識別装置及び識別プログラム
【課題】検出処理を高速化する。
【解決手段】識別装置１０は、入力データの特徴量を生成する特徴量生成部３と、特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定部４と、検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定された重み設定部５とを備えた弱識別器２と、弱識別器２を複数備え、各弱識別器２における特徴量の判定結果と重みとの積算値の線形和に基づいて入力データが検出対象であるか否かを識別する強識別器１とを有する。
【解決手段】識別装置１０は、入力データの特徴量を生成する特徴量生成部３と、特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定部４と、検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定された重み設定部５とを備えた弱識別器２と、弱識別器２を複数備え、各弱識別器２における特徴量の判定結果と重みとの積算値の線形和に基づいて入力データが検出対象であるか否かを識別する強識別器１とを有する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、画像データに検出対象が含まれるか否かを識別する識別装置及び識別プログラムに関する。
【背景技術】
【０００２】
画像からの物体検出において、デジタルカメラにおける顔検出や、自動車の運転支援における歩行者検出など、オンライン処理が必要とされる分野では、検出の正確さとともに識別処理の高速性も要求される。しかしながら、一般的に識別性能が高い識別装置ほど計算量が多い傾向があるため、この２つの要求を同時に満たすことは困難である。
【０００３】
パターン認識を用いて画像から検出対象を高速に検出する方法に関して、識別性能の低い複数の弱識別器を組み合わせることにより識別性能の高い強識別器を構成する技術が提案されている。
【０００４】
非特許文献１においては、複数の弱識別器を直列に並べることにより構成された強識別器が開示されている。この強識別器は、弱識別器毎にその出力と閾値との大小比較により顔と非顔とを識別し、いずれかの弱識別器で非顔と識別された領域の入力データについては、それより後段の弱識別器の処理を省略する。これにより、画像のほとんどの領域が非顔領域であるため、このようなカスケード構造の識別器を用いることで、検出処理を高速化することが可能になっている。また、特許文献１には、弱識別器の類似度の中で最も低い類似度を弱識別器の閾値に設定することによって、検出処理を高速化する構成が開示されている。
【先行技術文献】
【特許文献】
【０００５】
【非特許文献１】Paul Viola and Michael Jones, “Rapid Object Detection using a Boosted Cascade of Simple Features,”Proc. of CVPR2001, vol.1, pp. 511-518, 2001.
【特許文献１】特開２０１０−７７０６２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
ところで、複数の弱識別器を組み合わせて強識別器により画像を識別する技術分野においては、検出処理の高速化が極めて重要である。従って、上記従来の構成よりも検出処理を高速化できる識別装置が望まれている。
【０００７】
本発明は、検出処理を高速化できる識別装置及び識別プログラムを提供することを目的とする。
【課題を解決するための手段】
【０００８】
本発明は、識別装置であって、入力データの特徴量を生成する特徴量生成部と、前記特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定部と、検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定された重み設定部とを備えた弱識別器と、前記弱識別器を複数備え、前記各弱識別器における特徴量の判定結果と重みとの積算値の線形和に基づいて、前記入力データが検出対象であるか否かを識別する強識別器とを有する。
【０００９】
上記の構成によれば、検出対象の特徴量の確率分布と非検出対象の特徴量の確率分布とを比較した場合、非検出対象の特徴量の両側確率が検出対象の特徴量の両側確率よりも大きいという関係が一般的である。従って、第１閾値と第２閾値とで挟まれた所定範囲を基準にして特徴量の存在の有無を判定すると、所定範囲内において検出対象の入力データが多く含まれる一方、所定範囲外、即ち、第１閾値未満の下側領域と第２閾値を超えた上側領域とにおいて非検出対象の入力データが多く含まれることになる。この結果、従来のように、一つの閾値で区切られた一方側の領域と他方側の領域とを用いて入力データが検出対象であるか否かを判定する場合よりも、識別を有効に行える領域を多く確保できることから、各弱識別器の識別性能をそれぞれ高めることができる。これにより、少ない数量の弱識別器で高い性能を持った強識別器を得ることができ、ひいては検出処理を高速化することができる。
【００１０】
また、本発明における前記強識別器は、前記弱識別器の弱識別器集合部を複数段で直列配置し、前段の弱識別器集合部において検出対象であると識別した入力データだけを、後段の弱識別器集合部における検出対象の識別に用いてもよい。
【００１１】
上記の構成によれば、識別性能が高められた弱識別器を各段の弱識別器集合部に備えているため、特に検出対象の識別を開始した初期において、検出対象でない非検出対象の入力データを多く排除することができるため、入力データが検出対象であるか否かの識別である識別処理を短時間で完了することができる。
【００１２】
また、本発明における前記弱識別器における前記重み設定部は、前記検出対象である複数のポジティブ学習データと、非検出対象である複数のネガティブ学習データとを前記入力データとしたアダブースト（Ａｄａｂｏｏｓｔ）の学習アルゴリズムによって、前記重みが設定されていてもよい。
【００１３】
上記の構成によれば、各弱識別器における重みを容易且つ短時間で設定することができる。
【００１４】
また、本発明における前記弱識別器における前記判定部は、非検出対象の特徴量の下側確率が前記検出対象の特徴量の下側確率よりも大きくなる交点を前記第１閾値とし、前記非検出対象の特徴量の上側確率が前記検出対象の特徴量の上側確率よりも大きくなる交点を前記第２閾値としていてもよい。
【００１５】
上記の構成によれば、第１閾値及び第２閾値を容易に設定することができる。
【００１６】
また、本発明は、識別プログラムであって、入力データが入力される入力部、記憶部及び出力部を備えたコンピュータを、前記入力データの特徴量を生成する特徴量生成手段、前記特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定手段、及び検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定される重み設定手段を備えた複数の弱識別手段、 前記各弱識別手段における前記特徴量の判定結果と重みとの積算値の線形和に基づいて、前記入力データが前記検出対象であるか否かを識別する強識別手段として機能させる。
【００１７】
上記の構成によれば、コンピュータを備えた情報処理装置に対して識別プログラムをインストールするという簡単な作業により識別装置を構築することができる。
【発明の効果】
【００１８】
本発明は、検出処理を高速化できる。
【図面の簡単な説明】
【００１９】
【図１】識別装置における学習モード及び識別モードを示す説明図である。
【図２】矩形ペアの説明図であり、（Ａ）は第１矩形が第２矩形に含まれた状態、（Ｂ）は第１矩形と第２矩形との一部同士が重複した状態、（Ｃ）は第１矩形と第２矩形とが完全に離反した状態である。
【図３】弱識別器として選択された矩形ペアの説明図である。
【図４】第１閾値及び第２閾値を示す説明図である。
【図５】超平面と弱識別器との関係示す説明図である。
【図６】カスケード構造のブロック図である。
【図７】ウインドウ内の画像と弱識別器との関係を示す説明図である。
【図８】顔画像領域の模式図である。
【図９】顔画像領域の模式図である。
【図１０】学習モード処理ルーチンのフローチャートである。
【図１１】弱識別器候補準備処理ルーチンのフローチャートである。
【図１２】近傍探索処理ルーチンのフローチャートである。
【図１３】強識別器構築処理ルーチンのフローチャートである。
【図１４】強識別処理ルーチンのフローチャートである。
【図１５】遊技媒体貸出装置（サンド）を併設したパチンコ機を示す正面図である。
【発明を実施するための形態】
【００２０】
（識別装置１０）
本発明の実施形態を図面に基づいて説明する。
本実施形態に係る識別装置１０は、図１に示すように、複数の弱識別器２を学習データにより学習させて強識別器１を生成する学習モードと、強識別器１により入力データを識別する識別モードとに切り替え可能にされている。識別装置１０は、強識別器１と、強識別器１を構成する複数の弱識別器２とを備えている。各弱識別器２は、入力データの特徴量を生成する特徴量生成部３と、特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定部４と、検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定された重み設定部５とを備えている。そして、強識別器１は、各弱識別器２における特徴量の判定結果と重みとの積算値の線形和に基づいて、入力データが検出対象であるか否かを識別するようになっている。
【００２１】
ここで、『学習データ』は、検出対象である複数のポジティブ学習データと、非検出対象である複数のネガティブ学習データとが予め準備されたサンプルデータである。例えば、検出対象が人物の顔であれば、人物の顔の画像データがポジティブ学習データとなり、人物の全身や腕、他の動物、建物等の人物の顔以外の画像データがネガティブ学習データとなる。
【００２２】
（学習アルゴリズム）
『学習』は、ポジティブ学習データ及びネガティブ学習データを用いて弱識別器２に重みを付ける処理である。重み付けのための学習アルゴリズムとしては、特に限定されるものではないが、Ａｄａｂｏｏｓｔアルゴリズムが例示される。Ａｄａｂｏｏｓｔアルゴリズムの概要を説明すると、先ず、弱識別器候補（学習前の弱識別器２）が作成される。この後、学習データ（特徴量とクラス）への重みがサンプル数Ｎで初期化１／Ｎされることによって、全学習データが同一の重み付けに設定される。各学習データにおいて、学習データのクラスと弱識別器候補の出力クラスが一致しない学習データの重みが積算されることによって、各弱識別器候補の誤り率が求められる。誤り率が小さいほど信頼度が大きくなるように、学習データの重みが更新される。即ち、学習データの重みは、弱識別器候補が正しく識別できた学習データについては重みが小さくなるように更新される一方、弱識別器候補が間違って識別した学習データについては重みが大きくなるように更新される。この後、学習データの重みの和が１になるように正規化されることによって、１個の弱識別器候補が作成される。このような弱識別器候補の作成が繰り返して行われた後、全数や所定個数の弱識別器候補が弱識別器２として選択される。
【００２３】
（特徴量）
『特徴量』は、画像データを数値化したものであり、他の特徴量と比較することより類似度を求めることができるものであれば、特に限定されない。例えば、Ｈａａｒ−ｌｉｋｅ特徴の場合、検出対象か非検出対象かを判定するために、白矩形領域における平均輝度値と黒矩形領域における平均輝度値との差を用いた特徴量となる。この場合には、Ｉｎｔｅｇｒａｌ Ｉｍａｇｅ の利用により高速演算が可能になる。
【００２４】
（弱識別器２・弱識別器候補）
弱識別器２と弱識別器候補とは、学習前の弱識別器２が弱識別器候補である関係であり、重みの状態を除いて同一である。弱識別器２及び弱識別器候補は、Ｖｉｏｌａらが提案した構成と同様に、２矩形からなる特徴、３矩形からなる特徴、４矩形からなる特徴であってもよいし、画素高次元空間内での自由度を最大限に取りながら、且つ判定を高速化するため、２矩形領域の明度差のみを取り扱う構成であってもよい。
【００２５】
例えば、所定画素数のウインドウを設定し、このウインドウの中に顔画像が入っているかどうかという課題が与えられた場合において、それぞれの画素の輝度値を独立変数とする高次元空間を考えたとき、Ｈａａｒ−ｌｉｋｅ弱識別器で定義される半空間を区切る超平面集合は、全超平面集合のごく一部に過ぎないことがわかる。尚、超平面集合等についての説明は後述する。従って、高次元空間内の有限領域を占めていると予想されるポジティブ領域に対して、より効果的にネガティブ領域と区切る境界を設定するためのＨａａｒ−ｌｉｋｅ弱識別器の制約は、探索空間が膨大にならない手法が別に用意できれば必要いことが予想される。
【００２６】
Ｖｉｏｌａらは、２矩形からなる特徴、３矩形からなる特徴、４矩形からなる特徴を使用したが、上記予想からＨａａｒ−ｌｉｋｅである必然性は不要であると認識される。従って、以下の条件のみが２矩形領域の組み合わせに課されたものでもよい。２つの矩形領域がそれぞれ、（１）検出ウインドウ内部に含まれること、（２）互いに完全に重ならないことの２条件を満たす全ての矩形の組み合わせを弱識別器候補とすることができる。考えられる矩形ペアの例を図２（Ａ）〜（Ｃ）に示す。図２（Ａ）は第１矩形３１が第２矩形３２に含まれた状態である。図２（Ｂ）は第１矩形３１と第２矩形３２との一部同士が重複した状態である。図２（Ｃ）は第１矩形３１と第２矩形３２とが完全に離反した状態である。
【００２７】
上記の手法を使って正面顔画像をポジティブサンプルとして学習し、最も識別力が高い弱識別器として選択された矩形ペアの例を図３に示す。外側の矩形は両目と口を含むため相対的に暗く、内側の矩形は両目と口を含まないため相対的に明るくなる。両目も口も、ほとんどの光源環境で陰になる部分が発生するため、常に周囲より暗い。一方、矩形領域内のどこかしらが明るくなるため、完全に暗くなることもない。従って、２つの矩形の明度差は、或る値以上から或る値以下の範囲に収まることになり、２つの閾値で判定する事で精度を上げることができる。
【００２８】
Ｖｉｏｌａ−Ｊｏｎｅｓの方法では、２４×２４画素で識別器を構成すると弱識別器候補数は１８万を越えるが、さらに制限を緩めた２矩形領域の組み合わせ方法では、弱識別器候補数はさらに増大する。例えば、２４×２４画素で３９億個以上になる。そこで、計算時間の短縮のため発見的方法を適用してもよい。具体的には、弱識別器候補の矩形サイズや位置の変化量を１画素毎ではなく、例えば３画素毎にする。これにより２４×２４画素で３６万個にまで弱識別器候補数が減ることになる。この大幅な省略によって識別力の高い矩形ペアが候補の中から漏れる可能性が出てくるが、近傍探索で、より識別力の高い矩形ペアを発見すればよい。
【００２９】
最初に用意した弱識別器候補の中からブースティングアルゴリズムに従って最もよいものを選択した後、その候補の矩形幅、矩形位置などのパラメータをわずかに変更した弱識別器候補群を生成し、なんらかの局所探索手法（例えば山登り法）により、最もよいものを発見し、選び直すことで最適に近い性能の弱識別器候補を発見する。
【００３０】
矩形の中の画素全体の輝度値平均を取るという操作のため、矩形の大きさがある程度大きければ、わずかに係数を変化させただけの矩形間の輝度値は大きく違わない事が期待できると共に、識別器性能も比較的滑らかに変化することが期待できるため、この近傍探索はうまく働くと予想される。
【００３１】
局所探索の際に変更可能なパラメータは以下のものがある
１． ２つの閾値ｄ１・ｄ２
２． 白矩形Ｘ，Ｙ座標
３． 白矩形横幅Ｘｗ、縦幅Ｙｗ
４． 黒矩形座標
５． 黒矩形横幅、縦幅
ここで、「白矩形」及び「黒矩形」は便宜的な呼称であり、例えば、基準座標が左にあるものを「白矩形」、右にあるものを「黒矩形」と呼ぶ（Ｘ座標が同一の場合は、上にあるものを「白矩形」、下にあるものを「黒矩形」と呼ぶ）。どちらの矩形の明度が高いかは呼称と無関係に実際のポジティブサンプルの分布で決定され、閾値ｄ１・ｄ２の値に反映される。
【００３２】
（第１閾値、第２閾値）
『第１閾値、第２閾値』は、図４に示すように、２つの矩形領域のそれぞれの明度総和の差の分布である正規分布の一方側（下側領域）と他方側（上側領域）とに設けた閾値である。第１閾値は、非検出対象の特徴量の下側確率が検出対象の特徴量の下側確率よりも大きくなる交点であり、第２閾値は、前記非検出対象の特徴量の上側確率が前記検出対象の特徴量の上側確率よりも大きくなる交点であってもよい。この場合には、第１閾値及び第２閾値を容易に設定することができる。尚、弱識別器２の出力ｈ（ｘ）は、第１識別値θ１から第２閾値θ２の範囲に特徴量ｘが存在すれば、“１”となり、存在しなければ“０”となる。
【００３３】
第１閾値及び第２閾値は、下記の方法により求められてもよい。尚、以後の説明では、弱識別器２を直列配置したカスケード構造を採用した場合の閾値の決定方法を説明するが、カスケード構造以外の構造においても、カスケード初段及びカスケード２段目以降の決定方法を調整前の初期値の決定方法として採用してもよい。カスケード構造の詳細については後述する。
【００３４】
カスケード初段の場合、弱識別器のポジティブ入力画像のほとんど（３σ以内＝９９．７３％）がポジティブ判定される位置（ベルカーブの両側）に閾値を設定する。平均と分散を求めた後、正規分布を仮定して設定する。具体的には、ポジティブ学習画像における矩形ペアの明度差分布の算術平均μｐ、分散σｐとするとき、第１閾値ｄｐ１及び第２閾値ｄｐ２は、下記の関係式で示される。
【００３５】
ｄｐ１ ＝ μｐ − ３σｐ
ｄｐ２ ＝ μｐ ＋ ３σｐ
【００３６】
また、カスケード２段目以降は、ネガティブ学習画像の明度差分布と、ポジティブ学習画像の明度差分布とをそれぞれ正規分布と仮定して、正規分布曲線同士の交点を、第１閾値ｄｐ１及び第２閾値ｄｐ２の初期値に設定する。ただし、その値がそのまま使われることはなく、その後、ａｄａＢｏｏｓｔ学習ループ中で、山登り法によりａｄａＢｏｏｓｔの重み付き損失が小さくなる閾値に変更する事で閾値を調整する。尚、ポジティブ学習画像における矩形ペアの明度差分布の算術平均μｐ、分散σｐとし、ネガティブ学習画像における矩形ペアの明度差分布の算術平均μｎ、分散σｎとすると、２つの正規分布曲線の交点は下式で求めることができる。
【００３７】
とおいて、ｘについて展開すると下式のように二次方程式になるので、これを解く。
【００３８】
第１閾値及び第２閾値は、カスケード構造の後段を含むすべての弱識別器２に適用されている。これにより、斜め顔識別を有効に行うことが可能になっている。この理由は、矩形検出ウインドウ内の画素を要素とする高次元ベクトル空間を考えた時、Ｖｉｏｒａらの制約を持つ矩形弱識別器では顔画像領域を両側から挟みこむことで、効率的にネガティブ画像を排除できる超平面の組み合わせが尽きたのではないかと推測される。即ち、図５に示すように、許される超平面のペアがａ領域であるとすると、制約を緩めることで、１閾値弱識別器より識別力がある２閾値弱識別器が後段でも見つかるようになったということではないかと推測される（図５のｂ領域）。
【００３９】
具体的に説明すると、制約を緩めたイメージを図５の模式図で示した場合において、このイメージの検出ウインドウ内の全ての画素の輝度値を独立変数とする高次元空間を考える。このとき、傾き４５°の倍数の境界面しか設定できないという制約があった場合は見つからなかったが、それ以外の角度も許すことで新たなｂ領域の２閾値弱識別器が見つかるというものである。尚、Ｌｉｅｎｈａｒｔらの論文では白矩形領域と黒矩形領域の明度差を求める際に各矩形領域の明度合計を面積比で補正するため、高次元空間での境界面の傾きは面積比で固定される（図中のａ境界ペア）。一方、本実施形態においては、山登り法で白矩形領域と黒矩形領域の補正係数を変更しているため、図中のｂ境界ペアも２閾値弱識別器として採用されるようになっている。
【００４０】
以上のように、識別装置１０は、特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する弱識別器２を備えている。検出対象の特徴量の確率分布と非検出対象の特徴量の確率分布とを比較した場合、非検出対象の特徴量の両側確率が検出対象の特徴量の両側確率よりも大きいという関係が一般的である。従って、第１閾値と第２閾値とで挟まれた所定範囲を基準にして特徴量の存在の有無を判定すると、所定範囲内において検出対象の入力データが多く含まれる一方、所定範囲外、即ち、第１閾値未満の下側領域と第２閾値を超えた上側領域とにおいて非検出対象の入力データが多く含まれることになる。この結果、従来のように、一つの閾値で区切られた一方側の領域と他方側の領域とを用いて入力データが検出対象であるか否かを判定する場合よりも、識別を有効に行える領域を多く確保できることから、各弱識別器２の識別性能をそれぞれ高めることができる。これにより、少ない数量の弱識別器２で高い性能を持った強識別器１を得ることができ、ひいては検出対象の検出処理を高速化することができる。
【００４１】
（カスケード構造）
また、図６に示すように、識別装置１０における強識別器１は、カスケード構造にされている。具体的には、強識別器１は、弱識別器２の１以上の弱識別器集合部２１を複数段で直列配置し、前段の弱識別器集合部２１において検出対象であると識別した入力データだけを、後段の弱識別器集合部２１における検出対象の識別に用いる構成にされている。尚、識別装置１は、カスケード構造以外の構成にされていてもよい。
【００４２】
これにより、強識別器１は、第１閾値及び第２閾値により識別性能が高められた弱識別器２を各段の弱識別器集合部２１に備えているため、特に検出対象の識別を開始した初期（初段側）において、検出対象でない非検出対象の入力データを多く排除することができるため、入力データが検出対象であるか否かの識別を短時間で完了することができる。
【００４３】
（高次元空間による２閾値を備えた弱識別器２の説明）
Ｈａａｒ−ｌｉｋｅ弱識別器２の役割は、各画素を直行成分とする高次元のベクトル空間を超平面で仕切ることに等しい。
ｎ画素で構成されるポジティブ画像
Ｐｋ＝（Ｐｋ１， Ｐｋ２， Ｐｋ３，・・・Ｐｋｎ）
ｎ画素で構成されるネガティブ画像
Ｎｋ＝（Ｎｋ１， Ｎｋ２， Ｎｋ３，・・・Ｎｋｎ）
ポジティブ画像集合は、この高次元空間内で連結された有限領域を占めることが予想される。ポジティブ画像集合が有限な連結領域で囲まれるなら、Ｈａａｒ−ｌｉｋｅ弱識別器２に２つの平行な超平面で挟み込むことができる。従って、Ｈａａｒ−ｌｉｋｅ弱識別器２に２つの閾値を設定することが合理的である。Ｈａａｒ−ｌｉｋｅ弱識別器２を複数組み合わせることで、ポジティブ画像連結領域を凸包で囲むことになる。
【００４４】
尚、カスケード後段になると、ポジティブ画像連結領域を囲む凸包の内側に入り込んだネガティブ画像が多くなってくるため、２つの平行な超平面で囲むことは困難になってくる。そのため、弱識別器２の識別能力が或る程度以下に悪化したら、２つの閾値から１つの閾値へ切り替えてもよい。
【００４５】
ここで、『２つの平行な超平面で挟み込むことができる』とは、例えば図７に示すように、横１６画素×縦１６画素＝２５６画素のウインドウを設定し、このウインドウの中に顔画像が入っているかどうかという課題の場合において、このウインドウに顔が入っていれば右目のあたりになるＸ６９、Ｘ７０、Ｘ７１の３画素で作られた□■□型のＨａａｒ−ｌｉｋｅ弱識別器２の判定式は以下のようになる。
【００４６】
（Ｘ６９＋Ｘ７１）−２Ｘ７０ ＞ ｄ （１）
ここで、２５６画素それぞれの輝度値を独立変数とする２５６次元空間を考える。
Ｖ＝（Ｘ１， Ｘ２， ．．． Ｘ２５６）
この空間Ｖを超平面で二つに分けたときの半空間の一般式は、下式のようになる。
【００４７】
Ａ１Ｘ１＋Ａ２Ｘ２＋…Ａ２５６Ｘ２５６ ≧ ｄ （２）
（１）式は（２）式の特殊な形である。（Ａ１＝ Ａ２＝…Ａ６８＝０， Ａ６９＝１， Ａ７０＝−２， Ａ７１＝１， Ａ７２＝Ａ７３＝．．． Ａ２５６＝０， ｄ＝ｄ）
つまり、画素の輝度値を独立変数とする２５６次元空間Ｖを考えた場合、Ｈａａｒ−ｌｉｋｅ弱識別器２はＶを超平面で仕切る半空間として与えられることになる。
このときの超平面は下式で示される。
【００４８】
Ａ１Ｘ１＋Ａ２Ｘ２＋…Ａ２５６Ｘ２５６＝ｄ （３）
この超平面に平行な超平面は下式で示される。
Ａ１Ｘ１＋Ａ２Ｘ２＋…Ａ２５６Ｘ２５６＝ｄ´ （ｄ´≠ｄ） （４）
２閾値を備えた弱識別器２は、例えば（１）式で与えられるＨａａｒ−ｌｉｋｅ弱識別器２を下式のように拡張したものである。
【００４９】
ｄ１≧（Ｘ６９＋Ｘ７１）−２Ｘ７０ ≧ｄ２ （５）
（５）式は互いに平行な二枚の超平面で区切られた内側の領域を示す。図８に部分空間（Ｘ６９，Ｘ７０，Ｘ７１）における顔画像領域の模式図を示す。雲状に示した黒い領域が真の顔画像と想定される領域、ストライプで示した二枚の平面が（５）式で定義される弱識別器２が判定する顔画像領域の境界面になる。
【００５０】
図８を２５６次元空間全体に拡張して考えると、Ｘ６９、Ｘ７０、Ｘ７１以外の座標軸に対しては係数がゼロであるため、Ｘ６９、Ｘ７０、Ｘ７１以外の各軸に平行な超平面が（５）式で定義される弱識別器２の境界面になる。アンサンブル識別器を構成する他の弱識別器２は、他の画素すなわち他の座標軸に係数を持つ不等式になるため、それらの座標軸で傾きを持つ超平面を定義することになる。
【００５１】
ｎ次元ユークリッド空間で考えた場合、上記条件だけでは有限領域であることは言えないが、実際には輝度値自体が有限（例えば０〜２５５）であるため、上記の輝度値空間も有限となり、その部分集合であるポジティブ画像集合が有限となる。
【００５２】
ポジティブ画像集合が高次元空間内で連結された有限領域を占めることが予想されることが妥当な場合は、図９に示すように一連の２閾値を備えた弱識別器２により顔領域が囲まれることになる。一方、連結領域でない場合は、カテゴリ分けの工夫とブースティングとで２閾値を備えた弱識別器２により顔領域が囲まれることになる。
【００５３】
（識別プログラム）
以上の説明においては、識別装置１０がハードウエア的に構成された場合について説明したが、これに限定されるものではなく、コンピュータに識別プログラムをインストールして識別装置１０としてもよい。
【００５４】
識別プログラムは、学習データや検出データ等の入力データが入力される入力部、記憶部、出力部を備えたコンピュータを、入力データの特徴量を生成する特徴量生成手段、特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定手段、及び検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定される重み設定手段を備えた複数の弱識別手段と、各弱識別手段における特徴量の判定結果と重みとの積算値の線形和に基づいて、入力データが検出対象であるか否かを識別する強識別手段として機能させるものである。また、識別プログラムは、弱識別手段をカスケード構造にする手段としてコンピュータを機能させるようになっていてもよい。
【００５５】
尚、識別プログラムは、インターネット等の双方向にデータ通信可能な通信システムや、テレビ放送やラジオ放送等の一方向にデータ送信可能な送信システムを通じて送信することによって、目的とするコンピュータを含む情報処理装置にインストールされるようになっている。尚、識別プログラムは、コンパクトディスクやメモリスティック等の記録媒体に記録しておき、この記録媒体を用いて情報処理装置にインストールされてもよい。
【００５６】
（識別装置１０の動作）
上記の構成において、ソフトハウスや販売店から識別プログラムが情報処理装置に送信され、情報処理装置の記憶装置にダウンロードされる。そして、情報処理装置において識別プログラムがインストールされることによって、図１に示すように、未学習の識別装置１０が構築される。即ち、弱識別器２（情報処理装置）は、入力データの特徴量を生成する特徴量生成手段と、特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定手段と、検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定される重み設定手段とを備えた複数の弱識別手段と、各弱識別手段における特徴量の判定結果と重みとの積算値の線形和に基づいて、入力データが検出対象であるか否かを識別する強識別手段としてコンピュータを機能させるように構築される。さらに、弱識別器２（情報処理装置）は、弱識別手段をカスケード構造にする手段としてコンピュータを機能させるように構築される。
【００５７】
（学習モード処理）
次に、識別装置１０が図１の学習モードに設定される。具体的には、図１０に示すように、学習モード処理ルーチンが実行される。本ルーチンが実行されると、弱識別器候補準備処理が実行される（Ｓ１）。これにより、図１１に示すように、検出ウインドウ内の全ての２矩形領域からなる弱識別器候補が形成される(Ｓ２１)。そして、全ての弱識別器候補の中から所定画素毎の第１弱識別器候補に絞り込まれ (Ｓ２２)、個数を減少された第１弱識別器候補が図示しない記憶装置に割り当てられた第１記憶部に格納される(Ｓ２３)。
【００５８】
上記のようにして第１弱識別器候補が準備されると、図１０に示すように、全ての第１弱識別器候補の重みＤが初期化される(Ｓ２)。この後、一つの第１弱識別器候補が取り込まれる(Ｓ３)。そして、一つの学習データが取り込まれ(Ｓ４)、この学習データに対応したクラスｄ（１、−１）が設定される。例えば、学習データがポジティブ学習データであれば“１”のクラスｄが設定され、ネガティブ学習データであれば“−１”のクラスｄが設定される。そして、学習データと第１弱識別器候補とを用いた特徴量ｘが算出される(Ｓ６)。
【００５９】
次に、クラスｄに第１閾値θ１を乗算した値ｄθ１が、クラスｄに特徴量ｘを乗算した値ｄｘよりも小さいか否かが判定される(Ｓ７)。値ｄθ１が値ｄｘよりも小さくない場合、即ち、ｄθ１＜ｄｘが成立しない場合には(Ｓ７：ＮＯ)、出力ｈ（ｘ）が“０”に設定された後(Ｓ９)、Ｓ１２の処理が実行される。一方、小さい場合、即ち、ｄθ１＜ｄｘが成立する場合には(Ｓ７：ＹＥＳ)、続いて、クラスｄに第２閾値θ２を乗算した値ｄθ２が、クラスｄに特徴量ｘを乗算した値ｄｘよりも大きいか否かが判定される(Ｓ８)。
【００６０】
値ｄθ２が値ｄｘよりも大きくない場合、即ち、ｄｘ＜ｄθ２が成立しない場合には(Ｓ８：ＮＯ)、出力ｈ（ｘ）が“０”に設定された後(Ｓ９) 、Ｓ１２の処理が実行される。一方、大きい場合、即ち、ｄｘ＜ｄθ２が成立する場合には(Ｓ８：ＹＥＳ)、出力ｈ（ｘ）が“１”に設定される(Ｓ１０)。そして、出力ｈ（ｘ）が“１”に設定された第１弱識別器候補に所定の重みが加算された後(Ｓ１１)、Ｓ１２の処理が実行される。
【００６１】
上記のようにして出力ｈ（ｘ）の設定や重みの加算が行われると、続いて、全ての学習データの取り込みを完了したか否かが判定される(Ｓ１２)。取り込みが完了していない場合には(Ｓ１２：ＮＯ)、Ｓ４から再実行され、次の学習データに対する出力ｈ（ｘ）の設定や重みの加算が行われる。一方、全学習データの取り込みが完了した場合には(Ｓ１２：ＹＥＳ)、全ての学習データの重みの和が１になるように正規化されることによって、１個の学習済みの第１弱識別器候補が作成及び格納される(Ｓ１３)。この後、全ての第１弱識別器候補の学習が完了したか否かが判定される(Ｓ１４)。完了していなければ(Ｓ１４：ＮＯ)、Ｓ３から再実行され、次の未学習の第１弱識別器候補に対する学習が繰り返される。そして、全ての第１弱識別器候補の学習が完了したときに (Ｓ１４：ＹＥＳ)、本ルーチンが終了される。
【００６２】
（学習モード処理：近傍探索処理）
上記のようにして全ての第１弱識別器候補の学習が完了すると、図１２の近傍探索処理ルーチンが実行される。先ず、学習済みの第１弱識別器候補が重み順に並び替えられる(Ｓ３１)。大きな重みから順番に１個の第１弱識別器候補が選択される(Ｓ３２)。選択された第１弱識別器候補の周辺に存在する全ての第２弱識別器候補が取得される。尚、第１弱識別器候補の周辺は、弱識別器パラメータの変更により行われる(Ｓ３３)。
【００６３】
この後、全ての第２弱識別器候補が学習データを用いて学習される。学習方法は、図１０の学習モード処理と同じ方法が採用される(Ｓ３４)。選択された第１弱識別器候補及び全ての第２弱識別器候補の中から最大重みの弱識別器候補が弱識別器２として登録される(Ｓ３５)。全ての第１弱識別器候補の選択が完了したか否かが判定され(Ｓ３６)、完了していなければ(Ｓ３６：ＮＯ)、Ｓ３２から再実行される。そして、完了したときに(Ｓ３６：ＹＥＳ)、本ルーチンが終了される。尚、本実施形態においては、全ての第１弱識別器候補について近傍探索処理を実施しているが、強識別器１に備えられる弱識別器２の搭載数の範囲で、識別性能が高いと予想される第１弱識別器候補についてだけ近傍探索処理を実施してもよい。
【００６４】
（強識別器構築処理）
上記のようにして、第１弱識別器候補及び第２弱識別器候補に基づいて弱識別器２が獲得されると、次に、強識別器構築処理が実行される。具体的には、図１３に示すように、複数の弱識別器集合部２１が所定の記憶領域に作成される(Ｓ４１)。この後、学習済みの弱識別器２が重み順に並べ替えられる(Ｓ４２)。大きな重み順から順番に所定個数単位で弱識別器２が抽出される(Ｓ４３)。抽出された弱識別器２が未登録の弱識別器集合部２１に登録される(Ｓ４４)。
【００６５】
全ての弱識別器集合部２１への登録が完了したか否かが判定され(Ｓ４５)、完了していなければ(Ｓ４５：ＮＯ)、Ｓ４３から再実行される。そして、全ての弱識別器集合部２１への登録が完了したときに(Ｓ４５：ＹＥＳ)、本ルーチンが終了される。これにより、図６に示すように、複数の弱識別器集合部２１が直列接続されたカスケード構造の強識別器１が形成されることになる。尚、識別性能が高い弱識別器２をカスケード構造の前段側の弱識別器集合部２１に配置することが、識別の初期に多くの非検出対象を排除できる点で好ましい。
【００６６】
（強識別処理）
上記のようにして強識別器１が構築されると、図１の識別モードに設定される。具体的には、図１４に示すように、強識別処理ルーチンが実行される。先ず、通路やドア、各種装置に設置された撮像装置から動画や静止画が検査データ（入力データ）として取り込まれ、この検査データが１段目の弱識別器集合部２１に入力される(Ｓ５１)。
【００６７】
弱識別器集合部２１においては、検査データと一つの弱識別器２とを用いた特徴量ｘが算出される。そして、第１閾値θ１＜特徴量ｘ＜第２閾値θ２の条件を満足するか否かが判定される(Ｓ５３)。条件を満足しない場合には(Ｓ５４：ＮＯ)、出力ｈ（ｘ）＝０とされる(Ｓ５５)。一方、条件を満足する場合には(Ｓ５４：ＹＥＳ)、出力ｈ（ｘ）＝１とされる(Ｓ５４)。この後、総出力値に出力ｈ（ｘ）が加算されることによって、総出力値が更新される(Ｓ５６)。
【００６８】
全ての弱識別器２の識別が完了したか否かが判定される(Ｓ５７)。識別が完了していなければ(Ｓ５７：ＮＯ)、Ｓ５２から再実行される。一方、全ての識別が完了した場合には(Ｓ５７：ＹＥＳ)、続いて、総出力値が所定値よりも大きな値であるか否かが判定される(Ｓ５８)。総出力値が所定値よりも大きな値でない場合には(Ｓ５８：ＮＯ)、検査データ（入力データ）が非検出対象のデータ、即ち、ネガティブデータであるとして、後段の弱識別器集合部２１において識別処理が行われることなく廃棄され、次の検査データの有無が判定される(Ｓ６２)。
【００６９】
一方、総出力値が所定値よりも大きな値であれば(Ｓ５８：ＹＥＳ)、検査データ（入力データ）が検出対象のデータ、即ち、ポジティブデータであるとして、後段の弱識別器集合部２１において識別処理が行われることになる。具体的には、最終段の弱識別器集合部２１であるか否かが判定される(Ｓ５９)。最終段の弱識別器集合部２１でなければ(Ｓ５９：ＮＯ)、検査データが次段の弱識別器集合部２１に入力される(Ｓ６１)。そして、Ｓ５２から再実行されることによって、この弱識別器集合部２１において、検査データが検出対象であるか否かの識別が行われる。
【００７０】
最終段の弱識別器集合部２１である場合には(Ｓ５９：ＹＥＳ)、検査データが検出対象として登録される(Ｓ６０)。そして、次の検査データの有無が判定され(Ｓ６２)、次の検査データが存在すれば(Ｓ６２：ＹＥＳ)、Ｓ５１から再実行される。一方、次の検査データが存在しなければ(Ｓ６２：ＮＯ)、本ルーチンが終了される。
【００７１】
（遊技媒体貸出装置）
識別装置１０を備えた遊技媒体貸出装置について説明する。尚、以後の説明においては、遊技媒体貸出装置を用いて説明するが、これに限定されるものではなく、画像データから顔等の検出対象を識別する用途に用いられる全ての種類の装置に搭載することができる。例えば、識別装置１０は、パチンコやパチスロ等の遊技機に搭載されていてもよいし、携帯型のデジタルカメラ、監視カメラ、ドアホン、インターホン等の撮像装置に搭載されていてもよい。搭載形態としては、搭載対象である装置の制御部とは別個に識別装置１０を備えた構成であってもよいし、搭載対象である装置の制御部において、識別装置１０の処理を実行させるように、プログラムやデータが組み込まれた構成にされていてもよい。
【００７２】
遊技媒体貸出装置を具体的に説明すると、図１５に示すように、遊技媒体貸出装置であるサンドＭ２０は、パチンコ機Ｍ１０に併設されている。各サンドＭ２０は、隣接するパチンコ機Ｍ１０に対応して設置されており、対応するパチンコ機Ｍ１０との間で通信可能に接続されている。また各サンドＭ２０は、ホール全体のサンドＭ２０のシステム管理や売り上げ管理を行うホールコンピュータに対して通信可能に接続されている。尚、本実施の形態においては、ホールコンピュータに対して通信可能に接続されたサンドＭ２０について説明するが、本発明はこれに限られるものではなく、ホールコンピュータと通信を行わないサンドであってもよい。
【００７３】
各サンドＭ２０の前面部２１には、ＬＥＤ（light-emitting diode）部Ｍ３１、カード挿入口Ｍ３２、紙幣を挿入可能な紙幣挿入口Ｍ３３、タッチパネルＬＣＤ（liquid crystal display）により構成された操作ユニットＭ３４、カメラ部Ｍ３５、非接触ＩＣカードリーダライタＭ３６、端数用払出口Ｍ４０、計数用投入口Ｍ３９等が設けられている。カード挿入口Ｍ３２は、例えばホールのカード発行機によって発行された情報カードを受け付け可能な挿入口である。ＬＥＤ部Ｍ３１は、フルカラーＬＥＤによって構成されている。
【００７４】
上記のカメラ部Ｍ３５は、被写体（遊技者）を撮像するものであれば如何なる撮像方式のカメラが用いられていてもよい。この理由は、識別装置１０の強識別器による識別処理が行われるため、背景が変化し易い環境下であっても、遊技者の有無を高精度に判定できるからである。
【００７５】
カメラ部Ｍ３５のカメラは、撮像信号を制御基板に送出する。制御基板は、識別装置１０の機能を備えるようにプログラム及びデータが組み込まれることによって、撮像信号に基づいて強識別器による識別処理を行うようになっている。即ち、制御基板は、サンドＭ２０の前方を撮影した撮像信号（画像データ）中に検出対象である顔画像が存在するか否かを判定する識別処理と、この識別処理の結果に基づいて遊技者が存在するか否かを判定する遊技者判定処理とを実行するようになっている。
【００７６】
上記の構成において、サンドＭ２０及びパチンコ機Ｍ１０の動作について説明する。遊技者がパチンコ機Ｍ１０の前方に着席すると、このパチンコ機Ｍ１０の側面に配置されたサンドＭ２０のカメラ部Ｍ３５により遊技者が撮影される。そして、カメラ部Ｍ３５の撮像信号を用いて識別処理及び遊技者判定処理が実行されることによって、遊技者の存在が検知される。遊技者の存在を条件としてサンドＭ２０の動作処理が許可状態にされ、例えば、情報カード等の受け付けが可能にされる。
【００７７】
遊技者は、情報カード又は所定金額の紙幣を、カード挿入口Ｍ３２又は紙幣挿入口Ｍ３３に投入することで、遊技に必要な遊技媒体としてのパチンコ球の貸し出しを受けることができる。また、遊技者は、非接触ＩＣカードを、非接触ＩＣカードリーダライタＭ３６にかざすことで、遊技に必要なパチンコ球の貸し出しを受けることができる。
【００７８】
サンドＭ２０は、情報カード、紙幣及び非接触ＩＣカードといった価値媒体の投入を受けると、投入された価値媒体の金額に応じた数のパチンコ球を払い出す旨のコマンドを併設するパチンコ機Ｍ１０に送信することにより、パチンコ機Ｍ１０からパチンコ球を払い出す。遊技者は、パチンコ機Ｍ１０においてその上皿Ｍ１２に払い出されたパチンコ球によってパチンコ遊技を行うことができる。
【００７９】
また、パチンコ機Ｍ１０においては、遊技の結果に応じて、上皿Ｍ１２にパチンコ球を払い出す。遊技者は、所定の操作を行うことにより、上皿Ｍ１２のパチンコ球を下皿Ｍ１３に落とすと、当該パチンコ球は、下皿Ｍ１３の下方に装着された案内皿Ｍ１４に落下する。案内皿Ｍ１４は、下皿Ｍ１３から落下したパチンコ球を、サンドＭ２０に設けられた計数用投入口Ｍ３９へ案内する。計数用投入口Ｍ３９に導入されたパチンコ球は、サンドＭ２０の内部に設けられた計数部によって計数される。
【００８０】
計数された結果は、カード挿入口Ｍ３２に挿入されたカードに記録され、又は、ホールコンピュータに設けられた記憶部に記憶される。計数部において計数されたパチンコ球は、サンドＭ２０の背面部に設けられた排出口から排出され、回収される。計数用投入口Ｍ３９から投入されたパチンコ球の計数経路とは別に、サンドＭ２０の背面側に端数用供給部が設けられており、外部から端数用のパチンコ球を受け入れるようになっている。この供給部により、端数用のパチンコ球は、常に一定量（例えば２４球）が貯留された状態となっており、必要に応じて、端数用払出口Ｍ４０から、案内皿Ｍ１４（具体的には、案内皿Ｍ１４の下方に設けられた専用の払出皿）へ払い出される。
【００８１】
上記のようにして遊技が行われているときに、遊技者が離席した場合、カメラ部Ｍ３５からの撮像信号を用いた識別処理及び遊技者判定処理により遊技者の不在が検知される。遊技者が存在する検知状態から不在の検知状態に変化すると、情報カード又は現金（金額データ）が残っているか否かが判断される。金額データが残っている場合には、警告音や警告音声が発生される。これにより、残高が残っているにも関わらず遊技者が離席した場合には、遊技者に注意を促すことができる。
【００８２】
上述した詳細な説明では、本発明をより容易に理解できるように、特徴的部分を中心に説明した。本発明は、上述した詳細な説明に記載する実施形態に限定されず、その他の実施形態にも適用することができ、その適用範囲は多様である。また、本明細書において用いた用語及び語法は、本発明を的確に説明するために用いたものであり、本発明の解釈を制限するために用いたものではない。また、当業者であれば、本明細書に記載された発明の概念から、本発明の概念に含まれる他の構成、システム、方法等を推考することは容易であると思われる。従って、請求の範囲の記載は、本発明の技術的思想の範囲を逸脱しない範囲で均等な構成を含むものであるとみなされなければならない。また、要約書の目的は、特許庁及び一般的公共機関や、特許、法律用語又は専門用語に精通していない本技術分野に属する技術者等が本出願の技術的な内容及びその本質を簡易な調査で速やかに判定し得るようにするものである。従って、要約書は、請求の範囲の記載により評価されるべき発明の範囲を限定することを意図したものではない。また、本発明の目的及び本発明の特有の効果を十分に理解するために、すでに開示されている文献等を充分に参酌して解釈されることが望まれる。
【符号の説明】
【００８３】
１ 強識別器
２ 弱識別器
３ 特徴量生成部
４ 判定部
５ 重み設定部
１０ 識別装置
２１ 弱識別器集合部
【技術分野】
【０００１】
本発明は、画像データに検出対象が含まれるか否かを識別する識別装置及び識別プログラムに関する。
【背景技術】
【０００２】
画像からの物体検出において、デジタルカメラにおける顔検出や、自動車の運転支援における歩行者検出など、オンライン処理が必要とされる分野では、検出の正確さとともに識別処理の高速性も要求される。しかしながら、一般的に識別性能が高い識別装置ほど計算量が多い傾向があるため、この２つの要求を同時に満たすことは困難である。
【０００３】
パターン認識を用いて画像から検出対象を高速に検出する方法に関して、識別性能の低い複数の弱識別器を組み合わせることにより識別性能の高い強識別器を構成する技術が提案されている。
【０００４】
非特許文献１においては、複数の弱識別器を直列に並べることにより構成された強識別器が開示されている。この強識別器は、弱識別器毎にその出力と閾値との大小比較により顔と非顔とを識別し、いずれかの弱識別器で非顔と識別された領域の入力データについては、それより後段の弱識別器の処理を省略する。これにより、画像のほとんどの領域が非顔領域であるため、このようなカスケード構造の識別器を用いることで、検出処理を高速化することが可能になっている。また、特許文献１には、弱識別器の類似度の中で最も低い類似度を弱識別器の閾値に設定することによって、検出処理を高速化する構成が開示されている。
【先行技術文献】
【特許文献】
【０００５】
【非特許文献１】Paul Viola and Michael Jones, “Rapid Object Detection using a Boosted Cascade of Simple Features,”Proc. of CVPR2001, vol.1, pp. 511-518, 2001.
【特許文献１】特開２０１０−７７０６２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
ところで、複数の弱識別器を組み合わせて強識別器により画像を識別する技術分野においては、検出処理の高速化が極めて重要である。従って、上記従来の構成よりも検出処理を高速化できる識別装置が望まれている。
【０００７】
本発明は、検出処理を高速化できる識別装置及び識別プログラムを提供することを目的とする。
【課題を解決するための手段】
【０００８】
本発明は、識別装置であって、入力データの特徴量を生成する特徴量生成部と、前記特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定部と、検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定された重み設定部とを備えた弱識別器と、前記弱識別器を複数備え、前記各弱識別器における特徴量の判定結果と重みとの積算値の線形和に基づいて、前記入力データが検出対象であるか否かを識別する強識別器とを有する。
【０００９】
上記の構成によれば、検出対象の特徴量の確率分布と非検出対象の特徴量の確率分布とを比較した場合、非検出対象の特徴量の両側確率が検出対象の特徴量の両側確率よりも大きいという関係が一般的である。従って、第１閾値と第２閾値とで挟まれた所定範囲を基準にして特徴量の存在の有無を判定すると、所定範囲内において検出対象の入力データが多く含まれる一方、所定範囲外、即ち、第１閾値未満の下側領域と第２閾値を超えた上側領域とにおいて非検出対象の入力データが多く含まれることになる。この結果、従来のように、一つの閾値で区切られた一方側の領域と他方側の領域とを用いて入力データが検出対象であるか否かを判定する場合よりも、識別を有効に行える領域を多く確保できることから、各弱識別器の識別性能をそれぞれ高めることができる。これにより、少ない数量の弱識別器で高い性能を持った強識別器を得ることができ、ひいては検出処理を高速化することができる。
【００１０】
また、本発明における前記強識別器は、前記弱識別器の弱識別器集合部を複数段で直列配置し、前段の弱識別器集合部において検出対象であると識別した入力データだけを、後段の弱識別器集合部における検出対象の識別に用いてもよい。
【００１１】
上記の構成によれば、識別性能が高められた弱識別器を各段の弱識別器集合部に備えているため、特に検出対象の識別を開始した初期において、検出対象でない非検出対象の入力データを多く排除することができるため、入力データが検出対象であるか否かの識別である識別処理を短時間で完了することができる。
【００１２】
また、本発明における前記弱識別器における前記重み設定部は、前記検出対象である複数のポジティブ学習データと、非検出対象である複数のネガティブ学習データとを前記入力データとしたアダブースト（Ａｄａｂｏｏｓｔ）の学習アルゴリズムによって、前記重みが設定されていてもよい。
【００１３】
上記の構成によれば、各弱識別器における重みを容易且つ短時間で設定することができる。
【００１４】
また、本発明における前記弱識別器における前記判定部は、非検出対象の特徴量の下側確率が前記検出対象の特徴量の下側確率よりも大きくなる交点を前記第１閾値とし、前記非検出対象の特徴量の上側確率が前記検出対象の特徴量の上側確率よりも大きくなる交点を前記第２閾値としていてもよい。
【００１５】
上記の構成によれば、第１閾値及び第２閾値を容易に設定することができる。
【００１６】
また、本発明は、識別プログラムであって、入力データが入力される入力部、記憶部及び出力部を備えたコンピュータを、前記入力データの特徴量を生成する特徴量生成手段、前記特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定手段、及び検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定される重み設定手段を備えた複数の弱識別手段、 前記各弱識別手段における前記特徴量の判定結果と重みとの積算値の線形和に基づいて、前記入力データが前記検出対象であるか否かを識別する強識別手段として機能させる。
【００１７】
上記の構成によれば、コンピュータを備えた情報処理装置に対して識別プログラムをインストールするという簡単な作業により識別装置を構築することができる。
【発明の効果】
【００１８】
本発明は、検出処理を高速化できる。
【図面の簡単な説明】
【００１９】
【図１】識別装置における学習モード及び識別モードを示す説明図である。
【図２】矩形ペアの説明図であり、（Ａ）は第１矩形が第２矩形に含まれた状態、（Ｂ）は第１矩形と第２矩形との一部同士が重複した状態、（Ｃ）は第１矩形と第２矩形とが完全に離反した状態である。
【図３】弱識別器として選択された矩形ペアの説明図である。
【図４】第１閾値及び第２閾値を示す説明図である。
【図５】超平面と弱識別器との関係示す説明図である。
【図６】カスケード構造のブロック図である。
【図７】ウインドウ内の画像と弱識別器との関係を示す説明図である。
【図８】顔画像領域の模式図である。
【図９】顔画像領域の模式図である。
【図１０】学習モード処理ルーチンのフローチャートである。
【図１１】弱識別器候補準備処理ルーチンのフローチャートである。
【図１２】近傍探索処理ルーチンのフローチャートである。
【図１３】強識別器構築処理ルーチンのフローチャートである。
【図１４】強識別処理ルーチンのフローチャートである。
【図１５】遊技媒体貸出装置（サンド）を併設したパチンコ機を示す正面図である。
【発明を実施するための形態】
【００２０】
（識別装置１０）
本発明の実施形態を図面に基づいて説明する。
本実施形態に係る識別装置１０は、図１に示すように、複数の弱識別器２を学習データにより学習させて強識別器１を生成する学習モードと、強識別器１により入力データを識別する識別モードとに切り替え可能にされている。識別装置１０は、強識別器１と、強識別器１を構成する複数の弱識別器２とを備えている。各弱識別器２は、入力データの特徴量を生成する特徴量生成部３と、特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定部４と、検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定された重み設定部５とを備えている。そして、強識別器１は、各弱識別器２における特徴量の判定結果と重みとの積算値の線形和に基づいて、入力データが検出対象であるか否かを識別するようになっている。
【００２１】
ここで、『学習データ』は、検出対象である複数のポジティブ学習データと、非検出対象である複数のネガティブ学習データとが予め準備されたサンプルデータである。例えば、検出対象が人物の顔であれば、人物の顔の画像データがポジティブ学習データとなり、人物の全身や腕、他の動物、建物等の人物の顔以外の画像データがネガティブ学習データとなる。
【００２２】
（学習アルゴリズム）
『学習』は、ポジティブ学習データ及びネガティブ学習データを用いて弱識別器２に重みを付ける処理である。重み付けのための学習アルゴリズムとしては、特に限定されるものではないが、Ａｄａｂｏｏｓｔアルゴリズムが例示される。Ａｄａｂｏｏｓｔアルゴリズムの概要を説明すると、先ず、弱識別器候補（学習前の弱識別器２）が作成される。この後、学習データ（特徴量とクラス）への重みがサンプル数Ｎで初期化１／Ｎされることによって、全学習データが同一の重み付けに設定される。各学習データにおいて、学習データのクラスと弱識別器候補の出力クラスが一致しない学習データの重みが積算されることによって、各弱識別器候補の誤り率が求められる。誤り率が小さいほど信頼度が大きくなるように、学習データの重みが更新される。即ち、学習データの重みは、弱識別器候補が正しく識別できた学習データについては重みが小さくなるように更新される一方、弱識別器候補が間違って識別した学習データについては重みが大きくなるように更新される。この後、学習データの重みの和が１になるように正規化されることによって、１個の弱識別器候補が作成される。このような弱識別器候補の作成が繰り返して行われた後、全数や所定個数の弱識別器候補が弱識別器２として選択される。
【００２３】
（特徴量）
『特徴量』は、画像データを数値化したものであり、他の特徴量と比較することより類似度を求めることができるものであれば、特に限定されない。例えば、Ｈａａｒ−ｌｉｋｅ特徴の場合、検出対象か非検出対象かを判定するために、白矩形領域における平均輝度値と黒矩形領域における平均輝度値との差を用いた特徴量となる。この場合には、Ｉｎｔｅｇｒａｌ Ｉｍａｇｅ の利用により高速演算が可能になる。
【００２４】
（弱識別器２・弱識別器候補）
弱識別器２と弱識別器候補とは、学習前の弱識別器２が弱識別器候補である関係であり、重みの状態を除いて同一である。弱識別器２及び弱識別器候補は、Ｖｉｏｌａらが提案した構成と同様に、２矩形からなる特徴、３矩形からなる特徴、４矩形からなる特徴であってもよいし、画素高次元空間内での自由度を最大限に取りながら、且つ判定を高速化するため、２矩形領域の明度差のみを取り扱う構成であってもよい。
【００２５】
例えば、所定画素数のウインドウを設定し、このウインドウの中に顔画像が入っているかどうかという課題が与えられた場合において、それぞれの画素の輝度値を独立変数とする高次元空間を考えたとき、Ｈａａｒ−ｌｉｋｅ弱識別器で定義される半空間を区切る超平面集合は、全超平面集合のごく一部に過ぎないことがわかる。尚、超平面集合等についての説明は後述する。従って、高次元空間内の有限領域を占めていると予想されるポジティブ領域に対して、より効果的にネガティブ領域と区切る境界を設定するためのＨａａｒ−ｌｉｋｅ弱識別器の制約は、探索空間が膨大にならない手法が別に用意できれば必要いことが予想される。
【００２６】
Ｖｉｏｌａらは、２矩形からなる特徴、３矩形からなる特徴、４矩形からなる特徴を使用したが、上記予想からＨａａｒ−ｌｉｋｅである必然性は不要であると認識される。従って、以下の条件のみが２矩形領域の組み合わせに課されたものでもよい。２つの矩形領域がそれぞれ、（１）検出ウインドウ内部に含まれること、（２）互いに完全に重ならないことの２条件を満たす全ての矩形の組み合わせを弱識別器候補とすることができる。考えられる矩形ペアの例を図２（Ａ）〜（Ｃ）に示す。図２（Ａ）は第１矩形３１が第２矩形３２に含まれた状態である。図２（Ｂ）は第１矩形３１と第２矩形３２との一部同士が重複した状態である。図２（Ｃ）は第１矩形３１と第２矩形３２とが完全に離反した状態である。
【００２７】
上記の手法を使って正面顔画像をポジティブサンプルとして学習し、最も識別力が高い弱識別器として選択された矩形ペアの例を図３に示す。外側の矩形は両目と口を含むため相対的に暗く、内側の矩形は両目と口を含まないため相対的に明るくなる。両目も口も、ほとんどの光源環境で陰になる部分が発生するため、常に周囲より暗い。一方、矩形領域内のどこかしらが明るくなるため、完全に暗くなることもない。従って、２つの矩形の明度差は、或る値以上から或る値以下の範囲に収まることになり、２つの閾値で判定する事で精度を上げることができる。
【００２８】
Ｖｉｏｌａ−Ｊｏｎｅｓの方法では、２４×２４画素で識別器を構成すると弱識別器候補数は１８万を越えるが、さらに制限を緩めた２矩形領域の組み合わせ方法では、弱識別器候補数はさらに増大する。例えば、２４×２４画素で３９億個以上になる。そこで、計算時間の短縮のため発見的方法を適用してもよい。具体的には、弱識別器候補の矩形サイズや位置の変化量を１画素毎ではなく、例えば３画素毎にする。これにより２４×２４画素で３６万個にまで弱識別器候補数が減ることになる。この大幅な省略によって識別力の高い矩形ペアが候補の中から漏れる可能性が出てくるが、近傍探索で、より識別力の高い矩形ペアを発見すればよい。
【００２９】
最初に用意した弱識別器候補の中からブースティングアルゴリズムに従って最もよいものを選択した後、その候補の矩形幅、矩形位置などのパラメータをわずかに変更した弱識別器候補群を生成し、なんらかの局所探索手法（例えば山登り法）により、最もよいものを発見し、選び直すことで最適に近い性能の弱識別器候補を発見する。
【００３０】
矩形の中の画素全体の輝度値平均を取るという操作のため、矩形の大きさがある程度大きければ、わずかに係数を変化させただけの矩形間の輝度値は大きく違わない事が期待できると共に、識別器性能も比較的滑らかに変化することが期待できるため、この近傍探索はうまく働くと予想される。
【００３１】
局所探索の際に変更可能なパラメータは以下のものがある
１． ２つの閾値ｄ１・ｄ２
２． 白矩形Ｘ，Ｙ座標
３． 白矩形横幅Ｘｗ、縦幅Ｙｗ
４． 黒矩形座標
５． 黒矩形横幅、縦幅
ここで、「白矩形」及び「黒矩形」は便宜的な呼称であり、例えば、基準座標が左にあるものを「白矩形」、右にあるものを「黒矩形」と呼ぶ（Ｘ座標が同一の場合は、上にあるものを「白矩形」、下にあるものを「黒矩形」と呼ぶ）。どちらの矩形の明度が高いかは呼称と無関係に実際のポジティブサンプルの分布で決定され、閾値ｄ１・ｄ２の値に反映される。
【００３２】
（第１閾値、第２閾値）
『第１閾値、第２閾値』は、図４に示すように、２つの矩形領域のそれぞれの明度総和の差の分布である正規分布の一方側（下側領域）と他方側（上側領域）とに設けた閾値である。第１閾値は、非検出対象の特徴量の下側確率が検出対象の特徴量の下側確率よりも大きくなる交点であり、第２閾値は、前記非検出対象の特徴量の上側確率が前記検出対象の特徴量の上側確率よりも大きくなる交点であってもよい。この場合には、第１閾値及び第２閾値を容易に設定することができる。尚、弱識別器２の出力ｈ（ｘ）は、第１識別値θ１から第２閾値θ２の範囲に特徴量ｘが存在すれば、“１”となり、存在しなければ“０”となる。
【００３３】
第１閾値及び第２閾値は、下記の方法により求められてもよい。尚、以後の説明では、弱識別器２を直列配置したカスケード構造を採用した場合の閾値の決定方法を説明するが、カスケード構造以外の構造においても、カスケード初段及びカスケード２段目以降の決定方法を調整前の初期値の決定方法として採用してもよい。カスケード構造の詳細については後述する。
【００３４】
カスケード初段の場合、弱識別器のポジティブ入力画像のほとんど（３σ以内＝９９．７３％）がポジティブ判定される位置（ベルカーブの両側）に閾値を設定する。平均と分散を求めた後、正規分布を仮定して設定する。具体的には、ポジティブ学習画像における矩形ペアの明度差分布の算術平均μｐ、分散σｐとするとき、第１閾値ｄｐ１及び第２閾値ｄｐ２は、下記の関係式で示される。
【００３５】
ｄｐ１ ＝ μｐ − ３σｐ
ｄｐ２ ＝ μｐ ＋ ３σｐ
【００３６】
また、カスケード２段目以降は、ネガティブ学習画像の明度差分布と、ポジティブ学習画像の明度差分布とをそれぞれ正規分布と仮定して、正規分布曲線同士の交点を、第１閾値ｄｐ１及び第２閾値ｄｐ２の初期値に設定する。ただし、その値がそのまま使われることはなく、その後、ａｄａＢｏｏｓｔ学習ループ中で、山登り法によりａｄａＢｏｏｓｔの重み付き損失が小さくなる閾値に変更する事で閾値を調整する。尚、ポジティブ学習画像における矩形ペアの明度差分布の算術平均μｐ、分散σｐとし、ネガティブ学習画像における矩形ペアの明度差分布の算術平均μｎ、分散σｎとすると、２つの正規分布曲線の交点は下式で求めることができる。
【００３７】
とおいて、ｘについて展開すると下式のように二次方程式になるので、これを解く。
【００３８】
第１閾値及び第２閾値は、カスケード構造の後段を含むすべての弱識別器２に適用されている。これにより、斜め顔識別を有効に行うことが可能になっている。この理由は、矩形検出ウインドウ内の画素を要素とする高次元ベクトル空間を考えた時、Ｖｉｏｒａらの制約を持つ矩形弱識別器では顔画像領域を両側から挟みこむことで、効率的にネガティブ画像を排除できる超平面の組み合わせが尽きたのではないかと推測される。即ち、図５に示すように、許される超平面のペアがａ領域であるとすると、制約を緩めることで、１閾値弱識別器より識別力がある２閾値弱識別器が後段でも見つかるようになったということではないかと推測される（図５のｂ領域）。
【００３９】
具体的に説明すると、制約を緩めたイメージを図５の模式図で示した場合において、このイメージの検出ウインドウ内の全ての画素の輝度値を独立変数とする高次元空間を考える。このとき、傾き４５°の倍数の境界面しか設定できないという制約があった場合は見つからなかったが、それ以外の角度も許すことで新たなｂ領域の２閾値弱識別器が見つかるというものである。尚、Ｌｉｅｎｈａｒｔらの論文では白矩形領域と黒矩形領域の明度差を求める際に各矩形領域の明度合計を面積比で補正するため、高次元空間での境界面の傾きは面積比で固定される（図中のａ境界ペア）。一方、本実施形態においては、山登り法で白矩形領域と黒矩形領域の補正係数を変更しているため、図中のｂ境界ペアも２閾値弱識別器として採用されるようになっている。
【００４０】
以上のように、識別装置１０は、特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する弱識別器２を備えている。検出対象の特徴量の確率分布と非検出対象の特徴量の確率分布とを比較した場合、非検出対象の特徴量の両側確率が検出対象の特徴量の両側確率よりも大きいという関係が一般的である。従って、第１閾値と第２閾値とで挟まれた所定範囲を基準にして特徴量の存在の有無を判定すると、所定範囲内において検出対象の入力データが多く含まれる一方、所定範囲外、即ち、第１閾値未満の下側領域と第２閾値を超えた上側領域とにおいて非検出対象の入力データが多く含まれることになる。この結果、従来のように、一つの閾値で区切られた一方側の領域と他方側の領域とを用いて入力データが検出対象であるか否かを判定する場合よりも、識別を有効に行える領域を多く確保できることから、各弱識別器２の識別性能をそれぞれ高めることができる。これにより、少ない数量の弱識別器２で高い性能を持った強識別器１を得ることができ、ひいては検出対象の検出処理を高速化することができる。
【００４１】
（カスケード構造）
また、図６に示すように、識別装置１０における強識別器１は、カスケード構造にされている。具体的には、強識別器１は、弱識別器２の１以上の弱識別器集合部２１を複数段で直列配置し、前段の弱識別器集合部２１において検出対象であると識別した入力データだけを、後段の弱識別器集合部２１における検出対象の識別に用いる構成にされている。尚、識別装置１は、カスケード構造以外の構成にされていてもよい。
【００４２】
これにより、強識別器１は、第１閾値及び第２閾値により識別性能が高められた弱識別器２を各段の弱識別器集合部２１に備えているため、特に検出対象の識別を開始した初期（初段側）において、検出対象でない非検出対象の入力データを多く排除することができるため、入力データが検出対象であるか否かの識別を短時間で完了することができる。
【００４３】
（高次元空間による２閾値を備えた弱識別器２の説明）
Ｈａａｒ−ｌｉｋｅ弱識別器２の役割は、各画素を直行成分とする高次元のベクトル空間を超平面で仕切ることに等しい。
ｎ画素で構成されるポジティブ画像
Ｐｋ＝（Ｐｋ１， Ｐｋ２， Ｐｋ３，・・・Ｐｋｎ）
ｎ画素で構成されるネガティブ画像
Ｎｋ＝（Ｎｋ１， Ｎｋ２， Ｎｋ３，・・・Ｎｋｎ）
ポジティブ画像集合は、この高次元空間内で連結された有限領域を占めることが予想される。ポジティブ画像集合が有限な連結領域で囲まれるなら、Ｈａａｒ−ｌｉｋｅ弱識別器２に２つの平行な超平面で挟み込むことができる。従って、Ｈａａｒ−ｌｉｋｅ弱識別器２に２つの閾値を設定することが合理的である。Ｈａａｒ−ｌｉｋｅ弱識別器２を複数組み合わせることで、ポジティブ画像連結領域を凸包で囲むことになる。
【００４４】
尚、カスケード後段になると、ポジティブ画像連結領域を囲む凸包の内側に入り込んだネガティブ画像が多くなってくるため、２つの平行な超平面で囲むことは困難になってくる。そのため、弱識別器２の識別能力が或る程度以下に悪化したら、２つの閾値から１つの閾値へ切り替えてもよい。
【００４５】
ここで、『２つの平行な超平面で挟み込むことができる』とは、例えば図７に示すように、横１６画素×縦１６画素＝２５６画素のウインドウを設定し、このウインドウの中に顔画像が入っているかどうかという課題の場合において、このウインドウに顔が入っていれば右目のあたりになるＸ６９、Ｘ７０、Ｘ７１の３画素で作られた□■□型のＨａａｒ−ｌｉｋｅ弱識別器２の判定式は以下のようになる。
【００４６】
（Ｘ６９＋Ｘ７１）−２Ｘ７０ ＞ ｄ （１）
ここで、２５６画素それぞれの輝度値を独立変数とする２５６次元空間を考える。
Ｖ＝（Ｘ１， Ｘ２， ．．． Ｘ２５６）
この空間Ｖを超平面で二つに分けたときの半空間の一般式は、下式のようになる。
【００４７】
Ａ１Ｘ１＋Ａ２Ｘ２＋…Ａ２５６Ｘ２５６ ≧ ｄ （２）
（１）式は（２）式の特殊な形である。（Ａ１＝ Ａ２＝…Ａ６８＝０， Ａ６９＝１， Ａ７０＝−２， Ａ７１＝１， Ａ７２＝Ａ７３＝．．． Ａ２５６＝０， ｄ＝ｄ）
つまり、画素の輝度値を独立変数とする２５６次元空間Ｖを考えた場合、Ｈａａｒ−ｌｉｋｅ弱識別器２はＶを超平面で仕切る半空間として与えられることになる。
このときの超平面は下式で示される。
【００４８】
Ａ１Ｘ１＋Ａ２Ｘ２＋…Ａ２５６Ｘ２５６＝ｄ （３）
この超平面に平行な超平面は下式で示される。
Ａ１Ｘ１＋Ａ２Ｘ２＋…Ａ２５６Ｘ２５６＝ｄ´ （ｄ´≠ｄ） （４）
２閾値を備えた弱識別器２は、例えば（１）式で与えられるＨａａｒ−ｌｉｋｅ弱識別器２を下式のように拡張したものである。
【００４９】
ｄ１≧（Ｘ６９＋Ｘ７１）−２Ｘ７０ ≧ｄ２ （５）
（５）式は互いに平行な二枚の超平面で区切られた内側の領域を示す。図８に部分空間（Ｘ６９，Ｘ７０，Ｘ７１）における顔画像領域の模式図を示す。雲状に示した黒い領域が真の顔画像と想定される領域、ストライプで示した二枚の平面が（５）式で定義される弱識別器２が判定する顔画像領域の境界面になる。
【００５０】
図８を２５６次元空間全体に拡張して考えると、Ｘ６９、Ｘ７０、Ｘ７１以外の座標軸に対しては係数がゼロであるため、Ｘ６９、Ｘ７０、Ｘ７１以外の各軸に平行な超平面が（５）式で定義される弱識別器２の境界面になる。アンサンブル識別器を構成する他の弱識別器２は、他の画素すなわち他の座標軸に係数を持つ不等式になるため、それらの座標軸で傾きを持つ超平面を定義することになる。
【００５１】
ｎ次元ユークリッド空間で考えた場合、上記条件だけでは有限領域であることは言えないが、実際には輝度値自体が有限（例えば０〜２５５）であるため、上記の輝度値空間も有限となり、その部分集合であるポジティブ画像集合が有限となる。
【００５２】
ポジティブ画像集合が高次元空間内で連結された有限領域を占めることが予想されることが妥当な場合は、図９に示すように一連の２閾値を備えた弱識別器２により顔領域が囲まれることになる。一方、連結領域でない場合は、カテゴリ分けの工夫とブースティングとで２閾値を備えた弱識別器２により顔領域が囲まれることになる。
【００５３】
（識別プログラム）
以上の説明においては、識別装置１０がハードウエア的に構成された場合について説明したが、これに限定されるものではなく、コンピュータに識別プログラムをインストールして識別装置１０としてもよい。
【００５４】
識別プログラムは、学習データや検出データ等の入力データが入力される入力部、記憶部、出力部を備えたコンピュータを、入力データの特徴量を生成する特徴量生成手段、特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定手段、及び検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定される重み設定手段を備えた複数の弱識別手段と、各弱識別手段における特徴量の判定結果と重みとの積算値の線形和に基づいて、入力データが検出対象であるか否かを識別する強識別手段として機能させるものである。また、識別プログラムは、弱識別手段をカスケード構造にする手段としてコンピュータを機能させるようになっていてもよい。
【００５５】
尚、識別プログラムは、インターネット等の双方向にデータ通信可能な通信システムや、テレビ放送やラジオ放送等の一方向にデータ送信可能な送信システムを通じて送信することによって、目的とするコンピュータを含む情報処理装置にインストールされるようになっている。尚、識別プログラムは、コンパクトディスクやメモリスティック等の記録媒体に記録しておき、この記録媒体を用いて情報処理装置にインストールされてもよい。
【００５６】
（識別装置１０の動作）
上記の構成において、ソフトハウスや販売店から識別プログラムが情報処理装置に送信され、情報処理装置の記憶装置にダウンロードされる。そして、情報処理装置において識別プログラムがインストールされることによって、図１に示すように、未学習の識別装置１０が構築される。即ち、弱識別器２（情報処理装置）は、入力データの特徴量を生成する特徴量生成手段と、特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定手段と、検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定される重み設定手段とを備えた複数の弱識別手段と、各弱識別手段における特徴量の判定結果と重みとの積算値の線形和に基づいて、入力データが検出対象であるか否かを識別する強識別手段としてコンピュータを機能させるように構築される。さらに、弱識別器２（情報処理装置）は、弱識別手段をカスケード構造にする手段としてコンピュータを機能させるように構築される。
【００５７】
（学習モード処理）
次に、識別装置１０が図１の学習モードに設定される。具体的には、図１０に示すように、学習モード処理ルーチンが実行される。本ルーチンが実行されると、弱識別器候補準備処理が実行される（Ｓ１）。これにより、図１１に示すように、検出ウインドウ内の全ての２矩形領域からなる弱識別器候補が形成される(Ｓ２１)。そして、全ての弱識別器候補の中から所定画素毎の第１弱識別器候補に絞り込まれ (Ｓ２２)、個数を減少された第１弱識別器候補が図示しない記憶装置に割り当てられた第１記憶部に格納される(Ｓ２３)。
【００５８】
上記のようにして第１弱識別器候補が準備されると、図１０に示すように、全ての第１弱識別器候補の重みＤが初期化される(Ｓ２)。この後、一つの第１弱識別器候補が取り込まれる(Ｓ３)。そして、一つの学習データが取り込まれ(Ｓ４)、この学習データに対応したクラスｄ（１、−１）が設定される。例えば、学習データがポジティブ学習データであれば“１”のクラスｄが設定され、ネガティブ学習データであれば“−１”のクラスｄが設定される。そして、学習データと第１弱識別器候補とを用いた特徴量ｘが算出される(Ｓ６)。
【００５９】
次に、クラスｄに第１閾値θ１を乗算した値ｄθ１が、クラスｄに特徴量ｘを乗算した値ｄｘよりも小さいか否かが判定される(Ｓ７)。値ｄθ１が値ｄｘよりも小さくない場合、即ち、ｄθ１＜ｄｘが成立しない場合には(Ｓ７：ＮＯ)、出力ｈ（ｘ）が“０”に設定された後(Ｓ９)、Ｓ１２の処理が実行される。一方、小さい場合、即ち、ｄθ１＜ｄｘが成立する場合には(Ｓ７：ＹＥＳ)、続いて、クラスｄに第２閾値θ２を乗算した値ｄθ２が、クラスｄに特徴量ｘを乗算した値ｄｘよりも大きいか否かが判定される(Ｓ８)。
【００６０】
値ｄθ２が値ｄｘよりも大きくない場合、即ち、ｄｘ＜ｄθ２が成立しない場合には(Ｓ８：ＮＯ)、出力ｈ（ｘ）が“０”に設定された後(Ｓ９) 、Ｓ１２の処理が実行される。一方、大きい場合、即ち、ｄｘ＜ｄθ２が成立する場合には(Ｓ８：ＹＥＳ)、出力ｈ（ｘ）が“１”に設定される(Ｓ１０)。そして、出力ｈ（ｘ）が“１”に設定された第１弱識別器候補に所定の重みが加算された後(Ｓ１１)、Ｓ１２の処理が実行される。
【００６１】
上記のようにして出力ｈ（ｘ）の設定や重みの加算が行われると、続いて、全ての学習データの取り込みを完了したか否かが判定される(Ｓ１２)。取り込みが完了していない場合には(Ｓ１２：ＮＯ)、Ｓ４から再実行され、次の学習データに対する出力ｈ（ｘ）の設定や重みの加算が行われる。一方、全学習データの取り込みが完了した場合には(Ｓ１２：ＹＥＳ)、全ての学習データの重みの和が１になるように正規化されることによって、１個の学習済みの第１弱識別器候補が作成及び格納される(Ｓ１３)。この後、全ての第１弱識別器候補の学習が完了したか否かが判定される(Ｓ１４)。完了していなければ(Ｓ１４：ＮＯ)、Ｓ３から再実行され、次の未学習の第１弱識別器候補に対する学習が繰り返される。そして、全ての第１弱識別器候補の学習が完了したときに (Ｓ１４：ＹＥＳ)、本ルーチンが終了される。
【００６２】
（学習モード処理：近傍探索処理）
上記のようにして全ての第１弱識別器候補の学習が完了すると、図１２の近傍探索処理ルーチンが実行される。先ず、学習済みの第１弱識別器候補が重み順に並び替えられる(Ｓ３１)。大きな重みから順番に１個の第１弱識別器候補が選択される(Ｓ３２)。選択された第１弱識別器候補の周辺に存在する全ての第２弱識別器候補が取得される。尚、第１弱識別器候補の周辺は、弱識別器パラメータの変更により行われる(Ｓ３３)。
【００６３】
この後、全ての第２弱識別器候補が学習データを用いて学習される。学習方法は、図１０の学習モード処理と同じ方法が採用される(Ｓ３４)。選択された第１弱識別器候補及び全ての第２弱識別器候補の中から最大重みの弱識別器候補が弱識別器２として登録される(Ｓ３５)。全ての第１弱識別器候補の選択が完了したか否かが判定され(Ｓ３６)、完了していなければ(Ｓ３６：ＮＯ)、Ｓ３２から再実行される。そして、完了したときに(Ｓ３６：ＹＥＳ)、本ルーチンが終了される。尚、本実施形態においては、全ての第１弱識別器候補について近傍探索処理を実施しているが、強識別器１に備えられる弱識別器２の搭載数の範囲で、識別性能が高いと予想される第１弱識別器候補についてだけ近傍探索処理を実施してもよい。
【００６４】
（強識別器構築処理）
上記のようにして、第１弱識別器候補及び第２弱識別器候補に基づいて弱識別器２が獲得されると、次に、強識別器構築処理が実行される。具体的には、図１３に示すように、複数の弱識別器集合部２１が所定の記憶領域に作成される(Ｓ４１)。この後、学習済みの弱識別器２が重み順に並べ替えられる(Ｓ４２)。大きな重み順から順番に所定個数単位で弱識別器２が抽出される(Ｓ４３)。抽出された弱識別器２が未登録の弱識別器集合部２１に登録される(Ｓ４４)。
【００６５】
全ての弱識別器集合部２１への登録が完了したか否かが判定され(Ｓ４５)、完了していなければ(Ｓ４５：ＮＯ)、Ｓ４３から再実行される。そして、全ての弱識別器集合部２１への登録が完了したときに(Ｓ４５：ＹＥＳ)、本ルーチンが終了される。これにより、図６に示すように、複数の弱識別器集合部２１が直列接続されたカスケード構造の強識別器１が形成されることになる。尚、識別性能が高い弱識別器２をカスケード構造の前段側の弱識別器集合部２１に配置することが、識別の初期に多くの非検出対象を排除できる点で好ましい。
【００６６】
（強識別処理）
上記のようにして強識別器１が構築されると、図１の識別モードに設定される。具体的には、図１４に示すように、強識別処理ルーチンが実行される。先ず、通路やドア、各種装置に設置された撮像装置から動画や静止画が検査データ（入力データ）として取り込まれ、この検査データが１段目の弱識別器集合部２１に入力される(Ｓ５１)。
【００６７】
弱識別器集合部２１においては、検査データと一つの弱識別器２とを用いた特徴量ｘが算出される。そして、第１閾値θ１＜特徴量ｘ＜第２閾値θ２の条件を満足するか否かが判定される(Ｓ５３)。条件を満足しない場合には(Ｓ５４：ＮＯ)、出力ｈ（ｘ）＝０とされる(Ｓ５５)。一方、条件を満足する場合には(Ｓ５４：ＹＥＳ)、出力ｈ（ｘ）＝１とされる(Ｓ５４)。この後、総出力値に出力ｈ（ｘ）が加算されることによって、総出力値が更新される(Ｓ５６)。
【００６８】
全ての弱識別器２の識別が完了したか否かが判定される(Ｓ５７)。識別が完了していなければ(Ｓ５７：ＮＯ)、Ｓ５２から再実行される。一方、全ての識別が完了した場合には(Ｓ５７：ＹＥＳ)、続いて、総出力値が所定値よりも大きな値であるか否かが判定される(Ｓ５８)。総出力値が所定値よりも大きな値でない場合には(Ｓ５８：ＮＯ)、検査データ（入力データ）が非検出対象のデータ、即ち、ネガティブデータであるとして、後段の弱識別器集合部２１において識別処理が行われることなく廃棄され、次の検査データの有無が判定される(Ｓ６２)。
【００６９】
一方、総出力値が所定値よりも大きな値であれば(Ｓ５８：ＹＥＳ)、検査データ（入力データ）が検出対象のデータ、即ち、ポジティブデータであるとして、後段の弱識別器集合部２１において識別処理が行われることになる。具体的には、最終段の弱識別器集合部２１であるか否かが判定される(Ｓ５９)。最終段の弱識別器集合部２１でなければ(Ｓ５９：ＮＯ)、検査データが次段の弱識別器集合部２１に入力される(Ｓ６１)。そして、Ｓ５２から再実行されることによって、この弱識別器集合部２１において、検査データが検出対象であるか否かの識別が行われる。
【００７０】
最終段の弱識別器集合部２１である場合には(Ｓ５９：ＹＥＳ)、検査データが検出対象として登録される(Ｓ６０)。そして、次の検査データの有無が判定され(Ｓ６２)、次の検査データが存在すれば(Ｓ６２：ＹＥＳ)、Ｓ５１から再実行される。一方、次の検査データが存在しなければ(Ｓ６２：ＮＯ)、本ルーチンが終了される。
【００７１】
（遊技媒体貸出装置）
識別装置１０を備えた遊技媒体貸出装置について説明する。尚、以後の説明においては、遊技媒体貸出装置を用いて説明するが、これに限定されるものではなく、画像データから顔等の検出対象を識別する用途に用いられる全ての種類の装置に搭載することができる。例えば、識別装置１０は、パチンコやパチスロ等の遊技機に搭載されていてもよいし、携帯型のデジタルカメラ、監視カメラ、ドアホン、インターホン等の撮像装置に搭載されていてもよい。搭載形態としては、搭載対象である装置の制御部とは別個に識別装置１０を備えた構成であってもよいし、搭載対象である装置の制御部において、識別装置１０の処理を実行させるように、プログラムやデータが組み込まれた構成にされていてもよい。
【００７２】
遊技媒体貸出装置を具体的に説明すると、図１５に示すように、遊技媒体貸出装置であるサンドＭ２０は、パチンコ機Ｍ１０に併設されている。各サンドＭ２０は、隣接するパチンコ機Ｍ１０に対応して設置されており、対応するパチンコ機Ｍ１０との間で通信可能に接続されている。また各サンドＭ２０は、ホール全体のサンドＭ２０のシステム管理や売り上げ管理を行うホールコンピュータに対して通信可能に接続されている。尚、本実施の形態においては、ホールコンピュータに対して通信可能に接続されたサンドＭ２０について説明するが、本発明はこれに限られるものではなく、ホールコンピュータと通信を行わないサンドであってもよい。
【００７３】
各サンドＭ２０の前面部２１には、ＬＥＤ（light-emitting diode）部Ｍ３１、カード挿入口Ｍ３２、紙幣を挿入可能な紙幣挿入口Ｍ３３、タッチパネルＬＣＤ（liquid crystal display）により構成された操作ユニットＭ３４、カメラ部Ｍ３５、非接触ＩＣカードリーダライタＭ３６、端数用払出口Ｍ４０、計数用投入口Ｍ３９等が設けられている。カード挿入口Ｍ３２は、例えばホールのカード発行機によって発行された情報カードを受け付け可能な挿入口である。ＬＥＤ部Ｍ３１は、フルカラーＬＥＤによって構成されている。
【００７４】
上記のカメラ部Ｍ３５は、被写体（遊技者）を撮像するものであれば如何なる撮像方式のカメラが用いられていてもよい。この理由は、識別装置１０の強識別器による識別処理が行われるため、背景が変化し易い環境下であっても、遊技者の有無を高精度に判定できるからである。
【００７５】
カメラ部Ｍ３５のカメラは、撮像信号を制御基板に送出する。制御基板は、識別装置１０の機能を備えるようにプログラム及びデータが組み込まれることによって、撮像信号に基づいて強識別器による識別処理を行うようになっている。即ち、制御基板は、サンドＭ２０の前方を撮影した撮像信号（画像データ）中に検出対象である顔画像が存在するか否かを判定する識別処理と、この識別処理の結果に基づいて遊技者が存在するか否かを判定する遊技者判定処理とを実行するようになっている。
【００７６】
上記の構成において、サンドＭ２０及びパチンコ機Ｍ１０の動作について説明する。遊技者がパチンコ機Ｍ１０の前方に着席すると、このパチンコ機Ｍ１０の側面に配置されたサンドＭ２０のカメラ部Ｍ３５により遊技者が撮影される。そして、カメラ部Ｍ３５の撮像信号を用いて識別処理及び遊技者判定処理が実行されることによって、遊技者の存在が検知される。遊技者の存在を条件としてサンドＭ２０の動作処理が許可状態にされ、例えば、情報カード等の受け付けが可能にされる。
【００７７】
遊技者は、情報カード又は所定金額の紙幣を、カード挿入口Ｍ３２又は紙幣挿入口Ｍ３３に投入することで、遊技に必要な遊技媒体としてのパチンコ球の貸し出しを受けることができる。また、遊技者は、非接触ＩＣカードを、非接触ＩＣカードリーダライタＭ３６にかざすことで、遊技に必要なパチンコ球の貸し出しを受けることができる。
【００７８】
サンドＭ２０は、情報カード、紙幣及び非接触ＩＣカードといった価値媒体の投入を受けると、投入された価値媒体の金額に応じた数のパチンコ球を払い出す旨のコマンドを併設するパチンコ機Ｍ１０に送信することにより、パチンコ機Ｍ１０からパチンコ球を払い出す。遊技者は、パチンコ機Ｍ１０においてその上皿Ｍ１２に払い出されたパチンコ球によってパチンコ遊技を行うことができる。
【００７９】
また、パチンコ機Ｍ１０においては、遊技の結果に応じて、上皿Ｍ１２にパチンコ球を払い出す。遊技者は、所定の操作を行うことにより、上皿Ｍ１２のパチンコ球を下皿Ｍ１３に落とすと、当該パチンコ球は、下皿Ｍ１３の下方に装着された案内皿Ｍ１４に落下する。案内皿Ｍ１４は、下皿Ｍ１３から落下したパチンコ球を、サンドＭ２０に設けられた計数用投入口Ｍ３９へ案内する。計数用投入口Ｍ３９に導入されたパチンコ球は、サンドＭ２０の内部に設けられた計数部によって計数される。
【００８０】
計数された結果は、カード挿入口Ｍ３２に挿入されたカードに記録され、又は、ホールコンピュータに設けられた記憶部に記憶される。計数部において計数されたパチンコ球は、サンドＭ２０の背面部に設けられた排出口から排出され、回収される。計数用投入口Ｍ３９から投入されたパチンコ球の計数経路とは別に、サンドＭ２０の背面側に端数用供給部が設けられており、外部から端数用のパチンコ球を受け入れるようになっている。この供給部により、端数用のパチンコ球は、常に一定量（例えば２４球）が貯留された状態となっており、必要に応じて、端数用払出口Ｍ４０から、案内皿Ｍ１４（具体的には、案内皿Ｍ１４の下方に設けられた専用の払出皿）へ払い出される。
【００８１】
上記のようにして遊技が行われているときに、遊技者が離席した場合、カメラ部Ｍ３５からの撮像信号を用いた識別処理及び遊技者判定処理により遊技者の不在が検知される。遊技者が存在する検知状態から不在の検知状態に変化すると、情報カード又は現金（金額データ）が残っているか否かが判断される。金額データが残っている場合には、警告音や警告音声が発生される。これにより、残高が残っているにも関わらず遊技者が離席した場合には、遊技者に注意を促すことができる。
【００８２】
上述した詳細な説明では、本発明をより容易に理解できるように、特徴的部分を中心に説明した。本発明は、上述した詳細な説明に記載する実施形態に限定されず、その他の実施形態にも適用することができ、その適用範囲は多様である。また、本明細書において用いた用語及び語法は、本発明を的確に説明するために用いたものであり、本発明の解釈を制限するために用いたものではない。また、当業者であれば、本明細書に記載された発明の概念から、本発明の概念に含まれる他の構成、システム、方法等を推考することは容易であると思われる。従って、請求の範囲の記載は、本発明の技術的思想の範囲を逸脱しない範囲で均等な構成を含むものであるとみなされなければならない。また、要約書の目的は、特許庁及び一般的公共機関や、特許、法律用語又は専門用語に精通していない本技術分野に属する技術者等が本出願の技術的な内容及びその本質を簡易な調査で速やかに判定し得るようにするものである。従って、要約書は、請求の範囲の記載により評価されるべき発明の範囲を限定することを意図したものではない。また、本発明の目的及び本発明の特有の効果を十分に理解するために、すでに開示されている文献等を充分に参酌して解釈されることが望まれる。
【符号の説明】
【００８３】
１ 強識別器
２ 弱識別器
３ 特徴量生成部
４ 判定部
５ 重み設定部
１０ 識別装置
２１ 弱識別器集合部
【特許請求の範囲】
【請求項１】
入力データの特徴量を生成する特徴量生成部と、
前記特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定部と、
検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定された重み設定部とを備えた弱識別器と、
前記弱識別器を複数備え、前記各弱識別器における特徴量の判定結果と重みとの積算値の線形和に基づいて、前記入力データが検出対象であるか否かを識別する強識別器とを有することを特徴とする識別装置。
【請求項２】
前記強識別器は、
前記弱識別器の集合体を複数段で直列配置し、前段の集合体において検出対象であると識別した入力データだけを、後段の集合体における検出対象の識別に用いることを特徴とする請求項１に記載の識別装置。
【請求項３】
前記弱識別器における前記重み設定部は、
前記検出対象である複数のポジティブ学習データと、非検出対象である複数のネガティブ学習データとを前記入力データとしたアダブースト（Ａｄａｂｏｏｓｔ）の学習アルゴリズムによって、前記重みが設定されていることを特徴とする請求項１又は２に記載の識別装置。
【請求項４】
前記弱識別器における前記判定部は、
非検出対象の特徴量の下側確率が前記検出対象の特徴量の下側確率よりも大きくなる交点を前記第１閾値とし、
前記非検出対象の特徴量の上側確率が前記検出対象の特徴量の上側確率よりも大きくなる交点を前記第２閾値としていることを特徴とする請求項１乃至３の何れか１項に記載の識別装置。
【請求項５】
入力データが入力される入力部、記憶部及び出力部を備えたコンピュータを、
前記入力データの特徴量を生成する特徴量生成手段、前記特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定手段、及び検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定される重み設定手段を備えた複数の弱識別手段、
前記各弱識別手段における前記特徴量の判定結果と重みとの積算値の線形和に基づいて、前記入力データが前記検出対象であるか否かを識別する強識別手段
として機能させることを特徴とする識別プログラム。
【請求項１】
入力データの特徴量を生成する特徴量生成部と、
前記特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定部と、
検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定された重み設定部とを備えた弱識別器と、
前記弱識別器を複数備え、前記各弱識別器における特徴量の判定結果と重みとの積算値の線形和に基づいて、前記入力データが検出対象であるか否かを識別する強識別器とを有することを特徴とする識別装置。
【請求項２】
前記強識別器は、
前記弱識別器の集合体を複数段で直列配置し、前段の集合体において検出対象であると識別した入力データだけを、後段の集合体における検出対象の識別に用いることを特徴とする請求項１に記載の識別装置。
【請求項３】
前記弱識別器における前記重み設定部は、
前記検出対象である複数のポジティブ学習データと、非検出対象である複数のネガティブ学習データとを前記入力データとしたアダブースト（Ａｄａｂｏｏｓｔ）の学習アルゴリズムによって、前記重みが設定されていることを特徴とする請求項１又は２に記載の識別装置。
【請求項４】
前記弱識別器における前記判定部は、
非検出対象の特徴量の下側確率が前記検出対象の特徴量の下側確率よりも大きくなる交点を前記第１閾値とし、
前記非検出対象の特徴量の上側確率が前記検出対象の特徴量の上側確率よりも大きくなる交点を前記第２閾値としていることを特徴とする請求項１乃至３の何れか１項に記載の識別装置。
【請求項５】
入力データが入力される入力部、記憶部及び出力部を備えたコンピュータを、
前記入力データの特徴量を生成する特徴量生成手段、前記特徴量が第１閾値と第２閾値とで挟まれた所定範囲内に存在するか否かを判定する判定手段、及び検出対象と非検出対象との識別性能が高いほど重みが大きくなるように設定される重み設定手段を備えた複数の弱識別手段、
前記各弱識別手段における前記特徴量の判定結果と重みとの積算値の線形和に基づいて、前記入力データが前記検出対象であるか否かを識別する強識別手段
として機能させることを特徴とする識別プログラム。
【図１】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【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２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【公開番号】特開２０１３−３３３３１（Ｐ２０１３−３３３３１Ａ）
【公開日】平成２５年２月１４日（２０１３．２．１４）
【国際特許分類】
【出願番号】特願２０１１−１６８３００（Ｐ２０１１−１６８３００）
【出願日】平成２３年８月１日（２０１１．８．１）
【出願人】（５９８０９８５２６）株式会社ユニバーサルエンターテインメント (7,628)
【Ｆターム（参考）】
【公開日】平成２５年２月１４日（２０１３．２．１４）
【国際特許分類】
【出願日】平成２３年８月１日（２０１１．８．１）
【出願人】（５９８０９８５２６）株式会社ユニバーサルエンターテインメント (7,628)
【Ｆターム（参考）】
[ Back to top ]