JP6816818B2 - 画像処理装置、画像処理方法及び記録媒体 - Google Patents

Description

本発明は、画像処理装置、画像処理方法及び記録媒体に関する。

画像内の特定の対象物を自動認識する画像認識技術が広く利用されている。画像認識の分野において、学習データを用いて、自動認識に必要な情報をコンピュータに学習させる機械学習が提案されている（特許文献１参照）。

特開平７−２３９９３９号公報

大きな画像の一部にある対象物を検出するため、画像の一部を選択し、その部分に検出対象が含まれるかどうかを検出する画像認識手法が用いられることがある。このような画像認識手法に対応した機械学習を行うためには、機械学習に用いられる学習データへの教師信号の設定を適切に行う必要がある。

本発明は、上述の課題に鑑みてなされたものであって、機械学習用の教師信号をより好適に設定することができる画像処理装置を提供することを目的とする。

本発明の一観点によれば、機械学習に用いられる学習用の画像を取得する取得部と、前記画像に対して、検出対象を含む対象領域を設定する対象領域設定部と、前記画像に対して、教師信号を設定すべき検出領域を設定する検出領域設定部と、前記検出領域に対して、前記検出領域と、前記対象領域との関連度に応じた三値以上の値をとり得る教師信号を設定する教師信号設定部と、を備えることを特徴とする画像処理装置が提供される。

本発明の他の観点によれば、機械学習に用いられる学習用の画像を取得するステップと、前記画像に対して、検出対象を含む対象領域を設定するステップと、前記画像に対して、教師信号を設定すべき検出領域を設定するステップと、前記検出領域に対して、前記検出領域と、前記対象領域との関連度に応じた三値以上の値をとり得る教師信号を設定するステップと、を備えることを特徴とする画像処理方法が提供される。

本発明の更に他の観点によれば、コンピュータに、機械学習に用いられる学習用の画像を取得するステップと、前記画像に対して、検出対象を含む対象領域を設定するステップと、前記画像に対して、教師信号を設定すべき検出領域を設定するステップと、前記検出領域に対して、前記検出領域と、前記対象領域との関連度に応じた三値以上の値をとり得る教師信号を設定するステップと、を実行させることを特徴とする記録媒体が提供される。

本発明によれば、機械学習用の教師信号をより好適に設定することができる画像処理装置を提供することができる。

第１実施形態に係る機械学習システムの概略構成を示すブロック図である。 第１実施形態に係る機械学習システムを構成するコンピュータのハードウェア構成例を示すブロック図である。 第１実施形態に係る対象領域の設定動作を示すフローチャートである。 第１実施形態に係る対象領域の設定例を示す図である。 第１実施形態に係る教師信号の設定動作を示すフローチャートである。 第１実施形態に係る検出領域の設定例を示す図である。 第１実施形態に係る教師信号と関連度との関係を示すグラフである。 第１実施形態に係る教師信号の設定例を示す表である。 第２実施形態に係る画像処理装置の機能ブロック図である。

以下、図面を参照して、本発明の例示的な実施形態を説明する。図面において同様の機能を有する部分には同一の符号を付し、その説明を省略又は簡略化することがある。

［第１実施形態］
図１は、第１実施形態に係る機械学習システムの概略構成を示すブロック図である。本実施形態に係る機械学習システムは、画像に含まれる検出対象を検出するための学習を自動で行うための学習用のデータ（学習データ）を生成し、これを用いて機械学習を行うシステムである。機械学習システムは、学習データ生成部１１０、画像記憶部１２０、対象領域記憶部１３０、学習データ記憶部１４０、学習部１５０及び学習モデル記憶部１６０を備える。学習データ生成部１１０は、画像取得部１１１、対象領域設定部１１２、検出領域設定部１１３、関連度算出部１１４、教師信号算出部１１５及び教師信号設定部１１６を備える。なお、画像取得部１１１は、単に取得部と呼ばれることもある。

なお、本実施形態に係る機械学習システムは、学習結果を用いて入力画像から検出対象を検出する画像認識機能を更に備えることにより、画像認識システムとして機能するものであってもよい。また、学習データの生成を単独の装置で行うことにより、学習データの生成機能と、学習データを用いた学習機能とが別の装置として構成されていてもよい。また、画像認識システム、機械学習システム、及びこれらに含まれ得る学習データの生成装置は、より一般的に画像処理装置と呼ばれることもある。

画像記憶部１２０は、機械学習に用いられる１以上の学習用の画像を記憶する。画像取得部１１１は、画像記憶部１２０から学習用の画像を取得する。対象領域設定部１１２は、取得された画像に対して、検出対象を含む対象領域を設定する。設定された対象領域は、対象領域記憶部１３０に記憶される。検出領域設定部１１３は、取得された画像に対して、教師信号を設定すべき検出領域を設定する。関連度算出部１１４は、画像中の検出領域と対象領域との関連度を算出する。教師信号算出部１１５は、検出領域に対応して、関連度に応じた三値以上の値を取り得る教師信号を算出する。教師信号設定部１１６は、検出領域に対して、算出された教師信号を設定し、教師信号と画像を含む学習データを学習データ記憶部１４０に記憶させる。学習部１５０は、教師信号が設定されている画像を学習データとして用いる機械学習を行う。学習部１５０において行われる機械学習に用いられるアルゴリズムは、例えば、ディープラーニング、ＳＶＭ（Support Vector Machine）等であり得る。学習により得られた学習モデルは、学習モデル記憶部１６０に記憶される。

図２は、第１実施形態に係る機械学習システムを構成するコンピュータ２００のハードウェア構成例を示すブロック図である。コンピュータ２００は、ＣＰＵ（Central Processing Unit）２０１、ＲＡＭ（Random Access Memory）２０２、ＲＯＭ（Read Only Memory）２０３、記憶媒体２０４、入力装置２０５、表示装置２０６及びネットワークインターフェース２０７を備える。

ＣＰＵ２０１は、ＲＯＭ２０３、記憶媒体２０４等に記憶されたプログラムに従って所定の動作を行うとともに、コンピュータ２００の各部を制御する機能をも有する。また、ＣＰＵ２０１は、画像取得部１１１、対象領域設定部１１２、検出領域設定部１１３、関連度算出部１１４、教師信号算出部１１５、教師信号設定部１１６及び学習部１５０の各部の機能を実現するプログラムを実行する。

ＲＡＭ２０２は、ＣＰＵ２０１の動作に必要な一時的なメモリ領域を提供する。ＲＯＭ２０３は、不揮発性メモリから構成され、コンピュータ２００の動作に用いられるプログラム等の必要な情報を記憶する。記憶媒体２０４は、ハードディスクなどの大容量記憶装置である。ＲＡＭ２０２又は記憶媒体２０４は、画像記憶部１２０、対象領域記憶部１３０、学習データ記憶部１４０、及び学習モデル記憶部１６０の各部の機能を実現する記憶領域を提供する。

入力装置２０５は、キーボード、マウス、タッチパネル等であって、ユーザがコンピュータ２００を操作するために用いられる。表示装置２０６は、液晶表示装置等であって、画像、文字等の表示に用いられる。ネットワークインターフェース２０７は、イーサネット（登録商標）、Ｗｉ−Ｆｉ（登録商標）等の規格に基づく通信インターフェースであり、他の装置との通信を行うためのモジュールである。

なお、図２に示されているハードウェア構成は例示であり、これら以外の装置が追加されていてもよく、一部の装置が設けられていなくてもよい。例えば、一部の機能がネットワークを介して他の装置により提供されてもよく、本実施形態を構成する機能が複数の装置に分散されて実現されるものであってもよい。

次に、図３及び図４を参照しつつ、対象領域の設定動作を説明する。図３は、第１実施形態に係る対象領域の設定動作を示すフローチャートである。本設定動作は、対象領域設定部１１２が、画像取得部１１１によって画像記憶部１２０から取得された学習用の画像に対して行う動作である。図４は、第１実施形態に係る対象領域の設定例を示す図である。

ステップＳ１１において、対象領域設定部１１２は、画像３００に対する指定領域３２０の入力を受け付ける。この指定領域３２０は検出対象３１０を指定するための領域であり、検出対象３１０を含むように指定される。図４の例では、検出対象３１０であるトラックの画像を含むように、矩形の指定領域３２０が指定されている。この指定領域３２０の指定は、例えば、ユーザが入力装置２０５を用いて入力したものであり得る。また、ＣＰＵ２０１が、事前に設定された領域に関する情報を記憶媒体２０４等から読み出すことにより指定領域３２０が指定されてもよい。なお、本明細書において、矩形とは、４つの角がすべて等しい四角形を意味し、正方形を含むものとする。

ステップＳ１２において、対象領域設定部１１２は、指定領域３２０の中から検出対象３１０を含む対象領域３３０を設定する。この処理は、対象領域設定部１１２が、検出対象３１０の外形形状を認識して、所定の画像処理アルゴリズムにより、その形状に応じた対象領域３３０の形状を選択することにより行われる。検出精度を高めるため、対象領域３３０の形状と検出対象３１０の形状は近いことが好ましい。そのため、対象領域３３０の形状は、検出対象３１０に外接する形状であることが好ましい。また、処理の効率化のため、対象領域３３０の形状はできる限り単純なものであることが好ましい。特に、本実施形態では、検出対象３１０がトラックであり、形状が矩形に近いため、対象領域３３０の形状も矩形とすることが効率的である。人工物の形状は矩形に近いものが多いため、対象領域３３０の形状は典型的には矩形とすることが好ましい。これらを考慮し、図４の例では、対象領域３３０の形状は、検出対象３１０に外接する矩形としている。なお、矩形以外の物体を検出する場合には、検出対象３１０の形状に応じて対象領域３３０の形状を適宜変更してもよい。

ステップＳ１３において、対象領域設定部１１２は、対象領域記憶部１３０にステップＳ１２で設定された対象領域３３０を記憶させる。ステップＳ１４において、ＣＰＵ２０１は、画像３００の中に検出すべき他の検出対象３１０があるかどうかを判断する。この判断は、例えば、ユーザからの入力に基づくものであってもよく、ＣＰＵ２０１が、事前に設定された領域に関する情報を記憶媒体２０４等から読み出すことにより判断するものであってもよい。検出すべき他の検出対象３１０がある場合（ステップＳ１４においてＹＥＳ）、再びステップＳ１１の処理が行われる。検出すべき他の検出対象３１０がない場合（ステップＳ１４においてＮＯ）、対象領域３３０の設定動作は終了する。

次に、図５乃至図８を参照しつつ、検出領域の設定動作及び教師信号の設定動作を説明する。図５は、第１実施形態に係る教師信号の設定動作を示すフローチャートである。本設定動作は、検出領域設定部１１３、関連度算出部１１４、教師信号算出部１１５及び教師信号設定部１１６が、画像取得部１１１によって画像記憶部１２０から取得された学習用の画像に対して行う動作である。図６は、第１実施形態に係る検出領域の設定例を示す図である。図７は、第１実施形態に係る教師信号と関連度との関係を示すグラフである。図８は、第１実施形態に係る教師信号の設定例を示す表である。

ステップＳ２１において、検出領域設定部１１３は、画像３００の中に教師信号を設定すべき検出領域３４０を設定する。設定可能な検出領域３４０の例が図６に示されている。図６の例では、検出領域３４０の候補として、画像３００の中に３行３列に配列された９個の検出領域３４０が領域１乃至領域９として示されている。本ステップでは、例えば、領域１乃至領域９の中から１つを選択して、教師信号を設定すべき検出領域３４０として設定する。以下の説明においては領域１が選択されたものとする。図６に示されるように、領域１、領域２、領域３、領域４及び領域７は、対象領域３３０と重複していない。これに対し、領域５、領域６、領域８及び領域９は、対象領域３３０と一部が重複している。なお、処理の効率化、領域を隙間なく配列しやすい点等に鑑みて、検出領域３４０は矩形であることが好ましい。

ステップＳ２２において、関連度算出部１１４は、関連度の算出のため、対象領域記憶部１３０から対象領域３３０を読み出して取得する。ステップＳ２３において、関連度算出部１１４は、ステップＳ２１で設定された検出領域３４０とステップＳ２２で読み出された対象領域３３０との関連度を算出する。関連度は、例えば、検出領域３４０と対象領域３３０が重複する部分の面積に応じた値とすることができる。より具体的には、検出領域３４０に占める検出領域３４０と対象領域３３０との重複部分の面積の割合を関連度とすることができる。この場合、領域１は、対象領域３３０と重複していないため、重複する面積の割合は０であり、関連度は０と算出される。

ステップＳ２４において、教師信号算出部１１５は、関連度算出部１１４で算出された関連度に基づいて、教師信号を算出する。教師信号は、学習用の画像中の検出領域３４０に、検出対象３１０がどの程度含まれるかを示す、画像認識を学習する上での教師となる信号である。本実施形態では、図７に示すような、ロジスティック関数に基づいて関連度から教師信号を算出する。ロジスティック関数は、以下の式１に示される関数である。

式１において、ｘは関連度を示しており、ｙは教師信号を示している。ａ、ｂ及びｃは、ロジスティック関数の形状を決定するパラメータである。本実施形態では、関連度が０のときに教師信号の値が０に近い値となり、関連度が１のときに教師信号の値が１に近い値となるようにａ、ｂ及びｃの値を設定している。領域１については、関連度が０であるため、教師信号の値はほぼ０である。本実施形態では、この値を０．００１とする。

なお、教師信号の算出に用いられる関数は、少なくとも、検出領域３４０と対象領域３３０とが完全に重複している場合、重複していない場合、一部重複している場合のそれぞれを示す三値をとり得る関数であればよい。言い換えると、当該関数は、上記の３つの場合を含むパターン分類に相当するものであってもよい。しかしながら、検出領域３４０と対象領域３３０との重複度合いをより精度よく教師信号に反映させるため、この関数は関連度を変数とする連続関数であることが好ましい。ロジスティック関数は、ほぼ０からほぼ１までの間の値を連続的にとり得る関数であるため、この条件を満たしており好ましい。教師信号の算出に用いられる関数は、ロジスティック関数に限定されるものではなく、例えば、双曲線正接関数、線形関数等を用いた関数であってもよい。

ステップＳ２５において、教師信号設定部１１６は、教師信号算出部１１５で算出された教師信号を、検出領域設定部１１３で設定された検出領域３４０に設定する。本例では、教師信号設定部１１６は、領域１に対応する教師信号として０．００１の値を設定する。この教師信号は、領域１に検出対象３１０が含まれていないことを示している。

ステップＳ２６において、ＣＰＵ２０１は、画像３００の中に教師信号を設定すべき他の領域があるかどうかを判断する。この判断は、例えば、ユーザからの入力に基づくものであってもよく、ＣＰＵ２０１が、事前に設定された領域に関する情報を記憶媒体２０４等から読み出すことにより判断するものであってもよい。教師信号を設定すべき他の領域がある場合（ステップＳ２６においてＹＥＳ）、再びステップＳ２１の処理が行われる。教師信号を設定すべき他の領域がない場合（ステップＳ２６においてＮＯ）、教師信号の設定動作は終了する。教師信号の設定が終了すると、教師信号及び画像３００は、学習データとして学習データ記憶部１４０に記憶される。この学習データは学習部１５０での機械学習に用いられる。

上述の領域１から領域９のうちの複数、あるいはすべてについてステップＳ２１からステップＳ２６の処理を繰り返して順次教師信号を設定してもよい。この場合、画像３００上に領域をスライディングさせるようにして順次処理を行う、いわゆるスライディングウィンドウによって、教師信号の設定が行われ得る。図８は、領域１から領域９のすべてに教師信号を設定した場合の設定例を示す表である。領域１、領域２、領域３、領域４及び領域７の教師信号の値は、対象領域３３０と重複していないため、ほぼ０である０．００１となっている。領域５、領域６、領域８及び領域９の教師信号の値は、対象領域３３０と一部が重複しているため、０．００１よりも大きく、１よりも小さい値となっている。また、教師信号の値は、大きいほど検出領域３４０と対象領域３３０との重複度合いが大きいことを示している。

以下、本実施形態において、０付近の値及び１付近の値だけでなく、これらの間の値を含む三値以上の値をとり得る教師信号を設定する理由をより詳細に説明する。

教師信号が０と１等の二値の場合、検出領域に検出対象が含まれる画像と全く含まれない画像を判別する学習を行わせることとなるため、学習データの検出領域には、検出対象が十分に含まれている領域と全く含まれない領域を設定することとなる。このような学習データに基づく機械学習で得られた学習モデルを用いて画像認識を行うと、画像認識時の検出領域に検出対象の一部のみが含まれるような状態（言い換えると検出対象の一部が欠損した状態）での検出精度が不十分となり得る。この場合において、十分な検出精度を得るため、検出対象の全部が含まれるように検出領域を大きくする手法も考えられる。しかしながら、検出領域が過大となるため、例えばスライディングウィンドウを用いた場合にはスライディングの幅が小さくなることにより、検出時間が長くなる等の弊害がある。

これに対し本実施形態では、０及び１付近の値だけでなく、これらの間の値を含む三値以上の値をとり得る教師信号を設定するため、検出領域に検出対象の一部のみが含まれるような状態を設定可能である。このような学習データを用いることにより、上述のような画像認識時に検出対象の一部が欠損するような状態に適応した学習を行うことができ、上述の問題による影響を低減することができる。

したがって、本実施形態によれば、機械学習用の教師信号をより好適に設定することができる画像処理装置（例えば、画像認識システム、機械学習システム、及びこれらに含まれ得る学習データの生成装置）を提供することができる。

［第２実施形態］
上述の実施形態において説明した装置は以下のようにも構成することができる。図９は、第２実施形態に係る画像処理装置５００の機能ブロック図である。画像処理装置５００は、機械学習に用いられる学習用の画像を取得する取得部５０１を備える。更に、画像処理装置５００は、画像に対して、検出対象を含む対象領域を設定する対象領域設定部５０２を備える。更に、画像処理装置５００は、画像に対して、教師信号を設定すべき検出領域を設定する検出領域設定部５０３を備える。更に、画像処理装置５００は、検出領域に対して、検出領域と、対象領域との関連度に応じた三値以上の値をとり得る教師信号を設定する教師信号設定部５０４を備える。

本実施形態によれば、機械学習用の教師信号をより好適に設定することができる画像処理装置を提供することができる。

［変形実施形態］
本発明は、上述の実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲において適宜変更可能である。

また、上述の実施形態の機能を実現するように該実施形態の構成を動作させるプログラムを記憶媒体に記録させ、記憶媒体に記録されたプログラムをコードとして読み出し、コンピュータにおいて実行する処理方法も各実施形態の範疇に含まれる。すなわち、コンピュータ読取可能な記憶媒体も各実施形態の範囲に含まれる。また、上述のプログラムが記録された記憶媒体だけでなく、そのプログラム自体も各実施形態に含まれる。また、上述の実施形態に含まれる１又は２以上の構成要素は、各構成要素の機能を実現するように構成されたＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の回路であってもよい。

該記憶媒体としては例えばフロッピー（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ（Compact Disk）−ＲＯＭ、磁気テープ、不揮発性メモリカード、ＲＯＭを用いることができる。また該記憶媒体に記録されたプログラム単体で処理を実行しているものに限らず、他のソフトウェア、拡張ボードの機能と共同して、ＯＳ（Operating System）上で動作して処理を実行するものも各実施形態の範疇に含まれる。

なお、上述の実施形態は、いずれも本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、又はその主要な特徴から逸脱することなく、様々な形で実施することができる。

上述の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

（付記１）
機械学習に用いられる学習用の画像を取得する取得部と、
前記画像に対して、検出対象を含む対象領域を設定する対象領域設定部と、
前記画像に対して、教師信号を設定すべき検出領域を設定する検出領域設定部と、
前記検出領域に対して、前記検出領域と、前記対象領域との関連度に応じた三値以上の値をとり得る教師信号を設定する教師信号設定部と、
を備えることを特徴とする画像処理装置。

（付記２）
前記関連度は、前記検出領域と前記対象領域とが重複する部分の面積に応じた値であることを特徴とする付記１に記載の画像処理装置。

（付記３）
前記教師信号は、前記関連度を変数とする連続関数により算出された値であることを特徴とする付記１又は２に記載の画像処理装置。

（付記４）
前記連続関数は、ロジスティック関数であることを特徴とする付記３に記載の画像処理装置。

（付記５）
前記検出領域設定部は、スライディングウィンドウにより前記検出領域を設定することを特徴とする付記１乃至４のいずれか１項に記載の画像処理装置。

（付記６）
前記対象領域は、少なくとも一部が前記検出対象と外接する形状であることを特徴とする付記１乃至５のいずれか１項に記載の画像処理装置。

（付記７）
前記対象領域は、矩形であることを特徴とする付記１乃至６のいずれか１項に記載の画像処理装置。

（付記８）
前記検出領域は、矩形であることを特徴とする付記１乃至７のいずれか１項に記載の画像処理装置。

（付記９）
機械学習に用いられる学習用の画像を取得するステップと、
前記画像に対して、検出対象を含む対象領域を設定するステップと、
前記画像に対して、教師信号を設定すべき検出領域を設定するステップと、
前記検出領域に対して、前記検出領域と、前記対象領域との関連度に応じた三値以上の値をとり得る教師信号を設定するステップと、
を備えることを特徴とする画像処理方法。

（付記１０）
コンピュータに、
機械学習に用いられる学習用の画像を取得するステップと、
前記画像に対して、検出対象を含む対象領域を設定するステップと、
前記画像に対して、教師信号を設定すべき検出領域を設定するステップと、
前記検出領域に対して、前記検出領域と、前記対象領域との関連度に応じた三値以上の値をとり得る教師信号を設定するステップと、
を実行させることを特徴とするプログラムが記録された記録媒体。

この出願は、２０１７年３月１４日に出願された日本出願特願２０１７−０４８３２１を基礎とする優先権を主張し、その開示の全てをここに取り込む。

１１０ 学習データ生成部
１１１ 画像取得部
１１２、５０２ 対象領域設定部
１１３、５０３ 検出領域設定部
１１４ 関連度算出部
１１５ 教師信号算出部
１１６、５０４ 教師信号設定部
１２０ 画像記憶部
１３０ 対象領域記憶部
１４０ 学習データ記憶部
１５０ 学習部
１６０ 学習モデル記憶部
２００ コンピュータ
２０１ ＣＰＵ
２０２ ＲＡＭ
２０３ ＲＯＭ
２０４ 記憶媒体
２０５ 入力装置
２０６ 表示装置
２０７ ネットワークインターフェース
３００ 画像
３１０ 検出対象
３２０ 指定領域
３３０ 対象領域
３４０ 検出領域
５００ 画像処理装置
５０１ 取得部

Claims (9)

1. 機械学習に用いられる学習用の画像を取得する取得部と、
   前記画像に対して、検出対象を含む対象領域を設定する対象領域設定部と、
   前記画像に対して、教師信号を設定すべき検出領域を設定する検出領域設定部と、
   前記検出領域に対して、前記検出領域と、前記対象領域との関連度に応じた三値以上の値をとり得る教師信号を設定する教師信号設定部と、
   を備え、
   前記教師信号は、前記関連度を変数とする連続関数により算出された値であることを特徴とする画像処理装置。
2. 前記関連度は、前記検出領域と前記対象領域とが重複する部分の面積に応じた値であることを特徴とする請求項１に記載の画像処理装置。
3. 前記連続関数は、ロジスティック関数であることを特徴とする請求項１又は２に記載の画像処理装置。
4. 前記検出領域設定部は、スライディングウィンドウにより前記検出領域を設定することを特徴とする請求項１乃至３のいずれか１項に記載の画像処理装置。
5. 前記対象領域は、少なくとも一部が前記検出対象と外接する形状であることを特徴とする請求項１乃至４のいずれか１項に記載の画像処理装置。
6. 前記対象領域は、矩形であることを特徴とする請求項１乃至５のいずれか１項に記載の画像処理装置。
7. 前記検出領域は、矩形であることを特徴とする請求項１乃至６のいずれか１項に記載の画像処理装置。
8. 機械学習に用いられる学習用の画像を取得するステップと、
   前記画像に対して、検出対象を含む対象領域を設定するステップと、
   前記画像に対して、教師信号を設定すべき検出領域を設定するステップと、
   前記検出領域に対して、前記検出領域と、前記対象領域との関連度に応じた三値以上の値をとり得る教師信号を設定するステップと、
   を備え、
   前記教師信号は、前記関連度を変数とする連続関数により算出された値であることを特徴とする画像処理方法。
9. コンピュータに、
   機械学習に用いられる学習用の画像を取得するステップと、
   前記画像に対して、検出対象を含む対象領域を設定するステップと、
   前記画像に対して、教師信号を設定すべき検出領域を設定するステップと、
   前記検出領域に対して、前記検出領域と、前記対象領域との関連度に応じた三値以上の値をとり得る教師信号を設定するステップと、
   を実行させるプログラムであって、
   前記教師信号は、前記関連度を変数とする連続関数により算出された値であることを特徴とするプログラム。