【課題】画像マッチングのパラメータの設定を支援する。
【解決手段】画像探索部１２２は、検査画像自体をその一部に含んで形成される自己画像と検査画像を比較することにより、複数の圧縮率それぞれについて自己画像と検査画像の画像類似度の分布を示す類似度マップ（自己類似度マップ）を生成する。圧縮率特定部１２６は、自己類似度マップから画像類似度の標準偏差を求め、検証幅Ｈを特定する。開始特定部１２８は検証幅Ｈが０．５以上となるときの圧縮率を開始圧縮率、１．５以上となるときの圧縮率を復元圧縮率として特定する。画像探索部１２２は、開始圧縮率以下の圧縮率にて圧縮された対象画像から画像マッチングを開始する。また、復元圧縮率以下の圧縮率であることを条件として、対象類似度マップの画像類似度を離散値から連続値に変換するための対象復元関数を利用する。 （もっと読む）

【課題】データ量が少なくなるように必要な特徴領域のみ高画質化する。
【解決手段】動画データは、フレームメモリ１４に格納される。被写体領域検出部２７は、フレーム画像から被写体を含む被写体領域を検出する。移動方向検出部２８は、被写体の移動方向を前後のフレーム画像の相関に基づいて検出する。分割部２９は、移動方向に基づいてフレーム画像の画面を複数の領域に分割する。圧縮率設定部３１は、複数の領域のそれぞれに、前記移動方向にある領域が高画質になるように圧縮率を設定する。圧縮部３２は、複数の領域の画像それぞれを、前記圧縮率に従って圧縮する。 （もっと読む）

【課題】学習判別システムにおいて演算量の少ない学習および判別を行う。
【解決手段】学習フェーズにおいて、学習画素超球面写像部１１０は、肌のみを撮像した画像を取得して色の特徴空間に写像した上で単位肌ベクトルｕとして超球面上へ写像する。超平面設定部１３０は、単位肌ベクトルｕの各々の平均ベクトルｍ'またはｍを法線ベクトルとして有する超平面を設定する。学習画素次元圧縮部１４０は、単位肌ベクトルｕの各々を超平面φに射影し、さらに超平面φの基底ベクトルに射影して射影肌ベクトルｙ'とする。判別境界設定部１６０は、「肌」と「肌以外のもの」とを判別するための判別境界の閾値Ｋを設定する。設定された超平面φ、超平面φの基底ベクトル、判別境界の閾値Ｋは、判別フェーズにおいても使用される。 （もっと読む）

【課題】認識タスクにおける認識アルゴリズムに合う適切な特徴点を選ぶことができる特徴点選択システムを提供する。
【解決手段】学習評価用データ生成手段９１は、３次元形状モデルおよびその３次元形状モデル上の複数の特徴点が指定されると、３次元形状モデルから、特徴点抽出器における判定用データの学習に用いる学習用画像およびその特徴点位置と、認識タスクの評価に用いる評価用画像とを生成する。学習手段９２は、学習用画像およびその特徴点を用いて、画像から特徴点を抽出する特徴点抽出器が用いる判定用データを学習する。選択手段９３は、学習により得られた判定用データを用いて評価用画像から特徴点の位置を抽出し、抽出された特徴点位置を用いて認識タスクを実行する際の認識誤差が少なくなる特徴点を、指定された複数の特徴点の中から選択する。 （もっと読む）

【課題】高次元特徴空間での識別処理による識別率の低下、計算量の増大、使用メモリの増大を解決するために、高精度、高速、省メモリを目的とした効率的な特徴空間の次元削減を行う。
【解決手段】辞書生成用特徴パターン群を用いて、多項式ニューラルネットワークにより二次関数を学習し、二次関数の主要成分を保存する部分空間を選択することにより、特徴空間の次元を削減する。初期係数設定ステップ４２、係数修正ステップ４３では、二次関数を識別関数として用いた場合の損失関数の値が小さくなるように、勾配降下法又は確率的勾配降下法により係数を修正する。基底ベクトル導出ステップ４４は、二次関数の二次の項の二次形式の行列の固有ベクトルと、一次の項の係数ベクトルを導出する。次に、射影行列導出ステップ４５は、固有ベクトルと係数ベクトルとの中から主成分となる１つ以上のベクトルを選択し、選択されたベクトルによって生成される部分空間を新たな特徴空間として生成する。 （もっと読む）

【課題】本発明は、入力のパターン特徴ベクトルから、判別に有効な特徴ベクトルを抽出
し、特徴次元を圧縮する際に、判別に有効な特徴量の削減を抑制し、より効率の良い特徴
抽出を行うための特徴ベクトルの変換技術を提供することにある。
【解決手段】入力のパターンの特徴量をその要素のベクトルに分解し、それぞれの特徴
ベクトルについて各々判別分析によって得られる判別行列を予め用意し、その判別行列に
よって規定される判別空間に各特徴ベクトルを射影して次元を圧縮した後に、得られた特
徴ベクトルを合わせて、再度判別行列によって再度射影 することによって、特徴ベクト
ルを算出する。 （もっと読む）

【課題】パターン認識装置に好適な次元削減行列Ａを算出することのできる演算装置を提供する。
【解決手段】情報処理装置は、パターン認識装置にて認識するクラス毎に、当該クラスに属するパターンの特徴ベクトルのサンプルを取得すると共に、クラス内分散を定義付ける値ｍとして、実数値の入力を受け付けるための入力画面を表示装置に表示し、ユーザインタフェースから、値ｍを取得する（Ｓ１３０）。そして、取得したサンプルの一群に基づいて、各クラスの平均ベクトルμ_i及び全クラスの平均ベクトルμ₀を算出する（Ｓ１４０，Ｓ１５０）と共に、クラス間共分散行列Ｂ及び各クラスの共分散行列Ｗｉを算出し（Ｓ１６０，Ｓ１７０）、これらの値に基づき、クラスの総数をＬ、第ｉクラスの事前確率をＰ_iとする評価関数Ｊ（Ａ，ｍ）が最大となる次元削減行列Ａを求める。 （もっと読む）

【課題】より少ない演算負荷で、高精度にパターンのクラスを識別することができるパターン識別装置およびパターン識別方法を提供すること。
【解決手段】次元拡張部２２０は、学習サンプルの特徴ベクトルを、成分の線形結合により次元を拡張する。識別ベクトル学習部２３０は、高次元の特徴ベクトルから、特徴ベクトルを線形分離可能な高次元の識別ベクトルを生成する。次元縮退部２４０は、高次元の識別ベクトルの次元を縮退した低次元の識別ベクトルを参照テーブルに記述するとともに低次元の特徴ベクトルと対応付けたインデックス値を設定する。インデックス算出部４２０は、入力画像の特徴ベクトルに基づいてインデックス値を算出する。線形識別器４３０は、参照テーブルでインデックス値を検索し、該当する低次元の識別ベクトルを取得して入力画像の特徴ベクトルとの内積演算を実行して識別結果を出力する。 （もっと読む）

【課題】テンプレートマッチングにより対象物の位置を正確に認識することが可能な対象物の認識方法及び装置を提供する。
【解決手段】マーク認識時基準となるテンプレート２０ｃの背景部分の画素数とそれぞれ所定画素数ずつ異なる背景部分を有する同サイズの複数のテンプレート２０ａ、２０ｂ、２０ｄ、２０ｅが作成される。各テンプレートごとにマーク画像に対してテンプレートマッチングを行って各テンプレートに対する相関値が演算される。大きな背景部分を持つものは相関値が高めに演算されるので、相関値を減らし、小さな背景部分を持つものは相関値が低めに演算されるので、相関値を増やすように補正が行われ、補正された相関値のなかで最も相関値の高かったテンプレートによるテンプレートマッチングの結果に基づいてマーク位置が認識される。 （もっと読む）

【課題】画像処理の性能を向上させる。
【解決手段】
位置合わせにおける移動範囲で、少なくとも１つの方向の移動区間を複数の部分区間に分離することにより、部分位置合わせ区間を構成し、最初からｍ番目（ｍは正定数）までの部分位置合わせ区間における一致の度合いの最大値が、規定条件外であるときは、以後の部分位置合わせ区間における照合処理は実行せずに、照合は不一致と判定する。 （もっと読む）

【課題】液晶表示パネルの表示装置の画面を撮影することにより得られる画像データから、鮮明かつデータ量の少ない画像データを生成する装置を提供する。
【解決手段】マトリクス状に配置された複数のドットからなる液晶表示パネルの画面を撮影することによって得られる画像中には、周期パターンが繰返し現れる。画像加工部１１０は、画像入力部１０８から画像が与えられたことに応答して周期パターンを検出するための周期パターン検出部１４０、パターン間隔検出部１４２、及び傾き検出部１４４と、検出された周期パターンをもとに、画像においてドットの像の各々に対応する領域を特定し、それらの領域の各々に対して特徴量を抽出するための選択パターン形状決定部１４６、選択パターン位置決定部１４８、代表値決定部１５０、及び２値化処理部１５２と、ドットの各々に関する特徴量をもとに画像の符号化データを生成するための再構成部１５４とを含む。 （もっと読む）

【課題】
本発明は、処理効率を向上し得る画像処理装置を提案するものである。
【解決手段】
認証対象を撮像することにより得られる画像データを処理する画像処理装置において、画像データを、非ゼロ要素となる画素の輝度及び位置を表すデータに変換する変換手段と、データを一時的に保持するワークメモリと、ワークメモリに保持されたデータに対して、当該データに対応する演算処理を実行する演算手段とを設けるようにしたことにより、画像データにおける非ゼロ要素以外のデータを削減すると共に、当該削減後に得られるデータに対応する演算処理を施していることから、当該演算処理を高速化することができることに加え、ワークメモリでの使用領域を飛躍的に低減することができ、かくして処理効率を向上し得る画像処理装置を実現することができる。 （もっと読む）

映像圧縮アルゴリズムは、通常、モーションデータとテクスチャデータとの結合によって視覚情報を表わす。モーションデータは、フレームのコンテンツと以前のフレームのコンテンツとの間の時間的関係を記述する。本発明は、特に、水平方向及び／又は垂直方向にモーションの境界が存在する下で、モーションデータを効率的に符号化するための方法及び装置を開示する。 （もっと読む）