JP7353686B2 - 周期画像復元装置及び方法、識別装置及び方法、検証装置及び方法、特徴抽出装置、訓練方法、位相推定装置、並びに記憶媒体 - Google Patents
周期画像復元装置及び方法、識別装置及び方法、検証装置及び方法、特徴抽出装置、訓練方法、位相推定装置、並びに記憶媒体 Download PDFInfo
- Publication number
- JP7353686B2 JP7353686B2 JP2022541174A JP2022541174A JP7353686B2 JP 7353686 B2 JP7353686 B2 JP 7353686B2 JP 2022541174 A JP2022541174 A JP 2022541174A JP 2022541174 A JP2022541174 A JP 2022541174A JP 7353686 B2 JP7353686 B2 JP 7353686B2
- Authority
- JP
- Japan
- Prior art keywords
- phase
- image
- images
- feature
- periodic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims description 107
- 238000000034 method Methods 0.000 title claims description 66
- 230000000737 periodic effect Effects 0.000 title claims description 54
- 238000000605 extraction Methods 0.000 title claims description 30
- 238000012795 verification Methods 0.000 title claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 77
- 230000033001 locomotion Effects 0.000 claims description 47
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 239000000284 extract Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000005021 gait Effects 0.000 description 93
- 230000006870 function Effects 0.000 description 43
- 239000000523 sample Substances 0.000 description 36
- 238000010586 diagram Methods 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000000554 iris Anatomy 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Description
図1は、互いに異なる3人の被験者の歩行画像列50、52及び54を示す図である。これらはいずれも1歩行周期を表す。
《構成》
図6に、この発明の第1実施形態に係る歩容認証装置200の概略構成を示す。図6を参照して、歩容認証装置200は、単一の入力画像210から一歩行周期の全位相の一歩行周期画像214を復元する、ニューラルネットワークを含む一歩行周期復元ネットワーク212と、一歩行周期画像214を入力として歩容認証のための識別的な特徴218を抽出する、ニューラルネットワークからなる認識ネットワーク216とを含む。認識ネットワーク216としては既存のもの、例えば特許文献1に記載のもの(GaitSet)を利用できる。なお、図面上では、記載を簡明にするために認識ネットワーク216を「GaitSet」と、一歩行周期復元ネットワークを「PA-GCR」又は「PA-CGRNet」と記載することがある。
〈本人認証の訓練〉
図12を参照して、最初に位相推定器訓練部422が訓練データ記憶装置420に記憶された訓練データを用いて図14に示すプログラムにより位相推定器260の訓練を行う。次に本人認証システム400が、予め準備された訓練データを用いて図15に示すプログラムにより一歩行周期復元ネットワーク212の訓練を行う。さらに本人認証システム400が、予め準備された訓練データを用いて図16に示すプログラムにより正解歩行画像列424の訓練を行う。
本人認証の際の本人認証システム400の動作は、実質的に図18に示すプログラムの構造についての説明の繰り返しになるのでここでは繰り返さない。
図19に、上記第1実施形態を用いて単一歩行画像から1歩行周期の画像を復元した結果を示す。なお、この復元に用いたデータの詳細については後述する。
第2実施形態は、第1実施形態と同様の構成を持つ一歩行周期復元ネットワーク212を個人識別に用いる場合の例である。
図21を参照して、第2実施形態に係る個人識別装置690は、第1実施形態と異なり、ネットワークパラメータを共通にする3つの系列を持つ。第1の系列はProbe画像700を受けて復元歩行画像列412を出力する一歩行周期復元ネットワーク212と、復元歩行画像列412から識別特徴を出力する識別ネットワーク604とを含む。第2の系列は、Genuine画像702から復元歩行画像列416を出力する一歩行周期復元ネットワーク418と、復元歩行画像列416からその識別特徴を出力する識別ネットワーク606とを含む。第3の系列は、Imposter画像704から復元歩行画像列708を出力する一歩行周期復元ネットワーク706と、復元歩行画像列708から識別特徴を出力する認識ネットワーク712とを含む。
この第2実施形態に係る個人識別装置690の訓練時の動作は、実質的に構成の説明の繰り返しになるため、ここでは繰り返さない。テスト時(識別時)の個人識別装置690の動作も同様、図22の説明の繰り返しになるため、ここでは繰り返さない。
上記した第1実施形態及び第2実施形態のいずれでも一歩行周期復元ネットワーク212が復元した一歩行周期画像を認証及び識別に用いている。しかし、例えば図13を見ると、デコーダ266は位相非依存特徴274に基づいて復元歩行画像列412を復元している。したがって、適切に訓練した一歩行周期復元ネットワーク212により単一歩行画像から得られた位相非依存特徴274は、復元歩行画像列412を復元するために十分な情報というだけではなく、画像の人物を特定するに十分な情報を保持しているはずである。そこで、この第3実施形態では、位相非依存特徴274を直接に識別ネットワークに入力して識別特徴を得て、歩容による本人認証又は個人識別を行う。
図23に、第3実施形態に係る一歩行周期復元ネットワーク212の訓練を行うための訓練システム770の構成を示す。訓練システム770は、第1実施形態の図13に示すものと類似した構成を持つ。より具体的には、訓練システム770は、図13に示すものと同様の構成である一歩行周期復元ネットワーク212及び418と、誤差算出部426及び430とを含む。一歩行周期復元ネットワーク212には認証対象となる人物のProbe画像780が入力される。一歩行周期復元ネットワーク418には照合対象となる人物の、予め登録されたGallery画像782が入力される。
図23を参照して、位相推定器260及び一歩行周期復元ネットワーク212の訓練は第1実施形態と同様に実施される。識別ネットワーク784については独立した訓練を行わず、訓練システム770の全体で訓練を行う。この訓練のときの訓練システム770の動作は、上記した構成で説明したことで実質的に示されている。したがって、説明を簡明にするために個々では繰り返さない。
上記第1実施形態の効果を確認するために、大規模公開歩行映像データベースを用いて第1実施形態の精度を評価した。使用したデータベースは以下のとおりである。
OU-MVLP: The OU-ISIR Gait Database, Multi-View Large Population Dataset。入手先はhttp://www.am.sanken.osaka-u.ac.jp/BiometricDB/GaitMVLP.html。被験者数は10,307名。
CASIA-B: CASIA Gait Database, Dataset B。入手先はhttp://www.cbsr.ia.ac.cn/english/Gait%20Databases.asp。被験者数は124名。
OUTD-D: The OU-ISIR Gait Database, Treadmill Dataset D。入手先はhttp://www.am.sanken.osaka-u.ac.jp/BiometricDB/GaitTM.html。被験者は185名。
・最適化アルゴリズム: Adam
・バッチサイズ: 8人の人物 × 1人当たり16サンプル
・Triplet損失のmargin: 0.2
・各損失関数の重み
・Lsim: 0.0005
・Lrecon: 1
・Ltrip: 1
・入力:様々な位相の単一歩行画像
・ラベル:位相
・データ数:5,153名の歩行画像(64×64画素)
・入力:様々な位相の単一歩行画像(64×64画素)
・ラベル:一周期の歩行画像列(25枚×64×64画素)、被験者ID
・データ数
・OU-MVLP:5,153名の2セッション分(被験者によっては1セッション分)
・CASIA-B:24名の6セッション分
・OUTD-D:85名の2セッション分
・入力:歩行画像列からランダムに選択した画像(30枚×64×64画素)
・ラベル:被験者ID
・データ数:一歩行周期復元ネットワーク212の事前学習と同じ
全体ネットワークの訓練に利用したデータの内容は以下のとおり
・入力:様々な位相の単一歩行画像(64画素×64画素)
・ラベル:一周期の歩行画像列(25枚×64×64画素)、被験者ID
・データ数:一歩行周期復元ネットワーク212及び識別ネットワークの事前学習と同じ
・入力:様々な位相の単一歩行画像(64画素×64画素)
・ラベル:一周期の歩行画像列(25枚×64×64画素)、被験者ID
・データ数
・OU-MVLP:5,154名の2セッション分(被験者によっては1セッション分)
・各セッションを登録と入力に割り当て
・CASIA-B:100名の6セッション分
・登録:1セッション目
・入力:2-6セッション目
・OUTD-D:85名の2セッション分
・各セッションを登録と入力に割り当て
Rank-1:登録人物群に対して、入力された人物がだれであるかを識別する問題(個人識別)の正解率(登録数は約5,000人)
EER[%]:入力ペアに対する本人認証問題における、他人受け入れ誤り率(他人を誤って本人として認証してしまう確率)と、本人拒否誤り率(本人を誤って他人として拒否してしまう確率)とが等しい値となる誤り率
図25に実験1の結果を示す。図25において、「DM」は単に画像間の類似度に基づいて判定を行った結果を示す。「GaitSet」は特許文献1に記載の方法を用いた場合の結果を示す。「PA-GCRNet」は上記第1実施形態(本人認証)及び第2実施形態(個人識別)を用いた場合の結果を示す。これらは後述の実験2及び実験3でも同様である。なお、特許文献1(非特許文献1)に記載の方法を実装するためのプログラムは公開されており、以下の実験ではそれらプログラムを用いて本発明の発明者が実装したものを用いた。
図26に実験2の結果を示す。この表においてPA-GCRNet(scratch)、PA-GCRNet(cross-dataset)、及びPA-GCRNet(fine-tune)の意味はそれぞれ以下のとおりである。
・PA-GCRNet(scratch):CASIA-Bのうち24人の人物の訓練データのみを用いてPA-GCRNetの訓練をしたもの。
・PA-GCRNet(cross-dataset):OU-MVLPを用いてPA-GCRNetを訓練したものについて、CASIA-Bのデータを用いてテスト。これはPA-GCRNetの汎化性能を確認するためである。
・PA-GCRNet(fine-tune):OU-MVLPを用いて訓練したPA-GCRNetをCASIA-Bによりファインチューニングしたもの。
[参考文献1] Babaee, M., Li, L., Rigoll, G.: Person identification from partial gait cycle using fully convolutional neural networks. Neurocomputing 338, 116-125 (2019)
図27に、データセットOUTD-D及びOU-MVLPの組み合わせを用いてPA-GCRNetの性能を検証した結果を示す。図27の参照符号840で示す4行のうち、「NoTSR」及び「Unified TSR」は下記の参考文献2に、「Morph」は参考文献3に、「TSR」は参考文献4に、それぞれ記載された手法を用いて得た結果を示す。これら4行の手法は、各画像列について同時に6フレームの画像を用いる点で上記各実施形態とは異なる。
[参考文献3] Al-Huseiny, M.S., Mahmoodi, S., Nixon, M.S.: Gait learning-based regenerative model: A level set approach. In: The 20th International Conference on Pattern Recognition. pp. 2644-2647. Istanbul, Turkey (Aug 2010)
[参考文献4] Akae, N., Makihara, Y., Yagi, Y.: Gait recognition using periodic temporal super resolution for low frame-rate videos. In: Proceedings of the International Joint Conference on Biometrics (IJCB2011). pp. 1-7. Washington D.C., USA (Oct 2011)
・PA-GCRNet(scratch):OUTD-Dの訓練データを用いてPA-GCRNetの訓練をしたもの。
・PA-GCRNet(cross-dataset):OU-MVLPを用いてPA-GCRNetを訓練したものについて、OUTD-Dのデータを用いてテスト。
・PA-GCRNet(fine-tune):OU-MVLPを用いて訓練したPA-GCRNetをOUTD-Dによりファインチューニングしたもの。
図28は、上記各実施形態に係る歩容認証装置200、一歩行周期復元ネットワーク212、認識ネットワーク216、歩容認証システム240、前処理部252、本人認証システム400、個人識別装置690、訓練システム770、本人認証装置800等を実現するコンピュータシステム950の外観図である。図29は、図28に示すコンピュータシステム950のハードウェアブロック図である。
90、150、152 歩行画像
100、102、104 周期画像
200 歩容認証装置
210、290 入力画像
212、418、706 一歩行周期復元ネットワーク
214 一歩行周期画像
216、436、712 認識ネットワーク
240 歩容認証システム
252 前処理部
260、450 位相推定器
262、452 エンコーダ
264、454 特徴変換器
266、456 デコーダ
292 背景画像
300 シルエット画像抽出装置
302 シルエット画像
304 画像正規化処理部
400 本人認証システム
410、700、780 Probe画像
412、416、680、682、684、708 復元歩行画像列
414、782 Gallery画像
420 訓練データ記憶装置
422 位相推定器訓練部
424、428、686、710 正解歩行画像列
426、430、432 誤差算出部
434、792 一歩行周期復元ネットワーク訓練部
604、606、784、786 識別ネットワーク
610、612、614、714、716 損失関数
670、672、674 単一歩行画像
690 個人識別装置
702 Genuine画像
704 Imposter画像
770 訓練システム
800 本人認証装置
802 判定部
Claims (18)
- 周期性を持つ運動の、少なくとも当該運動の半周期以上の予め定められた第1の数の位相における、生物の第1の数の画像を、前記第1の数より小さな第2の数の画像から復元するための周期画像復元装置であって、
前記第2の数の画像に関する前記運動の位相を推定する位相推定手段と、
前記第2の数の画像から、位相に依存した位相依存特徴を抽出する位相依存特徴抽出手段と、
前記位相推定手段が推定した前記位相に基づいて、前記位相依存特徴抽出手段により抽出された前記位相依存特徴を、前記位相から独立した位相非依存特徴に変換するための特徴変換手段と、
前記特徴変換手段により変換された後の前記位相非依存特徴に基づいて、前記運動をしている前記生物の、前記第1の数の位相の各々における画像を復元するための画像復元手段とを含む、周期画像復元装置。 - 前記位相推定手段は、前記第2の数の画像から、当該画像の位相を推定するよう予め訓練された位相推定用のニューラルネットワークを含む、請求項1に記載の周期画像復元装置。
- 前記位相依存特徴抽出手段は、前記第2の数の画像を入力とし、前記第2の数の画像から、前記位相依存特徴を抽出するよう予め訓練された位相依存特徴抽出用のニューラルネットワークを含む、請求項1又は請求項2に記載の周期画像復元装置。
- 前記特徴変換手段は、前記位相推定手段が推定した前記位相と、前記位相依存特徴とを入力として、前記位相非依存特徴を出力するよう予め訓練済の特徴変化用のニューラルネットワークを含む、請求項1から請求項3のいずれか1項に記載の周期画像復元装置。
- 前記画像復元手段は、前記特徴変換手段により変換された後の前記位相非依存特徴を入力とし、前記運動をしている前記生物の、前記第1の数の位相の各々における画像データを出力するよう予め訓練済の、画像復元用のニューラルネットワークを含む、請求項1から請求項4のいずれか1項に記載の周期画像復元装置。
- 請求項1から請求項5のいずれか1項に記載の周期画像復元装置と、
各々が前記第1の数の画像からなる複数の対照画像列を記憶した対照画像列記憶装置と、
入力画像から前記周期画像復元装置が復元した前記第1の数の画像と、前記対照画像列記憶装置に記憶された前記複数の対照画像列とを比較することにより、前記入力画像内の前記生物が、前記対照画像列記憶装置に記憶された前記複数の対照画像列が示す生物のいずれであるか識別するための識別手段とを含む、識別装置。 - 請求項1から請求項5のいずれか1項に記載の周期画像復元装置と、
前記第1の数の画像からなる対照画像列を記憶した対照画像列記憶装置と、
入力画像から前記周期画像復元装置が復元した前記第1の数の画像と、前記対照画像列記憶装置に記憶された前記対照画像列とを比較することにより、前記入力画像内の前記生物が、前記対照画像列記憶装置に記憶された前記対照画像列が示す生物と同一か否かを検証するための検証手段とを含む、検証装置。 - 周期性を持つ運動の、少なくとも当該運動の半周期以上の予め定められた第1の数の位相における、生物の第1の数の画像を、前記第1の数より小さな第2の数の画像から復元するための、コンピュータにより実現される周期画像復元方法であって、
コンピュータが、前記第2の数の画像に関する前記運動の位相を推定する位相推定ステップと、
コンピュータが、前記第2の数の画像から、位相に依存した位相依存特徴を抽出する位相依存特徴抽出ステップと、
コンピュータが、前記位相推定ステップにおいて推定された前記位相に基づいて、前記位相依存特徴抽出ステップにおいて抽出された前記位相依存特徴を、前記位相から独立した位相非依存特徴に変換する特徴変換ステップと、
コンピュータが、前記特徴変換ステップにおいて変換された後の前記位相非依存特徴に基づいて、前記運動をしている前記生物の、前記第1の数の位相の各々における画像を復元する画像復元ステップとを含む、周期画像復元方法。 - 請求項8に記載の方法の各ステップと、
コンピュータが、入力画像から前記方法により復元された前記第1の数の画像と、各々が前記第1の数の対照画像を含む複数の対照画像列とを比較することにより、前記入力画像内の前記生物が、前記複数の対照画像列が示す生物のいずれであるか識別するステップとを含む、識別方法。 - 請求項8に記載の方法の各ステップと、
コンピュータが、入力画像から前記方法により復元された前記第1の数の画像と、前記第1の数の対照画像を含む対照画像列とを比較することにより、前記入力画像内の前記生物が、前記対照画像列が示す生物と同一か否かを検証するステップとを含む、検証方法。 - 周期性を持つ運動を行っている生物の画像から、当該生物の個性を表す特徴を抽出するための特徴抽出装置であって、
入力画像に基づいて、前記入力画像内の前記生物の姿勢が、前記運動におけるどの位相の姿勢かを推定する位相推定手段と、
前記入力画像から、位相に依存した位相依存特徴を抽出する位相依存特徴抽出手段と、
前記位相推定手段が推定した前記位相に基づいて、前記位相依存特徴抽出手段により抽出された前記位相依存特徴を、前記位相から独立した位相非依存特徴に変換するための特徴変換手段とを含む、特徴抽出装置。 - 請求項11に記載の特徴抽出装置と、
複数の生物が前記運動を行っている生物の画像からなる複数の対照画像を記憶した対照画像記憶装置と、
入力画像から前記特徴抽出装置が抽出した前記位相非依存特徴と、前記複数の対照画像の各々から前記特徴抽出装置が抽出した前記位相非依存特徴とを比較することにより、前記入力画像内の前記生物が、前記対照画像記憶装置に記憶された前記複数の対照画像が示す生物のいずれであるか識別するための識別手段とを含む、識別装置。 - 請求項11に記載の特徴抽出装置と、
対照画像を記憶した対照画像記憶装置と、
入力画像から前記特徴抽出装置が抽出した前記位相非依存特徴と、前記対照画像記憶装置に記憶された前記対照画像から前記特徴抽出装置が抽出した前記位相非依存特徴とを比較することにより、前記入力画像内の前記生物が、前記対照画像記憶装置に記憶された前記対照画像が示す生物と同一か否かを検証するための検証手段とを含む、検証装置。 - 各々が、ある生物の、周期性を持つ運動の第1の数の位相のいずれかにおける、前記生物の姿勢を表す複数の画像を、それぞれ当該姿勢の前記位相を表す情報と関連付けて準備するステップと、
前記画像の入力を受ける入力層と、前記第1の数のいずれかを示す出力を持つ出力層と、前記入力層と前記出力層との間に配置された、少なくともコンボリューション層を含む複数の中間層とを含むニューラルネットワークを準備し、各パラメータを初期化するステップと、
前記複数の画像の各々について、当該画像を入力とし、当該画像の位相を表す情報を教師データとして、前記ニューラルネットワークの出力と前記教師データとの差を減少させるように、予め定められた終了条件が充足されるまで前記ニューラルネットワークを訓練するステップとを含む、位相推定用のニューラルネットワークの訓練方法。 - 請求項14に記載の訓練方法により訓練されたニューラルネットワークを用いた、周期画像の位相推定装置。
- 周期性を持つ運動の、少なくとも当該運動の半周期以上の予め定められた第1の数の位相における、生物の前記第1の数の画像を、前記第1の数より小さな第2の数の画像から復元するための周期画像復元装置であって、
前記第2の数の画像に関する前記運動の位相を推定する位相推定器と、
前記第2の数の画像から、位相に依存した位相依存特徴を抽出する位相依存特徴抽出器と、
前記位相推定器が推定した前記位相に基づいて、前記位相依存特徴抽出器により抽出された前記位相依存特徴を、前記位相から独立した位相非依存特徴に変換するための特徴変換器と、
前記特徴変換器により変換された後の前記位相非依存特徴に基づいて、前記運動をしている前記生物の、前記第1の数の位相の各々における画像を復元するための画像復元器とを含む、周期画像復元装置。 - 周期性を持つ運動の、少なくとも当該運動の半周期以上の予め定められた第1の数の位相における、生物の前記第1の数の画像を、前記第1の数より小さな第2の数の画像から復元するための、プロセッサを含む周期画像復元装置であって、前記プロセッサは、
前記第2の数の画像に関する前記運動の位相を推定する位相推定器と、
前記第2の数の画像から、位相に依存した位相依存特徴を抽出する位相依存特徴抽出器と、
前記位相推定器が推定した前記位相に基づいて、前記位相依存特徴抽出器により抽出された前記位相依存特徴を、前記位相から独立した位相非依存特徴に変換するための特徴変換器と、
前記特徴変換器により変換された後の前記位相非依存特徴に基づいて、前記運動をしている前記生物の、前記第1の数の位相の各々における画像を復元するための画像復元器として動作するようプログラムされている、周期画像復元装置。 - 周期性を持つ運動の、少なくとも当該運動の半周期以上の予め定められた第1の数の位相における、生物の前記第1の数の画像を、前記第1の数より小さな第2の数の画像から復元するための周期画像復元装置として機能するようコンピュータを動作させるコンピュータプログラムを記憶した、コンピュータ読み取り可能な非一時的記憶媒体であって、前記コンピュータプログラムは、前記コンピュータを、
前記第2の数の画像に関する前記運動の位相を推定する位相推定器と、
前記第2の数の画像から、位相に依存した位相依存特徴を抽出する位相依存特徴抽出器と、
前記位相推定器が推定した前記位相に基づいて、前記位相依存特徴抽出器により抽出された前記位相依存特徴を、前記位相から独立した位相非依存特徴に変換するための特徴変換器と、
前記特徴変換器により変換された後の前記位相非依存特徴に基づいて、前記運動をしている前記生物の、前記第1の数の位相の各々における画像を復元するための画像復元器として動作させる、記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020132951 | 2020-08-05 | ||
JP2020132951 | 2020-08-05 | ||
PCT/JP2021/025891 WO2022030179A1 (ja) | 2020-08-05 | 2021-07-09 | 周期画像復元装置及び方法、識別装置及び方法、検証装置及び方法、特徴抽出装置、訓練方法、位相推定装置、並びに記憶媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2022030179A1 JPWO2022030179A1 (ja) | 2022-02-10 |
JP7353686B2 true JP7353686B2 (ja) | 2023-10-02 |
Family
ID=80119767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022541174A Active JP7353686B2 (ja) | 2020-08-05 | 2021-07-09 | 周期画像復元装置及び方法、識別装置及び方法、検証装置及び方法、特徴抽出装置、訓練方法、位相推定装置、並びに記憶媒体 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7353686B2 (ja) |
WO (1) | WO2022030179A1 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000182060A (ja) | 1998-12-21 | 2000-06-30 | Nec Corp | 個人識別装置及び個人識別方法 |
JP2005074075A (ja) | 2003-09-02 | 2005-03-24 | Matsushita Electric Works Ltd | 歩行周期計測装置、周期画像取得装置、移動体輪郭の圧縮処理装置、移動体識別システム |
WO2006013765A1 (ja) | 2004-08-03 | 2006-02-09 | Matsushita Electric Industrial Co., Ltd. | 人物判定装置及び人物検索追跡装置 |
JP2017094006A (ja) | 2015-11-27 | 2017-06-01 | 株式会社島津製作所 | 画像処理装置および放射線撮影装置 |
-
2021
- 2021-07-09 JP JP2022541174A patent/JP7353686B2/ja active Active
- 2021-07-09 WO PCT/JP2021/025891 patent/WO2022030179A1/ja active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000182060A (ja) | 1998-12-21 | 2000-06-30 | Nec Corp | 個人識別装置及び個人識別方法 |
JP2005074075A (ja) | 2003-09-02 | 2005-03-24 | Matsushita Electric Works Ltd | 歩行周期計測装置、周期画像取得装置、移動体輪郭の圧縮処理装置、移動体識別システム |
WO2006013765A1 (ja) | 2004-08-03 | 2006-02-09 | Matsushita Electric Industrial Co., Ltd. | 人物判定装置及び人物検索追跡装置 |
JP2017094006A (ja) | 2015-11-27 | 2017-06-01 | 株式会社島津製作所 | 画像処理装置および放射線撮影装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2022030179A1 (ja) | 2022-02-10 |
JPWO2022030179A1 (ja) | 2022-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A semisupervised recurrent convolutional attention model for human activity recognition | |
CN112784764B (zh) | 一种基于局部与全局注意力机制的表情识别方法及系统 | |
Jalilian et al. | Iris segmentation using fully convolutional encoder–decoder networks | |
CN111695415B (zh) | 图像识别方法及相关设备 | |
US8340435B2 (en) | Method and system for object recognition search | |
Liang et al. | Pose-invariant facial expression recognition | |
Rajput et al. | An accurate and noninvasive skin cancer screening based on imaging technique | |
US20210232855A1 (en) | Movement state recognition model training device, movement state recognition device, methods and programs therefor | |
Slim et al. | IoT System Based on parameter optimization of Deep Learning using Genetic Algorithm. | |
Tanigaki et al. | Predicting performance improvement of human activity recognition model by additional data collection | |
Santos et al. | Manifold learning for user profiling and identity verification using motion sensors | |
JP7353686B2 (ja) | 周期画像復元装置及び方法、識別装置及び方法、検証装置及び方法、特徴抽出装置、訓練方法、位相推定装置、並びに記憶媒体 | |
Almabdy et al. | An overview of deep learning techniques for biometric systems | |
Abdulmunem et al. | Deep learning based masked face recognition in the era of the COVID-19 pandemic | |
CN116797817A (zh) | 基于自监督图卷积模型的自闭症疾病预测技术 | |
Nikolov et al. | Skeleton-based human activity recognition by spatio-temporal representation and convolutional neural networks with application to cyber physical systems with human in the loop | |
Chhabria et al. | Survey of fusion techniques for design of efficient multimodal systems | |
Qian et al. | Transfer learning model knowledge across multi-sensors locations over body sensor network | |
KR20220128016A (ko) | 피부 분석 시스템 | |
Kang et al. | Neural network architecture and transient evoked otoacoustic emission (TEOAE) biometrics for identification and verification | |
CN112651363A (zh) | 基于多特征点的微表情拟合方法和系统 | |
KR102636549B1 (ko) | 노이즈 개선 네트워크 기반 보행 인식 장치 및 방법 | |
Chou et al. | Low-complexity on-demand reconstruction for compressively sensed problematic signals | |
Hashem et al. | Human gait identification system based on transfer learning | |
KR102549558B1 (ko) | 비접촉식 측정 데이터를 통한 감정 예측을 위한 인공지능 기반 감정인식 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221221 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230801 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230822 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230905 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230912 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7353686 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |