[发明专利]学习装置、学习方法、识别装置、识别方法和程序

说明书

技术领域

本公开内容涉及一种学习装置、学习方法、识别装置、识别方法和程序。具体地，本公开内容涉及能够更迅速地且更精确地识别两幅图像中出现的对象是否是同一对象的学习装置、学习方法、识别装置、识别方法和程序。

背景技术

相关技术中的面部识别方法大致分为如下两种方法：使用同一人物分类器的识别方法以及使用多类分类器的识别方法。在“Face Recognition Using Boosted Local Features”(Michael Jones和Paul Viola，Mitsubishi Electric Research Laboratories Technical Report，2003年4月)和“Face Recognition Using Ada-Boosted Gabor Features”(P.Yang，S.Shan，W.Gao，S.Li，D.Zhang，International Conference on)中公开了使用同一人物分类器的识别方法。使用同一人物分类器的识别例如通过以下操作来执行：计算从两幅面部图像中提取的特征之间的差，并且使用该差作为同一人物分类器的输入。

“Face Recognition Using Boosted Local Features”中所公开的技术被认为应对环境变化(诸如，照明的变化)较弱，这是因为执行了两幅图像的对应点之间的特征差的计算。另外，同样地，“Face Recognition Using Ada-Boosted Gabor Features”中所公开的技术也被认为应对环境变化较弱，这是因为通过使用与“Face Recognition Using Boosted Local Features”中所公开的滤波器不同的滤波器执行相同的计算处理。

相应地，为了解决应对环境变化较弱的问题，提出了日本未审查专利申请公布第2008-165731号中所公开的技术。图1是示出日本未审查专利申请公布第2008-165731号中所公开的相关技术中的面部识别的流程的图。

在日本未审查专利申请公布第2008-165731号中所公开的设备中，在识别时，如箭头#1和#2的箭尖所示，通过使用多个盖伯滤波器从输入图像的各个特征点提取特征，并且针对每个特征点计算特征向量，该特征向量的参数被设置为通过使用每个盖伯滤波器而提取的特征。

图2是示出盖伯滤波器的图。盖伯滤波器的特性由条纹部分的大小和方向定义。在日本未审查专利申请公布第2008-165731号中所公开的设备中，根据特征点的位置，在特性由5种不同大小和8种不同朝向定义的40个不同的滤波器当中选择预定数量的滤波器，并且在提取各个特征点处的特征时使用预定数量的滤波器。

在日本未审查专利申请公布第2008-165731号中所公开的设备中，可以计算根据两幅图像的相同特征点计算出的、特征向量之间的相关性，如空心箭头#11的箭尖所示。另外，如箭头#12的箭尖所示，将参数是表示同一特征点的特征的特征向量的相关系数的相关向量用作分类器的输入，由此确定人物是否相同。

根据日本未审查专利申请公布第2008-165731号中所公开的技术，在特征提取中没有使用全部40个不同的滤波器，但通过组合滤波器的输出，在特征提取中使用若干个滤波器。因而，可以改善识别的精确性。

发明内容

根据日本未审查专利申请公布第2008-165731号中所公开的技术，需要通过针对每个特征点使用多个盖伯滤波器来执行滤波操作，并且因而，提取特征花费了一定时间。

考虑到上述情形而作出了本公开内容，其中，期望更迅速地且更精确地识别两幅图像中出现的对象是否是同一对象。

根据本公开内容的第一实施例，提供了一种学习装置，该学习装置包括：获取部，其获取相同对象出现的多个图像对和不同对象出现的多个图像对；设置部，其在获取部获取的每个图像对中的一幅图像和另一幅图像上设置特征点；选择部，其选择设置在该一幅图像和该另一幅图像的相同位置处的多个指定特征点，由此针对每个指定特征点选择用于提取指定特征点的特征的特征提取滤波器；提取部，其通过使用选择部选择的多个特征提取滤波器，提取一幅图像和另一幅图像中的每幅图像的指定特征点的特征；计算部，其计算通过提取部从一幅图像中提取的特征与通过提取部从另一幅图像中提取的特征之间的相关性；以及学习部，其基于标记信息和计算部计算出的相关性，学习用于识别两幅图像中出现的对象是否相同的同一对象分类器，其中，该标记信息表示一幅图像和另一幅图像中出现的对象是否是同一对象。