圖像分析裝置及圖像分析方法

專利名稱：圖像分析裝置及圖像分析方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像分析裝置及圖像分析方法。
背景技術(shù)：
目前已知能夠決定在用于識別圖像數(shù)據(jù)等的對象數(shù)據(jù)是否為特定內(nèi)容的數(shù)據(jù)的 識別處理中所使用的特征量的種類和識別條件的裝置(例如參照專利文獻(xiàn)1)。另外，已知 以高精度識別動態(tài)圖像中的被拍攝體的技術(shù)(例如參照專利文獻(xiàn)2)。專利文獻(xiàn)1 日本特開2005-115525號公報(bào)專利文獻(xiàn)2 日本特開2001-34756號公報(bào)非專利文獻(xiàn)1 IJacky S. C. Yuk, Kwan-Yee K. Wong, Ronald H. Y. Chung, F. Y. L. Chin and K. P. Chow," Real-time multiple head shape detection and tracking system with decentralized trackers“ ， Proceedings of the Sixth International Conference on Intelligent Systems Design and Application(ISDA' 06)，vol. 02，pp. 384-389，200與巨專禾[!文 2 J Shai Aviaden, Ensemble Tracking, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 29,issue. 2,pp.261-271,Feb.,200非專利文獻(xiàn) 3Helmut Grabner,Michael Grabner, " Real-time tracking via on-line boosting" ，vol. 1，pp. 47-57, BMVC200
發(fā)明內(nèi)容
當(dāng)使用規(guī)定了特征量的種類和識別條件的參照數(shù)據(jù)時(shí)，不易識別特征量變化的被 拍攝體。另外，在特征量變化大的情況下，有時(shí)被檢測為不同的被拍攝體從而無法追蹤特定 目標(biāo)。由此，存在無法高效地進(jìn)行目標(biāo)的檢測處理和特定目標(biāo)的追蹤處理的問題。為了解決上述問題，在本發(fā)明的第1方式中提供一種從動態(tài)圖像中抽取特定的目 標(biāo)的圖像分析裝置，該圖像分析裝置具有特征量存儲部，其存儲不同種類的多個基準(zhǔn)特征 量；特征量抽取部，其從包括在動態(tài)圖像中的多個動態(tài)圖像構(gòu)成圖像中分別抽取不同種類 的多個特征量；目標(biāo)抽取部，其根據(jù)被抽取的多個特征量相對于特征量存儲部所存儲的多 個基準(zhǔn)特征量的適合度，從動態(tài)圖像構(gòu)成圖像中抽取目標(biāo)；基準(zhǔn)特征量算出部，其由特征量 存儲部存儲的基準(zhǔn)特征量，算出根據(jù)種類以預(yù)先確定的強(qiáng)度與被抽取的目標(biāo)的特征量適應(yīng) 的多個基準(zhǔn)特征量；以及特征量更新部，其用基準(zhǔn)特征量算出部所算出的基準(zhǔn)特征量來更 新特征量存儲部存儲的多個基準(zhǔn)特征量。優(yōu)選算出適合度越大的種類則越以更大的強(qiáng)度適應(yīng)于被抽取的目標(biāo)的特征量的 多個基準(zhǔn)特征量。優(yōu)選基準(zhǔn)特征量算出部算出以與種類相應(yīng)的頻度適應(yīng)于被抽取的目標(biāo)的特征量 的多個基準(zhǔn)特征量。優(yōu)選特征量抽取部從不同分辨率的圖像中抽取多個特征量，特征量存儲部存儲與 從不同分辨率的圖像中抽取的多個特征量相對應(yīng)的多個基準(zhǔn)特征量，基準(zhǔn)特征量算出部算出以與分辨率相應(yīng)的強(qiáng)度與被抽取的目標(biāo)的特征量適應(yīng)的多個基準(zhǔn)特征量。優(yōu)選基準(zhǔn)特征量算出部算出分辨率越大則以越大的強(qiáng)度與被抽取的目標(biāo)的特征 量適應(yīng)的多個基準(zhǔn)特征量。優(yōu)選基準(zhǔn)特征量算出部算出適應(yīng)于被抽取的目標(biāo)的特征量的、與比預(yù)先確定的值 大的分辨率相對應(yīng)的多個基準(zhǔn)特征量。優(yōu)先基準(zhǔn)特征量算出部具有非更新特征量選擇部，其將目標(biāo)抽取部從動態(tài)圖像構(gòu) 成圖像中抽取目標(biāo)時(shí)所使用的、適合規(guī)定條件的一個以上的種類的基準(zhǔn)特征量設(shè)為適應(yīng)的 基準(zhǔn)特征量。優(yōu)選非更新特征量選擇部可將目標(biāo)抽取部從動態(tài)圖像構(gòu)成圖像中抽取目標(biāo)時(shí)所 使用的、適合度為預(yù)先確定的值以上的一個以上的種類的基準(zhǔn)特征量設(shè)為適應(yīng)的基準(zhǔn)特征量。優(yōu)選基準(zhǔn)特征量算出部還具有更新特征量選擇部，其更優(yōu)先選擇非更新特征量 選擇部所選擇的基準(zhǔn)特征量的種類以外的種類中、適合度更大的種類；以及更新特征量算 出部，其對更新特征量選擇部所選擇的種類，算出適應(yīng)于被抽取的目標(biāo)的特征量的一個以 上的基準(zhǔn)特征量。優(yōu)選更新特征量算出部將適應(yīng)的多個基準(zhǔn)特征量中對被抽取的目標(biāo)的特征量的 適應(yīng)度更大的基準(zhǔn)特征量更優(yōu)先選擇作為適應(yīng)的基準(zhǔn)特征量。優(yōu)選目標(biāo)抽取部至少使用能夠更新的預(yù)先確定的P種類的基準(zhǔn)特征量來抽取目 標(biāo)，更新特征量算出部將適應(yīng)度更大的N種類的基準(zhǔn)特征量更優(yōu)先選擇作為適應(yīng)的基準(zhǔn)特 征量，非更新特征量選擇部將目標(biāo)抽取部從動態(tài)構(gòu)成圖像中抽取目標(biāo)時(shí)所使用的、適合度 為預(yù)先確定的值以上的(P-N)種類的基準(zhǔn)特征量作為適應(yīng)的基準(zhǔn)特征量。優(yōu)選更新特征量選擇部選擇適合度更大、比N多的M種類的特征量的種類，基準(zhǔn)特 征量算出部對更新特征量選擇部所選擇的M種類，算出適應(yīng)于被抽取的目標(biāo)的特征量的基 準(zhǔn)特征量，將所算出的M種類的基準(zhǔn)特征量中的適應(yīng)度更大的N種類的基準(zhǔn)特征量更優(yōu)先 選擇作為適應(yīng)的基準(zhǔn)特征量。優(yōu)選基準(zhǔn)特征量算出部算出將包括被抽取的目標(biāo)的區(qū)域的圖像作為正解圖像進(jìn) 行學(xué)習(xí)而得到的基準(zhǔn)特征量并作為適應(yīng)的基準(zhǔn)特征量。優(yōu)選基準(zhǔn)特征量算出部算出將包括被抽取的目標(biāo)以外的區(qū)域在內(nèi)的區(qū)域的圖像 作為非正解圖像進(jìn)行學(xué)習(xí)而得到的基準(zhǔn)特征量并作為適應(yīng)的基準(zhǔn)特征量。優(yōu)選還具備適合度算出部，其對每個種類算出特征量抽取部所抽取的特征量相對 于基準(zhǔn)特征量的適合度，目標(biāo)抽取部根據(jù)對每個種類算出的適合度，從多個動態(tài)圖像構(gòu)成 圖像中分別抽取目標(biāo)。優(yōu)選特征量存儲部、特征量抽取部以及適合度算出部是由存儲種類彼此不同的基 準(zhǔn)特征量的多個弱分類器來安裝的，多個弱分類器抽取種類彼此不同的特征量，多個弱分類器分別算出抽取到的特征量相對于存儲的基準(zhǔn)特征量的適合度并進(jìn)行輸出。在本發(fā)明的第2方式中，提供一種圖像分析方法，用于從動態(tài)圖像中抽取特定的 目標(biāo)，該方法具有特征量存儲步驟，將不同種類的多個基準(zhǔn)特征量存儲在特征量存儲部 中；特征量抽取步驟，分別從包括在動態(tài)圖像中的多個動態(tài)圖像構(gòu)成圖像中抽取不同種類 的多個特征量；目標(biāo)抽取步驟，其根據(jù)被抽取的多個特征量相對于特征量存儲部所存儲的多個基準(zhǔn)特征量的適合度，從動態(tài)圖像構(gòu)成圖像中抽取目標(biāo)；基準(zhǔn)特征量算出步驟，其由特 征量存儲部存儲的基準(zhǔn)特征量，算出根據(jù)種類以預(yù)先確定的強(qiáng)度與被抽取的目標(biāo)的特征量 適應(yīng)的多個基準(zhǔn)特征量；以及特征量更新步驟，其用在基準(zhǔn)特征量算出步驟中算出的基準(zhǔn) 特征量來更新特征量存儲部所存儲的多個基準(zhǔn)特征量。另外，上述發(fā)明的概要，并未列舉出本發(fā)明的全部技術(shù)特征，這些的特征群的輔助 結(jié)合也能夠成本發(fā)明。


圖1是表示一個實(shí)施方式中的圖像處理系統(tǒng)10的一個例子的示圖。圖2是表示圖像分析裝置110的模塊結(jié)構(gòu)的一個例子的示圖。圖3是示意性地表示圖像分析裝置110中的處理內(nèi)容的一個例子的示圖。圖4是示意性地表示處理450中的處理內(nèi)容的一個例子的示圖。圖5是表示正解圖像和非正解圖像的圖像區(qū)域的一個例子的示圖。圖6是表示正解圖像和非正解圖像的圖像區(qū)域的其它一個例子的示圖。附圖標(biāo)記10圖像處理系統(tǒng)
90存儲介質(zhì)
100撮像裝置
110圖像分析裝置
112分析結(jié)果數(shù)據(jù)庫
150通信網(wǎng)絡(luò)
160店鋪空間
162商品架
164人物
170店鋪服務(wù)器
180終端設(shè)備
200圖像獲取部
210特征量抽取部
220適合度算出部
230目標(biāo)抽取部
240基準(zhǔn)特征量算出部
242更新特征量選擇部
244更新特征量算出部
246非更新特征量選擇部
250目標(biāo)區(qū)域推定部
260方向確定部
270特征量更新部
280特征量存儲部
290輸出部
400弱分類器402分類器404分類器集410，420，430，440，450，470，480，510，530，550，560處理412目標(biāo)周邊圖像422 教學(xué)圖像442識別結(jié)果460弱分類器462分類器464分類器集472推定區(qū)域圖像500，520，552，562 弱分類器502分類器600,700 幀圖像610，620，710，720 區(qū)域

具體實(shí)施例方式以下，通過發(fā)明的實(shí)施方式說明本發(fā)明，不過，以下的實(shí)施方式并不限定權(quán)利范圍 所涉及的發(fā)明。另外，在實(shí)施方式中說明的特征組合并非全部都是發(fā)明的解決手段所必須。圖1表示一個實(shí)施方式中的圖像處理系統(tǒng)10的一個例子。如下面所說明，在一個 實(shí)施方式中，圖像處理系統(tǒng)10能夠作為店鋪用的圖像處理系統(tǒng)而工作。圖像處理系統(tǒng)10具有拍攝店鋪空間160的多個攝像裝置lOOa-b、店鋪服務(wù)器 170、通信網(wǎng)絡(luò)150、圖像分析裝置110、分析結(jié)果數(shù)據(jù)庫112、以及終端裝置180。另外，在以 下的說明中，有時(shí)將撮像裝置IOOa及撮像裝置100b，總稱為撮像裝置100。同樣，在以后的 說明中，有時(shí)通過省略末尾的英文字等連接數(shù)字符號的文字，表示數(shù)字符號所指示物的總 稱。攝像裝置IOOa拍攝店鋪空間160。攝像裝置IOOa將店鋪空間160內(nèi)的人物164a 和人物164b與店鋪空間160內(nèi)的商品棚162a、商品棚162b等一起進(jìn)行拍攝，并生成動態(tài) 圖像。撮像裝置100a，將拍攝店鋪空間160而得到的動態(tài)圖像提供給店鋪服務(wù)器170。并 且，撮像裝置100b，被設(shè)置在與撮像裝置IOOa不同的位置。除此以外，因?yàn)榇橄裱b置IOOb 的功能及動作與撮像裝置IOOa的功能及動作大體上同樣，所以關(guān)于撮像裝置100的說明予 以省略。店鋪服務(wù)器170將由攝像裝置IOOa和攝像裝置IOOb所提供的動態(tài)圖像面向圖像 分析裝置Iio發(fā)送給通信網(wǎng)絡(luò)150。作為通信網(wǎng)絡(luò)150，能夠例示出因特網(wǎng)等電通信網(wǎng)絡(luò)。 店鋪服務(wù)器170例如設(shè)在攝像裝置100的附近。在其它方式中，店鋪服務(wù)器170也可以設(shè) 在店鋪空間160內(nèi)。另外，店鋪服務(wù)器170控制攝像裝置100的拍攝動作。例如，店鋪服務(wù)器170控制 攝像裝置100的拍攝功能的打開/關(guān)閉、拍攝率等。當(dāng)撮像裝置100能夠變焦攝影的情況 下，店鋪服務(wù)器170可以控制撮像裝置100變焦值。同時(shí)，當(dāng)撮像裝置100的撮像方向可變的情況下，店鋪服務(wù)器170可以控制撮像裝置100的撮像方向。圖像分析裝置110設(shè)在區(qū)別于店鋪空間160的空間內(nèi)，通過通信網(wǎng)絡(luò)150從店鋪 服務(wù)器170獲取由拍攝裝置100分別拍攝的動態(tài)圖像。圖像分析裝置110分析動態(tài)圖像， 將分析結(jié)果面向終端裝置180發(fā)送給通信網(wǎng)絡(luò)150。此外，圖像分析裝置110也可以將分析結(jié)果輸出給分析結(jié)果數(shù)據(jù)庫112。圖像分析 裝置110也可以從分析結(jié)果數(shù)據(jù)庫112中讀出分析結(jié)果，并將讀出的分析結(jié)果發(fā)送給終端 裝置180。另外，圖像分析裝置110可以具有分析結(jié)果數(shù)據(jù)庫112。分析結(jié)果數(shù)據(jù)庫112，可 以設(shè)置在與圖像分析裝置110的設(shè)置空間不同的空間。在這種情況下，圖像分析裝置110， 可以借助通信網(wǎng)絡(luò)150把分析結(jié)果發(fā)送給分析結(jié)果數(shù)據(jù)庫112。終端裝置180通過通信網(wǎng)絡(luò)150從圖像分析裝置110獲取圖像分析裝置110的分 析結(jié)果。終端裝置180根據(jù)用戶的指示加工并顯示分析結(jié)果。終端設(shè)備180，可以設(shè)置在 與圖像分析裝置110被設(shè)置的空間不同的空間。終端設(shè)備180，可以被設(shè)置在店鋪空間160 附近或店鋪空間160內(nèi)。下面概要地說明圖像分析裝置110的動作的一個例子。圖像分析裝置110從由攝 像裝置100所拍攝的動態(tài)圖像所包含的多個幀圖像的各個圖像中檢測拍攝到人物164等移 動體的目標(biāo)，并且在圖像內(nèi)追蹤相同被拍攝體的目標(biāo)。這個時(shí)候，圖像分析裝置110，使用多 個弱分類器進(jìn)行目標(biāo)的檢測及追蹤。具體地說，圖像分析裝置110具有從低分辨率圖像中算出識別結(jié)果的多個弱分類 器、從中分辨率圖像中算出識別結(jié)果的多個弱分類器、以及從高分辨率圖像中算出識別結(jié) 果的多個弱分類器。這些弱分類器根據(jù)從圖像中所抽取的特征量來算出識別結(jié)果。低分辨率圖像用的弱分類器是用于抽取人物等特定種類的被拍攝體的目標(biāo)的弱 分類器，從低分辨率圖像中抽取多種類的特征量來算出識別結(jié)果。由此，能夠以高的魯棒性 (穩(wěn)定性)來檢測人物的目標(biāo)。此外，低分辨率圖像用的弱分類器不適應(yīng)于追蹤對象的目標(biāo) 而使用。低分辨率圖像用的弱分類器被構(gòu)筑成例如能夠通過事前學(xué)習(xí)等來以高魯棒性檢測 人物的目標(biāo)。中分辨率圖像用的弱分類器也同樣地，抽取多種類的特征量來算出識別結(jié)果。中 分辨率圖像用的弱分類器是由用于抽取人物等特定種類的被拍攝體的目標(biāo)的多個弱分類 器、以及逐漸對追蹤對象的目標(biāo)適應(yīng)的多個弱分類器所構(gòu)筑。用于抽取特定種類的被拍攝 體的目標(biāo)的弱分類器和低分辨率圖像用的弱分類器同樣，通過事前學(xué)習(xí)等構(gòu)筑、不適應(yīng)用 于追蹤對象的目標(biāo)。同時(shí)，中分辨率圖像用的弱分類器中的對追蹤對象的人物適應(yīng)化的弱 分類器，譬如通過在線學(xué)習(xí)而每一幀每一幀地學(xué)習(xí)。高分辨率圖像用的弱分類器也抽取多種類的特征量來算出識別結(jié)果。高分辨率圖 像用的弱分類器對追蹤對象的目標(biāo)，通過在線學(xué)習(xí)而對每幀適應(yīng)。在由事前學(xué)習(xí)來構(gòu)筑弱分類器的情況下，能夠使用利用了教學(xué)圖像的強(qiáng)化學(xué)習(xí)的 方法。另外，弱分類器群也可以由使用了 Adaboost (自適應(yīng)提升算法/Adaptive Boosting) 等提升(boosting)算法的集成學(xué)習(xí)來構(gòu)筑。在線學(xué)習(xí)也可以使用在線提升(on-line boosting)的手法。圖像分析裝置110使用每幀圖像中不同的組合的弱分類器來抽取目標(biāo)，或使用通 過使每幀圖像中不同的組合的弱分類器適應(yīng)所得到的弱分類器來抽取目標(biāo)。由此，圖像分析裝置110使用將魯棒地檢測特定種類的目標(biāo)的弱分類器以及能夠適應(yīng)于被拍攝體的追 蹤處理進(jìn)行組合的分類器來抽取目標(biāo)。因此，圖像分析裝置110能夠魯棒(robust)地檢測 特定種類的目標(biāo)，且能夠高精度地進(jìn)行追蹤。此外，在本實(shí)施方式中“抽取目標(biāo)”是指從圖像區(qū)域中檢測和追蹤特定的目標(biāo)。另 外，圖像分析裝置110將用于識別所抽取的目標(biāo)存在的區(qū)域的坐標(biāo)信息等位置信息作為分 析結(jié)果進(jìn)行輸出即可。除此之外，圖像分析裝置110也可以輸出切出了目標(biāo)存在的區(qū)域的 目標(biāo)圖像。由此，圖像分析裝置110為了找到新的目標(biāo)，使用種類分類器在幀圖像內(nèi)全面探 索。而且，圖像分析裝置110利用追蹤對象目標(biāo)的以前的幀圖像和當(dāng)前的幀圖像的兩個觀 察信息，進(jìn)行目標(biāo)位置的預(yù)測、目標(biāo)的識別、以及弱分類器的更新的各工序，從而追蹤目標(biāo)。作為特定種類的目標(biāo)檢測用的分類器，能夠使用種類分類器。在這種情況下的種 類分類器可以說是識別種類的分類器。另一方面，目標(biāo)追蹤用的分類器根據(jù)所追蹤的目標(biāo) 的環(huán)境，要求進(jìn)行種類的識別和屬于該種類的各個體的識別的能力。例如，當(dāng)追蹤對象的人物的周圍沒有其他人物時(shí)，作為追蹤用的分類器所要求的 識別能力相對較低即可。例如，只要能夠區(qū)別背景等非人物的目標(biāo)和人物的目標(biāo)即可。即 能夠識別種類水平即可。但是，為了在多人物岔開走的時(shí)間和該時(shí)間前后的時(shí)間中正確地 獲得移動路線，對追蹤用的分類器所要求的識別能力提高。具體地說，要求具有區(qū)別多個人 物的能力。如上所述，根據(jù)圖像分析裝置110，分類器柔軟地適應(yīng)于追蹤目標(biāo)，因此分類器的 識別能力根據(jù)周圍的環(huán)境變動(例如背景變動、混雜度的變動等)而被自動調(diào)整。即，圖像 分析裝置110所具有的分類器，具有多態(tài)(Polymorphism)特點(diǎn)。因而，圖像分析裝置110 所具有的分類器，能夠根據(jù)狀況變成種類水平的分類器或者個別目標(biāo)的分類器。由此，根據(jù)圖像分析裝置110，分類器根據(jù)環(huán)境變動而被調(diào)整，因此柔軟性顯著高。 另外，根據(jù)圖像分析裝置110，按照目標(biāo)的追蹤來構(gòu)筑分類器，因此對于已經(jīng)被檢測到的目 標(biāo)，不應(yīng)用初始狀態(tài)的分類器就能夠進(jìn)行抽取。由此，根據(jù)圖像分析裝置110，檢測處理和追 蹤處理不獨(dú)立，因此能夠應(yīng)對環(huán)境的激烈變動。此外，存儲介質(zhì)90存儲圖像分析裝置110用的程序。存儲介質(zhì)90所存儲的程序 提供給作為本實(shí)施方式的圖像分析裝置110而工作的計(jì)算機(jī)等電子信息處理裝置。該計(jì)算 機(jī)具有的CPU，按照相應(yīng)程序的內(nèi)容動作，控制該計(jì)算機(jī)的各部分。CPU執(zhí)行的程序，使該計(jì) 算機(jī)作為與本圖及以后的圖相關(guān)地說明的圖像分析裝置110等發(fā)揮作用。作為存儲介質(zhì)90，除了⑶-ROM之外，還能夠例示出DVD或者PD等光學(xué)存儲介質(zhì)、 MO或者M(jìn)D等光磁記錄介質(zhì)、磁帶介質(zhì)或者硬盤裝置等磁記錄介質(zhì)、半導(dǎo)體存儲器、磁存儲 器等。另外，連接在專用通信網(wǎng)絡(luò)或者因特網(wǎng)上的服務(wù)器系統(tǒng)中所設(shè)置的硬盤或者RAM等 存儲裝置也能夠作為存儲介質(zhì)90而工作。另外，存儲介質(zhì)90存儲圖像處理系統(tǒng)10用的程序即可。除了作為圖像分析裝置 110之外，圖像處理系統(tǒng)10用的程序至少還能夠使計(jì)算機(jī)作為參照本圖和后續(xù)圖所說明的 分析結(jié)果數(shù)據(jù)庫112、店鋪服務(wù)器170、終端裝置180以及攝像裝置100中的任意一個而發(fā) 揮作用。圖2表示圖像分析裝置110的模塊結(jié)構(gòu)的一個例子。圖像分析裝置110，具有圖像獲取部200、特征量抽取部210、適合度算出部220、目標(biāo)抽取部230、基準(zhǔn)特征量算出部240、 目標(biāo)區(qū)域推定部250、方向確定部260、特征量更新部270、特征量存儲部280和輸出部290。 基準(zhǔn)特征量算出部240，包含更新特征量選擇部242、更新特征量算出部244和非更新特征 量選擇部246。圖像獲取部200通過通信網(wǎng)絡(luò)150從店鋪服務(wù)器170獲取攝像裝置100所拍攝的 動態(tài)圖像。圖像獲取部200所獲取的動態(tài)圖像提供給特征量抽取部210和目標(biāo)抽取部230。特征量抽取部210從動態(tài)圖像所包含的幀圖像中抽取特征量。作為特征量，能夠 例示出亮度分布等亮度特征量、各種小波域(Wavelet)特征量、Haar-Iike特征量、Edgelet 特征量、EOH特征量、HOG特征量等。適合度算出部220輸出特征量抽取部210所抽取的特征量相對于基準(zhǔn)特征量的適 合度。具體地說，特征量存儲部280存儲基準(zhǔn)特征量，適合度算出部220輸出相對于特征量 存儲部280所存儲的基準(zhǔn)特征量的適合度。此外，特征量抽取部210對每個不同的特征量的種類抽取特征量。另外，特征量存 儲部280分別針對各個不同種類存儲基準(zhǔn)特征量。而且，適合度算出部220對每個種類算
出適合度。此外，作為不同種類的特征量，如上所述，可以是Haar-Iike特征量、Edgelet特征 量等特征量種類本身不同的特征量。除此之外，作為不同種類的特征量，還能夠包括用不同 的計(jì)算方法算出的特征量。作為不同的計(jì)算方法，包含從不同分辨率的圖像抽取。也就是， 即使特征量的種類本身相同，也可以將從不同分辨率的圖像抽取的特征量，看作在本實(shí)施 方式中不同種類的特征量。目標(biāo)抽取部230根據(jù)由適合度算出部220所算出的關(guān)于各種類的適合度，判斷作 為對象的圖像是否為特定目標(biāo)的圖像。即，目標(biāo)抽取部230能夠抽取目標(biāo)。另外，作為分類器的處理可安裝特征量抽取部210、適合度算出部220、特征量存 儲部280、和目標(biāo)抽取部230。如果關(guān)注特征量的一個種類，則從特征量抽取部210抽取特 征量之后到適合度算出部220輸出適合度為止的處理能夠視為一個弱分類器的處理。而 且，當(dāng)包括到根據(jù)關(guān)于多個種類的適合度來判斷是否為目標(biāo)圖像的目標(biāo)抽取部230的處理 為止時(shí)，能夠視為用于抽取目標(biāo)的一個分類器的處理。在被判斷為是目標(biāo)圖像的情況下，目標(biāo)抽取部230從幀圖像中切出作為包括目標(biāo) 的規(guī)定區(qū)域的圖像的目標(biāo)周邊圖像，并提供給基準(zhǔn)特征量算出部240。基準(zhǔn)特征量算出部 240使用由目標(biāo)抽取部230提供的圖像，算出用于從下一個幀圖像中抽取目標(biāo)的基準(zhǔn)特征 量?；鶞?zhǔn)特征量算出部240算出的基準(zhǔn)特征量，通過特征量更新部270存儲在特征量存儲 部280中。由此，特征量存儲部280所存儲的基準(zhǔn)特征量被更新為由基準(zhǔn)特征量算出部240 所算出的基準(zhǔn)特征量。而且，通過上述的特征量抽取部210、適合度算出部220、以及目標(biāo)抽取部230中的 處理從下一個幀圖像中抽取目標(biāo)。通過重復(fù)該動作，從多個幀圖像的各個中抽取目標(biāo)。此外，基準(zhǔn)特征量算出部240通過使用目標(biāo)周邊圖像進(jìn)行學(xué)習(xí)，算出適應(yīng)于目標(biāo) 周邊圖像的基準(zhǔn)特征量。由此，基準(zhǔn)特征量算出部240能夠算出適應(yīng)于當(dāng)前幀的目標(biāo)圖像 的特征量。因此，基準(zhǔn)特征量算出部240能夠算出適于特定目標(biāo)的追蹤的基準(zhǔn)特征量。此外，通過基準(zhǔn)特征量算出部240算出適應(yīng)于目標(biāo)周邊圖像的基準(zhǔn)特征量，而更新一個基準(zhǔn)特征量意味著上述的弱分類器的處理得到適應(yīng)。即，通過基準(zhǔn)特征量算出部240 算出基準(zhǔn)特征量并存儲在特征存儲部280中為止的特征量更新處理，能夠視為構(gòu)筑適應(yīng)的 弱分類器的處理。在基準(zhǔn)特征量算出部240中的基準(zhǔn)特征量的算出處理基于學(xué)習(xí)的情況 下，特征量更新處理能夠視為上述分類器的在線學(xué)習(xí)處理。此外，基準(zhǔn)特征量算出部240能夠根據(jù)作為被抽取的目標(biāo)而拍攝的被拍攝體的方 向來更新基準(zhǔn)特征量。例如，基準(zhǔn)特征量算出部240，可使特征量存儲部280按照被拍攝體 的每個方向存儲用于抽取目標(biāo)的基準(zhǔn)特征量。在這種情況下，基準(zhǔn)特征量算出部240能夠 選擇與作為被抽取的目標(biāo)而拍攝的被拍攝體的方向相對應(yīng)的基準(zhǔn)特征量進(jìn)行更新。此外，方向確定部260確定作為目標(biāo)拍攝的被拍攝體的方向。在特征量存儲部280 按照每個方向存儲基準(zhǔn)特征量的情況下，方向確定部260能夠?qū)⑴c最適合的基準(zhǔn)特征量相 對應(yīng)而由特征量存儲部280存儲的方向作為被拍攝體的方向。基準(zhǔn)特征量算出部240能夠 根據(jù)由方向確定部260所確定的方向來進(jìn)行上述的基準(zhǔn)特征量的更新處理。另外，基準(zhǔn)特征量算出部240根據(jù)由適合度算出部220算出的適合度來算出基準(zhǔn) 特征量即可。例如，作為用于從下一個幀圖像中抽取目標(biāo)的基準(zhǔn)特征量，能夠排除適合度低 的基準(zhǔn)特征量并加入適合度更高的基準(zhǔn)特征量。換句話說，能夠替換弱分類器的組合。因 此，能夠提高追蹤特定被拍攝體的目標(biāo)的追蹤處理的精度。另外，基準(zhǔn)特征量算出部240能夠根據(jù)各幀中的目標(biāo)的位置來算出基準(zhǔn)特征量。 例如，基準(zhǔn)特征量算出部240能夠通過將當(dāng)前幀中的目標(biāo)的圖像用作正解圖像(0K圖像) 進(jìn)行學(xué)習(xí)、或?qū)?dāng)前幀中的目標(biāo)的區(qū)域以外的區(qū)域的圖像用作非正解圖像(NG圖像)進(jìn)行 學(xué)習(xí)，來算出基準(zhǔn)特征量。此外，目標(biāo)區(qū)域推定部250推定下一個幀圖像上的目標(biāo)的位置。具體地說，根據(jù)動 態(tài)圖像中的目標(biāo)的運(yùn)動速度和當(dāng)前幀圖像中的目標(biāo)的位置，能夠推定下一個幀圖像上的目 標(biāo)的位置。目標(biāo)區(qū)域推定部250可以從當(dāng)前幀圖像中切出包括該推定的位置的區(qū)域的圖像 并提供給基準(zhǔn)特征量算出部240。在這種情況下，基準(zhǔn)特征量算出部240能夠通過將由目標(biāo)區(qū)域推定部250提供的 圖像作為非正解圖像進(jìn)行學(xué)習(xí)來算出基準(zhǔn)特征量。由此，特征量存儲部280存儲的基準(zhǔn)特 征量集被強(qiáng)化為難以檢測下一個幀圖像中的目標(biāo)的周邊圖像的基準(zhǔn)特征量集，因此能夠提 高從下一個幀圖像中檢測目標(biāo)的概率。在此，對基準(zhǔn)特征量算出部240中的各部分的動作進(jìn)行概要說明，其中，更新特征 量選擇部242確定應(yīng)該更新的種類。例如，作為更新特征量選擇部242的處理，可以排除如 上述那樣的適合度低的種類的基準(zhǔn)特征量，導(dǎo)入新的基準(zhǔn)特征量。而且，更新特征量算出部 244通過學(xué)習(xí)等使更新特征量選擇部242所選擇的種類的特征量得到適應(yīng)。另外，非更新 特征量選擇部246可選擇不適應(yīng)而在下一個幀圖像中也用于目標(biāo)抽取的種類的特征量。此 外，基準(zhǔn)特征量算出部240中的各部分的動作將在后面敘述。另外，輸出部290將目標(biāo)抽取部230所抽取的目標(biāo)的信息向外部輸出。例如，輸出 部290可將被抽取的目標(biāo)的位置、被抽取的目標(biāo)的圖像本身輸出給分析結(jié)果數(shù)據(jù)庫112、終 端裝置180等。如以上所說明，根據(jù)圖像分析裝置110，能夠一體地進(jìn)行目標(biāo)的檢測處理和 目標(biāo)的追蹤處理，能夠降低用于追蹤目標(biāo)的運(yùn)算量。圖3示意性地表示圖像分析裝置110中的處理內(nèi)容的一個例子。下面以分類器或者弱分類器的處理為例說明圖像分析裝置110的功能和動作。分類器集404包括使圖像分析裝置110能夠用于目標(biāo)抽取處理的多個分類器 402a C。分類器402a c分別與被拍攝體的不同方向相對應(yīng)。具體地說，分類器402a 由適于檢測人物的正面臉的多個弱分類器400a c所形成。在此，弱分類器400a由相對于低分辨率圖像的一個以上的弱分類器400所形成。 例如，弱分類器400a由相對于8X8像素的分辨率的圖像的一個以上的弱分類器400所形 成。在以后的圖中，1個弱分類器400用1個橫向長的矩形表示。弱分類器400b由相對于 中分辨率圖像的1以上的弱分類器400形成，弱分類器400c由相對于高分辨率圖像的1以 上的弱分類器400形成。比如，弱分類器400b由相對于16X16像素的分辨率的圖像的1 以上的弱分類器400形成。弱分類器400c由相對于32X32像素的分辨率的圖像的1以上 的弱分類器400形成。如弱分類器400a那樣分辨率比較低的弱分類器可以作為檢測種類 用的分類器部分而發(fā)揮作用，并且如弱分類器400c (或弱分類器400b)那樣分辨率比較高 的弱分類器可以作為識別個別目標(biāo)用的分類器部分而發(fā)揮作用。如后所述，分辨率比較高 的弱分類器400通過在線學(xué)習(xí)而適應(yīng)于個別目標(biāo)。這樣通過成為與分辨率相對應(yīng)的階層性 的弱分類器構(gòu)成，能夠高速檢測并追蹤個別目標(biāo)。另外，分類器402b由適于檢測人物的右側(cè)臉的多個弱分類器400所形成，分類器 402c由適于檢測人物的左側(cè)臉的多個弱分類器400所形成。除了這點(diǎn)之外，分類器402b和 分類器402c具有與分類器402a大致相同的結(jié)構(gòu)，因此省略其說明。下面使用本圖來說明圖像分析裝置110從分類器集404中生成用于目標(biāo)抽取的分 類器集464的處理。在這里，由于說明上的原因，目標(biāo)抽取部230，在處理480中，已經(jīng)從前 一幀圖像抽取了特定的目標(biāo)。目標(biāo)抽取部230向基準(zhǔn)特征量算出部240提供表示目標(biāo)的區(qū) 域的信息。此外，在抽取目標(biāo)的階段，適合度算出部220使用包括在分類器集464中的分類器 來算出適合度。適合度算出部220所算出的適合度提供給基準(zhǔn)特征量算出部240。此外，在 抽取目標(biāo)的階段，方向確定部260確定目標(biāo)表示的被拍攝體的方向，并將確定的方向也提 供給基準(zhǔn)特征量算出部240。此外，在抽取目標(biāo)的階段，目標(biāo)區(qū)域推定部250推定在下一幀 圖像中的目標(biāo)存在的區(qū)域，將表示所推定的區(qū)域的信息提供給基準(zhǔn)特征量算出部240。更新特征量算出部244根據(jù)表示目標(biāo)區(qū)域的信息，生成作為目標(biāo)周邊的圖像的目 標(biāo)周邊圖像412 (處理410)。這里所說的目標(biāo)周邊圖像是指包括目標(biāo)區(qū)域和目標(biāo)周圍區(qū)域 的區(qū)域的圖像。并且，更新特征量算出部244使用目標(biāo)周邊圖像412生成多個規(guī)定的像素 數(shù)的教學(xué)圖像422 (處理420)。教學(xué)圖像422包括正解圖像和非正解圖像。更新特征量算出部244從目標(biāo)周邊圖 像412中的目標(biāo)區(qū)域的圖像，生成多個正解圖像。此外，更新特征量算出部244從包含目標(biāo) 周邊圖像412中的目標(biāo)以外的區(qū)域的區(qū)域圖像，生成多個非正解圖像。在處理430中，通過非更新特征量選擇部246從分類器402所具有的弱分類器中 選擇為了在下一個幀圖像中抽取目標(biāo)而由目標(biāo)抽取部230所使用的分類器。在處理430中 被選中的分類器，不適應(yīng)于目標(biāo)周邊圖像，而用于目標(biāo)抽取。此外，在以后的說明中設(shè)為通過方向確定部260來抽取人物的正面臉的目標(biāo)。在 這種情況下，由處理430選擇的弱分類器400、以及通過處理450適應(yīng)的弱分類器400都從形成分類器402a的弱分類器400中選擇。當(dāng)然，若抽取右側(cè)臉的目標(biāo)則從分類器402b中 選擇，若抽取左側(cè)臉的目標(biāo)則從分類器402c中選擇。此時(shí)，可選擇對目標(biāo)的適合度高的弱分類器400。另外，可從低分辨率圖像用的弱 分類器400a中選擇規(guī)定數(shù)量的弱分類器400。另外，除了低分辨率圖像用的弱分類器400a 之外，還可從中分辨率圖像中的弱分類器400a中選擇規(guī)定數(shù)量的弱分類器400。由此，通過全部復(fù)制(例如復(fù)制弱分類器400a的全部)或者部分復(fù)制(例如復(fù)制 弱分類器400b的一部分)能夠作為種類檢測用的弱分類器而工作的弱分類器，而形成個別 目標(biāo)的檢測用的弱分類器?？梢哉f，通過種類檢測用的弱分類器的完全繼承和部分繼承，形 成檢測/追蹤用的弱分類器的一部分。據(jù)此，來判定用完全繼承及部分繼承的弱分類器檢 測出的目標(biāo)屬于被相應(yīng)的該弱分類器檢測出的種類。這些被繼承的弱分類器可以通過離線 學(xué)習(xí)而事前構(gòu)筑。另一方面，為了識別個別目標(biāo)，由弱分類器400b的一部分和弱分類器400c生成具 有檢測各個體的特征(例如眼睛、口等特征)的能力的弱分類器。具體地說，為了讓弱分類 器400b的一部分及弱分類器400c反映個體的特征，通過在線學(xué)習(xí)(比如，AdaBoost的手 法)使之進(jìn)化。對進(jìn)化了的弱分類器400c，通過在線學(xué)習(xí)編入用于分別識別正在追蹤的多 個個別目標(biāo)(譬如，屬于同樣種類的個別目標(biāo))的能力。由此，根據(jù)與分辨率相對應(yīng)的階層性構(gòu)造，進(jìn)行弱分類器的繼承和進(jìn)化。另外，分 類器的進(jìn)化的處理包括弱分類器的選擇、排除、更新的處理。尤其是在更新處理中，以在線 機(jī)械學(xué)習(xí)方法將個別目標(biāo)的新特征加進(jìn)分類器中。因此，因?yàn)榉N類檢測用的弱分類器和個 別目標(biāo)檢測用的弱分類器聯(lián)合，所以能夠高速且高精度地檢測/追蹤個別目標(biāo)。使用圖像分析裝置110的功能模塊說明該進(jìn)化的處理。通過更新特征量選擇部 242的處理來選擇適應(yīng)于目標(biāo)周邊圖像的弱分類器400。具體地說，在處理440中，通過包 括在分類器集404中的弱分類器400的各個進(jìn)行對目標(biāo)周邊圖像的判定處理，并算出識別 結(jié)果442。并且，在處理450中，根據(jù)識別結(jié)果442，生成分類器集464。例如，通過更新特征量選擇部242的處理，選擇應(yīng)該適應(yīng)的弱分類器400。被選擇 的分類器適應(yīng)于目標(biāo)周邊圖像而用于目標(biāo)抽取。此時(shí)，對目標(biāo)的適合度更低的弱分類器400 可作為應(yīng)該適應(yīng)的弱分類器而更優(yōu)先地選擇。另外，可從中分辨率圖像用的弱分類器400b 中選擇規(guī)定數(shù)量的弱分類器400。另外，除了來自弱分類器400b的弱分類器400之外，還可 從高分辨率圖像用的弱分類器400c中選擇規(guī)定數(shù)量的弱分類器400。在這里，由更新特征量選擇部242選擇的弱分類器400，通過更新特征量算出部 244的處理，而適應(yīng)于目標(biāo)周邊圖像412。這里，也可以通過使用了教學(xué)圖像422的在線提 升(Online boosting)的手法，使弱分類器400適應(yīng)。并且，通過特征量更新部270的處理， 生成適應(yīng)了的弱分類器460。通過在處理450適應(yīng)的弱分類器460和在處理430選擇的弱分類器400，構(gòu)筑分類 器集464。另外，雖然在處理430選擇的弱分類器400沒被適應(yīng)，但其是用于從下一幀圖像 進(jìn)行目標(biāo)抽取的弱分類器，因此出于方便，改變符號表示為弱分類器460。如上所述，弱分類器460a，均為進(jìn)行和弱分類器400a同樣的識別處理的弱分類 器。并且，弱分類器460a中的規(guī)定數(shù)量的弱分類器460用于從下一幀圖像進(jìn)行目標(biāo)抽取處 理。
弱分類器460b中的一部分弱分類器460，可以全是進(jìn)行和弱分類器400b中對應(yīng)的 弱分類器400同樣的識別處理的弱分類器。其中的一部分弱分類器460用于從下一幀圖像 進(jìn)行目標(biāo)抽取處理。而且，除此之外的弱分類器460可以是弱分類器400b中對應(yīng)的弱分類 器400在處理450中被適應(yīng)的弱分類器。被適應(yīng)的弱分類器用于從下一個幀圖像進(jìn)行目標(biāo) 抽取處理。另外，弱分類器460c中作為更新的弱分類器而被選擇的弱分類器460是弱分類器 400c中對應(yīng)的弱分類器400在處理450中被適應(yīng)的弱分類器，這些弱分類器用于目標(biāo)抽取處理。在處理480中，目標(biāo)抽取部230，使用分類器集464中應(yīng)該被用于目標(biāo)抽取處理的 弱分類器460，從下一個幀圖像抽取目標(biāo)。此外，處理470表示目標(biāo)區(qū)域推定部250推定在 下一個幀圖像上目標(biāo)所在的區(qū)域的處理。在處理480中，目標(biāo)抽取部230對作為在處理470 中被推定的區(qū)域的圖像的推定區(qū)域圖像472，使用包括在分類器集464中的弱分類器來進(jìn) 行目標(biāo)的探索/識別處理。如以上所說明，根據(jù)圖像分析裝置110，在構(gòu)筑檢測/追蹤個別目標(biāo)的分類器的情 況下，從上一層弱分類器中繼續(xù)一部分。而且，通過在線學(xué)習(xí)方法，在另一部分的弱分類器 中加入檢測個別目標(biāo)的特征的能力。通過這樣地進(jìn)行繼承和進(jìn)化的處理，能夠在維持種類 的檢測能力的同時(shí)，與從初始狀態(tài)的弱分類器進(jìn)行在線學(xué)習(xí)時(shí)相比具有更高的識別能力。如上所述，圖像分析裝置110所具有的分類器，階層性地形成與來自粗圖像的特 征量相對應(yīng)的弱分類器以及與來自細(xì)圖像的特征量相對應(yīng)的弱分類器。另外，以包括與來 自粗圖像的特征量對應(yīng)的、能夠充分表達(dá)種類屬性的弱分類器的方式形成分類器。因此，圖 像分析裝置110具有的分類器，能夠作為用于檢測種類的分類器而發(fā)揮作用。進(jìn)一步，根據(jù) 圖像分析裝置110，通過在線學(xué)習(xí)使用于識別作為追蹤的對象的個別目標(biāo)的弱分類器進(jìn)化， 從而能夠使分類器具有檢測個別目標(biāo)的獨(dú)自特征的能力。由此，能夠構(gòu)筑以下分類器其能 夠檢測并識別個別目標(biāo)以在影像場景中追蹤多個目標(biāo)。根據(jù)圖像分析裝置110，對于已經(jīng)檢測到的目標(biāo)不使用初始狀態(tài)的弱分類器，而使 用繼承/進(jìn)化了的弱分類器來進(jìn)行檢測/追蹤處理。因此，不分離追蹤處理和檢測處理而 能夠利用追蹤處理和檢測處理之間的緊密的依存關(guān)系，能夠高效地進(jìn)行檢測/追蹤。因此， 根據(jù)圖像分析裝置110，能夠提高分類器對環(huán)境的適應(yīng)能力。圖4示意性地表示與處理450相關(guān)聯(lián)的處理內(nèi)容的一個例子。分類器502a設(shè)為用 于特定目標(biāo)的檢測處理的分類器。參照本圖說明構(gòu)筑用于對下一個幀圖像的目標(biāo)抽取處理 的新的分類器時(shí)的處理。在此，尤其是以構(gòu)筑適應(yīng)于目標(biāo)周邊圖像的弱分類器的處理為中 心進(jìn)行說明。此外，雖然下面說明了對正面臉的分類器462a的處理，但是對于分類器462b、 分類器462c的處理也當(dāng)然相同。分類器502a表示分類器462a中實(shí)際被用于目標(biāo)抽取的分類器。分類器502a，分 為弱分類器500a和弱分類器500b。弱分類器500a表示弱分類器460a中的用于目標(biāo)抽取 的弱分類器460、和弱分類器460b中被用于目標(biāo)抽取且未能適應(yīng)于目標(biāo)周邊圖像的弱分類 器460。弱分類器500b表示能適應(yīng)于目標(biāo)周邊圖像的弱分類器。弱分類器500a包含高分辨率用的弱分類器460a的一部分和中分辨率用的弱分類 器460b的一部分。在抽取特定的目標(biāo)時(shí)，目標(biāo)抽取部230用弱分類器500a，從后續(xù)的1個以上的幀圖像抽取特定的目標(biāo)。此外，在被拍攝的人物的臉的方向變化大的情況下，使用分 類器462b等與臉的方向相對應(yīng)的其它分類器462。在該情況下，抽取特定的臉方向的目標(biāo) 之后，可從后續(xù)的一個以上的幀圖像使用構(gòu)筑成用于特定的臉方向的分類器。由此，從人物檢測用的弱分類器400a選擇的適于抽取特定目標(biāo)的組合的低分辨 率用以及一部分中分辨率用的弱分類器500a，用于從后續(xù)的一個以上的幀圖像中進(jìn)行目標(biāo) 抽取處理。因此，能夠降低誤檢測其它目標(biāo)的概率并且降低運(yùn)算量。接著，說明對弱分類器500b的處理。弱分類器500b由P個弱分類器500所形成。 通過該P(yáng)個弱分類器500，向分類器提供識別個別目標(biāo)的能力。在處理510中，通過更新特 征量選擇部242的處理，選擇排除的N個弱分類器。具體地說，可按照相對于目標(biāo)的圖像的 適合度從小到大的順序，選擇N個弱分類器作為排除的弱分類器。如弱分類器500b所示， 弱分類器500b分為(P-N)個弱分類器520A、和N個弱分類器520B。通過由處理530中的 排除處理來排除弱分類器520B，剩下(P-N)個弱分類器520A。這樣，針對與P個特征量對應(yīng)的弱分類器，用個別目標(biāo)評價(jià)識別性能。按照評價(jià)結(jié) 果對P個弱分類器的識別性能進(jìn)行排序，從中排除識別性能更低的N個弱分類器。接著，說明從分類器402a生成用于從下一個幀圖像進(jìn)行目標(biāo)抽取處理的弱分類 器562的處理。在處理550中，通過更新特征量算出部244的處理，從包括在分類器402a中 的弱分類器400中選擇追加的M個弱分類器的候補(bǔ)。在這種情況下，可按照對目標(biāo)的圖像 的適合度從高到低的順序選擇M個弱分類器400。被選擇的弱分類器表示為弱分類器552。由此，將當(dāng)前幀圖像中的個別目標(biāo)用作評價(jià)數(shù)據(jù)，從包括在分類器402a中的弱分 類器400中選擇與M個特征量相對應(yīng)的弱分類器。另外，還可以從繼承的弱分類器400a或 弱分類器400b中選擇識別性能的評價(jià)值高的M個特征量，從弱分類器400c中選擇與已經(jīng) 選擇的M個特征量對應(yīng)的M個弱分類器。在這里，還可以包含為了檢測其他種類的目標(biāo)而 使用的弱分類器并進(jìn)行評價(jià)，選擇至少含有為了檢測其他種類的目標(biāo)而使用的弱分類器的 M個弱分類器。在處理560中，使用選擇的弱分類器552和教學(xué)圖像422，通過在線提升的方法，作 為用于從下一個幀圖像進(jìn)行目標(biāo)抽取處理的弱分類器而確定N個弱分類器562。具體地說，在特定的弱分類器552中，從各個教學(xué)圖像422中分別抽取特征量。通 過比較被抽取的特征量和基準(zhǔn)特征量，而對各個教學(xué)圖像422分別確定由特定的弱分類器 552對教學(xué)圖像422是否是正解圖像進(jìn)行了判定的判定值。此外，分別對教學(xué)圖像422的 每個確定表示教學(xué)圖像422是否為正解圖像的教學(xué)信號與相應(yīng)的判斷值之間的誤差值。而 且，基準(zhǔn)特征量算出部240算出將對教學(xué)圖像422分別確定的誤差值進(jìn)行加權(quán)后的值最小 化的基準(zhǔn)特征量。通過將所算出的基準(zhǔn)特征量設(shè)為用于由特定的弱分類器552判定的基準(zhǔn) 特征量，能夠使特定的弱分類器552適應(yīng)于教學(xué)圖像。同樣地，通過對多個弱分類器552的各個分別算出將上述加權(quán)誤差值最小化的基 準(zhǔn)特征量，能夠使多個弱分類器552分別適應(yīng)于教學(xué)圖像422。更新特征量選擇部242將加 權(quán)誤差更小的N個弱分類器552更優(yōu)先地選擇作為用于從下一個幀圖像進(jìn)行目標(biāo)抽取處理 的弱分類器562。這樣，通過將抽取對象的目標(biāo)周邊圖像作為教學(xué)圖像進(jìn)行在線學(xué)習(xí)，而從 M個弱分類器552中選擇N個有效的弱分類器562。通過更新特征量算出部244的處理，耦合(P-N)個弱分類器520A和N個弱分類器562，形成P個弱分類器。通過所形成的弱分類器和弱分類器500a，構(gòu)筑實(shí)際用于從下一個 幀圖像進(jìn)行目標(biāo)抽取處理的分類器。這樣，形成對檢測/追蹤個別目標(biāo)有效的分類器。目 標(biāo)抽取部230，采用構(gòu)筑的分類器，從下一幀圖像抽取目標(biāo)。而且，用于從再下一個幀圖像抽取目標(biāo)的分類器，是通過將由當(dāng)前的幀圖像構(gòu)筑 的分類器視為本圖的分類器502并進(jìn)行本圖中所說明的處理來構(gòu)筑的。并且通過反復(fù)這樣 的處理，能夠從包含在動態(tài)圖像中的多幀圖像檢測/追蹤特定的目標(biāo)。圖5表示正解圖像和非正解圖像的圖像區(qū)域的一個例子。幀圖像600上的區(qū)域 610表示從幀圖像600抽取的目標(biāo)存在的區(qū)域。區(qū)域620表示被抽取的目標(biāo)的周圍的區(qū)域。 區(qū)域610及區(qū)域620的區(qū)域的圖像，相當(dāng)于圖3及圖4相關(guān)說明過的目標(biāo)周邊圖像。在生成教學(xué)圖像422時(shí)，更新特征量算出部244從與區(qū)域610相對應(yīng)的圖像中生 成多個正解圖像。另外，更新特征量算出部244從與區(qū)域620相對應(yīng)的圖像中生成多個非 正解圖像。通過使用了多個正解圖像及多個非正解圖像的學(xué)習(xí)，能讓分類器適應(yīng)于目標(biāo)周 邊圖像。圖6表示正解圖像和非正解圖像的圖像區(qū)域的另一個例子。幀圖像700-1、幀圖 像700-2、幀圖像700-3設(shè)為按照該順序拍攝的連續(xù)的幀圖像。更新特征量算出部244，在 幀圖像700-1上及幀圖像700-2上，生成用于從幀圖像700-3抽取目標(biāo)的教學(xué)圖像422。幀圖像700-2上的區(qū)域710b與圖5中說明的區(qū)域610相當(dāng)，從區(qū)域710b中生成 多個正解圖像。區(qū)域710b可以包括被抽取的目標(biāo)的周邊區(qū)域(例如比被抽取的目標(biāo)的區(qū) 域?qū)? 3像素的區(qū)域)。通過將包括周邊區(qū)域的圖像也設(shè)為正解圖像的圖像區(qū)域，能夠與 所追蹤的目標(biāo)的變動相對應(yīng)。幀圖像700-2上的區(qū)域720a，相當(dāng)于在圖5說明的區(qū)域620，從區(qū)域720a生成多 個非正解圖像。區(qū)域720a變成作為目標(biāo)周邊的背景的圖像區(qū)域。非正解圖像的圖像區(qū)域 可設(shè)定于在幀圖像700-2中檢測所追蹤的目標(biāo)的區(qū)域。幀圖像700-1上的區(qū)域710a是從幀圖像700-1中抽取的目標(biāo)的區(qū)域，在更新特征 量算出部244中的處理中，從區(qū)域710a中生成多個正解圖像。另外，從幀圖像700-1上的 區(qū)域710a抽取的目標(biāo)和從幀圖像700-2上的區(qū)域710b抽取的目標(biāo)，均作為相同的被拍攝 體的目標(biāo)。另外，幀圖像700-2上的區(qū)域720b是在幀圖像700-2中抽取其它目標(biāo)的區(qū)域，在 更新特征量算出部244中的處理中從區(qū)域720b生成多個非正解圖像。也可以從所追蹤的 目標(biāo)附近的其他目標(biāo)的區(qū)域720b生成非正解圖像。這樣，通過從其他的目標(biāo)的區(qū)域生成非 正解圖像，能降低將其他目標(biāo)作為特定目標(biāo)檢測出的概率。另外，區(qū)域720c表示預(yù)測存在于區(qū)域720a的目標(biāo)在下一幀圖像700_3中存在的 區(qū)域。由目標(biāo)區(qū)域推定部250按照目標(biāo)的運(yùn)動推定區(qū)域720c。根據(jù)更新特征量算出部244 的處理，從幀圖像700-2上的區(qū)域720c，生成多個非正解圖像。在幀圖像700-2上的區(qū)域720c中，存在于幀圖像700_3中的特定目標(biāo)周圍的被拍 攝體被拍攝到的概率較高。因此，通過將幀圖像700-2上的區(qū)域720c作為非正解圖像，能降 低把追蹤對象的目標(biāo)附近存在的其他被拍攝物的目標(biāo)作為追蹤對象的目標(biāo)從幀圖像700-3 檢測出的概率。此外，目標(biāo)抽取部230也可以從幀圖像700-3的區(qū)域720c抽取目標(biāo)。即，目標(biāo)抽取部230抽取目標(biāo)的抽取對象的區(qū)域、和生成非正解圖像的對象的區(qū)域，可以是圖像區(qū)域 上相同的區(qū)域。此外，生成非正解圖像的對象的區(qū)域也可以比抽取對象的區(qū)域還小。如圖5和圖6所關(guān)聯(lián)的說明，不僅是當(dāng)前幀中的目標(biāo)圖像，前一幀中的目標(biāo)的圖像 也用作正解圖像。另外，作為非正解圖像，不僅使用目標(biāo)周邊區(qū)域的背景圖像，而且還使用 下一個幀的時(shí)刻下的目標(biāo)的位置附近的背景圖像、以及位于追蹤對象的目標(biāo)的附近的其它 目標(biāo)的圖像。另外，通過圖像分析裝置110，能夠在在先學(xué)習(xí)中編入不是以幀單位的學(xué)習(xí)，而 是也包含目標(biāo)的移動、目標(biāo)圖形的變化。因此，能夠提高分類器對環(huán)境變動的對應(yīng)能力。此外，生成個別目標(biāo)的識別用的弱分類器的在線學(xué)習(xí)處理，可以不在每個幀中進(jìn) 行。動態(tài)圖像中的追蹤要求高速、實(shí)時(shí)性。以確保實(shí)時(shí)性為目的，還可以適當(dāng)改變在線學(xué)習(xí) 的頻度。例如，在目標(biāo)靜止著的情況下、或者目標(biāo)的移動量(變化量)小于預(yù)先確定的值的 情況下，可不進(jìn)行在線學(xué)習(xí)。在周圍環(huán)境實(shí)際上沒有變化、或目標(biāo)實(shí)際沒有變化的情況下， 不進(jìn)行在線學(xué)習(xí)也能夠檢測/追蹤目標(biāo)。除此之外，在由個別目標(biāo)的識別用的弱分類器所識別而得到的目標(biāo)的相似度高于 預(yù)先確定的第1值的情況下，可以不進(jìn)行在線學(xué)習(xí)。在由當(dāng)前的分類器判定了足夠高的相 似度的情況下，意味著個別目標(biāo)的特征已經(jīng)加進(jìn)弱分類器中，因此不進(jìn)行在線學(xué)習(xí)也能夠 充分地檢測/追蹤個別目標(biāo)。除此之外，在上述相似度低于預(yù)先確定的第2值(設(shè)為小 于第1值的值)的情況下，也可以不進(jìn)行在線學(xué)習(xí)。相似度顯著低則意味著目標(biāo)被遮擋 (Occlusion)、或者被誤檢測的可能性高。在這種情況下，如果進(jìn)行在線學(xué)習(xí)，則有時(shí)不能檢 測/追蹤沒有被遮擋的目標(biāo)。因此，當(dāng)類似度顯著低的時(shí)候，從實(shí)例(instance)分類器的 穩(wěn)定性考慮，最好不進(jìn)行學(xué)習(xí)。如以上所說明，根據(jù)圖像分析裝置110，能夠構(gòu)筑能夠總括地進(jìn)行目標(biāo)的檢測處理 和目標(biāo)的識別處理的分類器。因此，能夠顯著降低這些處理所需的運(yùn)算量。此外，在圖4至圖6等中，以分類器或者弱分類器的處理為例說明圖像分析裝置 110的功能和動作。如上所述，特征量抽取部210、適合度算出部220、特征量存儲部280以 及目標(biāo)抽取部230的功能和動作能夠視為弱分類器的功能和動作。并且，基準(zhǔn)特征量的適 應(yīng)及更新，可以看作是分類器的選擇及適應(yīng)。因此，圖像分析裝置110各構(gòu)成要素，關(guān)于基 準(zhǔn)特征量如下動作，從而能夠?qū)崿F(xiàn)與在圖4到圖6等中關(guān)于分類器具體說明過的功能等效 的功能。S卩，通過以下所說明的動作，圖像分析裝置110能夠從動態(tài)圖像中抽取特定的目 標(biāo)。目標(biāo)的抽取包括通過為每個目標(biāo)確定位置來進(jìn)行追蹤的情況。特征量存儲部280存儲 不同種類的多個基準(zhǔn)特征量。特征量抽取部210從包括在動態(tài)圖像中的多個幀圖像的各個 中抽取不同種類的多個特征量。目標(biāo)抽取部230，按照被抽取的多個特征量相對于特征量存 儲部280存儲的多個基準(zhǔn)特征量的適合度，從幀圖像抽取目標(biāo)?；鶞?zhǔn)特征量算出部240通過由特征量存儲部280存儲的基準(zhǔn)特征量，算出與被抽 取的目標(biāo)的特征量根據(jù)種類以預(yù)先確定的強(qiáng)度適應(yīng)的多個基準(zhǔn)特征量。并且，特征量更新 部270，按照基準(zhǔn)特征量算出部240算出的基準(zhǔn)特征量，更新特征量存儲部280存儲的多個 基準(zhǔn)特征量。此外，基準(zhǔn)特征量算出部240可以算出適合度越大的種類則以更大的強(qiáng)度適應(yīng)于被抽取的目標(biāo)的特征量的多個基準(zhǔn)特征量。另外，基準(zhǔn)特征量算出部240可以算出以與種 類相應(yīng)的頻度適應(yīng)于被抽取的目標(biāo)的特征量的多個基準(zhǔn)特征量。特征量存儲部280存儲與從不同的分辨率的圖像抽取的多個特征量相對應(yīng)的多 個基準(zhǔn)特征量。而且，特征量抽取部210從不同分辨率的圖像中抽取多個特征量?；鶞?zhǔn)特 征量算出部240算出以與分辨率相應(yīng)的強(qiáng)度適應(yīng)于被抽取的目標(biāo)的特征量的多個基準(zhǔn)特 征量?；鶞?zhǔn)特征量算出部240可以算出分辨率越大則以更大的強(qiáng)度適應(yīng)于被抽取的目標(biāo)的 特征量的多個基準(zhǔn)特征量。此外，基準(zhǔn)特征量算出部240可以算出適應(yīng)于被抽取的目標(biāo)的 特征量的、與比預(yù)先確定的值大的分辨率相對應(yīng)的多個基準(zhǔn)特征量。關(guān)于基準(zhǔn)特征量算出部240的動作，更新特征量選擇部242更優(yōu)先選擇非更新特 征量選擇部246所選擇的基準(zhǔn)特征量的種類以外的種類中適合度更大的種類。更新特征量 算出部244，關(guān)于更新特征量選擇部242選擇的種類，算出與抽取的目標(biāo)的特征量適應(yīng)的1 個以上的基準(zhǔn)特征量。更新特征量算出部244，更優(yōu)先選擇適應(yīng)的多個基準(zhǔn)特征量中、對被 抽取的目標(biāo)的特征量的適應(yīng)度更大的基準(zhǔn)特征量，作為適應(yīng)的基準(zhǔn)特征量。另外，作為適應(yīng) 度能示例學(xué)習(xí)處理中的學(xué)習(xí)誤差。此外，目標(biāo)抽取部230可以至少使用能夠被更新的預(yù)先確定的P種類的基準(zhǔn)特征 量來抽取目標(biāo)。而且，更新特征量算出部244可以更優(yōu)先選擇適應(yīng)度更大的N種類的基準(zhǔn) 特征量作為適應(yīng)的基準(zhǔn)特征量。而且，非更新特征量選擇部246將目標(biāo)抽取部230從幀圖 像抽取目標(biāo)時(shí)所使用的適合度為預(yù)先確定的值以上的(P-N)種類的基準(zhǔn)特征量設(shè)為適應(yīng) 的基準(zhǔn)特征量。在這種情況下，也可以將按照適應(yīng)度的順序選擇的N種類的特征量設(shè)為基 準(zhǔn)特征量。而且，更新特征量選擇部242選擇適合度更大、多于N的M種類的特征量的種類。 此時(shí)，可以按照適合度高的順序選擇M種類的特征量?；鶞?zhǔn)特征量算出部240對由更新特 征量選擇部242選擇的M種類，算出適應(yīng)于被抽取的目標(biāo)的特征量的基準(zhǔn)特征量。而且，基 準(zhǔn)特征量算出部240可以更優(yōu)先選擇算出的M種類的基準(zhǔn)特征量中適應(yīng)度更大的N種類的 基準(zhǔn)特征量作為適應(yīng)的基準(zhǔn)特征量。此外，非更新特征量選擇部246可以將目標(biāo)抽取部230從幀圖像抽取目標(biāo)時(shí)所使 用的、適合規(guī)定條件的一個以上的種類的基準(zhǔn)特征量設(shè)為適應(yīng)的基準(zhǔn)特征量。即，適合規(guī)定 條件的一個以上的種類的基準(zhǔn)特征量沒有被更新，通過目標(biāo)抽取部230用于下一個幀圖像 中的目標(biāo)抽取處理。在選擇沒有更新的特征量的情況下，非更新特征量選擇部246可以將目標(biāo)抽取部 230從幀圖像抽取目標(biāo)時(shí)所使用的、適合度為預(yù)先確定的值以上的一個以上的種類的基準(zhǔn) 特征量設(shè)為適應(yīng)的基準(zhǔn)特征量。此外，非更新特征量選擇部246可以根據(jù)教學(xué)圖像422選 擇適應(yīng)的基準(zhǔn)特征量。具體地說，非更新特征量選擇部246，可以根據(jù)基于教學(xué)圖像422的 學(xué)習(xí)，選擇能對正解圖像判定正解的概率比預(yù)定值高的組合的基準(zhǔn)特征量。此外，非更新特 征量選擇部246，可以進(jìn)一步根據(jù)基于教學(xué)圖像422的學(xué)習(xí)，選擇能對非正解圖像判定非正 解的概率比預(yù)定值高的組合的基準(zhǔn)特征量。在使特征量適應(yīng)的處理中，基準(zhǔn)特征量算出部240作為適應(yīng)的基準(zhǔn)特征量，可以 算出將包括被抽取的目標(biāo)的區(qū)域的圖像作為正解圖像進(jìn)行學(xué)習(xí)而得到的基準(zhǔn)特征量。另 外，基準(zhǔn)特征量算出部240作為適應(yīng)的基準(zhǔn)特征量，可以算出將包括被抽取的目標(biāo)以外區(qū)域的區(qū)域的圖像作為非正解圖像進(jìn)行學(xué)習(xí)而得到的基準(zhǔn)特征量。此外，基準(zhǔn)特征量算出部240可以通過將包括幀圖像中被抽取的特定的目標(biāo)的區(qū) 域的圖像設(shè)為正解圖像來算出基準(zhǔn)特征量?；鶞?zhǔn)特征量算出部240可以通過將包括從幀圖 像的前一個幀圖像中抽取的特定的目標(biāo)的區(qū)域的圖像設(shè)為正解圖像來算出基準(zhǔn)特征量。在 此，目標(biāo)抽取部230可以根據(jù)特征量抽取部210從下一個幀圖像中抽取的特征量相對于基 準(zhǔn)特征量的適合度，從下一個幀圖像中抽取特定的目標(biāo)?；鶞?zhǔn)特征量算出部240可以通過將不包括幀圖像中被抽取的特定的目標(biāo)的區(qū)域 的圖像設(shè)為非正解圖像來算出基準(zhǔn)特征量。另外，基準(zhǔn)特征量算出部240可以通過將與在 幀圖像中被抽取的特定的目標(biāo)相隔預(yù)先確定的距離的區(qū)域的圖像設(shè)為非正解圖像來算出 基準(zhǔn)特征量。另外，基準(zhǔn)特征量算出部240可以通過將包括從幀圖像中抽取的其它目標(biāo)的 區(qū)域的圖像設(shè)為非正解圖像來算出基準(zhǔn)特征量。目標(biāo)區(qū)域推定部250根據(jù)從動態(tài)圖像抽取的特定的目標(biāo)的移動量來推定在其它 幀圖像中應(yīng)該存在特定目標(biāo)的區(qū)域。基準(zhǔn)特征量算出部240可以通過將包括其它幀圖像中 的目標(biāo)區(qū)域推定部250所推定的區(qū)域的圖像設(shè)為非正解圖像來算出基準(zhǔn)特征量。此外，適合度算出部220按照每個種類算出特征量抽取部210所抽取的特征量相 對于基準(zhǔn)特征量的適合度。并且，目標(biāo)抽取部230，按照對每個種類算出的適合度，分別從多 個幀圖像抽取目標(biāo)。在這種情況下，目標(biāo)抽取部230，在比預(yù)定的適合度大的適合度被算出 的特征量的數(shù)比預(yù)定值多時(shí)，可以作為特定的目標(biāo)而抽取。除此以外，目標(biāo)抽取部230，在以 所定的加權(quán)將適合度進(jìn)行加權(quán)后的合計(jì)值比預(yù)定值大的情況下，可以作為特定的目標(biāo)而抽 取。此外，特征量存儲部280與被拍攝體的方向相對應(yīng)而存儲多個基準(zhǔn)特征量。特征 量抽取部210從包括在動態(tài)圖像中的多個幀圖像的各個中抽取多個特征量。目標(biāo)抽取部 230根據(jù)被抽取的多個特征量相對于與被拍攝體的方向?qū)?yīng)而存儲的多個基準(zhǔn)特征量的適 合度，從幀圖像中抽取特定被拍攝體的目標(biāo)。方向確定部260確定特定被拍攝體的方向。此時(shí)，可根據(jù)相對于基準(zhǔn)特征量的適 合度來確定方向。譬如，方向確定部260，可以將特征量存儲部280所存儲的多個特征量中、 與算出了比預(yù)定的值大的適合度的基準(zhǔn)特征量對應(yīng)地由特征量存儲部280存儲的被拍攝 體的方向，確定為特定被拍攝體的方向。這樣，方向確定部260，可以通過將特征量抽取部210從比預(yù)定的分辨率小的分辨 率的圖像抽取的特征量與同分辨率的基準(zhǔn)特征量分別進(jìn)行比較，針對被拍攝體的各個方向 算出適合度。而且，方向確定部260將與算出了更大適合度的基準(zhǔn)特征量對應(yīng)的被拍攝體 的方向確定為特定被拍攝體的方向。而且，基準(zhǔn)特征量算出部240通過特征量存儲部280存儲的基準(zhǔn)特征量來算出適 應(yīng)于被抽取的目標(biāo)的基準(zhǔn)特征量。特征量更新部270可以用基準(zhǔn)特征量算出部240算出的 基準(zhǔn)特征量來更新特征量存儲部280與確定的方向?qū)?yīng)地存儲的基準(zhǔn)特征量。由此，能夠 通過學(xué)習(xí)來強(qiáng)化與被拍攝體的方向?qū)?yīng)的適當(dāng)組合的基準(zhǔn)特征量。如上所述，在圖像分析裝置110中，利用檢測處理和追蹤處理之間的緊密的關(guān)聯(lián) 性，通過向種類分類器導(dǎo)入繼承和進(jìn)化的概念，由作為檢測種類的檢測器的種類分類器來 構(gòu)筑目標(biāo)追蹤用的種類分類器。通過實(shí)現(xiàn)進(jìn)化的在線學(xué)習(xí)，能夠動態(tài)地將對環(huán)境變動的對應(yīng)能力編入分類器。這樣，根據(jù)由圖像分析裝置110實(shí)現(xiàn)的分類器，能夠識別人物彼此或與 環(huán)境變動相對應(yīng)。例如，根據(jù)圖像分析裝置110，即使對于因被拍攝體的姿勢等變動而引起的目標(biāo)形 狀變動、包括照明變動和背景變動的被拍攝體存在的環(huán)境的變動、拍攝性能的變動(例如 對比度的變動、搖晃等分辨性能的變動)，也能夠恰當(dāng)?shù)剡M(jìn)行檢測/追蹤。此外，即使在目標(biāo) 彼此重疊或被周圍物遮蔽等可能產(chǎn)生遮擋的環(huán)境中也能恰當(dāng)?shù)剡M(jìn)行檢測/追蹤。此外，在 撮像裝置100自身移動的情況下也能恰當(dāng)?shù)剡M(jìn)行檢測/追蹤。此外，即使在追蹤多個目標(biāo) 的情況下，也能恰當(dāng)?shù)貐^(qū)別各目標(biāo)。此外，因?yàn)槟苋菀椎貦z測出個別目標(biāo)，所以在多個撮像 裝置100間的協(xié)調(diào)/聯(lián)合也變?nèi)菀?。此外，?dāng)目標(biāo)的移動的規(guī)則性比較低的情況下、推測目 標(biāo)的移動的信息不足的情況下，也能恰當(dāng)?shù)剡M(jìn)行檢測/追蹤。此外，在產(chǎn)生了影像噪聲的時(shí) 候，也能恰當(dāng)?shù)剡M(jìn)行檢測/追蹤。這樣，通過圖像分析裝置110，能夠相對于這樣的環(huán)境變動 而穩(wěn)定且高精度地進(jìn)行個別目標(biāo)的抽取。如以上關(guān)聯(lián)圖1至圖6所說明，根據(jù)圖像處理系統(tǒng)10，能夠正確地追蹤特定的顧 客，因此能夠正確地分析顧客信息、正確地分析該顧客感興趣的商品。由此，圖像處理系統(tǒng) 10能夠作為店鋪用的圖像處理系統(tǒng)而工作。除此之外，圖像處理系統(tǒng)10能夠應(yīng)用于多種用途。例如，通過圖像處理系統(tǒng)10， 還能夠根據(jù)顧客感興趣的商品的信息來向顧客提供廣告內(nèi)容，在這種情況下，圖像處理系 統(tǒng)10能夠作為標(biāo)牌(Signage)系統(tǒng)而工作。另外，圖像處理系統(tǒng)10還能夠作為確定可疑 人員關(guān)注的東西的監(jiān)視系統(tǒng)或者防范系統(tǒng)而工作。另外，圖像處理系統(tǒng)10能夠作為認(rèn)證特 定被拍攝體的認(rèn)證系統(tǒng)而工作。另外，圖像分析裝置110也可以獲取不同的店鋪空間160的動態(tài)圖像進(jìn)行分析。由 此，能夠在店鋪間比較顧客的動態(tài)等。另外，在上述中，作為店鋪用的系統(tǒng)說明了圖像處理 系統(tǒng)10的功能和動作，但是作為圖像處理系統(tǒng)10的用途，除了店鋪用以外還能夠用于各種 用途。以上，通過實(shí)施方式說明了本發(fā)明，不過，本發(fā)明的技術(shù)范圍并不限于以上的實(shí)施 方式所記載的范圍。另外，本領(lǐng)域技術(shù)人員明白，能夠?qū)ι鲜鰧?shí)施方式加以多種多樣的改良 和變更。根據(jù)權(quán)利要求的記載可以明確，實(shí)施了這樣的變更和改良的實(shí)施方式也包含在本 發(fā)明的技術(shù)范圍之內(nèi)。權(quán)利要求書、說明書和附圖中表示的裝置、系統(tǒng)、程序和方法中的動作、次序、步 驟、階段等的各處理的執(zhí)行順序，只要沒有特別注明“比...先”、“在...之前”等，或者只 要不是后邊的處理必須使用前面的處理的輸出，就可以以任意的順序?qū)嵤?。有關(guān)權(quán)利要求 書、說明書和附圖中的動作流程，為了說明上的方便，使用了“首先”、“其次”等字樣加以說 明，但即使這樣也不是意味著以這個順序?qū)嵤┦潜仨毜臈l件。
權(quán)利要求
一種圖像分析裝置，用于從動態(tài)圖像抽取特定的目標(biāo)，具有特征量存儲部，其存儲不同種類的多個基準(zhǔn)特征量；特征量抽取部，其從包括在動態(tài)圖像中的多個動態(tài)圖像構(gòu)成圖像中分別抽取不同種類的多個特征量；目標(biāo)抽取部，其根據(jù)所述被抽取的多個特征量相對于所述特征量存儲部存儲的多個基準(zhǔn)特征量的適合度，從所述動態(tài)圖像構(gòu)成圖像中抽取目標(biāo)；基準(zhǔn)特征量算出部，其由所述特征量存儲部存儲的基準(zhǔn)特征量，算出根據(jù)所述種類以預(yù)先確定的強(qiáng)度與所述被抽取的目標(biāo)的特征量適應(yīng)的多個基準(zhǔn)特征量；以及特征量更新部，其用所述基準(zhǔn)特征量算出部算出的基準(zhǔn)特征量來更新所述特征量存儲部存儲的多個基準(zhǔn)特征量。
2.根據(jù)權(quán)利要求1所述的圖像分析裝置，其中，上述基準(zhǔn)特征量算出部計(jì)算出所述適 合度越大的種類則越以更大的強(qiáng)度與所述被抽取的目標(biāo)的特征量適應(yīng)的多個基準(zhǔn)特征量。
3.根據(jù)權(quán)利要求1或2所述的圖像分析裝置，其中，所述基準(zhǔn)特征量算出部計(jì)算出以與 所述種類相應(yīng)的頻度與所述被抽取的目標(biāo)的特征量適應(yīng)的多個基準(zhǔn)特征量。
4.根據(jù)權(quán)利要求1或2所述的圖像分析裝置，其中，所述特征量抽取部從不同分辨率的圖像中抽取多個特征量，所述特征量存儲部存儲與從不同分辨率的圖像中抽取的多個特征量相對應(yīng)的多個基 準(zhǔn)特征量，所述基準(zhǔn)特征量算出部算出以與所述分辨率相應(yīng)的強(qiáng)度與所述被抽取的目標(biāo)的特征 量適應(yīng)的多個基準(zhǔn)特征量。
5.根據(jù)權(quán)利要求4所述的圖像分析裝置，其中，所述基準(zhǔn)特征量算出部算出所述分辨率越大則以越大的強(qiáng)度與所述被抽取的目標(biāo)的 特征量適應(yīng)的多個基準(zhǔn)特征量。
6.根據(jù)權(quán)利要求5所述的圖像分析裝置，其中，所述基準(zhǔn)特征量算出部算出適應(yīng)于所述被抽取的目標(biāo)的特征量的、與比預(yù)先確定的值 大的分辨率相對應(yīng)的多個基準(zhǔn)特征量。
7.根據(jù)權(quán)利要求1或2所述的圖像分析裝置，其中，所述基準(zhǔn)特征量算出部具有非更新特征量選擇部，其將所述目標(biāo)抽取部從所述動態(tài) 圖像構(gòu)成圖像中抽取目標(biāo)時(shí)所使用的、適合規(guī)定條件的一個以上的種類的基準(zhǔn)特征量，設(shè) 為所述適應(yīng)的基準(zhǔn)特征量。
8.根據(jù)權(quán)利要求7所述的圖像分析裝置，其中，所述非更新特征量選擇部將所述目標(biāo) 抽取部從所述動態(tài)圖像構(gòu)成圖像中抽取目標(biāo)時(shí)所使用的、所述適合度為預(yù)先確定的值以上 的一個以上的種類的基準(zhǔn)特征量，設(shè)為所述適應(yīng)的基準(zhǔn)特征量。
9.根據(jù)權(quán)利要求7所述的圖像分析裝置，其中，所述基準(zhǔn)特征量算出部還具有更新特征量選擇部，其更優(yōu)先選擇所述非更新特征量選擇部所選擇的基準(zhǔn)特征量的種 類以外的種類中、所述適合度更大的種類；以及更新特征量算出部，其對所述更新特征量選擇部所選擇的種類，算出適應(yīng)于所述被抽 取的目標(biāo)的特征量的一個以上的基準(zhǔn)特征量。
10.根據(jù)權(quán)利要求9所述的圖像分析裝置，其中，所述更新特征量算出部將所述適應(yīng)的多個基準(zhǔn)特征量中對被抽取的目標(biāo)的特征量的 適應(yīng)度更大的基準(zhǔn)特征量，更優(yōu)先選擇作為所述適應(yīng)的基準(zhǔn)特征量。
11.根據(jù)權(quán)利要求10所述的圖像分析裝置，其中，所述目標(biāo)抽取部至少使用能夠更新的預(yù)先確定的P種類的基準(zhǔn)特征量來抽取目標(biāo)， 所述更新特征量算出部將所述適應(yīng)度更大的N種類的基準(zhǔn)特征量更優(yōu)先選擇作為所 述適應(yīng)的基準(zhǔn)特征量，所述非更新特征量選擇部將所述目標(biāo)抽取部從所述動態(tài)圖像構(gòu)成圖像中抽取目標(biāo)時(shí) 所使用的、所述適合度為預(yù)先確定的值以上的(P-N)種類的基準(zhǔn)特征量，設(shè)為所述適應(yīng)的 基準(zhǔn)特征量。
12.根據(jù)權(quán)利要求11所述的圖像分析裝置，其中，所述更新特征量選擇部選擇所述適合度更大、比N多的M種類的特征量的種類， 所述基準(zhǔn)特征量算出部對所述更新特征量選擇部所選擇的M種類，算出適應(yīng)于所述被 抽取的目標(biāo)的特征量的基準(zhǔn)特征量，將所算出的M種類的基準(zhǔn)特征量中的所述適應(yīng)度更大 的N種類的基準(zhǔn)特征量更優(yōu)先選擇作為所述適應(yīng)的基準(zhǔn)特征量。
13.根據(jù)權(quán)利要求1或2所述的圖像分析裝置，其中，所述基準(zhǔn)特征量算出部算出將包括所述被抽取的目標(biāo)的區(qū)域的圖像作為正解圖像進(jìn) 行學(xué)習(xí)而得到的基準(zhǔn)特征量，并作為所述適應(yīng)的基準(zhǔn)特征量。
14.根據(jù)權(quán)利要求1或2所述的圖像分析裝置，其中，所述基準(zhǔn)特征量算出部算出將包括所述被抽取的目標(biāo)以外的區(qū)域在內(nèi)的區(qū)域的圖像 作為非正解圖像進(jìn)行學(xué)習(xí)而得到的基準(zhǔn)特征量，并作為所述適應(yīng)的基準(zhǔn)特征量。
15.根據(jù)權(quán)利要求1或2所述的圖像分析裝置，其中，還具備適合度算出部，其對每個所述種類計(jì)算出所述特征量抽取部所抽取的特征量相 對于所述基準(zhǔn)特征量的適合度，所述目標(biāo)抽取部根據(jù)對每個所述種類算出的適合度，從多個動態(tài)圖像構(gòu)成圖像中分別 抽取目標(biāo)。
16.根據(jù)權(quán)利要求15所述的圖像分析裝置，其中，所述特征量存儲部、所述特征量抽取部以及所述適合度算出部，由用于存儲種類彼此 不同的所述基準(zhǔn)特征量的多個弱分類器來安裝，所述多個弱分類器抽取種類彼此不同的所述特征量，所述多個弱分類器分別計(jì)算并輸出所述抽取到的特征量相對于存儲的所述基準(zhǔn)特征 量的適合度。
17.一種圖像分析方法，用于從動態(tài)圖像中抽取特定的目標(biāo)，具有 特征量存儲步驟，其存儲不同種類的多個基準(zhǔn)特征量；特征量抽取步驟，其從包括在動態(tài)圖像中的多個動態(tài)圖像構(gòu)成圖像中分別抽取不同種 類的多個特征量；目標(biāo)抽取步驟，其根據(jù)所述被抽取的多個特征量相對于在所述特征量存儲步驟中存儲 的多個基準(zhǔn)特征量的適合度，從所述動態(tài)圖像構(gòu)成圖像中抽取目標(biāo)；基準(zhǔn)特征量算出步驟，其由在所述特征量存儲步驟中存儲的基準(zhǔn)特征量，算出根據(jù)所述種類以預(yù)先確定的強(qiáng)度與所述被抽取的目標(biāo)的特征量適應(yīng)的多個基準(zhǔn)特征量；以及特征量更新步驟，其用在所述基準(zhǔn)特征量算出步驟中算出的基準(zhǔn)特征量來更新在所述 特征量存儲步驟中存儲的多個基準(zhǔn)特征量。
全文摘要
本發(fā)明提供一種能夠高效地進(jìn)行目標(biāo)的檢測處理和特定目標(biāo)的追蹤處理的圖像分析裝置。圖像分析裝置具有特征量存儲部，其存儲不同種類的多個基準(zhǔn)特征量；特征量抽取部，其從包括在動態(tài)圖像中的多個動態(tài)圖像構(gòu)成圖像中分別抽取不同種類的多個特征量；目標(biāo)抽取部，其根據(jù)被抽取的多個特征量相對于特征量存儲部存儲的多個基準(zhǔn)特征量的適合度，從動態(tài)圖像構(gòu)成圖像中抽取目標(biāo)；基準(zhǔn)特征量算出部，其由特征量存儲部存儲的基準(zhǔn)特征量，算出根據(jù)種類以預(yù)先確定的強(qiáng)度與被抽取的目標(biāo)的特征量適應(yīng)的多個基準(zhǔn)特征量；以及特征量更新部，其用基準(zhǔn)特征量算出部算出的基準(zhǔn)特征量來更新特征量存儲部存儲的多個基準(zhǔn)特征量。
文檔編號G06K9/46GK101989327SQ201010243310
公開日2011年3月23日 申請日期2010年7月30日 優(yōu)先權(quán)日2009年7月30日
發(fā)明者胡軼 申請人:富士膠片株式會社