識別装置
【課題】目標の識別精度を高くする。
【解決手段】実施形態の識別装置は、選択部、学習部、入力受付部、特徴抽出部、特徴量計算部、類似度計算部、識別部、及び出力制御部、を備える。選択部は、各学習サンプルが複数のカテゴリのいずれかに分類される複数の学習サンプルから学習サンプルを１以上含むグループを複数選択する選択処理を複数回行う。学習部は、選択された複数のグループ毎に当該複数のグループを識別する識別基準を学習し、複数の識別基準を含む評価基準を生成する。入力受付部は、目標からのレーダエコーに基づく画像の入力を受け付ける。特徴抽出部は、画像から目標の輪郭形状の特徴を表現する特徴ベクトルを抽出する。特徴量計算部は、評価基準を用いて特徴ベクトルの特徴量を計算する。類似度計算部は、特徴量と識別特徴量の類似度を計算する。識別部は、類似度を用いて目標を識別する。出力制御部は、識別結果を出力部に出力させる。
【解決手段】実施形態の識別装置は、選択部、学習部、入力受付部、特徴抽出部、特徴量計算部、類似度計算部、識別部、及び出力制御部、を備える。選択部は、各学習サンプルが複数のカテゴリのいずれかに分類される複数の学習サンプルから学習サンプルを１以上含むグループを複数選択する選択処理を複数回行う。学習部は、選択された複数のグループ毎に当該複数のグループを識別する識別基準を学習し、複数の識別基準を含む評価基準を生成する。入力受付部は、目標からのレーダエコーに基づく画像の入力を受け付ける。特徴抽出部は、画像から目標の輪郭形状の特徴を表現する特徴ベクトルを抽出する。特徴量計算部は、評価基準を用いて特徴ベクトルの特徴量を計算する。類似度計算部は、特徴量と識別特徴量の類似度を計算する。識別部は、類似度を用いて目標を識別する。出力制御部は、識別結果を出力部に出力させる。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明の実施形態は、識別装置に関する。
【背景技術】
【０００２】
従来から、未知の目標を識別する手法として、当該目標からのレーダエコーを処理して作成されるＩＳＡＲ（Inverse Synthetic Aperture Radar：逆合成開口レーダ）画像を用いた識別手法が知られている。
【０００３】
例えば、未知の船舶の種類を識別する場合、ＩＳＡＲ画像上の未知の船舶の船首と船尾を結ぶ主軸の上側に位置する艦橋や砲台などの高さを使用して当該未知の船舶の輪郭形状をベクトルで表現し、このベクトルに基づいて未知の船舶の種類を識別する手法がある。
【０００４】
しかしながら、この手法では、未知の船舶の輪郭形状を主軸からの高さを用いたベクトルで表現しているため、輪郭の凹みを表現できない場合があり、誤類別のおそれがある。例えば、艦橋から横に砲身が突き出ている場合、船舶の輪郭形状は主軸からの砲身の高さを用いたベクトルで表現されるため、砲身の下の空間が表現されず、砲身と同じ高さの構造物を載せた別の船舶と誤類別されるおそれがある。
【０００５】
ところで、例えば、輝度勾配の共起関係の組み合わせのヒストグラムなどを使用することで、凹みを始めとする複雑な輪郭形状をベクトルで表現する技術が提案されている。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開２００２−６０３４号公報
【特許文献２】特開２０１０−４４４３９号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
しかしながら、上述したような表現能力の高いベクトルは次元が高くなる傾向にある。このため、目標からのレーダエコーに基づく画像を用いた識別手法に適用した場合、ベクトルを目標識別に用いる特徴量に変換するために使用する評価基準の学習時に過学習が起き易くなってしまう。評価基準の学習時に過学習が起きてしまうと、評価基準の精度が悪化してしまうため、目標識別の精度も悪化してしまう。
【課題を解決するための手段】
【０００８】
実施形態の識別装置は、選択部と、学習部と、入力受付部と、特徴抽出部と、特徴量計算部と、類似度計算部と、識別部と、出力制御部と、を備える。選択部は、各学習サンプルが複数のカテゴリのいずれかに分類される複数の学習サンプルを記憶する学習サンプル記憶部から学習サンプルを１以上含むグループを複数選択する選択処理を複数回行う。学習部は、選択された複数のグループ毎に当該複数のグループを識別する識別基準を学習し、学習した複数の識別基準を含む評価基準を生成する。入力受付部は、目標からのレーダエコーに基づく画像の入力を受け付ける。特徴抽出部は、前記画像から前記目標の輪郭形状の特徴を表現する特徴ベクトルを抽出する。特徴量計算部は、前記評価基準を用いて、前記特徴ベクトルの特徴量を計算する。類似度計算部は、前記特徴量と識別基準となる識別特徴量との類似度を計算する。識別部は、前記類似度を用いて、前記目標を識別する。出力制御部は、識別結果を出力部に出力させる。
【図面の簡単な説明】
【０００９】
【図１】本実施形態の識別装置の構成例を示すブロック図。
【図２】本実施形態のＩＳＡＲ画像から生成した２値化画像例を示す図。
【図３】本実施形態の輝度勾配方向の共起関係を用いたベクトルの抽出手法例の説明図。
【図４】本実施形態の画像の輝度勾配方向の一部を表示した例を示す図。
【図５】本実施形態の特徴ベクトルの特徴量の計算手法例の説明図。
【図６】本実施形態の識別テーブルの例を示す図。
【図７】本実施形態の評価基準の生成手法例を示す説明図。
【図８】本実施形態の識別処理例を示すフローチャート図。
【図９】本実施形態の学習処理例を示すフローチャート図。
【図１０】本実施形態の学習サンプル格納処理例を示すフローチャート図。
【図１１】本実施形態の識別特徴量登録処理例を示すフローチャート図。
【図１２】本実施形態の識別装置のハードウェア構成例を示すブロック図。
【発明を実施するための形態】
【００１０】
図１は、本実施形態の識別装置１００の構成の一例を示すブロック図である。図１に示すように、識別装置１００は、入力部１０２と、入力受付部１０４と、目標抽出部１０６と、特徴抽出部１０８と、評価基準記憶部１１０と、特徴量計算部１１２と、識別テーブル記憶部１１４と、類似度計算部１１６と、識別部１１８と、出力制御部１２０と、出力部１２２と、学習サンプル記憶部１２４と、選択部１２６と、学習部１２８とを、備える。
【００１１】
なお入力部１０２は、例えば、画像入力用のインタフェースなどにより実現できる。また、入力受付部１０４、目標抽出部１０６、特徴抽出部１０８、特徴量計算部１１２、類似度計算部１１６、識別部１１８、出力制御部１２０、選択部１２６、及び学習部１２８は、例えば、ＣＰＵ（Central Processing Unit）などの既存の制御装置により実現できる。また、評価基準記憶部１１０、識別テーブル記憶部１１４、及び学習サンプル記憶部１２４は、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＲＯＭ（Read Only Memory）、メモリカードなどの磁気的、光学的、又は電気的に記憶可能な既存の記憶装置の少なくともいずれかにより実現できる。また、出力部１２２は、例えば、液晶ディスプレイ等の既存の表示装置により実現できる。
【００１２】
入力部１０２は、目標からのレーダエコーに基づく画像を入力する。本実施形態では、入力部１０２は、識別対象の未知の船舶からのレーダエコーを処理することによりフレーム単位で生成される時系列のＩＳＡＲ（Inverse Synthetic Aperture Radar：逆合成開口レーダ）画像を順次入力する。このＩＳＡＲ画像には、識別対象の未知の船舶が含まれている。なお入力部１０２は、船舶（広義には、目標）と関係のない背景などを予め取り除いたＩＳＡＲ画像を入力するようにしてもよい。この場合、後述の目標抽出部１０６による処理が不要となる。
【００１３】
本実施形態では、入力部１０２により入力されるＩＳＡＲ画像が、Ｄｓ（Ｄｓ≧１）次元のベクトルで表されるデータであり、ベクトルの各要素が輝度値である場合を例に取り説明する。例えば、入力部１０２により入力されるＩＳＡＲ画像Ｘは、（Ｘ１，Ｘ２，…，ＸＤｓ）で表されるものとする。但し、入力部１０２により入力される画像は、これに限定されるものではない。
【００１４】
入力受付部１０４は、入力部１０２から入力された画像の入力を受け付ける。本実施形態では、入力受付部１０４は、入力部１０２から、識別対象の未知の船舶が含まれる時系列のＩＳＡＲ画像の入力を順次受け付ける。
【００１５】
目標抽出部１０６は、入力受付部１０４により受け付けられた画像から目標を抽出する。本実施形態では、目標抽出部１０６は、入力受付部１０４により受け付けられたＩＳＡＲ画像内に含まれる未知の船舶の領域を抽出する。
【００１６】
目標抽出部１０６は、例えば、ＩＳＡＲ画像を輝度の高い領域と低い領域とに分け、輝度の高い領域を船舶の領域（広義には、目標領域）として抽出する。但し、目標の抽出手法はこれに限定されるものではない。例えば、目標抽出部１０６は、各ＩＳＡＲ画像から船舶領域の船舶の軸を検出し、検出した船舶の軸に基づいて各ＩＳＡＲ画像を正規化し、正規化した各ＩＳＡＲ画像を重畳することにより、船舶の領域を抽出するようにしてもよい。
【００１７】
特徴抽出部１０８は、入力受付部１０４により受け付けられた画像から、目標抽出部１０６により抽出された目標の輪郭形状の特徴を表現する特徴ベクトルを抽出する。具体的には、特徴抽出部１０８は、特徴ベクトルとして、輝度勾配方向の共起関係を用いたベクトルを抽出する。本実施形態では、特徴抽出部１０８は、入力受付部１０４により受け付けられたＩＳＡＲ画像から、目標抽出部１０６により抽出された未知の船舶の領域の輪郭形状の特徴を表現する特徴ベクトルとして、輝度勾配方向の共起関係を用いたベクトルを抽出する。
【００１８】
図２は、ＩＳＡＲ画像から生成した２値化画像の一例を示す図である。図３は、輝度勾配方向の共起関係を用いたベクトルの抽出手法の一例の説明図である。図４は、船舶の輝度勾配方向の一部を表示した例を示す図である。
【００１９】
特徴抽出部１０８は、例えば、ＩＳＡＲ画像から、船舶の領域の画素を１、船舶の領域以外の画素を０とした２値化画像を生成し（図２参照）、生成した２値化画像を小領域に分割し（図３左図参照）、分割した小領域毎に次の処理を行う。具体的には、特徴抽出部１０８は、小領域中の各ピクセルの輝度勾配を計算し、計算した輝度勾配の中から予め定めたオフセット毎に当該オフセットを持つ２つの輝度勾配のペアの出現頻度を計算する（図３中央図参照）。そして特徴抽出部１０８は、オフセット及び輝度勾配のペア毎の出現頻度を並べることにより（図３右図参照）、輝度勾配方向の共起関係を用いたベクトル、即ち、特徴ベクトルを抽出する（図４参照）。図４に示す例では、艦橋から横に砲身が突き出ているが、砲身の下の空間も表現できている。なお、特徴抽出部１０８は、２値化画像の代わりに、ＩＳＡＲ画像から、船舶の領域の画素の輝度をそのままとし、船舶の領域以外の画素の輝度を０とした画像を生成してもよい。この画像からでも上記と同様の手法で輝度勾配方向の共起関係を用いたベクトルを抽出できる。
【００２０】
評価基準記憶部１１０は、後述の選択部１２６及び学習部１２８により生成される評価基準を記憶する。本実施形態では、評価基準記憶部１１０は、識別器Ｆｉ（ｘ）（１≦ｉ≦Ｎ（Ｎ≧２））を有する評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝を記憶する。
【００２１】
特徴量計算部１１２は、評価基準記憶部１１０に記憶されている評価基準を用いて、特徴抽出部１０８により抽出された特徴ベクトルの特徴量を計算する。
【００２２】
本実施形態では、評価基準記憶部１１０に記憶されている評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝に含まれるそれぞれの識別器Ｆｉ（ｘ）が、特徴ベクトルに対し、数式（１）に示すように評価値ｓｉを返却するものとする。ここで、後述の学習部１２８により、いずれの学習手法を用いて識別器Ｆｉ（ｘ）が学習された場合であっても、識別器Ｆｉ（ｘ）の出力は、識別対象のグループに属する尤度などとして表されるため、数式（１）を満たす。
【００２３】
Ｆｉ（Ｘ）＝ｓｉ …（１）
【００２４】
なお本実施形態では、評価値ｓｉがスカラー量である場合を例に取り説明するが、これに限定されるものではなく、例えば、複数の要素を持つベクトルであってもよい。また、後述する内容は、評価値ｓｉがベクトルであっても同様に適用できる。例えば、後述の学習部１２８により、３個以上のグループを識別する学習手法を用いて識別器Ｆｉ（ｘ）が学習された場合、識別器Ｆｉ（ｘ）の出力は、識別対象のグループに含まれる各カテゴリに帰属する尤度を要素に持つようなベクトルとなる。
【００２５】
図５は、特徴ベクトルＹの特徴量ｖ（Ｙ）の計算手法の一例の説明図である。特徴量計算部１１２は、図５に示すように、特徴抽出部１０８により抽出された特徴ベクトルＹを評価基準記憶部１１０に記憶されている評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝に適用して、評価値ｓｉを取得し、取得した評価値ｓｉから特徴ベクトルＹの特徴量ｖ（Ｙ）を計算する。本実施形態では、特徴量計算部１１２は、図５及び数式（２）に示すように、全ての評価値ｓｉを１つに並べることで特徴ベクトルＹの特徴量ｖ（Ｙ）を計算する。
【００２６】
ｖ（Ｙ）＝（ｓ１，ｓ２，…，ｓＮ） …（２）
【００２７】
例えば、識別器Ｆｉ（ｘ）が２つのクラスを判別し、評価値ｓｉとして０又は１を出力する関数であるとする。この場合、特徴量計算部１１２は、特徴抽出部１０８により抽出された特徴ベクトルＹの特徴量を、例えば、ｖ（Ｙ）＝（１，１，０，１，０，…，１）のように、０と１との組み合わせで表現されたベクトルとして計算する。また特徴量計算部１１２は、特徴抽出部１０８により抽出された特徴ベクトルＹ’（Ｙ’≠Ｙ）の特徴量を計算すると、例えば、ｖ（Ｙ’）＝（０，１，１，１，０，…，０）のように、やはり０と１との組み合わせで表現されたベクトルとして計算するが、計算した特徴量は特徴ベクトルＹの特徴量と異なるものになる。つまり、この例では、０と１との組み合わせで表現されたベクトルが、ＩＳＡＲ画像に含まれる船舶が有する固有の特徴量となり、船舶の識別に有効な特徴量となる。なお、識別器Ｆｉ（ｘ）が２つ以上のクラスを判別し、評価値ｓｉとして０及び１以外の実数を出力する関数である場合であっても、上記と同様である。
【００２８】
但し、特徴量の計算手法は上述の手法に限定されるものではなく、取得した評価値ｓｉをどのように用いて特徴量を計算しても構わない。
【００２９】
なお、評価値ｓｉがベクトルの場合、特徴ベクトルＹの特徴量ｖ（Ｙ）は、評価値ｓｉが持つ各要素を並べたものとなる。つまり、評価値ｓｉの次元数をｄｉとすると、特徴ベクトルＹの特徴量ｖ（Ｙ）の次元数Ｄは、次元数ｄｉの総和となる（Ｄ＝ｄ１＋…＋ｄＮ）。なお、各評価値ｓｉの次元数ｄｉは、全て同じ値でもよいし、それぞれ異なっていてもよい。
【００３０】
また、特徴量計算部１１２は、特徴量ｖ（Ｙ）を評価値ｓｉのヒストグラムとして計算するようにしてもよい。具体的には、特徴量計算部１１２は、評価値ｓｉを離散化（必要なら要素毎に）しておき、その値に該当するビンに対して投票することでヒストグラム特徴量ｖ（Ｙ）を計算することができる。
【００３１】
なお、評価値ｓｉがベクトルの場合、特徴量計算部１１２は、次元数ｄｉのヒストグラムとすることでヒストグラム特徴量ｖ（Ｙ）を計算することができる。また、スカラー量とベクトルのように次元数の異なる評価値ｓｉが混在している場合、特徴量計算部１１２は、同種の評価値ｓｉ毎にヒストグラム特徴量を計算しておき、計算したヒストグラム特徴量を１つのベクトルとして並べることでヒストグラム特徴量ｖ（Ｙ）を計算することができる。
【００３２】
また、特徴量計算部１１２は、評価値ｓｉを１つに並べてベクトル化した特徴量と、評価値ｓｉをヒストグラム化したヒストグラム特徴量とを、更に１つのベクトルとして並べる（連結する）ことで特徴量ｖ（Ｙ）を計算するようにしてもよい。また、特徴量計算部１１２は、評価値ｓｉに非線形な変換を施して特徴量を計算するようにしてもよい。また、特徴量計算部１１２は、計算した特徴量に対して、平均を０にしたり、２乗平均を１にしたりするなどの正規化を行うようにしてもよい。
【００３３】
識別テーブル記憶部１１４は、識別基準となる各識別特徴量にカテゴリを対応付けた識別テーブルを記憶する。ここで、カテゴリとは、目標を識別する際の種類を表し、目標が船舶の場合には、船舶の名称、種類、又は大きさなどが該当する。識別特徴量及びカテゴリの組は、予め識別テーブルに登録されていてもよい。また、特徴量計算部１１２が、既知の船舶が含まれるＩＳＡＲ画像から抽出された特徴ベクトルの特徴量を計算し、計算した特徴量を識別特徴量として、既知の船舶が属するカテゴリに対応付けて識別テーブルに登録するようにしてもよい。
【００３４】
図６は、識別テーブルの一例を示す図である。図６に示す例では、カテゴリＡとカテゴリＡに属するか否かの識別基準となる識別特徴量ｖ’（Ａ）＝（ａ１，ａ２，…，ａＮ）が対応付けられており、カテゴリＢとカテゴリＢに属するか否かの識別基準となる識別特徴量ｖ’（Ｂ）＝（ｂ１，ｂ２，…，ｂＮ）が対応付けられている。
【００３５】
類似度計算部１１６は、特徴量計算部１１２により計算された特徴量と識別テーブル記憶部１１４に記憶されている識別特徴量との類似度を計算する。本実施形態では、類似度計算部１１６は、数式（３）を用いて、特徴量計算部１１２により計算された特徴量ｖ（Ｙ）と識別テーブル記憶部１１４に記憶されている各識別特徴量（識別特徴量ｖ’（Ａ）及び識別特徴量ｖ’（Ｂ）など）との類似度を計算する。
【００３６】
Ｌ＝（α，β）／｜｜α｜｜｜｜β｜｜ …（３）
【００３７】
ここで、数式（３）は、ベクトルαとベクトルβとの単純類似度を計算する数式である。（α，β）は、ベクトルαとベクトルβとの内積を示し、｜｜α｜｜、｜｜β｜｜は、それぞれベクトルα、ベクトルβのノルムを示す。例えば、特徴量ｖ（Ｙ）と識別特徴量ｖ’（Ａ）との類似度Ｌは、数式（３）より、Ｌ＝（ｖ（Ｙ），ｖ’（Ａ））／｜｜ｖ（Ｙ）｜｜｜｜ｖ’（Ａ）｜｜となる。
【００３８】
なお、類似度計算部１１６は、ベクトル間の距離を計算する数式（４）又は数式（５）を用いて、特徴量計算部１１２により計算された特徴量ｖ（Ｙ）と識別テーブル記憶部１１４に記憶されている各識別特徴量（識別特徴量ｖ’（Ａ）及び識別特徴量ｖ’（Ｂ）など）との類似度を計算するようにしてもよい。
【００３９】
【数１】
【００４０】
【数２】
【００４１】
識別部１１８は、類似度計算部１１６により計算された類似度を用いて、目標を識別する。具体的には、識別部１１８は、類似度計算部１１６により計算された類似度を用いて、画像に含まれる未知の目標を同定するか、又は未知の目標が属する複数の候補を特定する。本実施形態では、識別部１１８は、識別テーブル記憶部１１４に記憶されている識別テーブルから、類似度計算部１１６により計算された類似度Ｌの値が大きい順、即ち、類似度の高い順に所定数の識別特徴量を選択する。そして識別部１１８は、選択した所定数の識別特徴量に対応するカテゴリの少なくともいずれかに、ＩＳＡＲ画像に含まれる船舶が属すると識別する。なお識別部１１８は、識別テーブル記憶部１１４に記憶されている識別テーブルから、類似度計算部１１６により計算された類似度Ｌが閾値を超えた識別特徴量のうち類似度の高い順に所定数の識別特徴量を選択するようにしてもよい。
【００４２】
また、類似度計算部１１６が、ベクトル間の距離を計算する数式（４）又は数式（５）を用いて類似度Ｌを計算した場合、ベクトル間の距離が短いほど、即ち、類似度Ｌの値が小さいほど類似度が高くなる。この場合であれば、識別部１１８は、識別テーブル記憶部１１４に記憶されている識別テーブルから、類似度計算部１１６により計算された類似度Ｌの値が小さい順に所定数の識別特徴量を選択する。なお、識別部１１８は、識別テーブル記憶部１１４に記憶されている識別テーブルから、類似度計算部１１６により計算された類似度Ｌが閾値よりも小さい識別特徴量のうち類似度Ｌの値が小さい順に所定数の識別特徴量を選択するようにしてもよい。
【００４３】
出力制御部１２０は、識別部１１８の識別結果を出力部１２２に出力させる。本実施形態では、出力制御部１２０は、識別部１１８によりＩＳＡＲ画像に含まれる船舶が少なくともいずれかに属すると識別されたカテゴリを出力部１２２に出力させる。
【００４４】
出力部１２２は、出力制御部１２０により制御され、識別部１１８の識別結果を出力する。
【００４５】
学習サンプル記憶部１２４は、各学習サンプルが複数のカテゴリのいずれかに分類される複数の学習サンプルを記憶する。本実施形態では、学習サンプルが、船舶の領域の輪郭形状の特徴を表現する特徴ベクトルの特徴量である場合を例に取り説明するが、学習サンプルはこれに限定されるものではない。特徴量（広義には、学習サンプル）は、予め学習サンプル記憶部１２４に記憶されていてもよい。また、特徴量計算部１１２が、船舶が含まれるＩＳＡＲ画像から抽出された特徴ベクトルの特徴量を計算し、計算した特徴量を学習サンプル記憶部１２４に記憶するようにしてもよい。
【００４６】
本実施形態では、学習サンプル記憶部１２４は、Ｍ（Ｍ≧２）個の特徴量を記憶している。なお、特徴量のカテゴリはＣ（Ｃ≧２）用意され、Ｍ個の特徴量はカテゴリ毎にＭｈ（１≦ｈ≦Ｃ）個の特徴量に分類されるものとする。つまり、Ｍ＝Ｍ１＋…＋ＭＣとなる。ここで、カテゴリは、前述したように、目標を識別する際の種類を表し、目標が船舶の場合には、船舶の名称、種類、又は大きさなどが該当する。つまり、Ｍ個の特徴量の中に種類αの船舶の特徴量と種類βの船舶の特徴量と種類γの船舶の特徴量との計３種類の船舶の特徴量が含まれていれば、Ｃ＝３となる。
【００４７】
選択部１２６は、学習サンプル記憶部１２４から学習サンプルを１以上含むグループを複数選択する選択処理を複数回行う。特に選択部１２６は、選択する複数のグループのそれぞれに含まれる学習サンプルのカテゴリ数又はサンプル数が略同数となるように、当該複数のグループを選択する。具体的には、選択部１２６は、選択する複数のグループのそれぞれに含まれる学習サンプルのカテゴリ数又はサンプル数のグループ間の差が予め定められた範囲内に収まるように、当該複数のグループを選択する。なお本実施形態では、選択部１２６が、学習サンプル記憶部１２４から学習サンプルを無作為に選択（ランダムサンプリング）するものとする。これにより、選択部１２６により選択される複数のグループに含まれる学習サンプルのカテゴリは、選択部１２６の選択処理毎に異なることが期待できる。但し、学習サンプルの選択手法はこれに限定されるものではなく、選択する複数のグループに含まれる学習サンプルのカテゴリが選択処理毎に異なることが期待できれば、どのような選択基準で選択してもよい。
【００４８】
本実施形態では、選択部１２６は、学習サンプル記憶部１２４から、各グループが特徴量を１個以上含むようにＫ（Ｋ＝２）個のグループを無作為に選択する選択処理をＮ（Ｎ≧２）回行う。特に選択部１２６は、選択処理を行う際、Ｋ個のグループのそれぞれに含まれる特徴量のカテゴリ数が同数となるように、Ｋ個のグループを無作為に選択する。なお、Ｋの値は２以上であってもよい。
【００４９】
このため選択部１２６は、学習サンプル記憶部１２４から特徴量を完全に無作為に選択するのではなく、カテゴリの特徴量の個数に応じて重み付けを行ってＫ個のグループ間の特徴量の個数の差を小さくするように調整したり、カテゴリの特徴量の個数に関わらずある一定の個数の特徴量を抽出するようにしたりしてもよい。なお、特徴量の個数を一定にする場合、選択部１２６は、さらに単純にカテゴリから特徴量を無作為に選択するようにしてもよいし、学習サンプルとしてまだ選択されていない未選択の特徴量をカテゴリから優先的に選択するようにしてもよい。
【００５０】
学習部１２８は、選択部１２６により選択された複数のグループ毎に当該複数のグループを識別する識別基準を学習し、学習した複数の識別基準を含む評価基準を生成する。本実施形態では、学習部１２８は、選択部１２６により選択されたＫ個のグループ毎に当該Ｋ個のグループを識別する識別器Ｆｉ（ｘ）（１≦ｉ≦Ｎ）を学習し、学習したＮ個の識別器を含む評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝を生成し、評価基準記憶部１１０に記憶する。
【００５１】
学習部１２８により生成された評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝は、ＩＳＡＲ画像内に含まれる船舶の識別に用いられる。具体的には、評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝に含まれるＮ個の識別器Ｆｉ（ｘ）のそれぞれが、識別対象のＩＳＡＲ画像（詳細には、ＩＳＡＲ画像内に含まれる船舶）に対する評価値を出力する。評価値は、例えば、識別器が予め学習したいずれのクラスに属するかを示す尤度やクラス番号などが該当する。そして、出力された複数の評価値がＩＳＡＲ画像内に含まれる船舶の特徴量として利用されることにより、船舶の識別に用いられる。
【００５２】
本実施形態では、学習部１２８は、サポートベクターマシンにより、Ｋ個のグループを識別する識別器Ｆｉ（ｘ）を学習する。サポートベクターマシンは、２クラスのパターン識別器を構成する手法である。サンプルから、各データとの距離が最大となる分離平面を求め、マージンを最大化するという基準で学習する。但し、識別器の学習手法はこれに限定されるものではなく、既存の学習手法を用いることができる。例えば、学習部１２８は、ブースティングなどの学習手法を用いることができる。また例えば、選択部１２６により選択された３個のグループを識別する識別器を学習する場合であれば、学習部１２８は、ｋ近傍識別器、ベイズ分類、又はニューラルネットワークなどの学習手法を用いることができる。
【００５３】
図７は、評価基準の生成手法の一例を示す説明図である。なお、図７に示す例では、Ｓ１〜ＳＭ（Ｍ≧１１）が、学習サンプル（特徴量）を示し、Ｃ＝Ｍであるものとする。つまり、図７に示す例では、全ての学習サンプルのカテゴリが異なるものとする。また、図７に示す例では、Ｋ＝２であるものとする。つまり、図７に示す例では、選択部１２６は、各グループに含まれる学習サンプルのカテゴリ数が２となるように、即ち、Ｃ＝Ｍであるため、各グループに含まれる学習サンプル数が２となるように、２個のグループを選択する。
【００５４】
図７に示す例では、選択部１２６は、１回目の選択処理で、学習サンプルＳ１及びＳ５を含むグループ１５１ａと、学習サンプルＳ２及びＳ７を含むグループ１５１ｂとを、選択している。また、選択部１２６は、２回目の選択処理で、学習サンプルＳ３及びＳ８を含むグループ１５２ａと、学習サンプルＳ１０及びＳＭを含むグループ１５２ｂとを、選択している。また、選択部１２６は、Ｎ回目の選択処理で、学習サンプルＳ４及びＳ９を含むグループ１５３ａと、学習サンプルＳ６及びＳ７を含むグループ１５３ｂとを、選択している。
【００５５】
また、学習部１２８は、選択部１２６により１回目の選択処理で選択されたグループ１５１ａとグループ１５１ｂとを識別する識別器Ｆ１（ｘ）を学習している。また、学習部１２８は、選択部１２６により２回目の選択処理で選択されたグループ１５２ａとグループ１５２ｂとを識別する識別器Ｆ２（ｘ）を学習している。また、学習部１２８は、選択部１２６によりＮ回目の選択処理で選択されたグループ１５３ａとグループ１５３ｂとを識別する識別器ＦＮ（ｘ）を学習している。これにより、学習部１２８は、学習したＮ個の識別器を含む評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝を生成する。
【００５６】
図８は、本実施形態の識別装置１００で行われる識別処理の手順の流れの一例を示すフローチャート図である。
【００５７】
まず、入力受付部１０４は、入力部１０２から、識別対象の未知の船舶が含まれるＩＳＡＲ画像の入力を受け付ける（ステップＳ１００）。
【００５８】
続いて、目標抽出部１０６は、入力受付部１０４により受け付けられたＩＳＡＲ画像から未知の船舶を抽出する（ステップＳ１０２）。
【００５９】
続いて、特徴抽出部１０８は、入力受付部１０４により受け付けられたＩＳＡＲ画像から、目標抽出部１０６により抽出された未知の船舶の輪郭形状の特徴を表現する特徴ベクトル（輝度勾配方向の共起関係を用いたベクトル）を抽出する（ステップＳ１０４）。
【００６０】
続いて、特徴量計算部１１２は、評価基準記憶部１１０に記憶されている評価基準を用いて、特徴抽出部１０８により抽出された特徴ベクトルの特徴量を計算する（ステップＳ１０６）。
【００６１】
続いて、類似度計算部１１６は、特徴量計算部１１２により計算された特徴量と識別テーブル記憶部１１４に記憶されている各識別特徴量との類似度を計算する（ステップＳ１０８）。
【００６２】
続いて、識別部１１８は、識別テーブル記憶部１１４に記憶されている識別テーブルから、類似度計算部１１６により計算された類似度が上位の識別特徴量を選択し、選択した識別特徴量に対応するカテゴリの少なくともいずれかに、ＩＳＡＲ画像に含まれる船舶が分類されると識別する（ステップＳ１１０）。
【００６３】
続いて、出力制御部１２０は、識別部１１８の識別結果、即ち、識別部１１８によりＩＳＡＲ画像に含まれる船舶が少なくともいずれかに分類されると識別されたカテゴリを出力部１２２に出力させる（ステップＳ１１２）。
【００６４】
図９は、本実施形態の識別装置１００で行われる学習処理の手順の流れの一例を示すフローチャート図である。
【００６５】
まず、選択部１２６は、学習サンプル記憶部１２４から、それぞれ特徴量を１つ以上含む２つのグループを選択する（ステップＳ２００）。この際、選択部１２６は、選択する２つのグループのそれぞれに含まれる特徴量のカテゴリ数のグループ間の差が予め定められた範囲内に収まるように、当該２つのグループを選択する。
【００６６】
続いて、学習部１２８は、選択部１２６により選択された２つのグループを識別する識別基準を学習する（ステップＳ２０２）。
【００６７】
続いて、選択部１２６は、例えば、選択がＮ回行われていない場合には、選択を続行すると判定し（ステップＳ２０４でＹｅｓ）、ステップＳ２００に戻り、選択がＮ回行われている場合には、選択を続行しないと判定し（ステップＳ２０４でＮｏ）、ステップＳ２０６へ進む。
【００６８】
続いて、学習部１２８は、ステップＳ２０２で学習した複数の識別基準を含む評価基準を生成し、評価基準記憶部１１０に格納する（ステップＳ２０６）。
【００６９】
図１０は、本実施形態の識別装置１００で行われる学習サンプル格納処理の手順の流れの一例を示すフローチャート図である。なお、学習サンプル格納処理は、図８の識別処理中に行ってもよいし、図８の識別処理と別々に行ってもよい。
【００７０】
まず、ステップＳ３００〜Ｓ３０６までの処理は、図８のフローチャートのステップＳ１００〜Ｓ１０６までの処理と同様である。
【００７１】
ステップＳ３０７では、特徴量計算部１１２は、計算した特徴量を学習サンプルとして学習サンプル記憶部１２４に格納する。
【００７２】
図１１は、本実施形態の識別装置１００で行われる識別特徴量登録処理の手順の流れの一例を示すフローチャート図である。
【００７３】
まず、入力受付部１０４は、入力部１０２から、既知の船舶が含まれるＩＳＡＲ画像の入力を受け付ける（ステップＳ４００）。
【００７４】
続いて、目標抽出部１０６は、入力受付部１０４により受け付けられたＩＳＡＲ画像から既知の船舶を抽出する（ステップＳ４０２）。
【００７５】
続いて、特徴抽出部１０８は、入力受付部１０４により受け付けられたＩＳＡＲ画像から、目標抽出部１０６により抽出された既知の船舶の輪郭形状の特徴を表現する特徴ベクトル（輝度勾配方向の共起関係を用いたベクトル）を抽出する（ステップＳ４０４）。
【００７６】
続いて、特徴量計算部１１２は、評価基準記憶部１１０に記憶されている評価基準を用いて、特徴抽出部１０８により抽出された特徴ベクトルの特徴量を計算する（ステップＳ４０６）。
【００７７】
続いて、特徴量計算部１１２は、計算した特徴量を、既知の船舶が属するカテゴリの識別特徴量として、当該カテゴリに対応付けて識別テーブルに登録する（ステップＳ４０７）。
【００７８】
図１２は、本実施形態の識別装置１００のハードウェア構成の一例を示すブロック図である。図１２に示すように、本実施形態の識別装置１００は、ＣＰＵ９０２と、ＩＳＡＲ画像に含まれる未知の船舶を識別するための識別プログラムなどを記憶するＲＯＭ９０４と、ＲＡＭ９０６と、評価基準や識別テーブルなどを記憶するＨＤＤ９０８と、ＨＤＤ９０８とのインタフェースであるＩ／Ｆ９１０と、ＩＳＡＲ画像入力用のインタフェースであるＩ／Ｆ９１２と、マウスやキーボードなどの入力装置９１４と、入力装置９１４とのインタフェースであるＩ／Ｆ９１６と、ディスプレイなどの表示装置９１８と、表示装置９１８とのインタフェースであるＩ／Ｆ９２０と、バス９２２とを、備えており、通常のコンピュータを利用したハードウェア構成となっている。なおＣＰＵ９０２、ＲＯＭ９０４、ＲＡＭ９０６、Ｉ／Ｆ９１０、Ｉ／Ｆ９１２、Ｉ／Ｆ９１６、及びＩ／Ｆ９２０は、バス９２２を介して互いに接続されている。
【００７９】
識別装置１００では、ＣＰＵ９０２が、ＲＯＭ９０４から識別プログラムをＲＡＭ９０６上に読み出して実行することにより、上記各部（入力受付部、目標抽出部、特徴抽出部、特徴量計算部、類似度計算部、識別部、出力制御部など）がコンピュータ上で実現され、ＨＤＤ９０８に記憶されている評価基準や識別テーブルなどを用いて、Ｉ／Ｆ９１２から入力されるＩＳＡＲ画像に含まれる未知の船舶を識別する。
【００８０】
なお、識別プログラムはＨＤＤ９０８に記憶されていてもよい。また、識別プログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、ＣＤ−Ｒ、メモリカード、ＤＶＤ、フレキシブルディスク（ＦＤ）等のコンピュータで読み取り可能な記憶媒体に記憶されて提供されるようにしてもよい。また、識別プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するようにしてもよい。また、識別プログラムを、インターネット等のネットワーク経由で提供または配布するようにしてもよい。また、評価基準や識別テーブルは、ＲＯＭ９０４に記憶されていてもよい。また、ＩＳＡＲ画像をＨＤＤ９０８に記憶しておき、Ｉ／Ｆ９１０からＩＳＡＲ画像を入力するようにしてもよい。
【００８１】
以上のように、本実施形態の識別装置１００では、複数のグループ毎に、当該複数のグループを識別する識別基準、即ち各グループに含まれる学習サンプルのカテゴリ又はカテゴリの組み合わせをグループ間で識別する識別基準を学習する。そして本実施形態の識別装置１００では、複数のグループの選択、即ち、各グループに含まれる学習サンプルのカテゴリ又はカテゴリの組み合わせの選択は、選択部１２６により自動的に行われる。このため、本実施形態の識別装置１００によれば、人間が識別基準を教示する必要がなく、識別基準の学習に伴うコストを削減することができる。
【００８２】
また本実施形態の識別装置１００では、グループの組み合わせ数、即ち、グループに含まれる学習サンプルのカテゴリ又はカテゴリの組み合わせのグループ間の組み合わせ数は、膨大な数になる傾向にある。このため、本実施形態の識別装置１００によれば、上限にとらわれず、必要なだけ識別基準を学習して、評価基準を生成することができる。また、多くの識別基準を用いることで、過学習が原因で発生する誤認識を分散させ、その影響を抑えることができる。特に本実施形態の識別装置１００では、過学習が生じにくいサポートベクターマシンを用いて識別基準を学習する場合を例示しており、この場合、過学習が生じる可能性をより低くすることができる。
【００８３】
また本実施形態の識別装置１００では、選択部１２６は、選択する複数のグループのそれぞれに含まれる学習サンプルのカテゴリ数又はサンプル数のグループ間の差が予め定められた範囲内に収まるように、当該複数のグループを無作為に選択する。つまり本実施形態の識別装置１００では、識別対象の複数のグループのそれぞれを無作為かつ均等な分布を有するように選択する。このようにして選択された複数のグループを識別するように学習された識別基準は、識別対象の目標の特徴量に対する評価値、即ち、学習に用いた複数のグループのいずれに属すると判定されるかが完全にランダムとなる。
【００８４】
従って、例えば、２つの目標それぞれの特徴量に同一の識別基準を用いると、２つの目標が同一である場合は、評価値の値が同一となること、即ち、両目標が識別対象の複数のグループのうちのいずれかのグループに類似することが期待できる。一方、２つの目標が異なる場合は、評価値の値がどのような値となるかは不定、即ち、無相関となる。ここで、互いに異なる２つの目標それぞれの特徴量に対する評価値が無相関であるということは、例えば、目標識別を行う際の類似度計算に正規化相関などを利用した場合、類似度がゼロになるということを示す。
【００８５】
つまり、本実施形態の識別装置１００では、選択する複数のグループのそれぞれに含まれる学習サンプルのカテゴリ数又はサンプル数のグループ間の差が予め定められた範囲内に収まるように、当該複数のグループを無作為に選択することにより、この複数のグループを識別する識別基準には、異なる目標の類似度を分離するような変換が、組み込まれているという特徴を持つ。
【００８６】
従って、本実施形態の識別装置１００によれば、画像に含まれる目標を識別するために有効、即ち、目標識別の識別精度において好適な識別基準を含む評価基準を学習サンプルから効率的かつ高速に学習することができる。
【００８７】
そして本実施形態の識別装置１００では、このような評価基準を用いて、ＩＳＡＲ画像に含まれる未知の船舶の輪郭形状の特徴を表現する特徴ベクトルを特徴量に変換するため、特徴ベクトルが輝度勾配方向の共起関係を用いたベクトルなど高次元のベクトルであったとしても、精度のよい特徴量に変換でき、目標の識別精度を高くすることができる。
【００８８】
また本実施形態の識別装置１００では、評価基準を効率的かつ高速に学習することができるため、評価基準を用いて計算した特徴量を更に学習サンプルとして用いて評価基準の学習を再帰的に行うことも容易に実現でき、評価基準の性能を更に高めることができる。
【００８９】
特に本実施形態では、ベクトルの次元の大きさではなくサンプル数に応じて学習にかかる時間が決まるサポートベクターマシンを用いて識別基準を学習しているため、評価基準をより高速に学習することができる。
【００９０】
以上のように本実施形態によれば、目標の識別精度を高くすることができる。
【００９１】
なお、本発明は、上記実施の形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化することができる。また、上記実施の形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成することができる。例えば、実施の形態に示される全構成要素からいくつかの構成要素を削除してもよい。さらに、異なる実施の形態にわたる構成要素を適宜組み合わせても良い。
【００９２】
例えば、上記実施形態のフローチャートにおける各ステップを、その性質に反しない限り、実行順序を変更し、複数同時に実施し、あるいは実施毎に異なった順序で実施してもよい。
【００９３】
また例えば、上記実施形態では、識別装置が識別処理と学習処理の両処理を行う例について説明したが、識別処理、学習処理を、別々の装置で行うようにしてもよい。例えば、識別処理、学習処理を、それぞれ識別装置、学習装置が行うようにしてもよい。この場合、学習装置で生成した評価基準を識別装置に格納しておけばよい。
【００９４】
また例えば、上記実施形態では、学習サンプルが、船舶の領域の輪郭形状の特徴を表現する特徴ベクトルの特徴量である場合を例に取り説明したが、学習サンプルは、船舶が含まれるＩＳＡＲ画像であってもよい。この場合、選択部が、選択したＩＳＡＲ画像を後に、選択したＩＳＡＲ画像に含まれる目標の特徴ベクトルを抽出し、抽出した特徴ベクトルを特徴量に変換し、学習部が、変換された特徴量を用いて学習すればよい。
【符号の説明】
【００９５】
１００ 識別装置
１０２ 入力部
１０４ 入力受付部
１０６ 目標抽出部
１０８ 特徴抽出部
１１０ 評価基準記憶部
１１２ 特徴量計算部
１１４ 識別テーブル記憶部
１１６ 類似度計算部
１１８ 識別部
１２０ 出力制御部
１２２ 出力部
１２４ 学習サンプル記憶部
１２６ 選択部
１２８ 学習部
９０２ ＣＰＵ
９０４ ＲＯＭ
９０６ ＲＡＭ
９０８ ＨＤＤ
９１０ Ｉ／Ｆ
９１２ Ｉ／Ｆ
９１４ 入力装置
９１６ Ｉ／Ｆ
９１８ 表示装置
９２０ Ｉ／Ｆ
９２２ バス
【技術分野】
【０００１】
本発明の実施形態は、識別装置に関する。
【背景技術】
【０００２】
従来から、未知の目標を識別する手法として、当該目標からのレーダエコーを処理して作成されるＩＳＡＲ（Inverse Synthetic Aperture Radar：逆合成開口レーダ）画像を用いた識別手法が知られている。
【０００３】
例えば、未知の船舶の種類を識別する場合、ＩＳＡＲ画像上の未知の船舶の船首と船尾を結ぶ主軸の上側に位置する艦橋や砲台などの高さを使用して当該未知の船舶の輪郭形状をベクトルで表現し、このベクトルに基づいて未知の船舶の種類を識別する手法がある。
【０００４】
しかしながら、この手法では、未知の船舶の輪郭形状を主軸からの高さを用いたベクトルで表現しているため、輪郭の凹みを表現できない場合があり、誤類別のおそれがある。例えば、艦橋から横に砲身が突き出ている場合、船舶の輪郭形状は主軸からの砲身の高さを用いたベクトルで表現されるため、砲身の下の空間が表現されず、砲身と同じ高さの構造物を載せた別の船舶と誤類別されるおそれがある。
【０００５】
ところで、例えば、輝度勾配の共起関係の組み合わせのヒストグラムなどを使用することで、凹みを始めとする複雑な輪郭形状をベクトルで表現する技術が提案されている。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開２００２−６０３４号公報
【特許文献２】特開２０１０−４４４３９号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
しかしながら、上述したような表現能力の高いベクトルは次元が高くなる傾向にある。このため、目標からのレーダエコーに基づく画像を用いた識別手法に適用した場合、ベクトルを目標識別に用いる特徴量に変換するために使用する評価基準の学習時に過学習が起き易くなってしまう。評価基準の学習時に過学習が起きてしまうと、評価基準の精度が悪化してしまうため、目標識別の精度も悪化してしまう。
【課題を解決するための手段】
【０００８】
実施形態の識別装置は、選択部と、学習部と、入力受付部と、特徴抽出部と、特徴量計算部と、類似度計算部と、識別部と、出力制御部と、を備える。選択部は、各学習サンプルが複数のカテゴリのいずれかに分類される複数の学習サンプルを記憶する学習サンプル記憶部から学習サンプルを１以上含むグループを複数選択する選択処理を複数回行う。学習部は、選択された複数のグループ毎に当該複数のグループを識別する識別基準を学習し、学習した複数の識別基準を含む評価基準を生成する。入力受付部は、目標からのレーダエコーに基づく画像の入力を受け付ける。特徴抽出部は、前記画像から前記目標の輪郭形状の特徴を表現する特徴ベクトルを抽出する。特徴量計算部は、前記評価基準を用いて、前記特徴ベクトルの特徴量を計算する。類似度計算部は、前記特徴量と識別基準となる識別特徴量との類似度を計算する。識別部は、前記類似度を用いて、前記目標を識別する。出力制御部は、識別結果を出力部に出力させる。
【図面の簡単な説明】
【０００９】
【図１】本実施形態の識別装置の構成例を示すブロック図。
【図２】本実施形態のＩＳＡＲ画像から生成した２値化画像例を示す図。
【図３】本実施形態の輝度勾配方向の共起関係を用いたベクトルの抽出手法例の説明図。
【図４】本実施形態の画像の輝度勾配方向の一部を表示した例を示す図。
【図５】本実施形態の特徴ベクトルの特徴量の計算手法例の説明図。
【図６】本実施形態の識別テーブルの例を示す図。
【図７】本実施形態の評価基準の生成手法例を示す説明図。
【図８】本実施形態の識別処理例を示すフローチャート図。
【図９】本実施形態の学習処理例を示すフローチャート図。
【図１０】本実施形態の学習サンプル格納処理例を示すフローチャート図。
【図１１】本実施形態の識別特徴量登録処理例を示すフローチャート図。
【図１２】本実施形態の識別装置のハードウェア構成例を示すブロック図。
【発明を実施するための形態】
【００１０】
図１は、本実施形態の識別装置１００の構成の一例を示すブロック図である。図１に示すように、識別装置１００は、入力部１０２と、入力受付部１０４と、目標抽出部１０６と、特徴抽出部１０８と、評価基準記憶部１１０と、特徴量計算部１１２と、識別テーブル記憶部１１４と、類似度計算部１１６と、識別部１１８と、出力制御部１２０と、出力部１２２と、学習サンプル記憶部１２４と、選択部１２６と、学習部１２８とを、備える。
【００１１】
なお入力部１０２は、例えば、画像入力用のインタフェースなどにより実現できる。また、入力受付部１０４、目標抽出部１０６、特徴抽出部１０８、特徴量計算部１１２、類似度計算部１１６、識別部１１８、出力制御部１２０、選択部１２６、及び学習部１２８は、例えば、ＣＰＵ（Central Processing Unit）などの既存の制御装置により実現できる。また、評価基準記憶部１１０、識別テーブル記憶部１１４、及び学習サンプル記憶部１２４は、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＲＯＭ（Read Only Memory）、メモリカードなどの磁気的、光学的、又は電気的に記憶可能な既存の記憶装置の少なくともいずれかにより実現できる。また、出力部１２２は、例えば、液晶ディスプレイ等の既存の表示装置により実現できる。
【００１２】
入力部１０２は、目標からのレーダエコーに基づく画像を入力する。本実施形態では、入力部１０２は、識別対象の未知の船舶からのレーダエコーを処理することによりフレーム単位で生成される時系列のＩＳＡＲ（Inverse Synthetic Aperture Radar：逆合成開口レーダ）画像を順次入力する。このＩＳＡＲ画像には、識別対象の未知の船舶が含まれている。なお入力部１０２は、船舶（広義には、目標）と関係のない背景などを予め取り除いたＩＳＡＲ画像を入力するようにしてもよい。この場合、後述の目標抽出部１０６による処理が不要となる。
【００１３】
本実施形態では、入力部１０２により入力されるＩＳＡＲ画像が、Ｄｓ（Ｄｓ≧１）次元のベクトルで表されるデータであり、ベクトルの各要素が輝度値である場合を例に取り説明する。例えば、入力部１０２により入力されるＩＳＡＲ画像Ｘは、（Ｘ１，Ｘ２，…，ＸＤｓ）で表されるものとする。但し、入力部１０２により入力される画像は、これに限定されるものではない。
【００１４】
入力受付部１０４は、入力部１０２から入力された画像の入力を受け付ける。本実施形態では、入力受付部１０４は、入力部１０２から、識別対象の未知の船舶が含まれる時系列のＩＳＡＲ画像の入力を順次受け付ける。
【００１５】
目標抽出部１０６は、入力受付部１０４により受け付けられた画像から目標を抽出する。本実施形態では、目標抽出部１０６は、入力受付部１０４により受け付けられたＩＳＡＲ画像内に含まれる未知の船舶の領域を抽出する。
【００１６】
目標抽出部１０６は、例えば、ＩＳＡＲ画像を輝度の高い領域と低い領域とに分け、輝度の高い領域を船舶の領域（広義には、目標領域）として抽出する。但し、目標の抽出手法はこれに限定されるものではない。例えば、目標抽出部１０６は、各ＩＳＡＲ画像から船舶領域の船舶の軸を検出し、検出した船舶の軸に基づいて各ＩＳＡＲ画像を正規化し、正規化した各ＩＳＡＲ画像を重畳することにより、船舶の領域を抽出するようにしてもよい。
【００１７】
特徴抽出部１０８は、入力受付部１０４により受け付けられた画像から、目標抽出部１０６により抽出された目標の輪郭形状の特徴を表現する特徴ベクトルを抽出する。具体的には、特徴抽出部１０８は、特徴ベクトルとして、輝度勾配方向の共起関係を用いたベクトルを抽出する。本実施形態では、特徴抽出部１０８は、入力受付部１０４により受け付けられたＩＳＡＲ画像から、目標抽出部１０６により抽出された未知の船舶の領域の輪郭形状の特徴を表現する特徴ベクトルとして、輝度勾配方向の共起関係を用いたベクトルを抽出する。
【００１８】
図２は、ＩＳＡＲ画像から生成した２値化画像の一例を示す図である。図３は、輝度勾配方向の共起関係を用いたベクトルの抽出手法の一例の説明図である。図４は、船舶の輝度勾配方向の一部を表示した例を示す図である。
【００１９】
特徴抽出部１０８は、例えば、ＩＳＡＲ画像から、船舶の領域の画素を１、船舶の領域以外の画素を０とした２値化画像を生成し（図２参照）、生成した２値化画像を小領域に分割し（図３左図参照）、分割した小領域毎に次の処理を行う。具体的には、特徴抽出部１０８は、小領域中の各ピクセルの輝度勾配を計算し、計算した輝度勾配の中から予め定めたオフセット毎に当該オフセットを持つ２つの輝度勾配のペアの出現頻度を計算する（図３中央図参照）。そして特徴抽出部１０８は、オフセット及び輝度勾配のペア毎の出現頻度を並べることにより（図３右図参照）、輝度勾配方向の共起関係を用いたベクトル、即ち、特徴ベクトルを抽出する（図４参照）。図４に示す例では、艦橋から横に砲身が突き出ているが、砲身の下の空間も表現できている。なお、特徴抽出部１０８は、２値化画像の代わりに、ＩＳＡＲ画像から、船舶の領域の画素の輝度をそのままとし、船舶の領域以外の画素の輝度を０とした画像を生成してもよい。この画像からでも上記と同様の手法で輝度勾配方向の共起関係を用いたベクトルを抽出できる。
【００２０】
評価基準記憶部１１０は、後述の選択部１２６及び学習部１２８により生成される評価基準を記憶する。本実施形態では、評価基準記憶部１１０は、識別器Ｆｉ（ｘ）（１≦ｉ≦Ｎ（Ｎ≧２））を有する評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝を記憶する。
【００２１】
特徴量計算部１１２は、評価基準記憶部１１０に記憶されている評価基準を用いて、特徴抽出部１０８により抽出された特徴ベクトルの特徴量を計算する。
【００２２】
本実施形態では、評価基準記憶部１１０に記憶されている評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝に含まれるそれぞれの識別器Ｆｉ（ｘ）が、特徴ベクトルに対し、数式（１）に示すように評価値ｓｉを返却するものとする。ここで、後述の学習部１２８により、いずれの学習手法を用いて識別器Ｆｉ（ｘ）が学習された場合であっても、識別器Ｆｉ（ｘ）の出力は、識別対象のグループに属する尤度などとして表されるため、数式（１）を満たす。
【００２３】
Ｆｉ（Ｘ）＝ｓｉ …（１）
【００２４】
なお本実施形態では、評価値ｓｉがスカラー量である場合を例に取り説明するが、これに限定されるものではなく、例えば、複数の要素を持つベクトルであってもよい。また、後述する内容は、評価値ｓｉがベクトルであっても同様に適用できる。例えば、後述の学習部１２８により、３個以上のグループを識別する学習手法を用いて識別器Ｆｉ（ｘ）が学習された場合、識別器Ｆｉ（ｘ）の出力は、識別対象のグループに含まれる各カテゴリに帰属する尤度を要素に持つようなベクトルとなる。
【００２５】
図５は、特徴ベクトルＹの特徴量ｖ（Ｙ）の計算手法の一例の説明図である。特徴量計算部１１２は、図５に示すように、特徴抽出部１０８により抽出された特徴ベクトルＹを評価基準記憶部１１０に記憶されている評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝に適用して、評価値ｓｉを取得し、取得した評価値ｓｉから特徴ベクトルＹの特徴量ｖ（Ｙ）を計算する。本実施形態では、特徴量計算部１１２は、図５及び数式（２）に示すように、全ての評価値ｓｉを１つに並べることで特徴ベクトルＹの特徴量ｖ（Ｙ）を計算する。
【００２６】
ｖ（Ｙ）＝（ｓ１，ｓ２，…，ｓＮ） …（２）
【００２７】
例えば、識別器Ｆｉ（ｘ）が２つのクラスを判別し、評価値ｓｉとして０又は１を出力する関数であるとする。この場合、特徴量計算部１１２は、特徴抽出部１０８により抽出された特徴ベクトルＹの特徴量を、例えば、ｖ（Ｙ）＝（１，１，０，１，０，…，１）のように、０と１との組み合わせで表現されたベクトルとして計算する。また特徴量計算部１１２は、特徴抽出部１０８により抽出された特徴ベクトルＹ’（Ｙ’≠Ｙ）の特徴量を計算すると、例えば、ｖ（Ｙ’）＝（０，１，１，１，０，…，０）のように、やはり０と１との組み合わせで表現されたベクトルとして計算するが、計算した特徴量は特徴ベクトルＹの特徴量と異なるものになる。つまり、この例では、０と１との組み合わせで表現されたベクトルが、ＩＳＡＲ画像に含まれる船舶が有する固有の特徴量となり、船舶の識別に有効な特徴量となる。なお、識別器Ｆｉ（ｘ）が２つ以上のクラスを判別し、評価値ｓｉとして０及び１以外の実数を出力する関数である場合であっても、上記と同様である。
【００２８】
但し、特徴量の計算手法は上述の手法に限定されるものではなく、取得した評価値ｓｉをどのように用いて特徴量を計算しても構わない。
【００２９】
なお、評価値ｓｉがベクトルの場合、特徴ベクトルＹの特徴量ｖ（Ｙ）は、評価値ｓｉが持つ各要素を並べたものとなる。つまり、評価値ｓｉの次元数をｄｉとすると、特徴ベクトルＹの特徴量ｖ（Ｙ）の次元数Ｄは、次元数ｄｉの総和となる（Ｄ＝ｄ１＋…＋ｄＮ）。なお、各評価値ｓｉの次元数ｄｉは、全て同じ値でもよいし、それぞれ異なっていてもよい。
【００３０】
また、特徴量計算部１１２は、特徴量ｖ（Ｙ）を評価値ｓｉのヒストグラムとして計算するようにしてもよい。具体的には、特徴量計算部１１２は、評価値ｓｉを離散化（必要なら要素毎に）しておき、その値に該当するビンに対して投票することでヒストグラム特徴量ｖ（Ｙ）を計算することができる。
【００３１】
なお、評価値ｓｉがベクトルの場合、特徴量計算部１１２は、次元数ｄｉのヒストグラムとすることでヒストグラム特徴量ｖ（Ｙ）を計算することができる。また、スカラー量とベクトルのように次元数の異なる評価値ｓｉが混在している場合、特徴量計算部１１２は、同種の評価値ｓｉ毎にヒストグラム特徴量を計算しておき、計算したヒストグラム特徴量を１つのベクトルとして並べることでヒストグラム特徴量ｖ（Ｙ）を計算することができる。
【００３２】
また、特徴量計算部１１２は、評価値ｓｉを１つに並べてベクトル化した特徴量と、評価値ｓｉをヒストグラム化したヒストグラム特徴量とを、更に１つのベクトルとして並べる（連結する）ことで特徴量ｖ（Ｙ）を計算するようにしてもよい。また、特徴量計算部１１２は、評価値ｓｉに非線形な変換を施して特徴量を計算するようにしてもよい。また、特徴量計算部１１２は、計算した特徴量に対して、平均を０にしたり、２乗平均を１にしたりするなどの正規化を行うようにしてもよい。
【００３３】
識別テーブル記憶部１１４は、識別基準となる各識別特徴量にカテゴリを対応付けた識別テーブルを記憶する。ここで、カテゴリとは、目標を識別する際の種類を表し、目標が船舶の場合には、船舶の名称、種類、又は大きさなどが該当する。識別特徴量及びカテゴリの組は、予め識別テーブルに登録されていてもよい。また、特徴量計算部１１２が、既知の船舶が含まれるＩＳＡＲ画像から抽出された特徴ベクトルの特徴量を計算し、計算した特徴量を識別特徴量として、既知の船舶が属するカテゴリに対応付けて識別テーブルに登録するようにしてもよい。
【００３４】
図６は、識別テーブルの一例を示す図である。図６に示す例では、カテゴリＡとカテゴリＡに属するか否かの識別基準となる識別特徴量ｖ’（Ａ）＝（ａ１，ａ２，…，ａＮ）が対応付けられており、カテゴリＢとカテゴリＢに属するか否かの識別基準となる識別特徴量ｖ’（Ｂ）＝（ｂ１，ｂ２，…，ｂＮ）が対応付けられている。
【００３５】
類似度計算部１１６は、特徴量計算部１１２により計算された特徴量と識別テーブル記憶部１１４に記憶されている識別特徴量との類似度を計算する。本実施形態では、類似度計算部１１６は、数式（３）を用いて、特徴量計算部１１２により計算された特徴量ｖ（Ｙ）と識別テーブル記憶部１１４に記憶されている各識別特徴量（識別特徴量ｖ’（Ａ）及び識別特徴量ｖ’（Ｂ）など）との類似度を計算する。
【００３６】
Ｌ＝（α，β）／｜｜α｜｜｜｜β｜｜ …（３）
【００３７】
ここで、数式（３）は、ベクトルαとベクトルβとの単純類似度を計算する数式である。（α，β）は、ベクトルαとベクトルβとの内積を示し、｜｜α｜｜、｜｜β｜｜は、それぞれベクトルα、ベクトルβのノルムを示す。例えば、特徴量ｖ（Ｙ）と識別特徴量ｖ’（Ａ）との類似度Ｌは、数式（３）より、Ｌ＝（ｖ（Ｙ），ｖ’（Ａ））／｜｜ｖ（Ｙ）｜｜｜｜ｖ’（Ａ）｜｜となる。
【００３８】
なお、類似度計算部１１６は、ベクトル間の距離を計算する数式（４）又は数式（５）を用いて、特徴量計算部１１２により計算された特徴量ｖ（Ｙ）と識別テーブル記憶部１１４に記憶されている各識別特徴量（識別特徴量ｖ’（Ａ）及び識別特徴量ｖ’（Ｂ）など）との類似度を計算するようにしてもよい。
【００３９】
【数１】
【００４０】
【数２】
【００４１】
識別部１１８は、類似度計算部１１６により計算された類似度を用いて、目標を識別する。具体的には、識別部１１８は、類似度計算部１１６により計算された類似度を用いて、画像に含まれる未知の目標を同定するか、又は未知の目標が属する複数の候補を特定する。本実施形態では、識別部１１８は、識別テーブル記憶部１１４に記憶されている識別テーブルから、類似度計算部１１６により計算された類似度Ｌの値が大きい順、即ち、類似度の高い順に所定数の識別特徴量を選択する。そして識別部１１８は、選択した所定数の識別特徴量に対応するカテゴリの少なくともいずれかに、ＩＳＡＲ画像に含まれる船舶が属すると識別する。なお識別部１１８は、識別テーブル記憶部１１４に記憶されている識別テーブルから、類似度計算部１１６により計算された類似度Ｌが閾値を超えた識別特徴量のうち類似度の高い順に所定数の識別特徴量を選択するようにしてもよい。
【００４２】
また、類似度計算部１１６が、ベクトル間の距離を計算する数式（４）又は数式（５）を用いて類似度Ｌを計算した場合、ベクトル間の距離が短いほど、即ち、類似度Ｌの値が小さいほど類似度が高くなる。この場合であれば、識別部１１８は、識別テーブル記憶部１１４に記憶されている識別テーブルから、類似度計算部１１６により計算された類似度Ｌの値が小さい順に所定数の識別特徴量を選択する。なお、識別部１１８は、識別テーブル記憶部１１４に記憶されている識別テーブルから、類似度計算部１１６により計算された類似度Ｌが閾値よりも小さい識別特徴量のうち類似度Ｌの値が小さい順に所定数の識別特徴量を選択するようにしてもよい。
【００４３】
出力制御部１２０は、識別部１１８の識別結果を出力部１２２に出力させる。本実施形態では、出力制御部１２０は、識別部１１８によりＩＳＡＲ画像に含まれる船舶が少なくともいずれかに属すると識別されたカテゴリを出力部１２２に出力させる。
【００４４】
出力部１２２は、出力制御部１２０により制御され、識別部１１８の識別結果を出力する。
【００４５】
学習サンプル記憶部１２４は、各学習サンプルが複数のカテゴリのいずれかに分類される複数の学習サンプルを記憶する。本実施形態では、学習サンプルが、船舶の領域の輪郭形状の特徴を表現する特徴ベクトルの特徴量である場合を例に取り説明するが、学習サンプルはこれに限定されるものではない。特徴量（広義には、学習サンプル）は、予め学習サンプル記憶部１２４に記憶されていてもよい。また、特徴量計算部１１２が、船舶が含まれるＩＳＡＲ画像から抽出された特徴ベクトルの特徴量を計算し、計算した特徴量を学習サンプル記憶部１２４に記憶するようにしてもよい。
【００４６】
本実施形態では、学習サンプル記憶部１２４は、Ｍ（Ｍ≧２）個の特徴量を記憶している。なお、特徴量のカテゴリはＣ（Ｃ≧２）用意され、Ｍ個の特徴量はカテゴリ毎にＭｈ（１≦ｈ≦Ｃ）個の特徴量に分類されるものとする。つまり、Ｍ＝Ｍ１＋…＋ＭＣとなる。ここで、カテゴリは、前述したように、目標を識別する際の種類を表し、目標が船舶の場合には、船舶の名称、種類、又は大きさなどが該当する。つまり、Ｍ個の特徴量の中に種類αの船舶の特徴量と種類βの船舶の特徴量と種類γの船舶の特徴量との計３種類の船舶の特徴量が含まれていれば、Ｃ＝３となる。
【００４７】
選択部１２６は、学習サンプル記憶部１２４から学習サンプルを１以上含むグループを複数選択する選択処理を複数回行う。特に選択部１２６は、選択する複数のグループのそれぞれに含まれる学習サンプルのカテゴリ数又はサンプル数が略同数となるように、当該複数のグループを選択する。具体的には、選択部１２６は、選択する複数のグループのそれぞれに含まれる学習サンプルのカテゴリ数又はサンプル数のグループ間の差が予め定められた範囲内に収まるように、当該複数のグループを選択する。なお本実施形態では、選択部１２６が、学習サンプル記憶部１２４から学習サンプルを無作為に選択（ランダムサンプリング）するものとする。これにより、選択部１２６により選択される複数のグループに含まれる学習サンプルのカテゴリは、選択部１２６の選択処理毎に異なることが期待できる。但し、学習サンプルの選択手法はこれに限定されるものではなく、選択する複数のグループに含まれる学習サンプルのカテゴリが選択処理毎に異なることが期待できれば、どのような選択基準で選択してもよい。
【００４８】
本実施形態では、選択部１２６は、学習サンプル記憶部１２４から、各グループが特徴量を１個以上含むようにＫ（Ｋ＝２）個のグループを無作為に選択する選択処理をＮ（Ｎ≧２）回行う。特に選択部１２６は、選択処理を行う際、Ｋ個のグループのそれぞれに含まれる特徴量のカテゴリ数が同数となるように、Ｋ個のグループを無作為に選択する。なお、Ｋの値は２以上であってもよい。
【００４９】
このため選択部１２６は、学習サンプル記憶部１２４から特徴量を完全に無作為に選択するのではなく、カテゴリの特徴量の個数に応じて重み付けを行ってＫ個のグループ間の特徴量の個数の差を小さくするように調整したり、カテゴリの特徴量の個数に関わらずある一定の個数の特徴量を抽出するようにしたりしてもよい。なお、特徴量の個数を一定にする場合、選択部１２６は、さらに単純にカテゴリから特徴量を無作為に選択するようにしてもよいし、学習サンプルとしてまだ選択されていない未選択の特徴量をカテゴリから優先的に選択するようにしてもよい。
【００５０】
学習部１２８は、選択部１２６により選択された複数のグループ毎に当該複数のグループを識別する識別基準を学習し、学習した複数の識別基準を含む評価基準を生成する。本実施形態では、学習部１２８は、選択部１２６により選択されたＫ個のグループ毎に当該Ｋ個のグループを識別する識別器Ｆｉ（ｘ）（１≦ｉ≦Ｎ）を学習し、学習したＮ個の識別器を含む評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝を生成し、評価基準記憶部１１０に記憶する。
【００５１】
学習部１２８により生成された評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝は、ＩＳＡＲ画像内に含まれる船舶の識別に用いられる。具体的には、評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝に含まれるＮ個の識別器Ｆｉ（ｘ）のそれぞれが、識別対象のＩＳＡＲ画像（詳細には、ＩＳＡＲ画像内に含まれる船舶）に対する評価値を出力する。評価値は、例えば、識別器が予め学習したいずれのクラスに属するかを示す尤度やクラス番号などが該当する。そして、出力された複数の評価値がＩＳＡＲ画像内に含まれる船舶の特徴量として利用されることにより、船舶の識別に用いられる。
【００５２】
本実施形態では、学習部１２８は、サポートベクターマシンにより、Ｋ個のグループを識別する識別器Ｆｉ（ｘ）を学習する。サポートベクターマシンは、２クラスのパターン識別器を構成する手法である。サンプルから、各データとの距離が最大となる分離平面を求め、マージンを最大化するという基準で学習する。但し、識別器の学習手法はこれに限定されるものではなく、既存の学習手法を用いることができる。例えば、学習部１２８は、ブースティングなどの学習手法を用いることができる。また例えば、選択部１２６により選択された３個のグループを識別する識別器を学習する場合であれば、学習部１２８は、ｋ近傍識別器、ベイズ分類、又はニューラルネットワークなどの学習手法を用いることができる。
【００５３】
図７は、評価基準の生成手法の一例を示す説明図である。なお、図７に示す例では、Ｓ１〜ＳＭ（Ｍ≧１１）が、学習サンプル（特徴量）を示し、Ｃ＝Ｍであるものとする。つまり、図７に示す例では、全ての学習サンプルのカテゴリが異なるものとする。また、図７に示す例では、Ｋ＝２であるものとする。つまり、図７に示す例では、選択部１２６は、各グループに含まれる学習サンプルのカテゴリ数が２となるように、即ち、Ｃ＝Ｍであるため、各グループに含まれる学習サンプル数が２となるように、２個のグループを選択する。
【００５４】
図７に示す例では、選択部１２６は、１回目の選択処理で、学習サンプルＳ１及びＳ５を含むグループ１５１ａと、学習サンプルＳ２及びＳ７を含むグループ１５１ｂとを、選択している。また、選択部１２６は、２回目の選択処理で、学習サンプルＳ３及びＳ８を含むグループ１５２ａと、学習サンプルＳ１０及びＳＭを含むグループ１５２ｂとを、選択している。また、選択部１２６は、Ｎ回目の選択処理で、学習サンプルＳ４及びＳ９を含むグループ１５３ａと、学習サンプルＳ６及びＳ７を含むグループ１５３ｂとを、選択している。
【００５５】
また、学習部１２８は、選択部１２６により１回目の選択処理で選択されたグループ１５１ａとグループ１５１ｂとを識別する識別器Ｆ１（ｘ）を学習している。また、学習部１２８は、選択部１２６により２回目の選択処理で選択されたグループ１５２ａとグループ１５２ｂとを識別する識別器Ｆ２（ｘ）を学習している。また、学習部１２８は、選択部１２６によりＮ回目の選択処理で選択されたグループ１５３ａとグループ１５３ｂとを識別する識別器ＦＮ（ｘ）を学習している。これにより、学習部１２８は、学習したＮ個の識別器を含む評価基準｛Ｆ１（ｘ），Ｆ２（ｘ），…，ＦＮ（ｘ）｝を生成する。
【００５６】
図８は、本実施形態の識別装置１００で行われる識別処理の手順の流れの一例を示すフローチャート図である。
【００５７】
まず、入力受付部１０４は、入力部１０２から、識別対象の未知の船舶が含まれるＩＳＡＲ画像の入力を受け付ける（ステップＳ１００）。
【００５８】
続いて、目標抽出部１０６は、入力受付部１０４により受け付けられたＩＳＡＲ画像から未知の船舶を抽出する（ステップＳ１０２）。
【００５９】
続いて、特徴抽出部１０８は、入力受付部１０４により受け付けられたＩＳＡＲ画像から、目標抽出部１０６により抽出された未知の船舶の輪郭形状の特徴を表現する特徴ベクトル（輝度勾配方向の共起関係を用いたベクトル）を抽出する（ステップＳ１０４）。
【００６０】
続いて、特徴量計算部１１２は、評価基準記憶部１１０に記憶されている評価基準を用いて、特徴抽出部１０８により抽出された特徴ベクトルの特徴量を計算する（ステップＳ１０６）。
【００６１】
続いて、類似度計算部１１６は、特徴量計算部１１２により計算された特徴量と識別テーブル記憶部１１４に記憶されている各識別特徴量との類似度を計算する（ステップＳ１０８）。
【００６２】
続いて、識別部１１８は、識別テーブル記憶部１１４に記憶されている識別テーブルから、類似度計算部１１６により計算された類似度が上位の識別特徴量を選択し、選択した識別特徴量に対応するカテゴリの少なくともいずれかに、ＩＳＡＲ画像に含まれる船舶が分類されると識別する（ステップＳ１１０）。
【００６３】
続いて、出力制御部１２０は、識別部１１８の識別結果、即ち、識別部１１８によりＩＳＡＲ画像に含まれる船舶が少なくともいずれかに分類されると識別されたカテゴリを出力部１２２に出力させる（ステップＳ１１２）。
【００６４】
図９は、本実施形態の識別装置１００で行われる学習処理の手順の流れの一例を示すフローチャート図である。
【００６５】
まず、選択部１２６は、学習サンプル記憶部１２４から、それぞれ特徴量を１つ以上含む２つのグループを選択する（ステップＳ２００）。この際、選択部１２６は、選択する２つのグループのそれぞれに含まれる特徴量のカテゴリ数のグループ間の差が予め定められた範囲内に収まるように、当該２つのグループを選択する。
【００６６】
続いて、学習部１２８は、選択部１２６により選択された２つのグループを識別する識別基準を学習する（ステップＳ２０２）。
【００６７】
続いて、選択部１２６は、例えば、選択がＮ回行われていない場合には、選択を続行すると判定し（ステップＳ２０４でＹｅｓ）、ステップＳ２００に戻り、選択がＮ回行われている場合には、選択を続行しないと判定し（ステップＳ２０４でＮｏ）、ステップＳ２０６へ進む。
【００６８】
続いて、学習部１２８は、ステップＳ２０２で学習した複数の識別基準を含む評価基準を生成し、評価基準記憶部１１０に格納する（ステップＳ２０６）。
【００６９】
図１０は、本実施形態の識別装置１００で行われる学習サンプル格納処理の手順の流れの一例を示すフローチャート図である。なお、学習サンプル格納処理は、図８の識別処理中に行ってもよいし、図８の識別処理と別々に行ってもよい。
【００７０】
まず、ステップＳ３００〜Ｓ３０６までの処理は、図８のフローチャートのステップＳ１００〜Ｓ１０６までの処理と同様である。
【００７１】
ステップＳ３０７では、特徴量計算部１１２は、計算した特徴量を学習サンプルとして学習サンプル記憶部１２４に格納する。
【００７２】
図１１は、本実施形態の識別装置１００で行われる識別特徴量登録処理の手順の流れの一例を示すフローチャート図である。
【００７３】
まず、入力受付部１０４は、入力部１０２から、既知の船舶が含まれるＩＳＡＲ画像の入力を受け付ける（ステップＳ４００）。
【００７４】
続いて、目標抽出部１０６は、入力受付部１０４により受け付けられたＩＳＡＲ画像から既知の船舶を抽出する（ステップＳ４０２）。
【００７５】
続いて、特徴抽出部１０８は、入力受付部１０４により受け付けられたＩＳＡＲ画像から、目標抽出部１０６により抽出された既知の船舶の輪郭形状の特徴を表現する特徴ベクトル（輝度勾配方向の共起関係を用いたベクトル）を抽出する（ステップＳ４０４）。
【００７６】
続いて、特徴量計算部１１２は、評価基準記憶部１１０に記憶されている評価基準を用いて、特徴抽出部１０８により抽出された特徴ベクトルの特徴量を計算する（ステップＳ４０６）。
【００７７】
続いて、特徴量計算部１１２は、計算した特徴量を、既知の船舶が属するカテゴリの識別特徴量として、当該カテゴリに対応付けて識別テーブルに登録する（ステップＳ４０７）。
【００７８】
図１２は、本実施形態の識別装置１００のハードウェア構成の一例を示すブロック図である。図１２に示すように、本実施形態の識別装置１００は、ＣＰＵ９０２と、ＩＳＡＲ画像に含まれる未知の船舶を識別するための識別プログラムなどを記憶するＲＯＭ９０４と、ＲＡＭ９０６と、評価基準や識別テーブルなどを記憶するＨＤＤ９０８と、ＨＤＤ９０８とのインタフェースであるＩ／Ｆ９１０と、ＩＳＡＲ画像入力用のインタフェースであるＩ／Ｆ９１２と、マウスやキーボードなどの入力装置９１４と、入力装置９１４とのインタフェースであるＩ／Ｆ９１６と、ディスプレイなどの表示装置９１８と、表示装置９１８とのインタフェースであるＩ／Ｆ９２０と、バス９２２とを、備えており、通常のコンピュータを利用したハードウェア構成となっている。なおＣＰＵ９０２、ＲＯＭ９０４、ＲＡＭ９０６、Ｉ／Ｆ９１０、Ｉ／Ｆ９１２、Ｉ／Ｆ９１６、及びＩ／Ｆ９２０は、バス９２２を介して互いに接続されている。
【００７９】
識別装置１００では、ＣＰＵ９０２が、ＲＯＭ９０４から識別プログラムをＲＡＭ９０６上に読み出して実行することにより、上記各部（入力受付部、目標抽出部、特徴抽出部、特徴量計算部、類似度計算部、識別部、出力制御部など）がコンピュータ上で実現され、ＨＤＤ９０８に記憶されている評価基準や識別テーブルなどを用いて、Ｉ／Ｆ９１２から入力されるＩＳＡＲ画像に含まれる未知の船舶を識別する。
【００８０】
なお、識別プログラムはＨＤＤ９０８に記憶されていてもよい。また、識別プログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、ＣＤ−Ｒ、メモリカード、ＤＶＤ、フレキシブルディスク（ＦＤ）等のコンピュータで読み取り可能な記憶媒体に記憶されて提供されるようにしてもよい。また、識別プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するようにしてもよい。また、識別プログラムを、インターネット等のネットワーク経由で提供または配布するようにしてもよい。また、評価基準や識別テーブルは、ＲＯＭ９０４に記憶されていてもよい。また、ＩＳＡＲ画像をＨＤＤ９０８に記憶しておき、Ｉ／Ｆ９１０からＩＳＡＲ画像を入力するようにしてもよい。
【００８１】
以上のように、本実施形態の識別装置１００では、複数のグループ毎に、当該複数のグループを識別する識別基準、即ち各グループに含まれる学習サンプルのカテゴリ又はカテゴリの組み合わせをグループ間で識別する識別基準を学習する。そして本実施形態の識別装置１００では、複数のグループの選択、即ち、各グループに含まれる学習サンプルのカテゴリ又はカテゴリの組み合わせの選択は、選択部１２６により自動的に行われる。このため、本実施形態の識別装置１００によれば、人間が識別基準を教示する必要がなく、識別基準の学習に伴うコストを削減することができる。
【００８２】
また本実施形態の識別装置１００では、グループの組み合わせ数、即ち、グループに含まれる学習サンプルのカテゴリ又はカテゴリの組み合わせのグループ間の組み合わせ数は、膨大な数になる傾向にある。このため、本実施形態の識別装置１００によれば、上限にとらわれず、必要なだけ識別基準を学習して、評価基準を生成することができる。また、多くの識別基準を用いることで、過学習が原因で発生する誤認識を分散させ、その影響を抑えることができる。特に本実施形態の識別装置１００では、過学習が生じにくいサポートベクターマシンを用いて識別基準を学習する場合を例示しており、この場合、過学習が生じる可能性をより低くすることができる。
【００８３】
また本実施形態の識別装置１００では、選択部１２６は、選択する複数のグループのそれぞれに含まれる学習サンプルのカテゴリ数又はサンプル数のグループ間の差が予め定められた範囲内に収まるように、当該複数のグループを無作為に選択する。つまり本実施形態の識別装置１００では、識別対象の複数のグループのそれぞれを無作為かつ均等な分布を有するように選択する。このようにして選択された複数のグループを識別するように学習された識別基準は、識別対象の目標の特徴量に対する評価値、即ち、学習に用いた複数のグループのいずれに属すると判定されるかが完全にランダムとなる。
【００８４】
従って、例えば、２つの目標それぞれの特徴量に同一の識別基準を用いると、２つの目標が同一である場合は、評価値の値が同一となること、即ち、両目標が識別対象の複数のグループのうちのいずれかのグループに類似することが期待できる。一方、２つの目標が異なる場合は、評価値の値がどのような値となるかは不定、即ち、無相関となる。ここで、互いに異なる２つの目標それぞれの特徴量に対する評価値が無相関であるということは、例えば、目標識別を行う際の類似度計算に正規化相関などを利用した場合、類似度がゼロになるということを示す。
【００８５】
つまり、本実施形態の識別装置１００では、選択する複数のグループのそれぞれに含まれる学習サンプルのカテゴリ数又はサンプル数のグループ間の差が予め定められた範囲内に収まるように、当該複数のグループを無作為に選択することにより、この複数のグループを識別する識別基準には、異なる目標の類似度を分離するような変換が、組み込まれているという特徴を持つ。
【００８６】
従って、本実施形態の識別装置１００によれば、画像に含まれる目標を識別するために有効、即ち、目標識別の識別精度において好適な識別基準を含む評価基準を学習サンプルから効率的かつ高速に学習することができる。
【００８７】
そして本実施形態の識別装置１００では、このような評価基準を用いて、ＩＳＡＲ画像に含まれる未知の船舶の輪郭形状の特徴を表現する特徴ベクトルを特徴量に変換するため、特徴ベクトルが輝度勾配方向の共起関係を用いたベクトルなど高次元のベクトルであったとしても、精度のよい特徴量に変換でき、目標の識別精度を高くすることができる。
【００８８】
また本実施形態の識別装置１００では、評価基準を効率的かつ高速に学習することができるため、評価基準を用いて計算した特徴量を更に学習サンプルとして用いて評価基準の学習を再帰的に行うことも容易に実現でき、評価基準の性能を更に高めることができる。
【００８９】
特に本実施形態では、ベクトルの次元の大きさではなくサンプル数に応じて学習にかかる時間が決まるサポートベクターマシンを用いて識別基準を学習しているため、評価基準をより高速に学習することができる。
【００９０】
以上のように本実施形態によれば、目標の識別精度を高くすることができる。
【００９１】
なお、本発明は、上記実施の形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化することができる。また、上記実施の形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成することができる。例えば、実施の形態に示される全構成要素からいくつかの構成要素を削除してもよい。さらに、異なる実施の形態にわたる構成要素を適宜組み合わせても良い。
【００９２】
例えば、上記実施形態のフローチャートにおける各ステップを、その性質に反しない限り、実行順序を変更し、複数同時に実施し、あるいは実施毎に異なった順序で実施してもよい。
【００９３】
また例えば、上記実施形態では、識別装置が識別処理と学習処理の両処理を行う例について説明したが、識別処理、学習処理を、別々の装置で行うようにしてもよい。例えば、識別処理、学習処理を、それぞれ識別装置、学習装置が行うようにしてもよい。この場合、学習装置で生成した評価基準を識別装置に格納しておけばよい。
【００９４】
また例えば、上記実施形態では、学習サンプルが、船舶の領域の輪郭形状の特徴を表現する特徴ベクトルの特徴量である場合を例に取り説明したが、学習サンプルは、船舶が含まれるＩＳＡＲ画像であってもよい。この場合、選択部が、選択したＩＳＡＲ画像を後に、選択したＩＳＡＲ画像に含まれる目標の特徴ベクトルを抽出し、抽出した特徴ベクトルを特徴量に変換し、学習部が、変換された特徴量を用いて学習すればよい。
【符号の説明】
【００９５】
１００ 識別装置
１０２ 入力部
１０４ 入力受付部
１０６ 目標抽出部
１０８ 特徴抽出部
１１０ 評価基準記憶部
１１２ 特徴量計算部
１１４ 識別テーブル記憶部
１１６ 類似度計算部
１１８ 識別部
１２０ 出力制御部
１２２ 出力部
１２４ 学習サンプル記憶部
１２６ 選択部
１２８ 学習部
９０２ ＣＰＵ
９０４ ＲＯＭ
９０６ ＲＡＭ
９０８ ＨＤＤ
９１０ Ｉ／Ｆ
９１２ Ｉ／Ｆ
９１４ 入力装置
９１６ Ｉ／Ｆ
９１８ 表示装置
９２０ Ｉ／Ｆ
９２２ バス
【特許請求の範囲】
【請求項１】
各学習サンプルが複数のカテゴリのいずれかに分類される複数の学習サンプルを記憶する学習サンプル記憶部から学習サンプルを１以上含むグループを複数選択する選択処理を複数回行う選択部と、
選択された複数のグループ毎に当該複数のグループを識別する識別基準を学習し、学習した複数の識別基準を含む評価基準を生成する学習部と、
目標からのレーダエコーに基づく画像の入力を受け付ける入力受付部と、
前記画像から前記目標の輪郭形状の特徴を表現する特徴ベクトルを抽出する特徴抽出部と、
前記評価基準を用いて、前記特徴ベクトルの特徴量を計算する特徴量計算部と、
前記特徴量と識別基準となる識別特徴量との類似度を計算する類似度計算部と、
前記類似度を用いて、前記目標を識別する識別部と、
識別結果を出力部に出力させる出力制御部と、
を備えることを特徴とする識別装置。
【請求項２】
前記特徴ベクトルは、輝度勾配方向の共起関係を用いたベクトルであ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】
前記学習部は、サポートベクターマシンにより前記識別基準を学習す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】
各識別特徴量にカテゴリを対応付けた識別テーブルを記憶する識別テーブル記憶部を更に備え、
前記類似度計算部は、前記特徴量と前記各識別特徴量との類似度を計算し、
前記識別部は、類似度の高い順に所定数の識別特徴量を選択し、選択した前記所定数の識別特徴量に対応するカテゴリの少なくともいずれかに前記目標が属すると識別することを特徴とする請求項１〜３のいずれか１つに記載の識別装置。
【請求項５】
前記画像から前記目標を抽出する目標抽出部を更に備えることを特徴とする請求項１〜４のいずれか１つに記載の識別装置。
【請求項６】
目標からのレーダエコーに基づく画像の入力を受け付ける入力受付部と、
前記画像から前記目標の輪郭形状の特徴を表現する特徴ベクトルを抽出する特徴抽出部と、
各学習サンプルが複数のカテゴリのいずれかに分類される複数の学習サンプルから学習サンプルを１以上含むグループを複数選択する選択処理が複数回行われ、選択された複数のグループ毎に当該複数のグループを識別する識別基準が学習されることにより生成された複数の識別基準を含む評価基準を記憶する評価基準記憶部に記憶されている前記評価基準を用いて、前記特徴ベクトルの特徴量を計算する特徴量計算部と、
前記特徴量と識別基準となる識別特徴量との類似度を計算する類似度計算部と、
前記類似度を用いて、前記目標を識別する識別部と、
識別結果を出力部に出力させる出力制御部と、
を備えることを特徴とする識別装置。
【請求項７】
前記特徴ベクトルは、輝度勾配方向の共起関係を用いたベクトルであることを特徴とする請求項６に記載の識別装置。
【請求項８】
各識別特徴量にカテゴリを対応付けた識別テーブルを記憶する識別テーブル記憶部を更に備え、
前記類似度計算部は、前記特徴量と前記各識別特徴量との類似度を計算し、
前記識別部は、類似度の高い順に所定数の識別特徴量を選択し、選択した前記所定数の識別特徴量に対応するカテゴリの少なくともいずれかに前記目標が属すると識別することを特徴とする請求項６又は７に記載の識別装置。
【請求項９】
前記画像から前記目標を抽出する目標抽出部を更に備えることを特徴とする請求項６〜８のいずれか１つに記載の識別装置。
【請求項１】
各学習サンプルが複数のカテゴリのいずれかに分類される複数の学習サンプルを記憶する学習サンプル記憶部から学習サンプルを１以上含むグループを複数選択する選択処理を複数回行う選択部と、
選択された複数のグループ毎に当該複数のグループを識別する識別基準を学習し、学習した複数の識別基準を含む評価基準を生成する学習部と、
目標からのレーダエコーに基づく画像の入力を受け付ける入力受付部と、
前記画像から前記目標の輪郭形状の特徴を表現する特徴ベクトルを抽出する特徴抽出部と、
前記評価基準を用いて、前記特徴ベクトルの特徴量を計算する特徴量計算部と、
前記特徴量と識別基準となる識別特徴量との類似度を計算する類似度計算部と、
前記類似度を用いて、前記目標を識別する識別部と、
識別結果を出力部に出力させる出力制御部と、
を備えることを特徴とする識別装置。
【請求項２】
前記特徴ベクトルは、輝度勾配方向の共起関係を用いたベクトルであ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】
前記学習部は、サポートベクターマシンにより前記識別基準を学習す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】
各識別特徴量にカテゴリを対応付けた識別テーブルを記憶する識別テーブル記憶部を更に備え、
前記類似度計算部は、前記特徴量と前記各識別特徴量との類似度を計算し、
前記識別部は、類似度の高い順に所定数の識別特徴量を選択し、選択した前記所定数の識別特徴量に対応するカテゴリの少なくともいずれかに前記目標が属すると識別することを特徴とする請求項１〜３のいずれか１つに記載の識別装置。
【請求項５】
前記画像から前記目標を抽出する目標抽出部を更に備えることを特徴とする請求項１〜４のいずれか１つに記載の識別装置。
【請求項６】
目標からのレーダエコーに基づく画像の入力を受け付ける入力受付部と、
前記画像から前記目標の輪郭形状の特徴を表現する特徴ベクトルを抽出する特徴抽出部と、
各学習サンプルが複数のカテゴリのいずれかに分類される複数の学習サンプルから学習サンプルを１以上含むグループを複数選択する選択処理が複数回行われ、選択された複数のグループ毎に当該複数のグループを識別する識別基準が学習されることにより生成された複数の識別基準を含む評価基準を記憶する評価基準記憶部に記憶されている前記評価基準を用いて、前記特徴ベクトルの特徴量を計算する特徴量計算部と、
前記特徴量と識別基準となる識別特徴量との類似度を計算する類似度計算部と、
前記類似度を用いて、前記目標を識別する識別部と、
識別結果を出力部に出力させる出力制御部と、
を備えることを特徴とする識別装置。
【請求項７】
前記特徴ベクトルは、輝度勾配方向の共起関係を用いたベクトルであることを特徴とする請求項６に記載の識別装置。
【請求項８】
各識別特徴量にカテゴリを対応付けた識別テーブルを記憶する識別テーブル記憶部を更に備え、
前記類似度計算部は、前記特徴量と前記各識別特徴量との類似度を計算し、
前記識別部は、類似度の高い順に所定数の識別特徴量を選択し、選択した前記所定数の識別特徴量に対応するカテゴリの少なくともいずれかに前記目標が属すると識別することを特徴とする請求項６又は７に記載の識別装置。
【請求項９】
前記画像から前記目標を抽出する目標抽出部を更に備えることを特徴とする請求項６〜８のいずれか１つに記載の識別装置。
【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２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【公開番号】特開２０１２−１２８５５８（Ｐ２０１２−１２８５５８Ａ）
【公開日】平成２４年７月５日（２０１２．７．５）
【国際特許分類】
【出願番号】特願２０１０−２７８０１８（Ｐ２０１０−２７８０１８）
【出願日】平成２２年１２月１４日（２０１０．１２．１４）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
【公開日】平成２４年７月５日（２０１２．７．５）
【国際特許分類】
【出願日】平成２２年１２月１４日（２０１０．１２．１４）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
[ Back to top ]