專利名稱：特定被攝體檢測裝置的制作方法
技術領域：
本發(fā)明涉及應用在從所拍攝的圖像中檢測出在該圖像中所包含的人物、動物及物體等的特定的被攝體或被攝體的一部分的裝置及方法等中的有效的技術。
背景技術：
作為以往的技術，有從所拍攝的圖像中檢測出在該圖像中所包含的人物、動物及物體等的特定的被攝體或被攝體的一部分的技術。作為這樣的以往技術的例子，有從所拍攝的圖像中檢測出人物的面部的技術(參照非專利文件1)。
在非專利文件1中，使特定的矩形(以下稱為「面部判斷矩形」)在成為處理對象的圖像內移動，判斷在各移動地點的面部判斷矩形內(以下稱為「注目區(qū)域」)是否包含人物的面部。圖14為表示面部判斷矩形的例子(面部判斷矩形P1)圖。結合圖14對采用了面部判斷矩形P1的人物的面部的檢測處理進行說明。
面部判斷矩形P1在其矩形內包含多個其他的矩形(以下稱為「第一矩形」，「第二矩形」)P2、P3。第一矩形P2、第二矩形P3被分別配置在面部判斷矩形P1內的規(guī)定的位置上。在一個面部判斷矩形P1內分別配置有一個以上的第一矩形P2和第二矩形P3。
在面部的檢測處理中，計算出被各注目區(qū)域的第一矩形P2及第二矩形P3分別所包圍的區(qū)域(以下分別稱為「第一特征區(qū)域」，「第二特征區(qū)域」)的特征量。所謂第一特征區(qū)域及第二特征區(qū)域的特征量，例如是表示各區(qū)域內的像素值的平均值。
接下來，計算出第一特征區(qū)域的特征量La和第二特征區(qū)域的特征量Lb的差量。然后，根據(jù)該差量值是否大于預先設定的閾值α，來判斷在注目區(qū)域內是否包含人物的面部。通過采用了樣品圖像的學習來求得閾值α。
在實際的處理中，此種面部判斷矩形對所準備的多個圖形分別實施判斷。在各圖形中，第一矩形P2和第二矩形P3的數(shù)量及位置分別不同。這樣，以各自的判斷結果為基準，對在注目區(qū)域內是否包含人物的面部進行最終判斷。
另外，在專利文件1中也采用這樣通過對第一特征區(qū)域和第二特征區(qū)域的特征量計算出差量來檢測人物的面部的技術。
專利文件1特開2000-123148非專利文件1Paul Viola，Michael Jones，“Robust Real-time Object Detection”，SECOND INTERNATIONAL WORKSHOP ONSTATISTICAL AND COMPUTATIONAL THEORIES OF VISION-MODELING，LEARNING，COMPUTING AND SAMPLING VANCOUVER CANADA，JULY13，2001.
圖像的人物面部的檢測，通過應用采用了上述那樣的面部判斷矩形P1的方法，提高了其精確度，但是，目前，檢測圖像中的人物的面部的處理，由于要在移動電話機等的技術規(guī)格不太高的裝置中求得實時的動作，因而就要求提高處理速度。另外，也仍要求提高圖像的人物的面部檢測的精確度。

發(fā)明內容
本發(fā)明的目的在于解決上述的問題，提供一種對在圖像中的某個注目區(qū)域內是否包含人物的面部的判斷處理中實現(xiàn)高速化及高精度化的裝置等。
〔第一方式〕為了解決上述問題，本發(fā)明采用如下的結構。本發(fā)明的第一方式為特定被攝體檢測裝置，其具有存儲裝置、計算裝置及判斷裝置。
存儲裝置用于存儲對應多個各特征量所準備的各判斷值。在以下所說的判斷值，是指在判斷裝置的判斷處理時所采用的值。所謂判斷值，例如在通過計算裝置計算出所對應的特征量的情況下，為表示在注目區(qū)域內包含特定的被攝體的可能性是大還是小的值。
計算裝置計算出注目區(qū)域內的特征量。在以下所說的注目區(qū)域，是指被判斷是否包含特定的被攝體的區(qū)域。即，所謂注目區(qū)域，為表示成為特定被攝體檢測裝置的處理對象的區(qū)域。另外，所謂特征量，為根據(jù)注目區(qū)域所包含的像素的狀態(tài)所決定的值。例如，為注目區(qū)域內的所有像素或一部分像素的像素值的平均值、合計值、離差等。
判斷裝置在存儲裝置所存儲的判斷值中，以對應計算裝置所計算出的特征量的判斷值為基準，來判斷在注目區(qū)域內是否包含特定的被攝體。例如，在對應所計算出的特征量的判斷值為表示在注目區(qū)域內包含特定的被攝體的可能性大的值的情況下，判斷裝置就判斷為在注目區(qū)域內包含特定的被攝體。
在這樣所構成的本發(fā)明的第一方式中，將在判斷裝置的判斷處理所采用的判斷值作為對應每個特征量的值存儲到存儲裝置內。因此，和以往那樣根據(jù)一個閾值來將特征量和判斷值對應起來的情況相比，可以更準確地將判斷值和特征量對應起來。因而，判斷裝置對于被給予的各特征量，可以更準確地判斷在注目區(qū)域內是否包含特定的被攝體。
該第一方式也可以進行以下那樣的變形。即，第1變形方式具有參照對圖像進行部分區(qū)域定義的區(qū)域圖形信息的裝置；根據(jù)上述區(qū)域圖形信息，通過實施規(guī)定的運算來計算出上述圖像的特征量的運算裝置；將對多個樣品圖像所計算出的特征量和被計算出其特征量的圖像所具有的屬性的判斷值組合存儲的判斷值存儲裝置；和根據(jù)對上述圖像所計算出的特征量來判斷該圖像是否具有上述屬性的判斷裝置。
該第1變形方式，將對多個樣品圖像所計算出的特征量和被計算出其特征量的圖像所具有的屬性的判斷值組合存儲。例如，將對具有某個屬性(特定被攝體的存在等)的樣品圖像所計算出的特征量和具有其屬性的判斷值進行存儲。另一方面，將對不具有某個屬性(特定被攝體的存在等)的樣品圖像所計算出的特征量和不具有其屬性的判斷值進行存儲。
對于多個樣品圖像，也可以事前將該特征量和判斷值的組合存儲到上述判斷值存儲裝置內。對于多個樣品圖像，也可以求得上述特征量的次數(shù)分布。而且，也可以例如對具有某個屬性(特定被攝體的存在等)的樣品圖像的次數(shù)在規(guī)定值以上的特征量的范圍、將表示具有其屬性的判斷值進行存儲。另外，也可以對不具有某個屬性(特定被攝體的存在等)的樣品圖像的次數(shù)在規(guī)定值以上的特征量的范圍、將表示不具有其屬性的判斷值進行存儲。
〔第二方式〕本發(fā)明的第二方式為特定被攝體檢測裝置，具有存儲裝置、計算裝置第一判斷裝置、控制裝置及第二判斷裝置。
存儲裝置用于存儲對應多個各特征量所準備的各判斷值。存儲裝置所存儲的判斷值，也可以為兩個值(例如“0”或“1”)，也可以為實數(shù)。在作為實數(shù)給予了判斷值的情況下，與作為兩個值所給予的情況相比，提高了第一判斷裝置及第二判斷裝置的判斷處理的精確度。
計算裝置通過多個不同的計算處理計算出在同一注目區(qū)域內的特征量。該多個不同的計算處理，例如也可以為被計算出的值的種類為不同(例如平均值、合計值、離差)的處理，在實施計算處理上的輸入也可以為不同(例如將與注目區(qū)域內的不同的部分區(qū)域有關的數(shù)據(jù)進行輸入)的處理。另外，被計算的值的種類及計算處理的輸入也可以為不同的處理。
第一判斷裝置以對應計算裝置所計算出的特征量的判斷值為基準計算出得分，根據(jù)該得分來判斷在注目區(qū)域內是否包含特定的被攝體。例如，通過將與被計算出的特征量相對應的多個判斷值進行累積來計算出得分，該得分為表示在注目區(qū)域內包含特定的被攝體的可能性大的值的情況下(例如、在超過規(guī)定的閾值的情況下)，判斷裝置就判斷為在注目區(qū)域內包含特定的被攝體。
控制裝置通過將由計算裝置的不同計算處理所得到的多個特征量以組的形式給予第一判斷裝置，從第一判斷裝置取得為了得到最終判斷的充分的數(shù)量的判斷結果，因此，第一判斷裝置對于控制裝置所給予的組所包含的多個特征量，從存儲裝置中分別讀出所對應的判斷值，根據(jù)這些判斷值計算出得分，從而判斷在注目區(qū)域內是否包含特定的被攝體。因此，第一判斷裝置導出多個判斷結果。各判斷結果沒有必要是相同的。
另外，也可以通過控制裝置動態(tài)地判斷所得到的判斷結果的數(shù)量是否為得到最終判斷的充分的數(shù)量，也可以預先決定該數(shù)量。例如，也可以通過執(zhí)行學習算法等及管理者的經驗感覺來預先設定為了得到最終判斷的充分的判斷結果的數(shù)量。這時，不僅可以預先設定數(shù)量、也可以預先設定計算裝置所執(zhí)行的計算處理。
另外，第一判斷裝置的判斷結果的數(shù)量越多，越可以提高最終判斷的精確度，即第二判斷裝置的判斷的精確度。因此，所謂為了得到最終判斷的充分的數(shù)量，為表示確保最終判斷的一定的精確度的必要的數(shù)量。
第二判斷裝置根據(jù)控制裝置所取得的第一判斷裝置的多個判斷結果，對在注目區(qū)域內是否包含特定的被攝體進行最終判斷。
在象這樣所構成的本發(fā)明的第二方式中，將第一判斷裝置的判斷處理所采用的判斷值對應每個特征量存儲到存儲裝置內。因而，和以往那樣根據(jù)一個閾值將特征量和判斷值對應起來的情況相比，可以更準確地將判斷值和特征量相對應。因此，可以提高判斷值的精確度，也可以提高進行采用該判斷值的處理的第一判斷裝置的處理結果的精確度。換言之，第一判斷裝置以被給予的各特征量為基準，就可以更準確地判斷在注目區(qū)域內是否包含特定的被攝體。
另外，為了提高各判斷值的精確度，即使減少以組形式給予第一判斷裝置的特征量的數(shù)量，即，即使減少在第一判斷裝置中所采用的判斷值的數(shù)量，也可以維持處理結果的精確度。其結果，通過維持第一判斷裝置的處理結果的精確度，減少以組的形式所給予的特征量的數(shù)量，可以實現(xiàn)高速化。
另外，通過提高第一判斷裝置的判斷結果的精確度，即使減少第一判斷裝置的判斷結果的數(shù)量，也可以確保最終判斷的精確度(第二判斷裝置的判斷的精確度)。即，減少為了得到最終判斷的充分的數(shù)量，減少第一判斷裝置的判斷處理的次數(shù)。因此，就可以縮短對注目區(qū)域內是否包含特定的被攝體進行最終判斷所需要的時間。即，可以在不降低精確度的情況下使檢測特定的被攝體的處理高速化。
另外，第二方式的第一判斷裝置在作為新的組從控制裝置接收多個特征量、計算新的得分時，其結構也可以為采用作為該新的組的多個特征量的分別的多個判斷值以及在第一判斷裝置的判斷處理已經完成的組中所計算出的得分。
在這樣結構的情況下，在第一判斷裝置中，不僅在該組中所包含的特征量的判斷值，而且在其他的組(第一判斷裝置的判斷處理已經完成的組)中的判斷值也對判斷處理產生影響。因此，可以提高第一判斷裝置的處理的精確度。通過提高第一判斷裝置的判斷結果的精確度，即使減少第一判斷裝置的判斷結果的數(shù)量，也可以確保最終判斷的精確度。即，減少為了得到最終判斷的充分的數(shù)量，減少第一判斷裝置的判斷處理的次數(shù)。因此，就可以縮短對注目區(qū)域內是否包含特定的被攝體進行最終判斷所需要的時間。即，可以在不降低精確度的情況下使檢測特定的被攝體的處理高速化。
〔第三方式〕本發(fā)明的第三方式為特定被攝體檢測裝置，具有存儲裝置、計算裝置、第一判斷裝置、控制裝置及第二判斷裝置。
存儲裝置將根據(jù)多個各特征量所準備的各判斷值對多個不同的圖形分別進行存儲。因此，只要得到圖形和特征量，就可以據(jù)此決定判斷值。
計算裝置根據(jù)多個分別不同的圖形，從圖像中計算出同一注目區(qū)域內的特征量。
第一判斷裝置得到與計算裝置所采用的圖形和計算裝置所計算出的特征量相對應的判斷值。然后，以所得到的判斷值為基準，計算出得分，根據(jù)該得分來判斷在注目區(qū)域內是否包含特定的被攝體。
控制裝置通過以組的形式將多個特征量給予第一判斷裝置，從第一判斷裝置取得為了得到最終判斷的充分的數(shù)量的判斷結果。所謂多個特征量，是通過基于多個不同的圖形的計算處理所得到的。即，由計算裝置計算出每個圖形的特征量。并且，將每個圖形所得到的特征量的組給予第一判斷裝置，取得第一判斷裝置的判斷結果。
第二判斷裝置根據(jù)由控制裝置所取得的第一判斷裝置的多個判斷結果，對在注目區(qū)域內是否包含特定的被攝體進行最終判斷。
在這樣所構成的本發(fā)明的第三方式中，將第一判斷裝置的判斷處理所采用的判斷值對各圖形作為對應每個特征量的值存儲到存儲裝置內。因而，和以往那樣根據(jù)一個閾值將特征量和判斷值對應起來的情況相比，可以更準確地將判斷值和特征量相對應。因此，可以提高各判斷值的精確度，也可以提高進行采用該判斷值的處理的第一判斷裝置的處理結果的精確度。換言之，第一判斷裝置以被給予每個圖形的特征量為基準，可以更準確地判斷在注目區(qū)域內是否包含特定的被攝體。
另外，為了提高各判斷值的精確度，即使減少以組的形式給予第一判斷裝置的特征量的數(shù)量，即，即使減少在第一判斷裝置中所采用的判斷值的數(shù)量，也可以維持處理結果的精確度。其結果，通過維持第一判斷裝置的處理結果的精確度，減少以組的形式所給予的特征量的數(shù)量就可以實現(xiàn)高速化。
另外，通過提高第一判斷裝置的判斷結果的精確度，即使減少第一判斷裝置的判斷結果的數(shù)量，也可以確保最終判斷的精確度(第二判斷裝置的判斷的精確度)。即，即使減少在計算裝置及第一判斷裝置中所采用的圖形的數(shù)量，也可以確保最終判斷的精確度。換言之，減少為了得到最終判斷的充分的判斷結果的數(shù)量，減少第一判斷裝置的判斷處理的次數(shù)。因此，就可以縮短對在注目區(qū)域內是否包含特定的被攝體進行最終判斷所需要的時間。即，可以在不降低精確度的情況下使檢測特定的被攝體的處理高速化。
另外，本發(fā)明的第三方式的存儲裝置也可以將被分割到多個區(qū)間的特征量和各區(qū)間的判斷值對應起來進行存儲。
另外，在本發(fā)明的第三方式中，各區(qū)間的判斷值也可以為由以下的判斷基準生成裝置所求得的值。所謂判斷基準生成裝置，具有樣品圖像特征量計算裝置、次數(shù)獲得裝置及判斷值決定裝置。
樣品圖像特征量計算裝置根據(jù)任意的圖形，計算出多個樣品圖像的各個特征量。次數(shù)獲得裝置對多個特征量的各區(qū)間，由樣品圖像特征量計算裝置所計算出的特征量求得在區(qū)間內所包含的樣品圖像的次數(shù)。對所述多個區(qū)間的各個區(qū)間，根據(jù)該區(qū)間中的次數(shù)，根據(jù)由所述樣品圖像特征量計算裝置所計算出的特征量判斷在所述區(qū)間內包含的注目區(qū)域內是否包含特定的被攝體，來決定判斷值。
另外，在本發(fā)明的第三方式中，樣品圖像其結構也可以為包含成為第一判斷裝置進行判斷的對象的特定的被攝體的正解圖像、和不包含特定的被攝體的非正解圖像。
另外，在本發(fā)明的第三方式中，也可以根據(jù)正解圖像及非正解圖像的各個指標的相對值來設定各區(qū)間的判斷值。
另外，在本發(fā)明的第三方式中，也可以根據(jù)正解圖像及非正解圖像的各自的次數(shù)的相對值來設定各區(qū)間的判斷值。所謂相對值，例如為比例及差量等。
另外，本發(fā)明的第三方式的圖形，其結構也可以為具有第一特征區(qū)域和第二特征區(qū)域，對每個圖形在特定的區(qū)域內分別將各特征區(qū)域的位置及大小進行固定。
另外，本發(fā)明的第三方式的計算裝置，其結構也可以為通過計算出注目區(qū)域內的第一特征區(qū)域的第一特征量和第二特征區(qū)域的第二特征量的相對值來計算注目區(qū)域內的特征量。所謂相對值，例如為比例及差量值等。
另外，本發(fā)明的第三方式的第一判斷裝置，其結構也可以為在作為新的組從控制裝置接收多個特征量、計算新的得分時，采用作為該新的組的多個特征量的各自的多個判斷值以及在已經完成第一判斷裝置的判斷處理的組中所計算出的得分。
在這樣的結構的情況下，第二方式可以達到和這樣結構的情況同樣的效果。
〔第四方式〕本發(fā)明的第四方式為判斷基準生成裝置，包含計算裝置、次數(shù)獲得裝置、判斷裝置及判斷基準生成裝置。
計算裝置根據(jù)任意的圖形計算出多個樣品圖像的各個特征量。
次數(shù)獲得裝置對于將特征量分割到多個區(qū)間的各區(qū)間，求得在區(qū)間內包含計算裝置所計算出的特征量的樣品圖像的次數(shù)。所謂次數(shù)，例如為表示樣品圖像的數(shù)量以及用在每個樣品圖像所設定的加權乘以該數(shù)量的值等。
次數(shù)獲得裝置對于將特征量分割到多個區(qū)間的各區(qū)間，由計算裝置所計算出的特征量求得在區(qū)間內包含的樣品圖像的次數(shù)。所謂次數(shù)，例如為表示樣品圖像的數(shù)量以及用在每個樣品圖像所設定的加權乘以該數(shù)量的值等。
判斷裝置根據(jù)特征量的各區(qū)間的次數(shù)，決定各區(qū)間的判斷值。判斷裝置通過判斷是否應根據(jù)圖形所計算出的特征量判斷在任意的區(qū)間所包含的注目區(qū)域內包含特定的被攝體，來決定判斷值。例如，在根據(jù)某個圖形所計算出的特征量適合其中一個區(qū)間的情況下，就判斷在注目區(qū)域內包含特定的被攝體的可能性是否很大，從而來決定判斷值。
判斷基準生成裝置根據(jù)判斷裝置的判斷結果，生成將各區(qū)間和判斷值對應起來的判斷基準。作為這樣的判斷基準的具體例，有將各區(qū)間和判斷值建立對應關聯(lián)的表。
在這樣所構成的本發(fā)明的第四方式中，生成將判斷值與每個特征量的各區(qū)間相對應的表，因此，和以往那樣根據(jù)一個閾值將特征量和判斷值對應起來的情況相比，就可以更準確地生成將判斷值和特征量相對應的表。因而在利用該表實施檢測特定的被攝體的處理的情況下，可以更準確地判斷在注目區(qū)域內是否包含特定的被攝體。
(其他)第一至第四方式，也可以通過信息處理裝置執(zhí)行程序來實現(xiàn)。即，也可以具有使信息處理裝置執(zhí)行上述的第一至第四方式的各裝置所執(zhí)行的處理的程序、或存儲了該程序的存儲介質，來得到上述的作用及效果。另外，也可以具有信息處理裝置執(zhí)行第一至第四方式的各裝置所執(zhí)行的處理的方法，來得到上述的作用及效果。
根據(jù)本發(fā)明，將判斷裝置的判斷處理所采用的判斷值對應每個特征量存儲到存儲裝置內。因此，和以往那樣根據(jù)一個閾值將特征量和判斷值對應起來的情況相比，可以更準確地將判斷值和特征量對應起來。因此，判斷裝置對于被給予的各特征量就可以更準確地判斷在注目區(qū)域內是否包含特定的被攝體。
另外，為了確保最終判斷的精確度，在根據(jù)多個判斷結果再進行判斷的情況下，通過提高采用了判斷值的判斷結果的精確度，即使減少采用了這樣的判斷值的判斷結果的數(shù)量，也可以確保最終判斷的精確度。因此，可以縮短對在注目區(qū)域內是否包含特定的被攝體進行最終判斷所需要的時間。即，在不降低精確度的情況下，可以使檢測特定的被攝體的處理高速化。


圖1為表示一例面部矩形的圖形例的圖。
圖2為表示面部檢出處理的流程的圖。
圖3為表示面部檢出處理的流程圖。
圖4為表示在將注目區(qū)域的大小固定的情況下的注目區(qū)域的選擇方法的圖。
圖5為表示在將人物圖像的大小固定的情況下的注目區(qū)域的選擇方法的圖。
圖6為表示第一實施方式的各圖層的處理的示例的圖。
圖7為表示積分圖像的示例的圖。
圖8為表示差量值和圖像數(shù)量的直方圖的示例的圖。
圖9為表示在第一實施方式中給予直方圖的各區(qū)間的判斷值的示例的圖。
圖10為表示第一實施方式的LUT的示例的圖。
圖11為表示面部檢測裝置的結構例的功能方框圖。
圖12為表示判斷部的結構例的功能方框圖。
圖13為表示表生成裝置的結構例的功能方框圖。
圖14為表示面部判斷矩形的示例的圖。
圖15為表示在第二實施方式中給予直方圖的各區(qū)間的判斷值的示例的圖。
圖16為表示第二實施方式的LUT的示例的圖。
圖17為表示第二實施方式的各圖層的處理的概要圖。
圖18為表示第二實施方式的各圖層的處理的具體示例的圖。
圖中1-面部矩形，2-第一矩形，3-第二矩形，4、4a、4b-面部檢測裝置，5-輸入部，6-輸出部，7a、7b-LUT存儲部，8a、8b-判斷部，9-設定存儲部，10-特征量計算部，11a、11b-第一判斷部，12-控制部，13a、13b-第二判斷部，14a、14b-表生成裝置，15-特征量計算部，16-次數(shù)獲得部，17a、17b-判斷部，18a、18b-表生成部，19a、19b-LUT，P1-面部判斷矩形，P2-第一矩形，P3-第二矩形。
具體實施例方式
下面結合附圖對本發(fā)明的特定被攝體檢測裝置等的實施方式進行說明。在以下的說明中，作為特定被攝體檢測裝置的具體例，對從人物圖像中檢測出入物的面部的面部檢測裝置4(包括4a、4b參照圖11)進行說明。
在該說明中，所謂人物圖像，是指至少包含人物面部的一部分或全部的圖像的圖像。因此，人物圖像也可以為包含人物整體的圖像，也可以為只包含人物的面部或上半身的圖像。另外，人物圖像也可以為包含多個人物的圖像，還有，人物圖像也可以為在背景上包含人物以外的風景(作為被攝體也包含被注目的物體)及花紋等的任何的圖形。
另外，對面部檢測裝置4所進行的以下的說明，只是一個示例，其結構并不限于以下的說明。
首先，對在面部檢測裝置4中所應用的面部檢測技術的原理進行說明。面部檢測裝置4所應用的面部檢測技術，和以往的面部檢測技術相比有一些變更，在這里先對以往的面部檢測技術的原理進行說明。在該以往的面部檢測技術中，事先進行采用了樣品圖像的學習(以下稱為「學習處理」)，根據(jù)該學習結果來實施面部的檢測(以下稱為「面部檢測處理」)。
〔學習處理〕首先，對采用了樣品圖像的以往的學習處理進行說明。作為樣品圖像，準備大小相等的多個面部圖像(正解圖像)及非面部圖像(非正解圖像)。在這里，作為樣品圖像，是采用在縱橫方向上的像素數(shù)相等的多個矩形的圖像。所謂面部圖像，是指包含人的面部的圖像，是指對應人的面部的大小實施了寬高比調整或修整的圖像，另外，所謂非面部圖像，是指不包含人的面部的圖像，例如由采用了風景的圖像及動物的圖像構成。在面部檢測裝置4中，作為特定的被攝體，為了檢測出人物的面部，作為正解圖像要準備這樣的面部圖像。同樣，作為非正解圖像要準備這樣的非面部圖像。在其他的具體的特定被攝體檢測裝置中，作為正解圖像準備包含在各個裝置中被檢測出的特定的被攝體的圖像，作為非正解圖像準備在各個裝置中被檢測出的不包含特定的被攝體的圖像。
在學習處理中，采用包圍和樣品圖像同樣大小的區(qū)域的矩形(以下稱為「面部矩形」)。圖1為表示面部矩形的示例的圖。面部矩形1包含第一矩形2和第二矩形3。面部矩形1根據(jù)第一矩形2及第二矩形3的數(shù)量及所配置的位置，具有多個圖形(在圖1中，相當于(a)～(1))。即，各面部矩形1作為圖形，對第一矩形2及第二矩形3具有固有的數(shù)及配置。下面，對采用了面部矩形1和樣品圖像的學習進行說明。
首先，對某個圖形的面部矩形1實施采用了所有的樣品圖像的數(shù)據(jù)收集。在該數(shù)據(jù)收集中，首先，在樣品圖像中，計算出對應第一矩形2及第二矩形3的區(qū)域(以下分別稱為「第一特征區(qū)域」、「第二特征區(qū)域」)的特征量(例如區(qū)域內的像素值的平均值)。在一個面部矩形1內包含第一特征區(qū)域及/或第二特征區(qū)域的情況下，作為各個特征量計算各區(qū)域的特征量的合計值。例如，在圖1(j)的情況下，作為兩個第一特征區(qū)域的特征量的和，計算出第一特征區(qū)域的特征量。并且作為第一特征區(qū)域的特征量和第二特征區(qū)域的特征量的相對值(例如比例及差量值，在這里，作為相對值可以設定差量值)，計算出差量值。該差量值表示注目區(qū)域的特征量。
接下來，根據(jù)所計算出的差量值(注目區(qū)域的特征量)，求得與各圖形的面部矩形1相對應的閾值。該閾值是使用概率的方法所求得的。通常是設定單純的數(shù)學模型(例如高斯分布)來設計此種概率的方法。例如，對差量值為從0到各值的面部圖像和非面部圖像分別求得樣品數(shù)的合計值(積分值)，將其合計值的差為最大的值設定為閾值。
對所準備的所有的圖形的面部矩形1實施上述的處理，設定與所有的圖形的面部矩形1分別相對應的閾值。
接下來，在被設定了閾值的多個面部矩形1當中，判斷在面部檢測處理中應使用哪一個面部矩形1。另外，本特定被攝體檢測裝置以每個圖層這一處理單位對有無面部進行判斷，例如，在圖層1的判斷中，對存在面部的可能性進行大致判斷，在沒有可能性的情況下，就停止處理。另一方面，在有面部存在的可能性的情況下，就在下一個圖層2中進行更詳細的判斷。
在進行上述的判斷時，在面部檢測處理中，對實施有無面部的判斷的多個圖層(關于圖層的具體例，在面部檢測處理的欄中進行說明)分別進行在各圖層中所使用的圖形的面部矩形1的分配。通過AdaBoost等的增強學習算法來實施該處理。
在進行該判斷時，由設計者來決定在進行面部檢測處理時必要的圖層數(shù)及分配到各圖層的面部矩形1的數(shù)量。這時，由于在面部檢測處理中所采用的面部矩形1的數(shù)量越多，就越會提高處理的精確度，因而設計者根據(jù)實驗及經驗等，決定為了得到面部檢測處理的最終判斷的充分的面部矩形1的數(shù)量。設計者根據(jù)該數(shù)量來決定圖層數(shù)及分配到各圖層的面部矩形1的數(shù)量。根據(jù)在面部檢測處理時所求得的處理的速度及精確度，適當?shù)貨Q定該數(shù)量。
〔面部檢測處理〕下面，對以往的面部檢測處理進行說明。圖2為表示面部檢測處理的流程圖。首先，結合圖2對面部檢測處理的大致的流程進行說明。
面部檢測處理是通過多個圖層來進行的。將不同組合的面部矩形1分配到各圖層。在圖2中，被分配到各圖層的面部矩形1的數(shù)量也是不同的。另外，將實施判斷的順序分配到各圖層，各圖層根據(jù)該順序實施處理。即，例如在圖2中，在圖層1(圖層1)的判斷之后，實施圖層2(圖層2)的判斷，在其后實施圖層3(圖層3)的判斷。
各圖層根據(jù)分配到自身的順序，采用分配到自身的圖形的面部矩形1來判斷在注目區(qū)域內是否包含人物的面部。在某個圖層中，在判斷為注目區(qū)域內沒有包含人物的面部的情況下，在其后的圖層中就不實施對該注目區(qū)域的判斷。然后，根據(jù)最后的圖層(在圖2中為圖層n(圖層n)的判斷，在判斷為注目區(qū)域內包含人物的面部的情況下，在面部檢測處理中就最終判斷在注目區(qū)域內包含人物的面部。
圖3為表示面部檢測處理的流程的流程圖。下面，結合圖3對面部檢測處理的具體的流程進行說明。
在面部檢測處理中，首先從人物圖像中選擇成為處理對象的注目區(qū)域(S01)。基本上來講，根據(jù)從人物圖像的邊以一定間隔向縱方向或橫方向偏移的情況、按順序來選擇該注目區(qū)域。例如，通過對人物進行光柵掃描來選擇注目區(qū)域。這時，對任意的人物圖像實施多個大小的注目區(qū)域的選擇。在該選擇法中，有將注目區(qū)域的大小固定、變化人物圖像的大小的方法；及將人物圖像的大小固定、變更注目區(qū)域的大小的方法等。圖4為表示將注目區(qū)域的大小固定的方法的圖。圖5為表示將人物圖像的大小固定的方法的圖。在注目區(qū)域的大小變化的情況下，根據(jù)該注目區(qū)域的大小的變化，面部矩形1、第一矩形2及第二矩形3的大小也發(fā)生變化。即，在注目區(qū)域的大小變化的情況下，將在各圖層中所使用的面部矩形1的大小控制為和該注目區(qū)域的大小相同或大致相同，隨著面部矩形1的大小，第一矩形2及第二矩形3的大小也發(fā)生變化。
接下來，對被選擇的注目區(qū)域實施在注目區(qū)域內是否包含人物的面部的判斷。在多個圖層的各個圖層中實施該判斷。因此，首先根據(jù)按照順序選擇實施判斷的圖層(S02)。
接下來，對被選擇的圖層實施判斷處理(S03)。在該圖層的判斷中，在判斷為注目區(qū)域內沒有包含人物的面部的情況下(S04-否)，就實施S07以后的處理。關于S07以后的處理，在后面進行敘述。另一方面，在判斷為注目區(qū)域內包含人物的面部的情況下(S04-是)，就判斷之前的判斷處理(S03的判斷處理)是否為最后的圖層的處理。在不是最后的圖層的情況下(S05-否)，就返回到S02的處理，選擇下一個圖層，對重新被選擇的圖層實施判斷處理。另一方面，如果是最后的圖層的情況下(S05-是)，進行在現(xiàn)在的注目區(qū)域內包含人物的面部的最終判斷(S06)。在此時，面部檢測裝置4判斷在該注目區(qū)域內包含人物的面部。即，在此時，面部檢測裝置4初次檢測出了人物的面部。
接下來，判斷成為判斷對象的注目區(qū)域在人物圖像中是否為最后的注目區(qū)域。在不是最后的注目區(qū)域的情況下(S07-否)，就返回到S01的處理，選擇下一個注目區(qū)域，實施S02以后的處理。另一方面，如果是最后的注目區(qū)域的情況下(S07-是)，結束對該人物圖像的面部檢測處理。
圖6為表示各圖層的判斷的處理例的圖。下面，結合圖6對圖層及各圖層的判斷的處理內容進行說明。
將一個以上的圖形的面部矩形1分配到各圖層。該分配是在學習處理中通過AdaBoost等的增強學習算法來實施的。各圖層根據(jù)分配到自身的圖形的面部矩形1，進行在注目區(qū)域內是否包含面部的判斷。
在各圖層中，根據(jù)分配到各圖層的各圖形的面部矩形1，計算注目區(qū)域內的第一特征區(qū)域及第二特征區(qū)域的特征量。這時，在特征量為各區(qū)域內的像素值的合計及平均等的情況下，即，在特征量為采用像素值的合計所計算出的值的情況下，也可以采用積分圖像來計算出特征量。圖7為表示積分圖像的示例的圖。結合圖7對采用積分圖像的特征量的計算處理進行說明。
在積分圖像中，各像素作為其像素值具有從原圖像的各像素至左上方所有的像素的像素值的合計。例如，圖7的像素a作為像素值具有原圖像的區(qū)域A所包含的全圖像的像素值的合計。因此，例如，通過從d的像素值中減去b及c的像素值、加上a的像素值，就可以計算出原圖像的區(qū)域D所包含的全圖像的像素值的合計(即，區(qū)域D的特征量)。
接下來，計算作為被計算出的特征量的相對值的差量值，根據(jù)該差量值實施在注目區(qū)域內包含人物的面部的判斷。具體來講，判斷被計算出的差量值是否大于或小于在判斷時所采用的圖形的面部矩形1所設定的閾值。然后，根據(jù)該判斷結果，判斷在注目區(qū)域內是否存在有人物的面部。
但是，在此時的判斷為分別根據(jù)各圖形的面部矩形1的判斷，而不是圖層的判斷。這樣，在各圖層中，根據(jù)分別分配到所有的圖形的面部矩形1，實施個別的判斷，分別得到各個判斷結果(相當于圖6的「面部矩形個別的判斷」)。
接下來，計算出圖層的得分。對各圖形的面部矩形1分配各個得分(例如Pt1，Pt2，…，Ptn)。當判斷在注目區(qū)域內包含人物的面部時，就參照此時所使用的被分配到圖形的面部矩形1的得分，加上該圖層的得分。這樣，將被加的得分的總計作為圖層的得分(以下，為了將該圖層的得分的總計和各圖形的得分區(qū)別開來，稱為「總得分」)來計算。并且，在該圖層的總得分超過特定的閾值的情況下，該圖層判斷在注目區(qū)域內包含人物的面部。另一方面，在該圖層的總得分沒有超過特定的閾值的情況下，該圖層判斷在注目區(qū)域內沒有包含人物的面部。
在S02～S06(參照圖3)中，按照圖層處理的輕重順序(例如被分配的面部矩形1的數(shù)量少的圖層)，對各圖層實施判斷(參照圖2)。另外，其結構也可以為在實施各圖層的判斷之前，計算出注目區(qū)域內的明亮度的方差，根據(jù)所計算出的值來判斷是否進行各圖層的判斷。在這樣的結構中，在判斷不進行各圖層的判斷的情況下，實施圖3的S07的處理。這是因為，例如對幾乎沒有明亮度的變化的注目區(qū)域(例如全黑的注目區(qū)域及全白的注目區(qū)域等)就認為不包含要進行各圖層的判斷的面部。
〔原理〕在上述面部檢測裝置4中所應用的面部檢測技術當中，對以往的面部檢測技術進行了說明。下面，對在該面部檢測技術中應用于面部檢測裝置4的第一實施方式的面部檢測裝置4a的所變更的處理進行說明。另外，在以下的說明中，對所變更的處理進行說明。即，關于以下沒有說明的處理，實施和上述所說明的面部檢測技術同樣的處理。
在以往的面部檢測技術中，由于在計算各圖形的面部矩形1的閾值時設定了單純的數(shù)學模型，因而對差量值和面部圖像及非面部圖像的樣品數(shù)量的直方圖實際上成為哪種形狀沒有進行設定。例如，在圖6的最上方所示的面部矩形1的情況下，作為第一特征區(qū)域的特征量計算出左右的眼部周圍的特征量，作為第二特征區(qū)域的特征量計算出鼻子及左右臉頰周圍的特征量。
以往，這樣的特征區(qū)域的特征量被設定為分別根據(jù)單純的數(shù)學模型而分布并根據(jù)單純的數(shù)學模型計算出閾值。但是，例如在上述第一特征區(qū)域的具體例的情況下，實際上可以假設有左右眼閉著的情況、單只眼睛閉著的情況及左右眼睜著的情況等特征量變化大的三種情況。另外，例如在上述第二特征區(qū)域的具體例子的情況下，可以假設有在由于臉頰和鼻子在面部中也是為凸起的部位，因而因凸起的程度及皮膚的狀態(tài)，光的反射明顯的情況及不明顯的情況等特征量變化大的二種情況。因此，在面部檢測裝置4a中，根據(jù)這樣的假設，設定兩個特征區(qū)域的特征量的差量值不是高斯分布那樣的單純的分布，而是具有多個波峰的分布。
圖8為表示學習處理的數(shù)據(jù)收集所計算出的差量值的直方圖的示例的圖。該直方圖為與某一個圖形的面部矩形1有關，對各圖形的面部矩形1同樣形成直方圖。
直方圖的橫坐標表示了第一特征區(qū)域的特征量和第二特征區(qū)域的特征量的差量值。直方圖的縱坐標表示了計算出的所對應的差量值的樣品圖像的數(shù)量(次數(shù))。所謂正解分布，為表示與面部圖像的樣品圖像有關的分布，所謂非正解分布，為表示與非面部圖像的樣品圖像有關的分布。
在第一實施方式的學習處理中，當形成直方圖時，橫坐標被特定的間隔所隔開。該間隔也可以有一定的寬度，也可以根據(jù)差量值為不同的寬度。接下來，在各區(qū)間中，根據(jù)正解分布的值(面部圖像的次數(shù))與非正解分布的值(非面部圖像的次數(shù))，求得判斷值。圖9為表示根據(jù)所形成的直方圖來求得各區(qū)間的判斷值的情況的圖。判斷值為表示分布于所對應的差量值的區(qū)間的圖像為面部圖像的概率是否高的值。例如，判斷值在面部圖像概率高的區(qū)間(在圖9中為顏色淡的區(qū)間)中為“1”，面部圖像概率低的區(qū)間(在圖9中為顏色濃的區(qū)間)為“0”。另外，例如，判斷值在某個區(qū)間的正解分布的次數(shù)高于非正解分布的次數(shù)的情況下等為“1”，在某個區(qū)間的正解分布的次數(shù)低于非正解分布的次數(shù)的情況下等為“0”。
然后，根據(jù)該直方圖作成LUT(一覽表(Look Up Table))19a。圖10為表示LUT19a的示例的圖。LUT19a具有與差量值的各區(qū)間相對應的判斷值。在變更后的面部檢測處理中，不是根據(jù)閾值，而是根據(jù)由這樣的學習處理所作成的LUT19a來檢測圖像中的人物的面部。
對所準備的所有圖形的面部矩形1實施上述的處理，分別作成與所有圖形的面部矩形1相對應的LUT19a。
接下來，在所得到的多個LUT19a中，判斷在面部檢測處理中用使用哪個LUT19a。即，判斷應采用哪個圖形的面部矩形1來實施面部檢測處理。在進行該判斷時，分別對在面部檢測處理中實施面部檢測的多個圖層進行在各圖層中所使用的圖形的面部矩形1的分配。通過AdaBoost等的增強學習算法來實施該處理。
在面部檢測裝置4a的面部檢測處理的各圖層中，根據(jù)被分配到各圖層的各圖形的面部矩形1來計算出注目區(qū)域內的第一特征區(qū)域及第二特征區(qū)域的特征量。接下來，計算被計算出的特征量的差量值。根據(jù)該差量值，進行在注目區(qū)域內是否包含人物的面部的判斷。具體來講，從與各圖形的面部矩形1相對應的LUT19a中求得與所計算出的差量值相對應的判斷值，根據(jù)該值來進行判斷。例如，在采用了與圖10所示的LUT19a相對應的圖形的面部矩形1的判斷中，在差量值至少為40以上不足60，100以上不足120，及140以上不足160的情況下，就判斷在注目區(qū)域內不包含人物的面部。另一方面，在差量值至少為60以上不足100，及120以上不足140的情況下，就判斷在注目區(qū)域內包含人物的面部。
這樣，在面部檢測裝置4a中采用由具有多個波峰的分布的假定所設定的LUT19a，來實施以往采用由單純的分布的假定所設定的閾值所實施的判斷處理。
〔系統(tǒng)結構〕<面部檢測裝置>
下面，和以往相比較，對應用了具有上述的變更點的面部判斷技術的面部檢測裝置4a的結構進行說明。面部檢測裝置4a在硬件方面具有通過總線所連接的CPU(中央處理器)、主存儲裝置(RAM)、輔助存儲裝置等。輔助存儲裝置是采用不易失性存儲裝置所構成。在這里所說的不易失性存儲裝置，是指所謂的ROM(Read-Only Memory包含EPROM(Erasable Programmable Read-Only Memory)、EEPROM(ElectricallyErasable Programmable Read-Only Memory)、主ROM等)、FRAM(Ferroelectric RAM)、硬盤等。
圖11為表示面部檢測裝置4a的功能方框圖。面部檢測裝置4a將輔助存儲裝置所存儲的各種程序(OS，應用程序等)裝入到主存儲裝置內、通過CPU來執(zhí)行，作為包含輸入部5、輸出部6、LUT存儲部7a、判斷部8a、及設定存儲部9等的裝置來發(fā)揮功能。下面，結合圖11對面部檢測裝置4a所具備的各功能部進行說明。
<<輸入部>>
輸入部5作為將人物圖像的原圖像的數(shù)據(jù)(以下稱為「原圖像的數(shù)據(jù)」)輸入到面部檢測裝置4a內的接口發(fā)揮功能。原圖像的數(shù)據(jù)也可以為靜止圖像的數(shù)據(jù)，也可以為動態(tài)圖像的數(shù)據(jù)。通過輸入部5，從面部檢測裝置4a的外部將原圖像的數(shù)據(jù)輸入到面部檢測裝置4a內。輸入部5也可以為采用將原圖像的數(shù)據(jù)輸入到面部檢測裝置4a內的任何一種現(xiàn)有技術的結構。
例如，也可以通過網(wǎng)絡(例如局域網(wǎng)及互聯(lián)網(wǎng))將原圖像的數(shù)據(jù)輸入到面部檢測裝置4a內。在該情況下，輸入部5也可以為采用網(wǎng)絡接口的結構。另外，也可以從數(shù)字照相機及掃描儀、個人計算機、存儲裝置(例如硬盤驅動裝置)等將原圖像的數(shù)據(jù)輸入到面部檢測裝置4a內。在該情況下，輸入部5可以為根據(jù)將數(shù)字照相機及個人計算機、存儲裝置等和面部檢測裝置4a連接為可進行數(shù)據(jù)通信的規(guī)格〔例如USB(UniversalSerial Bus)及SCSI(Small Computer System Interface)等有線連接及blue tooth等的無線連接的規(guī)格〕的結構。另外，也可以將存儲介質〔例如各種閃存存儲器及軟盤(注冊商標)、CD(Compact Disk)、DVD(Digital Versatile Disc、Digital Video Disc)〕所存儲的原圖像的數(shù)據(jù)輸入到面部檢測裝置4a內。在該情況下，輸入部5可以為采用從存儲介質中讀出數(shù)據(jù)的裝置(例如閃存存儲器讀出器及軟盤驅動裝置、CD驅動裝置、DVD驅動裝置)的結構。
另外，也可以將面部檢測裝置4a包含到數(shù)字照相機等的拍攝裝置、或具有數(shù)字照相機等的拍攝裝置〔例如PDA(Personal DigitalAssistant)內、將所拍攝的人物圖像作為原圖像的數(shù)據(jù)輸入到面部檢測裝置4a內。在該情況下，輸入部5也可以為采用CCD(Charge-CoupledDevices)及CMOS(Complementary Metal-Oxide Semiconductor)傳感器等的結構，也可以為作為將CCD及CMOS傳感器等所拍攝的原圖像的數(shù)據(jù)輸入到面部檢測裝置4a內的接口的結構。另外，也可以作為輸出數(shù)據(jù)將輸入到該圖像輸出裝置內的人物圖像作為原圖像的數(shù)據(jù)輸入到面部檢測裝置4a內。在該情況下，輸入部5也可以為采用將輸入到這些圖像輸出裝置內的原圖像的數(shù)據(jù)變換為在面部檢測裝置4a中可處理的數(shù)據(jù)的裝置等的結構。
另外，輸入部5也可以為適合上述多種情況的結構。
<<輸出部>>
輸出部6作為將表示判斷部8a是否檢測出了人物的面部的數(shù)據(jù)和/或表示被檢測出的面部的位置及大小等的數(shù)據(jù)輸出到面部檢測裝置4a的外部的接口發(fā)揮功能。輸出部6也可以為采用從面部檢測裝置4a中將與人物的面部檢測結果有關的數(shù)據(jù)進行輸出的任何一種現(xiàn)有技術的結構。
例如，也可以通過網(wǎng)絡將與檢測結果有關的數(shù)據(jù)從面部檢測裝置4a中輸出。在該情況下，輸出部6為采用網(wǎng)絡接口的結構。另外，也可以將與檢測結果有關的數(shù)據(jù)輸出到個人計算機等的其他的信息處理裝置及存儲裝置中。在該情況下，輸出部6為根據(jù)將個人計算機等其他信息處理裝置或存儲裝置等和面部檢測裝置4a連接為可進行數(shù)據(jù)通信的規(guī)格的結構。另外，也可以將與檢測結果有關的數(shù)據(jù)輸出(寫入)到存儲介質內。在該情況下，輸出部6為采用將數(shù)據(jù)寫入到這些存儲裝置或存儲介質內的裝置(例如閃存存儲器記錄器及軟盤驅動裝置、CD-R驅動裝置、DVD R驅動裝置)的結構。
對于輸出部6所輸出的數(shù)據(jù)的具體用途的例子也進行說明。例如，為了將表示面部檢測裝置4a所檢測出的面部的區(qū)域的圖形輸出到顯示器等的顯示裝置中，也可以使用輸出部6所輸出的數(shù)據(jù)。在此種情況下，輸出部6例如也可以為作為和顯示器等的顯示裝置進行數(shù)據(jù)通信的接口的結構，也可以為作為與顯示器等的顯示裝置相連接、或將數(shù)據(jù)提交給內置的信息處理裝置的接口的結構。另外，也可以為進行例如在將面部檢測裝置4a包含到數(shù)字照相機或具有數(shù)字照相機的各種裝置內的情況下，數(shù)字照相機以輸出部6所輸出的數(shù)據(jù)為基準來進行與焦點控制及曝光補償?shù)鹊呐臄z有關的控制的結構。在此種情況下，輸出部6例如也可以為作為和數(shù)字照相機內的信息處理裝置可進行數(shù)據(jù)通信的接口的結構。另外，也可以為決定例如將面部檢測裝置4a包含到進行圖像補償處理的信息處理裝置內的情況及與此種信息處理裝置相連接的情況下，信息處理裝置以輸出部6所輸出的數(shù)據(jù)為基準來決定圖像補償處理的處理區(qū)域及處理內容等的結構。在此種情況下，輸出部6例如也可以為作為和此種信息處理裝置及其內部的裝置可進行數(shù)據(jù)通信的接口的結構。
另外，輸出部6也可以為適合上述的多種情況的結構。
<<LUT存儲部>>
LUT存儲部7a為采用不易失性存儲裝置的結構。LUT存儲部7a將判斷部8a在進行面部檢測處理時所使用的LUT19a進行存儲。即，LUT存儲部7a將對作為學習處理的結果所得到的各圖形的面部矩形1的LUT19a進行存儲。因此，LUT存儲部7a可存儲多個LUT19a。
<<判斷部>>
判斷部8a采用LUT存儲部7a所存儲的LUT19a，根據(jù)設定存儲部9所存儲的設定內容實施面部檢測處理。判斷部8a將實施面部檢測處理的結果提交給輸出部6。另外，判斷部8a通過圖中未示的輸入部和輸出部，對輸入部5、輸出部6、LUT存儲部7a及設定存儲部9進行數(shù)據(jù)的輸出入。
判斷部8a是通過CPU執(zhí)行面部檢測程序來實現(xiàn)的。另外，判斷部8a也可以為采用專用芯片的結構。
圖12為表示判斷部8a的內部的功能方框圖。結合圖12對判斷部8a的功能進行說明。判斷部8a包含特征量計算部10、第一判斷部11a、控制部12及第二判斷部13a。
特征量計算部10計算出在各圖層所計算的第一特征區(qū)域及第二特征區(qū)域的特征量。并且，特征量計算部10計算所計算出的兩個特征量的相對值(在這里為差量值)。
第一判斷部11a取得與特征量計算部10所計算出的差量值相對應的判斷值，根據(jù)1以上的判斷值，對在注目區(qū)域內是否包含人物的面部進行判斷。具體來講，第一判斷部11a讀出與特征量計算部10計算特征量時所使用的圖形相對應的LUT19a。第一判斷部11a根據(jù)所讀出的LUT19a，取得與特征量計算部10所計算出的差量值相對應的判斷值。第一判斷部11a取得與被分配到各圖層的所有圖形相對應的判斷值，根據(jù)這些判斷值，計算各圖層的總得分，進行在注目區(qū)域內是否包含人物的面部的判斷(相當于圖3的S03、S04)。
控制部12讀出設定存儲部9所存儲的各種設定內容，將各圖形的第一矩形2及第二矩形3的位置及大小等給予特征量計算部10。另外，控制部12將特征量計算部10所計算出的特征量和與計算該特征量時所使用的圖形相對應的LUT19a給予第一判斷部11a。并且，將第一判斷部11a的判斷結果給予第二判斷部13a。另外，控制部12除此之外還進行注目區(qū)域的選擇(相當于圖3的S01)及判斷部8a的動作的控制(相當于圖3的S02、S05、S07)。
第二判斷部13a根據(jù)第一判斷部11a的結果，即根據(jù)各圖層的判斷結果，進行在現(xiàn)在的注目區(qū)域內是否包含面部的最終判斷(相當于圖3的S06)。
<<設定存儲部>>
設定存儲部9是采用不易失性存儲裝置所構成。設定存儲部9將判斷部8a進行面部檢測處理時的各種設定內容進行存儲。例如，設定存儲部9將各圖形的面部矩形1進行存儲。具體來講，將各圖形的第一矩形2及第二矩形3的位置及大小等進行存儲。另外，例如，設定存儲部9將任何一個圖形的面部矩形1是否被分配到了各圖層的情況進行存儲。另外，設定存儲部9將從人物圖像中選擇注目區(qū)域的方法進行存儲。
<表生成裝置>
下面，對生成面部檢測裝置4a所使用的LUT19a的表生成裝置14a的結構進行說明。表生成裝置14a在硬件方面具有通過總線相連接的CPU(中央處理器)、主存儲裝置(RAM)、輔助存儲裝置等。輔助存儲裝置是采用不易失性存儲裝置所構成。
圖13為表示表生成裝置14a的功能方框圖。表生成裝置14a將輔助存儲裝置所存儲的各種程序(OS、應用程序等)裝入到主存儲裝置內，通過CPU來執(zhí)行，作為包含特征量計算部15、次數(shù)獲得部16、判斷部17a、及表生成部18a的裝置來發(fā)揮功能。
表生成裝置14a從整體上來講執(zhí)行變更后的學習處理。下面，結合圖13對表生成裝置14a所具備的各功能部進行說明。
特征量計算部15對各樣品圖像根據(jù)圖形計算出第一特征區(qū)域及第二特征區(qū)域的特征量。并且，特征量計算部15作為各特征量的相對值計算出差量值。也可以將各圖形的特征(各特征區(qū)域的大小及位置等)存儲到特征量計算部15內，也可以通過圖中未示的其他的功能部來進行存儲。
次數(shù)獲得部16根據(jù)特征量計算部15的計算結果，得到正解分布及非正解分布。并且，次數(shù)獲得部16對正解分布及非正解分布獲得各區(qū)間的次數(shù)。
判斷部17a根據(jù)次數(shù)獲得部16所獲得的正解分布及非正解分布的各區(qū)間的次數(shù)，求得各區(qū)間的判斷值。
表生成部18a生成將判斷部17a所求得的判斷值和該區(qū)間對應起來的LUT19a。另外，表生成部18a通過實施增強學習算法，判斷在面部檢測裝置4a中應使用哪個LUT19a，并進行各圖層的分配。
根據(jù)面部檢測裝置4a，在面部檢測處理的各圖層的判斷處理中，在基于各圖形的面部矩形1而進行判斷時，不使用閾值而使用LUT19a。在該LUT19a中保存有各特征區(qū)域的特征量的差量值的范圍和與差量值的各范圍相對應的判斷值，以該判斷值為基準進行各圖形的判斷。
因此，在面部檢測裝置4a中，和根據(jù)某個閾值來判斷在注目區(qū)域內是否存在有面部的情況相比，在采用了各圖形的面部矩形1的判斷中，可以進行更準確的判斷。例如，在通過學習得到圖9所示的直方圖的情況下，由于在以往的技術中設定了單純的分布，因而例如就將從左到第4個的區(qū)間和第5個的區(qū)間的邊界作為閾值來設定。即，對于具有小的波峰的分布(在圖9中從右到第2個的區(qū)間及第3個的區(qū)間)就沒有具體地進行假設。但是，在面部檢測裝置4a中，通過采用LUT19a，對具有這樣小的波峰的分布進行獨立的判斷。因此，在面部檢測裝置4a中，采用了各圖形的面部矩形1的各判斷和以往相比，更為準確。
另外，在面部檢測裝置4a中，減少了分配到各圖層的面部矩形1的圖形。以及/或，在面部檢測裝置4a中，減少了在面部檢測處理中所實施的圖層的數(shù)量。即，在對一個注目區(qū)域的面部檢測處理中，減少了實施判斷的面部矩形1的圖形的總數(shù)。
在面部檢測裝置4a所應用的面部檢測技術的面部檢測處理中實施基于多個圖形的面部矩形1的判斷的理由，說起來是因為基于各圖形的面部矩形1的判斷，僅根據(jù)其中的某個判斷是非常不準確的。即，由于在各個圖形的面部矩形1所實施的判斷不準確，因而通過基于多個圖形的面部矩形1的判斷，可提高判斷處理的精確度。但是，根據(jù)面部檢測裝置4a，可以提高基于每個圖形的面部矩形1的判斷處理的精確度。因此，就可以減少在對一個注目區(qū)域的面部檢測處理中所使用的面部矩形1的圖形的總數(shù)，作為整體就可以在不降低面部檢測處理的精確度的情況下實現(xiàn)高速化。
在上述中，作為特定被攝體檢測裝置的具體例，對從圖像中檢測出人物面部的面部檢測裝置4a進行了說明。除此之外，作為特定被攝體檢測裝置的具體例，還有從圖像中檢測出汽車的車體的裝置、及檢測出貓、狗等的特定的動物的裝置；檢測出特定的字及符號、標記等的裝置。這些裝置只是學習處理所采用的不同樣品圖像，基本的結構等同樣可以和面部檢測裝置4a進行安裝。另外，根據(jù)被檢測出的各個特定被攝體，也可以對面部檢測裝置4a實施適當?shù)淖兏?br> 另外，在上述中，是采用了第一特征區(qū)域的特征量和第二特征區(qū)域的特征量的差量值，也可以采用各個特征量的比例等相對的值。
〔原理〕下面，對在面部檢測裝置4的第二實施方式的面部檢測裝置4b中所應用的面部檢測技術的原理進行說明。另外，在以下的說明中，對和第一實施方式所應用的面部檢測技術不同的點進行說明。
在第一實施方式中，在直方圖(參照圖9)的橫坐標以特定的間隔被隔開后，將“0”或“1”中的其中一個判斷值給予各區(qū)間。對此，在第二實施方式中，將實數(shù)的判斷值給予各區(qū)間。圖15為表示在第二實施方式中給予直方圖的各區(qū)間的判斷值的示例的圖。在第二實施方式中，判斷值表示分布到所對應的差量值的區(qū)間的圖像為面部圖像的概率的高度或其概率。即，第一實施方式的判斷值為表示「注目區(qū)域的圖像為面部的可能性是否高」，對此，第二實施方式的判斷值為表示「注目區(qū)域的圖像為面部的可能性的程度」。例如，判斷值取從“0”到“1”的實數(shù)，表示該值越大面部圖像的概率就越高。更具體地來講，判斷值也可以根據(jù)例如以下的公式來計算出。在公式1中，作為h(x)計算出判斷值。
如果fHaar(x)∈binj則h(x)=12ln(W‾+1j+ϵW‾-1j+ϵ)]]>其中W‾lj=P(fHaar(x)∈binj,y=1),l=±1,j=1,...,n.]]>binj=[j-1n,jn),j=1,...,n]]>fHaat是Haar特征另外，該判斷值也可以根據(jù)正解分布的次數(shù)和非正解分布的次數(shù)的差和比來求得。在該情況下，如果正解分布的次數(shù)對非正解分布的次數(shù)越高的話，判斷值就取越大的值，相反，如果正解分布的次數(shù)對非正解分布的次數(shù)越低的話，判斷值就取越小的值。
然后，根據(jù)該直方圖的各區(qū)間的判斷值作成LUT19b。圖16為表示LUT19b的示例的圖。LUT19b具有對應差量值的各區(qū)間的判斷值，該判斷值以實數(shù)來表示。在第二實施方式中，和第一實施方式的LUT19a同樣，作成與所有的圖形的面部矩形1分別相對應的LUT19b。并且，通過增加學習加法，將LUT19b分別分配到多個圖層。
在第二實施方式的面部檢測處理中，各圖層(除去最初進行處理的圖層)進行和第一實施方式的各圖層不同的處理。圖17為表示第二實施方式的各圖層的處理的概要圖。首先，最初的圖層(圖層1)和第一實施方式的各圖層同樣，取得分配到該圖層的各圖形的判斷值。然后，圖層1以各圖形的判斷值為基準，計算出圖層的總得分，判斷在注目區(qū)域內是否存在有面部。另一方面，圖層2以后的圖層根據(jù)基于分配到各圖層的各圖形的面部矩形1所得到的判斷值，及在前一個圖層所計算出的總得分，判斷在注目區(qū)域內是否存在有面部。即，第二實施方式的各圖層在考慮前一個圖層的總得分來計算總得分這一點上，和第一實施方式的各圖層不同。另外，第二實施方式的各圖層將各圖形的判斷值作為各圖形的得分來考慮。但是，也可以將以各圖形的判斷值為基準所得到的其他的值作為各圖形的得分來處理。
圖18為表示第二實施方式的各圖層的處理的具體的示例的圖。圖層m(圖層m不是最初進行處理的圖層)根據(jù)分配到該圖層m的各圖形，計算出特征量。接下來，圖層m根據(jù)LUT19b及所計算出的特征量，對每個圖形取得判斷值(pt2～ptn)。并且，圖層m作為判斷值pt1，取得前一個圖層(圖層(m-1))的總得分。
另外，在第一實施方式中，在計算各圖層的總得分時，只考慮判斷值為“1”的圖形的得分，但在第二實施方式的各圖層考慮到所有的圖形的實數(shù)的判斷值來計算總得分。因此，圖層m根據(jù)所有的各判斷值(pt1～ptn)來計算總得分，實施作為圖層m的判斷。圖層m在判斷為注目區(qū)域內包含面部的情況下，將圖層m的總得分提交給下一個圖層(圖層(m+1))。并且，在最后的圖層中對注目區(qū)域內是否存在有面部作出最終判斷。
〔系統(tǒng)結構〕<面部檢測裝置>
下面，對第二實施方式的面部檢測裝置4b的結構進行說明。面部檢測裝置4b在取代LUT存儲部7a、判斷部8a，具有LUT存儲部7b、判斷部8b，這一點上與面部檢測裝置4a不同。下面，對面部檢測裝置4b和面部檢測裝置4a的不同點進行說明。
<<LUT存儲部>>
LUT存儲部7b在取代LUT19a(參照圖10)存儲LUT19b(參照圖16)這一點上與LUT存儲部7a不同。LUT存儲部7b在其他的方面和LUT存儲部7a為同樣的結構。
<<判斷部>>
判斷部8b采用LUT存儲部7b所存儲的LUT19b，根據(jù)設定存儲部9所存儲的設定內容進行面部檢測處理。下面，結合圖12對判斷部8b的功能塊進行說明。判斷部8b在取代第一判斷部11a，具有第一判斷部11b；取代第二判斷部13a，具有第二判斷部13b，這一點上與判斷部8a不同。下面，對判斷部8b和判斷部8a的不同點進行說明。
第一判斷部11b取得與特征量計算部10所計算出的差量值相對應的判斷值，根據(jù)1以上的判斷值，進行在注目區(qū)域內是否包含人物的面部的判斷。具體來講，第一判斷部11b讀出與特征量計算部10計算特征量時所使用的圖形相對應的LUT19b。第一判斷部11b根據(jù)所讀出的LUT19b，取得與特征量計算部10所計算出的差量值相對應的判斷值、即各圖形的判斷值。第一判斷部11b根據(jù)這些判斷值，計算各圖層的總得分，進行在注目區(qū)域內是否包含人物的面部的判斷。
第一判斷部11b在第二個以后的圖層中，作為一個判斷值，采用基于前一個圖層的總得分的值。即，第一判斷部11b在第二個以后的圖層中，采用基于前一個圖層的總得分的值及與分配到該圖層的各圖形相對應的所有的判斷值，來計算該圖層的總得分。并且，根據(jù)所計算出的該總得分，對在現(xiàn)在的注目區(qū)域內是否包含面部的判斷進行該圖層的判斷。
第二判斷部13b根據(jù)第一判斷部11b的結果，即根據(jù)各圖層的判斷結果，進行在現(xiàn)在的注目區(qū)域內是否包含面部的最終判斷(相當于圖3的S06)。
<表生成裝置>
下面，對生成面部檢測裝置4b所使用的LUT19b的表生成裝置14b的結構進行說明。表生成裝置14b在進行第二實施方式的學習處理這一點上和表生成裝置14a不同。即，表生成裝置14b在取代判斷部17a和表生成部18a，具有判斷部17b和表生成部18b，這一點上和表生成裝置14a不同。下面，關于表生成裝置14b，只對和表生成裝置14a不同的點進行說明。
判斷部17b根據(jù)次數(shù)獲得部16所獲得的正解分布及非正解分布的各區(qū)間的次數(shù)，根據(jù)公式1，計算各區(qū)間的實數(shù)的判斷值。
表生成部18b生成將判斷部17b所計算出的實數(shù)的判斷值和該區(qū)間對應起來的LUT19b。另外，表生成部18b通過執(zhí)行增強學習算法，判斷在面部檢測裝置4b中應使用哪個LUT19b，并進行對各圖層的分配。
〔作用/效果〕根據(jù)第二實施方式的面部檢測裝置4b，在面部檢測處理的各圖層的判斷處理中，在基于各圖形的面部矩形1的判斷時，不使用LUT19a，而使用LUT19b(參照圖16)。在該LUT19b中，作為與差量值的各范圍相對應的判斷值，保存有“0”～“1”的實數(shù)值，而不是“0”或“1”的兩個值。
因此，在面部檢測裝置4b中，與進行采用了LUT19a的處理的面部檢測裝置4a相比，可以提高各圖層的處理的精確度。例如，在LUT19a的情況下，在將根據(jù)正解分布和非正解分布的次數(shù)的不同幾乎無法看到的微弱的差判斷判斷值為“0”的情況下(以下稱為情況1)、和在由于非正解分布明顯地壓倒多數(shù)而判斷判斷值為“0”的情況下(以下稱為情況2)，均完全同等地進行處理。另一方面，在LUT19b的情況下，區(qū)別開來進行考慮在情況1的情況下，例如將判斷值定為“0.4”；在情況2的情況下，例如將判斷值定為“0.1”。因此，可以將情況1多的情況和情況2多的情況作為不同的狀態(tài)(不同的得分)來考慮，可以提高檢測面部時的精確度。
另外，由于像這樣使各圖形的判斷值成為實數(shù)，并提高了精確度，因而可以在維持處理的精確度的情況下減少分配到各圖層的圖形的數(shù)量。即，可以通過比以前少的圖形來進行判斷處理。因此，可以實現(xiàn)處理的高速化。根據(jù)同樣的理由，也可以減少圖層的數(shù)量，實現(xiàn)高速化。
另外，根據(jù)第二實施方式的面部檢測裝置4b，通過在沒有完成判斷處理的圖層中采用已經完成了判斷處理的圖層的總得分，來實施該圖層的判斷處理。換言之，根據(jù)將已經完成了判斷處理的圖層的各圖形的判斷值反映到后面的圖層的判斷處理中，在后面的圖層中，與實際所采用的圖形的數(shù)量相比，通過設定增加了對判斷處理有影響的圖形的數(shù)量，與沒有進行這樣處理的面部檢測裝置4a相比，可以提高各圖層的判斷處理的精確度。因此，在后面的圖層中，就可以在維持判斷處理的精確度的情況下減少分配到各圖層的圖形的數(shù)量，實現(xiàn)處理的高速化。同樣，也可以減少圖層的數(shù)量，實現(xiàn)處理的高速化。另外，為了減少圖形的數(shù)量，也可以減少在面部檢測裝置4b中所使用的資源。
〔變形例〕在圖15所示的直方圖及圖16所示的LUT19b的例子中，判斷值作為到有效位數(shù)1的小數(shù)點第一位的小數(shù)表示了判斷值，但判斷值并沒有必要拘泥于這樣的基準。即，作為判斷值的有效位數(shù)及到小數(shù)點第幾位的值來表示判斷值，設計者也可以根據(jù)情況自由設定。
第二判斷部13b也可以為不采用與分配到各圖層的各圖形相對應的判斷值來計算各圖層的總得分，而是在與分配到各圖層的各圖形相對應的判斷值中，只采用超過了閾值(例如“0.2”，“0.5”)的判斷值來計算各圖層的總得分。
另外，第二判斷部13b也可以為在計算各圖層的總得分時，不限于采用前一個圖層的總得分，也可以采用基于在該圖層之前實施了處理的1個以上的圖層的總得分的值。
另外，第二判斷部13b在采用以前實施了處理的1個以上的圖層的總得分得到判斷值時，也可以將總得分作為判斷值來使用，也可以通過對總得分附加某些加權來作為判斷值使用。
權利要求
1.一種特定被攝體檢測裝置，其特征在于，包括存儲對應多個特征量的各個特征量所準備的各個判斷值的存儲裝置；從圖像中計算出注目區(qū)域內的特征量的計算裝置；和在所述存儲裝置所存儲的判斷值中，以對應由所述計算裝置計算出的特征量的判斷值為基準，判斷在所述注目區(qū)域內是否包含特定的被攝體的判斷裝置。
2.一種特定被攝體檢測裝置，其特征在于，包括存儲對應多個特征量的各個特征量所準備的各判斷值的存儲裝置；通過進行多個不同的計算處理，從圖像中計算出同一注目區(qū)域內的特征量的計算裝置；在所述存儲裝置所存儲的判斷值中，以對應由所述計算裝置計算出的特征量的判斷值為基準計算出得分，根據(jù)該得分，判斷在所述注目區(qū)域內是否包含特定的被攝體的第一判斷裝置；通過將由計算裝置進行的不同計算處理所得到的多個特征量以組的形式給予所述第一判斷裝置，從第一判斷裝置取得為得到最終判斷的充分數(shù)量的判斷結果的控制裝置；和根據(jù)所述控制裝置所取得的由第一判斷裝置做出的多個判斷結果，對在所述注目區(qū)域內是否包含特定的被攝體進行最終判斷的第二判斷裝置。
3.一種特定被攝體檢測裝置，其特征在于，包括對于多個分別不同的圖形，存儲對應多個特征量的各個特征量所準備的各個判斷值的存儲裝置；根據(jù)多個分別不同的圖形，從圖像中計算出同一注目區(qū)域內的特征量的計算裝置；以對應由所述計算裝置采用的圖形和由所述計算裝置計算出的特征量的判斷值為基準計算出得分，根據(jù)該得分來判斷在所述注目區(qū)域內是否包含特定的被攝體的第一判斷裝置；通過將基于多個不同圖形的計算處理所得到的多個特征量以組的形式給予所述第一判斷裝置，從第一判斷裝置取得為得到最終判斷的充分數(shù)量的判斷結果的控制裝置；和根據(jù)所述控制裝置取得的第一判斷裝置做出的多個判斷結果，對在所述注目區(qū)域內是否包含特定的被攝體進行最終判斷的第二判斷裝置。
4.根據(jù)權利要求3所述的特定被攝體檢測裝置，其特征在于，所述存儲裝置將分配到多個區(qū)間的所述特征量和各區(qū)間的判斷值建立對應關聯(lián)，并進行存儲。
5.根據(jù)權利要求4所述的特定被攝體檢測裝置，其特征在于，所述各區(qū)間中的判斷值是由判斷基準生成裝置決定的值，所述判斷基準生成裝置包括根據(jù)任意的圖形計算出多個樣品圖像的各個特征量的樣品圖像特征量計算裝置；對多個特征量的各區(qū)間，根據(jù)由所述樣品圖像特征量計算裝置所計算出的特征量求得在所述區(qū)間內所包含的樣品圖像的次數(shù)的次數(shù)獲得裝置；和對所述多個區(qū)間的各個區(qū)間，通過根據(jù)該區(qū)間中的次數(shù)，判斷是否應根據(jù)由所述樣品圖像特征量計算裝置所計算出的特征量判斷為在所述區(qū)間內包含的注目區(qū)域內包含特定的被攝體，來決定判斷值的判斷值決定裝置。
6.根據(jù)權利要求2～5中任意一項所述的特定被攝體檢測裝置，其特征在于，所述第一判斷裝置在從控制裝置取得作為新的組的多個特征量，計算新的得分時，使用作為該新的組的多個特征量的各個特征量中的多個判斷值，和對已經由第一判斷裝置完成判斷處理的所述組所計算出的得分。
7.一種判斷基準生成裝置，其特征在于，包括根據(jù)任意圖形計算出多個樣品圖像的各個特征量的計算裝置；對多個特征量的各區(qū)間，根據(jù)由計算裝置所計算出的特征量求得在所述區(qū)間內所包含的樣品圖像次數(shù)的次數(shù)獲得裝置；對所述多個區(qū)間的各個區(qū)間，通過根據(jù)該區(qū)間中的次數(shù)，判斷是否應由所述樣品圖像特征量計算裝置所計算出的特征量判斷為在所述區(qū)間內包含的注目區(qū)域內包含特定的被攝體，來決定判斷值的判斷值決定裝置；和生成將所述各區(qū)間與由所述判斷裝置做出的判斷結果建立了對應關聯(lián)的判斷基準的判斷基準生成裝置。
8.一種程序，其特征在于，使具有存儲根據(jù)多個各特征量所準備的各判斷值的存儲裝置的信息處理裝置執(zhí)行以下的步驟從圖像中計算出注目區(qū)域內的特征量的步驟；和在所述存儲裝置所存儲的判斷值中，以對應所計算出的特征量的判斷值為基準，判斷在所述注目區(qū)域內是否包含特定的被攝體的步驟。
9.一種程序，其特征在于，使具有存儲根據(jù)多個各特征量所準備的各判斷值的存儲裝置的信息處理裝置執(zhí)行以下的步驟通過進行多種不同的計算處理，從圖像中計算出注目區(qū)域內的特征量的步驟；在所述存儲裝置所存儲的判斷值中，以對應所計算出的特征量的判斷值為基準計算出得分，根據(jù)該得分，判斷在所述注目區(qū)域內是否包含特定的被攝體的第一判斷步驟；通過以組的形式將通過在計算步驟所進行的不同的計算處理所得到的多個特征量給予所述第一判斷步驟，來執(zhí)行該步驟，取得為得到最終判斷的充分數(shù)量的判斷結果的步驟；和根據(jù)所取得的多個判斷結果，對在所述注目區(qū)域內是否包含特定的被攝體進行最終判斷的第二判斷步驟。
10.一種程序，其特征在于，使具有對多個分別不同的圖形存儲對應多個各特征量所準備的多個判斷值的各個判斷值的存儲裝置的信息處理裝置執(zhí)行以下的步驟根據(jù)多個分別不同的圖形，從圖像中計算出同一注目區(qū)域內的特征量的步驟；以對應在所述計算步驟所使用的圖形和所述計算步驟所計算出的特征量的判斷值為基準計算出得分，根據(jù)該得分來判斷在所述注目區(qū)域內是否包含特定的被攝體的第一判斷步驟；通過以組的形式將通過執(zhí)行基于多個不同的圖形的所述計算步驟所得到的多個特征量給予所述第一判斷步驟，來執(zhí)行該步驟，取得為得到最終判斷的充分數(shù)量的判斷結果的步驟；和根據(jù)所取得的多個判斷結果，對在所述注目區(qū)域內是否包含特定的被攝體進行最終判斷的第二判斷步驟。
11.一種程序，其特征在于，使信息處理裝置執(zhí)行以下步驟根據(jù)任意圖形計算出多個樣品圖像的各個特征量的步驟；對多個特征量的各區(qū)間，求得在所述區(qū)間內包含所計算出的特征量的樣品圖像的次數(shù)的步驟；對所述多個區(qū)間的各個區(qū)間，通過根據(jù)該區(qū)間中的次數(shù)，判斷是否應判斷為在所述區(qū)間內包含由所述樣品圖像特征量計算裝置所計算出的特征量的注目區(qū)域內包含特定的被攝體的步驟；和生成將所述各區(qū)間和判斷結果建立對應關聯(lián)的表的步驟。
12.一種特定被攝體檢測裝置，其特征在于，包括參照對圖像定義部分區(qū)域的區(qū)域圖形信息的裝置；通過根據(jù)所述區(qū)域圖形信息執(zhí)行規(guī)定的運算來計算出所述圖像的特征量的運算裝置；將對多個樣品圖像所計算出的特征量和與被計算出其特征量的圖像所具有的屬性相關的判斷值組合存儲的判斷值存儲裝置；和根據(jù)對所述圖像計算出的特征量，判斷該圖像是否具有所述屬性的判斷裝置。
13.一種程序，其特征在于，使計算機執(zhí)行以下的步驟參照對圖像定義部分區(qū)域的區(qū)域圖形信息的步驟；通過根據(jù)所述區(qū)域圖形信息執(zhí)行規(guī)定的運算來計算出所述圖像的特征量的運算步驟；參照組合存儲了對多個樣品圖像所計算出的特征量和與被計算出其特征量的圖像所具有的屬性相關的判斷值的判斷值存儲裝置的步驟；和根據(jù)對所述圖像計算出的特征量，判斷該圖像是否具有所述屬性的判斷步驟。
全文摘要
本發(fā)明提供一種特定被攝體檢測裝置。對于在圖像中的某個注目區(qū)域內是否包含人物的面部的判斷處理，可實現(xiàn)高速化及高精確度化。本發(fā)明的特定被攝體檢測裝置不是像以往那樣根據(jù)一個閾值將注目區(qū)域的特征量與判斷值對應，而是通過采用一覽表等對每個特征量與判斷值分別獨立對應。因此，判斷值和特征量的對應關系更為準確，可以實現(xiàn)處理的高精度化。另外，在以往為了保證判斷的精確度而多次反復進行判斷，根據(jù)其綜合結果進行最終判斷，而本發(fā)明由于提高了一次處理的精確度，可減少反復的次數(shù)，實現(xiàn)高速化。
文檔編號G06K9/00GK1696959SQ20041003819
公開日2005年11月16日 申請日期2004年5月14日 優(yōu)先權日2004年5月14日
發(fā)明者艾海舟, 黃暢, 武勃, 勞世紅 申請人:歐姆龍株式會社, 清華大學