JP7103229B2 - 不審度推定モデル生成装置 - Google Patents

Description

本発明は、不審度推定モデル生成装置、不審度推定モデル生成方法、不審度推定装置、不審度推定方法、プログラム、不審度推定システム、カメラに関し、特に、顔画像から特徴量を抽出して所定の推定を行う不審度推定モデル生成装置、不審度推定モデル生成方法、不審度推定装置、不審度推定方法、プログラム、不審度推定システム、カメラに関する。

顔画像を処理して当該顔画像の人物の属性を推定する技術が知られている。

例えば、特許文献１には、顔領域抽出手段と、特徴量抽出手段と、登録情報保持手段と、制御手段と、を有する顔画像認識装置が記載されている。具体的には、登録情報保持手段は、各年齢層の特徴を示す固有ベクトル等である基準特徴量を保持している。そして、制御手段は、特徴量抽出手段により抽出された特徴量と基準特徴量とを比較して、最も類似度が高いとされた年齢層をその被験者の年齢と判定する。特許文献１によると、このような構成により、顔画像に基づいて被験者の属性である年齢を推定して、例えば、所定年齢以上の場合に操作を許可する、などの制御を行うことが可能となる。

なお、本発明と技術分野が異なる、商取引分野の先行技術に、例えば、特許文献２がある。特許文献２には、画像取得手段と、顔画像抽出手段と、商品情報が関連付けられたグループ情報が記憶されたデータベースと、利用者の特徴量とグループ情報とを照合し、商品情報を特定する特徴量照合手段と、を有する情報提供システムが記載されている。特許文献２によると、上記構成により、利用者に娯楽性の高い商品情報を提供することが出来る。

特許第４５２１０８６号公報 特開２０１０－１９８１９９号公報

特許文献１に記載されている技術の場合、特徴量抽出手段により抽出された特徴量と基準特徴量とを比較して、最も類似度が高いとされた年齢層をその被験者の年齢と判定する。このような処理を行うため、特許文献１に記載されている技術では、顔画像に基づいて顔画像の持ち主の属性である年齢を推定するためには、顔画像の特徴量と比較する各年齢の固有ベクトルなどの基準特徴量を予め保持していることが必要となる。換言すると、特許文献１に記載されている技術の場合、推定対象の属性である各年齢層の定義が予め行われていないと、顔画像の人物の属性を推定することが出来ない。従って、特許文献１に記載されている技術では、クラス定義が困難な属性を推定することが難しかった。

このように、顔画像から抽出した特徴量に基づいて、クラス定義が困難な属性を推定することは難しかった。そのため、例えば、顔画像に基づいて人物の不審度などクラス定義が困難な属性を推定することは難しく、顔画像に基づいて予め要注意人物として登録されていない不審者を検知することが難しい、という問題が生じていた。

そこで、本発明の目的は、顔画像に基づいて、予め要注意人物として登録されていない不審者を検知することが難しい、という問題を解決する不審度推定モデル生成装置、不審度推定モデル生成方法、不審度推定装置、不審度推定方法、プログラム、不審度推定システム、カメラを提供することにある。

かかる目的を達成するため本発明の一形態である不審度推定モデル生成装置は、
入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングするクラスタリング手段と、
前記クラスタリング手段によるクラスタリング結果と、前記クラスタリング結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する不審度推定モデル生成手段と、
を有する
という構成を採る。

また、本発明の他の形態である不審度推定モデル生成方法は、
入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングし、
クラスタリングした結果と、クラスタリングした結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する
という構成を採る。

また、本発明の他の形態であるプログラムは、
情報処理装置に、
入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングするクラスタリング手段と、
前記クラスタリング手段によるクラスタリング結果と、前記クラスタリング結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する不審度推定モデル生成手段と、
を実現させるためのプログラムである。

また、本発明の他の形態である不審度推定装置は、
推定対象の人物の顔領域から特徴量を抽出する特徴量抽出手段と、
前記特徴量抽出手段により抽出された前記特徴量と、予め生成された不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する不審度推定手段と、
を有し、
前記不審度推定モデルは、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている
という構成を採る。

また、本発明の他の形態である不審度推定方法は、
推定対象の人物の顔領域から特徴量を抽出し、
抽出された前記特徴量と、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果と前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報とに基づいて予め生成された不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する
という構成を採る。

また、本発明の他の形態であるプログラムは、
情報処理装置に、
推定対象の人物の顔領域から特徴量を抽出する特徴量抽出手段と、
前記特徴量抽出手段により抽出された前記特徴量と、予め生成された不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する不審度推定手段と、
を実現させ、
前記不審度推定モデルは、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されているプログラムである。

また、本発明の他の形態である不審度推定システムは、
入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングするクラスタリング手段と、
前記クラスタリング手段によるクラスタリング結果と、前記クラスタリング結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する不審度推定モデル生成手段と、
を有する不審度推定モデル生成装置と、
推定対象の人物の顔領域から特徴量を抽出する特徴量抽出手段と、
前記特徴量抽出手段により抽出された前記特徴量と、前記不審度推定モデル生成装置が生成した前記不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する不審度推定手段と、を有する不審度推定装置と、
を有する
という構成を採る。

また、本発明の他の形態であるカメラは、
撮像手段を有するカメラであって、
前記撮像手段により撮像された推定対象の人物の顔領域から特徴量を抽出する特徴量抽出手段と、
前記特徴量抽出手段により抽出された前記特徴量と、予め生成された不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する不審度推定手段と、
を有し、
前記不審度推定モデルは、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている
という構成を採る。

本発明は、以上のように構成されることにより、顔画像に基づいて、予め要注意人物として登録されていない不審者を検知することが難しい、という問題を解決する不審度推定装置、不審度推定モデル生成装置、不審度推定方法、不審度推定モデル生成方法、プログラム、不審度推定システム、カメラを提供することが可能となる。

本発明の第１の実施形態に係る不審度推定システムの全体の構成の一例を示す図である。 図１で示す不審度推定モデル生成装置の構成の一例を示すブロック図である。 図２で示す顔不審度情報の一例を示す図である。 図１で示すカメラの構成の一例を示すブロック図である。 図１で示す不審度推定装置の構成の一例を示すブロック図である。 不審度推定モデル生成装置が不審度推定モデルを生成する際の処理の一例を示すフローチャートである。 不審度推定装置が人物の不審度を推定する際の処理の一例を示すフローチャートである。 本発明の第２の実施形態に係る不審度推定システムの全体の構成の一例を示す図である。 図８で示す不審度推定モデル生成装置の構成の一例を示すブロック図である。 図９で示す付加情報付顔不審度情報の一例を示す図である。 図８で示す不審度推定装置の構成の一例を示すブロック図である。 不審度推定モデル生成装置が不審度推定モデルを生成する際の処理の一例を示すフローチャートである。 不審度推定装置が人物の不審度を推定する際の処理の一例を示すフローチャートである。 本発明の第３の実施形態に係る不審度推定モデル生成装置の構成の一例を示す概略ブロック図である。 本発明の第３の実施形態に係る不審度推定装置の構成の一例を示す概略ブロック図である。

［第１の実施形態］
本発明の第１の実施形態を図１乃至図７を参照して説明する。図１は、不審度推定システム１の全体の構成の一例を示す図である。図２は、不審度推定モデル生成装置２の構成の一例を示すブロック図である。図３は、顔不審度情報２４１の一例を示す図である。図４は、カメラ３の構成の一例を示すブロック図である。図５は、不審度推定装置４の構成の一例を示すブロック図である。図６は、不審度推定モデル生成装置２が不審度推定モデル２４２を生成する際の処理の一例を示すフローチャートである。図７は、不審度推定装置４が人物の不審度を推定する際の処理の一例を示すフローチャートである。

第１の実施形態では、カメラ３で撮像した人物の不審度を推定する不審度推定システム１について説明する。後述するように、不審度推定システム１は、予め生成された不審度推定モデル２４２を有している。そして、不審度推定システム１は、カメラ３が撮像した画像データ中の人物の顔領域より抽出した特徴量と、不審度推定モデル２４２と、に基づいて、カメラ３が撮像した人物の不審度を判断する。本実施形態においては、不審度推定モデル２４２は、例えば、予め用意された顔画像を当該顔画像から抽出した顔の特徴量に基づいてクラスタリングした結果と、顔画像に対応付けられた不審度情報と、に基づいて生成されている。このように、人物の属性である不審度などを用いずに顔特徴量のみを用いてクラスタリングを行った結果に基づいて不審度推定モデル２４２を生成することで、クラス定義を行うことが困難な不審度などの属性の推定を行うことが可能となる。

図１は、不審度推定システム１の全体の構成の一例を示している。図１を参照すると、不審度推定システム１は、不審度推定モデル生成装置２と、カメラ３と、不審度推定装置４と、を有している。図１で示すように、カメラ３と不審度推定装置４とは、互いに通信可能なよう接続されている。また、不審度推定装置４と不審度推定モデル生成装置２とは、互いに通信可能なよう接続されている。なお、カメラ３と不審度推定装置４、不審度推定装置４と不審度推定モデル生成装置２は、それぞれ、図示しないネットワークを介して接続されていても構わない。

不審度推定モデル生成装置２は、情報処理装置である。不審度推定モデル生成装置２は、例えば、予め格納された顔不審度情報２４１に基づいて、不審度推定モデル２４２を生成する。そして、不審度推定モデル生成装置２は、生成した不審度推定モデル２４２を不審度推定装置４に送信する。

図２は、不審度推定モデル生成装置２が有する主な構成の一例である。図２を参照すると、不審度推定モデル生成装置２は、主な構成要素として、例えば、通信Ｉ／Ｆ部２１と、操作入力部２２と、画面表示部２３と、記憶部２４と、演算処理部２５と、を有している。

通信Ｉ／Ｆ部２１は、データ通信回路からなり、通信回線を介して接続された各種装置との間でデータ通信を行う機能を有している。不審度推定モデル生成装置２は、通信Ｉ／Ｆ部２１を介して、不審度推定装置４や図示しない外部の装置と情報の送受信を行うことが出来る。

操作入力部２２は、キーボードやマウスなどの操作入力装置である。操作入力部２２は、不審度推定モデル生成装置２を操作する操作者による操作入力装置に対する操作を検出して、演算処理部２５に出力する。操作入力部２２の構成は、一般的な構成を採用することが出来る。

画面表示部２３は、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ、液晶ディスプレイ）などの画面表示装置である。画面表示部２３は、演算処理部２５からの指示に応じて、顔不審度情報２４１や不審度推定モデル２４２などの各種情報を画面表示することが出来る。

記憶部２４は、ハードディスクやメモリなどの記憶装置である。記憶部２４は、演算処理部２５における各種処理に必要な処理情報やプログラム２４３を記憶している。プログラム２４３は、演算処理部２５に読み込まれて実行されることにより各種処理部を実現するプログラムである。プログラム２４３は、通信Ｉ／Ｆ部２１などのデータ入出力機能を介して外部装置（図示せず）や記憶媒体（図示せず）から予め読み込まれ、記憶部２４に保存されている。記憶部２４で記憶される主な情報としては、顔不審度情報２４１と、不審度推定モデル２４２と、がある。

顔不審度情報２４１は、人物の顔を含む画像データである顔画像と当該顔画像の人物の不審度を示す不審度情報とを対応付けた情報である。顔不審度情報２４１は、例えば、通信Ｉ／Ｆ部２１を介して外部のデータベースなどから予め取得されていたり、操作入力部２２を用いて予め入力されていたりする。

図３を参照すると、顔不審度情報２４１は、識別情報と、顔画像と、不審度情報と、を対応付けている。例えば、図３の１行目は、識別情報「１」と、顔画像「Ａ」と、不審度情報「ａ」と、を対応付けている。換言すると、図３の１行目は、顔画像が「Ａ」の人物の不審度が「ａ」であることを示している。

ここで、図３中の識別情報とは、例えば、顔画像ごとに予め割り当てられた情報である。識別情報は、顔画像や顔画像と不審度情報とを対応づけた情報を識別するために用いることが出来る。また、図３中の顔画像は、人物の顔やその周辺を撮像した画像データであり、カメラ３や図示しない他の撮像装置などにより予め撮像されている。また、図３中の不審度情報は、例えば、顔画像が示す人物の逮捕歴の有無や指名手配の有無などを示しており、顔画像の人物が要注意人物であるか否かを示している。不審度情報は、上記のように不審度の有無（不審であるか否か）のみを示しても構わないし、例えば過去の罪状など人物の危険度等に応じて複数段階で評価するなど、段階的な評価を示しても構わない。

不審度推定モデル２４２は、後述する顔画像のクラスタリング結果と、クラスタリング結果に含まれる各顔画像に対応付けられた不審度情報と、に基づいて、推定モデル生成手段２５３により生成される推定モデルである。不審度推定モデル２４２は、例えば、クラスタリング結果に含まれる各クラスタや顔画像などと、不審度情報と、を対応付けることで生成される。不審度推定モデル２４２は、通信Ｉ／Ｆ部２１を介して不審度推定装置４に送信される。不審度推定モデル２４２は、不審度推定装置４において、カメラ３が取得した、不審度情報が不明である顔画像の人物の不審度を推定する際に用いられることになる。

演算処理部２５は、ＭＰＵ（Micro-Processing Unit）などのマイクロプロセッサとその周辺回路を有する。演算処理部２５は、記憶部２４からプログラム２４３を読み込んで実行することにより、上記ハードウェアとプログラム２４３とを協働させて各種処理部を実現する。演算処理部２５で実現される主な処理部としては、例えば、顔特徴量抽出手段２５１と、クラスタリング手段２５２と、推定モデル生成手段２５３（不審度推定モデル生成手段）と、がある。

顔特徴量抽出手段２５１は、顔不審度情報２４１に含まれる各顔画像から当該顔画像が示す人物の顔の（顔領域の）特徴量をそれぞれ抽出する。そして、顔特徴量抽出手段２５１は、抽出した特徴量を示す情報をクラスタリング手段２５２に送信する。

例えば、顔特徴量抽出手段２５１は、顔不審度情報２４１から、顔画像を取得する。続いて、顔特徴量抽出手段２５１は、取得した顔画像のうちの人物の顔領域を抽出する。そして、顔特徴量抽出手段２５１は、抽出した顔領域に含まれる目、鼻、口などの特徴点の特徴量を抽出する。その後、顔特徴量抽出手段２５１は、抽出した特徴量を１つにまとめて特徴ベクトルを算出する。

このように、顔特徴量抽出手段２５１は、顔不審度情報２４１に含まれる顔画像から当該顔画像の特徴量である特徴ベクトルを算出する。その後、顔特徴量抽出手段２５１は、算出した特徴ベクトルを顔画像の特徴量としてクラスタリング手段２５２に送信する。なお、本実施形態においては、顔特徴量抽出手段２５１が顔領域を抽出する際や特徴点の特徴量を抽出する際、特徴ベクトルを算出する際の具体的な手法については特に限定しない。顔特徴量抽出手段２５１は、既知の様々な手法を用いて、特徴ベクトルを算出することが出来る。

クラスタリング手段２５２は、顔特徴量抽出手段２５１から受信した特徴ベクトルを用いて、顔不審度情報２４１に含まれる各顔画像をクラスタリングする。この際、クラスタリング手段２５２は、顔不審度情報２４１に含まれる不審度情報を利用しないでクラスタリングを行う。このように、クラスタリング手段２５２は、不審度情報を用いずに顔画像より抽出した特徴量（特徴ベクトル）のみを用いて、特徴量の近似度により顔不審度情報２４１に含まれる顔画像のクラスタリングを行う。換言すると、クラスタリング手段２５２は、顔画像より抽出した特徴量を用いて顔特徴量の近似度に基づくクラスタを生成して、顔不審度情報２４１に含まれる顔画像を複数のクラスタに分割する。そして、クラスタリング手段２５２は、クラスタリングした結果であるクラスタリング結果を推定モデル生成手段２５３へ送信する。

推定モデル生成手段２５３は、クラスタリング手段２５２によるクラスタリング結果と、クラスタリング結果に含まれる顔画像と予め対応付けられている不審度情報と、に基づいて、不審度推定モデル２４２を生成する。そして、推定モデル生成手段２５３は、生成した不審度推定モデル２４２を、通信Ｉ／Ｆ部２１を介して不審度推定装置４へと送信する。また、推定モデル生成手段２５３は、生成した不審度推定モデル２４２を記憶部２４に格納する。

例えば、推定モデル生成手段２５３は、クラスタリング手段２５２からクラスタリング結果を受信する。また、推定モデル生成手段２５３は、顔不審度情報２４１を参照して、クラスタリング結果に含まれる各顔画像と対応付けられている不審度情報を確認する。そして、推定モデル生成手段２５３は、クラスタリング結果と、不審度情報と、に基づいて、不審度推定モデル２４２を生成する。

例えば、推定モデル生成手段２５３は、クラスタリング結果に含まれる各クラスタと、当該クラスタに含まれる顔画像と対応付けられている不審度情報に基づく不審度情報とを対応付けて、不審度推定モデル２４２を生成する。具体的には、例えば、推定モデル生成手段２５３は、各クラスタと、クラスタに含まれる顔画像と対応付けられている不審度情報の平均とを対応付ける（例えば、不審である＝１、不審でない＝０とみなして平均を算出する）。又は、推定モデル生成手段２５３は、不審である旨の不審度情報が対応付けられた顔画像の数や割合に応じた不審度情報を各クラスタに対応付けて不審度推定モデル２４２を生成する。例えば、推定モデル生成手段２５３は、クラスタ内に所定割合以上の不審であると判定される不審度情報が含まれる場合に、当該クラスタの不審度情報に不審である旨の不審度情報を付与する。

また、推定モデル生成手段２５３は、顔不審度情報２４１を参照して、クラスタリング結果に含まれる各顔画像のそれぞれと、顔画像に対応する不審度情報と、を対応付けて不審度推定モデル２４２を生成する。

このように、推定モデル生成手段２５３は、クラスタリング結果と、不審度情報と、に基づいて、不審度推定モデル２４２を生成する。その後、推定モデル生成手段２５３は、生成した不審度推定モデル２４２を記憶部２４に格納するとともに、通信Ｉ／Ｆ部２１を介して不審度推定装置４へと送信する。なお、推定モデル生成手段２５３は、上記例示した方法のいずれか、又は複数を組み合わせて不審度推定モデル２４２を生成しても構わない。また、推定モデル生成手段２５３は、上記例示した方法以外の方法により、クラスタリング結果と不審度情報とに基づいて不審度推定モデル２４２を生成しても構わない。

カメラ３は、画像データを取得する監視カメラなどの撮像手段である。カメラ３は、例えば、ネットワークカメラ（ＩＰカメラ）やインテリジェントカメラなどであっても良い。カメラ３は、例えば空港などの公共施設や街中、店舗など任意の場所に設置され、設置された箇所の画像データである画像データ情報３３１を取得する。そして、カメラ３は、取得した画像データ情報３３１を不審度推定装置４に送信する。

図４は、カメラ３が有する主な構成の一例である。図４を参照すると、カメラ３は、主な構成要素として、例えば、撮像手段３１と、送受信手段３２と、記憶装置３３と、を有している。

撮像手段３１は、カメラ３が設置された箇所の画像データを取得する。撮像手段３１が取得する画像データには、カメラ３の設置箇所付近を通過する人物の画像データなどが含まれている。撮像手段３１は、取得した画像データを画像データ情報３３１として記憶装置３３に格納する。送受信手段３２は、不審度推定装置４や外部の他の装置と情報の送受信を行う。本実施形態において、カメラ３は、撮像手段３１が取得した画像データ情報３３１を、送受信手段３２を介して不審度推定装置４へと送信する。記憶装置３３は、メモリなどの記憶装置である。記憶装置３３には、画像データ情報３３１などが格納される。

不審度推定装置４は、情報処理装置である。不審度推定装置４は、不審度推定モデル生成装置２から受信した不審度推定モデル２４２と、カメラ３から受信した画像データ情報３３１と、に基づいて、画像データ情報３３１に含まれる人物の不審度を推定する。不審度推定装置４は、推定した不審度を例えば、画面表示部４３に表示したり通信Ｉ／Ｆ部４１を介して外部の装置に送信したりすることが出来る。

図５は、不審度推定装置４が有する主な構成の一例である。図５を参照すると、不審度推定装置４は、主な構成要素として、例えば、通信Ｉ／Ｆ部４１と、操作入力部４２と、画面表示部４３と、記憶部４４と、演算処理部４５と、を有している。

なお、通信Ｉ／Ｆ部４１、操作入力部４２、画面表示部４３は、図２を参照して説明した不審度推定モデル生成装置２が有する通信Ｉ／Ｆ部２１、操作入力部２２、画面表示部２３と同様の構成である。そのため、通信Ｉ／Ｆ部４１、操作入力部４２、画面表示部４３の説明は省略する。

記憶部４４は、ハードディスクやメモリなどの記憶装置である。記憶部４４は、演算処理部４５における各種処理に必要な処理情報やプログラム４４２を記憶している。プログラム４４２は、演算処理部４５に読み込まれて実行されることにより各種処理部を実現するプログラムである。プログラム４４２は、通信Ｉ／Ｆ部４１などのデータ入出力機能を介して外部装置（図示せず）や記憶媒体（図示せず）から予め読み込まれ、記憶部４４に保存されている。記憶部４４で記憶される主な情報としては、例えば、不審度推定モデル２４２と、画像データ情報３３１と、推定結果情報４４１と、がある。

不審度推定モデル２４２は、不審度推定モデル生成装置２において生成された推定モデルである。不審度推定モデル２４２は、通信Ｉ／Ｆ部４１を介して、不審度推定モデル生成装置２から送信されて記憶部４４内に格納されている。

画像データ情報３３１は、カメラ３において取得された画像データである。画像データ情報３３１には、カメラ３が設置された箇所付近を通過する人物の画像データなどが含まれている。画像データ情報３３１は、通信Ｉ／Ｆ部４１を介して、カメラ３から送信されて記憶部４４内に格納されている。

推定結果情報４４１は、不審度推定手段４５２により推定された、カメラ３が取得した画像データ情報３３１に含まれる人物（推定対象の人物）の不審度を示す情報である。推定結果情報４４１は、例えば、顔不審度情報２４１と同様の構造を有しており、画像データ情報３３１に含まれる人物を識別するための情報（例えば、当該人物を含む画像データ）と、不審度推定手段４５２により推定された推定結果と、を対応づけた情報を含んでいる。後述するように、推定結果情報４４１は、画面表示部４３に表示したり、通信Ｉ／Ｆ部４１を介して外部の装置へと送信したりすることが出来る。

このように、不審度推定装置４が有する記憶部４４には、不審度推定モデル生成装置２が生成した不審度推定モデル２４２とカメラ３が取得した画像データ情報３３１とが格納されている。

演算処理部４５は、ＭＰＵなどのマイクロプロセッサとその周辺回路を有する。演算処理部４５は、記憶部４４からプログラム４４２を読み込んで実行することにより、上記ハードウェアとプログラム４４２とを協働させて各種処理部を実現する。演算処理部４５で実現される主な処理部としては、例えば、顔特徴量抽出手段４５１（特徴量抽出手段）と、不審度推定手段４５２と、がある。

顔特徴量抽出手段４５１は、画像データ情報３３１に含まれる人物（推定対象の人物）の顔の特徴量を抽出する。そして、顔特徴量抽出手段４５１は、抽出した顔の特徴量を示す情報を不審度推定手段４５２に送信する。

例えば、顔特徴量抽出手段４５１は、画像データ情報３３１を参照して、当該画像データ情報３３１に含まれる人物を抽出する。続いて、顔特徴量抽出手段４５１は、抽出した人物の顔領域を抽出する。そして、顔特徴量抽出手段４５１は、抽出した顔領域に含まれる目、鼻、口などの特徴点の特徴量を抽出する。その後、顔特徴量抽出手段４５１は、抽出した特徴量を１つにまとめて特徴ベクトルを算出する。

このように、顔特徴量抽出手段４５１は、不審度推定モデル生成装置２が有する顔特徴量抽出手段２５１と同様に、人物の顔領域から顔の特徴量である特徴ベクトルを算出する。その後、顔特徴量抽出手段４５１は、算出した特徴ベクトルを抽出した人物の顔の特徴量として不審度推定手段４５２に送信する。なお、本実施形態においては、顔特徴量抽出手段４５１が画像データ情報３３１から人物を抽出する際や顔領域を抽出する際、特徴点の特徴量を抽出する際、特徴ベクトルを算出する際の具体的な手法については特に限定しない。顔特徴量抽出手段４５１は、既知の様々な手法を用いて、特徴ベクトルを算出することが出来る。ただし、顔特徴量抽出手段４５１は、顔特徴量抽出手段２５１と同様の手法により特徴ベクトルを算出することが望ましい。

不審度推定手段４５２は、顔特徴量抽出手段４５１から受信した特徴ベクトルと、記憶部４４に格納された不審度推定モデル２４２と、に基づいて、特徴ベクトル抽出元の人物の不審度を推定する。そして、不審度推定手段４５２は、推定結果を推定結果情報４４１として記憶部４４に格納する。また、不審度推定手段４５２は、推定結果を画面表示部４３に表示したり、通信Ｉ／Ｆ部４１を介して外部装置に送信したりすることが出来る。

例えば、不審度推定手段４５２は、顔特徴量抽出手段４５１から特徴ベクトルを受信する。また、不審度推定手段４５２は、記憶部４４から不審度推定モデル２４２を取得する。そして、不審度推定手段４５２は、受信した特徴ベクトルと特徴が近いクラスタや顔画像を特定し、当該クラスタや顔画像に対応付けられた不審度情報から特徴ベクトル抽出元の人物の不審度を推定する。

具体的には、例えば、不審度推定手段４５２は、受信した特徴ベクトルと不審度推定モデル２４２に含まれる各要素（各顔画像から抽出した特徴量）との間の距離を算出する。そして、不審度推定手段４５２は、顔特徴が最も似ている人物（例えば、特徴量間の距離が最も近い顔画像）の不審度情報を、特徴ベクトル抽出元の人物の不審度情報であるとする。又は、不審度推定手段４５２は、顔特徴が似ている複数人を選別し、特徴が似ている複数人の不審度情報の平均を、特徴ベクトル抽出元の人物の不審度情報であるとする。つまり、不審度推定手段４５２は、特徴量間の距離が近い複数の特徴量の顔画像に対応付けられている不審度情報に基づいて、特徴ベクトル抽出元の人物の不審度情報を推定する。不審度推定手段４５２は、特徴が似ている複数人の中の不審度情報の割合に応じて不審度情報を特定しても構わない。又は、不審度推定手段４５２は、受信した特徴ベクトルと不審度推定モデル２４２に含まれる各要素との間の距離に基づいて、特徴ベクトルが属するクラスタを特定する。そして、不審度推定手段４５２は、特定したクラスタに対応付けられている不審度情報を、特徴ベクトル抽出元の人物の不審度情報であるとする。

このように、不審度推定手段４５２は、特徴ベクトルと不審度推定モデル２４２とに基づいて、特徴ベクトル抽出元の人物の不審度を推定する。その後、不審度推定手段４５２は、推定した不審度を推定結果情報４４１として、記憶部４４に格納したり、画面表示部４３に表示したりする。

なお、不審度推定手段４５２は、上記例示した方法のいずれか、又は、組み合わせにより、特徴ベクトル抽出元の人物の不審度を推定するよう構成することが出来る。例えば、不審度推定手段４５２は、顔特徴が最も似ている人物の不審度情報又は顔特徴が似ている複数人の不審度情報の平均と、特徴ベクトルが属するクラスタに対応付けられている不審度情報と、に基づいて特徴ベクトル抽出元の推定対象の人物の不審度を推定するよう構成しても構わない。

以上が、不審度推定システム１が有する各構成の一例についての説明である。続いて、図６、図７を参照して、不審度推定モデル生成装置２による処理と不審度推定装置４による処理の一例について説明する。

まず、図６を参照して、不審度推定モデル生成装置２が不審度推定モデル２４２を生成する際の処理の一例について説明する。

図６を参照すると、不審度推定モデル生成装置２の顔特徴量抽出手段２５１は、顔不審度情報２４１に含まれる各顔画像から当該顔画像の顔の特徴量である特徴ベクトルをそれぞれ抽出する（ステップＳ１０１）。そして、顔特徴量抽出手段２５１は、抽出した特徴ベクトルを示す情報をクラスタリング手段２５２に送信する。

クラスタリング手段２５２は、顔特徴量抽出手段２５１から受信した特徴ベクトルを用いて、顔不審度情報２４１に含まれる各顔画像をクラスタリングする（ステップＳ１０２）。この際、クラスタリング手段２５２は、顔不審度情報２４１に含まれる不審度情報を利用しないでクラスタリングを行う。その後、クラスタリング手段２５２は、クラスタリングした結果であるクラスタリング結果を推定モデル生成手段２５３へ送信する（ステップＳ１０２）。

推定モデル生成手段２５３は、クラスタリング手段２５２からクラスタリング結果を受信する。また、推定モデル生成手段２５３は、顔不審度情報２４１を参照して、クラスタリング結果に含まれる各顔画像と対応付けられている不審度情報を確認する。そして、推定モデル生成手段２５３は、クラスタリング結果と、不審度情報と、に基づいて、不審度推定モデル２４２を生成する（ステップＳ１０３）。その後、推定モデル生成手段２５３は、生成した不審度推定モデル２４２を記憶部２４に格納したり、通信Ｉ／Ｆ部２１を介して不審度推定装置４へ送信したりする。

以上が、不審度推定モデル生成装置２が不審度推定モデル２４２を生成する際の処理の一例である。続いて、図７を参照して、不審度推定装置４が人物の不審度を推定する際の処理の一例について説明する。

図７を参照すると、不審度推定装置４の顔特徴量抽出手段４５１は、画像データ情報３３１から当該画像データ情報３３１に含まれる人物（推定対象の人物）を抽出する（ステップＳ２０１）。また、顔特徴量抽出手段４５１は、抽出した人物の顔領域の特徴量である特徴ベクトルを抽出する（ステップＳ２０２）。そして、顔特徴量抽出手段４５１は、抽出した特徴ベクトルを示す情報を不審度推定手段４５２に送信する。

不審度推定手段４５２は、顔特徴量抽出手段４５１から特徴ベクトルを受信する。また、不審度推定手段４５２は、記憶部４４から不審度推定モデル２４２を取得する。そして、不審度推定手段４５２は、特徴ベクトルと不審度推定モデル２４２とに基づいて、画像データ情報３３１が示す顔画像の人物の不審度を推定する（ステップＳ２０３）。その後、不審度推定手段４５２は、推定した不審度を推定結果情報４４１として、記憶部４４に格納したり、画面表示部４３に表示したりする。

以上が、不審度推定装置４が人物の不審度を推定する際の処理の一例である。

このように、本実施形態における不審度推定モデル生成装置２は、顔特徴量抽出手段２５１とクラスタリング手段２５２と推定モデル生成手段２５３とを有している。このような構成により、クラスタリング手段２５２は、顔特徴量抽出手段２５１が抽出した特徴量のみを用いて顔画像のクラスタリングを行うことが出来る。また、推定モデル生成手段２５３は、特徴量のみを用いて行われたクラスタリング結果と、クラスタリング結果に含まれる顔画像と予め対応付けられている不審度情報と、に基づいて、不審度推定モデル２４２を生成することが出来る。その結果、不審度推定モデル生成装置２は、不審度の定義を行うことなく不審度推定モデル２４２を生成することが可能となり、クラス定義を行うことが困難な不審度を推定する際に用いることが可能な不審度推定モデル２４２を生成することが可能となる。

また、本実施形態における不審度推定装置４は、顔特徴量抽出手段４５１と不審度推定手段４５２とを有しており、不審度推定モデル生成装置２から不審度推定モデル２４２を受信するよう構成されている。このような構成により、不審度推定手段４５２は、特徴量抽出手段４５１が抽出した特徴量と、不審度推定モデル生成装置２から受信した不審度推定モデル２４２と、に基づいて、顔特徴量抽出手段４５１が特徴量を抽出した人物の不審度を推定することが可能となる。つまり、上記構成によると、クラス定義を行うことが困難な不審度を推定することが可能となる。

なお、本実施形態においては、不審度推定システム１は、不審度推定モデル生成装置２とカメラ３と不審度推定装置４とを有するとした。しかしながら、不審度推定システム１の構成は、本実施形態で例示した場合に限定されない。例えば、不審度推定モデル生成装置２と不審度推定装置４とは、一つの情報処理装置として一体的に構成されても構わない。つまり、不審度推定システム１は、不審度推定モデル生成装置２としての機能と不審度推定装置４としての機能とを有する情報処理装置と、カメラ３と、から構成されていても構わない。また、カメラ３が不審度推定装置４や不審度推定モデル生成装置２としての機能を有するよう構成しても構わない。換言すると、不審度推定システム１は、不審度推定モデル生成装置２としての機能や不審度推定装置４としての機能を有するカメラ３のみから構成されていても構わない。カメラ３は、不審度推定装置４や不審度推定モデル生成装置２の機能うち顔特徴量抽出手段４５１の機能のみを有するなど、不審度推定装置４や不審度推定モデル生成装置２の機能の一部のみを有していても構わない。また、カメラ３が不審度推定装置４や不審度推定モデル生成装置２としての機能の一部を有する場合、不審度推定装置４や不審度推定モデル生成装置２は、カメラ３が有する機能を有していなくても構わない。

また、本実施形態においては、顔特徴量抽出手段２５１は、顔不審度情報２４１に含まれる各顔画像から特徴量をそれぞれ抽出するとした。しかしながら、顔特徴量抽出手段２５１が特徴量を抽出する対象は、顔不審度情報２４１に限定されない。顔特徴量抽出手段２５１は、例えば、通信Ｉ／Ｆ部２１を介してカメラ３や外部装置から取得する画像データ中の人物から特徴量を抽出しても構わない。この場合、クラスタリング手段２５２は、顔不審度情報２４１や外部装置から取得した顔画像のクラスタリングを行うことになる。

［第２の実施形態］
続いて、本発明の第２の実施形態を図８乃至図１３を参照して説明する。図８は、不審度推定システム５の全体の構成の一例を示す図である。図９は、不審度推定モデル生成装置６の構成の一例を示すブロック図である。図１０は、付加情報付顔不審度情報６４１の一例を示す図である。図１１は、不審度推定装置７の構成の一例を示すブロック図である。図１２は、不審度推定モデル生成装置６が不審度推定モデル６４２を生成する際の処理の一例を示すフローチャートである。図１３は、不審度推定装置７が人物の不審度を推定する際の処理の一例を示すフローチャートである。

第２の実施形態では、第１の実施形態と同様に、カメラ３で撮像した人物の不審度を推定する不審度推定システム５について説明する。後述するように、本実施形態における不審度推定システム５は、推定モデルを生成する際や推定を行う際に付加情報を用いる点で第１の実施形態と差異を有している。

図８は、不審度推定システム５の全体の構成の一例を示している。図８を参照すると、不審度推定システム５は、不審度推定モデル生成装置６と、カメラ３と、不審度推定装置７と、を有している。このように、本実施形態における不審度推定システム５は、不審度推定モデル生成装置６と不審度推定装置７とを有している点で第１の実施形態で説明した不審度推定システム１と異なっている。そのため、以下においては、不審度推定モデル生成装置６と不審度推定装置７について説明する。

不審度推定モデル生成装置６は、情報処理装置である。不審度推定モデル生成装置６は、例えば、予め格納された付加情報付顔不審度情報６４１に基づいて、不審度推定モデル６４２を生成する。そして、不審度推定モデル生成装置６は、生成した不審度推定モデル６４２を不審度推定装置７に送信する。

図９は、不審度推定モデル生成装置６が有する主な構成の一例である。図９を参照すると、不審度推定モデル生成装置６は、主な構成要素として、例えば、通信Ｉ／Ｆ部６１と、操作入力部６２と、画面表示部６３と、記憶部６４と、演算処理部６５と、を有している。

なお、通信Ｉ／Ｆ部６１、操作入力部６２、画面表示部６３は、図２を参照して説明した不審度推定モデル生成装置２が有する通信Ｉ／Ｆ部２１、操作入力部２２、画面表示部２３と同様の構成である。そのため、通信Ｉ／Ｆ部６１、操作入力部６２、画面表示部６３の説明は省略する。

記憶部６４は、ハードディスクやメモリなどの記憶装置である。記憶部６４は、演算処理部６５における各種処理に必要な処理情報やプログラム６４３を記憶している。プログラム６４３は、演算処理部６５に読み込まれて実行されることにより各種処理部を実現するプログラムである。プログラム６４３は、通信Ｉ／Ｆ部６１などのデータ入出力機能を介して外部装置（図示せず）や記憶媒体（図示せず）から予め読み込まれ、記憶部６４に保存されている。記憶部６４で記憶される主な情報としては、付加情報付顔不審度情報６４１と、不審度推定モデル６４２と、がある。

付加情報付顔不審度情報６４１は、人物の顔を含む画像データである顔画像と、当該顔画像の人物の不審度を示す不審度情報と、顔画像が示す人物の年齢や性別などの顔画像に付加的な情報を示す付加情報と、を対応付けた情報である。付加情報付顔不審度情報６４１は、例えば、通信Ｉ／Ｆ部６１を介して外部のデータベースなどから予め取得されていたり、操作入力部６２を用いて予め入力されていたりする。

図１０を参照すると、付加情報付顔不審度情報６４１は、識別情報と、顔画像と、不審度情報と、付加情報と、を対応付けている。例えば、図１０の１行目は、識別情報「１」と、顔画像「Ａ」と、不審度情報「ａ」と、負荷情報「ｘ」と、を対応付けている。換言すると、図３の１行目は、顔画像が「Ａ」の人物の不審度が「ａ」であり、付加情報が「ｘ」であることを示している。

ここで、図１０中の識別情報、顔画像、不審度情報は、第１の実施形態において図３を参照して説明した顔不審度情報２４１と同様の情報である。そのため、説明を省略する。付加情報は、顔画像が示す人物の年齢や性別などの情報であり、顔画像に附随する情報である。付加情報は、上記例示した以外の情報を含んでも構わないが、顔画像から抽出する特徴量に基づいて推定可能な情報であることが望ましい。換言すると、付加情報は、上記例示した場合に限定されないが、クラス定義が容易な情報であることが望ましい。

不審度推定モデル６４２は、顔画像のクラスタリング結果と、クラスタリング結果に含まれる各顔画像に対応付けられた不審度情報と、に基づいて生成されるモデルである。不審度推定モデル６４２は、例えば、不審度推定装置７に送信され、カメラ３が取得した、不審度情報が不明である顔画像の人物の不審度を推定する際に用いられる。

なお、後述するように、本実施形態におけるクラスタリング手段６５３は、フィルタリング手段６５１による選別後の顔画像をクラスタリングする。従って、本実施形態におけるクラスタリング手段６５３がクラスタリングする対象は、付加情報付顔不審度情報６４１に含まれる顔画像の全部又はその一部となる。そのため、不審度推定モデル６４２に含まれる顔画像の数は、付加情報付顔不審度情報６４１に含まれる顔画像の数以下となる。また、本実施形態における不審度推定モデル６４２には、不審度推定モデル６４２に含まれる顔画像を選別する際に用いられた付加情報を識別するための情報を含むことが出来る。

また、後述するように、フィルタリング手段６５１は、同一の付加情報付顔不審度情報６４１に対して複数回の選別を行うよう構成することが出来る。その結果、推定モデル生成手段６５４は、フィルタリング手段６５１による選別に応じて、複数の推定モデルを生成する。そのため、不審度推定モデル６４２には、同一の付加情報付顔不審度情報６４１から生成された、含まれる顔画像が異なる複数種類の推定モデルを含むことが出来る。なお、不審度推定モデル６４２に含まれる複数の推定モデルは、例えば、各推定モデルに含まれる付加情報を識別するための情報を参照することで識別可能である。

演算処理部６５は、ＭＰＵなどのマイクロプロセッサとその周辺回路を有する。演算処理部６５は、記憶部６４からプログラム６４３を読み込んで実行することにより、上記ハードウェアとプログラム６４３とを協働させて各種処理部を実現する。演算処理部６５で実現される主な処理部としては、例えば、フィルタリング手段６５１と、顔特徴量抽出手段６５２と、クラスタリング手段６５３と、推定モデル生成手段６５４と、がある。

フィルタリング手段６５１は、付加情報付顔不審度情報６４１に含まれる付加情報を利用して、付加情報付顔不審度情報６４１に含まれる顔画像を選別する。そして、フィルタリング手段６５１は、選別後の顔画像を示す情報を顔特徴量抽出手段６５２に送信する。また、フィルタリング手段６５１は、選別する際に用いた基準を示す情報（付加情報を識別するための情報）を顔特徴量抽出手段６５２や推定モデル生成手段６５４などに送信する。

例えば、フィルタリング手段６５１は、付加情報付顔不審度情報６４１に含まれる顔画像のうち、付加情報が「男性」である顔画像のみを選別する。または、フィルタリング手段６５１は、付加情報付顔不審度情報６４１に含まれる顔画像のうち、付加情報が「女性」であり年齢が「２０～４０歳」である顔画像のみを選別する。このように、フィルタリング手段６５１は、付加情報付顔不審度情報６４１に含まれる付加情報を利用して、付加情報付顔不審度情報６４１に含まれる顔画像を選別する。そして、フィルタリング手段６５１は、選別後の顔画像を示す情報を顔特徴量抽出手段６５２に送信する。

なお、フィルタリング手段６５１がどのような付加情報を用いて付加情報付顔不審度情報６４１に含まれる顔画像を選別するかは、任意に設定することが出来る。例えば、フィルタリング手段６５１は、不審度を推定する対象となると推定される人物像に対応する付加情報を用いて顔画像の選別を行うよう構成することが出来る。フィルタリング手段６５１は、上述したように、一つの付加情報のみを用いて顔画像の選別を行っても構わないし、複数の付加情報を用いて顔画像の選別を行っても構わない。

また、例えば、フィルタリング手段６５１は、同一の付加情報付顔不審度情報６４１に対して複数回の選別を行うよう構成することが出来る。例えば、フィルタリング手段６５１は、付加情報が「男性」の顔画像のみを顔特徴量抽出手段６５２に送信した後、別の推定モデル生成のため付加情報が「女性」の顔画像のみを顔特徴量抽出手段６５２に送信するよう構成することが出来る。なお、フィルタリング手段６５１は、複数回の選別を行う際に、選別する顔画像が重複しないよう選別を行っても構わないし、重複を許容するよう選別を行っても構わない。また、フィルタリング手段６５１は、複数回の選別により、不審度推定モデル６４２に含まれる全ての顔画像をカバーするよう選別を行っても構わない。

顔特徴量抽出手段６５２は、フィルタリング手段６５１から受信した情報が示す各顔画像から顔画像の特徴量を示す特徴ベクトルをそれぞれ抽出する。そして、顔特徴量抽出手段２５１は、抽出した特徴ベクトルを示す情報をクラスタリング手段２５２に送信する。

なお、顔特徴量抽出手段６５２が特徴ベクトルを抽出する際の処理は、第１の実施形態で説明した顔特徴量抽出手段２５１と同様である。そのため、説明は省略する。

クラスタリング手段６５３は、顔特徴量抽出手段６５２から受信した特徴ベクトルを用いて、フィルタリング手段６５１が選別した顔画像をクラスタリングする。クラスタリング手段６５３は、第１の実施形態で説明したクラスタリング手段２５２と同様に、不審度情報を利用しないでクラスタリングを行う。そして、クラスタリング手段６５３は、クラスタリングした結果であるクラスタリング結果を推定モデル生成手段６５４へ送信する。

推定モデル生成手段６５４は、クラスタリング手段６５３によるクラスタリング結果と、クラスタリング結果に含まれる顔画像と予め対応付けられている不審度情報と、に基づいて、不審度推定モデル６４２を生成する。この際、推定モデル生成手段６５４は、生成する不審度推定モデル６４２に、当該不審度推定モデル６４２に含まれる顔画像を選別する際に用いられた付加情報を識別するための情報を含めることが出来る。そして、推定モデル生成手段６５４は、生成した不審度推定モデル６４２を、通信Ｉ／Ｆ部６１を介して不審度推定装置７へと送信する。また、推定モデル生成手段６５４は、生成した不審度推定モデル６４２を記憶部６４に格納する。

例えば、推定モデル生成手段６５４は、クラスタリング手段６５３からクラスタリング結果を受信する。また、推定モデル生成手段６５４は、付加情報付顔不審度情報６４１を参照して、クラスタリング結果に含まれる各顔画像と対応付けられている不審度情報を確認する。そして、推定モデル生成手段６５４は、クラスタリング結果と、不審度情報と、に基づいて、不審度推定モデル６４２を生成する。

なお、推定モデル生成手段６５４は、第１の実施形態で説明した推定モデル生成手段２５３と同様の処理により不審度推定モデル６４２を生成する。そのため、推定モデル生成手段６５４による具体的な処理の詳細は省略する。また、本実施形態における推定モデル生成手段６５４は、フィルタリング手段６５１によるフィルタリングの結果に応じて不審度推定モデル６４２を生成する。換言すると、推定モデル生成手段６５４は、フィルタリング手段６５１が複数回の選別を行った場合には、複数の不審度推定モデル６４２を生成することになる。

不審度推定装置７は、情報処理装置である。不審度推定装置７は、不審度推定モデル生成装置６から受信した不審度推定モデル６４２と、カメラ３から受信した画像データ情報３３１と、に基づいて、画像データ情報３３１に含まれる人物（推定対象の人物）の不審度を推定する。不審度推定装置４は、推定した不審度を含む推定結果情報４４１を例えば、画面表示部４３に表示したり通信Ｉ／Ｆ部４１を介して外部の装置に送信したりすることが出来る。

図１１は、不審度推定装置７が有する主な構成の一例である。図１１を参照すると、不審度推定装置７は、主な構成要素として、例えば、通信Ｉ／Ｆ部７１と、操作入力部７２と、画面表示部７３と、記憶部７４と、演算処理部７５と、を有している。

なお、通信Ｉ／Ｆ部７１、操作入力部７２、画面表示部７３は、図２を参照して説明した不審度推定モデル生成装置２が有する通信Ｉ／Ｆ部２１、操作入力部２２、画面表示部２３と同様の構成である。そのため、通信Ｉ／Ｆ部７１、操作入力部７２、画面表示部７３の説明は省略する。

記憶部７４は、ハードディスクやメモリなどの記憶装置である。記憶部７４は、演算処理部７５における各種処理に必要な処理情報やプログラム７４３を記憶している。プログラム７４３は、演算処理部７５に読み込まれて実行されることにより各種処理部を実現するプログラムである。プログラム７４３は、通信Ｉ／Ｆ部７１などのデータ入出力機能を介して外部装置（図示せず）や記憶媒体（図示せず）から予め読み込まれ、記憶部７４に保存されている。記憶部７４で記憶される主な情報としては、例えば、不審度推定モデル６４２と、画像データ情報３３１と、基準情報７４１と、推定結果情報７４２と、がある。

不審度推定モデル６４２は、不審度推定モデル生成装置６において生成された推定モデルである。不審度推定モデル６４２は、通信Ｉ／Ｆ部７１を介して、不審度推定モデル生成装置６から送信されて記憶部７４内に格納されている。

画像データ情報３３１は、カメラ３において取得された画像データである。画像データ情報３３１には、カメラ３が設置された箇所付近を通過する人物の画像データなどが含まれている。画像データ情報３３１は、通信Ｉ／Ｆ部７１を介して、カメラ３から送信されて記憶部７４内に格納されている。

基準情報７４１は、抽出した特徴量（特徴ベクトル）に基づいて付加情報を推定する際に基準となる情報である。基準情報７４１には、例えば、付加情報付顔不審度情報６４１に含まれる付加情報に対応する情報が含まれている。具体的には、例えば、基準情報７４１は、年齢層ごとの基準特徴量であったり、性別を判別するための基準となる情報であったりする。基準情報７４１は、例えば外部装置などにより予め作成され、通信Ｉ／Ｆ部７１を介して予め読み込まれている。基準情報７４１は、付加情報推定手段７５２により用いられることになる。

推定結果情報７４２は、不審度推定手段７５４により推定された、カメラ３が取得した画像データ情報３３１に含まれる人物の不審度を示す情報である。推定結果情報７４２の構成は、第１の実施形態で説明した推定結果情報４４１と同様である。そのため、説明は省略する。

演算処理部７５は、ＭＰＵなどのマイクロプロセッサとその周辺回路を有する。演算処理部７５は、記憶部７４からプログラム７４３を読み込んで実行することにより、上記ハードウェアとプログラム７４３とを協働させて各種処理部を実現する。演算処理部７５で実現される主な処理部としては、例えば、顔特徴量抽出手段７５１と、付加情報推定手段７５２と、使用モデル選択手段７５３と、不審度推定手段７５４と、がある。

顔特徴量抽出手段７５１は、画像データ情報３３１に含まれる人物（推定対象の人物）の顔の特徴量である特徴ベクトルを抽出する。そして、顔特徴量抽出手段７５１は、抽出した特徴ベクトルを示す情報を、付加情報推定手段７５２に送信するとともに不審度推定手段７５４へ送信する。なお、顔特徴量抽出手段７５１が特徴ベクトルを抽出する際の処理は、第１の実施形態で説明した顔特徴量抽出手段４５１と同様である。そのため、説明は省略する。

付加情報推定手段７５２は、顔特徴量抽出手段７５１から受信した特徴ベクトルに基づいて、当該特徴ベクトル抽出元の人物の付加情報を推定する。そして、付加情報推定手段７５２は、推定した付加情報を使用モデル選択手段７５３へ送信する。

例えば、付加情報推定手段７５２は、顔特徴量抽出手段７５１から特徴ベクトルを受信する。また、付加情報推定手段７５２は、基準情報７４１を参照する。そして、付加情報推定手段７５２は、特徴ベクトルと基準情報７４１とに基づいて、特徴ベクトル抽出元の人物の付加情報を推定する。具体的には、例えば、付加情報推定手段７５２は、基準情報７４１を参照して年齢ごとの基準特徴量を参照する。そして、付加情報推定手段７５２は、受信した特徴ベクトルと最も距離が近くなる基準特徴量の年齢を特徴ベクトル抽出元の人物の年齢として推定する。また、付加情報推定手段７５２は、特徴ベクトルと基準情報７４１とに基づいて、特徴ベクトル抽出元の人物の性別を推定する。このように、付加情報推定手段７５２は、特徴ベクトルと基準情報７４１とに基づいて、特徴ベクトル抽出元の人物の付加情報を推定する。その後、付加情報推定手段７５２は、推定した付加情報を使用モデル選択手段７５３へ送信する。

使用モデル選択手段７５３は、付加情報推定手段７５２から受信した付加情報に基づいて、不審度推定手段７５４が不審度の推定を行う際に用いる不審度推定モデル６４２を選択する。その後、使用モデル選択手段７５３は、選択した不審度推定モデル６４２を示す情報を不審度推定手段７５４へ送信する。

例えば、使用モデル選択手段７５３は、付加情報推定手段７５２から付加情報を受信する。また、使用モデル選択手段７５３は、不審度推定モデル６４２を参照して不審度推定モデル６４２に含まれる付加情報を識別するための情報を確認する。そして、使用モデル選択手段７５３は、付加情報推定手段７５２から受信した付加情報に対応する不審度推定モデル６４２を選択する。具体的には、例えば、使用モデル選択手段７５３は、付加情報推定手段７５２から受信した付加情報ともっとも近い情報を有する不審度推定モデル６４２や当該付加情報を含む不審度推定モデル６４２を選択する。この際、使用モデル選択手段７５３は、１つのモデルのみを選択するよう構成しても構わないし、複数のモデルを選択するよう構成しても構わない。その後、使用モデル選択手段７５３は、選択した不審度推定モデル６４２を示す情報を不審度推定手段７５４へ送信する。

不審度推定手段７５４は、顔特徴量抽出手段７５１から受信した特徴ベクトルと、使用モデル選択手段７５３が選択した不審度推定モデル６４２と、に基づいて、特徴ベクトル抽出元の人物（推定対象の人物）の不審度を推定する。そして、不審度推定手段７５４は、推定結果を推定結果情報７４２として記憶部７４に格納する。また、不審度推定手段７５４は、推定結果を画面表示部７３に表示したり、通信Ｉ／Ｆ部７１を介して外部装置に送信したりすることが出来る。

例えば、不審度推定手段７５４は、顔特徴量抽出手段７５１から特徴ベクトルを受信する。また、不審度推定手段７５４は、使用モデル選択手段７５３から不審度推定モデル６４２を示す情報を受信する。そして、不審度推定手段７５４は、受信した特徴ベクトルと特徴が近いクラスタや顔画像を特定し、当該クラスタや顔画像に対応付けられた不審度情報から特徴ベクトル抽出元の人物の不審度を推定する。具体的な手法は第１の実施形態で説明したものと同様であるため省略する。

なお、上述したように、使用モデル選択手段７５３は、複数の不審度推定モデル６４２を選択することがある。この場合、不審度推定手段７５４は、複数の不審度推定モデル６４２それぞれを用いて人物の不審度を推定することになる。このような場合、不審度推定手段７５４は、既知の様々な方法により推定した不審度を統合して、最終的な不審度の推定とすることが出来る。例えば、不審度推定手段７５４は、推定した不審度情報のうち最も値の高い不審度を採用することが考えられる。また、不審度推定手段７５４は、推定した不審度の平均値を算出しても構わない。不審度推定手段７５４は、上記例示した以外の方法により最終的な不審度を算出しても構わない。

以上が、不審度推定システム５が有する各構成の一例についての説明である。続いて、図１２、図１３を参照して、不審度推定モデル生成装置６の動作と不審度推定装置７の動作の一例について説明する。

まず、図１２を参照して、不審度推定モデル生成装置６が不審度推定モデル６４２を生成する際の処理の一例について説明する。

図１２を参照すると、不審度推定モデル生成装置６のフィルタリング手段６５１は、付加情報付顔不審度情報６４１に含まれる付加情報を利用して、不審度推定モデル６４２を生成する際に用いる顔画像を付加情報付顔不審度情報６４１に含まれる顔画像の中から選別する（ステップＳ３０１）。そして、フィルタリング手段６５１は、選別後の顔画像を示す情報を顔特徴量抽出手段６５２に送信する。

顔特徴量抽出手段６５２は、フィルタリング手段６５１から受信した情報が示す各顔画像から顔画像の特徴量を示す特徴ベクトルをそれぞれ抽出する（ステップＳ３０２）。そして、顔特徴量抽出手段６５２は、抽出した特徴ベクトルを示す情報をクラスタリング手段６５３に送信する。

クラスタリング手段６５３は、顔特徴量抽出手段６５２から受信した特徴ベクトルに基づいて、フィルタリング手段６５１が選別した顔画像をクラスタリングする（ステップＳ３０３）。その後、クラスタリング手段６５３は、クラスタリングした結果であるクラスタリング結果を推定モデル生成手段６５４へ送信する。

推定モデル生成手段６５４は、クラスタリング手段６５３からクラスタリング結果を受信する。また、推定モデル生成手段６５４は、付加情報付顔不審度情報６４１を参照して、クラスタリング結果に含まれる各顔画像と対応付けられている不審度情報を確認する。そして、推定モデル生成手段６５４は、クラスタリング結果と、不審度情報と、に基づいて、不審度推定モデル６４２を生成する（ステップＳ３０４）。その後、推定モデル生成手段６５４は、生成した不審度推定モデル６４２を記憶部６４に格納したり、通信Ｉ／Ｆ部６１を介して不審度推定装置７へ送信したりする。

以上が、不審度推定モデル生成装置６が不審度推定モデル６４２を生成する際の処理の一例である。続いて、図１３を参照して、不審度推定装置７が人物の不審度を推定する際の処理の一例について説明する。

図１３を参照すると、不審度推定装置７の顔特徴量抽出手段７５１は、画像データ情報３３１から当該画像データ情報３３１に含まれる人物（推定対象の人物）を抽出する（ステップＳ４０１）。続いて、顔特徴量抽出手段７５１は、抽出した人物の顔領域の特徴量である特徴ベクトルを抽出する（ステップＳ４０２）。そして、顔特徴量抽出手段７５１は、抽出した特徴ベクトルを示す情報を付加情報推定手段７５２と不審度推定手段７５４に送信する。

付加情報推定手段７５２は、顔特徴量抽出手段７５１から受信した特徴ベクトルに基づいて、当該特徴ベクトル抽出元の人物の付加情報を推定する（ステップＳ４０３）。そして、付加情報推定手段７５２は、推定した付加情報を使用モデル選択手段７５３へ送信する。

使用モデル選択手段７５３は、付加情報推定手段７５２から受信した付加情報に基づいて、不審度推定手段７５４が不審度の推定を行う際に用いる不審度推定モデル６４２を選択する（ステップＳ４０４）。その後、使用モデル選択手段７５３は、選択した不審度推定モデル６４２を示す情報を不審度推定手段７５４へ送信する。

不審度推定手段７５４は、顔特徴量抽出手段７５１から特徴ベクトルを受信する。また、不審度推定手段７５４は、使用モデル選択手段７５３から不審度推定モデル６４２を示す情報を受信する。そして、不審度推定手段７５４は、受信した特徴ベクトルと、使用モデル選択手段７５３が選択した不審度推定モデル６４２と、に基づいて、推定対象の人物の不審度を推定する（ステップＳ４０５）。その後、不審度推定手段７５４は、推定した不審度を推定結果情報７４２として、記憶部７４に格納したり、画面表示部７３に表示したりする。

以上が、不審度推定装置７が人物の不審度を推定する際の処理の一例である。

このように、本実施形態における不審度推定モデル生成装置６は、付加情報を用いてフィルタリングした後の顔画像に基づいて不審度推定モデル６４２を生成する。また、不審度推定装置７は、不審度推定モデル６４２に基づいて、人物の不審度を推定する。このような構成により、不審度推定モデル生成装置６は、含まれる顔画像を付加情報により予め選別した不審度推定モデル６４２を生成することが可能となる。その結果、不審度推定装置７は、例えば、不審人物として想定する付加情報を有する顔画像のみを含む不審度推定モデル６４２と、画像データ情報３３１に含まれる人物の顔領域から抽出した特徴量と、に基づいて、推定対象の人物の不審度を推定することが可能となる。これにより、特徴量と比較する対象となるデータを事前に絞り込むことが可能となり、不審度を推定する際の処理を高速化させることが可能となる。また、より精度を高めることが可能となる。

なお、本実施形態における不審度推定システム５は、第１の実施形態で説明した不審度推定システム１と同様に、様々な変形例を含むことが出来る。

［第３の実施形態］
続いて、本発明の第３の実施形態を、図１４、１５を参照して説明する。図１４は、不審度推定モデル生成装置８の構成の一例を示す概略ブロック図である。図１５は、不審度推定装置９の構成の一例を示す概略ブロック図である。

第３の実施形態では、不審度推定モデルを生成する不審度推定モデル生成装置８の構成の概略について説明する。また、本実施形態においては、不審度推定モデル生成装置８などの外部装置により生成された不審度推定モデルを用いて人物の不審度を推定する不審度推定装置９の構成の概略について説明する。

図１４を参照すると、不審度推定モデル生成装置８は、クラスタリング手段８１と、不審度推定モデル生成手段８２と、を有している。例えば、不審度推定モデル生成装置８は、図示しない記憶装置と演算装置とを有しており、記憶装置に格納されたプログラムを演算装置が実行することで、上記各手段を実現する。

クラスタリング手段８１には、顔画像から抽出される特徴量が入力される。クラスタリング手段８１は、入力される顔画像から抽出される特徴量に基づいて、顔画像をクラスタリングする。その後、クラスタリング手段８１は、クラスタリング結果を不審度推定モデル生成手段８２に送信する。

不審度推定モデル生成手段８２は、クラスタリング手段８１からクラスタリング結果を受信する。すると、不審度推定モデル生成手段８２は、受信したクラスタリング結果と、クラスタリング結果に含まれる顔画像に予め対応付けられた不審度情報と、に基づいて、不審度推定モデルを生成する。

なお、不審度情報とは、顔画像が示す人物の不審度を示す情報のことをいう。また、不審度推定モデルは、推定対象の人物の不審度を推定する際に用いることになる。

このように、本実施形態における不審度推定モデル生成手段８２は、クラスタリング手段８１と、不審度推定モデル生成手段８２と、を有している。このような構成により、クラスタリング手段８１は、顔画像から抽出される特徴量に基づいて、顔画像をクラスタリングすることが出来る。また、不審度推定モデル生成手段８２は、特徴量を用いて行われたクラスタリング結果と、クラスタリング結果に含まれる顔画像と予め対応付けられている不審度情報と、に基づいて、不審度推定モデルを生成することが出来る。その結果、不審度推定モデル生成装置８は、不審度の定義を行うことなく不審度推定モデルを生成することが可能となり、クラス定義を行うことが困難な不審度を推定する際に用いることが可能な不審度推定モデルを生成することが可能となる。

なお、上述した不審度推定モデル生成装置８は、当該不審度推定モデル生成装置８に所定のプログラムが組み込まれることで実現できる。具体的に、本発明の他の形態であるプログラムは、情報処理装置に、入力される顔画像から抽出される特徴量に基づいて、顔画像をクラスタリングするクラスタリング手段８１と、クラスタリング手段８１によるクラスタリング結果と、クラスタリング結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する不審度推定モデル生成手段８２と、を実現させるためのプログラムである。

また、上述した不審度推定モデル生成装置８により実行される不審度推定モデル生成方法は、入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングし、クラスタリングした結果と、クラスタリングした結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する、という方法である。

上述した構成を有する、プログラム、又は、不審度推定モデル生成方法、の発明であっても、上記不審度推定モデル生成装置８と同様の作用を有するために、上述した本発明の目的を達成することが出来る。

また、図１５を参照すると、不審度推定装置９は、特徴量抽出手段９１と、不審度推定手段９２と、を有している。例えば、不審度推定装置９は、図示しない記憶装置と演算装置とを有しており、記憶装置に格納されたプログラムを演算装置が実行することで、上記各手段を実現する。

特徴量抽出手段９１は、推定対象の人物の顔領域から特徴量を抽出する。特徴量抽出手段９１が画像データから人物の顔領域の特徴量を抽出する際の処理の詳細については、本実施形態においては特に限定しない。その後、特徴量抽出手段９１は、抽出した特徴量を不審度推定手段９２に送信する。

不審度推定手段９２は、特徴量抽出手段９１から特徴量を受信する。すると、不審度推定手段９２は、受信した特徴量と、予め生成された不審度推定モデルと、に基づいて、推定対象の人物の不審度を推定する。

なお、上記不審度推定モデルは、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果と、クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている。

このように、不審度推定装置９は、特徴量抽出手段９１と、不審度推定手段９２と、を有している。また、不審度推定手段９２が用いる不審度推定モデルは、顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果に基づいて予め生成されている。このような構成により、不審度推定手段９２は、特徴量抽出手段９１が抽出した特徴量と、上記不審度推定モデルと、に基づいて、特徴量抽出手段９１が特徴量を抽出した人物の不審度を推定することが可能となる。つまり、上記構成によると、クラス定義を行うことが困難な不審度を推定することが可能となる。

なお、上述した不審度推定装置９は、当該不審度推定装置９に所定のプログラムが組み込まれることで実現できる。具体的に、本発明の他の形態であるプログラムは、情報処理装置に、推定対象の人物の顔領域から特徴量を抽出する特徴量抽出手段９１と、特徴量抽出手段９１により抽出された特徴量と、予め生成された不審度推定モデルと、に基づいて、推定対象の人物の不審度を推定する不審度推定手段９２と、を実現させるプログラムである。なお、上記不審度推定モデルは、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている。

また、上述した不審度推定装置９により実行される不審度推定方法は、推定対象の人物の顔領域から特徴量を抽出し、抽出された特徴量と、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果とクラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報とに基づいて予め生成された不審度推定モデルと、に基づいて、推定対象の人物の不審度を推定する、という方法である。

上述した構成を有する、プログラム、又は、不審度推定方法、の発明であっても、上記不審度推定装置９と同様の作用を有するために、上述した本発明の目的を達成することが出来る。

＜付記＞
上記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。以下、本発明における不審度推定モデル生成装置などの概略を説明する。但し、本発明は、以下の構成に限定されない。

（付記１）
入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングするクラスタリング手段と、
前記クラスタリング手段によるクラスタリング結果と、前記クラスタリング結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する不審度推定モデル生成手段と、
を有する不審度推定モデル生成装置。
（付記２）
付記１に記載の不審度推定モデル生成装置であって、
顔画像と当該顔画像の人物の不審度を示す不審度情報とを含む顔不審度情報に含まれる顔画像から特徴量を抽出する顔特徴量抽出手段を有し、
前記クラスタリング手段は、前記顔特徴量抽出手段が抽出した特徴量に基づいて前記顔不審度情報に含まれる前記顔画像をクラスタリングする
不審度推定モデル生成装置。
（付記３）
付記２に記載の不審度推定モデル生成装置であって、
前記クラスタリング手段は、前記顔特徴量抽出手段が抽出した特徴量の近似度により前記顔不審度情報に含まれる前記顔画像をクラスタリングする
不審度推定モデル生成装置。
（付記４）
付記２又は３に記載の不審度推定モデル生成装置であって、
前記顔不審度情報には、前記顔情報に附随的な付加情報が含まれており、
前記付加情報に基づいて前記顔不審度情報に含まれる前記顔画像を選別するフィルタリング手段を有し、
前記顔特徴量抽出手段は、前記フィルタリング手段が選別した前記顔画像の特徴量を抽出し、
前記クラスタリング手段は、前記顔特徴量抽出手段が抽出した特徴量に基づいて前記フィルタリング手段が選別した前記顔画像をクラスタリングする
不審度推定モデル生成装置。
（付記５）
付記１乃至４のいずれかに記載の不審度推定モデル生成装置であって、
前記不審度推定モデル生成手段は、前記クラスタリング結果に含まれる各クラスタと、当該クラスタに含まれる前記顔画像と対応付けられている前記不審度情報に基づく不審度情報とを対応付けて、前記不審度推定モデルを生成する
不審度推定モデル生成装置。
（付記６）
入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングし、
クラスタリングした結果と、クラスタリングした結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する
不審度推定モデル生成方法。
（付記６－１）
付記６に記載の不審度推定モデル生成方法であって、
顔画像と当該顔画像の人物の不審度を示す不審度情報とを含む顔不審度情報に含まれる顔画像から特徴量を抽出し、
抽出した特徴量に基づいて前記顔不審度情報に含まれる前記顔画像をクラスタリングする
不審度推定モデル生成方法。
（付記６－２）
付記６－１に記載の不審度推定モデル生成方法であって、
抽出した特徴量の近似度により前記顔不審度情報に含まれる前記顔画像をクラスタリングする
不審度推定モデル生成方法。
（付記７）
情報処理装置に、
入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングするクラスタリング手段と、
前記クラスタリング手段によるクラスタリング結果と、前記クラスタリング結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する不審度推定モデル生成手段と、
を実現させるためのプログラム。
（付記７－１）
付記７に記載のプログラムであって、
顔画像と当該顔画像の人物の不審度を示す不審度情報とを含む顔不審度情報に含まれる顔画像から特徴量を抽出する顔特徴量抽出手段を実現させ、
前記クラスタリング手段は、前記顔特徴量抽出手段が抽出した特徴量に基づいて前記顔不審度情報に含まれる前記顔画像をクラスタリングする
プログラム。
（付記７－２）
付記７－１に記載のプログラムであって、
前記クラスタリング手段は、前記顔特徴量抽出手段が抽出した特徴量の近似度により前記顔不審度情報に含まれる前記顔画像をクラスタリングする
プログラム。
（付記８）
推定対象の人物の顔領域から特徴量を抽出する特徴量抽出手段と、
前記特徴量抽出手段により抽出された前記特徴量と、予め生成された不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する不審度推定手段と、
を有し、
前記不審度推定モデルは、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている
不審度推定装置。
（付記９）
付記８に記載の不審度推定装置であって、
前記不審度推定モデルは、前記特徴量の近似度により前記顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている
不審度推定装置。
（付記１０）
付記８又は９に記載の不審度推定装置であって、
前記不審度推定手段は、前記特徴量抽出手段により抽出された前記特徴量と距離が最も近い特徴量の顔画像に対応付けられている不審度を、前記推定対象の人物の不審度として推定する
不審度推定装置。
（付記１１）
付記８又は９に記載の不審度推定装置であって、
前記不審度推定手段は、前記特徴量抽出手段により抽出された前記特徴量と距離が近い複数の特徴量の顔画像に対応付けられている不審度に基づいて、前記推定対象の人物の不審度を推定する
不審度推定装置。
（付記１２）
付記８又は９に記載の不審度推定装置であって、
前記不審度推定手段は、前記特徴量抽出手段により抽出された前記特徴量が属するクラスタに対応付けられている不審度を、前記推定対象の人物の不審度として推定する
不審度推定装置。
（付記１３）
付記８乃至１２のいずれかに記載の不審度推定装置であって、
前記特徴量抽出手段が抽出した特徴量に基づいて、前記推定対象の人物の付加情報を推定する付加情報推定手段と、
前記付加情報推定手段が推定した前記付加情報に基づいて、前記不審度推定手段が不審度の推定を行う際に用いる前記不審度推定モデルを選択する使用モデル選択手段と、
を有する不審度推定装置。
（付記１４）
推定対象の人物の顔領域から特徴量を抽出し、
抽出された前記特徴量と、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果と前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報とに基づいて予め生成された不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する
不審度推定方法。
（付記１４－１）
付記１４に記載の不審度推定方法であって、
前記不審度推定モデルは、前記特徴量の近似度により前記顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている
不審度推定方法。
（付記１４－２）
付記１４又は１４－１に記載の不審度推定方法であって、
抽出した特徴量に基づいて、前記推定対象の人物の付加情報を推定し、
推定した前記付加情報に基づいて、不審度の推定を行う際に用いる前記不審度推定モデルを選択する、
不審度推定方法。
（付記１５）
情報処理装置に、
推定対象の人物の顔領域から特徴量を抽出する特徴量抽出手段と、
前記特徴量抽出手段により抽出された前記特徴量と、予め生成された不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する不審度推定手段と、
を実現させ、
前記不審度推定モデルは、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている
プログラム。
（付記１５－１）
付記１５に記載のプログラムであって、
前記不審度推定モデルは、前記特徴量の近似度により前記顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている
プログラム。
（付記１５－２）
付記１５又は１５－１に記載のプログラムであって、
前記特徴量抽出手段が抽出した特徴量に基づいて、前記推定対象の人物の付加情報を推定する付加情報推定手段と、
前記付加情報推定手段が推定した前記付加情報に基づいて、前記不審度推定手段が不審度の推定を行う際に用いる前記不審度推定モデルを選択する使用モデル選択手段と、
を実現させるためのプログラム。
（付記１６）
入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングするクラスタリング手段と、
前記クラスタリング手段によるクラスタリング結果と、前記クラスタリング結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する不審度推定モデル生成手段と、
を有する不審度推定モデル生成装置と、
推定対象の人物の顔領域から特徴量を抽出する特徴量抽出手段と、
前記特徴量抽出手段により抽出された前記特徴量と、前記不審度推定モデル生成装置が生成した前記不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する不審度推定手段と、を有する不審度推定装置と、
を有する不審度推定システム。
（付記１６－１）
付記１６に記載の不審度推定システムであって、
前記不審度推定モデル生成装置は、
顔画像と当該顔画像の人物の不審度を示す不審度情報とを含む顔不審度情報に含まれる顔画像から特徴量を抽出する顔特徴量抽出手段を有し、
前記クラスタリング手段は、前記顔特徴量抽出手段が抽出した特徴量に基づいて前記顔不審度情報に含まれる前記顔画像をクラスタリングする
不審度推定システム。
（付記１６－２）
付記１６又は１６－１に記載の不審度推定システムであって、
前記不審度推定モデル生成装置の前記クラスタリング手段は、前記顔特徴量抽出手段が抽出した特徴量の近似度により前記顔不審度情報に含まれる前記顔画像をクラスタリングする
不審度推定システム。
（付記１７）
撮像手段を有するカメラであって、
前記撮像手段により撮像された推定対象の人物の顔領域から特徴量を抽出する特徴量抽出手段と、
前記特徴量抽出手段により抽出された前記特徴量と、予め生成された不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する不審度推定手段と、
を有し、
前記不審度推定モデルは、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている
カメラ。
（付記１７－１）
付記１７に記載のカメラであって、
前記不審度推定モデルは、前記特徴量の近似度により前記顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている
カメラ。
（付記１７－２）
付記１７又は１７－１に記載のカメラであって、
前記特徴量抽出手段が抽出した特徴量に基づいて、前記推定対象の人物の付加情報を推定する付加情報推定手段と、
前記付加情報推定手段が推定した前記付加情報に基づいて、前記不審度推定手段が不審度の推定を行う際に用いる前記不審度推定モデルを選択する使用モデル選択手段と、
を有するカメラ。

なお、上記各実施形態及び付記において記載したプログラムは、記憶装置に記憶されていたり、コンピュータが読み取り可能な記録媒体に記録されていたりする。例えば、記録媒体は、フレキシブルディスク、光ディスク、光磁気ディスク、及び、半導体メモリ等の可搬性を有する媒体である。

以上、上記各実施形態を参照して本願発明を説明したが、本願発明は、上述した実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明の範囲内で当業者が理解しうる様々な変更をすることが出来る。

なお、本発明は、日本国にて２０１７年１月５日に特許出願された特願２０１７－０００５４３の特許出願に基づく優先権主張の利益を享受するものであり、当該特許出願に記載された内容は、全て本明細書に含まれるものとする。

１ 不審度推定システム
２、６ 不審度推定モデル生成装置
２１、６１ 通信Ｉ／Ｆ部
２２、６２ 操作入力部
２３、６３ 画面表示部
２４、６４ 記憶部
２４１ 顔不審度情報
２４２ 不審度推定モデル
２４３ プログラム
６４１ 付加情報付顔不審度情報
６４２ 不審度推定モデル
２５、６５ 演算処理部
２５１、６５２ 顔特徴量抽出手段
２５２、６５３ クラスタリング手段
２５３、６５４ 推定モデル生成手段
６５１ フィルタリング手段
３ カメラ
３１ 撮像手段
３２ 送受信手段
３３ 記憶装置
３３１ 画像データ情報
４、７ 不審度推定装置
４１、７１ 通信Ｉ／Ｆ部
４２、７２ 操作入力部
４３、７３ 画面表示部
４４、７４ 記憶部
４４１、７４２ 推定結果情報
４４２、７４３ プログラム
７４１ 基準情報
４５、７５ 演算処理部
４５１、７５１ 顔特徴量抽出手段
４５２、７５４ 不審度推定手段
７５２ 付加情報推定手段
７５３ 使用モデル選択手段
５ 不審度推定システム
６ 不審度推定
８ 不審度推定モデル生成装置
８１ クラスタリング手段
８２ 不審度推定モデル生成手段
９ 不審度推定装置
９１ 特徴量抽出手段
９２ 不審度推定手段

Claims (10)

1. 入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングするクラスタリング手段と、
   前記クラスタリング手段によるクラスタリング結果と、前記クラスタリング結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する不審度推定モデル生成手段と、
   を有する不審度推定モデル生成装置。
2. 請求項１に記載の不審度推定モデル生成装置であって、
   顔画像と当該顔画像の人物の不審度を示す不審度情報とを含む顔不審度情報に含まれる顔画像から特徴量を抽出する顔特徴量抽出手段を有し、
   前記クラスタリング手段は、前記顔特徴量抽出手段が抽出した特徴量に基づいて前記顔不審度情報に含まれる前記顔画像をクラスタリングする
   不審度推定モデル生成装置。
3. 請求項２に記載の不審度推定モデル生成装置であって、
   前記クラスタリング手段は、前記顔特徴量抽出手段が抽出した特徴量の近似度により前記顔不審度情報に含まれる前記顔画像をクラスタリングする
   不審度推定モデル生成装置。
4. 請求項２又は３に記載の不審度推定モデル生成装置であって、
   前記顔不審度情報には、前記顔情報に附随的な付加情報が含まれており、
   前記付加情報に基づいて前記顔不審度情報に含まれる前記顔画像を選別するフィルタリング手段を有し、
   前記顔特徴量抽出手段は、前記フィルタリング手段が選別した前記顔画像の特徴量を抽出し、
   前記クラスタリング手段は、前記顔特徴量抽出手段が抽出した特徴量に基づいて前記フィルタリング手段が選別した前記顔画像をクラスタリングする
   不審度推定モデル生成装置。
5. 請求項１乃至４のいずれかに記載の不審度推定モデル生成装置であって、
   前記不審度推定モデル生成手段は、前記クラスタリング結果に含まれる各クラスタと、当該クラスタに含まれる前記顔画像と対応付けられている前記不審度情報に基づく不審度情報とを対応付けて、前記不審度推定モデルを生成する
   不審度推定モデル生成装置。
6. 情報処理装置が、
   入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングし、
   クラスタリングした結果と、クラスタリングした結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する
   不審度推定モデル生成方法。
7. 情報処理装置に、
   入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングするクラスタリング手段と、
   前記クラスタリング手段によるクラスタリング結果と、前記クラスタリング結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する不審度推定モデル生成手段と、
   を実現させるためのプログラム。
8. 推定対象の人物の顔領域から特徴量を抽出する特徴量抽出手段と、
   前記特徴量抽出手段により抽出された前記特徴量と、予め生成された不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する不審度推定手段と、
   を有し、
   前記不審度推定モデルは、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている
   不審度推定装置。
9. 入力される顔画像から抽出される特徴量に基づいて、前記顔画像をクラスタリングするクラスタリング手段と、
   前記クラスタリング手段によるクラスタリング結果と、前記クラスタリング結果に含まれる顔画像に予め対応付けられた当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、推定対象の人物の不審度を推定する際に用いる不審度推定モデルを生成する不審度推定モデル生成手段と、
   を有する不審度推定モデル生成装置と、
   推定対象の人物の顔領域から特徴量を抽出する特徴量抽出手段と、
   前記特徴量抽出手段により抽出された前記特徴量と、前記不審度推定モデル生成装置が生成した前記不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する不審度推定手段と、を有する不審度推定装置と、
   を有する不審度推定システム。
10. 撮像手段を有するカメラであって、
    前記撮像手段により撮像された推定対象の人物の顔領域から特徴量を抽出する特徴量抽出手段と、
    前記特徴量抽出手段により抽出された前記特徴量と、予め生成された不審度推定モデルと、に基づいて、前記推定対象の人物の不審度を推定する不審度推定手段と、
    を有し、
    前記不審度推定モデルは、予め格納された顔画像から抽出した特徴量に基づいて当該顔画像をクラスタリングした結果と、前記クラスタリングした結果に含まれる顔画像に予め対応付けられている、当該顔画像が示す人物の不審度を示す不審度情報と、に基づいて、生成されている
    カメラ。

Images