年令推定装置
【課題】年令推定結果を利用するユーザの利便性を向上するための技術を提供する。
【解決手段】年令推定装置が、画像から顔を検出する手段と、検出された顔の年令を推定する手段と、推定された推定年令の誤差を表す許容範囲を算出する手段と、前記推定年令とともに前記許容範囲を表示する手段と、を備える。
【解決手段】年令推定装置が、画像から顔を検出する手段と、検出された顔の年令を推定する手段と、推定された推定年令の誤差を表す許容範囲を算出する手段と、前記推定年令とともに前記許容範囲を表示する手段と、を備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、顔画像から年令を推定する年令推定装置に関する。
【背景技術】
【０００２】
顔画像から年令などの人物属性を推定する技術が知られている（特許文献１、２参照）。しかし、年令推定を画像処理で行う場合、１００％の推定精度に到達することはできないため、ユーザが推定結果を利用する場合に、結果をどの程度信頼してよいかどうかがわからなかった。
【先行技術文献】
【特許文献】
【０００３】
【特許文献１】特開２００３−２４２４８６号公報
【特許文献２】特開２００７−１２８２６２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
本発明は上記実情に鑑みてなされたものであって、その目的とするところは、年令推定結果を利用するユーザの利便性を向上するための技術を提供することにある。
【課題を解決するための手段】
【０００５】
上記目的を達成するために本発明は、以下の構成を採用する。
【０００６】
本発明に係る年令推定装置は、画像から顔を検出する手段と、検出された顔の年令を推定する手段と、推定された推定年令の誤差を表す許容範囲を算出する手段と、を備える。年令推定装置が、前記推定年令とともに前記許容範囲を出力する出力手段をさらに備えることが好ましい。
【０００７】
前記許容範囲は、推定処理の信頼度に基づいて決定されることが好ましい。
【０００８】
前記許容範囲は、前記推定年令に基づいて決定されることが好ましい。
【０００９】
前記推定年令と前記許容範囲が、前記画像中の顔の近傍に表示されることが好ましい。
【００１０】
本発明は、上記手段の少なくとも一部を有する年令推定装置として捉えてもよいし、上記処理の少なくとも一部を含む年令推定方法、または、かかる方法を実現するためのプログラムやそのプログラムを記録した記録媒体として捉えることもできる。なお、上記手段および処理の各々は可能な限り互いに組み合わせて本発明を構成することができる。
【発明の効果】
【００１１】
本発明によれば、年令推定結果を利用するユーザの利便性を向上することができる。
【図面の簡単な説明】
【００１２】
【図１】本発明の実施形態に係る年令推定装置の構成を示すブロック図である。
【図２】年令推定装置の処理の流れを示すフローチャートである。
【図３】年令推定方法を説明する図である。
【図４】信頼度算出方法の一例を説明する図である。
【図５】信頼度算出方法の一例を説明する図である。
【図６】図２のフローチャートの変形例である。
【図７】許容範囲算出処理のフローチャートである。
【図８】分布図形式の許容範囲データの一例である。
【図９】分布図形式の許容範囲データの一例である。
【図１０】テーブル形式の許容範囲データの一例である。
【図１１】結果統合処理のフローチャートである。
【図１２】結果表示例である。
【図１３】結果表示例である。
【図１４】実施例１の推定年令分布の一例である。
【図１５】実施例１の信頼度算出処理を説明する図である。
【図１６】実施例４の信頼度算出処理を説明する図である。
【図１７】実施例５の信頼度算出処理を説明する図である。
【図１８】実施例６の信頼度算出処理を説明する図である。
【図１９】実施例７の信頼度算出処理を説明する図である。
【図２０】実施例８の信頼度算出処理を説明する図である。
【図２１】実施例９の信頼度補正処理を説明する図である。
【発明を実施するための形態】
【００１３】
以下に図面を参照して、この発明の好適な実施の形態を例示的に詳しく説明する。
【００１４】
＜装置構成＞
図１は、本発明の実施形態に係る年令推定装置の構成を示すブロック図である。年令推定装置の用途としては、たとえば、（１）パチンコホール、ゲームセンタ、映画館、タバコの購入のように年令制限が課せられている場面において、人物の年令をチェックするための装置、（２）コンビニや店舗において、マーケティング情報として顧客の年令を収集するための装置、などが考えられる。
【００１５】
年令推定装置は、入力部１、顔検出部２、特徴量抽出部３、属性推定部４、信頼度算出部５、信頼度記憶部６、許容範囲算出部７、許容範囲記憶部８、結果統合部９、出力部１０を有している。これらの機能は、コンピュータがプログラムを実行し、メモリ、カメラ、入力装置、表示装置などのハードウエア資源を適宜制御することにより、実現されるものである。なお、年令推定装置は、単独の装置（たとえばパーソナルコンピュータとカメラの組み合わせ）として構成してもよいし、自動販売機、携帯電話、デジタルカメラ、プリンタなどの機器の組み込みモジュールとすることもできる。
【００１６】
入力部１は、年令推定装置に画像を取り込む機能である。入力部１としては、光学系と撮像素子（ＣＣＤ、ＣＭＯＳセンサなど）を備えるカメラを好ましく適用できる。ただし、ネットワークや外部記憶媒体などから画像を取り込んでもよい。その場合は、ネットワークや外部記憶媒体とのインターフェイスが入力部１に該当する。取り込まれた画像はメモリに記憶される。
【００１７】
出力部１０は、年令推定結果を表示する機能である。出力部１０としては、液晶ディスプレイやＥＬディスプレイなどの表示装置を好ましく適用できる。
【００１８】
信頼度記憶部６と許容範囲記憶部８は、メモリ、ハードディスクなどの不揮発性記憶媒体から構成される。信頼度記憶部６には、信頼度の算出処理に用いられる設定値やテーブルが格納されており、許容範囲記憶部８には、許容範囲の算出処理に用いられる設定値やテーブルが格納されている。
【００１９】
＜処理フロー＞
図２は、年令推定装置の処理の流れを示すフローチャートである。以下に述べる処理は、基本的に、コンピュータ（プログラム）によって実行されるものである。
【００２０】
（ステップ１：画像取得）まず、入力部１から、処理対象となる画像が取得される。
【００２１】
（ステップ２：顔検出処理）顔検出部２が、画像処理によって画像から顔を検出する。顔検出部２による顔検出処理は、既存の顔検出処理のどのような技術が適用されてもよい。一例を挙げると、顔全体の輪郭に対応した基準テンプレートを用いたテンプレートマッチングによって顔を検出する手法、顔の器官（目、鼻、耳など）に基づくテンプレートマッチングによって顔を検出する手法、クロマキー処理によって頭部などの頂点を検出し、この頂点に基づいて顔を検出する手法、肌の色に近い領域を検出し、その領域を顔として検出する手法、ニューラルネットワークを使って教師信号による学習を行い、顔らしい領域を顔として検出する手法、などがある。
【００２２】
（ステップ３：顔選択）画像から複数の顔が検出された場合には、顔ごとに、次に述べる属性推定および許容範囲算出の処理が実行される。
【００２３】
（ステップ４：特徴量抽出）特徴量抽出部３が、顔検出部２によって検出された顔から特徴量を抽出する。たとえば、エッジ検出やパターンマッチングなどにより特徴点を検出し、特徴点近傍の濃淡値やその周期性・方向性、特徴点の位置関係などを特徴量として抽出することができる。特徴量の個数（次元）は、期待する推定精度に応じて任意に設定できる。一般的には、数十〜数百の特徴量が抽出される。
【００２４】
（ステップ５：属性推定処理）属性推定部４は、顔画像から抽出された特徴量に基づいて、その顔（の人物）の年令を推定する。
【００２５】
図３は、年令推定方法の一例を説明する図である。２０代、３０代、４０代、５０代の年令グループ（クラス）ごとの識別器が用意されている。各識別器は、多数のサンプル顔画像による学習によって得られたものであり、各年令クラスの顔が示す特徴量の分布を有している。本実施形態では、特徴量の分布として正規分布を利用しており、平均値は年令グループの中央値（たとえば２０代なら２５才）、分散値は経験的に定めた値を用いている。図３に示すように、年令クラスごとに特徴量の分布が異なっていることがわかる。
【００２６】
ステップ４で得られた特徴量を、評価サンプルとして識別器に入力すると、その評価サンプルが各年令クラスに属する確率が得られる。評価サンプルがある年令クラスに属する確率は、評価サンプルが当該クラスの特徴量分布の中心に近づくほど（評価サンプルとクラス中心の距離が近いほど）、高くなる。なお、属性推定部４は、評価サンプルとクラス中心の距離から確率を算出してもよいし、クラスへの帰属確率を出力することのできる識別器を利用することで識別器の出力をそのまま確率として用いてもよい。
【００２７】
そして、属性推定部４は、評価サンプルの各クラスへの帰属確率と、各クラスのクラス中心の年令とから、図３の式のように推定年齢を決定する。図３の例では、評価サンプルの年令が４２才と推定されている。
【００２８】
（ステップ６：属性推定信頼度算出）信頼度算出部５は、推定処理の信頼度を算出する。
【００２９】
図４、図５は、信頼度算出方法の一例を説明する図である。（１）信頼度算出部５は、年令クラスの中から、確率が最大となるクラスを求める。図４の例では、４０代のクラスが最大の確率（４０％）を示している。（２）次に、信頼度算出部５は、確率が最大とな
るクラスの両隣のクラスのうち、確率が高い方のクラスを求める。図４の例では、３０代のクラス（確率：３０％）が選ばれる。（３）信頼度算出部５は、（１）と（２）で選んだ２つのクラスの確率の合計値を図５に示す確率−信頼度テーブルにマッピングし、信頼度を算出する。この確率−信頼度テーブルは、確率が高いほど信頼度が高くなるように設定されている。また、下限値（図５の例では４０％）は、選択された２つのクラスは最低でもこの程度信頼してよいだろうという経験的な値に定められている。なお信頼度は０〜１０００の値をとり、値が大きくなるほど信頼度が高いことを示す。図４、図５の例では、合計確率７０％に対して、信頼度５００が得られている。
【００３０】
なお図３〜図５の年令推定方法および信頼度算出方法は一例であり、他の方法を用いてもよい。たとえば、クラスへの帰属確率はどのような方法で算出してもよい。正規分布の分散値を用いて帰属確率を算出することも好ましい。確率から信頼度への変換は、図５のようなリニアなテーブルでなく非線形なテーブルを用いてもよい。また信頼度の下限値は４０％でなく、他の値でもよいし、下限値を動的に決めてもよい。また確率の高い２つのクラスの合計確率から信頼度を算出したが、最も確率の高いクラスの確率（つまり最大確率）に基づいて信頼度を算出してもよい。
【００３１】
さらに、図６に示すように、属性推定の信頼度だけでなく、特徴量の信頼度を算出することも好ましい。特徴量の信頼度とは、顔画像から抽出された特徴量の値そのものの信頼度を表すものである。特徴量自体の信頼度は推定結果の信頼度に大きく影響を及ぼし得る。特徴量の信頼度を左右する要因としては、たとえば、画像中の顔の向きがある。正面向きの顔の信頼度が最も高く、顔が横を向いたり上または下を向くほど信頼度は低くなる。他の要因としては、顔器官の形状がある。たとえば、目を閉じていたり、笑っていたりすると、信頼度は低くなる。他の要因としては、照明条件がある。顔の一部が陰になっていたり、逆に白飛びしていたりすると、信頼度が低くなる。これらの特徴量の信頼度に影響を与えうる要因について、画像処理により要因の有無や程度を判定し、その判定結果に応じて特徴量の信頼度を決定するとよい。具体的な方法としては、たとえば、特開２００７−１２８２６２号公報にて開示された方法を好ましく用いることができる。
【００３２】
（ステップ７：許容範囲算出）許容範囲算出部７は、信頼度に基づいて、推定年齢の誤差を表す許容範囲を算出する。
【００３３】
図７は、許容範囲算出処理のフローチャートである。許容範囲算出部７は、属性推定信頼度の結果と特徴量信頼度の結果（特徴量信頼度を用いるのは、図６のフローの場合のみ）を取得し、許容範囲記憶部８から許容範囲データを読み出す。そして、許容範囲データを参照して、推定年齢の許容範囲を算出する。
【００３４】
図８は分布図形式の許容範囲データの一例を示している。信頼度と許容範囲（上限値と下限値）との関係が定義されており、信頼度が最も高い場合（１０００）には許容範囲は±０才となり、信頼度が低くなるほど許容範囲がひろがる。たとえば、信頼度が７００の場合、許容範囲は±３才となる。
【００３５】
図９は分布図形式の許容範囲データの変形例を示している。図９では、推定年令が２０才未満か否かで、分布を異ならせている（２０才以上の分布のほうが許容範囲が広い。）。人間が年令を推定する場合の誤差幅が年令層に応じて異なることに着目したものである。すなわち、たとえば３才の幼児を人が何才か判定する場合、その誤差はせいぜい±２才程度の誤差幅しかない。一方で７０才の高齢者を人が何才か判定する場合、人によって６０才〜８０才まで判定する年令のブレが大きい。このような人の判定結果の経験則を機械の推定結果に応用し、推定する人物の推定年令に応じて、許容範囲を設定する。
【００３６】
図１０はテーブル形式の許容範囲データの一例である。図１０のテーブルでは、推定年齢と許容範囲（上限、下限）との対応関係が定められており、推定年齢に基づき許容範囲が決定される。たとえば、推定年齢が１５才の場合、許容範囲は±４才となる。
【００３７】
（ステップ８：結果統合処理）結果統合部９が、属性推定により求めた結果（推定年令）と許容範囲算出結果とを統合し、最終的な属性推定結果を算出する（図１１）。
【００３８】
（ステップ９：属性推定結果出力）出力部１０が、最終的な属性推定結果を表示装置に出力する。図１２は、結果表示例を示している。ここでは、画像中の顔の近傍に、推定年令（２５才）とともに許容範囲（±３才）が表示されている。図１３は、他の結果表示例である。この例では、許容範囲を年令ではなく、パーセントで示している。
【００３９】
＜まとめ＞
上記構成によれば、推定年齢とともにその許容範囲（±Ｘ才、あるいは、Ｙ％）が表示される。このようにすることで、推定結果の利用者に利用方法を検討する余地を与えることができるようになる。許容範囲（推定年令の信頼度）を表示することで、結果をどの程度信頼してもよいかが直感的にわかるため、たとえば最適なカメラ設置位置の選択が容易になる。またＸＸ才±ＹＹ才という人間に分かりやすい出力方法は、推定結果をユーザが利用する場合、特に有用である。例えば、２７才±５才と出力された場合、２５才の区分に入れるのか、３０才の区分に入れるのかユーザが選択する余地があるためである。
【００４０】
すなわち本実施形態の利点をまとめると、（１）許容範囲を表示することで、結果をどの程度信頼してもよいか直感的にわかる。人が人物の年令を推定する際に持つあいまい性を、機械の結果出力にも適用することで、より人に納得させやすい結果の表示方法となる。（２）また、図６で説明した実施形態では、年令を推定する環境（画像中の顔の状態）の難易度に応じて、信頼度の出力結果が変化するので、許容範囲をより好適に算出可能である。これは、推定の簡単な状況と難しい状況（たとえば、照明変動や顔向きのバリエーションなど）があるためである。
【００４１】
上述した許容範囲は、推定年令自体の信頼度を表す信頼度情報とよぶことができる。また、推定誤差の程度を表す情報とか、推定年令の不確かさ（あるいは確かさ）を表す情報、と言い換えることもできる。推定年令の信頼度の表現手法としては、「４２才±５才」、「４０才〜４５才」、「４２才±１０％」、「４２才（信頼度８５％）」など、どのような表現手法を採用してもよい。
【００４２】
＜実施例＞
以下、推定年令の信頼度（許容範囲）の算出方法の具体例について説明する。
【００４３】
（実施例１）
実施例１は、人間による推定結果を利用する方法である。
【００４４】
まず、学習データを用意する。学習データとしては、様々な年令のサンプル（人）のデータ、好ましくは、この装置が推定の対象とする全年令範囲を網羅するデータを用意する。典型的には顔、全身、又は上半身の画像データを用いるが、画像データだけでなく、音声データなど年令推定に影響を与え得る他のデータを用いることもできる。また、一人のサンプルについて、アングル、表情、髪型、服装、撮影条件等を変えた複数の画像を用意してもよい。
【００４５】
これらの学習データを被験者に見せ、各サンプルの年令を推定させる。このとき、被験者による偏りをなくすため、性別や年代の異なる複数の被験者による実験を行ったり、１
つのサンプルに対して複数回の年令推定を行ったりするとよい。
【００４６】
被験者実験により得られた年令推定結果から、各クラス（本実施例では年令ごとにクラス分けしている）の推定年令分布を算出する。図１４は、推定年令分布の一例として、１０才のクラス、４２才のクラス、６５才のクラスそれぞれの分布を示している。クラスごとに推定年令の分布形状（ばらつき）が異なることがわかる。一般的に、幼児や少年に対する推定年令のばらつきは小さく、４０〜５０代の推定年令のばらつきは大きくなる傾向にある。各クラスの推定年令分布は許容範囲記憶部８に記憶される。許容範囲記憶部８に記憶するデータは、分布をヒストグラム形式で表現したデータでもよいし、図１４に示すように正規分布等の適当な分布を当てはめた場合には、分布を表現するパラメータ（正規分布の場合は分散）でもよい。
【００４７】
次に、上記の推定年令分布を利用して、推定年令の信頼度を算出する処理を説明する。ここでは、属性推定部４により「４２才」という推定結果が得られた場合を例に挙げる。
【００４８】
許容範囲算出部７は、属性推定部４から推定年令「４２才」を受け取ると、その年令の属するクラスの推定年令分布を許容範囲記憶部８から読み出す。次に、許容範囲算出部７は、図１５（ａ）に示すように、推定年令分布の「４２才」を中心とする累積確率（斜線部分に含まれるサンプルの割合）が所定の閾値α％となるときの下限及び上限を算出する。図１５（ａ）の例では、下限「３７才」、上限「４７才」が得られ、推定年令「４２才」の信頼度（許容範囲）は「±５才」のように求まる。
【００４９】
閾値αが一定の場合、推定年令分布の形状に応じて許容範囲は変化する。たとえば、図１５（ａ）に示す４２才のクラスのように分布形状が幅広ければ、許容範囲は広くなる（信頼度が低くなる）。また図１５（ｂ）に示す５才のクラスのように分布形状が急峻であれば、許容範囲は狭くなる（信頼度が高くなる）。つまり、推定年令分布を作成するための被験者実験において誤推定が多かった年令については、信頼度が低くなり、誤推定が少なかった年令については、信頼度が高くなるのである。このように本実施例の方法によれば、人の推定誤差の傾向を反映した信頼度を得ることができるという利点がある。
【００５０】
なお閾値αは、本装置の使用目的や要求精度などに応じて、適当な値に設定すればよい。典型的には１σ（約６８％）などに設定すればよい。また本装置を使用するユーザがαの設定値を変更できるようにすることも好ましい。αの値を大きくするほど許容範囲は広くなる。なお、図１５（ａ）の例では、推定年令分布の形状が左右対称のため、プラスとマイナスの誤差が同一である。しかし、推定年令分布が左右対称でない場合には、プラスの誤差とマイナスの誤差が同一の値になるとは限らない。
【００５１】
本実施例では、年令ごとに推定年令分布を求めたが、必ずしも全ての年令について分布を求める必要はない。たとえば、０〜３才、４〜９才、１０〜１９才、２０〜３４才、・・・のように年齢層でクラス分けを行い、そのクラス（年齢層）ごとに推定年令分布を求めたり、あるいは、全ての年令に共通する１つの分布を求めたりするだけでもよい。年齢層で分ける場合は、幼児期や少年期のように推定誤差が小さい年令においては年齢層の幅を狭くし、相対的に、４０代、５０代のように推定誤差が大きい年令においては年齢層の幅を広くとるとよい。
【００５２】
なお本実施例では、図１５（ａ）に示すように、許容範囲算出部７が推定年令分布から都度許容範囲を算出している。しかし、閾値αと各クラスの推定年令分布とから、予め、クラスごと（年令ごと）の許容範囲を算出し、その値を許容範囲テーブル（図１０参照）として許容範囲記憶部８に格納しておくことも好ましい。これにより、テーブル参照のみで許容範囲を得ることができ、許容範囲算出処理の高速化を図ることができる。なお閾値
αのユーザ変更を可能とした場合には、複数の閾値αについて予めテーブルを用意しておけばよい。
【００５３】
（実施例２）
実施例２は、機械による推定結果を利用する方法である。実施例１では、被験者実験の結果から推定年令分布を算出したのに対し、実施例２では、機械による年令推定結果を用いる点が異なる。その他の構成は実施例１と同様である。ここで「機械」とは、学習データから自動で年令を推定する装置をさす。たとえば、本発明に係る年令推定装置を利用することができる。また推定の信頼度を向上するために、年令推定アルゴリズムが異なる複数種類の機械を利用することも好ましい。
【００５４】
機械を利用した場合、人間による推定と比較して、大量サンプルの処理が可能になるため、推定年令分布の形状がより真値に近づくという利点がある。また、本発明に係る年令推定装置を推定年令分布の作成に利用した場合には、信頼度の精度が向上する。なぜなら、年令推定装置自身の推定誤差の傾向が、信頼度に反映されるからである。
【００５５】
（実施例３）
実施例３は、識別器のスコアを利用する方法である。
【００５６】
識別器とは、画像から抽出した特徴量（評価データ）がクラスに属する確率（帰属確率）をスコアとして出力する機械（プログラム）である。本装置の属性推定部４は、年令推定の分解能に応じた多クラス識別を行う必要がある。このような多クラス識別は、多クラス識別器を用いて実現してもよいし、複数の２クラス識別器の組み合わせにより実現してもよい。２クラス識別器としては、ＳＶＭ（サポートベクタマシーン）、ＡｄａＢｏｏｓｔ（アダブースト）、ＬＤＡ（線形判別分析）など様々なものが提案されており、本発明ではいずれの識別器も用いることができる。また２クラス識別器の組み合わせ方についても従来公知の手法を採用することができる。たとえば、各年令の２クラス識別器から帰属確率を得て、最も高い帰属確率を出力した識別器の年令を採用する方法（１ｖｓＡｌｌとよぶ）や、まず第１の識別器で３０才以上か否かを判定し、３０才未満であれば第２の識別器で１５才以上か否かを判定し、・・・のように年令の範囲を二分する２クラス識別器を組み合わせて、徐々に年令の範囲を絞り込んでいく方法（木構造とよぶ）などがある。
【００５７】
実施例３では、正解として選択されたクラス（たとえば、最も帰属確率が大きなクラス）の帰属確率を、そのまま推定年令の信頼度として用いる。たとえば、図３の例では、２０代、３０代、４０代、５０代の４つのクラスについて、それぞれ１０％、３０％、４０％、２０％という帰属確率が出力されている。許容範囲算出部７は、最も高い帰属確率である「４０％」を推定年令「４２才」の信頼度として採用する。この場合の推定結果の表示例を図１３に示す。
【００５８】
（実施例４）
実施例４も、識別器のスコアを利用する方法である。実施例３では帰属確率をそのまま推定年令の信頼度として利用したのに対し、実施例４ではテーブルを参照して帰属確率から信頼度を求める点で異なる。その他の構成は実施例３と同様である。
【００５９】
図１６（ａ）、（ｂ）は許容範囲記憶部８に格納されているテーブルの一例を示している。図１６（ａ）は、帰属確率を±Ｘ才形式の信頼度に変換するためのテーブルの例であり、図１６（ｂ）は、帰属確率をＹ％形式の信頼度に変換するためのテーブルの例である。たとえば、識別器から、年令「４２才」、帰属確率「８０％」という年令推定結果が得られた場合、許容範囲算出部７は、図１６（ａ）のテーブルを参照して、−２才〜＋３才という信頼度を得る。従って、推定結果の出力は、「４２才（−２才〜＋３才）」とか「
４０才〜４５才」のようになる。なお、帰属確率の値が「７５％」のようにテーブルに存在しない場合には、近傍の値（たとえば７０％と８０％）から補間を行えばよい。
【００６０】
これらのテーブルは、学習データから求めてもよいし、人為的に作成してもよい。学習データから求める場合、実施例２と同様、様々な年令のサンプルデータを用いて本装置による年令推定を行い、各サンプルの帰属確率と推定年令を求める。そして、帰属確率が約０．１（たとえば０．０５〜０．１５）であったサンプルについて、推定年令の分布を求め、実年令に対する推定誤差を求める。たとえば、実施例１と同じように累積確率が閾値αとなる範囲や１σの範囲などを、推定誤差として選ぶことができる。このようにして求めた推定誤差の下限値・上限値を帰属確率０．１に対応する許容範囲に設定する。以下同様に、帰属確率０．２、０．３、・・・、０．９に対応する許容範囲を求めることができる。一般に、帰属確率が低い場合には、推定年令の誤差は大きくなるため、許容範囲は大きくなり、逆に帰属確率が高いほど許容範囲は小さくなる。
【００６１】
なお、クラスごとに異なるテーブルを用いることも好ましい。前述のように、年代によって推定誤差が異なるからである。
【００６２】
また一つのクラスの帰属確率だけでなく、図１６（ｃ）に示すように、複数のクラスの帰属確率に基づいて信頼度を決定することもできる。図１６（ｃ）では、Ｎ個のクラスの帰属確率の組と信頼度（許容範囲）とが対応付けられている。このテーブルについても、学習データから求めてもよいし、人為的に作成してもよい。なお、信頼度の決定に、全てのクラスの帰属確率を用いる必要はない。たとえば、帰属確率が大きいものから順に２つのクラスを選択し、その２つのクラスの帰属確率の組から信頼度を求めるようにしてもよい。
【００６３】
（実施例５）
実施例５も、識別器のスコアである帰属確率から信頼度を求める方法である。実施例４ではテーブルを用いたのに対し、実施例５では写像を用いて帰属確率から信頼度への変換を行う点が異なる。その他の構成は実施例４と同様である。
【００６４】
図１７（ａ）、（ｂ）は許容範囲記憶部８に格納されている写像の一例を示している。図１７（ａ）は、帰属確率を±Ｘ才形式の信頼度に変換するための写像の例であり、図１７（ｂ）は、帰属確率をＹ％形式の信頼度に変換するための写像の例である。たとえば、識別器から、年令「４２才」、帰属確率「８０％」という年令推定結果が得られた場合、許容範囲算出部７は、図１７（ａ）の写像を参照して、±３才という信頼度を得る。
【００６５】
図１７は線形な写像を示しているが、非線形あるいは不連続な写像を用いてもよい。非線形な写像としてはシグモイド関数などが考えられる。これらの写像は、学習データから求めてもよいし、人為的に作成してもよい。学習データから求める場合、実施例４と同様にして帰属確率と推定誤差の関係を求め、それに適当な関数を当てはめればよい。なお、クラスごとに異なる写像を用いることも好ましい。
【００６６】
また一つのクラスの帰属確率だけでなく、複数のクラスの帰属確率に基づいて信頼度を決定することもできる。その場合、Ｎ個の帰属確率の組（Ｎ次元ベクトル）と信頼度の関係を表す写像を用いればよい。あるいは、Ｎ個の帰属確率を１つの特徴値（スカラー）に変換し、その特徴値と信頼度との関係を表す写像を用いることもできる。
【００６７】
（実施例６）
実施例６も、識別器のスコアから信頼度を求める方法である。ただし、実施例３〜５では多クラス識別の結果得られた帰属確率を用いたのに対し、実施例６では２クラス識別器
から得られるスコアから信頼度を算出する点が異なる。
【００６８】
まず、各クラス（年令でも年代でもよい）について、学習データから識別スコアの分布を求める。たとえば、４２才の２クラス識別器に対しては、４２才のサンプルからなる多数の学習データを識別させ、図１８に示すような「識別スコア−度数」の関係を求める。このスコア分布は、横軸が識別スコアの値、縦軸がその識別スコアをとるサンプルの度数（最大の度数が１００％になるように規格化した値）を示す。スコア分布の形状は、ヒストグラムや分布のパラメータ（図１８のような形状の場合はシグモイド関数などを用いることができる）の形式で信頼度記憶部６に格納しておく。なお、この２クラス識別器のスコアｙは、−１から１の間の値をとり、サンプルがそのクラスに属する可能性が高いほど１に近い値をとり、属さない可能性が高いほど−１に近い値をとるものとする。
【００６９】
続いて、推定年令の信頼度を算出する処理を説明する。ここでは、属性推定部４により「４２才」という推定結果が得られた場合、つまり４２才の２クラス識別器が最も大きい識別スコアを出力した場合を例に挙げる。信頼度算出部５は、属性推定部４から推定年令「４２才」と識別スコア（たとえば０．７）を受け取ると、その年令のクラスのスコア分布のデータを信頼度記憶部６から読み出す。次に、信頼度算出部５は、スコア分布を参照して識別スコア０．７に対応する度数を求め、その度数を当該推定年令の信頼度とする。図１８の例では、推定年令４２才の信頼度は９０％となる。
【００７０】
なお、Ｙ％形式の信頼度を±Ｘ才形式に変換するには、テーブルや写像（図８参照）などを用いることができる。また、２クラス識別器を組み合わせる場合、最終的に選択されたクラスの識別器で得られた信頼度のみを用いてもよいが、木構造のように複数の識別器の識別結果を経由して最終のクラスを絞り込んでいる場合は、複数の識別器が推定結果に影響を及ぼしていると考えられるため、その経路に含まれる複数の識別器の全部又は一部の信頼度の積若しくは和を用いて、最終的な信頼度を計算することも好ましい。
【００７１】
（実施例７）
実施例７は、ｋ−ＮＮ法を信頼度の算出に利用する。
【００７２】
図１９は、特徴量空間における各クラス（ここでは２０代、３０代、４０代のように年代別のクラスとなっている）の分布を示している。この分布については、多数のサンプルからなる学習データから予め求めておく。
【００７３】
推定処理において、信頼度算出部５は、推定対象の特徴量を図１９の特徴量空間にマッピングし、推定対象データの近傍に存在するサンプル点を抽出する。このとき、近傍ｋ個のサンプル点を抽出する設定であれば、推定対象データからの距離が近いものから順にｋ個のサンプル点を抽出する。あるいは、半径ｒの近傍空間のサンプル点を抽出する設定であれば、推定対象データを中心とする半径ｒ内に存在する全てのサンプル点を抽出する。なお、ｋ、ｒの値は任意の値に設定することができる。
【００７４】
次に信頼度算出部５は、抽出したサンプル点のうち、推定対象データと同じクラス（図１９では３０代のクラス）に属しているサンプル点の個数を求める。抽出したサンプル点がＡ個、そのうち推定対象と同じクラスのサンプル点がＢ個とした場合、信頼度算出部５は、
信頼度（％）＝Ｂ／Ａ ×１００
のように信頼度を求める。たとえば、Ａ＝１１個、Ｂ＝９個の場合、信頼度は約８２％となる。なお、Ｙ％形式の信頼度を±Ｘ才形式に変換するには、テーブルや写像などを用いることができる。
【００７５】
（実施例８）
実施例８は、回帰写像により各クラスの信頼度を算出する方法である。
【００７６】
図２０（ａ）に示すように、多数のサンプルからなる学習データを用いて、特徴量の値ｘに対して推定年令ｙを出力する写像ｆを学習する。写像ｆの学習には、重回帰、ＣＣＡ（正準相関分析）、Ｒｉｄｇｅ回帰、ＲＶＭ（Relevance Vector Machine）などの一般的な回帰手法を用いることができる。なお年令推定では数十から数百の特徴量が用いられるため、特徴量ｘは多次元ベクトルとなるが、図２０では説明を簡単にするために１次元で示している。
【００７７】
次に、学習データと写像ｆから各年令の信頼度（許容範囲の上限・下限）を算出する。たとえばβ才に対する信頼度を求める場合は、図２０（ａ）に示すように、β才の学習データのそれぞれについて写像ｆにより年令推定を行い、これらの推定結果のばらつきの範囲（図２０（ａ）ではβ−ｑ才〜β＋ｐ才）を、β才の信頼度とする。つまり、学習データのうち推定年令が最も大きいものが許容範囲の上限となり、推定年令が最も小さいものが許容範囲の下限となる。他の年令に対する信頼度も同じように算出される。
【００７８】
図２０（ｂ）は信頼度算出の変形例を示したものである。この例では、β才の学習データの一部（特徴量ｘの分布において分布の中心から閾値α％の範囲内にあるデータ）を用いて、写像ｆによる年令推定を行い、その推定結果のばらつきの範囲（β−ｔ才〜β＋ｓ才）をβ才の信頼度とする。この方法によれば学習データの外れ値が除外されるため、より妥当な信頼度を得ることができる。
【００７９】
（実施例９）
実施例９では、顔・人体の撮影条件や画像の撮影条件が悪い場合に、年令推定の信頼度を下げる処理を行う。撮影条件が悪い画像を用いた場合、得られる特徴量の信頼度が低下し、結果として年令推定結果の信頼度を低下させることとなるからである。特徴量の信頼度を低下させる要因としては、たとえば、以下のものが挙げられる。
【００８０】
・顔や人体のサイズ…画像中の顔や人体のサイズが小さい場合、顔や人体から抽出できる情報量が少ないため、年令推定精度が低下する可能性がある。
・顔や人体の向き…顔が正面を向いている場合は顔器官の検出や特徴量抽出を精度よく行えるため、年令推定精度が向上する。しかし、顔が横を向いたり、上や下を向いている場合には、顔器官の隠れなどが生じ、年令推定精度が低下する可能性がある。
・器官信頼度…顔器官が変形していたり、顔器官の隠れが発生している場合などは、顔器官検出処理における器官信頼度が低下する。その場合、顔器官の位置やその部分に含まれる情報の精度が低いため、年令推定精度が低下する可能性がある。
・影、白飛び…影や白飛びにより顔画像が不鮮明な場合、顔器官の検出や特徴量の抽出の精度が低下するため、年令推定精度が低下する可能性がある。
・画像のボケ…画像のボケ量が大きいと、顔器官の検出や特徴量の抽出の精度が低下するため、年令推定精度が低下する可能性がある。
・照明条件…照明が暗すぎる場合、明るすぎる場合、（屋内でなく）屋外の場合など。
・ノイズ…画像中のノイズが多いと、顔器官の検出や特徴量の抽出の精度が低下するため、年令推定精度が低下する可能性がある。
【００８１】
本実施例では、予め、複数の撮影条件に対して信頼度を設定したテーブルを用意する。たとえば、４２才という推定年令に対する信頼度として、「照明条件：明るい屋内、顔サイズ：大、顔向き：正面」という撮影条件の場合は±４才、「照明条件：屋外、顔向き：右下向き」という撮影条件の場合は±７才、のように予め設定しておく。
【００８２】
そして、推定対象となる画像が与えられたら、上記要因の全部又は一部について評価を行う。この評価は、画像処理によって自動で行ってもよいし、人が評価を入力してもよい。評価結果が得られたら、テーブルを参照して、該当する信頼度を求める。これにより、撮影条件を反映した信頼度を得ることができる。
【００８３】
なお、信頼度を独自に算出するのではなく、信頼度算出部５により算出された信頼度を撮影条件の評価結果に応じて補正する構成も好ましい。たとえば図２１に示すように、目の間隔に応じて信頼度を補正することができる。図２１の例では、目の間隔が５０ピクセル以上の場合は、顔サイズが十分に大きいものとして信頼度の補正を行わないが、目の間隔が５０ピクセルより小さい場合には、その間隔に応じて信頼度を低下させる。目の間隔が２０ピクセルの場合、±Ｘ才形式の信頼度は±（Ｘ＋３）才となり、Ｙ％形式の信頼度は（Ｙ×０．０１）％となる。同じように、顔の向きが正面の場合（角度＝０度）は信頼度の補正を行わず、角度が所定値を超えると徐々に信頼度が低下するような補正を行うこともできる。
【００８４】
以上、複数の実施例を挙げて本発明の信頼度（許容範囲）の具体的な算出例を述べたが、本発明はこれらの実施例に限られることはなく、その技術思想の範囲内で適宜変形することが可能である。たとえば、上述した各実施例の構成を適宜組み合わせることも可能である。
【技術分野】
【０００１】
本発明は、顔画像から年令を推定する年令推定装置に関する。
【背景技術】
【０００２】
顔画像から年令などの人物属性を推定する技術が知られている（特許文献１、２参照）。しかし、年令推定を画像処理で行う場合、１００％の推定精度に到達することはできないため、ユーザが推定結果を利用する場合に、結果をどの程度信頼してよいかどうかがわからなかった。
【先行技術文献】
【特許文献】
【０００３】
【特許文献１】特開２００３−２４２４８６号公報
【特許文献２】特開２００７−１２８２６２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
本発明は上記実情に鑑みてなされたものであって、その目的とするところは、年令推定結果を利用するユーザの利便性を向上するための技術を提供することにある。
【課題を解決するための手段】
【０００５】
上記目的を達成するために本発明は、以下の構成を採用する。
【０００６】
本発明に係る年令推定装置は、画像から顔を検出する手段と、検出された顔の年令を推定する手段と、推定された推定年令の誤差を表す許容範囲を算出する手段と、を備える。年令推定装置が、前記推定年令とともに前記許容範囲を出力する出力手段をさらに備えることが好ましい。
【０００７】
前記許容範囲は、推定処理の信頼度に基づいて決定されることが好ましい。
【０００８】
前記許容範囲は、前記推定年令に基づいて決定されることが好ましい。
【０００９】
前記推定年令と前記許容範囲が、前記画像中の顔の近傍に表示されることが好ましい。
【００１０】
本発明は、上記手段の少なくとも一部を有する年令推定装置として捉えてもよいし、上記処理の少なくとも一部を含む年令推定方法、または、かかる方法を実現するためのプログラムやそのプログラムを記録した記録媒体として捉えることもできる。なお、上記手段および処理の各々は可能な限り互いに組み合わせて本発明を構成することができる。
【発明の効果】
【００１１】
本発明によれば、年令推定結果を利用するユーザの利便性を向上することができる。
【図面の簡単な説明】
【００１２】
【図１】本発明の実施形態に係る年令推定装置の構成を示すブロック図である。
【図２】年令推定装置の処理の流れを示すフローチャートである。
【図３】年令推定方法を説明する図である。
【図４】信頼度算出方法の一例を説明する図である。
【図５】信頼度算出方法の一例を説明する図である。
【図６】図２のフローチャートの変形例である。
【図７】許容範囲算出処理のフローチャートである。
【図８】分布図形式の許容範囲データの一例である。
【図９】分布図形式の許容範囲データの一例である。
【図１０】テーブル形式の許容範囲データの一例である。
【図１１】結果統合処理のフローチャートである。
【図１２】結果表示例である。
【図１３】結果表示例である。
【図１４】実施例１の推定年令分布の一例である。
【図１５】実施例１の信頼度算出処理を説明する図である。
【図１６】実施例４の信頼度算出処理を説明する図である。
【図１７】実施例５の信頼度算出処理を説明する図である。
【図１８】実施例６の信頼度算出処理を説明する図である。
【図１９】実施例７の信頼度算出処理を説明する図である。
【図２０】実施例８の信頼度算出処理を説明する図である。
【図２１】実施例９の信頼度補正処理を説明する図である。
【発明を実施するための形態】
【００１３】
以下に図面を参照して、この発明の好適な実施の形態を例示的に詳しく説明する。
【００１４】
＜装置構成＞
図１は、本発明の実施形態に係る年令推定装置の構成を示すブロック図である。年令推定装置の用途としては、たとえば、（１）パチンコホール、ゲームセンタ、映画館、タバコの購入のように年令制限が課せられている場面において、人物の年令をチェックするための装置、（２）コンビニや店舗において、マーケティング情報として顧客の年令を収集するための装置、などが考えられる。
【００１５】
年令推定装置は、入力部１、顔検出部２、特徴量抽出部３、属性推定部４、信頼度算出部５、信頼度記憶部６、許容範囲算出部７、許容範囲記憶部８、結果統合部９、出力部１０を有している。これらの機能は、コンピュータがプログラムを実行し、メモリ、カメラ、入力装置、表示装置などのハードウエア資源を適宜制御することにより、実現されるものである。なお、年令推定装置は、単独の装置（たとえばパーソナルコンピュータとカメラの組み合わせ）として構成してもよいし、自動販売機、携帯電話、デジタルカメラ、プリンタなどの機器の組み込みモジュールとすることもできる。
【００１６】
入力部１は、年令推定装置に画像を取り込む機能である。入力部１としては、光学系と撮像素子（ＣＣＤ、ＣＭＯＳセンサなど）を備えるカメラを好ましく適用できる。ただし、ネットワークや外部記憶媒体などから画像を取り込んでもよい。その場合は、ネットワークや外部記憶媒体とのインターフェイスが入力部１に該当する。取り込まれた画像はメモリに記憶される。
【００１７】
出力部１０は、年令推定結果を表示する機能である。出力部１０としては、液晶ディスプレイやＥＬディスプレイなどの表示装置を好ましく適用できる。
【００１８】
信頼度記憶部６と許容範囲記憶部８は、メモリ、ハードディスクなどの不揮発性記憶媒体から構成される。信頼度記憶部６には、信頼度の算出処理に用いられる設定値やテーブルが格納されており、許容範囲記憶部８には、許容範囲の算出処理に用いられる設定値やテーブルが格納されている。
【００１９】
＜処理フロー＞
図２は、年令推定装置の処理の流れを示すフローチャートである。以下に述べる処理は、基本的に、コンピュータ（プログラム）によって実行されるものである。
【００２０】
（ステップ１：画像取得）まず、入力部１から、処理対象となる画像が取得される。
【００２１】
（ステップ２：顔検出処理）顔検出部２が、画像処理によって画像から顔を検出する。顔検出部２による顔検出処理は、既存の顔検出処理のどのような技術が適用されてもよい。一例を挙げると、顔全体の輪郭に対応した基準テンプレートを用いたテンプレートマッチングによって顔を検出する手法、顔の器官（目、鼻、耳など）に基づくテンプレートマッチングによって顔を検出する手法、クロマキー処理によって頭部などの頂点を検出し、この頂点に基づいて顔を検出する手法、肌の色に近い領域を検出し、その領域を顔として検出する手法、ニューラルネットワークを使って教師信号による学習を行い、顔らしい領域を顔として検出する手法、などがある。
【００２２】
（ステップ３：顔選択）画像から複数の顔が検出された場合には、顔ごとに、次に述べる属性推定および許容範囲算出の処理が実行される。
【００２３】
（ステップ４：特徴量抽出）特徴量抽出部３が、顔検出部２によって検出された顔から特徴量を抽出する。たとえば、エッジ検出やパターンマッチングなどにより特徴点を検出し、特徴点近傍の濃淡値やその周期性・方向性、特徴点の位置関係などを特徴量として抽出することができる。特徴量の個数（次元）は、期待する推定精度に応じて任意に設定できる。一般的には、数十〜数百の特徴量が抽出される。
【００２４】
（ステップ５：属性推定処理）属性推定部４は、顔画像から抽出された特徴量に基づいて、その顔（の人物）の年令を推定する。
【００２５】
図３は、年令推定方法の一例を説明する図である。２０代、３０代、４０代、５０代の年令グループ（クラス）ごとの識別器が用意されている。各識別器は、多数のサンプル顔画像による学習によって得られたものであり、各年令クラスの顔が示す特徴量の分布を有している。本実施形態では、特徴量の分布として正規分布を利用しており、平均値は年令グループの中央値（たとえば２０代なら２５才）、分散値は経験的に定めた値を用いている。図３に示すように、年令クラスごとに特徴量の分布が異なっていることがわかる。
【００２６】
ステップ４で得られた特徴量を、評価サンプルとして識別器に入力すると、その評価サンプルが各年令クラスに属する確率が得られる。評価サンプルがある年令クラスに属する確率は、評価サンプルが当該クラスの特徴量分布の中心に近づくほど（評価サンプルとクラス中心の距離が近いほど）、高くなる。なお、属性推定部４は、評価サンプルとクラス中心の距離から確率を算出してもよいし、クラスへの帰属確率を出力することのできる識別器を利用することで識別器の出力をそのまま確率として用いてもよい。
【００２７】
そして、属性推定部４は、評価サンプルの各クラスへの帰属確率と、各クラスのクラス中心の年令とから、図３の式のように推定年齢を決定する。図３の例では、評価サンプルの年令が４２才と推定されている。
【００２８】
（ステップ６：属性推定信頼度算出）信頼度算出部５は、推定処理の信頼度を算出する。
【００２９】
図４、図５は、信頼度算出方法の一例を説明する図である。（１）信頼度算出部５は、年令クラスの中から、確率が最大となるクラスを求める。図４の例では、４０代のクラスが最大の確率（４０％）を示している。（２）次に、信頼度算出部５は、確率が最大とな
るクラスの両隣のクラスのうち、確率が高い方のクラスを求める。図４の例では、３０代のクラス（確率：３０％）が選ばれる。（３）信頼度算出部５は、（１）と（２）で選んだ２つのクラスの確率の合計値を図５に示す確率−信頼度テーブルにマッピングし、信頼度を算出する。この確率−信頼度テーブルは、確率が高いほど信頼度が高くなるように設定されている。また、下限値（図５の例では４０％）は、選択された２つのクラスは最低でもこの程度信頼してよいだろうという経験的な値に定められている。なお信頼度は０〜１０００の値をとり、値が大きくなるほど信頼度が高いことを示す。図４、図５の例では、合計確率７０％に対して、信頼度５００が得られている。
【００３０】
なお図３〜図５の年令推定方法および信頼度算出方法は一例であり、他の方法を用いてもよい。たとえば、クラスへの帰属確率はどのような方法で算出してもよい。正規分布の分散値を用いて帰属確率を算出することも好ましい。確率から信頼度への変換は、図５のようなリニアなテーブルでなく非線形なテーブルを用いてもよい。また信頼度の下限値は４０％でなく、他の値でもよいし、下限値を動的に決めてもよい。また確率の高い２つのクラスの合計確率から信頼度を算出したが、最も確率の高いクラスの確率（つまり最大確率）に基づいて信頼度を算出してもよい。
【００３１】
さらに、図６に示すように、属性推定の信頼度だけでなく、特徴量の信頼度を算出することも好ましい。特徴量の信頼度とは、顔画像から抽出された特徴量の値そのものの信頼度を表すものである。特徴量自体の信頼度は推定結果の信頼度に大きく影響を及ぼし得る。特徴量の信頼度を左右する要因としては、たとえば、画像中の顔の向きがある。正面向きの顔の信頼度が最も高く、顔が横を向いたり上または下を向くほど信頼度は低くなる。他の要因としては、顔器官の形状がある。たとえば、目を閉じていたり、笑っていたりすると、信頼度は低くなる。他の要因としては、照明条件がある。顔の一部が陰になっていたり、逆に白飛びしていたりすると、信頼度が低くなる。これらの特徴量の信頼度に影響を与えうる要因について、画像処理により要因の有無や程度を判定し、その判定結果に応じて特徴量の信頼度を決定するとよい。具体的な方法としては、たとえば、特開２００７−１２８２６２号公報にて開示された方法を好ましく用いることができる。
【００３２】
（ステップ７：許容範囲算出）許容範囲算出部７は、信頼度に基づいて、推定年齢の誤差を表す許容範囲を算出する。
【００３３】
図７は、許容範囲算出処理のフローチャートである。許容範囲算出部７は、属性推定信頼度の結果と特徴量信頼度の結果（特徴量信頼度を用いるのは、図６のフローの場合のみ）を取得し、許容範囲記憶部８から許容範囲データを読み出す。そして、許容範囲データを参照して、推定年齢の許容範囲を算出する。
【００３４】
図８は分布図形式の許容範囲データの一例を示している。信頼度と許容範囲（上限値と下限値）との関係が定義されており、信頼度が最も高い場合（１０００）には許容範囲は±０才となり、信頼度が低くなるほど許容範囲がひろがる。たとえば、信頼度が７００の場合、許容範囲は±３才となる。
【００３５】
図９は分布図形式の許容範囲データの変形例を示している。図９では、推定年令が２０才未満か否かで、分布を異ならせている（２０才以上の分布のほうが許容範囲が広い。）。人間が年令を推定する場合の誤差幅が年令層に応じて異なることに着目したものである。すなわち、たとえば３才の幼児を人が何才か判定する場合、その誤差はせいぜい±２才程度の誤差幅しかない。一方で７０才の高齢者を人が何才か判定する場合、人によって６０才〜８０才まで判定する年令のブレが大きい。このような人の判定結果の経験則を機械の推定結果に応用し、推定する人物の推定年令に応じて、許容範囲を設定する。
【００３６】
図１０はテーブル形式の許容範囲データの一例である。図１０のテーブルでは、推定年齢と許容範囲（上限、下限）との対応関係が定められており、推定年齢に基づき許容範囲が決定される。たとえば、推定年齢が１５才の場合、許容範囲は±４才となる。
【００３７】
（ステップ８：結果統合処理）結果統合部９が、属性推定により求めた結果（推定年令）と許容範囲算出結果とを統合し、最終的な属性推定結果を算出する（図１１）。
【００３８】
（ステップ９：属性推定結果出力）出力部１０が、最終的な属性推定結果を表示装置に出力する。図１２は、結果表示例を示している。ここでは、画像中の顔の近傍に、推定年令（２５才）とともに許容範囲（±３才）が表示されている。図１３は、他の結果表示例である。この例では、許容範囲を年令ではなく、パーセントで示している。
【００３９】
＜まとめ＞
上記構成によれば、推定年齢とともにその許容範囲（±Ｘ才、あるいは、Ｙ％）が表示される。このようにすることで、推定結果の利用者に利用方法を検討する余地を与えることができるようになる。許容範囲（推定年令の信頼度）を表示することで、結果をどの程度信頼してもよいかが直感的にわかるため、たとえば最適なカメラ設置位置の選択が容易になる。またＸＸ才±ＹＹ才という人間に分かりやすい出力方法は、推定結果をユーザが利用する場合、特に有用である。例えば、２７才±５才と出力された場合、２５才の区分に入れるのか、３０才の区分に入れるのかユーザが選択する余地があるためである。
【００４０】
すなわち本実施形態の利点をまとめると、（１）許容範囲を表示することで、結果をどの程度信頼してもよいか直感的にわかる。人が人物の年令を推定する際に持つあいまい性を、機械の結果出力にも適用することで、より人に納得させやすい結果の表示方法となる。（２）また、図６で説明した実施形態では、年令を推定する環境（画像中の顔の状態）の難易度に応じて、信頼度の出力結果が変化するので、許容範囲をより好適に算出可能である。これは、推定の簡単な状況と難しい状況（たとえば、照明変動や顔向きのバリエーションなど）があるためである。
【００４１】
上述した許容範囲は、推定年令自体の信頼度を表す信頼度情報とよぶことができる。また、推定誤差の程度を表す情報とか、推定年令の不確かさ（あるいは確かさ）を表す情報、と言い換えることもできる。推定年令の信頼度の表現手法としては、「４２才±５才」、「４０才〜４５才」、「４２才±１０％」、「４２才（信頼度８５％）」など、どのような表現手法を採用してもよい。
【００４２】
＜実施例＞
以下、推定年令の信頼度（許容範囲）の算出方法の具体例について説明する。
【００４３】
（実施例１）
実施例１は、人間による推定結果を利用する方法である。
【００４４】
まず、学習データを用意する。学習データとしては、様々な年令のサンプル（人）のデータ、好ましくは、この装置が推定の対象とする全年令範囲を網羅するデータを用意する。典型的には顔、全身、又は上半身の画像データを用いるが、画像データだけでなく、音声データなど年令推定に影響を与え得る他のデータを用いることもできる。また、一人のサンプルについて、アングル、表情、髪型、服装、撮影条件等を変えた複数の画像を用意してもよい。
【００４５】
これらの学習データを被験者に見せ、各サンプルの年令を推定させる。このとき、被験者による偏りをなくすため、性別や年代の異なる複数の被験者による実験を行ったり、１
つのサンプルに対して複数回の年令推定を行ったりするとよい。
【００４６】
被験者実験により得られた年令推定結果から、各クラス（本実施例では年令ごとにクラス分けしている）の推定年令分布を算出する。図１４は、推定年令分布の一例として、１０才のクラス、４２才のクラス、６５才のクラスそれぞれの分布を示している。クラスごとに推定年令の分布形状（ばらつき）が異なることがわかる。一般的に、幼児や少年に対する推定年令のばらつきは小さく、４０〜５０代の推定年令のばらつきは大きくなる傾向にある。各クラスの推定年令分布は許容範囲記憶部８に記憶される。許容範囲記憶部８に記憶するデータは、分布をヒストグラム形式で表現したデータでもよいし、図１４に示すように正規分布等の適当な分布を当てはめた場合には、分布を表現するパラメータ（正規分布の場合は分散）でもよい。
【００４７】
次に、上記の推定年令分布を利用して、推定年令の信頼度を算出する処理を説明する。ここでは、属性推定部４により「４２才」という推定結果が得られた場合を例に挙げる。
【００４８】
許容範囲算出部７は、属性推定部４から推定年令「４２才」を受け取ると、その年令の属するクラスの推定年令分布を許容範囲記憶部８から読み出す。次に、許容範囲算出部７は、図１５（ａ）に示すように、推定年令分布の「４２才」を中心とする累積確率（斜線部分に含まれるサンプルの割合）が所定の閾値α％となるときの下限及び上限を算出する。図１５（ａ）の例では、下限「３７才」、上限「４７才」が得られ、推定年令「４２才」の信頼度（許容範囲）は「±５才」のように求まる。
【００４９】
閾値αが一定の場合、推定年令分布の形状に応じて許容範囲は変化する。たとえば、図１５（ａ）に示す４２才のクラスのように分布形状が幅広ければ、許容範囲は広くなる（信頼度が低くなる）。また図１５（ｂ）に示す５才のクラスのように分布形状が急峻であれば、許容範囲は狭くなる（信頼度が高くなる）。つまり、推定年令分布を作成するための被験者実験において誤推定が多かった年令については、信頼度が低くなり、誤推定が少なかった年令については、信頼度が高くなるのである。このように本実施例の方法によれば、人の推定誤差の傾向を反映した信頼度を得ることができるという利点がある。
【００５０】
なお閾値αは、本装置の使用目的や要求精度などに応じて、適当な値に設定すればよい。典型的には１σ（約６８％）などに設定すればよい。また本装置を使用するユーザがαの設定値を変更できるようにすることも好ましい。αの値を大きくするほど許容範囲は広くなる。なお、図１５（ａ）の例では、推定年令分布の形状が左右対称のため、プラスとマイナスの誤差が同一である。しかし、推定年令分布が左右対称でない場合には、プラスの誤差とマイナスの誤差が同一の値になるとは限らない。
【００５１】
本実施例では、年令ごとに推定年令分布を求めたが、必ずしも全ての年令について分布を求める必要はない。たとえば、０〜３才、４〜９才、１０〜１９才、２０〜３４才、・・・のように年齢層でクラス分けを行い、そのクラス（年齢層）ごとに推定年令分布を求めたり、あるいは、全ての年令に共通する１つの分布を求めたりするだけでもよい。年齢層で分ける場合は、幼児期や少年期のように推定誤差が小さい年令においては年齢層の幅を狭くし、相対的に、４０代、５０代のように推定誤差が大きい年令においては年齢層の幅を広くとるとよい。
【００５２】
なお本実施例では、図１５（ａ）に示すように、許容範囲算出部７が推定年令分布から都度許容範囲を算出している。しかし、閾値αと各クラスの推定年令分布とから、予め、クラスごと（年令ごと）の許容範囲を算出し、その値を許容範囲テーブル（図１０参照）として許容範囲記憶部８に格納しておくことも好ましい。これにより、テーブル参照のみで許容範囲を得ることができ、許容範囲算出処理の高速化を図ることができる。なお閾値
αのユーザ変更を可能とした場合には、複数の閾値αについて予めテーブルを用意しておけばよい。
【００５３】
（実施例２）
実施例２は、機械による推定結果を利用する方法である。実施例１では、被験者実験の結果から推定年令分布を算出したのに対し、実施例２では、機械による年令推定結果を用いる点が異なる。その他の構成は実施例１と同様である。ここで「機械」とは、学習データから自動で年令を推定する装置をさす。たとえば、本発明に係る年令推定装置を利用することができる。また推定の信頼度を向上するために、年令推定アルゴリズムが異なる複数種類の機械を利用することも好ましい。
【００５４】
機械を利用した場合、人間による推定と比較して、大量サンプルの処理が可能になるため、推定年令分布の形状がより真値に近づくという利点がある。また、本発明に係る年令推定装置を推定年令分布の作成に利用した場合には、信頼度の精度が向上する。なぜなら、年令推定装置自身の推定誤差の傾向が、信頼度に反映されるからである。
【００５５】
（実施例３）
実施例３は、識別器のスコアを利用する方法である。
【００５６】
識別器とは、画像から抽出した特徴量（評価データ）がクラスに属する確率（帰属確率）をスコアとして出力する機械（プログラム）である。本装置の属性推定部４は、年令推定の分解能に応じた多クラス識別を行う必要がある。このような多クラス識別は、多クラス識別器を用いて実現してもよいし、複数の２クラス識別器の組み合わせにより実現してもよい。２クラス識別器としては、ＳＶＭ（サポートベクタマシーン）、ＡｄａＢｏｏｓｔ（アダブースト）、ＬＤＡ（線形判別分析）など様々なものが提案されており、本発明ではいずれの識別器も用いることができる。また２クラス識別器の組み合わせ方についても従来公知の手法を採用することができる。たとえば、各年令の２クラス識別器から帰属確率を得て、最も高い帰属確率を出力した識別器の年令を採用する方法（１ｖｓＡｌｌとよぶ）や、まず第１の識別器で３０才以上か否かを判定し、３０才未満であれば第２の識別器で１５才以上か否かを判定し、・・・のように年令の範囲を二分する２クラス識別器を組み合わせて、徐々に年令の範囲を絞り込んでいく方法（木構造とよぶ）などがある。
【００５７】
実施例３では、正解として選択されたクラス（たとえば、最も帰属確率が大きなクラス）の帰属確率を、そのまま推定年令の信頼度として用いる。たとえば、図３の例では、２０代、３０代、４０代、５０代の４つのクラスについて、それぞれ１０％、３０％、４０％、２０％という帰属確率が出力されている。許容範囲算出部７は、最も高い帰属確率である「４０％」を推定年令「４２才」の信頼度として採用する。この場合の推定結果の表示例を図１３に示す。
【００５８】
（実施例４）
実施例４も、識別器のスコアを利用する方法である。実施例３では帰属確率をそのまま推定年令の信頼度として利用したのに対し、実施例４ではテーブルを参照して帰属確率から信頼度を求める点で異なる。その他の構成は実施例３と同様である。
【００５９】
図１６（ａ）、（ｂ）は許容範囲記憶部８に格納されているテーブルの一例を示している。図１６（ａ）は、帰属確率を±Ｘ才形式の信頼度に変換するためのテーブルの例であり、図１６（ｂ）は、帰属確率をＹ％形式の信頼度に変換するためのテーブルの例である。たとえば、識別器から、年令「４２才」、帰属確率「８０％」という年令推定結果が得られた場合、許容範囲算出部７は、図１６（ａ）のテーブルを参照して、−２才〜＋３才という信頼度を得る。従って、推定結果の出力は、「４２才（−２才〜＋３才）」とか「
４０才〜４５才」のようになる。なお、帰属確率の値が「７５％」のようにテーブルに存在しない場合には、近傍の値（たとえば７０％と８０％）から補間を行えばよい。
【００６０】
これらのテーブルは、学習データから求めてもよいし、人為的に作成してもよい。学習データから求める場合、実施例２と同様、様々な年令のサンプルデータを用いて本装置による年令推定を行い、各サンプルの帰属確率と推定年令を求める。そして、帰属確率が約０．１（たとえば０．０５〜０．１５）であったサンプルについて、推定年令の分布を求め、実年令に対する推定誤差を求める。たとえば、実施例１と同じように累積確率が閾値αとなる範囲や１σの範囲などを、推定誤差として選ぶことができる。このようにして求めた推定誤差の下限値・上限値を帰属確率０．１に対応する許容範囲に設定する。以下同様に、帰属確率０．２、０．３、・・・、０．９に対応する許容範囲を求めることができる。一般に、帰属確率が低い場合には、推定年令の誤差は大きくなるため、許容範囲は大きくなり、逆に帰属確率が高いほど許容範囲は小さくなる。
【００６１】
なお、クラスごとに異なるテーブルを用いることも好ましい。前述のように、年代によって推定誤差が異なるからである。
【００６２】
また一つのクラスの帰属確率だけでなく、図１６（ｃ）に示すように、複数のクラスの帰属確率に基づいて信頼度を決定することもできる。図１６（ｃ）では、Ｎ個のクラスの帰属確率の組と信頼度（許容範囲）とが対応付けられている。このテーブルについても、学習データから求めてもよいし、人為的に作成してもよい。なお、信頼度の決定に、全てのクラスの帰属確率を用いる必要はない。たとえば、帰属確率が大きいものから順に２つのクラスを選択し、その２つのクラスの帰属確率の組から信頼度を求めるようにしてもよい。
【００６３】
（実施例５）
実施例５も、識別器のスコアである帰属確率から信頼度を求める方法である。実施例４ではテーブルを用いたのに対し、実施例５では写像を用いて帰属確率から信頼度への変換を行う点が異なる。その他の構成は実施例４と同様である。
【００６４】
図１７（ａ）、（ｂ）は許容範囲記憶部８に格納されている写像の一例を示している。図１７（ａ）は、帰属確率を±Ｘ才形式の信頼度に変換するための写像の例であり、図１７（ｂ）は、帰属確率をＹ％形式の信頼度に変換するための写像の例である。たとえば、識別器から、年令「４２才」、帰属確率「８０％」という年令推定結果が得られた場合、許容範囲算出部７は、図１７（ａ）の写像を参照して、±３才という信頼度を得る。
【００６５】
図１７は線形な写像を示しているが、非線形あるいは不連続な写像を用いてもよい。非線形な写像としてはシグモイド関数などが考えられる。これらの写像は、学習データから求めてもよいし、人為的に作成してもよい。学習データから求める場合、実施例４と同様にして帰属確率と推定誤差の関係を求め、それに適当な関数を当てはめればよい。なお、クラスごとに異なる写像を用いることも好ましい。
【００６６】
また一つのクラスの帰属確率だけでなく、複数のクラスの帰属確率に基づいて信頼度を決定することもできる。その場合、Ｎ個の帰属確率の組（Ｎ次元ベクトル）と信頼度の関係を表す写像を用いればよい。あるいは、Ｎ個の帰属確率を１つの特徴値（スカラー）に変換し、その特徴値と信頼度との関係を表す写像を用いることもできる。
【００６７】
（実施例６）
実施例６も、識別器のスコアから信頼度を求める方法である。ただし、実施例３〜５では多クラス識別の結果得られた帰属確率を用いたのに対し、実施例６では２クラス識別器
から得られるスコアから信頼度を算出する点が異なる。
【００６８】
まず、各クラス（年令でも年代でもよい）について、学習データから識別スコアの分布を求める。たとえば、４２才の２クラス識別器に対しては、４２才のサンプルからなる多数の学習データを識別させ、図１８に示すような「識別スコア−度数」の関係を求める。このスコア分布は、横軸が識別スコアの値、縦軸がその識別スコアをとるサンプルの度数（最大の度数が１００％になるように規格化した値）を示す。スコア分布の形状は、ヒストグラムや分布のパラメータ（図１８のような形状の場合はシグモイド関数などを用いることができる）の形式で信頼度記憶部６に格納しておく。なお、この２クラス識別器のスコアｙは、−１から１の間の値をとり、サンプルがそのクラスに属する可能性が高いほど１に近い値をとり、属さない可能性が高いほど−１に近い値をとるものとする。
【００６９】
続いて、推定年令の信頼度を算出する処理を説明する。ここでは、属性推定部４により「４２才」という推定結果が得られた場合、つまり４２才の２クラス識別器が最も大きい識別スコアを出力した場合を例に挙げる。信頼度算出部５は、属性推定部４から推定年令「４２才」と識別スコア（たとえば０．７）を受け取ると、その年令のクラスのスコア分布のデータを信頼度記憶部６から読み出す。次に、信頼度算出部５は、スコア分布を参照して識別スコア０．７に対応する度数を求め、その度数を当該推定年令の信頼度とする。図１８の例では、推定年令４２才の信頼度は９０％となる。
【００７０】
なお、Ｙ％形式の信頼度を±Ｘ才形式に変換するには、テーブルや写像（図８参照）などを用いることができる。また、２クラス識別器を組み合わせる場合、最終的に選択されたクラスの識別器で得られた信頼度のみを用いてもよいが、木構造のように複数の識別器の識別結果を経由して最終のクラスを絞り込んでいる場合は、複数の識別器が推定結果に影響を及ぼしていると考えられるため、その経路に含まれる複数の識別器の全部又は一部の信頼度の積若しくは和を用いて、最終的な信頼度を計算することも好ましい。
【００７１】
（実施例７）
実施例７は、ｋ−ＮＮ法を信頼度の算出に利用する。
【００７２】
図１９は、特徴量空間における各クラス（ここでは２０代、３０代、４０代のように年代別のクラスとなっている）の分布を示している。この分布については、多数のサンプルからなる学習データから予め求めておく。
【００７３】
推定処理において、信頼度算出部５は、推定対象の特徴量を図１９の特徴量空間にマッピングし、推定対象データの近傍に存在するサンプル点を抽出する。このとき、近傍ｋ個のサンプル点を抽出する設定であれば、推定対象データからの距離が近いものから順にｋ個のサンプル点を抽出する。あるいは、半径ｒの近傍空間のサンプル点を抽出する設定であれば、推定対象データを中心とする半径ｒ内に存在する全てのサンプル点を抽出する。なお、ｋ、ｒの値は任意の値に設定することができる。
【００７４】
次に信頼度算出部５は、抽出したサンプル点のうち、推定対象データと同じクラス（図１９では３０代のクラス）に属しているサンプル点の個数を求める。抽出したサンプル点がＡ個、そのうち推定対象と同じクラスのサンプル点がＢ個とした場合、信頼度算出部５は、
信頼度（％）＝Ｂ／Ａ ×１００
のように信頼度を求める。たとえば、Ａ＝１１個、Ｂ＝９個の場合、信頼度は約８２％となる。なお、Ｙ％形式の信頼度を±Ｘ才形式に変換するには、テーブルや写像などを用いることができる。
【００７５】
（実施例８）
実施例８は、回帰写像により各クラスの信頼度を算出する方法である。
【００７６】
図２０（ａ）に示すように、多数のサンプルからなる学習データを用いて、特徴量の値ｘに対して推定年令ｙを出力する写像ｆを学習する。写像ｆの学習には、重回帰、ＣＣＡ（正準相関分析）、Ｒｉｄｇｅ回帰、ＲＶＭ（Relevance Vector Machine）などの一般的な回帰手法を用いることができる。なお年令推定では数十から数百の特徴量が用いられるため、特徴量ｘは多次元ベクトルとなるが、図２０では説明を簡単にするために１次元で示している。
【００７７】
次に、学習データと写像ｆから各年令の信頼度（許容範囲の上限・下限）を算出する。たとえばβ才に対する信頼度を求める場合は、図２０（ａ）に示すように、β才の学習データのそれぞれについて写像ｆにより年令推定を行い、これらの推定結果のばらつきの範囲（図２０（ａ）ではβ−ｑ才〜β＋ｐ才）を、β才の信頼度とする。つまり、学習データのうち推定年令が最も大きいものが許容範囲の上限となり、推定年令が最も小さいものが許容範囲の下限となる。他の年令に対する信頼度も同じように算出される。
【００７８】
図２０（ｂ）は信頼度算出の変形例を示したものである。この例では、β才の学習データの一部（特徴量ｘの分布において分布の中心から閾値α％の範囲内にあるデータ）を用いて、写像ｆによる年令推定を行い、その推定結果のばらつきの範囲（β−ｔ才〜β＋ｓ才）をβ才の信頼度とする。この方法によれば学習データの外れ値が除外されるため、より妥当な信頼度を得ることができる。
【００７９】
（実施例９）
実施例９では、顔・人体の撮影条件や画像の撮影条件が悪い場合に、年令推定の信頼度を下げる処理を行う。撮影条件が悪い画像を用いた場合、得られる特徴量の信頼度が低下し、結果として年令推定結果の信頼度を低下させることとなるからである。特徴量の信頼度を低下させる要因としては、たとえば、以下のものが挙げられる。
【００８０】
・顔や人体のサイズ…画像中の顔や人体のサイズが小さい場合、顔や人体から抽出できる情報量が少ないため、年令推定精度が低下する可能性がある。
・顔や人体の向き…顔が正面を向いている場合は顔器官の検出や特徴量抽出を精度よく行えるため、年令推定精度が向上する。しかし、顔が横を向いたり、上や下を向いている場合には、顔器官の隠れなどが生じ、年令推定精度が低下する可能性がある。
・器官信頼度…顔器官が変形していたり、顔器官の隠れが発生している場合などは、顔器官検出処理における器官信頼度が低下する。その場合、顔器官の位置やその部分に含まれる情報の精度が低いため、年令推定精度が低下する可能性がある。
・影、白飛び…影や白飛びにより顔画像が不鮮明な場合、顔器官の検出や特徴量の抽出の精度が低下するため、年令推定精度が低下する可能性がある。
・画像のボケ…画像のボケ量が大きいと、顔器官の検出や特徴量の抽出の精度が低下するため、年令推定精度が低下する可能性がある。
・照明条件…照明が暗すぎる場合、明るすぎる場合、（屋内でなく）屋外の場合など。
・ノイズ…画像中のノイズが多いと、顔器官の検出や特徴量の抽出の精度が低下するため、年令推定精度が低下する可能性がある。
【００８１】
本実施例では、予め、複数の撮影条件に対して信頼度を設定したテーブルを用意する。たとえば、４２才という推定年令に対する信頼度として、「照明条件：明るい屋内、顔サイズ：大、顔向き：正面」という撮影条件の場合は±４才、「照明条件：屋外、顔向き：右下向き」という撮影条件の場合は±７才、のように予め設定しておく。
【００８２】
そして、推定対象となる画像が与えられたら、上記要因の全部又は一部について評価を行う。この評価は、画像処理によって自動で行ってもよいし、人が評価を入力してもよい。評価結果が得られたら、テーブルを参照して、該当する信頼度を求める。これにより、撮影条件を反映した信頼度を得ることができる。
【００８３】
なお、信頼度を独自に算出するのではなく、信頼度算出部５により算出された信頼度を撮影条件の評価結果に応じて補正する構成も好ましい。たとえば図２１に示すように、目の間隔に応じて信頼度を補正することができる。図２１の例では、目の間隔が５０ピクセル以上の場合は、顔サイズが十分に大きいものとして信頼度の補正を行わないが、目の間隔が５０ピクセルより小さい場合には、その間隔に応じて信頼度を低下させる。目の間隔が２０ピクセルの場合、±Ｘ才形式の信頼度は±（Ｘ＋３）才となり、Ｙ％形式の信頼度は（Ｙ×０．０１）％となる。同じように、顔の向きが正面の場合（角度＝０度）は信頼度の補正を行わず、角度が所定値を超えると徐々に信頼度が低下するような補正を行うこともできる。
【００８４】
以上、複数の実施例を挙げて本発明の信頼度（許容範囲）の具体的な算出例を述べたが、本発明はこれらの実施例に限られることはなく、その技術思想の範囲内で適宜変形することが可能である。たとえば、上述した各実施例の構成を適宜組み合わせることも可能である。
【特許請求の範囲】
【請求項１】
画像から顔を検出する手段と、
検出された顔の年令を推定する手段と、
推定された推定年令の誤差を表す許容範囲を算出する手段と、を備えることを特徴とする年令推定装置。
【請求項２】
前記推定年令とともに前記許容範囲を出力する出力手段をさらに備えたことを特徴とする請求項１に記載の年令推定装置。
【請求項３】
前記許容範囲は、推定処理の信頼度に基づいて決定されることを特徴とする請求項２に記載の年令推定装置。
【請求項４】
前記許容範囲は、前記推定年令に基づいて決定されることを特徴とする請求項２または３に記載の年令推定装置。
【請求項５】
前記推定年令と前記許容範囲が、前記画像中の顔の近傍に表示されることを特徴とする請求項２〜４のいずれかに記載の年令推定装置。
【請求項１】
画像から顔を検出する手段と、
検出された顔の年令を推定する手段と、
推定された推定年令の誤差を表す許容範囲を算出する手段と、を備えることを特徴とする年令推定装置。
【請求項２】
前記推定年令とともに前記許容範囲を出力する出力手段をさらに備えたことを特徴とする請求項１に記載の年令推定装置。
【請求項３】
前記許容範囲は、推定処理の信頼度に基づいて決定されることを特徴とする請求項２に記載の年令推定装置。
【請求項４】
前記許容範囲は、前記推定年令に基づいて決定されることを特徴とする請求項２または３に記載の年令推定装置。
【請求項５】
前記推定年令と前記許容範囲が、前記画像中の顔の近傍に表示されることを特徴とする請求項２〜４のいずれかに記載の年令推定装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【公開番号】特開２００９−２３０７５１（Ｐ２００９−２３０７５１Ａ）
【公開日】平成２１年１０月８日（２００９．１０．８）
【国際特許分類】
【出願番号】特願２００９−３９２７６（Ｐ２００９−３９２７６）
【出願日】平成２１年２月２３日（２００９．２．２３）
【出願人】（０００００２９４５）オムロン株式会社 (3,542)
【Ｆターム（参考）】
【公開日】平成２１年１０月８日（２００９．１０．８）
【国際特許分類】
【出願日】平成２１年２月２３日（２００９．２．２３）
【出願人】（０００００２９４５）オムロン株式会社 (3,542)
【Ｆターム（参考）】
[ Back to top ]