JP2020035338A - 物体検出方法及び物体検出装置 - Google Patents

Abstract

【課題】さらに検出率向上ないし高速化を図ることが可能な物体検出方法および物体検出装置を提供することを目的とする。【解決手段】本発明にかかる物体検出方法の代表的な構成は、輝度勾配に基づく特徴量を用いて画像中の被検出物の存否を判定する物体検出方法において、画像を所定数の画素で区切ったセルごとに輝度勾配ヒストグラムを作成し、セルごとに輝度勾配ヒストグラムのビンの下境界と幅を最適化して特徴量を算出することを特徴とする。【選択図】図５

Description

本発明は、輝度勾配に基づく特徴量を用いた画像認識による物体検出方法および物体検出装置に関する。

顔や人物等の物体を検出するためには、通常、画像から算出される局所的な特徴量が使用される。局所的な特徴量の代表的なものとして、明暗差を利用するＨａａｒ−ｌｉｋｅ特徴量、画素値の勾配方向の輝度勾配ヒストグラムを利用するＨＯＧ特徴量(Histogram of Oriented Gradients)などがある。中でもＨＯＧ特徴量は物体検出に広く使用されており、特に車載カメラに基づく歩行者・車検出の応用に非常に役立てられている。

これらの局所的な特徴量を利用する物体検出においては、大量の教師付き画像データを用いて、検出に有効な特徴を学習させる。物体検出の性能は、特徴量記述子の良し悪しに強く依存する。このため、物体検出性能を高めるためにはより優れた局所的特徴量を見出すことが重要である。

従来のＤａｌａｌらによるＨＯＧ特徴量を用いた歩行者検出（非特許文献１）では、ＨＯＧ特徴量のセルサイズを６ｘ６画素、ブロックサイズを３ｘ３セルに固定した大きさ、かつ、第１ビンの下境界を０度、ビンの幅を２０度に固定したヒストグラムが最も良いと結論付けられており、腕や下半身など広範囲の局所領域（セル）が歩行者の輪郭として表現できることが示されている。

これに対し特許第５９１６１３４号公報（特許文献１）では、ビン数の異なる複数のＨＯＧ特徴量を算出し（実施例ではビン数３，５，７，９）、算出された各ＨＯＧ特徴量の複数のビンから特徴量パターンを求めるのに有効なビン（即ち、被検出物の検出を行う基準に適したビン）の選択を行うことが記載されている。ビン数の異なる複数のＨＯＧ特徴量を算出することにより、物体検出に効果的な成分から構成される特徴量を抽出することができ、被検出物の存否判定精度を高めることが可能であると述べている。

特許第５９１６１３４号公報

N. Dalal, B. Triggs, "Histograms of oriented gradients for human detection", Proc. Conf. Computer Vision Pattern Recognition, vol. 1, pp. 886-893, 2005.

主に車載安全システムの安全性向上のために、さらに物体検出性能を高める必要がある。そのためには、より優れた局所的特徴量を見出すことが重要である。

そこで本発明は、さらに検出率向上ないし高速化を図ることが可能な物体検出方法および物体検出装置を提供することを目的としている。

発明者らは、各セルにおける輝度勾配ヒストグラムのビンを最適化すれば、物体検出性能が更に向上すると考えた。そして発明者らが鋭意検討したところ、ビンの下境界と幅を固定したり、多数のビンから有効なビンを選択したりするのではなく、セルの画素データに応じてビンの下境界と幅を最適化することにより、「物体らしい特徴」を捉えることができ、物体検出性能を更に高められることを見出し、本発明を完成するに至った。

すなわち本発明にかかる物体検出方法の代表的な構成は、輝度勾配に基づく特徴量を用いて画像中の被検出物の存否を判定する物体検出方法において、画像を所定数の画素で区切ったセルごとに輝度勾配ヒストグラムを作成し、セルごとに輝度勾配ヒストグラムのビンの下境界と幅を最適化して特徴量を算出することを特徴とする。

上記の最適化においては、輝度勾配ヒストグラムにおいて開始位置および幅が異なる複数の領域を設定し、複数の領域において累積分布関数を求め、累積分布関数と正規累積分布関数との誤差が最小となる領域を選択し、選択した領域の開始位置を１番目のビンの下境界に設定し、選択した領域の幅を輝度勾配ヒストグラム全体のビンの幅に設定してもよい。

上記の累積分布関数と正規累積分布関数との誤差を算出する際には、輝度勾配ヒストグラムにおいて所定角ごとに複数の区切り位置を設定し、各区切り位置を開始位置として数種類の幅を持つ領域を設定し、各幅ごとに領域集合を設定し、各領域集合において累積分布関数の増加量が最大となる領域を選択し、選択された領域の累積分布関数と正規累積分布関数との誤差を算出してもよい。

また、本発明にかかる物体検出装置の代表的な構成は、被検出物を示す特徴量を求める特徴量構成部と、特徴量を基にして識別器を構築する識別器生成部とを備え、特徴量構成部は、画像を所定数の画素で区切ったセルごとに輝度勾配ヒストグラムを作成し、セルごとに輝度勾配ヒストグラムのビンの下境界と幅を最適化して特徴量を算出し、特徴量から被検出物の存在を示す特徴量を求めることを特徴とする。

上記の特徴量構成部は、最適化する際に、輝度勾配ヒストグラムにおいて開始位置および幅が異なる複数の領域を設定し、複数の領域において累積分布関数を求め、累積分布関数と正規累積分布関数との誤差が最小となる領域を選択し、選択した領域の開始位置を１番目のビンの下境界に設定し、選択した領域の幅を輝度勾配ヒストグラム全体のビンの幅に設定してもよい。

上記の特徴量構成部は、累積分布関数と正規累積分布関数との誤差を算出する際には、輝度勾配ヒストグラムにおいて所定角ごとに複数の区切り位置を設定し、各区切り位置を開始位置として数種類の幅を持つ領域を設定し、各幅ごとに領域集合を設定し、各領域集合において累積分布関数の増加量が最大となる領域を選択し、選択された領域の累積分布関数と正規累積分布関数との誤差を算出してもよい。

本発明は、従来よりもさらに検出率向上ないし高速化を図ることが可能な物体検出方法および物体検出装置を提供することができる。

物体検出装置の概略構成を説明するブロック図である。 特徴量構成部の処理手順を説明するフローチャートである。 特徴量算出部の処理手順を説明するフローチャートである。 輝度勾配を説明する画像例である。 ＨＯＧ特徴量とＰＤＯＧ特徴量のヒストグラムと第１ビンを比較する図である。 ＨＯＧ特徴量とＰＤＯＧ特徴量を用いた顔検出と身体検出の画像例である。 顔検出と身体検出のエラー率を示す図である。

以下に添付図面を参照しながら、本発明の好適な実施形態について詳細に説明する。かかる実施形態に示す寸法、材料、その他具体的な数値などは、発明の理解を容易とするための例示に過ぎず、特に断る場合を除き、本発明を限定するものではない。なお、本明細書及び図面において、実質的に同一の機能、構成を有する要素については、同一の符号を付することにより重複説明を省略し、また本発明に直接関係のない要素は図示または説明を省略する。

図１は物体検出装置の概略構成を説明するブロック図である。図１に示す物体検出装置１００において、特徴量構成部１０６において行われる処理以外の全体的な構成および処理は、従来のＨＯＧ特徴量を用いた物体検出方法および物体検出装置と同様である。本実施形態においては、本発明の新規な部分については詳細に説明し、既知の部分については簡潔に説明する。

物体検出装置１００は、トレーニング部１０２と実行部１１０から構成される。まずトレーニング部１０２においてトレーニング用画像１３４が画像入力部１０４に入力される。画像は一般的に動画像であるが、以下の処理は動画像から抜き出されたフレーム画像（静止画像）に対して行われる。

特徴量構成部１０６では、トレーニング用画像の勾配情報を用いて、特徴量の算出および特徴量パターンの生成が行われる。特徴量とは、ＨＯＧ特徴量と同様に、セルの輝度勾配方向を横軸とし、輝度勾配の大きさ（強度）を縦軸として輝度勾配をヒストグラム化した特徴量であり、角度を複数の方向領域に分割し、各方向領域に対応する輝度勾配の大きさをヒストグラムのビンの高さで示したものである。

ただし、従来のＨＯＧ特徴量は輝度勾配ヒストグラムのビンの下境界と幅を固定していたところ（例えば下境界を０度、ビンの幅を２０度）、本発明では輝度勾配ヒストグラムのビンの下境界とビンの幅を最適化する。この最適化した特徴量をＰＤＯＧ特徴量(Probability Distribution of Oriented Gradients)と称する。ＰＤＯＧ特徴量の算出は本発明の最も特徴的な処理であり、後に詳述する。

画像中では被検出物の輪郭が位置する箇所で輝度勾配が大きくなるので、ＰＤＯＧ特徴量を求めることにより画像中にある被検出物の形状を検知することができる。このときの被検出物に対するＰＤＯＧ特徴量のパターンを、特徴量パターンという。

特徴量構成部１０６が算出した特徴量の構成パラメータは、データベース１２２に格納する。特徴量の構成パラメータとは、セルの位置とサイズ、勾配ヒストグラムビンの下境界や幅、ブロックの位置とサイズを含む。

識別器生成部１０８では、ＰＤＯＧ特徴量の構成パラメータによって全トレーニング用画像における各同種（同じ構成パラメータかつ同じビン）ＰＤＯＧ特徴量を求め、同一番号をつける。そして、Ａｄａｂｏｏｓｔ方法により、各同番ＰＤＯＧ特徴量の共通信頼度（重み）を計算し、逐次的に信頼度の高い同番ＰＤＯＧ特徴量を選択して識別器を生成する（重み付き加法型関数を生成する）。そして、選択された各同番ＰＤＯＧ特徴量の番号（どれ）とそれらに対応する信頼度（どのくらい）を識別器の重みパラメータとしてデータベース１２４に格納する。

実行部１１０においては、カメラ１３０から画像入力部１１２に画像が入力される。特徴量算出部１１４では、データベース１２２に格納されたＰＤＯＧ特徴量の構成パラメータ（セルの位置とサイズ、勾配ヒストグラムビンの下境界や幅、ブロックの位置とサイズ）を利用し、リアルタイムの入力画像における各ＰＤＯＧ特徴量を計算する。

識別器実行部１１６では、入力画像について算出したＰＤＯＧ特徴量を用いてデータベース１２４の重みパラメータ（番号と信頼度）を参照する。そして入力画像のＰＤＯＧ特徴量の番号から、これに対応する信頼度を取得して、識別器に代入して実行する（重み付き加法型関数の計算結果を得る）。

判定部１１８は、識別器実行部１１６の実行結果に基づいて、認識可能な被検出物（顔や人物）が存在するか否かを判定し、判定結果をディスプレイ１３２に出力する。

次に、本発明の特徴であるＰＤＯＧ特徴量の算出手順について説明する。図２は特徴量構成部１０６の処理手順を説明するフローチャート、図３は特徴量算出部１１４の処理手順を説明するフローチャート、図４は輝度勾配を説明する画像例である。

図２に示すように、特徴量構成部１０６においては、まず入力画像（トレーニング用画像）に対し、輝度勾配画像を生成する（ステップ２００）。

具体的には、まず入力画像をグレースケール化し、適当なサイズにリサイズする。リサイズした画像Ｉの画像位置（ｘ，ｙ）での輝度をＬ（ｘ，ｙ）とすると、ｘ，ｙ方向の微分はそれぞれ次の式で定義する。

そして次式によって画素位置（ｘ，ｙ）における勾配強度ｍ（ｘ，ｙ）と勾配方向θ（ｘ，ｙ）をそれぞれ求める（ステップ２０２）。図４（ａ）に、計算結果例を示す。図中右側の勾配画像では、画素単位で強度ｍ（ｘ，ｙ）と方向θ（ｘ，ｙ）が示されており、ｍ（ｘ，ｙ）が大きいほど長く、明るく表示されている。

画像ＩをＮｐ×Ｎｐ画素ごとに区切ってセルを設定する（図４（ｂ））。各セルの範囲内でそれぞれ、最適な輝度勾配ヒストグラムを作成する（ステップ２０４）。Ｎｐは例えば３，５，６等とすることができる。ステップ２３０〜２４０は、ステップ２０４の詳細な手順である。

まずは、任意のトレーニング用画像（正解画像と非正解画像）Ｉにおいて、１セル（同じ場所のセル）に含まれている任意の位置（ｘ，ｙ）の画素はｋ番目の画素とすると、その画素の勾配強度ｍ（ｘ，ｙ）と勾配方向θ（ｘ，ｙ）はそれぞれにｍ_ｋとθ_ｋで表せる。画像数やセルの画素数が有限であるから、勾配強度ｍと勾配方向θで構成された２次元ユークリッド空間に、１セルに含まれている全ての画像（正解画像と非正解画像）位置（ｘ，ｙ）の（θ_ｋ，ｍ_ｋ）をｍ軸（縦軸）とθ軸（横軸）方向に沿って離散的に散布する（ステップ２３０）。図５は勾配強度ｍと勾配方向θで構成された２次元ユークリッド空間に、１セルに含まれている全てのトレーニング画像（正解画像と非正解画像）の画素位置（ｘ，ｙ）の（θ_ｋ，ｍ_ｋ）を点で示したものである。縦軸において、正解画像の勾配強度ｍ_ｋは正の値に取り、非正解画像の勾配強度ｍ_ｋは負の値に取っている。ここで、ｍ_ｋはθ_ｋの密度関数ｐ（θ_ｋ）とすれば、０度から１８０度の連続的な値θの累積分布関数Ｆ（θ）は以下のように定義される。

また、１８０度から２１０度のθの累積分布関数Ｆ（θ）は以下のように定義される（ステップ２３２））。２１０度とするのは、次に述べる領域の幅の最大を本実施形態では一例として３０度としたから（１８０度＋３０度＝２１０度）である。

次に、０度から２１０度を本実施形態では５度ずつで分割し、この二次元ユークリッド空間に合計４２個の区切り位置θｊをつける。
各区切り位置θｊから、本実施形態では１０度、１５度、２０度、３０度の４通りの幅の領域Ωを設定する。領域Ωは勾配ヒストグラムのビンの下境界ρと幅φを用いて（ρ，φ）と定義する。そして幅の異なる領域集合｛（θｊ，１０）｝，｛（θｊ，１５）｝，｛（θｊ，２０）｝，｛（θｊ，３０）｝，ｊ＝１．．．４２を設定する（ステップ２３４）。各領域集合での累積分布関数Ｆ（θ）の増加量は、以下のように計算する。

そして、各領域集合で累積分布関数の増加量が最大となる領域をそれぞれ選択する（ステップ２３６）。

得られた各領域での累積分布関数Ｆ（θ）に、以下の正規累積分布関数、もしくは逆正規累積分布関数を当てはめる。
そして、当てはめた正規累積分布関数もしくは逆正規累積分布関数と平均二乗誤差平方根εが最小となる領域Ωｍｉｎを選ぶ（ステップ２３８）。
ここで、Ｋ(Ω)は領域Ωに含まれるθkの数である。そして、選ばれた領域Ωｍｉｎの下境界ρと幅φを、輝度勾配ヒストグラムの第１ビンの下境界と幅にする（ステップ２４０）。

この確率的最適化手法によって、ｉ番目のセルに対して、輝度勾配方向はφ（ｉ）度ごとに量子化するものとし、ρ（ｉ）度から１８０＋ρ（ｉ）度をＮ（ｉ）＝１８０／φ（ｉ）個のビンで表現する。つまり、このｉ番目のセルにおけるヒストグラムｖ_ｉは、以下のＮ（ｉ）次元ベクトルで表現される形となる。

このようにして、各セルの輝度勾配ヒストグラムの第１ビンの下境界と幅は、全てのトレーニング画像(正解画像、非正解画像)を元に一組の下境界と幅が算出される。

ここで図５に示した勾配強度ｍと勾配方向θで構成された２次元ユークリッド空間において、図５（ａ）（ｂ）は同じセルの（θ_ｋ，ｍ_ｋ）であり、（ｃ）（ｄ）は同じセルの（θ_ｋ，ｍ_ｋ）である。図５（ａ）（ｃ）に示されるように、ＨＯＧ特徴量のヒストグラムを用いた場合には第１ビンは０度から開始し、一定の幅（２０度）である。一方、図５（ｂ）（ｄ）に示されるように、ＰＤＯＧ特徴量のヒストグラムを用いた場合には、第１ビンの下境界と幅がそれぞれのセルの画素データに応じて最適化されていることがわかる。

さらに、隣接するＮｃ×Ｎｃ個のセルを１つのブロックと考え、ブロックＢ^（ｎ）ごとに以下の式でヒストグラムを正規化する（ステップ２０６）。Ｎｃは例えば３，４，５等とすることができる。
ここで、ｉ，ｊはブロックＢ^（ｎ）に含まれるセル番号を表している。なお、各ブロックは一部オーバーラップしているので、ほとんどのセルが別のブロックに複数回、含まれることになる。そこで上式では、ｉ番目セルのヒストグラムベクトルｖ_ｉがブロックＢ^（ｎ）に含まれることを明示するためにｖ_ｉ ^（ｎ）という記述で示している。

ブロックＢ^（ｎ）内に存在するＮｃ×Ｎｃ個のすべての正規化勾配ヒストグラムベクトルｖ_ｉ ^（ｎ）を連結し、１つのブロックＢ^（ｎ）につき、1つの正規化ベクトルｖ^（ｎ）が次式のように得られると考える。
ここでＮ^（ｎ）（ｉ）はブロックＢ^（ｎ）に含まれるセルｖ_ｉ ^（ｎ）の次元数である。

ブロックをずらしながら上式（数１１）にしたがってブロックの表現ベクトルを計算する。画像ＩにＮｗ×Ｎｈ個のセル、すなわち、（Ｎｗ‐Ｎｃ＋１）×（Ｎｈ‐Ｎｃ＋１）個のブロックが含まれた場合、算出された全てのｖ^（ｎ）を連結したベクトルは次式となる。
これを、画像ＩのＰＤＯＧ特徴（記述ベクトル）とする。３０×３０画素の画像を扱う場合、Ｎｐ＝Ｎｃ＝３ならばＮｗ＝Ｎｈ＝１０となる。以上から，最終的なＨＯＧ記述子ｖの次元は
となる。なお、本発明では、これを改めて
のように、成分ｖ_ｉを使って記述する。もちろん、
である。こうすると、添字ｉの違いによって「ある特定セル位置における勾配の向き」を区別することができ、さらに個々のｖ_ｉの値は、その向きの勾配の（正規化された）大きさ情報を有している、という形になる。

特徴量構成部１０６は、上記のようにして算出した特徴量の構成パラメータをデータベース１２２に格納する（ステップ２０８）。すなわちデータベース１２２には、各セルごとに一組の構成パラメータ（下境界や幅など）が格納される。

図３に示す特徴量算出部１１４の処理手順のフローチャートにおいては、図２と説明の重複するステップには同一の符号を付して説明を省略する。トレーニング部１０２の特徴量構成部１０６がトレーニング画像を処理したのに対し、実行部１１０の１１６はカメラのリアルタイムな画像を処理する。特徴量算出部１１４は特徴量構成部１０６と同様に、輝度勾配画像を生成し（ステップ２００）、画素位置（ｘ，ｙ）における勾配強度ｍと勾配方向θをそれぞれ求める（ステップ２０２）。

次に特徴量算出部１１４は、特徴量構成部１０６がデータベース１２２に格納した特徴量の構成パラメータを読み込む（ステップ２１０）。そして読み込んだＰＤＯＧ特徴量の構成パラメータを利用して、リアルタイムの入力画像における勾配ヒストグラムを作成する（ステップ２１２）。そして画像にブロックを設定し、ヒストグラムを正規化する（ステップ２０６）。

図６はＨＯＧ特徴量とＰＤＯＧ特徴量を用いた顔検出と身体検出の画像例である。図６（ａ）のＨＯＧ特徴量を用いた顔検出では、人形の顔を検出してしまったり、人間の顔を検出しそびれてしまっている。これに対し、図６（ｂ）のＰＤＯＧ特徴量を用いた顔検出では人間の顔だけを適切に検出できていることがわかる。

また図６（ｃ）のＨＯＧ特徴量を用いた身体検出では、同じ人物に多重に検出した上で、検出漏れが多くなってしまっている。これに対し、図６（ｄ）のＰＤＯＧ特徴量を用いた身体検出では、検出漏れもあるものの、はるかに多くの人物の身体を検出できていることがわかる。

図７は顔検出と身体検出のエラー率を示す図であって、横軸は特徴量の数、縦軸はエラー率である。図７（ａ）に示すように、本発明によるＰＤＯＧ特徴量を用いて顔検出を行った場合、ＨＯＧ特徴量を用いた場合と比較して、同程度の特徴量パターンの数（選択された弱識別器の数）で、すなわち物体検出の処理速度を落とさずに、エラー率を最大２０％削減した。別の見方をすると、３０％〜４０％少ない特徴量のパラメータ数で同程度の検出率向上を達成した。物体検出処理速度は特徴量パターン数に比例するため、従来技術と比較して３０％〜４０％の物体検出処理の高速化を実現したことになり、画像認識分野において本発明の効果は非常に大きいと言える。

一方、身体検出を行った場合、図７（ｂ）に示すように、ＰＤＯＧ特徴量を用いた場合とＨＯＧ特徴量を用いた場合の差は顔検出の場合ほど大きくない。原因として、身体の画像に含まれる情報量が顔の情報量ほど多くないためと考えられる。しかし、それでも１０％程度の物体検出処理の高速化が実現されており、本発明による効果は大きいと言える。

本発明によるＰＤＯＧ特徴量パターン数は、同程度のエラー率の深層学習法（ディープラーニング）のパラメータ量の１／２０程度、ＨＯＧ特徴量の２／３程度で済むため、本発明は、小規模化が求められる組み込みシステムに特に適した技術である。

以上説明したように、本発明のＰＤＯＧ特徴量を用いれば、セルの画素データに応じてビンの下境界と幅を最適化することにより、「物体らしい特徴」を捉えることができ、ＨＯＧ特徴量を用いた場合よりも検出率向上ないし高速化を図ることが可能な物体検出方法および物体検出装置を提供することができる。

以上、添付図面を参照しながら本発明の好適な実施例について説明したが、本発明は係る例に限定されないことは言うまでもない。当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。

本発明は、輝度勾配に基づく特徴量を用いた画像認識による物体検出方法および物体検出装置として利用することができる。

１００…物体検出装置、１０２…トレーニング部、１０４…画像入力部、１０６…特徴量構成部、１０８…識別器生成部、１１０…実行部、１１２…画像入力部、１１４…特徴量算出部、１１６…識別器実行部、１１８…判定部、１２２…データベース、１２４…データベース、１３０…カメラ、１３２…ディスプレイ、１３４…トレーニング用画像

Claims (6)

1. 輝度勾配に基づく特徴量を用いて画像中の被検出物の存否を判定する物体検出方法において、
   画像を所定数の画素で区切ったセルごとに輝度勾配ヒストグラムを作成し、
   セルごとに輝度勾配ヒストグラムのビンの下境界と幅を最適化して特徴量を算出することを特徴とする物体検出方法。
2. 前記最適化においては、
   前記輝度勾配ヒストグラムにおいて開始位置および幅が異なる複数の領域を設定し、
   前記複数の領域において累積分布関数を求め、
   前記累積分布関数と正規累積分布関数との誤差が最小となる領域を選択し、
   前記選択した領域の開始位置を１番目のビンの下境界に設定し、
   前記選択した領域の幅を前記輝度勾配ヒストグラム全体のビンの幅に設定することを特徴とする請求項１に記載の物体検出方法。
3. 前記累積分布関数と正規累積分布関数との誤差を算出する際には、
   輝度勾配ヒストグラムにおいて所定角ごとに複数の区切り位置を設定し、
   各区切り位置を開始位置として数種類の幅を持つ領域を設定し、
   各幅ごとに領域集合を設定し、
   各領域集合において累積分布関数の増加量が最大となる領域を選択し、
   前記選択された領域の累積分布関数と正規累積分布関数との誤差を算出することを特徴とする請求項２に記載の物体検出方法。
4. 被検出物を示す特徴量を求める特徴量構成部と、
   前記特徴量を基にして識別器を構築する識別器生成部とを備え、
   前記特徴量構成部は、
   画像を所定数の画素で区切ったセルごとに輝度勾配ヒストグラムを作成し、
   セルごとに輝度勾配ヒストグラムのビンの下境界と幅を最適化して特徴量を算出し、
   前記特徴量から被検出物の存在を示す特徴量を求めることを特徴とする物体検出装置。
5. 前記特徴量構成部は、前記最適化する際に、
   前記輝度勾配ヒストグラムにおいて開始位置および幅が異なる複数の領域を設定し、
   前記複数の領域において累積分布関数を求め、
   前記累積分布関数と正規累積分布関数との誤差が最小となる領域を選択し、
   前記選択した領域の開始位置を１番目のビンの下境界に設定し、
   前記選択した領域の幅を前記輝度勾配ヒストグラム全体のビンの幅に設定することを特徴とする請求項４に記載の物体検出装置。
6. 前記特徴量構成部は、前記累積分布関数と正規累積分布関数との誤差を算出する際には、
   輝度勾配ヒストグラムにおいて所定角ごとに複数の区切り位置を設定し、
   各区切り位置を開始位置として数種類の幅を持つ領域を設定し、
   各幅ごとに領域集合を設定し、
   各領域集合において累積分布関数の増加量が最大となる領域を選択し、
   前記選択された領域の累積分布関数と正規累積分布関数との誤差を算出することを特徴とする請求項５に記載の物体検出装置。