200529093 (1) 九、發明說明 【發明所屬之技術領域】 本發明係有關於圖案辨識（Pattern recognition )或物 體辨識技術，尤其是用來在尙未判明是否含有人臉之影像 中高速地偵測出是否含有該當人臉的臉部影像偵測方法及 臉部影像偵測系統以及臉部影像偵測程式。 【先前技術】 φ 雖然隨著近年來的圖案辨識技術或電腦等資訊處理裝 置的高性能化，而使文字或語音的辨識精度有飛躍性地提 升，但是映出著人物或物體、景色等的影像，例如，藉由 數位相機等所擷取到之影像的圖案辨識當中，尤其是能否 正確且高速地識別該影像中是否映出人臉這一點，仍是非 常困難的作業。 可是在此同時，要讓電腦來自動且正確地辨識此種影 像中是否映著人臉，甚至該人物到底是誰，這在生物辨識 φ 技術或安全性的提升、犯罪偵查的迅速化、影像資料的處 理·檢索作業的高速化等的實現上，是非常重要的課題， 且關於此類課題，先前已有許多提案。 、 例如，以下的專利文獻1等中，針對某一輸入影像， _ 首先，判定是否有人物膚色領域，並對人物膚色領域自動 地決定馬賽克大小，將候補領域予以馬賽克化，計算與人 臉字典的距離而判定是否有人臉，而進行人臉的切出，藉 此來減少因背景等影響所致之誤抽出，更有效率地從影像 -4 - 200529093 (2) 中找出人類的臉。 [專利文獻1】日本特開平9-50528號公報 【發明內容】 〔發明所欲解決之課題〕 可是在此同時，先前技術中，雖然是根據「膚色」而 從影像中偵測出人類的臉，但該「膚色」係會因爲照明等 之影響，其色範圍會有所不同，常有臉部影像之偵測疏漏 或反因背景而使篩選無法有效率地進行。 於是，本發明係爲了有效解決這些課題而提出，其目 的在於提供新的臉部影像偵測方法及臉部影像偵測系統以 及臉部影像偵測程式，能在尙未判明是否含有人臉之影像 中，高速且精確度佳地偵測出人臉部影像存在可能性高的 領域。 〔用以解決課題之手段〕 [發明1] 爲了解決上記課題，發明]之臉部影像偵測方法，係 屬於在未判明是否含有臉部影像之偵測對象影像中，偵測 是否有臉部影像存在之方法，其特徵爲，將前記偵測對象 影像內的所定領域當作偵測對象領域予以選擇，除了算出 所選擇之偵測對象領域內的邊緣（e d g e )強度，還根據所 算出之邊緣強度而將該當偵測對象領域內分割成複數區塊 後，算出以每一區塊之代表値所構成之特徵向量，然後， -5- 200529093 (3) 將這些特徵向量輸入識別器以偵測前記偵測對象領域內是 否有臉部影像存在。 亦即，做爲從尙未得知是否含有臉部影像，或尙無有 關其所含有之位置之知識的影像中抽出臉部影像的技術， 係除了前述之利用膚色的方法以外，還有根據亮度等所算 出之臉部影像特有之特徵向量而偵測之方法。 可是在此同時，使用通常之特徵向量的方法中，例如 ，當即使僅偵測24 X 2 4像素之臉部影像的時候，仍必須 要動用 576(24x24)次元之龐大量的特徵向量（向量的 要素有5 76個）的演算，因此無法進行高速的臉部影像偵 測。 於是，本發明如前所述，係將該當偵測對象領域分割 成複數區塊，算出以各區塊的每個代表値所構成的特徵向 量，藉由識別器來使用該特徵向量而在前記偵測對象領域 內識別是否存在臉部影像。換言之，在不損及臉部影像之 特徵的程度內將影像特徵量進行次元壓縮，再加以識別。 藉此，識別中所利用之影像特徵量是從偵測對象領域 內的像素數大幅減少成區塊數，因此可使演算量劇減而達 成臉部影像偵測。再者由於使用邊緣（edge )，因此照明 變動強的臉部影像也能偵測。 [發明2] 發明2之臉部影像偵測方法，係發明]所記載之臉部 影像偵測方法中，前記區塊的大小，係根據自我相關係數 -6 - 200529093 (4) 而決定。 亦即，如後面將會詳述，是使用自我相關係數，可根 據該係數而在不大幅損及臉部影像之原有特徵的程度內進 行區塊化所致之次元壓縮，因此可更高速且高精確度地實 施臉部影像偵測。 [發明3] 發明3之臉部影像偵測方法，係發明1或2所記載之 臉部影像偵測方法中，取代前記邊緣強度，改以求出邊緣 強度和前記偵測對象領域的亮度値，根據該亮度値而算出 以每一區塊之代表値所構成之特徵向量。 藉此’當偵測對象領域內是有臉部影像存在時，則可 將該臉部影像以高精確度且高速地加以識別。 [發明4] 發明4之臉部影像偵測方法，係發明1〜3之任一所 記載之臉部影像偵測方法中，前記每一區塊之代表値，是 採用構成前記每一區塊之像素的像素特徵量之分散値或平 均値。 藉此’可確實地算出用來輸入識別部所需之前記特徵 向量。 [發明5] 發明5之臉部影像偵測方法，係發明1〜4之任一所 -7- 200529093 (5) 記載之臉部影像偵測方法中前記識別器，是採用預先學習 了複數學習用樣本臉部影像和樣本非臉部影像的支撐向量 機(Support Vector Machine)。 亦即，本發明中是利用支撐向量機（Support Vector Machine )來做爲已生成之特徵向量的識別部，藉此可高 速且高精確度地識別已選擇之偵測對象領域內是否有人臉 部影像存在。 此處本發明所使用的所謂「支撐向量機（Support Vector Machine，以下會適宜簡稱爲 SVM)」，係如後詳 述，是於1 995年由AT&T的V. Vapnik在統計性學習理論 的架構中所提出的，使用稱作「容限（margin )」的指標 而將所有的2類別（c 1 a s s )之輸入資料予以線性分離時能 夠求出最佳超平面的學習機器，在圖案辨識的能力上是公 認爲最優秀之學習模型之一。又，如後述，即使在無法進 行線性分離時也能藉由使用稱爲「基核技巧（kernel trick )」之技術，就可發揮高識別能力。 [發明6] 發明6之臉部影像偵測方法，係發明5所記載之臉部 影像偵測方法中，前記支撐向量機的識別函數，是使用非 線性的基核函數（k e 1· n e 1 f u n c t i ο η )。 亦即’該支撐向量機的基本構造，雖然是線性閥元件 ，但其在原則上是無法適用於不可線性分離之資料亦即高 次元的影像特徵向量。 -8 - 200529093 (6) 另一方面，做爲藉由該支撐向量機而使非線性的分類 成爲可目b的方法’可舉例局次兀化。其爲，藉由非線性映 射而將原本的輸入資料映射成高次元特徵空間，而在特徵 空間中進行線性分離之方法，藉此，就結果而言，會是在 原本的輸入空間中進行非線性識別的結果。 可是，爲了獲得該非線性映射必須要用到龐大的計算 ’因此實際上可不進行該非線性映射之計算而置換成稱作 「基核函數（kernel function )」的識別函數之計算。這 就稱作「基核技巧（kernel trick )」，藉由該基核戲法就 可避免直接計算非線性映射，以克服計算上的困難。 因此’本發明所用之支撐向量機的識別函數，若採用 δ亥非線性的「基核函數」，則原本屬於不可線性分離之資 料的高次元影像特徵向量也能容易地進行分離。 [發明7] 發明7之臉部影像偵測方法，係發明]〜4之任一所 記載之臉部影像偵測方法中，前記識別器，是採用預先學 習了複數學習用樣本臉部影像和樣本非臉部影像的類神經 網路。 該「類神經網路」，係模仿生物的腦神經迴路網的電 腦模型，尤其是屬於多層型類神經網路的P D P ( P a r a 11 e 1 Distributed Processing)模型，係不可線性分離的圖案學 習變爲可能而爲圖案辨識技術之分類手法的代表者。但是 ’一般而言使用高次特徵量的時候，類神經網路上的識別 冬 200529093 (7) 能力會逐漸降低。本發明中由於影像特徵量的次元是被壓 縮，因此不會發生這類問題。 因此，即使將前記S V Μ改成使用此種類神經網路來 做爲前記識別器，也能實施高速且高精確度的識別。 [發明8] 發明8之臉部影像偵測方法，係發明1〜7之任一所 記載之臉部影像偵測方法中，前記偵測對象影像內的邊緣 強度，係使用各像素中的索貝爾運算子（Sob el operator ) 來予以算出。 亦即，該「索貝爾運算子」，係一種用來偵測影像中 的邊緣或線這類濃淡有劇烈變化之地點所用..之差分型的邊 緣偵測運算子。 因此，藉由使用此種「索貝爾運算子」而生成各像素 中的邊緣強度或邊緣分散値，就可生成影像特徵向量。 此外，該「索貝爾運算子」的形狀，係如圖9 ( a :橫 方向邊緣）、（b :縱方向邊緣）所示，將每一運算子所 生成的結果予以平方和之後，取其平方根就可求出邊緣強 度。 [發明9] 發明9之臉部影像偵測系統，係屬於在未判明是否含 有臉部影像之偵測對象影像中，偵測是否有臉部影像存在 之系統，其特徵爲，具備：影像讀取部，將前記偵測對象 -10- 200529093 (8) 影像及該當偵測對象影像內的所定領域當作偵測對象領域 而予以讀取；及特徵向量算出部’將前記影像讀取部所讀 取到的偵測對象領域內再次分割成複數區塊而將該每一區 塊的代表値所構成之特徵向量予以算出；及識別部，根據 前記特徵向量算出部所得之每一區塊之代表値所構成之特 徵向量，識別前記偵測對象領域內是否有臉部影像存在。 藉此，可和發明1同樣地’識別部之識別中所利用之 影像特徵量是從偵測對象領域內的像素數大幅減少成區塊 φ 數，因此可使演算量劇減而達成臉部影像偵測。 [發明10] 發明1 0的臉部影像偵測系統，係發明9,所記載之臉 部影像偵測系統中，前記特徵向量算出部’係由以下各部 所構成··亮度算出部，將前記影像讀取部所讀取到的偵測 對象領域內之各像素的亮度値予以算出；及邊緣算出部， 算出前記偵測對象領域內之邊緣強度；及平均·分散値算 鲁 出部，將前記亮度算出部所得之亮度値或前記邊緣算出部 戶斤得之邊緣強度或者兩者之値的平均値或分散値予以算出 〇 ， 藉此，可和發明4同樣地，可確實地算出用來輸入識 _ 別部所需之前記特徵向量。 [發明]]] 發明Π的臉部影像偵測系統，係發明9或]0所記載 -11 - 200529093 (9) 之臉部影像偵測系統中，前記識別部，是由預先學習了複 數學習用樣本臉部影像和樣本非臉部影像的支撐向量機（ Support Vector Machine )戶斤成 ° 藉此’可和發明5同樣地，可局速且高精確度地識別 已選擇之偵測對象領域內是否有人臉部影像存在。 [發明12] 發明1 2的臉部影像偵測程式，係屬於在未判明是否 含有臉部影像之偵測對象影像中，偵測是否有臉部影像存 在之程式，其特徵爲，可令電腦發揮以下的機能：影像讀 取部，將前記偵測對象影像及該當偵測對象影像內的所定 領域當.作偵測對象領域而予以讀‘取；及特徵向量算出部， 將前記影像讀取部所讀取到的偵測對象領域內再次分割成 複數區塊而將該每一區塊的代表値所構成之特徵向量予以 算出；及識別部，根據前記特徵向量算出部所得之每一區 塊之代表値所構成之特徵向量’識別前記偵測對象領域內 · 是否有臉部影像存在。 藉此，除了可獲得相同於發明1的效果，還可用個人 電腦等之泛用電腦系統而在軟體上——實現這些機能，因 ， 此相較於作成專用裝置而予以實現之情況，可更經濟且容 . 易地實現之。又’只需改寫程式就可容易地進行各機能之 改良。 [發明13] -12 - 200529093 (10) 發明1 3的臉部影像偵測程式’係發明1 2所記載之臉 部影像偵測程式中，前記特徵向量算出部’係由以下各部 所構成：亮度算出部，將前記影像讀取部所讀取到的偵測 對象領域內之各像素的亮度値予以算出；及邊緣算出部， 算出前記偵測對象領域內之邊緣強度；及平均·分散値算 出部，將前記亮度算出部所得之亮度値或前記邊緣算出部 所得之邊緣強度或者兩者之値的平均値或分散値予以算出 〇 藉此，可和發明4同樣地，可確實地算出用來輸入識 別部所需之前記特徵向量。又，可和發明1 2同樣地，用 個人電腦等之泛用電腦系統而在軟體上——實現這些機能 ，因此可更經濟且容易地加以實現。 、.
[發明14] 發明]4的臉部影像偵測程式，係發明1 2或1 3所記 載之臉部影像偵測程式中，前記識別部，是由預先學習了 複數學習用樣本臉部影像和樣本非臉部影像的支撐向量機 (Support Vector Machine)戶斤成。 藉此’可和發明5同樣地，可高速且高精確度地識別 已選擇之偵測對象領域內是否有人臉部影像存在，又，可 和發明1 2同樣地’用個人電腦等之泛用電腦系統而在軟 體上--實現這些機能，因此可更經濟且容易地加以實現 -13 - 200529093 (11) 【實施方式】 以下，將一面參照圖面一面說明用以實施本發明之最 佳形態。 圖1係本發明所論之臉部影像偵測系統1 0 0之一實施 形態的圖示。如圖所示，該臉部影像偵測系統]00，係主 要是由以下各部所構成：用來讀取學習用樣本影像和偵測 對象影像的影像讀取部1 0、生成被該影像讀取部1 〇所讀 取到之影像的特徵向量的特徵向量算出部2 0、從該特徵向 量算出部2 0所生成之特徵向量中識別前記偵測對象影像 是否爲臉部影像候補領域的識別部3 0亦即SVM (支撐向 量機）。 該影像讀取部1 〇，具體而言，係數位靜畫相機或數位 攝影機等之CCD ( Charge Coupled Device :電耦元件）攝 影機或視像照相機（v i d i c 0 n c a m e r a )、影像掃描器、滾 筒掃描器等，並提供以下機能：將讀取到之偵測對象影像 內的所定領域，及做爲學習用樣本影像的複數臉部影像和 非臉部影像，進行A/D轉換而將該數位影像資料依序送至 特徵向量算出部2 0。 特徵向量算出部2 0又是由以下各部所構成：算出影 像中的亮度（Y )的亮度算出部22、算出影像中的邊緣強 度之邊緣算出部24、求出該邊緣算出部24所生成之邊緣 強度或前記亮度算出部22所生成之亮度的平均値或邊緣 強度分散値的平均·分散値算出部26 ;並提供以下機能： 從被該平均·分散値算出部2 6進行取樣之像素値中’生 -14 - 200529093 (12) 成樣本影像及每個檢索對象影像的影像特徵向量，並將其 依序送至SVM30。 S V Μ 3 0，係提供以下機能：除了學習前記特徵向量算 出部2 0所生成之做爲學習用樣本的複數臉部影像及非臉 部影像的影像特徵向量，還根據該學習結果，識別特徵向 量算出部2 0所生成之偵測對象影像內之所定領域是否爲 臉部影像候補領域。 該SVM30，係如前述是使用稱作「容限（margin)」 的指標而求出最適於將所有的輸入資料予以線性分離時的 最佳超平面的學習機器，而即使在無法線性分離的情況下 也能使用稱作「基核技巧（kernel trick )」的技術，而能 發揮高識別能力。 然後，本實施形態所用之SVM30，係分作：1.進行學 習的步驟，和2 .進行識別的步驟。 首先，1 .進行學習的步驟，係如圖1所示將做爲學習 用樣本影像的多數臉部影像及非臉部影像以影像讀取部1 〇 進行讀取後，以特徵向量算出部2 0生成各臉部影像的特 徵向量，將其當作影像特徵向量而學習之。 之後，2.進行識別的步驟中，將偵測對象影像內之所 定的選擇領域依序加以讀取而將其同樣以特徵向量算出部 2〇來生成其影像特徵向量，將其當作特徵向量而輸入’並 藉由被輸入之影像特徵向量是對於該識別超平面有任何該 當之領域，來偵測出臉部影像存在可能性高之領域。 此處，關於學習上所使用的樣本用臉部影像及非臉部 -15- 200529093 (13) 影像的大小雖然將於後述，但其是將例如2 4 p i x e 1 χ 24 p i x e 1 (像素）予以所定數地區塊化，對相同於做爲偵測對 象之領域的區塊化後的大小的領域而進行之。 再者，若對該S V Μ根據「圖案辨識與學型之統計學 」（岩波書店，麻生英樹、津田宏治、村田昇著）ρρ·]07 〜1 1 8之記載來稍微詳細說明，則當識別之問題爲非線性 的時候’ SVM中可使用非線性的基核函數，此時的識別函 數係如下式1所示。 亦即，數式1的値爲「〇」時則成爲識別超平面，「0 」以外之情況則取和根據所給予之影像特徵向量而計算出 來之識別超平面之間的距離。又，數式i的結果若爲非負 的時候係臉部影像，若爲負的時候則係非臉部影像。 【數1】 f ((φ (χ)) =Σ u i*yi*K(x, Xi) +b i=l X係特徵向量，X i係支撐向量；是使用特徵向量算出 部2 0所生成的値。K係基核函數，本實施形態中是使用 以下數式2的函數。 【數2】
K(x, Xi) = (a*x*Xj+b)T 令 a=l、b=0、T=2 此外，構成該臉部影像偵測系統1 0 0的特徵向量算出 部2 0、S V Μ 3 0以及影像讀取部I 〇等，實際上，是藉由 CPU或RAM等所成的硬體，和由專用之電腦程式（軟體 )所成之個人電腦（P C )等之電腦系統來加以實現。 -16 - 200529093 (14) 亦即，用來實現該臉部影像偵測系統1 〇 〇的電腦系統 ，係例如圖2所示，是由：負責各種控制或演算處理的中 央演算處理裝置亦即 CPU ( Central Processing Unit) 40、 主記憶裝置（Main Storage )中所用之 RAM ( Random Access Memory ) 41 '讀出專用的記憶裝置亦即 R〇m ( Read Only Memory) 42、硬碟機裝置（HDD)或半導體記 1思體寺之輔助ή己彳思裝置（Secondary Storage) 43，及顯示 器（L C D (液晶顯示器）或C R T (陰極映像管））等所成 之輸出裝置44、影像掃描器或鍵盤、滑鼠、CCD ( Charge Coupled Device )或 C Μ O S ( C o mp 1 e m e n t a r y Metal Oxide Semiconductor)等攝像感測器等所成之輸入裝置45、這 些裝置的輸出入介面（I/F) 46等之間，藉由 PCI(
Peripheral Component Interconnect )匯流排或 ISA ( I n d u s t r i a 1 S t a n d a r d A r c h i t e c t u r e )匯流排等所成之處理器 匯流排、記憶體匯流排、系統匯流排、輸出入匯流排等各 種內外匯流排4 7予以匯流連接而成者。 然後，例如，將CD-ROM或DVD-ROM、軟碟片（FD )等記憶媒體，或透過通訊網路（LAN、WAN、Internet 等）N所供給之各種控制用程式或資料，安裝至輔助記憶 裝置4 3等，並將該程式或資料因應需要而載入主記憶裝 置41，依從被載入至該主記憶裝置41的程式而由CPU 40 驅使各種資源而進行所定之控制及演算處理，將其處理結 果（處理資料）透過匯流排4 7輸出至輸出裝置4 4並予以 顯示，同時，將該資料按照需要而適宜地記憶、保存（更 - 17- 200529093 (15) 新）至輔助記憶裝置4 3所形成之資料庫內。 其次，說明使用此種構成之臉部影像偵測系統1 00的 臉部影像偵測方法之一例。 圖3係實際針對做爲偵測對象之影像的臉部影像偵測 方法之一例的流程圖，但在實際使用偵測對象影像而實施 識別之前，必須要先經過像前述般，對識別上所用到的 SV M3 0，令其學習做爲學習用樣本影像的臉部影像及非臉 部影像之步驟。 該學習步驟，係如先前一樣，生成每一做爲學習用樣 本影像的臉部影像及非臉部影像之特徵向量而同時輸入該 特徵向量爲臉部影像還是非臉部影像。此外，此處學習上 所用到的學習影像，理想是使用進行過和實際偵測對象影 像之選擇領域相同處理的影像。亦即，如後將詳述’本發 明之做爲偵測對象的影像領域是經過次元壓縮的，因此藉 由使用事先壓縮至相同次元的影像，就可更高速且高精確 度地進行識別。 然後，若如此而對S VM3 0進行樣本影像的特徵向量 之學習，則如圖3的步驟S I 01所示，首先決定（選擇） 出偵測對象影像內之做爲偵測對象的領域。此外’該偵測 對象領域的決定方法’係無特別限定，可將其他臉部影像 識別部所得之領域直接予以採用’或可採用本系統的利用 者等在偵測對象影像內所任意指定的領域，關於該偵測對 象影像，原則上當然是不知道在哪個位置含有臉部影像’ 而且就連是否含有臉部影像也幾乎無從得知，因此’例如 -18 - 200529093 (16) 以偵測對象影像的左上角爲起點的一定領域起，逐次水平 其垂直平移一定像素而逐一將全部領域掃遍的探索方式來 選擇該領域者較爲理想。又，該領域的大小也並非要固定 ，亦可亦一面適宜地改變大小一面選擇。 之後，若如此而選擇了做爲臉部影像之偵測對象的最 初領域後，則如圖3所示，移入下個步驟S 1 0 3而將該最 初偵測對象領域的大小，正規化（resize，改尺寸）成所 定的大小，例如24 X 2 4像素。亦即，原則上當然是不知 道做爲偵測對象的影像中是否含有臉部影像，甚至連其大 小亦爲不明，因此隨著被選擇之領域的臉部影像之大小而 其像素數也會有大幅的差異，總而言之對所選擇之領域係 先正規化（resize)成做爲基準的大小（ 24 x 24像素）之 大小。 其次，若如此而進行完選擇領域的正規化，則移入下 個步驟 S 1 05而針對各像素求出已正規化之領域的邊緣強 度後，將該領域內分割成複數區塊而算出各區塊內的邊緣 之平均値或分散値。 圖4係在如此正規化後的邊緣強度的變化的圖（影像 )，將所算出之邊緣強度以 2 4 X 2 4像素的方式來顯示。 又，圖5係於該領域內再區塊化成6 X 8而將各區塊內的 邊緣的平均値當作各區塊之代表値而予以顯示而成者，然 後，圖6係同樣地，於該領域內再區塊化成6 X 8而將各 區塊內的邊緣的分散値當作各區塊之代表値而予以顯示而 成者。此外，圖中上段兩端的邊緣部份係人臉的「兩目」 -19- 200529093 (17) ，圖中中央中段部份的邊緣部份係「鼻」，圖中央下段部 份的邊緣部份係人臉的「唇部份」。由此可知，即使經過 本發明所致之次元壓縮，臉部影像的特徵仍會直接殘留。 此處’做爲領域內的區塊化數，係根據自我相關係數 而將影像的特徵量以不會大幅損及其特徵量的程度爲限而 予以區塊化這點是重要的，若區塊化數過多則所算出之影 像特徵向量的數亦便多而增大處理負荷，無法達成偵測的 高速化。亦即，若自我相關係數是在閥値以上，則可想成 φ 區塊內的影像特徵量之値，或變動圖案是收敛在一定範圍 內。 該自我相關係數的算出方法，可利用以下的式3及式 4而容易地求出。式3係用來算出對於偵測對象影像呈水 平（寬）方向（Η )之自我相關係數的式子，式4係用來 算出對於偵測對象影像呈垂直（高）方向（V )之自我相 關係數的式子。 【數3】 · i=width-1 i=width-1 h(j, dx) = Ze(i + dx, j) *e(i, j)/ Ze(i, j) *e(i ,j) i=〇 i=〇 r :相關係數 e :亮度或邊緣強度 ^ width :水平方向的像素數 · i :水平方向的像素位置 j :垂直方向的像素位置 d X :像素間距離 -20- 200529093 (18) 【數4】 j=height-1 j=：he ight-1 v(i,dy)- Ze(i J) .e(i, j+dy)/ Ze(i, j) -e(i, j) j=0 j=0 V :相關係數 e :亮度或邊緣強度 height :水平方向的像素數 i :水平方向的像素位置 j :垂直方向的像素位置 dy :像素間距離 然後，圖7及圖8係使用如上的式3、式4所得到的 影像之水平方向（Η )及垂直方向（v )之各相關係數之 一例。 如圖7所示’相對於做爲基準之影像’其中一方之影 像的錯開爲在水平方向上是「〇」，亦即當兩影像完全重 合時的兩影像間的相關關係是最大的「1.0」；但若將其 中一方之影像’相對於做爲基準之影像而在水平方向上錯 開「]」像素份，則兩影像間的相關關係會變成約「〇.9」 ’又’若錯開「2」像素份，則兩影像間的相關關係會變 成約「0.75」，如此，m影像間的相關關係是隨著相對於 水平方向的錯開量（像素數）增加而緩緩下降。 又，如圖8所示，相對於做爲基準之影像’其中一方 之影像的錯開爲在垂直方向上是「G」，亦即當兩影像^ 全重合時的兩影像間的相關關係是最大的「]·〇」；但若 將宜中-方之影像.相對於做爲基準之影像而在垂直方向 -21 - 200529093 (19) 上錯開「1」像素份，則兩影像間的相關關係會變成約「 0.8」’又，若錯開「2」像素份，則兩影像間的相關關係 會變成約「0.6 5」，如此，兩影像間的相關關係是隨著相 對於垂直方向的錯開量（像素數）增加而緩緩下降。 其結果爲，當該錯開量比較少的時候，亦即，在一定 像素數之範圍內，兩影像間的影像特徵量並無太大差別， 可想成是幾乎相同。 能夠如此想成影像特徵量之値或變動圖案爲一定的範 圍（閥値以下），雖然是隨著偵測速度或偵測的信賴性等 而有所不同，但本實施形態中，是假定成如圖中箭頭所示 ，在水平方向爲「4」像素爲止、垂直方向爲「3」像素爲 止。亦即，只要是錯開量在該範圍內之影像，則影像特徵 量的變化少，可當作其變動範圍在一定範圍而予以操作。 其結果爲，在本實施形態中，可不大幅損及原始選擇領域 的特徵，而可進行次元壓縮到 1/12 ( 6 X 8=48次元/24 X 2 4 = 5 7 6次元）爲止。 本發明係著眼於此種影像特徵量上具有一定幅度而提 出的，將自我相關係數不會降到某一定値的範圍內當作一 個區塊來操作，是採用該區塊內的代表値所構成之影像特 徵向量而成者。 然後，若如此對做爲偵測對象之領域進行次元壓縮， 則在算出各區塊的各代表値所構成的影像特徵向量之後， 將所得之影像特徵向量輸入識別器（SVM ) 3 0來判別該當 領域內是否存在有臉部影像（步驟S ] 09 )。 -22- 200529093 (20) 之後，該判別結果，係可在每次該判定結束時，或和 其他判別結果一起示於利用者，移入下個步驟S 1 1 0而直 到所有領域都執行完判定處理而結束處理。 亦即，圖4〜圖6的例子中，各區塊係以使自我相關 係數不低於一定値以下的方式，由縱橫分別相鄰的！ 2個 像素（3 X 4 )所成，該1 2個像素的影像特徵量（邊緣強 度）的平均値（圖5 )及分散値（圖6 )是被當作各區塊 的代表値而算出，將從該代表値所得之影像特徵向量輸入 至識別器（S V Μ ) 3 0而進行判定處理。 如此本發明係並非直接將偵測對象領域的全部像素的 特徵量直接拿來利用，而是先在不損及影像原本之特徵量 的程度內進行次元壓縮而再予以識別，因此可大幅削減計 算量，可高速且高精確度地識別已選擇之領域內是否有臉 部影像存在。 此外，本實施形態中，雖然是採用根據邊緣強度的影 像特徵量，但隨著影像種類而有時採用像素的亮度値會比 採用邊緣強度而能更有效率地進行次元壓縮，因此該情況 下可單獨只以亮度値，或和邊緣強度並用而成的影像特徵 量 0 又，本發明之，做爲偵測對象影像是將來極度有用的 「人類的臉」爲對象，但並非「人類的臉」，「人類的體 型」或「動物的臉、姿態」、「汽車等交通工具」、「建 造物」、「植物」、「地形」等其他任何物體都可適用。 又，圖9係本發明中可是用之差分型邊緣偵測運算子 -23- 200529093 (21) 之一的「索貝爾運算子」。圖9 ( a )所示的運算子（濾波 器）’係圍繞注目像素的8個像素値之中，藉由將位於左 列及右列的各3個像素値予以調整，以強調橫方向的邊緣 ;圖9 ( b )所不的運算子，係圍繞注目像素的8個像素値 之中’錯由將位於上行及下行位置的各3 .個像素値予以調 整’以強調縱方向的邊緣；藉此而偵測出縱橫之邊緣。 然後’將以如此之運算子所生成的結果予以平方和之 後，藉由取其平方根便可求出邊緣強度，藉由生成各像素 中的邊緣強度或邊緣的分散値，就可精確度良好地偵測出 影像特徵向量。此外，如前述，亦可取代該「索貝爾運算 子」改以「Roberts」或「prewitt」等其他差分型邊緣偵 測運算子，模版型邊緣偵測運算子等來適用之。 又，亦可置換S V Μ而改用類神經網路來做爲前記識 別器3 0，也可實施高速且高精確度的識別。 【圖式簡單說明】 〔圖1〕臉部影像偵測系統之一實施形態的方塊圖。 〔圖2〕實現臉部影像偵測系統的硬體構成圖。 〔圖3〕臉部影像偵測方法之一實施形態的流程圖。 〔圖4〕邊緣強度之變化的圖示。 〔圖5〕邊緣強度之平均値的圖示。 〔圖6〕邊緣強度之分散値的圖示。 〔圖7〕相對於影像之水平方向的錯開量和相關係數 之關係的圖示。 -24- 200529093 (22) 〔圖8〕相對於影像之垂直方向的錯開量和相關係數 之關係的圖示。 〔圖9〕Sob el濾波器的形狀的圖示。 【主要元件符號說明】 ]〇…影像讀取部、 20···特徵向量算出部、 2 2···亮度算出部、 _ 24…邊緣算出部、 26···平均·分散値算出部、 30·.· SVM (支撐向量機）、 1〇〇…臉部影像偵測系統、· 40 …CPU、 4 1 …R A Μ、 4 2··· ROM ' 43···輔助記憶裝置、 φ 4 4…輸出裝置、 4 5…輸入裝置、 46···輸出入介面（I/F ) 、 ^ 47···匯流排。 . -25-