專利名稱：數(shù)據(jù)校正設(shè)備、其控制方法以及圖像判別設(shè)備的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種例如校正諸如圖像識別中使用的特征點的位置或者圖像數(shù)據(jù)的 數(shù)據(jù)校正設(shè)備及其控制方法以及圖像判別(discrimination)設(shè)備。
背景技術(shù)：
在例如使用圖像數(shù)據(jù)進(jìn)行的臉部識別中，決定臉部器官或者特征部位(下文稱為 特征點)的位置是很重要的任務(wù)，其經(jīng)常影響識別性能。所決定的特征點的位置被用作，例 如在將待識別圖像的大小和旋轉(zhuǎn)進(jìn)行標(biāo)準(zhǔn)化并且從該圖像中提取識別所需的部分區(qū)域時 的基準(zhǔn)點。為了計算適合于識別的特征量，期望準(zhǔn)確地決定特征點的位置。日本PCT國家公開第2002-511617號公報(下文稱為專利文獻(xiàn)1)描述了與通過 圖形匹配進(jìn)行臉部檢測有關(guān)的技術(shù)。根據(jù)專利文獻(xiàn)1，在準(zhǔn)備了與臉部方位對應(yīng)的稱為多 個彈性束圖(elastic bunch graph)的約束(constrain)時，執(zhí)行臉部檢測并且從通過最 佳彈性束圖獲得的檢測結(jié)果決定特征點的位置。R. Senaratne ；S. Halgamuge. “ Optimized Landmark Model Matching for Face Recognition " Automatic Face and Gesture Recognition, 2006. FGR 2006.7th International Conference，pp. 120—125 (下文稱為非 專利文獻(xiàn)1)描述了這樣的方法，即將多個特征點位置坐標(biāo)數(shù)據(jù)投影到維數(shù)減少的子空間 (subspace)上，并且在子空間上搜索特征點的位置。日本專利特開第2008-186247號公報 (下文稱為專利文獻(xiàn)幻描述了根據(jù)從臉部器官的位置經(jīng)驗性地獲得的算術(shù)表達(dá)式來確定 臉部方位的方法。Beumer, G. M. ；Tao, Q. ；Bazen, Α. M. ；Veldhuis, R. N. J. “ A landmark paper in face recognition" Automatic Face and Gesture Recognition,2006. FGR 2006. 7th International Conference, pp. 73-78 (下文稱為非專利文獻(xiàn)2、描述了將每個特征點的坐 標(biāo)值設(shè)置為輸入矢量并且使用子空間來校正該特征點的位置的方法。下面將解釋這種方法 的概要。首先，通過特征點位置候選決定處理來識別如圖16A所示的特征點的位置。圖16A 示出了特征點的位置的示例，并且舉例說明了 14個由“X”標(biāo)記表示的特征點(這些特征 點被定義為特征點集)被決定的情況。例如，圖16A中所示的特征點1601對應(yīng)于左眼的尾 部。接下來，在上述決定處理中決定的每個特征點的坐標(biāo)值被設(shè)置為輸入矢量并且通過子 空間投影處理被投影到子空間上。當(dāng)有14個特征點時，如圖16A所示，觀維矢量(包含14 個水平坐標(biāo)值和14個垂直坐標(biāo)值作為要素的矢量)被設(shè)置為輸入數(shù)據(jù)。子空間上的投影 使用了通過例如主成分分析(principal component analysis)利用多個學(xué)習(xí)特征點位置 數(shù)據(jù)來預(yù)先生成的投影矩陣。接下來，在維數(shù)壓縮處理中，通過消除對應(yīng)于投影矩陣的投影值來減少維數(shù)，該投 影矩陣是通過主成分分析獲得的，并且具有小本征值。例如二8維矢量被減少到7維矢量。 在子空間逆向投影處理(inverse projection processing)中，投影到子空間上的輸入矢 量被逆向投影到實空間上，以使用維數(shù)減少的投影矢量和投影矩陣在此空間上獲得逆向投 影矢量。通過上述處理，即使是使用學(xué)習(xí)數(shù)據(jù)集生成的、不能在子空間中表現(xiàn)的具有異常值(outlier)的輸入矢量，也被校正為能夠在子空間中表現(xiàn)的矢量。即，基于使用子空間的統(tǒng) 計幾何約束來校正輸入矢量。圖16B示出一個示例，其中在特征點位置候選決定處理中提取出錯誤的特征點。 特征點1602例示了在將眉毛邊緣錯誤地確定為眼睛尾部時被錯誤地決定為校正特征點的 特征點。當(dāng)對包含圖16B所示的特征點位置的輸入矢量執(zhí)行上述子空間投影處理、維數(shù)減 少處理以及子空間逆向投影處理時，特征點1602的位置被校正為在子空間中能夠表現(xiàn)的 位置。圖16C是示出特征點1602被校正為特征點1603時在子空間逆向投影處理之后特征 點位置的示例的示圖。在距離計算處理中，針對每個特征點計算作為特征點位置候選決定處理中的輸出 的特征點候選坐標(biāo)、以及通過從子空間投影處理到子空間逆向投影處理的一系列處理校正 的特征點坐標(biāo)之間的距離。在圖16B和圖16C中舉例的情況下，圖像坐標(biāo)系統(tǒng)中特征點1602 和1603之間的歐幾里得(Euclid)距離被計算。在選擇處理中，將距離計算處理中計算出 的特征點距離與閾值比較，并且針對每個特征點選擇校正前或校正后的特征點的坐標(biāo)。在 這種情況下，如果校正前和校正后的特征點之間的距離超過預(yù)定閾值，則選擇校正后的坐 標(biāo)值，而如果該距離等于或小于閾值，則選擇校正前的坐標(biāo)值。針對每個特征點重復(fù)進(jìn)行上 述處理。此外，在將作為選擇處理的結(jié)果而獲得的特征點集設(shè)置為輸入矢量時，從子空間投 影處理到選擇處理的一系列處理被重復(fù)再次執(zhí)行多次，從而決定特征點的適當(dāng)位置。此夕卜，Toshiyuki Amano, Yukio Sato, “ Image Interpolation Using BPLP Method on the Eigenspace " IEICE Trans. Vol. J85-D2，No. 3，pp. 457-465 (下文稱為非 專利文獻(xiàn)幻描述了基于與非專利文獻(xiàn)2相同的概念來處理和適當(dāng)?shù)匦Ｕ龍D像數(shù)據(jù)的技術(shù)。 非專利文獻(xiàn)3描述了通過將圖像數(shù)據(jù)本身投影到低維子空間上來對缺陷數(shù)據(jù)進(jìn)行統(tǒng)計插 值的方法。專利文獻(xiàn)1中描述的方法需要大量的計算，這是因為針對每個臉部方位，反復(fù)地 計算彈性束圖的變形與特征量之間的匹配度，直到最終檢測到臉部為止。非專利文獻(xiàn)1使 用粒子群優(yōu)化方法(particle swarm optimization method)在子空間上搜索特征點的位 置，從而以高準(zhǔn)確度確定特征點的位置，盡管此文獻(xiàn)中的方法相比于專利文獻(xiàn)1中描述的 方法需要更少的計算量。然而，非專利文獻(xiàn)1中描述的方法仍然需要大量的計算，因為需要 重復(fù)進(jìn)行器官位置候選的決定和在與此候選對應(yīng)的位置進(jìn)行特征量的提取。此外，非專利 文獻(xiàn)1中描述的方法沒有考慮應(yīng)對臉部大變動(fluctuation)的機(jī)制。專利文獻(xiàn)2描述了 基于從器官位置的排列經(jīng)驗性地獲得的規(guī)則來確定臉部方位的方法。使用專利文獻(xiàn)2中的 技術(shù)，基于器官位置的排列，有可能確定和校正作為候選而檢測的器官位置的錯誤。但是， 在基于規(guī)則的確定處理中設(shè)定最適用于各種類型變動的規(guī)則是困難的。非專利文獻(xiàn)2中描述的使用子空間的幾何校正處理在允許以少的計算量進(jìn)行適 當(dāng)?shù)膸缀渭s束處理中是有效的，但是其沒有考慮臉部方位/面部表情具有大變動的情形。 在將具有大變動的數(shù)據(jù)組添加到子空間的學(xué)習(xí)數(shù)據(jù)中以應(yīng)對變動時，校正能力下降。類似 地，非專利文獻(xiàn)3沒有考慮目標(biāo)圖像具有大變動的情形。

發(fā)明內(nèi)容
本發(fā)明是考慮到上述問題而做出的，并且根據(jù)本發(fā)明的一個實施例，提供一種即
5使在對象具有大變動的情況下、也適當(dāng)?shù)匦Ｕ卣鼽c的位置或者圖像數(shù)據(jù)的數(shù)據(jù)校正設(shè)備 和方法。根據(jù)本發(fā)明的一個方面，提供一種數(shù)據(jù)校正設(shè)備，其校正與對象的圖像有關(guān)的數(shù) 據(jù)，該數(shù)據(jù)校正設(shè)備包括輸入單元，用于輸入通過將待校正數(shù)據(jù)相互連接而獲得的矢量數(shù) 據(jù)；生成單元，用于執(zhí)行將所述矢量數(shù)據(jù)投影到子空間上以生成維數(shù)減少的投影矢量的維 數(shù)減少處理、以及恢復(fù)所述投影矢量的維數(shù)以生成維數(shù)恢復(fù)矢量數(shù)據(jù)的維數(shù)恢復(fù)處理，從 而針對所述圖像中所述對象的每種類型變動生成多個維數(shù)恢復(fù)矢量數(shù)據(jù)；確定單元，用于 基于所述投影矢量來確定所述對象的變動；以及整合單元，用于基于由所述確定單元獲得 的確定結(jié)果，將所述多個維數(shù)恢復(fù)矢量數(shù)據(jù)相互整合，并且將整合結(jié)果作為校正后的數(shù)據(jù) 輸出。此外，根據(jù)本發(fā)明的另一個方面，提供一種圖像判別設(shè)備，該圖像判別設(shè)備包括 上述數(shù)據(jù)校正設(shè)備；以及判別單元，用于使用所述校正后的數(shù)據(jù)來判別圖像中的對象。此外，根據(jù)本發(fā)明的又一個方面，提供一種數(shù)據(jù)校正設(shè)備的控制方法，所述數(shù)據(jù)校 正設(shè)備校正與對象的圖像有關(guān)的數(shù)據(jù)，所述控制方法包括輸入步驟，使輸入單元輸入通過 將待校正數(shù)據(jù)相互連接而獲得的矢量數(shù)據(jù)；生成步驟，使生成單元執(zhí)行將所述矢量數(shù)據(jù)投 影到子空間上以生成維數(shù)減少的投影矢量的維數(shù)減少處理、以及恢復(fù)所述投影矢量的維數(shù) 以生成維數(shù)恢復(fù)矢量數(shù)據(jù)的維數(shù)恢復(fù)處理，從而針對所述圖像中所述對象的每種類型的變 動生成多個維數(shù)恢復(fù)矢量數(shù)據(jù)；確定步驟，使確定單元基于所述投影矢量來確定所述對象 的變動；以及整合步驟，使整合單元基于在所述確定步驟中獲得的確定結(jié)果，將所述多個維 數(shù)恢復(fù)矢量數(shù)據(jù)相互整合，并且將整合結(jié)果作為校正后的數(shù)據(jù)輸出。從以下參照附圖對示例性實施例的說明，本發(fā)明的其他特征將變得清楚。


圖1是用于說明根據(jù)第一實施例的位置校正處理的流程圖；圖2是示出根據(jù)第一至第五實施例中的每一個的圖像處理設(shè)備的結(jié)構(gòu)的示例的 框圖；圖3是用于說明臉部圖像提取的示圖；圖4是用于說明可靠性地圖(reliability map)生成處理的示圖；圖5是用于說明特征數(shù)據(jù)與特征點矢量之間關(guān)系的示圖；圖6是用于說明第一重心搜索處理和第二重心搜索處理的示圖；圖7是用于說明根據(jù)第一實施例的變動確定處理和整合處理(integration processing)的流程圖；圖8是用于說明根據(jù)第二實施例的位置校正處理的流程圖；圖9是用于說明根據(jù)第二實施例的變動確定處理和整合處理的流程圖；圖10是用于說明根據(jù)第三實施例的位置校正處理的流程圖；圖IlA和圖IlB是用于說明根據(jù)第三實施例的逆向投影矩陣生成的流程圖；圖12是用于說明根據(jù)第四實施例的位置校正處理的流程圖；圖13是用于說明根據(jù)第四實施例的識別處理的流程圖；圖14是用于說明根據(jù)第四實施例的區(qū)域提取處理的示圖15是用于說明根據(jù)第五實施例的圖像校正處理的流程圖；以及圖16A至圖16C是用于說明從臉部圖像檢測特征點的示圖。
具體實施例方式下面，將參照附圖來說明本發(fā)明的優(yōu)選實施例。[第一實施例]圖2是示出根據(jù)第一實施例的能夠執(zhí)行圖像處理(數(shù)據(jù)校正處理)的圖像處理設(shè) 備的結(jié)構(gòu)的框圖。根據(jù)本實施例的圖像處理設(shè)備具有決定臉部圖像中多個特征點位置(在 這種情況下，為與臉部各器官有關(guān)的特征的位置)的功能。圖像輸入單元201包括例如光學(xué)系統(tǒng)、光電轉(zhuǎn)換設(shè)備、控制它們的驅(qū)動電路、A/D 轉(zhuǎn)換器、控制各種類型圖像校正的信號處理電路以及幀緩沖器。光電轉(zhuǎn)換設(shè)備的示例包括 CCD (電荷耦合器件)和CMOS (互補金屬氧化物半導(dǎo)體)傳感器。預(yù)處理單元202執(zhí)行各種 類型的預(yù)處理，以在后續(xù)階段中有效地進(jìn)行各種類型的處理。更具體地，預(yù)處理單元202通 過硬件對圖像輸入單元201獲取的圖像數(shù)據(jù)進(jìn)行圖像數(shù)據(jù)轉(zhuǎn)換，例如顏色轉(zhuǎn)換處理/對比 度校正處理。臉部圖像數(shù)據(jù)提取處理單元203針對預(yù)處理單元202校正的圖像數(shù)據(jù)進(jìn)行臉 部檢測處理。多種常規(guī)提出的方法可應(yīng)用于臉部檢測。此外，臉部圖像數(shù)據(jù)提取處理單元 203針對每個檢測到的臉部，將臉部圖像數(shù)據(jù)標(biāo)準(zhǔn)化為具有預(yù)定大小，并且提取該數(shù)據(jù)。在 這種情況下，使用臉部檢測結(jié)果生成大小和平面內(nèi)旋轉(zhuǎn)被標(biāo)準(zhǔn)化的圖像數(shù)據(jù)。圖3是用于說明臉部圖像數(shù)據(jù)提取處理的示例的示圖。由預(yù)處理單元202校正的 圖像數(shù)據(jù)301來確定臉部區(qū)域302，以提取標(biāo)準(zhǔn)化為具有預(yù)定大小的臉部圖像數(shù)據(jù)303。臉 部圖像數(shù)據(jù)303的大小通過標(biāo)準(zhǔn)化而變?yōu)楹愣?。下面將特征點的位置定義為臉部圖像數(shù)據(jù) 303的圖像平面內(nèi)的特征點的坐標(biāo)。此外，這些坐標(biāo)將被表現(xiàn)在坐標(biāo)系統(tǒng)中(χ坐標(biāo)和y坐 標(biāo))，所述坐標(biāo)系統(tǒng)使用臉部圖像數(shù)據(jù)303的圖像平面的左上端作為其原點。特征位置可靠性計算單元204是處理單元，其計算用作表示特征點的存在可能性 的信息的可靠性地圖。特征位置可靠性計算單元204的細(xì)節(jié)將在下文中說明。DMAC 206控 制例如圖像總線211上的各類型處理單元之間的數(shù)據(jù)傳遞、以及圖像總線211上的設(shè)備和 CPU總線207上的RAM 210/R0M 209之間的數(shù)據(jù)傳遞。注意DMAC是Direct Memory Access Controller (直接存儲存取控制器)的縮寫，RAM是Random Access Memory (隨機(jī)存取存儲 器)的縮寫，以及ROM是Read Only Memory (只讀存儲器)的縮寫。橋205提供圖像總線 211和CPU總線207之間的總線橋的功能。CPU(中央處理器)208執(zhí)行根據(jù)本實施例的主 處理，并且控制裝置的整體操作。下文說明的每個操作是通過由計算機(jī)(CPU 208)執(zhí)行存 儲在計算機(jī)可讀存儲介質(zhì)(例如ROM 209)中的計算機(jī)程序來進(jìn)行的。ROM 209存儲定義 CPU 208的操作的命令。RAM 210是操作CPU208所需的工作存儲器。使用例如DRAM(動態(tài) RAM)將RAM 210構(gòu)造為具有相對大容量的存儲器。CPU 208能夠經(jīng)由橋205訪問圖像總線 211上的各類型的處理單元。通過將圖像總線211和CPU總線207相互分離，由硬件能夠同 時操作各處理單元201、202、203和204以及CPU 208。下面將參照圖1所示的流程圖，來說明具有以上結(jié)構(gòu)的根據(jù)第一實施例的圖像處 理設(shè)備的圖像處理(數(shù)據(jù)校正處理)。參照圖1，由CPU 208處理步驟SlOl至S107。在特 征位置可靠性計算處理10中，臉部圖像數(shù)據(jù)提取處理單元203將基于臉部檢測結(jié)果而標(biāo)準(zhǔn)化為具有預(yù)定大小的臉部圖像數(shù)據(jù)存儲在內(nèi)置RAM(未示出)中。存儲的臉部圖像數(shù)據(jù)經(jīng) 由DMAC 206被傳遞到特征位置可靠性計算單元204的RAM(未示出)。針對存儲在RAM中 的圖像數(shù)據(jù)，特征位置可靠性計算單元204開始計算表示可靠性的可靠性圖像，即特征點 位置候選存在的可能性。此時生成的可靠性圖像被定義為特征位置可靠性地圖U (下文也 稱為可靠性地圖)。多種常規(guī)提出的方法可應(yīng)用于可靠性計算。作為最簡單的方法，通過學(xué) 習(xí)生成表示相應(yīng)特征點的特征的模板，并且將模板與目標(biāo)位置的圖像之間的匹配度確定為 可靠性。圖4是用于示意性說明可靠性地圖生成的示圖。標(biāo)號401表示輸入圖像。標(biāo)號 402表示用于模板匹配的模板；以及標(biāo)號403表示執(zhí)行模板匹配的預(yù)定范圍。在預(yù)定范圍 403之內(nèi)掃描模板402，以記錄在目標(biāo)位置與模板的匹配度，從而生成可靠性地圖404。艮口， 可靠性地圖是記錄可靠性來代替圖像數(shù)據(jù)的緩沖存儲器。考慮到例如個人特點的個體差 異、面部表情、臉部方位以及臉部圖像數(shù)據(jù)提取處理單元203的標(biāo)準(zhǔn)化錯誤，將包括待檢測 端點的充分寬區(qū)域設(shè)置為預(yù)定范圍403。標(biāo)號404示意性例示了可靠性地圖，其對應(yīng)于可靠性地圖11。標(biāo)號405和406表示 預(yù)期成為待檢測特征點位置的可靠性高的位置(在這種情況下其與模板具有高匹配度)。 圖4示出了與用于檢測左眼尾部端點的模板402匹配的結(jié)果。此外，標(biāo)號406表示目標(biāo)端 點；而標(biāo)號405表示對應(yīng)于眉毛的左邊緣的點，其被錯誤地檢測為目標(biāo)端點。特征位置可靠 性計算單元204針對每個特征點生成可靠性地圖。因此，為了決定例如圖16A所示的14個 特征點，使用14種特征點檢測模板來生成14個可靠性地圖11。注意，可以采用僅將對應(yīng)于 掃描范圍403的區(qū)域保存在存儲器中作為可靠性地圖11的方法。另外，注意盡管這里說明 了通過模板匹配來計算可靠性的方法，但是各種常規(guī)提出的圖案識別方法例如神經(jīng)網(wǎng)絡(luò)方 法和分級過濾方法也是可行的。生成的可靠性地圖11經(jīng)由DMAC 206被傳遞到RAM 210。在傳遞完成之后，CPU 208 開始特征點位置決定操作(步驟SlOl至S107)。之后，CPU 208通過參照存儲在RAM 210 中的可靠性地圖11來繼續(xù)處理。在第一重心搜索處理(SlOl)中，針對每個特征點，計算在 特征位置可靠性地圖11中的搜索區(qū)域403之內(nèi)的特征點位置可靠性值的重心。此時獲得 的重心值被設(shè)置為特征點位置候選坐標(biāo)。針對每個特征點搜索重心。公知的方法可以應(yīng)用 于重心搜索。也可以采用例如使用最大值代替重心的其他方法。CPU 208將計算出的重心 位置坐標(biāo)記錄在RAM 210中。接下來，將說明特征點位置校正處理12，其用于將此時獲得的特征點位置候選坐 標(biāo)校正為更適合的值。在本實施例中，針對每個臉部方位準(zhǔn)備特征點位置校正處理14a、14b 和Hc作為幾何校正處理，并且根據(jù)與臉部方位有關(guān)的變動確定處理(S105)的結(jié)果來整合 各個校正結(jié)果(S106)。這樣，對應(yīng)于多種類型變動(例如，分別對應(yīng)于前、右和左臉部方位 的三個變動)的校正處理被整合。特征點位置校正處理14a、14b和Hc使用子空間，并且 專用于分別對應(yīng)于前、右和左臉部方位的特征點的排列。即，使用對應(yīng)于前、右和左臉部方 位的大量學(xué)習(xí)特征點矢量，通過主成分分析來計算投影矩陣a、b和c，即13a至13c (這些 投影矩陣也包括平均矢量)。學(xué)習(xí)特征點矢量是從校正坐標(biāo)處的特征點獲得的。注意，下文 將使用狹義的投影矩陣和平均矢量來說明廣義的投影矩陣。首先，在特征點矢量獲取處理(S102)中，作為重心搜索結(jié)果的每個特征點的坐標(biāo)數(shù)據(jù)被從RAM 210提取出，以生成特征點矢量數(shù)據(jù)。圖5是用于說明每個特征點的位置坐 標(biāo)數(shù)據(jù)501 ((Xi，Yi), i = 1至14))與此時提取的特征點矢量502(矢量V(要素Vj, j = 1 至觀))之間關(guān)系的示圖。i是特征點的數(shù)量，而且在這種情況下是14。從而，特征點矢量 具有= ^維。以這種方式，待校正數(shù)據(jù)彼此連接，從而被矢量化以生成矢量數(shù)據(jù)。例 如，特征點矢量的要素V1和V2分別對應(yīng)于第一特征點的χ和y坐標(biāo)值。特征點矢量V是由 以下方程所定義V = (v1 v2, V3, ... , v2Xf)τ· · · (1)其中f是特征點的數(shù)量。在維數(shù)減少處理(S103a)中，使用投影矩陣a (其也包含平均矢量)即13a，生成投 影矢量。使用通過在投影矩陣生成時從特征點矢量V減去生成的平均矢量AaQS維矢量) 而生成的矢量、和投影矩陣Ea (注意投影矩陣Ea和平均矢量Aa是使用大量的對應(yīng)于朝前臉 部的學(xué)習(xí)特征點矢量、通過主成分分析計算出的)，根據(jù)以下方程計算出投影矢量Pa Pa = EaT (V-Aa)· · · (2)Aa = (Aaa, Aaj2, Aaj3, · · ·，Aa,2Xf)T · · · (3)Ea= (uajl,uaj2, ... ,uajp)- - - (4)其中U。，ua,2，...，ua, p分別是2Xf維標(biāo)準(zhǔn)化正交矢量，是通過主成分分析獲得 的，并且在本實施例中分別是觀維矢量；而P是投影矢量的維數(shù)，并且在本實施例中為6。 即，投影矩陣Ea是通過從利用主成分分析獲得的正交矢量中以相應(yīng)本征值的降序選擇六個 矢量而生成的。投影矩陣Ea和平均矢量Aa被預(yù)先存儲在例如ROM 209或者RAM 210中。如上所述，在維數(shù)減少處理(S103a)中，2 X f維特征點矢量在維數(shù)上減少至ρ維 投影矢量。通過此維數(shù)減少處理(S103a)，特征點矢量被投影到表現(xiàn)朝前臉部的子空間上。 CPU 208將計算出的投影矢量存儲在RAM 210中。在維數(shù)恢復(fù)處理(S104a)中，由投影矢量Pa恢復(fù)關(guān)于原始維數(shù)的特征點矢量(即， 坐標(biāo)位置)的數(shù)據(jù)。使用上文提到的投影矩陣Ea和平均矢量Aa，根據(jù)以下方程計算恢復(fù)矢
量 Va'Va' = EaPa+Aa · · · (6)通過逆向投影生成的恢復(fù)矢量Va'是圖5所示的特征點矢量502的格式的數(shù)據(jù)， 從而像特征點矢量獲取處理(si(^)中獲得的矢量數(shù)據(jù)那樣，能夠與坐標(biāo)數(shù)據(jù)流501相關(guān) 聯(lián)。類似地，在步驟SlOIBb和S104b中，使用從對應(yīng)于朝右臉部的多個學(xué)習(xí)特征點矢量 計算出的投影矩陣b，即13b (投影矩陣肪和平均矢量Ab)，來執(zhí)行到子空間(對應(yīng)于方程 (2))的投影和逆向投影(對應(yīng)于方程(6))。通過這個處理，獲得對應(yīng)于朝右臉部的幾何校 正處理結(jié)果V/。此外，類似地，在步驟S103c和Sl(Mc中，使用從對應(yīng)于朝左臉部的多個 學(xué)習(xí)特征點矢量計算出的投影矩陣c，即13c (投影矩陣E。和平均矢量A。)，來執(zhí)行到子空間 的投影(對應(yīng)于方程O))和逆向投影(對應(yīng)于方程(6))。通過這個處理，獲得對應(yīng)于朝左 臉部的幾何校正處理結(jié)果V。'。這樣，針對對象的每種類型變動，獲得多個維數(shù)恢復(fù)的矢量 數(shù)據(jù)。在變動確定處理610 中，從投影矢量來估計臉部方位的變動。在這種情況下， 使用在維數(shù)減少處理(S103a至S103c)中計算出的投影矢量Pa和投影矢量Pb和P。來估計上述變動。即，通過識別器(identifier)將各種類型的變動相互區(qū)別開，其中，通過將投影 矢量Pa、Pb和P。中每一個的要素設(shè)置為輸入數(shù)據(jù)來預(yù)先進(jìn)行學(xué)習(xí)，而構(gòu)造出所述識別器。通 過已經(jīng)使用SVM(支持矢量機(jī)(Support Vector Machine))進(jìn)行了學(xué)習(xí)的識別器進(jìn)行變動 確定。識別器借助投影矢量作為教師數(shù)據(jù)來學(xué)習(xí)，所述投影矢量是使用對應(yīng)于臉部方位的 大量特征點矢量數(shù)據(jù)而預(yù)先生成的。例如，在生成投影矩陣a至c，即13a至13c時使用的 學(xué)習(xí)特征點矢量數(shù)據(jù)可以用作教師數(shù)據(jù)。識別處理是針對維數(shù)壓縮后的投影矢量進(jìn)行的， 從而能夠以少的計算量實現(xiàn)。接下來，將參照圖7來說明變動確定處理(S105)和整合處理(S106)。標(biāo)號701表 示變動確定處理(S105)。步驟S701至S703對應(yīng)于SVM識別計算處理，并且，針對通過將 投影矢量Pa、Pb和Pc彼此簡單連接而生成的矢量D，執(zhí)行識別處理計算。S卩，在步驟S701 至S703中，CPU 208讀出在維數(shù)減少處理(S103a至S103c)中存儲在RAM 210中的投影矢 量，以執(zhí)行由以下方程說明的其SVM計算(確定結(jié)果)n= sign(ffnTD-h)· · · (7)其中 WnT = (wna, wn,2，. . . , wn, pX3)，h是閾值，并且η為1至3 (分別對應(yīng)于SVM識別器1至3)，并且“sign”是通過符號 確定裝置確定的符號。方程(7)說明了線性SVM，并且Wn是通過SVM預(yù)先學(xué)習(xí)的權(quán)重因子(weighting factor)。該權(quán)重因子是具有針對投影矢量的要素的因子的權(quán)重因子矢量，所述要素的數(shù)量 等于“(維數(shù))X(變動數(shù))”。W1是用于確定臉部方位是前還是右的權(quán)重因子。類似地，W2 是用于確定臉部方位是右還是左的權(quán)重因子，而W3是用于確定臉部方位是左還是前的權(quán)重 因子。在步驟S701中，使用權(quán)重因子W1確定臉部方位是前(a)還是右(b)。類似地，在步 驟S702和S703中，使用權(quán)重因子W2和W3分別確定臉部方位是右(b)還是左(C)、以及是 左(c)還是前(a)。在多數(shù)決定(majority decision)處理(S704)中，根據(jù)SVM識別計算 處理(S701至S703)的結(jié)果決定最終臉部方位。注意，變動確定處理(S105)不限于本實施 例中說明的方法，并且除了 SVM之外的識別方法也可以應(yīng)用于本處理中。標(biāo)號702表示整合處理(S106)。在整合處理中，根據(jù)多數(shù)決定處理(S704)的結(jié) 果，選擇校正后的特征點矢量a至c中相應(yīng)的一個670 。即，如果在變動確定處理(S105) 中確定臉部方位為右，則選擇對應(yīng)于朝右臉部的逆向投影處理(即維數(shù)恢復(fù)處理S104b)的 結(jié)果。以這種方式，基于變動確定結(jié)果將逆向投影結(jié)果相互整合，從而根據(jù)輸入圖像能夠有 效、適當(dāng)?shù)叵嗷フ夏嫦蛲队敖Y(jié)果。盡管這里在整合處理(S106)中選擇一個逆向投影結(jié)果，但是可以采用其他方法。 例如，當(dāng)在SVM識別處理(S701至S703)中輸出確定可靠性時，也可以采用通過以下方程獲 得校正后的最終特征點矢量PMsult的方法Presult = (C1X Pa+C2 X Pb+C3 X Pc) / (C^CjC3)· · · (8)其中 C1 至 C3 是可靠性。S卩，通過使用可靠性針對多個維數(shù)恢復(fù)結(jié)果進(jìn)行加權(quán)平均方法，可以生成最終幾 何校正結(jié)果。再參照圖1，在第二重心搜索處理(S107)中，CPU208基于獲得的幾何校正位置坐 標(biāo)數(shù)據(jù)來再次搜索特征點位置。下面參照圖6來說明在可靠性地圖上搜索特征點位置的示 例。參照圖6，標(biāo)號601表示針對特定特征點的可靠性地圖。標(biāo)號604例示了第一重心搜索 處理(S101)中的搜索范圍。為了應(yīng)對例如個人特點的個體差異和臉部變動，在第一重心搜索處理中將寬區(qū)域設(shè)置為搜索范圍。標(biāo)號603表示目標(biāo)特征的可靠性分布；而標(biāo)號602表示 在錯誤檢測時生成的可靠性分布。當(dāng)確定重心落入搜索范圍604之內(nèi)時，特征點候選具有 偏離原始值的坐標(biāo)，如標(biāo)號605表示的。標(biāo)號606表示在幾何校正(通過整合處理(S106) 獲得的輸出)之后的候選點坐標(biāo)位置。在第二重心搜索處理(S107)中，使用校正后的候選 點坐標(biāo)位置606作為其中心來計算落入由標(biāo)號607表示的窄范圍的重心。在這種情況下， 錯誤檢測區(qū)域602落在搜索區(qū)域之外，所以由標(biāo)號608表示的原始位置被確定為最終器官 位置。如上所述，根據(jù)第一實施例，即使對象具有各種類型的變動，但基于器官位置的幾 何排列，針對每種類型變動準(zhǔn)備的子空間的選擇性/整合使用也使得校正特征點位置成為 可能。此外，子空間上投影矢量的使用使得能夠以少的計算量，高度有效地估計對象的變 動。[第二實施例]下面參照圖8和圖9來說明第二實施例。根據(jù)第二實施例的圖像處理設(shè)備具有與 第一實施例(圖2)相同的結(jié)構(gòu)，并且提供在臉部圖像中決定多個特征點位置的功能。與第 一實施例(圖1)中相同的標(biāo)號在圖8中表示相同的結(jié)構(gòu)。下面將主要說明第二實施例與 第一實施例的差異。在特征點位置校正處理82中，執(zhí)行根據(jù)第二實施例的特征點位置校正 處理，以校正第一重心搜索處理(SlOl)中計算出的每個特征點位置候選。CPU208處理全部 步驟 S101、S102、S803 至 S806 以及 S107。在根據(jù)本實施例的特征點位置校正處理82中，首先，執(zhí)行基于在包含全部類型變 動的子空間(下文定義為共同子空間)上投影的特征點位置校正處理84d。接下來，針對 特征點位置校正處理84d的結(jié)果，執(zhí)行基于在變動-特定子空間上投影的特征點位置校正 處理8 至84c，并且通過整合處理(S806)將它們的結(jié)果進(jìn)行整合。使用與基于共同子空 間上投影的特征點位置校正處理84d有關(guān)的計算時獲得的投影矢量，來執(zhí)行變動確定處理 680 。在整合處理(S806)中，使用通過變動確定處理獲得的確定結(jié)果，來整合特征點位 置校正處理8 至84c的結(jié)果。下面將詳細(xì)說明每個步驟。在特征點矢量獲取處理(S102)中，CPU 208提取存儲在RAM 210中的每個特征點 的位置坐標(biāo)數(shù)據(jù)作為特征點矢量。特征點矢量的結(jié)構(gòu)與第一實施例中相同。在第一維數(shù)減 少處理(S803d)中，CPU 208使用包括投影矩陣&和平均矢量Ad的第一投影矩陣83d，根據(jù) 以下方程來計算作為特征點矢量V的函數(shù)的第一投影矢量Pd (注意，使用包含所有類型的 待確定變動的大量學(xué)習(xí)特征點矢量，通過主成分分析來預(yù)先計算出投影矩陣&和平均矢量 Ad，除了學(xué)習(xí)特征點數(shù)據(jù)的類型以外，投影矩陣生成方法與第一實施例中相同。在這種情況 下，使用包含與前、右和左臉部方位對應(yīng)的變動的大量學(xué)習(xí)特征點位置坐標(biāo)數(shù)據(jù)。)Pd =EZ(V-Ad)...(9)
Ad =(Ad，l，Ad，2，Ad，3，· · ，Ad, 2xf) · · · (10)
Ed =(Ud，l，Ud，2，· ，Ud，,p) …(11)
其中Ud，l，Ud，2，· · · ' Ud, τ3分別是2Xf維標(biāo)準(zhǔn)化正交矢量，其通過主成分分析獲得，
并且在本實施例中分別是觀維矢量；而P是投影矢量Pd的維數(shù)，并且在本實施例中為6。 選擇通過主成分分析獲得的標(biāo)準(zhǔn)化正交矢量的方法與第一實施例中相同。投影矩陣&和 平均矢量Ad被預(yù)先存儲在R0M209或者RAM 210中。CPU 208將方程(9)的計算結(jié)果存儲在 RAM 210 中。在第一投影矢量在維數(shù)上被恢復(fù)的第一維數(shù)恢復(fù)處理(S804d)中，CPU 208使用 投影矩陣&和平均矢量Ad來執(zhí)行通過以下方程說明的維數(shù)恢復(fù)處理V/ = EdPd+Ad ... (12)通過維數(shù)減少處理(S803d)和維數(shù)恢復(fù)處理(S804d)，生成基于在共同子空間上 投影的校正后特征點矢量。通過此時的校正處理去除任何大的異常值，從而使得能夠增強 后續(xù)特征點位置校正處理8 至84c的穩(wěn)定性。特征點位置校正處理a至c即8 至8 等效于特征點位置校正處理a至c即1 至14c，并且為了校正分別專用于朝前、朝右和朝左臉部的特征點的位置而執(zhí)行。在維數(shù)減 少處理(S803a至S803c)中，針對維數(shù)恢復(fù)處理(S804d)中生成的校正后的特征點矢量數(shù) 據(jù)，使用第二投影矩陣83a至83c，來執(zhí)行維數(shù)減少處理。在這種情況下，使用第二投影矩陣 83a至83c通過等效于方程(9)的計算，CPU 208計算投影矢量Pa至P。，其中，第二投影矩 陣83a至83c分別具有投影矩陣Ea至E。以及平均矢量Aa至A。。投影矩陣Ea、&和E。包括 使用分別對應(yīng)于朝前、朝右和朝左臉部的學(xué)習(xí)特征點矢量通過主成分分析生成的矢量。此 外，平均矢量Aa、Ab和A。是使用分別對應(yīng)于朝前、朝右和朝左臉部的特征點矢量生成的。在 維數(shù)恢復(fù)處理(S8(Ma至S804c)中，關(guān)于原始維數(shù)的特征點矢量(即坐標(biāo)位置)的數(shù)據(jù)被 分別從投影矢量Pa、Pb和P?；謴?fù)，如同在第一實施例中的維數(shù)恢復(fù)處理(Sl(Ma至S104c) 中一樣。這樣，針對對象的每種類型變動，獲取多個維數(shù)恢復(fù)的矢量數(shù)據(jù)。在變動確定處理(S805)中，CPU 208從RAM 210中讀出作為維數(shù)減少處理 (S803d)結(jié)果的投影矢量Pd，以估計目標(biāo)臉部的變動。下面，參照圖9來說明根據(jù)第二實施 例的變動確定處理680 和整合處理(S806)。標(biāo)號901表示關(guān)于變動確定處理(S805)的 處理細(xì)節(jié)。步驟S901至S903對應(yīng)于SVM識別計算處理，并且針對投影矢量Pd執(zhí)行變動確 定計算。注意，步驟S901至S905也表示CPU 208的操作。在步驟S901至S903中，執(zhí)行通 過以下方程說明的SVM計算(確定結(jié)果)n= sign(ffnTPd-h). . . (13)其中WnT = (wna, wn,2, . . .，wn,p)，h是閾值，并且η為1至3 (分別對應(yīng)于SVM識別 器1至3)。方程(13)說明了線性SVM，并且Wn是由SVM預(yù)先學(xué)習(xí)的權(quán)重因子。在該實施例 中，該^是具有針對數(shù)量與投影矢量的維數(shù)相等的要素的因子的權(quán)重因子矢量。W1是用于 確定臉部方位是前還是右的權(quán)重因子。類似地，W2是用于確定臉部方位是右還是左的權(quán)重 因子，而W3是用于確定臉部方位是左還是前的權(quán)重因子。在步驟S901至S903中，分別使 用權(quán)重因子W1至W3來進(jìn)行各種類型的確定。在多數(shù)決定處理(S904)中，根據(jù)SVM識別計 算處理(S901至S9(X3)獲得的各確定結(jié)果來決定臉部方位。注意，變動確定處理(S805)不 限于本實施例中說明的方法，并且除了 SVM之外的識別方法也可以應(yīng)用于本處理中。標(biāo)號902表示關(guān)于整合處理(S806)的細(xì)節(jié)，并且根據(jù)變動確定結(jié)果通過選擇處理 (S905)選擇針對對應(yīng)變動的校正后特征點矢量。CPU 208從最終特征點矢量數(shù)據(jù)獲得特征 點位置坐標(biāo)數(shù)據(jù)作為整合結(jié)果，并且將其記錄在RAM 210中。在第二重心搜索處理(S107) 中，在根據(jù)整合結(jié)果限制的區(qū)域內(nèi)執(zhí)行重心搜索，以最終決定最終特征點位置，如同在第一 實施例中一樣。
為了在整合處理(S806)中選擇特征點位置校正處理a至c的結(jié)果之一，僅需要執(zhí) 行所需的特征點位置校正處理(即，特征點位置校正處理8 至8 之一)，如上面第二實 施例中所示。作為另選方案，可以采用將變動確定處理680 的SVM識別計算處理(S901 至S903)中的確定可靠性輸出并且將每個校正結(jié)果加權(quán)和整合的方法，如第一實施例中所
7J\ ο如上所述，根據(jù)第二實施例，包含全部類型變動的子空間(共同子空間)上的投影 矢量Pd能夠被提取。這使得能夠從較少維數(shù)的數(shù)據(jù)估計變動，從而減少變動確定中的計算 量。當(dāng)采用了復(fù)雜的變動確定方法或者對象具有大量類型變動時尤其有效。此外，特征點 位置被分級地校正，從而實現(xiàn)更穩(wěn)定的校正處理。[第三實施例]下面將參照圖10、圖IlA和圖IlB來說明根據(jù)第三實施例的圖像處理設(shè)備。根據(jù) 第三實施例的圖像處理設(shè)備也具有與第一實施例相同的結(jié)構(gòu)(圖2)，并且提供在臉部圖像 中決定多個特征點位置的功能。下面主要說明第三實施例與第一實施例的差異。下面，參照圖10來說明根據(jù)第三實施例的圖像處理設(shè)備進(jìn)行的圖像處理。圖10 中與第一實施例(圖1)相同的標(biāo)號表示相同的結(jié)構(gòu)。下面說明根據(jù)第三實施例的特征點 位置校正處理1002。在本實施例中，首先計算包含全部類型變動的子空間(共同子空間) 上的投影矢量。使用由投影矢量針對每種變動生成的逆向投影矢量作為計算結(jié)果，來生成 校正后特征點矢量。此外，由投影矢量確定變動，并且使用確定結(jié)果來整合變動特定校正后 特征點矢量。下面將說明詳細(xì)操作。注意，CPU 208執(zhí)行以下說明的每種處理。在第一重心搜索處理(SlOl)中，通過參照存儲在RAM 210中的特征特定的特征位 置可靠性地圖11，來搜索特征點位置的候選，并且將搜索結(jié)果存儲在RAM 210中，如同第一 實施例中一樣。從存儲在RAM 210中的多個特征點候選坐標(biāo)數(shù)據(jù)獲取特征點矢量(S102)。 特征點坐標(biāo)數(shù)據(jù)與特征點矢量之間的關(guān)系與第一實施例中給出的示例相同。在維數(shù)減少處 理(S100;3)中，使用由包含全部類型變動的多個特征點矢量生成的投影矩陣&，來執(zhí)行維數(shù) 減少處理。這里使用的投影矩陣&與第二實施例中所示的共同子空間上的投影矩陣相同。 即，從包含全部類型待確定變動的數(shù)量相當(dāng)多的學(xué)習(xí)特征點矢量，通過主成分分析預(yù)先計 算投影矩陣&。在維數(shù)減少處理(S1003)中，使用投影矩陣1003d(投影矩陣&和平均矢 量Ad)，根據(jù)以下方程執(zhí)行維數(shù)減少處理Pd = E； (V-Ad). . . (14)平均矢量Ad也與第二實施例中的相同。在維數(shù)恢復(fù)處理(S10(Ma至SlO(Mc)中，使用針對各種變動生成的逆向投影矩陣 1003a至1003c，由投影矢量Pd生成校正后特征點矢量。逆向投影矩陣1003a至1003c包 括逆向投影矩陣Ba至B。以及平均矢量Ca至C。。下面將說明生成逆向投影矩陣Ba至B。的 方法。圖IlA示出特征點位置校正處理84d和84a以及投影矩陣83d和83a，其在圖8中 示出(第二實施例)。在這種情況下，通過按順序執(zhí)行維數(shù)減少處理(S803d)、維數(shù)恢復(fù)處 理(S804d)、維數(shù)減少處理(S803a)以及維數(shù)恢復(fù)處理(SS(Ma)，來分級校正針對朝前臉部 的特征點。上述每個處理步驟中的計算是例如方程(9)或者(1 中表示的線性矩陣計算。 然后，通過以下方程給出校正后特征點矢量Va'Va' = EaEaT ((EdPd+Ad) -Aa) +Aa... (15)
13
Ea= (Uaa，U,Ed = (Ud ” U,
(16) (17)Aa = (Aa, 1； Aaj2, Aa,3，... , Aa,2Xf)τ · · · (18)Ad = (Adj 1； Adj2, Adj3, · · ·，Adj2xf)τ · · · (19)其中，&和Ad分別是由包含全部類型變動的學(xué)習(xí)特征點矢量生成的投影矩陣和平 均矢量，而Ea和Aa分別是由僅包含朝前臉部的學(xué)習(xí)特征點矢量生成的投影矩陣和平均矢量。由于方程(14)僅包括線性矩陣計算，因此矩陣組成產(chǎn)生Va ‘ = EaEaTEdPd+EaEaT (Ad-Aa) +Aa= BaPd+Ca- - - (20)其中，&是由以下方程給出的新生成的投影矩陣Ba = EaEa1Ed... (21)而Ca是由以下方程給出的新生成的平均矢量Ca = EaEa1 (VAa)+Aa . . . (22)投影矩陣Ba和平均矢量Ca都可以在處理之前計算出。即，圖1IA中由標(biāo)號1101表 示的一系列處理步驟可以組合到圖IlB中由標(biāo)號1102表示的維數(shù)恢復(fù)處理(S1104a)中。 如上所述，在維數(shù)恢復(fù)處理(S1004a)中，使用根據(jù)方程和0 預(yù)先生成的逆向投影 矩陣1003a(逆向投影矩陣&和平均矢量Ca)進(jìn)行逆向投影處理。通過上述處理，專用于變 動的校正處理(在這種情況下為專用于朝前臉部的校正處理)可以實現(xiàn)。類似地，使用投影矩陣&和平均矢量Ab (它們是使用對應(yīng)于作為特定變動的朝右 臉部的學(xué)習(xí)特征點矢量生成的)，根據(jù)以下方程執(zhí)行逆向投影計算(S1004b)Vb' = BbPd+Cb. . . (23)這里使用的投影矩陣&和平均矢量Cb分別根據(jù)以下方程預(yù)先計算出Bb = EbEb1Ed. . . (24)Cb = EbEbT (Ad-Ab) +Ab ... (25)此外類似地，使用投影矩陣E。和平均矢量A。(它們是使用對應(yīng)于作為特定變動的 朝左臉部的學(xué)習(xí)特征點矢量生成的)，根據(jù)以下方程執(zhí)行逆向投影計算(S1004c)Vc' = BcPd+Cc. . . (26)這里使用的投影矩陣B。和平均矢量C。分別根據(jù)以下方程預(yù)先計算出Bc = EcEc1Ed. . . (27)Cc = ECECT (Ad-Ac) +Ac ... (28)在上述方法中，針對對象的每種變動獲取多個維數(shù)恢復(fù)的矢量數(shù)據(jù)。在變動確定 處理(S1005)中，以與第三實施例(S805)中相同的方式，由投影矢量Pd確定變動的類型。 在整合處理(S1006)中，根據(jù)通過變動確定處理6100 獲得的確定結(jié)果，來整合維數(shù)恢復(fù) 處理(S10(Ma至S1004C)的結(jié)果。整合處理(S1006)可以使用與第一和第二實施例中所述 相同的方法進(jìn)行。在第二重心搜索處理(S107)中，基于最終決定的特征點坐標(biāo)，由RAM 210 上的特征位置可靠性地圖11決定最終特征位置。第二重心搜索處理可以與第一和第二實 施例相同。根據(jù)第三實施例，使用通過將使用投影矩陣1003d的維數(shù)恢復(fù)的計算、以及使用投影矩陣83a和投影矩陣8 及83c (其通過學(xué)習(xí)針對每種變動的數(shù)據(jù)獲得的)的維數(shù)減 少和維數(shù)恢復(fù)的計算進(jìn)行組合而獲得的計算矩陣。這使得能夠以更少的計算量獲得與第二 實施例中相同的結(jié)果。與在第二實施例中一樣，也能夠輸出共同子空間上的投影矢量。此 外，根據(jù)第三實施例，能夠預(yù)先計算用于維數(shù)壓縮的投影矩陣和通過合成用于每種類型變 動的投影矩陣而生成的逆向投影矢量，從而以更少的計算量實現(xiàn)應(yīng)對大變動的幾何校正處 理。另外，能夠生成用于變動確定的共同子空間上的投影矢量，從而以更少的計算量估計變 動。[第四實施例]下面將參照圖12至圖14來說明根據(jù)第四實施例的圖像判別設(shè)備。在第四實施例 中將說明這樣的圖像判別設(shè)備，其提供基于特征點的位置執(zhí)行特征提取以及基于提取結(jié)果 執(zhí)行識別處理的功能。注意，根據(jù)第四實施例的圖像判別設(shè)備也具有與第一實施例(圖2) 相同的結(jié)構(gòu)。下面，將參照圖12來說明根據(jù)第四實施例的圖像判別設(shè)備的操作。注意，圖 12中的特征位置可靠性計算處理10、特征位置可靠性地圖11、第一重心搜索處理(SlOl)以 及特征點位置校正處理1002與第三實施例中相同。在第二重心搜索處理(S1201)中，根據(jù)校正后的特征點位置坐標(biāo)數(shù)據(jù)，再次搜索 存儲在RAM 210中的特征位置可靠性地圖。在本實施例中，根據(jù)變動確定處理(S1005)的 結(jié)果，改變用于第二重心搜索處理(S1201)的搜索參數(shù)。例如，根據(jù)變動的幅度，改變搜索 區(qū)域的寬度或高度。注意，通過學(xué)習(xí)能夠預(yù)先獲得對應(yīng)于變動的最佳搜索區(qū)域和參數(shù)。艮口， 由針對每種類型的變動準(zhǔn)備的多個學(xué)習(xí)圖像數(shù)據(jù)，計算校正后的特征點位置，以獲得搜索 區(qū)域607(圖6)，由此在改變搜索區(qū)域的同時可以輸出統(tǒng)計上最接近校正位置的位置。這里 使用的搜索參數(shù)被作為表格信息存儲在RAM 210或者ROM 209中。CPU 208根據(jù)變動確定 處理(S1005)的結(jié)果，通過在預(yù)定地址查找表格來決定需要的搜索區(qū)域。針對每種變動，不 僅搜索區(qū)域的大小或形狀而且用于重心搜索的參數(shù)(例如閾值)都可以準(zhǔn)備和切換。在識別處理6120 中，根據(jù)獲得的特征點位置坐標(biāo)信息，執(zhí)行識別處理。圖13是 用于說明根據(jù)第四實施例的識別處理(S1202)的細(xì)節(jié)的流程圖。在再標(biāo)準(zhǔn)化處理(S1301) 中，CPU 208基于特征點位置坐標(biāo)再標(biāo)準(zhǔn)化臉部圖像。在這種情況下，基于例如眼睛的寬度 或者眼睛與嘴之間的距離，將臉部圖像數(shù)據(jù)轉(zhuǎn)換成具有預(yù)定大小。在區(qū)域提取處理(S1302) 中，CPU 208基于特征點位置坐標(biāo)，設(shè)置識別中使用的圖像區(qū)域。圖14是用于說明從再標(biāo)準(zhǔn) 化后的臉部圖像數(shù)據(jù)1401中提取的提取區(qū)域的示例的示圖。標(biāo)號1402和1403表示提取 區(qū)域，其為基于眼睛、鼻子和嘴的坐標(biāo)位置提取的預(yù)定區(qū)域。在區(qū)域校正處理(S1303)中， CPU208根據(jù)變動確定處理(S1005)的結(jié)果變換提取區(qū)域的圖像數(shù)據(jù)。在這種情況下，根據(jù) 臉部方位的變動，通過例如仿射變換(affine transformation)，來變換提取處理(S1302) 中提取的局部區(qū)域圖像。根據(jù)變動通過使用相當(dāng)多的數(shù)據(jù)進(jìn)行學(xué)習(xí)，來預(yù)先生成用于變換 的參數(shù)。即，根據(jù)變動確定處理(S1005)的結(jié)果，預(yù)先決定和切換對應(yīng)于例如臉部方位的變 動的仿射參數(shù)。通過區(qū)域校正處理(S1303)中的變換處理，即使數(shù)據(jù)中的臉部不同于朝前 臉部，圖像數(shù)據(jù)也能夠被變換成類似于朝前臉部的局部區(qū)域。在維數(shù)減少處理(S1304)中，CPU 208減少識別中使用的校正后圖像數(shù)據(jù)的維 數(shù)。常規(guī)提出的方法例如使用主成分分析的方法可以應(yīng)用于維數(shù)減少。在相關(guān)性計算處理 (S1305)中，CPU 208進(jìn)行維數(shù)減少的輸入臉部圖像數(shù)據(jù)與維數(shù)減少且預(yù)先登記的登記數(shù)據(jù)1301之間的相關(guān)性計算，從而確定例如輸入臉部圖像是否與登記數(shù)據(jù)一致或者哪個登 記數(shù)據(jù)對應(yīng)于輸入臉部圖像。登記數(shù)據(jù)是由想要識別的特定人的臉部圖像生成的。此外，當(dāng) 使用多個局部區(qū)域時，針對每個區(qū)域進(jìn)行相關(guān)性計算，以使用多個獲得的相似度進(jìn)行確定。 通過上述處理，從臉部圖像識別出特定人。如上所述，根據(jù)第四實施例，在特征點位置校正處理中，使用變動確定處理 (S1005)的結(jié)果，選擇用于第二重心搜索處理(S1201)的搜索參數(shù)，從而使得能夠更準(zhǔn)確地 決定特征點的位置。此外，識別處理(S1202)中使用變動確定處理(S1005)的結(jié)果使得能 夠以高準(zhǔn)確度進(jìn)行識別。盡管第四實施例中使用變動確定結(jié)果來選擇用于局部區(qū)域的校正參數(shù)，但是本發(fā) 明不限于此。用于再標(biāo)準(zhǔn)化處理(S1301)的參數(shù)或者用于區(qū)域提取處理(S1302)的參數(shù)例 如可以根據(jù)變動而改變。作為另選方案，也可以采用例如根據(jù)變動確定結(jié)果來改變維數(shù)減 少處理(S1304)的細(xì)節(jié)的方法?；蛘撸玑槍γ糠N類型的變動來準(zhǔn)備登記數(shù)據(jù)、并且根據(jù) 變動確定處理(S1005)的結(jié)果來選擇登記數(shù)據(jù)的結(jié)構(gòu)也是可行的。此外，盡管在第四實施 例中說明了將識別處理(S1202)與根據(jù)第三實施例的特征點位置校正處理1002組合的示 例，但是當(dāng)然識別處理也可以分別與根據(jù)第一或第二實施例的特征點位置校正處理12或 82組合。[第五實施例]盡管在第一至第四實施例中本發(fā)明應(yīng)用于特征點校正，但是在第五實施例中本發(fā) 明應(yīng)用于圖像數(shù)據(jù)校正。注意，根據(jù)第五實施例的圖像處理設(shè)備也具有與第一實施例(圖 2)中相同的結(jié)構(gòu)。但是，特征位置可靠性計算單元204不總是必需的。下面將參照圖15來 說明根據(jù)本實施例的操作。圖15是用于說明使用圖2所示的設(shè)備實施圖像數(shù)據(jù)校正處理時的處理的流程圖。 在圖像矢量獲取處理(S1501)中，CPU 208讀出存儲在RAM 210中的被提取臉部圖像數(shù)據(jù)， 以生成包含作為要素的像素值的矢量數(shù)據(jù)I I = (I1, i2, i3，· · · ·，in)T其中in是像素值，而η是被提取圖像區(qū)域內(nèi)像素的總數(shù)。在維數(shù)減少處理(S1502)中，CPU 208使用投影矩陣1501d(投影矩陣&和平均矢 量Ad)將圖像矢量投影到子空間上。&和Ad分別是投影矢量和平均矢量，它們是使用包含 多種類型變動的相當(dāng)多數(shù)量的學(xué)習(xí)圖像矢量、通過主成分分析計算出的。注意，這里使用的 學(xué)習(xí)數(shù)據(jù)集既不包含缺陷圖像，也不包含遮擋圖像(occlusion image)。通過使用投影矩陣 1501d的投影計算，將η維矢量壓縮至ρ維矢量(n>p)。S卩，在維數(shù)減少處理(S1502)中， 維數(shù)減少的矢量Pd是根據(jù)以下方程生成的Pd =EdT(I"Ad)...(29)
Ad =(Ad，l，Ad，2，Ad，3，· ·A nIt ，rtd，n乂...(30)
Ed =(Ud，l，Ud，2，· ，Ud,ρ)...(31)
其中Ud，l，Ud，2，· · ·，Ud, r,分別是η維標(biāo)準(zhǔn)化正交矢量，是通過主成分分析獲得的在維數(shù)恢復(fù)處理(S1503a)中，CPU 208通過由以下方程說明的矩陣計算，來計算 校正后的圖像數(shù)據(jù)矢量Ia:Ia = BaPd+Ca . . . (32)
其中Ba是預(yù)先生成且由以下方程給出的投影矩陣Ba = EaEa1Ed · · · (33)并且Ca是預(yù)先生成且由以下方程給出的平均矢量Ca = EaEa1 (VAa)+Aa · · · (34)其中，Ed和Ad分別是投影矩陣1501d中的投影矩陣和平均矢量，而Ea和Aa分別是 使用對應(yīng)于特定變動的相當(dāng)多數(shù)量的學(xué)習(xí)圖像矢量通過主成分分析生成的投影矩陣和平 均矢量。這里使用朝前臉部圖像生成的投影矢量被使用。實際用于維數(shù)恢復(fù)處理(S1503a) 中的投影矩陣Ba和平均矢量Ca的計算方程與第三實施例中相同，并且是兩個校正處理所需 的矩陣計算的組合，如圖IlA和圖IlB所示。逆向投影矩陣1501a包括逆向投影矩陣Ba和 平均矢量Ca。類似地，投影矩陣Eb和平均矢量Ab是使用相當(dāng)多數(shù)量的朝右臉部圖像數(shù)據(jù)作為 特定變動來計算的，以根據(jù)以下方程分別計算用于維數(shù)恢復(fù)處理(S1503b)中的投影矩陣& 和平均矢量Cb Bb = EbEb1Ed...(35)Cb = EbEbT (Ad-Ab) +Ab ... (36)逆向投影矩陣1501b包括逆向投影矩陣&和平均矢量Cb。在維數(shù)恢復(fù)處理 (S1503b)中，根據(jù)以下方程生成校正后的圖像矢量Ib' = BbPd+Cb.. . (37)此外，類似地，投影矩陣E。和平均矢量A。是使用對應(yīng)于作為特定變動的朝左臉部 的相當(dāng)多數(shù)量的圖像數(shù)據(jù)來計算的，以根據(jù)以下方程分別計算用于維數(shù)恢復(fù)處理(S1503C) 中的投影矩陣B。和平均矢量C。Bc = EcEc1Ed. · · (38)Cc = ECECT (Ad-Ac)+Ac . · · (39)逆向投影矩陣1501c包括逆向投影矩陣B。和平均矢量C。。在維數(shù)恢復(fù)處理 (S1503c)中，根據(jù)以下方程生成校正后的圖像矢量Ic' = BcPd+Cc. . . (40)在上述方法中，通過三種類型的恢復(fù)處理(S1503a至S1503c)獲得針對每種特定 變動校正的圖像矢量。即，針對對象的每種變動獲取多個維數(shù)恢復(fù)的矢量數(shù)據(jù)。注意，在 生成投影矩陣Ea至E。時使用的投影矢量是由既沒有缺陷也沒有遮擋的學(xué)習(xí)圖像數(shù)據(jù)生成 的。為此，對應(yīng)的缺陷或者遮擋不能表示在使用投影矢量來減少維數(shù)的空間中。鑒于此，當(dāng) 輸入圖像數(shù)據(jù)具有缺陷或者遮擋時，能夠生成通過維數(shù)減少處理(S150》和維數(shù)恢復(fù)處理 (S1503a至S1503C)進(jìn)行統(tǒng)計插值的圖像數(shù)據(jù)。這使得能夠適當(dāng)?shù)匦Ｕ惓D像圖案 的臉部圖像。在變動確定處理(S1504)中，CPU 208使用通過維數(shù)減少處理6150 獲得的維 數(shù)減少的矢量Pd來估計變動。在這種情況下，估計臉部方位。第二實施例(圖9)中所示 的方法可應(yīng)用于變動確定處理(S1504)，并且通過針對共同子空間從維數(shù)減少的數(shù)據(jù)進(jìn)行 變動確定，能夠以少的計算量實現(xiàn)變動確定處理。通過變動確定處理(S1504)獲得的變動 確定結(jié)果被記錄在RAM 210的預(yù)定區(qū)域中。所記錄的信息可以用于后續(xù)處理中。在步驟S1505中，根據(jù)變動確定結(jié)果，將步驟S1503a至S1503c中各類型的維數(shù)減少處理的結(jié)果進(jìn)行整合。在步驟S1505的整合處理中，以與第一實施例中相同的方式通過 例如簡單選擇或者加權(quán)平均法，來計算最終的圖像矢量。整合后作為最終結(jié)果的校正后圖 像矢量被作為校正后的圖像數(shù)據(jù)記錄在RAM 210中。如上所述，根據(jù)第五實施例，具有大變動的圖像數(shù)據(jù)能夠在統(tǒng)計上被適當(dāng)?shù)匦Ｕ?例如，通過將根據(jù)第五實施例的校正處理應(yīng)用于臉部識別處理，能夠提高識別的準(zhǔn)確性。此 外，在校正處理的過程中，能夠生成在低維共同子空間上的投影矢量。使用生成的投影矢 量，能夠以少的計算量確定變動的類型。第五實施例中的基本計算方法與第三實施例中所 示的方法相同，但是因為第五實施例中使用的數(shù)據(jù)具有比第三實施例中更高的維數(shù)，所以 在減少計算量方面產(chǎn)生更大效果。對于本領(lǐng)域的技術(shù)人員而言顯然，在第一和第二實施例 中的每一個中說明的位置校正處理也可以應(yīng)用于圖像校正。[其他實施例]盡管在上述每一個實施例中采用線性SVM作為變動確定方法，但是本發(fā)明不限于 此，而且可以采用各種方法。例如，當(dāng)采用非線性SVM時，計算量在很大程度上增加，因此作 為本發(fā)明的特征從較少數(shù)據(jù)(投影矢量)產(chǎn)生的變動確定效果增強。此外，盡管在上述每一個實施例中，使用通過主成分分析生成的投影矩陣將投影 矢量投影到子空間上，但是可以使用其他方法。另外，為了提高變動確定處理(例如在步驟S106中)的準(zhǔn)確度，可以使用通過有 利于投影后數(shù)據(jù)的級別確定的常規(guī)提出的方法(例如LPP或者LFDA)生成的投影矩陣來進(jìn) 行維數(shù)減少。注意LPP是“局部保留投影(Locality Preserving ftx)jection) ”的縮寫，而 LFDA 是“局部化 Fisher 判別分析(Local Fisher Discriminant Analysis) ” 的縮寫。如 第二至第五實施例中所示，在本發(fā)明中，校正是根據(jù)在任意共同子空間上的投影計算來進(jìn) 行的，因此可以采用如上所述的投影矩陣。這使得能夠提高校正準(zhǔn)確度。盡管在上述每一個實施例中舉例說明了臉部方位作為通過變動確定處理(例如 在步驟S104中)確定的變動，但是本發(fā)明不限于此，并且也可以應(yīng)對各種類型的變動(例 如面部表情的變動)。同樣在這種情況下，僅通過準(zhǔn)備包含目標(biāo)變動的學(xué)習(xí)數(shù)據(jù)并計算投影 矩陣，能夠類似地進(jìn)行變動確定處理。換句話說，不需要例如設(shè)置應(yīng)對變動所依據(jù)的經(jīng)驗規(guī) 則。盡管在上述每個實施例中本發(fā)明應(yīng)用于人臉的識別，但是本發(fā)明不限于此，并且 在決定各種類型對象的特征點時也是可用的。本發(fā)明可應(yīng)用于所用情況，其中針對各類別 的對象，例如人體、動物以及諸如車輛的工業(yè)品，來約束特征點的排列。同樣在這些情況下， 僅通過針對每種類型的變動準(zhǔn)備目標(biāo)類型的多個特征點排列數(shù)據(jù)，能夠以高準(zhǔn)確度實現(xiàn)幾 何約束處理。盡管在上述每一個實施例中，子空間的維數(shù)對于每種類型的變動是共同的，但是 本發(fā)明不限于此。維數(shù)可以針對每種類型的變動而改變。即使在通過第三至第五實施例的 每一個中描述的合成來生成新的投影矢量的情況下，亦是如此。由于實現(xiàn)最佳校正的維數(shù) 依賴于變動的類型而不同，因此校正性能在改變維數(shù)時提高。此外，在變動確定中使用的共 同子空間的維數(shù)可以改變?yōu)榱硪蛔涌臻g的維數(shù)。另外，盡管在上述每一個實施例中本發(fā)明 應(yīng)用于從一般圖像數(shù)據(jù)提取的特征點或者圖像數(shù)據(jù)本身，但是在根據(jù)另一種意義的信息針 對特征數(shù)據(jù)進(jìn)行幾何約束處理時本發(fā)明也是適用的。
通過根據(jù)變動而改變用于維數(shù)減少和維數(shù)恢復(fù)的投影矩陣生成方法，能夠依據(jù)變 動生成最佳子空間，從而提高變動估計的準(zhǔn)確度。在第二和第三實施例中，通過使用適于變 動估計的維數(shù)壓縮方法生成第一投影矩陣，能夠高度有效地生成用于變動估計中的投影矩 陣。使用投影矩陣的作為維數(shù)減少結(jié)果的維數(shù)可以依賴于變動的類型而不同。這使得能夠 根據(jù)變動生成最佳子空間。通過將人臉設(shè)置為對象(類別)以及將與臉部器官有關(guān)的位置坐標(biāo)數(shù)據(jù)設(shè)置 為特征數(shù)據(jù)，能夠?qū)崿F(xiàn)針對例如臉部方位、臉部形狀和面部表情變動的器官檢測穩(wěn)固性 (robust)。通過將對象的像素值設(shè)置為與對象有關(guān)的特征數(shù)據(jù)，能夠?qū)崿F(xiàn)針對包含大變動 的圖像數(shù)據(jù)的統(tǒng)計圖像插值。根據(jù)本發(fā)明，即使對象具有大變動，仍然能夠以簡單的處理適當(dāng)?shù)匦Ｕ卣鼽c的 位置或者圖像數(shù)據(jù)。本發(fā)明可廣泛應(yīng)用于例如決定特征點排列的設(shè)備以及各種圖像形成設(shè)備。還可以由讀出并執(zhí)行記錄在存儲設(shè)備上的程序來執(zhí)行上述實施例的功能的系統(tǒng) 或裝置的計算機(jī)(或諸如CPU或MPU等的設(shè)備)，來實現(xiàn)本發(fā)明的各方面；并且可以利用由 通過例如讀出并執(zhí)行記錄在存儲設(shè)備上的程序來執(zhí)行上述實施例的功能的系統(tǒng)或裝置的 計算機(jī)來執(zhí)行各步驟的方法，來實現(xiàn)本發(fā)明的各方面。為此，例如經(jīng)由網(wǎng)絡(luò)或從充當(dāng)存儲設(shè) 備的各種類型的記錄介質(zhì)(例如，計算機(jī)可讀介質(zhì))將程序提供給計算機(jī)。雖然參照示例性實施例對本發(fā)明進(jìn)行了描述，但是應(yīng)當(dāng)理解，本發(fā)明并不局限于 所公開的示例性實施例。應(yīng)當(dāng)對所附權(quán)利要求的范圍給予最寬的解釋，以使其涵蓋所有的 這類變型例及等同結(jié)構(gòu)和功能。
權(quán)利要求
1.一種數(shù)據(jù)校正設(shè)備，其校正與對象的圖像有關(guān)的數(shù)據(jù)，該數(shù)據(jù)校正設(shè)備包括輸入單元，用于輸入通過將待校正數(shù)據(jù)相互連接而獲得的矢量數(shù)據(jù)；生成單元，用于執(zhí)行將所述矢量數(shù)據(jù)投影到子空間上以生成維數(shù)減少的投影矢量的維 數(shù)減少處理、以及恢復(fù)所述投影矢量的維數(shù)以生成維數(shù)恢復(fù)矢量數(shù)據(jù)的維數(shù)恢復(fù)處理，從 而針對所述圖像中所述對象的每種類型的變動生成多個維數(shù)恢復(fù)矢量數(shù)據(jù)；確定單元，用于基于所述投影矢量來確定所述對象的變動；以及整合單元，用于基于由所述確定單元獲得的確定結(jié)果，將所述多個維數(shù)恢復(fù)矢量數(shù)據(jù) 相互整合，并且將整合結(jié)果作為校正后的數(shù)據(jù)輸出。
2.根據(jù)權(quán)利要求1所述的數(shù)據(jù)校正設(shè)備，其中，所述生成單元通過使用針對每種類型的變動而準(zhǔn)備的多個投影矩陣將所述矢量數(shù)據(jù) 投影到所述子空間上，生成多個維數(shù)減少的投影矢量，并且使用所述多個投影矩陣來分別 恢復(fù)所述多個投影矢量的維數(shù)，從而生成多個維數(shù)恢復(fù)矢量數(shù)據(jù)，并且所述確定單元基于所述多個投影矢量來確定所述對象的變動。
3.根據(jù)權(quán)利要求1所述的數(shù)據(jù)校正設(shè)備，其中，所述生成單元通過使用通過學(xué)習(xí)關(guān)于多種類型的變動的數(shù)據(jù)而生成的第一投影矩陣、 執(zhí)行所述維數(shù)減少處理和所述維數(shù)恢復(fù)處理，來生成維數(shù)減少的第一投影矢量以及第一維 數(shù)恢復(fù)矢量數(shù)據(jù)，并且通過使用通過學(xué)習(xí)針對每種類型的變動的數(shù)據(jù)而生成的多個第二投 影矩陣，針對所述第一維數(shù)恢復(fù)矢量數(shù)據(jù)執(zhí)行所述維數(shù)減少處理和所述維數(shù)恢復(fù)處理，來 生成所述多個維數(shù)恢復(fù)矢量數(shù)據(jù)，并且所述確定單元基于所述第一投影矢量來確定所述對象的變動。
4.根據(jù)權(quán)利要求3所述的數(shù)據(jù)校正設(shè)備，其中，所述生成單元通過使用通過學(xué)習(xí)關(guān)于多種類型的變動的數(shù)據(jù)而生成的第一投影矩陣、 執(zhí)行所述維數(shù)減少處理，來生成維數(shù)減少的第一投影矢量，并且使用通過學(xué)習(xí)針對每種類 型的變動的數(shù)據(jù)而生成的多個第二投影矩陣，由所述第一投影矢量生成所述多個維數(shù)恢復(fù) 矢量數(shù)據(jù)，并且所述確定單元基于所述第一投影矢量來確定所述對象的變動。
5.根據(jù)權(quán)利要求4所述的數(shù)據(jù)校正設(shè)備，其中，所述多個第二投影矩陣中的每一個包 括計算矩陣，所述計算矩陣是通過將使用所述第一投影矩陣來對所述第一投影矢量進(jìn)行維 數(shù)恢復(fù)的計算、與通過學(xué)習(xí)針對每種類型的變動的數(shù)據(jù)而獲得的投影矩陣來對所述第一投 影矢量進(jìn)行維數(shù)減少和維數(shù)恢復(fù)的計算進(jìn)行組合而生成的。
6.根據(jù)權(quán)利要求1所述的數(shù)據(jù)校正設(shè)備，其中，所述整合單元基于通過所述確定單元 獲得的確定結(jié)果，決定所述多個維數(shù)恢復(fù)矢量數(shù)據(jù)的權(quán)重，并且計算所述多個維數(shù)恢復(fù)矢 量數(shù)據(jù)的加權(quán)平均值作為所述校正后的數(shù)據(jù)。
7.根據(jù)權(quán)利要求1至6中任一項所述的數(shù)據(jù)校正設(shè)備，其中，與所述對象的圖像有關(guān)的 數(shù)據(jù)包括從所述對象的圖像數(shù)據(jù)中提取的表示特征點位置的特征數(shù)據(jù)。
8.根據(jù)權(quán)利要求1至6中任一項所述的數(shù)據(jù)校正設(shè)備，其中，與所述對象的圖像有關(guān)的 數(shù)據(jù)包括所述對象的圖像數(shù)據(jù)。
9.一種圖像判別設(shè)備，該圖像判別設(shè)備包括在權(quán)利要求1至8中任一項中定義的數(shù)據(jù)校正設(shè)備；以及判別單元，用于使用所述校正后的數(shù)據(jù)，在圖像中判別對象。
10. 一種數(shù)據(jù)校正設(shè)備的控制方法，所述數(shù)據(jù)校正設(shè)備校正與對象的圖像有關(guān)的數(shù)據(jù)， 所述控制方法包括輸入步驟，使輸入單元輸入通過將待校正數(shù)據(jù)相互連接而獲得的矢量數(shù)據(jù)； 生成步驟，使生成單元執(zhí)行將所述矢量數(shù)據(jù)投影到子空間上以生成維數(shù)減少的投影矢 量的維數(shù)減少處理、以及恢復(fù)所述投影矢量的維數(shù)以生成維數(shù)恢復(fù)矢量數(shù)據(jù)的維數(shù)恢復(fù)處 理，從而針對所述圖像中所述對象的每種類型的變動生成多個維數(shù)恢復(fù)矢量數(shù)據(jù)； 確定步驟，使確定單元基于所述投影矢量來確定所述對象的變動；以及 整合步驟，使整合單元基于在所述確定步驟中獲得的確定結(jié)果，將所述多個維數(shù)恢復(fù) 矢量數(shù)據(jù)相互整合，并且將整合結(jié)果作為校正后的數(shù)據(jù)輸出。
全文摘要
本發(fā)明提供一種數(shù)據(jù)校正設(shè)備、其控制方法以及圖像判別設(shè)備。所述數(shù)據(jù)校正設(shè)備校正與對象的圖像有關(guān)的數(shù)據(jù)，將通過把待校正數(shù)據(jù)相互連接而獲得的矢量數(shù)據(jù)投影到子空間上，以生成維數(shù)減少的投影矢量，并且執(zhí)行恢復(fù)所述投影矢量的維數(shù)以生成維數(shù)恢復(fù)矢量數(shù)據(jù)的維數(shù)恢復(fù)處理，從而針對每種類型的變動生成多個維數(shù)恢復(fù)矢量數(shù)據(jù)。所述數(shù)據(jù)校正設(shè)備基于所述投影矢量來確定所述對象的變動；以及基于確定結(jié)果將所述多個維數(shù)恢復(fù)矢量數(shù)據(jù)相互整合，并且將整合結(jié)果作為校正后的數(shù)據(jù)輸出。
文檔編號G06T3/40GK102110285SQ201010622378
公開日2011年6月29日 申請日期2010年12月28日 優(yōu)先權(quán)日2009年12月28日
發(fā)明者伊藤嘉則, 加藤政美, 山本貴久 申請人:佳能株式會社