常特徴量記憶部Ｍ１が記憶する正常特徴量に基づき、データ集合ごとに、判定対象のデータを正常クラスと異常クラスとに識別する複数の線形識別モデルを生成する。そして、線形識別モデル生成部１２は、生成した線形識別モデルを、識別する線形識別モデルＩＤと、線形識別モデルが属するデータ集合を識別するデータ集合ＩＤとに関連付けて線形識別モデル記憶部Ｍ３に記憶させる
重要度割り当て部１２１ｂは、データ集合ごとに、既に学習済みの線形識別モデルと、正常特徴量との関係に基づき、正常データに重要度を割り当てる。具体的には、重要度割り当て部１２１ｂは、データ分割部１１からトリガーを入力したことに応じて、データ集合ごとに、正常特徴量記憶部Ｍ１から該データ集合に属する正常特徴量を読み込む。そして、重要度割り当て部１２１ｂは、所定の割り当て方法により、該データ集合内の正常データ点に、既に追加された該データ集合内の線形識別モデルとの関係に基づき、重要度を割り当てる。そして、重要度割り当て部１２１ｂは、正常データＩＤと関連付けて割り当てた重要度を示す重要度情報を、モデル追加判定部１２２ｂに出力する。ここで、正常データ点への重要度の割り当て方法としては、例えば、後述するモデル追加部１２３ｂにより追加された線形識別モデルと各正常データ点との距離の平均を用いる。例えば、Ｍ個の線形識別モデルとｎ番目の正常データ点間の平均距離は、式（６）を用いて計算することができる。

なお、該データ集合に、線形識別モデルが一つも追加されていない場合は、全ての正常データに同じ重要度を割り当ててもよい。なお、データ集合中心の近傍の正常データは、線形識別モデルから離れているため、予め低い重要度を割り当ててもよい。

モデル追加判定部１２２ｂは、重要度割り当て部１２１ｂが割り当てた正常データの重要度に基づき、該データ集合に線形識別モデルを追加すべきか否かを判定する。具体的には、重要度割り当て部１２１ｂからデータＩＤと関連付けられた重要度情報を入力したことに応じて、モデル追加判定部１２２ｂは、入力した重要度情報に基づいて、該データ集合に、線形識別モデルを追加するか否かを判定する。ここで、線形識別モデルを追加するか否かの判定方法としては、例えば、重要度の分散、または最大値と最小値と差が予め定められた閾値以上の場合、モデル追加判定部１２２ｂは、線形識別モデルを追加する必要があると判定する。つまり、大きい重要度が割り当てられている正常データは、平均的にどの線形識別モデルからも離れているため、該正常データは、特徴空間上の正常の範囲を規定するのに用いられていない可能性がある。これにより、モデル追加判定部１２２ｂは、新たに線形識別モデルを追加する必要があると判定する。

モデル追加部１２３ｂは、該データ集合に属する正常データが正常クラスに識別され、かつ重要度が大きい正常データに近い線形識別モデルを追加する。例えば、モデル追加部１２３ｂは、式（１）で表されたｍ番目の線形識別モデルに対し、次の１クラスサポートベクトルマシンに準じた目的関数を最小化するように、パラメータを最適化する。

ここで、ｚｍは、該データ集合内で最大の重要度を持つ正常データ点で、２項目は、線形識別モデル（ｗｍ、ｂｍ）と正常データ点ｚｍとの距離に比例する値である。つまり、２項目は、次の性質を持つ。線形識別モデル（ｗｍ、ｂｍ）が正常データ点ｚｍを通る場合、「０」の値を取り、正常データ点ｚｍから離れるにつれ、高い値を取る。これにより、ｍ番目の線形識別モデルに対して、目的関数（式（７））全体を最小化することにより、多くの正常特徴量が正常クラスに識別される（式（７）の第３項に対応）。また、さらに、重要度が最大の正常データ点に近く（式（７）の第２項に対応）なるようにパラメータを最適化することができる。なお、最適化手法としては、式（４）の最適化問題と同様に最急降下法などを用いて逐次的に解くことができる。なお、最急降下法の各反復にパラメータの更新量が、予め用意された所定の更新量閾値以下になった場合又は、更新回数が予め用意された所定の回数閾値以上となった場合に、最急降下法によるパラメータの更新を終了する。

図１５は、情報処理装置１０ｂが特定のデータ集合に対して線形識別モデルを追加する過程の一例を示す図である。同図が示すように、まず、情報処理装置１０ｂは、正常データを、複数のデータ集合に分割する。次に、情報処理装置１０ｂは、あるデータ集合に線形識別モデルを追加し、該線形識別モデルからの距離に応じて、該データ集合に属する正常データ点に重要度を割り振る。そして、重要度が大きい正常データ点に近い線形識別モデルを式（７）の最適化問題を解くことにより、順次追加する。

次に、図１６を参照して、異常検知システム１ｂにおける情報処理装置１０ｂの動作について説明する。図１６は、本実施形態異常検知システム１ｂの線形モデル生成の動作の一例を示すフローチャートである。なお、第１の実施形態と同一の動作については同一の符号を付して、その説明を省略する。

（ステップＳ４０１）
まず、重要度割り当て部１２１ｂは、モデルカウンタｍをリセットする。具体的には、モデルカウンタｍを「１」に設定する。

（ステップＳ４０２）
次に、重要度割り当て部１２１ｂは、データ集合ｃの正常データに重要度を割り当てる。具体的には、読み込んだデータ集合ｃに属する正常データに対して、上述した所定の重要度割り当て方法を用いて、重要度を割り当てる。そして、重要度割り当て部１２１ｂは、正常データＩＤに関連づけて、割り当てた重要度情報をモデル追加判定部１２２ｂに出力する。

（ステップＳ４０３）
次に、モデル追加判定部１２２ｂは、データ集合ｃに対して線形識別モデルを追加するか否かを判定する。具体的には、重要度割り当て部１２１ｂから重要度情報を入力したことに応じて、上述した所定の追加判定方法を用いて、線形識別モデルを追加するか否かを判定する。追加すると判定した場合、モデル追加判定部１２２ｂは、入力した正常特徴量と、重要度情報とをモデル追加部１２３ｂに出力し、処理をステップＳ３０４に進める。一方、追加しないと判定した場合、処理をステップＳ１０７に進める。

（ステップＳ４０４）
次に、モデル追加部１２３ｂは、データ集合ｃに対して線形識別モデルを追加する。具体的には、モデル追加判定部１２２ｂからデータＩＤと関連付けられた正常特徴量と重要度情報とを入力したことに応じて、所定の追加方法を用いて、線形識別モデルを追加する。

（ステップＳ４０５）
次に、モデル追加部１２３ｂは、モデルカウンタｍに「１」を追加し、処理をステップＳ４０２に戻す。

以上のように本実施形態では、各データ集合に対する特徴空間上の正常の範囲を規定するのに、全ての正常データが寄与するまで線形識別モデルを追加できる。したがって、各データ集合ごとの正常データの範囲の大きさや形状などに合わせて、線形識別モデルの数を調整することができる。そのため、複雑な正常の範囲を持つデータ集合に対しても精度よく異常判定ができる。また、正常データの範囲が単純なデータ集合に対しては、少数の線形識別モデルを生成するため、メモリ容量を抑えることが出来るとともに、識別時には高速に異常判定を行うことができる。

以上、本発明の実施の形態について図面を参照して詳述したが、具体的な構成はその実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計等も含まれる。また、各実施形態は、上記の各実施形態を組み合せて実施してもよい。

また、上記の各実施形態においては、異常検知の問題を例に、本発明の実施形態について説明したが、本発明の装置は、この発明の要旨を逸脱しない範囲内において一般的な識別問題に適用することが可能である。例えば、本発明の装置は、特定のクラスを人体のクラス、特定外のクラスを人体以外のクラスとし、画像又は映像データから人体を検知する問題に適用することができる。また、本発明の情報処理装置を複数用いることにより、多クラスの識別問題に適用することができる。

また、上記の各実施形態においては、情報処理装置１０、１０ａ及び１０ｂは正常特徴量記憶部Ｍ１、データ集合記憶部Ｍ２、線形識別モデル記憶部Ｍ３を備えていると説明したが、ネットワークを介したサーバ上や、他の装置がこれらの構成を備えてもよい。

（その他の実施形態）
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ（またはＣＰＵやＭＰＵ等）がプログラムを読み出して実行する処理である。

１１ データ分割部
１２、１２ａ、１２ｂ 線形識別モデル生成部
１３ 特徴抽出部
１４ データ集合選択部
１５ 識別部
１６ 出力部
２０ 撮像装置
３０ 端末装置
Ｍ１ 特徴量記憶部
Ｍ２ データ集合記憶部
Ｍ３ 線形識別モデル記憶部

Claims (11)

1. 入力データから第１の特徴量を抽出する特徴抽出手段と、
   特定のクラスに属する訓練データから抽出され、該訓練データが取得された環境を示すシーン情報を含む第２の特徴量を該シーン情報に基づいて分割して得られる複数の集合ごとに生成される識別モデルと、前記それぞれの集合の特性を表す特性情報と、前記それぞれの集合とを関連付けて保持する保持手段と、
   前記抽出された第１の特徴量と、前記特性情報とに基づいて、前記第１の特徴量に対応する集合を選択する選択手段と、
   前記選択された前記集合に関連付けられた識別モデルを用いて、前記入力データが前記特定のクラスに属するか否かを判定する判定手段とを備えることを特徴とする情報処理装置。
2. 前記判定手段は、前記選択された前記集合ごとに、前記入力データが前記特定クラスに属するか否かを識別し、いずれかの集合において前記特定クラスに属すると識別した場合、前記入力データは、前記特定クラスに属すると判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。
3. 前記選択手段は、前記入力データが取得された環境を示すシーン情報を取得し、前記抽出された第１の特徴量と該シーン情報とに基づいて、前記集合を選択することを特徴とする請求項２に記載の情報処理装置。
4. 特定のクラスに属する訓練データの特徴量を複数の集合に分割し、該集合それぞれの特性を示す特性情報を設定する特性情報設定手段と、
   前記集合ごとに、前記訓練データの特徴量に基づき、識別モデルを生成する識別モデル生成手段と、
   前記集合ごとに既に生成されている識別モデルと、該集合に属する特徴量との関係に基づき、該特徴量に重要度を割り当てる重要度割り当て手段と、
   前記重要度割り当て手段により割り当てられた重要度に基づき、前記集合に識別モデルを追加するか否かを判定するモデル追加判定手段と、
   前記モデル追加判定手段により、該集合に前記識別モデルを追加すると判定された場合、前記重要度割り当て手段により割り当てられた重要度と、該集合に属する特徴量とに基づいて識別モデルを追加するモデル追加手段と、
   前記集合と、前記集合ごとに生成された識別モデルと、前記集合それぞれの特性を示す特性情報とを関連付けて保持する保持手段とを備えることを特徴とする情報処理装置。
5. 前記識別モデルは、前記集合ごとに前記識別モデルの候補を、所定の確率分布に従いランダムに生成し、前記ランダムに生成された前記識別モデルの候補のなかから、前記集合ごとに、該集合に属する特徴量が前記特定のクラスに識別され、かつ前記特定のクラス内の前記特徴量の密度が大きい前記識別モデルを選択することにより生成されることを特徴とする請求項４に記載の情報処理装置。
6. 前記確率分布は、前記特性情報に基づいて、前記集合ごとに前記確率分布を設定されることを特徴とする請求項５に記載の情報処理装置。
7. 前記識別モデル生成手段は、前記ランダムに生成された前記識別モデルを、前記集合ごとに、該集合に属する特徴量が前記特定のクラスに識別され、かつ前記特定のクラス内の前記特徴量の密度が大きく、かつ該集合内の前記識別モデル同士が類似しないように、前記識別モデルを生成することを特徴とする請求項５または６に記載の情報処理装置。
8. 前記訓練データの特徴量を第２の特徴量とし、
   入力データから第１の特徴量を抽出する特徴抽出手段と、
   前記抽出された第１の特徴量と、前記特性情報とに基づいて、前記第１の特徴量に対応する集合を選択する選択手段と、
   前記選択された前記集合に対応する識別モデルを用いて、前記入力データが前記特定のクラスに属するか否かを判定する判定手段とを備えることを特徴とする請求項４に記載の情報処理装置。
9. 予め特定のクラスに属する訓練データから抽出され、該訓練データが取得された環境を示すシーン情報を含む第２の特徴量を該シーン情報に基づいて分割して得られる複数の集合ごとに、前記それぞれの集合に関連付けて、該第２の特徴量に基づいて生成され、前記集合それぞれの特性を示す特性情報と、前記集合とに関連付けられて保持手段に保持された識別モデルを使って、入力データが前記特定のクラスに属するかを判定する情報処理方法であって、
   入力データから第１の特徴量を抽出する特徴抽出工程と、
   前記抽出された第１の特徴量と、前記特性情報とに基づいて、前記第１の特徴量が対応する集合を選択する選択工程と、
   前記選択された前記集合に関連付けられた識別モデルを用いて、前記入力データが前記特定のクラスに属するか否かを判定する判定工程とを備えることを特徴とする情報処理方法。
10. 特定のクラスに属する訓練データの特徴量を複数の集合に分割し、該集合それぞれの特性を示す特性情報を設定する設定工程と、
    前記集合ごとに、前記訓練データの特徴量に基づき、識別モデルを生成する識別モデル生成工程と、
    前記集合ごとに既に生成されている識別モデルと、該集合に属する特徴量との関係に基づき、該特徴量に重要度を割り当てる重要度割り当て工程と、
    前記重要度割り当て工程により割り当てられた重要度に基づき、前記集合に識別モデルを追加するか否かを判定するモデル追加判定工程と、
    前記モデル追加判定工程により、該集合に前記識別モデルを追加すると判定された場合、前記重要度割り当て工程により割り当てられた重要度と、該集合に属する特徴量とに基づいて識別モデルを追加するモデル追加工程と、
    前記集合と、前記集合ごとに生成された識別モデルと、前記集合それぞれの特性を示す特性情報とを関連付けて保持する保持工程とを備えることを特徴とする情報処理方法。
11. コンピュータを、請求項１乃至８のいずれか１項に記載の情報処理装置の各手段として機能させるためのプログラム。

Images