[发明专利]识别装置、识别系统，识别方法以及存储介质

说明书

识别装置(100)具有存储部、第一识别部、第二识别部以及第三识别部。存储部存储第一识别器，该第一识别器将包含于图像信息的人物的特征和表示人物的身体有可能朝向的方向的范围的第一范围按每个特征建立对应。存储部存储第二识别器和关节位置辞典，该第二识别器将包含于距离信息的人物的特征和表示人物的身体有可能朝向的方向的范围的第二范围按每个特征建立对应，该关节位置辞典将人物的身体朝向的方向和人物的关节位置建立对应。第一识别部获取对象者的图像信息，并基于图像信息的特征和第一识别器来确定针对对象者的图像信息的第一范围。第二识别部获取对象者的距离信息，并基于距离信息的特征和第二识别器来确定针对对象者的距离信息的第二范围。第三识别部基于由第一识别部确定出的第一范围和由第二识别部确定出的第二范围来确定对象者的身体朝向的方向，并基于确定出的方向和关节位置辞典来识别对象者的骨骼。

技术领域

本发明涉及识别装置等。

背景技术

近年来，有基于由距离传感器感测的结果的距离数据(距离图像)或者RGB(RedGreen Blue)图像来创建基于机器学习的辞典，并使用创建的辞典来识别人体的骨骼的技术。

图29是表示以往的骨骼识别系统的一个例子的图。在图29所示的例子中，通过使用距离传感器5a进行感测，从而获取包括对象者6a的距离数据5b，并使用距离数据5b和辞典5c来估计对象者6a的骨骼位置6b。辞典5c预先进行机器学习。

此处，在识别人体的骨骼的情况下，前提是在学习时学习成为识别对象的所有动作，所以如果例如要使用单一的辞典来识别如体操比赛那样复杂、大范围的动作，则识别精度会降低。

作为防止识别精度的降低的技术，有以往技术1。以往技术1是与面部的特征点识别有关的技术。面部的特征点是表示眼睛、鼻子、嘴的位置等的点。以往技术1根据正面、右、左等方向来分割学习数据，并利用分割成的各学习数据进行面部特征点的学习。以下，使用图30以及图31，对以往技术1的一个例子进行说明。

图30是表示根据以往技术1的面部特征点的学习例子的图。根据以往技术1的特征点的学习使用表示预先根据面部的方向分类的图像、和该图像中的面部特征点的教师数据，在每个方向上独立地进行机器学习。由此，限定所输入的面部图像的方向来识别特征点。

在图30所示的例子中，通过使用朝左学习图像和面部特征点的教师数据1a来学习朝左面部图像的特征点，从而获得朝左用识别器2a。通过使用朝向正面学习图像和面部特征点的教师数据1b来学习朝向正面面部图像的特征点，从而获得朝向正面用识别器2b。通过使用朝右学习图像和面部特征点的教师数据1c来学习朝右面部图像的特征点，从而获得朝右用识别器2c。

图31是表示根据以往技术1的特征点的识别处理的图。如图31所示，以往技术1中若接受面部图像3a，则基于面部方向识别器4来识别面部图像3a的方向。以往技术1通过基于方向的识别结果来选择识别器2a～2c中的任意一个识别器，并使用选择出的识别器来识别面部图像3a的特征点，从而获得识别结果3b。这样，在以往技术1中，通过根据面部图像的方向分开使用识别器，从而提高特征点的识别精度。

专利文献1:日本特开2012－000165号公报

专利文献2:日本特开2014－136137号公报

然而，在上述的以往技术中，存在人体的骨骼识别的精度较低这个问题。

例如，在以往技术1中，使用面部方向识别器4来识别面部图像3a的方向，但对于以往技术1中所说明那样的对象进行复杂的运动的情况，难以与面部图像同样地识别场景。若无法精度良好地识别场景，则无法使用最适合的辞典，结果识别精度降低。

发明内容

本发明是鉴于上述而完成的，其目的在于提供能够提高人体的骨骼识别的精度的装置。