JPH0921610A - 画像処理装置及び画像処理方法 - Google Patents
画像処理装置及び画像処理方法Info
- Publication number
- JPH0921610A JPH0921610A JP7169039A JP16903995A JPH0921610A JP H0921610 A JPH0921610 A JP H0921610A JP 7169039 A JP7169039 A JP 7169039A JP 16903995 A JP16903995 A JP 16903995A JP H0921610 A JPH0921610 A JP H0921610A
- Authority
- JP
- Japan
- Prior art keywords
- image
- model
- local
- probability
- matching
- 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.)
- Pending
Links
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】 画像中から任意の物体の画像を抽出し、且
つ、その位置を安定的に求めることができる画像処理装
置及び画像処理方法を提供することである。 【解決手段】 抽出対象物の局所部分について、撮像環
境による変化をパラメータとして反映した局所モデルを
予め作成してモデル記憶部１２に格納する。これらのモ
デルを用いて、画像入力部１１から入力された画像の各
部分画像について、マッチング処理部１３で各局所モデ
ルとのマッチングを行う。局所情報統合部２１は、マッ
チング処理部１３でのマッチングの結果に従って、各部
分画像がどの程度局所モデルに一致しているかという観
点から、画像の位置情報も含めたパラメータ空間におい
て抽出対象物の位置を確率的に表示し、さらに、これら
の確率を統合する。物***置決定部１７は、パラメータ
空間内で最も確率の高い部分を抽出することにより、入
力画像内の抽出対象物の位置を判別して出力する。
つ、その位置を安定的に求めることができる画像処理装
置及び画像処理方法を提供することである。 【解決手段】 抽出対象物の局所部分について、撮像環
境による変化をパラメータとして反映した局所モデルを
予め作成してモデル記憶部１２に格納する。これらのモ
デルを用いて、画像入力部１１から入力された画像の各
部分画像について、マッチング処理部１３で各局所モデ
ルとのマッチングを行う。局所情報統合部２１は、マッ
チング処理部１３でのマッチングの結果に従って、各部
分画像がどの程度局所モデルに一致しているかという観
点から、画像の位置情報も含めたパラメータ空間におい
て抽出対象物の位置を確率的に表示し、さらに、これら
の確率を統合する。物***置決定部１７は、パラメータ
空間内で最も確率の高い部分を抽出することにより、入
力画像内の抽出対象物の位置を判別して出力する。
Description
【０００１】
【発明の属する技術分野】この発明は、入力画像中から
任意の物体を抽出し、その位置を判別する画像処理装置
及び画像処理方法に関する。
任意の物体を抽出し、その位置を判別する画像処理装置
及び画像処理方法に関する。
【０００２】
【従来の技術】従来の局所的な情報を統合して物体の抽
出（検出）或いは認識を行う技術としては、得られた局
所情報を組み合わせて逐次仮説検証する手法と、Ｈｏｕ
ｇｈ変換に代表されるような局所情報からの投票に基づ
いた手法（和田俊和、松山隆司「Ｈｏｕｇｈ変換に基づ
く図研検出法の新展開」、情報処理学会誌、Ｖｏｌ．３
６，Ｎｏ．３，１９９５）が知られている。
出（検出）或いは認識を行う技術としては、得られた局
所情報を組み合わせて逐次仮説検証する手法と、Ｈｏｕ
ｇｈ変換に代表されるような局所情報からの投票に基づ
いた手法（和田俊和、松山隆司「Ｈｏｕｇｈ変換に基づ
く図研検出法の新展開」、情報処理学会誌、Ｖｏｌ．３
６，Ｎｏ．３，１９９５）が知られている。
【０００３】
【発明が解決しようとする課題】仮説検証による方法で
は、画像中から得られた物体の局所情報の多数の候補を
逐次組み合わせて検証する。このため、組み合わせの爆
発（組み合わせ数の膨大化）が起こり、演算量が膨大に
なってしまう。投票による方法は、真値を指示する情報
が多数ある場合には有効である。しかし、少数の情報が
指示する結果のみが真値であり得るような場合には、必
ずしも良好な結果が得られない。また、撮影される物体
は一部が隠れていたり、大きさや明るさや、見える方向
などの撮影環境の違いにより画像上で様々に変化する。
このため、従来の物体抽出装置及び方法では、撮影され
た画像から抽出対象物を正確に抽出し、その位置を正確
に求めることが困難であった。
は、画像中から得られた物体の局所情報の多数の候補を
逐次組み合わせて検証する。このため、組み合わせの爆
発（組み合わせ数の膨大化）が起こり、演算量が膨大に
なってしまう。投票による方法は、真値を指示する情報
が多数ある場合には有効である。しかし、少数の情報が
指示する結果のみが真値であり得るような場合には、必
ずしも良好な結果が得られない。また、撮影される物体
は一部が隠れていたり、大きさや明るさや、見える方向
などの撮影環境の違いにより画像上で様々に変化する。
このため、従来の物体抽出装置及び方法では、撮影され
た画像から抽出対象物を正確に抽出し、その位置を正確
に求めることが困難であった。
【０００４】この発明は上記実状に鑑みてなされたもの
で、任意の画像中から任意の物体の画像を抽出し、且
つ、その位置を安定的に求めることができる画像処理装
置及び画像処理方法を提供することを目的とする。
で、任意の画像中から任意の物体の画像を抽出し、且
つ、その位置を安定的に求めることができる画像処理装
置及び画像処理方法を提供することを目的とする。
【０００５】
【課題を解決するための手段】上記目的を達成するた
め、この発明の画像処理装置は、抽出対象物の複数の局
所部分のモデルを記憶するモデル記憶手段と、画像を入
力する画像入力手段と、前記モデル記憶手段に記憶され
た各モデルと、前記画像入力手段の入力画像の各部との
一致度（マッチ度）を算出するマッチング手段と、前記
マッチング手段により算出された各一致度に基づいて、
抽出対象物の位置の確率分布を求める局所情報統合手段
と、前記局所情報統合手段により算出された確率分布の
中の確率が最も高い位置を抽出対象物の位置として出力
する出力手段と、を備えることを特徴とする。
め、この発明の画像処理装置は、抽出対象物の複数の局
所部分のモデルを記憶するモデル記憶手段と、画像を入
力する画像入力手段と、前記モデル記憶手段に記憶され
た各モデルと、前記画像入力手段の入力画像の各部との
一致度（マッチ度）を算出するマッチング手段と、前記
マッチング手段により算出された各一致度に基づいて、
抽出対象物の位置の確率分布を求める局所情報統合手段
と、前記局所情報統合手段により算出された確率分布の
中の確率が最も高い位置を抽出対象物の位置として出力
する出力手段と、を備えることを特徴とする。
【０００６】上記構成によれば、少数でも高い確率で真
値を示す局所部分の画像があれば、その情報に基づいて
抽出対象物の位置情報の正確な位置に高い確率分布が得
られる。このため、入力画像中の抽出対象物の一部が隠
れている場合等でも、抽出対象物とその位置を検出する
ことができる。
値を示す局所部分の画像があれば、その情報に基づいて
抽出対象物の位置情報の正確な位置に高い確率分布が得
られる。このため、入力画像中の抽出対象物の一部が隠
れている場合等でも、抽出対象物とその位置を検出する
ことができる。
【０００７】前記モデル記憶手段に、撮像環境による変
化をパラメータとして反映した各局所部分の画像のモデ
ルを記憶させ、前記マッチング手段は、前記入力画像か
ら前記局所部分と同一サイズの部分画像を順次切り出
し、各局所部分のモデルとの一致度を算出し、前記局所
情報統合手段が、前記マッチング手段により算出された
一致度を用いて、画像の位置情報を含めたパラメータ空
間における、抽出対象物の位置の確率分布を求める、よ
うに構成してもよい。
化をパラメータとして反映した各局所部分の画像のモデ
ルを記憶させ、前記マッチング手段は、前記入力画像か
ら前記局所部分と同一サイズの部分画像を順次切り出
し、各局所部分のモデルとの一致度を算出し、前記局所
情報統合手段が、前記マッチング手段により算出された
一致度を用いて、画像の位置情報を含めたパラメータ空
間における、抽出対象物の位置の確率分布を求める、よ
うに構成してもよい。
【０００８】このように構成すれば、撮影環境による変
化も考慮してモデルを作成しているので、撮影環境の変
化にかかわらず、安定的に抽出対象物の位置を検出する
ことができる。
化も考慮してモデルを作成しているので、撮影環境の変
化にかかわらず、安定的に抽出対象物の位置を検出する
ことができる。
【０００９】例えば、前記局所情報統合手段を、各部分
画像について、前記マッチング手段により各モデルにつ
いて算出された一致度を用いて、部分画像毎に、前記入
力画像内の前記抽出対象物の位置の確率の分布を求める
確率算出手段と、局所部分毎に前記確率算出手段により
算出された確率分布を統合する第１の統合手段と、前記
第１の統合手段により統合された確率分布を統合する第
２の統合手段と、より構成するようにしてもよい。
画像について、前記マッチング手段により各モデルにつ
いて算出された一致度を用いて、部分画像毎に、前記入
力画像内の前記抽出対象物の位置の確率の分布を求める
確率算出手段と、局所部分毎に前記確率算出手段により
算出された確率分布を統合する第１の統合手段と、前記
第１の統合手段により統合された確率分布を統合する第
２の統合手段と、より構成するようにしてもよい。
【００１０】また、前記モデル記憶手段に、抽出対象物
の異なる回転角θに対する各局所部分の画像の変化を、
所定の固有ベクトルで表した固有空間で、曲線として表
現する第１のモデルと、抽出対象物の異なる回転角θに
対する各局所部分の位置を曲線で表現する第２のモデル
と、を記憶させ、前記マッチング手段で、前記画像入力
手段により入力された画像の各部の画像を前記固有空間
に射影した時に、射影点と前記第１のモデルの曲線との
距離から、第１のモデルとの一致度を算出し、前記統合
手段で、入力画像の各部の画像について、前記マッチン
グ手段により第１のモデルについて算出された一致度に
基づいて、第１の確率分布を設定し、対応する第２のモ
デルに基づいて第２の確率分布を設定し、前記第１と第
２の確率分布を乗算し、前記乗算手段により得られた部
分画像毎の確率分布を統合するように構成してもよい。
の異なる回転角θに対する各局所部分の画像の変化を、
所定の固有ベクトルで表した固有空間で、曲線として表
現する第１のモデルと、抽出対象物の異なる回転角θに
対する各局所部分の位置を曲線で表現する第２のモデル
と、を記憶させ、前記マッチング手段で、前記画像入力
手段により入力された画像の各部の画像を前記固有空間
に射影した時に、射影点と前記第１のモデルの曲線との
距離から、第１のモデルとの一致度を算出し、前記統合
手段で、入力画像の各部の画像について、前記マッチン
グ手段により第１のモデルについて算出された一致度に
基づいて、第１の確率分布を設定し、対応する第２のモ
デルに基づいて第２の確率分布を設定し、前記第１と第
２の確率分布を乗算し、前記乗算手段により得られた部
分画像毎の確率分布を統合するように構成してもよい。
【００１１】前記局所情報統合手段で、位置と前記回転
角θをパラメータとするパラメータ空間上の確率分布を
求め、前記出力手段で、最も高い確率が得られた位置情
報と回転角θを出力するようにしてもよい。このような
構成とすることにより、検出対象物の回転角θも検出す
ることができる。
角θをパラメータとするパラメータ空間上の確率分布を
求め、前記出力手段で、最も高い確率が得られた位置情
報と回転角θを出力するようにしてもよい。このような
構成とすることにより、検出対象物の回転角θも検出す
ることができる。
【００１２】また、前記モデル記憶手段に、複数の抽出
対象物の局所部分の画像のモデルを記憶させ、前記局所
情報統合手段で、各抽出対象物の位置の確率分布を求
め、前記出力手段は、最も高い確率が得られた抽出対象
物とその位置を示す情報を出力するようにしてもよい。
このような構成とすることにより、位置情報だけでな
く、抽出された物体等も判別することができる。
対象物の局所部分の画像のモデルを記憶させ、前記局所
情報統合手段で、各抽出対象物の位置の確率分布を求
め、前記出力手段は、最も高い確率が得られた抽出対象
物とその位置を示す情報を出力するようにしてもよい。
このような構成とすることにより、位置情報だけでな
く、抽出された物体等も判別することができる。
【００１３】上記目的を達成するため、この発明の画像
処理方法は、画像を入力する画像入力ステップと、予め
用意された抽出対象物の複数の局所部分のモデルと前記
画像入力ステップにより入力された画像の各部との一致
度を算出するマッチングステップと、入力画像の各部の
一致度に基づいて、抽出対象物の位置の確率分布を求め
る確率算出ステップと、前記確率算出ステップにより算
出された確率分布を統合する統合ステップと、前記統合
ステップにより統合された確率分布中の最も確率が高い
位置を抽出対象物の位置として出力する出力ステップ
と、を備えることを特徴とする。
処理方法は、画像を入力する画像入力ステップと、予め
用意された抽出対象物の複数の局所部分のモデルと前記
画像入力ステップにより入力された画像の各部との一致
度を算出するマッチングステップと、入力画像の各部の
一致度に基づいて、抽出対象物の位置の確率分布を求め
る確率算出ステップと、前記確率算出ステップにより算
出された確率分布を統合する統合ステップと、前記統合
ステップにより統合された確率分布中の最も確率が高い
位置を抽出対象物の位置として出力する出力ステップ
と、を備えることを特徴とする。
【００１４】この方法でも、少数でも高い確率で真値を
示す局所部分の画像があれば、その情報に基づいて抽出
対象物の位置情報の正確な位置に高い確率分布が得られ
る。従って、抽出対象物とその位置を正確に検出するこ
とができる。
示す局所部分の画像があれば、その情報に基づいて抽出
対象物の位置情報の正確な位置に高い確率分布が得られ
る。従って、抽出対象物とその位置を正確に検出するこ
とができる。
【００１５】
【発明の実施の形態】以下、本発明の一実施形態にかか
る画像処理（抽出）装置及び画像処理（抽出）方法につ
いて、図１〜図９を参照して説明する。図１に示すよう
に、この実施形態の画像処理装置は、画像入力部１１
と、モデル記憶部１２と、マッチング処理部１３と、確
率算出部１４と、局所情報内統合部１５と、局所情報間
統合部１６と、物***置決定部１７とを備える。
る画像処理（抽出）装置及び画像処理（抽出）方法につ
いて、図１〜図９を参照して説明する。図１に示すよう
に、この実施形態の画像処理装置は、画像入力部１１
と、モデル記憶部１２と、マッチング処理部１３と、確
率算出部１４と、局所情報内統合部１５と、局所情報間
統合部１６と、物***置決定部１７とを備える。
【００１６】画像入力部１１は、ＣＣＤカメラ、イメー
ジリーダなどの撮影装置とこの撮影装置で取得された画
像をデジタル画像に変換する変換部と、変換された画像
を一時記憶する画像メモリを備える。
ジリーダなどの撮影装置とこの撮影装置で取得された画
像をデジタル画像に変換する変換部と、変換された画像
を一時記憶する画像メモリを備える。
【００１７】モデル記憶部１２は、メモリから構成さ
れ、抽出（検出）対象物体のモデルを記録する。３次元
物体の見かけ上の画像は、その物体の方向、向き等によ
り変化する。このような３次元物体の抽出を適切に行う
ため、モデル記憶部１２は、抽出対象物の特徴部分（局
所部分）のパラメトリック固有空間表現法によるモデル
（パターンモデル）と、モデル生成用画像内での各局所
部分の位置の変化を表すモデル（ロケーションモデル）
とを記憶する。なお、パターンモデルとロケーションモ
デルの詳細については後述する。
れ、抽出（検出）対象物体のモデルを記録する。３次元
物体の見かけ上の画像は、その物体の方向、向き等によ
り変化する。このような３次元物体の抽出を適切に行う
ため、モデル記憶部１２は、抽出対象物の特徴部分（局
所部分）のパラメトリック固有空間表現法によるモデル
（パターンモデル）と、モデル生成用画像内での各局所
部分の位置の変化を表すモデル（ロケーションモデル）
とを記憶する。なお、パターンモデルとロケーションモ
デルの詳細については後述する。
【００１８】マッチング処理部１３は、データ読み出し
回路及び演算装置から構成され、画像入力部１１から入
力された入力画像の各部の画像（部分画像）とモデル記
憶部１２に記憶された各パターンモデルとのマッチング
をとり、一致度（マッチ度）を算出する。
回路及び演算装置から構成され、画像入力部１１から入
力された入力画像の各部の画像（部分画像）とモデル記
憶部１２に記憶された各パターンモデルとのマッチング
をとり、一致度（マッチ度）を算出する。
【００１９】確率算出部１４は演算回路から構成され、
マッチング処理部１３で求めた一致度を元に、入力画像
の部分画像毎に、抽出対象物の位置の確率分布（確率
場、確率密度）を算出する。局所情報内統合部１５は、
部分画像毎に得られた確率分布を局所部分毎に統合す
る。局所情報間統合部１６は、さらに、局所部分毎に得
られた確率分布をベイズの枠組みで統合する。なお、確
率算出部１４と、局所情報内統合部１５と、局所情報間
統合部１６とは局所情報統合部２１を構成する。
マッチング処理部１３で求めた一致度を元に、入力画像
の部分画像毎に、抽出対象物の位置の確率分布（確率
場、確率密度）を算出する。局所情報内統合部１５は、
部分画像毎に得られた確率分布を局所部分毎に統合す
る。局所情報間統合部１６は、さらに、局所部分毎に得
られた確率分布をベイズの枠組みで統合する。なお、確
率算出部１４と、局所情報内統合部１５と、局所情報間
統合部１６とは局所情報統合部２１を構成する。
【００２０】物***置決定部１７は、出力装置等から構
成され、局所情報統合部２１で統合された確率分布中の
最も高い確率を示す位置を抽出対象物の位置として出力
する。
成され、局所情報統合部２１で統合された確率分布中の
最も高い確率を示す位置を抽出対象物の位置として出力
する。
【００２１】次に、モデル記憶部１２に記憶されるパタ
ーンモデル及びロケーションモデルの作成方法について
具体的に説明する。３次元物体の画像は、その物体の方
向、向き等により変化する。例えば、椅子を抽出対象物
と考えると、椅子を回転させると、図２に示すような多
様な画像（モデル作成用画像）が得られる。
ーンモデル及びロケーションモデルの作成方法について
具体的に説明する。３次元物体の画像は、その物体の方
向、向き等により変化する。例えば、椅子を抽出対象物
と考えると、椅子を回転させると、図２に示すような多
様な画像（モデル作成用画像）が得られる。
【００２２】そこで、抽出対象物を中心にカメラを移動
させて（又は、カメラを固定して抽出対象体をその場で
回転させて）、図２に示すように、抽出対象物の回転角
θを変化させながらモデル作成用画像を順次取得する。
次に、取得したモデル作成用画像のうち、抽出対象物、
即ち、椅子以外の部分にデータ”０”を代入して抽出対
象物の画像のみを取得する。
させて（又は、カメラを固定して抽出対象体をその場で
回転させて）、図２に示すように、抽出対象物の回転角
θを変化させながらモデル作成用画像を順次取得する。
次に、取得したモデル作成用画像のうち、抽出対象物、
即ち、椅子以外の部分にデータ”０”を代入して抽出対
象物の画像のみを取得する。
【００２３】次に、各モデル作成用画像から抽出対象物
の特徴部分（局所部分）の画像を所定サイズで切り出
す。角度θの数（モデル作成用画像の数）をＲ、特徴部
分の数をＳとすると、Ｒ×Ｓ個の局所部分の画像（局所
画像）が得られる。例えば、図２に示す椅子の局所部分
を図３に示す３つの部分Ａ１〜Ａ３とすると、各モデル
作成用画像からそれぞれ３つの局所画像Ａ１〜Ａ３が抽
出される。
の特徴部分（局所部分）の画像を所定サイズで切り出
す。角度θの数（モデル作成用画像の数）をＲ、特徴部
分の数をＳとすると、Ｒ×Ｓ個の局所部分の画像（局所
画像）が得られる。例えば、図２に示す椅子の局所部分
を図３に示す３つの部分Ａ１〜Ａ３とすると、各モデル
作成用画像からそれぞれ３つの局所画像Ａ１〜Ａ３が抽
出される。
【００２４】続いて、回転角θをパラメータとして、各
局所画像をパラメトリック固有空間表現によって作成し
た固有空間に投影し、これらをつなげることにより局所
部分それぞれについて１つののパターンモデルを曲線と
して得る。
局所画像をパラメトリック固有空間表現によって作成し
た固有空間に投影し、これらをつなげることにより局所
部分それぞれについて１つののパターンモデルを曲線と
して得る。
【００２５】ここで、θの数（モデル作成用画像の数）
をＲとし、θを変えて取得した各局所画像の集合を数１
のように表現する。ここで、Ｘiは各局所部分のｉ番目
の局所画像を示し、それぞれ、数２で表される。数２に
おいて、Ｘnmはｎ番目の局所画像のｍ番目の画素の階調
を示す。なお、数１の集合は、局所部分毎に形成され、
図３の例では、局所部分Ａ１〜Ａ３にそれぞれ１セット
形成される。
をＲとし、θを変えて取得した各局所画像の集合を数１
のように表現する。ここで、Ｘiは各局所部分のｉ番目
の局所画像を示し、それぞれ、数２で表される。数２に
おいて、Ｘnmはｎ番目の局所画像のｍ番目の画素の階調
を示す。なお、数１の集合は、局所部分毎に形成され、
図３の例では、局所部分Ａ１〜Ａ３にそれぞれ１セット
形成される。
【００２６】
【数１】｛ｘ1，ｘ2，ｘ3，・・・，ｘR｝
【数２】ｘ1＝｛ｘ11，ｘ12，ｘ13，・・・，ｘ1N｝ ｘ2＝｛ｘ21，ｘ22，ｘ23，・・・，ｘ2N｝・・・・・・ ｘR＝｛ｘR1，ｘR2，ｘR3，・・・，ｘRN｝
【００２７】続いて、各局所画像の集合の平均ｃを数３
に従って求め、各局所画像から平均画像を差し引いて、
数４に示す行列Ｘを生成する。
に従って求め、各局所画像から平均画像を差し引いて、
数４に示す行列Ｘを生成する。
【００２８】
【数３】ｃ＝（１／Ｒ）Σｘr ｒ＝１〜Ｒ
【数４】 Ｘ≡｛ｘ1−ｃ，ｘ2−ｃ，ｘ3−ｃ，・・・，ｘR−ｃ｝
【００２９】この画像集合Ｘの共分散行列Ｑは数５によ
り表される。
り表される。
【数５】Ｑ≡ＸＸT Ｔは直交関数を示す。
【００３０】ｋ次元の固有空間は数６の固有方程式を解
き、ｋ個の大きい固有値λ1〜λN（λ1≧・・・≧λk≧・・・
≧λN）に対応する固有ベクトル（ｅ1，ｅ2，・・・ｅk）
を基底ベクトルとすることにより得られる。
き、ｋ個の大きい固有値λ1〜λN（λ1≧・・・≧λk≧・・・
≧λN）に対応する固有ベクトル（ｅ1，ｅ2，・・・ｅk）
を基底ベクトルとすることにより得られる。
【数６】λi・ｅi＝Ｑ・ｅi
【００３１】各局所画像をｋ次元の固有空間に投影する
と、１枚の局所画像が固有空間上の１つの点に対応す
る。さらに、各回転角θでの各局所画像を固有空間に投
影すると、それは点の系列になる。これらの点を補間法
を用いて結ぶことにより、１つの局所画像について１つ
のパターンモデルが曲線として得られる。
と、１枚の局所画像が固有空間上の１つの点に対応す
る。さらに、各回転角θでの各局所画像を固有空間に投
影すると、それは点の系列になる。これらの点を補間法
を用いて結ぶことにより、１つの局所画像について１つ
のパターンモデルが曲線として得られる。
【００３２】図４に、抽出対象物である椅子の局所画像
Ａ１を、θの変化に伴って４次元（ｋ＝４）の固有空間
上にプロットして、パターンモデルを作成する例を示
す。このパターンモデルは、局所画像Ａ２，Ａ３につい
ても同様に生成される。モデル記憶部１２は、このよう
にして得られた各局所部分についてのパターンモデルを
記憶する。
Ａ１を、θの変化に伴って４次元（ｋ＝４）の固有空間
上にプロットして、パターンモデルを作成する例を示
す。このパターンモデルは、局所画像Ａ２，Ａ３につい
ても同様に生成される。モデル記憶部１２は、このよう
にして得られた各局所部分についてのパターンモデルを
記憶する。
【００３３】次に、ロケーションモデルについて説明す
る。回転角θを変化させるに従って、各モデル作成用画
像内の局所画像の位置は変化する。ロケーションモデル
は、図５に示すように、この位置変化を、モデル作成用
画像の左上の位置を原点とした（ｘ，ｙ）座標系で表し
たモデルである。
る。回転角θを変化させるに従って、各モデル作成用画
像内の局所画像の位置は変化する。ロケーションモデル
は、図５に示すように、この位置変化を、モデル作成用
画像の左上の位置を原点とした（ｘ，ｙ）座標系で表し
たモデルである。
【００３４】次に、予め作成されたパターンモデルとロ
ケーションモデルを用いて、入力画像中の抽出対象物の
位置を抽出する手順を図６〜図９を参照して説明する。
ケーションモデルを用いて、入力画像中の抽出対象物の
位置を抽出する手順を図６〜図９を参照して説明する。
【００３５】画像入力部１１は、例えば、図６に示すよ
うな、任意の画像を取得し、これをディジタル画像に変
換し、さらに、取得した画像を記憶する。
うな、任意の画像を取得し、これをディジタル画像に変
換し、さらに、取得した画像を記憶する。
【００３６】マッチング処理部１３は、入力画像の中か
ら、図７に示すように、局所画像と同一サイズの画像
（部分画像）をＸ方向とＹ方向に順次１画素ずつシフト
しながら順次切り出す。マッチング処理部１３は、パタ
ーンモデル作成時と同様にして、各部分画像を固有空間
に投射する。すると、切り出された各部分画像は、固有
空間上で１つの点で表される。そして、この点と各局所
画像のパターンモデルとの回転角θの変化による距離Ｄ
Ai（θ）を求める。この距離ＤAi（θ）は、局所部分Ａ
ｉ（ｉ＝１，２，３）のパターンモデルにおける一致度
を表す指標である。
ら、図７に示すように、局所画像と同一サイズの画像
（部分画像）をＸ方向とＹ方向に順次１画素ずつシフト
しながら順次切り出す。マッチング処理部１３は、パタ
ーンモデル作成時と同様にして、各部分画像を固有空間
に投射する。すると、切り出された各部分画像は、固有
空間上で１つの点で表される。そして、この点と各局所
画像のパターンモデルとの回転角θの変化による距離Ｄ
Ai（θ）を求める。この距離ＤAi（θ）は、局所部分Ａ
ｉ（ｉ＝１，２，３）のパターンモデルにおける一致度
を表す指標である。
【００３７】確率算出部１４は、マッチングの結果得ら
れた各（Ｘ，Ｙ）座標位置における一致度を用いて、任
意の回転角θに関して、その位置の部分画像がその局所
画像に一致する確率Ｐpatternを数７に従って求める。
れた各（Ｘ，Ｙ）座標位置における一致度を用いて、任
意の回転角θに関して、その位置の部分画像がその局所
画像に一致する確率Ｐpatternを数７に従って求める。
【００３８】
【数７】 ここで、σ1は任意の定数である。
【００３９】例えば、図７に示す（０，０）座標での部
分画像を固有空間に投影した時、局所部分Ａ１のパター
ンモデルに着目すると、このパターンについて距離ＤA1
（θ）が求められ、この距離ＤA1（θ）を用いて数７に
従って局所部分Ａ１についての確率Ｐpatternが算出さ
れる。この確率Ｐpatternはθに対する関数となる。
分画像を固有空間に投影した時、局所部分Ａ１のパター
ンモデルに着目すると、このパターンについて距離ＤA1
（θ）が求められ、この距離ＤA1（θ）を用いて数７に
従って局所部分Ａ１についての確率Ｐpatternが算出さ
れる。この確率Ｐpatternはθに対する関数となる。
【００４０】次に、確率算出部１４は、各部分画像につ
いて、数８により新たな座標（α，β）を、任意の回転
角θに関して設定する。
いて、数８により新たな座標（α，β）を、任意の回転
角θに関して設定する。
【数８】 （α，β）＝（Ｘ，Ｙ）−（ｘAi（θ），ｙAi（θ））
（ｉ＝１，２，３）
（ｉ＝１，２，３）
【００４１】図８に示すように、（Ｘ，Ｙ）は入力画像
内の部分画像の座標であり、（ｘAi（θ），ｙ
Ai（θ））は任意のθにおいて、ロケーションモデルに
記述されているモデル作成用画像内の局所画像の位置で
あり、（α，β）は入力画像内の部分画像の基準点の座
標である。
内の部分画像の座標であり、（ｘAi（θ），ｙ
Ai（θ））は任意のθにおいて、ロケーションモデルに
記述されているモデル作成用画像内の局所画像の位置で
あり、（α，β）は入力画像内の部分画像の基準点の座
標である。
【００４２】マッチングが正確に行われていれば、各局
所部分についての一致度の高い場所は、同一の座標
（α，β）を示す。次に、数９に従って、新たな座標
（α，β）が抽出対象物の基準位置である確率Ｐ
locationを求める。
所部分についての一致度の高い場所は、同一の座標
（α，β）を示す。次に、数９に従って、新たな座標
（α，β）が抽出対象物の基準位置である確率Ｐ
locationを求める。
【００４３】
【数９】 ここでσ2は任意の定数である。
【００４４】この確率Ｐlocationは、座標（Ｘ，Ｙ）の
位置の部分画像がいずれかの局所画像に正確にマッチン
グしている場合に、抽出対象物の基準点が座標（α，
β）に位置し、抽出対象物の角度がθである確率を表
す。
位置の部分画像がいずれかの局所画像に正確にマッチン
グしている場合に、抽出対象物の基準点が座標（α，
β）に位置し、抽出対象物の角度がθである確率を表
す。
【００４５】続いて、確率算出部１４は、Ｐpatternと
Ｐlocationとの対応するもの同士を乗算してＰpattern
・Ｐlocationを算出し、パラメータ空間（α，β，θ）
における確率分布を生成する。即ち、（Ｘ，Ｙ）位置の
部分画像に基づいて、座標（α，β）に抽出対象物の基
準点が位置し、且つ、その回転角がθである確率の分布
を算出する。この確率分布は、例えば、図９に模式的に
示すような分布となる。なお、図９において、符号Ｐ１
〜Ｐ４はそれぞれ確率を示す。
Ｐlocationとの対応するもの同士を乗算してＰpattern
・Ｐlocationを算出し、パラメータ空間（α，β，θ）
における確率分布を生成する。即ち、（Ｘ，Ｙ）位置の
部分画像に基づいて、座標（α，β）に抽出対象物の基
準点が位置し、且つ、その回転角がθである確率の分布
を算出する。この確率分布は、例えば、図９に模式的に
示すような分布となる。なお、図９において、符号Ｐ１
〜Ｐ４はそれぞれ確率を示す。
【００４６】確率算出部１４は、入力画像の全ての位置
における部分画像に対して確率分布を計算する。従っ
て、入力画像内の部分画像の数をｍとすると、局所部分
（Ａ１〜Ａ３）毎にｍ組の確率分布が得られる。
における部分画像に対して確率分布を計算する。従っ
て、入力画像内の部分画像の数をｍとすると、局所部分
（Ａ１〜Ａ３）毎にｍ組の確率分布が得られる。
【００４７】局所情報内統合部１５は、同一の局所部分
について得られた全ての確率分布の和をとり、パラメー
タ空間内に新たに確率分布を生成する。この結果、各局
所部分につき、パラメータ空間上に１つの確率分布が得
られる。上述の椅子の例では、局所部分Ａ１〜Ａ３につ
いて、それぞれ、確率分布が得られる。
について得られた全ての確率分布の和をとり、パラメー
タ空間内に新たに確率分布を生成する。この結果、各局
所部分につき、パラメータ空間上に１つの確率分布が得
られる。上述の椅子の例では、局所部分Ａ１〜Ａ３につ
いて、それぞれ、確率分布が得られる。
【００４８】局所情報間統合部１６は、局所情報内統合
部１５により得られた局所部分毎の確率分布を、ベイズ
の枠組みにより統合する。局所情報内統合部１５が得た
各確率分布を確率密度関数ｐk（α，β，θ）＝ｆ
k（α，β，θ）（ただし、ｋ＝１，２，・・・，ｎは局所
部分を示す番号）で表すと、統合後の確率分布は、数１
０で表される。
部１５により得られた局所部分毎の確率分布を、ベイズ
の枠組みにより統合する。局所情報内統合部１５が得た
各確率分布を確率密度関数ｐk（α，β，θ）＝ｆ
k（α，β，θ）（ただし、ｋ＝１，２，・・・，ｎは局所
部分を示す番号）で表すと、統合後の確率分布は、数１
０で表される。
【００４９】
【数１０】
【００５０】数１０により、逐次確率を統合して、最終
的に得られた確率分布ｐn（α，β，θ）が全ての情報
を統合した確率分布となる。なお、ｐ0は初期の事前確
率であり、無知識の場合は、均等確率を用いる。
的に得られた確率分布ｐn（α，β，θ）が全ての情報
を統合した確率分布となる。なお、ｐ0は初期の事前確
率であり、無知識の場合は、均等確率を用いる。
【００５１】最後に、物***置決定部１７は、最終的に
得られたパラメータ空間の確率分布において、最も高い
確率を示す場所（αhigh，βhigh，θhigh）を決定し、
これを出力する。（α，β）はモデル作成用画像の座標
系（ｘ，ｙ）の原点に対応する。従って、入力画像の座
標（αhigh，βhigh）の位置が抽出対象物の基準点とな
る。また、θhighは入力画像から抽出された抽出対象物
の回転角を表す。
得られたパラメータ空間の確率分布において、最も高い
確率を示す場所（αhigh，βhigh，θhigh）を決定し、
これを出力する。（α，β）はモデル作成用画像の座標
系（ｘ，ｙ）の原点に対応する。従って、入力画像の座
標（αhigh，βhigh）の位置が抽出対象物の基準点とな
る。また、θhighは入力画像から抽出された抽出対象物
の回転角を表す。
【００５２】以上説明したように、この実施形態におい
ては、抽出対象物の各局所部分について、撮像環境によ
る変化をパラメータとして反映した局所モデルを予め作
成する。そして、入力画像の各部分画像について、各局
所モデルとのマッチングを行い、各部分画像がどの程度
局所モデルに一致しているかという観点から、画像の位
置情報も含めたパラメータ空間において位置対象物の位
置を確率的に表示する。最後にこれらの確率を統合し、
パラメータ空間内で最も確率の高い部分を抽出すること
により、入力画像内の抽出対象物の位置及び回転角を抽
出する。
ては、抽出対象物の各局所部分について、撮像環境によ
る変化をパラメータとして反映した局所モデルを予め作
成する。そして、入力画像の各部分画像について、各局
所モデルとのマッチングを行い、各部分画像がどの程度
局所モデルに一致しているかという観点から、画像の位
置情報も含めたパラメータ空間において位置対象物の位
置を確率的に表示する。最後にこれらの確率を統合し、
パラメータ空間内で最も確率の高い部分を抽出すること
により、入力画像内の抽出対象物の位置及び回転角を抽
出する。
【００５３】このような手法を採用することにより、局
部情報の組み合わせの検証を逐次行うことなく、少数で
も高い確率で真値を示す情報があれば良好な結果が得ら
れる。さらに、撮影環境による変化も考慮して安定的に
抽出対象物の位置を抽出することができる。
部情報の組み合わせの検証を逐次行うことなく、少数で
も高い確率で真値を示す情報があれば良好な結果が得ら
れる。さらに、撮影環境による変化も考慮して安定的に
抽出対象物の位置を抽出することができる。
【００５４】従って、例えば、図１０に示すように、他
の物体により抽出対象物の一部が隠されているため、局
所部分Ａ２の情報が欠落した場合でも、局所部分Ａ１と
Ａ３の画像に基づいて、抽出対象物の位置及び回転角が
高い確率で得られる。従って、情報の欠落等に影響され
ず、安定的に抽出対象物の位置を抽出することができ
る。
の物体により抽出対象物の一部が隠されているため、局
所部分Ａ２の情報が欠落した場合でも、局所部分Ａ１と
Ａ３の画像に基づいて、抽出対象物の位置及び回転角が
高い確率で得られる。従って、情報の欠落等に影響され
ず、安定的に抽出対象物の位置を抽出することができ
る。
【００５５】なお、上記実施形態では、演算速度を高速
化するため、入力された画像を、パイプライン的に、各
処理部で順次演算する例を示したが、図１１に示す構成
の画像処理装置により、演算処理を順次行うようにして
もよい。
化するため、入力された画像を、パイプライン的に、各
処理部で順次演算する例を示したが、図１１に示す構成
の画像処理装置により、演算処理を順次行うようにして
もよい。
【００５６】また、上記実施形態においては、各局所部
分のパターンモデルについての一致度ＤAi（θ）を求
め、各局所部分について確率分布を求めた。しかし、例
えば、各部分画像について、最も一致度が高いパターン
モデルを求め、このモデルを用いて以後の計算を行って
もよい。例えば、ある部分画像を固有空間上に射影した
際に、最も近似する（距離Ｄ（θ）の最小値が得られ
た）パターンモデルが局所部分Ａ１のパターンモデルで
ある場合に、局所部分Ａ１のパターンモデルのＤ（θ）
を用いて以後の確率計算を行うようにしてもよい。この
ような手法を採用することにより、以後の確率分布の計
算に要する時間を短縮することができ、局所部分の数が
多い場合等に有効である。
分のパターンモデルについての一致度ＤAi（θ）を求
め、各局所部分について確率分布を求めた。しかし、例
えば、各部分画像について、最も一致度が高いパターン
モデルを求め、このモデルを用いて以後の計算を行って
もよい。例えば、ある部分画像を固有空間上に射影した
際に、最も近似する（距離Ｄ（θ）の最小値が得られ
た）パターンモデルが局所部分Ａ１のパターンモデルで
ある場合に、局所部分Ａ１のパターンモデルのＤ（θ）
を用いて以後の確率計算を行うようにしてもよい。この
ような手法を採用することにより、以後の確率分布の計
算に要する時間を短縮することができ、局所部分の数が
多い場合等に有効である。
【００５７】図示するように、この画像処理装置は、Ｃ
ＰＵ３１と、ＲＡＭ３２、ＲＯＭ３３、補助記憶装置３
４、撮像装置３５、入出力装置３６、これらを相互に接
続するバス３７を備える。
ＰＵ３１と、ＲＡＭ３２、ＲＯＭ３３、補助記憶装置３
４、撮像装置３５、入出力装置３６、これらを相互に接
続するバス３７を備える。
【００５８】ＣＰＵ３１は、ＲＡＭ３２及びＲＯＭ３３
に記憶された制御プログラムに従って動作し、演算処理
及び制御処理を実行する。ＲＡＭ３２は、主メモリ及び
拡張メモリ等を含み、処理対象のデータ、制御プログラ
ム等を記憶する。ＲＯＭ３３は、固定データ、固定制御
プログラム等を記憶する。補助記憶装置３４は、ハード
デスク装置、フロッピーデスク装置、ＣＤ−ＲＯＭ装置
等から構成され、ＣＰＵ３１の動作プログラム、モデル
等を記憶しており、ＲＡＭ３２にこれらのデータを必要
に応じて転送する。撮像装置３５は、処理対象の画像デ
ータを取得し、ＲＡＭ３２に転送する。入出力装置３６
は、制御情報を入力すると共に抽出された物体の位置、
回転角度等を出力する。
に記憶された制御プログラムに従って動作し、演算処理
及び制御処理を実行する。ＲＡＭ３２は、主メモリ及び
拡張メモリ等を含み、処理対象のデータ、制御プログラ
ム等を記憶する。ＲＯＭ３３は、固定データ、固定制御
プログラム等を記憶する。補助記憶装置３４は、ハード
デスク装置、フロッピーデスク装置、ＣＤ−ＲＯＭ装置
等から構成され、ＣＰＵ３１の動作プログラム、モデル
等を記憶しており、ＲＡＭ３２にこれらのデータを必要
に応じて転送する。撮像装置３５は、処理対象の画像デ
ータを取得し、ＲＡＭ３２に転送する。入出力装置３６
は、制御情報を入力すると共に抽出された物体の位置、
回転角度等を出力する。
【００５９】次に、図１１の画像処理装置の動作を図１
２のフローチャートを参照して説明する。先ず、パター
ンモデル、ロケーションモデル等は補助記憶装置３４に
格納されており、必要に応じてＲＡＭ３２に転送され
る。また、入力画像（処理対象の画像データ）は、撮像
装置３５により取得され、ＲＡＭ３２に格納されている
ものとする。
２のフローチャートを参照して説明する。先ず、パター
ンモデル、ロケーションモデル等は補助記憶装置３４に
格納されており、必要に応じてＲＡＭ３２に転送され
る。また、入力画像（処理対象の画像データ）は、撮像
装置３５により取得され、ＲＡＭ３２に格納されている
ものとする。
【００６０】この場合、ＣＰＵ３１は、入力画像から部
分画像を切り出し（ステップＳ１）、予め用意されてい
る各パターンモデルとマッチングを行い、最も高い一致
度を示すパターンモデルを求める（ステップＳ２）。続
いて、全ての部分画像について、マッチング処理が終了
したか否かを判別し（ステップＳ３）、終了するまでマ
ッチング処理を繰り返す。
分画像を切り出し（ステップＳ１）、予め用意されてい
る各パターンモデルとマッチングを行い、最も高い一致
度を示すパターンモデルを求める（ステップＳ２）。続
いて、全ての部分画像について、マッチング処理が終了
したか否かを判別し（ステップＳ３）、終了するまでマ
ッチング処理を繰り返す。
【００６１】全ての部分画像について、マッチング処理
が終了したとステップＳ３で判断されると、各部分画像
について、確率Ｐpatternと、Ｐlocationと、これらの
積Ｐp attern・Ｐlocationとを求める（ステップＳ４，
Ｓ５、Ｓ６）。続いて、全ての部分画像について、確率
算出処理が終了したか否かを判別し（ステップＳ７）、
終了するまで確率算出処理を繰り返す。
が終了したとステップＳ３で判断されると、各部分画像
について、確率Ｐpatternと、Ｐlocationと、これらの
積Ｐp attern・Ｐlocationとを求める（ステップＳ４，
Ｓ５、Ｓ６）。続いて、全ての部分画像について、確率
算出処理が終了したか否かを判別し（ステップＳ７）、
終了するまで確率算出処理を繰り返す。
【００６２】全ての部分画像について、確率算出処理が
終了したとステップＳ７で判断されると、各局所部分に
ついて、確率Ｐpattern・Ｐlocationを統合し、局所部
分毎の、パラメータ空間内の確率分布を求める（ステッ
プＳ８）。続いて、各局所部分の確率分布が統合され、
最終的な確率分布が求められる（ステップＳ９）。最終
的な確率分布中の確率が最大値を示す位置の座標（α
high，βhigh）及び回転角θhighを入出力装置３６を介
して出力する（ステップＳ１０）。
終了したとステップＳ７で判断されると、各局所部分に
ついて、確率Ｐpattern・Ｐlocationを統合し、局所部
分毎の、パラメータ空間内の確率分布を求める（ステッ
プＳ８）。続いて、各局所部分の確率分布が統合され、
最終的な確率分布が求められる（ステップＳ９）。最終
的な確率分布中の確率が最大値を示す位置の座標（α
high，βhigh）及び回転角θhighを入出力装置３６を介
して出力する（ステップＳ１０）。
【００６３】このような構成とすることにより、処理プ
ログラム及びモデル（又は、これらのモデルを作成する
ためのプログラム等）をフロッピーディスク、ＣＤ−Ｒ
ＯＭ等に格納させておき、必要に応じて補助記憶装置３
４に装着することにより、撮像装置等を備える汎用コン
ピュータを画像処理装置として機能させることも可能で
ある。
ログラム及びモデル（又は、これらのモデルを作成する
ためのプログラム等）をフロッピーディスク、ＣＤ−Ｒ
ＯＭ等に格納させておき、必要に応じて補助記憶装置３
４に装着することにより、撮像装置等を備える汎用コン
ピュータを画像処理装置として機能させることも可能で
ある。
【００６４】なお、上記実施形態では、理解を容易にす
るため、抽出対象物として椅子、局所部分が３つの例を
示したが、抽出対象物、入力画像のサイズ、局所部分の
サイズ及び数などは一切限定されない。
るため、抽出対象物として椅子、局所部分が３つの例を
示したが、抽出対象物、入力画像のサイズ、局所部分の
サイズ及び数などは一切限定されない。
【００６５】また、確率分布の計算式も数８〜数１０に
限定されない。数８〜数１０以外の算出式に基づいて確
率分布を算出してもよい。
限定されない。数８〜数１０以外の算出式に基づいて確
率分布を算出してもよい。
【００６６】また、上記実施例においては、抽出対象物
の画像の変化を制御するパラメータの１つとして回転角
θを採用したが、抽出対象物の画像のサイズ、明るさ、
色の変化等をパラメータとして採用してもよい。この場
合、導入したパラメータに基づいたパターンモデル及び
ロケーションモデルを同様に作成して、マッチング及び
確率算出に使用する。
の画像の変化を制御するパラメータの１つとして回転角
θを採用したが、抽出対象物の画像のサイズ、明るさ、
色の変化等をパラメータとして採用してもよい。この場
合、導入したパラメータに基づいたパターンモデル及び
ロケーションモデルを同様に作成して、マッチング及び
確率算出に使用する。
【００６７】また、抽出対象物は１種類である必要はな
い。複数の抽出対象物の局所画像のモデルをモデル記憶
部１２又はＲＡＭ３２に記憶させておき、これらと入力
画像とを比較して抽出対象物毎に確率分布を求め、最も
高い確率が得られる抽出対象物とその位置を出力するよ
うにしてもよい。
い。複数の抽出対象物の局所画像のモデルをモデル記憶
部１２又はＲＡＭ３２に記憶させておき、これらと入力
画像とを比較して抽出対象物毎に確率分布を求め、最も
高い確率が得られる抽出対象物とその位置を出力するよ
うにしてもよい。
【００６８】
【発明の効果】以上説明したように、この発明の画像処
理装置及び画像処理方法によれば、正確に任意の画像か
ら抽出対象物を抽出し、その位置を判別することができ
る。
理装置及び画像処理方法によれば、正確に任意の画像か
ら抽出対象物を抽出し、その位置を判別することができ
る。
【図１】この発明の一実施形態にかかる画像処理装置の
構成を示す回路ブロック図である。
構成を示す回路ブロック図である。
【図２】回転角θに応じて画像の見え方が変化する様子
を例示する図である。
を例示する図である。
【図３】抽出対象物と局所部分とを示す図である。
【図４】パターンモデルの作成方法を説明する図であ
る。
る。
【図５】ロケーションモデルの作成方法を説明する図で
ある。
ある。
【図６】入力画像の一例を示す図である。
【図７】入力画像から部分画像を切り出す処理を説明す
る図である。
る図である。
【図８】入力画像の座標系と、モデル作成用画像の座標
系との関係を示す図である。
系との関係を示す図である。
【図９】パラメータ空間上の確率分布の一例を模式的に
示す図である。
示す図である。
【図１０】入力画像に含まれる抽出対象物の一部が他の
物体により隠されている事例を示す図である。
物体により隠されている事例を示す図である。
【図１１】画像処理装置の他の構成例を示す回路ブロッ
ク図である。
ク図である。
【図１２】図１１に示す画像処理装置の動作を説明する
ためのフローチャートである。
ためのフローチャートである。
１１・・・画像入力部、１２・・・モデル記憶部、１３・・・マ
ッチング処理部、１４・・・確率算出部、１５・・・局所情報
内統合部、１６・・・局所情報間統合部、１７・・・物***置
決定部、２１・・・局所情報統合部、３１・・・ＣＰＵ、３２
・・・ＲＡＭ、３３・・・ＲＯＭ、３４・・・補助記憶装置、３
５・・・撮像装置、３６・・・入出力装置、３７・・・バス
ッチング処理部、１４・・・確率算出部、１５・・・局所情報
内統合部、１６・・・局所情報間統合部、１７・・・物***置
決定部、２１・・・局所情報統合部、３１・・・ＣＰＵ、３２
・・・ＲＡＭ、３３・・・ＲＯＭ、３４・・・補助記憶装置、３
５・・・撮像装置、３６・・・入出力装置、３７・・・バス
Claims (7)
- 【請求項１】抽出対象物の複数の局所部分のモデルを記
憶するモデル記憶手段と、 画像を入力する画像入力手段と、 前記モデル記憶手段に記憶された各モデルと、前記画像
入力手段の入力画像の各部との一致度を算出するマッチ
ング手段と、 前記マッチング手段により算出された各一致度に基づい
て、抽出対象物の位置の確率分布を求める局所情報統合
手段と、 前記局所情報統合手段により算出された確率分布の中の
確率が最も高い位置を抽出対象物の位置として出力する
出力手段と、 を備えることを特徴とする画像処理装置。 - 【請求項２】前記モデル記憶手段は、撮像環境による変
化をパラメータとして反映した各局所部分の画像のモデ
ルを記憶し、 前記マッチング手段は、前記入力画像から前記局所部分
と同一サイズの部分画像を順次切り出し、各局所部分の
モデルとの一致度を求め、 前記局所情報統合手段は、前記マッチング手段により求
められた一致度を用いて、画像の位置情報を含めたパラ
メータ空間において、抽出対象物の位置の確率分布を求
める、 ことを特徴とする請求項１に記載の画像処理装置。 - 【請求項３】前記局所情報統合手段は、 各部分画像について、前記マッチング手段により各モデ
ルについて算出された一致度を用いて、部分画像毎に、
前記入力画像内の前記抽出対象物の位置の確率の分布を
求める確率算出手段と、 局所部分毎に前記確率算出手段により算出された確率分
布を統合する第１の統合手段と、 前記第１の統合手段により統合された確率分布を統合す
る第２の統合手段と、 より構成されることを特徴とする請求項２に記載の画像
処理装置。 - 【請求項４】前記モデル記憶手段は、抽出対象物の異な
る回転角θに対する各局所部分の画像の変化を、所定の
固有ベクトルで表した固有空間で、曲線として表現する
第１のモデルと、抽出対象物の異なる回転角θに対する
各局所部分の位置を曲線で表現する第２のモデルと、を
記憶し、 前記マッチング手段は、前記画像入力手段により入力さ
れた画像の各部の画像を前記固有空間に射影した時に、
射影点と前記第１のモデルの曲線との距離から第１のモ
デルとの一致度を算出し、 前記統合手段は、入力画像の各部の画像について、前記
マッチング手段により第１のモデルについて算出された
一致度に基づいて、第１の確率分布を設定し、対応する
第２のモデルに基づいて第２の確率分布を設定し、前記
第１と第２の確率分布を乗算し、乗算により得られた部
分画像毎の確率分布を統合する、 ことを特徴とする請求項１、２又は３に記載の画像処理
装置。 - 【請求項５】前記局所情報統合手段は、位置と回転角θ
をパラメータとするパラメータ空間上の確率分布を求
め、 前記出力手段は、最も高い確率が得られた位置情報と回
転角θを出力する、 ことを特徴とする請求項４に記載の画像処理装置。 - 【請求項６】前記モデル記憶手段は、複数の抽出対象物
の局所部分の画像のモデルを記憶し、 前記局所情報統合手段は、各抽出対象物の位置の確率分
布を求め、 前記出力手段は、最も高い確率が得られた抽出対象物と
その位置を示す情報を出力する、 ことを特徴とする請求項１乃至５のいずれか１つに記載
の画像処理装置。 - 【請求項７】画像を入力する画像入力ステップと、 予め用意された抽出対象物の複数の局所部分のモデルと
前記画像入力ステップにより入力された画像の各部との
一致度を算出するマッチングステップと、 マッチングステップにおいて算出された一致度に基づい
て、抽出対象物の位置の確率分布を求める確率算出ステ
ップと、 前記確率算出ステップにより算出された確率分布を統合
する統合ステップと、 前記統合ステップにより統合された確率分布中の最も確
率が高い位置を抽出対象物の位置として出力する出力ス
テップと、 を備えることを特徴とする画像処理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7169039A JPH0921610A (ja) | 1995-07-04 | 1995-07-04 | 画像処理装置及び画像処理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7169039A JPH0921610A (ja) | 1995-07-04 | 1995-07-04 | 画像処理装置及び画像処理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0921610A true JPH0921610A (ja) | 1997-01-21 |
Family
ID=15879188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7169039A Pending JPH0921610A (ja) | 1995-07-04 | 1995-07-04 | 画像処理装置及び画像処理方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0921610A (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001101405A (ja) * | 1999-09-30 | 2001-04-13 | Matsushita Electric Ind Co Ltd | 画像認識方法及び画像認識装置 |
| US6999623B1 (en) | 1999-09-30 | 2006-02-14 | Matsushita Electric Industrial Co., Ltd. | Apparatus and method for recognizing an object and determining its position and shape |
| JP2006155594A (ja) * | 2004-11-08 | 2006-06-15 | Toshiba Corp | パターン認識装置、パターン認識方法 |
| JP2008508513A (ja) * | 2004-07-30 | 2008-03-21 | イーグル・ヴィジョン・システムズ・ベスローテン・フェンノートシャップ | 容器を検査する装置及び方法 |
| JP2011210054A (ja) * | 2010-03-30 | 2011-10-20 | Secom Co Ltd | 対象物検知装置及びその学習装置 |
| JP2014135092A (ja) * | 2009-06-18 | 2014-07-24 | Canon Inc | 画像認識方法及び画像認識装置 |
| KR20150108567A (ko) * | 2014-03-18 | 2015-09-30 | 에스케이플래닛 주식회사 | 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체 |
| US9852159B2 (en) | 2009-06-18 | 2017-12-26 | Canon Kabushiki Kaisha | Image recognition method and image recognition apparatus |
| US20220152453A1 (en) * | 2019-03-18 | 2022-05-19 | Nippon Telegraph And Telephone Corporation | Rotation state estimation device, method and program |
-
1995
- 1995-07-04 JP JP7169039A patent/JPH0921610A/ja active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001101405A (ja) * | 1999-09-30 | 2001-04-13 | Matsushita Electric Ind Co Ltd | 画像認識方法及び画像認識装置 |
| US6999623B1 (en) | 1999-09-30 | 2006-02-14 | Matsushita Electric Industrial Co., Ltd. | Apparatus and method for recognizing an object and determining its position and shape |
| US7054489B2 (en) | 1999-09-30 | 2006-05-30 | Matsushita Electric Industrial Co., Ltd. | Apparatus and method for image recognition |
| JP2008508513A (ja) * | 2004-07-30 | 2008-03-21 | イーグル・ヴィジョン・システムズ・ベスローテン・フェンノートシャップ | 容器を検査する装置及び方法 |
| JP4724182B2 (ja) * | 2004-07-30 | 2011-07-13 | イーグル・ヴィジョン・システムズ・ベスローテン・フェンノートシャップ | 容器を検査する方法及び装置 |
| JP2006155594A (ja) * | 2004-11-08 | 2006-06-15 | Toshiba Corp | パターン認識装置、パターン認識方法 |
| JP2016001489A (ja) * | 2009-06-18 | 2016-01-07 | キヤノン株式会社 | 画像認識方法及び画像認識装置 |
| JP2014135092A (ja) * | 2009-06-18 | 2014-07-24 | Canon Inc | 画像認識方法及び画像認識装置 |
| US9852159B2 (en) | 2009-06-18 | 2017-12-26 | Canon Kabushiki Kaisha | Image recognition method and image recognition apparatus |
| US10891329B2 (en) | 2009-06-18 | 2021-01-12 | Canon Kabushiki Kaisha | Image recognition method and image recognition apparatus |
| JP2011210054A (ja) * | 2010-03-30 | 2011-10-20 | Secom Co Ltd | 対象物検知装置及びその学習装置 |
| KR20150108567A (ko) * | 2014-03-18 | 2015-09-30 | 에스케이플래닛 주식회사 | 객체 식별 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체 |
| US20220152453A1 (en) * | 2019-03-18 | 2022-05-19 | Nippon Telegraph And Telephone Corporation | Rotation state estimation device, method and program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859296B (zh) | Smpl参数预测模型的训练方法、服务器及存储介质 | |
| CN110675487B (zh) | 基于多角度二维人脸的三维人脸建模、识别方法及装置 | |
| US10762704B2 (en) | Method for establishing a deformable 3D model of an element, and associated system | |
| US7324670B2 (en) | Face image processing apparatus and method | |
| CN110659582A (zh) | 图像转换模型训练方法、异质人脸识别方法、装置及设备 | |
| KR20210002606A (ko) | 의료 영상 처리 방법 및 장치, 전자 기기 및 저장 매체 | |
| JP6624794B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
| CN109934847B (zh) | 弱纹理三维物体姿态估计的方法和装置 | |
| JP2000306095A (ja) | 画像照合・検索システム | |
| EP3905194A1 (en) | Pose estimation method and apparatus | |
| JP2001067463A (ja) | 異なる視点からの複数のフェイシャル画像に基づき新たな視点からのフェイシャル画像を生成するフェイシャル画像生成装置及び方法並びにその応用装置及び記録媒体 | |
| Ozbay et al. | A hybrid method for skeleton extraction on Kinect sensor data: Combination of L1-Median and Laplacian shrinking algorithms | |
| CN111680573B (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
| JPH0921610A (ja) | 画像処理装置及び画像処理方法 | |
| CN117372604B (zh) | 一种3d人脸模型生成方法、装置、设备及可读存储介质 | |
| JP2000099760A (ja) | ３次元物体モデル生成方法及び３次元物体モデル生成プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| CN112270748B (zh) | 基于图像的三维重建方法及装置 | |
| JPH1115945A (ja) | 画像処理装置及び方法、及び、危険物検出システム及び方法 | |
| Boukamcha et al. | A real-time auto calibration technique for stereo camera | |
| JP7405448B2 (ja) | 画像処理方法及び画像処理システム | |
| JP2020101922A (ja) | 画像処理装置、画像処理方法およびプログラム | |
| Jankó et al. | Registration of an uncalibrated image pair to a 3D surface model | |
| JP7369247B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
| TWI776668B (zh) | 影像處理方法及影像處理系統 | |
| WO2024019032A1 (ja) | 情報処理方法、情報処理装置、及び情報処理プログラム |