JP6760318B2 - 顔画像識別システム、識別器生成装置、識別装置、画像識別システム、及び識別システム - Google Patents

Description

本発明は、顔画像識別システム、識別器生成装置、識別装置、画像識別システム、及び識別システムに関する。

近年、顔の写る画像（以下、「顔画像」とも記載する）を取得し、取得した顔画像から顔の特徴を識別する技術が様々な分野で利用されている。例えば、特許文献１では、ユーザの顔画像から顔の特徴を抽出し、抽出した顔の特徴と記憶装置に格納された顔の特徴とが一致するか否かを識別器により判定することで、当該ユーザの認証を行う認証装置が提案されている。

特開２０１３−１９６０４６号公報

本件発明者は、識別器を利用して、顔画像データから顔の特徴を識別する従来の技術には次のような問題点があることを見出した。すなわち、識別器は、顔画像データを事前に収集し、収集した顔画像データから顔の特徴を識別するように構築される。しかしながら、この識別器は、当該識別器の構築に利用した顔画像データと同じ環境で利用されるとは限らない。加えて、顔の特徴は、例えば、性別、地域、撮影装置、撮影場所の明るさ等の環境に応じて大きく異なり得る。

そのため、識別器の構築に利用した顔画像データに表れる顔の特徴と当該識別器を利用する環境で得られる顔画像データに表れる顔の特徴とが大きく相違する場合、識別器による当該顔の特徴の識別精度は非常に悪いものとなってしまう。例えば、アジア人の顔の特徴と欧米人の顔の特徴とは、目の形、鼻の大きさ等の点で大きく異なり得る。よって、アジア人の顔の特徴を識別するように構築した識別器では、欧米人の顔の特徴を正しく識別することができない可能性が高い。すなわち、環境の変動に応じて、識別器の精度が低下してしまう恐れがある。

そこで、個々の環境に応じて、別々の識別器を用意することが考えられる。個々の環境に応じて識別器を用意すれば、当該環境の変動の影響を受けることなく、顔の特徴の識別を実施することができるようになる。しかしながら、この方法では、環境に応じて別々の識別器を用意する分だけ、コストがかかってしまう。したがって、従来の技術では、低コストな方法で、環境の変動に起因する識別器の性能の低下を抑制することができないという問題点があることを本件発明者は見出した。

なお、この問題点は、顔画像の解析に特有のものではない。顔画像以外の画像データから何らかの特徴を識別する場面、画像データ以外のデータから何らかの特徴を識別する場面等、事前に収集したデータで識別器を生成するあらゆる場面で同様の問題点が生じ得る。すなわち、識別器を生成するのに利用したデータに表れる特徴と当該識別器を利用する環境で得られるデータに表れる特徴とが大きく相違する場合には、その環境における当該識別器の識別性能は低下し得る。これに対応するため、その環境で利用する別個の識別器を生成するようにすると、新たなデータを収集し、収集したデータにより別個の識別器を生成する分だけコストがかかってしまう。

本発明は、一側面では、このような実情を鑑みてなされたものであり、その目的は、低コストな方法で、環境の変動に起因する識別器の識別性能の低下を抑制する技術を提供することである。

本発明は、上述した課題を解決するために、以下の構成を採用する。

すなわち、本発明の一側面に係る顔画像識別システムは、顔の複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１顔画像データから算出された当該各特徴に関する第１特徴量を取得する第１特徴量取得部と、前記第１識別器を利用する環境において取得される、前記第１顔画像データと同種の第２顔画像データであって、前記顔の前記複数の特徴が写る第２顔画像データから算出された当該各特徴に関する第２特徴量を取得する第２特徴量取得部と、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する差分抽出部と、前記第１識別器を利用する前記環境において、前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３顔画像データを取得する学習データ取得部と、前記第３顔画像データを利用した機械学習により、前記第３顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築する学習処理部と、前記複数の特徴を識別する対象となる対象顔画像データを取得する対象データ取得部と、取得した前記対象顔画像データを前記第１識別器に入力することで、前記対象顔画像データから前記複数の特徴を識別した結果に対応する出力を前記第１識別器より取得する第１識別部と、取得した前記対象顔画像データを前記第２識別器に入力することで、前記対象顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果に対応する出力を前記第２識別器より取得する第２識別部と、前記第１識別器の出力及び前記第２識別器の出力に基づき、前記対象顔画像データから前記複数の特徴を識別した結果を出力する出力部と、を備える。

当該構成に係る顔画像識別システムでは、顔の複数の特徴を識別する第１識別器を構築する機械学習に利用された第１顔画像データから算出された各特徴に関する第１特徴量を取得する。また、当該顔画像識別システムは、第１識別器を利用する環境において得られた第２顔画像データから算出された各特徴に関する第２特徴量を取得する。そして、当該顔画像識別システムは、各特徴について第１特徴量と第２特徴量とを比較する。この比較の結果、第１特徴量と第２特徴量との差分が所定の基準を上回ると判定された特徴は、第１識別器の構築に利用された第１顔画像データを収集した環境と第２顔画像データを収集した、第１識別器を利用する環境とで大きく相違する顔の特徴に相当する。すなわち、第１特徴量と第２特徴量との比較によって、環境の変動に起因して大きく相違し得る顔の特徴を見つけ出すことができる。

そこで、当該構成に係る顔画像識別システムでは、所定の基準に従って、この第１特徴量と第２特徴量との差分が大きいと判定される特徴を差分特徴として抽出する。そして、当該顔画像識別システムは、第１識別器を利用する環境において、抽出した差分特徴及び差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３顔画像データを取得し、取得した第３顔画像データを利用した機械学習を実施することで、差分特徴及び差分関連特徴の少なくとも一方を識別するための第２識別器を構築する。これにより、当該顔画像識別システムは、顔の複数の特徴を識別するのに第１識別器を利用しつつ、第１識別器で正確に識別できない可能性のある差分特徴及び差分関連特徴の少なくとも一方の識別には第２識別器を利用することができるようになる。つまり、当該顔画像識別システムは、例えば、第１識別器による差分特徴の識別結果を第２識別器による差分特徴の識別結果で上書きしたり、差分特徴以外の顔の特徴の識別には第１識別器を利用し、顔の差分特徴の識別には第２識別を利用するというように、識別する特徴に応じて利用する識別器を切り替えたりすることができる。また、当該顔画像識別システムは、例えば、第２識別器による差分関連特徴の識別結果により、第１識別器による差分関連の識別結果を補うことができる。

したがって、当該構成によれば、第１識別器の構築に利用した第１顔画像データを収集した環境と第１識別器を利用する環境とで大きく相違する顔の特徴の識別には、上記第２識別器を利用することで、その特徴に対する識別性能の低下を抑制することができる。また、第２識別器を生成するコストは、識別する対象を顔の差分特徴及び差分関連特徴の少なくとも一方に絞っている分だけ、全ての顔の特徴を識別する別個の識別器を生成する場合に比べて低い。すなわち、当該構成によれば、差分特徴以外の顔の特徴に対して、第１識別器をそのまま利用することができる分だけ、環境の変動に対応するためのコストを抑えることができる。よって、当該構成によれば、低コストな方法で、環境の変動に起因する識別器の識別性能の低下を抑制することができる。

なお、識別の対象となる顔の複数の特徴は、画像に表れるあらゆる特徴を含んでもよく、例えば、表情の種別、覚醒状態、顔のパーツ（器官を含む）の位置（特定の器官同士の相対位置関係を含む）、顔のパーツの形状、顔のパーツの色、及び顔のパーツの状態（開度、角度等）から選択されてよい。差分関連特徴は、差分特徴とは完全には一致しないが、差分特徴と関係性を有し得る特徴であればよい。差分関連特徴は、第１識別器により識別する対象となる複数の特徴に含まれていてもよいし、含まれていなくてもよい。一例として、差分特徴が、目の大きさ、目の形状等の目に関するものである場合、差分関連特徴は、両目の間隔、目と眉毛との間隔、眉毛の形状、眉毛の大きさ等であってよい。「特徴の識別」は、特徴の種別又は属性値を識別するためのあらゆる処理を含んでよく、例えば、当該特徴の属する１又は複数のクラスを判定すること、所定のクラスに当該特徴が属するか否かを判定すること、所定のクラスに当該特徴が属する確率又は信頼度を導出すること、当該特徴の属性値を導出すること等であってよい。「識別器」は、例えば、ニューラルネットワーク、サポートベクタマシン、自己組織化マップ、強化学習モデル等の、機械学習により所定の推論を行う能力を獲得可能な学習モデルにより構成されてよい。

上記一側面に係る顔画像識別システムにおいて、前記第３顔画像データは、前記第２顔画像データのコピー、又は前記第２顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方の写る部分を抽出することで得られた部分顔画像データにより構成されてよい。当該構成によれば、第３顔画像データを得るのにかかるコストを抑えることができる。そのため、更に低コストな方法で、環境の変動に起因する識別器の識別性能の低下を抑制することができる。

上記一側面に係る顔画像識別システムにおいて、前記第２顔画像データは、前記複数の特徴が写る顔画像データであって、前記複数の特徴のうちの少なくともいずれかが前記第１識別器では識別不能であった又は識別を誤った顔画像データから選択されてよい。当該構成によれば、環境の変動に起因して大きく相違し得る顔の差分特徴を適切に抽出することができる。そのため、環境の変動に起因する識別器の識別性能の低下を適切に抑制することができる。

上記一側面に係る顔画像識別システムにおいて、前記出力部は、前記第１識別器の出力に基づいて、前記複数の特徴のうちの前記差分特徴以外の前記顔の特徴を識別した結果を出力し、前記第２識別器の出力に基づいて、前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果を出力してもよい。当該構成によれば、顔の複数の特徴について、より精度の高い識別結果を得ることができる。

上記一側面に係る顔画像識別システムにおいて、前記所定条件は、差分が最も大きい特徴から順に１又は複数個の特徴を選択するように規定されていてもよく、前記差分抽出部は、前記第１特徴量と前記第２特徴量との差分の最も大きい特徴から順に１又は複数個の特徴を選択し、選択した１又は複数個の特徴を前記差分特徴として抽出してもよい。当該構成によれば、差分特徴を適切に抽出することができる。

上記一側面に係る顔画像識別システムにおいて、前記所定条件は、差分が閾値を超える特徴を選択するように規定されていてもよく、前記差分抽出部は、前記第１特徴量と前記第２特徴量との差分が前記閾値を超えるか否かを判定し、前記第１特徴量と前記第２特徴量との差分が前記閾値を超えると判定された特徴を前記差分特徴として抽出してもよい。当該構成によれば、差分特徴を適切に抽出することができる。

また、上記各形態に係る顔画像識別システムから、例えば、第２識別器を生成する部分、第１識別器及び第２識別器で画像認識を行う部分等の一部分を抽出して他の形態に係る装置を構成してもよい。

例えば、本発明の一側面に係る識別器生成装置は、顔の複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１顔画像データから算出された当該各特徴に関する第１特徴量を取得する第１特徴量取得部と、前記第１識別器を利用する環境において取得される、前記第１顔画像データと同種の第２顔画像データであって、前記顔の前記複数の特徴が写る第２顔画像データから算出された当該各特徴に関する第２特徴量を取得する第２特徴量取得部と、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する差分抽出部と、前記第１識別器を利用する前記環境において、前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３顔画像データを取得する学習データ取得部と、前記第３顔画像データを利用した機械学習により、前記第３顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築する学習処理部と、を備える。

また、例えば、本発明の一側面に係る識別装置は、複数の特徴を識別する対象となる対象顔画像データを取得する対象データ取得部と、機械学習により顔の複数の特徴を識別するように構築された第１識別器に取得した前記対象顔画像データを入力することで、前記対象顔画像データから前記複数の特徴を識別した結果に対応する出力を前記第１識別器より取得する第１識別部と、複数の特徴から抽出された差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方を識別するように機械学習によって構築された第２識別器に取得した前記対象顔画像データを入力することで、前記対象顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果に対応する出力を前記第２識別器より取得する第２識別部と、前記第１識別器の出力及び前記第２識別器の出力に基づき、前記対象顔画像データから前記複数の特徴を識別した結果を出力する出力部と、を備える。なお、第２識別器は、上記識別器生成装置により生成されたものであってよい。

更に、上記各形態に係る顔画像識別システム、識別器生成装置、及び識別装置は、顔の写る顔画像データ以外の画像データから何らかの特徴を識別する場面、画像データ以外の他のデータを含むデータから何らかの特徴を識別する場面等の、事前に収集したデータで識別器（第１識別器）を生成するあらゆる場面に適用されてよい。

例えば、本発明の一側面に係る画像識別システムは、複数の特徴が写る第１画像データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１画像データから算出された当該各特徴に関する第１特徴量を取得する第１特徴量取得部と、前記第１識別器を利用する環境において取得される、前記第１画像データと同種の第２画像データであって、前記複数の特徴が写る第２画像データから算出された当該各特徴に関する第２特徴量を取得する第２特徴量取得部と、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する差分抽出部と、前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３画像データを取得する学習データ取得部と、前記第３画像データを利用した機械学習により、前記第３画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築する学習処理部と、前記複数の特徴を識別する対象となる対象画像データを取得する対象データ取得部と、取得した前記対象画像データを前記第１識別器に入力することで、前記対象画像データから前記複数の特徴を識別した結果に対応する出力を前記第１識別器より取得する第１識別部と、取得した前記対象画像データを前記第２識別器に入力することで、前記対象画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果に対応する出力を前記第２識別器より取得する第２識別部と、前記第１識別部の出力及び前記第２識別部の出力に基づき、前記対象画像データから前記複数の特徴を識別した結果を出力する出力部と、を備える。

また、例えば、本発明の一側面に係る識別器生成装置は、複数の特徴が写る第１画像データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１画像データから算出された当該各特徴に関する第１特徴量を取得する第１特徴量取得部と、前記第１識別器を利用する環境において取得される、前記第１画像データと同種の第２画像データであって、前記複数の特徴が写る第２画像データから算出された当該各特徴に関する第２特徴量を取得する第２特徴量取得部と、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する差分抽出部と、前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３画像データを取得する学習データ取得部と、前記第３画像データを利用した機械学習により、前記第３画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築する学習処理部と、を備える。

また、例えば、本発明の一側面に係る識別装置は、複数の特徴を識別する対象となる対象画像データを取得する対象データ取得部と、機械学習により複数の特徴を識別するように構築された第１識別器に取得した前記対象画像データを入力することで、前記対象画像データから前記複数の特徴を識別した結果に対応する出力を前記第１識別器より取得する第１識別部と、複数の特徴から抽出された差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方を識別するように機械学習によって構築された第２識別器に取得した前記対象画像データを入力することで、前記対象画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果に対応する出力を前記第２識別器より取得する第２識別部と、前記第１識別器の出力及び前記第２識別器の出力に基づき、前記対象画像データから前記複数の特徴を識別した結果を出力する出力部と、を備える。なお、第２識別器は、上記識別器生成装置により生成されたものであってよい。

また、例えば、本発明の一側面に係る識別システムは、複数の特徴を含む第１データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１データから算出された当該各特徴に関する第１特徴量を取得する第１特徴量取得部と、前記第１識別器を利用する環境において取得される、前記第１データと同種の第２データであって、前記複数の特徴を含む第２データから算出された当該各特徴に関する第２特徴量を取得する第２特徴量取得部と、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する差分抽出部と、前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方を含む第３データを取得する学習データ取得部と、前記第３データを利用した機械学習により、前記第３データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築する学習処理部と、前記複数の特徴を識別する対象となる対象データを取得する対象データ取得部と、取得した前記対象データを前記第１識別器に入力することで、前記対象データから前記複数の特徴を識別した結果に対応する出力を前記第１識別器より取得する第１識別部と、取得した前記対象データを前記第２識別器に入力することで、前記対象データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果に対応する出力を前記第２識別器より取得する第２識別部と、前記第１識別部の出力及び前記第２識別部の出力に基づき、前記対象データから前記複数の特徴を識別した結果を出力する出力部と、を備える。

なお、「データ」は、識別器による解析の対象となり得るあらゆる種類のデータを含んでもよく、例えば、画像データの他、音データ（音声データ）、数値データ、テキストデータ等であってよい。「特徴」は、データから識別可能なあらゆる特徴を含んでもよい。「複数の特徴」は、関連性を有する一連の特徴（例えば、音声データから識別される文字列）であってもよく、この場合、「差分特徴」は、その一連の特徴のうちの一部であってよい。「環境」は、例えば、データを取得する条件、データの取得に利用する装置、地域等の、識別器の機械学習に利用するデータを収集する場面、及び識別器を利用する場面の属性により適宜特定されてよい。

上記一側面に係る識別システムにおいて、前記第３データは、前記第２データのコピー、又は前記第２データから前記差分特徴及び前記差分関連特徴の少なくとも一方を含む部分を抽出することで得られた部分データにより構成されてよい。

上記一側面に係る識別システムにおいて、前記第２データは、前記複数の特徴を含むデータであって、前記複数の特徴のうちの少なくともいずれかが前記第１識別器では識別不能であった又は識別を誤ったデータから選択されてよい。

上記一側面に係る識別システムにおいて、前記出力部は、前記第１識別器の出力に基づいて、前記複数の特徴のうちの前記差分特徴以外の特徴を識別した結果を出力し、前記第２識別器の出力に基づいて、前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果を出力してもよい。

上記一側面に係る識別システムにおいて、前記所定条件は、差分が最も大きい特徴から順に１又は複数個の特徴を選択するように規定されていてもよく、前記差分抽出部は、前記第１特徴量と前記第２特徴量との差分の最も大きい特徴から順に１又は複数個の特徴を選択し、選択した１又は複数個の特徴を前記差分特徴として抽出してもよい。

上記一側面に係る識別システムにおいて、前記所定条件は、差分が閾値を超える特徴を選択するように規定されていてもよく、前記差分抽出部は、前記第１特徴量と前記第２特徴量との差分が前記閾値を超えるか否かを判定し、前記第１特徴量と前記第２特徴量との差分が前記閾値を超えると判定された特徴を前記差分特徴として抽出してもよい。

また、例えば、本発明の一側面に係る識別器生成装置は、複数の特徴を含む第１データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１データから算出された当該各特徴に関する第１特徴量を取得する第１特徴量取得部と、前記第１識別器を利用する環境において取得される、前記第１データと同種の第２データであって、前記複数の特徴を含む第２データから算出された当該各特徴に関する第２特徴量を取得する第２特徴量取得部と、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する差分抽出部と、前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方を含む第３データを取得する学習データ取得部と、前記第３データを利用した機械学習により、前記第３データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築する学習処理部と、を備える。

また、例えば、本発明の一側面に係る識別装置は、複数の特徴を識別する対象となる対象データを取得する対象データ取得部と、機械学習により複数の特徴を識別するように構築された第１識別器に取得した前記対象データを入力することで、前記対象データから前記複数の特徴を識別した結果に対応する出力を前記第１識別器より取得する第１識別部と、複数の特徴から抽出された差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方を識別するように機械学習によって構築された第２識別器に取得した前記対象データを入力することで、前記対象データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果に対応する出力を前記第２識別器より取得する第２識別部と、前記第１識別器の出力及び前記第２識別器の出力に基づき、前記対象データから前記複数の特徴を識別した結果を出力する出力部と、を備える。なお、第２識別器は、上記識別器生成装置により生成されたものであってよい。

なお、上記各形態に係る顔画像識別システム、画像識別システム、識別システム、識別器生成装置、及び識別装置の別の態様として、本発明は、以上の各構成を実現する情報処理方法であってもよいし、プログラムであってもよいし、このようなプログラムを記憶した、コンピュータその他装置、機械等が読み取り可能な記憶媒体であってもよい。ここで、コンピュータ等が読み取り可能な記憶媒体とは、プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。

例えば、本発明の一側面に係る顔画像識別方法は、コンピュータが、顔の複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１顔画像データから算出された当該各特徴に関する第１特徴量を取得するステップと、前記第１識別器を利用する環境において取得される、前記第１顔画像データと同種の第２顔画像データであって、前記顔の前記複数の特徴が写る第２顔画像データから算出された当該各特徴に関する第２特徴量を取得するステップと、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出するステップと、前記第１識別器を利用する前記環境において、前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３顔画像データを取得するステップと、前記第３顔画像データを利用した機械学習により、前記第３顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築するステップと、前記複数の特徴を識別する対象となる対象顔画像データを取得するステップと、取得した前記対象顔画像データを前記第１識別器に入力することで、前記対象顔画像データから前記複数の特徴を識別した結果に対応する出力を前記第１識別器より取得するステップと、取得した前記対象顔画像データを前記第２識別器に入力することで、前記対象顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果に対応する出力を前記第２識別器より取得するステップと、前記第１識別器の出力及び前記第２識別器の出力に基づき、前記対象顔画像データから前記複数の特徴を識別した結果を出力するステップと、を実行する、情報処理方法である。

また、例えば、本発明の一側面に係る識別器生成方法は、コンピュータが、顔の複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１顔画像データから算出された当該各特徴に関する第１特徴量を取得するステップと、前記第１識別器を利用する環境において取得される、前記第１顔画像データと同種の第２顔画像データであって、前記顔の前記複数の特徴が写る第２顔画像データから算出された当該各特徴に関する第２特徴量を取得するステップと、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出するステップと、前記第１識別器を利用する前記環境において、前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３顔画像データを取得するステップと、前記第３顔画像データを利用した機械学習により、前記第３顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築するステップと、を実行する、情報処理方法である。

また、例えば、本発明の一側面に係る識別器生成プログラムは、コンピュータに、顔の複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１顔画像データから算出された当該各特徴に関する第１特徴量を取得するステップと、前記第１識別器を利用する環境において取得される、前記第１顔画像データと同種の第２顔画像データであって、前記顔の前記複数の特徴が写る第２顔画像データから算出された当該各特徴に関する第２特徴量を取得するステップと、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出するステップと、前記第１識別器を利用する前記環境において、前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３顔画像データを取得するステップと、前記第３顔画像データを利用した機械学習により、前記第３顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築するステップと、を実行させるためのプログラムである。

また、例えば、本発明の一側面に係る画像識別方法は、コンピュータが、複数の特徴が写る第１画像データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１画像データから算出された当該各特徴に関する第１特徴量を取得するステップと、前記第１識別器を利用する環境において取得される、前記第１画像データと同種の第２画像データであって、前記複数の特徴が写る第２画像データから算出された当該各特徴に関する第２特徴量を取得するステップと、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出するステップと、前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３画像データを取得するステップと、前記第３画像データを利用した機械学習により、前記第３画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築するステップと、前記複数の特徴を識別する対象となる対象画像データを取得する対象データ取得部と、取得した前記対象画像データを前記第１識別器に入力することで、前記対象画像データから前記複数の特徴を識別した結果に対応する出力を前記第１識別器より取得するステップと、取得した前記対象画像データを前記第２識別器に入力することで、前記対象画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果に対応する出力を前記第２識別器より取得するステップと、前記第１識別器の出力及び前記第２識別器の出力に基づき、前記対象画像データから前記複数の特徴を識別した結果を出力するステップと、を実行する、情報処理方法である。

また、例えば、本発明の一側面に係る識別器生成方法は、コンピュータが、複数の特徴が写る第１画像データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１画像データから算出された当該各特徴に関する第１特徴量を取得するステップと、前記第１識別器を利用する環境において取得される、前記第１画像データと同種の第２画像データであって、前記複数の特徴が写る第２画像データから算出された当該各特徴に関する第２特徴量を取得するステップと、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出するステップと、前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３画像データを取得するステップと、前記第３画像データを利用した機械学習により、前記第３画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築するステップと、を実行する、情報処理方法である。

また、例えば、本発明の一側面に係る識別器生成プログラムは、コンピュータに、複数の特徴が写る第１画像データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１画像データから算出された当該各特徴に関する第１特徴量を取得するステップと、前記第１識別器を利用する環境において取得される、前記第１画像データと同種の第２画像データであって、前記複数の特徴が写る第２画像データから算出された当該各特徴に関する第２特徴量を取得するステップと、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出するステップと、前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３画像データを取得するステップと、前記第３画像データを利用した機械学習により、前記第３画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築するステップと、を実行させるためのプログラムである。

また、例えば、本発明の一側面に係る識別方法は、コンピュータが、複数の特徴を含む第１データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１データから算出された当該各特徴に関する第１特徴量を取得するステップと、前記第１識別器を利用する環境において取得される、前記第１データと同種の第２データであって、前記複数の特徴を含む第２データから算出された当該各特徴に関する第２特徴量を取得するステップと、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出するステップと、前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方を含む第３データを取得するステップと、前記第３データを利用した機械学習により、前記第３データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築するステップと、前記複数の特徴を識別する対象となる対象データを取得するステップと、取得した前記対象データを前記第１識別器に入力することで、前記対象データから前記複数の特徴を識別した結果に対応する出力を前記第１識別器より取得するステップと、取得した前記対象データを前記第２識別器に入力することで、前記対象データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果に対応する出力を前記第２識別器より取得するステップと、前記第１識別器の出力及び前記第２識別器の出力に基づき、前記対象データから前記複数の特徴を識別した結果を出力するステップと、を実行する、情報処理方法である。

また、例えば、本発明の一側面に係る識別器生成方法は、コンピュータが、複数の特徴を含む第１データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１データから算出された当該各特徴に関する第１特徴量を取得するステップと、前記第１識別器を利用する環境において取得される、前記第１データと同種の第２データであって、前記複数の特徴を含む第２データから算出された当該各特徴に関する第２特徴量を取得するステップと、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出するステップと、前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方を含む第３データを取得するステップと、前記第３データを利用した機械学習により、前記第３データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築するステップと、を実行する、情報処理方法である。

また、例えば、本発明の一側面に係る識別器生成プログラムは、コンピュータに、複数の特徴を含む第１データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１データから算出された当該各特徴に関する第１特徴量を取得するステップと、前記第１識別器を利用する環境において取得される、前記第１データと同種の第２データであって、前記複数の特徴を含む第２データから算出された当該各特徴に関する第２特徴量を取得するステップと、前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出するステップと、前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方を含む第３データを取得するステップと、前記第３データを利用した機械学習により、前記第３データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築するステップと、を実行させるためのプログラムである。

本発明によれば、低コストな方法で、環境の変動に起因する識別器の識別性能の低下を抑制する技術を提供することができる。

図１は、本発明が適用される場面の一例を模式的に例示する。 図２は、実施の形態に係る識別器生成装置のハードウェア構成の一例を模式的に例示する。 図３は、実施の形態に係る識別装置のハードウェア構成の一例を模式的に例示する。 図４は、実施の形態に係る識別器生成装置のソフトウェア構成の一例を模式的に例示する。 図５は、実施の形態に係る識別装置のソフトウェア構成の一例を模式的に例示する。 図６は、実施の形態に係る識別器生成装置の処理手順の一例を例示する。 図７は、実施の形態に係る識別装置の処理手順の一例を例示する。 図８は、他の形態に係る識別器生成装置のソフトウェア構成の一例を模式的に例示する。 図９は、他の形態に係る識別装置のソフトウェア構成の一例を模式的に例示する。 図１０は、他の形態に係る識別器生成装置のソフトウェア構成の一例を模式的に例示する。 図１１は、他の形態に係る識別装置のソフトウェア構成の一例を模式的に例示する。

以下、本発明の一側面に係る実施の形態（以下、「本実施形態」とも表記する）を、図面に基づいて説明する。ただし、以下で説明する本実施形態は、あらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。つまり、本発明の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、本実施形態において登場するデータを自然言語により説明しているが、より具体的には、コンピュータが認識可能な疑似言語、コマンド、パラメータ、マシン語等で指定される。

§１ 適用例
まず、本発明の基本的な構成の一例について説明する。事前に収集したデータで識別器を生成した場合に、次のような問題が生じ得る。すなわち、識別器を生成するのに利用したデータに表れる特徴と当該識別器を利用する環境で得られるデータに表れる特徴とが大きく相違する場合に、その環境における当該識別器の識別性能は低下し得る。これに対応するため、その環境で利用する別個の識別器を生成するようにすると、新たなデータを収集し、収集したデータにより別個の識別器を生成する分だけコストがかかってしまう。

そこで、本発明の一例では、複数の特徴を含む第１データであって、複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１データから算出された当該各特徴に関する第１特徴量を取得する。また、第１識別器を利用する環境において取得される、第１データと同種の第２データであって、複数の特徴を含む第２データから算出された当該各特徴に関する第２特徴量を取得する。

次に、各特徴について第１特徴量と第２特徴量とを比較し、当該比較の結果に基づいて、複数の特徴のうち、第１特徴量と第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する。そして、第１識別器を利用する環境において、抽出した差分特徴及び差分特徴に関連する差分関連特徴の少なくとも一方を含む第３データを取得し、取得した第３データを利用した機械学習により、差分特徴及び差分関連特徴の少なくとも一方を識別する第２識別器を構築する。

なお、「特徴」は、データから識別可能なあらゆる特徴を含んでもよい。また、「複数の特徴」は、関連性を有する一連の特徴であってもよく、この場合、「差分特徴」は、その一連の特徴のうちの一部であってよい。差分関連特徴は、差分特徴とは完全には一致しないが、差分特徴と関係性を有し得る特徴であればよい。差分関連特徴は、第１識別器により識別する対象となる複数の特徴に含まれていてもよいし、含まれていなくてもよい。一例として、顔の写る顔画像データが処理の対象である場合、識別の対象となる特徴は、例えば、顔画像データに写る顔のパーツの状態等であってよい。特徴量は、例えば、顔のパーツの大きさ、角度、色等であってよい。差分特徴が、目の大きさ、目の形状等の目に関するものである場合、差分関連特徴は、両目の間隔、目と眉毛との間隔、眉毛の形状、眉毛の大きさ等であってよい。

これにより、当該構成では、第１識別器の構築に利用した第１データを収集した環境と第１識別器を利用する環境とで大きく相違する特徴（差分特徴及び／又は差分関連特徴）の識別には、構築した第２識別器を利用することで、その特徴に対する識別性能の低下を抑制することができる。また、第２識別器を生成するコストは、識別する対象を差分特徴及び差分関連特徴の少なくとも一方に絞っている分だけ、全ての特徴を識別する別個の識別器を生成する場合に比べて低い。すなわち、第１識別器を放棄して別個の識別器を生成する訳ではなく、差分特徴以外の特徴の識別には、第１識別器をそのまま利用することができる分だけ、環境の変動に対応するためのコストを抑えることができる。したがって、当該構成によれば、低コストな方法で、環境の変動に起因する識別器の識別性能の低下を抑制することができる。

次に、図１を用いて、本発明が適用される場面の一例について説明する。図１は、本発明を顔画像解析に適用した場面の一例を模式的に例示する。ただし、本発明の適用範囲は、以下で例示する顔画像解析に限られる訳ではない。本発明は、事前に収集したデータで識別器を生成するあらゆる場面に適用可能である。

図１で例示される顔画像識別システム１００は、ネットワークを介して接続される識別器生成装置１及び識別装置２を備えている。図１の例では、識別器生成装置１及び識別装置２は、別個のコンピュータである。しかしながら、顔画像識別システム１００の構成は、このような例に限定されなくてもよく、識別器生成装置１及び識別装置２は一体のコンピュータであってもよいし、識別器生成装置１及び識別装置２はそれぞれ複数台のコンピュータにより構成されてもよい。なお、識別器生成装置１及び識別装置２の間のネットワークの種類は、例えば、インターネット、無線通信網、移動通信網、電話網、専用網等から適宜選択されてよい。

識別器生成装置１は、上記第２識別器を生成するように構成されたコンピュータである。具体的には、まず、識別器生成装置１は、顔の複数の特徴を識別するように第１識別器５を構築する機械学習に利用された第１顔画像データ１２１から算出された各特徴に関する第１特徴量を取得する。また、識別器生成装置１は、第１識別器５を利用する環境において取得される、第１顔画像データ１２１と同種の第２顔画像データ１２３であって、顔の複数の特徴が写る第２顔画像データ１２３から算出された各特徴に関する第２特徴を取得する。

「環境」は、例えば、データを取得する条件、データの取得に利用する装置、地域等の、識別器の機械学習に利用するデータを収集する場面、及び識別器を利用する場面の属性により適宜特定されてよい。また、識別の対象となる顔の複数の特徴は、画像に表れる顔のあらゆる特徴を含んでもよく、例えば、表情の種別、覚醒状態、顔のパーツ（器官を含む）の位置（特定の器官同士の相対位置関係を含む）、顔のパーツの形状、顔のパーツの色、及び顔のパーツの状態（開度、角度等）から選択されてよい。

次に、識別器生成装置１は、各特徴について第１特徴量と第２特徴量とを比較し、当該比較の結果に基づいて、複数の特徴のうち、第１特徴量と第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する。続いて、識別器生成装置１は、第１識別器５を利用する環境において、差分特徴及び差分関連特徴の少なくとも一方が写る第３顔画像データ１２５を取得する。そして、識別器生成装置１は、取得した第３顔画像データ１２５を利用した機械学習により、当該第３顔画像データ１２５から差分特徴及び差分関連特徴の少なくとも一方を識別する第２識別器６を構築する。

一方、識別装置２は、第１識別器５及び第２識別器６を利用して、顔画像データから顔の複数の特徴を識別するように構成されたコンピュータである。具体的には、まず、識別装置２は、顔の複数の特徴を識別する対象となる対象顔画像データ２２１を取得する。本実施形態では、識別装置２は、カメラ３１と接続されており、このカメラ３１によって、顔の複数の特徴を識別する対象となる対象者Ｘの写る対象顔画像データ２２１を取得する。

次に、識別装置２は、取得した対象顔画像データ２２１を第１識別器５に入力することで、対象顔画像データ２２１から複数の特徴を識別した結果に対応する出力を第１識別器５より取得する。また、識別装置２は、取得した対象顔画像データ２２１を第２識別器６に入力することで、対象顔画像データ２２１から差分特徴及び差分関連特徴の少なくとも一方を識別した結果に対応する出力を第２識別器６より取得する。そして、識別装置２は、第１識別器５の出力及び第２識別器６の出力に基づき、対象顔画像データ２２１から複数の特徴を識別した結果を出力する。

以上のとおり、本実施形態に係る顔画像識別システム１００は、第１顔画像データ１２１から算出された第１特徴量と第２顔画像データ１２３から算出された第２特徴量とを比較することで、環境の変動に起因して大きく相違し得る顔の特徴を差分特徴として抽出する。そして、本実施形態に係る顔画像識別システム１００は、抽出された差分特徴及び差分関連特徴の少なくとも一方の写る第３顔画像データを利用した機械学習により、当該差分特徴及び差分関連特徴の少なくとも一方を識別するための第２識別器を構築する。これにより、顔画像識別システム１００は、対象顔画像データ２２１から対象者Ｘの顔の複数の特徴を識別するのに第１識別器５を利用しつつ、第１識別器５では正確に識別できない可能性のある差分特徴及び差分関連特徴の少なくとも一方の識別には第２識別器６を利用することができるようになる。

したがって、本実施形態によれば、第１識別器５の構築に利用した第１顔画像データ１２１を収集した環境と第１識別器５を利用する環境とで大きく相違する顔の特徴（差分特徴及び／又は差分関連特徴）の識別には、第２識別器６を利用するようにすることで、その特徴に対する識別性能の低下を抑制することができる。また、第２識別器６を生成するコストは、識別する対象を顔の差分特徴及び差分関連特徴の少なくとも一方に絞っている分だけ、全ての顔の特徴を識別する別個の識別器を生成する場合に比べて低い。すなわち、第１識別器５を破棄して新たな識別器を生成する訳ではなく、差分特徴以外の顔の特徴の識別には第１識別器５をそのまま利用することができる分だけ、環境の変動に対応するためのコストを抑えることができる。よって、本実施形態によれば、顔画像から複数の特徴を識別する識別器の識別性能が環境の変動に起因して低下してしまうのを低コストな方法で抑制することができる。

§２ 構成例
［ハードウェア構成］
＜識別器生成装置＞
次に、図２を用いて、本実施形態に係る識別器生成装置１のハードウェア構成の一例について説明する。図２は、本実施形態に係る識別器生成装置１のハードウェア構成の一例を模式的に例示する。

図２に示されるとおり、本実施形態に係る識別器生成装置１は、制御部１１、記憶部１２、通信インタフェース１３、入力装置１４、出力装置１５、及びドライブ１６が電気的に接続されたコンピュータである。なお、図２では、通信インタフェースを「通信Ｉ／Ｆ」と記載している。

制御部１１は、ハードウェアプロセッサであるＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含み、プログラム及び各種データに基づいて情報処理を実行するように構成される。記憶部１２は、メモリの一例であり、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。本実施形態では、記憶部１２は、生成プログラム８１、第１顔画像データ１２１、第２顔画像データ１２３、第３顔画像データ１２５、差分学習結果データ１２９等の各種情報を記憶する。

生成プログラム８１は、第２識別器６を生成する後述の情報処理（図６）を識別器生成装置１に実行させるためのプログラムであり、当該情報処理の一連の命令を含む。第１顔画像データ１２１は、顔の複数の特徴が写る顔画像データであって、第１識別器５の機械学習に利用された顔画像データである。第２顔画像データ１２３は、第１顔画像データ１２１とは同種の顔画像データであって、第１識別器５を利用する環境で収集された顔画像データである。第３顔画像データ１２５は、第１識別器５を利用する環境で収集された顔画像データであって、顔の差分特徴及び差分関連特徴の少なくとも一方が写る顔画像データである。差分学習結果データ１２９は、第３顔画像データ１２５を利用した機械学習により構築された学習済みの第２識別器６の設定を行うためのデータである。詳細は後述する。

通信インタフェース１３は、例えば、有線ＬＡＮ（Local Area Network）モジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。識別器生成装置１は、この通信インタフェース１３を利用することで、ネットワークを介したデータ通信を識別装置２と行うことができる。

入力装置１４は、例えば、マウス、キーボード等の入力を行うための装置である。また、出力装置１５は、例えば、ディスプレイ、スピーカ等の出力を行うための装置である。オペレータは、入力装置１４及び出力装置１５を利用することで、識別器生成装置１を操作することができる。

ドライブ１６は、例えば、ＣＤドライブ、ＤＶＤドライブ等であり、記憶媒体９１に記憶されたプログラムを読み込むためのドライブ装置である。ドライブ１６の種類は、記憶媒体９１の種類に応じて適宜選択されてよい。上記生成プログラム８１、第１顔画像データ１２１、第２顔画像データ１２３、及び第３顔画像データ１２５のうちの少なくともいずれかは、この記憶媒体９１に記憶されていてもよい。

記憶媒体９１は、コンピュータその他装置、機械等が、記録されたプログラム等の情報を読み取り可能なように、当該プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。識別器生成装置１は、この記憶媒体９１から、上記生成プログラム８１、第１顔画像データ１２１、第２顔画像データ１２３、及び第３顔画像データ１２５のうちの少なくともいずれかを取得してもよい。

ここで、図２では、記憶媒体９１の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体９１の種類は、ディスク型に限定される訳ではなく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。

なお、識別器生成装置１の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部１１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ（field-programmable gate array）、ＤＳＰ（digital signal processor）等で構成されてよい。記憶部１２は、制御部１１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。通信インタフェース１３、入力装置１４、出力装置１５及びドライブ１６の少なくともいずれかは省略されてもよい。識別器生成装置１は、複数台のコンピュータで構成されてもよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、識別器生成装置１は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、ＰＣ（Personal Computer）等であってもよい。

＜識別装置＞
次に、図３を用いて、本実施形態に係る識別装置２のハードウェア構成の一例について説明する。図３は、本実施形態に係る識別装置２のハードウェア構成の一例を模式的に例示する。

図３に示されるとおり、本実施形態に係る識別装置２は、制御部２１、記憶部２２、通信インタフェース２３、外部インタフェース２４、入力装置２５、出力装置２６、及びドライブ２７が電気的に接続されたコンピュータである。なお、図３では、通信インタフェース及び外部インタフェースをそれぞれ「通信Ｉ／Ｆ」及び「外部Ｉ／Ｆ」と記載している。

外部インタフェース２４を除き、識別装置２は、上記識別器生成装置１と同様の構成を有している。制御部２１は、ハードウェアプロセッサであるＣＰＵ、ＲＡＭ、ＲＯＭ等を含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。記憶部２２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。記憶部２２は、識別プログラム８２、学習結果データ２２９、差分学習結果データ１２９等の各種情報を記憶する。

識別プログラム８２は、第１識別器５及び第２識別器６を利用して、対象顔画像データ２２１から顔の複数の特徴を識別する後述の情報処理（図７）を識別装置２に実行させるためのプログラムであり、当該情報処理の一連の命令を含む。学習結果データ２２９は、第１顔画像データ１２１を利用した機械学習により構築された学習済みの第１識別器５の設定を行うためのデータである。詳細は後述する。

通信インタフェース２３は、例えば、有線ＬＡＮモジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。識別装置２は、この通信インタフェース２３を利用することで、ネットワークを介したデータ通信を識別器生成装置１と行うことができる。

外部インタフェース２４は、例えば、ＵＳＢ（Universal Serial Bus）ポート、専用ポート等であり、外部装置と接続するためのインタフェースである。外部インタフェース２４の種類及び数は、接続される外部装置の種類及び数に応じて適宜選択されてよい。本実施形態では、識別装置２は、外部インタフェース２４を介して、カメラ３１に接続される。

カメラ３１は、対象者Ｘを撮影することで、対象顔画像データ２２１を取得するのに利用される。カメラ３１の種類及び配置場所は、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。カメラ３１には、例えば、デジタルカメラ、ビデオカメラ等の公知のカメラが利用されてよい。なお、カメラ３１が通信インタフェースを備える場合、識別装置２は、外部インタフェース２４ではなく、通信インタフェース２３を介して、カメラ３１に接続されてよい。

入力装置２５は、例えば、マウス、キーボード等の入力を行うための装置である。また、出力装置２６は、例えば、ディスプレイ、スピーカ等の出力を行うための装置である。オペレータは、入力装置２５及び出力装置２６を利用することで、識別装置２を操作することができる。

ドライブ２７は、例えば、ＣＤドライブ、ＤＶＤドライブ等であり、記憶媒体９２に記憶されたプログラムを読み込むためのドライブ装置である。ドライブ２７及び記憶媒体９２はそれぞれ、上記ドライブ１６及び記憶媒体９１それぞれと同様に構成されてよい。上記識別プログラム８２、学習結果データ２２９、及び差分学習結果データ１２９のうちの少なくともいずれかは、記憶媒体９２に記憶されていてもよい。また、識別装置２は、記憶媒体９２から、上記識別プログラム８２、学習結果データ２２９、及び差分学習結果データ１２９のうちの少なくともいずれかを取得してもよい。

なお、識別装置２の具体的なハードウェア構成に関して、上記識別器生成装置１と同様に、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部２１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ、ＤＳＰ等で構成されてよい。記憶部２２は、制御部２１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。通信インタフェース２３、外部インタフェース２４、入力装置２５、出力装置２６及びドライブ２７の少なくともいずれかは省略されてもよい。識別装置２は、複数台のコンピュータで構成されてもよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、識別装置２は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、汎用のデスクトップＰＣ、ノートＰＣ、タブレットＰＣ、スマートフォンを含む携帯電話等が用いられてよい。

［ソフトウェア構成］
＜識別器生成装置＞
次に、図４を用いて、本実施形態に係る識別器生成装置１のソフトウェア構成の一例を説明する。図４は、本実施形態に係る識別器生成装置１のソフトウェア構成の一例を模式的に例示する。

識別器生成装置１の制御部１１は、記憶部１２に記憶された生成プログラム８１をＲＡＭに展開する。そして、制御部１１は、ＲＡＭに展開された生成プログラム８１をＣＰＵにより解釈及び実行して、各構成要素を制御する。これによって、図４に示されるとおり、本実施形態に係る識別器生成装置１は、第１特徴量取得部１１１、第２特徴量取得部１１２、差分抽出部１１３、学習データ取得部１１４、及び学習処理部１１５をソフトウェアモジュールとして備えるコンピュータとして動作する。

第１特徴量取得部１１１は、顔の複数の特徴を識別するように第１識別器５を構築する機械学習に利用された第１顔画像データ１２１から算出された当該各特徴に関する第１特徴量を取得する。第２特徴量取得部１１２は、第１識別器５を利用する環境において取得される、第１顔画像データ１２１と同種の第２顔画像データ１２３であって、顔の複数の特徴が写る第２顔画像データ１２３から算出された当該各特徴に関する第２特徴量を取得する。差分抽出部１１３は、各特徴について第１特徴量と第２特徴量とを比較し、当該比較の結果に基づいて、複数の特徴のうち、第１特徴量と第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する。

学習データ取得部１１４は、第１識別器５を利用する環境において、差分特徴及び差分関連特徴の少なくとも一方が写る第３顔画像データ１２５を取得する。学習処理部１１５は、第３顔画像データ１２５を利用した機械学習により、当該第３顔画像データ１２５から差分特徴及び差分関連特徴の少なくとも一方を識別する第２識別器６を構築する。図４に示されるとおり、本実施形態では、第２識別器６は、ニューラルネットワークにより構成される。そのため、このニューラルネットワークの機械学習（すなわち、教師あり学習）を実施するため、学習データ取得部１１４は、第３顔画像データ１２５及び正解データ１２５１の組み合わせで構成された学習用データセット１２７を取得する。正解データ１２５１は、第３顔画像データ１２５に写る差分特徴及び差分関連特徴の少なくとも一方の識別に対する正解を示すように構成される。そして、学習処理部１１５は、この学習用データセット１２７を利用した教師あり学習を実施することで、差分特徴及び差分関連特徴の少なくとも一方を識別する能力を習得した学習済みの第２識別器６を構築する。

（識別器）
次に、第２識別器６の構成について説明する。図４に示されるとおり、本実施形態に係る第２識別器６は、ニューラルネットワークにより構成される。具体的には、第２識別器６は、いわゆる深層学習に用いられる多層構造のニューラルネットワークにより構成されており、入力層６１、中間層（隠れ層）６２、及び出力層６３を備えている。

なお、図４の例では、第２識別器６を構成するニューラルネットワークは、１層の中間層６２を備えており、入力層６１の出力が中間層６２に入力され、中間層６２の出力が出力層６３に入力されている。ただし、中間層６２の数は、１層に限られなくてもよい。第２識別器６は、２層以上の中間層６２を備えてもよい。

各層６１〜６３は、１又は複数のニューロンを備えている。例えば、入力層６１のニューロンの数は、第３顔画像データ１２５に応じて設定されてよい。中間層６２のニューロンの数は、実施の形態に応じて適宜設定されてよい。また、出力層６３のニューロンの数は、識別する特徴（差分特徴及び／又は差分関連特徴）の数、正解の種別数等に応じて設定されてよい。

隣接する層のニューロン同士は適宜結合され、各結合には重み（結合荷重）が設定されている。図４の例では、各ニューロンは、隣接する層の全てのニューロンと結合されている。しかしながら、ニューロンの結合は、このような例に限定されなくてもよく、実施の形態に応じて適宜設定されてよい。

各ニューロンには閾値が設定されており、基本的には、各入力と各重みとの積の和が閾値を超えているか否かによって各ニューロンの出力が決定される。学習処理部１１５は、学習用データセット１２７の第３顔画像データ１２５を入力層６１に入力すると、入力した第３顔画像データ１２５に関連付けられた正解データ１２５１に対応する値を出力層６３から出力する学習済みの第２識別器６を構築する。そして、学習処理部１１５は、構築した学習済みの第２識別器６の構成（例えば、ニューラルネットワークの層数、各層におけるニューロンの個数、ニューロン同士の結合関係、各ニューロンの伝達関数）、各ニューロン間の結合の重み、及び各ニューロンの閾値を示す情報を差分学習結果データ１２９として記憶部１２に保存する。

＜識別装置＞
次に、図５を用いて、本実施形態に係る識別装置２のソフトウェア構成の一例について説明する。図５は、本実施形態に係る識別装置２のソフトウェア構成の一例を模式的に例示する。

識別装置２の制御部２１は、記憶部２２に記憶された識別プログラム８２をＲＡＭに展開する。そして、制御部２１は、ＲＡＭに展開された識別プログラム８２をＣＰＵにより解釈及び実行して、各構成要素を制御する。これによって、図５に示されるとおり、本実施形態に係る識別装置２は、対象データ取得部２１１、第１識別部２１２、第２識別部２１３、及び出力部２１４をソフトウェアモジュールとして備えるコンピュータとして構成される。

対象データ取得部２１１は、複数の特徴を識別する対象となる対象顔画像データ２２１を取得する。例えば、対象顔画像データ２２１は、カメラ３１により対象者Ｘの顔を撮影することで、対象顔画像データ２２１を取得する。第１識別部２１２は、学習済みの第１識別器５を含んでおり、取得した対象顔画像データ２２１を第１識別器５に入力することで、対象顔画像データ２２１から複数の特徴を識別した結果に対応する出力値を第１識別器５より取得する。第２識別部２１３は、学習済みの第２識別器６を含んでおり、取得した対象顔画像データ２２１を第２識別器６に入力することで、対象顔画像データ２２１から複数の特徴を識別した結果に対応する出力値を第２識別器６より取得する。出力部２１４は、第１識別器５の出力値及び第２識別器６の出力値に基づいて、対象顔画像データ２２１から複数の特徴を識別した結果を出力する。

なお、図５に示されるとおり、本実施形態に係る第１識別器５は、第２識別器６と同様に、ニューラルネットワークにより構成されている。第１識別器５のニューラルネットワークは、第２識別器６と同様に構成されてよい。すなわち、入力層５１、中間層（隠れ層）５２、及び出力層５３は、第２識別器６の各層６１〜６３と同様に構成されてよい。ただし、第１識別器５のニューラルネットワークの構造は、第２識別器６と一致していなくてもよい。例えば、第１識別器５を構成するニューラルネットワークの層の数、各層におけるニューロンの個数、及びニューロン同士の結合関係は、第２識別器６を構成するニューラルネットワークと異なっていてもよい。

学習済みの第１識別器５の構成（例えば、各ネットワークの層数、各層におけるニューロンの個数、ニューロン同士の結合関係、各ニューロンの伝達関数）、各ニューロン間の結合の重み、及び各ニューロンの閾値を示す情報は、学習結果データ２２９に含まれている。第１識別部２１２は、学習結果データ２２９を参照して、学習済みの第１識別器５の設定を行う。同様に、第２識別部２１３は、差分学習結果データ１２９を参照して、学習済みの第２識別器６の設定を行う。

＜その他＞
識別器生成装置１及び識別装置２の各ソフトウェアモジュールに関しては後述する動作例で詳細に説明する。なお、本実施形態では、識別器生成装置１及び識別装置２の各ソフトウェアモジュールがいずれも汎用のＣＰＵによって実現される例について説明している。しかしながら、以上のソフトウェアモジュールの一部又は全部が、１又は複数の専用のプロセッサにより実現されてもよい。また、識別器生成装置１及び識別装置２それぞれのソフトウェア構成に関して、実施形態に応じて、適宜、ソフトウェアモジュールの省略、置換及び追加が行われてもよい。

§３ 動作例
［識別器生成装置］
次に、図６を用いて、識別器生成装置１の動作例について説明する。図６は、識別器生成装置１の処理手順の一例を例示するフローチャートである。以下で説明する処理手順は、識別器生成方法の一例である。ただし、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（ステップＳ１０１及びＳ１０２）
ステップＳ１０１では、制御部１１は、第１特徴量取得部１１１として動作し、顔の複数の特徴を識別するように第１識別器５を構築する機械学習に利用された第１顔画像データ１２１を取得する。ステップＳ１０２では、制御部１１は、第１特徴量取得部１１１として動作し、取得した第１顔画像データ１２１から各特徴に関する第１特徴量を算出する。

第１顔画像データ１２１の取得元は、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。例えば、学習済みの第１識別器５が識別器生成装置１により構築される場合、制御部１１は、記憶部１２、ＮＡＳ（Network Attached Storage）等の記憶領域に、第１識別器５の機械学習に利用した第１顔画像データ１２１を保存してもよい。この場合、制御部１１は、この記憶領域から第１顔画像データ１２１を取得することができる。また、例えば、学習済みの第１識別器５は、識別器生成装置１とは異なる他の情報処理装置により構築されてよい。この場合、制御部１１は、ネットワーク、記憶媒体９１等を介して、第１顔画像データ１２１を取得することができる。

なお、学習済みの第１識別器５は、利用する学習用データセットが異なる点を除き、学習済みの第２識別器６を構築する後述の処理（ステップＳ１０７及びＳ１０８）と同様の機械学習の処理により構築可能である。第１識別器５の機械学習に利用する学習用データセットは、例えば、第１顔画像データ１２１、及び当該第１顔画像データ１２１に写る顔の各特徴の正解を示す正解データの組み合わせにより構成されてよい。正解データの内容は、後述する特徴を識別する形態に応じて適宜決定されてよい。識別器生成装置１又は他の情報処理装置は、このような学習用データセットを利用した機械学習を実施することにより、顔の複数の特徴を識別する能力を習得済みの第１識別器５を生成することができる。

また、ステップＳ１０１で取得する第１顔画像データ１２１の件数は、特に限定されなくてもよく、例えば、第１識別器５の機械学習に利用したデータに写る各特徴の傾向が表れる程度に適宜決定されてもよい。ステップＳ１０１で取得する第１顔画像データ１２１は、上記機械学習に利用した全てのデータであってもよいし、上記機械学習に利用したデータのうちの一部のデータであってもよい。

また、第１識別器５により識別する対象となる顔の複数の特徴は、例えば、表情の種別、顔のパーツの位置、顔のパーツの形状、顔のパーツの色、及び顔のパーツの状態から選択されてもよい。「表情の種別」は、喜、怒、哀、楽等のように感情の種別に対応していてもよいし、疲労感のある顔等のように対象者の状態の種別に対応していてもよい。「顔のパーツ」は、例えば、目、鼻、口、耳等の器官を含んでもよいし、輪郭、髪型等の顔の一部分を含んでもよい。「顔のパーツの位置」は、顔における個々のパーツの相対的な位置を含んでもよいし、特定のパーツ同士の相対的な位置関係（例えば、両目の位置関係）を含んでもよい。「顔のパーツの状態」は、例えば、目の開度、口の開度、目の角度、口角の角度等の個々のパーツの属性値を含んでもよい。属性値は、段階（グレード、レベル）で表現されてもよいし、数値（スコア）で表現されてもよい。目の開度を複数のレベルで表現する場合、例えば、レベル「０」が閉眼を示し、レベル「１」がやや開いた眼（小開度）を示し、レベル「２」が通常の開いた眼（開度通常）を示し、レベル「３」が大きく開いた眼（開度大）を示してもよい。

また、ステップＳ１０２で算出する第１特徴量は、顔の各特徴を数値化したものである。この第１特徴量の種類は、特に限定されなくてもよく、識別する対象となる顔の各特徴に応じて適宜決定されてよい。第１特徴量は、例えば、顔のパーツの大きさ、特定のパーツ間の幅、特定のパーツの角度、特定のパーツの色等であってよい。具体例として、第１特徴量は、目の縦幅、口の開き具合、眉毛と目との間隔、眉間の幅、口角の角度、目の画素値等であってよい。ステップＳ１０２において、制御部１１は、第１顔画像データ１２１に対して、パターンマッチング、エッジ抽出等の公知の画像処理を実行することで、各特徴に関する第１特徴量を算出することができる。

これにより、制御部１１は、第１顔画像データ１２１から算出された各特徴に関する第１特徴量を取得する。ステップＳ１０１において、複数件の第１顔画像データ１２１を取得している場合には、制御部１１は、複数件の第１顔画像データ１２１それぞれから第１特徴量を算出することで、各特徴に関する第１特徴量の分布を取得することができる。第１特徴量を取得すると、制御部１１は、次のステップＳ１０３に処理を進める。

（ステップＳ１０３及びＳ１０４）
ステップＳ１０３では、制御部１１は、第２特徴量取得部１１２として動作し、第１識別器５を利用する環境において、第１顔画像データ１２１と同種の第２顔画像データ１２３であって、顔の複数の特徴が写る第２顔画像データ１２３を取得する。ステップＳ１０４では、制御部１１は、第２特徴量取得部１１２として動作し、取得した第２顔画像データ１２３から各特徴に関する第２特徴量を算出する。

第２顔画像データ１２３を取得する方法は、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。例えば、カメラを用意し、第１識別器５を利用する環境において、用意したカメラにより１又は複数の対象者の顔を撮影することで、当該対象者の顔の複数の特徴が写る顔画像データが取得されてもよい。この顔画像データが、そのまま第２顔画像データ１２３として利用されてもよい。

また、第２顔画像データ１２３は、取得した顔画像データのうち、複数の特徴のうちの少なくともいずれかが第１識別器５では識別不能であった又は識別を誤った顔画像データから選択されてよい。この場合、後述するステップＳ２０２と同様に、取得した顔画像データに対して第１識別器５を利用して顔の複数の特徴を識別する処理を実行する。すなわち、学習結果データ２２９により第１識別器５の設定を行い、得られた顔画像データを第１識別器５に入力して、第１識別器５の演算処理を行う。これにより、顔画像データから複数の特徴を識別した結果に対応する出力値を第１識別器５から取得することができる。この出力値に基づいて、複数の特徴のうちの少なくともいずれかが第１識別器５では識別不能であるか又は識別を誤っているか否かを判定することができる。そして、第２顔画像データ１２３は、複数の特徴のうちの少なくともいずれかが第１識別器５では識別不能である又は識別を誤ると判定された顔画像データから適宜選択されてよい。

カメラを利用して顔画像データを取得する処理、顔画像データに含まれる複数の特徴を第１識別器５により識別する処理、及び第２顔画像データ１２３を選択する処理は全て識別器生成装置１により行われてもよい。この場合、記憶部１２は、学習結果データ２２９を記憶してもよく、制御部１１は、オペレータによる入力装置１４の操作に応じて各処理を実行することで、第２顔画像データ１２３を取得してもよい。また、制御部１１は、生成プログラム８１の処理により、第２顔画像データ１２３を自動的に取得してもよい。

あるいは、カメラを利用して顔画像データを取得する処理、顔画像データに含まれる複数の特徴を第１識別器５により識別する処理、及び第２顔画像データ１２３を選択する処理の少なくともいずれかは、例えば、識別装置２等の識別器生成装置１以外の他の情報処理装置により行われてもよい。この場合、制御部１１は、ネットワーク、記憶媒体９１等を介して、他の情報処理装置から第２顔画像データ１２３を取得してもよい。

また、ステップＳ１０３で取得する第２顔画像データ１２３の件数は、特に限定されなくてもよく、例えば、第１識別器５を利用する環境で得られる顔画像データに写る各特徴の傾向が表れる程度に適宜決定されてもよい。なお、本ステップＳ１０４で算出する第２特徴量は、上記ステップＳ１０２で算出した第１特徴量と同種のものである。制御部１１は、上記ステップＳ１０２と同様の処理により、第２顔画像データ１２３から各特徴に関する第２特徴量を算出することができる。

これにより、制御部１１は、第２顔画像データ１２３から算出された各特徴に関する第２特徴量を取得する。ステップＳ１０３において、複数件の第２顔画像データ１２３を取得している場合には、制御部１１は、複数件の第２顔画像データ１２３それぞれから第２特徴量を算出することで、各特徴に関する第２特徴量の分布を取得することができる。第２特徴量を取得すると、制御部１１は、次のステップＳ１０５に処理を進める。

（ステップＳ１０５）
ステップＳ１０５では、制御部１１は、差分抽出部１１３として動作し、各特徴について第１特徴量と第２特徴量とを比較する。そして、制御部１１は、当該比較の結果に基づいて、識別する対象となる顔の複数の特徴のうち、第１特徴量と第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する。差分特徴を抽出すると、制御部１１は、次のステップＳ１０６に処理を進める。

なお、第１特徴量と第２特徴量とを比較する方法は、実施の形態に応じて適宜決定されてもよい。上記ステップＳ１０２及びＳ１０４により、第１特徴量の分布と第２特徴量の分布とが取得されている場合、制御部１１は、第１特徴量の分布と第２特徴量の分布との差分を第１特徴量と第２特徴量との差分として算出してもよい。分布の差分は、平均値、中央値、分散、ユークリッド距離等の指標を用いて算出されてよい。例えば、制御部１１は、各特徴について、取得した第１特徴量の分布及び第２特徴量の分布それぞれの平均値を算出し、算出した各分布の平均値の差分を第１特徴量と第２特徴量との差分として算出してよい。その他についても同様である。

また、所定条件を満たす大きさを有する特徴を選択する方法は、実施の形態に応じて適宜設定されてよい。例えば、所定条件は、差分が最も大きい特徴から順に１又は複数個の特徴を選択するように規定されていてもよい。この場合、制御部１１は、識別する対象となる顔の複数の特徴のうち、所定条件を満たす大きさを有する特徴として、第１特徴量と第２特徴量との差分の最も大きいものから順に１又は複数個の特徴を選択し、選択した１又は複数個の特徴を差分特徴として抽出してもよい。また、例えば、所定条件は、差分が閾値を超える特徴を選択するように規定されていてもよい。この場合、制御部１１は、識別する対象となる顔の各特徴について、第１特徴量と第２特徴量との差分が閾値を超えるか否かを判定し、第１特徴量と第２特徴量との差分が閾値を超えると判定された特徴を差分特徴として抽出してもよい。この場合、閾値は、特徴毎に異なる値であってもよいし、同じ値であってもよい。

本ステップＳ１０５の処理により、環境の変動に起因して大きく相違し得る顔の特徴であって、第１識別器５では正確に識別できない可能性の高い顔の特徴を差分特徴として抽出することができる。例えば、各国民の平均的な目の属性が大きく異なる第１国及び第２国が存在し、第１国の対象者の顔の特徴を識別するように構築した第１識別器５を第２国で利用する場面を想定する。この場合、第１識別器５では、第２国で得られる顔画像データから目に関する特徴を適切に識別できない可能性があり、本ステップＳ１０５では、目に関する特徴が、差分特徴として抽出され得る。

（ステップＳ１０６）
ステップＳ１０６では、制御部１１は、学習データ取得部１１４として動作し、第１識別器５を利用する環境において、差分特徴及び差分関連特徴の少なくとも一方の写る第３顔画像データ１２５を取得する。

本実施形態では、まず、制御部１１は、新たに構築する第２識別器６により識別する対象となる特徴を選択する。第２識別器６により識別する対象となる特徴は、ステップＳ１０５により抽出された差分特徴、及びこの差分特徴に関連する差分関連特徴から選択される。差分関連特徴は、差分特徴に関連する特徴であれば特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、ステップＳ１０５で抽出された差分特徴が、目の大きさ、目の形状等の目に関するものである場合、差分関連特徴は、両目の間隔、目と眉毛との間隔、眉毛の形状、眉毛の大きさ等の、差分特徴とは完全に一致しないが、目に関する特徴に関係性を有し得る特徴であってよい。この差分関連特徴は、第１識別器５により識別する対象となる複数の特徴のうちのいずれかの特徴であってもよいし、第１識別器５により識別する対象となる複数の特徴以外の特徴であってもよい。

差分関連特徴が、第１識別器５により識別する対象となる複数の特徴以外の特徴である場合、識別器生成装置１は、顔の各特徴に対して差分関連特徴の候補を示す情報を記憶部１２に予め保持していてもよい。制御部１１は、この情報を参照することで、差分関連特徴を特定してもよい。また、差分関連特徴に関する情報を記憶部１２に予め保持していない場合、制御部１１は、入力装置１４を介して、オペレータによる差分関連特徴の指定又は設定を受け付けてもよい。差分関連特徴を指定する方法は、実施の形態に応じて適宜決定されてよい。

また、第２識別器６により識別する対象となる特徴は適宜選択されてよい。制御部１１は、オペレータによる入力装置１４の操作に応じて、第２識別器６により識別する対象となる特徴を選択してもよい。あるいは、制御部１１は、所定の基準に従って、第２識別器６により識別する対象となる特徴を選択してもよい。なお、顔の特徴を識別する精度をより高める観点から、第２識別器６により識別する対象となる特徴として、差分特徴又は差分特徴及び差分関連特徴を選択するのが好ましい。

次に、制御部１１は、第２識別器６により識別する対象に選択された差分特徴及び差分関連特徴の少なくとも一方の写る第３顔画像データ１２５を取得する。本実施形態では、制御部１１は、第３顔画像データ１２５及び正解データ１２５１の対で構成された学習用データセット１２７を取得する。

学習用データセット１２７は、適宜生成されてよい。例えば、カメラを用意し、第１識別器５を利用する環境において、用意したカメラにより１又は複数の対象者の顔の差分特徴及び差分関連特徴の少なくとも一方を撮影することで、差分特徴及び差分関連特徴の少なくとも一方の写る第３顔画像データ１２５を取得する。そして、得られた第３顔画像データ１２５に対して、当該第３顔画像データ１２５に写る差分特徴及び差分関連特徴の少なくとも一方の識別に対する正解を示す正解データ１２５１を組み合わせる。正解データ１２５１の内容は、後述する特徴を識別する形態に応じて適宜決定されてよい。これにより、学習用データセット１２７を生成することができる。

この学習用データセット１２７の生成は、識別器生成装置１により行われてもよい。この場合、制御部１１は、オペレータによる入力装置１４の操作に応じて、学習用データセット１２７を生成してもよい。また、制御部１１は、生成プログラム８１の処理により、学習用データセット１２７を自動的に生成してもよい。この生成処理を実行することで、本ステップＳ１０６では、制御部１１は、学習用データセット１２７を取得することができる。

あるいは、学習用データセット１２７の生成は、識別器生成装置１以外の他の情報処理装置により行われてもよい。他の情報処理装置では、学習用データセット１２７は、オペレータにより手動で生成されてもよいし、プログラムの処理により自動的に生成されてもよい。この場合、本ステップＳ１０６では、制御部１１は、ネットワーク、記憶媒体９１等を介して、他の情報処理装置により生成された学習用データセット１２７を取得してもよい。

なお、取得される学習用データセット１２７に含まれる第３顔画像データ１２５には、第２識別器６により識別する対象として選択された顔の差分特徴及び差分関連特徴の少なくとも一方が写っていれば、差分特徴及び差分関連特徴以外の特徴が写っていてもよい。例えば、目に関する特徴が差分特徴として抽出された場合、第３顔画像データ１２５は、目の部分のみを抽出した部分顔画像データであってもよいし、目の部分以外の部分を含む顔画像データであってもよい。

また、第３顔画像データ１２５を取得する方法は、上記のようにカメラを利用して新たに取得する例に限定されなくてもよい。第３顔画像データ１２５は、第２顔画像データ１２３から取得されてもよい。例えば、第３顔画像データ１２５は、第２顔画像データ１２３のコピー、又は第２顔画像データ１２３から差分特徴及び差分関連特徴の少なくとも一方の写る部分を抽出することで得られた部分顔画像データにより構成されてよい。この場合、識別器生成装置１又は他の情報処理装置は、第２顔画像データ１２３をそのまま第３顔画像データ１２５として取得してもよいし、第２顔画像データ１２３から差分特徴及び差分関連特徴の少なくとも一方の写る部分を抽出することで、第３顔画像データ１２５を取得してもよい。

本ステップＳ１０６で取得する学習用データセット１２７の件数は、実施の形態に応じて適宜決定されてよく、例えば、第２識別器６の機械学習を実施可能な程度に適宜決定されてよい。これにより、第３顔画像データ１２５及び正解データ１２５１の対で構成された学習用データセット１２７を取得すると、制御部１１は、次のステップＳ１０７に処理を進める。

（ステップＳ１０７）
ステップＳ１０７では、制御部１１は、学習処理部１１５として動作し、ステップＳ１０６で取得した第３顔画像データ１２５を利用した機械学習により、第３顔画像データ１２５から差分特徴及び差分関連特徴の少なくとも一方を識別する第２識別器６を構築する。本実施形態では、制御部１１は、学習用データセット１２７を用いて、第３顔画像データ１２５を入力層６１に入力すると、正解データ１２５１に対応する出力値を出力層６３から出力するようにニューラルネットワークの機械学習を実施する。

具体的には、まず、制御部１１は、学習処理を行う対象となるニューラルネットワーク（学習前の第２識別器６）を用意する。用意するニューラルネットワークの構成、各ニューロン間の結合の重みの初期値、及び各ニューロンの閾値の初期値は、テンプレートにより与えられてもよいし、オペレータの入力により与えられてもよい。

次に、制御部１１は、ステップＳ１０７で取得した学習用データセット１２７に含まれる第３顔画像データ１２５を入力データとして用い、正解データ１２５１を教師データとして用いて、ニューラルネットワークの学習処理を実行する。このニューラルネットワークの学習処理には、確率的勾配降下法等が用いられてよい。

例えば、制御部１１は、第３顔画像データ１２５を入力層６１に入力し、入力側から順に各層６１〜６３に含まれる各ニューロンの発火判定を行う。これにより、制御部１１は、出力層６３から出力値を得る。次に、制御部１１は、出力層６３から得た出力値と正解データ１２５１により示される識別の正解に対応する値との誤差を算出する。続いて、制御部１１は、誤差逆伝搬（Back propagation）法により、算出した出力値の誤差を用いて、各ニューロン間の結合の重み及び各ニューロンの閾値それぞれの誤差を算出する。そして、制御部１１は、算出した各誤差に基づいて、各ニューロン間の結合の重み及び各ニューロンの閾値それぞれの値の更新を行う。

制御部１１は、各件の学習用データセット１２７について、ニューラルネットワークから出力される出力値が正解データ１２５１により示される識別の正解に対応する値と一致するまでこの一連の処理を繰り返す。これにより、制御部１１は、第３顔画像データ１２５を入力すると、正解データ１２５１により示される差分特徴及び差分関連特徴の少なくとも一方の識別に対する正解に対応する出力値を出力する学習済みの第２識別器６を構築することができる。例えば、目に関する特徴が差分特徴として抽出された場合には、顔画像データに対して目に関する特徴を識別する能力を獲得した第２識別器６を構築することができる。第２識別器６の学習処理が完了すると、制御部１１は、次のステップＳ１０８に処理を進める。

なお、上記ステップＳ１０５において、差分特徴が、閾値との比較により抽出された場合を想定する。この場合に、上記ステップＳ１０６において、制御部１１は、第１特徴量と第２特徴量との差分が、差分特徴の抽出に利用した閾値（「第１閾値」とも称する）よりも大きい第２閾値よりも大きいか否かを判定してもよい。そして、第１特徴量と第２特徴量との差分が第２閾値よりも大きいと判定したときには、制御部１１は、差分特徴及び差分関連特徴を、第２識別器６により識別する対象となる特徴として選択してもよい。一方、そうではないと判定したときには、制御部１１は、差分特徴又は差分関連特徴を、第２識別器６により識別する対象となる特徴として選択してもよい。これにより、本ステップＳ１０７では、第１特徴量と第２特徴量との差分が非常に大きい、すなわち、環境の変動が非常に大きいと判定される場合に、制御部１１は、その変動の影響を受けている差分特徴だけではなく、差分関連特徴を識別する第２識別器６を構築することができる。この第２識別器６によれば、差分関連特徴の識別結果によって、差分特徴の識別結果を補強することができるため、顔画像から複数の特徴を識別する性能を高めることができる。

（ステップＳ１０８）
ステップＳ１０８では、制御部１１は、学習処理部１１５として動作し、機械学習により構築された第２識別器６の構成、各ニューロン間の結合の重み、及び各ニューロンの閾値を示す情報を差分学習結果データ１２９として記憶部１２に格納する。これにより、制御部１１は、本動作例に係る処理を終了する。

制御部１１は、上記ステップＳ１０８の処理が完了した後に、作成した差分学習結果データ１２９を識別装置２に転送してもよい。また、制御部１１は、上記ステップＳ１０１〜Ｓ１０８の処理を定期的に実行することで、差分学習結果データ１２９を定期的に更新してもよい。そして、制御部１１は、作成した差分学習結果データ１２９を学習処理の実行毎に識別装置２に転送することで、識別装置２の保持する差分学習結果データ１２９を定期的に更新してもよい。また、例えば、制御部１１は、作成した差分学習結果データ１２９をＮＡＳ等のデータサーバに保管してもよい。この場合、識別装置２は、このデータサーバから差分学習結果データ１２９を取得してもよい。また、識別器生成装置１により作製された差分学習結果データ１２９は、識別装置２に予め組み込まれていてもよい。

［識別装置］
次に、図７を用いて、識別装置２の動作例について説明する。図７は、識別装置２の処理手順の一例を例示するフローチャートである。ただし、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（ステップＳ２０１）
ステップＳ２０１では、制御部２１は、対象データ取得部２１１として動作し、複数の特徴を識別する対象となる対象顔画像データ２２１を取得する。対象顔画像データ２２１は、動画像データであってもよいし、静止画像データであってもよい。

本実施形態では、識別装置２には、外部インタフェース２４を介してカメラ３１に接続されている。そのため、制御部２１は、対象者Ｘの顔の写る対象顔画像データ２２１をカメラ３１により取得する。対象顔画像データ２２１を取得すると、制御部２１は、次のステップＳ２０２に処理を進める。

ただし、対象顔画像データ２２１を取得する経路は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、識別装置２とは異なる他の情報処理装置がカメラ３１に接続されていてもよい。この場合、識別装置２は、他の情報処理装置からの対象顔画像データ２２１の送信を受け付けることで、当該対象顔画像データ２２１を取得してもよい。

（ステップＳ２０２）
ステップＳ２０２では、制御部２１は、第１識別部２１２として動作し、取得した対象顔画像データ２２１を第１識別器５に入力し、第１識別器５の演算処理を実行する。これにより、制御部２１は、対象顔画像データ２２１から顔の複数の特徴を識別した結果に対応する出力を第１識別器５より取得する。

具体的には、制御部２１は、学習結果データ２２９を参照して、学習済みの第１識別器５の設定を行う。次に、制御部２１は、ステップＳ２０１で取得した対象顔画像データ２２１を第１識別器５の入力層５１に入力する。そして、制御部２１は、入力側から順に、各層５１〜５３に含まれる各ニューロンの発火判定を行う。これにより、制御部２１は、対象顔画像データ２２１から顔の複数の特徴を識別した結果に対応する出力値を出力層５３から取得する。第１識別器５から出力値を取得すると、制御部２１は、次のステップＳ２０３に処理を進める。

（ステップＳ２０３）
ステップＳ２０３では、制御部２１は、第２識別部２１３として動作し、取得した対象顔画像データ２２１を第２識別器６に入力し、第２識別器６の演算処理を実行する。これにより、制御部２１は、対象顔画像データ２２１から差分特徴及び差分関連特徴の少なくとも一方を識別した結果に対応する出力を第２識別器６より取得する。

具体的には、制御部２１は、差分学習結果データ１２９を参照して、学習済みの第２識別器６の設定を行う。次に、制御部２１は、ステップＳ２０１で取得した対象顔画像データ２２１を第２識別器６の入力層６１に入力する。

ここで、上記ステップＳ１０６及びＳ１０７では、第２識別器６の機械学習には、第２顔画像データ１２３又はカメラにより得た顔画像データがそのまま第３顔画像データ１２５として利用されてもよい。この機械学習により構築された第２識別器６を用いる場合には、制御部２１は、対象顔画像データ２２１をそのまま第２識別器６の入力層６１に入力してもよい。

一方、上記ステップＳ１０６及びＳ１０７では、第２識別器６の機械学習には、第２顔画像データ１２３から抽出された部分顔画像データ又はカメラにより得た顔画像データから抽出された部分顔画像データが第３顔画像データ１２５として利用されてもよい。この機械学習により構築された第２識別器６を用いる場合には、制御部２１は、パターンマッチング等の公知の画像処理により、識別する対象となる差分特徴及び差分関連特徴の少なくとも一方の写る部分顔画像データを対象顔画像データ２２１から抽出し、抽出した部分顔画像データを第２識別器６の入力層６１に入力してもよい。

そして、制御部２１は、入力側から順に、各層６１〜６３に含まれる各ニューロンの発火判定を行う。これにより、制御部２１は、対象顔画像データ２２１から差分特徴及び差分関連特徴の少なくとも一方を識別した結果に対応する出力値を出力層６３から取得する。第２識別器６から出力値を取得すると、制御部２１は、次のステップＳ２０４に処理を進める。

（ステップＳ２０４）
ステップＳ２０４では、制御部２１は、出力部２１４として動作し、第１識別器５の出力値及び第２識別器６の出力値に基づいて、対象顔画像データ２２１から複数の特徴を識別した結果を出力する。

ここで、特徴を識別することは、特徴の種別又は属性値を識別するためのあらゆる処理を含んでもよく、例えば、当該特徴の属する１又は複数のクラスを判定すること、所定のクラスに当該特徴が属するか否かを判定すること、所定のクラスに当該特徴が属する確率又は信頼度を導出すること、当該特徴の属性値を導出すること等であってよい。各識別器（５、６）の出力値の形式は、当該特徴を識別する形態に応じて適宜決定されてよい。

具体例として、各識別器（５、６）の出力値は、例えば、目の開度、口の開度、目の角度、口角の角度等の個々のパーツの属性値を示していてもよい。この場合、制御部２１は、各識別器（５、６）の演算処理により、各特徴の属性値を導出することができる。つまり、制御部２１は、各識別器（５、６）の出力値を得ることにより、顔の各特徴を識別することができる。

また、各識別器（５、６）の出力値は、例えば、識別する対象者Ｘの顔の表情が特定の種別（例えば、喜び）であることの確率又は信頼度を示してもよい。この場合、制御部２１は、各識別器（５、６）の演算処理により、所定のクラスに特徴が属する確率又は信頼度を導出することができる。また、制御部２１は、各識別器（５、６）の出力値と閾値とを比較することで、所定のクラスに当該特徴が属するか否かを判定することができる。

また、各識別器（５、６）の出力値は、例えば、表情の種別を示してもよい。この場合、各識別器（５、６）から得られる出力値と表情の種別とを対応付けたテーブル形式等の参照情報（不図示）が記憶部２２に保持されていてもよい。制御部２１は、この参照情報を参照することで、各識別器（５、６）から得られた出力値に対応する表情の種別を特定することができる、換言すると、特徴の属するクラスを判定することができる。

また、各識別器（５、６）の出力値は、例えば、対象者Ｘの顔が特定の覚醒状態であることの確率又は信頼度を示してもよい。覚醒状態は、対象者の顔に表れる状態であり、例えば、眠気、集中、体調不良等に関する状態を含んでよい。覚醒状態に関するクラスは、属性（例えば、眠気の有無等）に応じて与えられていてもよいし、所定の定義に則した覚醒状態の程度（レベル）に応じて与えられていてもよい。この場合、制御部２１は、各識別器（５、６）の演算処理により、所定のクラスに特徴が属する確率又は信頼度を導出することができる。あるいは、制御部２１は、各識別器（５、６）の出力値と閾値とを比較することで、所定のクラスに当該特徴が属する、すなわち、対象者Ｘの顔が特定の覚醒状態にあるか否かを判定することができる。

また、各識別器（５、６）の出力値は、例えば、覚醒状態のクラスを示してもよい。この場合、各識別器（５、６）から得られる出力値と覚醒状態のクラスとを対応付けたテーブル形式等の参照情報（不図示）が記憶部２２に保持されていてもよい。制御部２１は、この参照情報を参照することで、各識別器（５、６）から得られた出力値に対応する覚醒状態のクラスを判定することができる。

更に、制御部２１は、各識別器（５、６）の出力値に基づいて顔の各特徴を識別した結果を利用して、顔のその他の特徴を更に判定してもよい。例えば、制御部２１は、各識別器（５、６）の出力値に基づいて、対象者Ｘの顔の各パーツの状態を識別してもよい。そして、制御部２１は、その対象者Ｘの顔の各パーツの状態を識別した結果に基づいて、対象者Ｘの顔の表情を判定してもよい。この場合、顔の各パーツの状態と顔の表情とを対応付けたテーブル形式等の参照情報（不図示）が記憶部２２に保持されていてもよい。制御部２１は、この参照情報を参照することで、対象者Ｘの顔の各パーツの状態を識別した結果に基づいて、対象者Ｘの顔の表情を判定することができる。

複数の特徴を識別した結果を出力する形式は、実施の形態に応じて適宜決定されてよい。例えば、制御部２１は、第１識別器５の出力値に基づいて、顔の複数の特徴のうちの差分特徴以外の特徴を識別した結果を出力し、第２識別器６の出力値に基づいて、差分特徴及び差分関連特徴の少なくとも一方を識別した結果を出力してもよい。具体例として、上記識別器生成の処理手順において、目に関する特徴が差分特徴として抽出された場合には、制御部２１は、第１識別器５の出力値に基づいて、目に関する特徴以外の特徴を識別し、第２識別器６の出力値に基づいて、目に関する特徴及び目に関する特徴に関連する特徴の少なくとも一方を識別してもよい。

ただし、識別結果の出力形式は、このような例に限定されなくてもよい。例えば、制御部２１は、各識別器（５、６）の出力値をそのまま各特徴の識別結果として出力してもよい。また、例えば、制御部２１は、第１識別器５による差分特徴の識別結果及び第２識別器６による差分特徴の識別結果の両方を出力してもよい。

識別した結果の出力先は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。制御部２１は、例えば、各特徴の識別結果を出力装置２６に出力してもよい。また、制御部２１は、例えば、ユーザ端末等の他の情報処理装置に各特徴の識別結果を出力してもよい。これにより、識別結果の出力が完了すると、制御部２１は、本動作例に係る処理を終了する。

［特徴］
以上のように、本実施形態では、ステップＳ１０１〜Ｓ１０５の処理により、第１識別器５の構築に利用した第１顔画像データ１２１を収集した環境と第１識別器５を利用する環境とで大きく相違する顔の特徴を差分特徴として抽出することができる。そして、ステップＳ１０６〜Ｓ１０８の処理により、その差分特徴及び差分関連特徴の少なくとも一方を識別するための第２識別器６を生成することができる。識別装置２の識別処理において、この第２識別器６を利用することで、差分特徴に対する識別性能の低下を抑制することができる。また、第２識別器６を生成するコストは、識別する対象を顔の差分特徴及び差分関連特徴の少なくとも一方に絞っている分だけ、全ての顔の特徴を識別する別個の識別器を生成する場合に比べて低い。すなわち、第１識別器５を破棄して新たな識別器を生成する訳ではなく、差分特徴以外の顔の特徴の識別には第１識別器５をそのまま利用することができる分だけ、環境の変動に対応するためのコストを抑えることができる。特に、ステップＳ１０７における第２識別器６の機械学習の処理時間を短くすることができる。よって、本実施形態によれば、顔画像から複数の特徴を識別する性能が環境の変動に起因して低下してしまうのを低コストな方法で抑制することができる。

また、本実施形態では、上記ステップＳ１０３において、識別器生成装置１は、複数の特徴のうちの少なくともいずれかが第１識別器５では識別不能であった又は識別を誤った顔画像データから第２顔画像データ１２３を選択的に取得してもよい。これにより、環境の変動に起因して大きく相違し得る顔の差分特徴を第２顔画像データ１２３から適切に抽出することができる。そのため、本実施形態によれば、環境の変動に起因する識別性能の低下を適切に抑制することができる。

また、本実施形態では、上記ステップＳ１０６において、識別器生成装置１は、第２顔画像データ１２３のコピー、又は第２顔画像データ１２３から抽出された部分顔画像データを第３顔画像データ１２５として取得してもよい。これにより、第２識別器６の機械学習に利用する第３顔画像データ１２５を収集するコストを抑えることができる。したがって、本実施形態によれば、更に低コストな方法で、顔画像から複数の特徴を識別する性能が環境の変動に起因して低下してしまうのを抑制することができる。

§４ 変形例
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。

＜４．１＞
上記実施形態に係る識別器生成装置１の処理手順では、ステップＳ１０１及びＳ１０２において、制御部１１は、第１顔画像データ１２１を取得し、取得した第１顔画像データ１２１から各特徴に関する第１特徴量を算出している。これにより、制御部１１は、第１顔画像データ１２１から算出された各特徴に関する第１特徴量を取得している。しかしながら、第１特徴量を取得する方法は、このような例に限定されなくてもよい。例えば、第１特徴量の算出は、識別器生成装置１とは異なる他の情報処理装置により行われてもよい。この場合、制御部１１は、上記ステップＳ１０１及びＳ１０２を実行する代わりに、ネットワーク、記憶媒体９１等を介して、他の情報処理装置により算出された第１特徴量を取得してもよい。

同様に、第２特徴量の算出も、識別器生成装置１とは異なる他の情報処理装置により行われてもよい。この場合、制御部１１は、上記ステップＳ１０３及びＳ１０４を実行する代わりに、ネットワーク、記憶媒体９１等を介して、他の情報処理装置により算出された第２特徴量を取得してもよい。

また、第１特徴量を取得する処理（ステップＳ１０１及びＳ１０２）と第２特徴量を取得する処理（ステップＳ１０３及びＳ１０３）とを実行するタイミングは、上記処理手順の例に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。例えば、制御部１１は、第２特徴量を取得する処理を実行した後に、第１特徴量を取得する処理を実行してもよい。

また、上記実施形態に係る識別装置２の処理手順では、制御部２１は、第１識別器５による識別結果を得た（ステップＳ２０２）後に、第２識別器６による識別結果を得ている（ステップＳ２０３）。しかしながら、各識別器（５、６）を利用するタイミングは、このような例に限定されなくてもよく、制御部２１は、ステップＳ２０３の処理を実行して、第２識別器６による識別結果を得た後に、ステップＳ２０２の処理を実行して、第１識別器５による識別結果を得てもよい。

＜４．２＞
上記実施形態では、各識別器（５、６）は、多層構造の全結合ニューラルネットワークにより構成されている。しかしながら、各識別器（５、６）の構成は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、各識別器（５、６）は、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク等により構成されてよい。

＜４．３＞
上記実施形態では、各識別器（５、６）の学習モデルとして、ニューラルネットワークを採用している。しかしながら、各識別器（５、６）の学習モデルは、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。各識別器（５、６）の学習モデルとして、例えば、サポートベクタマシン、自己組織化マップ、強化学習により機械学習を行う学習モデル等が採用されてよい。

＜４．４＞
上記実施形態では、差分学習結果データ１２９及び学習結果データ２２９はそれぞれ、ニューラルネットワークの構成を示す情報を含んでいる。しかしながら、差分学習結果データ１２９及び学習結果データ２２９の構成は、このような例に限定されなくてもよく、学習済みの各識別器（５、６）の設定に利用可能であれば、実施の形態に応じて適宜決定されてよい。例えば、利用するニューラルネットワークの構成が各装置で共通化されている場合には、差分学習結果データ１２９及び学習結果データ２２９はそれぞれ、ニューラルネットワークの構成を示す情報を含んでいなくてもよい。

＜４．５＞
上記実施形態では、顔画像データから顔の特徴を識別する場面に本発明を適用した例を示している。しかしながら、本発明の適用可能な範囲は、このような顔画像データから顔の特徴を識別する場面に限られなくてもよい。本発明は、画像データから何らかの特徴を識別する場面に広く適用可能である。

図８及び図９は、本変形例に係る画像識別システムを構成する識別器生成装置１Ａ及び識別装置２Ａのソフトウェア構成の一例を模式的に例示する。処理対象となるデータが顔画像データから画像データに置き換わる点を除き、識別器生成装置１Ａ及び識別装置２Ａのハードウェア構成及びソフトウェア構成は、上記実施形態に係る識別器生成装置１及び識別装置２のハードウェア構成及びソフトウェア構成と同じであってよい。

本変形例において、画像データから識別される特徴は、実施の形態に応じて適宜決定されてよい。例えば、画像データに写る物体の認識又は製品の良否判定に利用する場合、画像データから識別される特徴は、対象物の形状、材質、表面デザイン等であってよい。各特徴に関する特徴量（第１特徴量及び第２特徴量）は、対象物の角部の曲率、凸部／凹部／段差部の位置／数／サイズ、輝度、コントラスト、輝度又はコントラストの変化パターン等であってよい。また、例えば、文字解析に利用する場合、画像データから識別される特徴は、文字種、書体、字体、書式等であってもよい。各特徴に関する特徴量（第１特徴量及び第２特徴量）は、文字の幅、文字サイズ等であってもよい。

本変形例に係る第１識別器５Ａは、第１画像データ１２１Ａを利用した機械学習により、画像データから複数の上記特徴を識別する能力を習得するように構築される。また、上記特徴を識別する能力を習得済みの第１識別器５Ａの構成等を示す情報は、学習結果データ２２９Ａとして保持される。識別器生成装置１Ａ及び識別装置２Ａは、上記実施形態と同様の処理手順で動作することができる。また、識別器生成装置１Ａ及び識別装置２Ａによる各ステップの処理は、上記実施形態と同様に実行されてよい。

すなわち、識別器生成装置１Ａの制御部は、ステップＳ１０１では、第１特徴量取得部１１１として動作し、第１識別器５Ａを構築する機械学習に利用された第１画像データ１２１Ａを取得する。ステップＳ１０２では、制御部は、取得した第１画像データ１２１Ａから各特徴に関する第１特徴量を算出する。これにより、制御部は、第１識別器５Ａを構築する機械学習に利用された第１画像データ１２１Ａから算出された各特徴に関する第１特徴量を取得する。

ステップＳ１０３では、制御部は、第２特徴量取得部１１２として動作し、第１識別器５Ａを利用する環境において、第１画像データ１２１Ａと同種の第２画像データ１２３Ａであって、複数の特徴が写る第２画像データ１２３Ａを取得する。第２画像データ１２３Ａは、複数の特徴が写る画像データであって、複数の特徴のうちの少なくともいずれかが第１識別器５Ａでは識別不能であった又は識別を誤った画像データから選択されてもよい。ステップＳ１０４では、制御部は、取得した第２画像データ１２３Ａから各特徴に関する第２特徴量を算出する。これにより、制御部は、第２画像データ１２３Ａから算出される各特徴に関する第２特徴量を取得する。

ステップＳ１０５では、制御部は、差分抽出部１１３として動作し、各特徴について第１特徴量と第２特徴量とを比較し、比較の結果に基づいて、複数の特徴のうち、第１特徴量と第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する。所定条件を満たす大きさを有する特徴を選択する方法は、上記実施形態と同様であってよい。例えば、所定条件は、差分が最も大きい特徴から順に１又は複数個の特徴を選択するように規定されていてもよい。この場合、制御部は、識別する対象となる被写体の複数の特徴のうち、所定条件を満たす大きさを有する特徴として、第１特徴量と第２特徴量との差分の最も大きいものから順に１又は複数個の特徴を選択し、選択した１又は複数個の特徴を差分特徴として抽出してもよい。また、例えば、制御部は、識別する対象となる被写体の各特徴について、第１特徴量と第２特徴量との差分が閾値を超えるか否かを判定し、第１特徴量と第２特徴量との差分が閾値を超えると判定された特徴を差分特徴として抽出してもよい。具体例として、物体認識に利用する場合に、バージョンの違いにより、対象物体の表面デザインが変わったとき、本ステップＳ１０５の処理により、表面デザインに関する特徴が差分特徴として抽出され得る。製品の良否判定で利用する場合においても同様である。

ステップＳ１０６では、制御部は、学習データ取得部１１４として動作し、第１識別器５Ａを利用する環境において、抽出した差分特徴及び差分関連特徴の少なくとも一方の写る第３画像データ１２５Ａを取得する。具体的には、制御部は、第３画像データ１２５Ａ及び正解データ１２５１Ａの対で構成される学習用データセット１２７Ａを取得する。第３画像データ１２５Ａは、抽出された差分特徴及び差分関連特徴の少なくとも一方に応じて適宜取得されてよい。第３画像データ１２５Ａは、第２画像データ１２３Ａのコピー、又は第２画像データ１２３Ａから差分特徴及び差分関連特徴の少なくとも一方の写る部分を抽出することで得られた部分画像データにより構成されてよい。また、正解データ１２５１Ａは、第３画像データ１２５Ａに写る差分特徴及び差分関連特徴の少なくとも一方の識別に対する正解を示すように適宜作成されてよい。なお、差分関連特徴は適宜選択されてよい。ステップＳ１０５により、表面デザインに関する特徴が差分特徴として抽出されている場合、差分関連特徴は、例えば、角部等の部分形状に関する特徴であってよい。

ステップＳ１０７では、制御部は、学習処理部１１５として動作し、第３画像データ１２５Ａを利用した機械学習により、第３画像データ１２５Ａから差分特徴及び差分関連特徴の少なくとも一方を識別する第２識別器６Ａを構築する。具体的には、制御部は、学習用データセット１２７Ａを用いて、第３画像データ１２５Ａを入力すると、正解データ１２５１Ａに対応する出力値を出力するように第２識別器６Ａ（ニューラルネットワーク）の機械学習を実施する。ステップＳ１０８では、制御部は、機械学習により構築された第２識別器６Ａの構成、各ニューロン間の結合の重み、及び各ニューロンの閾値を示す情報を差分学習結果データ１２９Ａとして記憶部に格納する。

一方、識別装置２Ａの制御部は、ステップＳ２０１では、対象データ取得部２１１として動作し、複数の特徴を識別する対象となる対象画像データ２２１Ａを取得する。対象画像データ２２１Ａは、識別する特徴に応じて適宜取得されてよい。

ステップＳ２０２では、制御部は、第１識別部２１２として動作し、学習結果データ２２９Ａを参照して、学習済みの第１識別器５Ａの設定を行う。次に、制御部は、取得した対象画像データ２２１Ａを第１識別器５Ａに入力し、第１識別器５Ａの演算処理を実行する。これにより、制御部は、対象画像データ２２１Ａから複数の特徴を識別した結果に対応する出力を第１識別器５Ａより取得する。

ステップＳ２０３では、制御部は、第２識別部２１３として動作し、差分学習結果データ１２９Ａを参照して、学習済みの第２識別器６Ａの設定を行う。次に、制御部は、取得した対象画像データ２２１Ａを第２識別器６Ａに入力し、第２識別器６Ａの演算処理を実行する。これにより、制御部は、対象画像データ２２１Ａから差分特徴及び差分関連特徴の少なくとも一方を識別した結果に対応する出力を第２識別器６Ａから取得する。

ステップＳ２０４では、制御部は、出力部２１４として動作し、第１識別器５Ａの出力及び第２識別器６Ａの出力に基づき、対象画像データ２２１Ａから複数の特徴を識別した結果を出力する。例えば、制御部は、第１識別器５Ａの出力に基づいて、複数の特徴のうちの差分特徴以外の特徴を識別した結果を出力し、第２識別器６Ａの出力に基づいて、差分特徴及び差分関連特徴の少なくとも一方を識別した結果を出力してもよい。

本変形例によれば、例えば、物体認識、文字解析等の場面において、画像から特徴を識別する性能が環境の変動に起因して低下してしまうのを低コストな方法で抑制することができる。例えば、物体認識に利用する場合、対象物体のメーカ、モデル、又はバージョンの違いにより、対象物体の認識精度が低下する可能性がある。これに対して、本変形例によれば、その違いによる変動の大きい特徴を差分特徴として抽出し、この差分特徴及び差分関連特徴の少なくとも一方を識別する第２識別器６Ａを構築することができる。これにより、メーカ、モデル、又はバージョンの違いがあっても、比較的に精度よく対象物体を認識することができる。製品の良否判定で利用する場合においても同様に、比較的に精度よく製品の良否判定が可能である。

＜４．６＞
上記実施形態及び変形例では、画像データから何らかの特徴を識別する場面に本発明を提供した例を示している。しかしながら、本発明の適用可能な範囲は、このような画像データから特徴を識別する場面に限られなくてもよい。本発明は、画像データ以外のデータ又は複数種類のデータから何らかの特徴を識別する場面に広く適用可能である。

図１０及び図１１は、本変形例に係る識別システムを構成する識別器生成装置１Ｂ及び識別装置２Ｂのソフトウェア構成の一例を模式的に例示する。処理対象となるデータが画像データから他種のデータに置き換わる点を除き、識別器生成装置１Ｂ及び識別装置２Ｂのハードウェア構成及びソフトウェア構成は、上記実施形態に係る識別器生成装置１及び識別装置２のハードウェア構成及びソフトウェア構成と同じであってよい。

本変形例において、処理の対象となるデータの種類は、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。処理の対象となるデータは、識別器による解析の対象となり得るあらゆる種類のデータを含んでもよく、例えば、画像データの他、音データ（音声データ）、数値データ、テキストデータ等であってよい。更に、処理の対象となるデータは、複数種類のデータの組み合わせで構成されてもよい。

また、データから識別される特徴は、実施の形態に応じて適宜決定されてよい。例えば、音声解析に利用する場合、処理の対象となるデータは音データであり、音データから識別される特徴は、対応する言語の文字列、トーン、イントネーション等であってもよい。また、各特徴に関する特徴量（第１特徴量及び第２特徴量）は、ピーク値、ピークとピークとの幅等であってもよい。複数の特徴は、音声データから識別される文字列等の関連性を有する一連の特徴であってもよく、この場合、差分特徴は、その一連の特徴のうちの一部（例えば、語尾の文字列）であってよい。

本変形例に係る第１識別器５Ｂは、第１データ１２１Ｂを利用した機械学習により、対象のデータから複数の上記特徴を識別する能力を習得するように構築される。また、上記特徴を識別する能力を習得済みの第１識別器５Ｂの構成等を示す情報は、学習結果データ２２９Ｂとして保持される。識別器生成装置１Ｂ及び識別装置２Ｂは、上記実施形態と同様の処理手順で動作することができる。また、識別器生成装置１Ｂ及び識別装置２Ｂによる各ステップの処理は、上記実施形態と同様に実行されてよい。

すなわち、識別器生成装置１Ｂの制御部は、ステップＳ１０１では、第１特徴量取得部１１１として動作し、第１識別器５Ｂを構築する機械学習に利用された第１データ１２１Ｂを取得する。第１識別器５Ｂが音声解析に利用される場合には、制御部は、音声解析の機械学習に利用した音データを第１データ１２１Ｂとして取得する。ステップＳ１０２では、制御部は、取得した第１データ１２１Ｂから各特徴に関する第１特徴量を算出する。第１特徴量の算出方法は、第１データ１２１Ｂの種類及び各特徴に応じて適宜決定されてよい。これにより、制御部は、第１識別器５Ｂを構築する機械学習に利用された第１データ１２１Ｂから算出された各特徴に関する第１特徴量を取得する。

ステップＳ１０３では、制御部は、第２特徴量取得部１１２として動作し、第１識別器５Ｂを利用する環境において、第１データ１２１Ｂと同種の第２データ１２３Ｂであって、複数の特徴を含む第２データ１２３Ｂを取得する。第２データ１２３Ｂは、複数の特徴を含むデータであって、複数の特徴のうちの少なくともいずれかが第１識別器５Ｂでは識別不能であった又は識別を誤ったデータから選択されてもよい。ステップＳ１０４では、制御部は、取得した第２データ１２３Ｂから各特徴に関する第２特徴量を算出する。これにより、制御部は、第２データ１２３Ｂから算出された各特徴に関する第２特徴量を取得する。

ステップＳ１０５では、制御部は、差分抽出部１１３として動作し、各特徴について第１特徴量と第２特徴量とを比較し、比較の結果に基づいて、複数の特徴のうち、第１特徴量と第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する。所定条件を満たす大きさを有する特徴を選択する方法は、上記実施形態と同様であってよい。例えば、所定条件は、差分が最も大きい特徴から順に１又は複数個の特徴を選択するように規定されていてもよい。この場合、制御部は、識別する対象となる複数の特徴のうち、所定条件を満たす大きさを有する特徴として、第１特徴量と第２特徴量との差分の最も大きいものから順に１又は複数個の特徴を選択し、選択した１又は複数個の特徴を差分特徴として抽出してもよい。また、例えば、制御部は、識別する対象となる各特徴について、第１特徴量と第２特徴量との差分が閾値を超えるか否かを判定し、第１特徴量と第２特徴量との差分が閾値を超えると判定された特徴を差分特徴として抽出してもよい。

具体例として、語尾の表現のみ異なり、その他の表現は共通である言語体系を有する第１地域及び第２地域が存在し、第１地域で収集した音声データに対して音声解析を行うように構築した第１識別器５Ｂを第２地域で利用する場面を想定する。この場合、第１識別器５Ｂでは、第２地域で得られる音声データの語尾部分に対して適切に音声解析を行うことができない可能性があり、本ステップＳ１０５では、この語尾部分に関する特徴が、差分特徴として抽出され得る。

ステップＳ１０６では、制御部は、学習データ取得部１１４として動作し、第１識別器５Ｂを利用する場面において、抽出した差分特徴及び差分関連特徴の少なくとも一方を含む第３データ１２５Ｂを取得する。具体的には、制御部は、第３データ１２５Ｂ及び正解データ１２５１Ｂの対で構成される学習用データセット１２７Ｂを取得する。第３データ１２５Ｂは、抽出された差分特徴及び差分関連特徴の少なくとも一方に応じて適宜取得されてよい。第３データ１２５Ｂは、第２データ１２３Ｂのコピー、又は第２データ１２３Ｂから差分特徴及び差分関連特徴の少なくとも一方を含む部分を抽出することで得られた部分データにより構成されてよい。また、正解データ１２５１Ｂは、第３データ１２５Ｂに含まれる差分特徴及び差分関連特徴の少なくとも一方の識別に対する正解を示すように適宜作成されてよい。なお、差分関連特徴は適宜選択されてよい。ステップＳ１０５により、語尾部分に関する特徴が差分特徴として抽出されている場合、差分関連特徴は、例えば、語尾に隣接する語句に関する特徴であってよい。

ステップＳ１０７では、制御部は、学習処理部１１５として動作し、第３データ１２５Ｂを利用した機械学習により、第３データ１２５Ｂから差分特徴及び差分関連特徴の少なくとも一方を識別する第２識別器６Ｂを構築する。具体的には、制御部は、学習用データセット１２７Ｂを用いて、第３データ１２５Ｂを入力すると、正解データ１２５１Ｂに対応する出力値を出力するように第２識別器６Ｂ（ニューラルネットワーク）の機械学習を実施する。これにより、上記の例のケースでは、語尾の表現を識別する第２識別器６Ｂを構築することができる。ステップＳ１０８では、制御部は、機械学習により構築された第２識別器６Ｂの構成、各ニューロン間の結合の重み、及び各ニューロンの閾値を示す情報を差分学習結果データ１２９Ｂとして記憶部に格納する。

一方、識別装置２Ｂの制御部は、ステップＳ２０２では、対象データ取得部２１１として動作し、複数の特徴を識別する対象となる対象データ２２１Ｂを取得する。対象データ２２１Ｂは、データの種類及び識別する特徴に応じて適宜取得されてよい。音声解析を行う場合、対象データ２２１Ｂの取得には、例えば、マイク等が用いられてよい。

ステップＳ２０２では、制御部は、第１識別部２１２として動作し、学習結果データ２２９Ｂを参照して、学習済みの第１識別器５Ｂの設定を行う。次に、制御部は、取得した対象データ２２１Ｂを第１識別器５Ｂに入力し、第１識別器５Ｂの演算処理を実行する。これにより、制御部は、対象データ２２１Ｂから複数の特徴を識別した結果に対応する出力を第１識別器５Ｂより取得する。

ステップＳ２０３では、制御部は、第２識別部２１３として動作し、差分学習結果データ１２９Ｂを参照して、学習済みの第２識別器６Ｂの設定を行う。次に、制御部は、取得した対象データ２２１Ｂを第２識別器６Ｂに入力し、第２識別器６Ｂの演算処理を実行する。これにより、制御部は、対象データ２２１Ｂから差分特徴及び差分関連特徴の少なくとも一方を識別した結果に対応する出力を第２識別器６Ｂから取得する。

ステップＳ２０４では、制御部は、出力部２１４として動作し、第１識別器５Ｂの出力及び第２識別器６Ｂの出力に基づき、対象データ２２１Ｂから複数の特徴を識別した結果を出力する。例えば、制御部は、第１識別器５Ｂの出力に基づいて、複数の特徴のうちの差分特徴以外の特徴を識別した結果を出力し、第２識別器６Ｂの出力に基づいて、差分特徴及び差分関連特徴の少なくとも一方を識別した結果を出力してもよい。上記の例のケースでは、識別装置２Ｂは、語尾の表現以外の表現を第１識別器５Ｂにより識別し、語尾の表現を第２識別器６Ｂにより識別することができる。

本変形例によれば、例えば、音声解析等の場面において、データから特徴を識別する性能が環境の変動に起因して低下してしまうのを低コストな方法で抑制することができる。

１…識別器生成装置、１００…顔画像識別システム、
１１…制御部、１２…記憶部、１３…通信インタフェース、
１４…入力装置、１５…出力装置、１６…ドライブ、
８１…生成プログラム、９１…記憶媒体、
１１１…第１データ取得部、１１２…第２データ取得部、
１１３…特徴量算出部、１１４…第３データ取得部、
１１５…差分抽出部、１１６…学習処理部、
１２１…第１顔画像データ、１２３…第２顔画像データ、
１２５…第３顔画像データ、
１２５１…正解データ、１２７…学習用データセット、
１２９…差分学習結果データ、
２…識別装置、
２１…制御部、２２…記憶部、２３…通信インタフェース、
２４…外部インタフェース、
２５…入力装置、２６…出力装置、２７…ドライブ、
８２…識別プログラム、９２…記憶媒体、
２１１…対象データ取得部、２１２…第１識別部、
２１３…第２識別部、２１４…出力部、
２２１…対象顔画像データ、２２９…学習結果データ、
３１…カメラ、
５…第１識別器、
５１…入力層、５２…中間層（隠れ層）、５３…出力層、
６…第２識別器、
６１…入力層、６２…中間層（隠れ層）、６３…出力層

Claims (17)

1. 顔の複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１顔画像データから算出された当該各特徴に関する第１特徴量を取得する第１特徴量取得部と、
   前記第１識別器を利用する環境において取得される、前記第１顔画像データと同種の第２顔画像データであって、前記顔の前記複数の特徴が写る第２顔画像データから算出された当該各特徴に関する第２特徴量を取得する第２特徴量取得部と、
   前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する差分抽出部と、
   前記第１識別器を利用する前記環境において、前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３顔画像データを取得する学習データ取得部と、
   前記第３顔画像データを利用した機械学習により、前記第３顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築する学習処理部と、
   前記複数の特徴を識別する対象となる対象顔画像データを取得する対象データ取得部と、
   取得した前記対象顔画像データを前記第１識別器に入力することで、前記対象顔画像データから前記複数の特徴を識別した結果に対応する出力を前記第１識別器より取得する第１識別部と、
   取得した前記対象顔画像データを前記第２識別器に入力することで、前記対象顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果に対応する出力を前記第２識別器より取得する第２識別部と、
   前記第１識別器の出力及び前記第２識別器の出力に基づき、前記対象顔画像データから前記複数の特徴を識別した結果を出力する出力部と、
   を備える、
   顔画像識別システム。
2. 前記第３顔画像データは、前記第２顔画像データのコピー、又は前記第２顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方の写る部分を抽出することで得られた部分顔画像データにより構成される、
   請求項１に記載の顔画像識別システム。
3. 前記第２顔画像データは、前記複数の特徴が写る顔画像データであって、前記複数の特徴のうちの少なくともいずれかが前記第１識別器では識別不能であった又は識別を誤った顔画像データから選択される、
   請求項１又は２に記載の顔画像識別システム。
4. 前記顔の前記複数の特徴は、表情の種別、顔のパーツの位置、顔のパーツの形状、顔のパーツの色、及び顔のパーツの状態から選択される、
   請求項１から３のいずれか１項に記載の顔画像識別システム。
5. 前記出力部は、前記第１識別器の出力に基づいて、前記複数の特徴のうちの前記差分特徴以外の前記顔の特徴を識別した結果を出力し、前記第２識別器の出力に基づいて、前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果を出力する、
   請求項１から４のいずれか１項に記載の顔画像識別システム。
6. 前記所定条件は、差分が最も大きい特徴から順に１又は複数個の特徴を選択するように規定されており、
   前記差分抽出部は、前記第１特徴量と前記第２特徴量との差分の最も大きい特徴から順に１又は複数個の特徴を選択し、選択した１又は複数個の特徴を前記差分特徴として抽出する、
   請求項１から５のいずれか１項に記載の顔画像識別システム。
7. 前記所定条件は、差分が閾値を超える特徴を選択するように規定されており、
   前記差分抽出部は、前記第１特徴量と前記第２特徴量との差分が前記閾値を超えるか否かを判定し、前記第１特徴量と前記第２特徴量との差分が前記閾値を超えると判定された特徴を前記差分特徴として抽出する、
   請求項１から５のいずれか１項に記載の顔画像識別システム。
8. 顔の複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１顔画像データから算出された当該各特徴に関する第１特徴量を取得する第１特徴量取得部と、
   前記第１識別器を利用する環境において取得される、前記第１顔画像データと同種の第２顔画像データであって、前記顔の前記複数の特徴が写る第２顔画像データから算出された当該各特徴に関する第２特徴量を取得する第２特徴量取得部と、
   前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する差分抽出部と、
   前記第１識別器を利用する前記環境において、前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３顔画像データを取得する学習データ取得部と、
   前記第３顔画像データを利用した機械学習により、前記第３顔画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築する学習処理部と、
   を備える、
   識別器生成装置。
9. 複数の特徴が写る第１画像データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１画像データから算出された当該各特徴に関する第１特徴量を取得する第１特徴量取得部と、
   前記第１識別器を利用する環境において取得される、前記第１画像データと同種の第２画像データであって、前記複数の特徴が写る第２画像データから算出された当該各特徴に関する第２特徴量を取得する第２特徴量取得部と、
   前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する差分抽出部と、
   前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３画像データを取得する学習データ取得部と、
   前記第３画像データを利用した機械学習により、前記第３画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築する学習処理部と、
   前記複数の特徴を識別する対象となる対象画像データを取得する対象データ取得部と、
   取得した前記対象画像データを前記第１識別器に入力することで、前記対象画像データから前記複数の特徴を識別した結果に対応する出力を前記第１識別器より取得する第１識別部と、
   取得した前記対象画像データを前記第２識別器に入力することで、前記対象画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果に対応する出力を前記第２識別器より取得する第２識別部と、
   前記第１識別器の出力及び前記第２識別器の出力に基づき、前記対象画像データから前記複数の特徴を識別した結果を出力する出力部と、
   を備える、
   画像識別システム。
10. 複数の特徴が写る第１画像データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１画像データから算出された当該各特徴に関する第１特徴量を取得する第１特徴量取得部と、
    前記第１識別器を利用する環境において取得される、前記第１画像データと同種の第２画像データであって、前記複数の特徴が写る第２画像データから算出された当該各特徴に関する第２特徴量を取得する第２特徴量取得部と、
    前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する差分抽出部と、
    前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方が写る第３画像データを取得する学習データ取得部と、
    前記第３画像データを利用した機械学習により、前記第３画像データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築する学習処理部と、
    を備える、
    識別器生成装置。
11. 複数の特徴を含む第１データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１データから算出された当該各特徴に関する第１特徴量を取得する第１特徴量取得部と、
    前記第１識別器を利用する環境において取得される、前記第１データと同種の第２データであって、前記複数の特徴を含む第２データから算出された当該各特徴に関する第２特徴量を取得する第２特徴量取得部と、
    前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する差分抽出部と、
    前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方を含む第３データを取得する学習データ取得部と、
    前記第３データを利用した機械学習により、前記第３データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築する学習処理部と、
    前記複数の特徴を識別する対象となる対象データを取得する対象データ取得部と、
    取得した前記対象データを前記第１識別器に入力することで、前記対象データから前記複数の特徴を識別した結果に対応する出力を前記第１識別器より取得する第１識別部と、
    取得した前記対象データを前記第２識別器に入力することで、前記対象データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果に対応する出力を前記第２識別器より取得する第２識別部と、
    前記第１識別器の出力及び前記第２識別器の出力に基づき、前記対象データから前記複数の特徴を識別した結果を出力する出力部と、
    を備える、
    識別システム。
12. 前記第３データは、前記第２データのコピー、又は前記第２データから前記差分特徴及び前記差分関連特徴の少なくとも一方を含む部分を抽出することで得られた部分データにより構成される、
    請求項１１に記載の識別システム。
13. 前記第２データは、前記複数の特徴を含むデータであって、前記複数の特徴のうちの少なくともいずれかが前記第１識別器では識別不能であった又は識別を誤ったデータから選択される、
    請求項１１又は１２に記載の識別システム。
14. 前記出力部は、前記第１識別器の出力に基づいて、前記複数の特徴のうちの前記差分特徴以外の特徴を識別した結果を出力し、前記第２識別器の出力に基づいて、前記差分特徴及び前記差分関連特徴の少なくとも一方を識別した結果を出力する、
    請求項１１から１３のいずれか１項に記載の識別システム。
15. 前記所定条件は、差分が最も大きい特徴から順に１又は複数個の特徴を選択するように規定されており、
    前記差分抽出部は、前記第１特徴量と前記第２特徴量との差分の最も大きい特徴から順に１又は複数個の特徴を選択し、選択した１又は複数個の特徴を前記差分特徴として抽出する、
    請求項１１から１４のいずれか１項に記載の識別システム。
16. 前記所定条件は、差分が閾値を超える特徴を選択するように規定されており、
    前記差分抽出部は、前記第１特徴量と前記第２特徴量との差分が前記閾値を超えるか否かを判定し、前記第１特徴量と前記第２特徴量との差分が前記閾値を超えると判定された特徴を前記差分特徴として抽出する、
    請求項１１から１４のいずれか１項に記載の識別システム。
17. 複数の特徴を含む第１データであって、前記複数の特徴を識別するように第１識別器を構築する機械学習に利用された第１データから算出された当該各特徴に関する第１特徴量を取得する第１特徴量取得部と、
    前記第１識別器を利用する環境において取得される、前記第１データと同種の第２データであって、前記複数の特徴を含む第２データから算出された当該各特徴に関する第２特徴量を取得する第２特徴量取得部と、
    前記各特徴について前記第１特徴量と前記第２特徴量とを比較し、前記比較の結果に基づいて、前記複数の特徴のうち、前記第１特徴量と前記第２特徴量との差分が所定条件を満たす大きさを有する特徴を差分特徴として抽出する差分抽出部と、
    前記第１識別器を利用する前記環境において、抽出した前記差分特徴及び前記差分特徴に関連する特徴である差分関連特徴の少なくとも一方を含む第３データを取得する学習データ取得部と、
    前記第３データを利用した機械学習により、前記第３データから前記差分特徴及び前記差分関連特徴の少なくとも一方を識別する第２識別器を構築する学習処理部と、
    を備える、
    識別器生成装置。