WO2009093525A1 - 識別装置、識別方法及び識別処理プログラム - Google Patents

識別装置、識別方法及び識別処理プログラム Download PDF

Info

Publication number
WO2009093525A1
WO2009093525A1 PCT/JP2009/050529 JP2009050529W WO2009093525A1 WO 2009093525 A1 WO2009093525 A1 WO 2009093525A1 JP 2009050529 W JP2009050529 W JP 2009050529W WO 2009093525 A1 WO2009093525 A1 WO 2009093525A1
Authority
WO
WIPO (PCT)
Prior art keywords
classification
observation data
identification
pseudo
normal distribution
Prior art date
Application number
PCT/JP2009/050529
Other languages
English (en)
French (fr)
Inventor
Shogo Muramatsu
Hidenori Watanabe
Original Assignee
Niigata University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Niigata University filed Critical Niigata University
Priority to JP2009550502A priority Critical patent/JP5112454B2/ja
Priority to US12/811,006 priority patent/US8321368B2/en
Publication of WO2009093525A1 publication Critical patent/WO2009093525A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation

Definitions

  • the present invention relates to an identification device, an identification method, and an identification processing program, and is suitable for application to an identification device that identifies a predetermined target based on, for example, a Bayesian decision rule of a mixed normal distribution.
  • the identification target is identified according to the Bayesian decision rule, assuming a probability distribution model.
  • Patent Document 1 Japanese Patent Document 1
  • the Bayesian decision rule used here is a method in which classification (class) is given in advance and the class to which the observation data (feature vector) belongs is discriminated.
  • the occurrence probability of event B is expressed as P (B)
  • P (A)> 0 the following equation holds.
  • conditional probabilities P [C c 0
  • x] and P [C c 1
  • x] of each class c 0 , c 1 are compared, and a high probability Is selected as the class to which the observation data belongs. This selection minimizes the error rate.
  • x] is expressed by the following equation from the Bayes' theorem described above:
  • Equation 5 a conditional probability density function p (x
  • C) is modeled as a multi-dimensional (here, D-dimensional, for example) mixed normal distribution (multivariate mixed Gaussian distribution)
  • the D-dimensional mixed normal distribution is expressed as shown in Equation 5 below. Is done.
  • D is the number of variables
  • x is the observed data (feature vector)
  • ⁇ is the D ⁇ 1 mean vector
  • ⁇ is the D ⁇ D covariance matrix (covariance is how much the two data are related / linked The coefficient indicating whether or not there is).
  • ⁇ ) of the D-dimensional mixed normal distribution model is obtained by using the above equation 5.
  • Equation 6 ⁇ n ⁇ , ⁇ n ⁇ , ⁇ n ⁇ , N is the number of normal distributions, and ⁇ n is a mixing ratio.
  • the mixed normal distribution represented by Equation 6 can be approximated with an arbitrary accuracy by modeling a complex shape distribution by modeling with an appropriate number of mixtures.
  • ⁇ k, n ⁇ is a parameter set given to the class c k , and k is 0 or 1 indicating the class (classification).
  • variable locations are calculated as variable groups (z k , n (x)) based on the random variable vectors x of the plurality of observation data, and based on the parameters of the mixed normal distribution,
  • a constant part is calculated as a constant group K k , n (k is 1 or 0 indicating a classification, and n indicates a distribution number of a normal distribution assumed for each classification).
  • the present invention has been made in consideration of the above points, and an object thereof is to propose an identification device, an identification method, and an identification processing program that can significantly reduce the processing burden.
  • claim 1 of the present invention is an identification device that classifies the observation data based on a mixed normal distribution parameter on the assumption that the distribution of the observation data follows a mixed normal distribution.
  • a variable group z k , n obtained from each feature vector of data (k is 1 or 0 representing a classification, n represents a distribution number of a normal distribution assumed for each classification), and the mixed normal distribution parameter Using the constant group K k , n obtained from the group,
  • a cumulative addition unit that calculates the g k upper and the g k lower , and a comparison unit that classifies the observation data by g 1 upper ⁇ g 0 lower and g 0 upper ⁇ g 1 lower It is characterized by providing.
  • an identification method for classifying the observation data based on a mixed normal distribution parameter on the assumption that the distribution of the observation data follows a mixed normal distribution Variable group z k , n obtained based on vector (k is 1 or 0 representing classification, n represents distribution number of normal distribution assumed for each classification) and obtained mixed normal distribution parameter Using the constant group K k , n , the following equation
  • N k indicates the number of normal distributions of classification k
  • h k Is referred to as the h k, characterized in that h k multiplies the n lower, update the n lower comprising a refining process step of calculating the g k lower.
  • claim 7 of the present invention is an identification processing program for classifying the observation data based on a mixed normal distribution parameter on the assumption that the distribution of the observation data follows a mixed normal distribution, and each of the plurality of observation data Variable groups z k , n obtained based on feature vectors (k is 1 or 0 representing classification, n represents distribution number of normal distribution assumed for each classification) and obtained mixed normal distribution parameters Using the constant group K k , n
  • N k indicates the number of normal distributions of classification k
  • h k Is referred to as the h k, characterized in that h k multiplies the n lower, update the n lower comprising a refining process step of calculating the g k lower.
  • claim 9 of the present invention is that when the value of i is L, the following equation
  • the observation data is obtained from the magnitude relationship between g k upper and g k lower obtained by simple interval calculation. Since it can be identified, it is possible to avoid the calculation processing of a complex exponential function for calculating the occurrence probability value of the classification, and thus the processing load can be significantly reduced.
  • the accuracy of the comparison operation is improved step by step, and the unknown section is narrowed and simplified.
  • the observation data can be classified by the interval calculation, and thus it is possible to avoid the calculation process of the complex exponential function for calculating the occurrence probability value of the classification.
  • the identification device of claim 3 the identification method of claim 6, and the identification processing program of claim 9, the observation data is finally obtained even if the magnitudes of g k upper and g k lower are not clear. Can be reliably classified.
  • reference numeral 1 denotes an identification device according to the present invention, and it is assumed that the distribution of the observation data D1 follows a mixed normal distribution, and the observation data D1 is classified into 0 or 0 based on the mixed normal distribution parameters. It is possible to identify whether it is any of classification 1.
  • classification result is set to classification 0 or classification 1, here, this merely indicates a positive result that the identification target exists or a negative result that the identification target does not exist.
  • each pixel is either a background image (class 0) or a person (class 1).
  • the identification device 1 inputs image data obtained from the television camera to the feature extraction unit 2 as observation data D1.
  • the feature extraction unit 2 performs predetermined image processing, and includes, for example, a feature vector including coordinate axes (x, y) representing the position in the image plane for each pixel and various pieces of pixel information such as the luminance value and color of the pixel. D2 is calculated and sent to the secondary format calculation unit 3.
  • the identification device 1 classifies each pixel into a skin color (class 1) and a non-skin color (class 0) in order to identify a person from the background image.
  • the feature vector D2 includes coordinate data indicating the position of the pixel and data indicating each value of R (red), G (green), and B (blue) in the pixel represented by the coordinate data. .
  • the identification device 1 assumes that the distribution of the observation data D1 follows a mixed normal distribution, and converts the M-dimensional mixed normal distribution parameter group D3 including a plurality of components obtained from the pixel set distribution into a quadratic form.
  • the data is sent to the calculation unit 3 and the weight coefficient calculation unit 4.
  • the secondary form calculation unit 3 extracts only variables based on the feature vector D2 and the mixed normal distribution parameter group D3, calculates a variable group (z k , n ), and sends this to the identification unit 5.
  • the weighting factor calculation unit 4 extracts only constants based on the received mixed normal distribution parameter group D3, calculates a constant group (K k , n ), and sends it to the identification unit 5.
  • variable group (z k , n ) and the constant group (K k , n ) as shown in FIG. 2, the variable location ER1 is the variable group (z k , n ) And the constant part ER2 is calculated as a constant group (K k , n ).
  • the variable group (z k , n (x)) is represented, but since it is clear that it is a function of the variable x, hereinafter, for convenience of explanation, the variable group (z k , n ).
  • the identification unit 5 indicates the probability of becoming a classification 0 (hereinafter referred to as a classification 0 occurrence probability)
  • a lower limit value that is smaller than the classification 0 occurrence probability value and does not require calculation of an exponential function (hereinafter referred to as a classification 0 occurrence lower limit value).
  • an upper limit value that is larger than the classification 0 occurrence probability value and does not require calculation of an exponential function (hereinafter referred to as a classification 0 occurrence upper limit area).
  • the identification unit 5 indicates the probability of becoming a classification 1 (hereinafter referred to as a classification 1 occurrence probability)
  • the lower limit value that is smaller than the classification 1 occurrence probability value and does not require the calculation of the exponential function (hereinafter referred to as the classification 1 occurrence lower limit value) is executed without actually calculating the exponential function. )
  • an upper limit value that is larger than the classification 1 occurrence probability value and does not require calculation of an exponential function (hereinafter referred to as a classification 1 occurrence upper limit value).
  • K k and n are positive constants
  • z k and n are positive variables.
  • the identification unit 5 compares the classification 0 occurrence upper limit value and the classification 1 occurrence lower limit value, or compares the classification 1 occurrence upper limit value and the classification 0 occurrence lower limit value, thereby comparing the classification 0 occurrence probability value and the classification 1 occurrence value. It is determined which of the occurrence probability values is greater.
  • the observation data D1 is identified as the classification 0.
  • the classification 1 occurrence probability value is clearly larger than the classification 0 occurrence probability value
  • the observation data D1 is identified as the classification 1.
  • the identification unit 5 can calculate these classification 0 upper limit, classification 0 occurrence lower limit, class 1 occurrence upper limit, and class 1 occurrence lower limit that can be calculated by simple calculation without performing complicated calculation of the exponential function. Is used to identify whether the observation data D1 is either classification 0 or classification 1 with a simple interval calculation by comparing the magnitudes of the classification 0 occurrence probability value and the classification 1 occurrence probability value. It is made to be able to do.
  • the identification unit 5 when the magnitude of the classification 0 occurrence probability value and the classification 1 occurrence probability value is unknown, the identification unit 5 generates the classification 0 occurrence until the magnitude relationship between the classification 0 occurrence probability value and the classification 1 occurrence probability value becomes clear.
  • a simple interval calculation that does not calculate the exponential function by gradually narrowing the upper limit, the classification 0 occurrence lower limit, the classification 1 occurrence upper limit, and the classification 1 occurrence lower limit in steps.
  • the observation data D1 can be identified as to whether it is a classification 0 or a classification 1.
  • FIG. 3 shows a circuit configuration of the identification unit 5 that executes the identification process
  • FIG. 4 is a flowchart showing the identification process procedure.
  • the identification unit 5 sends the constant group (K k , n ) from the weight coefficient calculation unit 4 to the power-of-two multiplication unit 10.
  • k is 0 indicating classification 0 or 1 indicating classification 1
  • N 0 and N 1 are the number of normal distributions.
  • log 2 e used in the identification process in the identification unit 5 and the following equations 32 and 33 used in (2-2) refinement processing described later are calculated in advance. The result is recorded, and the burden of calculation processing is reduced.
  • i 0, 1,...
  • the identification unit 5 sends the variable group (z k , n ) from the secondary form calculation unit 3 to the multiplication unit 11 and multiplies the variable group (z k , n ) by the constant log 2 e.
  • the plurality of (z k , n log 2 e) obtained in this way are sent to the dividing unit 12.
  • the dividing unit 12 divides each (z k , n log 2 e) into an integer part and a decimal part, and the integer part is divided into an integer power group part (“z k , n log 2 e”). Send it out.
  • the decimal part obtained from Equation 34 of the following equation is used as a decimal part group ( ⁇ k , n ) for use in the refinement process described later, and the B [i] selection part 14 and the first part of the refinement process part 13. 1 is sent to each selection unit 15.
  • the symbol “” in the integer part group described above indicates an integer part.
  • the cumulative addition unit 17 cumulatively adds a plurality of h k , n upper calculated by sequentially changing k from 0 to n to 1..., N 0 according to the following expression 37, G 0 upper is calculated (step SP 2) and sent to the comparison unit 18.
  • the cumulative addition unit 17 cumulatively adds a plurality of h k , n upper calculated by sequentially changing k from 1 to n 1 to N 1 according to the above-described equation 37, and generating a classification 1
  • the upper limit g 1 upper is calculated (step SP 2), and this is sent to the comparison unit 18.
  • the cumulative addition unit 17 cumulatively adds a plurality of h k , n lower calculated by sequentially changing k from 1 to n 1 to N 1 by the above-described equation 38, and the lower limit of occurrence of classification 1 G 1 lower is calculated (step SP 2), and this is sent to the comparison unit 18.
  • the comparison unit 18 compares g 1 upper and g 0 lower , and determines whether or not g 1 upper ⁇ g 0 lower clearly from the numerical values as shown in FIG. 5A (step SP3). ). When the comparison unit 18 determines that g 1 upper ⁇ g 0 lower indicating that the classification 0 occurrence probability value is clearly larger than the classification 1 occurrence probability value, the comparison unit 18 determines that the classification is 0 (step SP4). The result is sent to a display unit (not shown).
  • the comparison unit 18 compares g 0 upper and g 1 lower to obtain the numerical values as shown in FIG. Clearly determines whether or not g 0 upper ⁇ g 1 lower (step SP5). If the comparison unit 18 determines that g 0 upper ⁇ g 1 lower indicating that the classification 1 occurrence probability value is clearly larger than the classification 0 occurrence probability value, the comparison unit 18 determines that the classification is 1 (step SP6). Send the result to the display.
  • the display unit can notify the user by displaying the determination result received from the comparison unit 18 via an image.
  • skin color identification for example, pixels of skin color (category 1) are set to white based on the result determined for each pixel as skin color (category 1) or non-skin color (category 0). ) Is black, and each pixel is color-coded for each of classification 0 and classification 1, so that an image identifying a background image and a person can be generated and notified to the user.
  • pixels that need to be refined which will be described later, are color-coded in gray, and the user can be notified that the refinement process has been performed, or that the basic identification process described above has not been performed.
  • the comparison unit 18 compares the numerical values of g 1 upper and g 0 lower or compares the numerical values of g 0 upper and g 1 lower by the basic identification processing described above. As shown in FIG. 6 (A), when these magnitude relationships cannot be determined, a reprocessing signal indicating the determination impossible result is sent to the refinement processing unit 13 so that the refinement process can be executed. Has been made.
  • the refinement processing unit 13 includes a storage unit 20 that stores a lookup table (LUT) in which the relationships such as Equations 32 and 33 described above are associated.
  • LUT lookup table
  • i is incremented by 1 when the magnitude relationship between g 1 upper and g 0 lower and g 0 upper and g 1 lower cannot be determined (when a negative result is obtained in step SP5).
  • the maximum value is set to L, it is first determined whether i is currently L (step SP7). When i has not yet reached L, i Is updated to i + 1 (step SP8).
  • the decimal part group calculated by the dividing unit 12 by the number 34 as described above (beta k, n)
  • the fractional portion group (beta k, n) decimal the i-position of the fractional part constituting the is 1 depending whether or, alternatively 0, respectively different individual processing for each fractional part, each h k updated by performing these different processes, n lower and h k, with n upper, the cumulative addition unit 17 g k upper and g k lower are calculated.
  • decimal part when the i-th decimal place is 1 (hereinafter, simply referred to as “1 decimal part”) and the decimal part when the i-th decimal place is 0 (hereinafter, this is simply referred to as “0 decimal number”).
  • 1 decimal part the decimal part when the i-th decimal place is 1
  • 0 decimal number the decimal part when the i-th decimal place is 0
  • the B [i] selection unit 14 of the refinement processing unit 13 calculates the decimal number calculated by the dividing unit 12 using the above-described Expression 34. For each decimal part of the group ( ⁇ k , n ), it is individually determined whether or not the i-th place after the decimal point is 1 (step SP9).
  • B [i] selection unit 14 determines that one decimal part exists in the decimal part group ( ⁇ k , n )
  • B [i] is read from the storage unit 20 when the one decimal part is processed. To the multiplication unit 21.
  • the upper and lower limit value dividing unit 22 of the refinement processing unit 13 corresponds to the corresponding h k , n lower (hereinafter referred to as one corresponding h k , n) calculated by the integer part of the variable for which the one decimal part is obtained. and referred to as lower), also the corresponding h k calculated by the integer part of the variable this one decimal part obtained, n upper (hereinafter, from 1 correspondence h k, called the n upper) and the selector 16 receive.
  • the upper and lower limit value dividing unit 22 divides the one corresponding h k and n lower and the one corresponding h k and n upper and sends the one corresponding h k and n upper to the first selecting unit 15 and the second selecting unit 23. At the same time, 1 correspondence h k , n lower is also sent to the first selection unit 15 and the second selection unit 23.
  • the first selection unit 15 recognizes that the currently processed decimal part is one decimal part based on the decimal part group ( ⁇ k , n ) received from the dividing part 12, and 1 correspondence h k , n upper is selected and sent to the multiplier 21, and 1-corresponding h k , n lower is discarded.
  • the first selection unit 15 sends a selection signal to the second selection unit 23 so as to select one corresponding h k , n lower .
  • the second selection unit 23 selects one corresponding h k , n lower and sends it to the update value generation unit 25 to discard the one corresponding h k , n upper .
  • the multiplication unit 21 multiplies 1 corresponding h k and n upper by B [i], updates only 1 corresponding h k and n upper (step SP10), and obtains 1 corresponding h k and n upper B obtained as a result. [i] (hereinafter referred to as update h k , n upper ) is sent to the update value generation unit 25.
  • Updating value generator 25 updates h k, receives the n upper, update h k, and n upper and 1 corresponding h k, and n lower pair, and sends to the cumulative addition unit 17 via the selector 16 .
  • the upper and lower limit value dividing unit 22 of the refinement processing unit 13 corresponds to h k , n lower (hereinafter referred to as 0 corresponding h k , n) calculated by the integer part of the variable from which the 0 decimal part is obtained. and referred to as lower), also the corresponding h k the 0 fractional part calculated by the integer part of a variable obtained, n upper (hereinafter, from 0 corresponding h k, called the n upper) and the selector 16 receive.
  • the upper / lower limit value dividing unit 22 divides these 0 corresponding h k and n lower and 0 corresponding h k and n upper and sends the 0 corresponding h k and n lower to the first selecting unit 15 and the second selecting unit 23. At the same time, 0 corresponding h k , n upper is also sent to the first selection unit 15 and the second selection unit 23.
  • the first selection unit 15 recognizes that the currently processed decimal part is a 0 decimal part based on the decimal part group ( ⁇ k , n ) received from the upper and lower limit value dividing part 22, The 0 corresponding h k and n lower are selected and sent to the multiplication unit 21 and the 0 corresponding h k and n upper are discarded.
  • the first selection unit 15 sends a selection signal to the second selection unit 23 so as to select 0 corresponding h k , n upper .
  • the second selection unit 23 selects 0 corresponding h k , n upper and sends it to the update value generation unit 25, and discards the 0 corresponding h k , n lower .
  • the multiplication unit 21 multiplies the corresponding h k , n lower by B [i] ⁇ 1 and updates only h k , n lower (step SP11), and the 0 corresponding h k , n lower B [ i] ⁇ 1 (hereinafter referred to as update h k , n lower ) is sent to the update value generation unit 25.
  • the update value generation unit 25 When the update value generation unit 25 receives the update h k , n lower , the update h k , n lower and the 0 corresponding h k , n upper are paired and sent to the accumulation addition unit 17 via the selection unit 16. To do.
  • the cumulative addition unit 17 again calculates g k upper by performing cumulative addition according to the above equation 37 including the updated h k , n upper and 0 corresponding h k , n upper. (Step SP 2), the updated g k upper is sent to the comparison unit 18.
  • the cumulative addition unit 17 again calculates g k lower by performing cumulative addition according to the above-described equation 38 including the updated h k , n lower and 1-corresponding h k , n lower (step SP2). g k lower is sent to the comparison unit 18.
  • the comparison unit 18 compares the updated g k upper and the updated g k lower , and determines from the numerical values whether or not g 1 upper ⁇ g 0 lower is apparent (step SP3). If the comparison unit can determine that g 1 upper ⁇ g 0 lower by narrowing the section, the comparison unit determines classification 0 (step SP4), and sends the determination result to the display unit.
  • the comparison unit 18 compares g 0 upper and g 1 lower and clearly shows g 0 upper ⁇ g 1 lower from the numerical value. Is determined (step SP5). As shown in FIG. 5B, the comparison unit determines that it is possible to determine that g 0 upper ⁇ g 1 lower by narrowing the section (step SP6), and the determination result is displayed on the display unit. To send.
  • the refinement processing unit 13 compares the numerical values of g 1 upper and g 0 lower , or compares the numerical values of g 0 upper and g 1 lower to determine the magnitude relationship between these values. Is updated to i + 1, the refinement process is executed again, and the above-described process is repeated.
  • the refinement processing unit 13 updates the value of i to i + 1 until the magnitude relationship between the numerical values of g 1 upper and g 0 lower or the numerical values of g 0 upper and g 1 lower can be determined.
  • the above-described processing is repeated up to L which is the maximum value of.
  • the refinement processing unit 13 updates the value of i to i + 1 and repeats the above-described processing up to L, which is the maximum value, but the numerical values of g 1 upper and g 0 lower or g 0 upper and g
  • the section average determination unit 27 can execute section average processing described later so that it can be finally determined whether it is either classification 1 or classification 0. Has been made.
  • the section average determination unit 27 calculates g 0 pseudo , which is an updated section average when k is 0, and g 1 pseudo , which is an updated section average when k is 1, by the following equation: 39 (step SP12).
  • the section average determination unit 27 determines the magnitude relationship between g 1 pseudo and g 0 pseudo (step SP13), and determines g 1 pseudo ⁇ g 0 pseudo (class SP 0). On the other hand, when determining that the magnitude relationship of g 1 pseudo ⁇ g 0 pseudo does not hold, the section average determination unit 27 determines g 0 pseudo ⁇ g 1 pseudo and determines the observation data D1 as classification 1 (step SP15). To do. In this way, the section average determination unit 27 determines whether the observation data D1 is classified into classification 0 or classification 1, and sends the determination result to the display unit to notify the user via the display unit. It is made to be able to do.
  • the identification device 1, and the multiplication processing that multiplies the variable group (z k, n) to a constant log 2 e, a n 1 ..., sequentially changing a plurality of h to N k k , n upper and h k , n lower are multiplied by 2, and a plurality of h k , n upper and h k , n lower are cumulatively added to obtain g k upper and g k lower , respectively.
  • the process was executed.
  • the identification device 1 does not execute the calculation processing of an accurate exponential function as in the past, but from the magnitude relationship between g k upper and g k lower expressed on a binary integer ⁇ sandwiching the true value.
  • the magnitude relationship between the classification 0 occurrence probability value and the classification 1 occurrence probability value it is possible to identify whether the observation data D1 is the classification 0 or the classification 1 by a simple interval calculation. It is possible to avoid the calculation processing of an exponential function having a complicated and large processing load of the occurrence probability value and the classification 1 occurrence probability value, and the processing load can be significantly reduced.
  • the identification device 1 can determine at high speed whether the observation data D1 is in the classification 0 or the classification 1 by the amount that the calculation cost of the exponential function can be reduced in this way.
  • the identification device 1 can identify whether the observation data D1 is either the classification 0 or the classification 1 by a simple interval calculation by improving the accuracy of the comparison operation step by step, narrowing the interval that becomes unknown, Thus, it is possible to avoid the calculation processing of the exponential function having a complicated and heavy processing load of the classification 0 occurrence probability value and the classification 1 occurrence probability value.
  • the identification device 1 if the magnitudes of g k upper and g k lower are not clear even if the refinement process is repeated until i reaches the maximum value L, g 0 pseudo and g 1 which are interval averages are not obtained.
  • the observation data D1 is finally obtained. Either classification 0 or classification 1 can be determined with certainty.
  • white indicates a skin color
  • black indicates a non-skin color
  • gray indicates an undetermined region.
  • the percentage of completion of the determination only by the basic identification process was 99.692% in the case of 2 mixing, 99.617% in the case of 3 mixing, and 99.613% in the case of 4 mixing. As described above, none of the operations required an exponential function in an area of 99% or more.
  • step SP3 and step SP5 After determining whether or not 1 lower (step SP5), it may be determined whether or not g 1 upper ⁇ g 0 lower (step SP3).
  • the identification device 1 is generally used for devices that require a function of automatically identifying an object based on observation data acquired by a sensor, such as medical / welfare equipment, disaster prevention / monitoring equipment, and automobile / industrial equipment. it can.
  • the wireless sensor network is used to construct a network by innumerable small devices called sensor nodes equipped with sensors, signal processing functions, pattern recognition functions, wireless communication functions, batteries (or independent power generation devices). Can be expected.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Complex Calculations (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

処理負担を格段的に低減し得る識別装置、識別方法及び識別処理プログラムを提案する。 識別装置１では、ｇｋｕｐｐｅｒ及びｇｋｌｏｗｅｒの大小関係から、分類０発生確率値と分類１発生確率値との大小比較を判断することができるので、簡便な区間計算で観測データＤ１が分類０又は分類１のいずれかであるかを識別でき、かくして、分類０発生確率値及び分類１発生確率値の複雑で処理負担が大きい指数関数の計算処理を回避でき、処理負担を格段的に低減し得る。

Description

識別装置、識別方法及び識別処理プログラム
　本発明は、識別装置、識別方法及び識別処理プログラムに関し、例えば、混合正規分布のベイズ決定則に基づいて、所定対象を識別する識別装置に適用して好適なものである。
　近年、識別対象をセンサが感知し、当該センサから得られた観測データを基に識別対象がどのようなものかを識別する手法として、確率分布モデルを仮定し、ベイズ決定則に従って識別対象を識別する手法が知られている（例えば、特許文献１参照）。
　ここで、観測データがそれぞれ単一の正規分布に従うという仮定の下では、ある定数Ｋ倍の指数関数Ｋｅｘｐ（－ｚ）同士を比較することでパターンを識別できる。この実現は対数を取った（ｌｎＫ－ｚ）の比較に帰着できるので、識別装置による指数関数の計算は必要ない。なお、ｌｎＫは定数である。
　ここで、単一正規分布は、多峰性の分布に従うデータには適しておらず、利用できる問題が制限されるという欠点があるものの、かかる多峰性分布の問題は、正規分布の重み付け和である次式
Figure JPOXMLDOC01-appb-M000022
  
に示す混合正規分布の導入により改善することができる。
特開２００５－２６７５７０号公報
　しかしながら、混合正規分布同士の比較は、対数を取っても指数関数を省くことができないため、演算量が増大してしまう。以下、この点について具体的に説明する。
　先ず始めにここで利用されるベイズ決定則とは、予め分類（クラス）を与えておき、観測データ（特徴ベクトル）が属するクラスを判別する方法である。ベイズ決定則に用いられるベイズの定理では、例えば事象Ｂの発生確率がP（B）と表され、事象Ａがおきた後での事象Ｂの発生確率がP（B｜A）と表され、P（A）＞０ならば、以下の式が成り立つ。
Figure JPOXMLDOC01-appb-M000023
  
　ベイズ決定則では、観測データが与えられると、例えば各クラスc0，c1の条件付確率P[C=c0|x]とP[C=c1|x]とを比較し、高い確率を与えるクラスを観測データの属するクラスとして選択する。この選択は誤り率を最小とする。条件付確率P[C|x]は、上述したベイズの定理から以下の式、
Figure JPOXMLDOC01-appb-M000024
  
で表すことができる。このようにベイズ決定則では、p(x|c)とP[c]とにより下記のような、
Figure JPOXMLDOC01-appb-M000025
  
で表される判別式の評価によって行われる。すなわち、g(x)>0ならばクラスc1と判定でき、g(x)<0ならばクラスc0と判定できる。
　ここで上述した数４の判別式を利用するためには、条件付確率密度関数p(x|C)が予め必要となる。例えばp(x|C)が多次元（ここでは例えばＤ次元）混合正規分布（多変量混合ガウス分布）としてモデル化される場合には、Ｄ次元混合正規分布について下記の数５のように表される。
Figure JPOXMLDOC01-appb-M000026
  
　ここで、Ｄは変量の数、ｘは観測データ（特徴ベクトル）、μはＤ×1平均ベクトル、ΣはＤ×Ｄ共分散行列（共分散とは２つのデータがどれだけ関連性・連動性があるかを示す係数）を表す。
　Ｄ次元混合正規分布モデルの確率密度関数Ｍ（ｘ｜Θ）は、上述した数５を用いて、
Figure JPOXMLDOC01-appb-M000027
  
と表される。ここで、Θはパラメータの集合であり、Θ＝{{αn}, {μn}, {Σn}}、Ｎは正規分布の混合数、αnは混合比を表す。このような数６に示す混合正規分布は、適切な混合数でモデル化することにより、複雑な形状の分布を任意の精度で近似できる。
　そして、クラスcが与えられたときの確率変数ベクトルxの条件付確率密度p(x|C)が、上述した数６に示す多変量混合正規分布モデルに従うと仮定すると、上述した数４の判別式は、
Figure JPOXMLDOC01-appb-M000028
  
Figure JPOXMLDOC01-appb-M000029
  
と表される。因みに{αk,n}は、クラスckに対して与えられるパラメータ集合であり、ｋはクラス（分類）を示す０又は１である。ここで、上述した数８では、複数の観測データの各確率変数ベクトルxを基に、変数箇所が変数群（ｚｋ，ｎ（ｘ））として算出され、混合正規分布のパラメータを基に、定数箇所が定数群Ｋｋ，ｎとして算出される（ｋは分類を表す１又は０、ｎは各分類に仮定される正規分布の分布番号を示す）。
　従って、従来においては、上述したようなg(x)>0又はg(x)<0に基づいて、クラスc1又はクラスc0の判定を決定する場合、上述した数８に示したような複雑で処理負担の大きい指数関数の計算処理を正確に実行する必要がある。
　そして、このような演算量の増大は、高速性や低消費電力が要求されるシステムへの応用の妨げとなるため、かかる識別装置での処理負担を軽減することが望まれている。
　ところで、指数関数の効果的な演算方法としては、関数電卓でも利用されるCORDICアルゴリズムが知られているが、このCORDICアルゴリズムを利用しても無駄な演算が生じてしまい、高速な識別の妨げとなってしまうという問題がある。
　本発明は以上の点を考慮してなされたもので、処理負担を格段的に低減し得る識別装置、識別方法及び識別処理プログラムを提案することを目的とする。
　かかる課題を解決するため本発明の請求項１は、観測データの分布が混合正規分布に従うと仮定し、混合正規分布パラメータを基に前記観測データを分類する識別装置であって、複数の前記観測データの各特徴ベクトルを基に得た変数群ｚｋ，ｎ（ｋは分類を表す１又は０、ｎは各分類に仮定される正規分布の分布番号を示す）と、前記混合正規分布パラメータを基に得た定数群Ｋｋ，ｎとを用いて、次式
Figure JPOXMLDOC01-appb-M000030
  
（「ｚｋ，ｎｌｏｇ２ｅ」はｚｋ，ｎｌｏｇ２ｅの整数部である）
Figure JPOXMLDOC01-appb-M000031
  
を計算する２のべき乗倍部と、
　前記ｈｋ，ｎ ｕｐｐｅｒと前記ｈｋ，ｎ ｌｏｗｅｒとを用いて、次式
Figure JPOXMLDOC01-appb-M000032
  
Figure JPOXMLDOC01-appb-M000033
  
（Ｎｋは分類ｋの正規分布の混合数を示す）
を計算する累積加算部と、前記ｇｋ ｕｐｐｅｒ及び前記ｇｋ ｌｏｗｅｒを比較して、ｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒと、ｇ０ ｕｐｐｅｒ≦ｇ１ ｌｏｗｅｒとによって前記観測データを分類する比較部とを備えることを特徴とする。
　また、本発明の請求項２は、次式
Figure JPOXMLDOC01-appb-M000034
  
Figure JPOXMLDOC01-appb-M000035
  
（iは０，１…，L、ここでLは任意に設定した正の整数）
を記憶した記憶部を備え、前記ｇｋ ｕｐｐｅｒ及び前記ｇｋ ｌｏｗｅｒを比較して大小関係を判定できないとき、ｉの値をｉ＋１に更新し、ｚｋ，ｎｌｏｇ２ｅの小数部の小数点以下第ｉ位が１であるか、或いは０であるかを判断し、前記小数点以下第ｉ位が１のとき、前記数１３のＢ[ｉ]を前記ｈｋ，ｎ ｕｐｐｅｒに乗算しｈｋ，ｎ ｕｐｐｅｒを更新して前記ｇｋ ｕｐｐｅｒを計算し、前記小数点以下第ｉ位が０のとき、前記数１４のＢ[ｉ]－１を前記ｈｋ，ｎ ｌｏｗｅｒに乗算しｈｋ，ｎ ｌｏｗｅｒを更新して前記ｇｋ ｌｏｗｅｒを計算することを特徴とする。
　また、本発明の請求項３は、前記ｉの値が前記Lのときには、次式
Figure JPOXMLDOC01-appb-M000036
  
を計算し、
　ｇ１ ｐｓｅｕｄｏ＜ｇ０ ｐｓｅｕｄｏと、ｇ０ ｐｓｅｕｄｏ＜ｇ１ ｐｓｅｕｄｏとによって前記観測データを分類する平均値処理部を備えることを特徴とする。
　また、本発明の請求項４は、観測データの分布が混合正規分布に従うと仮定し、混合正規分布パラメータを基に前記観測データを分類する識別方法であって、複数の前記観測データの各特徴ベクトルを基に得た変数群ｚｋ，ｎ（ｋは分類を表す１又は０、ｎは各分類に仮定される正規分布の分布番号を示す）と、前記混合正規分布パラメータを基に得た定数群Ｋｋ，ｎとを用いて、次式
Figure JPOXMLDOC01-appb-M000037
  
（「ｚｋ，ｎｌｏｇ２ｅ」はｚｋ，ｎｌｏｇ２ｅの整数部である）
Figure JPOXMLDOC01-appb-M000038
  
を計算する２のべき乗倍ステップと、前記２のべき乗倍ステップで算出した前記ｈｋ，ｎ ｕｐｐｅｒと前記ｈｋ，ｎ ｌｏｗｅｒとを用いて、次式
Figure JPOXMLDOC01-appb-M000039
  
Figure JPOXMLDOC01-appb-M000040
  
（Ｎｋは分類ｋの正規分布の混合数を示す）
を計算する累積加算ステップと、前記累積加算ステップによって算出した前記ｇｋ ｕｐｐｅｒ及び前記ｇｋ ｌｏｗｅｒを比較して、ｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒと、ｇ０ ｕｐｐｅｒ≦ｇ１ ｌｏｗｅｒとによって前記観測データを分類する比較ステップとを備えることを特徴とする。
　また、本発明の請求項５は、前記ｇｋ ｕｐｐｅｒ及び前記ｇｋ ｌｏｗｅｒを比較して大小関係を判定できないとき、ｉの値をｉ＋１に更新し、ｚｋ，ｎｌｏｇ２ｅの小数部の小数点以下第ｉ位が１であるか、或いは０であるかを判断し、前記小数点以下第ｉ位が１のとき、次式
Figure JPOXMLDOC01-appb-M000041
  
（iは０，１…，L、ここでLは任意に設定した正の整数）
を前記ｈｋ，ｎ ｕｐｐｅｒに乗算しｈｋ，ｎ ｕｐｐｅｒを更新して前記ｇｋ ｕｐｐｅｒを計算し、前記小数点以下第ｉ位が０のとき、次式
Figure JPOXMLDOC01-appb-M000042
  
を前記ｈｋ，ｎ ｌｏｗｅｒに乗算しｈｋ，ｎ ｌｏｗｅｒを更新して前記ｇｋ ｌｏｗｅｒを計算する洗練化処理ステップを備えることを特徴とする。
　また、本発明の請求項６は、前記ｉの値が前記Lのときには、次式
Figure JPOXMLDOC01-appb-M000043
  
を計算し、
　ｇ１ ｐｓｅｕｄｏ＜ｇ０ ｐｓｅｕｄｏと、ｇ０ ｐｓｅｕｄｏ＜ｇ１ ｐｓｅｕｄｏとによって前記観測データを分類する平均値処理ステップを備えることを特徴とする。
　また、本発明の請求項７は、観測データの分布が混合正規分布に従うと仮定し、混合正規分布パラメータを基に前記観測データを分類する識別処理プログラムであって、複数の前記観測データの各特徴ベクトルを基に得た変数群ｚｋ，ｎ（ｋは分類を表す１又は０、ｎは各分類に仮定される正規分布の分布番号を示す）と、前記混合正規分布パラメータを基に得た定数群Ｋｋ，ｎとを用いて、次式
Figure JPOXMLDOC01-appb-M000044
  
（「ｚｋ，ｎｌｏｇ２ｅ」はｚｋ，ｎｌｏｇ２ｅの整数部である）
Figure JPOXMLDOC01-appb-M000045
  
を計算する２のべき乗倍ステップと、前記２のべき乗倍ステップで算出した前記ｈｋ，ｎ ｕｐｐｅｒと前記ｈｋ，ｎ ｌｏｗｅｒとを用いて、次式
Figure JPOXMLDOC01-appb-M000046
  
Figure JPOXMLDOC01-appb-M000047
  
（Ｎｋは分類ｋの正規分布の混合数を示す）
を計算する累積加算ステップと、前記累積加算ステップによって算出した前記ｇｋ ｕｐｐｅｒ及び前記ｇｋ ｌｏｗｅｒを比較して、ｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒと、ｇ０ ｕｐｐｅｒ≦ｇ１ ｌｏｗｅｒとによって前記観測データを分類する比較ステップとをコンピュータに実行させることを特徴とする。
　また、本発明の請求項８は、前記ｇｋ ｕｐｐｅｒ及び前記ｇｋ ｌｏｗｅｒを比較して大小関係を判定できないとき、ｉの値をｉ＋１に更新し、ｚｋ，ｎｌｏｇ２ｅの小数部の小数点以下第ｉ位が１であるか、或いは０であるかを判断し、
　前記小数点以下第ｉ位が１のとき、次式
Figure JPOXMLDOC01-appb-M000048
  
（iは０，１…，L、ここでLは任意に設定した正の整数）
を前記ｈｋ，ｎ ｕｐｐｅｒに乗算しｈｋ，ｎ ｕｐｐｅｒを更新して前記ｇｋ ｕｐｐｅｒを計算し、前記小数点以下第ｉ位が０のとき、次式
Figure JPOXMLDOC01-appb-M000049
  
を前記ｈｋ，ｎ ｌｏｗｅｒに乗算しｈｋ，ｎ ｌｏｗｅｒを更新して前記ｇｋ ｌｏｗｅｒを計算する洗練化処理ステップを備えることを特徴とする。
　また、本発明の請求項９は、前記ｉの値が前記Lのときには、次式
Figure JPOXMLDOC01-appb-M000050
  
を計算し、
　ｇ１ ｐｓｅｕｄｏ＜ｇ０ ｐｓｅｕｄｏと、ｇ０ ｐｓｅｕｄｏ＜ｇ１ ｐｓｅｕｄｏとによって前記観測データを分類する平均値処理ステップを備えることを特徴とする。
　本発明の請求項１の識別装置、請求項３の識別方法及び請求項７の識別処理プログラムによれば、簡便な区間計算で得られたｇｋ ｕｐｐｅｒ及びｇｋ ｌｏｗｅｒの大小関係から観測データを識別できるので、分類の発生確率値を算出するための複雑な指数関数の計算処理を回避でき、かくして、処理負担を格段的に低減し得る。
　また、本発明の請求項２の識別装置、請求項４の識別方法及び請求項８の識別処理プログラムによれば、段階的に比較演算の精度を向上させ、不明となる区間を狭めて簡便な区間計算で観測データの分類を行うことができ、かくして、分類の発生確率値を算出する複雑な指数関数の計算処理を回避できる。
　また、本発明の請求項３の識別装置、請求項６の識別方法及び請求項９の識別処理プログラムによれば、ｇｋ ｕｐｐｅｒ及びｇｋ ｌｏｗｅｒの大小が明らかでなくとも、最終的に観測データの分類を確実に行うことができる。
本発明による識別装置の回路構成を示すブロック図である。 変数群（ｚｋ，ｎ）及び定数群（Ｋｋ，ｎ）の説明に供する概略図である。 識別部の回路構成を示すブロック図である。 識別処理手順を示すフローチャートである。 ｇｋ ｕｐｐｅｒ及びｇｋ ｌｏｗｅｒの大きさが明らかな場合の概略図である。 ｇｋ ｕｐｐｅｒ及びｇｋ ｌｏｗｅｒの大きさが明らかでない場合に、洗練化処理をしたｇｋ ｕｐｐｅｒ及びｇｋ ｌｏｗｅｒを示す概略図である。 観測データたる画像と、画像内の肌色識別を行った識別結果とを示す写真である。
　以下図面に基づいて本発明の実施の形態を詳述する。
　（１）識別装置の全体構成
　図１において、１は本発明による識別装置を示し、観測データＤ１の分布が混合正規分布に従うと仮定し、混合正規分布パラメータを基に観測データＤ１を分類０又は分類１のいずれかであるかを識別し得るものである。
　なお、ここで識別結果としては、分類０又は分類１としたが、これは単に識別対象が存在するとの肯定結果や、識別対象が存在しないとの否定結果を示すに過ぎないものである。
　具体的に説明すると、例えばテレビジヨンカメラで撮像された画像中に目標物体が存在するか否か、すなわち各画素が背景画像（分類０とする）又は人（分類１とする）のいずれかに属するか否かを識別させるとした場合、識別装置１は、テレビジョンカメラから得た画像データが観測データＤ１として特徴抽出部２に入力される。
　特徴抽出部２は、所定の画像処理を施し、例えば各画素毎の画像平面内の位置を表す座標軸(ｘ，ｙ)と、当該画素の輝度値や色等の各種画素情報とからなる特徴ベクトルＤ２を算出し、これを二次形式演算部３へ送出する。
　肌色識別への応用例では、識別装置１が背景画像の中から人を識別するために、各画素を肌色（分類１）と非肌色（分類０）とに分類する。この場合、特徴ベクトルＤ２は、画素の位置を示す座標データと、当該座標データで表した画素におけるＲ（赤）、Ｇ（緑）及びＢ（青）の各値を示すデータとから構成される。
　このとき、この識別装置１は、観測データＤ１の分布が混合正規分布に従うと仮定し、画素集合の分布から得られた複数個の成分からなるＭ次元の混合正規分布パラメータ群Ｄ３を二次形式演算部３及び重み係数演算部４へ送出する。
　二次形式演算部３は、特徴ベクトルＤ２及び混合正規分布パラメータ群Ｄ３に基づいて変数のみを抜き出して変数群（ｚｋ，ｎ）を算出し、これを識別部５へ送出する。一方、このとき重み係数演算部４は、受け取った混合正規分布パラメータ群Ｄ３を基に定数のみを抜き出して定数群（Ｋｋ，ｎ）を算出し、これを識別部５へ送出する。
　具体的に変数群（ｚｋ，ｎ）及び定数群（Ｋｋ，ｎ）としては、図２に示すように、上述した従来における数８のうち、変数箇所ER1が変数群（ｚｋ，ｎ）として算出され、定数箇所ER2が定数群（Ｋｋ，ｎ）として算出される。なお、図２においては、変数群（ｚｋ，ｎ（ｘ））と表してあるが、変数ｘの関数であることが明らかなため、以下、説明の便宜上、単に変数群（ｚｋ，ｎ）とする。
　ここで、識別部５は、分類０となる確率（以下、これを分類０発生確率と呼ぶ）を示す次式
Figure JPOXMLDOC01-appb-M000051
  
の指数関数を実際に計算することなく、所定の識別処理を実行して、分類０発生確率値よりも小さく指数関数の計算を必要としない下限値（以下、これを分類０発生下限値と呼ぶ）と、分類０発生確率値よりも大きく指数関数の計算を必要としない上限値（以下、これを分類０発生上限地と呼ぶ）とを算出する。
　また、識別部５は、分類１となる確率（以下、これを分類１発生確率と呼ぶ）を示す次式
Figure JPOXMLDOC01-appb-M000052
  
の指数関数を実際に計算することなく、所定の識別処理を実行して、分類１発生確率値よりも小さく指数関数の計算を必要としない下限値（以下、これを分類１発生下限値と呼ぶ）と、分類１発生確率値よりも大きく指数関数の計算を必要としない上限値（以下、これを分類１発生上限値と呼ぶ）とを算出する。なお、Ｋｋ，ｎは正の定数であり、ｚｋ，ｎは正の変数である。
　そして、識別部５は、分類０発生上限値と分類１発生下限値とを比較し、或いは分類１発生上限値と分類０発生下限値とを比較することにより、分類０発生確率値と分類１発生確率値とのいずれが大きいか判断する。
　その結果、分類０発生確率値が分類１発生確率値よりも明らかに大きいときには、観測データＤ１が分類０であると識別する。一方、分類１発生確率値が分類０発生確率値よりも明らかに大きいときには、観測データＤ１が分類１であると識別する。
　かくして、識別部５は、指数関数の複雑な計算を行わずに簡単な計算で算出できるこれら分類０発生上限値と、分類０発生下限値と、分類１発生上限値と、分類１発生下限値とを用いて、分類０発生確率値と分類１発生確率値との大小比較を行うようにしたことで、簡便な区間計算で観測データＤ１が分類０又は分類１のいずれかであるかを識別し得るようになされている。
　また、識別部５は、分類０発生確率値と分類１発生確率値との大小が不明なときには、分類０発生確率値と分類１発生確率値との大小関係が明らかになるまで、分類０発生上限値と、分類０発生下限値と、分類１発生上限値と、分類１発生下限値とを段階的に狭めて比較精度を洗練してゆき、指数関数の計算を行わない簡便な区間計算で観測データＤ１が分類０又は分類１のいずれかであるかを識別し得るようになされている。
　（２）識別部の回路構成
（２－１）基本識別処理
　ここで識別部５により実行される識別処理は、基本識別処理と洗練化処理とがあり、先ず始めに、図３及び図４を用いて識別処理のうち基本識別処理について以下説明する。
　図３は、識別処理を実行する識別部５の回路構成を示すものであり、図４は識別処理手順を示すフローチャートである。
　識別部５は、重み係数演算部４からの定数群（Ｋｋ，ｎ）を２のべき乗倍部10に送出する。ここで、この実施の形態の場合、ｋは分類０を示す０、或いは分類１を示す１とし、ｎは、ｎ＝１…，Ｎｋ（すなわち、ｎは、ｋ＝０のときｎ＝１…，Ｎｏ、ｋ＝１のときｎ＝１…，Ｎ１）とする。なお、Ｎ０及びＮ１は正規分布の混合数である。
　また、この実施の形態の場合、識別部５において識別処理の過程で用いられるｌｏｇ２ｅや、後述する（２－２）洗練化処理で用いる次式の数３２及び数３３は予め計算されて、その結果が記録されており、計算処理の負担軽減が図られている。
Figure JPOXMLDOC01-appb-M000053
  
Figure JPOXMLDOC01-appb-M000054
  
　なお、ｉの最大値は予め任意の数値が設定されており、この実施の形態の場合は、ｉ＝０，１，…，Ｌである。
　実際上、この識別部５は、二次形式演算部３からの変数群（ｚｋ，ｎ）を乗算部11へ送出して、変数群（ｚｋ，ｎ）に定数ｌｏｇ２ｅを乗算し、これにより得られた複数の（ｚｋ，ｎｌｏｇ２ｅ）を分割部12へ送出する。
　分割部12は、各（ｚｋ，ｎｌｏｇ２ｅ）を整数部分と小数部分とに分割し、これら整数部分を整数部群（「ｚｋ，ｎｌｏｇ２ｅ」）として２べき乗倍部に送出する。なお、次式の数３４から得た小数部分は、後述する洗練化処理の際に用いるために小数部群（βｋ，ｎ）として洗練化処理部13のＢ[ｉ]選択部14及び第１選択部15へそれぞれ送出する。なお、上述した整数部群の「」の記号は整数部分であることを示すものである。
Figure JPOXMLDOC01-appb-M000055
  
　２べきの乗倍部10は、定数群（Ｋｋ，ｎ）と整数部群（「ｚｋ，ｎｌｏｇ２ｅ」）とを用い、ｋが０のときのｎ＝１…，Ｎ０全てについて次式の数３５及び数３６からｈ０，ｎ ｕｐｐｅｒとｈ０，ｎ ｌｏｗｅｒとをそれぞれ算出し（ステップＳＰ１）、これらｎを１…，Ｎ０まで順次変えて算出した複数のｈ０，ｎ ｕｐｐｅｒとｈ０，ｎ ｌｏｗｅｒとを選択部16を介して累積加算部17へ送出する。
Figure JPOXMLDOC01-appb-M000056
  
Figure JPOXMLDOC01-appb-M000057
  
　また、２べきの乗倍部10は、定数群（Ｋｋ，ｎ）と整数部群（「ｚｋ，ｎｌｏｇ２ｅ」）とを用い、ｋが１のときのｎ＝１…，Ｎ０全てについて上述した数３５及び数３６からｈ１，ｎ ｕｐｐｅｒとｈ１，ｎ ｌｏｗｅｒとをそれぞれ算出し（ステップＳＰ１）、これらｎを１…，Ｎ０まで順次変えて算出した複数のｈ０，ｎ ｕｐｐｅｒとｈ０，ｎ ｌｏｗｅｒとを選択部16を介して累積加算部17へ送出する。
　累積加算部17は、ｋを０としてｎを１…，Ｎ０まで順次変えて算出した複数のｈｋ，ｎ ｕｐｐｅｒを、次式の数３７によって累積加算してゆき、分類０発生上限値となるｇ０ ｕｐｐｅｒを算出し（ステップＳＰ２）、これを比較部18に送出する。
 
　また、累積加算部17は、ｋを０としてｎを１…，Ｎ０まで順次変えて算出した複数のｈｋ，ｎ ｌｏｗｅｒを、次式の数３８によって累積加算してゆき、分類０発生下限値となるｇ０ ｌｏｗｅｒを算出し（ステップＳＰ２）、これを比較部18に送出する。
Figure JPOXMLDOC01-appb-M000059
  
　同様にして、累積加算部17は、ｋを１としてｎを１…，Ｎ１まで順次変えて算出した複数のｈｋ，ｎ ｕｐｐｅｒを、上述した数３７によって累積加算してゆき、分類１発生上限値となるｇ１ ｕｐｐｅｒを算出し（ステップＳＰ２）、これを比較部18に送出する。また、累積加算部17は、ｋを１としてｎを１…，Ｎ１まで順次変えて算出した複数のｈｋ，ｎ ｌｏｗｅｒを、上述した数３８によって累積加算してゆき、分類１発生下限値となるｇ１ ｌｏｗｅｒを算出し（ステップＳＰ２）、これを比較部18に送出する。
　比較部18は、ｇ１ ｕｐｐｅｒ及びｇ０ ｌｏｗｅｒを比較して、図５（Ａ）に示すように、その数値から明らかにｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒであるか否かを判断する（ステップＳＰ３）。そして、比較部18は、分類０発生確率値が分類１発生確率値よりも明らかに大きいことを示すｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒであると判断すると分類０と判定し（ステップＳＰ４）、その判定結果を表示部（図示せず）に送出する。
　これに対して比較部18は、数値から明らかにｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒではないと判断すると、ｇ０ ｕｐｐｅｒ及びｇ１ ｌｏｗｅｒを比較して、図５（Ｂ）に示すように、その数値から明らかにｇ０ ｕｐｐｅｒ≦ｇ１ ｌｏｗｅｒであるか否かを判断する（ステップＳＰ５）。そして、比較部18は、分類１発生確率値が分類０発生確率値よりも明らかに大きいことを示すｇ０ ｕｐｐｅｒ≦ｇ１ ｌｏｗｅｒであると判断すると分類1と判定し（ステップＳＰ６）、その判定結果を表示部に送出する。
　かくして、表示部は、比較部18から受け取った判定結果を画像を介して表示する等することによりユーザに通知し得る。肌色識別への応用例では、各画素毎に肌色（分類１）又は非肌色（分類０）に判定された結果を基に、例えば肌色（分類１）の画素を白色とし、非肌色（分類０）の画素を黒色として分類０及び分類１毎に各画素を色分けすることにより、背景画像と人とを識別した画像を生成してユーザに通知し得るようになされている。なお、後述する洗練化処理が必要な画素については、灰色に色分けされ、ユーザに対して洗練化処理が実行されたこと、或いは上述した基本識別処理が実行されていないことが通知され得る。
　（２－２）洗練化処理
　ここで、比較部18は、上述した基本識別処理によって、ｇ１ ｕｐｐｅｒ及びｇ０ ｌｏｗｅｒの数値を比較し、或いはｇ０ ｕｐｐｅｒ及びｇ１ ｌｏｗｅｒの数値を比較し、図６（Ａ）に示すように、これらの大小関係を判定できなかったときには、その判定不可結果を示す再処理信号を洗練化処理部13に送出して、洗練化処理を実行し得るようになされている。
　ここで洗練化処理部13は、上述した数３２及び数３３のような関係が対応付けているルックアップテーブル（Lookup table；LUT）を記憶した記憶部20を備えており、比較部18から再処理信号Ｄ５を受け取ると、ｉの値をｉ＋１に更新する。
　ここで実際上、ｉは、ｇ１ ｕｐｐｅｒ及びｇ０ ｌｏｗｅｒと、ｇ０ ｕｐｐｅｒ及びｇ１ ｌｏｗｅｒの大小関係を判定できなかったとき（ステップＳＰ５で否定結果が得たとき）、１ずつ加算されてゆくが、その最大値がＬに設定されていることから、先ず始めに現時点でｉがＬであるか否かを判断し（ステップＳＰ７）、ｉが未だＬに到達していないときに、ｉの値をｉ＋１に更新する（ステップＳＰ８）。
　ここで、上述した数３４により分割部12で算出された小数部群（βｋ，ｎ）について、小数部群（βｋ，ｎ）を構成する各小数部の小数点以下第ｉ位が１であるか、或いは０であるかによって、各小数部に対するそれぞれ個別の処理が異なり、これら異なる処理を行って更新した各ｈｋ，ｎ ｌｏｗｅｒ及びｈｋ，ｎ ｕｐｐｅｒを用いて、累積加算部17においてｇｋ ｕｐｐｅｒ及びｇｋ ｌｏｗｅｒを算出するようになされている。
　以下、小数点以下第ｉ位が１のときの小数部（以下、これを単に１小数部と呼ぶ）に対する処理と、小数点以下第ｉ位が０のときの小数部（以下、これを単に０小数部と呼ぶ）に対する処理について、分けて説明する。
　（２－２－１）小数部の小数点以下第ｉ位が１の場合
　ここで、洗練化処理部13のＢ[ｉ]選択部14は、上述した数３４により分割部12で算出された小数部群（βｋ，ｎ）の各小数部について、それぞれ個別に小数点以下第ｉ位が１であるか否かを判断する（ステップＳＰ９）。ここで、Ｂ[ｉ]選択部14は、小数部群（βｋ，ｎ）のうち、１小数部が存在すると判断すると、その１小数部の処理時に記憶部20からＢ[ｉ]を読み出して乗算部21へ送出する。
　このとき、洗練化処理部13の上下限値分割部22は、この１小数部が求められた変数の整数部により算出した対応するｈｋ，ｎ ｌｏｗｅｒ（以下、これを１対応ｈｋ，ｎ ｌｏｗｅｒと呼ぶ）と、同じくこの１小数部が求められた変数の整数部により算出した対応するｈｋ，ｎ ｕｐｐｅｒ（以下、これを１対応ｈｋ，ｎ ｕｐｐｅｒと呼ぶ）とを選択部16から受け取る。
　上下限値分割部22は、これら１対応ｈｋ，ｎ ｌｏｗｅｒ及び１対応ｈｋ，ｎ ｕｐｐｅｒを分割して、１対応ｈｋ，ｎ ｕｐｐｅｒを第１選択部15及び第２選択部23に送出すると共に、１対応ｈｋ，ｎ ｌｏｗｅｒも第１選択部15及び第２選択部23へ送出する。
　ここで、第１選択部15は、分割部12から受け取った小数部群（βｋ，ｎ）を基に、現在処理されている小数部が１小数部であることを認識し、１対応ｈｋ，ｎ ｕｐｐｅｒを選択して乗算部21に送出すると共に、１対応ｈｋ，ｎ ｌｏｗｅｒを破棄する。
　また、この際、第１選択部15は、第２選択部23に対して１対応ｈｋ，ｎ ｌｏｗｅｒを選択するように選択信号を送出する。これにより第２選択部23は、１対応ｈｋ，ｎ ｌｏｗｅｒを選択してこれを更新値生成部25に送出し、１対応ｈｋ，ｎ ｕｐｐｅｒを破棄する。
　乗算部21は、１対応ｈｋ，ｎ ｕｐｐｅｒにＢ[ｉ]を乗算し、１対応ｈｋ，ｎ ｕｐｐｅｒのみを更新し（ステップＳＰ１０）、この結果得られた１対応ｈｋ，ｎ ｕｐｐｅｒＢ[ｉ]（以下、これを更新ｈｋ，ｎ ｕｐｐｅｒと呼ぶ）を更新値生成部25に送出する。
　更新値生成部25は、更新ｈｋ，ｎ ｕｐｐｅｒを受け取ると、更新ｈｋ，ｎ ｕｐｐｅｒと１対応ｈｋ，ｎ ｌｏｗｅｒとを対とし、選択部16を経由して累積加算部17へ送出する。
　（２－２－２）小数部の小数点以下第ｉ位が０の場合
　一方、Ｂ[ｉ]選択部14は、小数部群（βｋ，ｎ）のうち、０小数部が存在すると判断すると、その０小数部の処理時にＢ[ｉ]－１を乗算部21へ送出する。
　このとき、洗練化処理部13の上下限値分割部22は、この０小数部が求められた変数の整数部により算出した対応するｈｋ，ｎ ｌｏｗｅｒ（以下、これを０対応ｈｋ，ｎ ｌｏｗｅｒと呼ぶ）と、同じくこの０小数部が求められた変数の整数部により算出した対応するｈｋ，ｎ ｕｐｐｅｒ（以下、これを０対応ｈｋ，ｎ ｕｐｐｅｒと呼ぶ）とを選択部16から受け取る。
　上下限値分割部22は、これら０対応ｈｋ，ｎ ｌｏｗｅｒ及び０対応ｈｋ，ｎ ｕｐｐｅｒを分割して、０対応ｈｋ，ｎ ｌｏｗｅｒを第１選択部15及び第２選択部23に送出すると共に、０対応ｈｋ，ｎ ｕｐｐｅｒも第１選択部15及び第２選択部23に送出する。
　ここで、第１選択部15は、上下限値分割部22から受け取った小数部群（βｋ，ｎ）を基に、現在処理されている小数部が０小数部であることを認識し、０対応ｈｋ，ｎ ｌｏｗｅｒを選択して乗算部21に送出すると共に、０対応ｈｋ，ｎ ｕｐｐｅｒを破棄する。
　また、この際、第１選択部15は、第２選択部23に対して０対応ｈｋ，ｎ ｕｐｐｅｒを選択するように選択信号を送出する。これにより第２選択部23は、０対応ｈｋ，ｎ ｕｐｐｅｒを選択してこれを更新値生成部25に送出し、０対応ｈｋ，ｎ ｌｏｗｅｒを破棄する。
　乗算部21は、対応ｈｋ，ｎ ｌｏｗｅｒにＢ[ｉ]－１を乗算し、ｈｋ，ｎ ｌｏｗｅｒのみを更新し（ステップＳＰ１１）、この結果得られた０対応ｈｋ，ｎ ｌｏｗｅｒＢ[ｉ]－１（以下、これを更新ｈｋ，ｎ ｌｏｗｅｒと呼ぶ）を更新値生成部25に送出する。
　更新値生成部25は、更新ｈｋ，ｎ ｌｏｗｅｒを受け取ると、この更新ｈｋ，ｎ ｌｏｗｅｒと０対応ｈｋ，ｎ ｕｐｐｅｒとを対とし、選択部16を経由して累積加算部17へ送出する。
　（２－２－３）累積換算処理
　累積加算部17は、更新ｈｋ，ｎ ｕｐｐｅｒ及び０対応ｈｋ，ｎ ｕｐｐｅｒも含めて、上述した数３７によって累積加算してｇｋ ｕｐｐｅｒを再び算出し（ステップＳＰ２）、この更新したｇｋ ｕｐｐｅｒを比較部18に送出する。
　また、累積加算部17は、更新ｈｋ，ｎ ｌｏｗｅｒ及び１対応ｈｋ，ｎ ｌｏｗｅｒも含めて、上述した数３８によって累積加算してｇｋ ｌｏｗｅｒを再び算出し（ステップＳＰ２）、この更新したｇｋ ｌｏｗｅｒを比較部18に送出する。
　比較部18は、更新したｇｋ ｕｐｐｅｒ及び更新したｇｋ ｌｏｗｅｒを比較して、その数値から明らかにｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒであるか否かを判断する（ステップＳＰ３）。比較部は、区間を狭めたことで、ｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒであると判断できると分類０と判定し（ステップＳＰ４）、その判定結果を表示部に送出する。
　これに対して比較部18は、数値から明らかにｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒではないと判断すると、ｇ０ ｕｐｐｅｒ及びｇ１ ｌｏｗｅｒを比較して、その数値から明らかにｇ０ ｕｐｐｅｒ≦ｇ１ ｌｏｗｅｒであるか否かを判断する（ステップＳＰ５）。比較部は、図５（Ｂ）に示すように、区間を狭めたことで、ｇ０ ｕｐｐｅｒ≦ｇ１ ｌｏｗｅｒであると判断できると分類1と判定し（ステップＳＰ６）、その判定結果を表示部に送出する。
　そして、洗練化処理部13は、ｇ１ ｕｐｐｅｒ及びｇ０ ｌｏｗｅｒの数値を比較し、或いはｇ０ ｕｐｐｅｒ及びｇ１ ｌｏｗｅｒの数値を比較してこれらの大小関係を判定できなかったときには、ｉの値をｉ＋１に更新し、洗練化処理を再実行して上述した処理を繰り返す。
　このようにして、洗練化処理部13は、ｇ１ ｕｐｐｅｒ及びｇ０ ｌｏｗｅｒの数値、或いはｇ０ ｕｐｐｅｒ及びｇ１ ｌｏｗｅｒの数値の大小関係を判定できるまで、ｉの値をｉ＋１に更新し、ｉの最大値であるＬまで上述した処理を繰り返す。
　ここで、洗練化処理部13は、ｉの値をｉ＋１に更新してゆき最大値であるＬまで上述した処理を繰り返しても、ｇ１ ｕｐｐｅｒ及びｇ０ ｌｏｗｅｒの数値、或いはｇ０ ｕｐｐｅｒ及びｇ１ ｌｏｗｅｒの数値の大小関係を判定できない場合には、区間平均判定部27によって後述する区間平均処理を実行して、分類１又は分類０のいずれかであるかを最終的に判別し得るようになされている。
　実際上、区間平均判定部27は、ｋが０のときの更新後の区間平均であるｇ０ ｐｓｅｕｄｏと、ｋが１のときの更新後の区間平均であるｇ１ ｐｓｅｕｄｏを、次式の数３９により算出する（ステップＳＰ１２）。
Figure JPOXMLDOC01-appb-M000060
  
　そして、区間平均判定部27は、ｇ１ ｐｓｅｕｄｏとｇ０ ｐｓｅｕｄｏとの大小関係を判断し（ステップＳＰ１３）、ｇ１ ｐｓｅｕｄｏ＜ｇ０ ｐｓｅｕｄｏと判断すると、分類０と判定する（ステップＳＰ１４）。一方、区間平均判定部27は、ｇ１ ｐｓｅｕｄｏ＜ｇ０ ｐｓｅｕｄｏの大小関係が成立しないと判断すると、ｇ０ ｐｓｅｕｄｏ＜ｇ１ ｐｓｅｕｄｏと判断し、観測データＤ１を分類１と判定し（ステップＳＰ１５）する。このようにして、区間平均判定部27は、観測データＤ１を分類０又は分類１のいずれかであるかを判定し、その判定結果を表示部に送出して当該表示部を介してユーザに通知し得るようになされている。
　（３）動作及び効果
　以上の構成において、識別装置１では、変数群（ｚｋ，ｎ）に定数ｌｏｇ２ｅを乗算する乗算処理と、ｎを１…，Ｎｋまで順次変えて複数のｈｋ，ｎ ｕｐｐｅｒとｈｋ，ｎ ｌｏｗｅｒを算出する２のべき乗倍処理と、複数のｈｋ，ｎ ｕｐｐｅｒとｈｋ，ｎ ｌｏｗｅｒとをそれぞれ累積加算してｇｋ ｕｐｐｅｒ及びｇｋ ｌｏｗｅｒを求める加算処理とを実行するようにした。
　これにより、識別装置１では、従来のような正確な指数関数の計算処理を実行することなく、真値を挟む２進数の整数冪上で表現されるｇｋ ｕｐｐｅｒ及びｇｋ ｌｏｗｅｒの大小関係から、分類０発生確率値と分類１発生確率値との大小関係を判断することで、簡便な区間計算で観測データＤ１が分類０又は分類１のいずれかであるかを識別でき、かくして、分類０発生確率値及び分類１発生確率値の複雑で処理負担が大きい指数関数の計算処理を回避でき、処理負担を格段的に低減し得る。
　さらに、識別装置１では、このように指数関数の演算コストを削減できた分だけ、観測データＤ１が分類０又は分類１のいずれかであるかの判定を高速に行うことできる。
　これに加えて、この識別装置１では、ｇｋ ｕｐｐｅｒ及びｇｋ ｌｏｗｅｒの大小が明らかではない場合についても、小数部群（βｋ，ｎ）のビットパターンに応じたＢ[ｉ]とｈｋ，ｎ ｕｐｐｅｒの乗算、或いはＢ[ｉ]－１とｈｋ，ｎ ｌｏｗｅｒの乗算を実行し、これら更新したｈｋ，ｎ ｕｐｐｅｒとｈｋ，ｎ ｌｏｗｅｒとを用いてｇｋ ｕｐｐｅｒ及びｇｋ ｌｏｗｅｒの計算処理を実行するようにした。
　これにより、識別装置１は、段階的に比較演算の精度を向上させ、不明となる区間を狭めて簡便な区間計算で観測データＤ１が分類０又は分類１のいずれかであるかを識別でき、かくして、分類０発生確率値及び分類１発生確率値の複雑で処理負担が大きい指数関数の計算処理を回避できる。
　さらに、識別装置１では、洗練化処理をiが最大値Ｌになるまで繰り返しても、ｇｋ ｕｐｐｅｒ及びｇｋ ｌｏｗｅｒの大小が明らかではない場合には、区間平均であるｇ０ ｐｓｅｕｄｏとｇ１ ｐｓｅｕｄｏとを算出してこの大小関係から擬似的に判定するようにしたことにより、上述した洗練化処理によってもｇｋ ｕｐｐｅｒ及びｇｋ ｌｏｗｅｒの大小が明らかでなくとも、最終的に観測データＤ１を分類０又は分類１のいずれか確実に判定することができる。
　（４）実施例
　本発明による識別装置１を画像の肌色識別に応用した例を示す。この実施例では、図７（Ａ）に示すような人物が撮像された画像の肌色識別をするために、上述した基本識別処理のみを行った。その結果、正規分布が２混合のときには図７（Ｂ）に示すような識別結果を得た。また、正規分布が３混合のときには、図７（Ｃ）に示すような識別結果を得、正規分布が４混合のときには、図７（Ｄ）に示すような識別結果を得た。
　ここで、図７（Ｂ）、（Ｃ）及び（Ｄ）において、白は肌色を示し、黒は非肌色を示し、灰は未判定領域を示すものである。
　基本識別処理によってのみ判定が完了した割合は、２混合の場合９９．６９２％、３混合の場合９９．６１７％及び４混合の場合９９．６１３％であった。このように、いずれも９９％以上の領域で指数関数の演算を必要としなかった。
　また、この実施例では、洗練化処理へ進んだのは観測データの１％にも満たないことが確認できた。なお，倍精度の演算で判定が１００％完了するまでに要した繰返し回数は、２混合の場合には７回、３混合の場合には１０回、４混合の場合には８回であった。
　なお、本発明は、本実施形態に限定されるものではなく、本発明の要旨の範囲内で種々の変形実施が可能であり、例えば、ステップＳＰ３及びステップＳＰ５において、最初にｇ０ ｕｐｐｅｒ≦ｇ１ ｌｏｗｅｒであるか否かを判断（ステップＳＰ５）した後、ｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒであるか否かを判断（ステップＳＰ３）するようにしても良い。
　また、本発明による識別装置１は、例えば医療・福祉機器、防災・監視機器、自動車・産業機器などセンサによって取得される観測データに基づき、その対象を自動的に識別する機能を要する機器一般に利用できる。
　特に、センサ、信号処理機能、パターン認識機能、無線通信機能、バッテリー（或いは自立発電装置）を搭載したセンサーノードと呼ばれる小型機器を無数に散りばめてネットワークを構成するワイヤレスセンサーネットワーク(WSN)での利用に期待できる。
 

Claims (9)

  1. 　観測データの分布が混合正規分布に従うと仮定し、混合正規分布パラメータを基に前記観測データを分類する識別装置であって、
    　複数の前記観測データの各特徴ベクトルを基に得た変数群ｚｋ，ｎ（ｋは分類を表す１又は０、ｎは各分類に仮定される正規分布の分布番号を示す）と、前記混合正規分布パラメータを基に得た定数群Ｋｋ，ｎとを用いて、次式
    Figure JPOXMLDOC01-appb-M000001
      
    （「ｚｋ，ｎｌｏｇ２ｅ」はｚｋ，ｎｌｏｇ２ｅの整数部である）
    Figure JPOXMLDOC01-appb-M000002
      
    を計算する２のべき乗倍部と、
    　前記ｈｋ，ｎ ｕｐｐｅｒと前記ｈｋ，ｎ ｌｏｗｅｒとを用いて、次式
    Figure JPOXMLDOC01-appb-M000003
      
    Figure JPOXMLDOC01-appb-M000004
      
    （Ｎｋは分類ｋの正規分布の混合数を示す）
    を計算する累積加算部と、
    　前記ｇｋ ｕｐｐｅｒ及び前記ｇｋ ｌｏｗｅｒを比較して、ｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒと、ｇ０ ｕｐｐｅｒ≦ｇ１ ｌｏｗｅｒとによって前記観測データを分類する比較部と
    　を備えることを特徴とする識別装置。
  2. 　次式
    Figure JPOXMLDOC01-appb-M000005
      
    Figure JPOXMLDOC01-appb-M000006
      
    （iは０，１…，L、ここでLは任意に設定した正の整数）
    を記憶した記憶部を備え、
    　前記ｇｋ ｕｐｐｅｒ及び前記ｇｋ ｌｏｗｅｒを比較して大小関係を判定できないとき、前記ｉの値をｉ＋１に更新し、ｚｋ，ｎｌｏｇ２ｅの小数部の小数点以下第ｉ位が１であるか、或いは０であるかを判断し、
    　前記小数点以下第ｉ位が１のとき、前記数５のＢ[ｉ]を前記ｈｋ，ｎ ｕｐｐｅｒに乗算しｈｋ，ｎ ｕｐｐｅｒを更新して前記ｇｋ ｕｐｐｅｒを計算し、
    　前記小数点以下第ｉ位が０のとき、前記数６のＢ[ｉ]－１を前記ｈｋ，ｎ ｌｏｗｅｒに乗算しｈｋ，ｎ ｌｏｗｅｒを更新して前記ｇｋ ｌｏｗｅｒを計算する
    　ことを特徴とする請求項１記載の識別装置。
  3. 　前記ｉの値が前記Lのときには、次式
    Figure JPOXMLDOC01-appb-M000007
      
    を計算し、
    　ｇ１ ｐｓｅｕｄｏ＜ｇ０ ｐｓｅｕｄｏと、ｇ０ ｐｓｅｕｄｏ＜ｇ１ ｐｓｅｕｄｏとによって前記観測データを分類する平均値処理部を備える
    　ことを特徴とする請求項２記載の識別装置。
  4. 　観測データの分布が混合正規分布に従うと仮定し、混合正規分布パラメータを基に前記観測データを分類する識別方法であって、
    　複数の前記観測データの各特徴ベクトルを基に得た変数群ｚｋ，ｎ（ｋは分類を表す１又は０、ｎは各分類に仮定される正規分布の分布番号を示す）と、前記混合正規分布パラメータを基に得た定数群Ｋｋ，ｎとを用いて、次式
    Figure JPOXMLDOC01-appb-M000008
      
    （「ｚｋ，ｎｌｏｇ２ｅ」はｚｋ，ｎｌｏｇ２ｅの整数部である）
    Figure JPOXMLDOC01-appb-M000009
      
    を計算する２のべき乗倍ステップと、
    　前記２のべき乗倍ステップで算出した前記ｈｋ，ｎ ｕｐｐｅｒと前記ｈｋ，ｎ ｌｏｗｅｒとを用いて、次式
    Figure JPOXMLDOC01-appb-M000010
      
    Figure JPOXMLDOC01-appb-M000011
      
    （Ｎｋは分類ｋの正規分布の混合数を示す）
    を計算する累積加算ステップと、
    　前記累積加算ステップによって算出した前記ｇｋ ｕｐｐｅｒ及び前記ｇｋ ｌｏｗｅｒを比較して、ｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒと、ｇ０ ｕｐｐｅｒ≦ｇ１ ｌｏｗｅｒとによって前記観測データを分類する比較ステップと
    　を備えることを特徴とする識別方法。
  5. 　前記ｇｋ ｕｐｐｅｒ及び前記ｇｋ ｌｏｗｅｒを比較して大小関係を判定できないとき、ｉの値（iは０，１…，L、ここでLは任意に設定した正の整数）をｉ＋１に更新し、ｚｋ，ｎｌｏｇ２ｅの小数部の小数点以下第ｉ位が１であるか、或いは０であるかを判断し、
    　前記小数点以下第ｉ位が１のとき、次式
    Figure JPOXMLDOC01-appb-M000012
      
    を前記ｈｋ，ｎ ｕｐｐｅｒに乗算しｈｋ，ｎ ｕｐｐｅｒを更新して前記ｇｋ ｕｐｐｅｒを計算し、
    　前記小数点以下第ｉ位が０のとき、次式
    Figure JPOXMLDOC01-appb-M000013
      
    を前記ｈｋ，ｎ ｌｏｗｅｒに乗算しｈｋ，ｎ ｌｏｗｅｒを更新して前記ｇｋ ｌｏｗｅｒを計算する洗練化処理ステップを備える
    　ことを特徴とする請求項４記載の識別方法。
  6. 前記ｉの値が前記Lのときには、次式
    Figure JPOXMLDOC01-appb-M000014
      
    を計算し、
    　ｇ１ ｐｓｅｕｄｏ＜ｇ０ ｐｓｅｕｄｏと、ｇ０ ｐｓｅｕｄｏ＜ｇ１ ｐｓｅｕｄｏとによって前記観測データを分類する平均値処理ステップを備える
    　ことを特徴とする請求項５記載の識別方法。
  7. 　観測データの分布が混合正規分布に従うと仮定し、混合正規分布パラメータを基に前記観測データを分類する識別処理プログラムであって、
    　複数の前記観測データの各特徴ベクトルを基に得た変数群ｚｋ，ｎ（ｋは分類を表す１又は０、ｎは各分類に仮定される正規分布の分布番号を示す）と、前記混合正規分布パラメータを基に得た定数群Ｋｋ，ｎとを用いて、次式
    Figure JPOXMLDOC01-appb-M000015
      
    （「ｚｋ，ｎｌｏｇ２ｅ」はｚｋ，ｎｌｏｇ２ｅの整数部である）
    Figure JPOXMLDOC01-appb-M000016
      
    を計算する２のべき乗倍ステップと、
    　前記２のべき乗倍ステップで算出した前記ｈｋ，ｎ ｕｐｐｅｒと前記ｈｋ，ｎ ｌｏｗｅｒとを用いて、次式
    Figure JPOXMLDOC01-appb-M000017
      
    Figure JPOXMLDOC01-appb-M000018
      
    （Ｎｋは分類ｋの正規分布の混合数を示す）
    を計算する累積加算ステップと、
    　前記累積加算ステップによって算出した前記ｇｋ ｕｐｐｅｒ及び前記ｇｋ ｌｏｗｅｒを比較して、ｇ１ ｕｐｐｅｒ≦ｇ０ ｌｏｗｅｒと、ｇ０ ｕｐｐｅｒ≦ｇ１ ｌｏｗｅｒとによって前記観測データを分類する比較ステップと
    　をコンピュータに実行させることを特徴とする識別処理プログラム。
  8. 　前記ｇｋ ｕｐｐｅｒ及び前記ｇｋ ｌｏｗｅｒを比較して大小関係を判定できないとき、ｉの値（iは０，１…，L、ここでLは任意に設定した正の整数）をｉ＋１に更新し、ｚｋ，ｎｌｏｇ２ｅの小数部の小数点以下第ｉ位が１であるか、或いは０であるかを判断し、
    　前記小数点以下第ｉ位が１のとき、次式
    Figure JPOXMLDOC01-appb-M000019
      
    を前記ｈｋ，ｎ ｕｐｐｅｒに乗算しｈｋ，ｎ ｕｐｐｅｒを更新して前記ｇｋ ｕｐｐｅｒを計算し、
    　前記小数点以下第ｉ位が０のとき、次式
    Figure JPOXMLDOC01-appb-M000020
      
    を前記ｈｋ，ｎ ｌｏｗｅｒに乗算しｈｋ，ｎ ｌｏｗｅｒを更新して前記ｇｋ ｌｏｗｅｒを計算する洗練化処理ステップを備える
    　ことを特徴とする請求項７記載の識別処理プログラム。
  9. 前記ｉの値が前記Lのときには、次式
    Figure JPOXMLDOC01-appb-M000021
      
    を計算し、
    　ｇ１ ｐｓｅｕｄｏ＜ｇ０ ｐｓｅｕｄｏと、ｇ０ ｐｓｅｕｄｏ＜ｇ１ ｐｓｅｕｄｏとによって前記観測データを分類する平均値処理ステップを備える
    　ことを特徴とする請求項８記載の識別処理プログラム。
PCT/JP2009/050529 2008-01-23 2009-01-16 識別装置、識別方法及び識別処理プログラム WO2009093525A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2009550502A JP5112454B2 (ja) 2008-01-23 2009-01-16 識別装置、識別方法及び識別処理プログラム
US12/811,006 US8321368B2 (en) 2008-01-23 2009-01-16 Identification device, identification method, and identification processing program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2008012678 2008-01-23
JP2008-012678 2008-01-23

Publications (1)

Publication Number Publication Date
WO2009093525A1 true WO2009093525A1 (ja) 2009-07-30

Family

ID=40901033

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2009/050529 WO2009093525A1 (ja) 2008-01-23 2009-01-16 識別装置、識別方法及び識別処理プログラム

Country Status (3)

Country Link
US (1) US8321368B2 (ja)
JP (1) JP5112454B2 (ja)
WO (1) WO2009093525A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015156894A (ja) * 2014-02-21 2015-09-03 学校法人日本大学 医用画像処理装置、その医用目的領域抽出方法及び医用目的領域抽出処理プログラム
JP2016021880A (ja) * 2014-07-17 2016-02-08 国立大学法人 新潟大学 抗菌効果判定システム、抗菌効果判定方法及び抗菌効果判定プログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003187229A (ja) * 2001-12-14 2003-07-04 Nec Corp 顔メタデータ生成方法および装置、並びに顔類似度算出方法および装置
JP2005267570A (ja) * 2004-03-22 2005-09-29 Mitsubishi Electric Corp 車両認識方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7080011B2 (en) * 2000-08-04 2006-07-18 International Business Machines Corporation Speech label accelerators and techniques for using same
US6785645B2 (en) * 2001-11-29 2004-08-31 Microsoft Corporation Real-time speech and music classifier
KR100568237B1 (ko) * 2004-06-10 2006-04-07 삼성전자주식회사 비디오 영상으로부터 이동 물체를 추출하는 장치 및 방법
US7756341B2 (en) * 2005-06-30 2010-07-13 Xerox Corporation Generic visual categorization method and system
US8107541B2 (en) * 2006-11-07 2012-01-31 Mitsubishi Electric Research Laboratories, Inc. Method and system for video segmentation
US7933454B2 (en) * 2007-06-25 2011-04-26 Xerox Corporation Class-based image enhancement system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003187229A (ja) * 2001-12-14 2003-07-04 Nec Corp 顔メタデータ生成方法および装置、並びに顔類似度算出方法および装置
JP2005267570A (ja) * 2004-03-22 2005-09-29 Mitsubishi Electric Corp 車両認識方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHOGO MURAMATSU ET AL.: "Kukan Keisan ni yoru Kongo Gauss Bunpu Model no Kokateki Hanbetsuho", IEICE TECHNICAL REPORT, vol. 107, no. 475, 24 January 2008 (2008-01-24), pages 55 - 60 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015156894A (ja) * 2014-02-21 2015-09-03 学校法人日本大学 医用画像処理装置、その医用目的領域抽出方法及び医用目的領域抽出処理プログラム
JP2016021880A (ja) * 2014-07-17 2016-02-08 国立大学法人 新潟大学 抗菌効果判定システム、抗菌効果判定方法及び抗菌効果判定プログラム

Also Published As

Publication number Publication date
US8321368B2 (en) 2012-11-27
US20100287133A1 (en) 2010-11-11
JP5112454B2 (ja) 2013-01-09
JPWO2009093525A1 (ja) 2011-05-26

Similar Documents

Publication Publication Date Title
WO2022199583A1 (zh) 图像处理方法、装置、计算机设备和存储介质
CN114186632B (zh) 关键点检测模型的训练方法、装置、设备、存储介质
CN110197716B (zh) 医学影像的处理方法、装置及计算机可读存储介质
CN108230233A (zh) 数据增强、处理方法和装置、电子设备和计算机存储介质
EP2927864A1 (en) Image processing device and image processing method
US7136540B2 (en) Picture region extraction method and device
CN113988357B (zh) 基于深度学习的高层建筑风致响应预测方法及装置
CN111583274A (zh) 图像分割方法、装置、计算机可读存储介质及电子设备
CN111382791B (zh) 深度学习任务处理方法、图像识别任务处理方法和装置
CN112330671A (zh) 细胞分布状态的分析方法、装置、计算机设备和存储介质
EP4343616A1 (en) Image classification method, model training method, device, storage medium, and computer program
JP5112454B2 (ja) 識別装置、識別方法及び識別処理プログラム
CN113158860B (zh) 基于深度学习多维度输出人脸质量评估方法与电子设备
CN112070162A (zh) 多类别处理任务训练样本构建方法、设备及介质
CN116993577A (zh) 图像处理方法、装置、终端设备以及存储介质
CN113780555B (zh) 基于数据增强的模型训练方法、装置、设备及存储介质
CN115439916A (zh) 面部识别方法、装置、设备及介质
CN115712763A (zh) 基于人工智能和大数据的网络数据处理方法和平台
CN110889635B (zh) 一种用于对食品安全事件的处理进行应急演练的方法
CN114693697A (zh) 图像处理方法、装置、设备及计算机可读存储介质
WO2020040007A1 (ja) 学習装置、学習方法及び学習プログラム
CN113643219B (zh) 一种基于三光融合的图像成像方法及装置
Merzougui Multi-measures fusion based on multi-objective genetic programming for full-reference image quality assessment
CN115035395B (zh) 用于机场航站楼场景的安全分析装置方法及装置
CN115408552B (zh) 显示调整方法、装置、设备及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09704788

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2009550502

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 12811006

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 09704788

Country of ref document: EP

Kind code of ref document: A1