识别设备和方法、程序及记录介质技术

本发明专利技术提供了一种识别设备和方法，程序及记录介质。提取从输入图像获得的预定特征点。利用霍夫变换获得指示确定包括在输入图像中的预定图形的轨迹并且对应于特征点的图像。利用由使用多个特征量的统计学习生成的鉴别器，根据所述多个特征量，从输入图像中检测识别目标对象，所述多个特征量是从根据包括识别目标对象的学习图像获得的轨迹图像，和根据不包括识别目标对象的学习图像获得的轨迹图像中获得的。

【技术实现步骤摘要】

本专利技术涉及识别设备和方法/程序及记录介质，更具体地说，涉及能够进一步提高与图像识别相关的技术中的抗图像损失和抗噪声等特性的识别设备和方法、程序及记录介质。
技术介绍
过去，利用边缘提取而获得的轮廓特征量一直被用作从图像中检测(识别)对象的主特征量。在这种技术中，利用边缘提取获得的轮廓特征量的各种变形被定义成新的特征量，并进行对象的识别。此外，例如，作为一种有效的机器学习方法，利用boosting的统计学习已被用于各种图像识别任务。例如，称为AdaBoost的统计机器学习方法被认为是一种机器学习方法。在AdaBoost中，利用包括期望检测的目标对象的学习图像，和不包括目标对象的学习图像，生成弱鉴别器(也称为弱学习器)，并且通过结合多个弱鉴别器，构成强鉴别器。 通过利用按照上述方式获得的强鉴别器，能够从任何图像中检测目标对象。此外，例如，提出了一种即使当难以从输入图像中提取轮廓时，如果能够从输入图像中充分提取两个区域的纹理的相似性特征，那么通过利用综合鉴别器，也能够从图像中检测对象的技术(例如，参见日本特开2009-140283号公报)。
技术实现思路
然而，在按照现有技术的利用统计学习的图像识别中，当用作样本的学习图像中的待识别对象的一部分隐藏在另一个对象之后时，难以恰当地学习待识别对象的特征点。此外，例如，当从用作样本的学习样本中提取边缘，并对特征点进行统计学习时， 取决于照相机的性能、图像的对比度和噪声的大小等，可能从相同对象提取出不同的边缘。 这种情况下，即使当使用利用统计学习获得的鉴别器时，也难以恰当地识别目标对象。如上所述，与按照现有技术的利用统计学习的图像识别相关的技术存在难以提高抗图像损失和抗噪声等的特性的问题。鉴于上面所述而提出了本技术，理想的是能够进一步提高与图像识别相关的技术中的抗图像损失及抗噪声等的特性。按照本技术的一个实施例，提供一种识别设备，包括霍夫变换单元，其对输入图像进行霍夫变换，和检测单元，利用由使用多个特征量的统计学习生成的鉴别器，根据所述多个特征量，从输入图像中检测识别目标对象，所述多个特征量是从通过对包括识别目标对象的学习图像进行霍夫变换而获得的数据，和通过对不包括识别目标对象的学习图像进行霍夫变换而获得的数据中获得的。所述霍夫变换单元利用霍夫变换，获得轨迹图像，轨迹图像是其中显示用于确定包括在输入图像中的预定图形的轨迹并且对应于特征点的图像，检测单元利用由使用多个特征量的统计学习生成的鉴别器，根据所述多个特征量，从输入图像中检测识别目标对象， 所述多个特征量是从根据包括识别目标对象的学习图像获得的轨迹图像，和根据不包括识别目标对象的学习图像获得的轨迹图像中获得的。所述识别设备还包括特征点提取单元，其提取从输入图像中获得的预定特征点。 所述特征点提取单元从通过对输入图像执行预定过滤处理而获得的边缘图像中提取特征点，通过进行霍夫变换而获得的数据包括其中显示用于确定包括在边缘图像中的预定图形的轨迹的图像的数据。所述识别设备还包括特征点提取单元，其提取从输入图像中获得的预定特征点， 所述特征点提取单元从如下图像中提取所述特征点，在所述图像中，通过对所述输入图像执行预定过滤处理而获得的边缘图像的像素值被以预定的阈值判定二值化，而且所述边缘图像的边缘被细化。所述霍夫变换单元利用霍夫变换，获得轨迹图像，轨迹图像是其中显示用于确定包括在输入图像中的预定图形的轨迹，并且所述轨迹对应于特征点的图像，轨迹图像包括其中显示通过在参数空间中对特征点投票而获得的轨迹的图像，在所述参数空间中，表示预定图形的公式的每个参数被用作轴。霍夫变换单元利用霍夫变换，获得轨迹图像，轨迹图像是其中显示用于确定包括在输入图像中的预定图形的轨迹，并且所述轨迹对应于特征点的图像，所述霍夫变换单元利用与极坐标相关的函数，确定预定图形，并且利用霍夫变换，获得对应于特征点的轨迹数据。按照本技术的另一个实施例，提供一种识别方法，包括利用霍夫变换单元对输入图像进行霍夫变换，和用检测单元利用由使用多个特征量的统计学习生成的鉴别器，根据所述多个特征量，从输入图像中检测识别目标对象，所述多个特征量是从通过对包括识别目标对象的学习图像进行霍夫变换而获得的数据，和通过对不包括识别目标对象的学习图像进行霍夫变换而获得的数据中获得的。按照本技术的另一个实施例，提供一种使计算机起以下作用的程序霍夫变换单元，其对输入图像进行霍夫变换，和检测单元，利用由使用多个特征量的统计学习生成的鉴别器，根据所述多个特征量，从输入图像中检测识别目标对象的检测单元，所述多个特征量是从通过对包括识别目标对象的学习图像进行霍夫变换而获得的数据，和通过对不包括识别目标对象的学习图像进行霍夫变换而获得的数据中获得的。按照本技术的实施例，对输入图像进行霍夫变换，利用由使用多个特征量的统计学习生成的鉴别器，根据所述多个特征量，从输入图像中检测识别目标对象，所述多个特征量是从通过对包括识别目标对象的学习图像进行霍夫变换而获得的数据，和通过对不包括识别目标对象的学习图像进行霍夫变换而获得的数据中获得的。按照本技术的实施例，能够进一步提高与图像识别相关的技术中的抗图像损失以及抗噪声等的特性。附图说明图I是图解说明按照现有技术的图像识别系统的结构例子的方框图2是图解说明在图I中例示的鉴别器生成单元的更详细结构例子的方框图3是图解说明通过在参数空间中，对直线上的特征点投票而获得的轨迹的例子的示图4是说明利用极坐标表示直线的例子的示图5是图解说明通过在参数空间中，对直线上的特征点投票而获得的轨迹的另一个例子的示图6是图解说明霍夫变换中的输入图像的例子的示图7是图解说明提取图像的边缘的过滤器的结构例子的示图8是图解说明从图6的图像中获得的边缘图像的例子的示图9是图解说明通过使图8的边缘图像的像素值二值化而获得的图像的例子的示图10是图解说明通过使图9的图像的边缘细化而获得的图像的例子的示图11是图解说明通过作为特征点，在参数空间中对图10的图像的像素投票而获得的轨迹的例子的示图12是图解说明按照本技术的图像识别系统的实施例的结构例子的方框图13是说明图12中例示的学习设备的学习处理的例子的流程图14是说明图12中例示的识别设备的对象检测处理的例子的流程图15是说明利用霍夫变换检测圆的例子的示图16是图解说明个人计算机的结构例子的方框图。具体实施方式下面参考附图，说明本技术的实施例。首先，说明按照现有技术的与利用统计学习的图像识别相关的技术。图I是图解说明按照现有技术的图像鉴别系统的一个实施例的结构例子的方框图。图像鉴别系统包括学习设备11、鉴别器记录单元12和识别设备13。图像鉴别系统提供识别输入图像中的存在识别目标对象的图像的区域的功能。当识别设备13进行根据输入的学习图像鉴别图像中的识别目标对象的存在与否的处理时，使用学习设备11。学习设备11生成鉴别特征量和综合鉴别器，并把鉴别特征量和综合鉴别器记录在鉴别器记录单元12中。识别设备13利用记录在鉴别器记录单元12 中的鉴别特征量和综合鉴别器，鉴别在输入图像中是否存在识别目标对象的图像，然后输出鉴别结果。学习设备11包括特征点提取单元21，特征量计算单元22，鉴别器生成单元23和综合鉴别器生成单元27。特征点提取单元2本文档来自技高网...

【技术保护点】
一种识别设备，包括：霍夫变换单元，其对输入图像进行霍夫变换；和检测单元，利用由使用多个特征量的统计学习生成的鉴别器，根据所述多个特征量，从所述输入图像中检测识别目标对象，所述多个特征量是从通过对包括所述识别目标对象的学习图像进行霍夫变换而获得的数据，和通过对不包括所述识别目标对象的学习图像进行霍夫变换而获得的数据中获得的。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：长谷川雄一，
申请(专利权)人：索尼公司，
类型：发明
国别省市：