JP2014016895A - 情報抽出装置、情報抽出方法及びプログラム - Google Patents

Abstract

【課題】計算時間を短縮して重要な画像サンプルを抽出できるようにする。
【解決手段】入力された画像列の参照区間に応じたサンプリングパラメータを設定し、前記設定されたサンプリングパラメータに基づいて前記画像列から複数の画像サンプルを抽出する。そして、前記抽出された画像サンプルの評価値を算出し、前記算出された評価値を用いて、抽出された画像サンプルの参照区間とは異なる参照区間のサンプリング密度分布を算出する。サンプリングパラメータを設定する際には、前記サンプリング密度分布を用いてその参照区間のサンプリングパラメータを設定する。
【選択図】図１

Description

本発明は、特に、画像サンプルを抽出するために用いて好適な情報抽出装置、情報抽出方法及びプログラムに関する。

従来、動画像の要約や、画像の検索、動画像の代表画像の抽出、ハイライトシーンの検出、イベントの検出、画像認識など、多くのアプリケーションにおいて動画などから画像サンプルを抽出する技術が用いられている。そこで、動画像から重要度の高い複数の画像サンプルを抽出する技術を向上させる要求が高まっている。

例えば特許文献１には、予め用意した特定イベントや顔などの特定物体をテンプレートにして、画像内に該当する特定物体が検出された画像フレームを抽出する方法が開示されている。また、特許文献２には、時系列フレームを抽出する方法であって、基準フレームを特定物体やカメラモーション特徴量などから抽出し、その前後を比較することにより連続フレームを取得する技術が開示されている。また、非特許文献１には、ＰＲＦＤ法、ＲＩＦＡＳ法などの時系列アクティブ探索法が開示されている。このようにこれらの方法は、特定シーンや特定物体をあらかじめ用意して検出している技術である。

一方、非特許文献２には、一定区間の画像列を学習データにしてイベント検知を行う装置が開示されている。この技術のように、教師なし学習技術をベースに異常検知を行う場合は、画像列の区間が不明なため複数の参照区間を設定して検出を行う必要がある。

特開２０１０−１０９５９２号公報 特開２０１１−８５０８号公報

南里卓也、大津展之、"複数人動画像からの異常動作検出"、情報処理学会論文誌。コンピュータビジョンとイメージメディア、Vol.45, No.SIG15、 pp.43-50、 2005 比戸将平、坪井祐太、鹿島久嗣、杉山将、"密度比推定を用いた特異点検出手法"、第１０回情報論的学習理論ワ−クショップ予稿集、 pp.197-204, 横浜, 2007.11.5-7.

前述した手法の場合、長い参照区間を設定して大量の画像サンプルセットを用意した場合に、学習に多くの時間がかかるという問題がある。そこで、一定のサンプリング間隔を設定することにより、画像サンプル数を減らすことができるが、重要なイベントを含むフレームもほとんど変化のないフレームも区別できないため、重要なフレームをサンプリングできない場合がある。

本発明は前述の問題点に鑑み、計算時間を短縮して重要な画像サンプルを抽出できるようにすることを目的としている。

本発明の情報抽出装置は、動画像を構成する画像列を入力する入力手段と、前記入力手段により入力された画像列の参照区間に応じたサンプリングパラメータを設定する設定手段と、前記設定手段によって設定されたサンプリングパラメータに基づいて前記画像列から複数の画像サンプルを抽出する抽出手段と、前記抽出手段によって抽出された画像サンプルの評価値を算出する評価手段と、前記評価手段によって算出された評価値を用いて、前記抽出手段によって抽出された画像サンプルの参照区間とは異なる参照区間のサンプリング密度分布を算出する算出手段とを備え、前記設定手段は、前記サンプリング密度分布を用いて、前記算出手段によって前記サンプリング密度分布を算出した参照区間のサンプリングパラメータを設定することを特徴とする。

本発明によれば、重要な画像サンプルを効率良く抽出することができ、他のアプリケーションの処理を容易にすることができる。

本発明の実施形態に係る画像サンプリング装置の機能構成例を示すブロック図である。 実際に使用する画像列から、階層的に画像サンプルを抽出する場合の設定状況を示す図である。 一般的なサンプリング数と計算時間との関係を示す図である。 第１の実施形態において、サンプリング密度分布Ｐ_Ｓを具体的に算出する手順を説明するための図である。 第２の実施形態におけるサンプリング密度分布算出部の詳細な機能構成例を示すブロック図である。 階層１〜階層３についての非類似スコアの分布の一例を示す図である。

（第１の実施形態）
以下、本発明の第１の実施形態について、図面を参照しながら説明する。
図１は、本実施形態に係る画像サンプリング装置（情報抽出装置）１００の機能構成例を示すブロック図である。
図１に示すように、本実施形態に係る画像サンプリング装置１００は、画像入力部１１０、パラメータ設定部１２０、画像サンプル抽出部１３０、画像評価部１４０、及びサンプリング密度分布算出部１５０にて構成されている。

画像入力部１１０は、ビデオカメラなど時系列的に連続な画像を取得する。本実施形態では、ビデオカメラにより３０分の動画像を構成する画像列１１１を取得する例について説明するが、これに限定するものではなく、予め録画したビデオファイルなど連続する時系列画像を入力する構成であってもよい。

パラメータ設定部１２０は、連続した画像列１１１からフレーム画像をサンプリングするために必要なパラメータを設定する。本実施例形態では、パラメータ設定部１２０は、階層パラメータ設定部１２５とサンプリングパラメータ設定部１２６とから構成されている。

階層パラメータ設定部１２５は、階層構造全体を処理する際に初回のみ動作し、サンプリングの基準となるキーフレームｔ_０、総階層数Ｎ、各階層でのサンプリング数Ｓ_ｎ、及び参照区間Δｔ_ｎからなる階層構造パラメータ１２７を決定する。

図２は、本実施形態で実際に使用する画像列１１１から、階層的に画像サンプルを抽出する場合の設定状況を示す図である。図２には、総階層数Ｎが５である場合の例を示している。
本実施形態においては、図２に示すように、同一のキーフレームｔ_０を起点に異なる参照区間（参照区間Δｔ_１〜参照区間Δｔ_５）の階層１〜階層５を設定する。これにより、それぞれの参照区間の長さに応じて動作からシーンまで異なるイベントの検出を可能としている。

例えば、３０ｆｐｓのビデオカメラで撮像した３０分の動画像を構成する画像列１１１（５４０００フレーム分）に対して、ある時刻ｔ_０を基準として、参照区間Δｔ_ｎは、階層パラメータ設定部１２５により以下のように設定される。まず、最上段の参照区間Δｔ_５では、Δｔ_５＝ｔ_０−ｔ_５となり、以下、参照区間Δｔ_ｋ＝ｔ_０−ｔ_ｋとなる。図２に示す例の場合、参照区間Δｔ_５＝１８００（１分）であり、参照区間Δｔ_１＝３０（１秒）であるものとする。

サンプリングパラメータ設定部１２６は、階層パラメータ設定部１２５が設定した階層構造パラメータ１２７を元に、階層ごとのサンプリング密度分布Ｐ_Ｓを設定する。そして、各階層のベース密度分布Ｐ_Ｂと、サンプリング密度分布Ｐ_Ｓとを加算して、階層ｎにおける合成サンプリング密度分布Ｐ_ｎを以下の式（１）により計算する。
Ｐ_ｎ＝α（Ｐ_Ｂ＋Ｐ_Ｓ） ・・・（１）

ここでαは正規化係数であり、階層ｎの後述する抽出区間スコアとベース密度分布との和による波形の振幅最大値の逆数となる。また、本実施形態におけるベース密度分布Ｐ_Ｂは、Ｐ_Ｂ＝ｃｏｎｓｔ．として定義している。これにより、ベース密度分布がない場合にサンプリング密度が０になってしまい、サンプリングされない参照区間が発生することを防いでいる。そして、階層構造パラメータ１２７及び合成サンプリング密度分布Ｐ_ｎをサンプリングパラメータ１２１として出力する。

画像サンプル抽出部１３０は、パラメータ設定部１２０から出力されるサンプリングパラメータ１２１を用いて画像列１１１から画像サンプルセット１３１を抽出する。すなわち、サンプリングパラメータ１２１を元に、画像列１１１のフレームから、合成サンプリング密度分布Ｐ_ｎに応じたランダムサンプリングによってサンプリング数Ｓ_ｎ分のフレーム画像を画像サンプルセット１３１として抽出する。

本実施形態においては、動画像の画像列１１１から抽出される画像サンプルセット１３１は、画像サンプリング装置１００を含む上位階層（アプリケーション層）に伝達される。そして、セキュリティカメラや家庭用ビデオカメラなどに搭載される画像認識、イベント検出、ビデオセグメンテーションなど様々な画像処理アプリケーションに使用される。

画像評価部１４０は、サンプリング数Ｓ_ｎの画像サンプルセット１３１を用いて参照区間Δｔ_ｎでの画像の統計的評価を行い、階層ｎでの評価値Ｅ_ｎを出力する。本実施形態では、非特許文献２に記載された手法により評価値Ｅ_ｎを算出する。具体的には、ある画像サンプルセット１３１を訓練データとし、別工程で抽出された画像サンプルセットを検証データとする。そして、二つのデータ集合に対応する二つの確率密度の比を用いて特異点を検出する。そして、評価値Ｅ_ｎは、二つのデータ集合間の特異値とする。なお、この評価値Ｅ_ｎを、画像サンプリング装置１００を含む上位階層（アプリケーション層）に伝達し、様々な画像処理アプリケーションに使用される構成であってもよい。

図３は、サンプリング数と計算時間との関係を示す図である。図３において、横軸はサンプリング数を示し、縦軸は該当するサンプリング数の画像サンプルセットを評価するのにかかった時間を示している。一般的に、サンプリング数の増加に従い、非線形に計算時間が増加する。

図２に示した設定の場合、階層１での処理は、全フレームをサンプリングした場合でも数秒程度である。一方、階層５の参照区間Δｔ_５を全フレームにおいてサンプリングにより評価すると、例えば、１８００フレームで約１０８８秒の計算時間が必要となる。そこで本実施形態では、このような計算時間を短縮するために、以下に説明するようにサンプリング密度分布Ｐ_Ｓを算出して、適切な画像サンプルセットを取得できるようにしている。

サンプリング密度分布算出部１５０は、評価値Ｅ_ｎ及びサンプリングパラメータ１２１をもとに、上段の階層ｎ＋１の参照区間Δｔ_ｎ＋１におけるサンプリング密度分布Ｐ_Ｓを算出する。そして、パラメータ設定部１２０へ出力する。本実施形態では、総階層数Ｎはあらかじめ階層パラメータ設定部１２５により設定されているため、階層ｎが総階層数Ｎに達した時点でループを脱し、次のキーフレームに移行する。

次に、サンプリング密度分布Ｐ_Ｓを具体的に算出する例について、図４を参照しながら説明する。図４において、横軸は時間を示し、縦軸は画像評価部１４０より算出された評価値Ｅ_ｎとして非類似スコアを示している。また、階層パラメータ設定部１２５により参照区間Δｔ_１＝３０（フレーム数）、サンプリング数Ｓ_１＝２０と設定されているものとする。

まず、階層１は初期階層であることから、サンプリング密度分布算出部１５０によりサンプリング密度分布Ｐ_Ｓは算出されていない。このため、サンプリングパラメータ設定部１２６は、サンプリング密度分布Ｐ_Ｓ＝０、α＝１とし、予め設定されたベース密度分布Ｐ_Ｂのみをそのまま合成サンプリング密度分布Ｐ_１としてサンプリングパラメータ１２１を設定する。このように本実施形態では、ベース密度分布Ｐ_Ｂを一様分布として定義し、階層１のサンプリング密度分布とする。

次に、画像サンプル抽出部１３０は、合成サンプリング密度分布Ｐ_１と、サンプリング数Ｓ_１（Ｓ_１＝２０）とに基づき、キーフレームｔ_０から３０フレーム分の参照区間Δｔ_１からランダムサンプリングにて２０枚のフレーム画像を抽出する。この場合、合成サンプリング密度分布Ｐ_１はベース密度分布Ｐ_Ｂと同じであり、一様分布であるため、参照区間Δｔ_１では均等確率なサンプリングとなる。

なお、本実施形態では、ベース密度分布Ｐ_Ｂは一様分布であるものとしたが、その他の方法によりベース密度分布Ｐ_Ｂを定義してもよい。例えば、ベース密度分布Ｐ_Ｂ＝Ａ（ｔ_０−ｔ）＋ｃｏｎｓｔ．とし、時間によって減衰（忘却）もしくは増加するように定義してもよい。さらには、ベース密度分布Ｐ_Ｂ＝Ａ（Δｔ_ｎ−１−Δｔ_ｎ）＋ｃｏｎｓｔ．とし、新規に追加された参照区間の領域のみベース密度を増加させるように定義してもよい。また、ベース密度分布Ｐ_Ｂを複数用意し、選択できるようにしてもよい。

次に、画像評価部１４０は、抽出された２０フレームの画像サンプルセット１３１を訓練データとする。そして、図４に示すようなキーフレームｔ_０後の３０フレーム分の検証データ用参照区間４１１から抽出した２０フレーム分の検証用の画像サンプルセットを検証データとする。なお、検証データ用参照区間４１１から抽出するフレーム数については、どのように決定してもよく、例えば、予め階層ごとに参照するフレーム数を決めておくようにしてもよい。そして、非特許文献２に記載されている手法を用いて非類似スコア１４１を算出する。本実施形態では、キーフレームｔ_０を時間軸上に移動させ、キーフレーム毎の非類似スコア（評価値Ｅ_１）を算出する。その結果、図４に示すように、階層１の非類似スコア４３１が時系列データの軌跡として算出される。

次に、サンプリング密度分布算出部１５０は、次段である階層２のサンプリング密度分布Ｐ_Ｓを算出する。なお、階層パラメータ設定部１２５により、階層２の参照区間Δｔ_２＝４０、サンプリング数Ｓ_２＝３０と設定されているものとする。本実施形態では、まず、キーフレームｔ_０を基準として、階層２の参照区間Δｔ_２の４０フレーム分の非類似スコアを階層１の非類似スコア４３１から抽出し、抽出区間スコア４４１とする。そして、抽出区間スコア４４１でスコアの高いフレームには画像上で変化の大きいフレームが含まれている確率が高いため、抽出区間スコア４４１の波形の振幅を１に正規化して階層２のサンプリング密度分布Ｐ_Ｓとする。

このようにして算出されたサンプリング密度分布Ｐ_Ｓは、サンプリングパラメータ設定部１２６に入力され、前述した式（１）により合成サンプリング密度分布Ｐ_２が算出される。このとき、正規化係数αは、階層２の抽出区間スコア４４１とベース密度分布Ｐ_Ｂとの和による波形の振幅最大値の逆数となる。

以上のように算出した合成サンプリング密度分布Ｐ_２を元に上記の処理を繰り返すことによって、総階層数Ｎまでの画像サンプルセット１３１を抽出することができる。ここで、処理時間を短縮するために、階層パラメータ設定部１２５にて各階層のサンプリング数Ｓ_ｎを減少させてもよい。

また、階層２からは、合成サンプリング密度分布Ｐ_ｎは一様でない分布となる。したがって、画像サンプル抽出部１３０は、合成サンプリング密度分布Ｐ_ｎにより、変化の大きいフレーム領域のサンプリング確率を高く、変化の少ないフレーム領域のサンプリング確率を低く設定する。これにより適切な画像サンプルセット１３１を取得することが可能になる。

また、本実施形態では、階層パラメータ設定部１２５において予め総階層数Ｎ、各階層の参照区間Δｔ_ｎ、サンプリング数Ｓ_ｎを決定する例に説明した。一方、総階層数Ｎを事前に設定しないようにし、隣接する階層間の参照区間の増加量を設定し、さらに終了条件を設定するようにしてもよい。この場合、終了条件としては、画像列１１１全体に至るまでといった条件や、非類似スコアが全域で閾値を超えない範囲といった条件などが適用可能である。

また、サンプリング数Ｓ_ｎについては、初期値としてサンプリング数Ｓ_１を設定し、順次サンプリング数Ｓ_ｎを増加させ、非類似スコアの変化量が閾値以下になるまでサンプリング数Ｓ_ｎを増加するようにしてもよい。これにより、各階層でのサンプリング数Ｓ_ｎを予め設定する必要はなくなる。

以上のように本実施形態によれば、繰り返して合成サンプリング密度分布Ｐ_ｎは算出し、その密度分布に基づいて合成サンプリング密度分布Ｐ_ｎを算出して、この結果に基づいてサンプリングする画像を抽出するようにした。これにより、重要な画像サンプルを効率良く抽出することができ、他のアプリケーションの処理を容易にすることができる。

（第２の実施形態）
以下、本発明の第２の実施形態について図面を参照しながら説明する。なお、本実施形態に係る画像サンプリング装置は、第１の実施形態で説明した画像サンプリング装置１００と基本的な構成が同様であるため、構成の説明は省略する。以下、第１の実施形態との相違点のみを説明する。

第１の実施形態との相違点は、サンプリング密度分布算出部１５０による計算において、前階層の非類似スコアの軌跡を用いるのではなく、前もって非類似度を評価した後にガウス分布を用いてサンプリング密度分布Ｐ_Ｓを生成する点である。以下、サンプリング密度分布算出部１５０においてサンプリング密度分布Ｐ_Ｓを算出する処理手順について説明する。

図５は、本実施形態におけるサンプリング密度分布算出部１５０の詳細な機能構成例を示すブロック図である。
図５に示すように、サンプリング密度分布算出部１５０は、閾値設定部５１０、ピーク時刻抽出部５２０、ガウス分布生成部５３０、及び混合密度分布生成部５４０によって構成されている。

図６は、階層１、階層２、階層３についての非類似スコアの分布を示している。
図６において、横軸は時間を示し、縦軸は非類似スコア（評価値Ｅ_ｎ）を示している。ここで、キーフレームｔ_０において、階層１及び階層２に対しては画像評価部１４０により評価値Ｅｎが既に算出されているものとする。以下、図５に示す各構成の機能とともに、階層３のサンプリング密度分布Ｐ_Ｓを算出する例について図６を参照しながら説明する。なお、参照区間Δｔ_１、Δｔ_２はそれぞれ３０、４０とする。

閾値設定部５１０は、各階層における閾値６０１〜６０３を設定する。本実施形態では予め適切な値を設定するものとする。

次に、ピーク時刻抽出部５２０は、非類似スコアの軌跡から閾値を超えたピークを検出し、そのピーク時刻ｔ_ｍ ^ｎを検出する。ここで、ｎは階層を示し、ｍは閾値を超えたピークの番号を示す。図６に示す例では、階層１においてはピーク時刻ｔ_０ ^１〜ｔ_２ ^１が検出され、階層２においてはピーク時刻ｔ_１ ^２〜ｔ_２ ^２が検出される。さらに、これらのピーク時刻ｔ_ｍ ^ｎに対して、各階層の参照区間Δｔ_１、ｔ_２を適用して、図６に示すようにそれぞれの部分領域６１１〜６１５を設定する。

なお、図６に示す例では、階層２で検出されたピーク時刻のうち、階層１で検出されたピーク時刻ｔ_ｍ ^１と同期するピーク時刻については除外している。これは、特に各階層の参照区間Δｔ_ｎの差が少ない場合は、同じピーク時刻を別階層でも検出してしまうことが多くなり、これらをすべて合成してしまうと新規で検出されたピーク時刻の成分の影響度が少なくなってしまうからである。なお、同期したピーク時刻も含めて部分領域を抽出しても構わない。

次に、ガウス分布生成部５３０は、対象となる部分領域６１１〜６１５に対してガウス分布を生成する。例えばピーク時刻ｔ_０ ^１におけるガウス分布については、以下の式（２）に示すようにピーク時刻ｔ_０ ^１を平均μとし参照区間Δｔ_１を両区間に持ち、３σ＝２Δｔ_１となるようにσを設定したガウス分布ｆを生成する。

他のピーク時刻ｔ_ｍ ^ｎに対しても同様に計算し、部分領域に対するガウス分布ｆをすべて算出する。

次に、混合密度分布生成部５４０は、各ピーク時刻ｔ_ｍ ^ｎにおけるガウス分布ｆを合成し、以下の式（３）により混合ガウス分布ｐを生成する。

式中、π_ｋは、混合比を示す。

本実施形態では、生成した混合ガウス分布ｐをサンプリング密度分布Ｐ_Ｓとして出力する。以後の処理は、第１の実施形態と同様となる。

（第３の実施形態）
以下、本発明の第３の実施形態について説明する。なお、本実施形態に係る画像サンプリング装置は、第１の実施形態で説明した画像サンプリング装置１００と基本的な構成が同様であるため、構成の説明は省略する。以下、第１の実施形態との相違点のみを説明する。

第１の実施形態との相違点は、サンプリング密度分布算出部１５０による計算において、前階層の非類似スコアの軌跡を用いるのではなく、非類似度の高い領域の参照領域をそのままサンプリング密度分布として用いる点である。本実施形態では、サンプリング密度分布算出部１５０において、サンプリング密度分布Ｐ_Ｓを算出する別の例について説明する。

第２の実施形態では、ガウス分布を用いてサンプリング密度分布Ｐ_Ｓを算出したが、部分領域６１１〜６１５に対して、幅を階層の参照区間Δｔ_ｎに設定し、高さを閾値からの突出割合の比による矩形領域ｆとして設定してもよい。そして、それぞれの矩形領域を合成することによって混合密度分布を生成し、該当領域内を均等にサンプリングすることが可能なサンプリング密度分布Ｐ_Ｓを設定することも可能である。

（その他の実施形態）
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ（またはＣＰＵやＭＰＵ等）がプログラムを読み出して実行する処理である。

１１０ 画像入力部
１２０ パラメータ設定部
１３０ 画像サンプル抽出部
１４０ 画像評価部
１５０ サンプリング密度分布算出部

Claims (13)

1. 動画像を構成する画像列を入力する入力手段と、
   前記入力手段により入力された画像列の参照区間に応じたサンプリングパラメータを設定する設定手段と、
   前記設定手段によって設定されたサンプリングパラメータに基づいて、前記画像列から複数の画像サンプルを抽出する抽出手段と、
   前記抽出手段によって抽出された画像サンプルの評価値を算出する評価手段と、
   前記評価手段によって算出された評価値を用いて、前記抽出手段によって抽出された画像サンプルの参照区間とは異なる参照区間のサンプリング密度分布を算出する算出手段とを備え、
   前記設定手段は、前記サンプリング密度分布を用いて、前記算出手段によって前記サンプリング密度分布を算出した参照区間のサンプリングパラメータを設定することを特徴とする情報抽出装置。
2. 前記抽出手段は、参照区間ごとにそれぞれ前記画像列から複数の画像サンプルを抽出し、
   前記評価手段は、前記抽出手段によって参照区間ごとに抽出された画像サンプルの評価値を参照区間ごとに算出することを特徴とする請求項１に記載の情報抽出装置。
3. 前記設定手段は、前記参照区間の起点となる時刻のフレームを設定することを特徴とする請求項１または２に記載の情報抽出装置。
4. 前記設定手段は、複数の参照区間を設定することを特徴とする請求項１乃至３の何れか１項に記載の情報抽出装置。
5. 前記設定手段は、前記抽出手段によって抽出される画像サンプルの数を設定することを特徴とする請求項１乃至４の何れか１項に記載の情報抽出装置。
6. 前記設定手段は、前記サンプリング密度分布に加算する密度分布を設定することを特徴とする請求項１乃至５の何れか１項に記載の情報抽出装置。
7. 前記設定手段は、前記参照区間の数を設定することを特徴とする請求項１乃至６の何れか１項に記載の情報抽出装置。
8. 前記算出手段は、異なる参照区間の非類似度の分布からサンプリング密度分布を算出することを特徴とする請求項１乃至７の何れか１項に記載の情報抽出装置。
9. 前記評価手段は、前記画像サンプルと、検証用の画像サンプルとの非類似度を評価値として算出することを特徴とする請求項１乃至８の何れか１項に記載の情報抽出装置。
10. 前記算出手段は、
    前記評価値に閾値を設定する閾値設定手段と、
    サンプリング密度分布を算出する対象となる参照区間において、前記評価値が前記閾値設定手段によって設定された閾値を超えた時刻を含む区間を抽出し、前記抽出された区間の長さに基づく密度分布を重ね合わせた混合密度分布を生成する生成手段とを備え、
    前記混合密度分布を前記サンプリング密度分布とすることを特徴とする請求項１乃至８の何れか１項に記載の情報抽出装置。
11. 前記密度分布はガウス分布であることを特徴とする請求項１０に記載の情報抽出装置。
12. 動画像を構成する画像列を入力する入力工程と、
    前記入力工程において入力された画像列の参照区間に応じたサンプリングパラメータを設定する設定工程と、
    前記設定工程において設定されたサンプリングパラメータに基づいて前記画像列から複数の画像サンプルを抽出する抽出工程と、
    前記抽出工程において抽出された画像サンプルの評価値を算出する評価工程と、
    前記評価工程において算出された評価値を用いて、前記抽出工程において抽出された画像サンプルの参照区間とは異なる参照区間のサンプリング密度分布を算出する算出工程とを備え、
    前記設定工程においては、前記サンプリング密度分布を用いて、前記算出工程において前記サンプリング密度分布を算出した参照区間のサンプリングパラメータを設定することを特徴とする情報抽出方法。
13. 動画像を構成する画像列を入力する入力工程と、
    前記入力工程において入力された画像列の参照区間に応じたサンプリングパラメータを設定する設定工程と、
    前記設定工程において設定されたサンプリングパラメータに基づいて前記画像列から複数の画像サンプルを抽出する抽出工程と、
    前記抽出工程において抽出された画像サンプルの評価値を算出する評価工程と、
    前記評価工程において算出された評価値を用いて、前記抽出工程において抽出された画像サンプルの参照区間とは異なる参照区間のサンプリング密度分布を算出する算出工程とをコンピュータに実行させ、
    前記設定工程においては、前記サンプリング密度分布を用いて、前記算出工程において前記サンプリング密度分布を算出した参照区間のサンプリングパラメータを設定することを特徴とするプログラム。

Images