JP7560310B2 - 髪年齢評価方法 - Google Patents

Description

本発明は、髪年齢評価方法、ヘアケア製品又はヘアケアサービスを提案する方法、髪年齢評価装置、及びヘアケア製品又はヘアケアサービスを提案する装置に関する。

画像解析を使用して、外観から毛髪等の年齢を推定することが試みられている。
毛髪を評価する方法として、例えば、被験者に対する問診データと、被験者の毛髪構造を光学的に観察したデータとを入力し、これらのデータを基に被験者の毛髪状態を診断する手段を備えた毛髪診断システムが知られている（特許文献１）。また、超音波皮膚画像を画像解析装置に取り込んで皮膚年齢を推定する方法が知られている（特許文献２）。

特開２０００－２８７９５３号公報 特開２０００－０８３９５４号公報

しかしながら、髪の年齢を、簡便且つ高精度で評価する方法は知られていないのが現状である。
従って、本発明の目的は、簡便且つ高精度で髪年齢を評価する方法を提供することにある。

すなわち、本発明は以下の通りである。
［１］
対象者の髪の画像を解析して、髪のツヤ、うねり、ボリューム、色むらの各解析値を算出し、該各解析値に基づいて前記対象者の髪年齢を算出する、髪年齢評価方法。
［２］
前記対象者の髪年齢を算出する際に、
下記式（１）：
Ｙ（髪年齢）＝α＋β１×（標準化した髪のツヤ評価Ｖｇ）＋β２×（標準化した髪のうねり評価Ｖｗ）＋β３×（標準化した髪のボリューム評価Ｖｖ）＋β４×（標準化した髪の色むら評価Ｖｕ）・・・（１）
（式（１）において、２７．０２≦α≦６５．８、－１２．２０≦β１≦－３．４０、２．４０≦β２≦８．９４、－６．９６≦β３≦８．８１、－４．９４≦β４≦４．２９である）
を用いる、［１］に記載の髪年齢評価方法。
［３］
畳み込みニューラルネットワークを用いて、対象者の髪の画像から、前記髪のツヤを算出する、［１］又は［２］に記載の髪年齢評価方法。
［４］
畳み込みニューラルネットワークを用いて、対象者の髪の画像から、前記髪のうねりを算出する、［１］～［３］のいずれかに記載の髪年齢評価方法。
［５］
畳み込みニューラルネットワークを用いて、対象者の髪の画像から、前記髪のボリュームを算出する、［１］～［４］のいずれかに記載の髪年齢評価方法。
［６］
畳み込みニューラルネットワークを用いて、対象者の髪の画像から、前記髪の色むらを算出する、［１］～［５］のいずれかに記載の髪年齢評価方法。
［７］
前記対象者の髪の画像を前記対象者の髪を撮影して取得し、
算出された前記対象者の髪年齢を画面に表示する、
［１］～［６］のいずれかに記載の髪年齢評価方法。
［８］
［１］～［７］のいずれかに記載の髪年齢評価方法により算出された前記対象者の髪年齢と、前記対象者に対する問診結果とに基づいて、ヘアケア製品又はヘアケアサービスを提案する方法。
［９］
対象者の髪のツヤを解析するツヤ解析部と、
対象者の髪のうねりを解析するうねり解析部と、
対象者の髪のボリュームを解析するボリューム解析部と、
対象者の髪の色むらを解析する色むら解析部と、
を含む解析部を含む、髪年齢評価装置。
［１０］
前記解析部において、
下記式（１）：
Ｙ（髪年齢）＝α＋β１×（標準化した髪のツヤ評価Ｖｇ）＋β２×（標準化した髪のうねり評価Ｖｗ）＋β３×（標準化した髪のボリューム評価Ｖｖ）＋β４×（標準化した髪の色むら評価Ｖｕ）・・・（１）
（式（１）において、２７．０２≦α≦６５．８、－１２．２０≦β１≦－３．４０、２．４０≦β２≦８．９４、－６．９６≦β３≦８．８１、－４．９４≦β４≦４．２９である）
を用いる、［９］に記載の髪年齢評価装置。
［１１］
前記対象者の髪を撮影してその画像を取得する撮像部と、
算出された前記髪年齢を画面に表示する表示部と、
を含む、［９］又は［１０］に記載の髪年齢評価装置。
［１２］
［９］～［１１］のいずれかに記載の髪年齢評価装置と、前記対象者に対する問診装置とを含む、ヘアケア製品又はヘアケアサービスを提案する装置。
［１３］
畳み込みニューラルネットワークを用いて、対象者の髪の画像から、前記対象者の髪年齢を算出する、髪年齢評価方法。

本発明の髪年齢評価方法は、上記構成を有するため、簡便且つ高精度に髪年齢を評価することができる。

本実施形態の髪評価方法の一例を示す概略図である。 髪のツヤの算出方法の一例を説明する概略図である。 髪のうねりの算出方法の一例を説明する概略図である。（ａ）はうねりの算出方法ｉ～ｉｉｉを説明する概略図であり、（ｂ）はうねりの算出方法ｉｖ～ｘｖｉを説明する概略図である。 髪のボリュームの算出方法の一例を説明する概略図である。（ａ）はボリュームの算出方法ｉ、ｉｉｉ、ｉｖを説明する概略図であり、（ｂ）はボリュームの算出方法ｉｉ、ｖを説明する概略図である。 髪の色むらの算出方法の一例を説明する概略図である。（ａ）は色むらの算出方法ｉ～ｉｖを説明する概略図であり、（ｂ）は色むらの算出方法ｖ～ｖｉｉｉを説明する概略図である。 髪の色むらの算出方法の一例を説明する概略図である。（ｃ）は色むらの算出方法ｘｉｉｉ～ｘｖｉを説明する概略図であり、（ｄ）は色むらの算出方法ｉｘ～ｘｉｉを説明する概略図である。

［髪年齢評価方法］
本実施形態の髪年齢評価方法は、対象者の髪の画像を解析して、髪のツヤ、うねり、ボリューム、色むらの各解析値を算出し、該各解析値に基づいて上記対象者の髪年齢を算出する方法である。

本発明者らが鋭意検討を重ねたところ、髪年齢は、特に、髪のツヤ、髪のうねり、髪のボリューム、髪の色むらを用いることで、より精度高く評価できることを見出した。中でも、髪年齢は、例えば、上記髪のツヤ、上記髪のうねり、上記髪のボリューム、上記髪の色むらの解析値に比重をかけて、加算することによって、評価することが好ましい。

髪年齢は、髪のツヤ、髪のうねり、髪のボリューム、髪の色むらを特定の式に当てはめることで、より一層精度高く評価できることを見出した。具体的には、本実施形態の髪年齢評価方法は、上記対象者の髪年齢を算出する際に、
下記式（１）：
Ｙ（髪年齢）＝α＋β１×（標準化した髪のツヤ評価Ｖｇ）＋β２×（標準化した髪のうねり評価Ｖｗ）＋β３×（標準化した髪のボリューム評価Ｖｖ）＋β４×（標準化した髪の色むら評価Ｖｕ）・・・（１）
（式（１）において、２７．０２≦α≦６５．８、－１２．２０≦β１≦－３．４０、２．４０≦β２≦８．９４、－６．９６≦β３≦８．８１、－４．９４≦β４≦４．２９である）
を用いることが好ましい。
上記αは、上述の範囲のβ１、β２、β３、β４とともに用いることにより、一層誤差が小さく髪年齢を算出できる観点から、より好ましくは２７．０２～３９．７３である。
上記β１は、上述の範囲のα、β２、β３、β４とともに用いることにより、一層誤差が小さく髪年齢を算出できる観点から、より好ましくは－６．５６～－３．４０である。
上記β２は、上述の範囲のα、β１、β３、β４とともに用いることにより、一層誤差が小さく髪年齢を算出できる観点から、より好ましくは５．５９～８．９４である。
上記β３は、上述の範囲のα、β１、β２、β４とともに用いることにより、一層誤差が小さく髪年齢を算出できる観点から、より好ましくは－６．９６～３．６３、さらに好ましくは－４．３１～３．６３である。
上記β４は、上述の範囲のα、β１、β２、β３とともに用いることにより、一層誤差が小さく髪年齢を算出できる観点から、より好ましくは－１．１２～４．２９である。
上記α、β１、β２、β３、β４は、専門家が複数の対象者を目視で観察して評価した髪年齢、及び後述の方法で算出した該複数の対象者の標準化後の髪のツヤ、標準化後の髪のうねり、標準化後の髪のボリューム及び標準化後の髪の色むらを用いて解析を行うことにより導くことができる。
上記算出式は、例えば、ランダムに抽出した１０代～７０代日本人女性２００名の髪のツヤ、髪のうねり、髪のボリューム、髪の色むらを目視評価した結果及び後頭部撮影写真のデータセットを用い、多変量解析することにより求めることができる（使用ソフト：ＪＭＰ１４、独立変数の選択：ステップワイズ法）。
上記α、β１、β２、β３、β４を算出する際に使用する対象者の数としては、一層精度高く髪年齢を評価できる観点から、１０名以上であることが好ましく、より好ましくは１５名以上、さらに好ましくは２０名以上、さらに好ましくは５０名以上、特に好ましくは２００名以上である。

上記αは、上述の好適範囲のβ１、β２、β３、β４とともに用いることにより、一層誤差が小さく髪年齢を算出できる観点から、より好ましくは２７．０２～３９．７３である。
上記β１は、上述の好適範囲のα、β２、β３、β４とともに用いることにより、一層誤差が小さく髪年齢を算出できる観点から、より好ましくは－６．５６～－３．４０である。
上記β２は、上述の好適範囲のα、β１、β３、β４とともに用いることにより、一層誤差が小さく髪年齢を算出できる観点から、より好ましくは５．５９～８．９４である。
上記β３は、上述の好適範囲のα、β１、β２、β４とともに用いることにより、一層誤差が小さく髪年齢を算出できる観点から、より好ましくは－６．９６～３．６３、さらに好ましくは－４．３１～３．６３である。
上記β４は、上述の好適範囲のα、β１、β２、β３とともに用いることにより、一層誤差が小さく髪年齢を算出できる観点から、より好ましくは－１．１２～４．２９である。

上記α、β１、β２、β３、β４としては、目視によって評価した髪年齢と、本実施形態で評価した髪年齢との誤差が少なく、該誤差が５歳以下で評価できる割合が高くなる観点から、５５≦α≦６３、－７．５≦β１≦－５．５、４≦β２≦６、－４≦β３≦－３、０．５≦β４≦１．５であることが好ましい。

髪年齢は、１枚の画像を用いて評価してもよいし、複数の画像を用いて評価してもよい。中でも、後姿と前姿との２枚の画像を用いて評価することが好ましく、対象者の後姿の画像１枚のみを用いて評価することがより好ましい。なお、ツヤ、うねり、ボリューム、色むらの解析において、異なる枚数及び／又は種類の画像を用いて評価してもよいし、同じ画像を用いて評価してもよい。中でも、ボリューム以外（例えば、ツヤ、うねり、色むら）を同じ画像を用いて評価することが好ましく、ツヤ、うねり、ボリューム、色むらを同じ画像を用いて評価することがより好ましい。

上記後姿の画像としては、対象者の背側から撮像した画像（例えば、対象者の背側正中が略中心となる画像）が好ましい。また、上記前姿の画像としては、対象者の腹側から撮像した画像（例えば、対象者の腹側正中が略中心となる画像）が好ましい。
上記画像は、背景を白色として撮像することが好ましい。
上記画像は、立位又は座位で撮像することが好ましい。
上記画像は、白色の服を着て撮像することが好ましく、対象者の髪、顔、以外の部分が白色の画像であることがより好ましい。

撮影時の明るさとしては、５００～２０００ルクスの照度で撮影することが好ましい。また、髪年齢の評価、及びツヤ、うねり、ボリューム、色むらの算出に用いる画像は５００万画素以上の画像（例えば、横方向に２５６０～３８８８画素、縦方向に１９２０～２５９２画素の画像において、画像の面積１００％に対して髪輪郭が５～８０％（好ましくは、６０～８０％）を占める画像）であることが好ましい。
髪年齢、ツヤ、うねり、ボリューム、又は色むらの各種の算出に用いる全対象者の画像は、同じ条件で撮影した画像であることが好ましく、全種の算出において同じ条件で撮影した画像を用いることがより好ましい。

画像としては、特に限定されず、例えば、過去に撮影した画像、髪年齢を評価する場所と異なる場所で撮影した画像、複数人が写った画像等を使用することもできる。

上記対象者としては、ヒトであれば特に限定されず、男性、女性を問わない。
また、対象者の年齢も特に限定されない。

本実施形態の髪年齢評価方法は、上記ツヤ、上記うねり、上記ボリューム、上記色むらに加えて、他の指標を加味して髪年齢を評価してもよい。上記他の指標としては、上記ツヤ、上記うねり、上記ボリューム、上記色むらの評価に用いた画像のみを用いて評価できる指標であることが好ましい。

本実施形態の髪年齢評価方法は、対象者の髪の画像を上記対象者の髪を撮影して取得し、該画像を用いて算出された該対象者の髪年齢を画面に表示する方法であってもよい（図１）。例えば、座位の対象者の後姿の画像を取得し、その場で髪年齢を評価して表示してもよい。

＜髪のツヤ＞
上記髪のツヤは、画像の輝度値を用いて算出してよい。中でも、一層正確にツヤを評価できる観点から、後述のツヤの算出方法ｉ～ｉｉｉの方法で算出することが好ましく、後述のツヤの算出方法ｉで算出することがより好ましい。
上記髪のツヤは、１枚の上記後姿の画像から算出することが好ましい。

上記髪のツヤは、対象者の画像（例えば、後姿の画像）から領域を設定し、各領域の輝度値を求めて算出してよい。

上記標準化後のツヤは、任意の２０人の各対象者の標準化後のツヤと目視によって評価したツヤとの誤差を平均したときに、該平均値が、０．５０以下であることが好ましく、より好ましくは０．４５以下、さらに好ましくは０．４０以下である。誤差の平均値が上記範囲であることにより、上記α、β１、β２、β３、β４が上記好適範囲内であるとき、一層精度よく髪年齢を評価することができる。
なお、目視によって評価したツヤは、後述の実施例に記載の方法により評価することができる。

上記髪のツヤは、画像をパソコンに取り込んだのちに、グレースケールに変換し、閾値１１０で二値化して、髪輪郭を作成してよい。
本明細書において、髪輪郭は、Ｐｙｔｈｏｎ言語によるプログラムにＯｐｅｎＣＶライブラリを組み込み、ＯｐｅｎＣＶ内の関数ｃｖ２．ｆｉｎｄＣｏｎｔｏｕｒｓにより作成することができる。髪輪郭は、例えば、画面上で髪の輪郭をなぞって形成する等、他の方法で形成してもよい。

以下に領域の設定の一例を、図２を用いて説明する。
ツヤの測定において、対象者の背骨の方向（例えば、背側の正中線方向）をｙ方向とし、足側を正の方向、頭側を負の方向とする。また、画像中の髪の周囲を形作る線（本明細書において、「髪輪郭」と称する場合がある）上において、ｙ方向に最も小さい位置のｙ座標をｙ＿ｍｉｎとし、ｙ方向に最も大きい位置のｙ座標をｙ＿ｍａｘとする。ここで、ｙ＿ｍｉｎが複数ある場合は、最も正中線に近い位置のｙ座標をｙ＿ｍｉｎとしてよい。
また、上記画像において、ｙ方向に垂直な方向をｘ方向とする。画像の右を正の方向、左を負の方向とする。背側の正中線のｘ座標をｘ＿０とし、上記髪輪郭において、ｘ方向に最も小さい位置のｘ座標（最も左の座標）をｘ＿ｍｉｎ、ｘ＿ｍｉｎからｘ方向に最も大きい位置のｘ座標をｘ＿ｍａｘとする。

上記後姿の画像において、ｙ＿ｍｉｎからｙ＿ｍａｘまでのｙ方向長さを１００％とし、ｙ＿ｍｉｎからｙ方向の正の方向に１０％の位置のｙ座標をｙ＿１００とする。
ｙ＿１００からｙ＿ｍａｘまでのｙ方向長さを１００％とし、ｙ＿１００からｙ方向の正の方向に２５％の位置のｙ座標をｙ＿ｄｐ１、５０％の位置のｙ座標をｙ＿ｄｐ２、７５％の位置のｙ座標をｙ＿ｄｐ３とする（なお、１００％の位置のｙ座標は、ｙ＿ｍａｘである）。また、ｙ＿１００からｙ＿ｍａｘまでのｙ方向長さを１００％とし、ｙ＿１００からｙ方向の正の方向に１０％の位置のｙ座標をｙ＿１００Ａ、ｙ＿ｄｐ１からｙ方向の正の方向に１０％の位置のｙ座標をｙ＿ｄｐ１Ａ、ｙ＿ｄｐ２からｙ方向の正の方向に１０％の位置のｙ座標をｙ＿ｄｐ２Ａとする。

上記後姿の画像において、ｘ＿ｍｉｎからｘ＿ｍａｘまでのｘ方向長さを１００％とし、ｘ＿０からｘ方向の負の方向に１０％の位置のｘ座標をｘ＿ｌ、ｘ＿０からｘ方向の正の方向に１０％の位置のｘ座標をｘ＿ｒ、とする。また、ｙ座標がｙ＿ｄｐ１であるｘ方向に平行な直線（ｘ軸＿ｄｐ１）と上記髪輪郭との交点のうちｘ方向に最も小さい交点をｘ＿ｄｐ１＿ｍｉｎ、ｘ方向に最も大きい交点をｘ＿ｄｐ１＿ｍａｘとし、ｙ座標がｙ＿ｄｐ２であるｘ方向と平行な直線（ｘ軸＿ｄｐ２）と上記髪輪郭との交点のうちｘ方向に最も小さい交点をｘ＿ｄｐ２＿ｍｉｎ、ｘ方向に最も大きい交点をｘ＿ｄｐ２＿ｍａｘとし、ｙ座標がｙ＿ｄｐ３であるｘ方向と平行な直線（ｘ軸＿ｄｐ３）と上記髪輪郭との交点のうちｘ方向に最も小さい交点をｘ＿ｄｐ３＿ｍｉｎ、ｘ方向に最も大きい交点をｘ＿ｄｐ３＿ｍａｘとする。ｘ＿ｄｐ１＿ｍｉｎからｘ＿ｄｐ１＿ｍａｘまでのｘ方向長さ１００％として、点ｘ＿ｄｐ１＿ｍｉｎからｘ方向の正の方向に１０％の位置のｘ座標をｘ＿Ａ’ｌ、点ｘ＿ｄｐ１＿ｍａｘからｘ方向の負の方向に１０％の位置のｘ座標をｘ＿Ａ’ｒとする。また、ｘ＿ｄｐ２＿ｍｉｎからｘ＿ｄｐ２＿ｍａｘまでのｘ方向長さ１００％として、点ｘ＿ｄｐ２＿ｍｉｎからｘ方向の正の方向に１０％の位置のｘ座標をｘ＿Ｂ’ｌ、点ｘ＿ｄｐ２＿ｍａｘからｘ方向の負の方向に１０％の位置のｘ座標をｘ＿Ｂ’ｒとする。また、ｘ＿ｄｐ３＿ｍｉｎからｘ＿ｄｐ３＿ｍａｘまでのｘ方向長さ１００％として、点ｘ＿ｄｐ３＿ｍｉｎからｘ方向の正の方向に１０％の位置のｘ座標をｘ＿Ｃ’ｌ、点ｘ＿ｄｐ３＿ｍａｘからｘ方向の負の方向に１０％の位置のｘ座標をｘ＿Ｃ’ｒ、とする。

座標（ｘ＿ｌ、ｙ＿１００）、（ｘ＿ｒ、ｙ＿１００）、（ｘ＿ｒ、ｙ＿１００Ａ）、（ｘ＿ｌ、ｙ＿１００Ａ）で囲まれた四角形領域を領域Ａとする。
座標（ｘ＿ｌ、ｙ＿ｄｐ１）、（ｘ＿ｒ、ｙ＿ｄｐ１）、（ｘ＿ｒ、ｙ＿ｄｐ１Ａ）、（ｘ＿ｌ、ｙ＿ｄｐ１Ａ）で囲まれた四角形領域を領域Ｂとする。
座標（ｘ＿ｌ、ｙ＿ｄｐ２）、（ｘ＿ｒ、ｙ＿ｄｐ２）、（ｘ＿ｒ、ｙ＿ｄｐ２Ａ）、（ｘ＿ｌ、ｙ＿ｄｐ２Ａ）で囲まれた四角形領域を領域Ｃとする。
座標（ｘ＿Ａ’ｌ、ｙ＿１００）、（ｘ＿Ａ’ｒ、ｙ＿１００）、（ｘ＿Ａ’ｒ、ｙ＿ｄｐ１）、（ｘ＿Ａ’ｌ、ｙ＿ｄｐ１）で囲まれた四角形領域を領域Ａ’とする。
座標（ｘ＿Ｂ’ｌ、ｙ＿ｄｐ１）、（ｘ＿Ｂ’ｒ、ｙ＿ｄｐ１）、（ｘ＿Ｂ’ｒ、ｙ＿ｄｐ２）、（ｘ＿Ｂ’ｌ、ｙ＿ｄｐ２）で囲まれた四角形領域を領域Ｂ’とする。
座標（ｘ＿Ｃ’ｌ、ｙ＿ｄｐ２）、（ｘ＿Ｃ’ｒ、ｙ＿ｄｐ２）、（ｘ＿Ｃ’ｒ、ｙ＿ｄｐ３）、（ｘ＿Ｃ’ｌ、ｙ＿ｄｐ３）で囲まれた四角形領域を領域Ｃ’とする。
領域Ｂ’と領域Ｃ’とをあわせた領域を領域Ｄ’とする。
座標（ｘ＿ｌ、ｙ＿１００）、（ｘ＿ｒ、ｙ＿１００）、（ｘ＿Ａ’ｒ、ｙ＿ｄｐ１）、（ｘ＿Ａ’ｌ、ｙ＿ｄｐ１）で囲まれた四角形領域（台形状）を領域Ａ’’とする。
座標（ｘ＿Ａ’ｌ、ｙ＿ｄｐ１）、（ｘ＿Ａ’ｒ、ｙ＿ｄｐ１）、（ｘ＿Ｂ’ｒ、ｙ＿ｄｐ２）、（ｘ＿Ｂ’ｌ、ｙ＿ｄｐ２）で囲まれた四角形領域（台形状）を領域Ｂ’’とする。
座標（ｘ＿Ｂ’ｌ、ｙ＿ｄｐ２）、（ｘ＿Ｂ’ｒ、ｙ＿ｄｐ２）、（ｘ＿Ｃ’ｒ、ｙ＿ｄｐ３）、（ｘ＿Ｃ’ｌ、ｙ＿ｄｐ３）で囲まれた四角形領域（台形状）を領域Ｃ’’とする。
領域Ｂ’と領域Ｃ’とをあわせた領域を領域Ｄ’’とする。

上記輝度は、上記画像から測定することができる。
輝度は、例えば、領域内の任意の点（例えば１００００～１０００００００点、好ましくは２００００～５００００００点、より好ましくは３００００～１００００００点）で測定してもよい。
上記輝度を測定する際の任意の点としては、例えば、領域を区画化して、各区画を一つの点としてもよい。例えば、領域Ａ、Ｂ、Ｃは、領域をｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分して区画化し、各区画の輝度値を測定してよい。領域Ａ’は、ｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分して区画化すること以外、領域Ａ～Ｃと同様にして各区画の輝度値を得てよい。領域Ｂ’は、ｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分して区画化すること以外、領域Ａ～Ｃと同様にして各区画の輝度値を得てよい。領域Ｃ’は、ｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分すること以外、領域Ａ～Ｃと同様にして各区画の輝度値を得てよい。例えば、画像がデジタル画像である場合、１つの区画は１画素としてもよい。なお、髪輪郭内に入らない区画がある場合、その区画を除いて測定してよい。
なお、上記各区画の輝度値は、各区画内の任意の２～２０点（好ましくは１０点）の輝度値を平均した値としてもよい。
上記輝度は、後述の実施例に記載の方法により測定することができる。

領域中の上記任意の各点（又は各区画）の輝度値から、各領域の輝度値の最大値、最小値、標準偏差、平均値、中央値を得ることができる。

上記ツヤは、異なる複数領域（例えば、上記領域Ａと上記領域Ｂ等の２領域等）の、領域の輝度値の最大値、最小値、標準偏差、平均値、又は中央値を対比した値を用い、標準化後のツヤに変換して算出することができる。中でも、ツヤが一層精度良く算出できる観点から、異なる２領域の輝度値の標準偏差を対比して算出した値を用いることが好ましく、異なる２領域の輝度値の標準偏差の差を用いて算出した値を用いることが好ましい。

上記ツヤの算出において、輝度値の標準偏差等を対比した値等を用いて、標準化後のツヤに変換する方法としては、例えば、以下の方法が挙げられる。
事前に、頭髪専門評価者が、２００名以上の対象者の髪のツヤを目視で５段階に評価する。５の評価（非常に良好なツヤがあるの評価）の人数を「５の評価者数」、４の評価（良好なツヤがあるの評価）の人数を「４の評価者数」、３の評価（平均的なツヤがあるの評価）の人数を「３の評価者数」、２の評価（わずかにツヤがあるの評価）の人数を「２の評価者数」、１の評価（ツヤがないの評価）の人数を「１の評価者数」とする。ここで、上記対象者は、ランダムに選択した対象者とする。
次に、同じ対象者に対して、後述のツヤの算出方法により、輝度値の標準偏差等を対比した値等を算出する。そして、該値が高い順に並べ、最高値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が高い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が高い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が高い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も低い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。

以下に、ツヤの好ましい算出方法の一例を記載する。なお、以下の算出方法では、対象者のカラー画像を用いてもよいし、グレースケール画像を用いてもよいし、白黒画像を用い。

（ツヤの算出方法ｉ）
上記領域Ａ、Ｂを、ｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分し、得られた各区画内の輝度値を測定する。上記各区画の輝度値は、各区画内の１０点の輝度値を測定し、その平均値をその区画の輝度値とする。得られた各区画の輝度値から、横軸に輝度値、縦軸に頻度をとるヒストグラムを、領域ごとに作成する。領域Ａ及び領域Ｂのヒストグラムから、領域Ａの標準偏差、領域Ｂの標準偏差を求め、「領域Ａの標準偏差－領域Ｂの標準偏差」を求める。
得られた標準偏差の差を、上述の方法により変換して、標準化後のツヤＶｇを得る。

（ツヤの算出方法ｉｉ）
上記領域Ａ、Ｃを、ｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分し、得られた各区画内の輝度値を測定する。上記各区画の輝度値は、各区画内の１０点の輝度値を測定し、その平均値をその区画の輝度値とする。得られた各区画の輝度値から、横軸に輝度値、縦軸に頻度をとるヒストグラムを、領域ごとに作成する。領域Ａ及び領域Ｃのヒストグラムから、領域Ａの標準偏差、領域Ｃの標準偏差を求め、「領域Ａの標準偏差－領域Ｃの標準偏差」を求める。
得られた値を、上述の方法により変換して、標準化後のツヤＶｇを得る。

（ツヤの算出方法ｉｉｉ）
上記領域Ａ’、Ｂ’を、ｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分し、得られた各区画内の輝度値を測定する。上記各区画の輝度値は、各区画内の１０点の輝度値を測定し、その平均値をその区画の輝度値とする。得られた各区画の輝度値から、横軸に輝度値、縦軸に頻度をとるヒストグラムを、領域ごとに作成する。領域Ａ’及び領域Ｂ’のヒストグラムから、領域Ａ’の標準偏差、領域Ｂ’の標準偏差を求め、「領域Ａ’の標準偏差－領域Ｂ’の標準偏差」を求める。
得られた値を、上述の方法により変換して、標準化後のツヤＶｇを得る。

（ツヤの算出方法ｉｖ）
対象者の髪の画像から、畳み込みニューラルネットワーク（本明細書において、「ＣＮＮ」と称する場合がある。）を用いて、ツヤを算出する。用いる画像としては、上述の画像が挙げられ、中でも対象者の後姿の画像１枚を用いることが好ましい。後述の教師あり学習を行う場合、学習に用いた髪の画像と同じ種類の入力データを用いることが好ましい。対象者の画像を入力し、ＣＮＮの出力として、標準化後のツヤＶｇを得ることができる。ツヤの算出方法ｉｖにより、従来、頭髪専門評価者が、対象者の画像を目視して判定していたツヤを、簡易に、短時間で算出することができる。
上記ＣＮＮとしては、ＶＧＧ１６、ＡｌｅｘＮｅｔ等を用いることができ、中でも、ツヤを一層精度よく算出できる観点から、ＶＧＧ１６が好ましい。
上記ＣＮＮは、事前に、教師あり学習をしてもよい。上記教師あり学習としては、以下の手順１～３による方法Ａ、又は手順ａ～ｄによる方法Ｂ（即ち、クロスバリデーション）等が挙げられる。中でも、一層精度高くツヤを判定できる観点から、方法Ｂが好ましい。教師あり学習後に、対象者の画像からＣＮＮが出力したツヤ値を、標準化後のツヤＶｇとしてよい。
上記教師あり学習としては、教師用対象者の髪の画像（例えば、教師用対象者の背後から撮像した髪画像）から頭髪専門評価者が教師用対象者の髪のツヤを目視で５段階に評価したツヤの評価値、及び該髪の画像を教師データとして用いることが好ましい。教師データの上記髪の画像としては、教師用対象者の背後から撮像した髪画像であることが好ましく、髪の画像中の上記髪輪郭、上記領域Ａ～Ｃ、Ａ’～Ｃ’、又はＡ’’～Ｄ’’であることがより好ましい。教師データの上記髪の画像は、１種であってもよいし複数種であってもよいが、より簡易にツヤを算出できる観点から、１種であることが好ましい。また、教師データの全教師用対象者の画像は、同じ条件（例えば、撮影時の明るさ、画素数、画像に対する髪輪郭の面積割合等の条件）で撮影した画像であることが好ましい。
＜方法Ａ＞
（手順１）
頭髪専門評価者が、教師用対象者の髪の画像から、教師用対象者の髪のツヤを目視で５段階に評価する。ＣＮＮに、該髪の画像と、該評価値とを入力する。ＣＮＮを用いて、上記髪の画像の髪のツヤが、１～５の５段階のいずれであるか、標準化後のツヤの推測値Ｉの出力を得る。
（手順２）
上記推測ツヤ値Ｉと、頭髪専門評価者による評価値と、を比較する。
（手順３）
上記推測ツヤ値Ｉと、上記評価値とのずれが小さくなるように（例えば、上記推測ツヤ値Ｉと上記評価値とのずれが１以下となるように、又は上記推測ツヤ値Ｉと上記評価値とが一致するように）ＣＮＮのパラメータを調整する。上記調整は、上記評価値と上記推測ツヤ値Ｉとが一致する確率値をＣＮＮによって出力し、一致する確率値が０．４以上（好ましくは０．５以上、より好ましくは０．６以上、さらに好ましくは０．７以上）となるようにしてもよい。なお、上記確率値は、ＣＮＮが、推測ツヤ値Ｉが「１」である確率が１００％と算出した場合「１」の確率値が１となり、「１」である確率が０％と算出した場合「１」の確率値が０となる値であって、１～５段階の確率値の合計が１となる値である。ＣＮＮのパラメータの上記調整方法としては、誤差逆伝搬法、勾配降下法等を用いることができる。１０名（好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の教師用対象者の髪の画像及び評価値を用いて上記の手順１～３を繰り返し、教師あり学習を終了する。
＜方法Ｂ＞
（手順ａ）
上記手順１と同様にして、髪の画像、及び頭髪専門評価者による該髪の画像の評価値、を用意する。全教師用対象者（例えば１０名、好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の６～９割の任意の割合をトレーニングデータとし、残りの全てをテストデータとする（例えば、全教師用対象者数の８割をトレーニングデータ、２割をテストデータとする）。
（手順ｂ）
上記トレーニングデータとした教師用対象者のうち一人の教師用対象者の髪の画像及び評価値をＣＮＮに入力し、該一人の教師用対象者のツヤの推測値ＩＩを得る。上記推測ツヤ値ＩＩと、頭髪専門評価者による評価値と、を比較する。
上記推測ツヤ値ＩＩと、上記評価値とのずれが小さくなるように（例えば、上記推測ツヤ値ＩＩと上記評価値とのずれが１以下となるように、又は上記推測ツヤ値ＩＩと上記評価値とが一致するように）ＣＮＮのパラメータを調整する。上記調整は、上記評価値と上記推測ツヤ値ＩＩとが一致する確率値をＣＮＮによって出力し、一致する確率値が０．４以上（好ましくは０．５以上、より好ましくは０．６以上、さらに好ましくは０．７以上）となるようにしてもよい。ＣＮＮのパラメータの上記調整方法としては、誤差逆伝搬法、勾配降下法等を用いることができる。１０名（好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の教師用対象者の髪の画像及び評価値を用いて上記の手順を繰り返し、教師あり学習を終了する。
（手順ｃ）
トレーニングデータとした全教師用対象者について、手順ｂを繰り返し、ＣＮＮのパラメータを調整する。テストデータとした全教師用対象者について、ＣＮＮによるツヤ出力値と、頭髪専門評価者による評価値とを比較し、十分な精度に達したと判断した時点で、学習を終了する。上記十分な精度に達したときとは、例えば、テストデータの全教師用対象者について、上記評価値と上記ツヤ出力値との一致率が０．６以上となったとき、等が挙げられる。なお、上記一致率とは、テストデータの全教師用対象者のうち、上記評価値と上記ツヤ出力値とが一致する対象者の数の割合であり、一致する対象者の割合が６０％であるとき、一致率を０．６とする。
（手順ｄ）
さらなる学習が必要と判断した場合は、手順ａと同じ割合で、教師用対象者全員を、再度、トレーニングデータとテストデータとに分類し、上記手順ａ～ｃを繰り返してもよい。トレーニングデータとテストデータとの分類は、過去にテストデータに分類した教師用対象者はトレーニングデータとし、これまでにテストデータに用いたことがない教師用対象者をテストデータとすることが好ましい。全教師用対象者を少なくとも１回テストデータとするまで（例えば、テストデータの割合が２割である場合は５回以上繰り返すまで）上記手順ａ～ｃを繰り返し、精度を確認してもよい。

＜髪のうねり＞
上記うねりは、画像の輝度値を用いて算出してよい。中でも、一層正確にうねりを評価できる観点から、後述のうねりの算出方法ｉ～ｘｖｉの方法で算出することが好ましく、後述のうねりの算出方法ｉで算出することがより好ましい。
上記うねりは、１枚の上記後姿の画像から算出することが好ましい。

上記うねりは、対象者の画像（例えば、後姿の画像）から領域を設定し、各領域の輝度値を求めて算出してよい。

上記標準化後のうねりは、任意の２０人の各対象者の標準化後のうねりと目視によって評価したうねりとの誤差を平均したときに、該平均値が、０．５０以下であることが好ましく、より好ましくは０．４５以下、さらに好ましくは０．４０以下である。誤差の平均値が上記範囲であることにより、上記α、β１、β２、β３、β４が上記好適範囲内であるとき、一層精度よく髪年齢を評価することができる。
なお、目視によって評価したうねりは、後述の実施例に記載の方法により評価することができる。

上記髪のうねりは、画像をパソコンに取り込んだのちに、グレースケールに変換し、閾値１１０で二値化して、髪輪郭を作成してよい。

後述のうねりの算出方法で得られた値を用いて、標準化後のうねりに変換する方法としては、例えば、以下の方法が挙げられる。
事前に、頭髪専門評価者が、２００名以上の対象者の髪のうねりを目視で５段階に評価する。５の評価（うねりの頻度が高い、あるいはうねり毛の量が多い）の人数を「５の評価者数」、４の評価（うねりの頻度が比較的高い、又はうねり毛の量が比較的多い）の人数を「４の評価者数」、３の評価（うねりの頻度が中程度、又はうねり毛の量が中程度）の人数を「３の評価者数」、２の評価（うねりの頻度が比較的低い、又はうねり毛の量が比較的少ない）の人数を「２の評価者数」、１の評価（うねりの頻度が低い、又はうねり毛の量が少ない）の人数を「１の評価者数」とする。ここで、上記対象者は、ランダムに選択した対象者とする。
次に、同じ対象者に対して、後述のうねりの算出方法により、標準偏差等を算出する。そして、算出方法ｉ～ｉｉｉでは、該値が低い順に並べ、最低値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が低い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が低い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が低い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も高い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。算出方法ｉｖ～ｘｖｉでは、該値が高い順に並べ、最高値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が高い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が高い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が高い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も低い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。

うねりの測定において、対象者の背骨の方向（例えば、背側の正中線方向）をｙ方向とし、頭側を正の方向、足側を負の方向とする。また、画像中の髪の周囲を形作る線で覆われた領域（すなわち、髪輪郭）において、ｙ方向に最も大きい位置のｙ座標をｙ＿ｔｏｐとし、ｙ方向に最も小さい位置のｙ座標をｙ＿ｍｉｎとする。ここで、ｙ＿ｔｏｐが複数ある場合は、最も正中線に近い位置のｙ座標をｙ＿ｔｏｐとしてよい。
また、上記画像において、ｙ方向に垂直な方向をｘ方向とする。画像の右を正の方向、左を負の方向とする。

以下に、うねりの算出方法ｉ～ｉｉｉを、図３（ａ）を用いて説明する。

（うねりの算出方法ｉ）
上記後姿の画像を、グレースケールに変換し、閾値１１０で二値化する。上記後姿の画像において、Ｐｙｔｈｏｎ言語によるプログラムにＯｐｅｎＣＶライブラリを組み込み、ＯｐｅｎＣＶ内の関数ｃｖ２．ｆｉｎｄＣｏｎｔｏｕｒｓにより、髪輪郭を作成し、ＯｐｅｎＣＶ内の関数ｃｖ２．ｃｏｎｔｏｕｒＡｒｅａにより、輪郭抽出面積を算出する。続いて、該画像において、ＯｐｅｎＣＶ内の関数ｃｖ２．ａｒｃＬｅｎｇｔｈにより、輪郭の周囲の長さを算出する。
変換後の画像において、ｙ＿ｍｉｎからｙ＿ｔｏｐまでのｙ方向長さを１００％とし、ｙ＿ｔｏｐからｙ方向の負の方向に１０％の位置のｙ座標をｙ＿１００、ｙ＿１００からｙ方向の負の方向に２０％の位置のｙ座標をｙ＿１００＋２００とする。
上記後姿の画像において、ｙ座標がｙ＿１００であるｘ方向に平行な直線と上記髪輪郭との交点のうちｘ方向に最も小さい交点のｘ座標をｘ＿ｌ＿０、ｘ方向に最も大きい交点のｘ座標をｘ＿ｒ＿０とする。また、ｘ＿ｌ＿０とｘ＿ｒ＿０との中間点のｘ座標をｘ＿ｃ＿０とする。また、ｘ＿ｌ＿０からｘ＿ｒ＿０までのｘ方向長さを１００％とし、ｘ＿ｃ＿０からｘ方向の負の方向に１０％の位置のｘ座標をｘ＿ｃ＿０－１００、ｘ＿ｃ＿０からｘ方向の正の方向に１０％の位置のｘ座標をｘ＿ｃ＿０＋１００とする。
座標（ｘ＿ｃ＿０－１００、ｙ＿１００）、（ｘ＿ｃ＿０＋１００、ｙ＿１００）、（ｘ＿ｃ＿０－１００、ｙ＿１００＋２００）、（ｘ＿ｃ＿０＋１００、ｙ＿１００＋２００）で囲まれた四角形領域を領域Ａとする。

領域Ａを、ｘ方向に１００等分、ｙ方向に１００等分し、得られた１００００個の区画内の輝度値を測定し、その区画の輝度値を得る。そして、全区画の輝度値の平均値を算出し、閾値とする。なお、上記各区画の輝度値は、各区画内の任意の１０点の輝度値を平均した値としてよい。

ｘ＿ｌ＿０からｘ＿ｒ＿０までのｘ方向長さを５０等分し、以下のｘ方向長さｘｄｐを求める。
ｘｄｐ＝（（ｘ＿ｌ＿０）から（ｘ＿ｒ＿０）までのｘ方向長さ）／５０
ｘ＿ｌ＿０からｘ方向の正の方向にｘｄｐの位置のｘ座標をｘ＿ｄｐ１、ｘ＿ｄｐ１からｘ方向の正の方向にｘｄｐの位置のｘ座標をｘ＿ｄｐ２として、ｘ座標ｘ＿ｄｐ１～ｘ＿ｄｐ５０を定める。ここで、ｘ座標ｘ＿ｄｐ５０は、ｘ座標ｘ＿ｒ＿０である。
座標（ｘ＿ｄｐ１、ｙ＿１００）を通るｙ方向と平行な直線と髪輪郭との交点のうちｙ方向に最も小さい交点のｙ座標をｙ＿ｄｐ１＿ｍｉｎ、最も大きい交点のｙ座標をｙ＿ｄｐ１＿ｍａｘとし、ｙ＿ｄｐ１＿ｍｉｎからｙ＿ｄｐ１＿ｍａｘまでのｙ方向長さを２４００等分して２４００個の線分を作成する。ｙ＿ｄｐ１＿ｍａｘからｙ方向の負の方向に順に、各線分について輝度値を測定する。上記各線分の輝度値は、各線分内の任意の１０点の輝度値を平均した値としてよい。線分の輝度値が、上記閾値より大きい線分を白色線分、上記閾値より小さい線分を黒色線分と判定する。ｙ方向の負の方向に、白色線分が４０個連続して存在する箇所を抽出し、４０個連続して存在する該箇所の始点のｙ座標をｙ＿ｄｐ１＿ｓｔａｒｔとする。白色線分が４０個連続して存在する上記箇所からｙ方向の負の方向であって、黒色線分が４０個連続して存在する箇所を抽出し、４０個連続して存在する該箇所の始点のｙ座標をｙ＿ｄｐ１＿ｅｎｄとする。そして、ｙ＿ｄｐ１＿ｓｔａｒｔからｙ＿ｄｐ１＿ｅｎｄまでのｙ方向長さを算出する。
ここで、白色線分がｙ方向の負の方向に４０個連続して存在する箇所、黒色線分がｙ方向の負の方向に４０個連続して存在する箇所が複数存在する場合は、最もｙ方向に大きい位置に存在する箇所を用いる。また、白色線分がｙ方向の負の方向に４０個連続して存在する箇所、黒色線分がｙ方向の負の方向に４０個連続して存在する箇所が存在しない場合は、ブランクを記録する。
ｘ＿ｄｐ２～ｘ＿ｄｐ５０についても同様に、ｙ＿ｄｐｎ＿ｓｔａｒｔからｙ＿ｄｐｎ＿ｅｎｄまでのｙ方向の長さ（ｎは、２～５０の整数を表す）を算出し、合計５０個の値（ブランクを含んでよい）を算出する。
得られた５０個の値から、ブランクの数、標準偏差、標準偏差の最大値から最小値を引いた差分を算出する。
得られた標準偏差を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｉｉ）
上記うねりの算出方法ｉで求めたブランクの数を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｉｉｉ）
上記うねりの算出方法ｉで求めた標準偏差の最大値から最小値を引いた差分を、上述の方法により変換して、標準化後のうねりＶｗを得る。

以下に、うねりの算出方法ｉｖ～ｘｖｉを、図３（ｂ）を用いて説明する。なお、図３（ｂ）において、後姿の外枠四角は、画像の外端を表す。
上記後姿の画像を、グレースケールに変換し、閾値１１０で二値化する。
上記後姿の画像において、Ｐｙｔｈｏｎ言語によるプログラムにＯｐｅｎＣＶライブラリを組み込み、ＯｐｅｎＣＶ内の関数ｃｖ２．ｆｉｎｄＣｏｎｔｏｕｒｓにより、髪輪郭を作成し、ＯｐｅｎＣＶ内の関数ｃｖ２．ｃｏｎｔｏｕｒＡｒｅａにより、輪郭抽出面積を算出する。続いて、該画像において、ＯｐｅｎＣＶ内の関数ｃｖ２．ａｒｃＬｅｎｇｔｈにより、輪郭の周囲の長さを算出する。

（うねりの算出方法ｉｖ）
（上記輪郭の周囲の長さ）／（輪郭抽出面積）を算出する。
得られた値を上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｖ）
上記髪輪郭において、ｙ方向に最も大きい位置のｙ座標をｙ＿ｔｏｐとする。ｙ＿ｍｉｎからｙ＿ｔｏｐまでのｙ方向長さを１００％とし、ｙ＿ｔｏｐからｙ方向の負の方向に１０％の点＿２００のｙ座標をｙ＿ｔｏｐ－２００とする。
また、ｙ座標がｙ＿ｔｏｐ＿２００であるｘ方向に平行な直線（ｘ軸＿ｔｏｐ－２００）と上記髪輪郭との交点のうち、ｘ方向に最も小さい交点のｘ座標をｘ＿ｌ＿ｔｏｐ－２００、ｘ方向に最も大きい交点のｘ座標をｘ＿ｒ＿ｔｏｐ－２００とする。また、上記後姿の画像の最左端のｘ座標をｘ＿ｍｌ、最右端のｘ座標をｘ＿ｍｒとする。なお、画像の最左端及び最右端は、対象者の髪よりも左側又は右側であり、背景に相当する。

ｘ＿ｌ＿ｔｏｐ－２００からｘ＿ｒ＿ｔｏｐ－２００までのｘ方向長さを５０等分し、同じ等分長さで画像のｘ＿ｍｌからｘ＿ｍｒを区分する。そして、ｘ軸＿ｔｏｐ－２００に沿って、ｘ＿ｍｌからｘ＿ｍｒまで区分ごとに輝度値を測定する。なお、上記各区分の輝度値は、各区分内の任意の１０点の輝度値を平均した値としてもよい。
ｘ＿ｍｌからｘ＿ｌ＿ｔｏｐ－２００までの各区分の輝度値の平均輝度値Ａ及び標準偏差Ａを算出し、以下の式からＬａを算出する。
Ｌａ＝平均輝度値Ａ－標準偏差Ａ
また、ｘ＿ｌ＿ｔｏｐ－２００からｘ＿ｒ＿ｔｏｐ－２００までの各区分の輝度値の平均輝度値Ｂ及び標準偏差Ｂを算出し、以下の式からＬｂを算出する。
Ｌｂ＝平均輝度値Ｂ＋標準偏差Ｂ
また、ｘ＿ｒ＿ｔｏｐ－２００からｘ＿ｍｒまでの各区分の輝度値の平均輝度値Ｃ及び標準偏差Ｃを算出し、以下の式からＬｃを算出する。
Ｌｃ＝平均輝度値Ｃ－標準偏差Ｃ

ｘ＿ｍｌからｘ＿ｍｒまで区分ごとに上記輝度値を、１０点移動平均した輝度値を算出する。上記１０点移動平均した輝度値において、上記Ｌａ以上の中でｘ座標が最大となる位置（ｘ＿ａａ）を特定する。上記１０点移動平均した輝度値において、Ｌｂ以下の中でｘ座標が最小となる位置（ｘ＿ａｂ）と最大となる位置（ｘ＿ｃｂ）を特定する。そして、ｘ＿ａｂからｘ＿ａａまでのｘ方向長さを算出する。上記１０点移動平均した輝度値において、Ｌｃ以上の中でｘ座標が最小となる位置（ｘ＿ｃｃ）を特定する。そして、ｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さを算出する。

上記後姿の画像において、上記髪輪郭上のｘ座標が最も小さい点及びｘ座標が最も大きい点の２点うち、ｙ方向に負の方向にある点をｘ座標端点とし、当該点の座標を（ｘ＿ｅｎｄｐｏｉｎｔ、ｙ＿ｅｎｄｐｏｉｎｔ）とする。
そして、以下の式により、ｙ方向の長さｙｄを求める。
ｙｄ＝（ｙ＿ｔｏｐからｙ＿ｅｎｄｐｏｉｎｔまでのｙ方向長さ）／５０
ｙ＿ｔｏｐ－２００からｙ方向の負の方向にｙｄの位置のｙ座標をｙ＿ｔｏｐ－２００＿ｄ１、ｙ＿ｔｏｐ－２００＿ｄ１からｙ方向の負の方向にｙｄの位置のｙ座標をｙ＿ｔｏｐ－２００＿ｄ２として、ｙ＿ｔｏｐ－２００＿ｄ１～ｙ＿ｔｏｐ－２００＿ｄ５０を定める。
ｙ座標がｙ＿ｔｏｐ－２００＿ｄ１～ｙ＿ｔｏｐ－２００＿ｄ５０についても、上記と同様にして、ｘ＿ａｂからｘ＿ａａまでのｘ方向長さ、及びｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さを算出する。
５０個のｘ＿ａｂからｘ＿ａａまでのｘ方向長さの値から、最大値、最小値、平均値、標準偏差、最頻値、中央値を算出する。
５０個のｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの値から、最大値、最小値、平均値、標準偏差、最頻値、中央値を算出する。
そして、得られたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの最大値を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｖｉ）
上記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの最小値を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｖｉｉ）
上記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの平均値を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｖｉｉｉ）
上記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの標準偏差を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｉｘ）
上記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの最頻値を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｘ）
上記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの中央値を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｘｉ）
上記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの最大値を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｘｉｉ）
上記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの最小値を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｘｉｉｉ）
上記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの平均値を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｘｉｖ）
上記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの標準偏差を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｘｖ）
上記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの最頻値を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｘｖｉ）
上記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの中央値を、上述の方法により変換して、標準化後のうねりＶｗを得る。

（うねりの算出方法ｘｖｉｉ）
対象者の髪の画像から、畳み込みニューラルネットワークを用いて、うねりを算出する。用いる画像としては、上述の画像が挙げられ、中でも対象者の後姿の画像１枚を用いることが好ましい。後述の教師あり学習を行う場合、学習に用いた髪の画像と同じ種類の入力データを用いることが好ましい。対象者の画像を入力し、ＣＮＮの出力として、標準化後のうねりＶｗを得ることができる。うねりの算出方法ｘｖｉｉにより、従来、頭髪専門評価者が、対象者の画像を目視して判定していたうねりを、簡易に、短時間で算出することができる。
上記ＣＮＮとしては、ＶＧＧ１６、ＡｌｅｘＮｅｔ等を用いることができ、中でも、うねりを一層精度よく算出できる観点から、ＶＧＧ１６が好ましい。
上記ＣＮＮは、事前に、教師あり学習をしてもよい。上記教師あり学習としては、以下の手順１～３による方法Ａ、又は手順ａ～ｄによる方法Ｂ（即ち、クロスバリデーション）等が挙げられる。中でも、一層精度高くうねりを判定できる観点から、方法Ｂが好ましい。教師あり学習後に、対象者の画像からＣＮＮが出力したうねり値を、標準化後のうねりＶｗとしてよい。
上記教師あり学習としては、教師用対象者の髪の画像（例えば、教師用対象者の背後から撮像した髪画像）から頭髪専門評価者が教師用対象者の髪のうねりを目視で５段階に評価したうねりの評価値、及び該髪の画像を教師データとして用いることが好ましい。教師データの上記髪の画像としては、教師用対象者の背後から撮像した髪画像であることが好ましく、髪の画像中の上記髪輪郭、又は上記領域Ａであることがより好ましい。教師データの上記髪の画像は、１種であってもよいし複数種であってもよいが、より簡易にうねりを算出できる観点から、１種であることが好ましい。また、教師データの全教師用対象者の画像は、同じ条件（例えば、撮影時の明るさ、画素数、画像に対する髪輪郭の面積割合等の条件）で撮影した画像であることが好ましい。
＜方法Ａ＞
（手順１）
頭髪専門評価者が、教師用対象者の髪の画像から、教師用対象者の髪のうねりを目視で５段階に評価する。ＣＮＮに、該髪の画像と、該評価値とを入力する。ＣＮＮを用いて、上記髪の画像の髪のうねりが、１～５の５段階のいずれであるか、標準化後のうねりの推測値Ｉの出力を得る。
（手順２）
上記推測うねり値Ｉと、頭髪専門評価者による評価値と、を比較する。
（手順３）
上記推測うねり値Ｉと、上記評価値とのずれが小さくなるように（例えば、上記推測うねり値Ｉと上記評価値とのずれが１以下となるように、又は上記推測うねり値Ｉと上記評価値とが一致するように）ＣＮＮのパラメータを調整する。上記調整は、上記評価値と上記推測うねり値Ｉとが一致する確率値をＣＮＮによって出力し、一致する確率値が０．４以上（好ましくは０．５以上、より好ましくは０．６以上、さらに好ましくは０．７以上）となるようにしてもよい。ＣＮＮのパラメータの上記調整方法としては、誤差逆伝搬法、勾配降下法等を用いることができる。１０名（好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の教師用対象者の髪の画像及び評価値を用いて上記の手順１～３を繰り返し、教師あり学習を終了する。
＜方法Ｂ＞
（手順ａ）
上記手順１と同様にして、髪の画像、及び頭髪専門評価者による該髪の画像の評価値、を用意する。全教師用対象者（例えば１０名、好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の６～９割の任意の割合をトレーニングデータとし、残りの全てをテストデータとする（例えば、全教師用対象者数の８割をトレーニングデータ、２割をテストデータとする）。
（手順ｂ）
上記トレーニングデータとした教師用対象者のうち一人の教師用対象者の髪の画像及び評価値をＣＮＮに入力し、該一人の教師用対象者のうねりの推測値ＩＩを得る。上記推測うねり値ＩＩと、頭髪専門評価者による評価値と、を比較する。
上記推測うねり値ＩＩと、上記評価値とのずれが小さくなるように（例えば、上記推測うねり値ＩＩと上記評価値とのずれが１以下となるように、又は上記推測うねり値ＩＩと上記評価値とが一致するように）ＣＮＮのパラメータを調整する。上記調整は、上記評価値と上記推測うねり値ＩＩとが一致する確率値をＣＮＮによって出力し、一致する確率値が０．４以上（好ましくは０．５以上、より好ましくは０．６以上、さらに好ましくは０．７以上）となるようにしてもよい。ＣＮＮのパラメータの上記調整方法としては、誤差逆伝搬法、勾配降下法等を用いることができる。１０名（好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の教師用対象者の髪の画像及び評価値を用いて上記の手順を繰り返し、教師あり学習を終了する。
（手順ｃ）
トレーニングデータとした全教師用対象者について、手順ｂを繰り返し、ＣＮＮのパラメータを調整する。テストデータとした全教師用対象者について、ＣＮＮによるうねり出力値と、頭髪専門評価者による評価値とを比較し、十分な精度に達したと判断した時点で、学習を終了する。上記十分な精度に達したときとは、例えば、テストデータの全教師用対象者について、上記評価値と上記うねり出力値との一致率が０．６以上となったとき、等が挙げられる。
（手順ｄ）
さらなる学習が必要と判断した場合は、手順ａと同じ割合で、教師用対象者全員を、再度、トレーニングデータとテストデータとに分類し、上記手順ａ～ｃを繰り返しても良い。トレーニングデータとテストデータとの分類は、過去にテストデータに分類した教師用対象者はトレーニングデータとし、これまでにテストデータに用いたことがない教師用対象者をテストデータとすることが好ましい。全教師用対象者を少なくとも１回テストデータとするまで（例えば、テストデータの割合が２割である場合は５回以上繰り返すまで）上記手順ａ～ｃを繰り返し、精度を確認してもよい。

＜髪のボリューム＞
上記ボリュームは、画像の輝度値を用いて算出してよい。中でも、一層正確にボリュームを評価できる観点から、後述のボリュームの算出方法ｉ～ｖの方法で算出することが好ましく、後述のボリュームの算出方法ｉで算出することがより好ましい。
上記ボリュームは、１枚の前姿の画像及び１枚の後姿の画像から算出することが好ましく、一層簡易に髪年齢を評価する観点から、１枚の上記後姿の画像から算出することがより好ましい。

上記ボリュームの算出において、前姿の画像は、少なくとも右眉及び左眉が見える画像であることが好ましく、さらに前髪の生え際が見える画像であることがより好ましい。

上記標準化後のボリュームは、任意の２０人の各対象者の標準化後のボリュームと目視によって評価したボリュームとの誤差を平均したときに、該平均値が、０．３０以下であることが好ましく、より好ましくは０．２０以下、さらに好ましくは０．１０以下である。誤差の平均値が上記範囲であることにより、上記α、β１、β２、β３、β４が上記好適範囲内であるとき、一層精度よく髪年齢を評価することができる。
なお、目視によって評価したボリュームは、後述の実施例に記載の方法により評価することができる。

上記髪のボリュームは、画像をパソコンに取り込んだのちに、閾値１１０で二値化して、髪輪郭を作成してよい。画像において、Ｐｙｔｈｏｎ言語によるプログラムにＯｐｅｎＣＶライブラリを組み込み、ＯｐｅｎＣＶ内の関数ｃｖ２．ｆｉｎｄＣｏｎｔｏｕｒｓにより、髪輪郭を作成することができる。

以下にボリュームの算出の一例を、図４（ａ）（ｂ）を用いて説明する。
ボリュームの測定において、対象者の背骨の方向（例えば、背側の正中線方向）をｙ方向とし、頭側を正の方向、足側を負の方向とする。また、画像中の髪の周囲を形作る線で覆われた領域（すなわち、髪輪郭）において、ｙ方向に最も大きい位置のｙ座標をｙ＿ｍａｘとし、ｙ方向に最も小さい位置のｙ座標をｙ＿ｍｉｎとする。ここで、ｙ＿ｍａｘが複数ある場合は、最も正中線に近い位置のｙ座標をｙ＿ｍａｘとしてよい。また、ｙ方向に垂直な方向をｘ方向とし、画像の右を正の方向、左を負の方向とする。

上記後姿の画像において、ｙ＿ｍｉｎからｙ＿ｍａｘまでのｙ方向長さを１００％とし、ｙ＿ｍａｘからｙ方向の負の方向に１０％の位置のｙ座標をｙ＿１０％とする。
上記後姿の画像において、ｙ座標がｙ＿１０％であるｘ方向に平行な直線と上記輪郭との交点のうちｘ方向に最も小さい位置のｘ座標をｘ＿１０％ｌ、ｘ方向に最も大きい位置のｘ座標をｘ＿１０％ｒとする。そして、ｘ＿１０％ｌとｘ＿１０％ｒとの間のｘ方向長さを、１０％位置幅とする。（図４（ａ））

上記髪輪郭上の、ｘ座標が最も大きい点の座標を（ｘ＿ｒｍａｘ、ｙ＿ｒｍａｘ）、ｘ座標が最も小さい点の座標を（ｘ＿ｌｍｉｎ、ｙ＿ｌｍｉｎ）とする。そして、ｘ＿ｌｍｉｎからｘ＿ｒｍａｘまでのｘ方向長さを、最大幅とする。

上記前姿の画像において、対象者の右眉の正中側端点をＡＲ、対象者の左眉の正中側端点をＡＬとする。点ＡＲを通るｙ方向に平行な直線と上記髪輪郭との交点のうち、ｙ方向に最も小さい交点（右眉側の交点）をＢＲ、ｙ方向に最も大きい交点（頭頂側の交点）をＣＲとする。また、点ＡＬを通るｙ方向に平行な直線と上記髪輪郭との交点のうち、ｙ方向に最も小さい交点（左眉側の交点）をＢＬ、ｙ方向に最も大きい交点（頭頂側の交点）をＣＬとする。
そして、点ＣＲから点ＢＲまでの長さをｒｂｃ、点ＢＲから点ＡＲまでの長さをｒａｂ、点ＣＬから点ＢＬまでの長さをｌｂｃ、点ＢＬから点ＡＬまでの長さをｌａｂ、とする。

上記前姿の画像において、画像の最上端のｙ座標をｙ＿ｈｉｇｈｅｓｔとする。なお、画像の最上端は、対象者の髪よりも上側であり、背景に相当する。
上記点ＡＲは画像処理を用いて、眉部分を抽出することで取得する。得られた点ＡＲのｘ座標をｘ＿ａ、ｙ座標をｙ＿ａとする。また、点ＡＲのｙ方向に平行な直線と画像外端との交点をＤＲ（ｘ＿ａ、ｙ＿ｈｉｇｈｅｓｔ）とする。
点ＡＲから点ＤＲまでの長さを１００として、点ＡＲからｙ軸正方向に１０の長さの線分を引き、その線分上の輝度値の平均値Ｌ＿３５０を算出する。
上記Ｌ＿３５０を閾値として、画像を二値化して、画像１を得る。そして、点ＡＲから点ＤＲまで線分を５００等分し、等分後の各線分の輝度値を、点ＤＲからｙ方向の負の方向に順に測定する。線分の輝度値が、上記閾値Ｌ＿３５０よりも大きい線分を白色線分、上記閾値Ｌ＿３５０より小さい線分を黒色線分とし、黒色線分が２０個連続して存在する箇所の始点ＥＲ（ｘ＿ａ、ｙ＿ｃ）を得る。
点ＥＲから点ＡＲまでの長さを１００として、点ＡＲからｙ軸正方向に１０の長さの線分を引き、線分上の輝度値の平均値Ｌ＿ｙ＿ｃ＿ｙ＿ａを算出する。
上記Ｌ＿ｙ＿ｃ＿ｙ＿ａを閾値として、画像を二値化して、画像２を得る。そして、点ＡＲから点ＥＲまで線分を５００等分し、等分後の各線分の輝度値を、点ＥＲからｙ方向の負の方向に順に測定する。線分の輝度値が、上記閾値Ｌ＿ｙ＿ｃ＿ｙ＿ａよりも大きい線分を白色線分、上記閾値Ｌ＿３５０より小さい線分を黒色線分とし、白色線分が２０個連続して存在する箇所の始点ＦＲ（ｘ＿ａ、ｙ＿ｂ）を得る。
そして、「（点ＡＲと点ＦＲとのｙ方向長さ）／（点ＦＲと点ＥＲとのｙ方向長さ）」を算出する。
同様にして、左側眉についても、点ＡＬ、ＦＬ、ＥＬを求め、「（点ＡＬと点ＦＬとのｙ方向長さ）／（点ＦＬと点ＥＬとのｙ方向長さ）」を算出する。

後述のボリュームの算出方法で得られた値を用いて、標準化後のボリュームに変換する方法としては、例えば、以下の方法が挙げられる。
事前に、頭髪専門評価者が、２００名以上の対象者の髪のボリュームを目視で５段階に評価する。５の評価（ボリュームが最も大きい評価）の人数を「５の評価者数」、４の評価（ボリュームがやや大きい評価）の人数を「４の評価者数」、３の評価（ボリュームが普通の評価）の人数を「３の評価者数」、２の評価（ボリュームがやや小さい評価）の人数を「２の評価者数」、１の評価（ボリュームが最も小さい評価）の人数を「１の評価者数」とする。ここで、上記対象者は、ランダムに選択した対象者とする。
次に、同じ対象者に対して、後述のボリュームの算出方法により、１０％位置幅を最大幅で除した値等を算出する。そして、後述のボリュームの算出方法ｉ、ｉｉｉ、ｉｖでは、該値が低い順に並べ、最低値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が低い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が低い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が低い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も高い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。また、ボリュームの算出方法ｉｉ、ｖでは、値が高い順に並べ、最高値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が高い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が高い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が高い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も低い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。

以下に、ボリュームの好ましい算出方法の一例を記載する。なお、以下の算出方法では、対象者のカラー画像を用いてもよいし、グレースケール画像を用いてもよいし、白黒画像を用いてもよい。中でも、撮影の背景との色コントラストから毛髪領域を認識しやすくなる観点により、カラー画像が好ましい。

（ボリュームの算出方法ｉ）
上記１０％位置幅を上記最大幅で除した値（１０％位置幅／最大幅）を算出し、上述の方法により変換して、標準化後のボリュームＶｖを得る。

（ボリュームの算出方法ｉｉ）
上記長さｌｂｃを上記長さｌａｂで除した値（ｌｂｃ／ｌａｂ）を算出し、ｌ＿ｒａｔｉｏを求める。上記長さｒｂｃを上記長さｒａｂで除した値（ｒｂｃ／ｒａｂ）を算出し、ｒ＿ｒａｔｉｏを求める。そして、上記ｌ＿ｒａｔｉｏと上記ｒ＿ｒａｔｉｏとの平均ａｖｅ＿ｒａｔｉｏを算出し、上述の方法により変換して、標準化後のボリュームＶｖを得る。

（ボリュームの算出方法ｉｉｉ）
上記１０％位置幅を上記最大幅で除した値（１０％位置幅／最大幅）と、上記平均ａｖｅ＿ｒａｔｉｏとの和を算出し、上述の方法により変換して、標準化後のボリュームＶｖを得る。

（ボリュームの算出方法ｉｖ）
上記１０％位置幅を上記最大幅で除した値（１０％位置幅／最大幅）と、上記平均ａｖｅ＿ｒａｔｉｏとを乗じた値を算出し、上述の方法により変換して、標準化後のボリュームＶｖを得る。

（ボリュームの算出方法ｖ）
上記「（点ＡＲと点ＦＲとのｙ方向長さ）／（点ＦＲと点ＥＲとのｙ方向長さ）」と、「（点ＡＬと点ＦＬとのｙ方向長さ）／（点ＦＬと点ＥＬとのｙ方向長さ）」との平均値を算出し、上述の方法により変換して、標準化後のボリュームＶｖを得る。

（ボリュームの算出方法ｖｉ）
対象者の髪の画像から、畳み込みニューラルネットワーク（本明細書において、「ＣＮＮ」と称する場合がある。）を用いて、ボリュームを算出する。用いる画像としては、上述の画像が挙げられ、中でも対象者の後姿の画像１枚を用いることが好ましい。後述の教師あり学習を行う場合、学習に用いた髪の画像と同じ種類の入力データを用いることが好ましい。対象者の画像を入力し、ＣＮＮの出力として、標準化後のボリュームＶｖを得ることができる。ボリュームの算出方法ｖｉにより、従来、頭髪専門評価者が、対象者の画像を目視して判定していたボリュームを、簡易に、短時間で算出することができる。
上記ＣＮＮとしては、ＶＧＧ１６、ＡｌｅｘＮｅｔ等を用いることができ、中でも、ボリュームを一層精度よく算出できる観点から、ＶＧＧ１６が好ましい。
上記ＣＮＮは、事前に、教師あり学習をしてもよい。上記教師あり学習としては、以下の手順１～３による方法Ａ、又は手順ａ～ｄによる方法Ｂ（即ち、クロスバリデーション）等が挙げられる。中でも、一層精度高くボリュームを判定できる観点から、方法Ｂが好ましい。教師あり学習後に、対象者の画像からＣＮＮが出力したボリューム値を、標準化後のボリュームＶｖとしてよい。
上記教師あり学習としては、教師用対象者の髪の画像（例えば、教師用対象者の背後から撮像した髪画像）から頭髪専門評価者が教師用対象者の髪のボリュームを目視で５段階に評価したボリュームの評価値、及び該髪の画像を教師データとして用いることが好ましい。教師データの上記髪の画像としては、教師用対象者の背後から撮像した髪画像であることが好ましく、髪の画像中の上記髪輪郭であることがより好ましい。教師データの上記髪の画像は、１種であってもよいし複数種であってもよいが、より簡易にボリュームを算出できる観点から、１種であることが好ましい。また、教師データの全教師用対象者の画像は、同じ条件（例えば、撮影時の明るさ、画素数、画像に対する髪輪郭の面積割合等の条件）で撮影した画像であることが好ましい。
＜方法Ａ＞
（手順１）
頭髪専門評価者が、教師用対象者の髪の画像から、教師用対象者の髪のボリュームを目視で５段階に評価する。ＣＮＮに、該髪の画像と、該評価値とを入力する。ＣＮＮを用いて、上記髪の画像の髪のボリュームが、１～５の５段階のいずれであるか、標準化後のボリュームの推測値Ｉの出力を得る。
（手順２）
上記推測ボリューム値Ｉと、頭髪専門評価者による評価値と、を比較する。
（手順３）
上記推測ボリューム値Ｉと、上記評価値とのずれが小さくなるように（例えば、上記推測ボリューム値Ｉと上記評価値とのずれが１以下となるように、又は上記推測ボリューム値Ｉと上記評価値とが一致するように）ＣＮＮのパラメータを調整する。上記調整は、上記評価値と上記推測ボリューム値Ｉとが一致する確率値をＣＮＮによって出力し、一致する確率値が０．４以上（好ましくは０．５以上、より好ましくは０．６以上、さらに好ましくは０．７以上）となるようにしてもよい。なお、上記確率値は、ＣＮＮが、推測ボリューム値Ｉが「１」である確率が１００％と算出した場合「１」の確率値が１となり、「１」である確率が０％と算出した場合「１」の確率値が０となる値であって、１～５段階の確率値の合計が１となる値である。ＣＮＮのパラメータの上記調整方法としては、誤差逆伝搬法、勾配降下法等を用いることができる。１０名（好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の教師用対象者の髪の画像及び評価値を用いて上記の手順１～３を繰り返し、教師あり学習を終了する。
＜方法Ｂ＞
（手順ａ）
上記手順１と同様にして、髪の画像、及び頭髪専門評価者による該髪の画像の評価値、を用意する。全教師用対象者（例えば１０名、好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の６～９割の任意の割合をトレーニングデータとし、残りの全てをテストデータとする（例えば、全教師用対象者数の８割をトレーニングデータ、２割をテストデータとする）。
（手順ｂ）
上記トレーニングデータとした教師用対象者のうち一人の教師用対象者の髪の画像及び評価値をＣＮＮに入力し、該一人の教師用対象者のボリュームの推測値ＩＩを得る。上記推測ボリューム値ＩＩと、頭髪専門評価者による評価値と、を比較する。
上記推測ボリューム値ＩＩと、上記評価値とのずれが小さくなるように（例えば、上記推測ボリューム値ＩＩと上記評価値とのずれが１以下となるように、又は上記推測ボリューム値ＩＩと上記評価値とが一致するように）ＣＮＮのパラメータを調整する。上記調整は、上記評価値と上記推測ボリューム値ＩＩとが一致する確率値をＣＮＮによって出力し、一致する確率値が０．４以上（好ましくは０．５以上、より好ましくは０．６以上、さらに好ましくは０．７以上）となるようにしてもよい。ＣＮＮのパラメータの上記調整方法としては、誤差逆伝搬法、勾配降下法等を用いることができる。１０名（好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の教師用対象者の髪の画像及び評価値を用いて上記の手順を繰り返し、教師あり学習を終了する。
（手順ｃ）
トレーニングデータとした全教師用対象者について、手順ｂを繰り返し、ＣＮＮのパラメータを調整する。テストデータとした全教師用対象者について、ＣＮＮによるボリューム出力値と、頭髪専門評価者による評価値とを比較し、十分な精度に達したと判断した時点で、学習を終了する。上記十分な精度に達したときとは、例えば、テストデータの全教師用対象者について、上記評価値と上記ボリューム出力値との一致率が０．６以上となったとき、等が挙げられる。
（手順ｄ）
さらなる学習が必要と判断した場合は、手順ａと同じ割合で、教師用対象者全員を、再度、トレーニングデータとテストデータとに分類し、上記手順ａ～ｃを繰り返しても良い。トレーニングデータとテストデータとの分類は、過去にテストデータに分類した教師用対象者はトレーニングデータとし、これまでにテストデータに用いたことがない教師用対象者をテストデータとすることが好ましい。全教師用対象者を少なくとも１回テストデータとするまで（例えば、テストデータの割合が２割である場合は５回以上繰り返すまで）上記手順ａ～ｃを繰り返し、精度を確認してもよい。

＜髪の色むら＞
上記色むらは、画像の色相値、又は彩度値を用いて算出してよい。中でも、一層正確に色むらを評価できる観点から、後述の色むらの算出方法ｉ～ｘｘｘｉｉの方法で算出することが好ましく、後述の色むらの算出方法ｉで算出することがより好ましい。
上記色むらは、１枚の上記後姿の画像から算出することが好ましい。

上記標準化後の色むらは、任意の２０人の各対象者の標準化後の色むらと目視によって評価した色むらとの誤差を平均にしたときに、該平均値が、０．７０以下であることが好ましく、より好ましくは０．６０以下、さらに好ましくは０．５０以下である。誤差の平均値が上記範囲であることにより、上記α、β１、β２、β３、β４が上記好適範囲内であるとき、一層精度よく髪年齢を評価することができる。
なお、目視によって評価した色むらは、後述の実施例に記載の方法により評価することができる。

色むらの測定において、対象者の背骨の方向（例えば、背側の正中線方向）をｙ方向とし、頭側を負の方向、足側を正の方向とする。
上記後姿の画像の、髪の周囲を形作る線で覆われた領域（すなわち、髪輪郭）において、ｙ方向に最も大きい点のｙ座標をｙ＿ｍａｘとし、ｙ方向に最も小さい点のｙ座標をｙ＿ｍｉｎとする。ｙ＿ｍｉｎからｙ＿ｍａｘまでのｙ方向長さを１００％とし、ｙ＿ｍｉｎからｙ方向の正の方向に１０％の位置のｙ座標をｙ＿２３０とし、２５％の位置のｙ座標をｙ＿２５％とする。

上記後姿の画像において、ｙ方向に垂直な方向をｘ方向とする。画像の右を正の方向、左を負の方向とする。

後述の色むらの算出方法で得られた値を用いて、標準化後の色むらに変換する方法としては、例えば、以下の方法が挙げられる。
事前に、頭髪専門評価者が、２００名以上の対象者の髪の色むらを目視で５段階に評価する。５の評価（色むらが劣る評価）の人数を「５の評価者数」、４の評価（色むらが若干劣る評価）の人数を「４の評価者数」、３の評価（色むらが普通の評価）の人数を「３の評価者数」、２の評価（色むらが良好の評価）の人数を「２の評価者数」、１の評価（色むらが最も良好な評価）の人数を「１の評価者数」とする。ここで、上記対象者は、ランダムに選択した対象者とする。
次に、同じ対象者に対して、後述の色むらの算出方法により、標準偏差等を算出する。そして、該値が高い順に並べ、最高値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が高い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が高い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が高い「２の評価者数」の人数までの該値の範囲の場合を２、最も該値が低い「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。

以下に、色むらの算出方法ｉ～ｉｖを、図５（ａ）を用いて説明する。

（色むらの算出方法ｉ）
対象者の後姿の画像を、ＲＧＢからＨＳＶ空間に変換した画像１を作成する。ＨＳＶ空間への変換は、Ｐｙｔｈｏｎ言語によるプログラムにＯｐｅｎＣＶライブラリを組み込み、ＯｐｅｎＣＶ内の関数ｃｖｔＣｏｌｏｒ関数を使用し、二つ目の引数をＣＶ＿ＢＧＲ２ＨＳＶに変更して形成してよい。
また、対象者の後姿の画像を、グレースケールに変換し、閾値１１０で二値化した画像１－２を得る。
上記画像１－２において、ｙ座標がｙ＿２５％であるｘ方向に平行な直線と上記髪輪郭との交点のうち、ｘ方向に最も小さい交点のｘ座標をｘ＿ｌｅｆｔ＿２５％ｖ、ｘ方向に最も大きい交点のｘ座標をｘ＿ｒｉｇｈｔ＿２５％ｖとする。ｘ＿ｌｅｆｔ＿２５％ｖからｘ＿ｒｉｇｈｔ＿２５％ｖまでのｘ方向長さを５０等分し、以下の長さｘｄｐ２５％ｖを算出する。
ｘｄｐ２５％ｖ＝（ｘ＿ｌｅｆｔ＿２５％ｖからｘ＿ｒｉｇｈｔ＿２５％ｖまでのｘ方向長さ）／５０
そして、ｘ＿ｌｅｆｔ＿２５％ｖからｘ方向の正の方向にｘｄｐ２５％ｖの位置のｘ座標をｘ＿２５％ｖ＿１、ｘ＿２５％ｖ＿１からｘ方向の正の方向にｘｄｐ２５％ｖの位置のｘ座標をｘ＿２５％ｖ＿２として、ｘ座標ｘ＿２５％ｖ＿１～ｘ＿２５％ｖ＿５０を定める。ここで、ｘ座標ｘ＿２５％ｖ＿５０は、ｘ座標ｘ＿ｒｉｇｈｔ＿２５％ｖである。
ｘ座標がｘ＿２５％ｖ＿１であるｙ方向に平行な直線と上記髪輪郭との交点のうち、ｙ方向に最も大きい交点のｙ座標をｙ＿２５％ｖ＿１とする。座標（ｘ＿２５％ｖ＿１、ｙ＿２５％）を始点とし、座標（ｘ＿２５％ｖ＿１、ｙ＿２５％ｖ＿１）を終点とする線分１を５０等分し、５０個に区画化する。上記画像１において、各区画について色相を測定し、線分１の各区画の色相値から、最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。なお、上記各区画の色相値は、各区画内の任意の１０点の色相値を平均した値としてもよい。
ｘ＿２５％ｖ＿２～ｘ＿２５％ｖ＿５０についても同様に、線分の各区画の色相値の最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。
得られた５０個の標準偏差値の平均値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｉｉ）
上記色むらの算出方法ｉで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｉｉｉ）
上記色むらの算出方法ｉで得られた５０個の平均値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｉｖ）
上記色むらの算出方法ｉで得られた５０個の中央値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

以下に、色むらの算出方法ｖ～ｖｉｉｉを、図５（ｂ）を用いて説明する。

（色むらの算出方法ｖ）
対象者の後姿の画像を、ＲＧＢからＨＳＶ空間に変換した画像２を作成する。ＨＳＶ空間への変換は、Ｐｙｔｈｏｎ言語によるプログラムにＯｐｅｎＣＶライブラリを組み込み、ＯｐｅｎＣＶ内の関数ｃｖｔＣｏｌｏｒ関数を使用し、二つ目の引数をＣＶ＿ＢＧＲ２ＨＳＶに変更して形成してよい。
また、対象者の後姿の画像を、グレースケールに変換し、閾値１１０で二値化した画像２－２を得る。
上記画像２－２において、ｙ座標がｙ＿２３０であるｘ方向に平行な直線と上記髪輪郭との交点のうち、ｘ方向に最も小さい交点のｘ座標をｘ＿ｌｅｆｔ＿２３０ｖ、ｘ方向に最も大きい交点のｘ座標をｘ＿ｒｉｇｈｔ＿２３０ｖとする。ｘ＿ｌｅｆｔ＿２３０ｖからｘ＿ｒｉｇｈｔ＿２３０ｖまでのｘ方向長さを５０等分し、以下の長さｘｄｐ２３０ｖを算出する。
ｘｄｐ２３０ｖ＝（ｘ＿ｌｅｆｔ＿２３０ｖからｘ＿ｒｉｇｈｔ＿２３０ｖまでのｘ方向長さ）／５０
そして、ｘ＿ｌｅｆｔ＿２３０ｖからｘ方向の正の方向にｘｄｐ２３０ｖの位置のｘ座標をｘ＿２３０ｖ＿１、ｘ＿２３０ｖ＿１からｘ方向の正の方向にｘｄｐ２３０ｖの位置のｘ座標をｘ＿２３０ｖ＿２として、ｘ座標ｘ＿２３０ｖ＿１～ｘ＿２３０ｖ＿５０を定める。ここで、ｘ座標ｘ＿２３０ｖ＿５０は、ｘ座標ｘ＿ｒｉｇｈｔ＿２３０ｖである。
ｘ座標がｘ＿２３０ｖ＿１であるｙ方向に平行な直線と上記髪輪郭との交点のうち、ｙ方向に最も大きい交点のｙ座標をｙ＿２３０ｖ＿１とする。座標（ｘ＿２３０ｖ＿１、ｙ＿２３０）を始点とし、座標（ｘ＿２３０ｖ＿１、ｙ＿２３０ｖ＿１）を終点とする線分２を５０等分し、５０個に区画化する。上記画像２において、各区画について色相を測定し、線分２の各区画の色相値から、最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。なお、上記各区画の色相値は、各区画内の任意の１０点の色相値を平均した値としてもよい。
ｘ＿２３０ｖ＿２～ｘ＿２３０ｖ＿５０についても同様に、線分の各区画の色相値の最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。
得られた５０個の標準偏差値の平均値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｖｉ）
上記色むらの算出方法ｖで得られた５０個の最大値の平均値及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｖｉｉ）
上記色むらの算出方法ｖで得られた５０個の平均値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｖｉｉｉ）
上記色むらの算出方法ｖで得られた５０個の中央値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

以下に、色むらの算出方法ｉｘ～ｘｉｉを、図５（ｄ）を用いて説明する。

（色むらの算出方法ｉｘ）
対象者の後姿の画像を、ＲＧＢからＨＳＶ空間に変換した画像４を作成する。ＨＳＶ空間への変換は、Ｐｙｔｈｏｎ言語によるプログラムにＯｐｅｎＣＶライブラリを組み込み、ＯｐｅｎＣＶ内の関数ｃｖｔＣｏｌｏｒ関数を使用し、二つ目の引数をＣＶ＿ＢＧＲ２ＨＳＶに変更して形成してよい。
また、対象者の後姿の画像を、グレースケールに変換し、閾値１１０で二値化した画像４－２を得る。
上記画像４－２において、ｙ＿２５％からｙ＿ｍａｘまでのｙ方向長さを５０等分し、以下の長さｙｄｐ２５％ｓを算出する。
ｙｄｐ２５％ｓ＝（ｙ＿２５％からｙ＿ｍａｘまでのｙ方向長さ）／５０
そして、ｙ＿２５％からｙ方向の正の方向にｙｄｐ２５％ｓの位置のｙ座標をｙ＿２５％ｓ＿１、ｙ＿２５％ｓ＿１からｙ方向の正の方向にｙｄｐ２５％ｓの位置のｙ座標をｙ＿２５％ｓ＿２として、ｙ座標ｙ＿２５％ｓ＿１～ｙ＿２５％ｓ＿５０を定める。ここで、ｙ座標ｙ＿２５％ｓ＿５０は、ｙ座標ｙ＿ｍａｘである。
ｙ座標がｙ＿２５％ｓ＿１であるｘ方向に平行な直線と上記髪輪郭との交点のうち、ｘ方向に最も大きい交点のｘ座標をｘ＿ｒｉｇｈｔ＿２５％ｓ＿１、ｘ方向に最も小さい交点のｘ座標をｘ＿ｌｅｆｔ＿２５％ｓ＿１とする。座標（ｘ＿ｌｅｆｔ＿２５％ｓ＿１、ｙ＿２５％ｓ＿１）を始点とし、座標（ｘ＿ｒｉｇｈｔ＿２５％ｓ＿１、ｙ＿２５％ｓ＿１）を終点とする線分４を５０等分し、５０個に区画化する。上記画像４において、各区画について色相を測定し、線分４の各区画の色相値から、最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。なお、上記各区画の色相値は、各区画内の任意の１０点の色相値を平均した値としてもよい。
ｙ＿２５％ｓ＿２～ｙ＿２５％ｓ＿５０についても同様に、線分の各区画の色相値の最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。
得られた５０個の標準偏差値の平均値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘ）
上記色むらの算出方法ｉｘで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｉ）
上記色むらの算出方法ｉｘで得られた５０個の平均値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｉｉ）
上記色むらの算出方法ｉｘで得られた５０個の中央値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

以下に、色むらの算出方法ｘｉｉｉ～ｘｖｉを、図５（ｃ）を用いて説明する。

（色むらの算出方法ｘｉｉｉ）
対象者の後姿の画像を、ＲＧＢからＨＳＶ空間に変換した画像３を作成する。ＨＳＶ空間への変換は、Ｐｙｔｈｏｎ言語によるプログラムにＯｐｅｎＣＶライブラリを組み込み、ＯｐｅｎＣＶ内の関数ｃｖｔＣｏｌｏｒ関数を使用し、二つ目の引数をＣＶ＿ＢＧＲ２ＨＳＶに変更して形成してよい。
また、対象者の後姿の画像を、グレースケールに変換し、閾値１１０で二値化した画像３－２を得る。
上記画像３－２において、ｙ＿２３０からｙ＿ｍａｘまでのｙ方向長さを５０等分し、以下の長さｙｄｐ２３０ｓを算出する。
ｙｄｐ２３０ｓ＝（ｙ＿２３０からｙ＿ｍａｘまでのｙ方向長さ）／５０
そして、ｙ＿２３０からｙ方向の正の方向にｙｄｐ２３０ｓの位置のｙ座標をｙ＿２３０ｓ＿１、ｙ＿２３０ｓ＿１からｙ方向の正の方向にｙｄｐ２３０ｓの位置のｙ座標をｙ＿２３０ｓ＿２として、ｙ座標ｙ＿２３０ｓ＿１～ｙ＿２３０ｓ＿５０を定める。ここで、ｙ座標ｙ＿２３０ｓ＿５０は、ｙ座標ｙ＿ｍａｘである。
ｙ座標がｙ＿２３０ｓ＿１であるｘ方向に平行な直線と上記髪輪郭との交点のうち、ｘ方向に最も大きい交点のｘ座標をｘ＿ｒｉｇｈｔ＿２３０ｓ＿１、ｘ方向に最も小さい交点のｘ座標をｘ＿ｌｅｆｔ＿２３０ｓ＿１とする。座標（ｘ＿ｌｅｆｔ＿２３０ｓ＿１、ｙ＿２３０ｓ＿１）を始点とし、座標（ｘ＿ｒｉｇｈｔ＿２３０ｓ＿１、ｙ＿２３０ｓ＿１）を終点とする線分３を５０等分し、５０個に区画化する。上記画像３において、各区画について色相を測定し、線分３の各区画の色相値から、最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。なお、上記各区画の色相値は、各区画内の任意の１０点の色相値を平均した値としてもよい。
ｙ＿２３０ｓ＿２～ｙ＿２３０ｓ＿５０についても同様に、線分の各区画の色相値の最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。
得られた５０個の標準偏差値の平均値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｉｖ）
上記色むらの算出方法ｘｉｉｉで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｖ）
上記色むらの算出方法ｘｉｉｉで得られた５０個の平均値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｖｉ）
上記色むらの算出方法ｘｉｉｉで得られた５０個の中央値の標準偏差を求め上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｖｉｉ）
上記色むらの算出方法ｉと同様にして、座標（ｘ＿２５％ｖ＿１、ｙ＿２５％）を始点とし、座標（ｘ＿２５％ｖ＿１、ｙ＿２５％ｖ＿１）を終点とする線分１を５０等分し、５０個に区画化する。上記画像１において、各区画について彩度を測定し、線分１の各区画の彩度値から、最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。なお、上記各区画の彩度値は、各区画内の任意の１０点の彩度値を平均した値としてもよい。
ｘ＿２５％ｖ＿２～ｘ＿２５％ｖ＿５０についても同様に、線分の各区画の彩度値の最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。
得られた５０個の標準偏差値の平均値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。
なお、彩度は対象者の後姿の画像を、ＲＧＢからＨＳＶ空間に変換した画像を作成する。ＨＳＶ空間への変換は、Ｐｙｔｈｏｎ言語によるプログラムにＯｐｅｎＣＶライブラリを組み込み、ＯｐｅｎＣＶ内の関数ｃｖｔＣｏｌｏｒ関数を使用し、二つ目の引数をＣＶ＿ＢＧＲ２ＨＳＶに変更することにより取得できる。

（色むらの算出方法ｘｖｉｉｉ）
上記色むらの算出方法ｘｖｉｉで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｉｘ）
上記色むらの算出方法ｘｖｉｉで得られた５０個の平均値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘ）
上記色むらの算出方法ｘｖｉｉで得られた５０個の中央値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｉ）
上記色むらの算出方法ｖと同様にして、座標（ｘ＿２３０ｖ＿１、ｙ＿２３０）を始点とし、座標（ｘ＿２３０ｖ＿１、ｙ＿２３０ｖ＿１）を終点とする線分２を５０等分し、５０個に区画化する。上記画像２において、各区画について彩度を測定し、線分２の各区画の彩度値から、最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。なお、上記各区画の彩度値は、各区画内の任意の１０点の彩度値を平均した値としてもよい。
ｘ＿２３０ｖ＿２～ｘ＿２３０ｖ＿５０についても同様に、線分の各区画の彩度値の最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。
得られた５０個の標準偏差値の平均値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｉｉ）
上記色むらの算出方法ｘｘｉで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｉｉｉ）
上記色むらの算出方法ｘｘｉで得られた５０個の平均値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｉｖ）
上記色むらの算出方法ｘｘｉで得られた５０個の中央値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｖ）
上記色むらの算出方法ｉｘと同様にして、座標（ｘ＿ｌｅｆｔ＿２５％ｓ＿１、ｙ＿２５％ｓ＿１）を始点とし、座標（ｘ＿ｒｉｇｈｔ＿２５％ｓ＿１、ｙ＿２５％ｓ＿１）を終点とする線分４を５０等分し、５０個に区画化する。上記画像４において、各区画について彩度を測定し、線分４の各区画の彩度値から、最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。なお、上記各区画の彩度値は、各区画内の任意の１０点の彩度値を平均した値としてもよい。
ｙ＿２５％ｓ＿２～ｙ＿２５％ｓ＿５０についても同様に、線分の各区画の彩度値の最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。
得られた５０個の標準偏差値の平均値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｖｉ）
上記色むらの算出方法ｘｘｖで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｖｉｉ）
上記色むらの算出方法ｘｘｖで得られた５０個の平均値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｖｉｉｉ）
上記色むらの算出方法ｘｘｖで得られた５０個の中央値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｉｘ）
上記色むらの算出方法ｘｉｉｉと同様にして、座標（ｘ＿ｌｅｆｔ＿２３０ｓ＿１、ｙ＿２３０ｓ＿１）を始点とし、座標（ｘ＿ｒｉｇｈｔ＿２３０ｓ＿１、ｙ＿２３０ｓ＿１）を終点とする線分３を５０等分し、５０個に区画化する。上記画像３において、各区画について彩度を測定し、線分３の各区画の彩度値から、最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。なお、上記各区画の彩度値は、各区画内の任意の１０点の彩度値を平均した値としてもよい。
ｙ＿２３０ｓ＿２～ｙ＿２３０ｓ＿５０についても同様に、線分の各区画の彩度値の最大値、最小値、平均値、標準偏差、中央値、最頻値を求める。
得られた５０個の標準偏差値の平均値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｘ）
上記色むらの算出方法ｘｘｉｘで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｘｉ）
上記色むらの算出方法ｘｘｉｘで得られた５０個の平均値の標準偏差を求め、上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｘｉｉ）
上記色むらの算出方法ｘｘｉｘで得られた５０個の中央値の標準偏差を求め上述の方法により変換して、標準化後の色むらＶｕを得る。

（色むらの算出方法ｘｘｘｉｉｉ）
対象者の髪の画像から、畳み込みニューラルネットワーク（本明細書において、「ＣＮＮ」と称する場合がある。）を用いて、色むらを算出する。用いる画像としては、上述の画像が挙げられ、中でも対象者の後姿の画像１枚を用いることが好ましい。後述の教師あり学習を行う場合、学習に用いた髪の画像と同じ種類の入力データを用いることが好ましい。対象者の画像を入力し、ＣＮＮの出力として、標準化後の色むらＶｕを得ることができる。色むらの算出方法ｘｘｘｉｉｉにより、従来、頭髪専門評価者が、対象者の画像を目視して判定していた色むらを、簡易に、短時間で算出することができる。
上記ＣＮＮとしては、ＶＧＧ１６、ＡｌｅｘＮｅｔ等を用いることができ、中でも、色むらを一層精度よく算出できる観点から、ＶＧＧ１６が好ましい。
上記ＣＮＮは、事前に、教師あり学習をしてもよい。上記教師あり学習としては、以下の手順１～３による方法Ａ、又は手順ａ～ｄによる方法Ｂ（即ち、クロスバリデーション）等が挙げられる。中でも、一層精度高く色むらを判定できる観点から、方法Ｂが好ましい。教師あり学習後に、対象者の画像からＣＮＮが出力した色むら値を、標準化後の色むらＶｕとしてよい。
上記教師あり学習としては、教師用対象者の髪の画像（例えば、教師用対象者の背後から撮像した髪画像）から頭髪専門評価者が教師用対象者の髪の色むらを目視で５段階に評価した色むらの評価値、及び該髪の画像を教師データとして用いることが好ましい。教師データの上記髪の画像としては、教師用対象者の背後から撮像した髪画像であることが好ましく、髪の画像中の上記髪輪郭であることがより好ましい。教師データの上記髪の画像は、１種であってもよいし複数種であってもよいが、より簡易に色むらを算出できる観点から、１種であることが好ましい。また、教師データの全教師用対象者の画像は、同じ条件（例えば、撮影時の明るさ、画素数、画像に対する髪輪郭の面積割合等の条件）で撮影した画像であることが好ましい。
＜方法Ａ＞
（手順１）
頭髪専門評価者が、教師用対象者の髪の画像から、教師用対象者の髪の色むらを目視で５段階に評価する。ＣＮＮに、該髪の画像と、該評価値とを入力する。ＣＮＮを用いて、上記髪の画像の髪の色むらが、１～５の５段階のいずれであるか、標準化後の色むらの推測値Ｉの出力を得る。なお、推測色むら値Ｉは、入力する髪の画像とＣＮＮのパラメータが影響する。
（手順２）
上記推測色むら値Ｉと、頭髪専門評価者による評価値と、を比較する。
（手順３）
上記推測色むら値Ｉと、上記評価値とのずれが小さくなるように（例えば、上記推測色むら値Ｉと上記評価値とのずれが１以下となるように、又は上記推測色むら値Ｉと上記評価値とが一致するように）ＣＮＮのパラメータを調整する。上記調整は、上記評価値と上記推測色むら値Ｉとが一致する確率値をＣＮＮによって出力し、一致する確率値が０．４以上（好ましくは０．５以上、より好ましくは０．６以上、さらに好ましくは０．７以上）となるようにしてもよい。なお、上記確率値は、ＣＮＮが、推測ツヤ値Ｉが「１」である確率が１００％と算出した場合「１」の確率値が１となり、「１」である確率が０％と算出した場合「１」の確率値が０となる値であって、１～５段階の確率値の合計が１となる値である。ＣＮＮのパラメータの上記調整方法としては、誤差逆伝搬法、勾配降下法等を用いることができる。１０名（好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の教師用対象者の髪の画像及び評価値を用いて上記の手順を繰り返し、教師あり学習を終了する。
＜方法Ｂ＞
（手順ａ）
上記手順１と同様にして、髪の画像、及び頭髪専門評価者による該髪の画像の評価値、を用意する。全教師用対象者（例えば１０名、好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の６～９割の任意の割合をトレーニングデータとし、残りの全てをテストデータとする（例えば、全教師用対象者数の８割をトレーニングデータ、２割をテストデータとする）。
（手順ｂ）
上記トレーニングデータとした教師用対象者のうち一人の教師用対象者の髪の画像及び評価値をＣＮＮに入力し、該一人の教師用対象者の色むらの推測値ＩＩを得る。上記推測色むら値ＩＩと、頭髪専門評価者による評価値と、を比較する。
上記推測色むら値ＩＩと、上記評価値とのずれが小さくなるように（例えば、上記推測色むら値ＩＩと上記評価値とのずれが１以下となるように、又は上記推測色むら値ＩＩと上記評価値とが一致するように）ＣＮＮのパラメータを調整する。上記調整は、上記評価値と上記推測色むら値ＩＩとが一致する確率値をＣＮＮによって出力し、一致する確率値が０．４以上（好ましくは０．５以上、より好ましくは０．６以上、さらに好ましくは０．７以上）となるようにしてもよい。ＣＮＮのパラメータの上記調整方法としては、誤差逆伝搬法、勾配降下法等を用いることができる。１０名（好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の教師用対象者の髪の画像及び評価値を用いて上記の手順１～３を繰り返し、教師あり学習を終了する。
（手順ｃ）
トレーニングデータとした全教師用対象者について、手順ｂを繰り返し、ＣＮＮのパラメータを調整する。テストデータとした全教師用対象者について、ＣＮＮによる色むら出力値と、頭髪専門評価者による評価値とを比較し、十分な精度に達したと判断した時点で、学習を終了する。上記十分な精度に達したときとは、例えば、テストデータの全教師用対象者について、上記評価値と上記色むら出力値との一致率が０．６以上となったとき、等が挙げられる。
（手順ｄ）
さらなる学習が必要と判断した場合は、手順ａと同じ割合で、教師用対象者全員を、再度、トレーニングデータとテストデータとに分類し、上記手順ａ～ｃを繰り返してもよい。トレーニングデータとテストデータとの分類は、過去にテストデータに分類した教師用対象者はトレーニングデータとし、これまでにテストデータに用いたことがない教師用対象者をテストデータとすることが好ましい。全教師用対象者を少なくとも１回テストデータとするまで（例えば、テストデータの割合が２割である場合は５回以上繰り返すまで）上記手順ａ～ｃを繰り返し、精度を確認してもよい。

［ヘアケア製品又はヘアケアサービスを提案する方法］
本実施形態のヘアケア製品又はヘアケアサービスを提案する方法は、上述に記載の本実施形態の髪年齢評価方法により算出された対象者の髪年齢と、対象者に対する問診結果とに基づいて提案する方法であることが好ましい。

上記問診結果としては、対象者の日常的な髪の手入れ行動に関するデータ、対象者の生活習慣に関するデータ、対象者の希望・悩み、性別、年齢、居住地域等のデータを含んでいてよい。
上記問診データは、質問に対する回答の複数の選択肢の中から、回答を選択して得られるデータであることが好ましい。

上記問診結果は、髪年齢評価装置に付随する画面、スマートフォンの画面、タブレット端末の画面上に表示された問診への回答を取り込むことにより取得してよい。

本実施形態のヘアケア製品又はヘアケアサービスを提案する方法によれば、対象者により適したヘアケア製品の提案、ヘアケアサービスの提案が可能となる。

［髪年齢評価装置］
本実施形態の髪年齢評価装置は、対象者の髪のツヤを解析するツヤ解析部と、対象者の髪のうねりを解析するうねり解析部と、対象者の髪のボリュームを解析するボリューム解析部と、対象者の髪の色むらを解析する色むら解析部と、を含む解析部を含む。

上記解析部において、下記式（１）：
Ｙ（髪年齢）＝α＋β１×（標準化した髪のツヤ評価Ｖｇ）＋β２×（標準化した髪のうねり評価Ｖｗ）＋β３×（標準化した髪のボリューム評価Ｖｖ）＋β４×（標準化した髪の色むら評価Ｖｕ）・・・（１）
（式（１）において、２７．０２≦α≦６５．８、－１２．２０≦β１≦－３．４０、２．４０≦β２≦８．９４、－６．９６≦β３≦８．８１、－４．９４≦β４≦４．２９である）
を用いることが好ましい。

本実施形態の髪年齢評価装置は、さらに、上記対象者の髪を撮影してその画像を取得する撮像部と、算出された上記髪年齢を画面に表示する表示部とを含むことが好ましい

本実施形態の髪年齢評価装置は、例えば、上述の本実施形態の髪年齢評価方法、上述の本実施形態のヘアケア製品又はヘアケアサービスを提案する方法等に用いることができる。

［ヘアケア製品又はヘアケアサービスを提案する装置］
本実施形態のヘアケア製品又はヘアケアサービスを提案する装置は、上述の本実施形態の髪年齢評価装置と、上記対象者に対する問診装置とを含むことが好ましい。例えば、算出された上記髪年齢及び提案するヘアケア製品又はヘアケアサービスを同時に表示する表示部を含んでいてよい。

本実施形態のヘアケア製品又はヘアケアサービスを提案する装置は、例えば、上述の本実施形態のヘアケア製品又はヘアケアサービスを提案する方法等に用いることができる。

［ＣＮＮを用いる髪年齢評価方法］
本実施形態の髪年齢評価方法では、畳み込みニューラルネットワークを用いて、対象者の髪の画像から、上記対象者の髪年齢を算出することができる。上記方法によれば、特定のパラメータの算出を必要とせず、簡便に、画像から直接髪年齢を評価できる。
用いる画像としては、上述の画像が挙げられ、中でも、対象者の後姿の画像１枚を用いることが好ましい。後述の教師あり学習を行う場合、学習に用いた髪の画像と同じ種類の入力データを用いることが好ましい。対象者の画像を入力し、ＣＮＮの出力として、髪年齢を得ることができる。本実施形態の髪年齢評価方法により、従来、頭髪専門評価者が、対象者の画像を目視して判定していた髪年齢を、簡易に、短時間で算出することができる。
上記ＣＮＮとしては、ＶＧＧ１６、ＡｌｅｘＮｅｔ等を用いることができ、中でも、髪年齢を一層精度よく評価できる観点から、ＶＧＧ１６が好ましい。
上記ＣＮＮは、事前に、教師あり学習をしてもよい。上記教師あり学習としては、以下の手順１～３による方法Ａ、又は手順ａ～ｄによる方法Ｂ（即ち、クロスバリデーション）等が挙げられる。中でも、一層精度よく髪年齢を評価できる観点から、方法Ｂが好ましい。教師あり学習後に、ＣＮＮを用いて、対象者の画像から髪年齢を評価することが好ましい。
上記教師あり学習としては、教師用対象者の髪の画像（例えば、教師用対象者の背後から撮像した髪画像）から頭髪専門評価者が評価した髪年齢、及び該髪の画像を教師データとして用いることが好ましい。教師データの上記髪の画像としては、教師用対象者の背後から撮像した髪画像であることが好ましく、髪の画像中の上記髪輪郭であることがより好ましい。教師データの上記髪の画像は、１種であってもよいし複数種であってもよいが、より簡易に髪年齢を評価できる観点から、１種であることが好ましい。また、教師データの全教師用対象者の画像は、同じ条件（例えば、撮影時の明るさ、画素数、画像に対する髪輪郭の面積割合等の条件）で撮影した画像であることが好ましい。
＜方法Ａ＞
（手順１）
教師用対象者の髪の画像から、頭髪専門評価者が、教師用対象者の髪年齢（以下、評価髪年齢と称する場合がある）を評価する。ＣＮＮに、該髪の画像と、該評価髪年齢とを入力する。ＣＮＮを用いて、上記髪の画像の推測髪年齢Ｉの出力を得る。なお、ＣＮＮによる推測髪年齢Ｉは、入力する髪の画像とＣＮＮのパラメータが影響する。
（手順２）
上記推測髪年齢Ｉと、頭髪専門評価者による評価髪年齢と、を比較する。
（手順３）
上記推測髪年齢Ｉと、上記評価髪年齢とのずれが小さくなるように（例えば、上記評価髪年齢と上記推測髪年齢Ｉとのずれが２１歳以下（好ましくは１０歳以下、より好ましくは５歳以下、さらに好ましくは髪年齢が一致）となるように、ＣＮＮのパラメータを調整する。上記調整は、上記評価髪年齢と上記推測髪年齢Ｉとが一致する確率値をＣＮＮによって出力し、一致する確率値が０．４以上（好ましくは０．５以上、より好ましくは０．６以上、さらに好ましくは０．７以上）となるようにしてもよい。なお、上記確率値は、ＣＮＮが、髪年齢が３０歳である確率が１００％と算出した場合「３０歳」の確率値が１となり、「３０歳」である確率が３０％と算出した場合「３０歳」の確率値が０．３となる値であって、全年齢の確率値の和が１となる値である。ＣＮＮのパラメータの上記調整方法としては、誤差逆伝搬法、勾配降下法等を用いることができる。また、上記パラメータの調整では、髪年齢の推測に用いる画像の解析領域の調整を行ってよく、例えば、画像の解析領域を、上記髪輪郭等としてもよい。１０名（好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の教師用対象者の髪の画像及び評価髪年齢を用いて上記の手順１～３を繰り返し、教師あり学習を終了する。
＜方法Ｂ＞
（手順ａ）
上記手順１と同様にして、髪の画像、及び頭髪専門評価者による該髪の画像の評価髪年齢、を用意する。全教師用対象者（例えば１０名、好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の６～９割の任意の割合をトレーニングデータとし、残りの全てをテストデータとする（例えば、全教師用対象者数の８割をトレーニングデータ、２割をテストデータとする）。
（手順ｂ）
上記トレーニングデータとした教師用対象者のうち一人の教師用対象者の髪の画像及び評価髪年齢をＣＮＮに入力し、該一人の教師用対象者の推測髪年齢ＩＩを得る。上記推測髪年齢ＩＩと、頭髪専門評価者による評価髪年齢と、を比較する。
上記推測髪年齢ＩＩと、上記評価髪年齢とのずれが小さくなるように（例えば、評価髪年齢と推測髪年齢ＩＩとの誤差が２１歳以下、好ましくは１０歳以下、より好ましくは５歳以下、さらに好ましくは髪年齢が一致、となるように、ＣＮＮのパラメータを調整する。上記調整は、上記評価髪年齢と上記推測髪年齢ＩＩとが一致する確率値をＣＮＮによって出力し、一致する確率値が０．４以上（好ましくは０．５以上、より好ましくは０．６以上、さらに好ましくは０．７以上）となるようにしてもよい。ＣＮＮのパラメータの上記調整方法としては、誤差逆伝搬法、勾配降下法等を用いることができる。１０名（好ましくは２０名以上、より好ましくは５０名以上、さらに好ましくは１００名以上、特に好ましくは２００名以上）の教師用対象者の髪の画像及び評価値を用いて上記の手順を繰り返し、教師あり学習を終了する。
（手順ｃ）
トレーニングデータとした全教師用対象者について、手順ｂを繰り返し、ＣＮＮのパラメータを調整する。テストデータとした全教師用対象者について、ＣＮＮによる推測髪年齢と、頭髪専門評価者による評価髪年齢とを比較し、十分な精度に達したと判断した時点で、学習を終了する。上記十分な精度に達したときとは、例えば、テストデータの全教師用対象者について、上記評価髪年齢と上記推測髪年齢との一致率が０．６以上となったとき、等が挙げられる。なお、上記一致率とは、テストデータの全教師用対象者のうち、上記評価髪年齢と上記推測髪年齢とが一致する対象者の数の割合であり、一致する対象者の割合が６０％であるとき、一致率を０．６とする。
（手順ｄ）
さらなる学習が必要と判断した場合は、手順ａと同じ割合で、教師用対象者全員を、再度、トレーニングデータとテストデータとに分類する。トレーニングデータとテストデータとの分類は、過去にテストデータに分類した教師用対象者はトレーニングデータとし、これまでにテストデータに用いたことがない教師用対象者をテストデータとすることが好ましい。全教師用対象者を少なくとも１回テストデータとするまで（例えば、テストデータの割合が２割である場合は５回以上繰り返すまで）上記手順ａ～ｃを繰り返し、精度を確認してもよい。

以下に、実施例に基づいて本発明をより詳細に説明するが、本発明はこれらの実施例により限定されるものではない。

（目視による評価）
２０人の対象者について、頭髪専門評価者３名が、髪のツヤＶｇ’、髪のうねりＶｗ’、髪のボリュームＶｖ’、髪の色むらＶｕ’、髪年齢Ｙ’（歳）をそれぞれ目視で評価した。ツヤＶｇ’、うねりＶｗ’、ボリュームＶｖ’、色むらＶｕ’は５段階評価とした。

（画像の取得）
２０人の対象者について、１枚ずつ後姿の画像を取得した。背景は白色の壁とし、白色のケープを着けた対象者の背側正中が中心となるように撮影をした。撮影は、デジタルカメラ（機種ｉＰａｄ（第６世代）、アップル社製）を使用して、（カメラの写真モードで行った。撮影の際、対象者の上側から光を当て、９７５ルクスの条件で撮影をした。
得られた画像は、いずれの画像でも、髪輪郭のｘ方向が１５３６画素以上、髪輪郭のｙ方向が２０４８画素以上であった。

（標準化後のツヤＶｇ）
対象者の後姿の画像をパソコンに取り込み、グレースケールに変換し、閾値１１０で二値化した。変換後の画像において、ＯｐｅｎＣＶライブラリを組み込んだＰｙｔｈｏｎ言語により作成したプログラムを用いて、ＯｐｅｎＣＶ内の関数ｃｖ２．ｆｉｎｄＣｏｎｔｏｕｒｓにより、髪輪郭を作成した。
そして、上述のツヤの算出方法ｉにより標準化後のツヤＶｇを得た。標準化後のツヤは５段階評価とした。なお、ツヤの算出方法ｉにおいて、領域Ａ、Ｂをｘ方向に２００等分、ｙ方向に１００等分した。
なお、上記算出において、標準偏差の差から標準化後のツヤへの変換は、以下の方法で行った。
事前に、頭髪専門評価者が、２００名の対象者の髪のツヤを目視で５段階に評価する。５の評価（非常に良好なツヤがあるの評価）の人数を「５の評価者数」、４の評価（良好なツヤがあるの評価）の人数を「４の評価者数」、３の評価（平均的なツヤがあるの評価）の人数を「３の評価者数」、２の評価（わずかにツヤがあるの評価）の人数を「２の評価者数」、１の評価（ツヤがないの評価）の人数を「１の評価者数」とする。
次に、同じ対象者に対して、ツヤの算出方法ｉで標準偏差値の差を算出する。そして、該値が高い順に並べ、最高値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が高い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が高い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が高い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も低い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価した。
また、輝度は、ＯｐｅｎＣＶライブラリを組み込んだＰｙｔｈｏｎ言語により作成したプログラムを用いてｃｖ２．ｃｖｔＣｏｌｏｒ（ａ，ｂ）関数を用い、ａ：元画像、ｂ：グレースケールに変換するモードを指定する条件で測定した。

（標準化後のうねりＶｗ）
対象者の後姿の画像をパソコンに取り込み、グレースケールに変換し、閾値１１０で二値化した。変換後の画像において、ＯｐｅｎＣＶライブラリを組み込んだＰｙｔｈｏｎ言語により作成したプログラムを用いて、ＯｐｅｎＣＶ内の関数ｃｖ２．ｆｉｎｄＣｏｎｔｏｕｒｓにより、髪輪郭を作成した。
そして、上述のうねりの算出方法ｉにより標準化後のうねりＶｗを得た。
なお、上記算出において、標準偏差の差から標準化後のうねりへの変換は、以下の方法で行った。
事前に、頭髪専門評価者が、２００名の対象者の髪のうねりを目視で５段階に評価する。５の評価（うねりの頻度が高い、又はうねり毛の量が多い）の人数を「５の評価者数」、４の評価（うねりの頻度が比較的高い、又はうねり毛の量が比較的多い）の人数を「４の評価者数」、３の評価（うねりの頻度が中程度、又はうねり毛の量が中程度）の人数を「３の評価者数」、２の評価（うねりの頻度が比較的低い、又はうねり毛の量が比較的少ない）の人数を「２の評価者数」、１の評価（うねりの頻度が低い、又はうねり毛の量が少ない）の人数を「１の評価者数」とする。
次に、同じ対象者に対して、うねりの算出方法ｉにより、標準偏差を算出する。そして、該値が低い順に並べ、最低値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が低い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が低い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が低い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も高い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価した。

（標準化後のボリュームＶｖ）
対象者の後姿の画像をパソコンに取り込み、グレースケールに変換し、閾値１１０で二値化した。変換後の画像において、ＯｐｅｎＣＶライブラリを組み込んだＰｙｔｈｏｎ言語により作成したプログラムを用いて、ＯｐｅｎＣＶ内の関数ｃｖ２．ｆｉｎｄＣｏｎｔｏｕｒｓにより、髪輪郭を作成した。
そして、上述のボリュームの算出方法ｉにより標準化後のボリュームＶｖを得た。
なお、上記算出において、「１０％位置幅／最大幅」から標準化後のボリュームへの変換は、以下の方法で行った。
事前に、頭髪専門評価者が、２００名の対象者の髪のボリュームを目視で５段階に評価する。５の評価（ボリュームが最も大きい評価）の人数を「５の評価者数」、４の評価（ボリュームがやや大きい評価）の人数を「４の評価者数」、３の評価（ボリュームが普通の評価）の人数を「３の評価者数」、２の評価（ボリュームがやや小さい評価）の人数を「２の評価者数」、１の評価（ボリュームが最も小さい評価）の人数を「１の評価者数」とする。
次に、同じ対象者に対して、ボリュームの算出方法ｉにより、１０％位置幅を最大幅で除した値を算出する。そして、該値が低い順に並べ、最低値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が低い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が低い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が低い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も高い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価した。

（標準化後の色むらＶｕ）
対象者の後姿の画像をパソコンに取り込み、グレースケールに変換し、閾値１１０で二値化した。また、ＨＳＶ空間に変換した画像を作成した。ＨＳＶ空間への変換は、Ｐｙｔｈｏｎ言語によって作られたプログラムに組み込んだＯｐｅｎＣＶ内の関数、ｃｖｔＣｏｌｏｒ関数を使用し、二つ目の引数をＣＶ＿ＢＧＲ２ＨＳＶに変更して形成した。
作成した画像を用いて、上述の色むらの算出方法ｉにより、標準化後の色むらＶｕを得た。
また、色相は、ＯｐｅｎＣＶライブラリを組み込んだＰｙｔｈｏｎ言語により作成したプログラムを用いてｃｖ２．ｃｖｔＣｏｌｏｒ（ａ，ｂ）関数を用い、ａ：元画像、ｂ：ＨＳＶ色空間に指定するモードを使用し、得られたＨＳＶ各値のＳ値を抽出した。
なお、上記算出において、標準偏差値の平均値から標準化後のボリュームへの変換は、以下の方法で行った。
事前に、頭髪専門評価者が、２００名の対象者の髪の色むらを目視で５段階に評価する。５の評価（色むらが劣る評価）の人数を「５の評価者数」、４の評価（色むらが若干劣る評価）の人数を「４の評価者数」、３の評価（色むらが普通の評価）の人数を「３の評価者数」、２の評価（色むらが良好の評価）の人数を「２の評価者数」、１の評価（色むらが最も良好な評価）の人数を「１の評価者数」とする。
次に、同じ対象者に対して、色むらの算出方法ｉにより、標準偏差の平均値を算出する。そして、該値が高い順に並べ、最高値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が高い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が高い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が高い「２の評価者数」の人数までの該値の範囲の場合を２、最も該値が低い「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。

（髪年齢の評価）
下記式（１）を用いて、髪年齢Ｙの評価をした。
Ｙ（髪年齢、単位：歳）＝α＋β１×（標準化した髪のツヤ評価Ｖｇ）＋β２×（標準化した髪のうねり評価Ｖｗ）＋β３×（標準化した髪のボリューム評価Ｖｖ）＋β４×（標準化した髪の色むら評価Ｖｕ）・・・（１）
α、β１、β２、β３、β４の係数セットとしては、表１に記載の値を使用した。例えば、係数セットａは、専門家が目視で評価した２０名の髪年齢、２０名の対象者の標準化後のツヤＶｇ、標準化後のうねりＶｗ、標準化後のボリュームＶｖ、標準化後の色むらＶｕを用いて導き出した。

（実施例１～８）
各実施例で、表１に記載の係数セットａ～ｅ、ｈ～ｊを上記式（１）に代入して、２０名の対象者の髪年齢Ｙを評価した。結果を表２に示す。

（比較例１～２）
各比較例で、表１に記載の係数セットｆ、ｇを上記式（１）に代入して、２０名の対象者の髪年齢Ｙを評価した。結果を表２に示す。

算出後の髪年齢Ｙと目視による髪年齢Ｙ’との誤差が、５歳以下である場合を◎（優れる）、５歳超１０歳以下である場合を〇（良好）、１０歳超１５歳以下である場合を△（やや良好）、１５歳超である場合を×（不良）と判定した。
そして、２０人の対象者のうち、誤差が１０歳以下であった対象者の割合（％）、５歳以下であった対象者の割合（％）、２０名の対象者の算出後の髪年齢Ｙと目視による髪年齢Ｙ’との誤差の平均値（歳）を算出した。

実施例１～８は、誤差が１０歳以下の対象者の割合が高く、精度高く髪年齢を評価できた。
多くの被験者のデータを基に算出した係数セットを用いて髪年齢を評価した実施例１～５は、誤差が大きい結果（例えば、誤差が１０歳超の評価結果）の割合が少なく、且つ対象者全員の目視髪年齢と、本発明の方法による評価髪年齢との誤差の平均が小さく、精度よく髪年齢が評価できた。

（実施例９）
（ＣＮＮによる標準化した髪のツヤの評価）
３７５名の教師用対象者について、髪の画像と、頭髪専門評価者の目視による５段階のツヤ評価値とを得た。なお、髪の画像は、上記「（画像の取得）」と同様の方法で得た後姿の画像である。
３７５名の教師用対象者のうち、８割の３００名をトレーニングデータとし、２割の７５名をテストデータとした。
ＶＧＧ１６に、上記髪の画像と、上記ツヤ評価値とを入力した。
各教師用対象者について、ＣＮＮによるツヤの推測値と、上記ツヤ評価値との比較を行い、値が一致する確率値が０．４以上となるようにＶＧＧ１６のパラメータを調整した。トレーニングデータとした３００名の全教師用対象者について同様の調整を行い、テストデータとした７５名の教師用対象者で精度を確認した。
続いて、テストデータとなる教師用対象者が重複しないように、３７５名の教師用対象者をトレーニングデータ８割とテストデータ２割とに分類し、同様にしてＶＧＧ１６のパラメータを調整し、別種のＶＧＧ１６パラメータを有するＶＧＧ１６モデルを作成し、テストデータとした７５名の教師用対象者で精度を確認した。全教師用対象者がテストデータとなるように、同様の操作を５回行い、各操作時のテストデータを用いて精度を確認することで、全教師用対象者に対して精度確認を行った。
表３に、縦行に頭髪専門評価者の目視によるツヤの評価値、横列にＶＧＧ１６による標準化した髪の標準化後のツヤ値、の混合行列を示す。表３において、頭髪専門評価者の評価値が「１」である対象者の総数は３４名であり、そのうち、ＶＧＧ１６が「１」と算出した対象者数が１３名、「２」と算出した対象者数が２０名、「３」と算出した対象者数が１名であった。また、頭髪専門評価者の評価値が「１」である全対象者のうち、ＶＧＧ１６と評価が一致した対象者数は１３名（３８．２％）、一致しなかった対象者数は２１名（６１．８％）であった（表３の混合行列の右欄）。ＶＧＧ１６が「１」と算出した全対象者（２０名）のうち、頭髪専門評価者の評価値と一致した対象者の数の割合は６５．０％、一致しなかった対象者の数の割合は３５．０％であった（表３の混合行列の下欄）。
全対象者３７５名のうち、頭髪専門評価者の評価値と、ＶＧＧ１６による算出値とが一致した対象者の数の割合は、４９．１％であり、非常に精度が高かった。
また、頭髪専門評価者の評価においても起こり得る、ツヤのスコア±１の誤差を許容した場合、全対象者３７５名のうち、頭髪専門評価者の評価値とＶＧＧ１６による算出値との誤差が１以内であった対象者の数の割合は、９４．７％であり、極めて精度が高かった。

（実施例１０）
（ＣＮＮによる標準化した髪のうねりの評価）
教師用データとして３７５名の教師用対象者の髪の画像と頭髪専門評価者の目視による５段階のうねり評価値とを用いたこと以外は、実施例９と同様にして髪のうねりの評価を行った。
全対象者３７５名のうち、頭髪専門評価者のうねり評価値と、ＶＧＧ１６による算出値とが一致した対象者の数の割合は、５４．１％であり、非常に精度が高かった。
また、頭髪専門評価者の評価においても起こり得る、うねりのスコア±１の誤差を許容した場合、全対象者３７５名のうち、頭髪専門評価者のうねり評価値とＶＧＧ１６による算出値との誤差が１以内であった対象者の数の割合は、９５．２％であり、極めて精度が高かった。

（実施例１１）
（ＣＮＮによる標準化した髪のボリュームの評価）
教師用データとして３７５名の教師用対象者の髪の画像と頭髪専門評価者の目視による５段階のボリューム評価値とを用いたこと以外は、実施例９と同様にして髪のボリュームの評価を行った。
全対象者３７５名のうち、頭髪専門評価者のボリューム評価値と、ＶＧＧ１６による算出値とが一致した対象者の数の割合は、４３．２％であり、非常に精度が高かった。
また、頭髪専門評価者の評価においても起こり得る、ボリュームのスコア±１の誤差を許容した場合、全対象者３７５名のうち、頭髪専門評価者のボリューム評価値とＶＧＧ１６による算出値との誤差が１以内であった対象者の数の割合は、９１．２％であり、極めて精度が高かった。

（実施例１２）
（ＣＮＮによる標準化した髪の色むらの評価）
教師用データとして３７５名の教師用対象者の髪の画像と頭髪専門評価者の目視による５段階の色むら評価値とを用いたこと以外は、実施例９と同様にして髪の色むらの評価を行った。
全対象者３７５名のうち、頭髪専門評価者の色むら評価値と、ＶＧＧ１６による算出値とが一致した対象者の数の割合は、４４．０％であり、非常に精度が高かった。
また、頭髪専門評価者の評価においても起こり得る、色むらのスコア±１の誤差を許容した場合、全対象者３７５名のうち、頭髪専門評価者の色むら評価値とＶＧＧ１６による算出値との誤差が１以内であった対象者の数の割合は、９０．４％であり、極めて精度が高かった。

（実施例１３）
（ＣＮＮによる髪年齢評価）
３７５名の教師用対象者について、髪の画像と、頭髪専門評価者の目視による評価髪年齢とを得た。なお、髪の画像は、上記「（画像の取得）」と同様の方法で得た後姿の画像である。
３７５名の教師用対象者のうち、８割の３００名をトレーニングデータとし、２割の７５名をテストデータとした。
ＶＧＧ１６に、上記髪の画像と、上記評価髪年齢とを入力した。
各教師用対象者について、ＣＮＮによる推測髪年齢と、上記評価髪年齢との比較を行い、年齢が一致する確率値が０．４以上となるようにＶＧＧ１６のパラメータを調整した。トレーニングデータとした３００名の全教師用対象者について同様の調整を行い、テストデータとした７５名の教師用対象者で精度を確認した。
続いて、テストデータとなる対象者が重複しないように、３７５名の対象者をトレーニングデータ８割とテストデータ２割とに分類し、同様にしてＶＧＧ１６のパラメータを調整し、別種のＶＧＧ１６パラメータを有するＶＧＧ１６モデルを作成し、テストデータとした７５名の教師用対象者で精度を確認した。全教師用対象者がテストデータとなるように、同様の操作を５回行い、各操作時のテストデータを用いて精度を確認することで、全教師用対象者に対して精度確認を行った。
表７に、縦行に頭髪専門評価者の目視による評価髪年齢、横列にＶＧＧ１６によって算出した髪年齢、の混合行列を示す。なお、髪年齢は、１８～２９歳を２０歳代、３０～３９歳を３０歳代、４０～４９歳を４０歳代、５０～５９歳を５０歳代、６０～６９歳を６０歳代、７０～７９歳を７０歳代の６クラスに分類した。
表７において、頭髪専門評価者が評価した髪年齢が「２０歳代」である対象者の総数は８６名であり、そのうち、ＶＧＧ１６が「２０歳代」と評価した対象者数が６３名、「３０歳代」と評価した対象者数が１８名、「４０歳代」と評価した対象者数が３名、「５０歳代」と評価した対象者数が１名、「７０歳代」と評価した対象者数が１名であった。また、頭髪専門評価者が評価した髪年齢が「２０歳代」である全対象者８６名のうち、ＶＧＧ１６と髪年齢のクラスが一致した対象者数は６３名（７３．３％）、一致しなかった対象者数は２３名（２６．７％）であった（表７の混合行列の右欄）。ＶＧＧ１６が「２０歳代」と評価した全対象者（９７名）のうち、頭髪専門評価者の髪年齢とクラスが一致した対象者の数の割合は６４．９％、一致しなかった対象者の数の割合は３５．１％であった（表７の混合行列の下欄）。
全対象者３７５名のうち、頭髪専門評価者の髪年齢と、ＶＧＧ１６による髪年齢とで、クラスが一致した対象者の数の割合は、４７．２％であり、非常に精度が高かった。
また、頭髪専門評価者の評価においても起こり得る、前後のクラスの誤差（前後の年代の誤差）を許容した場合、全対象者３７５名のうち、頭髪専門評価者の髪年齢とＶＧＧ１６による髪年齢との誤差が前後のクラス及びクラスが一致する対象者の総数の割合は、８８．８％であり、極めて精度が高かった。

（実施例１４）
（ＣＮＮにより評価した髪年齢と、実際の年齢との誤差）
実施例１３で評価した３７５名の対象者の髪年齢について、下記数式により、回帰モデルの評価指数であるＲＭＳＥを算出した。３７５名のうち、ｉ番目の対象者の、頭髪専門評価者が目視で評価した髪年齢をＹｉ、ＶＧＧ１６により評価した髪年齢をｙｉとした。
ＲＭＳＥ＝√Σi｛（Yi-yi）²/375｝＝8.66
ＲＭＳＥは１０以下であり、非常に精度が高かった。

Claims (6)

1. 対象者の髪の画像を解析して、髪のツヤ、うねり、ボリューム、色むらの各解析値を算出し、該各解析値に基づいて前記対象者の髪年齢を算出する、髪年齢評価方法であって、
   前記対象者の髪年齢を算出する際に、
   下記式（１）：
   Ｙ（髪年齢）＝α＋β１×（標準化した髪のツヤ評価Ｖｇ）＋β２×（標準化した髪のうねり評価Ｖｗ）＋β３×（標準化した髪のボリューム評価Ｖｖ）＋β４×（標準化した髪の色むら評価Ｖｕ）・・・（１）
   （式（１）において、２７．０２≦α≦６５．８、－１２．２０≦β１≦－３．４０、２．４０≦β２≦８．９４、－６．９６≦β３≦８．８１、－４．９４≦β４≦４．２９である）
   を用い、
   前記Ｖｇが以下のツヤの算出方法ｉ～ｉｉｉのいずれかの方法で得られた値であり、
   前記Ｖｗが以下のうねりの算出方法ｉ～ｘｖｉのいずれか方法で得られた値であり、
   前記Ｖｖが以下のボリュームの算出方法ｉ～ｖのいずれか方法で得られた値であり、
   前記Ｖｕが以下の色むらの算出方法ｉ～ｘｘｘｉｉのいずれか方法で得られた値である、
   髪年齢評価方法。
   （ツヤの算出方法ｉ）
   対象者の後姿の画像から画定した出願当初の段落００２７に記載の領域Ａ、Ｂを、ｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分し、得られた各区画内の輝度値を測定する。得られた各区画の輝度値から、横軸に輝度値、縦軸に頻度をとるヒストグラムを、領域ごとに作成する。領域Ａ及び領域Ｂのヒストグラムから、領域Ａの標準偏差、領域Ｂの標準偏差を求め、「領域Ａの標準偏差－領域Ｂの標準偏差」を求める。
   以下の方法で、前記「領域Ａの標準偏差－領域Ｂの標準偏差」を標準化したツヤに変換する。事前に、頭髪専門評価者が、２００名以上の対象者の髪のツヤを目視で５段階に評価する。５の評価の人数を「５の評価者数」、４の評価の人数を「４の評価者数」、３の評価の人数を「３の評価者数」、２の評価の人数を「２の評価者数」、１の評価の人数を「１の評価者数」とする。次に、同じ対象者に対して、前記ツヤの算出方法ｉ）により、前記「領域Ａの標準偏差－領域Ｂの標準偏差」を算出し、該値が高い順に並べ、最高値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が高い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が高い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が高い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も低い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、とする。
   （ツヤの算出方法ｉｉ）
   対象者の後姿の画像から画定した出願当初の段落００２７に記載の領域Ａ、Ｃを、ｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分し、得られた各区画内の輝度値を測定する。得られた各区画の輝度値から、横軸に輝度値、縦軸に頻度をとるヒストグラムを、領域ごとに作成する。領域Ａ及び領域Ｃのヒストグラムから、領域Ａの標準偏差、領域Ｃの標準偏差を求め、「領域Ａの標準偏差－領域Ｃの標準偏差」を求める。
   前記ツヤの算出方法ｉの「領域Ａの標準偏差－領域Ｂの標準偏差」を「領域Ａの標準偏差－領域Ｃの標準偏差」に変更して、「領域Ａの標準偏差－領域Ｃの標準偏差」を標準化したツヤに変換する。
   （ツヤの算出方法ｉｉｉ）
   対象者の後姿の画像から画定した出願当初の段落００２７に記載の領域Ａ’、Ｂ’を、ｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分し、得られた各区画内の輝度値を測定する。得られた各区画の輝度値から、横軸に輝度値、縦軸に頻度をとるヒストグラムを、領域ごとに作成する。領域Ａ’及び領域Ｂ’のヒストグラムから、領域Ａ’の標準偏差、領域Ｂ’の標準偏差を求め、「領域Ａ’の標準偏差－領域Ｂ’の標準偏差」を求める。
   前記ツヤの算出方法ｉの「領域Ａの標準偏差－領域Ｂの標準偏差」を「領域Ａ’の標準偏差－領域Ｂ’の標準偏差」に変更して、「領域Ａ’の標準偏差－領域Ｂ’の標準偏差」を標準化したツヤに変換する。
   （うねりの算出方法ｉ）
   対象者の後姿の画像から画定した出願当初の段落００４４に記載の領域Ａを、ｘ方向に１００等分、ｙ方向に１００等分し、得られた１００００個の区画内の輝度値を測定し、その区画の輝度値を得る。そして、全区画の輝度値の平均値を算出し、閾値とする。
   そして、出願当初の段落００４６に記載のｘ＿ｄｐ１～ｘ＿ｄｐ５０の、ｙ＿ｄｐｎ＿ｓｔａｒｔからｙ＿ｄｐｎ＿ｅｎｄまでのｙ方向の長さ（ｎは、１～５０の整数を表す）を算出し、合計５０個の値（ブランクを含んでよい）を算出する。
   得られた５０個の値から、ブランクの数、標準偏差、標準偏差の最大値から最小値を引いた差分を算出する。
   得られた標準偏差を、以下の方法で標準化したうねりに変換する。
   事前に、頭髪専門評価者が、２００名以上の対象者の髪のうねりを目視で５段階に評価する。５の評価の人数を「５の評価者数」、４の評価の人数を「４の評価者数」、３の評価の人数を「３の評価者数」、２の評価の人数を「２の評価者数」、１の評価の人数を「１の評価者数」とする。次に、同じ対象者に対して、うねりの算出方法ｉにより、標準偏差を算出する。そして、標準偏差が低い順に並べ、最低値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が低い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が低い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が低い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も高い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。
   （うねりの算出方法ｉｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｉで求めたブランクの数に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｉｉｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｉで求めた標準偏差の最大値から最小値を引いた差分に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｉｖ）
   （輪郭の周囲の長さ）／（輪郭抽出面積）を算出する。
   前記うねりの算出方法ｉの標準偏差を、前記（輪郭の周囲の長さ）／（輪郭抽出面積）の算出値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｖ）
   対象者の後姿の画像から、出願当初の段落００５１、００５２、００５３、００５４に記載の方法で、ｙ座標がｙ＿ｔｏｐ－２００＿ｄ１～ｙ＿ｔｏｐ－２００＿ｄ５０についての、ｘ＿ａｂからｘ＿ａａまでのｘ方向長さ、及びｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さを算出する。５０個のｘ＿ａｂからｘ＿ａａまでのｘ方向長さの値から、最大値、最小値、平均値、標準偏差、最頻値、中央値を算出する。
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの最大値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｖｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの最小値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｖｉｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの平均値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｖｉｉｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの標準偏差に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｉｘ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの最頻値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの中央値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの最大値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘｉｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの最小値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘｉｉｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの平均値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘｉｖ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの標準偏差に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘｖ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの最頻値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘｖｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの中央値に変更して、標準化したうねりＶｗを得る。
   （ボリュームの算出方法ｉ）
   対象者の後姿及び前姿の画像から、出願当初の段落００７１、００７２、００７３、００７４、００７５に記載の方法で、１０％位置幅、最大幅、ｒｂｃ、ｒａｂ、ｌｂｃ、ｌａｂ、（点ＡＲと点ＦＲとのｙ方向長さ）／（点ＦＲと点ＥＲとのｙ方向長さ）、（点ＡＬと点ＦＬとのｙ方向長さ）／（点ＦＬと点ＥＬとのｙ方向長さ）、を算出する。そして、前記１０％位置幅を前記最大幅で除した値（１０％位置幅／最大幅）を算出する。
   以下の方法で、前記（１０％位置幅／最大幅）を標準化したボリュームに変換する。事前に、頭髪専門評価者が、２００名以上の対象者の髪のボリュームを目視で５段階に評価する。５の評価の人数を「５の評価者数」、４の評価の人数を「４の評価者数」、３の評価の人数を「３の評価者数」、２の評価の人数を「２の評価者数」、１の評価の人数を「１の評価者数」とする。次に、同じ対象者に対して、前記ボリュームの算出方法ｉにより、前記（１０％位置幅／最大幅）を算出し、該値が低い順に並べ、最低値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が低い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が低い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が低い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も高い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。
   （ボリュームの算出方法ｉｉ）
   前記長さｌｂｃを前記長さｌａｂで除した値（ｌｂｃ／ｌａｂ）を算出し、ｌ＿ｒａｔｉｏとする。前記長さｒｂｃを前記長さｒａｂで除した値（ｒｂｃ／ｒａｂ）を算出し、ｒ＿ｒａｔｉｏとする。そして、前記ｌ＿ｒａｔｉｏと前記ｒ＿ｒａｔｉｏとの平均ａｖｅ＿ｒａｔｉｏを算出する。
   以下の方法で、前記平均ａｖｅ＿ｒａｔｉｏを標準化したボリュームに変換する。事前に、頭髪専門評価者が、２００名以上の対象者の髪のボリュームを目視で５段階に評価する。５の評価の人数を「５の評価者数」、４の評価の人数を「４の評価者数」、３の評価の人数を「３の評価者数」、２の評価の人数を「２の評価者数」、１の評価の人数を「１の評価者数」とする。次に、同じ対象者に対して、前記ボリュームの算出方法ｉｉにより、前記平均ａｖｅ＿ｒａｔｉｏを算出し、該値が高い順に並べ、最高値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が高い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が高い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が高い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も低い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。
   （ボリュームの算出方法ｉｉｉ）
   前記１０％位置幅／最大幅と前記平均ａｖｅ＿ｒａｔｉｏとの和を算出し、前記ボリュームの算出方法ｉの１０％位置幅／最大幅を前記１０％位置幅／最大幅と前記平均ａｖｅ＿ｒａｔｉｏとの前記和に変更して、標準化したボリュームＶｖを得る。
   （ボリュームの算出方法ｉｖ）
   前記１０％位置幅／最大幅と前記平均ａｖｅ＿ｒａｔｉｏとを乗じた値を算出し、前記ボリュームの算出方法ｉの１０％位置幅／最大幅を前記１０％位置幅／最大幅と前記平均ａｖｅ＿ｒａｔｉｏとを乗じた前記値に変更して、標準化したボリュームＶｖを得る。
   （ボリュームの算出方法ｖ）
   前記「（点ＡＲと点ＦＲとのｙ方向長さ）／（点ＦＲと点ＥＲとのｙ方向長さ）」と、前記「（点ＡＬと点ＦＬとのｙ方向長さ）／（点ＦＬと点ＥＬとのｙ方向長さ）」との平均値を算出し、前記ボリュームの算出方法ｉｉの平均ａｖｅ＿ｒａｔｉｏを前記「（点ＡＲと点ＦＲとのｙ方向長さ）／（点ＦＲと点ＥＲとのｙ方向長さ）」と、前記「（点ＡＬと点ＦＬとのｙ方向長さ）／（点ＦＬと点ＥＬとのｙ方向長さ）」との前記平均値に変更して、標準化したボリュームＶｖを得る。
   （色むらの算出方法ｉ）
   対象者の後姿の画像から、出願当初の段落００９０に記載の方法で、ｘ＿２５％ｖ＿１～ｘ＿２５％ｖ＿５０の線分の各区画の色相値から、線分の色相値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。
   以下の方法で、前記標準偏差値の平均値を標準化した色むらに変換する。事前に、頭髪専門評価者が、２００名以上の対象者の髪の色むらを目視で５段階に評価する。５の評価の人数を「５の評価者数」、４の評価の人数を「４の評価者数」、３の評価の人数を「３の評価者数」、２の評価の人数を「２の評価者数」、１の評価の人数を「１の評価者数」とする。次に、同じ対象者に対して、前記色むらの算出方法ｉにより、前記標準偏差値の平均値を算出する。そして、該値が高い順に並べ、最高値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が高い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が高い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が高い「２の評価者数」の人数までの該値の範囲の場合を２、最も該値が低い「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。
   （色むらの算出方法ｉｉ）
   前記色むらの算出方法ｉで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、前記最大値の平均値から前記最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｉｉｉ）
   前記色むらの算出方法ｉで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｉｖ）
   前記色むらの算出方法ｉで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｖ）
   対象者の後姿の画像から、出願当初の段落００９５に記載の方法で、ｘ＿２３０ｖ＿１～ｘ＿２３０ｖ＿５０の線分の各区画の色相値から、線分の色相値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｖの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｖｉ）
   前記色むらの算出方法ｖで得られた５０個の最大値の平均値及び５０個の最小値の平均値を求め、前記最大値の平均値から前記最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｖｉｉ）
   前記色むらの算出方法ｖで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｖｉｉｉ）
   前記色むらの算出方法ｖで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｉｘ）
   対象者の後姿の画像から、出願当初の段落０１００に記載の方法で、ｙ＿２５％ｓ＿１～ｙ＿２５％ｓ＿５０の線分の各区画の色相値から、線分の色相値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｉｘの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘ）
   前記色むらの算出方法ｉｘで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、前記最大値の平均値から前記最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｉ）
   前記色むらの算出方法ｉｘで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｉｉ）
   前記色むらの算出方法ｉｘで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｉｉｉ）
   対象者の後姿の画像から、出願当初の段落０１０５に記載の方法で、ｙ＿２３０ｓ＿１～ｙ＿２３０ｓ＿５０の線分の各区画の色相値から、線分の色相値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｘｉｉｉの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｉｖ）
   前記色むらの算出方法ｘｉｉｉで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、前記最大値の平均値から前記最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｖ）
   前記色むらの算出方法ｘｉｉｉで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｖｉ）
   前記色むらの算出方法ｘｉｉｉで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｖｉｉ）
   対象者の後姿の画像から、出願当初の段落０１０９に記載の方法で、ｘ＿２５％ｖ＿１～ｘ＿２５％ｖ＿５０の線分の各区画の彩度値から、線分の彩度値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｘｖｉｉの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｖｉｉｉ）
   前記色むらの算出方法ｘｖｉｉで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｉｘ）
   前記色むらの算出方法ｘｖｉｉで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘ）
   前記色むらの算出方法ｘｖｉｉで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｉ）
   対象者の後姿の画像から、出願当初の段落０１１３に記載の方法で、ｘ＿２３０ｖ＿１～ｘ＿２３０ｖ＿５０の線分の各区画の彩度値から、線分の彩度値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｘｘｉの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｉｉ）
   前記色むらの算出方法ｘｘｉで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｉｉｉ）
   前記色むらの算出方法ｘｘｉで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｉｖ）
   前記色むらの算出方法ｘｘｉで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｖ）
   対象者の後姿の画像から、出願当初の段落０１１７に記載の方法で、ｙ＿２５％ｓ＿１～ｙ＿２５％ｓ＿５０の線分の各区画の彩度値から、線分の彩度値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｘｘｖの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｖｉ）
   前記色むらの算出方法ｘｘｖで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｖｉｉ）
   前記色むらの算出方法ｘｘｖで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｖｉｉｉ）
   前記色むらの算出方法ｘｘｖで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｉｘ）
   対象者の後姿の画像から、出願当初の段落０１２１に記載の方法で、ｙ＿２３０ｓ＿１～ｙ＿２３０ｓ＿５０の線分の各区画の彩度値から、線分の彩度値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｘｘｉｘの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｘ）
   前記色むらの算出方法ｘｘｉｘで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｘｉ）
   前記色むらの算出方法ｘｘｉｘで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｘｉｉ）
   前記色むらの算出方法ｘｘｉｘで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
2. 前記対象者の髪の画像を前記対象者の髪を撮影して取得し、
   算出された前記対象者の髪年齢を画面に表示する、
   請求項１に記載の髪年齢評価方法。
3. 請求項１又は２に記載の髪年齢評価方法により算出された前記対象者の髪年齢と、前記対象者に対する問診結果とに基づいて、ヘアケア製品又はヘアケアサービスを提案する方法。
4. 対象者の髪のツヤを解析するツヤ解析部と、
   対象者の髪のうねりを解析するうねり解析部と、
   対象者の髪のボリュームを解析するボリューム解析部と、
   対象者の髪の色むらを解析する色むら解析部と、
   を含む解析部を含み、
   前記解析部において、
   下記式（１）：
   Ｙ（髪年齢）＝α＋β１×（標準化した髪のツヤ評価Ｖｇ）＋β２×（標準化した髪のうねり評価Ｖｗ）＋β３×（標準化した髪のボリューム評価Ｖｖ）＋β４×（標準化した髪の色むら評価Ｖｕ）・・・（１）
   （式（１）において、２７．０２≦α≦６５．８、－１２．２０≦β１≦－３．４０、２．４０≦β２≦８．９４、－６．９６≦β３≦８．８１、－４．９４≦β４≦４．２９である）
   を用い、
   前記Ｖｇが以下のツヤの算出方法ｉ～ｉｉｉのいずれかの方法で得られた値であり、
   前記Ｖｗが以下のうねりの算出方法ｉ～ｘｖｉのいずれか方法で得られた値であり、
   前記Ｖｖが以下のボリュームの算出方法ｉ～ｖのいずれか方法で得られた値であり、
   前記Ｖｕが以下の色むらの算出方法ｉ～ｘｘｘｉｉのいずれか方法で得られた値である
   、髪年齢評価装置。
   （ツヤの算出方法ｉ）
   対象者の後姿の画像から画定した出願当初の段落００２７に記載の領域Ａ、Ｂを、ｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分し、得られた各区画内の輝度値を測定する。得られた各区画の輝度値から、横軸に輝度値、縦軸に頻度をとるヒストグラムを、領域ごとに作成する。領域Ａ及び領域Ｂのヒストグラムから、領域Ａの標準偏差、領域Ｂの標準偏差を求め、「領域Ａの標準偏差－領域Ｂの標準偏差」を求める。
   以下の方法で、前記「領域Ａの標準偏差－領域Ｂの標準偏差」を標準化したツヤに変換する。事前に、頭髪専門評価者が、２００名以上の対象者の髪のツヤを目視で５段階に評価する。５の評価の人数を「５の評価者数」、４の評価の人数を「４の評価者数」、３の評価の人数を「３の評価者数」、２の評価の人数を「２の評価者数」、１の評価の人数を「１の評価者数」とする。次に、同じ対象者に対して、前記ツヤの算出方法ｉ）により、前記「領域Ａの標準偏差－領域Ｂの標準偏差」を算出し、該値が高い順に並べ、最高値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が高い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が高い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が高い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も低い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、とする。
   （ツヤの算出方法ｉｉ）
   対象者の後姿の画像から画定した出願当初の段落００２７に記載の領域Ａ、Ｃを、ｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分し、得られた各区画内の輝度値を測定する。得られた各区画の輝度値から、横軸に輝度値、縦軸に頻度をとるヒストグラムを、領域ごとに作成する。領域Ａ及び領域Ｃのヒストグラムから、領域Ａの標準偏差、領域Ｃの標準偏差を求め、「領域Ａの標準偏差－領域Ｃの標準偏差」を求める。
   前記ツヤの算出方法ｉの「領域Ａの標準偏差－領域Ｂの標準偏差」を「領域Ａの標準偏差－領域Ｃの標準偏差」に変更して、「領域Ａの標準偏差－領域Ｃの標準偏差」を標準化したツヤに変換する。
   （ツヤの算出方法ｉｉｉ）
   対象者の後姿の画像から画定した出願当初の段落００２７に記載の領域Ａ’、Ｂ’を、ｘ方向に１００～１０００等分、ｙ方向に１００～１０００等分し、得られた各区画内の輝度値を測定する。得られた各区画の輝度値から、横軸に輝度値、縦軸に頻度をとるヒストグラムを、領域ごとに作成する。領域Ａ’及び領域Ｂ’のヒストグラムから、領域Ａ’の標準偏差、領域Ｂ’の標準偏差を求め、「領域Ａ’の標準偏差－領域Ｂ’の標準偏差」を求める。
   前記ツヤの算出方法ｉの「領域Ａの標準偏差－領域Ｂの標準偏差」を「領域Ａ’の標準偏差－領域Ｂ’の標準偏差」に変更して、「領域Ａ’の標準偏差－領域Ｂ’の標準偏差」を標準化したツヤに変換する。
   （うねりの算出方法ｉ）
   対象者の後姿の画像から画定した出願当初の段落００４４に記載の領域Ａを、ｘ方向に１００等分、ｙ方向に１００等分し、得られた１００００個の区画内の輝度値を測定し、その区画の輝度値を得る。そして、全区画の輝度値の平均値を算出し、閾値とする。
   そして、出願当初の段落００４６に記載のｘ＿ｄｐ１～ｘ＿ｄｐ５０の、ｙ＿ｄｐｎ＿ｓｔａｒｔからｙ＿ｄｐｎ＿ｅｎｄまでのｙ方向の長さ（ｎは、１～５０の整数を表す）を算出し、合計５０個の値（ブランクを含んでよい）を算出する。
   得られた５０個の値から、ブランクの数、標準偏差、標準偏差の最大値から最小値を引いた差分を算出する。
   得られた標準偏差を、以下の方法で標準化したうねりに変換する。
   事前に、頭髪専門評価者が、２００名以上の対象者の髪のうねりを目視で５段階に評価する。５の評価の人数を「５の評価者数」、４の評価の人数を「４の評価者数」、３の評価の人数を「３の評価者数」、２の評価の人数を「２の評価者数」、１の評価の人数を「１の評価者数」とする。次に、同じ対象者に対して、うねりの算出方法ｉにより、標準偏差を算出する。そして、標準偏差が低い順に並べ、最低値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が低い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が低い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が低い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も高い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。
   （うねりの算出方法ｉｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｉで求めたブランクの数に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｉｉｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｉで求めた標準偏差の最大値から最小値を引いた差分に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｉｖ）
   （輪郭の周囲の長さ）／（輪郭抽出面積）を算出する。
   前記うねりの算出方法ｉの標準偏差を、前記（輪郭の周囲の長さ）／（輪郭抽出面積）の算出値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｖ）
   対象者の後姿の画像から、出願当初の段落００５１、００５２、００５３、００５４に記載の方法で、ｙ座標がｙ＿ｔｏｐ－２００＿ｄ１～ｙ＿ｔｏｐ－２００＿ｄ５０についての、ｘ＿ａｂからｘ＿ａａまでのｘ方向長さ、及びｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さを算出する。５０個のｘ＿ａｂからｘ＿ａａまでのｘ方向長さの値から、最大値、最小値、平均値、標準偏差、最頻値、中央値を算出する。
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの最大値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｖｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの最小値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｖｉｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの平均値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｖｉｉｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの標準偏差に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｉｘ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの最頻値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ａｂからｘ＿ａａまでのｘ方向長さの中央値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの最大値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘｉｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの最小値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘｉｉｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの平均値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘｉｖ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの標準偏差に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘｖ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの最頻値に変更して、標準化したうねりＶｗを得る。
   （うねりの算出方法ｘｖｉ）
   前記うねりの算出方法ｉの標準偏差を、前記うねりの算出方法ｖで求めたｘ＿ｃｃからｘ＿ｃｂまでのｘ方向長さの中央値に変更して、標準化したうねりＶｗを得る。
   （ボリュームの算出方法ｉ）
   対象者の後姿及び前姿の画像から、出願当初の段落００７１、００７２、００７３、００７４、００７５に記載の方法で、１０％位置幅、最大幅、ｒｂｃ、ｒａｂ、ｌｂｃ、ｌａｂ、（点ＡＲと点ＦＲとのｙ方向長さ）／（点ＦＲと点ＥＲとのｙ方向長さ）、（点ＡＬと点ＦＬとのｙ方向長さ）／（点ＦＬと点ＥＬとのｙ方向長さ）、を算出する。そして、前記１０％位置幅を前記最大幅で除した値（１０％位置幅／最大幅）を算出する。
   以下の方法で、前記（１０％位置幅／最大幅）を標準化したボリュームに変換する。事前に、頭髪専門評価者が、２００名以上の対象者の髪のボリュームを目視で５段階に評価する。５の評価の人数を「５の評価者数」、４の評価の人数を「４の評価者数」、３の評価の人数を「３の評価者数」、２の評価の人数を「２の評価者数」、１の評価の人数を「１の評価者数」とする。次に、同じ対象者に対して、前記ボリュームの算出方法ｉにより、前記（１０％位置幅／最大幅）を算出し、該値が低い順に並べ、最低値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が低い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が低い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が低い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も高い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。
   （ボリュームの算出方法ｉｉ）
   前記長さｌｂｃを前記長さｌａｂで除した値（ｌｂｃ／ｌａｂ）を算出し、ｌ＿ｒａｔｉｏとする。前記長さｒｂｃを前記長さｒａｂで除した値（ｒｂｃ／ｒａｂ）を算出し、ｒ＿ｒａｔｉｏとする。そして、前記ｌ＿ｒａｔｉｏと前記ｒ＿ｒａｔｉｏとの平均ａｖｅ＿ｒａｔｉｏを算出する。
   以下の方法で、前記平均ａｖｅ＿ｒａｔｉｏを標準化したボリュームに変換する。事前に、頭髪専門評価者が、２００名以上の対象者の髪のボリュームを目視で５段階に評価する。５の評価の人数を「５の評価者数」、４の評価の人数を「４の評価者数」、３の評価の人数を「３の評価者数」、２の評価の人数を「２の評価者数」、１の評価の人数を「１の評価者数」とする。次に、同じ対象者に対して、前記ボリュームの算出方法ｉｉにより、前記平均ａｖｅ＿ｒａｔｉｏを算出し、該値が高い順に並べ、最高値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が高い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が高い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が高い「２の評価者数」の人数までの該値の範囲の場合を２、該値が最も低い対象者から「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。
   （ボリュームの算出方法ｉｉｉ）
   前記１０％位置幅／最大幅と前記平均ａｖｅ＿ｒａｔｉｏとの和を算出し、前記ボリュームの算出方法ｉの１０％位置幅／最大幅を前記１０％位置幅／最大幅と前記平均ａｖｅ＿ｒａｔｉｏとの前記和に変更して、標準化したボリュームＶｖを得る。
   （ボリュームの算出方法ｉｖ）
   前記１０％位置幅／最大幅と前記平均ａｖｅ＿ｒａｔｉｏとを乗じた値を算出し、前記ボリュームの算出方法ｉの１０％位置幅／最大幅を前記１０％位置幅／最大幅と前記平均ａｖｅ＿ｒａｔｉｏとを乗じた前記値に変更して、標準化したボリュームＶｖを得る。
   （ボリュームの算出方法ｖ）
   前記「（点ＡＲと点ＦＲとのｙ方向長さ）／（点ＦＲと点ＥＲとのｙ方向長さ）」と、前記「（点ＡＬと点ＦＬとのｙ方向長さ）／（点ＦＬと点ＥＬとのｙ方向長さ）」との平均値を算出し、前記ボリュームの算出方法ｉｉの平均ａｖｅ＿ｒａｔｉｏを前記「（点ＡＲと点ＦＲとのｙ方向長さ）／（点ＦＲと点ＥＲとのｙ方向長さ）」と、前記「（点ＡＬと点ＦＬとのｙ方向長さ）／（点ＦＬと点ＥＬとのｙ方向長さ）」との前記平均値に変更して、標準化したボリュームＶｖを得る。
   （色むらの算出方法ｉ）
   対象者の後姿の画像から、出願当初の段落００９０に記載の方法で、ｘ＿２５％ｖ＿１～ｘ＿２５％ｖ＿５０の線分の各区画の色相値から、線分の色相値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。
   以下の方法で、前記標準偏差値の平均値を標準化した色むらに変換する。事前に、頭髪専門評価者が、２００名以上の対象者の髪の色むらを目視で５段階に評価する。５の評価の人数を「５の評価者数」、４の評価の人数を「４の評価者数」、３の評価の人数を「３の評価者数」、２の評価の人数を「２の評価者数」、１の評価の人数を「１の評価者数」とする。次に、同じ対象者に対して、前記色むらの算出方法ｉにより、前記標準偏差値の平均値を算出する。そして、該値が高い順に並べ、最高値の対象者から「５の評価者数」の人数までの該値の範囲の場合を５、次に該値が高い「４の評価者数」の人数までの該値の範囲の場合を４、次に該値が高い「３の評価者数」の人数までの該値の範囲の場合を３、次に該値が高い「２の評価者数」の人数までの該値の範囲の場合を２、最も該値が低い「１の評価者数」の人数の対象者の該値の範囲の場合を１、と評価する。
   （色むらの算出方法ｉｉ）
   前記色むらの算出方法ｉで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、前記最大値の平均値から前記最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｉｉｉ）
   前記色むらの算出方法ｉで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｉｖ）
   前記色むらの算出方法ｉで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｖ）
   対象者の後姿の画像から、出願当初の段落００９５に記載の方法で、ｘ＿２３０ｖ＿１～ｘ＿２３０ｖ＿５０の線分の各区画の色相値から、線分の色相値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｖの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｖｉ）
   前記色むらの算出方法ｖで得られた５０個の最大値の平均値及び５０個の最小値の平均値を求め、前記最大値の平均値から前記最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｖｉｉ）
   前記色むらの算出方法ｖで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｖｉｉｉ）
   前記色むらの算出方法ｖで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｉｘ）
   対象者の後姿の画像から、出願当初の段落０１００に記載の方法で、ｙ＿２５％ｓ＿１～ｙ＿２５％ｓ＿５０の線分の各区画の色相値から、線分の色相値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｉｘの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘ）
   前記色むらの算出方法ｉｘで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、前記最大値の平均値から前記最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｉ）
   前記色むらの算出方法ｉｘで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｉｉ）
   前記色むらの算出方法ｉｘで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｉｉｉ）
   対象者の後姿の画像から、出願当初の段落０１０５に記載の方法で、ｙ＿２３０ｓ＿１～ｙ＿２３０ｓ＿５０の線分の各区画の色相値から、線分の色相値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｘｉｉｉの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｉｖ）
   前記色むらの算出方法ｘｉｉｉで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、前記最大値の平均値から前記最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｖ）
   前記色むらの算出方法ｘｉｉｉで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｖｉ）
   前記色むらの算出方法ｘｉｉｉで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｖｉｉ）
   対象者の後姿の画像から、出願当初の段落０１０９に記載の方法で、ｘ＿２５％ｖ＿１～ｘ＿２５％ｖ＿５０の線分の各区画の彩度値から、線分の彩度値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｘｖｉｉの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｖｉｉｉ）
   前記色むらの算出方法ｘｖｉｉで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｉｘ）
   前記色むらの算出方法ｘｖｉｉで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘ）
   前記色むらの算出方法ｘｖｉｉで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｉ）
   対象者の後姿の画像から、出願当初の段落０１１３に記載の方法で、ｘ＿２３０ｖ＿１～ｘ＿２３０ｖ＿５０の線分の各区画の彩度値から、線分の彩度値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｘｘｉの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｉｉ）
   前記色むらの算出方法ｘｘｉで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｉｉｉ）
   前記色むらの算出方法ｘｘｉで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｉｖ）
   前記色むらの算出方法ｘｘｉで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｖ）
   対象者の後姿の画像から、出願当初の段落０１１７に記載の方法で、ｙ＿２５％ｓ＿１～ｙ＿２５％ｓ＿５０の線分の各区画の彩度値から、線分の彩度値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｘｘｖの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｖｉ）
   前記色むらの算出方法ｘｘｖで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｖｉｉ）
   前記色むらの算出方法ｘｘｖで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｖｉｉｉ）
   前記色むらの算出方法ｘｘｖで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｉｘ）
   対象者の後姿の画像から、出願当初の段落０１２１に記載の方法で、ｙ＿２３０ｓ＿１～ｙ＿２３０ｓ＿５０の線分の各区画の彩度値から、線分の彩度値の最大値、最小値、平均値、標準偏差、中央値を求める。そして、５０個の標準偏差値の平均値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記色むらの算出方法ｘｘｉｘの標準偏差値の平均値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｘ）
   前記色むらの算出方法ｘｘｉｘで得られた５０個の最大値の平均値、及び５０個の最小値の平均値を求め、最大値の平均値から最小値の平均値を引いた値を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記最大値の平均値から最小値の平均値を引いた値に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｘｉ）
   前記色むらの算出方法ｘｘｉｘで得られた５０個の平均値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の平均値の標準偏差に変更して、標準化した色むらＶｕを得る。
   （色むらの算出方法ｘｘｘｉｉ）
   前記色むらの算出方法ｘｘｉｘで得られた５０個の中央値の標準偏差を求める。前記色むらの算出方法ｉの標準偏差値の平均値を、前記５０個の中央値の標準偏差に変更して、標準化した色むらＶｕを得る。
5. 前記対象者の髪を撮影してその画像を取得する撮像部と、
   算出された前記髪年齢を画面に表示する表示部と、
   を含む、請求項４に記載の髪年齢評価装置。
6. 請求項４又は５に記載の髪年齢評価装置と、前記対象者に対する問診装置とを含む、ヘアケア製品又はヘアケアサービスを提案する装置。

Images