JPH1115945A - 画像処理装置及び方法、及び、危険物検出システム及び方法 - Google Patents

Abstract

(57)【要約】 【課題】 画像中から任意の物体の画像を漏れなく抽出
し、その位置を安定的に求めることができる画像処理装
置及び画像処理方法を提供する。 【解決手段】 抽出対象物の局所部分について、撮像環
境による変化をパラメータとして反映した局所モデルと
入力された画像の各部分画像について、マッチング処理
部１３で各局所モデルとのマッチングを行う。局所情報
統合部２１は、マッチング結果に従って、画像の位置情
報も含めたパラメータ空間において抽出対象物がその位
置に存在することを支持する程度を示す非加法的測度で
ある支持度（確度）を求め、さらに、支持度を統合す
る。統合は、Dempster-Shafer理論等に基づいて、ある
局所部分の低い支持度が他の局所部分の高い支持度を相
殺しないように行われる。物体位置決定部１７は、パラ
メータ空間内で支持度の高い部分を抽出することによ
り、入力画像内の抽出対象物の位置を判別して出力す
る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、入力画像中から
任意の物体を抽出し、その位置を判別する画像処理装置
及び画像処理方法、及びそれらを用いた危険物検出シス
テム及び方法に関する。

【０００２】

【従来の技術】従来の局所的な情報を統合して物体の抽
出（検出）或いは認識を行う技術としては、得られた局
所情報を組み合わせて逐次仮説検証する手法と、Ｈｏｕ
ｇｈ変換に代表されるような局所情報からの投票に基づ
いた手法（和田俊和、松山隆司「Ｈｏｕｇｈ変換に基づ
く図研検出法の新展開」、情報処理学会誌、Ｖｏｌ．３
６，Ｎｏ．３，１９９５）が知られている。

【０００３】仮説検証による方法では、画像中から得ら
れた物体の局所情報の多数の候補を逐次組み合わせて検
証する。このため、組み合わせの爆発（組み合わせ数の
膨大化）が起こり、演算量が膨大になってしまう。投票
による方法は、真値を指示する情報が多数ある場合には
有効である。しかし、少数の情報が指示する結果のみが
真値であり得るような場合には、必ずしも良好な結果が
得られない。また、撮影される物体は一部が隠れていた
り、大きさや明るさや、見える方向などの撮影環境の違
いにより画像上で様々に変化する。このため、従来の物
体抽出装置及び方法では、撮影された画像から抽出対象
物を正確に抽出し、その位置を正確に求めることが困難
であった。

【０００４】このような問題を解決するため、特願平７
−１６９０３９には、取得した画像の部分画像と予め用
意しておいた局所画像とをマッチングし、マッチングの
結果得られた一致度を用いて、パラメータ空間上の確率
分布を求め、求めた確率分布をベイズの枠組みにより統
合することにより、検出対象物の有無と位置を判別する
装置及び方法が開示されている。

【０００５】この装置及び方法によれば、確率分布を使
用しているので、抽出対象物の一部が隠れているような
場合でも、比較的正確に物体が存在すること及びその位
置を判別することができる。

【０００６】

【発明が解決しようとする課題】この方法では、ベイズ
の枠組みに沿って確率分布を統合している。ベイズの枠
組みによる統合は、確率分布を積事象として結合する。
このため、物体映像の一部が隠れている場合、隠れてい
る部分の画像情報が得られず、その部分に関する確率が
小さくなり、統合後の確率が小さくなってしまう場合が
ある。確率が小さいことは、物体が存在しないことを意
味する。従って、一部が見えていても、隠れている領域
が存在するため、物体として検知されない場合がある。
このため、この方法では、たとえ少数の局所部分が一致
していても、多数の局所部分が一致していなければ抽出
が困難であるという問題があった。

【０００７】一方、セキュリティ関連のアプリケーショ
ンにおいては、危険物として可能性のある場合は漏らさ
ず検出又は抽出できることが望ましい。従って、少数の
局所部分が画像と一致している場合には、危険物として
抽出することが望ましい。従って、特願平７−１６９０
３９に開示された方法は、セキュリティ分野等には適し
ていない場合があるという問題があった。

【０００８】この発明は上記実状に鑑みてなされたもの
で、任意の画像中から任意の物体の画像を抽出し、且
つ、その位置を安定的に求めることができる画像処理装
置及び画像処理方法を提供することを目的とする。ま
た、この発明は、任意の画像中から任意の物体の特徴を
備える画像を漏れなく求めることができる画像処理装置
及び画像処理方法を提供することを目的とする。また、
この発明は、セキュリティシステムにおいて、検出対象
物である可能性がある画像を漏れなく判別することがで
きる画像処理装置及び画像処理方法、危険物検出装置及
び方法を提供することを目的とする。

【０００９】

【課題を解決するための手段】上記目的を達成するた
め、この発明の画像処理装置は、抽出対象物の複数の局
所部分のモデルを記憶するモデル記憶手段と、画像を入
力する画像入力手段と、前記モデル記憶手段に記憶され
た各モデルと、前記画像入力手段の入力画像の各部との
一致度を算出するマッチング手段と、前記マッチング手
段により算出された各一致度に基づいて、抽出対象物の
存在を支持する程度を示す非加法的測度である支持度を
局所部分毎に求め、求めた局所部分毎の支持度を統合す
る統合手段と、前記統合手段により統合された支持度が
極大を示す位置を抽出対象物の位置として出力する出力
手段と、を備えることを特徴とする。

【００１０】このような構成によれば、非加法的測度で
ある支持度を求め、これを統合して、抽出対象物の位置
を判別している。非加法的測度を使用しているので、一
部の局所部分についての支持度が高く、隠れている等の
理由により、他の局所部分の支持度が低い場合でも、統
合した後の支持度が低くならない。従って、少なくとも
一部の局所部分を明確・確実に検出できた場合には、抽
出対象物を漏れなく抽出することができる。従って、抽
出対象物である可能性のある画像を漏れなく抽出すべき
分野、例えば、セキュリティ等の分野に用いて好適な画
像処理装置を提供できる。

【００１１】前記出力手段は、例えば、前記統合手段に
より統合された支持度のうち、極大を示す支持度が基準
値を越える時に、抽出対象物の存在の可能性を報知す
る。支持度が低い場合には、検出対象物が存在しない可
能性が高い。このような構成をとることにより、誤って
存在すると判別する誤動作を低減できる。なお、支持度
が極大を示さなくても、例えば、基準値以上である場合
には、ぞの位置を抽出対象物の位置として出力するよう
にしてもよい。

【００１２】前記統合手段は、例えば、前記マッチング
手段により算出された各一致度に基づいて、部分画像毎
に支持度を求める手段と、部分画像毎に求められた支持
度を局所部分毎に統合する手段と、局所部分毎に統合さ
れた支持度を統合する手段と、から構成される。

【００１３】また、前記統合手段は、例えば、前記入力
画像上の位置をパラメータとするパラメータ空間上の支
持度の分布を求め、前記出力手段は、極大を示す支持度
が得られた位置の情報を出力するように構成してもよ
い。

【００１４】前記統合手段は、部分画像と局所部分毎に
所定のパラメータ空間上の支持度の分布を求める手段
と、局所部分毎に求められたパラメータ空間上の支持度
のうち、パラメータ空間の各点における極大の支持度
（複数でもよく、一定の基準値を越えるもののみでも
よ）を選択することにより、局所部分毎にパラメータ空
間上の新たな支持度の分布を生成する手段と、全ての局
所部分の新たな支持度の分布を統合する手段と、から構
成されてもよい。

【００１５】前記統合手段は、例えば、一の局所部分に
ついての支持度が他の局所部分についての支持度を否定
することなく、各局所部分についての支持度を統合す
る、即ち、非加法的手法により支持度を統合する（非加
法的測度で表して統合する）手段を備える。このような
構成とすることにより、局所部分の一部が隠れて見えな
い場合でも、見えている局所部分の支持度が高い場合に
は、物体を抽出することが可能となる。

【００１６】非加法的な統合手法として、例えば、Demp
ster-shafer理論又はFuzzy理論に基づいた支持度の統合
が採用可能である。

【００１７】前記モデル記憶手段は、例えば、撮像環境
による変化をパラメータとして反映した各局所部分の画
像のモデルを記憶し、前記マッチング手段は、前記入力
画像から前記局所部分と同一サイズの部分画像を順次切
り出し、各局所部分のモデルとの一致度を求め、前記統
合手段は、前記マッチング手段により求められた一致度
を用いて、画像の位置情報を含めたパラメータ空間にお
いて、抽出対象物の存在を支持する程度を示す支持度を
求める。

【００１８】また、前記モデル記憶手段は、例えば、抽
出対象物の異なる回転角に対する各局所部分の画像の変
化を所定の固有ベクトルで表した固有空間で、曲線とし
て表現する第１のモデルと、抽出対象物の異なる回転角
に対する各局所部分の位置を曲線で表現する第２のモデ
ルと、を記憶し、前記マッチング手段は、前記画像入力
手段により入力された画像の各部の画像を前記固有空間
に射影した時に、射影点と前記第１のモデルの曲線との
距離を算出し、前記統合手段は、入力画像の各部の画像
について、前記マッチング手段により第１のモデルにつ
いて算出された距離に基づいて、第１の支持度を求め、
対応する第２のモデルに基づいて第２の支持度を求め、
前記第１と第２の支持度を乗算し、乗算により得られた
部分画像毎の支持度を統合する。この場合、前記統合手
段は、例えば、位置と回転角をパラメータとするパラメ
ータ空間上の支持度の分布を求め、前記出力手段は、極
大を示す支持度が得られた位置と回転角を出力する。

【００１９】前記モデル記憶手段に、複数の抽出対象物
の複数の局所部分の画像のモデルのセットを記憶させ、
前記統合手段に各抽出対象物の支持度を求めて統合さ
せ、前記出力手段に、基準値以上の支持度が得られた抽
出対象物とその位置を示す情報を出力させるように構成
してもよい。このような構成とすれば、複数の抽出対象
物を一括して抽出できる。

【００２０】また、この発明の第２の観点に係る危険物
検出システムは、検出対象の危険物の複数の局所部分の
モデルを記憶するモデル記憶手段と、検査対象物の画像
を入力する入力手段と、前記入力手段により入力された
画像の各部分と前記モデル記憶手段に記憶された各局所
部分のモデルとの一致度を求めるマッチング手段と、前
記マッチング手段により判別された一致度が所定値以上
の局所部分が存在する場合に、他の局所部分の一致度に
かかわらず、前記検出対象物の存在の可能性を報知する
手段と、を含むことを特徴とする。

【００２１】また、この発明の第３の観点にかかる危険
物検出システムは、検出対象物の複数の局所部分のモデ
ルを記憶するモデル記憶手段と、検査対象物の画像を入
力する入力手段と、前記入力手段により入力された画像
の各部分と前記モデル記憶手段に記憶された各局所部分
のモデルとの一致度を求めるマッチング手段と、前記マ
ッチング手段により判別された一致度に基づいて、各局
所部分が存在する確度（確信度）を示し、非加法的測度
である支持度を算出する手段と、高い支持度が低い支持
度の存在による影響を実質的に受けないように、算出さ
れた支持度を統合する手段と、統合された支持度に基づ
いて、前記検出対象物の存在の可能性を報知する手段
と、を含むことを特徴とする。

【００２２】第２、第３の観点に係る危険物検出システ
ムによれば、非加算的測度を用いて危険物の検出を行っ
ているので、入力画像中に１つでも局所部分の画像に非
常に類似する画像が存在する場合には、他の局所部分が
隠れている場合でも、危険物を検出することができる。
従って、危険物を漏れなく検出することができる。

【００２３】また、この発明の第４の観点にかかる危険
物検出システムは、検出対象の危険物の複数の局所部分
のモデルを記憶し、検査対象物の画像を入力し、入力さ
れた画像の各部分と各局所部分のモデルとの一致度を求
めることにより、前記検査対象物の画像中に検出対象の
危険物が含まれているか否かを判別する危険物検出シス
テムであって、前記一致度に基づいて、各局所部分が存
在する確度（確信度）を算出し、各局所部分の高い確度
が他の局所部分の低い確度の影響を受けないように算出
された確度を統合し、統合結果に基づいて前記検出対象
危険物の存在の可能性を判別して報知する、ことを特徴
とする。

【００２４】第４の観点に係る危険物検出システムによ
れば、高い確度の局所部分が存在する場合には、他の局
所部分の確度が低い場合でも、危険物を検出することが
できる。従って、危険物を漏れなく検出することができ
る。

【００２５】また、この発明の第５の観点にかかる画像
処理方法は、抽出対象物の複数の局所部分のモデルと入
力された画像の各部との一致度を算出し、算出された一
致度に基づいて、局所部分毎に前記抽出対象物が存在す
る確信度の空間を算出し、局所部分毎に得られた確信度
の空間を非加法的手法により統合し（非加法的測度で表
して統合し）、統合された確信度の空間の中から極大値
を持つ部分を抽出し、それに対応する入力画像上の位置
を決定する、ことを特徴とする。

【００２６】この方法によっても、非加法的手法を用い
ているので、検出対象物を漏れなく検出することができ
る。

【００２７】統合とは、例えば、Dempsster-Shafer理論
又はFuzzy理論に基づいた統合である。

【００２８】また、この発明の第６の観点にかかる危険
物検出システムは、検出対象の危険物の複数の局所部分
のモデルを記憶し、検査対象物の画像を入力し、入力さ
れた画像の各部分と各局所部分のモデルとの一致度を求
めることにより、前記検査対象物の画像中に検出対象の
危険物が含まれているか否かを判別する危険物検出方法
において、前記一致度に基づいて、各局所部分が存在す
る確度（確信度）を算出し、各局所部分の高い確度が他
の局所部分の低い確度の影響を受けないように算出され
た確度を統合し、統合結果に基づいて前記検出対象の危
険物の存在の可能性を判別して報知する、ことを特徴と
する。

【００２９】この方法によれば、各局所部分の高い確度
（確信度）が他の局所部分の低い確度の影響を受けない
ように算出された確度を統合し、統合結果に基づいて前
記検出対象危険物の存在の可能性を判別する。従って、
１つでも確度の高い局所部分が検出された場合には、危
険物の存在を報知する。従って、危険物を漏れなく検出
することができる。

【００３０】

【発明の実施の形態】以下、本発明の一実施形態にかか
る画像処理（抽出）装置及び画像処理（抽出）方法につ
いて、図１〜図１２を参照して説明する。

【００３１】図１に示すように、この実施形態の画像処
理装置は、画像入力部１１と、モデル記憶部１２と、マ
ッチング処理部１３と、局所情報統合部２１と、物体位
置決定部１７とを備える。

【００３２】画像入力部１１は、Ｘ線カメラ、ＣＣＤカ
メラ、イメージリーダなどの撮影装置とこの撮影装置で
取得された画像をデジタル画像に変換する変換部と、変
換された画像を一時記憶する画像メモリを備える。

【００３３】モデル記憶部１２は、メモリから構成さ
れ、抽出（検出）対象物体のモデルを記録する。３次元
物体の見かけ上の画像は、その物体の方向、向き等によ
り変化する。このような３次元物体の抽出を適切に行う
ため、モデル記憶部１２は、抽出対象物の特徴部分（局
所部分又は関心領域）のパラメトリック固有空間表現法
によるモデル（パターンモデル）と、モデル生成用画像
内での各特徴部分の位置の変化を表すモデル（ロケーシ
ョンモデル）とを記憶する。なお、パターンモデルとロ
ケーションモデルとの詳細については後述する。

【００３４】マッチング処理部１３は、データ読み出し
回路及び演算装置から構成され、画像入力部１１から入
力された入力画像の各部の画像（部分画像）とモデル記
憶部１２に記憶された各パターンモデルとのマッチング
をとり、一致度（マッチ度）を算出し、入力画像の各位
置の部分画像がどの特徴部分に最も一致するかを算出す
る。

【００３５】局所情報統合部２１は、支持度算出部１４
と、局所情報内統合部１５と、局所情報間統合部１６と
を備え、マッチング処理部１３で算出された一致度を、
Dempster-Shafer理論、Fuzzy理論等の非加法的な測度で
表し、これらの測度を統合する。

【００３６】支持度算出部１４は演算回路から構成さ
れ、マッチング処理部１３で求めた一致度に基づいて、
各位置での最適な局所部分に対応する局所モデルを用い
て、それらのパラメータ空間におけるパターンモデルと
ロケーションモデルとの距離に基づいて支持度Ｓ
_patternとＳ_locationとを算出する。支持度算出部１４
は、さらに、各位置でのパターンモデルとロケーション
モデルとの支持度を乗算して、パラメータ空間における
支持度Ｓ（＝Ｓ_pattern・Ｓ_location）を生成する。こ
の算出をマッチングの結果全てに対して行う。

【００３７】局所情報内統合部１５は、物体の同一の局
所部分について得られた全ての支持度を組み合わせるこ
とにより、パラメータ空間の新たな支持度を算出する。
組み合わせ方法は、パラメータ空間の各点において、最
大（又は極大）の支持度をとる。この結果、各局所部分
につき１つのパラメータ空間の支持度が得られる。

【００３８】局所情報間統合部１６は、算出した各局所
部分についてのパラメータ空間を、Dempster-Shafer理
論により統合する。

【００３９】物体位置決定部１７は、出力装置等から構
成され、最終的に得られたパラメータ空間の支持度が基
準値以上であるか否かを判別し、基準値以上の場合に、
その位置を検出対象物の場所として決定する。

【００４０】次に、モデル記憶部１２に記憶されるパタ
ーンモデル及びロケーションモデルの作成方法について
具体的に説明する。３次元物体の画像は、その物体の方
向、向き等により変化する。例えば、椅子を抽出対象物
と考えると、椅子を回転させると、図２に示すような多
様な画像（モデル作成用画像）が得られる。

【００４１】そこで、抽出対象物を中心にカメラを移動
させて（又は、カメラを固定して抽出対象物をその場で
回転させて）、図２に示すように、抽出対象物の回転角
θを変化させながらモデル作成用画像を順次取得する。
次に、取得したモデル作成用画像のうち、抽出対象物、
即ち、椅子以外の部分にデータ”０”を代入して抽出対
象物の画像のみを取得する。

【００４２】次に、各モデル作成用画像から抽出対象物
の特徴部分（局所部分）の画像を所定サイズで切り出
す。角度θの数（モデル作成用画像の数）をＲ、特徴部
分の数をＳとすると、Ｒ×Ｓ個の局所部分の画像（局所
画像）が得られる。例えば、図２に示す椅子の局所部分
を図３に示す３つの部分Ａ１〜Ａ３とすると、各モデル
作成用画像からそれぞれ３つの局所画像Ａ１〜Ａ３が抽
出される。

【００４３】続いて、回転角θをパラメータとして、各
局所画像をパラメトリック固有空間表現によって作成し
た固有空間に投影し、これらをつなげることにより局所
部分それぞれについて１つのパターンモデルを曲線とし
て得る。

【００４４】ここで、θの数（モデル作成用画像の数）
をＲとし、θを変えて取得した各局所画像の集合を数式
１のように表現する。ここで、Ｘiは各局所部分のｉ番
目の局所画像を示し、それぞれ、数式２で表される。数
式２において、Ｘnmはｎ番目の局所画像のｍ番目の画素
の輝度を示す。なお、数式１の集合は、局所部分毎に形
成され、図３の例では、局所部分Ａ１〜Ａ３にそれぞれ
１セット形成される。

【００４５】

【数１】｛ｘ₁，ｘ₂，ｘ₃，・・・，ｘ_R｝

【数２】ｘ₁＝｛ｘ₁₁，ｘ₁₂，ｘ₁₃，・・・，ｘ_1N｝ ｘ₂＝｛ｘ₂₁，ｘ₂₂，ｘ₂₃，・・・，ｘ_2N｝・・・・・・ ｘ_R＝｛ｘ_R1，ｘ_R2，ｘ_R3，・・・，ｘ_RN｝

【００４６】続いて、各局所画像の集合の平均ｃを数式
３に従って求め、各局所画像から平均画像を差し引い
て、数式４に示す行列Ｘを生成する。

【００４７】

【数３】ｃ＝（１／Ｒ）Σｘ_r ｒ＝１〜Ｒ

【数４】 Ｘ≡｛ｘ₁−ｃ，ｘ₂−ｃ，ｘ₃−ｃ，・・・，ｘ_R−ｃ｝

【００４８】この画像集合Ｘの共分散行列Ｑは数式５に
より表される。

【数５】Ｑ≡ＸＸ^T Ｔは直交関数を示す。

【００４９】ｋ次元の固有空間は数式６の固有方程式を
解き、ｋ個の大きい固有値λ₁〜λ_N（λ₁≧・・・≧λ_k≧・
・・≧λ_N）に対応する固有ベクトル（ｅ₁，ｅ₂，・・・
ｅ_k）を基底ベクトルとすることにより得られる。

【００５０】

【数６】λ_i・ｅ_i＝Ｑ・ｅ_i

【００５１】各局所画像をｋ次元の固有空間に投影する
と、１枚の局所画像が固有空間上の１つの点に対応す
る。さらに、各回転角θでの各局所画像を固有空間に投
影すると、それは点の系列になる。これらの点を補間法
を用いて結ぶことにより、１つの局所画像について１つ
のパターンモデルが曲線として得られる。

【００５２】図４に、抽出対象物である椅子の局所画像
Ａ１を、θの変化に伴って４次元（ｋ＝４）の固有空間
上にプロットして、パターンモデルを作成する例を示
す。このパターンモデルは、局所画像Ａ２，Ａ３につい
ても同様に生成される。モデル記憶部１２は、このよう
にして得られた各局所部分についてのパターンモデルを
記憶する。

【００５３】次に、ロケーションモデルについて説明す
る。回転角θを変化させるに従って、各モデル作成用画
像内の局所画像の位置は変化する。ロケーションモデル
は、図５に示すように、この位置変化を、モデル作成用
画像の左上の位置を原点とした（ｘ，ｙ）座標系で表し
たモデルである。

【００５４】次に、このようにして予め作成されたパタ
ーンモデルとロケーションモデルを用いて、入力画像中
の抽出対象物とその位置を抽出する手順を図１及び図６
〜図９を参照して説明する。

【００５５】画像入力部１１は、例えば、図６に示すよ
うな、任意の画像を取得し、これをディジタル画像に変
換し、さらに、取得した画像を記憶する。

【００５６】マッチング処理部１３は、入力画像の中か
ら、図７に示すように、局所画像と同一サイズの画像
（部分画像、候補領域）をＸ方向とＹ方向に順次１画素
ずつシフトしながら順次切り出す。マッチング処理部１
３は、パターンモデル作成時と同様にして、各部分画像
を固有空間に投射する。すると、切り出された各部分画
像は、固有空間上で１つの点で表される。そして、この
点と各局所画像のパターンモデルの曲線との回転角θの
変化による距離Ｄ（θ）を求める。この距離Ｄ（θ）
は、今回の部分画像と局所部分Ａｉ（ｉ＝１，２，３）
のパターンモデルとの一致度を表す指標である。

【００５７】距離Ｄ（θ）が最小になるときが、特徴画
像と部分画像の一致度が最も高く、その時のθが最も一
致する姿勢（回転角）を示す。

【００５８】支持度算出部１４は、マッチングの結果得
られた各（Ｘ，Ｙ）座標位置における最適な局所部分に
対応する局所モデルを用いて、それらのパラメータ空間
における支持度を算出する。ここで、支持度とは、検出
対象勿がその位置に存在する程度（確度）を示す。

【００５９】支持度算出部１４は、まず、パターンモデ
ルに関する支持度Ｓpatternを数式７に従って計算す
る。支持度Ｓpatternは、その位置に回転角θの検出対
象物が存在する程度（存在する確度又は確信度）を示
し、０以上１以下の値であり、確実に存在することを支
持するならばＳpattern＝１であり、全く支持しないな
らば０である。

【００６０】

【数７】 Ｓpattern＝ｅｘｐ｛−Ｄ（θ）²／（２・σ₁ ²）｝ なお、σ₁は任意の定数であり、経験的に設定される。

【００６１】例えば、入力画像上の（Ｘ，Ｙ）の位置の
部分画像をパラメトリック空間に投影した点（投影点）
と局所部分Ａ１のパターンモデルを表す曲線との距離Ｄ
１、投影点と局所部分Ａ２のパターンモデルを表す曲線
との距離Ｄ２，投影点と局所部分Ａ３のパターンモデル
を表す曲線との距離Ｄ３とのうちＤ３が最も小さいとす
る。この場合、最適な局所部分はＡ３となり、その位置
に検出対象物が存在することを支持する程度を表す支持
度Ｓpatternは、ｅｘｐ｛−Ｄ３²／（２・σ₁ ²）｝とな
る。

【００６２】次に、支持度算出部１４は、各部分画像に
ついて、数式８により新たな座標（α，β）を、任意の
回転角θに関して設定する。

【数８】 （α，β）＝（Ｘ，Ｙ）−（ｘ（θ），ｙ（θ））

【００６３】ここで、（Ｘ、Ｙ）は図６に示すように入
力画像上の各位置の座標を意味し、（ｘ（θ），ｙ
（θ））は、検出対象物の回転角がθである時に、図５
に示すようにモデル作成画像の左上の位置を原点とした
各局所部分の座標である。（α，β）と、（Ｘ，Ｙ）
と、（ｘ，ｙ）との関係を図８に示す。

【００６４】このような変換を行うことにより、マッチ
ングが正確に行われていれば、マッチした各局所部分Ａ
１〜Ａ３は、同一の（α，β）の座標を示す。そこで、
ロケーションモデルにおける支持度Ｓlocationを数式９
に従って計算する。

【００６５】

【数９】Ｓlocation＝ｅｘｐ{-[(α−X+x(θ))²+(β−Y
＋y(θ))²]/(2・σ₂ ²)} ここで、（ｘ（θ），ｙ（θ））は、最小の距離が得ら
れた時の回転角θでの（ｘ，ｙ）座標である。また、σ
₂は任意の定数であり、経験的に設定される。数式９に
おける(α−X+x(θ))²+(β−Y＋y(θ))²の平方根は、ロ
ケーションモデルにおける局所部分Ａｉ（ｉ１〜３）の
位置と（Ｘ，Ｙ）の距離を示す。

【００６６】支持度算出部１４は、支持度Ｓ_patternと
Ｓ_locationとを乗算して、パラメータ空間（α，β，
θ）における支持度Ｓ（＝Ｓ_pattern・Ｓ_location）を
算出する。換言すると、パラメータ空間上の支持度又は
確度の分布を求める。この支持度は、着目している部分
画像の画像とその位置が、モデルの輝度パターンと位置
に近いほど高い値になる。この算出をマッチングの結果
全てに対して行う。換言すると、全ての部分画像につい
て支持度Ｓの算出を行う。従って、入力画像内の部分画
像の数をｍとすると、ｍ個の支持度Ｓが得られる。

【００６７】局所情報内統合部１５は、同一の局所部分
について得られた全ての支持度を組み合わせることによ
り、パラメータ空間の新たな支持度を算出する。組み合
わせ方は、パラメータ空間（α、β、θ）の各点におい
て最大（又は極大）の支持度をとる。この結果、各局所
部分につき、１つのパラメータ空間内の支持度又は確度
の分布が図９に示すように得られる。例えば、同一のパ
ラメータ空間（１、１、１）に、支持度０．５と０．３
が得られている場合には、支持度として０．５を選択す
る。上述の椅子の例では、局所部分Ａ１〜Ａ３につい
て、それぞれ、統合された支持度Ｓが得られる。この支
持度は、非加法的な測度である。

【００６８】局所情報間統合部１６は、各局所部分につ
いての支持度Ｓを統合し、パラメータ空間内で支持度
（確信度）が極大値を示す部分（最大値を示す部分でも
よく、また、複数でもよい）を抽出する。この際、ある
局所部分の低い支持度（確度）が他の局所部分の高い支
持度に影響し（相殺し）、統合された確度が低下し、検
出対象物を検出しなくなることは望ましくない。そこ
で、この実施の形態では、支持度Ｓの統合のために、あ
る局所部分の低い支持度が他の局所部分の高い支持度に
影響しない（相殺しない）手法、例えば、物体が存在す
る確度を非加法的な測度である支持度で表して、これを
Dempster-Shafer理論に基づいて統合することにより行
う。

【００６９】以下、Dempster-Shafer理論に基づいた統
合を行う場合を説明する。まず、ここまでに得た各支持
度をＳ_k（α、β、θ）（但し、ｋ＝１、２・・・Ｎ；
Ｎは局所部分の数である。）で表す。即ち、前述の椅子
の例では、各特徴部分Ａ１〜Ａ３について、図９に示す
ように、（α、β、θ）の座標系内の支持度の分布をＳ
１（α、β、θ）〜Ｓ３（α、β、θ）で表す。

【００７０】換言すると、抽出対象物Ｏが、入力画像の
ある位置（α，β）にある姿勢（θ）で存在すると仮定
し、これをＯ（α，β，θ）と表すと、支持度Ｓは「Ｏ
（α，β，θ）が成り立つこと」を示す程度である。

【００７１】Dempster-Shafer理論の適用にあたって
は、解となる候補の全体集合Ωが既知である必要があ
る。即ち、入力画像に映りうるもの全てが既知である必
要がある。しかし、ほとんどの適用分野では、検出対象
物（Ｏで表す）以外の物体全てを規定することは不可能
である。そこで、検出対象物Ｏ以外の物体を＄と表し、
網羅性が成り立つように、数式１０に従って全体集合Ω
を設定する。

【００７２】

【数１０】Ω≡｛Ｏ｝∪｛＄｝ ここで、｛Ｏ｝は抽出対象とする物体の集合、∪は結び
を示す記号、｛＄｝は対象以外の物体の集合、を表す。

【００７３】支持度の統合のため、まず、支持度Ｓ_kに
基づき、数式１１〜１４に示すようにビリーフ関数を設
定する。

【００７４】

【数１１】Ｂｅｌ_k（｛φ｝）（α，β，θ）＝０

【数１２】 Ｂｅｌ_k（｛Ｏ｝）（α，β，θ）＝Ｓ_k（α，β，θ）

【数１３】Ｂｅｌ_k（｛＄｝）（α，β，θ）＝０

【数１４】Ｂｅｌ_k（Ω）（α，β，θ）＝１

【００７５】ここで、数式１１は、空集合のビリーフ関
数が０であることを示す。数式１２は、検出対象物Ｏが
存在する支持度がＳ_k（α，β，θ）であることを示
す。数式１３は、検出対象物Ｏ以外の物体が存在する支
持度が０であることを示す。但し、支持度が０であると
いうことは、Ｏ以外の物体が存在することに対する情報
がないことを示しており、Ｏ以外の物体が存在しないこ
とを示す訳ではない。数式１４は、全集合のビリーフ関
数が１であることを示す。ビリーフ関数のこの表現によ
り、部分的な情報を否定することなく、個々の情報を有
効に活用することが可能となる。

【００７６】次に算出した各局所部分の支持度Ｓ
_k（α、β、θ）を結合し、物体を抽出する。先ず、ビ
リーフ関数を、数式１５に基づいて、Dempster-Shafer
理論における基本確率ｍ_kに変換する。

【００７７】

【数１５】 ｍ_k（｛Ｏ｝）（α，β，θ）＝Ｓ_k（α，β，θ） ｍ_k（Ω）（α，β，θ）＝１−Ｓ_k（α，β，θ） まず、ｋ＝１とｋ＝２の場合の統合を数式１６に基づい
て行う。

【００７８】

【数１６】ｍ_1,2（｛Ｏ｝）（α，β，θ）＝Ｓ₁（α，
β，θ）・Ｓ₂（α，β，θ）＋Ｓ₁（α，β，θ）・
（１−Ｓ₂（α，β，θ））＋（１−Ｓ₁（α，β，
θ））・Ｓ₂（α，β，θ） ｍ_1、2（Ω）（α，β，θ）＝（１−Ｓ₁（α，β，
θ））・（１−Ｓ₂（α，β，θ）） さらに、このようにして得た基本確率とｋ＝３の場合の
基本確率を数式１７に示すように統合する。

【００７９】

【数１７】ｍ_1,2,3（｛Ｏ｝）（α，β，θ）＝ｍ
_1,2（α，β，θ）・Ｓ₃（α，β，θ）＋ｍ_1,2（α，
β，θ）・（１−Ｓ₃（α，β，θ））＋（１−ｍ
_1,2（α，β，θ））・ｍ₃（α，β，θ） ｍ_1、2,3（Ω）（α，β，θ）＝（１−ｍ_1,2（α，β，
θ））・（１−Ｓ₃（α，β，θ））

【００８０】同様な動作を繰り返し、局所部分の数Ｎ
（上述の椅子の例ではｎ＝Ｎ）まで統合する。最終的に
得た基本確率「ｍ_{1,2,・・・,n}（｛Ｏ｝）（α，β，
θ）」が全ての情報を統合した基本確率であり、ここで
は、この値が物体の存在を示す支持度となる。

【００８１】最後に、物体位置決定部１７は、最終的に
得られたパラメータ空間（α，β，θ）において、極大
値を示す支持度（最大値でもよく、複数でもよい）を判
別する。そして、その支持度が所定値（基準値、しきい
値）以上であれば、検出対象物が存在すると判別する。
また、支持度が極大値を示す場所（α_high，β_high，θ
_high）を決定する。この（α_high，β_high）の値がモデ
ル画像における座標系（ｘ，ｙ）の原点に対応する。従
って、入力画像の座標（α_high，β_high）の位置が抽出
対象物の存在する位置の基準点となる。また、θ_highは
入力画像から抽出された抽出対象物の回転角を表す。

【００８２】換言すると、図１のシステムは、画像入力
部１１において、カメラから撮影された画像をディジタ
ル画像に変換し、マッチング処理部１３で得られた画像
の各位置においてモデル記憶部１２に記憶された局所部
分のモデルとのマッチングをとり、各パラメータにおけ
る一致度を算出する。次に、局所情報統合部２１が、マ
ッチング処理部１３で得られた一致度を元に、物体の局
所部分毎に確信度（支持度）の空間を算出し、さらに、
局所部分毎に得られた確信度の空間をDempster-Shafer
理論に基づいて統合する。

【００８３】最後に、物体位置決定部１７が、統合され
た確信度の空間の中から極大値を持つ部分（複数でもよ
い）を抽出し、それが基準値以上ならば、検出対象物が
あると判別して報知すると共にそれに対応する入力画像
上の位置を決定する。

【００８４】以上説明したように、この実施形態におい
ては、抽出対象物の各局所部分について、撮像環境によ
る変化をパラメータとして反映した局所モデルを予め作
成する。そして、入力画像の各部分画像について、各局
所モデルとのマッチングを行い、各部分画像がどの程度
局所モデルに一致しているかという観点から、画像の位
置情報も含めたパラメータ空間において検出対象物の位
置を非加法的な測度である支持度で表す。最後にこれら
の支持度を統合し、パラメータ空間内で確率が極大値を
示す部分（周囲と比較して比較的大きい部分）を抽出す
ることにより、入力画像内の抽出対象物の位置及び回転
角を抽出する。

【００８５】このような手法を採用することにより、局
部情報の組み合わせの検証を逐次行うことなく、少数で
も高い確率で真値を示す情報があれば良好な結果が得ら
れる。さらに、撮影環境による変化も考慮して安定的に
抽出対象物の位置を抽出することができる。即ち、マッ
チング処理部１３のマッチング結果を、非加法的な測度
で表しているので、物体の一部の隠れなどによる情報の
欠落や情報の抽出誤りが存在していても、これらの情報
がその物体が存在する確率を低減しない。換言すれば、
検出対象物の特徴の一部でも検出された場合には、検出
対象物が存在するものとして報知することができる。

【００８６】従って、例えば、図１０に示すように、他
の物体（机）により抽出対象物（椅子）の一部が隠され
ているため、局所部分Ａ２の情報が欠落した場合でも、
局所部分Ａ１とＡ３の画像に基づいて、抽出対象物の位
置及び回転角が高い確率で得られる。従って、情報の欠
落等に影響されず、安定的に抽出対象物の位置を抽出す
ることができる。

【００８７】（第２の実施の形態）上記構成の物体検出
装置は、検出対象物の少なくとも１つの特徴部分（局所
部分）が検出された場合には、他の特徴が隠れている場
合などでも、検出対象物とその位置を検出することがで
きる。従って、飛行場の手荷物検査、ビルの入出館管理
などの際の手荷物の検査等に用いれば、危険物等の検出
対象物を漏れなく検出することができる。そこで、以
下、上記物体検出装置を用いた危険物検出システムにつ
いて説明する。

【００８８】図１１に示すように、この画像処理装置
は、ＣＰＵ３１と、ＲＡＭ３２、ＲＯＭ３３、補助記憶
装置３４、撮像装置３５、入出力装置３６、これらを相
互に接続するバス３７、及び手荷物などを搬送する搬送
装置３８を備える。

【００８９】ＣＰＵ３１は、ＲＡＭ３２及びＲＯＭ３３
に記憶された制御プログラムに従って動作し、演算処理
及び制御処理を実行する。ＲＡＭ３２は、主メモリ及び
拡張メモリ等を含み、処理対象のデータ、制御プログラ
ム等を記憶する。ＲＯＭ３３は、固定データ、固定制御
プログラム等を記憶する。補助記憶装置３４は、ハード
ディスク装置、フロッピーディスク装置、ＣＤ−ＲＯＭ
装置等から構成され、ＣＰＵ３１の動作プログラム、危
険物のパターンモデル及びロケーションモデルを記憶し
ており、ＲＡＭ３２にこれらのデータを必要に応じて転
送する。撮像装置３５は、搬送装置３８上に配置され、
Ｘ線カメラなどから構成され、処理対象の画像データを
取得し、ＲＡＭ３２に転送する。入出力装置３６は、キ
ーボード、マウス、表示装置などから構成され、制御情
報を入力すると共に抽出された物体の位置、回転角度等
を出力する。

【００９０】次に、図１０の画像処理装置の動作を図１
２のフローチャートを参照して説明する。検出対象であ
る危険物、例えば、拳銃、刃物、のパターンモデル、ロ
ケーションモデル等は補助記憶装置３４に格納されてお
り、必要に応じてＲＡＭ３２に転送される。先ず、検査
対象者は、手荷物などを搬送装置３８上に置く。撮像装
置３５は、搬送装置３８上の手荷物３９が所定の位置に
達した時点で、Ｘ線を照射し、その内部の画像を撮像す
る。撮影された、画像は、ＲＡＭ３２に転送され、格納
される。

【００９１】ＣＰＵ３１は、入力画像から局所画像と同
一サイズの部分画像を切り出し（ステップＳ１）、予め
用意されている各パターンモデルとマッチングを行い、
マッチング度を求める（ステップＳ２）。続いて、全て
の部分画像について、マッチング処理が終了したか否か
を判別し（ステップＳ３）、終了するまで部分画像の切
り出しとマッチング処理を繰り返す。

【００９２】全ての部分画像について、マッチング処理
が終了したとステップＳ３で判断されると、各部分画像
について、最適な局所部分に対応する局所モデルを用い
て、各部分画像について支持度Ｓ（＝Ｓ_pattern・Ｓ
_location）を算出する（ステップＳ４，Ｓ５、Ｓ６）。
続いて、全ての部分画像について、支持度算出処理が終
了したか否かを判別し（ステップＳ７）、終了するまで
支持度算出処理を繰り返す。

【００９３】全ての部分画像について、支持度算出処理
が終了したとステップＳ７で判断されると、各局所部分
について、得られた全ての支持度Ｓ_pattern・Ｓ
_locationを組み合わせることにより、パラメータ空間の
新たな支持度を算出する（ステップＳ８）。組み合わせ
方は、例えば、パラメータ空間の各点において、最大
（又は基準値を越える極大）の支持度をとる。この結
果、各局所部分につき１（複数でもよい）つのパラメー
タ空間の支持度が求められる。

【００９４】次に、算出した各局所部分についてのパラ
メータ空間を、Dempster-Shafer理論により統合し、基
本確率ｍ_1,2,3...n（｛Ｏ｝）（α，β，θ）を求める
（ステップＳ９）。次に、最終的に得られたパラメータ
空間（α，β，θ）の支持度において、支持度が、基準
値を越え且つ極大（最大でもよい）となる座標
（α_high，β_high，θ_high）を決定する（ステップＳ１
０）。この座標は複数でもよい。ＣＰＵ３１は、この座
標が得られたとき、危険物が存在すると判別し、入出力
装置の表示画面に表示されているｘ線画像の（α_high，
β_high）で示される位置に、検出された危険物がθ_high
回転した状態のワイヤフレーム画像などを元の画像に重
ねて表示する。

【００９５】このシステムのオペレータは、例えば、入
出力装置３６の表示出力から検出対象の危険物の存在及
びその位置を判断し、その手荷物を開いてチェックす
る。

【００９６】危険物の検知などのセキュリティの観点か
らは、危険物である可能性があるものは、一旦全て検出
・報知し、その後、詳細に検討することが望ましい。こ
の実施の形態では、上述のように、非加法的測度を用い
て危険物の存在の有無及びその位置を判別しているの
で、基本画像の全てが検出できない場合でも、１つの基
準画像でも、確度が高く検出できた場合には、それを報
知することができ、セキュリティの向上に寄与すること
ができる。

【００９７】なお、上述の物体抽出処理を行うための処
理プログラム及び／又はモデル（又は、これらのモデル
を作成するためのプログラム等）をフロッピーディス
ク、ＣＤ−ＲＯＭ等に格納させておき、必要に応じて補
助記憶装置３４に装着することにより、撮像装置等を備
える汎用コンピュータを画像処理装置として機能させる
ことも可能である。

【００９８】なお、上記実施形態では、理解を容易にす
るため、抽出対象物として椅子、局所部分が３つの例を
示したが、抽出対象物、入力画像のサイズ、局所部分の
サイズ及び数などは一切限定されない。

【００９９】また、計算式も数式８〜数式１０に限定さ
れない。数式８〜数式１０以外の算出式に基づいて支持
度などを算出してもよい。

【０１００】また、パラメータ空間上で支持度が極大値
を示す位置を検出したが、極大値を示す位置に限定され
ず、支持度が基準値を以上の位置を検出するようにして
もよい。

【０１０１】また、支持度をDempster-Shafer（デンプ
スターシェイファー）理論に基づいて統合する必要はな
く、非加法的な測度を統合できるならば任意の方法を採
用することができる。例えば、Fuzzy（ファジー）理論
に基づいて統合してもよい。

【０１０２】また、上記実施例においては、抽出対象物
の画像の変化を制御するパラメータの１つとして回転角
θを採用したが、抽出対象物の画像のサイズ、明るさ、
色の変化等をパラメータとして採用してもよい。この場
合、導入したパラメータに基づいたパターンモデル及び
ロケーションモデルを同様に作成して、マッチング及び
支持度算出に使用する。

【０１０３】また、抽出対象物は１種類である必要はな
い。複数の抽出対象物の局所画像のモデルをモデル記憶
部１２又はＲＡＭ３２に記憶させておき、これらと入力
画像とを比較して抽出対象物毎に支持度を求め、一定値
以上の支持度が得られた抽出対象物とその位置を出力す
るようにしてもよい。

【０１０４】

【発明の効果】以上説明したように、この発明によれ
ば、任意の画像から抽出対象物を抽出し、その位置を判
別することができる。

【図面の簡単な説明】

【図１】この発明の一実施形態にかかる画像処理装置の
構成を示す回路ブロック図である。

【図２】回転角θに応じて画像の見え方が変化する様子
を例示する図である。

【図３】抽出対象物と局所部分とを示す図である。

【図４】パターンモデルの作成方法を説明する図であ
る。

【図５】ロケーションモデルの作成方法を説明する図で
ある。

【図６】入力画像の一例を示す図である。

【図７】入力画像から部分画像を切り出す処理を説明す
る図である。

【図８】入力画像の座標系と、モデル作成用画像の座標
系との関係を示す図である。

【図９】パラメータ空間上の確率分布の一例を模式的に
示す図である。

【図１０】入力画像に含まれる抽出対象物の一部が他の
物体により隠されている事例を示す図である。

【図１１】危険物検出装置の構成例を示すブロック図で
ある。

【図１２】図１１に示す危険物検出装置の動作を説明す
るためのフローチャートである。

【符号の説明】

１１ 画像入力部 １２ モデル記憶部 １３ マッチング処理部 １４ 支持度算出部 １５ 局所情報内統合部 １６ 局所情報間統合部 １７ 物体位置決定部 ２１ 局所情報統合部 ３１ ＣＰＵ ３２ ＲＡＭ ３３ ＲＯＭ ３４ 補助記憶装置 ３５ 撮像装置 ３６ 入出力装置 ３７ バス ３８ 搬送装置

Claims (18)

【特許請求の範囲】
1. 【請求項１】抽出対象物の複数の局所部分のモデルを記
   憶するモデル記憶手段と、 画像を入力する画像入力手段と、 前記モデル記憶手段に記憶された各モデルと、前記画像
   入力手段の入力画像の各部との一致度を算出するマッチ
   ング手段と、 前記マッチング手段により算出された各一致度に基づい
   て、抽出対象物の存在を支持する程度を示す非加法的測
   度である支持度を局所部分毎に求め、求めた局所部分毎
   の支持度を統合する統合手段と、 前記統合手段により統合された支持度が極大を示す位置
   を抽出対象物の位置として出力する出力手段と、 を備えることを特徴とする画像処理装置。
2. 【請求項２】前記出力手段は、前記統合手段により統合
   された支持度のうち、極大を示す支持度が基準値を越え
   る時に、抽出対象物の存在の可能性を報知する手段を備
   える、ことを特徴とする請求項１に記載の画像処理装
   置。
3. 【請求項３】抽出対象物の複数の局所部分のモデルを記
   憶するモデル記憶手段と、 画像を入力する画像入力手段と、 前記モデル記憶手段に記憶された各モデルと、前記画像
   入力手段の入力画像の各部との一致度を算出するマッチ
   ング手段と、 前記マッチング手段により算出された各一致度に基づい
   て、抽出対象物の存在を支持する程度を示す非加法的測
   度である支持度を局所部分毎に求め、求めた局所部分毎
   の支持度を統合する統合手段と、 前記統合手段により統合された支持度が基準値を超える
   値を示す位置を抽出対象物の位置として出力する出力手
   段と、 を備えることを特徴とする画像処理装置。
4. 【請求項４】前記統合手段は、前記マッチング手段によ
   り算出された各一致度に基づいて、部分画像毎に支持度
   を求める手段と、部分画像毎に求められた支持度を局所
   部分毎に統合する手段と、局所部分毎に統合された支持
   度を統合する手段と、 を備えることを特徴とする請求項１、２又は３に記載の
   画像処理装置。
5. 【請求項５】前記統合手段は、前記入力画像上の位置を
   パラメータとするパラメータ空間上の支持度の分布を求
   め、 前記出力手段は、極大を示す支持度が得られた位置の情
   報を出力する、 ことを特徴とする請求項１又は２に記載の画像処理装
   置。
6. 【請求項６】前記統合手段は、 部分画像と局所部分毎に所定のパラメータ空間上の支持
   度の分布を求める手段と、 局所部分毎に求められたパラメータ空間上の支持度のう
   ち、パラメータ空間の各点における極大の支持度を選択
   することにより、局所部分毎にパラメータ空間上の新た
   な支持度の分布を生成する手段と、 全ての局所部分の新たな支持度の分布を統合する手段
   と、 を含むことを特徴とする請求項１乃至５のいずれか１項
   に記載の画像処理装置。
7. 【請求項７】前記統合手段は、一の局所部分についての
   支持度が他の局所部分についての支持度を否定すること
   なく、各局所部分についての支持度を統合する手段を備
   えることを特徴とする請求項１乃至６のいずれか１項に
   記載の画像処理装置。
8. 【請求項８】前記統合手段は、Dempster-shafer理論又
   はFuzzy理論に基づいて支持度を統合する手段を含むこ
   とを特徴とする請求項１乃至７のいずれか１項に記載の
   画像処理装置。
9. 【請求項９】前記モデル記憶手段は、撮像環境による変
   化をパラメータとして反映した各局所部分の画像のモデ
   ルを記憶し、 前記マッチング手段は、前記入力画像から前記局所部分
   と同一サイズの部分画像を順次切り出し、各局所部分の
   モデルとの一致度を求め、 前記統合手段は、前記マッチング手段により求められた
   一致度を用いて、画像の位置情報を含めたパラメータ空
   間において、抽出対象物の存在を支持する程度を示す支
   持度を求める、 ことを特徴とする請求項１乃至８のいずれか１項に記載
   の画像処理装置。
10. 【請求項１０】前記モデル記憶手段は、抽出対象物の異
    なる回転角に対する各局所部分の画像の変化を、所定の
    固有ベクトルで表した固有空間で、曲線として表現する
    第１のモデルと、抽出対象物の異なる回転角に対する各
    局所部分の位置を曲線で表現する第２のモデルと、を記
    憶し、 前記マッチング手段は、前記画像入力手段により入力さ
    れた画像の各部の画像を前記固有空間に射影した時に、
    射影点と前記第１のモデルの曲線との距離を算出し、 前記統合手段は、入力画像の各部の画像について、前記
    マッチング手段により第１のモデルについて算出された
    距離に基づいて、第１の支持度を求め、対応する第２の
    モデルに基づいて第２の支持度を求め、前記第１と第２
    の支持度を乗算し、乗算により得られた部分画像毎の支
    持度を統合する、 ことを特徴とする請求項１乃至９のいずれか１項に記載
    の画像処理装置。
11. 【請求項１１】前記統合手段は、位置（α，β）と回転
    角（θ）をパラメータとするパラメータ空間（α，β，
    θ）上の支持度の分布を求め、 前記出力手段は、極大を示す支持度が得られた位置と回
    転角を出力する、 ことを特徴とする請求項１０に記載の画像処理装置。
12. 【請求項１２】前記モデル記憶手段は、複数の抽出対象
    物の複数の局所部分の画像のモデルのセットを記憶し、 前記統合手段は、各抽出対象物の支持度を求めて統合
    し、 前記出力手段は、基準値以上の支持度が得られた抽出対
    象物とその位置を示す情報を出力する、 ことを特徴とする請求項１乃至１１のいずれか１つに記
    載の画像処理装置。
13. 【請求項１３】検出対象の危険物の複数の局所部分のモ
    デルを記憶するモデル記憶手段と、 検査対象物の画像を入力する入力手段と、 前記入力手段により入力された画像の各部分と前記モデ
    ル記憶手段に記憶された各局所部分のモデルとの一致度
    を求めるマッチング手段と、 前記マッチング手段により判別された一致度が所定値以
    上及び／又は極大値を示す局所部分が存在する場合に、
    他の局所部分の一致度に関わらず、前記検出対象物の存
    在の可能性を報知する手段と、 を含むことを特徴とする危険物検出システム。
14. 【請求項１４】検出対象物の複数の局所部分のモデルを
    記憶するモデル記憶手段と、 検査対象物の画像を入力する入力手段と、 前記入力手段により入力された画像の各部分と前記モデ
    ル記憶手段に記憶された各局所部分のモデルとの一致度
    を求めるマッチング手段と、 前記マッチング手段により判別された一致度に基づい
    て、各局所部分が存在する確度を示し、非加法的測度で
    ある支持度を算出する手段と、 高い支持度が低い支持度の存在による影響を実質的に受
    けないように、算出された支持度を統合する手段と、 統合された支持度に基づいて、前記検出対象物の存在の
    可能性を報知する手段と、 を含むことを特徴とする危険物検出システム。
15. 【請求項１５】検出対象の危険物の複数の局所部分のモ
    デルを記憶し、検査対象物の画像を入力し、入力された
    画像の各部分と各局所部分のモデルとの一致度を求める
    ことにより、前記検査対象物の画像中に検出対象の危険
    物が含まれているか否かを判別する危険物検出システム
    において、 前記一致度に基づいて、各局所部分が存在する確度を算
    出し、各局所部分の高い確度が他の局所部分の低い確度
    の影響を実質的に受けないように算出された確度を統合
    し、統合結果に基づいて前記検出対象危険物の存在の可
    能性を判別して報知することを特徴とする危険物検出シ
    ステム。
16. 【請求項１６】抽出対象物の複数の局所部分のモデルと
    入力された画像の各部との一致度を算出し、 算出された一致度に基づいて、局所部分毎に、前記抽出
    対象物が存在する確信度を非加法的測度で表して、確信
    度の空間を算出し、 局所部分毎に得られた確信度の空間を統合し、 統合された確信度の空間の中から極大値を持つ部分を抽
    出し、それに対応する入力画像上の位置を決定する、 ことを特徴とする画像処理方法。
17. 【請求項１７】前記統合は、Dempsster-Shafer理論又は
    Fuzzy理論に基づいた統合であることを特徴とする請求
    項１６に記載の画像処理方法。
18. 【請求項１８】検出対象の危険物の複数の局所部分のモ
    デルを記憶し、検査対象物の画像を入力し、入力された
    画像の各部分と各局所部分のモデルとの一致度を求める
    ことにより、前記検査対象物の画像中に検出対象の危険
    物が含まれているか否かを判別する危険物検出方法にお
    いて、 前記一致度に基づいて、各局所部分が存在する確度を算
    出し、各局所部分の高い確度が他の局所部分の低い確度
    の影響を受けないように算出された確度を統合し、統合
    結果に基づいて前記検出対象の危険物の存在の可能性を
    判別して報知することを特徴とする危険物検出方法。