JPWO2021033242A1 - 画像認識装置、画像認識方法、及び、画像認識プログラム - Google Patents

Abstract

撮影時の撮像装置の状態情報を用いることで、学習時に必要とされる教師画像の数が少なく、認識精度が高く、かつ、計算負荷の低い画像認識装置、画像認識方法、及び、画像認識プログラムを提供する。画像認識装置は、第１状態情報で表される第１状態の撮像装置により撮像された教師画像に基づいて学習が実行された機械学習モデルである認識部と、第２状態の撮像装置により撮像された入力画像と、該第２状態を表す第２状態情報と、を取得する入力画像取得部と、前記第２状態情報に基づいて、前記入力画像に対して、前記第１状態で撮像された画像に近づける変換処理を適用することにより、変換画像を生成する画像変換部と、を含み、前記認識部は、前記変換画像に対する認識処理を実行する。

Description

本発明は、画像認識装置、画像認識方法、及び、画像認識プログラムに関する。

画像に対して、当該画像に表された対象を認識する技術がある。例えば、撮像された画像の被写体の人物を認識する技術や、画像の各ピクセルに対して、該ピクセルに表された人物、道路、空等のオブジェクトの種類を認識する(いわゆる、セマンティックセグメンテーション(Semantic segmentation))技術等が知られている。近年、より高精度な認識処理を行うために、教師画像に基づいて学習が実行された機械学習モデルを用いて認識処理が行われることもある。

学習が実行された機械学習モデルを用いて認識処理を実行する場合、当該学習に用いられる教師画像を準備する必要がある。撮像装置の姿勢や撮像装置が置かれた位置によって、撮影された画像の画角や撮影画像における鉛直方向の向きは異なる。従って、不作為の条件下で教師画像が撮像された場合、当該教師画像には、画角や向きが様々な撮影画像が含まれる。画角や向きが様々な撮影画像を教師画像として学習が実行された機械学習モデルは、種々の画角や向きで撮影された入力画像に対して認識処理を実行できる反面、必要とされる教師画像の数が多くなり、認識精度の向上が困難である。また、必要な認識精度を確保するためには、パラメータの数を増やす必要があり、計算規模が大型化するという問題がある。

本発明は、上記問題点に鑑みてなされたものであり、その目的は、撮影時の撮像装置の状態情報を用いることで、学習時に必要とされる教師画像の数が少なく、認識精度が高く、計算負荷の低い画像認識装置、画像認識方法、及び、画像認識プログラムを提供することである。

上記課題を解決するために、本発明に係る画像認識装置は、第１状態情報で表される第１状態の撮像装置により撮像された教師画像に基づいて学習が実行された機械学習モデルである認識部と、第２状態の撮像装置により撮像された入力画像と、該第２状態を表す第２状態情報と、を取得する入力画像取得部と、前記第２状態情報に基づいて、前記入力画像に対して、前記第１状態で撮像された画像に近づける変換処理を適用することにより、変換画像を生成する画像変換部と、を含み、前記認識部は、前記変換画像に対する認識処理を実行する、ことを特徴とする。

本発明の一態様では、前記変換処理は、前記入力画像の回転である、ことを特徴とする。

本発明の一態様では、前記変換処理は、前記入力画像の一部の切り取りである、ことを特徴とする。

本発明の一態様では、切り取られる前記入力画像の一部は、前記入力画像の中心と、前記入力画像に表された水平軸と、を含むことを特徴とする。

本発明の一態様では、前記変換処理は、前記入力画像に対するアフィン変換である、ことを特徴とする。

本発明の一態様では、前記認識部は、さらに、第３状態の撮像装置により撮像された教師画像に基づいて、学習が実行済の機械学習モデルであって、前記画像変換部は、前記第１状態または前記第３状態のうち前記第２状態に近い状態で撮像された画像に近づける前記変換処理を行う、ことを特徴とする。

本発明に係る画像認識方法は、撮像装置により撮像された入力画像と、状態情報と、を取得する入力画像取得ステップと、前記入力画像に対して変換処理を適用することにより、変換画像を生成する画像変換ステップと、第１状態情報で表される第１状態の撮像装置により撮像された教師画像に基づいて学習が実行された機械学習モデルである認識部によって、前記変換画像に対する認識処理を実行する認識ステップと、を含み、前記入力画像は第２状態の撮像装置に撮像された画像であり、前記入力画像取得ステップで取得される状態情報は、前記第２状態を表す第２状態情報であり、前記変換処理は、前記第２状態情報に基づいて、前記入力画像に対して、前記第１状態で撮像された画像に近づける変換処理である、ことを特徴とする。

本発明に係る画像認識プログラムは、撮像装置により撮像された入力画像と、状態情報と、を取得する入力画像取得手順と、前記入力画像に対して変換処理を適用することにより、変換画像を生成する画像変換手順と、第１状態情報で表される第１状態の撮像装置により撮像された教師画像に基づいて学習が実行された機械学習モデルである認識部によって、前記変換画像に対する認識処理を実行する認識手順と、をコンピュータに実行させる画像認識プログラムであって、前記入力画像は第２状態の撮像装置に撮像された画像であり、前記入力画像取得ステップで取得される状態情報は、前記第２状態を表す第２状態情報であり、前記変換処理は、前記第２状態情報に基づいて、前記入力画像に対して、前記第１状態で撮像された画像に近づける変換処理である、ことを特徴とする。

本発明の一実施形態に係る画像認識装置の構成図である。 本発明の一実施形態に係る画像認識装置で実装される機能の一例を示す機能ブロック図である。 本発明の一実施形態に係る画像処理装置で行われる学習処理の流れの一例を示すフロー図である。 本発明の一実施形態に係る画像処理装置で行われる画像認識の流れの一例を示すフロー図である。 本発明の一実施形態に係る画像認識の一例を示す図である。 本発明の一実施形態に係る画像認識の一例を示す図である。

以下、本発明の一実施形態について図面に基づき詳細に説明する。図１は、本実施形態に係る画像認識装置１０の構成図である。

本実施形態に係る画像認識装置１０は、例えば、ゲームコンソールやパーソナルコンピュータなどのコンピュータである。また、画像認識装置１０は、デジタルカメラ等の撮像装置であってもよい。図１に示すように、本実施形態に係る画像認識装置１０は、例えば、プロセッサ１２、記憶部１４、操作部１６、表示部１８を含んでいる。

プロセッサ１２は、例えば画像認識装置１０にインストールされるプログラムに従って動作するＣＰＵ等のプログラム制御デバイスである。

記憶部１４は、ＲＯＭやＲＡＭ等の記憶素子やハードディスクドライブなどである。記憶部１４には、プロセッサ１２によって実行されるプログラムなどが記憶される。

操作部１６は、キーボード、マウス、ゲームコンソールのコントローラ等のユーザインタフェースであって、ユーザの操作入力を受け付けて、その内容を示す信号をプロセッサ１２に出力する。

表示部１８は、液晶ディスプレイ等の表示デバイスであって、プロセッサ１２の指示に従って各種の画像を表示する。

なお、画像認識装置１０は、ネットワークボードなどの通信インタフェース、ＤＶＤ−ＲＯＭやＢｌｕ−ｒａｙ（登録商標）ディスクなどの光ディスクを読み取る光ディスクドライブ、ＵＳＢ（Universal Serial Bus）ポートなどを含んでいてもよい。

図２は、本発明の一実施形態に係る画像認識装置１０で実装される機能の一例を示す機能ブロック図である。図２に示すように、画像認識装置１０は、認識部２０４及びパラメータ保存部２０６を含む学習部２０２と、入力画像取得部２０８と、画像変換部２１０と、を含む。

認識部２０４は、第１状態情報で表される第１状態の撮像装置により撮像された教師画像に基づいて学習が実行された機械学習モデルである。具体的には、例えば、認識部２０４は、例えば、畳み込みニューラルネットワーク（ＣＮＮ）により実装された機械学習モデルである。教師画像は、カメラ等の撮像装置により、一定の状態で撮像された複数の画像である。当該状態により、撮像装置のレンズによって定まる水平方向及び鉛直方向の画角（または焦点距離）や、撮像装置の鉛直方向に対する角度などが決定される。当該状態によって、撮像される対象となる実空間における領域が定まる。

すなわち、撮像装置は実空間における一定の領域から入射した光を画像に変換するが、当該領域は、撮像装置に含まれる複数のレンズの位置関係や、撮像装置に含まれる撮像素子の鉛直方向に対する角度等によって定まる。当該領域を決定する要素であるレンズの位置関係や撮像装置の姿勢（撮像素子の角度）等の撮像条件を表す情報を、以下、状態情報と呼称する。教師画像は、例えば、レンズの焦点距離が３５ｍｍであって、撮像装置の底面（または、当該撮像装置の内部に配置された撮像素子の下側端部）と鉛直方向とのなす角度が９０度（すなわち、撮像装置が水平に固定された状態）であるという固定された状態の撮像装置によって複数撮像される。

また、認識部２０４は、変換画像に対する認識処理を実行する。具体的には、例えば、認識部２０４は、後述する変換画像に含まれる被写体の人物や建物等を認識する。また、認識部２０４は、変換画像の各ピクセルに対して、該ピクセルに表された人物、道路、空等のオブジェクトの種類を認識するセマンティックセグメンテーションを行ってもよい。

認識部２０４は、上記のような第１状態の撮像装置により撮像された教師画像に基づいて、予め学習が実行された機械学習モデルである。当該学習は、学習に用いられる教師画像が、一定の状態の撮像素子により撮像された画像である点が特徴であるが、その他は従来から知られた方法で行われてもよい。当該学習について、学習の態様を示す図３を参照しながら説明する。

まず、撮像装置が第１状態で固定された状態で、複数の教師画像を撮像する。そして、認識部２０４は、当該複数の教師画像を取得する（Ｓ３０２）。また、学習部２０２は、Ｓ３０２で取得された教師画像に対して認識処理が行われた結果を取得する（Ｓ３０４）。当該認識処理は、学習部２０２に含まれる認識部２０４によって行われる処理ではなく、従来から知られた任意の方法によって、正解の認識結果が得られる処理である。従って、学習部２０２は、Ｓ３０２で取得された教師画像に対する正解の認識結果を取得する。

そして、学習部２０２は、教師画像及び当該教師画像の正解の認識結果を用いて、認識部２０４の学習を実行する（Ｓ３０６）。当該学習では、例えば、正解の認識結果と、入力された教師画像に対して認識部２０４が認識処理を行った結果と、の比較結果（以下、誤差）が特定される。誤差は、０以上１以下の値をとるデータであってもよい。この場合、誤差は例えば、正解の認識結果と、入力された教師画像に対して認識部２０４が認識処理を行った結果と、が一致する場合に値として０をとり、一致しない場合に値として１をとるデータであってもよい。学習部２０２は、当該誤差に基づいて、例えば誤差逆伝搬法により、認識部２０４のパラメータの値が更新される。

そして、学習部２０２は、事前に定められた終了条件を満たしたか否かを確認する（Ｓ３０８）。事前に定められた終了条件を満たしていない場合は（Ｓ３０８：Ｎ）、学習部２０２は、Ｓ３０６に示す処理に戻る。事前に定められた終了条件を満たした場合は（Ｓ３０８：Ｙ）、本処理例に示す処理を終了する。これにより、認識部２０４のパラメータの値の更新が、繰り返し実行される。以上のようにして、画像認識装置１０に実装されている認識部２０４は、実行された機械学習モデルである。

パラメータ保存部２０６は、機械学習モデルである認識部２０４のパラメータを保存する。具体的には、例えば、パラメータ保存部２０６は、図３に示すフローで学習が実行されることによって決定されたパラメータを保存する。

入力画像取得部２０８は、第２状態の撮像装置により撮像された入力画像と、該第２状態を表す第２状態情報と、を取得する。具体的には、例えば、入力画像取得部２０８は、任意の状態（例えば、焦点距離が２８ｍｍであって、撮像装置の底面と鉛直方向とのなす角度が１２０度）の撮像装置によって撮像された画像と、当該状態を表す第２状態情報と、を取得する。

ここで、撮像装置の内部に配置されたレンズの動作を制御する制御部は、焦点距離を表す情報を取得できる。また、撮像装置がジャイロセンサを有する場合には、ジャイロセンサは、撮像装置の底面と鉛直方向とのなす角度を表す情報を取得できる。入力画像取得部２０８は、撮像装置に含まれる制御部やジャイロセンサから第２状態を表す第２状態情報を取得できる。

なお、入力画像取得部２０８は、認識処理を実行する対象となる画像の数に応じて、複数の入力画像と第２状態情報の組み合わせを取得してもよい。第１状態情報は一定であるが、第２状態は任意でよいため、第２状態情報は取得される入力画像ごとに異なっていてもよい。

画像変換部２１０は、第２状態情報に基づいて、入力画像に対して、第１状態で撮像された画像に近づける変換処理を適用することにより、変換画像を生成する。具体的には、例えば、変換処理は、入力画像の回転である。画像変換部２１０は、第２状態（焦点距離が２８ｍｍであって、撮像装置の底面と鉛直方向とのなす角度が１２０度）の撮像装置に撮像された入力画像を、第１状態（レンズの焦点距離が２８ｍｍであって、撮像装置の底面と鉛直方向とのなす角度が９０度）で撮像された画像に近づけるように回転させる。第１状態と第２状態の焦点距離は同じであるため、画角は同じである。一方、第１状態と第２状態の上記角度は、３０度異なる。従って、画像変換部２１０は、入力画像を反時計回りに３０度回転させる。

なお、変換処理は、入力画像の一部の切り取りであってもよい。具体的には、例えば、画像変換部２１０は、第２状態（焦点距離が２８ｍｍであって、撮像装置の底面と鉛直方向とのなす角度が９０度）の撮像装置に撮像された入力画像を、第１状態（レンズの焦点距離が３５ｍｍであって、撮像装置の底面と鉛直方向とのなす角度が９０度）で撮像された画像に近づけるように切り取る。この場合、第１状態と第２状態の角度は同じである。一方、第１状態と第２状態の焦点距離が異なるため、画角が異なる。従って、画像変換部２１０は、第２状態で撮像された入力画像のうち、第１状態で撮像された画角に相当する領域を切り取ってもよい。

また、変換処理は、入力画像に対するアフィン変換であってもよい。具体的には、画像変換部２１０は、入力画像を第１状態で撮像された画像に近づけるように、入力画像に対して、拡大縮小、剪断、回転、平行移動を行ってもよい。

以上のように、一定の状態である第１状態で撮像された教師画像を用いて学習が実行された機械学習モデルと、撮影時の撮像装置の状態を表す第２状態情報を用いることで、教師画像と入力画像が撮像される際の撮像装置の状態に関する条件を揃えることができる。従って、低い計算負荷で精度の高い認識処理を実行できる。

上記において、第１状態の撮像装置により撮像された教師画像に基づいて学習を実行する実施形態について説明したが、認識部２０４は、さらに、第３状態の撮像装置により撮像された教師画像に基づいて、学習が実行済の機械学習モデルであってもよい。この場合、第２状態情報に基づいて、画像変換部２１０は、第１状態または第３状態のうち第２状態に近い状態で撮像された画像に近づける変換処理を行う。

具体的には、例えば、認識部２０４は、撮像装置が第１状態で固定された状態で撮像された複数の教師画像と、撮像装置が第３状態で固定された状態で撮像された複数の教師画像と、が混合された複数の教師画像に基づいて図３に示すフローで学習が実行された機械学習モデルであってもよい。この場合、撮像装置が第１状態で固定された状態で撮像された複数の教師画像のみを用いて決定されたパラメータとは異なるパラメータが決定される。認識部２０４は、当該パラメータを用いることによって、認識処理を実行する。

また、例えば、認識部２０４は、撮像装置が第１状態で固定された状態で撮像された複数の教師画像に基づいて実行される学習と、撮像装置が第３状態で固定された状態で撮像された複数の教師画像に基づいて実行される学習と、が個別に実行された機械学習モデルであってもよい。この場合、パラメータ保存部２０６は、第１状態の撮像装置により撮像された教師画像に基づいて学習が実行されたときに決定された第１パラメータと、第３状態の撮像装置により撮像された教師画像に基づいて学習が実行されたときに決定された第３パラメータと、の２種類を保存する。そして、第２状態情報が表す状態が第１状態または第３状態のいずれと近いか判定された後、近いと判定された状態と関連付けられたパラメータが選別される。認識部２０４は、当該選別されたパラメータを用いることによって、認識処理を実行する。

上記の場合も、教師画像と入力画像が撮像される際の撮像装置の状態に関する条件を揃えることができるため、低い計算負荷で高精度な認識処理を実行できる。

次に、本実施形態に係る画像認識装置１０で行われる、認識処理の一例を、図４から図６に例示するフロー図を参照しながら説明する。なお、認識部２０４は、第１状態だけでなく、第３状態の撮像装置により撮像された教師画像に基づいて、学習が実行済の機械学習モデルであるとする。具体的には、例えば、第１状態は、焦点距離が３５ｍｍであって、撮像装置の底面と鉛直方向とのなす角度が９０度を表し、第３状態は、焦点距離が２８ｍｍであって、撮像装置の底面と鉛直方向とのなす角度が９０度を表すとする。

まず、入力画像取得部２０８は、第２状態の撮像装置により撮像された入力画像を取得する（Ｓ４０２）。また、入力画像取得部２０８は、該第２状態を表す第２状態情報を取得する（Ｓ４０４）。具体的には、図５の例で示す入力画像は、焦点距離が３５ｍｍであって、撮像装置の底面と鉛直方向とのなす角度が１２０度である第２状態の撮像装置に撮像された画像である。また、図６の例で示す入力画像は、焦点距離が２０ｍｍであって、撮像装置の底面と鉛直方向とのなす角度が９０度である第２状態の撮像装置に撮像された画像である。入力画像取得部２０８は、図５または図６に示す入力画像が撮像された時の状態を表す第２状態情報を取得する。

次に、第２状態情報が表す状態が、教師画像が撮像された時の状態である第１状態または第３状態のいずれと近いか判定される（Ｓ４０６）。当該判定は、各状態における焦点距離や撮像装置の底面と鉛直方向とのなす角度の相違の大きさに基づいて判定される。例えば、各状態の焦点距離または上記角度の一方のみが異なる場合、相違の絶対値の大きさに基づいて、第１状態と第３状態のいずれが第２状態に近いか判定される。各状態の焦点距離または上記角度の双方が異なる場合、使用の用途等に応じて、適宜重み付け等を用いて、第１状態と第３状態のいずれが第２状態に近いか判定される。第２状態が第１状態に近いと判定された場合、Ｓ４０８へ進む。

第２状態が第１状態に近いと判定された場合、画像変換部２１０は、第２状態情報に基づいて、入力画像に対して、第１状態で撮像された画像に近づける変換処理を適用する（Ｓ４０８）。この場合、図５に示すように、画像変換部２１０は、入力画像を反時計回りに３０度回転させる。なお、図５では回転のみを行った後の画像を記載しているが、画像変換部２１０は、さらに、画像の上下左右の端部が縦方向及び横方向に平行になるように画像の切り取りを行ってもよい。

一方、Ｓ４０６において第２状態が第３状態に近いと判定された場合、Ｓ４１０へ進む。画像変換部２１０は、第２状態情報に基づいて、入力画像に対して、第３状態で撮像された画像に近づける変換処理を適用する（Ｓ４１０）。この場合、図６に示すように、画像変換部２１０は、第２状態で撮像された入力画像のうち、第３状態で撮像された画角に相当する領域を切り取る。

ここで、画像変換部２１０で入力画像の切り取りを行う場合、入力画像のうち重要な領域を含むように切り取る領域を移動させてもよい。重要な領域は、入力画像の中心領域、撮影時にユーザの視線が集中した領域、別途行われた顔認識領域などによって決定される。移動させる大きさは、使用の用途等に応じて、適宜重み付け等を用いて、状態情報の一致度と、切り取った画像に占められる重要な領域の割合と、の合計値を最大化するように決定される。画像変換部２１０は、第２状態情報に基づいて、入力画像に対して、第１状態で撮像された画像に近づける変換処理を適用するため、切り取る領域が入力画像の端に寄ってしまう場合がある。このように切り取る領域を移動することで、ユーザが意図した領域である可能性の高い領域について画像認識を実行できる。

例えば、入力画像の中心領域を含むように切り取る場合、画像変換部２１０は、図６のように水平軸６０２及び中心６０４が含まれるように入力画像を切り取る。なお、水平軸６０２を表す情報は、撮像装置のジャイロセンサ等から取得した第２状態情報に基づいて判断される。図６の上側画像のように入力画像の水平軸６０２が画像上部に存在する場合、画像変換部２１０は、入力画像の上側中央部から、焦点距離が２８ｍｍである画角に相当する領域を切り取る。図６の下側画像のように入力画像の水平軸６０２が画像下部に存在する場合、画像変換部２１０は、入力画像の下側中央部から、焦点距離が２８ｍｍである画角に相当する領域を切り取る。

そして、Ｓ４０８またはＳ４１０で作成された変換画像に対して、認識部２０４は、画像認識を実行する（Ｓ４１２）。ここでは、パラメータ保存部２０６は、第１状態の撮像装置により撮像された教師画像に基づいて学習が実行されたときに決定された第１パラメータと、第３状態の撮像装置により撮像された教師画像に基づいて学習が実行されたときに決定された第３パラメータと、の２種類を保存しているとする。Ｓ４０８によって作成された変換画像は、認識部２０４によって、第１パラメータを用いて、認識処理が実行される。一方、Ｓ４１０によって作成された変換画像は、認識部２０４によって、第３パラメータを用いて、認識処理が実行される。

以上の機能は、コンピュータである画像認識装置１０にインストールされた、以上の機能に対応する指令を含むプログラムをプロセッサ１２で実行することにより実装されてもよい。このプログラムは、例えば、光ディスク、磁気ディスク、磁気テープ、光磁気ディスク、フラッシュメモリ等のコンピュータ読み取り可能な情報記憶媒体を介して、あるいは、インターネットなどを介して画像認識装置１０に供給されてもよい。また、教師画像が撮像されるときの状態は第１状態及び第３状態の２種類に限られず、限定されていれば３種類以上であってもよい。

なお、本発明は上述の実施形態に限定されるものではない。また、上記の具体的な文字列や数値及び図面中の具体的な文字列や数値は例示であり、これらの文字列や数値には限定されない。

Claims (8)

1. 第１状態情報で表される第１状態の撮像装置により撮像された教師画像に基づいて学習が実行された機械学習モデルである認識部と、
   第２状態の撮像装置により撮像された入力画像と、該第２状態を表す第２状態情報と、を取得する入力画像取得部と、
   前記第２状態情報に基づいて、前記入力画像に対して、前記第１状態で撮像された画像に近づける変換処理を適用することにより、変換画像を生成する画像変換部と、
   を含み、
   前記認識部は、前記変換画像に対する認識処理を実行する、
   ことを特徴とする画像認識装置。
2. 前記変換処理は、前記入力画像の回転である、
   ことを特徴とする請求項１に記載の画像認識装置。
3. 前記変換処理は、前記入力画像の一部の切り取りである、
   ことを特徴とする請求項１に記載の画像認識装置。
4. 切り取られる前記入力画像の一部は、前記入力画像の中心と、前記入力画像に表された水平軸と、を含むことを特徴とする請求項３に記載の画像認識装置。
5. 前記変換処理は、前記入力画像に対するアフィン変換である、
   ことを特徴とする請求項１に記載の画像認識装置。
6. 前記認識部は、さらに、第３状態の撮像装置により撮像された教師画像に基づいて、学習が実行済の機械学習モデルであって、
   前記画像変換部は、前記第１状態または前記第３状態のうち前記第２状態に近い状態で撮像された画像に近づける前記変換処理を行う、
   ことを特徴とする請求項１から５のいずれかに記載の画像認識装置。
7. 撮像装置により撮像された入力画像と、状態情報と、を取得する入力画像取得ステップと、
   前記入力画像に対して変換処理を適用することにより、変換画像を生成する画像変換ステップと、
   第１状態情報で表される第１状態の撮像装置により撮像された教師画像に基づいて学習が実行された機械学習モデルである認識部によって、前記変換画像に対する認識処理を実行する認識ステップと、
   を含み、
   前記入力画像は第２状態の撮像装置に撮像された画像であり、
   前記入力画像取得ステップで取得される状態情報は、前記第２状態を表す第２状態情報であり、
   前記変換処理は、前記第２状態情報に基づいて、前記入力画像に対して、前記第１状態で撮像された画像に近づける変換処理である、
   ことを特徴とする画像認識方法。
8. 撮像装置により撮像された入力画像と、状態情報と、を取得する入力画像取得手順と、
   前記入力画像に対して変換処理を適用することにより、変換画像を生成する画像変換手順と、
   第１状態情報で表される第１状態の撮像装置により撮像された教師画像に基づいて学習が実行された機械学習モデルである認識部によって、前記変換画像に対する認識処理を実行する認識手順と、
   をコンピュータに実行させる画像認識プログラムであって、
   前記入力画像は第２状態の撮像装置に撮像された画像であり、
   前記入力画像取得ステップで取得される状態情報は、前記第２状態を表す第２状態情報であり、
   前記変換処理は、前記第２状態情報に基づいて、前記入力画像に対して、前記第１状態で撮像された画像に近づける変換処理である、
   ことを特徴とする画像認識プログラム。

Images