JP6201549B2 - Image processing apparatus and image processing program - Google Patents
Image processing apparatus and image processing program Download PDFInfo
- Publication number
- JP6201549B2 JP6201549B2 JP2013186682A JP2013186682A JP6201549B2 JP 6201549 B2 JP6201549 B2 JP 6201549B2 JP 2013186682 A JP2013186682 A JP 2013186682A JP 2013186682 A JP2013186682 A JP 2013186682A JP 6201549 B2 JP6201549 B2 JP 6201549B2
- Authority
- JP
- Japan
- Prior art keywords
- curvature
- target object
- calculated
- value
- image processing
- 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.)
- Expired - Fee Related
Links
- 238000000926 separation method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 description 48
- 238000010586 diagram Methods 0.000 description 30
- 238000000034 method Methods 0.000 description 13
- 239000011521 glass Substances 0.000 description 10
- 230000005484 gravity Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Description
本発明は、画像処理装置及び画像処理プログラムに関する。 The present invention relates to an image processing apparatus and an image processing program.
従来、対象物体の画像から得られる特徴量と、予め記憶している物体候補の特徴量とを比較して、対象物体を判定する画像処理装置が知られている。特徴量としては、例えば、対象物体の画像の基準点から所定の角度間隔で引いた複数の放射線の長さが用いられる。 2. Description of the Related Art Conventionally, there is known an image processing apparatus that determines a target object by comparing a feature amount obtained from an image of the target object with a feature amount of an object candidate stored in advance. As the feature amount, for example, the length of a plurality of radiations drawn at a predetermined angular interval from the reference point of the image of the target object is used.
しかしながら、対象物体の画像に「折り返し部分」が含まれる場合、1つの放射線に対して当該1つの放射線と対象物体の画像の輪郭線との交点が複数個出現してしまうため、特徴量の精度が低下してしまう可能性がある。この結果として、対象物体の判定精度が低下してしまう可能性がある。 However, when a “folded portion” is included in the image of the target object, a plurality of intersections between the one radiation and the contour line of the target object image appear for one radiation. May be reduced. As a result, the determination accuracy of the target object may be reduced.
開示の技術は、上記に鑑みてなされたものであって、対象物体の判定精度を向上させることができる、画像処理装置及び画像処理プログラムを提供することを目的とする。 The disclosed technology has been made in view of the above, and an object thereof is to provide an image processing apparatus and an image processing program capable of improving the determination accuracy of a target object.
開示の態様では、画像処理装置は、プロセッサを有する。プロセッサは、対象物体の画像の輪郭線を複数の区間に分割する複数の分割点において曲率をそれぞれ算出する。前記プロセッサは、前記複数の分割点の順列に対する前記曲率の変化から、前記曲率に対する頻度を表す第1のヒストグラムを算出する。前記プロセッサは、前記算出した第1のヒストグラムに基づいて、統計的パラメータの値を算出する。前記プロセッサは、前記算出した統計的パラメータの値に基づいて、複数の分類の内で前記対象物体が属する分類を特定する。前記プロセッサは、前記曲率の変化についての相関に基づいて、前記対象物体を判定する。 In the disclosed aspect, the image processing apparatus includes a processor. The processor calculates the curvature at each of a plurality of division points that divide the contour line of the image of the target object into a plurality of sections . The processor calculates a first histogram representing a frequency with respect to the curvature from a change in the curvature with respect to the permutation of the plurality of division points . The processor calculates a value of a statistical parameter based on the calculated first histogram. The processor identifies a classification to which the target object belongs among a plurality of classifications based on the calculated statistical parameter value. Wherein the processor is based on the correlation of the changes of the curvature, the target object Ru determine Teisu.
開示の態様によれば、対象物体の判定精度を向上させることができる。 According to the disclosed aspect, it is possible to improve the determination accuracy of the target object.
以下に、本願の開示する画像処理装置及び画像処理プログラムの実施形態を図面に基づいて詳細に説明する。なお、この実施形態により本願の開示する画像処理装置及び画像処理プログラムが限定されるものではない。 Embodiments of an image processing apparatus and an image processing program disclosed in the present application will be described below in detail with reference to the drawings. Note that the image processing apparatus and the image processing program disclosed in the present application are not limited by this embodiment.
[画像処理装置の構成例]
図1は、一実施例の画像処理装置の一例を示す図である。図1では、画像処理装置の一例として携帯電話の構成を示している。図1において、画像処理装置10は、RF(Radio Frequency)回路11と、表示部12と、GPS処理部14と、カメラ13と、プロセッサ15と、メモリ16とを有する。
[Configuration example of image processing apparatus]
FIG. 1 is a diagram illustrating an example of an image processing apparatus according to an embodiment. FIG. 1 shows a configuration of a mobile phone as an example of an image processing apparatus. In FIG. 1, the
RF回路11は、プロセッサ15から受け取る信号に対して所定の無線送信処理、つまり、ディジタルアナログ変換、アップコンバート等を施して無線信号を形成し、形成した無線信号をアンテナを介して送信する。また、RF回路11は、アンテナを介して受信した受信信号に対して所定の受信無線処理、つまりダウンコンバート、アナログディジタル変換等を施し、受信無線処理後の受信信号をプロセッサ15へ出力する。
The RF circuit 11 performs predetermined wireless transmission processing, that is, digital-analog conversion, up-conversion, and the like on the signal received from the
表示部12は、プロセッサ15から受け取る表示データを表示する。また、表示部12は、タッチパネル機能を有しており、タッチ位置に対応する情報をプロセッサ15へ出力する。
The
GPS処理部14は、画像処理装置10の位置情報を取得してプロセッサ15へ出力する。
The GPS processing unit 14 acquires the position information of the
カメラ13は、撮影した画像のデータをプロセッサ15へ出力する。
The camera 13 outputs captured image data to the
メモリ16は、カメラ13で撮影された画像のデータ、無線回線を介して取得した画像データ、各種テーブル(データベース)、及び、プロセッサ15で実行される各種プログラムを記憶する。メモリ16の一例としては、SDRAM(Synchronous Dynamic Random Access Memory)等のRAM(Random Access Memory)、ROM(Read Only Memory)、フラッシュメモリ等が挙げられる。
The
プロセッサ15は、符号化、変調、復調、復号等のベースバンド処理、及び、画像処理等のアプリケーション処理等を実行する。プロセッサ15の一例としては、CPU(Central Processing Unit)、DSP(Digital Signal Processor)、FPGA(Field Programmable Gate Array)等が挙げられる。プロセッサ15は、メモリ16からプログラムを読み出して各処理を実行する。なお、ここでは、1つのプロセッサ15がベースバンド処理及びアプリケーション処理を実行するものとしているが、これに限定されるものではなく、ベースバンド処理とアプリケーション処理とを別のプロセッサに実行させてもよい。
The
例えば、プロセッサ15は、対象物体の輪郭線を複数の分割区間に分割する分割点において曲率をそれぞれ算出する。
For example, the
また、プロセッサ15は、複数の分割点の順列に対する曲率の変化曲線に基づいて、対象物体の判定処理を実行する。
Further, the
具体的には、プロセッサ15は、複数の分割点の順列に対する曲率の変化曲線から、曲率に対する頻度を表すヒストグラム(以下では、「曲率ヒストグラム」と呼ばれることがある)を算出する。そして、プロセッサ15は、算出した曲率ヒストグラムに基づいて、「統計的パラメータ」の値を算出する。曲率ヒストグラムから算出される統計的パラメータは、曲率半径、曲率最頻値、及び曲率標準偏差の少なくとも1つを含む。そして、プロセッサ15は、算出した統計的パラメータの値に基づいて、複数の「分類」の内で対象物体が属する分類を特定する。そして、プロセッサ15は、特定した分類に属する複数の物体候補の内で曲率変化曲線についての相関が最も高い物体候補を対象物体として判定する。
Specifically, the
なお、プロセッサ15は、「位置ベクトル長ヒストグラム」に基づいて、上記の統計的パラメータを算出してもよい。「位置ベクトル長ヒストグラム」は、対象物体の画像の基準点(例えば、重心)から輪郭線上の点までの離間距離についてのヒストグラムである。位置ベクトル長ヒストグラムから算出される統計的パラメータは、上記の離間距離の分散値を含む。プロセッサ15による画像処理については、以下で詳しく説明する。
The
[画像処理装置の動作例]
図2、図3、図4、及び図5は、一実施例の画像処理装置の処理動作の一例を示すフローチャートである。図2は、特に、画像処理装置の画像処理動作の概略を示し、図3、図4、及び図5は、特に、画像処理装置の画像処理動作の具体例を示す。図4は、図3のフローチャートの続きのフローチャートであり、図5は、図4のフローチャートの続きのフローチャートである。図2、図3、図4、及び図5に示すフローは、プロセッサ15がカメラ13で撮影された画像、又は、メモリ16に記憶されている画像を取得すると、スタートする。
[Operation example of image processing apparatus]
2, 3, 4, and 5 are flowcharts illustrating an example of the processing operation of the image processing apparatus according to the embodiment. FIG. 2 particularly shows an outline of the image processing operation of the image processing apparatus, and FIGS. 3, 4, and 5 particularly show specific examples of the image processing operation of the image processing apparatus. 4 is a flowchart continued from the flowchart of FIG. 3, and FIG. 5 is a flowchart continued from the flowchart of FIG. The flow shown in FIGS. 2, 3, 4, and 5 starts when the
<曲率及び曲率ヒストグラムの算出>
プロセッサ15は、取得画像における対象物体の画像の輪郭線を複数の分割区間に分割する分割点において曲率をそれぞれ算出する(ステップS101)。そして、プロセッサ15は、複数の分割点の順列に対する曲率の変化曲線から、曲率ヒストグラムを算出する(ステップS102)。
<Calculation of curvature and curvature histogram>
The
ステップS101及びステップS102は、図3〜5におけるステップS201〜ステップS208に対応する。 Step S101 and step S102 correspond to step S201 to step S208 in FIGS.
例えば、プロセッサ15は、取得画像における対象物体の画像の輪郭の座標L[N]を抽出する(ステップS201)。ここで、Nは、0から所定の自然数nまでの各値を取りうる。すなわち、L[N]は、原点を始点とし輪郭線上の点を終点とするベクトルである。このベクトルは、以下では、「位置ベクトル」と呼ぶことがある。例えば、猫の画像が取得された場合、図6に示すような輪郭が抽出される。図6に示す画像の猫は耳が折れ曲がっており、この耳に対応する部分が上記の「折り返し部分」に対応する。なお、輪郭抽出方法としては、例えば、ハフ変換を用いることができる。図6は、対象物体の画像の輪郭の抽出の説明に供する図である。
For example, the
そして、プロセッサ15は、輪郭の重心Gを抽出する(ステップS202)。ここで、ステップS201で輪郭線上の各点に対応する複数の位置ベクトルが求められているので、図7に示すように、当該複数の位置ベクトルを用いて重心ベクトルGを算出することができる。図7は、重心の算出方法の説明に供する図である。
Then, the
そして、プロセッサ15は、ステップS201で抽出した輪郭を、ステップS202で算出した重心が原点と重なるように平行移動し、原点を始点とする複数の位置ベクトルR[k]を作成(算出)する(ステップS203)。すなわち、或る位置ベクトルR[k]は、位置ベクトルL[k]と重心ベクトルGとの差を算出することにより、求めることができる。kは、0からnまでの整数である。図8は、平行移動及び位置ベクトルL[k]の説明に供する図である。
Then, the
そして、プロセッサ15は、複数の位置ベクトルR[k]の中で最長のものの長さRMaxによって、各位置ベクトル[k]を除算することにより、複数の位置ベクトルR[k]を正規化して、複数の位置ベクトルI[k]を算出する(ステップS204)。
Then, the
そして、プロセッサ15は、複数の位置ベクトルI[k]を用いて、輪郭線の全長Sを算出すると共に、隣接する位置ベクトルI[k]の終点間の距離の累積値Sa[k]を順次算出する(ステップS205)。これにより、累積値Saは、n個算出されるので、n個の数値列となる。この累積値Saの数値列は、例えば半分程度に間引きされてもよい。間引き後の、累積値Saの数値列をSb[i]とする。また、プロセッサ15は、図9に示すように、輪郭線の全長Sを(n−1)等分し、各分割点における分割点間の距離の累積値a[i]を順次算出する(ステップS205)。これにより、累積値a[i]は、n個算出されるので、n個の数値列となる。図9は、輪郭線を複数の区分に分割する分割点の説明に供する図である。
Then, the
そして、プロセッサ15は、或る分割点における累積値aとの差(ここでは、累積値aに対する累積値Sbの比と1との差)が所定値Δ1より小さい累積値Sbに対応する終点を持つ位置ベクトルIを順次特定し、特定した複数の位置ベクトルIをベクトル列P[j]とする(ステップS206)。すなわち、線分長の累積値a[k]に近い位置ベクトルIを選んで対応をとり、ベクトル列P[j]を作成している。具体的には、図10に示すように、原点を始点とし分割点を終点とする分割点ベクトルap,aq,ar,asが在る場合、当該分割点ベクトルに対応する累積値aとの差がΔ1より小さい累積値Sbに対応する位置ベクトルIとして、R1,R2,R3,R4を特定する。すなわち、分割ベクトルを最も近い位置ベクトルIに近似している。図10は、分割点ベクトルと位置ベクトルとの対応付け処理の説明に供する図である。
Then, the
そして、プロセッサ15は、各P[j]の終点において輪郭線の曲率を計算し、縦軸が曲率の値で横軸が項番jのグラフ、つまり、曲率変化曲線を作成する(ステップS207)。図11は、曲率変化曲線の一例を示す図である。
Then, the
そして、プロセッサ15は、曲率変化曲線から、横軸を曲率とし縦軸を頻度とする曲率ヒストグラム(図12参照)を作成する(ステップS208)。図12は、曲率ヒストグラムの一例を示す図である。
Then, the
<位置ベクトル長ヒストグラムの算出>
プロセッサ15は、「位置ベクトル長ヒストグラム」を算出する(ステップS103)。
<Calculation of position vector length histogram>
The
ステップS103は、図3〜5におけるステップS209に対応する。 Step S103 corresponds to step S209 in FIGS.
例えば、プロセッサ15は、図13に示すように、横軸を正規化した位置ベクトルIの長さとし、縦軸を位置ベクトルIの長さの頻度とする、位置ベクトル長ヒストグラムを作成する(ステップS209)。図13は、位置ベクトル長ヒストグラムの一例を示す図である。
For example, as shown in FIG. 13, the
<統計的パラメータの値の算出>
プロセッサ15は、算出した曲率ヒストグラム及び位置ベクトル長ヒストグラムに基づいて、統計的パラメータの値を算出する(ステップS104)。
<Calculation of statistical parameter values>
The
ステップS104は、図3〜5におけるステップS210に対応する。 Step S104 corresponds to step S210 in FIGS.
例えば、プロセッサ15は、統計的パラメータ(つまり、属性値)として、線分長S/(n−1)、曲率平均ΣC[j]/(n−1)、曲率最頻値C[e]、曲率標準偏差σ{C[j]}、及びベクトル長分散σ2{|P[j]|}を計算する(ステップS210)。曲率半径、曲率最頻値、及び曲率標準偏差は、曲率ヒストグラムから算出される。また、ベクトル長分散、つまり、上記の離間距離の分散値は、位置ベクトル長ヒストグラムから算出される。
For example, the
<対象物体が属する分類の特定>
プロセッサ15は、算出した統計的パラメータの値に基づいて、複数の「分類」の内で対象物体が属する分類を特定する(ステップS105)。
<Identification of the classification to which the target object belongs>
Based on the calculated statistical parameter value, the
ステップS105は、図3〜5におけるステップS211及びステップS212に対応する。 Step S105 corresponds to step S211 and step S212 in FIGS.
ここで、メモリ16には、「分類データベース」が記憶されている。図14及び図15は、分類データベースの一例を示す図である。
Here, a “classification database” is stored in the
図14に示すように、分類データベースには、分類1から分類kが記憶されている。そして、図15に示すように、各分類には、各分類における各統計的パラメータの平均値(つまり、属性平均値)が対応付けられている。また、各分類には、メンバ1からメンバMが対応付けられている。そして、メンバ1からメンバMの中の少なくとも1つのメンバが、代表メンバとされている。そして、各メンバには、各メンバについての、曲率変化曲線(つまり、曲率グラフ)及び各統計的パラメータの値(つまり、属性値)が対応付けられている。
As shown in FIG. 14,
例えば、プロセッサ15は、対象物体について算出した属性値と、各分類の属性平均値とを比較して類似しているか否かを判定し、対象物体が属している分類の候補を選出する(ステップS211)。例えば、対象物体についての各属性値に対する各分類についての各属性平均値の差(ここでは、対象物体についての各属性値に対する各分類についての各属性平均値の比の総計と5との差)が所定値Δ2より小さい分類を順次特定する。
For example, the
ここでは、図16に示すように、分類1及び分類3を分類候補として選出したものとする。図16及び図17は、対象物体が属する分類の特定処理の説明に供する図である。
Here, as shown in FIG. 16, it is assumed that
そして、プロセッサ15は、図17に示すように、選出した複数の分類候補の各々の代表メンバの属性値と、対象物体について算出した属性値とを比較し、最も類似する分類を選択する(ステップS212)。例えば、プロセッサ15は、各属性値について、対象物体についての属性値に近い順番で複数の代表メンバの属性値をソートする。そして、例えば、プロセッサ15は、順位が高い代表メンバほど高い得点を付与する。そして、プロセッサ15は、付与された得点の合計が最も高い代表メンバが属する分類を、対象物体が属する分類として特定する。
Then, as shown in FIG. 17, the
<対象物体の判定>
プロセッサ15は、対象物体を判定する(ステップS106)。プロセッサ15は、例えば、特定した分類に属する複数の物体候補(つまり、メンバ)の内で曲率変化曲線についての相関が最も高い候補物体を対象物体として判定(特定)する。
<Determination of target object>
The
ステップS106は、図3〜5におけるステップS213に対応する。 Step S106 corresponds to step S213 in FIGS.
例えば、プロセッサ15は、図18に示すように、特定した分類において、対象物体の画像の曲率変化曲線と、各メンバの曲率変化曲線との相関値を算出し、最も相関値の高いメンバを対象物体として判定(特定)する(ステップS213)。図18は、対象物体の判定処理の説明に供する図である。
For example, as shown in FIG. 18, the
ここで、統計的パラメータの値の算出、及び、対象物体の判定について、具体例を挙げて説明する。図19、図20、及び図21は、統計的パラメータの値の算出、及び、対象物体の判定の具体例の説明に供する図である。 Here, the calculation of the value of the statistical parameter and the determination of the target object will be described with a specific example. 19, 20, and 21 are diagrams for explaining specific examples of the calculation of the value of the statistical parameter and the determination of the target object.
例えば、対象物体がワイングラスであるものとする。そして、分類データベースには、「犬類」、「車類」、「グラス」、「植物」、・・・、「建物」といった分類が記憶されているものとする。 For example, it is assumed that the target object is a wine glass. In the classification database, classifications such as “dogs”, “vehicles”, “glasses”, “plants”,..., “Buildings” are stored.
この場合、プロセッサ15は、対象物体であるワイングラスの画像について算出した属性値と、各分類の属性平均値とを比較して、類似している分類(つまり、分類候補)を選択する。ここでは、「グラス」、及び、「建物」が分類候補として選択される。
In this case, the
次に、プロセッサ15は、分類「グラス」の代表メンバである「ワイングラス」の属性値、及び、分類「建物」の代表メンバである「東京タワー」の属性値と、対象物体であるワイングラスの属性値とを比較し、最も類似する代表メンバの属する分類を特定する。ここでは、分類「グラス」が特定される。
Next, the
次に、プロセッサ15は、分類「グラス」に属するメンバである「ジョッキ」、「ワイングラス」、及び「ショットグラス」の各々の曲率変化曲線と、対象物体であるワイングラスの画像の曲率変化曲線との相関値を算出し、最も相関値の大きいメンバを特定する。ここでは、メンバ「ワイングラス」が特定される。
Next, the
なお、各分類の代表メンバは、ユーザが予め設定してもよいし、分類のメンバの中で分類の属性平均値に最も近い属性値を持つメンバに設定してもよい。また、場所毎に異なる代表メンバを設定してもよい。例えば、画像処理装置10の位置が「東京」の場合、分類「建物」の代表メンバは「東京タワー」とされ、「横浜」の場合、「横浜マリンタワー」とされてもよい。
The representative member of each classification may be set in advance by the user, or may be set to a member having an attribute value closest to the attribute average value of the classification among the members of the classification. Different representative members may be set for each place. For example, when the position of the
以上のように本実施例によれば、画像処理装置10においてプロセッサ15は、対象物体の画像の輪郭線を複数の区間に分割する複数の分割点において曲率をそれぞれ算出する。そして、プロセッサ15は、複数の分割点の順列に対する曲率の変化曲線に基づいて、対象物体の判定処理を実行する。
As described above, according to the present embodiment, the
この画像処理装置10の構成により、対象物体の画像の輪郭線上に設定された複数の分割点における曲率を算出しているので、対象物体の画像に「折り返し部分」が在る場合でも1つの分割点に対して1つの曲率(つまり、特徴量の1つ)を算出することができる。従って、特徴量の精度低下を防止できるので、対象物体の判定精度を向上させることができる。
With this configuration of the
また、プロセッサ15は、上記の判定処理において、複数の分割点の順列に対する曲率の変化曲線から、曲率に対する頻度を表す曲率ヒストグラムに基づいて、統計的パラメータの値を算出する。そして、プロセッサ15は、算出した統計的パラメータの値に基づいて、複数の分類の内で前記対象物体が属する分類を特定し、特定した分類に属する複数の物体候補の内で曲率変化曲線についての相関が最も高い物体候補を対象物体として判定する。
Further, in the above determination process, the
この画像処理装置10の構成により、第1段目に、統計的パラメータに基づいて分類を粗く特定し、第2段目に、特定した分類に対して曲率変化曲線を適用して物体候補を精緻に判定することにより、高速且つ高精度で対象物体を判定することができる。
According to the configuration of the
また、プロセッサ15は、統計的パラメータの値の算出において、対象物体の画像の基準点から輪郭線上の点までの離間距離についての位置ベクトル長ヒストグラムに基づいて、統計的パラメータの値を算出してもよい。曲率ヒストグラムに基づいて算出される統計的パラメータは、曲率半径、曲率最頻値、及び曲率標準偏差の少なくとも1つを含む。また、位置ベクトル長ヒストグラムに基づいて算出される統計的パラメータは、上記の離間距離の分散値を含む。
Further, in calculating the statistical parameter value, the
また、複数の分類のそれぞれには、統計的パラメータに関する代表値、つまり代表メンバの統計的パラメータが対応づけられている。そして、プロセッサ15は、分類の特定において、対象物体について算出した統計的パラメータの値と上記の代表値とが最も近い分類を、対象物体が属する分類として特定する。
In addition, a representative value related to a statistical parameter, that is, a statistical parameter of a representative member is associated with each of the plurality of classifications. Then, the
10 画像処理装置
11 RF回路
12 表示部
13 カメラ
14 GPS処理部
15 プロセッサ
16 メモリ
DESCRIPTION OF
Claims (6)
前記プロセッサは、
対象物体の画像の輪郭線を複数の区間に分割する複数の分割点において曲率をそれぞれ算出し、
前記複数の分割点の順列に対する前記曲率の変化から、前記曲率に対する頻度を表す第1のヒストグラムを算出し、
前記算出した第1のヒストグラムに基づいて、統計的パラメータの値を算出し、
前記算出した統計的パラメータの値に基づいて、複数の分類の内で前記対象物体が属する分類を特定し、
前記曲率の変化についての相関に基づいて、前記特定した分類に属する複数の物体候補の内で前記対象物体を判定する、
ことを特徴とする画像処理装置。 Have a processor,
The processor is
Calculate the curvature at each of a plurality of division points that divide the outline of the image of the target object into a plurality of sections,
Calculating a first histogram representing a frequency with respect to the curvature from a change in the curvature with respect to the permutation of the plurality of division points ;
Based on the calculated first histogram, the value of the statistical parameter is calculated,
Based on the calculated statistical parameter value, the classification to which the target object belongs among a plurality of classifications,
Based on the correlation of the changes of the curvature, Ru determine Teisu the target object in the plurality of object candidate belonging to the specified classification,
An image processing apparatus.
前記対象物体の画像の基準点から前記輪郭線上の点までの離間距離についての第2のヒストグラムを算出し、
前記算出した第1のヒストグラムに加えて、前記算出した第2のヒストグラムに基づいて、前記統計的パラメータの値を算出する、
ことを特徴とする請求項1に記載の画像処理装置。 The processor is
Calculating a second histogram of the separation distance from a reference point of the image of the target object to a point on the contour line;
In addition to the calculated first histogram, a value of the statistical parameter is calculated based on the calculated second histogram.
The image processing apparatus according to claim 1 .
ことを特徴とする請求項1又は2に記載の画像処理装置。 The statistical parameter calculated based on the first histogram includes at least one of a curvature average , a curvature mode value, and a curvature standard deviation.
The image processing apparatus according to claim 1 or 2, characterized in that.
ことを特徴とする請求項2に記載の画像処理装置。 The statistical parameter calculated based on the second histogram includes a variance value of the separation distance.
The image processing apparatus according to claim 2 .
前記プロセッサは、
前記算出した統計的パラメータの値と前記代表値とに基づいて、前記対象物体が属する分類を特定する、
ことを特徴とする請求項1に記載の画像処理装置。 Each of the plurality of classifications is associated with a representative value related to the statistical parameter,
The processor is
Based on the calculated statistical parameter value and the representative value, the classification to which the target object belongs is specified.
The image processing apparatus according to claim 1 .
前記複数の分割点の順列に対する前記曲率の変化から、前記曲率に対する頻度を表す第1のヒストグラムを算出し、
前記算出した第1のヒストグラムに基づいて、統計的パラメータの値を算出し、
前記算出した統計的パラメータの値に基づいて、複数の分類の内で前記対象物体が属する分類を特定し、
前記曲率の変化についての相関に基づいて、前記特定した分類に属する複数の物体候補の内で前記対象物体を判定する、
処理を画像処理装置に実行させる、
ことを特徴とする画像処理プログラム。 Calculate the curvature at each of a plurality of division points that divide the outline of the image of the target object into a plurality of sections,
Calculating a first histogram representing a frequency with respect to the curvature from a change in the curvature with respect to the permutation of the plurality of division points ;
Based on the calculated first histogram, the value of the statistical parameter is calculated,
Based on the calculated statistical parameter value, the classification to which the target object belongs among a plurality of classifications,
Determining the target object among a plurality of object candidates belonging to the identified classification based on the correlation with respect to the change in curvature ;
Causing the image processing apparatus to execute processing,
An image processing program characterized by that.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013186682A JP6201549B2 (en) | 2013-09-09 | 2013-09-09 | Image processing apparatus and image processing program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013186682A JP6201549B2 (en) | 2013-09-09 | 2013-09-09 | Image processing apparatus and image processing program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015053014A JP2015053014A (en) | 2015-03-19 |
JP6201549B2 true JP6201549B2 (en) | 2017-09-27 |
Family
ID=52701979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013186682A Expired - Fee Related JP6201549B2 (en) | 2013-09-09 | 2013-09-09 | Image processing apparatus and image processing program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6201549B2 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10552950B2 (en) * | 2017-05-25 | 2020-02-04 | International Business Machines Corporation | Mapping and encoding gemological features |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3031594B2 (en) * | 1993-08-31 | 2000-04-10 | 富士通オートメーション株式会社 | Pattern recognition device |
-
2013
- 2013-09-09 JP JP2013186682A patent/JP6201549B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2015053014A (en) | 2015-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472248B (en) | Pedestrian re-identification method and system, electronic equipment and storage medium | |
US10726306B1 (en) | Dense captioning with joint interference and visual context | |
US11055585B2 (en) | Object detection based on object relation | |
US10657669B2 (en) | Determination of a geographical location of a user | |
WO2022111069A1 (en) | Image processing method and apparatus, electronic device and storage medium | |
US8983490B2 (en) | Locating a mobile device | |
KR102425498B1 (en) | Determining an item that has confirmed characteristics | |
CN108875487B (en) | Training of pedestrian re-recognition network and pedestrian re-recognition based on training | |
JP2018500645A (en) | System and method for tracking objects | |
CN112154452B (en) | Countermeasure learning for fine granularity image search | |
WO2016139964A1 (en) | Region-of-interest extraction device and region-of-interest extraction method | |
US10674312B2 (en) | Locating and tracking a wireless beacon from a wireless device | |
KR20220024736A (en) | Visual positioning method and related device | |
JP6127676B2 (en) | Image recognition apparatus, image recognition program, recording medium, and image recognition method | |
US20170193987A1 (en) | Speech recognition method and device | |
US20190171732A1 (en) | Systems and methods for evaluating accuracy of place data based on context | |
KR102304466B1 (en) | Method and system for building indoor positioning database and positioning indoor with indoor positioning database | |
JP6201549B2 (en) | Image processing apparatus and image processing program | |
CN113989721A (en) | Target detection method and training method and device of target detection model | |
CN110334560B (en) | Two-dimensional code positioning method and device | |
KR102572995B1 (en) | Method for simplification of polygon and apparatus thereof | |
CN113420104B (en) | Point of interest sampling full rate determining method and device, electronic equipment and storage medium | |
CN113223516B (en) | Speech recognition method and device | |
CN111968030B (en) | Information generation method, apparatus, electronic device and computer readable medium | |
JP2007087331A (en) | Feature shape simplifying device, method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160510 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170421 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170516 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170710 |
|
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: 20170801 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170814 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6201549 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |