WO2010103848A1 - 画像識別子照合装置 - Google Patents

画像識別子照合装置 Download PDF

Info

Publication number
WO2010103848A1
WO2010103848A1 PCT/JP2010/001768 JP2010001768W WO2010103848A1 WO 2010103848 A1 WO2010103848 A1 WO 2010103848A1 JP 2010001768 W JP2010001768 W JP 2010001768W WO 2010103848 A1 WO2010103848 A1 WO 2010103848A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
image
quantized
quantization
dimension
Prior art date
Application number
PCT/JP2010/001768
Other languages
English (en)
French (fr)
Inventor
岩元浩太
大網亮磨
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to EP10750604.0A priority Critical patent/EP2360639B1/en
Priority to US13/131,798 priority patent/US8270724B2/en
Priority to KR1020117021098A priority patent/KR101398272B1/ko
Priority to CN201080011021.3A priority patent/CN102349091B/zh
Priority to JP2011503731A priority patent/JP4735783B2/ja
Publication of WO2010103848A1 publication Critical patent/WO2010103848A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Definitions

  • the present invention relates to an apparatus for collating images using an image identifier that is a feature amount for identifying an image (determining identity).
  • the image identifier is an image feature amount for identifying an image (determining identity). An image identifier extracted from one image is compared with an image identifier extracted from another image, and based on the comparison result, an identity scale (generally, similarity or distance indicating the degree to which the two images are identical) Can be calculated. Further, it is possible to determine whether or not two images are the same by comparing the calculated identity scale with a certain threshold value.
  • the two images are the same is not limited to the case where the two images are the same at the level of the image signal (the pixel values of the pixels constituting the image), but the conversion of the compression format (format) of the image, Image size / aspect ratio conversion, image tone adjustment, various image filtering (sharpening, smoothing, etc.), local processing of images (telop overlay, clipping, etc.), image recapturing
  • image recapturing The case where one image is a duplicated image of the other image by various modification processes such as. If an image identifier is used, for example, a copy of a moving image that is an image or a collection of images can be detected. Therefore, the image identifier can be applied to an illegal copy detection system for images or moving images.
  • FIG. 18 is a diagram illustrating an image identifier extraction method described in Patent Document 1.
  • This image identifier is a feature vector of a plurality of dimensions (16 dimensions in FIG. 18).
  • An average luminance value is calculated from 32 rectangular areas 244 (of which 16 rectangular areas are drawn in FIG. 18) at predetermined positions in the image 240, and between the paired rectangular areas (see FIG. 18, a pair of rectangular regions are connected by a dotted line 248), and a difference in average luminance value is calculated to obtain a 16-dimensional difference vector 250.
  • a composite vector is generated by vector conversion for the difference vector 250, and a 16-dimensional quantization index vector obtained by quantizing each dimension of the composite vector is used as an image identifier.
  • An image identifier composed of feature vectors of a plurality of dimensions has a higher level of identification capability that is the degree to which different images can be identified because the smaller the correlation between dimensions, the greater the amount of information that the feature vector has (smaller redundancy). Become.
  • the correlation between dimensions is the degree of similarity of occurrence of dimension features, and mathematically, for example, the phase between probability variables when occurrence of feature quantities of each dimension is a random variable. It is a value that can be calculated as the number of relations or mutual information. For this reason, it is desirable that the image identifier composed of feature vectors of a plurality of dimensions is designed so that the correlation between dimensions becomes small.
  • the image signal (pixel value of pixels constituting the image) has a correlation between the local regions of the image.
  • a specific image pattern repeatedly appears (especially when it appears in a regular cycle) (for example, an image of a building window arranged in a lattice pattern, see FIG. 19A) or In the case of an image composed of a specific texture (see FIG. 19B), the correlation between local regions of the image increases.
  • an image identifier composed of a feature vector composed of feature amounts extracted from a plurality of local regions of an image is an image with a large correlation between local regions of the image. Since the shape of the local region from which the feature value is extracted in the dimension is the same (in the example of Patent Document 1, a rectangular region having the same shape), the correlation between the dimensions of the extracted feature value becomes large. Therefore, there is a first problem that the identification ability of the image identifier (feature vector) is lowered.
  • the same shape means that the size and the angle (tilt or posture) of the region are the same.
  • Patent Document 1 describes an image in which a specific image pattern repeatedly appears (see FIG. 19A) or an image composed of a specific texture (see FIG. 19B). Image identifiers such as those described have poor identification capabilities.
  • An object of the present invention is to provide an image identifier collation apparatus that solves the above-described problem, that is, the collation accuracy is low when collation using an image identifier having a low discrimination ability, which is a degree capable of discriminating different images. is there.
  • An image identifier verification device extracts a region feature amount from each partial region of a plurality of partial region pairs in an image, and the two partial regions that form a pair for each partial region pair. Quantize the difference value of the region feature value and quantize it to a specific quantization value if the absolute value of the difference value is smaller than a specified value.
  • the image identifier of the first image and the image identifier of the second image, which are generated by the generation method, are set to be the specific quantization value. Collating means for collating in a method that reduces the element weight is provided.
  • the present invention is configured as described above, it is possible to accurately collate the first image and the second image by using an image identifier having a high identification capability that is a degree capable of identifying different images. In particular, this effect is remarkable for an image having a large correlation between local regions of the image.
  • FIG. 1 It is a figure which shows the comparison / quantization method information classified by dimension used in the 5th Embodiment and 6th Embodiment of this invention. It is a figure which shows the comparison / quantization method information classified by dimension used in the 5th Embodiment and 6th Embodiment of this invention. It is a figure which shows the comparison / quantization method information classified by dimension used in the 5th Embodiment and 6th Embodiment of this invention. It is a figure which shows the comparison / quantization method information classified by dimension used in the 5th Embodiment and 6th Embodiment of this invention. It is a figure which shows the extraction method of the image identifier described in patent document 1. FIG.
  • 5 is a graph illustrating an example of a monotonic non-increasing function f (D).
  • D monotonic non-increasing function
  • It is a block diagram of the collation means which collates a quantization index vector.
  • It is a flowchart which shows the process example of the collation means which collates a quantization index vector.
  • It is a flowchart which shows another example of a process of the collation means which collates a quantization index vector.
  • It is a flowchart which shows another example of a process of the collation means which collates a quantization index vector.
  • It is a flowchart which shows another example of a process of the collation means which collates a quantization index vector.
  • FIG. It is a figure which shows the other example of a process of the collation means which collates a quantization index vector. It is a figure which shows an example of the index provided with respect to 1024 blocks formed by dividing
  • FIG. It is a figure which shows the area
  • the image identifier extraction apparatus applies a feature vector (more specifically, a quantization index vector) composed of a plurality of dimensions to an input image.
  • a feature vector (more specifically, a quantization index vector) composed of a plurality of dimensions to an input image.
  • This is a system for outputting as an image identifier, and comprises a dimension determining means 1, an extraction area acquiring means 2, an area feature quantity calculating means 3, and a comparing means 4.
  • the dimension determining unit 1 determines the dimension of the feature vector to be extracted next and supplies it to the extraction region acquiring unit 2.
  • the dimension determining unit 1 sequentially supplies the dimension of the feature vector to be extracted, and the constituent elements after the extraction region acquiring unit 2 extract the feature amount corresponding to the supplied dimension.
  • the dimension determining unit 1 may sequentially supply the first dimension to the Nth dimension to the extraction region acquiring unit 2. If all dimensions of the feature vector are finally supplied, the order of the supplied dimensions may be arbitrary. Multiple dimensions may be supplied in parallel.
  • the extraction area acquisition means 2 is supplied with the dimension-specific extraction area information as an input separately from the dimension from the dimension determination means 1.
  • the dimension-specific extraction area information is information that indicates a pair of a first extraction area and a second extraction area that are associated with each dimension of the feature vector and that extract the feature quantity of that dimension. is there.
  • the first and second extraction regions have the following characteristics as essential conditions.
  • An essential condition for the first and second extraction regions is that the relative positions of the extraction region pairs are different among the dimensions, and that the combinations of the shapes of the extraction region pairs are different between the dimensions.
  • FIG. 2 shows an example of a pair of extraction areas for each dimension indicated by the dimension-specific extraction information that satisfies the above essential conditions.
  • the combination of the shapes of the pairs of extraction regions between dimensions is different.
  • the different shapes are congruent shapes with different angles (for example, the first extraction region of the first dimension in FIG. 2 and the first extraction region of the seventh dimension), or similar shapes with different sizes ( For example, the first dimension second extraction area and the ninth dimension second extraction area in FIG. 2 are also included.
  • the minimum condition is that at least one dimensional pair with a different combination of shapes of the extracted region pairs exists in all dimensions of the feature vector.
  • the more the dimensions of the extraction region pairs (combinations) are different from each other the more desirable. This is because the more the dimensions of the pair of extraction regions (combinations) are different from each other, the smaller the correlation between more dimensions of the feature vector and the higher the discrimination ability.
  • the shape (combination) of a pair of extraction regions may be different between all dimensions of the feature vector.
  • the first extraction region and the second extraction region in a certain dimension do not need to have the same shape as in the ninth dimension in FIG. 2, but are different in shape from other dimensions in FIG. May be. If the shapes of the first extraction region and the second extraction region in each dimension are different, the correlation between the feature amounts extracted from the first extraction region and the second extraction region is small, and the discrimination ability is high. This is desirable. In addition, since the possibility that the first extraction region and the second extraction region become a frequency blind spot with respect to the same frequency at the same time is reduced, the discrimination capability is increased.
  • each extraction area is arbitrary.
  • an arbitrary complicated shape such as the second extraction region of the sixth dimension in FIG. 2 may be used.
  • it may be a line segment or a curve, for example, as in the seventh dimension or the tenth dimension in FIG.
  • the extraction area is composed of a plurality of small areas that are not continuous, such as the first extraction area in the eighth dimension, the first and second extraction areas in the eleventh dimension, and the first extraction area in the twelfth dimension. It may be configured.
  • an extraction region having an arbitrarily complicated shape the correlation between dimensions of feature amounts extracted therefrom can be reduced, and the discrimination ability can be increased.
  • the first extraction region and the second extraction region may partially overlap. Further, either one of the extraction region pairs may be included in the other. In this way, by allowing duplication of pairs of extraction regions, more patterns of extraction region pairs (relative positions and distances) can be obtained, and therefore, the number of patterns that can reduce the correlation between dimensions can be increased. This increases the possibility of higher identification ability.
  • the extraction regions may partially overlap between the dimensions as in each dimension shown in FIG. 2.
  • the patterns of extraction area pairs that can be taken are limited.
  • FIG. 2 by allowing duplication in the extraction areas between dimensions, more patterns of extraction area pairs can be obtained, so that the number of patterns that can reduce the correlation between dimensions can be increased. , The possibility of higher discrimination ability increases. However, if there are too many extracted regions between dimensions, the correlation between dimensions increases, and the discrimination ability decreases, which is not desirable.
  • the extraction area should be such that when the extraction areas of all dimensions are integrated, the area where the feature amount is not extracted in the image becomes small (that is, covers almost the entire screen of the image). .
  • the extraction areas of all dimensions are integrated, the area from which no feature value is extracted in the image becomes small (that is, covers almost the entire screen of the image). Since more information contained in can be reflected in the feature amount, the discrimination ability can be increased.
  • the extraction regions of all dimensions are integrated, it is desirable that the extraction regions have no bias and are obtained uniformly from the entire image. However, if there is a high probability that local processing such as telop superimposition is performed on a specific area, it is desirable that the extraction area is acquired avoiding that area. In addition, since there are generally no image characteristic portions in the peripheral area such as the edge of the image, it is desirable that the extraction area is acquired avoiding the peripheral area.
  • the size and relative position (distance, direction) of the extraction region follow a constant distribution (for example, a uniform distribution).
  • a constant distribution for example, a uniform distribution.
  • the relative position (distance, direction) follows a uniform distribution, so there is no bias in the distance and direction, and there is no concentration in a specific distance or direction, so more diversity can be taken. Because. Also, the closer the relative position, the greater the correlation between the regions, so in order to cancel it, it is desirable that the closer the relative position, the larger the difference in shape.
  • the dimension-specific extraction area information may be information in any format as long as the first extraction area and the second extraction area for each dimension can be uniquely identified.
  • the dimension-specific extraction area information indicates the same extraction area for images of any size and aspect ratio.
  • the information must be in a format that can be obtained.
  • the dimension-specific extraction area information describes the position and shape of the extraction area of an image having a certain size and aspect ratio (for example, an image having a horizontal width of 320 pixels and a vertical width of 240 pixels). Also good.
  • the image is first resized to the specified size and aspect ratio, and then the position of the extraction region described in the dimension-specific extraction region information -
  • the extraction area may be specified according to the shape.
  • the extraction area may be specified by converting the position / shape of the extraction area described in the dimension-specific extraction area information in accordance with an input image having an arbitrary size and aspect ratio. .
  • Information indicating each extraction area included in the dimension-specific extraction area information constitutes an extraction area for an image having a certain size and aspect ratio (for example, an image having a horizontal width of 320 pixels and a vertical width of 240 pixels), for example. It may be information describing a set of coordinate values of all pixels.
  • the information indicating each extraction area included in the dimension-specific extraction area information may be, for example, information in which the position / shape of the extraction area is described as a parameter for an image having a certain size and aspect ratio. For example, when the shape of the extraction region is a rectangle, information describing the coordinate values of the four corners of the rectangle may be used. For example, when the shape of the extraction region is a circle, the coordinate value and radius value of the center of the circle may be used.
  • the pseudo random number seed (seed) is used as the extraction area information for each dimension, starting from the seed within the extraction area acquiring means 2, generating a pseudo random number, and generating an extraction area having a different shape according to the random number.
  • the four corners of a quadrangle are determined according to a random number.
  • the generated extraction area Since the extraction area is determined based on a random number, the generated extraction area has a different shape for each dimension. If the seeds of the pseudo random numbers are the same, the same random number sequence is generated every time (for any image), so the same extraction region is reproduced for different images.
  • the extraction region acquisition unit 2 acquires information indicating the first extraction region and the second extraction region corresponding to the dimension supplied from the dimension determination unit 1 from the extraction region information supplied by dimension supplied as an input, and performs extraction. This is supplied to the area representative value calculation means 3.
  • the region feature quantity calculation unit 3 is supplied with an image from which an image identifier is to be extracted as an input. Is done.
  • the area feature quantity calculation means 3 includes a first area feature quantity calculation means 31 and a second area feature quantity calculation means 32.
  • the area feature quantity calculation means 3 uses the first area feature quantity calculation means 31 to indicate the first extraction area supplied from the extraction area acquisition means 2 for each dimension from the image supplied as input. Based on the above, the feature amount of the first extraction region is calculated as the first region feature amount and supplied to the comparison means 4.
  • the area feature quantity calculation unit 3 uses the second area feature quantity calculation unit 32 to calculate the second extraction area supplied from the extraction area acquisition unit 2 for each dimension from the image supplied as input. Based on the indicated information, the feature amount of the second extraction region is calculated as the second region feature amount and supplied to the comparison unit 4.
  • the region feature amount calculation unit 3 may select the dimension by size as necessary. Resizes the image to the specified size and aspect ratio of the extraction area information.
  • the region feature amount calculation means 3 calculates the region feature amount of each extraction region using the pixel value of the pixel group included in each extraction region.
  • the pixel value is a value of a signal possessed by each pixel of the image, and is a scalar amount or a vector amount.
  • the pixel value is a luminance value (scalar amount).
  • the pixel value is a vector quantity representing a color component.
  • the color image is an RGB image
  • the pixel value is a three-dimensional vector amount of an R component, a G component, and a B component.
  • the color image is a YCbCr image
  • the pixel value is a three-dimensional vector amount of a Y component, a Cb component, and a Cr component.
  • the calculation method in the extraction region of the dimension is constant (the same calculation method for any input image). As long as it is).
  • the region feature amount to be calculated may be a scalar amount or a vector amount.
  • the pixel value is a scalar quantity such as a luminance value
  • the area feature quantity is calculated as the average value, median value, mode value, maximum value, minimum value, etc. of the pixel values included in the extraction area. (Both are scalar quantities).
  • the pixel value at the position of P% from the lower order of the permutation sorted in ascending order is, for example, Y (floor (N ⁇ P / 100)), and this value is calculated as the region feature amount of the extraction region.
  • Floor () is a function for truncating after the decimal point.
  • the region feature amount calculated by applying this formula (Y (floor (N ⁇ P / 100))) to the luminance value of the pixel included in the extraction region is referred to as a “percentile luminance value feature amount”. I will call it.
  • the area feature quantity may be calculated by the method described above after first converting them into a scalar quantity by an arbitrary method.
  • the region feature amount may be calculated by the method described above after first converting them into a luminance value that is a scalar amount.
  • an average vector of pixel values included in the extraction region may be used as the region feature amount.
  • an arbitrary calculation such as edge detection or template matching may be performed on the extraction region, and the calculation result may be used as the region feature amount.
  • the region feature amount may be a two-dimensional vector quantity representing the edge direction (gradient direction).
  • the edge direction may be a scalar amount that represents the degree of similarity with a certain template.
  • a color distribution included in the extraction region, an edge direction distribution, and a histogram representing the edge intensity distribution may be calculated as the region feature amount (all are vector amounts).
  • various feature quantities defined in the international standard ISO / IEC 15938-3 that is, Dominant Color, Color Layout, Scalable Color, Color Structure, EdgeHistogram, HomogeneousTexture, Strain. Shape 3D, Parametric Motion, Motion Activity and the like may be used.
  • the comparison unit 4 compares, for each dimension, the first region feature amount supplied from the region feature amount calculation unit 3 and the second region feature amount, and the quantization result obtained by quantizing the comparison result Output the index.
  • the comparison unit 4 outputs a quantization index for each dimension, so that finally a quantization index vector composed of a plurality of dimensions of the quantization index is output.
  • the comparison unit 4 can arbitrarily quantize the first region feature amount and the second region feature amount.
  • the number of quantization indexes per dimension is also arbitrary.
  • the comparison unit 4 compares the magnitudes, and if the first area feature quantity is larger, the quantization index is +1, otherwise In this case, the quantization index may be set to ⁇ 1, and quantization may be performed into binary quantization indexes of +1 and ⁇ 1.
  • the quantization index Qn of dimension n can be calculated by the following equation.
  • FIG. 3 shows a more detailed configuration diagram of the comparison unit 4 when the comparison unit 4 performs the comparison / quantization based on the above-described equation 1.
  • the comparison means 4 is composed of a magnitude comparison means 41 and a quantization means 42.
  • the size comparison means 41 compares the values of the first region feature value and the second region feature value.
  • the comparison result is supplied to the quantization means 42. That is, the magnitude comparison means 41 compares the magnitudes of Vn1 and Vn2, and quantifies information indicating whether the comparison result is Vn1> Vn2 or Vn1 ⁇ Vn2 as a magnitude comparison result.
  • the generating means 42 To the generating means 42.
  • the quantization means 42 performs quantization according to the expression 1 based on the magnitude comparison result supplied from the magnitude comparison means 41, and outputs a quantization index. That is, when information indicating that the comparison result is Vn1> Vn2 is supplied, the quantization unit 42 is supplied with information indicating that the quantization index is +1 and the comparison result is Vn1 ⁇ Vn2. , The quantization index is set to -1, and the quantization index is output.
  • comparison / quantization method A the comparison / quantization method based on Equation 1 is referred to as comparison / quantization method A.
  • the comparison unit 4 determines the first region feature amount and the first feature amount. 2 is regarded as a quantization index 0 indicating that there is no difference.
  • the size is compared, and if the first region feature is larger, the quantum The quantization index may be +1, otherwise the quantization index may be ⁇ 1, and the quantization index may be quantized to +1, 0, ⁇ 1.
  • the quantization index Qn of dimension n can be calculated by the following equation. .
  • FIG. 4 shows a more detailed configuration diagram of the comparison unit 4 when the comparison unit 4 performs the comparison / quantization based on the above-described Expression 2.
  • the comparison unit 4 includes a difference value calculation unit 43 and a quantization unit 44.
  • the quantization means 44 is supplied with a threshold value, which is information (quantization boundary information) indicating a quantization boundary, which is defined in advance, as an input.
  • the difference value calculation unit 43 calculates a difference value between the value of the first region feature value and the value of the second region feature value.
  • the calculated difference value is supplied to the quantization means 44. That is, the difference value calculation unit 43 calculates Vn1 ⁇ Vn2 and supplies the value to the quantization unit 44.
  • the quantization means 44 is based on the difference value supplied from the difference value calculation means 43 and a threshold value that is information (quantization boundary information) indicating a predetermined quantization boundary supplied as an input. Quantization is performed according to 2 and a quantization index is output. That is, the quantizing means 42 is based on the value of Vn1 ⁇ Vn2 supplied from the difference value calculating means 41 and the threshold value th supplied as input, in the case of
  • the quantization index is +1,
  • comparison / quantization method B the comparison / quantization method based on Equation 2 is referred to as comparison / quantization method B.
  • the quantization is performed into three values based on the difference value, but it may be quantized into a larger number (of levels) of quantization indexes according to the magnitude of the difference value.
  • the comparison means 4 has the configuration shown in FIG. 4, and the quantization means 44 has a plurality of threshold values as information (quantization boundary information) indicating the boundaries of quantization of each level specified in advance. Are supplied as inputs.
  • a comparison / quantization method that quantizes a quantization index of a plurality of levels of four or more levels based on the difference value and a plurality of threshold values supplied as input is referred to as a comparison / quantization method C. To.
  • the difference between the first region feature value and the second region feature value is small (below the prescribed threshold value)
  • a quantization index indicating that there is no difference is introduced.
  • the feature quantity (quantization index) of the pair of extracted areas with a small difference in area feature quantity is more stable, that is, more robust to various modification processes and noise. can do. Therefore, the difference in features between local regions is small overall, stable even for flat images with little overall change (for example, images of blue sky), that is, robust to various modification processes and noise, An image identifier (quantization index vector) can be output.
  • the comparison unit 4 may first convert the vector quantity into a scalar quantity by an arbitrary method and then perform quantization by the method described above ( This comparison / quantization method will be referred to as comparison / quantization method D). Further, for example, a difference vector that is a difference between the vector of the first extraction region and the vector of the second extraction region may be calculated, and the quantization index may be calculated by vector quantization of the difference vector. In this case, for example, a representative vector (centroid vector or the like) for each predetermined quantization index is supplied, and the quantization index having the largest similarity (the smallest distance) between the representative vector and the difference vector is used.
  • comparison / quantization method E this comparison / quantization method will be referred to as comparison / quantization method E.
  • this comparison / quantization method when the norm of the difference vector is equal to or smaller than a predetermined threshold, the difference between the first area feature quantity and the second area feature quantity is not found.
  • a quantization index 0 indicating that there is no difference
  • a quantization index indicating that there is no difference may be introduced.
  • the quantization index vectors output in the present invention are collated (the quantization index vector extracted from one image is compared with the quantization index vector extracted from another image, the images are identical).
  • the identity measure is calculated as the identity measure.
  • the identity measure can be compared with a threshold to determine the identity of the image.
  • the identity scale can be calculated as follows. First, the quantization index vectors of two images are compared between corresponding dimensions, and the number of dimensions whose “quantization index is not 0” is calculated (this value is assumed to be A). Next, the number of dimensions with the same quantization index is calculated in dimensions where “both quantization indexes are not 0” (this value is B). Then, the similarity is calculated as B / A.
  • A 0 (that is, when the quantization index is 0 for all dimensions), the similarity is set to a specified numerical value (for example, 0.5).
  • the identity measure (distance) is calculated as C / A. May be.
  • A 0 (that is, when the quantization index is 0 for all dimensions)
  • the identity measure (distance) is set to a specified numerical value (for example, 0.5).
  • Sequentially for each dimension determine whether the quantization index is ⁇ match / non-match ⁇ , calculate (increment) the value of the number of dimensions ⁇ match / non-match ⁇ the quantization index, and sequentially threshold Compare with.
  • the calculation can be aborted when the number of dimensions of the quantization index ⁇ matching / non-matching ⁇ exceeds the threshold value (because it is obvious that the number of dimensions exceeds the threshold value even if it is calculated further).
  • the identity scale (similarity) is calculated as B / A
  • the identity determination threshold value is larger than 0.5 (half)
  • the identity scale (distance) is C /.
  • the monotonic non-increasing function f (D) of D is a function that satisfies f (D1) ⁇ f (D2) with respect to D1 ⁇ D2.
  • a graph illustrating an example of f (D) with respect to D is shown in FIG. 20 (the horizontal axis is D and the vertical axis is f (D)).
  • f (D) does not need to be linear with respect to D as in the functions (i) and (ii), and as long as it is a monotonically non-increasing function of D, the functions (iii) and (iv) A non-linear function such as
  • the effect of calculating the identity scale as B / f (D) or C / f (D) using an arbitrary monotonic non-increasing function f (D) of D will be described below.
  • the quantization index 0 indicates that there is no difference between the values of the region feature values of the two extraction regions (below the threshold value) with reference to Equation 2.
  • a quantization index 0 tends to occur frequently (for example, the whole area).
  • a dimension whose quantization index is 0 is It is considered that the effectiveness in determining the identity of images is low.
  • the quantization index vectors of the two images being compared, and the dimension where the “quantization index is both 0” is less effective in determining the identity by comparing the quantization index vectors of the two images. It can be considered a dimension.
  • B and C exclude dimensions where the effectiveness of both “quantization index is 0” and exclude the dimensions where the effectiveness is “both quantization index is 0”. It is calculated as the number (B) or the number of dimensions (C) in which the quantization indexes do not match.
  • f (D) normalizes the values of B and C according to the number of dimensions where “both quantization indexes are 0”, that is, the number of dimensions with low effectiveness (the larger D is, the more A is Since it becomes smaller and the values of B and C become smaller, normalization is performed with a function that does not increase monotonously with respect to D).
  • the normalization function an arbitrary monotonic non-increasing function, it is possible to adjust (control) the behavior of the identity scale, and to optimize it according to the image database that performs identity determination and the application There is an effect that can be.
  • the method of calculating the identity measure described in the previous paragraph excludes dimensions that have low effectiveness, both of which have a quantization index of 0, and has high effectiveness, dimensions of which both have a quantization index that is not 0.
  • An identity scale was calculated for However, the monotonous non-decreasing function g (D) with respect to D which is the number of dimensions having “both quantization index 0” is not excluded without completely excluding the dimension having low effectiveness “both quantization index 0”.
  • the identity scale may be calculated as (B / f (D)) + g (D).
  • B / f (D) in the first half is an identity measure calculated from a dimension having high effectiveness “both quantization index is not 0”, and g (D) in the latter half is low in effectiveness “both quantization. It is an identity measure calculated from the dimension whose index is “0”, and the overall identity measure is defined as the sum thereof.
  • the identity scale can be calculated in the form of increasing the weight of B / f (D).
  • the identity scale may be calculated as (B / f (D)) + ⁇ ⁇ D using a small weight value ⁇ .
  • the identity scale may be calculated as ⁇ ⁇ B + ⁇ ⁇ D.
  • the dimension (number) of “both quantization index is 0” and the dimension (number) of “both quantization index is 0” in paragraphs 0062 to 0065 are respectively set to “any one quantization. It may be read as a dimension (number) whose index is 0 and a dimension (number) whose one quantization index is not 0.
  • the collation method (calculation method of identity measure) described in paragraphs 0062 to 0066 is described as a case where the quantization index is calculated based on equation 2, the quantization index is calculated based on equation 2.
  • the comparison means 4 is not limited to the case where the difference is made between the first area feature quantity and the second area feature quantity, which are the feature quantities of the two extraction areas (the first extraction area and the second extraction area). If a quantization method that introduces a quantization index indicating that there is no difference (the difference is small and the difference is equal to or less than a predetermined threshold value) is used, the method can be applied.
  • the quantization index 0 in the paragraphs 0062 to 0066 is set to “quantization representing that there is no difference between the first area feature quantity and the second area feature quantity (the difference is small, the difference is equal to or less than a predetermined threshold value). It can be interpreted as “index”.
  • an image identifier matching device having the matching means as a component is configured. can do.
  • the collating unit compares the quantization index vector of the first image output from the comparing unit 4 with the quantization index vector of the second image, calculates an identity measure, and outputs it.
  • the image identifier verification device can also include identity determination means in addition to verification means.
  • the identity determination means compares the sameness measure supplied from the collation means with a predetermined threshold value to determine whether the first image and the second image are the same, and the determination Output the result.
  • the extraction area acquisition means 2 acquires information indicating the first extraction area and the second extraction area of the dimension n from the dimension-specific extraction area information supplied as input, and the area feature amount calculation means 3 (Step A2).
  • the area feature quantity calculating means 3 calculates a first area feature quantity and a second area feature quantity of dimension n from the image supplied as input, and supplies them to the comparison means 4 (step A3). ).
  • the comparison unit 4 compares the first region feature value of dimension n with the second region feature value, quantizes the comparison result, and outputs a quantization index (step A4).
  • step A5 it is determined whether or not the output of the quantization index has been completed for all dimensions (that is, whether n ⁇ N is true or false) (step A5).
  • the process ends.
  • the output of the quantization index is not completed for all dimensions (that is, when n ⁇ N is true)
  • the process proceeds to step A6.
  • extraction processing is performed in order from dimension 1 to dimension N, but the order is not limited to this and may be arbitrary.
  • extraction processing for a plurality of dimensions may be performed in parallel.
  • the first effect is that it is possible to increase the identification ability, which is the degree to which different images can be identified, of image identifiers composed of feature vectors composed of a plurality of dimensions. In particular, this effect is remarkable for an image having a large correlation between local regions of the image.
  • the second effect is that the discrimination ability does not deteriorate even for an image in which signals are concentrated at a specific frequency.
  • the shape of the region from which features are extracted differs between dimensions (the shape of the region is diverse), so even for images where signals are concentrated at a specific frequency, This is because there is no difference in feature quantity between (many) extraction area pairs (dimensions), and it is difficult for occurrence of a reduction in discrimination ability.
  • the second embodiment of the present invention is different in that the comparison means 4 in the first embodiment shown in FIG. 1 is replaced with a comparison means 4A shown in detail in FIG. Other than the comparison unit 4A is the same as that of the first embodiment, and thus the description thereof is omitted here.
  • the comparison unit 4 ⁇ / b> A includes a difference value calculation unit 43, a quantization boundary determination unit 45, and a quantization unit 44.
  • the difference value calculation unit 43 calculates a difference value between the first region feature amount and the second region feature amount supplied from the region feature amount calculation unit 3 for each dimension, and the quantization boundary determination unit 45 To the quantizing means 44.
  • the difference value is, for example, a scalar obtained by subtracting the second region feature amount (or vice versa) from the first region feature amount when the region feature amount is a scalar amount (for example, an average value of luminance values). Amount. Further, when the region feature amount is a vector amount, for example, each vector may be converted into a scalar amount by an arbitrary method, and then the difference value of the scalar amount may be obtained. When the region feature amount is a vector amount, a difference vector between the first region feature amount and the second region feature amount may be used as a difference value (vector amount).
  • the quantization boundary determination unit 45 determines the quantization boundary based on the distribution of the difference values of all the dimensions. Then, the information on the determined quantization boundary is supplied to the quantization means 44.
  • the distribution of difference values in all dimensions is the frequency (probability) of occurrence with respect to the difference value (or difference vector).
  • the determination of the quantization boundary means that, when the difference value is quantized, a parameter to be assigned exclusively to the quantization index is determined without omission.
  • the difference value is a scalar quantity, for example, a value range (that is, a threshold value) for each quantization index (quantization level) is determined, and the value range (threshold value) is supplied to the quantization unit 43 as quantization boundary information.
  • the difference value is a vector quantity
  • a parameter for performing vector quantization for example, a representative vector (such as a centroid vector) of each quantization index is determined, and quantization means is used as information on the quantization boundary. 44.
  • the quantization range (threshold value) may be determined so that the ratios of the respective quantization indexes to all dimensions are uniform.
  • a constant ⁇ is used.
  • the quantization index is +1
  • the center point of the difference value distribution (the point at which the integrated values of the left and right distributions are equal) is determined as the quantization threshold ⁇ so that the ratios of the quantization indexes +1 and ⁇ 1 are equal. Also good.
  • the difference value is a vector quantity
  • the ratios of the respective quantization indexes to all dimensions are made uniform based on the distribution of the difference vectors of all dimensions.
  • a vector space region allocated to each quantization index may be determined, or a representative vector (such as a centroid vector) of each quantization index when performing vector quantization may be determined.
  • a representative vector such as a centroid vector
  • the entropy can be increased by equalizing the ratio of the quantization index to all dimensions (that is, eliminating the bias of the quantization index). can do.
  • the quantization boundary determination unit 45 determines the quantization boundary so that the ratio of the quantization index to all dimensions is uniform, and the quantization unit 44 performs quantization based on the comparison / quantization method. This is referred to as comparison / quantization method F.
  • the quantization boundary determination unit 45 performs the difference when the difference value is a scalar quantity and the ternary quantization is performed according to the above-described equation 2 (quantization index is +1, 0, ⁇ 1).
  • Threshold value th when quantizing to quantization index 0 indicating that there is no is determined based on the distribution of difference values in all dimensions.
  • the threshold th may be supplied to the quantization means 44 (in the comparison means 4 of FIG. 4 of the first embodiment, this threshold th is defined in advance).
  • the absolute values of the difference values of all dimensions are calculated, the absolute values of the calculated difference values are sorted, and a specified ratio (note that the specified ratio is supplied as an input, for example, from the upper or lower order)
  • the comparison / quantization method will be referred to as comparison / quantization method G).
  • the threshold th may be determined so that the ratios of the quantization indexes of +1, 0, and -1 approach each other instead of the prescribed ratio (this comparison / quantization method is compared with the comparison / quantization method H). I will call it).
  • the comparison / quantization method H corresponds to a specific example of the comparison / quantization method F in the case of following Formula 2.
  • Floor () is a function for truncating after the decimal point.
  • the method in the present embodiment can be compared with the case in which the comparison unit 4 in the first embodiment has the configuration of FIG.
  • a predetermined threshold th is supplied as an input, whereas the above-described method in the second embodiment is performed by the quantization boundary determining unit 45.
  • the threshold th is adaptively calculated for the image. As described above, the threshold th is fixed in the first embodiment, and the threshold th is adaptively calculated for the image in the second embodiment.
  • the threshold th By calculating the threshold th adaptively for the image, the dimension value of the feature vector is biased toward a specific quantization index (when the specific quantization index is Since the appearance probability is high (especially for an image with few undulations), the discrimination ability can be increased. For example, when the fixed threshold th in the first embodiment is used, an image with few undulations has the majority (or all dimensions) of the feature vector having a quantization index of 0. On the other hand, when the adaptive threshold value th in the second embodiment is used, the threshold value th is automatically adjusted to a small value for an image with few undulations. There is no situation where the index becomes zero.
  • the quantization unit 44 performs quantization for each dimension based on the difference value for each dimension supplied from the difference value calculation unit 43 and the quantization boundary information supplied from the quantization boundary determination unit 45. , Output quantization index.
  • the quantization means 44 is meaningless if the quantization boundary information outputted from the quantization boundary determination means 45 is ignored, and the quantization boundary determination means 45 determines the quantization boundary. It is necessary to follow the quantization method assumed in the above.
  • the extraction region acquisition unit 2 acquires information indicating the first extraction region and the second extraction region of the dimension n from the extraction region information by dimension supplied as input, and the extraction region representative value calculation unit 3 (step B2).
  • the extracted area representative value calculation unit 3 calculates the first area feature quantity and the second area feature quantity of the dimension n from the image supplied as input, and supplies them to the difference value calculation unit 43. (Step B3).
  • the difference value calculation unit 43 calculates a difference value between the first region feature amount and the second region feature amount of the dimension n, and supplies the difference value to the quantization boundary determination unit 45 and the quantization unit 44. (Step B4).
  • step B5 it is determined whether or not the processing up to the calculation of difference values for all dimensions has been completed (that is, whether n ⁇ N is true or false) (step B5).
  • the process proceeds to step B7. If the processing for all dimensions has not been completed (that is, if n ⁇ N is true), the process proceeds to step B6.
  • extraction processing is performed in order from dimension 1 to dimension N, but the order is not limited to this and may be arbitrary.
  • the quantization boundary determination means 45 performs quantization based on the distribution of the difference values of all dimensions.
  • the boundary is determined, and information on the determined quantization boundary is supplied to the quantization means 44 (step B7).
  • the quantization means 44 performs quantization based on the difference value of the dimension n and the quantization boundary supplied from the quantization boundary determination means 45, and outputs a quantization index (step B9).
  • step B10 it is determined whether or not the output of quantization indexes for all dimensions has been completed (that is, whether n ⁇ N is true or false) (step B10).
  • the process ends.
  • the output of the quantization index for all dimensions is not completed (that is, when n ⁇ N is true)
  • the process proceeds to step B11.
  • quantization processing is performed in order from dimension 1 to dimension N, but the order is not limited to this and may be arbitrary.
  • the quantization boundary is calculated adaptively (dynamically) with respect to the image. Different.
  • the dimension value of the feature vector is set to a specific quantum for a specific image (for example, a flat image with few undulations).
  • the index is biased toward a specific index (the probability of occurrence of a specific quantization index is high) (entropy is low), and a problem arises in that the discrimination ability of these images is reduced.
  • the quantization boundary is adaptively (dynamically) calculated for the image, so that the dimension value of the feature vector for any image becomes Since it can suppress that it is biased to a specific quantization index (the appearance probability of a specific quantization index is high), the identification capability can be increased.
  • a region feature quantity calculation method acquisition unit 5 is added to the configuration of the first embodiment shown in FIG. Is different in that it is replaced with a region feature amount calculation unit 3A having first and second region feature amount calculation units 31A and 32A. Since the other configuration is the same as that of the first embodiment, the description thereof is omitted here. In addition, although it demonstrated as a combination with 1st Embodiment here, the combination with 2nd Embodiment may be sufficient.
  • the area feature quantity calculation method acquisition means 5 is supplied with the dimensions from the dimension determining means 1 and the dimension-specific area feature quantity calculation method information.
  • the area feature value calculation method information for each dimension is information indicating a calculation method of the area feature value in the dimension, which is associated with each dimension of the feature vector defined in advance. Is a necessary condition.
  • the difference in the region feature amount calculation method includes a case where different parameters (threshold value, etc.) are applied to the same procedure.
  • the region feature amount calculation method is, for example, various methods described in the description of the region feature amount calculation means 3 of the first embodiment, and parameters associated therewith.
  • the region feature amount calculation method for each dimension indicated by the region feature amount calculation method information for each dimension is such that at least one pair of different dimension of the region feature amount calculation method exists in all dimensions of the feature vector. It is a condition. It is desirable that there are more dimensions in which the region feature quantity calculation methods are different from each other. This is because as the area feature quantity calculation method has more different dimensions, the correlation between more dimensions of the feature vector becomes smaller and the discrimination ability becomes higher. For example, the region feature amount calculation method may be different between all dimensions of the feature vector.
  • the format of the information indicating the region feature value calculation method for each dimension may be any format as long as the method for calculating the region feature value is uniquely specified.
  • FIG. 9 shows an example of a region feature amount calculation method for each dimension.
  • the region feature quantity calculation method differs between dimensions.
  • the feature quantity of the scalar quantity and the vector quantity may be mixed (the first, third, fifth, sixth, eighth, ninth, tenth and twelfth dimensions are the scalar quantity, the second quantity). 4, 7 and 11 dimensions are vector quantities).
  • the area feature quantity calculation method acquisition means 5 acquires information indicating the area feature quantity calculation method corresponding to the dimension supplied from the dimension determination means 1 from the dimension-specific area feature quantity calculation method information supplied as input. It is supplied to the feature amount calculation means 3A.
  • the area feature quantity calculation means 3A is based on information indicating the first extraction area and the second extraction area supplied from the extraction area acquisition means 2 for each dimension from the image supplied as input. According to the information indicating the region feature amount calculation method supplied from the calculation method acquisition unit 5, the feature amount of the first extraction region and the feature amount of the second extraction region are respectively set to the first region feature amount and the second region feature amount. And is supplied to the comparison means 4.
  • the dimension of information indicating the extraction area to be supplied and the dimension of information indicating the area feature quantity calculation method are synchronized.
  • the dimension (number) of the feature vector is represented by n, and there are a total of N dimensions from 1 to N.
  • the extraction region acquisition unit 2 acquires information indicating the first extraction region and the second extraction region of the dimension n from the dimension-specific extraction region information supplied as input, and the region feature amount calculation unit 3A. (Step C2).
  • the region feature amount calculation method acquisition unit 5 acquires information indicating the region feature amount calculation method corresponding to the dimension n from the dimension-specific region feature amount calculation method information supplied as an input, and the region feature amount calculation unit Supply to 3A (step C3).
  • the area feature quantity calculating means 3A calculates a first area feature quantity and a second area feature quantity of dimension n from the image supplied as input, and supplies them to the comparison means 4 (step C4). ).
  • the comparison unit 4 compares the first area feature quantity of the dimension n with the second area feature quantity, quantizes the comparison result, and outputs a quantization index (step C5).
  • it is determined whether or not the output of the quantization index has been completed for all dimensions step C6). If the output of the quantization index is completed for all dimensions, the process ends. If the output of the quantization index has not been completed for all dimensions, the process proceeds to step C7.
  • extraction processing is performed in order from dimension 1 to dimension N, but the order is not limited to this and may be arbitrary.
  • extraction processing for a plurality of dimensions may be performed in parallel.
  • step C2 and step C3 may be reversed.
  • the comparison method acquisition means 6 is added to the configuration of the first embodiment shown in FIG. 1, and the comparison means 4 is replaced with the comparison means 4B. It is different in point. Since the other configuration is the same as that of the first embodiment, the description thereof is omitted here. In addition, although it demonstrated as a combination with 1st Embodiment here, the combination with 2nd Embodiment and 3rd Embodiment may be sufficient.
  • the comparison method acquisition means 6 is supplied with the dimensions from the dimension determination means 1 and the comparison method information for each dimension.
  • the comparison / quantization method information for each dimension is information indicating a method for performing quantization by comparing region feature quantities in the dimensions associated with each dimension of the feature vector defined in advance. It is an essential condition that the comparison and quantization methods are different.
  • different comparison / quantization methods include the case where different parameters (threshold, number of quantization indexes, etc.) are applied to the same procedure.
  • the comparison / quantization method refers to, for example, various comparison / quantization methods described in the description of the comparison unit 4 of the first embodiment, parameters associated therewith (threshold value, number of quantization indexes, etc.), These are various comparison / quantization methods described in the description of the comparison means 4A of the second embodiment, and accompanying parameters (threshold, number of quantization indexes, etc.).
  • the comparison / quantization method for each dimension indicated by the comparison / quantization method information for each dimension is such that at least one pair of different dimensions of the comparison / quantization method exists in all dimensions of the feature vector. It is a condition. The more dimensions the comparison and quantization methods are different from each other, the better. This is because as the comparison / quantization method has more different dimensions, the correlation between more dimensions of the feature vector becomes smaller and the discrimination ability becomes higher. For example, the comparison / quantization method may be different between all dimensions of the feature vector.
  • the format of the information indicating the comparison / quantization method for each dimension may be any format as long as the method of comparing and quantizing the region feature quantities is uniquely specified.
  • FIG. 12 shows an example of a comparison / quantization method for each dimension.
  • the comparison / quantization method differs between dimensions.
  • different parameters may be set by the same comparison / quantization method as in the third, fifth, and twelfth dimensions.
  • the example of the comparison / quantization method for each dimension shown in FIG. 12 corresponds to the example of the region feature value calculation method for each dimension shown in FIG.
  • the comparison / quantization method of scalar quantities is shown
  • the comparison / quantization method of vector quantities is shown as an example for region feature quantities of vector quantities.
  • the comparison method acquisition unit 6 acquires information indicating the comparison / quantization method corresponding to the dimension supplied from the dimension determination unit 1 from the dimension-specific comparison / quantization method information supplied as an input, and sends the information to the comparison unit 4B. Supply.
  • the comparison unit 4B compares, for each dimension, the first region feature amount and the second region feature amount supplied from the region feature amount calculation unit 3 and a comparison / quantization method supplied from the comparison method acquisition unit 6. Are compared and quantized according to the information indicating the output, and a quantization index is output.
  • the comparison unit 4B may be configured to include both the comparison unit 4 of the first embodiment and the comparison unit 4B of the second embodiment as necessary. .
  • the comparison means 4B needs to synchronize the dimension of the supplied region feature quantity with the dimension of the information indicating the comparison / quantization method.
  • the extraction area acquisition means 2 acquires information indicating the first extraction area and the second extraction area of the dimension n from the dimension-specific extraction area information supplied as input, and the area feature amount calculation means 3 (Step D2).
  • the comparison method acquisition unit 6 acquires information indicating the comparison / quantization method corresponding to the dimension n from the dimension-specific comparison / quantization method information supplied as an input, and supplies the information to the comparison unit 4B (step). D3).
  • the area feature quantity calculating means 3 calculates the first area feature quantity of the dimension n and the second area feature quantity from the image supplied as input, and supplies them to the comparison means 4B (step D4). ).
  • the comparison unit 4B compares the first area feature quantity of the dimension n and the second area feature quantity, quantizes the comparison result, and outputs a quantization index (step D5).
  • it is determined whether or not the output of the quantization index has been completed for all dimensions step D6). If the output of the quantization index is completed for all dimensions, the process ends. If the output of the quantization index has not been completed for all dimensions, the process proceeds to step D7.
  • extraction processing is performed in order from dimension 1 to dimension N, but the order is not limited to this and may be arbitrary. In addition to this processing procedure, extraction processing for a plurality of dimensions may be performed in parallel. Furthermore, the order of step D2 and step D3 may be reversed, and step D3 may be executed immediately before step D5.
  • the image identifier extraction device of the present invention can be realized by a computer and a program as well as by realizing the functions of the image identifier extraction device in hardware.
  • the program is provided by being recorded on a computer-readable recording medium such as a magnetic disk or a semiconductor memory, and is read by the computer at the time of starting up the computer, etc.
  • dimensional determination means extraction area acquisition means, area feature quantity calculation means, comparison means, area feature quantity calculation method acquisition means, and comparison method acquisition means.
  • the feature vector to be extracted has 300 dimensions (from the first dimension to the 300th dimension).
  • each dimension extraction area is composed of quadrangular shapes.
  • FIG. 14 shows dimension-specific extraction region information supplied as an input to the extraction region acquisition means 2 in the fifth embodiment.
  • FIG. 14 shows the XY coordinate values of the four corners of the extraction area (first extraction area and second extraction area) for each dimension with respect to an image size of 320 pixels wide ⁇ 240 pixels long, which is a prescribed image size. Indicates.
  • the extraction area of the first dimension is configured by a rectangle having four corners with coordinate values (262.000,163.000), coordinate values (178.068,230.967), coordinate values (184.594,67.411), and coordinate values (100.662,135.378).
  • a first extraction area and a first rectangle composed of four corners with coordinate values (161.000,133.000), coordinate values (156.027,132.477), coordinate values (164.240,102.170), and coordinate values (159.268,101.647) It consists of an extraction area.
  • An extraction area for each dimension is an area surrounded by the coordinate values of the four corners of an image normalized to an image size of 320 pixels wide by 240 pixels wide. It is a set of pixels with integer coordinate values included in. However, negative coordinate values included in the region surrounded by the coordinate values at the four corners are not included in the extraction region.
  • FIG. 15 shows the dimension-specific region feature value calculation method information supplied as an input to the region feature value calculation method acquisition unit 5 in the fifth embodiment.
  • the average value of the luminance values of the pixel groups included in each extraction region is This is a region feature amount.
  • FIG. 17 shows dimension-specific comparison / quantization method information supplied as an input to the comparison method acquisition unit 6 in the fifth embodiment.
  • the comparison / quantization method B or the comparison / quantization method G is used for each dimension, and the parameter values are different for each dimension.
  • the feature vector to be extracted has 300 dimensions (from the first dimension to the 300th dimension).
  • the information shown in FIG. 14 is used as dimension-specific extraction region information supplied as an input to the extraction region acquisition means 2 as in the fifth embodiment.
  • the information shown in FIG. 17 is used as the dimension-specific comparison / quantization method information supplied as an input to the comparison method acquisition unit 6 as in the fifth embodiment.
  • FIG. 16 shows the dimension-specific region feature value calculation method information supplied as an input to the region feature value calculation method acquisition unit 5 in the sixth embodiment.
  • the average value of the luminance values of the pixel groups included in the extraction region (the first extraction region and the second extraction region) or the percentile luminance value feature amount is used for each dimension. Even when the same percentile luminance value feature value is used, the feature value is different for each dimension.
  • the first dimension is an average value of luminance values of pixels included in the extraction region.
  • the fourth dimension is a percentile luminance value feature amount, Y (floor (N ⁇ 20.0 / 100).
  • the eighth dimension is a percentile luminance value feature amount, Y (floor (N ⁇ 80.0 / 100). 100).
  • the feature vector to be extracted has 325 dimensions (from the first dimension to the 325th dimension).
  • each area is configured by a combination of 1024 blocks that are obtained by dividing an image in the vertical direction 32 and the horizontal direction 32.
  • an index starting from 0 is assigned to each block in order from the upper left, and an area is described using this index.
  • the rectangular area is expressed as ab using the index a of the upper left block and the index b of the lower right block.
  • a rectangle composed of four blocks with indexes 0, 1, 32, and 33 is described as 0-33.
  • 2-67 is an area formed by connecting a rectangle defined by 0-33 and a rectangle defined by 2-67, that is, block numbers 0, 1, 2, 3, 32, An area composed of 33, 34, 35, 66, and 67 is shown.
  • FIG. 28 shows a region corresponding to each dimension of the seventh embodiment by this notation.
  • the region type is a grouping (typing) of regions having similar region patterns determined by a combination of relative positions and shapes between the first and second extraction regions.
  • first and second extraction regions are both rectangles consisting of 4 vertical blocks and 2 horizontal blocks, or rectangles consisting of 2 vertical blocks and 4 horizontal blocks.
  • the relative positional relationship between the first and second extraction regions is viewed, they exist at adjacent positions so that the long sides of the rectangle overlap each other.
  • the shape of the first and second extraction regions is a shape in which two squares each having two vertical and horizontal blocks are arranged on a diagonal of 45 degrees or 135 degrees so as to share one vertex.
  • the two squares constituting the second area are present at positions immediately adjacent to the left and below the upper left square of the first area. .
  • the shapes of the first and second extraction regions are both squares composed of 10 blocks vertically and horizontally. Further, when looking at the relative positional relationship between the first and second extraction regions, they exist at positions separated by an integral multiple of 10 blocks both vertically and horizontally.
  • the first and second extraction regions are both squares of 6 blocks in length and width. Further, when looking at the relative positional relationship between the first and second extraction regions, they exist at positions separated by an integral multiple of 6 blocks both vertically and horizontally.
  • first and second extraction areas two areas formed by dividing a square area into a central square and two outside thereof are defined as first and second extraction areas.
  • the shape of the region is such that the second extraction region is a central square, and the first square is a shape obtained by hollowing out the second extraction region from the entire square. Further, when the relative positional relationship of the regions is viewed, the second extraction region exists at the position of the center hole of the first extraction region.
  • the shape of the area is as follows: the first extraction area is 6 blocks long, the rectangle is 10 blocks wide, the second extraction area is 10 blocks long, It is a 6-block rectangle. Further, when the relative positional relationship between the first and second extraction regions is viewed, the center positions are arranged to coincide with each other.
  • a rectangle consisting of 4 vertical blocks and 12 horizontal blocks, or a rectangle consisting of 12 vertical blocks and 4 horizontal blocks, is divided into three equal parts. This corresponds to the case where the center square formed and the other two regions are the first and second extraction regions.
  • the shape of the region is such that the first extraction region is a shape in which two squares composed of 4 blocks in length and width are arranged 4 blocks apart vertically or horizontally, and the second extraction region is a square composed of 4 blocks in length and width. is there.
  • a second extraction area exists between the first extraction areas.
  • region types in FIGS. 28-a, 28-b, 28-c, 28-d, 28-e, 28-f, and 28-g are respectively referred to as region type a, region type b, These will be referred to as region type c, region type d, region type e, region type f, and region type g.
  • the average luminance value is calculated as the region feature amount, and the feature amount in each dimension is calculated.
  • a value extracted by the above-described various extraction methods such as median or maximum value instead of the average of luminance values may be obtained as the region feature amount.
  • the index corresponding to the threshold is 37.
  • indexes corresponding to threshold values can be obtained for other region types. This is shown in FIG. In this way, when the threshold value is determined for each region type, the probability of occurrence of 0, 1, and ⁇ 1 in each dimension can be made uniform as compared with the case where the threshold value is determined as a whole, and the discrimination ability is improved.
  • the quantization may be performed by the other various quantization methods described above.
  • a representative value for example, an average value of luminance values of pixels in a block
  • an area feature amount is extracted therefrom. You may do it.
  • region type has symmetry as a whole. For this reason, even when the right and left of the image are inverted or the image is inverted up and down, by appropriately changing the correspondence and sign of the dimensions, the feature amount extracted from the image that is horizontally or vertically inverted is also used. The image feature amount can be restored. For this reason, it becomes possible to collate with an image that is reversed left and right or up and down.
  • collating means for collating the quantization index vector output in the present invention will be described with reference to a block diagram.
  • FIG. 21 there is shown a block diagram of the collating means 100 for collating the quantized index vectors output in the present invention.
  • the dimension determining means 101 is connected to the quantized value acquiring means 102 and 103 and outputs the determined dimension information.
  • the quantized value acquiring unit 102 acquires the quantized index value of the dimension input from the dimension determining unit 101 from the first quantized index vector, and outputs it to the scale calculating unit 104 as the first quantized index value.
  • the quantization value acquisition unit 103 acquires the dimension quantization index value input from the dimension determination unit 101 from the second quantization index vector, and outputs it to the scale calculation unit 104 as the second quantization index value.
  • the scale calculation means 104 calculates and outputs a scale representing identity from the first and second quantization index values output from the quantized value acquisition means 102 and 103, respectively.
  • the collation unit 100 receives a first quantization index vector that is a quantization index vector extracted from the first image and a second quantization that is a quantization index vector extracted from the second image. An index vector is input. The input first and second quantization index vectors are input to the quantized value acquisition means 102 and 103, respectively.
  • Dimension information output from the dimension determining means 101 is also input to the quantized value acquisition means 102 and 103.
  • the dimension determining unit 101 sequentially outputs information specifying each dimension of the quantization index vector which is an N-dimensional vector.
  • the order of output does not necessarily increase one by one from 1 to N, and any order may be used as long as the dimensions from 1 to N are specified without excess or deficiency.
  • the quantized value acquisition means 102 and 103 acquire the quantization index value of the dimension specified by the dimension information output from the dimension determination means 101 from the input quantization index vector. Then, the acquired quantization index value is output to the scale calculation means 104.
  • the scale calculation unit 104 compares the first quantization index value output from the quantization value acquisition unit 102 with the second quantization index value. This comparison is performed for each dimension, and a similarity measure (or distance measure) between the first and second quantization index vectors is calculated as an identity measure.
  • the obtained identity scale value is compared with a predetermined threshold value to determine identity.
  • identity scale is a scale representing similarity, it is determined that they are the same when the scale value is equal to or greater than a threshold value.
  • identity scale is a scale representing a distance, it is determined that they are the same when the scale value is equal to or smaller than a threshold value.
  • FIG. 22 is a flowchart showing the operation of the verification unit 100.
  • the dimension (number) of the quantization index vector is represented by n, and there are a total of N dimensions from 1 to N.
  • a variable for calculating the similarity is represented by B.
  • the quantized value acquisition means 102 and 103 the first quantized index value and the second quantized index value of the dimension n are obtained from the first quantized index vector and the second quantized index vector. It is acquired and supplied to the scale calculation means 104 (step S102).
  • the scale calculation means 104 calculates the similarity ⁇ B between the feature amounts corresponding to the respective quantization indexes from the first quantization index value and the second quantization index value (step S104). .
  • the representative value of the feature value before quantization may be calculated from the quantization index, and a value that increases as the difference between the representative values decreases may be used as ⁇ B.
  • a table that can subtract the value of ⁇ B by the combination of the quantization index values is held, and this table is obtained from the combination of the quantization index values.
  • the value of ⁇ B may be directly obtained by using it.
  • step S106 the value of ⁇ B is added to the variable B (step S106).
  • the value of ⁇ B is 0, instead of adding 0 to the variable B, it may be controlled not to add.
  • step S108 it is checked whether or not the dimension number n has reached the number of dimensions N (step S108). If not, the process proceeds to step S112. If the dimension number n has been reached, the value of the variable B at that time is determined as an identity measure. (Scale representing similarity) is output (step S110), and the process is terminated.
  • extraction processing is performed in order from dimensions 1 to N, but the order is not limited to this and may be arbitrary.
  • FIG. 23 is another flowchart showing the operation of the verification unit 100. Also in the flowchart of FIG. 23, it is assumed that the dimension (number) of the quantization index vector is represented by n, and there are a total of N dimensions from 1 to N. A variable for calculating the distance scale is represented by C.
  • steps S100, S104, S106, and S110 are replaced with steps S200, S204, S206, and S210, respectively.
  • variable C is set to zero.
  • the representative value of the feature value before quantization may be calculated from the quantization index, and a value that becomes smaller as the difference between the representative values is smaller may be used as ⁇ C.
  • a table that can subtract the value of ⁇ C by the combination of the quantization index values is held, and this table is obtained from the combination of the quantization index values. The value of ⁇ C may be directly obtained by using it.
  • step S206 the value of ⁇ C is added to the variable C.
  • the value of ⁇ C is 0, instead of adding 0 to the variable C, it may be controlled not to add.
  • step S210 the value of the variable C at that time is output as an identity scale (a scale representing distance), and the process ends.
  • step S108 the process proceeds to step S210.
  • extraction processing is performed in order from dimensions 1 to N, but the order is not limited to this and may be arbitrary.
  • FIG. 24 is another flowchart showing the operation of the verification unit 100. Also in the flowchart of FIG. 24, the dimension (number) of the quantization index vector is represented by n, and there are total N dimensions from 1 to N. In addition, a variable for calculating the similarity is represented by B, and a variable for counting dimensions where “both quantization indexes are not 0” is represented by A.
  • a and B are set to 0 (step S300), and the process proceeds to step S102.
  • Step S102 is the same as that in FIG. 22, and after completion, the process proceeds to step S314.
  • step S314 the scale calculation means 104 checks whether both the first quantization index value and the second quantization index value are zero. When both are 0, the process proceeds to step S108, and when either one is not 0, the value of the variable A is increased by 1 (step S316), and the process proceeds to step S104.
  • steps S104, S106, S108, and S112 are the same as those in FIG. If the dimension number n reaches the dimension number N in step S108, the process proceeds to step S310.
  • the identity scale may be calculated as (B / f (D)) + g (D).
  • FIG. 26 shows the flow in this case. 24 is basically the same as FIG. 24, except that variable D is set to 0 instead of A in step S500, and if both quantization indexes are 0 in step S314, D is incremented by 1 in step S516, and step S108.
  • the process proceeds to step S104, and the difference is that the identity measure is calculated from B and D by the above method in step S510.
  • FIG. 25 is another flowchart showing the operation of the verification unit 100. Also in the flowchart of FIG. 25, it is assumed that the dimension (number) of the quantization index vector is represented by n, and there are a total of N dimensions from 1 to N. In addition, a variable for calculating the distance measure is represented by C, and a variable for counting dimensions where “both quantization indexes are not 0” is represented by A.
  • steps S300, S104, S106, and S310 are replaced with steps S400, S204, S206, and S410, respectively.
  • variable A and variable C are set to zero.
  • Step S204 and step S206 are the same as in FIG.
  • step S108 the process proceeds to step S410.
  • extraction processing is performed in order from dimensions 1 to N, but the order is not limited to this and may be arbitrary.
  • D NA may be obtained, and the identity scale may be calculated by C / f (D) or the like.
  • the value of D may be directly calculated without obtaining A.
  • the present invention relates to a patent application of Japanese Patent Application No. 2009-61021 filed on March 13, 2009 in Japan, and Japanese Patent Application No. 2009- filed on April 14, 2009 in Japan.
  • the benefit of the priority claim based on the 97863 patent application is enjoyed, and all the contents described in the patent application are included in this specification.

Abstract

　照合に用いる画像識別子は、以下の生成方法によって生成される。まず、画像中の、複数の部分領域対の、各部分領域から領域特徴量を抽出し、部分領域対ごとに、対をなす２つの部分領域の上記領域特徴量の差分値を量子化する。この量子化の際には差分値の絶対値がある規定値より小さい場合は特定の量子化値に量子化する。そして、部分領域対ごとに算出された量子化値を要素とした集合を上記画像の識別に用いる画像識別子とする。画像識別子照合装置は、上述した生成方法で生成された、第１の画像の画像識別子と第２の画像の画像識別子とを、上記特定の量子化値である要素の重みが小さくなる方法で照合する。

Description

画像識別子照合装置
　本発明は、画像を識別する（同一性を判定する）ための特徴量である画像識別子を用いて画像を照合する装置に関する。
　画像識別子は、画像を識別する（同一性を判定する）ための画像特徴量である。ある画像から抽出した画像識別子と、別の画像から抽出した画像識別子とを比較し、その比較結果から、２つの画像が同一である度合いを示す同一性尺度（一般的には、類似度または距離という）を算出することができる。また、算出した同一性尺度をある閾値と比較することにより、２つの画像が同一であるか否かを判定することができる。ここで「２つの画像が同一」とは、画像信号（画像を構成する画素の画素値）のレベルで２つの画像が同一である場合だけに限らず、画像の圧縮形式（フォーマット）の変換、画像のサイズ・アスペクト比の変換、画像の色調の調整、画像への各種フィルタ処理（鮮鋭化、平滑化など）、画像への局所的な加工（テロップ重畳、切抜きなど）、画像の再キャプチャリング、などの各種改変処理によって、一方の画像が他方の画像の複製された画像である場合も含む。画像識別子を用いれば、例えば、画像、または画像の集合体である動画像の複製を検知できるため、画像または動画像の違法コピー検知システムなどに応用することができる。
　画像識別子の一例が、特許文献１に記載されている。図１８は、特許文献１に記載されている画像識別子の抽出方法を示す図である。この画像識別子は、複数の次元（図１８では１６次元）の特徴ベクトルである。画像２４０内のあらかじめ定められた位置の３２個の長方形領域２４４（図１８ではそのうち１６個の長方形領域が描かれている）からそれぞれ平均輝度値を算出し、対となる長方形領域の間（図１８では対となる長方形領域を点線２４８で結んでいる）で平均輝度値の差を算出し、１６次元の差ベクトル２５０を求める。差ベクトル２５０に対してベクトル変換により合成ベクトルを生成し、合成ベクトルの各次元を量子化して得られた１６次元の量子化インデックスベクトルを画像識別子とする。
特表平８－５００４７１号公報
　複数の次元の特徴ベクトルで構成される画像識別子は、次元間の相関が小さいほど、特徴ベクトルが持つ情報量が大きい（冗長性が小さい）ので、異なる画像を識別できる度合いである識別能力が高くなる。反対に、特徴ベクトルの次元間の相関が大きいと、特徴ベクトルが持つ情報量が小さい（冗長性が大きい）ので、識別能力が低くなる。ここで次元間の相関とは、次元の特徴量の生起の類似性の度合いであり、数学的には、例えば、各次元の特徴量の生起を確率変数とした場合の、確率変数間の相関係数や、相互情報量として算出できる値である。このため、複数の次元の特徴ベクトルで構成される画像識別子は、次元間の相関が小さくなるように設計されていることが望ましい。
　画像信号（画像を構成する画素の画素値）は、画像の局所領域間において相関がある。一般的に、局所領域間の距離が近いほど、相関は大きくなる。特に、例えば、ある特定の画像パターンが繰り返し出現する（特にそれが規則正しい周期で出現する場合に）画像（例えば格子状に配置されたビルの窓の画像など、図１９（Ａ）を参照）や、ある特定のテクスチャで構成されている画像（図１９（Ｂ）を参照）などは、画像の局所領域間の相関が大きくなる。
[第１の問題点]
　特許文献１に記載されているような、画像の複数の局所領域から抽出した特徴量から成る特徴ベクトルで構成されている画像識別子は、画像の局所領域間の相関が大きい画像に対して、各次元において特徴量を抽出する局所領域の形状が同一であるため（特許文献１の例では同一の形状の長方形領域）、抽出される特徴量の次元間の相関が大きくなる。そのため、画像識別子（特徴ベクトル）の識別能力が低くなる、という第１の問題点がある。ここで形状が同一とは、領域の大きさや角度（傾き或いは姿勢）も含めて同一であるということである。
　例えば、ある特定の画像パターンが繰り返し出現する画像（図１９（Ａ）参照）や、ある特定のテクスチャで構成されている画像（図１９（Ｂ）参照）などに対しては、特許文献１で記載されているような画像識別子は、識別能力が低くなる。
[第２の問題点]
　特許文献１に記載されている画像識別子の第２の問題点は、特徴量（特徴ベクトル）を算出するための各次元の領域の形状（大きさ、角度も含めて）が同一の長方形であるため、長方形の辺の長さと同じ、あるいは、その整数分の１の周期を持つ周波数成分を検知できないという、周波数上の盲点が存在するということである。その理由は、この特定の周波数の信号成分について領域内で平均をとると、信号成分の大小によらず0となってしまい、その周波数成分の信号を全く検知できなくなるためである。より具体的には、長方形の辺の長さと同じ周期を持つ周波数をf0とすると，周波数nf0(n=1,2,3,…)の成分が検知できなくなる。このため、直流成分とこの周波数成分に信号が集中している画像に対しては、画素値の平均値は直流成分と同じになってしまい、領域間で値の差がなくなる結果、領域間の平均画素値の差として抽出される特徴量は全て0になってしまい、識別できなくなる（識別能力が著しく低下する）。実際には、周波数nf0(n=1,2,3,…)の成分のみではなく、その近傍の一定の周波数領域に対しては同様に検知困難となるため、上記特定周波数に信号成分が集中していなくても、その周波数帯の信号成分が使えないことにより、識別能力が低下する。この問題を軽減するには、周波数f0の値を大きくし、上記検知困難な周波数帯に陥る信号電力を下げることが考えられる。しかしながら、周波数f0の値を大きくすることは、領域の大きさを小さくすることを意味し、特徴量の頑健性（各種改変処理やノイズに対して特徴量が変化しない度合い）の低下につながる。例えば、領域が小さくなることで、多少の位置ずれに対しても、特徴量の値が大きく変化することになり、特徴量の頑健性が下がる。このように、同一の長方形領域を用いる場合には、識別能力をあげた上で頑健性を確保することが極めて難しい。
［発明の目的］
　本発明の目的は、上述した課題、すなわち異なる画像を識別できる度合いである識別能力の低い画像識別子を用いた照合では照合精度が低下する、という課題を解決する画像識別子照合装置を提供することにある。
　本発明の一形態にかかる画像識別子照合装置は、画像中の、複数の部分領域対の、各部分領域から領域特徴量を抽出し、部分領域対ごとに、対をなす２つの部分領域の上記領域特徴量の差分値を量子化し、該量子化の際には差分値の絶対値がある規定値より小さい場合は特定の量子化値に量子化し、部分領域対ごとに算出された量子化値を要素とした集合を上記画像の識別に用いる画像識別子とする、生成方法によって生成された、第１の画像の画像識別子と第２の画像の画像識別子とを、上記特定の量子化値である要素の重みが小さくなる方法で照合する照合手段を備える。
　本発明は上述したように構成されているため、異なる画像を識別できる度合いである識別能力の高い画像識別子を用いて、第１の画像と第２の画像とを精度良く照合することができる。特に、画像の局所領域間の相関が大きい画像に対して、この効果は顕著である。
　また本発明によれば、特定の周波数に信号が集中している画像に対しても、識別能力が低下しない画像識別子を用いて、照合を行うことができる。
本発明の第１の実施の形態のブロック図である。 次元別抽出情報が示す次元ごとの抽出領域の対の例を示す図である。 本発明の第１の実施の形態における比較手段の一例を示すブロック図である。 本発明の第１の実施の形態における比較手段の別の例を示すブロック図である。 本発明の第１の実施の形態の処理の流れを示すフローチャートである。 本発明の第２の実施の形態の要部ブロック図である。 本発明の第２の実施の形態の処理の流れを示すフローチャートである。 本発明の第３の実施の形態のブロック図である。 次元ごとの領域特徴量算出方法の例を示す図である。 本発明の第３の実施の形態の処理の流れを示すフローチャートである。 本発明の第４の実施の形態のブロック図である。 次元ごとの比較・量子化方法の例を示す図である。 本発明の第４の実施の形態の処理の流れを示すフローチャートである。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別抽出領域情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別抽出領域情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別抽出領域情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別抽出領域情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別抽出領域情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別抽出領域情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別抽出領域情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別抽出領域情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別抽出領域情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別抽出領域情報を示す図である。 本発明の第５の実施の形態で使用する次元別領域特徴量算出方法情報を示す図である。 本発明の第５の実施の形態で使用する次元別領域特徴量算出方法情報を示す図である。 本発明の第５の実施の形態で使用する次元別領域特徴量算出方法情報を示す図である。 本発明の第５の実施の形態で使用する次元別領域特徴量算出方法情報を示す図である。 本発明の第５の実施の形態で使用する次元別領域特徴量算出方法情報を示す図である。 本発明の第６の実施の形態で使用する次元別領域特徴量算出方法情報を示す図である。 本発明の第６の実施の形態で使用する次元別領域特徴量算出方法情報を示す図である。 本発明の第６の実施の形態で使用する次元別領域特徴量算出方法情報を示す図である。 本発明の第６の実施の形態で使用する次元別領域特徴量算出方法情報を示す図である。 本発明の第６の実施の形態で使用する次元別領域特徴量算出方法情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別比較・量子化方法情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別比較・量子化方法情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別比較・量子化方法情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別比較・量子化方法情報を示す図である。 本発明の第５の実施の形態および第６の実施の形態で使用する次元別比較・量子化方法情報を示す図である。 特許文献１に記載されている画像識別子の抽出方法を示す図である。 局所領域間の相関が大きくなる画像の例を示す図である。 単調非増加関数ｆ(Ｄ)の例を図示したグラフである。 量子化インデックスベクトルを照合する照合手段のブロック図である。 量子化インデックスベクトルを照合する照合手段の処理例を示すフローチャートである。 量子化インデックスベクトルを照合する照合手段の別の処理例を示すフローチャートである。 量子化インデックスベクトルを照合する照合手段の更に別の処理例を示すフローチャートである。 量子化インデックスベクトルを照合する照合手段のまた更に別の処理例を示すフローチャートである。 量子化インデックスベクトルを照合する照合手段の他の処理例を示すフローチャートである。 画像を縦方向３２、横方向３２に分割してできる１０２４個のブロックに対して付与するインデックスの一例を示す図である。 本発明の第７の実施の形態の各次元に対応する領域のうち或る１つのタイプに属する領域を示す図である。 本発明の第７の実施の形態の各次元に対応する領域のうち或る１つのタイプに属する領域を示す図である。 本発明の第７の実施の形態の各次元に対応する領域のうち或る１つのタイプに属する領域を示す図である。 本発明の第７の実施の形態の各次元に対応する領域のうち或る１つのタイプに属する領域を示す図である。 本発明の第７の実施の形態の各次元に対応する領域のうち或る１つのタイプに属する領域を示す図である。 本発明の第７の実施の形態の各次元に対応する領域のうち或る１つのタイプに属する領域を示す図である。 本発明の第７の実施の形態の各次元に対応する領域のうち或る１つのタイプに属する領域を示す図である。 各次元の領域タイプと次元数、閾値に対応するインデックスとの関係を示す図である。 領域タイプａの次元の第１、第２の抽出領域の一例を示す図である。 領域タイプｂの次元の第１、第２の抽出領域の一例を示す図である。 領域タイプｃの次元の第１、第２の抽出領域の一例を示す図である。 領域タイプｄの次元の第１、第２の抽出領域の一例を示す図である。 領域タイプｅの次元の第１、第２の抽出領域の一例を示す図である。 領域タイプｆの次元の第１、第２の抽出領域の一例を示す図である。 領域タイプｇの次元の第１、第２の抽出領域の一例を示す図である。
[第１の実施の形態]
[第１の実施の形態の構成]
　次に、本発明の第１の実施の形態について図面を参照して詳細に説明する。
　図１を参照すると、本発明の第１の実施の形態に係る画像識別子抽出装置は、入力された画像に対して、複数の次元から成る特徴ベクトル（より具体的には量子化インデックスベクトル）を画像識別子として出力するシステムであり、次元決定手段１と、抽出領域取得手段２と、領域特徴量算出手段３と、比較手段４と、から構成されている。
　次元決定手段１は、次に抽出する特徴ベクトルの次元を決定し、抽出領域取得手段２へ供給する。次元決定手段１は、順次、抽出する特徴ベクトルの次元を供給し、抽出領域取得手段２以降の構成要素は、供給された次元に対応する特徴量を抽出する。例えば、特徴ベクトルがＮ次元から構成される場合、次元決定手段１は第１次元から第Ｎ次元までを順に抽出領域取得手段２へ供給してもよい。最終的に特徴ベクトルの全ての次元が供給されれば、供給する次元の順番は任意でよい。複数の次元が並列に供給されてもよい。
　抽出領域取得手段２には、次元決定手段１からの次元とは別に、入力として次元別抽出領域情報が供給される。
　次元別抽出領域情報は、あらかじめ規定された、特徴ベクトルの次元ごとに対応付けられた、その次元の特徴量を抽出するための第１の抽出領域と第２の抽出領域の対を示す情報である。第１および第２の抽出領域は必須条件として、以下の特徴を有する。
［第１および第２の抽出領域の必須条件］
　第１および第２の抽出領域の必須条件は、次元間で抽出領域対の相対的な位置が異なることに加えて、次元間で抽出領域対の形状の組み合わせが異なることである。
　上記必須条件を満たす、次元別抽出情報が示す次元ごとの抽出領域の対の例を図２に示す。図１８に示した画像識別子の抽出領域とは異なり、次元間の抽出領域の対の形状の組み合わせが異なる。ここで異なる形状とは、角度の異なる合同な形状や（例えば、図２の第１次元の第２の抽出領域と、第７次元の第１の抽出領域）、大きさの異なる相似な形状（例えば、図２の第１次元の第２の抽出領域と、第９次元の第２の抽出領域）も含む。なお、特徴ベクトルの全次元の中に、抽出領域の対の形状の組み合わせの異なる次元のペアが、少なくとも１つ存在することが最低条件である。抽出領域の対の形状（の組み合わせ）が相互に異なる次元が多いほど、望ましい。これは、抽出領域の対の形状（の組み合わせ）が相互に異なる次元が多いほど、特徴ベクトルのより多くの次元間で相関が小さくなり、識別能力が高くなるからである。例えば、特徴ベクトルの全ての次元間で、抽出領域の対の形状（の組み合わせ）が相互に異なっていてもよい。
　ある次元における第１の抽出領域と、第２の抽出領域とは、図２の第９次元のように、同じ形状である必要はなく、図２の他の次元のように、形状が異なっていてもよい。各次元での第１の抽出領域と第２の抽出領域の形状が異なっていると、第１の抽出領域と第２の抽出領域から抽出される特徴量の相関が小さくなり、識別能力が高くなるため、望ましい。また、第１の抽出領域と第２の抽出領域が同時に同じ周波数に関して周波数的な盲点となる可能性が低くなるため、識別能力が高くなる。
　各々の抽出領域の形状は任意である。例えば、図２の第６次元の第２の抽出領域のような、任意の複雑な形状であっても構わない。画像の複数の画素で構成されるものであれば、例えば、図２の第７次元や第１０次元のように、線分や曲線であっても構わない。また例えば、第８次元の第１の抽出領域、第１１次元の第１と第２の抽出領域、第１２次元の第１の抽出領域のように、抽出領域が、連続しない複数の小領域から構成されるものであってもよい。このように、任意の複雑な形状の抽出領域を含むことによって、そこから抽出される特徴量の次元間の相関を小さくすることができ、識別能力を高くすることができる。
　また、例えば、図２の第５次元のように、第１の抽出領域と第２の抽出領域の一部が重複していてもよい。また抽出領域対のいずれか一方が、もう一方の中に内包されていてもよい。このように、抽出領域の対に重複を許容することにより、より多くの抽出領域対のパターン（相対的位置・距離）を取れるため、次元間の相関を小さくすることができるパターンを増やすことができ、識別能力をより高くする可能性が増える。
　また、図１８に示した画像識別子の抽出領域とは異なり、図２に示した各次元のように、次元間で抽出領域が一部重複していてもよい。図１８に示した画像識別子の抽出領域のように、次元間で抽出領域を排他的に取ると、取れる抽出領域対のパターンが限られてしまう。図２に示したように、次元間での抽出領域に重複を許容することにより、より多くの抽出領域対のパターンを取れるため、次元間の相関を小さくすることができるパターンを増やすことができ、識別能力をより高くする可能性が増える。ただし、次元間での抽出領域の重複が多すぎると、次元間の相関が大きくなってしまい、識別能力が低くなるため、望ましくない。
　また、全ての次元の抽出領域を統合した場合に、画像内で特徴量が抽出されない領域が小さくなるような（すなわち、画像のほぼ全画面をカバーする）抽出領域の取り方であることが望ましい。これは、図１８のように、画像内で特徴量が抽出されない領域が多く含まれていると、画像信号（画像を構成する画素の画素値）に含まれる多くの情報を使用しないことになり、識別能力が高くならないためである。全ての次元の抽出領域を統合した場合に、画像内で特徴量が抽出されない領域が小さくなるような（すなわち、画像のほぼ全画面をカバーする）抽出領域の取り方であることにより、画像信号に含まれるより多くの情報を特徴量に反映できるため、識別能力を高くすることができる。また、全ての次元の抽出領域を統合した場合に、抽出領域に偏りがなく、画像全体から満遍なく取得されていることが望ましい。ただし、ある特定の領域にテロップ重畳などの局所的な加工が施される確率が高い場合は、その領域を避けて抽出領域が取得されていることが望ましい。また、画像の縁などの周辺領域には画像の特徴部分が一般的に存在しないことが多いため、周辺領域を避けて抽出領域が取得されていることが望ましい。
　その他、抽出領域の大きさ、相対的位置（距離、方向）が一定の分布（例えば一様分布）に従うことが望ましい。その理由は、相対的位置（距離、方向）が一様分布に従うことによって、距離や方向に対して偏りがなく、特定の距離や方向に集中することがないため、より多くの多様性がとれるためである。また、相対的位置が近いほど、その領域間の相関が大きくなるため、それを打ち消すために、相対的位置が近いものほどより形状の差が大きいほうが望ましい。
　次元別抽出領域情報は、次元ごとの第１の抽出領域と第２の抽出領域とが一意に特定できる情報であれば、どのような形式の情報であっても構わない。また抽出領域は、如何なるサイズやアスペクト比の画像に対しても、常に同じ領域である必要があるため、次元別抽出領域情報は、如何なるサイズやアスペクト比の画像に対しても、同じ抽出領域を取得できる形式の情報である必要がある。例えば、次元別抽出領域情報は、ある規定のサイズとアスペクト比の画像（例えば、横幅３２０画素×縦幅２４０画素の画像）に対して、その抽出領域の位置・形状を記述したものであってもよい。この場合、ある任意のサイズとアスペクト比で入力された画像に対しては、まず画像をその規定のサイズとアスペクト比にリサイズしてから、次元別抽出領域情報に記述されている抽出領域の位置・形状に従って、抽出領域を特定すればよい。あるいは逆に、入力された画像の任意のサイズとアスペクト比の画像に合わせて、次元別抽出領域情報に記述されている抽出領域の位置・形状を変換して、抽出領域を特定してもよい。
　次元別抽出領域情報に含まれる各々の抽出領域を示す情報は、例えば、ある規定のサイズとアスペクト比の画像（例えば、横幅３２０画素×縦幅２４０画素の画像）に対して、抽出領域を構成する全ての画素の座標値の集合を記述した情報であってもよい。また次元別抽出領域情報に含まれる各々の抽出領域を示す情報は、例えば、ある規定のサイズとアスペクト比の画像に対して、抽出領域の位置・形状をパラメータ記述した情報であってもよい。例えば抽出領域の形が四角形である場合は、四角形の四隅の座標値を記述した情報であってもよい。また例えば抽出領域の形が円である場合は、円の中心の座標値と半径の値としてもよい。
　また、擬似乱数の種（シード）を次元別抽出領域情報として、抽出領域取得手段２の内部でその種からスタートして擬似乱数を発生させて、乱数に従って異なる形状の抽出領域を生成していく（例えば乱数に従って四角形の四隅を決定していくなど）、という方法も採用することができる。具体的には、例えば以下の手順で、次元別抽出領域を取得することができる。
　（1）擬似乱数の種（シード）が次元別抽出領域情報として供給される。
　（2）次元ｎ＝１とする。
　（3）擬似乱数を発生させ、次元ｎの第１の抽出領域の四角形の四隅を決定する。
　（4）擬似乱数を発生させ、次元ｎの第２の抽出領域の四角形の四隅を決定する。
　（5）次元ｎ＝ｎ＋１として、（3）へ戻る。
　乱数に基づいて抽出領域を決定しているので、生成される抽出領域は次元毎に異なる形状になる。また、擬似乱数のシードが同じであれば、毎回（どの画像に対しても）同じ乱数列が発生されるため、異なる画像に対しても同じ抽出領域が再現される。
　抽出領域取得手段２は、入力として供給される次元別抽出領域情報から、次元決定手段１から供給される次元に対応する第１の抽出領域と第２の抽出領域を示す情報を取得し、抽出領域代表値算出手段３へ供給する。
　領域特徴量算出手段３には、抽出領域取得手段２からの入力（第１の抽出領域と第２の抽出領域を示す情報）とは別に、入力として、画像識別子の抽出対象となる画像が供給される。領域特徴量算出手段３は、第１の領域特徴量算出手段３１と第２の領域特徴量算出手段３２とを有する。領域特徴量算出手段３は、第１の領域特徴量算出手段３１を用いて、入力として供給される画像から、次元ごとに、抽出領域取得手段２から供給される第１の抽出領域を示す情報に基づき、第１の抽出領域の特徴量を第１の領域特徴量として算出し、比較手段４へ供給する。また、領域特徴量算出手段３は、第２の領域特徴量算出手段３２を用いて、入力として供給される画像から、次元ごとに、抽出領域取得手段２から供給される第２の抽出領域を示す情報に基づき、第２の抽出領域の特徴量を第２の領域特徴量として算出し、比較手段４へ供給する。
　なお、第１の抽出領域と第２の抽出領域を示す情報に基づいて、入力される画像に対するそれぞれの抽出領域を特定するためには、必要に応じて領域特徴量算出手段３は、次元別抽出領域情報の規定のサイズとアスペクト比に画像をリサイズする。
　領域特徴量算出手段３は、それぞれの抽出領域に含まれる画素群の画素値を用いて、それぞれの抽出領域の領域特徴量を算出する。ここで画素値とは、画像の各画素が持つ信号の値であり、スカラー量またはベクトル量である。例えば、画像が輝度画像の場合は、画素値は輝度値（スカラー量）である。また例えば、画像がカラー画像の場合は、画素値は色成分を表すベクトル量である。例えばカラー画像がＲＧＢ画像である場合は、画素値はＲ成分、Ｇ成分、Ｂ成分の３次元のベクトル量である。また例えばカラー画像がＹＣｂＣｒ画像である場合は、画素値はＹ成分、Ｃｂ成分、Ｃｒ成分の３次元のベクトル量である。
　抽出領域の領域特徴量を算出する方法は、その次元の抽出領域（第１の抽出領域と第２の抽出領域）における算出方法が一定である（どの入力画像に対しても同じ算出方法である）限りは、任意の方法でよい。
　また、算出する領域特徴量は、スカラー量でもよいし、ベクトル量であってもよい。例えば、画素値が輝度値などのスカラー量である場合、領域特徴量を、その抽出領域に含まれる画素値の、平均値、メディアン値、最頻値、最大値、最小値、などと算出してもよい（いずれもスカラー量である）。また例えば、抽出領域に含まれる画素値をソートし、分布（ソートされた順列）の上位または下位から規定の割合の位置にある画素値を、領域特徴量として算出してもよい（これもスカラー量である）。より具体的に、規定の割合として、百分率でＰ％とした場合（例えばＰ＝２５％）を例に挙げて説明する。抽出領域に含まれる計Ｎ個の画素の画素値（輝度値）を昇順にソートし、昇順にソートされた画素値（輝度値）の集合をＹ(ｉ)＝｛Ｙ(０)、Ｙ(１)、Ｙ(２)、…、Ｙ(Ｎ－１)｝と表す。ここで、昇順にソートされた順列の下位からＰ％の位置にある画素値は、例えば、Ｙ(ｆｌｏｏｒ(Ｎ×Ｐ／１００))となり、この値を抽出領域の領域特徴量として算出する。なお、ｆｌｏｏｒ(）は、小数点以下の切り捨てを行う関数である。ここで、抽出領域に含まれる画素の輝度値に対して、この式（Ｙ（ｆｌｏｏｒ（Ｎ×Ｐ／１００）））を適用して算出された領域特徴量を、「パーセンタイル輝度値特徴量」と呼ぶことにする。
　また例えば、画素値が色成分などのベクトル量の場合は、まずそれらを任意の方法でスカラー量に変換してから、上述した方法によって領域特徴量を算出してもよい。例えば、画素値がＲＧＢ成分の３次元のベクトル量である場合は、まずそれらをスカラー量である輝度値に変換してから、上述した方法によって領域特徴量を算出してもよい。また画素値がベクトル量の場合は、例えば、その抽出領域に含まれる画素値の平均ベクトルを領域特徴量としてもよい。
　また例えば、抽出領域に対してエッジ検出や、テンプレートマッチングなどの任意の演算（微分演算、フィルタ演算）を行い、その演算結果を領域特徴量としてもよい。例えば、エッジの方向（勾配の方向）を表す２次元のベクトル量であってもよい。また例えば、あるテンプレートとの類似度などを表すスカラー量であってもよい。
　また例えば、抽出領域に含まれる色分布や、エッジの方向分布、エッジの強度分布を表すヒストグラムを、領域特徴量として算出してもよい（いずれもベクトル量である）。
　また例えば、国際標準規格ＩＳＯ／ＩＥＣ　１５９３８－３に規定されている各種特徴量、すなわち、Ｄｏｍｉｎａｎｔ　Ｃｏｌｏｒ、Ｃｏｌｏｒ　Ｌａｙｏｕｔ、Ｓｃａｌａｂｌｅ　Ｃｏｌｏｒ、Ｃｏｌｏｒ　Ｓｔｒｕｃｔｕｒｅ、Ｅｄｇｅ　Ｈｉｓｔｏｇｒａｍ、Ｈｏｍｏｇｅｎｅｏｕｓ　Ｔｅｘｔｕｒｅ、Ｔｅｘｔｕｒｅ　Ｂｒｏｗｓｉｎｇ、Ｒｅｇｉｏｎ　Ｓｈａｐｅ、Ｃｏｎｔｏｕｒ　Ｓｈａｐｅ、Ｓｈａｐｅ　３Ｄ、Ｐａｒａｍｅｔｒｉｃ　Ｍｏｔｉｏｎ、Ｍｏｔｉｏｎ　Ａｃｔｉｖｉｔｙなどであってもよい。
　比較手段４は、次元ごとに、領域特徴量算出手段３から供給される第１の領域特徴量と、第２の領域特徴量とを比較し、比較した結果を量子化して得られた量子化インデックスを出力する。比較手段４が、次元ごとに、量子化インデックスを出力することで、最終的に、複数の次元の量子化インデックスから成る量子化インデックスベクトルが出力されることになる。
　比較手段４が、第１の領域特徴量と、第２の領域特徴量とを比較して、量子化する方法は、任意である。また、１つの次元当たりの量子化インデックスの数も任意である。
　比較手段４は、例えば、領域特徴量がスカラー量である場合（例えば輝度値の平均値）、その大小を比較して第１の領域特徴量のほうが大きい場合は量子化インデックスを＋１、それ以外の場合は量子化インデックスを－１とする、のようにして＋１と－１の２値の量子化インデックスに量子化してもよい。ここで、次元ｎの第１の領域特徴量をＶｎ１、第２の領域特徴量をＶｎ２とすると、次元ｎの量子化インデックスＱｎは、次式で算出することができる。
［式１］
Ｑｎ＝＋１　　（Ｖｎ１＞Ｖｎ２　の場合）
　　　－１　　（Ｖｎ１≦Ｖｎ２　の場合）
　ここで、比較手段４が、上述の式１に基づいた比較・量子化を行う場合における、比較手段４のより詳細な構成図を図３に示す。
　図３を参照すると、比較手段４は、大小比較手段４１と、量子化手段４２と、から構成されている。
　大小比較手段４１は、第１の領域特徴量と、第２の領域特徴量とが供給されると、第１の領域特徴量の値と第２の領域特徴量の値との大小を比較し、その比較結果を量子化手段４２へ供給する。すなわち、大小比較手段４１は、Ｖｎ１とＶｎ２の大小を比較し、比較結果が、Ｖｎ１＞Ｖｎ２であるか、Ｖｎ１≦Ｖｎ２であるか、のいずれであるかを示す情報を、大小比較結果として量子化手段４２へ供給する。
　量子化手段４２は、大小比較手段４１から供給される大小比較結果に基づいて、式１に従って量子化を行い、量子化インデックスを出力する。すなわち量子化手段４２は、比較結果がＶｎ１＞Ｖｎ２であることを示す情報が供給される場合は、量子化インデックスを＋１、比較結果がＶｎ１≦Ｖｎ２であることを示す情報が供給される場合は、量子化インデックスを－１、として量子化インデックスを出力する。
　なお、この式１に基づいた比較・量子化方法を比較・量子化方法Ａと呼ぶことにする。
　また、比較手段４は、例えば、領域特徴量がスカラー量である場合（例えば輝度値の平均値）、差分値の絶対値がある規定の閾値以下の場合は、第１の領域特徴量と第２の領域特徴量との差がないものをみなし、差がないことを示す量子化インデックス０とし、それ以外の場合は、その大小を比較して第１の領域特徴量のほうが大きい場合は量子化インデックスを＋１、それ以外の場合は量子化インデックスを－１とする、のようにして＋１、０、－１の３値の量子化インデックスに量子化してもよい。ここで、次元ｎの第１の領域特徴量をＶｎ１、第２の領域特徴量をＶｎ２とし、規定の閾値をｔｈとすると、次元ｎの量子化インデックスＱｎは、次式で算出することができる。
［式２］
Ｑｎ＝＋１　　（｜Ｖｎ１－Ｖｎ２｜＞ｔｈ　かつ　Ｖｎ１＞Ｖｎ２　の場合）
　　　０　　　（｜Ｖｎ１－Ｖｎ２｜≦ｔｈ　の場合）
　　　－１　　（｜Ｖｎ１－Ｖｎ２｜＞ｔｈ　かつ　Ｖｎ１≦Ｖｎ２　の場合）
　ここで、比較手段４が、上述の式２に基づいた比較・量子化を行う場合における、比較手段４のより詳細な構成図を図４に示す。
　図４を参照すると、比較手段４は、差分値算出手段４３と、量子化手段４４と、から構成されている。量子化手段４４には、あらかじめ規定された、量子化の境界を表す情報（量子化境界情報）である閾値が、入力として供給される。
　差分値算出手段４３は、第１の領域特徴量と、第２の領域特徴量とが供給されると、第１の領域特徴量の値と第２の領域特徴量の値との差分値を算出し、算出した差分値を量子化手段４４へ供給する。すなわち、差分値算出手段４３は、Ｖｎ１－Ｖｎ２を算出し、その値を量子化手段４４へ供給する。
　量子化手段４４は、差分値算出手段４３から供給される差分値と、入力として供給されるあらかじめ規定された量子化の境界を表す情報（量子化境界情報）である閾値とに基づいて、式２に従って量子化を行い、量子化インデックスを出力する。すなわち量子化手段４２は、差分値算出手段４１から供給されるＶｎ１－Ｖｎ２の値と、入力として供給される閾値ｔｈとに基づいて、｜Ｖｎ１－Ｖｎ２｜＞ｔｈ　かつ　Ｖｎ１－Ｖｎ２＞０　の場合は量子化インデックスを＋１、｜Ｖｎ１－Ｖｎ２｜＞ｔｈ　かつ　Ｖｎ１－Ｖｎ２≦０　の場合は量子化インデックスを－１、｜Ｖｎ１－Ｖｎ２｜≦ｔｈ　の場合は量子化インデックスを０、として量子化インデックスを出力する。
　なお、この式２に基づいた比較・量子化方法を比較・量子化方法Ｂと呼ぶことにする。
　また、ここでは差分値に基づいて３値に量子化しているが、差分値の大きさに応じて、より多数（のレベルの）の量子化インデックスに量子化してもよい。この場合も、比較手段４は、図４に示した構成をとり、量子化手段４４には、あらかじめ規定された、各レベルの量子化の境界を表す情報（量子化境界情報）として複数の閾値が、入力として供給される。なお、この差分値と、入力として供給される複数の閾値とに基づいて、４レベル以上の複数のレベルの量子化インデックスに量子化する比較・量子化方法を比較・量子化方法Ｃと呼ぶことにする。
　このように、第１の領域特徴量と第２の領域特徴量との差が小さい（規定の閾値以下の）ときに、差がないものとして、差がないことを表す量子化インデックスを導入することで、式１の方法に比べて、領域特徴量の差が小さい抽出領域の対の次元の特徴量（量子化インデックス）をより安定に、すなわち各種改変処理やノイズに対してより頑健に、することができる。そのため、局所領域間の特徴の差が全体的に少ない、全体的に変化の少ない平坦な画像（例えば青空の画像）に対しても安定した、すなわち各種改変処理やノイズに対しても頑健な、画像識別子（量子化インデックスベクトル）を出力することができる。
　また、比較手段４は、例えば、領域特徴量がベクトル量である場合は、ベクトル量をまずそれらを任意の方法でスカラー量に変換してから、上述した方法によって量子化を行ってもよい（この比較・量子化方法を比較・量子化方法Ｄと呼ぶことにする）。また例えば、第１の抽出領域のベクトルから第２の抽出領域のベクトルとの差分である差分ベクトルを算出し、差分ベクトルをベクトル量子化して量子化インデックスを算出してもよい。この場合は、例えば、あらかじめ規定された量子化インデックスごとの代表ベクトル（重心ベクトルなど）が供給され、それら代表ベクトルと差分ベクトルとの類似度が最も大きく（距離が最も小さく）なる量子化インデックスに分類してもよい（この比較・量子化方法を比較・量子化方法Ｅと呼ぶことにする）。また、上述の式２によるスカラー量の量子化と同様に、差分ベクトルのノルムがある規定の閾値以下の場合は、第１の領域特徴量と第２の領域特徴量との差がないものをみなし、差がないことを示す量子化インデックス０として、差がないことを表す量子化インデックスを導入してもよい。
　なお、本発明で出力される量子化インデックスベクトルを照合する際（ある画像から抽出した量子化インデックスベクトルと、別の画像から抽出した量子化インデックスベクトルとを比較して、それらの画像が同一であるか否かを判定する際）は、量子化インデックスが一致する次元数（類似度）、あるいは量子化インデックスが非一致である次元数（ハミング距離）を同一性尺度として算出し、算出された同一性尺度をある閾値と比較して、画像の同一性の判定を行うことができる。
　また、比較手段４において、量子化インデックスが式２に基づいて算出された場合は、以下のように同一性尺度（類似度）を算出することができる。まず、２つの画像の量子化インデックスベクトルを対応する次元どうしで比較して、「共に量子化インデックスが０」ではない次元の数を算出する（この値をＡとする）。次に、「共に量子化インデックスが０」ではない次元において、量子化インデックスが一致する次元の数を算出する（この値をＢとする）。そして、類似度をＢ／Ａとして算出する。ここでＡ＝０の場合（すなわち、全ての次元が共に量子化インデックスが０となる場合）は、類似度を規定の数値（例えば０．５）とする。
　また、「共に量子化インデックスが０」ではない次元において、量子化インデックスが非一致である次元の数を算出し（この値をＣとする）、同一性尺度（距離）をＣ／Ａとして算出してもよい。ここでＡ＝０の場合（すなわち、全ての次元が共に量子化インデックスが０となる場合）は、同一性尺度（距離）を規定の数値（例えば０．５）とする。この同一性尺度をＣ／Ａとして算出する方法の効果を、同一性尺度をＢ／Ａとして算出する方法と対比して、以下に示す。ここで、Ｂ＋Ｃ＝Ａであるため、Ｂ（量子化インデックスが一致する次元の数）を算出してＢ／Ａを算出するのと、Ｃ（量子化インデックスが非一致である次元の数）を算出してＣ／Ａを算出するのとでは、画像の同一性判定の判定精度には影響しない（なぜならば、Ｂ／Ａ＝１－Ｃ／Ａ、Ｃ／Ａ＝１－Ｂ／Ａ、であり、Ｂ／Ａは同一性尺度を「類似度」として算出しているのに対して、Ｃ／Ａは同一性尺度を「距離」として算出している、という違いだけであるため）しかしながら、算出される同一性尺度をあらかじめ与えられた閾値と比較して同一性の判定を行う際に、計算コストを軽減するために同一性尺度の算出の打ち切りを行う場合に、２つの方法の間に計算コストの差が発生する。同一性尺度の算出の打ち切りは次のように行う。あらかじめ、同一性判定のための閾値が与えられる。次元ごとに逐次、量子化インデックスが｛一致・非一致｝であるかを判定し、量子化インデックスが｛一致する・非一致である｝次元数の値を算出（増分）していき、逐次閾値と比較していく。量子化インデックスが｛一致する・非一致である｝次元数が、閾値を超えた時点で、計算を打ち切ることができる（それ以上計算しても、閾値を超えることは自明であるため）。ここで一般的に、同一性判定の閾値は、同一性尺度（類似度）をＢ／Ａと算出する場合は０．５（半分）よりも大きな値を、同一性尺度（距離）をＣ／Ａと算出する場合は０．５（半分）よりも小さな値を設定する（前者の場合は算出した値が閾値よりも大きければ同一と判定し、後者の場合は算出した値が閾値よりも小さければ同一と判定する）。例えばＢ／Ａと算出する場合には閾値を０．８と設定し、Ｃ／Ａと算出する場合には閾値を０．２などと設定する。ここでＡ＝１００とすると、Ｂ／Ａと算出する場合はＢの値を次元ごとに逐次計算していき、Ｂが８０を超えた場合に計算を打ち切ることができる。Ｃ／Ａと算出する場合はＣの値を次元ごとに逐次計算していき、Ｃが２０を超えた場合に計算を打ち切ることができる。すなわち、Ｂを計算する場合は値が８０を超えるまで打ち切ることができないが、Ｃを計算する場合は値が２０を超えた時点で打ち切ることができる。そのため、同一性尺度をＣ／Ａと算出するほうが、Ｂ／Ａと算出するよりも、より早い時点で計算を打ちきることができるため、計算コストを軽減することができる、という効果がある。
　またここで、「共に量子化インデックスが０」である次元の数をＤとして算出し（ここで全次元数をＮとすると、Ａ＋Ｄ＝Ｎ）、任意の、Ｄの単調非増加関数ｆ(Ｄ)を用いて、同一性尺度をＢ／ｆ(Ｄ)、または、Ｃ／ｆ(Ｄ)、として算出してもよい。なおＤの単調非増加関数ｆ(Ｄ)とは、Ｄ１＜Ｄ２に対してｆ(Ｄ１)≧ｆ(Ｄ２)が成り立つ関数である。Ｄに対するｆ(Ｄ)の例を図示したグラフを図２０に示す（横軸がＤで、縦軸がｆ(Ｄ)である）。図２０において関数(i)は、ｆ(Ｄ)＝定数であり、同一性尺度を、単にＢまたはＣとして算出するのと同値になる。また関数(ii)は、ｆ(Ｄ)＝Ｎ－Ｄ＝Ａであり、上述した、同一性尺度をＢ／ＡやＣ／Ａとして算出する方法と同値になる。ここでｆ(Ｄ)は関数(i)や関数(ii)のようにＤに対して線形である必要はなく、Ｄの単調非増加関数である限りは、関数(iii)や関数(iv)のように非線形な関数であってもよい。このように、任意の、Ｄの単調非増加関数ｆ(Ｄ)を用いて同一性尺度をＢ／ｆ(Ｄ)またはＣ／ｆ(Ｄ)として算出することの効果を以下に述べる。量子化インデックス０は、式２を参照すると、２つの抽出領域の領域特徴量の値に差がない（閾値以下である）ことを示している。局所領域間の特徴の差が全体的に少ない、全体的に変化の少ない平坦な画像領域（空の領域、白い壁の領域、など）では、量子化インデックス０が多発する傾向があり（例えば全体的に平坦な青空の画像などでは、ほとんど全ての次元が量子化インデックス０となる）、またこのような平坦な画像領域は多くの画像に含まれるため、量子化インデックスが０である次元は、画像の同一性を判定する上での有効性が低いと考えられる。比較している２つの画像の量子化インデックスベクトルで、「共に量子化インデックスが０」である次元は、２つの画像の量子化インデックスベクトルを比較して同一性を判定するうえで有効性の低い次元であるということが考えられる。ＢやＣは、有効性の低い「共に量子化インデックスが０」である次元を除外し、有効性の高い「共に量子化インデックスが０」でない次元に限定して、量子化インデックスが一致する次元数（Ｂ）、あるいは量子化インデックスが非一致である次元数（Ｃ）として算出している。有効性の低い次元を除外し、有効性の高い次元に限定して同一性尺度を算出することで、画像の同一性判定の高精度な照合を実現することができる。そして、ｆ(Ｄ)は、「共に量子化インデックスが０」である次元数、すなわち有効性が低い次元の数に応じて、ＢやＣの値を正規化している（Ｄが大きいほどＡが小さくなり、ＢやＣの値が小さくなるため、Ｄに対して単調非増加な関数で正規化する）。ここで正規化の関数を任意の単調非増加関数とすることで、同一性尺度の振る舞いを調整（制御）することができ、同一性判定を行う画像データベースや、アプリケーションに応じて最適化することができる、という効果がある。
　前段落（段落００６４）で述べた同一性尺度の算出方法は、有効性の低い「共に量子化インデックスが０」である次元を除外し、有効性の高い「共に量子化インデックスが０」でない次元に限定して、同一性尺度を算出した。しかし有効性の低い「共に量子化インデックスが０」である次元を完全に除外せずに、「共に量子化インデックスが０」である次元数であるＤに対して単調非減少関数ｇ(Ｄ)を用いて、同一性尺度を(Ｂ／f(Ｄ))＋ｇ(Ｄ)として算出してもよい。ここで、前半のＢ／f（Ｄ）は、有効性の高い「共に量子化インデックスが０」でない次元から算出された同一性尺度、後半のｇ(Ｄ)は有効性の低い「共に量子化インデックスが０」である次元から算出された同一性尺度であり、その和として全体の同一性尺度を定義している。ここで、前半のＢ／f(Ｄ)よりも後半のｇ(Ｄ)の影響（重み）が小さくなるように、単調非減少関数ｇ(Ｄ)を設計することで、有効性の高い前半のＢ／f(Ｄ)の重みを大きくした形で同一性尺度を算出することができる。例えばある小さな重み値βを用いて、同一性尺度を(Ｂ／f(Ｄ))＋β×Ｄ、として算出してもよい。さらに、また例えば、ｆ(Ｄ)＝定数である場合に、1／ｆ(Ｄ)＝αと置くと、同一性尺度をα×Ｂ＋β×Ｄ、として算出してもよい。このように、有効性の高い「共に量子化インデックスが０」でない次元と、有効性の低い「共に量子化インデックスが０」である次元とを分けて同一性尺度を算出することで、全ての次元を考慮しつつ、有効性の高い次元と有効性の低い次元との相対的な重みを調整（制御）することができ（有効性の高い次元の重みを大きくする、など）、同一性判定を行う画像データベースや、アプリケーションに応じて最適化することができる、という効果がある。
　なお、段落００６２から段落００６５においては、比較する２つの量子化インデックスベクトルにおいて、「共に量子化インデックスが０」である次元（の数）、および「共に量子化インデックスが０」でない次元（の数）、を基準に同一性尺度の算出方法を説明しているが、それぞれを「いずれか一方の量子化インデックスが０」である次元（の数）、および「いずれか一方の量子化インデックスが０」でない次元（の数）、を基準に、同様な計算方法で同一性尺度を算出してもよい。すなわち、段落００６２から段落００６５における「共に量子化インデックスが０」である次元（の数）、および「共に量子化インデックスが０」でない次元（の数）を、それぞれ、「いずれか一方の量子化インデックスが０」である次元（の数）、および「いずれか一方の量子化インデックスが０」でない次元（の数）と読み替えてもよい。
　段落００６２から段落００６６で述べた照合方法（同一性尺度の算出方法）は、量子化インデックスが式２に基づいて算出された場合として説明しているが、量子化インデックスが式２に基づいて算出された場合に限らず、比較手段４において、２つの抽出領域（第１の抽出領域と第２の抽出領域）の特徴量である第１の領域特徴量と第２の領域特徴量との差がない（差が小さい、差が規定の閾値以下）ことを表す量子化インデックスを導入した量子化方法を用いていれば、適用することができる。すなわち、段落００６２から段落００６６における量子化インデックス０を、「第１の領域特徴量と第２の領域特徴量との差がない（差が小さい、差が規定の閾値以下）ことを表す量子化インデックス」と解釈すればよい。
　段落００６１から段落００６７において説明した、２つの画像から抽出した量子化インデックスベクトルを照合する方法により同一性尺度を算出する手段を照合手段とすると、照合手段を構成要素とする画像識別子照合装置を構成することができる。照合手段は、比較手段４から出力される第１の画像の量子化インデックスベクトルと第２の画像の量子化インデックスベクトルを比較し、同一性尺度を算出して出力する。また、画像識別子照合装置は、照合手段に加えて同一性判定手段を備えることもできる。同一性判定手段は、照合手段から供給される同一性尺度を、あらかじめ与えられる閾値と大小の比較をし、第１の画像と第２の画像が同一であるか否かを判定し、その判定結果を出力する。
　なお、段落００６１から段落００６８において説明した量子化インデックスベクトルを照合する方法は、後述する全ての実施の形態（第２の実施の形態、第３の実施の形態、第４の実施の形態、その他の実施の形態）に対しても適用できる。
［第１の実施の形態の動作］
　次に、図５のフローチャートを参照して、第１の実施の形態における画像識別子抽出装置の動作を説明する。図５のフローチャートでは、特徴ベクトルの次元（の番号）をｎで表し、次元は１からＮまでの合計Ｎ次元あるものとする。
　まず、次元決定手段１は、抽出する特徴ベクトルの最初の次元として、次元１を決定し（ｎ＝１）、抽出領域取得手段２へ供給する（ステップＡ１）。
　次に、抽出領域取得手段２は、入力として供給される次元別抽出領域情報から、次元ｎの第１の抽出領域と第２の抽出領域とを示す情報を取得し、領域特徴量算出手段３へ供給する（ステップＡ２）。
　次に、領域特徴量算出手段３は、入力として供給される画像から、次元ｎの第１の領域特徴量と、第２の領域特徴量とを算出し、比較手段４へ供給する（ステップＡ３）。
　次に、比較手段４は、次元ｎの第１の領域特徴量と第２の領域特徴量とを比較し、比較した結果を量子化して、量子化インデックスを出力する（ステップＡ４）。
　次に、全ての次元に対して量子化インデックスの出力が終了したか否かを判定（すなわちｎ＜Ｎが真であるか偽であるかを判定）する（ステップＡ５）。全ての次元に対して量子化インデックスの出力が終了した場合（すなわちｎ＜Ｎが偽である場合）は処理を終了する。全ての次元に対して量子化インデックスの出力が終了していない場合（すなわちｎ＜Ｎが真である場合）は、ステップＡ６へ移行する。ステップＡ６では、次元決定手段１が、抽出する特徴ベクトルの次元として、次の次元を決定し（ｎ＝ｎ＋１）、抽出領域取得手段２へ供給する。そして、再度ステップＡ２へ移行する。
　なお、ここでは、次元１から次元Ｎまで順番に抽出処理を行っているが、順番はこれに限らず任意でよい。またこの処理手順に限らず、複数の次元に対する抽出処理を並列に行うようにしてもよい。
[第１の実施の形態の効果]
　次に、本発明の第１の実施の形態の効果について説明する。
　第１の効果は、複数の次元から成る特徴ベクトルで構成される画像識別子の、異なる画像を識別できる度合いである識別能力を高くすることができることである。特に、画像の局所領域間の相関が大きい画像に対して、この効果は顕著である。
　その理由は、次元間で特徴量を抽出する領域の形状が異なる（領域の形状に多様性がある）ことにより、次元間の相関を小さくできるからである。
　第２の効果は、特定の周波数に信号が集中している画像に対しても、識別能力が低下することがないことである。
　その理由は、次元間で特徴量を抽出する領域の形状が異なる（領域の形状に多様性がある）ことにより、ある特定の周波数に信号が集中している画像に対しても、同時に全ての（多くの）抽出領域の対（次元）の間で特徴量の差が無くなり識別能力が低下するようなことが発生しにくくなるからである。
[第２の実施の形態]
[第２の実施の形態の構成]
　次に、本発明の第２の実施の形態について図面を参照して詳細に説明する。
　本発明の第２の実施の形態は、図１に示した第１の実施の形態における比較手段４が、図６に詳細を示す比較手段４Ａに置き換わる点において、異なる。比較手段４Ａ以外に関しては、第１の実施の形態と同様であるため、ここでは説明を省略する。
　図６を参照すると、比較手段４Ａは、差分値算出手段４３と、量子化境界決定手段４５と、量子化手段４４と、から構成されている。
　差分値算出手段４３は、次元ごとに、領域特徴量算出手段３から供給される第１の領域特徴量と、第２の領域特徴量との差分値を算出し、量子化境界決定手段４５と、量子化手段４４とへ供給する。
　差分値は、領域特徴量がスカラー量の場合（例えば輝度値の平均値）は、例えば、第１の領域特徴量から第２の領域特徴量を（あるいはその逆）減算して得られたスカラー量である。また、領域特徴量がベクトル量の場合は、例えば、それぞれのベクトルを任意の方法でスカラー量に変換してから、スカラー量の差分値を求めてもよい。また、領域特徴量がベクトル量の場合は、第１の領域特徴量と第２の領域特徴量との差分ベクトルを、差分値（ベクトル量）としてもよい。
　量子化境界決定手段４５は、差分値算出手段４３から供給される特徴ベクトルの全ての次元の差分値が供給されると、全ての次元の差分値の分布に基づいて、量子化の境界を決定し、決定した量子化境界の情報を量子化手段４４へ供給する。ここで全ての次元の差分値の分布とは、差分値（あるいは差分ベクトル）に対する生起の頻度（確率）である。
　また量子化の境界を決定するとは、差分値を量子化する際に、漏れなく、かつ排他的に量子化インデックスに割り当てるためのパラメータを決定する、ということである。差分値がスカラー量である場合は、例えば、各量子化インデックス（量子化レベル）に対する値域（すなわち閾値）を決定し、その値域（閾値）を量子化境界の情報として量子化手段４３へ供給する。また差分値がベクトル量である場合は、例えばベクトル量子化を行うためのパラメータ、例えば、各量子化インデックスの代表ベクトル（重心ベクトルなど）を決定し、それを量子化境界の情報として量子化手段４４へ供給する。
　量子化境界決定手段４５は、差分値がスカラー量の場合であって、Ｍ値の量子化を行う場合（Ｍ＝２、３、…など）に、全ての次元の差分値の分布に基づいて、それぞれの量子化インデックスの全次元に対する割合が均等になるように、量子化の値域（閾値）を決定してもよい。
　例えば、前記式１の変形として、定数αを用いて、Ｖｎ１＋α＞Ｖｎ２の場合は量子化インデックス＋１、Ｖｎ１＋α≦Ｖｎの場合は量子化インデックス－１とする２値の量子化（Ｍ＝２）の場合に、量子化インデックスの＋１と－１の割合が均等になるように、差分値の分布の中央の点（左右の分布の積分値が等しくなる点）を量子化の閾値αとして決定してもよい。また差分値がベクトル量である場合も同様に、Ｍ値の量子化を行う場合に、全ての次元の差分ベクトルの分布に基づいて、それぞれの量子化インデックスの全次元に対する割合が均等になるように、各量子化インデックスに割り当てられるベクトル空間の領域を決定したり、ベクトル量子化を行う際の各量子化インデックスの代表ベクトル（重心ベクトルなど）を決定してもよい。このように、どの画像に対しても、全次元に対する量子化インデックスの割合を均等にすることで（すなわち、量子化インデックスの偏りを無くす）、エントロピーを高くすることができるため、識別能力を高くすることができる。
　なお、量子化境界決定手段４５が、量子化インデックスの全次元に対する割合が均等になるように量子化の境界を決定し、それに基づいて量子化手段４４が量子化を行う比較・量子化方法を、比較・量子化方法Ｆと呼ぶことにする。
　また例えば、量子化境界決定手段４５は、差分値がスカラー量の場合であって、上述の式２による３値の量子化を行う場合に（量子化インデックスが＋１、０、－１）、差分がないことを示す量子化インデックス０に量子化する際の閾値ｔｈ（この閾値以下の場合に量子化インデックスを０とする）を、全ての次元の差分値の分布に基づいて決定し、決定した閾値ｔｈを量子化手段４４へ供給してもよい（第１の実施の形態の図４の比較手段４では、この閾値ｔｈはあらかじめ規定されているものである）。例えば、全ての次元の差分値の絶対値を算出し、算出した差分値の絶対値をソートして、その上位または下位から、ある規定の割合（なおこの規定の割合は、例えば、入力として供給されるとする）の点を閾値ｔｈとしてもよい（この比較・量子化方法を比較・量子化方法Ｇと呼ぶことにする）。またここで規定の割合ではなく、＋１、０、－１の量子化インデックスの割合が均等に近づくように、閾値ｔｈを決定してもよい（この比較・量子化方法を比較・量子化方法Ｈと呼ぶことにする）。比較・量子化方法Ｈは、式２に従った場合の、比較・量子化方法Ｆの具体例に相当する。
　比較・量子化方法Ｇのより具体的な方法を、規定の割合として、百分率でＰ％とした場合（例えばＰ＝２５％）を例に挙げて説明する。全ての次元（次元数＝Ｎとする）の差分値の絶対値を、昇順にソートし、昇順にソートされた差分値の絶対値の集合をＤ(ｉ)＝｛Ｄ(０)、Ｄ(１)、Ｄ(２)、…、Ｄ(Ｎ－１)｝と表す。ここで、昇順にソートされた順列の下位からＰ％の位置にある値は、例えば、Ｄ(ｆｌｏｏｒ(Ｎ×Ｐ／１００))となり、閾値ｔｈ＝Ｄ(ｆｌｏｏｒ(Ｎ×Ｐ／１００))となる。なお、ｆｌｏｏｒ(）は、小数点以下の切り捨てを行う関数である。
　本実施の形態における方法は、第１の実施の形態における、比較手段４が図４の構成をとる場合と対比することができる。第１の実施の形態における図４の構成では、あらかじめ規定された閾値ｔｈが入力として供給されるのに対して、第２の実施の形態における上述の方法は、量子化境界決定手段４５において、全ての次元の差分値の分布に基づいて、画像に対して適応的に閾値ｔｈが算出される。このように第１の実施の形態では閾値ｔｈが固定化されており、第２の実施の形態では閾値ｔｈが画像に適応的に算出される。画像に適応的に閾値ｔｈが算出されることで、閾値ｔｈが固定化されている場合と比較して、特徴ベクトルの次元の値が、特定の量子化インデックスに偏る（特定の量子化インデックスの出現確率が高い）ことを抑えることができるため（特に起伏の少ない画像に対してなど）、識別能力を高くすることができる。例えば、第１の実施の形態における固定化された閾値ｔｈを用いた場合、起伏の少ない画像は、特徴ベクトルの大多数の次元（または全ての次元）が量子化インデックス０になってしまうのに対して、第２の実施の形態における適応的な閾値ｔｈを用いると、起伏の少ない画像に対しては閾値ｔｈが小さい値に自動的に調整されるため、特徴ベクトルの大多数の次元が量子化インデックス０になるような事態が発生しない。
　量子化手段４４は、次元ごとに、差分値算出手段４３から供給される次元ごとの差分値と、量子化境界決定手段４５から供給される量子化境界の情報とに基づいて、量子化を行い、量子化インデックスを出力する。
　なお、量子化手段４４は、量子化境界決定手段４５が出力した量子化境界の情報を無視した量子化を行っては意味がなくなるため、量子化境界決定手段４５で量子化境界を決定した際に想定していた量子化方法に従う必要がある。
[第２の実施の形態の動作]
　次に、図７のフローチャートを参照して、第２の実施の形態における画像識別子抽出装置の動作を説明する。図７のフローチャートでは、特徴ベクトルの次元（の番号）をｎで表し、次元は１からＮまでの合計Ｎ次元あるものとする。
　まず、次元決定手段１は、抽出する特徴ベクトルの最初の次元として、次元１を決定し（ｎ＝１）、抽出領域取得手段２へ供給する（ステップＢ１）。
　次に、抽出領域取得手段２は、入力として供給される次元別抽出領域情報から、次元ｎの第１の抽出領域と第２の抽出領域とを示す情報を取得し、抽出領域代表値算出手段３へ供給する（ステップＢ２）。
　次に、抽出領域代表値算出手段３は、入力として供給される画像から、次元ｎの第１の領域特徴量と、第２の領域特徴量とを算出し、差分値算出手段４３へ供給する（ステップＢ３）。
　次に、差分値算出手段４３は、次元ｎの第１の領域特徴量と第２の領域特徴量との差分値を算出し、量子化境界決定手段４５と、量子化手段４４とへ供給する（ステップＢ４）。
　次に、全ての次元に対する差分値の算出までの処理が終了したか否かを判定（すなわちｎ＜Ｎが真であるか偽であるかを判定）する（ステップＢ５）。全ての次元に対する差分値算出までの処理を終了した場合（すなわちｎ＜Ｎが偽である場合）はステップＢ７へ移行する。全ての次元に対する処理が終了していない場合（すなわちｎ＜Ｎが真である場合）は、ステップＢ６へ移行する。ステップＢ６では、次元決定手段１が、抽出する特徴ベクトルの次元として、次の次元を決定し（ｎ＝ｎ＋１）、抽出領域取得手段２へ供給する。そして、再度ステップＢ２へ移行する。
　なお、ここでは、次元１から次元Ｎまで順番に抽出処理を行っているが、順番はこれに限らず任意でよい。
　次に、量子化境界決定手段４５は、差分値算出手段４３から供給される特徴ベクトルの全ての次元の差分値が供給されると、全ての次元の差分値の分布に基づいて、量子化の境界を決定し、決定した量子化境界の情報を量子化手段４４へ供給する（ステップＢ７）。
　次にステップＢ８では、量子化を行う（量子化インデックスを算出する）特徴ベクトルの最初の次元として、次元１をセット（ｎ＝１）する。
　次に、量子化手段４４は、次元ｎの差分値と、量子化境界決定手段４５から供給される量子化境界とに基づいて、量子化を行い、量子化インデックスを出力する（ステップＢ９）。
　次に、全ての次元に対する量子化インデックスの出力が終了したか否かを判定（すなわちｎ＜Ｎが真であるか偽であるかを判定）する（ステップＢ１０）。全ての次元に対する量子化インデックスの出力を終了した場合（すなわちｎ＜Ｎが偽である場合）は処理を終了する。全ての次元に対する量子化インデックスの出力が終了していない場合（すなわちｎ＜Ｎが真である場合）は、ステップＢ１１へ移行する。ステップＢ１１では、量子化を行う（量子化インデックスを算出する）特徴ベクトルの次元として、次の次元をセットする（ｎ＝ｎ＋１）。そして、再度ステップＢ９へ移行する。
　なお、ここでは、次元１から次元Ｎまで順番に量子化処理を行っているが、順番はこれに限らず任意でよい。
[第２の実施の形態の効果]
　第２の実施の形態では、量子化の境界が固定されている第１の実施の形態と比較して、量子化の境界が画像に対して適応的に（動的に）算出される点が異なる。第１の実施の形態のように、量子化の境界が固定化されていると、特定の画像（例えば起伏の少ない平坦な画像など）に対して、特徴ベクトルの次元の値が、特定の量子化インデックスに偏る（特定の量子化インデックスの出現確率が高い）という事態が発生し（エントロピーが低くなる）、これらの画像に対して識別能力が低下するという問題が発生する。一方で第２の実施の形態のように、量子化の境界が画像に対して適応的に（動的に）算出されることにより、どの画像に対しても、特徴ベクトルの次元の値が、特定の量子化インデックスに偏る（特定の量子化インデックスの出現確率が高い）ことを抑えることができるため、識別能力を高くすることができる。
[第３の実施の形態]
[第３の実施の形態の構成]
　次に、本発明の第３の実施の形態について図面を参照して詳細に説明する。
　図８を参照すると、本発明の第３の実施の形態は、図１に示した第１の実施の形態の構成に、領域特徴量算出方法取得手段５が追加され、領域特徴量算出手段３が、第１および第２の領域特徴量算出手段３１Ａおよび３２Ａを有する領域特徴量算出手段３Ａに置き換わる点で異なる。なお、それ以外の構成に関しては、第１の実施の形態の構成と同様であるため、ここでは説明を省略する。なお、ここでは、第１の実施の形態との組み合わせとして説明しているが、第２の実施の形態との組み合わせであってもよい。
　領域特徴量算出方法取得手段５には、次元決定手段１からの次元と、次元別領域特徴量算出方法情報とが供給される。
　次元別領域特徴量算出方法情報は、あらかじめ規定された、特徴ベクトルの次元ごとに対応付けられた、その次元での領域特徴量の算出方法を示す情報であり、次元間で領域特徴量算出方法が異なることが必須条件である。なおここで、領域特徴量算出方法が異なるとは、同一の手順に対して異なるパラメータ（閾値など）を適用する場合も含む。
　ここで領域特徴量算出方法とは、例えば、第１の実施の形態の領域特徴量算出手段３の説明で記述した各種方法、またそれに伴うパラメータなどである。
　なお次元別領域特徴量算出方法情報が示す次元ごとの領域特徴量算出方法は、特徴ベクトルの全次元の中に、領域特徴量算出方法の異なる次元のペアが、少なくとも１つ存在することが最低条件である。領域特徴量算出方法が相互に異なる次元が多いほど、望ましい。これは、領域特徴量算出方法が相互に異なる次元が多いほど、特徴ベクトルのより多くの次元間で相関が小さくなり、識別能力が高くなるからである。例えば、特徴ベクトルの全ての次元間で、領域特徴量算出方法が相互に異なっていてもよい。
　なお、次元ごとの領域特徴量算出方法を示す情報の形式は、領域特徴量を算出する方法が一意に特定される限りは、任意の形式であってよい。
　図９に、次元ごとの領域特徴量算出方法の例を示す。図９に示すように、次元間で領域特徴量算出方法が異なる。また図９に示した例のように、スカラー量とベクトル量の特徴量が混在していてもよい（第１、３、５、６、８、９、１０、１２次元はスカラー量、第２、４、７、１１次元はベクトル量）。
　領域特徴量算出方法取得手段５は、入力として供給される次元別領域特徴量算出方法情報から、次元決定手段１から供給される次元に対応する領域特徴量算出方法を示す情報を取得し、領域特徴量算出手段３Ａへ供給する。
　領域特徴量算出手段３Ａは、入力として供給される画像から、次元ごとに、抽出領域取得手段２から供給される第１の抽出領域と第２の抽出領域とを示す情報に基づき、領域特徴量算出方法取得手段５から供給される領域特徴量算出方法を示す情報に従って、第１の抽出領域の特徴量と、第２の抽出領域の特徴量とを、それぞれ第１の領域特徴量と第２の領域特徴量として算出し、比較手段４へ供給する。
　領域特徴量算出手段３Ａでは、供給される抽出領域を示す情報の次元と、領域特徴量算出方法を示す情報の次元との同期が取れている必要がある。
[第３の実施の形態の動作]
　次に、図１０のフローチャートを参照して、第３の実施の形態における画像識別子抽出装置の動作を説明する。図１０のフローチャートでは、特徴ベクトルの次元（の番号）をｎで表し、次元は１からＮまでの合計Ｎ次元あるものとする。
　まず、次元決定手段１は、抽出する特徴ベクトルの最初の次元として、次元１を決定し（ｎ＝１）、抽出領域取得手段２と領域特徴量算出方法取得手段５とへ供給する（ステップＣ１）。次に、抽出領域取得手段２は、入力として供給される次元別抽出領域情報から、次元ｎの第１の抽出領域と第２の抽出領域とを示す情報を取得し、領域特徴量算出手段３Ａへ供給する（ステップＣ２）。
　次に、領域特徴量算出方法取得手段５は、入力として供給される次元別領域特徴量算出方法情報から、次元ｎに対応する領域特徴量算出方法を示す情報を取得し、領域特徴量算出手段３Ａへ供給する（ステップＣ３）。
　次に、領域特徴量算出手段３Ａは、入力として供給される画像から、次元ｎの第１の領域特徴量と、第２の領域特徴量とを算出し、比較手段４へ供給する（ステップＣ４）。次に、比較手段４は、次元ｎの第１の領域特徴量と第２の領域特徴量とを比較し、比較した結果を量子化して、量子化インデックスを出力する（ステップＣ５）。次に、全ての次元に対して量子化インデックスの出力が終了したか否かを判定する（ステップＣ６）。全ての次元に対して量子化インデックスの出力が終了した場合は処理を終了する。全ての次元に対して量子化インデックスの出力が終了していない場合は、ステップＣ７へ移行する。ステップＣ７では、次元決定手段１が、抽出する特徴ベクトルの次元として、次の次元を決定し（ｎ＝ｎ＋１）、抽出領域取得手段２と領域特徴量算出方法取得手段５とへ供給する。そして、再度ステップＣ２へ移行する。
　なお、ここでは、次元１から次元Ｎまで順番に抽出処理を行っているが、順番はこれに限らず任意でよい。またこの処理手順に限らず、複数の次元に対する抽出処理を並列に行うようにしてもよい。さらに、ステップＣ２とステップＣ３の順序を逆にしてもよい。
[第３の実施の形態の効果]
　第１の実施の形態の効果に加えて、異なる画像を識別できる度合いである識別能力を更に高くすることができる。
　その理由は、次元間で領域特徴量算出方法が異なる（領域特徴量算出方法に多様性がある）ことにより、次元間の相関をより小さくできるからである。
[第４の実施の形態]
[第４の実施の形態の構成]
　次に、本発明の第４の実施の形態について図面を参照して詳細に説明する。
　図１１を参照すると、本発明の第４の実施の形態は、図１に示した第１の実施の形態の構成に、比較方法取得手段６が追加され、比較手段４が比較手段４Ｂに置き換わる点で異なる。なお、それ以外の構成に関しては、第１の実施の形態の構成と同様であるため、ここでは説明を省略する。なお、ここでは、第１の実施の形態との組み合わせとして説明しているが、第２の実施の形態および第３の実施の形態との組み合わせであってもよい。
　比較方法取得手段６には、次元決定手段１からの次元と、次元別比較方法情報とが供給される。
　次元別比較・量子化方法情報は、あらかじめ規定された、特徴ベクトルの次元ごとに対応付けられた、その次元での領域特徴量を比較して量子化を行う方法を示す情報であり、次元間で比較・量子化方法が異なることが必須条件である。なおここで、比較・量子化方法が異なるとは、同一の手順に対して異なるパラメータ（閾値、量子化インデックス数など）を適用する場合も含む。
　ここで比較・量子化方法とは、例えば第１の実施の形態の比較手段４の説明で記述した各種比較・量子化の方法、またそれに伴うパラメータ（閾値、量子化インデックス数など）や、第２の実施の形態の比較手段４Ａの説明で記述した各種比較・量子化の方法、またそれに伴うパラメータ（閾値、量子化インデックス数など）などである。
　なお次元別比較・量子化方法情報が示す次元ごとの比較・量子化方法は、特徴ベクトルの全次元の中に、比較・量子化方法の異なる次元のペアが、少なくとも１つ存在することが最低条件である。比較・量子化方法が相互に異なる次元が多いほど、望ましい。これは、比較・量子化方法が相互に異なる次元が多いほど、特徴ベクトルのより多くの次元間で相関が小さくなり、識別能力が高くなるからである。例えば、特徴ベクトルの全ての次元間で、比較・量子化方法が相互に異なっていてもよい。
　なお、次元ごとの比較・量子化方法を示す情報の形式は、領域特徴量を比較して量子化する方法が一意に特定される限りは、任意の形式であってよい。
　図１２に、次元ごとの比較・量子化方法の例を示す。図１２に示すように、次元間で比較・量子化方法が異なる。また、第３、５、１２次元のように、同じ比較・量子化方法で、異なるパラメータ（閾値ｔｈ）を設定してもよい。なお、図１２に示した、次元ごとの比較・量子化方法の例は、図９に示した、次元ごとの領域特徴量算出方法の例と対応させており、スカラー量の領域特徴量に対してはスカラー量の比較・量子化方法を、ベクトル量の領域特徴量に対してはベクトル量の比較・量子化方法を例として示した。
　比較方法取得手段６は、入力として供給される次元別比較・量子化方法情報から、次元決定手段１から供給される次元に対応する比較・量子化方法を示す情報を取得し、比較手段４Ｂへ供給する。
　比較手段４Ｂは、次元ごとに、領域特徴量算出手段３から供給される第１の領域特徴量と、第２の領域特徴量とを、比較方法取得手段６から供給される比較・量子化方法を示す情報に従って、比較・量子化して、量子化インデックスを出力する。比較手段４Ｂは、比較・量子化方法によって、必要に応じて、第１の実施の形態の比較手段４と、第２の実施の形態の比較手段４Ｂの両方を内包した構成となる場合もある。
　比較手段４Ｂでは、供給される領域特徴量の次元と、比較・量子化方法を示す情報の次元の同期が取れている必要がある。
[第４の実施の形態の動作]
　次に、図１３のフローチャートを参照して、第４の実施の形態における画像識別子抽出装置の動作を説明する。図１３のフローチャートでは、特徴ベクトルの次元（の番号）をｎで表し、次元は１からＮまでの合計Ｎ次元あるものとする。
　まず、次元決定手段１は、抽出する特徴ベクトルの最初の次元として、次元１を決定し（ｎ＝１）、抽出領域取得手段２と比較方法取得手段６とへ供給する（ステップＤ１）。次に、抽出領域取得手段２は、入力として供給される次元別抽出領域情報から、次元ｎの第１の抽出領域と第２の抽出領域とを示す情報を取得し、領域特徴量算出手段３へ供給する（ステップＤ２）。
　次に、比較方法取得手段６は、入力として供給される次元別比較・量子化方法情報から、次元ｎに対応する比較・量子化方法を示す情報を取得し、比較手段４Ｂへ供給する（ステップＤ３）。
　次に、領域特徴量算出手段３は、入力として供給される画像から、次元ｎの第１の領域特徴量と、第２の領域特徴量とを算出し、比較手段４Ｂへ供給する（ステップＤ４）。次に、比較手段４Ｂは、次元ｎの第１の領域特徴量と第２の領域特徴量とを比較し、比較した結果を量子化して、量子化インデックスを出力する（ステップＤ５）。次に、全ての次元に対して量子化インデックスの出力が終了したか否かを判定する（ステップＤ６）。全ての次元に対して量子化インデックスの出力が終了した場合は処理を終了する。全ての次元に対して量子化インデックスの出力が終了していない場合は、ステップＤ７へ移行する。ステップＤ７では、次元決定手段１が、抽出する特徴ベクトルの次元として、次の次元を決定し（ｎ＝ｎ＋１）、抽出領域取得手段２と比較方法取得手段６とへ供給する。そして、再度ステップＤ２へ移行する。
　なお、ここでは、次元１から次元Ｎまで順番に抽出処理を行っているが、順番はこれに限らず任意でよい。またこの処理手順に限らず、複数の次元に対する抽出処理を並列に行うようにしてもよい。さらに、ステップＤ２とステップＤ３との順序を逆にしてもよく、ステップＤ３をステップＤ５の直前に実行するようにしてもよい。
[第４の実施の形態の効果]
　第１の実施の形態の効果に加えて、異なる画像を識別できる度合いである識別能力を更に高くすることができる。
　その理由は、次元間で比較・量子化方法が異なる（比較・量子化方法に多様性がある）ことにより、次元間の相関をより小さくできるからである。
［その他の実施の形態］
　以上本発明の実施の形態について説明したが、本発明は以上の実施の形態にのみ限定されず、その他各種の付加変更が可能である。また、本発明の画像識別子抽出装置は、その有する機能をハードウェア的に実現することは勿論、コンピュータとプログラムとで実現することができる。プログラムは、磁気ディスクや半導体メモリ等のコンピュータ可読記録媒体に記録されて提供され、コンピュータの立ち上げ時などにコンピュータに読み取られ、そのコンピュータの動作を制御することにより、そのコンピュータを前述した各実施の形態における次元決定手段、抽出領域取得手段、領域特徴量算出手段、比較手段、領域特徴量算出方法取得手段、比較方法取得手段として機能させる。
　次に、本発明における他の実施の形態を示す。
［第５の実施の形態］
　第５の実施の形態では、抽出する特徴ベクトルの次元数は３００次元（第１次元から第３００次元）である。
　第５の実施の形態では、次元ごとの抽出領域（第１の抽出領域と第２の抽出領域）は、様々な形状の四角形から構成される。第５の実施の形態において、抽出領域取得手段２に入力として供給される次元別抽出領域情報を図１４に示す。図１４は、規定の画像サイズである、横幅３２０画素×縦幅２４０画素の画像サイズに対する、次元ごとの抽出領域（第１の抽出領域と第２の抽出領域）の四角形の四隅のXY座標値を示す。例えば、第１次元の抽出領域は、座標値(262.000,163.000)、座標値(178.068,230.967)、座標値(184.594,67.411)、座標値(100.662,135.378)を四隅とする四角形で構成される第１の抽出領域と、座標値(161.000,133.000)、座標値(156.027,132.477)、座標値(164.240,102.170)、座標値(159.268,101.647)を四隅とする四角形で構成される第１の抽出領域とで構成される。
　次元ごとの抽出領域（第１の抽出領域と第２の抽出領域）は、横幅３２０画素×縦幅２４０画素の画像サイズに正規化された画像に対して、この四隅の座標値で囲まれる領域の中に含まれる整数値の座標値の画素の集合となる。ただし、四隅の座標値で囲まれる領域の中に含まれる負の座標値は、抽出領域に含まない。
　第５の実施の形態において、領域特徴量算出方法取得手段５に入力として供給される次元別領域特徴量算出方法情報を図１５に示す。第５の実施の形態では、全ての次元に対して、それぞれの抽出領域（第１の抽出領域と第２の抽出領域）に含まれる画素群の輝度値の平均値が、それぞれの抽出領域の領域特徴量となる。
　第５の実施の形態において、比較方法取得手段６に入力として供給される次元別比較・量子化方法情報を図１７に示す。第５の実施の形態では、次元ごとに、比較・量子化方法Bまたは比較・量子化方法Gが用いられ、次元ごとにそのパラメータの値も異なる。例えば、第１次元は、比較・量子化方法Ｇで、閾値th=D(floor(300×5.0/100))である。また、例えば第２次元は、比較・量子化方法Ｇで、閾値th=D(floor(300×10.0/100))である。また、例えば第９次元は、比較・量子化方法Ｂで、閾値th=3.0である。
［第６の実施の形態］
　第６の実施の形態は、第５の実施の形態と同じく、抽出する特徴ベクトルの次元数は３００次元（第１次元から第３００次元）である。また第６の実施の形態では、抽出領域取得手段２に入力として供給される次元別抽出領域情報として、第５の実施の形態と同じく図１４に示す情報を使用する。さらに第６の実施の形態では、比較方法取得手段６に入力として供給される次元別比較・量子化方法情報として、第５の実施の形態と同じく図１７に示す情報を使用する。
　第６の実施の形態において、領域特徴量算出方法取得手段５に入力として供給される次元別領域特徴量算出方法情報を図１６に示す。第６の実施の形態では、次元ごとに、抽出領域（第１の抽出領域と第２の抽出領域）に含まれる画素群の輝度値の平均値、または、パーセンタイル輝度値特徴量が用いられ、同じパーセンタイル輝度値特徴量を用いる場合でも、次元ごとにその特徴量は異なる。例えば、第１次元は、抽出領域に含まれる画素の輝度値の平均値である。また、例えば第４次元は、パーセンタイル輝度値特徴量で、Y(floor(N×20.0/100)である。また、第８次元は、パーセンタイル輝度値特徴量で、Y(floor(N×80.0/100)である。
［第７の実施の形態］
　第７の実施の形態は、抽出する特徴ベクトルの次元数は３２５次元（第１次元から第３２５次元）である。第７の実施の形態の場合は、各領域は、画像を縦方向３２、横方向３２に分割してできる１０２４個のブロックの組み合わせによって構成されている。ここで、各ブロックに対して、図２７に示すように、左上から順に０から始まるインデックスを付与し、このインデックスを用いて領域を記述する。具体的には、長方形領域を、その左上のブロックのインデックスａと右下のブロックのインデックスｂを用いてａ－ｂのように表現する。例えば、インデックス０、１、３２、３３の４つのブロックからなる長方形は、０－３３のように記述する。また、このようにしてできる長方形を記号“｜”によって繋げた場合は、その記号の前後の長方形を連結してできる領域を表現するものとする。例えば、０－３３｜２－６７は、０－３３で定義される長方形と、２－６７で定義される長方形を連結してできる領域、すなわち、ブロック番号０、１、２、３、３２、３３、３４、３５、６６、６７によって構成される領域を表している。
　この表記によって第７の実施の形態の各次元に対応する領域を示したものが図２８である。図では、領域のタイプ別に図２８－ａ、図２８－ｂ、図２８－ｃ、図２８－ｄ、図２８－ｅ、図２８－ｆ、図２８－ｇに分けて上述の３２５次元を記述している。ここで、領域のタイプとは、第1、第２の抽出領域間の相対位置や形状の組み合わせによって定まる領域パターンが似たもの同士でグループ化（類型化）したものである。
　具体的には、図２８－ａの場合は、図３０－ａに一例を示すように、縦横４ブロックからなる正方形を縦方向か横方向に２等分してできる２つの領域を第１、第２の抽出領域とした場合に相当する。このため、第１、第２の抽出領域の形状は、ともに縦４ブロック、横２ブロックからなる長方形、あるいは縦２ブロック、横４ブロックからなる長方形である。また、第１、第２の抽出領域の相対的な位置関係を見ると、長方形の長い辺同士が重なるように隣接する位置に存在する。
　図２８－ｂの場合は、図３０－ｂに一例を示すように、縦横８ブロックからなる正方形を縦横２等分してできる４つの正方形のうち、左上と右下、右上と左下をそれぞれ組み合わせてできる２つの領域を第１、第２の抽出領域とした場合に相当する。このため、第１、第２の抽出領域の形状は、ともに縦横２ブロックからなる正方形を１つの頂点を共有するように４５度あるいは１３５度の対角線上に２つ配置した形状となっている。また、領域の相対的な位置関係を見ると、第２の領域を構成する２つの正方形が、第１の領域の左上の正方形のすぐ左と下に隣接する位置に第２の領域が存在する。
　図２８－ｃの場合は、図３０－ｃに一例を示すように、第１、第２の抽出領域の形状は、ともに縦横１０ブロックからなる正方形である。また、第１、第２の抽出領域の相対的な位置関係を見ると、縦横ともに１０ブロックの整数倍だけ離れた位置に存在する。
　図２８－ｄの場合は、図３０－ｄに一例を示すように、第１、第２の抽出領域の形状は、ともに縦横６ブロックからなる正方形である。また第１、第２の抽出領域の相対的な位置関係を見ると、縦横ともに６ブロックの整数倍だけ離れた位置に存在する。
　図２８－ｅの場合は、図３０－ｅに一例を示すように、正方形領域を中心部分の正方形とその外側の２つに分けてできる２つの領域を第１、第２の抽出領域とした場合に相当する。このため、領域の形状は、第２の抽出領域が中心部分の正方形、第１の正方形は全体の正方形から第２の抽出領域をくりぬいた形状である。また、領域の相対的な位置関係を見ると、第１の抽出領域の中央の穴の位置に第２の抽出領域が存在する。
　図２８－ｆの場合は、図３０－ｆに一例を示すように、領域の形状は、第１の抽出領域は縦６ブロック、横１０ブロックの長方形、第２の抽出領域は縦１０ブロック、横６ブロックの長方形である。また、第１、第２の抽出領域の相対的な位置関係を見ると、中心位置が一致するように配置されている。
　図２８－ｇの場合には、図３０－ｇに一例を示すように、縦４ブロック、横１２ブロックからなる長方形、あるいは縦１２ブロック、横４ブロックからなる長方形を、長い辺を３等分してできる中央の正方形とそれ以外の２領域を第１、第２の抽出領域とした場合に相当する。このため、領域の形状は、第１の抽出領域は縦横４ブロックからなる正方形を２つ、縦か横に４ブロック離れて配置した形状で、第２の抽出領域は縦横４ブロックからなる正方形である。また、領域の相対的な位置関係を見ると、第１の抽出領域の間に第２の抽出領域が存在する。
　以後、図２８－ａ、図２８－ｂ、図２８－ｃ、図２８－ｄ、図２８－ｅ、図２８－ｆ、図２８－ｇの領域タイプを、それぞれ領域タイプａ、領域タイプｂ、領域タイプｃ、領域タイプｄ、領域タイプｅ、領域タイプｆ、領域タイプｇと呼ぶことにする。
　第７の実施の形態では、図２８で示した各領域において、領域特徴量として輝度値の平均を算出し、各次元の特徴量を算出する。もちろん、輝度値の平均のかわりにメディアンや最大値など、前述の様々な抽出方法によって抽出した値を領域特徴量として求めるようにしてもよい。
　各次元の特徴量の量子化では、上述の領域のタイプ別に閾値を定め、量子化を行うようにする。例えば、式２に従って特徴量を３値に量子化する場合には、領域のタイプ別に、０、１、－１の生起の割合が均等になるように量子化の閾値ｔｈを決定し、量子化を行うようにする。具体的には、段落００９３で記述した方法をＰ＝３３．３３３％、Ｎを領域タイプ別の次元数として領域タイプ別に適用し、閾値ｔｈを求める。例えば、領域タイプａの場合にはＮ＝１１３となるため、ｔｈ＝Ｄ（ｆｌｏｏｒ（１１３×３３．３３３／１００））＝Ｄ（３７）により閾値を算出する。ここで、Ｄ（ｉ）（ｉ＝０、１、…、Ｎ－１）は、領域タイプａに該当する第１次元から第１１３次元の差分値の絶対値を昇順にソートした集合になる。この場合は閾値に対応するインデックスが３７となる。同様に、他の領域タイプに対しても、閾値に対応するインデックスを求めることができる。これを示したのが図２９である。このように領域タイプ別に閾値を求める方が、全体で閾値を決める場合に比べて各次元での０、１、－１の発生確率を均一化できるようになり、識別能力が向上する。もちろん、前述の他の様々な量子化方法によって量子化するようにしてもよい。
　なお、第７の実施の形態の場合には、図２７で示したブロックごとに代表値（例えば、ブロック内の画素の輝度値の平均値）を先に算出し、それから領域特徴量を抽出するようにしてもよい。これにより、領域内の全画素から直接領域特徴量を抽出する場合よりも高速に抽出できるようになる。また、各領域タイプの抽出領域は、全体として対称性を有する。このため、画像の右と左を反転させたり、上下を反転させたりした場合でも、次元の対応関係と符号を適切に変更することによって、左右または上下反転した画像から抽出された特徴量からもとの画像の特徴量を復元できる。このため、左右あるいは上下を反転させた画像とも照合することができるようになる。
［照合手段の実施の形態］
　次に、本発明で出力される量子化インデックスベクトルを照合する照合手段についてブロック図を用いて説明する。
　図２１を参照すると、本発明で出力される量子化インデックスベクトルを照合する照合手段１００のブロック図が示されており、次元決定手段１０１、量子化値取得手段１０２、１０３、尺度算出手段１０４とからなる。
　次元決定手段１０１は量子化値取得手段１０２、１０３へ接続され、決定された次元情報を出力する。量子化値取得手段１０２は、第1の量子化インデックスベクトルから、次元決定手段１０１から入力される次元の量子化インデックス値を取得し、第1の量子化インデックス値として尺度算出手段１０４へ出力する。量子化値取得手段１０３は、第２の量子化インデックスベクトルから、次元決定手段１０１から入力される次元の量子化インデックス値を取得し、第２の量子化インデックス値として尺度算出手段１０４へ出力する。尺度算出手段１０４は、量子化値取得手段１０２、１０３からそれぞれ出力される第1、第２の量子化インデックス値から同一性を表す尺度を算出し、出力する。
　次に、図２１の照合手段１００の動作について説明する。
　まず、照合手段１００へは、第１の画像から抽出される量子化インデックスベクトルである第１の量子化インデックスベクトルと、第２の画像から抽出される量子化インデックスベクトルである第２の量子化インデックスベクトルとが入力される。入力された第１、第２の量子化インデックスベクトルは、それぞれ量子化値取得手段１０２、１０３へ入力される。
　量子化値取得手段１０２、１０３へは、次元決定手段１０１から出力される次元情報も入力される。次元決定手段１０１では、Ｎ次元ベクトルである量子化インデックスベクトルの各次元を指定する情報を順次出力する。出力する順序は必ずしも1からＮまで1つずつ増えていく必要はなく、1からＮまでの次元が過不足なく指定される順序であれば、どのような順序であってもよい。
　量子化値取得手段１０２、１０３では、入力された量子化インデックスベクトルから、次元決定手段１０１から出力される次元情報で指定される次元の量子化インデックス値を取得する。そして、取得した量子化インデックス値を尺度算出手段１０４へ出力する。
　尺度算出手段１０４では、量子化値取得手段１０２から出力される第1の量子化インデックス値と第２の量子化インデックス値とを比較する。この比較を各次元に対して行い、第1、第２の量子化インデックスベクトル間の類似尺度（あるいは距離尺度）を同一性尺度として算出する。
　得られた同一性尺度値は予め定めた閾値と比較し、同一性の判定を行う。同一性尺度が類似度をあらわす尺度である場合には、尺度値が閾値以上の場合に同一と判定する。一方、同一性尺度が距離をあらわす尺度である場合には、尺度値が閾値以下の場合に同一と判定する。
　次に、フローチャートを用いて図２１の照合手段１００の動作を説明する。まず、同一性尺度として類似度を用いる場合の動作について説明する。
　図２２は、照合手段１００の動作を示すフローチャートである。図２２のフローチャートでは、量子化インデックスベクトルの次元（の番号）をｎで表し、次元は１からＮまでの合計Ｎ次元あるものとする。また、類似度を算出する変数をＢで表すこととする。
　まず、次元決定手段１０１は、照合する量子化インデックスベクトルの最初の次元として、次元１を決定し（ｎ＝１）、量子化値取得手段１０２、１０３へ供給するとともに、尺度算出手段１０４において変数Ｂを０にセットする。（ステップＳ１００）。
　次に、量子化値取得手段１０２、１０３において、第１の量子化インデックスベクトル、第２の量子化インデックスベクトルから、次元ｎの第１の量子化インデックス値と第２の量子化インデックス値とを取得し、尺度算出手段１０４へ供給する（ステップＳ１０２）。
　次に、尺度算出手段１０４において、第１の量子化インデックス値と第２の量子化インデックス値とから、それぞれの量子化インデックスに対応する特徴量の間の類似度ΔＢを算出する（ステップＳ１０４）。例えば、量子化インデックスが一致する場合にはΔＢ＝１とし、それ以外の場合はΔＢ＝０とする。あるいは、量子化インデックスから量子化前の特徴量の代表値を算出し、代表値間の差分が小さいほど大きくなる値をΔＢとして用いてもよい。この際、特徴量の代表値を算出して差分を求めるかわりに、量子化インデックス値の組み合わせによってΔＢの値を引くことができるテーブルを保持しておき、量子化インデックス値の組み合わせからこのテーブルを用いてΔＢの値を直接求めるようになっていてもよい。
　次に、ΔＢの値は変数Ｂに加算される（ステップＳ１０６）。この際、ΔＢの値が０の場合には、変数Ｂに０を加算するかわりに、加算しないように制御してもよい。
　次に、次元の番号ｎが次元数Ｎに到達したかどうかを調べ（ステップＳ１０８）、到達しない場合はステップＳ１１２へ移行し、到達した場合には、そのときの変数Ｂの値を同一性尺度（類似度を表す尺度）として出力し（ステップＳ１１０）、処理を終了する。
　ステップ１１２では、次元決定手段１０１が、取得する量子化インデックスの次元として、ｎ＝ｎ＋１によって次の次元を決定し、量子化値取得手段１０２、１０３へ供給する。そして、再度ステップＳ１０２へ移行する。
　なお、ここでは、次元１からＮまで順番に抽出処理を行っているが、順番はこれに限らず任意でよい。
　次に、同一性尺度として距離を用いる場合の動作について説明する。
　図２３は、照合手段１００の動作を示す別のフローチャートである。図２３のフローチャートでも、量子化インデックスベクトルの次元（の番号）をｎで表し、次元は１からＮまでの合計Ｎ次元あるものとする。また、距離尺度を算出する変数をＣで表すこととする。
　基本的なフローは、図２２の場合と同じであるが、ステップＳ１００、Ｓ１０４、Ｓ１０６、Ｓ１１０がそれぞれステップＳ２００、Ｓ２０４、Ｓ２０６、Ｓ２１０に置き換わっている点が異なる。
　まず、ステップＳ２００では、次元決定手段１０１において、照合する量子化インデックスベクトルの最初の次元として、次元１を決定し（ｎ＝１）、量子化値取得手段１０２、１０３へ供給するとともに、尺度算出手段１０４において変数Ｃを０にセットする。
　ステップＳ２０４では、尺度算出手段１０４において、第１の量子化インデックス値と第２の量子化インデックス値とから、それぞれの量子化インデックスに対応する特徴量の距離ΔＣを算出する。例えば、量子化インデックスが一致する場合にはΔＣ＝０とし、それ以外の場合はΔＣ＝１とする。あるいは、量子化インデックスから量子化前の特徴量の代表値を算出し、代表値間の差分が小さいほど小さくなる値をΔＣとして用いてもよい。この際、特徴量の代表値を算出して差分を求めるかわりに、量子化インデックス値の組み合わせによってΔＣの値を引くことができるテーブルを保持しておき、量子化インデックス値の組み合わせからこのテーブルを用いてΔＣの値を直接求めるようになっていてもよい。
　ステップＳ２０６では、ΔＣの値は変数Ｃに加算される。この際、ΔＣの値が０の場合には、変数Ｃに０を加算するかわりに、加算しないように制御してもよい。
　ステップＳ２１０では、そのときの変数Ｃの値を同一性尺度（距離を表す尺度）として出力し、処理を終了する。
　それ以外のステップについては、図２２の場合と同様である。ただし、ステップＳ１０８で次元の番号ｎが次元数Ｎに到達した場合にはステップＳ２１０へ移行する。
　なお、ここでは、次元１からＮまで順番に抽出処理を行っているが、順番はこれに限らず任意でよい。
　次に、第１の量子化インデックス値と第２の量子化インデックス値とで、「共に量子化インデックスが０」である次元を除外し、同一性尺度として類似度を用いる場合の動作について説明する。
　図２４は、照合手段１００の動作を示す別のフローチャートである。図２４のフローチャートでも、量子化インデックスベクトルの次元（の番号）をｎで表し、次元は１からＮまでの合計Ｎ次元あるものとする。また、類似度を算出する変数をＢで表すこととし、「共に量子化インデックスが０」ではない次元をカウントするための変数をＡで表すこととする。
　まず、次元決定手段１０１は、照合する量子化インデックスベクトルの最初の次元として、次元１を決定し（ｎ＝１）、量子化値取得手段１０２、１０３へ供給するとともに、尺度算出手段１０４において変数Ａ、Ｂを０にセットし（ステップＳ３００）、ステップＳ１０２へ移行する。
　ステップＳ１０２は図２２の場合と同様であり、終了後、ステップＳ３１４へ移行する。
　ステップＳ３１４では、尺度算出手段１０４において、第１の量子化インデックス値と第２の量子化インデックス値とがともに０であるかどうかを調べる。ともに０である場合には、ステップＳ１０８へ移行し、どちらか一方が０でない場合には、変数Ａの値をひとつ増やし（ステップＳ３１６）、ステップＳ１０４へ移行する。
　ステップＳ１０４、Ｓ１０６、Ｓ１０８、Ｓ１１２の処理は図２２の場合と同様である。ステップＳ１０８で次元の番号ｎが次元数Ｎに到達した場合には、ステップＳ３１０へ移行する。
　ステップＳ３１０では、尺度算出手段１０４において、Ｂ／Ａの値を算出し、同一性尺度として出力し、処理を終了する。ただし、Ａ＝０の場合には、規定の値（例えば０．５）を出力する。
　なお、ここでは、次元１からＮまで順番に抽出処理を行っているが、順番はこれに限らず任意でよい。また、段落００６４で述べたように、ステップＳ３１０では、Ｂ／Ａを算出するかわりに、Ｄ＝Ｎ－Ａを求め、Ｂ／ｆ（Ｄ）（ｆ（Ｄ）はＤの単調非増加関数）によって同一性尺度を算出するようにしてもよい。あるいは、段落００６５で述べたように、同一性尺度を（Ｂ／ｆ（Ｄ））＋ｇ（Ｄ）として算出してもよい。
　また、Ａを求めずにＤの値を直接算出するようになっていてもよい。この場合のフローを示したのが図２６である。基本的には図２４と同様であるが、ステップＳ５００でＡのかわりに変数Ｄに０をセットし、ステップＳ３１４で量子化インデックスがともに０の場合にステップＳ５１６でＤを１つ増やしてステップＳ１０８へ移行し、どちらか一方の量子化インデックスが０でない場合にステップＳ１０４へ移行し、ステップＳ５１０でＢとＤとから同一性尺度を上述の方法によって算出する点が異なる。
　次に、第１の量子化インデックス値と第２の量子化インデックス値とで、「共に量子化インデックスが０」である次元を除外し、同一性尺度として距離を用いる場合の動作について説明する。
　図２５は、照合手段１００の動作を示す別のフローチャートである。図２５のフローチャートでも、量子化インデックスベクトルの次元（の番号）をｎで表し、次元は１からＮまでの合計Ｎ次元あるものとする。また、距離尺度を算出する変数をＣで表すこととし、「共に量子化インデックスが０」ではない次元をカウントするための変数をＡで表すこととする。
　基本的なフローは、図２４の場合と同じであるが、ステップＳ３００、Ｓ１０４、Ｓ１０６、Ｓ３１０がそれぞれステップＳ４００、Ｓ２０４、Ｓ２０６、Ｓ４１０に置き換わっている点が異なる。
　まず、ステップＳ４００では、次元決定手段１０１において、照合する量子化インデックスベクトルの最初の次元として、次元１を決定し（ｎ＝１）、量子化値取得手段１０２、１０３へ供給するとともに、尺度算出手段１０４において変数Ａ、変数Ｃを０にセットする。
　ステップＳ２０４、ステップＳ２０６については、図２３の場合と同様である。
　ステップＳ４１０では、尺度算出手段１０４において、Ｃ／Ａの値を算出し、同一性尺度として出力し、処理を終了する。ただし、Ａ＝０の場合には、規定の値（例えば０．５）を出力する。
　それ以外のステップについては、図２４の場合と同様である。ただし、ステップＳ１０８で次元の番号ｎが次元数Ｎに到達した場合にはステップＳ４１０へ移行する。
　なお、ここでは、次元１からＮまで順番に抽出処理を行っているが、順番はこれに限らず任意でよい。また、図２３のステップＳ３１０の場合と同様に、Ｃ／Ａを算出するかわりに、Ｄ＝Ｎ－Ａを求め、Ｃ／ｆ（Ｄ）などによって同一性尺度を算出してもよい。また、図２６と同様にして、Ａを求めずにＤの値を直接算出するようになっていてもよい。
　以上、上記各実施形態を参照して本発明を説明したが、本発明は、上述した実施形態に限定されるものではない。本発明の構成や詳細には、本発明の範囲内で当業者が理解しうる様々な変更をすることができる。
　なお、本発明は、日本国にて２００９年３月１３日に特許出願された特願２００９－６１０２１の特許出願、および日本国にて２００９年４月１４日に特許出願された特願２００９－９７８６３の特許出願に基づく優先権主張の利益を享受するものであり、当該特許出願に記載された内容は、全て本明細書に含まれるものとする。
１…次元決定手段
２…抽出領域取得手段
３、３Ａ…領域特徴量算出手段
　３１、３１Ａ…第１の領域特徴量算出手段
　３２、３２Ａ…第２の領域特徴量算出手段
４、４Ｂ…比較手段
　４１…大小比較手段
　４２、４４…量子化手段
　４３…差分値算出手段
　４５…量子化境界決定手段
５…領域特徴量算出方法取得手段
６…比較方法取得手段

Claims (23)

  1. 　画像中の、複数の部分領域対の、各部分領域から領域特徴量を抽出し、部分領域対ごとに、対をなす２つの部分領域の前記領域特徴量の差分値を量子化し、該量子化の際には差分値の絶対値がある規定値より小さい場合は特定の量子化値に量子化し、部分領域対ごとに算出された量子化値を要素とした集合を前記画像の識別に用いる画像識別子とする、生成方法によって生成された、第１の画像の画像識別子と第２の画像の画像識別子とを、前記特定の量子化値である要素の重みが小さくなる方法で照合する照合手段、
    を備えることを特徴とする画像識別子照合装置。
  2. 　前記照合手段は、前記第１の画像の画像識別子と前記第２の画像の画像識別子との対応する要素を比較して、前記第１の画像と前記第２の画像とが同一である度合いを示す同一性尺度を算出する
    ことを特徴とする請求項１に記載の画像識別子照合装置。
  3. 　前記算出方法として、双方の量子化値がともに前記特定の量子化値である要素間の比較結果の重みが小さくなる算出方法を使用する
    ことを特徴とする請求項１または２に記載の画像識別子照合装置。
  4. 　前記照合手段は、少なくとも一方の量子化値が前記特定の量子化値ではない要素の数をＡとし、少なくとも一方の量子化値が前記特定の量子化値ではない要素のうち量子化値が一致する要素の数をＢ、または一致しない要素の数をＣとするとき、Ｂ／ＡまたはＣ／Ａの計算結果から前記同一性尺度を算出する
    ことを特徴とする請求項３に記載の画像識別子照合装置。
  5. 　前記照合手段は、双方の量子化値がともに前記特定の量子化値である要素の数をＤとし、少なくとも一方の量子化値が前記特定の量子化値ではない要素のうち量子化値が一致する要素の数をＢ、または一致しない要素の数をＣとし、任意のＤに対して単調非増加な関数をｆ(Ｄ)とするとき、Ｂ／ｆ(Ｄ)またはＣ／ｆ(Ｄ)の値から前記同一性尺度を算出する
    ことを特徴とする請求項３に記載の画像識別子照合装置。
  6. 　前記照合手段は、双方の量子化値がともに前記特定の量子化値である要素の数をＤとし、少なくとも一方の量子化値が前記特定の量子化値ではない要素のうち量子化値が一致する要素の数をＢとするとき、Ｄの重みがＢの重みよりも小さい重み付けによってＤとＢを総和した値から前記同一性尺度を算出する
    ことを特徴とする請求項３に記載の画像識別子照合装置。
  7. 　前記算出方法として、少なくとも一方の量子化値が前記特定の量子化値である要素間の比較結果の重みが小さくなる算出方法を使用する
    ことを特徴とする請求項１または２に記載の画像識別子照合装置。
  8. 　前記照合手段は、双方の量子化値がともに前記特定の量子化値ではない要素の数をＡとし、双方の量子化値がともに前記特定の量子化値ではない要素のうち量子化値が一致する要素の数をＢ、または一致しない要素の数をＣとするとき、Ｂ／ＡまたはＣ／Ａの計算結果から前記同一性尺度を算出する
    ことを特徴とする請求項７に記載の画像識別子照合装置。
  9. 　前記照合手段は、少なくとも一方の量子化値が前記特定の量子化値である要素の数をＤとし、双方の量子化値がともに前記特定の量子化値ではない要素のうち量子化値が一致する要素の数をＢ、または一致しない要素の数をＣとし、任意のＤに対して単調非増加な関数をｆ(Ｄ)とするとき、Ｂ／ｆ(Ｄ)またはＣ／ｆ(Ｄ)の値から前記同一性尺度を算出する
    ことを特徴とする請求項７に記載の画像識別子照合装置。
  10. 　前記照合手段は、少なくとも一方の量子化値が前記特定の量子化値である要素の数をＤとし、双方の量子化値がともに前記特定の量子化値ではない要素のうち量子化値が一致する要素の数をＢとするとき、Ｄの重みがＢの重みよりも小さい重み付けによってＤとＢを総和した値から前記同一性尺度を算出する
    ことを特徴とする請求項７に記載の画像識別子照合装置。
  11. 　前記複数の部分領域対は、対をなす２つの部分領域の形状の組み合わせと、対をなす２つの部分領域の相対的な位置関係との双方が、他の少なくとも１つの部分領域対と相違する１以上の部分領域対を含む、
    ことを特徴とする請求項１乃至１０に記載の画像識別子照合装置。
  12. 　画像中の、複数の部分領域対の、各部分領域から領域特徴量を抽出し、部分領域対ごとに、対をなす２つの部分領域の前記領域特徴量の差分値を量子化し、該量子化の際には差分値の絶対値がある規定値より小さい場合は特定の量子化値に量子化し、部分領域対ごとに算出された量子化値を要素とした集合を前記画像の識別に用いる画像識別子とする、生成方法によって生成された、第１の画像の画像識別子と第２の画像の画像識別子とを、前記特定の量子化値である要素の重みが小さくなる方法で照合する、
    ことを特徴とする画像識別子照合方法。
  13. 　前記第１の画像の画像識別子と前記第２の画像の画像識別子との対応する要素を比較して、前記第１の画像と前記第２の画像とが同一である度合いを示す同一性尺度を算出する
    ことを特徴とする請求項１２に記載の画像識別子照合方法。
  14. 　前記算出方法として、双方の量子化値がともに前記特定の量子化値である要素間の比較結果の重みが小さくなる算出方法を使用する
    ことを特徴とする請求項１２または１３に記載の画像識別子照合方法。
  15. 　少なくとも一方の量子化値が前記特定の量子化値ではない要素の数をＡとし、少なくとも一方の量子化値が前記特定の量子化値ではない要素のうち量子化値が一致する要素の数をＢ、または一致しない要素の数をＣとするとき、Ｂ／ＡまたはＣ／Ａの計算結果から前記同一性尺度を算出する
    ことを特徴とする請求項１４に記載の画像識別子照合方法。
  16. 　双方の量子化値がともに前記特定の量子化値である要素の数をＤとし、少なくとも一方の量子化値が前記特定の量子化値ではない要素のうち量子化値が一致する要素の数をＢ、または一致しない要素の数をＣとし、任意のＤに対して単調非増加な関数をｆ(Ｄ)とするとき、Ｂ／ｆ(Ｄ)またはＣ／ｆ(Ｄ)の値から前記同一性尺度を算出する
    ことを特徴とする請求項１４に記載の画像識別子照合方法。
  17. 　双方の量子化値がともに前記特定の量子化値である要素の数をＤとし、少なくとも一方の量子化値が前記特定の量子化値ではない要素のうち量子化値が一致する要素の数をＢとするとき、Ｄの重みがＢの重みよりも小さい重み付けによってＤとＢを総和した値から前記同一性尺度を算出する
    ことを特徴とする請求項１４に記載の画像識別子照合方法。
  18. 　前記算出方法として、少なくとも一方の量子化値が前記特定の量子化値である要素間の比較結果の重みが小さくなる算出方法を使用する
    ことを特徴とする請求項１２または１３に記載の画像識別子照合方法。
  19. 　双方の量子化値がともに前記特定の量子化値ではない要素の数をＡとし、双方の量子化値がともに前記特定の量子化値ではない要素のうち量子化値が一致する要素の数をＢ、または一致しない要素の数をＣとするとき、Ｂ／ＡまたはＣ／Ａの計算結果から前記同一性尺度を算出する
    ことを特徴とする請求項１８に記載の画像識別子照合方法。
  20. 　少なくとも一方の量子化値が前記特定の量子化値である要素の数をＤとし、双方の量子化値がともに前記特定の量子化値ではない要素のうち量子化値が一致する要素の数をＢ、または一致しない要素の数をＣとし、任意のＤに対して単調非増加な関数をｆ(Ｄ)とするとき、Ｂ／ｆ(Ｄ)またはＣ／ｆ(Ｄ)の値から前記同一性尺度を算出する
    ことを特徴とする請求項１８に記載の画像識別子照合方法。
  21. 　少なくとも一方の量子化値が前記特定の量子化値である要素の数をＤとし、双方の量子化値がともに前記特定の量子化値ではない要素のうち量子化値が一致する要素の数をＢとするとき、Ｄの重みがＢの重みよりも小さい重み付けによってＤとＢを総和した値から前記同一性尺度を算出する
    ことを特徴とする請求項１８に記載の画像識別子照合方法。
  22. 　前記複数の部分領域対は、対をなす２つの部分領域の形状の組み合わせと、対をなす２つの部分領域の相対的な位置関係との双方が、他の少なくとも１つの部分領域対と相違する１以上の部分領域対を含む、
    ことを特徴とする請求項１２乃至２１に記載の画像識別子照合方法。
  23. 　コンピュータを、
    　画像中の、複数の部分領域対の、各部分領域から領域特徴量を抽出し、部分領域対ごとに、対をなす２つの部分領域の前記領域特徴量の差分値を量子化し、該量子化の際には差分値の絶対値がある規定値より小さい場合は特定の量子化値に量子化し、部分領域対ごとに算出された量子化値を要素とした集合を前記画像の識別に用いる画像識別子とする、生成方法によって生成された、第１の画像の画像識別子と第２の画像の画像識別子とを、前記特定の量子化値である要素の重みが小さくなる方法で照合する照合手段、
    として機能させるためのプログラム。
PCT/JP2010/001768 2009-03-13 2010-03-12 画像識別子照合装置 WO2010103848A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
EP10750604.0A EP2360639B1 (en) 2009-03-13 2010-03-12 Image identifier matching device
US13/131,798 US8270724B2 (en) 2009-03-13 2010-03-12 Image signature matching device
KR1020117021098A KR101398272B1 (ko) 2009-03-13 2010-03-12 화상 식별자 조합 장치
CN201080011021.3A CN102349091B (zh) 2009-03-13 2010-03-12 图像签名匹配设备
JP2011503731A JP4735783B2 (ja) 2009-03-13 2010-03-12 画像識別子照合装置

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2009061021 2009-03-13
JP2009-061021 2009-03-13
JP2009097863 2009-04-14
JP2009-097863 2009-04-14

Publications (1)

Publication Number Publication Date
WO2010103848A1 true WO2010103848A1 (ja) 2010-09-16

Family

ID=42728145

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2010/001768 WO2010103848A1 (ja) 2009-03-13 2010-03-12 画像識別子照合装置

Country Status (6)

Country Link
US (1) US8270724B2 (ja)
EP (1) EP2360639B1 (ja)
JP (1) JP4735783B2 (ja)
KR (1) KR101398272B1 (ja)
CN (1) CN102349091B (ja)
WO (1) WO2010103848A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013218530A (ja) * 2012-04-09 2013-10-24 Morpho Inc 特徴点検出装置、特徴点検出方法、特徴点検出プログラム及び記録媒体
US8863165B2 (en) 2010-11-01 2014-10-14 Gracenote, Inc. Method and system for presenting additional content at a media system
US9015741B2 (en) 2009-04-17 2015-04-21 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8744193B2 (en) * 2009-03-13 2014-06-03 Nec Corporation Image signature extraction device
US8526743B1 (en) 2010-11-01 2013-09-03 Raf Technology, Inc. Defined data patterns for object handling
US9152862B2 (en) * 2011-09-15 2015-10-06 Raf Technology, Inc. Object identification and inventory management
US9443298B2 (en) 2012-03-02 2016-09-13 Authentect, Inc. Digital fingerprinting object authentication and anti-counterfeiting system
US8774455B2 (en) 2011-03-02 2014-07-08 Raf Technology, Inc. Document fingerprinting
US9870517B2 (en) * 2011-12-08 2018-01-16 Excalibur Ip, Llc Image object retrieval
US9418314B2 (en) * 2012-01-30 2016-08-16 Nec Corporation Information processing apparatus and control method and control program thereof, and communication terminal and control method and control program thereof
US9041727B2 (en) 2012-03-06 2015-05-26 Apple Inc. User interface tools for selectively applying effects to image
US9131192B2 (en) 2012-03-06 2015-09-08 Apple Inc. Unified slider control for modifying multiple image properties
US10282055B2 (en) 2012-03-06 2019-05-07 Apple Inc. Ordered processing of edits for a media editing application
CN103377473B (zh) * 2012-04-19 2017-10-24 深圳市世纪光速信息技术有限公司 一种图像排重方法和装置
US9501684B1 (en) 2013-12-13 2016-11-22 Google Inc. Providing non-destructive editing reconciliation
US10621594B2 (en) 2016-02-19 2020-04-14 Alitheon, Inc. Multi-level authentication
EP3236401A1 (en) 2016-04-18 2017-10-25 Alitheon, Inc. Authentication-triggered processes
US10614302B2 (en) 2016-05-26 2020-04-07 Alitheon, Inc. Controlled authentication of physical objects
US10740767B2 (en) 2016-06-28 2020-08-11 Alitheon, Inc. Centralized databases storing digital fingerprints of objects for collaborative authentication
US10915612B2 (en) 2016-07-05 2021-02-09 Alitheon, Inc. Authenticated production
US10902540B2 (en) 2016-08-12 2021-01-26 Alitheon, Inc. Event-driven authentication of physical objects
US10839528B2 (en) 2016-08-19 2020-11-17 Alitheon, Inc. Authentication-based tracking
EP3435287A3 (en) 2017-07-25 2019-05-01 Alitheon, Inc. Model-based digital fingerprinting
EP3514715A1 (en) 2018-01-22 2019-07-24 Alitheon, Inc. Secure digital fingerprint key object database
US10963670B2 (en) 2019-02-06 2021-03-30 Alitheon, Inc. Object change detection and measurement using digital fingerprints
EP3734506A1 (en) 2019-05-02 2020-11-04 Alitheon, Inc. Automated authentication region localization and capture
EP3736717A1 (en) 2019-05-10 2020-11-11 Alitheon, Inc. Loop chain digital fingerprint method and system
CN110245615B (zh) * 2019-06-17 2022-09-13 河海大学常州校区 一种签名鉴伪方法、系统及存储介质
US11238146B2 (en) 2019-10-17 2022-02-01 Alitheon, Inc. Securing composite objects using digital fingerprints
EP3859603A1 (en) 2020-01-28 2021-08-04 Alitheon, Inc. Depth-based digital fingerprinting
US11568683B2 (en) 2020-03-23 2023-01-31 Alitheon, Inc. Facial biometrics system and method using digital fingerprints
US11341348B2 (en) 2020-03-23 2022-05-24 Alitheon, Inc. Hand biometrics system and method using digital fingerprints
US11948377B2 (en) 2020-04-06 2024-04-02 Alitheon, Inc. Local encoding of intrinsic authentication data
US11663849B1 (en) 2020-04-23 2023-05-30 Alitheon, Inc. Transform pyramiding for fingerprint matching system and method
US11700123B2 (en) 2020-06-17 2023-07-11 Alitheon, Inc. Asset-backed digital security tokens

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08500471A (ja) 1992-04-30 1996-01-16 セリディアン コーポレイション 放送セグメントを認識するための方法とシステム
JP2006268825A (ja) * 2005-02-28 2006-10-05 Toshiba Corp オブジェクト検出装置、学習装置、オブジェクト検出システム、方法、およびプログラム
JP2007140684A (ja) * 2005-11-15 2007-06-07 Toshiba Corp 画像処理装置、方法、プログラム
JP2009061021A (ja) 2007-09-05 2009-03-26 Univ Kansai 分岐型生分解性ポリエステルを含む生体内留置物
JP2009097863A (ja) 2007-10-12 2009-05-07 Toshiba Corp 機器位置検出システム

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4739398A (en) * 1986-05-02 1988-04-19 Control Data Corporation Method, apparatus and system for recognizing broadcast segments
US5157743A (en) * 1987-10-28 1992-10-20 Canon Kabushiki Kaisha Image information coding apparatus
US5067189A (en) * 1990-04-11 1991-11-26 Weedling Robert E Air chamber type patient mover air pallet with multiple control features
US5561873A (en) * 1994-07-15 1996-10-08 Patient Transfer Systems, Inc. Air chamber-type patient mover air pallet with multiple control features
US6073291A (en) * 1997-02-21 2000-06-13 Davis; David T. Inflatable medical patient transfer apparatus
DE69940703D1 (de) * 1998-03-05 2009-05-20 Panasonic Corp Verfahren zur Bildkodierung, Verfahren zur Bildkodierung/-Dekodierung, Bildkodierer, oder Vorrichtung zur Bildaufzeichnung/-Wiedergabe
JP3684148B2 (ja) * 2000-10-20 2005-08-17 キヤノン株式会社 画像処理方法及びその装置、記憶媒体
KR100450793B1 (ko) * 2001-01-20 2004-10-01 삼성전자주식회사 영역 분할된 영상의 영역 특징치 정합에 기초한객체추출장치 및 그 방법
JP4190739B2 (ja) * 2001-02-19 2008-12-03 日本電気株式会社 画像特徴量生成装置および方法、ならびに画像特徴量生成プログラムを記録した記憶媒体
JP4161659B2 (ja) * 2002-02-27 2008-10-08 日本電気株式会社 画像認識システム及びその認識方法並びにプログラム
US7643684B2 (en) * 2003-07-15 2010-01-05 Samsung Electronics Co., Ltd. Apparatus for and method of constructing multi-view face database, and apparatus for and method of generating multi-view face descriptor
US6898809B2 (en) * 2003-08-11 2005-05-31 Woodlark Circle, Inc. Air mattress with single perimeter seam
US7712170B2 (en) * 2003-08-11 2010-05-11 Woodlark Circle, Inc. Single patient, personal use air mattress having a single perimeter seam
US7379627B2 (en) * 2003-10-20 2008-05-27 Microsoft Corporation Integrated solution to digital image similarity searching
US7986813B2 (en) * 2004-03-03 2011-07-26 Nec Corporation Object pose estimation and comparison system using image sharpness differences, object pose estimation and comparison method using image sharpness differences, and program therefor
US20060193520A1 (en) * 2005-02-28 2006-08-31 Takeshi Mita Object detection apparatus, learning apparatus, object detection system, object detection method and object detection program
JP2007293438A (ja) * 2006-04-21 2007-11-08 Omron Corp 特徴量取得装置
US7805011B2 (en) * 2006-09-13 2010-09-28 Warner Bros. Entertainment Inc. Method and apparatus for providing lossless data compression and editing media content

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08500471A (ja) 1992-04-30 1996-01-16 セリディアン コーポレイション 放送セグメントを認識するための方法とシステム
JP2006268825A (ja) * 2005-02-28 2006-10-05 Toshiba Corp オブジェクト検出装置、学習装置、オブジェクト検出システム、方法、およびプログラム
JP2007140684A (ja) * 2005-11-15 2007-06-07 Toshiba Corp 画像処理装置、方法、プログラム
JP2009061021A (ja) 2007-09-05 2009-03-26 Univ Kansai 分岐型生分解性ポリエステルを含む生体内留置物
JP2009097863A (ja) 2007-10-12 2009-05-07 Toshiba Corp 機器位置検出システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP2360639A4

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10972763B2 (en) 2009-04-17 2021-04-06 Gracenote, Inc. Method and system for remotely controlling consumer electronic device
US10341697B2 (en) 2009-04-17 2019-07-02 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices
US9015741B2 (en) 2009-04-17 2015-04-21 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices
US11856155B2 (en) 2009-04-17 2023-12-26 Roku, Inc. Method and system for remotely controlling consumer electronic devices
US9992518B2 (en) 2009-04-17 2018-06-05 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices
US10979742B2 (en) 2009-04-17 2021-04-13 Gracenote, Inc. Method and system for remotely controlling consumer electronic device
US10250919B2 (en) 2009-04-17 2019-04-02 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices
US11818403B2 (en) 2009-04-17 2023-11-14 Roku, Inc. Method and system for remotely controlling consumer electronic devices
US11611783B2 (en) 2009-04-17 2023-03-21 Roku, Inc. Method and system for remotely controlling consumer electronic device
US11297359B2 (en) 2009-04-17 2022-04-05 Roku, Inc. Method and system for remotely controlling consumer electronic devices
US10701411B2 (en) 2009-04-17 2020-06-30 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices
US10701410B2 (en) 2009-04-17 2020-06-30 Gracenote, Inc. Method and system for remotely controlling consumer electronic device
US10701412B2 (en) 2009-04-17 2020-06-30 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices
US10715841B2 (en) 2009-04-17 2020-07-14 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices
US10735782B2 (en) 2009-04-17 2020-08-04 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices
US11206435B2 (en) 2009-04-17 2021-12-21 Roku, Inc. Method and system for remotely controlling consumer electronic devices
US10904589B2 (en) 2009-04-17 2021-01-26 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices
US11166056B2 (en) 2009-04-17 2021-11-02 Roku, Inc. Method and system for remotely controlling consumer electronic devices
US10972764B2 (en) 2009-04-17 2021-04-06 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices
US10972766B2 (en) 2009-04-17 2021-04-06 Gracenote, Inc. Method and system for remotely controlling consumer electronic device
US9706233B2 (en) 2009-04-17 2017-07-11 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices
US11140425B2 (en) 2009-04-17 2021-10-05 Roku, Inc. Method and system for remotely controlling consumer electronic devices
US9998767B2 (en) 2009-04-17 2018-06-12 Gracenote, Inc. Method and system for remotely controlling consumer electronic devices
US11064223B2 (en) 2009-04-17 2021-07-13 Roku, Inc. Method and system for remotely controlling consumer electronic devices
US11064224B2 (en) 2009-04-17 2021-07-13 Roku, Inc. Method and system for remotely controlling consumer electronic devices
US11064225B2 (en) 2009-04-17 2021-07-13 Roku, Inc. Method and system for remotely controlling consumer electronic devices
US11070852B2 (en) 2009-04-17 2021-07-20 Roku, Inc. Method and system for remotely controlling consumer electronic devices
US11134280B2 (en) 2009-04-17 2021-09-28 Roku, Inc. Method and system for remotely controlling consumer electronic devices
US11134281B2 (en) 2009-04-17 2021-09-28 Roku, Inc. Method and system for remotely controlling consumer electronic devices
US11102550B2 (en) 2010-11-01 2021-08-24 Roku, Inc. Method and system for presenting additional content at a media system
US8863165B2 (en) 2010-11-01 2014-10-14 Gracenote, Inc. Method and system for presenting additional content at a media system
US10904629B2 (en) 2010-11-01 2021-01-26 Gracenote, Inc. Method and system for presenting additional content at a media system
US10869095B2 (en) 2010-11-01 2020-12-15 Gracenote, Inc. Method and system for presenting additional content at a media system
US10506291B2 (en) 2010-11-01 2019-12-10 Gracenote, Inc. Method and system for presenting additional content at a media system
US11336964B2 (en) 2010-11-01 2022-05-17 Roku, Inc. Method and system for presenting additional content at a media system
US11445258B2 (en) 2010-11-01 2022-09-13 Roku, Inc. Method and system for presenting additional content at a media system
US10341734B2 (en) 2010-11-01 2019-07-02 Gracenote, Inc. Method and system for presenting additional content at a media system
US11743543B2 (en) 2010-11-01 2023-08-29 Roku, Inc. Method and system for presenting additional content at a media system
US10979772B2 (en) 2010-11-01 2021-04-13 Gracenote, Inc. Method and system for presenting additional content at a media system
US11889155B2 (en) 2010-11-01 2024-01-30 Roku, Inc. Method and system for presenting additional content at a media system
JP2013218530A (ja) * 2012-04-09 2013-10-24 Morpho Inc 特徴点検出装置、特徴点検出方法、特徴点検出プログラム及び記録媒体

Also Published As

Publication number Publication date
US8270724B2 (en) 2012-09-18
JP4735783B2 (ja) 2011-07-27
KR20110123769A (ko) 2011-11-15
US20110235920A1 (en) 2011-09-29
CN102349091A (zh) 2012-02-08
KR101398272B1 (ko) 2014-06-27
EP2360639A4 (en) 2012-05-02
CN102349091B (zh) 2014-08-06
EP2360639A1 (en) 2011-08-24
EP2360639B1 (en) 2016-11-16
JPWO2010103848A1 (ja) 2012-09-13

Similar Documents

Publication Publication Date Title
JP4735783B2 (ja) 画像識別子照合装置
JP5045817B2 (ja) 画像識別子抽出装置
JP4735786B2 (ja) 画像識別子照合装置
JP5573862B2 (ja) 画像識別子抽出装置
JP5686120B2 (ja) 画像識別子抽出装置
JP5454600B2 (ja) 画像識別子抽出装置

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201080011021.3

Country of ref document: CN

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

Ref document number: 10750604

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2011503731

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 13131798

Country of ref document: US

REEP Request for entry into the european phase

Ref document number: 2010750604

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2010750604

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 20117021098

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE