JP6347589B2 - 情報処理装置、情報処理方法及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法及びプログラムに関する。

入力画像に対して、所定の物体がどこに存在するかといった識別や、物体表面に欠陥があるか否かといった識別に対する、様々な方法が提案されている。このような識別方法では、露光時間等の撮像のパラメータや、画像に対するエッジ抽出等の前処理のパラメータ等を、適切に設定する必要がある。
識別に用いるパラメータを決定する方法としては、実際に、様々なパラメータを設定した状態で、撮像及び前処理等を行い、これにより得られた画像データにおける識別性能に応じて、パラメータの値を決定する方法が知られている。
入力画像に対する前処理のパラメータの設定方法については、例えば特許文献１に開示されている。特許文献１の装置は、予め多数の画像例それぞれから抽出した特徴量と、その画像例に対して最適化した前処理方法を関連付けて記憶しておく。そして、装置は、新たな入力画像に対し、同様の特徴量を抽出して、その特徴量に基づいて、予め記憶しておいた画像例を選択し、選択した画像例に対応付けられている最適化された前処理方法を、新たな入力画像の前処理方法として選択する。

特開２００７−１０２４５８号公報

しかしながら、実際の識別性能に基づいてパラメータを設定する従来の方法では、各対象に対する識別性能を求めるために、パラメータ毎の正しい結果を用意しなければならず、コストが多大になってしまうという問題があった。
また、特許文献１の方法では、各前処理方法に応じた正しい結果を用意する必要はないが、適切な前処理方法を設定するためには、対象となる入力画像に類似した画像が予め用意されている必要がある。すなわち、入力画像として想定される様々な画像例を網羅的に用意しておく必要があり、データ量が膨大になるという問題があった。

本発明はこのような問題点に鑑みなされたもので、処理量及び処理に要するメモリ容量を抑えつつ、パターン識別に適切なパラメータを設定することを目的とする。

そこで、本発明は、情報処理装置であって、パターン識別に利用するパラメータ候補を設定する第１の設定手段と、前記第１の設定手段により設定された前記パラメータ候補を利用して得られた画像データの特徴データを生成する第１の特徴データ生成手段と、複数のモデルパラメータそれぞれを利用して得られた複数の画像データの特徴データと、前記モデルパラメータの評価値との関係をモデル化した推定モデルを格納する記憶手段と、前記推定モデルを参照し、前記第１の特徴データ生成手段により生成された前記特徴データに基づいて、前記パラメータ候補の評価値を推定する推定手段とを有する。

本発明によれば、処理量及び処理に要するメモリ容量を抑えつつ、パターン識別に適切なパラメータを設定することができる。

パターン識別装置を示す図である。 パターン識別装置を示す図である。 評価値推定処理を示すフローチャートである。 パターン識別処理を示すフローチャートである。 推定モデル生成装置を示す図である。 モデル生成処理を示すフローチャートである。 第２の実施形態にかかるパターン識別装置を示す図である。 第２の実施形態にかかる評価値推定処理を示すフローチャートである。 第２の実施形態にかかる推定モデル生成装置を示す図である。 第２の実施形態にかかるモデル生成処理を示すフローチャートである。 第３の実施形態にかかるパターン識別装置を示す図である。 第３の実施形態にかかる評価値推定処理を示すフローチャートである。 第３の実施形態にかかる推定モデル生成装置を示す図である。 第３の実施形態にかかるモデル生成処理を示すフローチャートである。

以下、本発明の実施形態について図面に基づいて説明する。
（第１の実施形態）
図１は、第１の実施形態にかかる情報処理装置としてのパターン識別装置１０を示す図である。パターン識別装置１０は、画像データに含まれる物体のパターン識別を行う。本実施形態にかかるパターン識別装置１０は、山積みされた物体の画像データを対象とし、パターン識別により、山積み状態の各物体の概略位置及び姿勢を推定する。
パターン識別においては、露光時間等の撮像時のパラメータや、エッジ抽出におけるフィルタサイズ等の前処理のパラメータを、対象の物体毎に適切に設定することにより、識別性能を向上させることができる。そこで、本実施形態にかかるパターン識別装置１０は、撮像及び前処理のパラメータ毎の、パターン識別における性能、すなわち識別性能を評価し、評価結果に基づいて、撮像及び前処理の適切なパラメータ（利用パラメータ）を設定する。そして、パターン識別装置１０は、利用パラメータを用いて得られた画像データに基づいて、実際にパターン識別を行う。

なお、本実施形態に係るパターン識別装置１０は、パターン識別による正しい結果、すなわち山積み状態の各物体の概略位置及び姿勢の正解値を用意することなく、撮像及び前処理のパラメータにおける識別性能を評価する。
具体的には、パターン識別装置１０は、まず、実際に、様々なパラメータで撮像及び前処理を行い、それぞれのパラメータに対し、中間データである中間画像を生成する。次に、パターン識別装置１０は、それぞれの中間画像について、予め定めた複数の特徴量を抽出して特徴データを生成する。
そして、パターン識別装置１０は、推定モデルを参照し、各中間画像から生成された複数の特徴データに基づき、各パラメータにおける識別性能を推定する。ここで、推定モデルは、特徴データから識別性能を推定するためのモデルである。

続いて、図１を参照しつつ、パターン識別装置１０の機能構成について説明する。図１に示すパラメータ候補記憶部１０１は、複数のパラメータ候補を格納している。ここで、パラメータ候補とは、パターン識別に利用すべきパラメータの候補である。本実施形態にかかるパラメータ候補は、撮像条件に関する撮像パラメータ候補と、前処理に関する前処理パラメータ候補の２種類を含んでいる。すなわち、パラメータ候補記憶部１０１は、複数の撮像パラメータ候補と、複数の前処理パラメータ候補とを格納している。
撮像パラメータ候補としては、例えば、露光時間やアンプのゲイン等の項目が挙げられる。露光時間のパラメータ候補は、具体的には、１ｍｓ、２ｍｓ、４ｍｓ、・・・、５００ｍｓ等、露光時間の各値である。

前処理パラメータ候補としては、例えば、ノイズ除去のための平滑化フィルタのフィルタサイズや、γ補正のための係数等の項目が挙げられる。なお、前処理パラメータ候補は、連続値として設定する項目に限定されるものではない。
他の例としては、前処理パラメータ候補は、バイアス補正を行うか否か、といった２値的な項目を含んでもよい。また、他の例としては、前処理パラメータ候補は、エッジ抽出処理として、Ｓｏｂｅｌフィルタ、Ｐｒｅｗｉｔｔフィルタ及びＬａｐｌａｃｉａｎフィルタのいずれを使うか、といった多値的な項目を含んでもよい。また、他の例としては、前処理パラメータ候補は、平滑化フィルタ、γ補正及びエッジ抽出の３つの処理をどのような順序で行うか、といった項目を含んでもよい。

パラメータ設定部１０２は、パラメータ候補記憶部１０１から撮像パラメータ候補及び前処理パラメータ候補を読み出し、それぞれ撮像部１０３及び前処理部１０４に設定する。
撮像部１０３は、設定された撮像パラメータ候補を利用して、画像を撮像する。前処理部１０４は、設定された前処理パラメータ候補を利用して、撮像部１０３により得られた画像データに対し、前処理を施し、中間データとしての中間画像を得る。

特徴データ生成部１０５は、中間画像に基づいて、予め定められた複数の特徴量を抽出する。特徴データ生成部１０５は、具体的には、中間画像の輝度値の平均値、分散、歪度、尖度、最頻値、エントロピーといった特徴量や、Ｃｏ−ｏｃｃｕｒｒｅｎｃｅ Ｍａｔｒｉｘを用いたテクスチャー特徴量など、ｆ個の特徴量を抽出する。特徴データ生成部１０５はさらに、抽出した複数の特徴量を順に並べた特徴ベクトルを特徴データとして生成する。
Ｃｏ−ｏｃｃｕｒｒｅｎｃｅ Ｍａｔｒｉｘについては、下記文献を参照することができる。
Ｒｏｂｅｒｔ Ｍ．Ｈａｒａｌｉｃｋ，Ｋ．Ｓｈａｎｍｕｇａｍ，ａｎｄ Ｉｔｓｈａｋ Ｄｉｎｓｔｅｉｎ，"Ｔｅｘｔｕｒｅ Ｆｅａｔｕｒｅｓ ｆｏｒ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ"，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍ，Ｍａｎ ａｎｄ Ｃｙｂｅｒｎａｔｉｃ，Ｖｏｌ．６，ｐｐ．６１０−６２１，１９７３

なお、本実施形態にかかる特徴データ生成部１０５は、中間画像から、画像のマクロな性質を表す特徴量を抽出するが、これに限定されるものではない。すなわち、特徴データ生成部１０５は、画像の性質を表現するような特徴量を生成すればよく、特徴量の種類は、実施形態に限定されるものではない。

推定モデル記憶部１０７は、推定モデルを格納している。ここで、推定モデルは、特徴データから、評価値を推定するためのモデルである。ここで、評価値とは、設定されているパラメータにおいて得られた中間画像に対するパターン識別の識別性能の評価値である。
本実施形態にかかる推定モデルは、モデル画像から抽出したｆ個の特徴量を並べた特徴ベクトルと、モデル画像に対するパターン識別の識別性能の評価値との関係をモデル化したものである。
本実施形態においては、推定モデルとして、Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ（ＳＶＲ）のを用いるものとする。ＳＶＲについては、下記文献を参照することができる。
Ａｌｅｘ Ｊ．Ｓｍｏｌａ ａｎｄ Ｂｅｒｎｈａｒｄ Ｓｃｈoｌｋｏｐｆ，"Ａ Ｔｕｔｏｒｉａｌ ｏｎ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ"，Ｓｔａｔｉｓｔｉｃｓ ａｎｄ Ｃｏｍｐｕｔｉｎｇ，Ｖｏｌ．１４，Ｎｏ．３，ｐｐ．１９９−２２２，２００４
なお、本実施形態にかかる推定モデルは、後述する推定モデル生成装置５０により生成され、推定モデル記憶部１０７に格納されているものとする。推定モデル生成装置５０については、図５等を参照しつつ、後に詳述する。

評価値推定部１０８は、推定モデルを参照し、特徴データ生成部１０５により生成された特徴データに基づいて、設定されているパラメータ候補に対して得られた画像データによるパターン識別の識別性能の評価値を推定する。本実施形態にかかる評価値推定部１０８は、撮像部１０３及び前処理部１０４それぞれに設定されているパラメータ候補に対する評価値を推定する。
パラメータ選択部１０９は、評価値推定部１０８により推定された、各パラメータに対する評価値に基づいて、パラメータ候補記憶部１０１に記憶されている複数のパラメータ候補の中から、利用パラメータを選択する。なお、本実施形態においては、パラメータ選択部１０９は、撮像用の利用パラメータと、前処理用の利用パラメータとを選択する。
パターン識別部１０６は、撮像用の利用パラメータ及び前処理用の利用パラメータがそれぞれ撮像部１０３及び前処理部１０４に設定された状態において得られた中間画像に基づいて、パターン識別処理を行う。パターン識別部１０６は、パターン識別により得られた、物体の概略位置や姿勢の複数の候補値を識別信頼度の高い順に並べた識別結果を生成し、これを出力する。なお、パターン識別部１０６による処理については、特開２０１１−２１６０８７号候補を参照することができる。

図２は、第１の実施形態にかかるパターン識別装置１０のハードウェア構成を示す図である。パターン識別装置１０は、ＣＰＵ２０１と、ＲＯＭ２０２と、ＲＡＭ２０３と、ＨＤＤ２０４と、表示部２０５と、入力部２０６と、ネットワークＩ／Ｆ部２０７とを有している。ＣＰＵ２０１は、ＲＯＭ２０２に記憶された制御プログラムを読み出して各種処理を実行する。
ＲＡＭ２０３は、ＣＰＵ２０１の主メモリ、ワークエリア等の一時記憶領域として用いられる。ＨＤＤ２０４は、画像データや各種プログラム等各種情報を記憶する。表示部２０５は、各種情報を表示する。入力部２０６は、キーボードやマウスを有し、ユーザによる各種操作を受け付ける。

ネットワークＩ／Ｆ部２０７は、ネットワークを介して後述する推定モデル生成装置等の外部装置との通信処理を行う。なお、ネットワークとしては、イーサネット（登録商標）が挙げられる。また、他の例としては、ネットワークＩ／Ｆ部２０７は、無線により外部装置との通信を行ってもよい。
なお、パターン識別装置１０の機能や後述する処理は、ＣＰＵ２０１がＲＯＭ２０２又はＨＤＤ２０４に格納されているプログラムを読み出し、このプログラムを実行することにより実現されるものである。

図３は、パターン識別装置１０による評価値推定処理を示すフローチャートである。ステップＳ３００において、パラメータ設定部１０２は、パラメータ候補記憶部１０１に格納されている複数の撮像パラメータ候補の中から、撮像パラメータ候補を１つ選択する。そして、パラメータ設定部１０２は、選択した撮像パラメータ候補を撮像部１０３に設定する（第１の設定処理）。なお、ステップＳ３００〜ステップＳ３０７の処理は、繰り返し処理であり、パラメータ設定部１０２は、ステップＳ３００〜ステップＳ３０６の処理が繰り返される度に、未処理の撮像パラメータ候補を１つ選択する。そして、Ｓ３００において、パラメータ候補記憶部１０１に格納されているすべての撮像パラメータ候補が選択されるまで、ステップＳ３００〜ステップＳ３０７の処理が繰り返される。
本実施形態かかるパラメータ候補記憶部１０１は、露光時間に関するパラメータ候補をＮｔ個、アンプのゲインに関するパラメータ候補をＮｇ個格納しているものとする。この場合、パラメータ設定部１０２は、ステップＳ３００において、「Ｎｔ×Ｎｇ」個の組み合わせを撮像パラメータ候補として順に設定する。すなわち、ステップＳ３００〜ステップＳ３０７の処理は、「Ｎｔ×Ｎｇ」回繰り返される。

ステップＳ３０１において、撮像部１０３は、ステップＳ３００において設定された撮像パラメータ候補を利用して、パターン識別の対象となる物体を山積みにした状態の画像を撮像する（撮像処理）。
次に、ステップＳ３０２において、パラメータ設定部１０２は、パラメータ候補記憶部１０１に格納されている複数の前処理パラメータ候補の中から、前処理パラメータ候補を１つ選択する。そして、パラメータ設定部１０２は、選択した前処理パラメータ候補を前処理部１０４に設定する（第１の設定処理）。

なお、ステップＳ３０２〜ステップＳ３０６の処理は、繰り返し処理であり、パラメータ設定部１０２は、ステップＳ３０２〜ステップＳ３０６の処理が繰り返される度に、未処理の前処理パラメータ候補を１つ選択する。そして、Ｓ３０２において、すべての前処理パラメータ候補が選択されるまで、ステップＳ３０１〜ステップＳ３０６の処理が繰り返される。
本実施形態にかかるパラメータ候補記憶部１０１に格納される前処理パラメータ候補の組み合わせがＮｐ個存在するものとする。この場合、パラメータ設定部１０２は、ステップＳ３０２において、Ｎｐ個の前処理パラメータ候補を順に設定し、ステップＳ３０２〜ステップＳ３０６の処理をＮｐ回繰り返す。

ステップＳ３０３において、前処理部１０４は、ステップＳ３０２において設定された前処理パラメータ候補を利用して、画像データに対する前処理（画像処理）を施し、中間画像を得る。ここで、前処理の対象となる画像データは、ステップＳ３０１における撮像処理により得られた画像データである。また、中間画像は、画像処理後の画像データの一例である。
次に、ステップＳ３０４において、特徴データ生成部１０５は、中間画像から複数の特徴量を抽出し、抽出した特徴量に基づいて、特徴ベクトルを特徴データとして生成する（第１の特徴データ生成処理）。次に、ステップＳ３０５において、評価値推定部１０８は、推定モデル記憶部１０７に格納されている推定モデルを参照し、特徴データに基づいて、評価値を推定する（推定処理）。
なお、ステップＳ３０５において推定される評価値は、ステップＳ３００において設定された撮像パラメータ候補及びステップＳ３０２において設定された前処理パラメータ候補に対する評価値である。

ステップＳ３０６において、パラメータ設定部１０２は、すべての前処理パラメータ候補が既に選択されたか否かを確認する。未選択の前処理パラメータ候補が存在する場合には、パラメータ設定部１０２は、処理をステップＳ３０２へ進める。そして、ステップＳ３０２において、パラメータ設定部１０２は、未選択の前処理パラメータ候補を選択し、これを前処理部１０４に設定する。
このように、ステップＳ３０２〜ステップＳ３０６の処理を繰り返すことにより、１つの撮像パラメータ候補に対し、すべての前処理パラメータ候補を組み合わせた場合の評価値が得られる。

一方、ステップＳ３０６において、未選択の前処理パラメータ候補が存在しない場合には、パラメータ設定部１０２は、処理をステップＳ３０７へ進める。
ステップＳ３０７において、パラメータ設定部１０２は、すべての撮像パラメータ候補が既に選択されたか否かを確認する。未選択の撮像パラメータ候補が存在する場合には、パラメータ設定部１０２は、処理をステップＳ３００へ進める。そして、ステップＳ３００において、パラメータ設定部１０２は、未選択の撮像パラメータ候補を選択し、これを撮像部１０３に設定する。一方、ステップＳ３０７において、未選択の撮像パラメータ候補が存在しない場合には、パラメータ設定部１０２は、評価値推定処理を終了する。

図４は、パターン識別装置１０による、パターン識別処理を示すフローチャートである。ステップＳ４００において、パラメータ選択部１０９は、パラメータ候補記憶部１０１に格納されている複数のパラメータ候補の中から、利用パラメータを選択する（選択処理）。ここで、利用パラメータとは、パラメータ候補記憶部１０１に格納されているパラメータ候補のうち、パターン識別処理において利用する画像データに対して利用するのに最も適したパラメータ候補である。具体的には、パラメータ選択部１０９は、評価値が最大となる撮像パラメータ候補及び前処理パラメータ候補をそれぞれ撮像用の利用パラメータ及び前処理用の利用パラメータとして選択する。
次に、ステップＳ４０１において、パラメータ設定部１０２は、撮像用の利用パラメータを撮像部１０３に設定する。次に、ステップＳ４０２において、撮像部１０３は、ステップＳ４０１において設定された撮像用の利用パラメータを利用して、画像データを撮像する。

次に、ステップＳ４０３において、パラメータ設定部１０２は、前処理用の利用パラメータを前処理部１０４に設定する。次に、ステップＳ４０４において、前処理部１０４は、ステップＳ４０３において設定された前処理用の利用パラメータを利用して、画像データに対し前処理を施し、中間画像を得る。
次に、ステップＳ４０５において、パターン識別部１０６は、中間画像に対し、パターン識別処理を施し、識別結果を得る。次に、ステップＳ４０６において、パターン識別部１０６は、識別結果を出力する。以上で、パターン識別処理が終了する。

以上のように、パターン識別装置１０は、パターン識別処理において、評価値が最大となるパラメータ候補を利用パラメータとして利用して、パターン識別を行うので、パターン識別性能を向上させることができる。

なお、本実施形態にかかるパターン識別装置１０においては、推定モデルは、推定モデル記憶部１０７に予め格納されているものとするが、これに限定されるものではない。すなわち、評価値推定部１０８が推定モデルを参照できればよく、他の例としては、パターン識別装置１０は、外部から推定モデルの入力を受け付けてもよい。
また、他の例としては、パラメータ選択部１０９は、評価値の高い順に複数のパラメータ候補を選択してもよい。この場合、パラメータ設定部１０２は、複数のパラメータ候補の平均値を利用パラメータとしてもよい。

図５は、情報処理装置としての推定モデル生成装置５０を示す図である。推定モデル生成装置５０は、ユーザによって準備された複数の山積み状態それぞれの撮像画像に基づいて、推定モデルを生成する。
推定モデル生成装置５０は、パターン識別装置１０の推定モデル記憶部１０７に格納される推定モデルを生成する。推定モデル生成装置５０は、パターン識別装置１０と共通する機能を有している。ここでは、推定モデル生成装置５０のうち、パターン識別装置１０と異なる機能について説明する。

前述のように、本実施形態における推定モデルは、中間画像から抽出した複数の特徴量を並べた特徴ベクトル（特徴データ）に基づき、その中間画像を利用した識別方法における識別性能を予測する回帰モデルである。
この回帰モデルの生成には、入力としての説明変数と、出力としての目的変数の組が多数利用されるのが好ましい。そこで、推定モデル生成装置５０は、様々な物体を用いることにより、説明変数と目的変数を組としたデータを生成し、生成したデータに基づいて、推定モデルを生成することとする。なお、本実施形態においては、特徴データ及び評価値がそれぞれ説明変数及び目的変数となる。

モデルパラメータ記憶部５０１は、推定モデル生成に利用される複数のモデルパラメータ、すなわち推定モデル用のモデルパラメータを格納している。ここで、モデルパラメータは、撮像用のモデルパラメータと、前処理用のモデルパラメータの２種類を含んでいる。なお、モデルパラメータは、パターン識別装置１０のパラメータ候補記憶部１０１に格納されているパラメータ候補と同一のパラメータであるものとする。
パラメータ設定部５０２は、パターン識別装置１０のパラメータ設定部１０２と同様である。同様に、撮像部５０３、前処理部５０４、特徴データ生成部５０５及びパターン識別部５０６は、それぞれパターン識別装置１０の撮像部１０３、前処理部１０４、特徴データ生成部１０５及びパターン識別部１０６と同様である。なお、前処理部５０４により得られた中間画像をモデル中間画像と称する。また、特徴データ生成部５０５により得られた特徴データをモデル特徴データと称する。

受付部５０７は、前述の山積み状態の物体に対する正解値の入力を受け付ける。ここで、正解値とは、山積み状態の各物体の概略位置及び姿勢の値である。なお、正解値は、例えば、山積み状態の物体を撮像した画像において、各物体上の複数の所定の箇所の、画像内での位置を指定することにより求めることができる。
なお、正解値を用意するための処理は、コストの大きい作業である。しかしながら、正価値を用意するための処理は、推定モデルの生成段階でのみ必要な処理であり、この段階において、いくつかの事例に対して実施すればよい。つまり、一旦、推定モデルの生成を行えば、新たな対象に対しては、個別に正解値の用意をする必要はない。したがって、正解値を用意するためのコストを抑えることができる。

推定モデルを生成する際に用いられる物体の中には、本実施形態において、パラメータの評価を行う対象物体は含まれていない。推定モデルを生成する際に用いられる物体中に対象物体が含まれているならば、推定モデルを生成する際に用意した各物体の概略位置及び姿勢の正解値を用いて、実際の識別性能を推定してパラメータを評価すればよい。
なお、推定モデル生成装置５０のハードウェア構成は、図２を参照しつつ説明した、パターン識別装置１０のハードウェア構成と同様である。

図６は、推定モデル生成装置５０によるモデル生成処理を示すフローチャートである。ステップＳ６００において、受付部５０７は、正解値の入力を受け付ける。ここで入力される正解値は、ユーザにより準備された山積み状態の物体の画像に対する正解値である。ここで、山積み状態の物体は、後述のステップＳ６０２における撮像対象である。すなわち、ステップＳ６００においては、ステップＳ６０２において得られる画像に対する正解値の入力を受け付ける。
なお、ステップＳ６００〜ステップＳ６１０の処理は、繰り返し処理であり、ユーザ等は、ステップＳ６００〜ステップＳ６１０の処理が繰り返される度に、異なる山積み状態の物体を準備する。そして、受付部５０７は、ステップＳ６００〜ステップＳ６１０の処理が繰り返される度に、ステップＳ６００において、異なる山積み状態の物体に対する正解値の入力を受け付ける。
そして、ステップＳ６００において、受付部５０７がすべての山積み状態の物体に対する正解値の入力を受け付けるまで、ステップＳ６００〜ステップＳ６１０の処理が繰り返される。

次に、ステップＳ６０１において、パラメータ設定部５０２は、モデルパラメータ記憶部５０１に格納されている複数の撮像用のモデルパラメータの中から、撮像用のモデルパラメータを１つ選択する。そして、パラメータ設定部５０２は、選択した撮像用のモデルパラメータを撮像部５０３に設定する（第２の設定処理）。
なお、ステップＳ６０１〜ステップＳ６０９の処理は、繰り返し処理であり、パラメータ設定部１０２は、ステップＳ６０１〜ステップＳ６０９の処理が繰り返される度に、未処理の撮像用のモデルパラメータを１つ選択する。そして、ステップＳ６０１において、パラメータ設定部５０２が、すべての撮像用のモデルパラメータを選択するまで、ステップＳ６０１〜ステップＳ６０９の処理が繰り返される。

ステップＳ６０２において、撮像部５０３は、山積み状態の物体を撮像する。次に、ステップＳ６０３において、パラメータ設定部５０２は、モデルパラメータ記憶部５０１に格納されている複数の前処理用のモデルパラメータの中から、前処理用のモデルパラメータを１つ選択する。そして、パラメータ設定部５０２は、選択した前処理用のモデルパラメータを前処理部５０４に設定する（第２の設定処理）。
なお、ステップＳ６０３〜ステップＳ６０８の処理は、繰り返し処理であり、パラメータ設定部５０２は、ステップＳ６０３〜ステップＳ６０８の処理が繰り返される度に、未処理の前処理用のモデルパラメータを１つ選択する。そして、ステップＳ６０３において、パラメータ設定部５０２がすべての前処理用のパラメータを選択するまで、ステップＳ６０３〜ステップＳ６０８の処理が繰り返される。

次に、ステップＳ６０４において、前処理部１０４は、ステップＳ６０３において設定された前処理用のモデルパラメータを利用して、ステップＳ６０２において撮像されたモデル画像データに前処理を施し、モデル中間画像を得る。ここで、モデル中間画像は、推定モデル生成に利用されるモデル画像データの一例である。
次に、ステップＳ６０５において、特徴データ生成部５０５は、モデル中間画像から複数の特徴量を抽出し、抽出した特徴量に基づいて、特徴ベクトルをモデル特徴データとして生成する（第２の特徴データ生成処理）。

また、ステップＳ６０６において、パターン識別部５０６は、モデル中間画像に対し、パターン識別処理を施し、識別結果を得る。パターン識別部５０６は、例えば、特開２０１１−２１６０８７号公報に開示されているパターン識別処理を行い、物体の概略位置及び姿勢の複数の候補を求め、複数の候補を識別信頼度の高い順に並べる。
次に、ステップＳ６０７において、評価値特定部５０８は、ステップＳ６０６において得られた識別結果と、ステップＳ６００において受付部５０７が受け付けた正解値とに基づいて、設定されているモデルパラメータにおける識別性能の評価値を特定する。

評価値特定部５０８は、具体的には、識別結果と正解値との誤差が閾値以下である場合に、識別成功と判断する。ここで、閾値は、ＨＤＤ２０４等に予め設定されているものとする。閾値は、たとえば、概略位置の位置ずれ画素数と姿勢のずれ角度の組み合わせであるものとする。
評価値特定部５０８は、候補の個数毎に、適合率（Ｐｒｅｃｉｓｉｏｎ）と再現率（Ｒｅｃａｌｌ）を算出する。評価値特定部５０８は、再現率毎の適合率の平均である、平均適合率（Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ）を求め、これを識別性能の評価値として特定する。

ステップＳ６０５〜ステップＳ６０７の処理において、１つの山積み状態に対する１つのモデル用の特徴データ（説明変数）と、モデル用の識別性能を示す評価値（目的変数）の組が１つ生成される。このとき、推定モデル生成部５０９は、特徴データと評価値の組を取得する。
ステップＳ６０８において、パラメータ設定部５０２は、すべての前処理用のモデルパラメータが既に選択されたか否かを確認する。未選択の前処理用のモデルパラメータが存在する場合には、パラメータ設定部５０２は、処理をステップＳ６０３へ進める。一方、未処理の前処理用のモデルパラメータが存在しない場合には、パラメータ設定部５０２は、処理をステップＳ６０９へ進める。
これにより、用意された１つの山積み状態に対する１つの撮像用のモデルパラメータに対する、複数の前処理用のモデルパラメータそれぞれに対して、特徴データと評価値の組が生成される。

ステップＳ６０９において、パラメータ設定部５０２は、すべての撮像用のモデルパラメータが既に選択されたか否かを確認する。未選択の撮像用のモデルパラメータが存在する場合には、パラメータ設定部５０２は、処理をステップＳ６０１へ進める。一方、未処理の撮像用のモデルパラメータが存在しない場合には、パラメータ設定部５０２は、処理をステップＳ６１０へ進める。これにより、用意された１つの山積み状態に対する複数の撮像用のモデルパラメータそれぞれに対して、上記組み合わせが生成される。
例えば、撮像用のモデルパラメータがＮｃ通り、前処理用のモデルパラメータがＮｐ通り存在するとする。この場合、１つの山積み状態に対し、「Ｎｃ×Ｎｐ」組の特徴データと評価値の組が生成されることになる。そして、得られた特徴データと評価値の組は、すべて、推定モデル生成部５０９に送信される。以上で、準備された１つの山積み状態に対する処理が終了する。

さらに、ＣＰＵ２０１は、すべての山積み状態の物体に対し、処理が終了するまで、ステップＳ６００〜ステップＳ６１０の処理を繰り返す。
ステップＳ６１１において、推定モデル生成部５０９は、ステップＳ６００〜ステップＳ６１０における繰り返し処理において得られた特徴データと評価値の複数の組に基づいて、ＳＶＲモデルを推定モデルとして生成する（モデル生成処理）。以上で、推定モデル生成処理が終了する。

なお、本実施形態にかかる推定モデル生成装置５０は、予め設定された所定数の山積み状態に対し、ステップＳ６００〜ステップＳ６１０の繰り返し処理を行うこととする。ここで、山積み状態の数は、多いことが望ましいが、１０や２０等比較的少ない数であってもよい。
例えば、山積み状態数をＮｙ、撮像用のモデルパラメータ数をＮｃ、前処理用のモデルパラメータ数をＮｐとする。この場合、ステップＳ６００〜ステップＳ６１０の処理において、の特徴データと評価値の組は、「Ｎｙ×Ｎｃ×Ｎｐ」個生成される。例えば、Ｎｙ＝１０、Ｎｃ＝１５、Ｎｐ＝１，０００の場合、１５０，０００（１０×１５×１，０００）組の組が生成される。

以上のように、本実施形態にかかる推定モデル生成装置５０は、多数組のデータを利用して、特徴データを説明変数、評価値を目的変数とする回帰関数として、ＳＶＲの回帰関数モデルを推定モデルとして生成する。そして、パターン識別装置１０は、推定モデル生成装置５０により生成された推定モデルを利用して、パラメータ候補の評価値を推定する。
したがって、パターン識別装置１０は、抽出した特徴量の条件等に基づき、ルールベースでパラメータを評価するといった手法と比較して、より適切なパラメータの評価を行うことができる。

また、推定モデル生成装置５０において、多数のパラメータを用いて得られた中間画像に基づいて推定モデルを生成することにより、パターン識別の対象画像に類似する画像例（中間画像）が存在する可能性を高めることができる。すなわち、推定モデル生成装置５０は、パターン識別の対象となる画像と類似しない画像により推定モデルを生成する場合であっても、多様な画像において、評価値を正しく推定することのできる推定モデルを生成することができる。
また、推定モデル生成装置５０は、最適な事例だけでなく、識別性能の低い事例も利用して推定モデルを生成する。したがって、生成された推定モデルを利用することにより、相対的に識別性能の高さを評価できる可能性が高くなる。このため、パターン識別装置１０は、新たな対象の特徴データに基づいて、妥当な識別性能を推定することができる。

第１の実施形態の第１の変更例としては、推定モデルは、ＳＶＲの回帰関数モデルに限定されるものではない。他の例としては、推定モデルは、Ｂａｇｇｉｎｇ Ｔｒｅｅｓ等であってもよい。Ｂａｇｇｉｎｇ Ｔｒｅｅｓについては、Ｌｅｏ Ｂｒｅｉｍａｎ，"Ｂａｇｇｉｎｇ Ｐｒｅｄｉｃｔｏｒｓ"，Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ，Ｖｏｌ．２４，Ｎｏ．２，ｐｐ．１２３−１４０，１９９６を参照することができる。
また、第２の変更例としては、推定モデルは、回帰モデルに限るものではなく、例えば、識別に成功する／失敗する、といった、２値的な判別を行うためのモデルであってもよい。

また、第３の変更例としては、パターン識別処理は、実施形態に限定されるものではない。他の例としては、パターン識別処理は、一般的なパターンマッチングを用いる処理であってもよい。ただし、パターン識別装置１０及び推定モデル生成装置５０のパターン識別処理は、同一の処理内容であるものとする。
また、第４の変更例としては、本実施形態にかかる推定モデル生成装置５０は、目的関数として、平均適合率を用いたが、これに限定されるものではない。他の例としては、推定モデル生成装置５０は、所定個数までの識別結果に対するｆ値等を用いてもよい。このように、推定モデル生成装置５０は、識別性能を表現するような指標を用いればよく、具体的な値は、実施形態に限定されるものではない。

第５の変更例としては、本実施形態にかかる推定モデル生成装置５０は、１つの山積み状態の画像に基づいて、目的変数としての評価値を求めたが、これに限定されるものではない。他の例としては、推定モデル生成装置５０は、複数の山積み状態それぞれの画像に基づいて評価値を求めてもよい。
例えば、推定モデル生成装置５０は、各物体に関してＮｔ通り（例えば、１０通り等）山積み状態の画像を撮像し、それぞれに対して、平均適合率を求める。そして、推定モデル生成装置５０は、同じパラメータであるＮｔ回分の平均適合率の平均を、評価値として用いる等すればよい。
この場合目的変数としての評価値に対応する説明変数、すなわち中間画像から生成された特徴データはＮｔ個存在する。したがって、推定モデル生成装置５０は、それぞれの特徴データに対応する目的変数を、求めた評価値として扱えばよい。すなわち、推定モデル生成装置５０は、同じ評価値を目的変数とするＮｔ組のデータを生成すればよい。

また、第６の変更例としては、本実施形態において評価対象となるパラメータは、撮像パラメータ及び前処理パラメータの２種類であったが、パラメータの種類及び数は、実施形態に限定されるものではない。他の例としては、評価対象となるパラメータは、撮像パラメータ又は前処理パラメータのいずれか一方のみであってもよい。
また、第７の変更例としては、パターン識別装置１０は、推定モデル生成装置５０として機能してもよい。この場合、パターン識別装置１０は、図１に示す機能構成に加えて、図５に示す受付部５０７、評価値特定部５０８及び推定モデル生成部５０９をさらに有することとする。

（第２の実施形態）
次に、第２の実施形態にかかるパターン識別装置及び推定モデル生成装置について説明する。ここでは、第２の実施形態にかかるパターン識別装置及び推定モデル生成装置について、第１の実施形態にかかるパターン識別装置１０及び推定モデル生成装置５０と異なる点について説明する。
本実施形態にかかるパターン識別装置は、検査対象となる物体の撮像画像に基づいて、パターン識別により物体表面上の欠陥の有無を識別する。本実施形態にかかるパターン識別装置は、パターン識別における撮像及び前処理のパラメータだけでなく、撮像時の照明にかかるパラメータの評価を行う。なお、本実施形態にかかるパターン識別装置は、パラメータ評価において、欠陥の存在しない物体を撮像した画像を利用する。
そして、本実施形態にかかるパターン識別装置は、照明、撮像及び前処理の利用パラメータを設定し、利用パラメータを用いて得られた画像データに基づいて、パターン識別により、欠陥を検出する。

図７は、第２の実施形態にかかるパターン識別装置１１の機能構成を示す図である。パターン識別装置１１の機能のうち、第１の実施形態にかかるパターン識別装置１０の機能と同一機能には、同一番号を付している。
図７に示すパラメータ候補記憶部７０１は、複数のパラメータ候補を記憶している。本実施形態にかかるパラメータ候補は、撮像パラメータ候補と、前処理パラメータ候補と、照明に係る照明パラメータ候補の３種類を含んでいる。照明パラメータ候補としては、明るさ、照明光の波長、検査対象物体への入射角度等の項目が挙げられる。

パラメータ設定部７０２は、パラメータ候補記憶部７０１から、撮像用パラメータ、前処理用パラメータ及び照明用パラメータを読み出し、それぞれ撮像部１０３、前処理部１０４及び照明部７０３に設定する。
照明部７０３は、検査対象物体を照射する照射系である。パラメータ選択部７０５は、評価値推定部１０８により推定された、各パラメータに対する評価値に基づいて、パラメータ候補記憶部７０１に記憶されている複数のパラメータ候補の中から、利用パラメータ候補を選択する。本実施形態にかかるパラメータ選択部７０５は、撮像用の利用パラメータ、前処理用の利用パラメータ及び照明用の利用パラメータを選択する。

パターン識別部７０４は、撮像用の利用パラメータ、前処理用の利用パラメータ及び照明用の利用パラメータがそれぞれ撮像部１０３、前処理部１０４及び照明部７０３に設定された状態において得られた中間画像に基づいて、欠陥検出を行う。
なお、本実施形態にかかる推定モデル記憶部１０７に格納されている推定モデルは、検査対象物体の良品の中間画像から生成された特徴データに基づき、識別性能を予測する回帰モデルである。すなわち、本実施形態にかかる推定モデルは、良品の中間画像から生成されたデータを説明変数、識別性能を目的変数とする回帰モデルである。

図８は、パターン識別装置１１による評価値推定処理を示すフローチャートである。ステップＳ８０１において、パラメータ設定部７０２は、パラメータ候補記憶部７０１に格納されている複数の照明パラメータ候補の中から、照明パラメータ候補を１つ選択し、選択した照明パラメータ候補を照明部７０３に設定する。そして、パラメータ設定部７０２は、処理をステップＳ３００へ進める。
なお、ステップＳ８００〜ステップＳ８０１の処理は、繰り返し処理であり、パラメータ設定部７０２は、ステップＳ８００〜ステップＳ８０１の処理が繰り返される度に、未処理の照明パラメータ候補を１つ選択する。そして、ステップＳ８００において、パラメータ設定部７０２がすべての照明パラメータ候補を選択するまで、ステップＳ８００〜ステップＳ８０１の処理が繰り返される。
なお、第２の実施形態にかかる評価値推定処理におけるこれ以外の処理は、第１の実施形態にかかる評価値推定処理と同様である。

パラメータ候補記憶部７０１は、明るさに関するパラメータ候補をＮａ個、波長に関するパラメータ候補をＮλ個、入射角度に関するパラメータ候補をＮθ個格納しているものとする。この場合、パラメータ設定部７０２は、ステップＳ８００において、「Ｎａ×Ｎλ×Ｎθ」個の組み合わせを照明パラメータ候補として順に設定する。すなわち、ステップＳ８００〜ステップＳ８０１の処理は、「Ｎａ×Ｎλ×Ｎθ」回繰り返される。
なお、本実施形態にかかる評価値推定処理においては、ステップＳ３０１において、撮像部１０３が撮像対象とするのは、検査対象物体の良品である。
以上のように、本実施形態にかかるパターン識別装置１１は、照明に関するパラメータについても評価を行うことができる。さらに、パターン識別装置１１は、評価結果を用いて、利用パラメータを選択するので、物体における欠陥の有無を精度よく検出することができる。

図９は、第２の実施形態にかかる推定モデル生成装置５１の機能構成を示す図である。推定モデル生成装置５１の機能のうち第１の実施形態にかかる推定モデル生成装置５０の機能と同一機能には、同一番号を付している。
推定モデル生成装置５１は、ユーザによって用意された複数の物体セットそれぞれに含まれる物体の撮像画像に基づいて、推定モデルを生成する。ここで、物体セットは、同一種類の物体についての複数の良品と、複数の不良品とを含んでいる。また、複数の物体セットは、互いに異なる種類の物体に対する良品と不良品のセットである。なお、不良品の中間画像は、目的変数である識別性能（評価値）を求めるために利用されるものである。すなわち、推定モデル生成装置５１は、不良品の中間画像からは、特徴ベクトルの抽出は行わない。

図９に示す推定モデル生成装置５１のモデルパラメータ記憶部９０１は、複数のモデルパラメータを格納している。ここで、モデルパラメータは、撮像用のモデルパラメータと、前処理用のモデルパラメータと、照明用のモデルパラメータの３種類を含んでいる。なお、モデルパラメータは、パターン識別装置１１のパラメータ候補記憶部７０１に格納されているパラメータ候補と同一のパラメータであるものとする。
パラメータ設定部９０２及び照明部９０３は、それぞれ図７に示すパラメータ設定部７０２及び照明部７０３と同様である。欠陥検出部９０４は、パターン識別によりモデル中間画像から、欠陥の画像を検出する。

評価値特定部９０５は、欠陥検出部９０４による検出結果と、受付部５０７が受け付けた正解値とに基づいて、評価値を特定する。なお、本実施形態にかかる受付部５０７が受け付ける正解値は、撮像対象となっている検査対象物体が良品であるか、不良品であるかを示す情報である。
推定モデル生成部９０６は、特徴データ生成部５０５により生成されたモデル特徴データと、評価値特定部９０５により特定された評価値とに基づいて、ＳＶＲの回帰関数モデルを推定モデルとして生成する。

図１０は、推定モデル生成装置５１によるモデル生成処理を示すフローチャートである。本実施形態にかかるモデル生成処理においては、処理の開始に先立ち、ユーザは、複数種類の物体それぞれに対応する複数の物体セットを用意する。
そして、推定モデル生成装置５１は、モデル生成処理において、良品の中間画像から生成した特徴ベクトルと、良品及び不良品の中間画像から特定した評価値とを組としたデータを生成し、生成したデータに基づいて、推定モデルを生成する。

ステップＳ６００において、受付部５０７は、撮像対象の検査対象物体が良品であるか不良品であるかを示す正解値の入力を受け付け、処理をステップＳ１０００へ進める。なお、撮像対象の検査対象物体が良品である場合に、ユーザは、良品を示す正解値を入力し、検査対象物体が不良品である場合には、ユーザは、不良品を示す正解値を入力するものとする。
ステップＳ６００〜ステップＳ６１０の処理は、繰り返し処理であり、受付部５０７は、ステップＳ６００〜ステップＳ６１０の処理が繰り返される度に、推定モデル生成用の異なる物体に対する正解値の入力を受け付ける。そして、ステップＳ６００において、受付部５０７がすべての物体に対する正解値の入力を受け付けるまで、ステップＳ６００〜ステップＳ６１０の処理が繰り返される。

例えば、推定モデル生成用の物体がＮｓ種類存在するとする。さらに、各種類に対し、それぞれＮｏｋ個の良品と、Ｎｎｇ個の不良品とが存在するとする。この場合、１種類の物体に対し、Ｎｏｋ個の良品及びＮｎｇ個の不良品それぞれが撮像対象として順次、撮像範囲にセットされる。そして、これに対応し、ステップＳ６００において、受付部５０７は、Ｎｏｋ個の良品及びＮｎｇ個の不良品それぞれに対応する正解値の入力を受け付ける。
そして、推定モデル生成装置５１は、各種類の物体セットに含まれる各物体（良品及び不良品）について、ステップＳ１０００〜ステップＳ１００３の処理を行う。本実施形態にかかる推定モデル生成装置５１は、初めにＮｏｋ個の良品に対する処理を行い、その後、Ｎｎｇ個の不良品に対する処理を行う。

ステップＳ１０００において、パラメータ設定部９０２は、モデルパラメータ記憶部９０１に格納されている複数の照明用のモデルパラメータの中から、照明用のモデルパラメータを１つ選択する。そして、パラメータ設定部９０２は、選択した照明用のモデルパラメータを照明部９０３に設定する。
なお、ステップＳ１０００〜ステップＳ１００３の処理は、繰り返し処理であり、パラメータ設定部９０２は、ステップＳ１０００〜ステップＳ１００３の処理が繰り返される度に、未処理の照明用のモデルパラメータを１つ選択する。そして、ステップＳ１０００において、パラメータ設定部９０２が、すべての照明用のパラメータを選択するまで、ステップＳ１０００〜ステップＳ１００３の処理が繰り返される。

また、前処理（ステップＳ６０４）が終了すると、ステップＳ６０５において、特徴データ生成部５０５は、前処理により得られたモデル中間画像から特徴データを生成する。なお、本実施形態においては、ステップＳ６０５の処理は、撮像対象の物体が良品である場合にのみ実行される。これは、前述の通り、良品から抽出した特徴ベクトルを説明変数とする推定モデルを生成するためである。
さらに、前処理（ステップＳ６０４）が終了すると、ステップＳ１００１において、欠陥検出部９０４は、モデル中間画像において、欠陥の画像を検出する。欠陥検出部９０４は、例えば、特開２０１０−０７９２７２号公報に記載のパターン識別方法により欠陥の画像を検出する。

次に、ステップＳ１００２において、評価値特定部９０５は、欠陥画像の有無と、正解値とに基づいて、設定されているモデルパラメータの評価値を特定する。具体的には、評価値特定部９０５は、正解値が良品であるにも関わらず欠陥の画像が検出された場合及び正解値が不良品であるにもかかわらず欠陥の画像が検出されなかった場合に、失敗事例と判断する。そして、評価値特定部９０５は、ステップＳ６００〜ステップＳ６１０の繰り返し処理において、物体の種類毎の失敗事例の数をカウントし、これを１つのモデルパラメータに対する物体の種類毎の評価値として特定する。
なお、ステップＳ１００１及びステップＳ１００２の処理は、撮像対象の物体が良品及び不良品いずれの場合においても実行される。ステップＳ６０９の後、ＣＰＵ２０１は、すべての撮像用のモデルパラメータに対し、ステップＳ６０１〜ステップＳ６０９の処理を繰り返し（ステップＳ１００３）、その後処理をステップＳ６１０へ進める。

以上のように、本実施形態にかかるモデル生成処理においては、ステップＳ６００〜ステップＳ６１０の処理において、１種類の物体に対し、良品の特徴データと、失敗事例数（評価値）とが得られる。
例えば、１種類の物体に対して設定された各モデルパラメータ候補に対し、Ｎｏｋ個の良品と、Ｎｎｇ個の不良品とが存在する場合には、Ｎｏｋ個の特徴データと、失敗事例数（評価値）とが得られることとなる。特徴データと評価値のデータの組は、推定モデル生成部９０６へ送信される。ここで、特徴データと失敗事例数は、それぞれ説明変数と目的変数に相当する。
例えば、物体の種類がＮｓ種、良品の個数がＮｏｋ個、モデルパラメータの候補数がＮｘであるとする。この場合、特徴データと失敗事例数の組は、「Ｎｓ×Ｎｘ×Ｎｏｋ」個得られる。したがって、Ｎｓ＝１０、Ｎｘ＝２，０００、Ｎｏｋ＝１００である場合には、２，０００，０００（１０×２，０００×１００）の組が得られる。

そして、ステップＳ１００４において、推定モデル生成部９０６は、評価値と、特徴データの組に基づいて、ＳＶＲの回帰関数モデルを推定モデルとして生成する。
以上のように、第２の実施形態にかかる推定モデル生成装置５１は、パターン識別装置１１に対応し、照明のパラメータを含む複数のパラメータを用いて得られた中間画像に基づいて、推定モデルを生成する。
なお、本実施形態にかかる推定モデルの評価値は、失敗事例数である。したがって、対応するパターン識別装置１１は、評価値が最小となるようなパラメータ候補を利用パラメータとして選択することにより、高精度に欠陥を検出することができる。

なお、第２の実施形態にかかるパターン識別装置１１及び推定モデル生成装置５１のこれ以外の構成及び処理は、それぞれ第１の実施形態にかかるパターン識別装置１０及び推定モデル生成装置５０の構成及び処理と同様である。

第２の実施形態の変更例としては、パターン識別装置１１は、１つの良品だけでなく、複数の良品それぞれについて、複数のパラメータ候補それぞれの評価値を推定してもよい。この場合、パターン識別装置１１は、得られた評価値の平均値に基づいて、各パラメータ候補を評価することとする。

（第３の実施形態）
次に、第３の実施形態にかかるパターン識別装置及び推定モデル生成装置について説明する。ここでは、第３の実施形態にかかるパターン識別装置及び推定モデル生成装置について、他の実施形態にかかるパターン識別装置及び推定モデル生成装置と異なる点について説明する。
本実施形態にかかるパターン識別装置は、監視カメラにより撮像された動画像に基づいて、パターン識別により監視エリア内の異常を検出する。より具体的には、本実施形態にかかるパターン識別装置は、さらに他の実施形態にかかるパターン識別装置と同様に、パラメータの評価により利用パラメータを設定し、利用パラメータを用いて得られた動画像に基づいて、異常を検出する。

なお、本実施形態にかかるパターン識別装置は、パラメータ評価においては、異常が発生していないことが予めわかっている動画像を利用するものとする。以下、異常が発生していない状況において撮像された動画像を通常動画像、異常が発生している状況において撮像された動画像を異常動画像と称する。
他の実施形態にかかるパターン識別は、中間画像に基づいて行われ、パラメータの評価値推定は、特徴データに基づいて行われる。これに対し、本実施形態にかかるパラメータの評価値推定及びパターン識別は、いずれも特徴データに基づいて行われる。

図１１は、第３の実施形態にかかるパターン識別装置１２の機能構成を示す図である。パターン識別装置１２の機能のうち、第１の実施形態にかかるパターン識別装置１０の機能と同一機能には、同一番号を付している。
監視カメラ１１０１は、監視エリア内の動画像を撮像する。なお、監視カメラ１１０１は、パラメータの評価値推定処理の実行時には、異常の発生していない状況における動画像を撮像する。前処理部１１０２は、動画像の各フレームに対し、閾値を用い、画素値に対する２値化処理を行うことにより、中間動画像を得る。

また、特徴データ生成部１１０３は、２次の立体高次局所自己相関特徴（ＣＨＬＡＣ）の抽出を行い、特徴ベクトルを特徴データとして生成する。本実施形態においては、特徴データ生成部１１０３は、２値化された動画像に対して、２次のＣＨＬＡＣの抽出を行う。したがって、特徴データとしての特徴ベクトルは、２５１次元のベクトルとなる。
ＣＨＬＡＣの抽出に関しては、特開２００６−０７９２７２号公報を参照することができる。また、ＣＨＬＡＣの抽出においては、空間方向及び時間方向それぞれのマスク幅（変位幅）及び積分範囲を適切に設定することが好ましい。この点については、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．４６、ｐｐ．４３−５０、２００５に記載されている。

パラメータ候補記憶部１１０４は、複数のパラメータ候補を記憶している。本実施形態にかかるパラメータ候補は、前処理パラメータ候補と、特徴データ生成に係る特徴パラメータ候補の２種類を含んでいる。特徴パラメータ候補としては、例えば空間方向及び時間方向それぞれのマスク幅と、積分範囲が挙げられる。
パラメータ設定部１１０５は、パラメータ候補記憶部１１０４から前処理パラメータ候補及び特徴パラメータ候補を読み出し、それぞれ前処理部１１０２及び特徴データ生成部１１０３に設定する。

パラメータ選択部１１０６は、評価値推定部１０８により推定された、各パラメータに対する評価値に基づいて、パラメータ候補記憶部１１０４に記憶されている複数のパラメータ候補の中から、利用パラメータ候補を選択する。本実施形態にかかるパラメータ選択部１１０６は、前処理用の利用パラメータ及び特徴データ生成用の利用パラメータを選択する。
異常検出部１１０７は、前処理用の利用パラメータ及び特徴データ生成用の利用パラメータがそれぞれ前処理部１１０２及び特徴データ生成部１１０３に設定された状態において得られた特徴データに基づいて、パターン識別による異常検出を行う。

なお、本実施形態にかかる推定モデル記憶部１０７に格納されている推定モデルは、異常の発生していない状況において得られた動画像の特徴データに基づき、識別性能を予測する回帰モデルである。すなわち、本実施形態にかかる推定モデルは、異常の発生していない状況において得られた動画像から得られた特徴データを説明変数、識別性能を目的変数とする回帰モデルである。

図１２は、パターン識別装置１２による評価値推定処理を示すフローチャートである。ステップＳ１２００において、前処理部１１０２は、動画像の入力を受け付け、その後処理をステップＳ３０２へ進める。本実施形態においては、前処理部１１０２は、監視カメラ１１０１から動画像の入力を受け付ける。なお、ステップＳ１２００において受け付ける動画像は、異常が発生していない状況において撮像された動画像である。
ステップＳ３０２において、前処理部１１０２に前処理パラメータ候補が設定された後、ステップＳ３０３において、前処理部１１０２は、動画像に対し前処理を実行し、中間動画像を生成する。

続いて、ステップＳ１２０１において、パラメータ設定部１１０５は、特徴データ生成部１１０３に対し、特徴パラメータ候補を設定する。なお、ステップＳ１２０１〜ステップＳ１２０２の処理は、繰り返し処理であり、パラメータ設定部１１０５は、ステップＳ１２０１〜ステップＳ１２０２の処理が繰り返される度に、未処理の特徴パラメータ候補を１つ選択する。そして、ステップＳ１２０１において、パラメータ設定部１１０５がすべての特徴パラメータ候補を選択するまで、ステップＳ１２０１〜ステップＳ１２０２の処理が繰り返される。
このように、第３の実施形態にかかるパターン識別装置１２は、特徴パラメータ候補についての評価値を推定することができる。
なお、第３の実施形態にかかる評価値推定処理におけるこれ以外の処理は、第１の実施形態にかかる評価値推定処理と同様である。

図１３は、第３の実施形態にかかる推定モデル生成装置５２の機能構成を示す図である。推定モデル生成装置５２の機能のうち第１の実施形態にかかる推定モデル生成装置５０の機能と同一機能には、同一番号を付している。
推定モデル生成装置５２は、ユーザによって用意された複数の動画像セットそれぞれに含まれる動画像に基づいて、推定モデルを生成する。ここで、動画像セットは、同一環境に対する複数の通常動画像と、複数の異常動画像とを含んでいる。また、複数の動画像セットは、互いに異なる環境に対する通常動画像及び異常動画像のセットである。ここで、異なる環境としては、例えば、監視エリア内の異なる領域や、異なる監視エリア等が挙げられる。
なお、異常動画像の中間動画像は、目的変数である識別性能（評価値）を求めるために利用されるものである。すなわち、推定モデル生成装置５２は、異常動画像の中間動画像からは、特徴ベクトルの抽出は行わない。

図１３に示す動画像受付部１３０１は、外部装置等から動画像の入力を受け付ける。前処理部１３０２及び特徴データ生成部１３０３は、それぞれ図１１に示すパターン識別装置１２の前処理部１１０２及び特徴データ生成部１１０３に対応する。モデルパラメータ記憶部１３０４、パラメータ設定部１３０５及び異常検出部１３０６は、それぞれパラメータ候補記憶部１１０４、パラメータ設定部１１０５及び異常検出部１１０７に対応する。
なお、前処理部１３０２により得られる中間動画像をモデル中間動画像と称する。また、特徴データ生成部１３０３により得られる特徴データをモデル特徴データと称する。

正解値受付部１３０７は、入力された動画像が通常動画像及び異常動画像のいずれであるかを示す正解値の入力を受け付ける。評価値特定部１３０８は、正解値受付部１３０７が受け付けた正解値及び異常検出部１３０６による検出結果に基づいて、評価値を特定する。
推定モデル生成部１３０９は、特徴データ生成部１３０３により生成されたモデル特徴データと、評価値特定部１３０８により特定された評価値とに基づいて、ＳＶＲの回帰関数モデルを推定モデルとして生成する。

図１４は、推定モデル生成装置５２によるモデル生成処理を示すフローチャートである。本実施形態にかかるモデル生成処理においては、処理の開始に先立ち、ユーザは、複数環境それぞれに対応する複数の動画像セットを用意する。
推定モデル生成装置５２は、モデル生成処理において、通常動画像から生成した特徴ベクトルと、通常動画像及び異常動画像の中間動画像から特定した評価値とを組としたデータを生成し、生成したデータに基づいて、推定モデルを生成する。

ステップＳ１４００において、動画像受付部１３０１は、処理対象となる動画像の入力を受け付け、正解値受付部１３０７は、処理対象の動画像に対する正解値の入力を受け付ける。例えば、動画像受付部１３０１に通常動画像が入力された場合には、ユーザは、通常を示す正解値を入力し、異常動画像が入力された場合には、ユーザは、異常を示す正解値を入力するものとする。
ステップＳ１４００〜ステップＳ１４０５の処理は、繰り返し処理である。動画像受付部１３０１及び正解値受付部１３０７はそれぞれ、ステップＳ１４００〜ステップＳ１４０５の処理が繰り返される度に、推定モデル生成用の動画像及び正解値の入力を受け付ける。

例えば、推定モデル生成用の動画像の環境がＮｓ種類存在するとする。さらに、各種類の環境について、それぞれＮｏｋ個の通常動画像と、Ｎｎｇ個の異常動画像とが存在するとする。この場合、１種類の環境に対し、Ｎｏｋ個の通常動画像及びＮｎｇ個の異常動画像それぞれとこれらに対応する正解値とが、順次、推定モデル生成装置５２に入力される。
すなわち、推定モデル生成装置５２は、各種類の動画像セットに含まれる各動画像（正常動画像及び異常動画像）それぞれについて、ステップＳ１４００〜ステップＳ１４０５の処理を行う。本実施形態にかかる推定モデル生成装置５２は、初めにＮｏｋ個の通常動画像に対する処理を行い、その後、Ｎｎｇ個の異常動画像に対する処理を行う。

続いて、ステップＳ６０１において、パラメータ設定部１３０５は、前処理用のモデルパラメータを設定し、ステップＳ６０２において、前処理部１３０２は、前処理により、モデル中間動画像を得る。次に、ステップＳ１４０１において、パラメータ設定部１３０５は、特徴データ生成用のモデルパラメータを設定し、ステップＳ６０５において、特徴データ生成部１３０３は、モデル特徴データを生成する。なお、前述の通り、通常動画像から生成された特徴ベクトルのみが推定モデル生成の際の説明変数として利用される。
次に、ステップＳ１４０２において、異常検出部１３０６は、モデル中間動画像に基づいて、異常を検出する。次に、ステップＳ１４０３において、評価値特定部１３０８は、異常検出部１３０６による検出結果と、正解値とに基づいて、設定されているモデルパラメータの評価値を特定する。具体的には、評価値特定部１３０８は、正解値が異常なしであるにもかかわらず異常が検出された場合及び正解値が異常ありであるにもかかわらず異常が検出されない場合に、失敗事例と判断する。そして、評価値特定部１３０８は、ステップＳ６０１〜ステップＳ６０８の繰り返し処理において、環境の種類毎の失敗事例数をカウントし、これを１つのモデルパラメータに対する環境の種類毎の評価値として特定する。

ＣＰＵ２０１は、特徴データ生成用のすべてのモデルパラメータに対し、ステップＳ１４０１〜ステップＳ１４０２の処理を繰り返し（ステップＳ１４０４）、その後処理をステップＳ６０８へ進める。さらに、ＣＰＵ２０１は、ステップＳ６０８の後、すべての動画像に対し、ステップＳ６０１〜ステップＳ６０８の処理を繰り返し（ステップＳ１４０５）、その後処理をステップＳ１４０６へ進める。
ステップＳ１４０６において、推定モデル生成部１３０９は、ステップＳ１４０５までの処理において得られたデータの組に基づいて、推定モデルを生成する。

以上のように、第３の実施形態にかかる推定モデル生成装置５２は、パターン識別装置１２に対応し、特徴データ生成に関するパラメータを含む複数のパラメータを用いて得られた中間画像に基づいて、推定モデルを生成する。
なお、第３の実施形態にかかるパターン識別装置１２及び推定モデル生成装置５２のこれ以外の構成及び処理は、それぞれ他の実施形態にかかるパターン識別装置及び推定モデル生成装置の構成及び処理と同様である。

本実施形態にかかるパターン識別装置１２及び推定モデル生成装置５２を用いることにより、例えば、監視エリアに新たに設置された監視カメラに対し、適切なパラメータを設定することができる。さらに、パターン識別装置１２及び推定モデル生成装置５２は、定期的にパラメータの評価及び再設定を行ってもよい。

第３の実施形態の変更例としては、パターン識別装置１２は、監視カメラ１１０１を有さなくてもよい。この場合には、パターン識別装置１２は、外部から監視カメラ等により撮像された動画像を受け付ければよい。

＜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する。そして、そのシステム或いは装置のコンピュータ（又は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。

以上、上述した各実施形態によれば、処理量及び処理に要するメモリ容量を抑えつつ、パターン識別に適切なパラメータを設定することができる。

以上、本発明の好ましい実施形態について詳述したが、本発明は係る特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１０ パターン識別装置、５０ 推定モデル生成装置、 １０２ パラメータ設定部、１０４ 前処理部、１０５ 特徴データ生成部、１０８ 評価値推定部、１０９ パラメータ選択部

Claims (19)

1. パターン識別に利用するパラメータ候補を設定する第１の設定手段と、
   前記第１の設定手段により設定された前記パラメータ候補を利用して得られた画像データの特徴データを生成する第１の特徴データ生成手段と、
   複数のモデルパラメータそれぞれを利用して得られた複数の画像データの特徴データと、前記モデルパラメータの評価値との関係をモデル化した推定モデルを格納する記憶手段と、
   前記推定モデルを参照し、前記第１の特徴データ生成手段により生成された前記特徴データに基づいて、前記パラメータ候補の評価値を推定する推定手段と
   を有する情報処理装置。
2. 前記第１の設定手段により設定された、撮像条件に関する前記パラメータ候補を利用して、前記画像データを撮像する撮像手段をさらに有し、
   前記第１の特徴データ生成手段は、前記撮像手段により得られた前記画像データの前記特徴データを生成し、
   前記記憶手段は、前記撮像条件に関する前記複数のモデルパラメータそれぞれを利用して撮像された複数の画像データそれぞれの特徴データと、前記評価値との関係をモデル化した前記推定モデルを格納する請求項１に記載の情報処理装置。
3. 前記第１の設定手段により設定された、画像処理に関する前記パラメータ候補を利用して、前記画像データに対し画像処理を施す画像処理手段をさらに有し、
   前記第１の特徴データ生成手段は、画像処理後の前記画像データの前記特徴データを生成し、
   前記記憶手段は、前記画像処理に関する前記複数のモデルパラメータそれぞれを利用した画像処理を施すことにより得られた複数の画像データそれぞれの特徴データと、前記評価値との関係をモデル化した前記推定モデルを格納する請求項１又は２に記載の情報処理装置。
4. 前記第１の特徴データ生成手段は、前記第１の設定手段により設定された異なる複数のパラメータ候補それぞれに対応する複数の特徴データを生成し、
   前記推定手段は、前記推定モデルを参照し、前記複数の特徴データそれぞれに基づいて、複数のパラメータ候補それぞれの前記評価値を推定し、
   複数の前記評価値に基づいて、前記複数のパラメータ候補の中から、パターン識別に利用する利用パラメータを選択する選択手段と、
   前記利用パラメータを用いて得られた画像データに基づいて、パターン識別を行う識別手段と
   をさらに有する請求項１乃至３何れか１項に記載の情報処理装置。
5. 前記モデルパラメータを設定する第２の設定手段と、
   前記第２の設定手段により設定された複数のモデルパラメータそれぞれを利用して得られた複数のモデル画像データそれぞれのモデル特徴データを生成する第２の特徴データ生成手段と、
   前記モデル画像データと、前記モデル特徴データと、前記モデル画像データに対する正解値とに基づいて、前記推定モデルを生成するモデル生成手段と
   をさらに有し、
   前記記憶手段は、前記モデル生成手段により生成された前記推定モデルを格納する請求項１乃至４何れか１項に記載の情報処理装置。
6. パターン識別に利用するパラメータ候補を設定する第１の設定手段と、 前記第１の設定手段により設定された前記パラメータ候補を利用して、画像データの特徴データを生成する第１の特徴データ生成手段と、
   複数のモデルパラメータそれぞれを利用して得られた複数の特徴データと、前記モデルパラメータの評価値との関係をモデル化した推定モデルを記憶する記憶手段と、
   前記推定モデルを参照し、前記第１の特徴データ生成手段により生成された前記特徴データに基づいて、前記パラメータ候補の評価値を推定する推定手段と
   を有する情報処理装置。
7. 前記第１の特徴データ生成手段は、前記第１の設定手段により設定された異なる複数のパラメータ候補それぞれに対応する複数の特徴データを生成し、
   前記推定手段は、前記推定モデルを参照し、前記複数の特徴データそれぞれに基づいて、複数のパラメータ候補それぞれの前記評価値を推定し、
   複数の前記評価値に基づいて、前記複数のパラメータ候補から、パターン識別に利用する利用パラメータを選択する選択手段と、
   前記利用パラメータを用いて得られた特徴データに基づいて、パターン識別を行う識別手段と
   をさらに有する請求項６に記載の情報処理装置。
8. 前記モデルパラメータを設定する第２の設定手段と、
   前記第２の設定手段により設定された複数のモデルパラメータそれぞれを利用して、モデル画像データの複数のモデル特徴データを生成する第２の特徴データ生成手段と、
   前記モデル特徴データと、前記モデル画像データと、前記モデル画像データに対する正解値とに基づいて、前記推定モデルを生成するモデル生成手段と
   をさらに有し、
   前記記憶手段は、前記モデル生成手段により生成された前記推定モデルを格納する請求項６又は７に記載の情報処理装置。
9. 前記推定モデルは、前記特徴データを説明変数とし、前記評価値を目的変数とする回帰モデルである請求項１乃至８何れか１項に記載の情報処理装置。
10. パターン識別に利用するパラメータの評価値を推定する推定モデル用のモデルパラメータを設定する設定手段と、
    前記設定手段により設定された複数のモデルパラメータそれぞれを利用して得られた複数のモデル画像データそれぞれのモデル特徴データを生成する特徴データ生成手段と、
    前記モデル画像データと、前記モデル特徴データと、前記モデル画像データに対する正解値とに基づいて、前記推定モデルを生成するモデル生成手段と
    を有する情報処理装置。
11. パターン識別に利用するパラメータの評価値を推定する推定モデル用のモデルパラメータを設定する設定手段と、
    前記設定手段により設定された複数のモデルパラメータそれぞれを利用して、モデル画像データの複数のモデル特徴データを生成する特徴データ生成手段と、
    前記モデル特徴データと、前記モデル画像データと、前記モデル画像データに対する正解値とに基づいて、前記推定モデルを生成するモデル生成手段と
    を有する情報処理装置。
12. 情報処理装置が実行する情報処理方法であって、
    パターン識別に利用するパラメータ候補を設定する第１の設定ステップと、
    前記第１の設定ステップにおいて設定された前記パラメータ候補を利用して得られた画像データの特徴データを生成する第１の特徴データ生成ステップと、 複数のモデルパラメータそれぞれを利用して得られた複数の画像データの特徴データと、前記モデルパラメータの評価値との関係をモデル化した推定モデルを参照し、前記第１の特徴データ生成ステップにおいて生成された前記特徴データに基づいて、前記パラメータ候補の評価値を推定する推定ステップと
    を含む情報処理方法。
13. 情報処理装置が実行する情報処理方法であって、
    パターン識別に利用するパラメータ候補を設定する第１の設定ステップと、
    前記第１の設定ステップにおいて設定された前記パラメータ候補を利用して、画像データの特徴データを生成する第１の特徴データ生成ステップと、
    複数のモデルパラメータそれぞれを利用して得られた複数の特徴データと、前記モデルパラメータの評価値との関係をモデル化した推定モデルを参照し、前記第１の特徴データ生成ステップにおいて生成された前記特徴データに基づいて、前記パラメータ候補の評価値を推定する推定ステップと
    を含む情報処理方法。
14. 情報処理装置が実行する情報処理方法であって、
    パターン識別に利用するパラメータの評価値を推定する推定モデル用のモデルパラメータを設定する設定ステップと、
    前記設定ステップにおいて設定された複数のモデルパラメータそれぞれを利用して得られた複数のモデル画像データそれぞれのモデル特徴データを生成する特徴データ生成ステップと、
    前記モデル画像データと、前記モデル特徴データと、前記モデル画像データに対する正解値とに基づいて、前記推定モデルを生成するモデル生成ステップと
    を含む情報処理方法。
15. 情報処理装置が実行する情報処理方法であって、
    パターン識別に利用するパラメータの評価値を推定する推定モデル用のモデルパラメータを設定する設定ステップと、
    前記設定ステップにおいて設定された複数のモデルパラメータそれぞれを利用して、モデル画像データの複数のモデル特徴データを生成する特徴データ生成ステップと、
    前記モデル特徴データと、前記モデル画像データと、前記モデル画像データに対する正解値とに基づいて、前記推定モデルを生成するモデル生成ステップと
    を含む情報処理方法。
16. コンピュータを、
    パターン識別に利用するパラメータ候補を設定する第１の設定手段と、
    前記第１の設定手段により設定された前記パラメータ候補を利用して得られた画像データの特徴データを生成する第１の特徴データ生成手段と、
    複数のモデルパラメータそれぞれを利用して得られた複数の画像データの特徴データと、前記モデルパラメータの評価値との関係をモデル化した推定モデルを参照し、前記第１の特徴データ生成手段により生成された前記特徴データに基づいて、前記パラメータ候補の評価値を推定する推定手段と
    して機能させるためのプログラム。
17. コンピュータを、
    パターン識別に利用するパラメータ候補を設定する第１の設定手段と、
    前記第１の設定手段により設定された前記パラメータ候補を利用して、画像データの特徴データを生成する第１の特徴データ生成手段と、
    複数のモデルパラメータそれぞれを利用して得られた複数の特徴データと、前記モデルパラメータの評価値との関係をモデル化した推定モデルを参照し、前記第１の特徴データ生成手段により生成された前記特徴データに基づいて、前記パラメータ候補の評価値を推定する推定手段と
    して機能させるためのプログラム。
18. コンピュータを、
    パターン識別に利用するパラメータの評価値を推定する推定モデル用のモデルパラメータを設定する設定手段と、
    前記設定手段により設定された複数のモデルパラメータそれぞれを利用して得られた複数のモデル画像データそれぞれのモデル特徴データを生成する特徴データ生成手段と、
    前記モデル画像データと、前記モデル特徴データと、前記モデル画像データに対する正解値とに基づいて、前記推定モデルを生成するモデル生成手段と
    して機能させるためのプログラム。
19. コンピュータを、
    パターン識別に利用するパラメータの評価値を推定する推定モデル用のモデルパラメータを設定する設定手段と、
    前記設定手段により設定された複数のモデルパラメータそれぞれを利用して、モデル画像データの複数のモデル特徴データを生成する特徴データ生成手段と、
    前記モデル特徴データと、前記モデル画像データと、前記モデル画像データに対する正解値とに基づいて、前記推定モデルを生成するモデル生成手段と
    して機能させるためのプログラム。

Images