JP2006079321A - Parameter estimation device, method, and program, and recording medium of parameter estimation program - Google Patents
Parameter estimation device, method, and program, and recording medium of parameter estimation program Download PDFInfo
- Publication number
- JP2006079321A JP2006079321A JP2004262117A JP2004262117A JP2006079321A JP 2006079321 A JP2006079321 A JP 2006079321A JP 2004262117 A JP2004262117 A JP 2004262117A JP 2004262117 A JP2004262117 A JP 2004262117A JP 2006079321 A JP2006079321 A JP 2006079321A
- Authority
- JP
- Japan
- Prior art keywords
- parameter estimation
- image data
- subspace
- parameter
- section
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
Description
本発明は、画像中に含まれるオブジェクトのパラメータを推定する技術に関するものである。 The present invention relates to a technique for estimating a parameter of an object included in an image.
カメラ等で撮影したオブジェクトには、どの方向から撮影したものか、どこから照明をあてているのか等、様々なパラメータが含まれている。例えば図５は、撮影角度(水平方向)をパラメータとして考えた場合の画像とパラメータとの関係である。これらのパラメータ情報を画像のみから推定することは、工業部品の分類、移動物体の監視、といった幅広い応用が考えられ、工学的価値は高い。 An object photographed by a camera or the like includes various parameters such as from which direction the photograph was taken and from where the illumination is applied. For example, FIG. 5 shows the relationship between an image and parameters when the shooting angle (horizontal direction) is considered as a parameter. Estimating these parameter information only from images can be applied to a wide range of applications such as classification of industrial parts and monitoring of moving objects, and has high engineering value.
この技術を実現する方法として、特願２００３−３８３５８０では、線形部分空間法とサポートベクトル回帰とを組み合わせた方法が提案されている。これは、パラメータを様々に変化させたときの画像とパラメータとの関係を、特徴空間における画像の固有空間上での入出力関数として表現し、その関数を用いてパラメータを推定する方法である。この方法は、「パラメトリック固有空間法」(例えば、非特許文献１参照。)のようにサンプル点を全て保存するのではなく、関数の基底ベクトルに相当するベクトル(サポートベクトル)だけ保存すればよいため、メモリ空間を圧迫する心配が少ない。しかし、推定精度をよくするためには、サポートベクトルの数を多くとる必要がある。
本発明は、画像内オブジェクトのパラメータ推定において、入出力関数をよりコンパクトなものに変換して必要メモリ量、計算量ともに小さくすることを目的とする。 An object of the present invention is to reduce the required memory amount and calculation amount by converting an input / output function to a more compact one in parameter estimation of an object in an image.
上記目的を達成するために、本発明では、サポートベクトル回帰により定義される回帰推定式を変形する。このとき、カーネル関数に２次の多項式カーネルを用いることを前提とすれば、必要な変数の数はサポートベクトルの数によらず、固有空間次元数の２乗のオーダーに圧縮することができる。 In order to achieve the above object, the present invention modifies a regression estimation formula defined by support vector regression. At this time, if it is assumed that a second-order polynomial kernel is used for the kernel function, the number of necessary variables can be compressed to the order of the square of the number of eigenspace dimensions regardless of the number of support vectors.
以下、具体的な変形式について述べる。 Hereinafter, a specific modification formula will be described.
サポートベクトル回帰により定義されている回帰推定式は、 The regression estimation formula defined by support vector regression is
である。ここで、αi *、αi、ｂ、はサポートベクトル回帰により定義された最適化問題を解くことにより算出される係数、ｍはサポートベクトルの数、ｋ(ｘi，ｘ)はカーネル関数である。 It is. Here, α i * , α i , b are coefficients calculated by solving an optimization problem defined by support vector regression, m is the number of support vectors, and k (x i , x) is a kernel function. is there.
パラメータ推定において、入力ｘは、画像から得られる特徴ベクトルをオブジェクトの固有空間に射影したときにできる射影ベクトルである。固有空間とは、学習用のオブジェクト画像のセットから主成分分析により導き出される部分空間である。固有空間を用いることにより、サポートベクトルｘiの次元数を減らして、メモリ容量を少なくすることができる。 In the parameter estimation, the input x is a projection vector generated when a feature vector obtained from an image is projected onto the eigenspace of the object. The eigenspace is a subspace derived from a set of object images for learning by principal component analysis. By using the eigenspace, the number of dimensions of the support vector x i can be reduced and the memory capacity can be reduced.
ここで、カーネル関数を、 Where the kernel function is
とする。これは、２次の多項式カーネルと呼ばれる。これを数式１に代入すると、 And This is called a second order polynomial kernel. Substituting this into Equation 1,
となる。この数式をそのまま利用するとなると、必要なメモリ容量は大体、
(サポートベクトルの数)×(固有空間の次元数)
程度になる。これは、サポートベクトルが多く存在するときにはメモリ空間を圧迫するおそれがある。
It becomes. If you use this formula as it is, the required memory capacity is roughly,
(Number of support vectors) x (number of eigenspace dimensions)
It will be about. This may squeeze the memory space when there are many support vectors.
そこで、これをさらに展開して整理すると、 So, if you expand and organize this further,
となる。ここで、 It becomes. here,
と置けば、これらは学習時にあらかじめ全て計算できることになる。さらに、Ａはｄ×ｄの行列(ｄは固有空間の次元数)、βは１×ｄのベクトル、γは定数項であるから、サポートベクトルの数は関係が無くなる。つまり、どんなにサポートベクトルの数が増えても、メモリ容量には全く影響を与えないことになる。 If this is set, all of these can be calculated in advance during learning. Furthermore, since A is a d × d matrix (d is the number of eigenspace dimensions), β is a 1 × d vector, and γ is a constant term, the number of support vectors is irrelevant. In other words, no matter how many support vectors increase, the memory capacity is not affected at all.
また、行列Ａを対角化することによって、さらに必要なメモリ量を圧縮することができる。Ａを、 In addition, the necessary amount of memory can be further compressed by diagonalizing the matrix A. A
のように対角化する。ここで、 Diagonalize as follows. here,
であり、λiはＡの固有値、ｐiはＡの固有ベクトルである。番号ｉはλiの絶対値が大きい順につけられているものとする。 Λ i is the eigenvalue of A and p i is the eigenvector of A. It is assumed that numbers i are assigned in descending order of the absolute value of λ i .
ここで、番号ｉの大きい固有値は０に近いものが多く存在するはずである。これらは無視してもさして影響はないので、次のように数５〜８の式を定義し直す。 Here, many eigenvalues having a large number i should be close to 0. Since these can be ignored, there is no influence, so the equations of formulas 5 to 8 are redefined as follows.
ここで、ｄ’は、 Where d ′ is
を満たす最も小さい数が採用される。Ｃは寄与度と呼ばれ、例えば、０．９９など１に近い値を用いる。これにより得られるｆ’(ｘ)は、ｆ(ｘ)の近似式となる。この式を利用すれば、さらに必要なメモリ量および計算量を削減することができる。 The smallest number that satisfies is adopted. C is called a contribution, and a value close to 1, such as 0.99, is used. The f ′ (x) obtained by this is an approximate expression of f (x). By using this equation, it is possible to further reduce the required memory amount and calculation amount.
具体的なパラメータ推定装置は以下の構成を備える。すなわち、画像データに含まれるオブジェクトのパラメータを推定するパラメータ推定装置であって、画像データを入力する入力手段と、前記画像データに含まれるオブジェクトの特徴を抽出する特徴抽出手段と、前記抽出された特徴から主成分分析によりオブジェクトの部分空間を作成する部分空間作成手段と、サポートベクトル回帰によりパラメータ推定関数を作成するパラメータ推定関数作成手段と、前記入力手段に入力したパラメータ推定の対象であるオブジェクトを撮像した画像データから、前記特徴抽出手段によって抽出された特徴量を前記オブジェクトごとの部分空間に射影する部分空間射影手段と、前記パラメータ推定関数に基づいてパラメータを推定するパラメータ推定手段と、前記推定結果を出力する出力手段と、を備えており、前記パラメータ推定関数作成手段は、サポートベクトル回帰の定義する最適化問題を解く最適化計算手段と、回帰式をサポートベクトルの数に依らないように式変形したときに新たに定まる係数を全て算出する係数計算手段と、を備える。また、前記パラメータ推定関数作成手段は、前記式変形における係数の一部である行列を対角化し、回帰式において影響の少ない部分を省略する行列対角化計算手段を備える。 A specific parameter estimation device has the following configuration. That is, a parameter estimation device for estimating a parameter of an object included in image data, an input unit that inputs image data, a feature extraction unit that extracts a feature of an object included in the image data, and the extracted Subspace creation means for creating a subspace of an object from features by principal component analysis, parameter estimation function creation means for creating a parameter estimation function by support vector regression, and an object to be parameter estimation input to the input means Subspace projection means for projecting the feature amount extracted by the feature extraction means from the captured image data to the partial space for each object, parameter estimation means for estimating a parameter based on the parameter estimation function, and the estimation An output means for outputting the results. The parameter estimation function creating means includes an optimization calculation means for solving an optimization problem defined by support vector regression, and a coefficient newly determined when the regression expression is transformed so as not to depend on the number of support vectors. And coefficient calculation means for calculating all of them. The parameter estimation function creation means includes matrix diagonalization calculation means for diagonalizing a matrix that is a part of the coefficient in the equation modification and omitting a portion having little influence in the regression equation.
また、具体的なパラメータ推定方法は以下の構成を備える。すなわち、画像データに含まれるオブジェクトのパラメータを推定するパラメータ推定方法であって、入力手段が画像データを入力する入力ステップと、特徴抽出手段が前記画像データに含まれるオブジェクトの特徴を抽出する特徴抽出ステップと、部分空間作成手段が前記抽出された特徴から主成分分析によりオブジェクトの部分空間を作成する部分空間作成ステップと、パラメータ推定関数作成手段がサポートベクトル回帰によりパラメータ推定関数を作成するパラメータ推定関数作成ステップと、部分空間射影手段が前記入力手段に入力したパラメータ推定の対象であるオブジェクトを撮像した画像データから、前記特徴抽出手段によって抽出された特徴量を前記オブジェクトごとの部分空間に射影する部分空間射影ステップと、パラメータ推定手段が前記パラメータ推定関数に基づいてパラメータを推定するパラメータ推定ステップと、出力手段が前記推定結果を出力する出力ステップと、を備えており、前記パラメータ推定関数作成ステップは、最適化計算手段がサポートベクトル回帰の定義する最適化問題を解く最適化計算ステップと、係数計算手段が回帰式をサポートベクトルの数に依らないように式変形したときに新たに定まる係数を全て算出する係数計算ステップと、を備える。また、前記パラメータ推定関数作成ステップは、行列対角化計算手段が前記式変形における係数の一部である行列を対角化し、回帰式において影響の少ない部分を省略する行列対角化計算ステップを備える。 A specific parameter estimation method has the following configuration. That is, a parameter estimation method for estimating a parameter of an object included in image data, wherein an input unit inputs image data, and a feature extraction unit extracts a feature of the object included in the image data A subspace creation step in which the subspace creation means creates a subspace of the object by principal component analysis from the extracted features, and a parameter estimation function in which the parameter estimation function creation means creates a parameter estimation function by support vector regression And a step of projecting the feature amount extracted by the feature extraction unit from the image data obtained by capturing the object that is the target of parameter estimation input to the input unit by the subspace projection unit to the subspace for each object Spatial projection step and para A parameter estimation step in which the data estimation means estimates a parameter based on the parameter estimation function, and an output means in which the output means outputs the estimation result, and the parameter estimation function creation step includes an optimization calculation Optimization calculation step that solves the optimization problem defined by support vector regression, and coefficient calculation that calculates all the newly determined coefficients when the coefficient calculation means transforms the regression equation so that it does not depend on the number of support vectors Steps. Further, the parameter estimation function creating step includes a matrix diagonalization calculation step in which the matrix diagonalization calculation means diagonalizes a matrix that is a part of the coefficient in the equation modification, and omits a portion having less influence in the regression equation. Prepare.
また、パラメータ推定プログラムは、上記のパラメータ推定装置またはパラメータ推定方法を、コンピュータプログラムで記載してそれを実行可能にしたことを特徴とするプログラムである。 The parameter estimation program is a program characterized in that the parameter estimation device or the parameter estimation method described above is described by a computer program and can be executed.
また、パラメータ推定プログラムの記録媒体は上記のパラメータ推定装置またはパラメータ推定方法を、コンピュータで実行可能に記載したプログラムを記録したことを特徴とする記録媒体である。 The parameter estimation program recording medium is a recording medium in which a program in which the above-described parameter estimation apparatus or parameter estimation method is executed by a computer is recorded.
このように、カーネル関数に２次の多項式カーネルを用いることを前提とすれば、学習において求められたサポートベクトルによる回帰式を、サポートベクトルの数に依らない、よりコンパクトな式に変換できるため、この性質を利用して、メモリ容量、計算量、ともに小さいパラメータ推定を実現することができる。さらに、行列の対角化をし、回帰式における影響の小さい部分を省略することによって、ある程度の近似精度を保ちながら、さらにメモリ容量、計算量を減らすことが可能となる。 As described above, assuming that a second-order polynomial kernel is used for the kernel function, the regression expression based on the support vector obtained in learning can be converted into a more compact expression that does not depend on the number of support vectors. By utilizing this property, it is possible to realize parameter estimation that is small in both memory capacity and calculation amount. Furthermore, by diagonalizing the matrix and omitting portions that have a small influence on the regression equation, it is possible to further reduce the memory capacity and the calculation amount while maintaining a certain degree of approximation accuracy.
以上説明したように、本発明によれば、画像中に含まれるオブジェクトに対し、極めて少ないメモリ容量および極めて少ない処理で、精度の良いパラメータ推定を可能とする技術を提供できる。 As described above, according to the present invention, it is possible to provide a technique that enables accurate parameter estimation for an object included in an image with an extremely small memory capacity and an extremely small amount of processing.
以下本発明の実施形態について図面を用いて詳細に説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
図１はパラメータ推定装置の構成を示すブロック図で、図２はパラメータ推定方法のフローチャートである。 FIG. 1 is a block diagram showing a configuration of a parameter estimation apparatus, and FIG. 2 is a flowchart of a parameter estimation method.
学習画像データ入力部１０１は、デジタルカメラ等で撮像された学習用のオブジェクト画像データおよびその正解パラメータ値を入力し、特徴抽出部１０２に伝送する(Ｓ０１)。 The learning image data input unit 101 inputs learning object image data captured by a digital camera or the like and the correct parameter value thereof, and transmits them to the feature extraction unit 102 (S01).
特徴抽出部１０２は、入力されたデジタル画像データから、そのオブジェクトの特徴量を抽出し、部分空間作成部１０３に伝送する(Ｓ０２)。 The feature extraction unit 102 extracts the feature amount of the object from the input digital image data, and transmits it to the partial space creation unit 103 (S02).
特徴量はいろいろ考えられるが、例えば、フーリエ変換のパワースペクトル、色ヒストグラム特徴(村瀬洋、Ｖ．Ｖ．Ｖｉｎｏｄ、「局所色情報を用いた高速物体検索−アクティブ検索法−」、電子情報通信学会論文誌 Ｄ−ＩＩ、Ｖｏｌ．Ｊ８１−Ｄ−ＩＩ、Ｎｏ．９、ｐｐ．２０３５−２０４２、１９９８)、局所方向ヒストグラム特徴(若林哲史、鶴岡信治、木村文隆、三宅康二、「特徴量の次元数増加による手書き数字認識の高精度化」、電子情報通信学会論文誌 Ｄ−ＩＩ、Ｖｏｌ．Ｊ７７−Ｄ−ＩＩ、Ｎｏ．１０、ｐｐ．２０４６−２０５３、１９９４)等がある。また、こういった特徴抽出処理を行わず、画像の輝度値そのものを特徴量としてもよい。 There are various possible feature quantities. For example, Fourier transform power spectrum, color histogram feature (Hirase Murase, VV Vinod, "Fast object search using local color information-Active search method", IEICE) Journals D-II, Vol. J81-D-II, No. 9, pp. 2035-2042, 1998), local direction histogram features (Tetsufumi Wakabayashi, Shinji Tsuruoka, Fumitaka Kimura, Koji Miyake, “Dimension number of features” "Increased accuracy of handwritten digit recognition by increasing", IEICE Transactions D-II, Vol. J77-D-II, No. 10, pp. 2046-2053, 1994). Further, the luminance value itself of the image may be used as the feature amount without performing such feature extraction processing.
部分空間作成部１０３は、オブジェクト画像から抽出された特徴ベクトルの集合をもとに、そのオブジェクトの部分空間を作成する(Ｓ０３)。 The partial space creation unit 103 creates a partial space of the object based on the set of feature vectors extracted from the object image (S03).
部分空間は、特徴ベクトルの共分散行列の固有値および固有ベクトルを算出し、固有値の大きい固有ベクトルから順番に、必要なだけ選択する事により(ここでも、数１５式のように寄与度を用いて選択する。)、それらを基底ベクトルとした空間として表現することができる。これにより、オブジェクトの特徴ベクトルがより低次元に圧縮され、メモリ節約に貢献することとなる。 The subspace is calculated by calculating the eigenvalues and eigenvectors of the covariance matrix of the feature vectors, and selecting as many as necessary in order from the eigenvectors with the largest eigenvalues (again, using the contribution as shown in Equation 15) )), And can be expressed as a space with these as basis vectors. Thereby, the feature vector of the object is compressed to a lower dimension, which contributes to memory saving.
部分空間記憶部１０５では、部分空間作成部１０３にて作成されたオブジェクトの部分空間をメモリに記憶する(Ｓ０４)。 The partial space storage unit 105 stores the partial space of the object created by the partial space creation unit 103 in the memory (S04).
パラメータ推定関数作成部１０４では、サポートベクトル回帰により、パラメータ推定関数を生成する(Ｓ０５)。 The parameter estimation function creation unit 104 generates a parameter estimation function by support vector regression (S05).
ここで、推定回帰式は前記数式１２で表される。その際のパラメータ推定関数作成部１０４における演算処理装置構成および処理の実行方法を、図３のブロック図と図４のフローチャートに示す。 Here, the estimated regression equation is expressed by Equation 12. The block diagram of FIG. 3 and the flowchart of FIG. 4 show the configuration of the arithmetic processing unit and the execution method of processing in the parameter estimation function creation unit 104 at that time.
最適化計算部１１２では、サポートベクトル回帰の定義する最適化問題を解くことで、数式５〜８に含まれるαi *、αi、およびｂを算出する(Ｓ１１)。最適化問題は以下のように表される。 The optimization calculation unit 112 calculates α i * , α i , and b included in Equations 5 to 8 by solving the optimization problem defined by the support vector regression (S11). The optimization problem is expressed as follows.
ここで、ｙiはｘiに対応する正解パラメータ値である。最適化は、凸二次計画法(今野浩、山下浩、「非線形計画法」、日科技連出版社、１９７８)を用いて解くことができる。 Here, y i is a correct parameter value corresponding to x i . The optimization can be solved using convex quadratic programming (Hiroshi Konno, Hiroshi Yamashita, “Nonlinear Programming”, Nikka Giren Publisher, 1978).
係数計算部１１３では、数式６〜８に基づいて、行列Ａ、ベクトルβ、定数γを算出する(Ｓ１２)。 The coefficient calculation unit 113 calculates a matrix A, a vector β, and a constant γ based on Expressions 6 to 8 (S12).
行列対角化計算部１１４では、行列Ａの固有値と固有ベクトルを計算し、数式１３〜１５に基づいて、行列Ｐ’および行列Λ’を求める(Ｓ１３)。 The matrix diagonalization calculation unit 114 calculates eigenvalues and eigenvectors of the matrix A, and obtains a matrix P ′ and a matrix Λ ′ based on the equations 13 to 15 (S13).
パラメータ推定関数記憶部１０６では、パラメータ推定関数作成部１０４にて作成されたオブジェクトのパラメータ推定関数(具体的には、行列Ｐ’、行列Λ’、ベクトルβ、定数γ)をメモリに記憶する(Ｓ０６)。 The parameter estimation function storage unit 106 stores the parameter estimation function (specifically, the matrix P ′, the matrix Λ ′, the vector β, and the constant γ) of the object created by the parameter estimation function creation unit 104 in the memory ( S06).
このとき、行列Ｐ’、行列Λ’の代わりに行列Ａを記憶してもよい。その場合は、行列対角化計算部１１４は省略される。 At this time, the matrix A may be stored instead of the matrix P ′ and the matrix Λ ′. In that case, the matrix diagonalization calculation unit 114 is omitted.
パラメータ推定関数作成部１０４は全てのパラメータの推定関数を作成したかを判断し、全てのパラメータの推定関数を作成したと判断したときは処理を終了し、全てのパラメータの推定関数を作成していないと判断したときはＳ０５を行う。 The parameter estimation function creation unit 104 determines whether the estimation functions for all parameters have been created. When it is determined that the estimation functions for all parameters have been created, the process is terminated and the estimation functions for all parameters are created. If it is determined that there is no, S05 is performed.
対象画像データ入力部１０７では、デジタルカメラ等で撮像されたパラメータ推定対象となるオブジェクト画像データを入力し、特徴抽出部１０８に伝送する(Ｓ０７)。 The target image data input unit 107 inputs object image data that is a parameter estimation target imaged by a digital camera or the like, and transmits it to the feature extraction unit 108 (S07).
特徴抽出部１０８は、特徴抽出部１０２と同様に、オブジェクトの特徴量を抽出し、部分空間射影部１０９へ伝送する(Ｓ０８)。 Similar to the feature extraction unit 102, the feature extraction unit 108 extracts the feature amount of the object and transmits it to the subspace projection unit 109 (S08).
部分空間射影部１０９では、部分空間記憶部１０５によりメモリに記憶された部分空間を読み出し、部分空間に対象画像データの特徴ベクトルを射影する(Ｓ０９)。 The partial space projection unit 109 reads the partial space stored in the memory by the partial space storage unit 105 and projects the feature vector of the target image data in the partial space (S09).
パラメータ推定部１１０では、パラメータ推定関数記憶部１０６によりメモリに記憶されたパラメータ推定関数を読み出し、パラメータを推定する(Ｓ１０)。行列Ｐ’、行列Λ’、ベクトルβ、定数γを記憶しておいた場合には、数式１２が推定回帰式となり、行列Ａ、ベクトルβ、定数γを記憶しておいた場合には数式５〜８が推定回帰式となる。そして、推定されたパラメータ値を出力部１１１に伝送する。 The parameter estimation unit 110 reads the parameter estimation function stored in the memory by the parameter estimation function storage unit 106 and estimates the parameter (S10). When the matrix P ′, the matrix Λ ′, the vector β, and the constant γ are stored, the equation 12 becomes an estimated regression equation, and when the matrix A, the vector β, and the constant γ are stored, the equation 5 ˜8 is the estimated regression equation. Then, the estimated parameter value is transmitted to the output unit 111.
パラメータ推定部１１０は全てのパラメータを推定したかを判断し、全てのパラメータを推定したと判断したときは処理を終了し、全てのパラメータを推定していないと判断したときはＳ１０を行う。 The parameter estimation unit 110 determines whether all parameters have been estimated. When it is determined that all parameters have been estimated, the process is terminated. When it is determined that all parameters have not been estimated, S10 is performed.
出力部１１１は、パラメータ推定部１１０で演算された結果を出力する。 The output unit 111 outputs the result calculated by the parameter estimation unit 110.
なお、パラメータ推定装置は、例えば、パラメータ推定装置を構成するコンピュータ装置が有するＣＰＵによって実現され、必要とする特徴量抽出、部分空間作成、パラメータ推定関数作成、最適化計算、行列対角化計算などをアプリケーションプログラムとして搭載することができる。 The parameter estimation device is realized by, for example, a CPU included in a computer device constituting the parameter estimation device, and extracts necessary feature amounts, partial space creation, parameter estimation function creation, optimization calculation, matrix diagonalization calculation, and the like. Can be installed as an application program.
また、コンピュータ装置には上記説明した特徴量抽出、部分空間作成、パラメータ推定関数作成、最適化計算、行列対角化計算などの処理結果や計算結果等のデータを内部メモリや外部記憶装置等に書き込み・読み出しができるようにしてもよい。 In addition, the computer device stores data such as processing results and calculation results such as feature amount extraction, subspace creation, parameter estimation function creation, optimization calculation, matrix diagonalization calculation, etc. described above in an internal memory or an external storage device. Writing and reading may be performed.
また、学習画像データ入力部１０１と対象画像データ入力部１０７とは一つの画像データ入力部であってもよいし、特徴抽出部１０２と特徴抽出部１０８とは一つの特徴抽出部であってもよい。 Further, the learning image data input unit 101 and the target image data input unit 107 may be a single image data input unit, and the feature extraction unit 102 and the feature extraction unit 108 may be a single feature extraction unit. Good.
また、本発明は、前述した実施形態の機能を実現するソフトウェアのプログラムコードを記録した記録媒体を、システムあるいは装置に供給し、そのシステムあるいは装置のＣＰＵ(ＭＰＵ)が記録媒体に格納されたプログラムコードを読み出し実行することによっても実現できる。その場合、記憶媒体から読み出されたプログラムコード自体が上述した実施形態の機能を実現することになり、そのプログラムコードを記憶した記憶媒体、例えば、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＭＯ、ＨＤＤ、等は本発明を構成する。 The present invention also provides a recording medium in which a program code of software for realizing the functions of the above-described embodiments is recorded to a system or apparatus, and a program in which the CPU (MPU) of the system or apparatus is stored in the recording medium. This can also be realized by reading and executing the code. In that case, the program code itself read from the storage medium realizes the functions of the above-described embodiment, and a storage medium storing the program code, for example, a CD-ROM, a DVD-ROM, a CD-R, CD-RW, MO, HDD, etc. constitute the present invention.
１０１…学習画像データ入力部
１０２…特徴抽出部
１０３…部分空間作成部
１０４…パラメータ推定関数作成部
１０５…部分空間記憶部
１０６…パラメータ推定関数記憶部
１０７…対象画像データ入力部
１０８…特徴抽出部
１０９…部分空間射影部
１１０…パラメータ推定部
１１１…出力部
１１２…最適化計算部
１１３…係数計算部
１１４…行列対角化計算部
DESCRIPTION OF SYMBOLS 101 ... Learning image data input part 102 ... Feature extraction part 103 ... Subspace creation part 104 ... Parameter estimation function creation part 105 ... Subspace storage part 106 ... Parameter estimation function storage part 107 ... Target image data input part 108 ... Feature extraction part DESCRIPTION OF SYMBOLS 109 ... Subspace projection part 110 ... Parameter estimation part 111 ... Output part 112 ... Optimization calculation part 113 ... Coefficient calculation part 114 ... Matrix diagonalization calculation part
Claims (6)
画像データを入力する入力手段と、
前記画像データに含まれるオブジェクトの特徴を抽出する特徴抽出手段と、
前記抽出された特徴から主成分分析によりオブジェクトの部分空間を作成する部分空間作成手段と、
サポートベクトル回帰によりパラメータ推定関数を作成するパラメータ推定関数作成手段と、
前記入力手段に入力したパラメータ推定の対象であるオブジェクトを撮像した画像データから、前記特徴抽出手段によって抽出された特徴量を前記オブジェクトごとの部分空間に射影する部分空間射影手段と、
前記パラメータ推定関数に基づいてパラメータを推定するパラメータ推定手段と、
前記推定結果を出力する出力手段と、を備えており、
前記パラメータ推定関数作成手段は、
サポートベクトル回帰の定義する最適化問題を解く最適化計算手段と、
回帰式をサポートベクトルの数に依らないように式変形したときに新たに定まる係数を全て算出する係数計算手段と、を備えることを特徴とするパラメータ推定装置。 A parameter estimation device that estimates parameters of an object included in image data,
Input means for inputting image data;
Feature extraction means for extracting features of objects included in the image data;
A subspace creating means for creating a subspace of an object by principal component analysis from the extracted features;
A parameter estimation function creating means for creating a parameter estimation function by support vector regression;
Subspace projection means for projecting the feature amount extracted by the feature extraction means onto the subspace for each object from image data obtained by imaging the object that is the target of parameter estimation input to the input means;
Parameter estimation means for estimating a parameter based on the parameter estimation function;
Output means for outputting the estimation result,
The parameter estimation function creating means includes:
Optimization calculation means for solving the optimization problem defined by support vector regression,
A parameter estimation device comprising: coefficient calculation means for calculating all newly determined coefficients when the regression equation is transformed so as not to depend on the number of support vectors.
前記式変形における係数の一部である行列を対角化し、回帰式において影響の少ない部分を省略する行列対角化計算手段を備えることを特徴とする請求項１に記載のパラメータ推定装置。 The parameter estimation function creating means includes:
The parameter estimation apparatus according to claim 1, further comprising matrix diagonalization calculation means for diagonalizing a matrix that is a part of the coefficient in the equation transformation and omitting a portion having less influence in the regression equation.
入力手段が画像データを入力する入力ステップと、
特徴抽出手段が前記画像データに含まれるオブジェクトの特徴を抽出する特徴抽出ステップと、
部分空間作成手段が前記抽出された特徴から主成分分析によりオブジェクトの部分空間を作成する部分空間作成ステップと、
パラメータ推定関数作成手段がサポートベクトル回帰によりパラメータ推定関数を作成するパラメータ推定関数作成ステップと、
部分空間射影手段が前記入力手段に入力したパラメータ推定の対象であるオブジェクトを撮像した画像データから、前記特徴抽出手段によって抽出された特徴量を前記オブジェクトごとの部分空間に射影する部分空間射影ステップと、
パラメータ推定手段が前記パラメータ推定関数に基づいてパラメータを推定するパラメータ推定ステップと、
出力手段が前記推定結果を出力する出力ステップと、を備えており、
前記パラメータ推定関数作成ステップは、
最適化計算手段がサポートベクトル回帰の定義する最適化問題を解く最適化計算ステップと、
係数計算手段が回帰式をサポートベクトルの数に依らないように式変形したときに新たに定まる係数を全て算出する係数計算ステップと、を備えることを特徴とするパラメータ推定方法。 A parameter estimation method for estimating a parameter of an object included in image data,
An input step in which the input means inputs image data;
A feature extracting step in which a feature extracting means extracts features of the object included in the image data;
A subspace creating step in which a subspace creating means creates a subspace of the object by principal component analysis from the extracted features;
A parameter estimation function creating step in which the parameter estimation function creating means creates a parameter estimation function by support vector regression;
A subspace projection step of projecting a feature amount extracted by the feature extraction unit to a subspace for each object from image data obtained by imaging the object that is a parameter estimation target input to the input unit by the subspace projection unit; ,
A parameter estimation step in which a parameter estimation means estimates a parameter based on the parameter estimation function;
An output means for outputting the estimation result; and
The parameter estimation function creating step includes
An optimization calculation step in which the optimization calculation means solves the optimization problem defined by the support vector regression;
A parameter estimation method comprising: a coefficient calculation step for calculating all coefficients newly determined when the coefficient calculation means transforms the regression equation so that it does not depend on the number of support vectors.
行列対角化計算手段が前記式変形における係数の一部である行列を対角化し、回帰式において影響の少ない部分を省略する行列対角化計算ステップを備えることを特徴とする請求項３に記載のパラメータ推定方法。 The parameter estimation function creating step includes
The matrix diagonalization calculation means comprises a matrix diagonalization calculation step for diagonalizing a matrix which is a part of the coefficient in the equation modification and omitting a portion having a small influence in the regression equation. The parameter estimation method described.
A recording medium recording a parameter estimation program in which the parameter estimation apparatus or the parameter estimation method according to any one of claims 1 to 4 is executable by a computer.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2004262117A JP4383990B2 (en) | 2004-09-09 | 2004-09-09 | Parameter estimation apparatus, parameter estimation method, parameter estimation program, and parameter estimation program recording medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2004262117A JP4383990B2 (en) | 2004-09-09 | 2004-09-09 | Parameter estimation apparatus, parameter estimation method, parameter estimation program, and parameter estimation program recording medium |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2006079321A true JP2006079321A (en) | 2006-03-23 |
| JP4383990B2 JP4383990B2 (en) | 2009-12-16 |
Family
ID=36158733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2004262117A Expired - Fee Related JP4383990B2 (en) | 2004-09-09 | 2004-09-09 | Parameter estimation apparatus, parameter estimation method, parameter estimation program, and parameter estimation program recording medium |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4383990B2 (en) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008217521A (en) * | 2007-03-06 | 2008-09-18 | Nippon Telegr & Teleph Corp <Ntt> | Parameter estimation device, parameter estimation method, program with this method loaded, and recording medium with this program recorded |
| JP2009157767A (en) * | 2007-12-27 | 2009-07-16 | Nippon Telegr & Teleph Corp <Ntt> | Face image recognition apparatus, face image recognition method, face image recognition program, and recording medium recording this program |
| JP2010210555A (en) * | 2009-03-12 | 2010-09-24 | Yamatake Corp | System for measuring physical property value of gas, method for measuring physical property value of gas, system for forming heating value calculation expression, method for forming heating value calculation expression, system for calculating heating value and method for calculating heating value |
| JP2010237005A (en) * | 2009-03-31 | 2010-10-21 | Yamatake Corp | Gas physical property value measuring system, gas physical property value measuring method, heat value calculating formula forming system, heat value calculating formula forming method, heat value calculating system, and heat value calculating method |
| JP2011203050A (en) * | 2010-03-25 | 2011-10-13 | Yamatake Corp | Calorific value calculation formula creation system, method of creating calorific value calculation formula, calorific value measurement system, and method of measuring calorific value |
| JP2011209047A (en) * | 2010-03-29 | 2011-10-20 | Yamatake Corp | System and method for creating heat value calculation formula, and system and method for measuring heat value |
| JP2011209008A (en) * | 2010-03-29 | 2011-10-20 | Yamatake Corp | System and method for preparing calorific-value calculation formula, calorific-value measuring system, and calorific-value measurement method |
| KR101948417B1 (en) * | 2017-03-28 | 2019-02-14 | 국방과학연구소 | Multiple neuro-physiological signal based animal behavior control system and method thereof |
| CN116804863A (en) * | 2023-05-30 | 2023-09-26 | 苏州贝茵科技股份有限公司 | Method for freely switching output functions and controller device |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102800096B (en) * | 2012-07-19 | 2014-12-24 | 北京航空航天大学 | Robustness estimation algorithm of camera parameter |
-
2004
- 2004-09-09 JP JP2004262117A patent/JP4383990B2/en not_active Expired - Fee Related
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008217521A (en) * | 2007-03-06 | 2008-09-18 | Nippon Telegr & Teleph Corp <Ntt> | Parameter estimation device, parameter estimation method, program with this method loaded, and recording medium with this program recorded |
| JP4740889B2 (en) * | 2007-03-06 | 2011-08-03 | 日本電信電話株式会社 | Parameter estimation device, parameter estimation method, program implementing the method, and recording medium recording the program |
| JP2009157767A (en) * | 2007-12-27 | 2009-07-16 | Nippon Telegr & Teleph Corp <Ntt> | Face image recognition apparatus, face image recognition method, face image recognition program, and recording medium recording this program |
| JP2010210555A (en) * | 2009-03-12 | 2010-09-24 | Yamatake Corp | System for measuring physical property value of gas, method for measuring physical property value of gas, system for forming heating value calculation expression, method for forming heating value calculation expression, system for calculating heating value and method for calculating heating value |
| JP2010237005A (en) * | 2009-03-31 | 2010-10-21 | Yamatake Corp | Gas physical property value measuring system, gas physical property value measuring method, heat value calculating formula forming system, heat value calculating formula forming method, heat value calculating system, and heat value calculating method |
| JP2011203050A (en) * | 2010-03-25 | 2011-10-13 | Yamatake Corp | Calorific value calculation formula creation system, method of creating calorific value calculation formula, calorific value measurement system, and method of measuring calorific value |
| JP2011209047A (en) * | 2010-03-29 | 2011-10-20 | Yamatake Corp | System and method for creating heat value calculation formula, and system and method for measuring heat value |
| JP2011209008A (en) * | 2010-03-29 | 2011-10-20 | Yamatake Corp | System and method for preparing calorific-value calculation formula, calorific-value measuring system, and calorific-value measurement method |
| KR101948417B1 (en) * | 2017-03-28 | 2019-02-14 | 국방과학연구소 | Multiple neuro-physiological signal based animal behavior control system and method thereof |
| CN116804863A (en) * | 2023-05-30 | 2023-09-26 | 苏州贝茵科技股份有限公司 | Method for freely switching output functions and controller device |
| CN116804863B (en) * | 2023-05-30 | 2024-01-30 | 苏州贝茵科技股份有限公司 | Method for freely switching output functions and controller device |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4383990B2 (en) | 2009-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tzimiropoulos | Project-out cascaded regression with an application to face alignment | |
| US9053388B2 (en) | Image processing apparatus and method, and computer-readable storage medium | |
| Ryan et al. | Automated facial expression recognition system | |
| JP6798183B2 (en) | Image analyzer, image analysis method and program | |
| US9959457B2 (en) | Apparatus and method for extracting feature of image including object | |
| US20220012612A1 (en) | System, method, and program for predicting information | |
| JP6432162B2 (en) | Image collation method, image collation apparatus, model template generation method, model template generation apparatus, and program | |
| JP2011204280A (en) | Multi-image feature matching using multi-scale oriented patch | |
| JP6943291B2 (en) | Learning device, learning method, and program | |
| JP2007072620A (en) | Image recognition device and its method | |
| JP4383990B2 (en) | Parameter estimation apparatus, parameter estimation method, parameter estimation program, and parameter estimation program recording medium | |
| JP5910631B2 (en) | Information processing apparatus, information processing method, and information processing program | |
| Huang et al. | Towards more efficient and flexible face image deblurring using robust salient face landmark detection | |
| JP5791361B2 (en) | PATTERN IDENTIFICATION DEVICE, PATTERN IDENTIFICATION METHOD, AND PROGRAM | |
| JP2010086466A (en) | Data classification device and program | |
| US10453206B2 (en) | Method, apparatus for shape estimation, and non-transitory computer-readable storage medium | |
| Koç et al. | A fast method for the implementation of common vector approach | |
| JP4740889B2 (en) | Parameter estimation device, parameter estimation method, program implementing the method, and recording medium recording the program | |
| Yang et al. | Undersampled face recognition based on virtual samples and representation classification | |
| Nieto et al. | Perspective multiscale detection and tracking of persons | |
| JP2004062719A (en) | Image processor | |
| An et al. | Unified face representation for individual recognition in surveillance videos | |
| JP2009295130A (en) | Image analysis device, image registration device, and image retrieval device | |
| JP2007140805A (en) | Parameter estimation device and method for in-image object, and medium | |
| JP4050587B2 (en) | Object identification device, object identification method, program for the method, and recording medium recording the program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060714 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20090526 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20090619 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090630 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090811 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20090915 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090924 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121002 Year of fee payment: 3 |
|
| R150 | Certificate of patent (=grant) or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131002 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |