专利名称：图像分类装置、图像分类方法、程序、记录介质、集成电路、模型制作装置的制作方法
技术领域：
本发明涉及制作用来将图像分类的模型数据的技术。
背景技术：
近年来,例如将被摄体像摄 像的DSC (Digital Still Camera)及单反照相机、还有便携电话照相机及数字摄影机广泛地普及，能够进行轻松的照片摄影。此外，图像数据保存用的记录介质的大容量化不断发展。因此，即使是个人用户也能够拥有庞大的量的图像内容，支援对图像赋予标签等的分类、以便能够高效率地找到希望的图像的技术受到关注。例如，有使用面部对照技术对图像追加人物的姓名标签的技术(例如参照非专利文献I)、及支援面部图像的登录的技术(例如参照专利文献I)。此外，有通过从用户接受关于分类的结果的适当与否及分类对象的支持来进行图像分类的技术。例如，在专利文献2中，在图像检索时，从用户接受关于适合/不适合的反馈，通过基于该反馈将学习模型更新，实现了符合用户的意图的检索。此外，在专利文献3中，将预先设定的含糊的关键字与用户设定的具体的关键字组合来对图像赋予标签。在先技术文献专利文献专利文献I :特开2009 - 31991号公报专利文献2 :特开2008 - 276775号公报专利文献3 :特开2010 — 67014号公报非专利文献非专利文献I :Google, “在Picasa网页相册中追加姓名标签”，[online],[2010/10/30 阅览],因特网〈URL:http://picasa. google, com/support/bin/answer. py hl=jp&answer=93973>非专利文献2:Itti L’Koch C, Niebur E著,“A model of saliency-based visualattention for rapid scene analysis，，，IEEE, 1998 年(Vol. 20，No. 11，pp. 1254 — 1259)
发明概要发明想要解决的课题在上述以往的技术中，关于面部等典型的对象物的分类在某种程度上是有用的，但不适合于面部以外的各种各样的对象物的分类。此外，由于有在图像中摄入有各种各样的对象物的情况，所以当从用户受到支持而进行图像的分类时，难以推测用户真正将哪个对象物考虑作图像分类的主体。
发明内容
本发明是基于这样的背景做出的，目的是提供一种图像分类装置，在用于图像的分类的模型数据的制作中，通过推测用户想要分类的兴趣对象，能够有利于制作更适当的模型数据。用于解决课题的手段有关本发明的图像分类装置，使用模型数据将图像分类，其特征在于，具备受理机构，从用户受理图像的选择，该选择是从储存的多个图像中对图像的选择；第I提取机构，提取受理的图像各自的第I特征量；确定机构，按每个上述受理的图像，从上述多个图像中确定关联的关联图像；第2提取机构，提取所确定的关联图像各自的第2特征量；算出机构，基于提取的第I特征量及第2特征量的局部性，算出表示受理的图像的对象物所特有的特征的第3特征量；模型制作机构，基于算出的第3特征量制作模型数据。
发明效果根据有关本发明的图像分类装置，特别是可以期待第3特征量反映了用户想要分类的兴趣对象，能够有利于制作更适当的模型数据。
图I是实施方式I的图像分类装置I的功能框图。图2是表示图像分类装置I进行的处理的流程的流程图。图3是n画面的例子。图4是表示图像元数据的表。图5是表示图像的特征量信息的表。图6是表示通过时间序列的事件判断确定关联图像的状况的图。图7是表示算出选择图像所特有的特征量的处理的详细情况的流程图。图8是图像的中央和周边的示意图。图9是表示处于选择图像的中央的登录对象与关联图像群的匹配的例子的图。图10是表示处于选择图像的周边的背景物与关联图像群的匹配的例子的图。图11是模型数据的一例。图12是实施方式2的图像分类装置2的功能框图。图13是表示标准特征的计算处理的流程图。图14是表示标准性判断处理的流程图。图15是表不标准性信息的表。图16是实施方式3的图像分类装置3的功能框图。图17是n画面的例子。图18是表示已登录模型数据的修正处理的流程图。图19是图像内的颜色统计图的示意图。图20是图像分类装置4的功能框图。图21是模型制作装置5的功能框图。图22是利用区域分割算出选择图像所特有的特征的示意图。图23是表示主区的例子的图。
图24是表示算出选择图像所特有的特征量的处理的详细情况的流程图。图25是表示基于云的服务器等的图。
具体实施例方式以下，参照附图对实施方式进行说明。(实施方式I)实施方式I在将图像及运动图像数据群整理的图像分类装置中，基于由用户选择的图像制作模型数据。并且，在该制作时，算出由用户选择的图像所特有的特征量，将算出的特有的特征量用于模型数据的制作。由此，制作符合用户的意向的模型数据，在使用该模型数据的分类时能够得到用户的满意度较高的分类结果。如图I所示，图像分类装置I具备本地数据储存部10、选择受理部12、特征量信息 提取部14、特有特征量算出部16、关联图像确定部22、特征量信息提取部24、模型学习部
30、模型储存部32、分类部34、图像显示部36。本地数据储存部10存储在家庭内等由用户处理的本地的数据。作为本地的数据的例子，可以有用户将家人、宠物、各种物体或风景等摄影的照片图像及用户摄影的运动图像数据等。以下，取照片图像为例进行说明。另外，作为本地数据储存部10的硬件，例如由HDD (Hard Disk Drive)、DVD(Digital Versatile Disc)等大容量盘介质、或半导体存储器等存储设备等的各种记录介质构成。选择受理部12从用户受理从本地数据储存部10储存的图像中对图像的选择。例如与“请选择拍摄有想要作为模型登录的物体的图像”等的消息一起，将包括各种物体的图像的一览显示在显示器上。并且，从用户受理从所显示的图像中对包含用户想要作为模型登录的物体的图像的选择。另外，作为用来受理该选择的输入设备的例子，有触摸屏及鼠标等。特征量信息提取部14以选择受理部12受理了选择的图像为对象提取特征量信
肩、O作为特征量信息的种类，有(I)元数据类、(2)关键点描述符类、(3)指定物体识别类的3种。另外，在本实施方式中，说明该3种全部，但并不一定是必须的，也可以使用一部分。作为(I)的元数据类的例子，是包含在作为图像的元数据的Exif (Exchangeableimage fie format)中的各种信息。具体而言，是摄影日期时间、表示经度/纟韦度的GPS(Global Positioning System)信息、各种摄影时的照相机参数、摄影方式信息等。此外,上述照相机参数例如是进行摄影时的明亮度的调整的ISO (InternationalOrganization for Standardization)感光度、曝光时间、快门速度、用来调整摄影时的颜色平衡的白平衡(WB)等。另外，上述摄影方式(mode)信息有将在一般的数码相机中使用的照相机参数的各种设定组合而成的方式(例如，夜景、烹饪、运动的方式)。作为(2)的关键点描述符类的例子,可以举出SIFT (Scale-Invariant FeatureTransform)、SURF(Speeded Up Robust Features)>HOGCHistogram oforiented Gradient)等的使用关键点描述符的类型的局部特征量。所谓SIFT，是根据边缘、颜色及纹理等的低次特征量以特征性的点为中心表现区域特征量的特征量描述符。HOG是表示物体的形状特征的特征量描述符。关于它们的具体的方法，例如关于记载在专利文献(特开2008 — 250444号公报)中那样的实用化的面部检测装置、人体检测及一般物体检测，详细地记载在藤吉弘亘著的“基于梯度(Gradient)的特征提取一 SIFT和HOG —”(信息处理学会研究报告CVM 160，pp. 211 — 224,2007)中。作为(3)的指定物体识别类的例子，可以举出用来识别图像内的指定物体(面部、人、其他各种物体)的信息(表示指定物体识别的信息)。关联图像确定部22按选择受理部12受理了选择的每个图像(以下，有时称作“选择图像”)，从本地数据储存部10内的图像中确定关联的图像(以下，有时称作“关联图像”)。 作为确定方法，使用(I)时间性的关联、(2)地理性(场所性)的关联、(3)摄影模式的关联这些要素的某个或组合来进行。首先，对于(1)，确定摄影日期时间与选择图像接近的图像作为关联图像。接着，对于(2)，确定在地理上关联的图像。例如确定经度/纬度与选择图像接近的图像作为关联图像。最后，对于(3)，确定摄影模式(pattern)关联的图像。作为摄影模式的例子，有ISO感度、曝光时间、快门速度、白平衡(WB)的有无等的关于摄影条件的信息、还有关于摄影的构图的信息等。另外，对于上述(1)、(2)，可以基于事件的相同性进行判断。例如，可以基于摄影时间及摄影场所的类似性将多个图像作为相同的事件处理、将与选择图像相同的事件的图像确定为关联图像。决定该事件的方法，可以使用一般性的方法，例如可以使用在John C. Platt等著的“photo T0C:Auto Clustering for Browsing Personal Photographs，， (Fourth IEEEPacific Rim Conference on Multimedia 2003)中记载的方法。特征量信息提取部24以关联图像确定部22确定的关联图像为对象提取特征量信息。提取的信息的内容与特征量信息提取部14是同样的，所以省略说明。特有特征量算出部16按照选择受理部12受理了选择的图像，使用各图像的特征量信息和该关联图像的特征量信息进行特征量彼此的对照，例如根据特征量的一致及不一致的几何学的出现模式(局部性)，算出选择图像所特有的特征量。详细在后面叙述，但该特有的特征量表示在拍摄在选择图像中的对象物中类推为用户想要登录的对象物的特征量。例如，假设用户想要登录的对象是用户饲养的猫“球球”。并且，在由该用户选择了多个拍摄有“球球”的图像的情况下，特有特征量算出部16算出该猫“球球”所特有地呈现的特征量。模型学习部30使用由特有特征量算出部16算出的特有的特征量制作模型数据，将制作的模型数据保存到模型储存部32中。模型数据的制作方法例如可以考虑以下的两个方法。作为第I方法，将图像的特征量与进行了各特征量的重要性等的加权的结果原样作为模型数据。该第I方法在选择图像的张数较少的情况下是优选的。
作为第2方法，使用作为机械学习方法的分类器制作。例如，使用作为分类器周知的 GMM (Gaussian mixture model)及 SVM (Support Vector Machine)等制作。该第 2 方法是统计学的途径，所以在选择图像的张数以某种程度较多的情况下是优选的。因此，也可以是，在选择图像的张数比规定值小的情况下使用第I方法，如果为规定值以上则切换为第2方法。分类部34作为预先按例如面部等的应分类的每个模型准备的分类基准数据，将模型储存部32储存的模型数据设置到分类器中，输入从本地数据储存部10的图像群提取的特征量而进行适合判断处理，进行作为输入数据的图像适合于哪个模型数据的判断处理。在该判断处理中，也可以判别分类项目并输出作为判别可靠度的似然性。这里，似然性一般值越大则意味着可靠度越高。图像显示部36将与登录模型的识别符(例如，名称、图标或图像)一致的图像群显 示在显示器上。作为显示的一例，可以考虑将与“球球”一致的图像群与“与‘球球’的登录模型一致的图像如下。”的消息一起显示。另外，在将似然性与各图像建立了关联的情况下，也可以限定于具有一定阈值以上的似然性的图像而显示。接着，对从用户受理图像的选择、算出受理的图像所特有的特征量、基于算出的特征量制作模型数据这样的图像分类装置进行的处理的流程进行说明。如图2的流程图所示，选择受理部12显示本地数据储存部10储存的图像的一览，从用户受理从显示的图像中对包含用户想要作为模型登录的物体的图像的选择(S21)。在图3中表示该步骤S21的UI (用户界面)画面的例子。图3 (a)、图3 (b)是表示用户选择包含宠物(猫“球球”)的图像的n画面的图。在图3 Ca)中，在触摸屏显示器的显示画面37中，在下部的框37a内显示存储在本地数据储存部10中的图像的一览。通过用户用手指将下部的框37a内的图像向上部的框33内拖拽，能够选择图像。在图3 (b)中，在显示器的显示画面38上，将存储在本地数据储存部10中的图像的一览显示在框38a内。将复选框38b与显示的各图像建立了对应。用户通过将鼠标光标38c重叠在复选框38b的坐标上并点击,能够选择开启/关闭。图3 (a)、图3 (b)都为，如果受理“登录” 37c、38d按钮的选择，则将在该时刻处于选择状态的图像确定为选择图像。如果这样的图像的选择的受理结束，则特征量信息提取部14对受理的图像分别提取特征量信息(S22)。这里提取的特征量信息如以上所述，有(I)元数据类、(2)关键点描述符类、(3)指定物体识别类的3种。关于元数据类，使用图4进行说明。图4的表40表示与“图像数据号码”41对应的“图像元数据”42的内容。在本地数据储存部10中，这样按每个图像赋予Exif形式的元数据而管理。特征量信息提取部14通过将这样的元数据解析，从表40中提取选择图像(例如“ID3”)的“摄影日期时间”42&、“纬度一经度”4213、“150”42(3、“曝光时间”42(1、“18”426。使用图5对关键点描述符类和指定物体识别类进行说明。图5的表50表示与“图像数据号码”51对应的“特征量信息”52的内容。“颜色I 颜色3” 52a是表示代表性的3色(例如，YUV或RGB)的颜色统计图的。RGB及YUV的格式、以及RGB与Y UV之间的变换可以使用一般的方法。“局部I 局部3”52b作为以纹理等的低维特征量或特征性的点为中心表示局部区域的特征或表示物体的形状的高维特征量而示出其值。具体而言，将关键点描述符类的SIFT、SURF及HOG等的特征量用矢量形式表示。在图5中，局部的数量简化为局部I 局部3的3维，但在现实上可以表示为更多维(例如，SIFT的128维等)。“面部一面部数”52c是指定物体识别类的特征量。表示拍摄在对应的图像内的“面部”的有无和有面部时的“面部数”。另外，在图5中仅单纯地表示“面部”的有无，但也可以使用一般的面部识别技术识别到“面部”是谁。此外，也可以考虑利用根据人的服装的颜色及形状、人检测信息确定人的信息。此外，并不限于人，也可以利用以车检测及狗或猫等宠物检测为代表那样的物体识别技术的结果。进而，并不限于生物，也可以识别建造物或家具等的物体，也可以利用将拍摄在图像内的字符串进行光学文字识别(OCR Optical Character Recognition)的结果作为特征量信息。如果结束特征量的提取，则进入到根据受理的图像确定关联图像并提取特征量的循环处理(S23 S25)。另外，步骤S23的“i :l，l，n”表示变量名i、初始值I、增量I、终值n (选择图像的
张数)。关联图像确定部22确定图像i的关联图像(S24)。这里，对基于事件的相同性确定的例子进行说明。假设该事件是将摄影间隔为5分钟以内的连续的图像群作为相同的事件处理的规则。如果这样，则如图6所示，在2010/5/5摄影的“ID1” “ID7”的7张图像群中，在选择图像“ID3”的摄影日期时间14:15前后，摄影间隔为5分钟以内的连续的图像群“ID2” “ID6”的5张为相同的事件。在该例的情况下，关联图像确定部22确定“102”、“104”、“105”、“106”的4张图像作为“ID3”的关联图像。如果结束步骤S24，则特征量信息提取部24对关联图像分别提取特征量(S25)。关于该提取的方法及内容，与步骤S22是同样的，所以省略说明。另外，在图6所例示的关联图像的情况下，特征量信息提取部24对“ID2”、“ID4”、“ID5”、“ID6”的4张图像分别提取特征量。图像分类装置I将这样的步骤S24、S25的处理按每个选择图像重复。接着，特有特征量算出部16基于在步骤S22中提取的各选择图像的特征量、在步骤S25中提取的各关联图像的特征量，提取选择图像所特有的特征量(S26)。关于该步骤S26的详细情况，使用图7 图10进行说明。
首先，特有特征量算出部16按每个选择图像，以该选择图像和其关联图像为对象进行匹配处理(S71)。在接着的步骤S72、S73中，基于特征量的局部性区分处理。即，将处于图像的中央的一致点的特征量作为正标本学习(提高受理的图像中的一致点的特征量的加权)，将处于图像的周边的一致点的特征量作为负标本学习(降低受理的图像中的一致点的特征量的加权)。将该图像的中央和周边的例子表示在图8中。在图9中表示步骤S72的具体例。图9 (a)表示选择图像“ID3”，图9 (b)表示选择图像“ ID3”的关联图像“ ID2”、“ID4”、“ID5”、“ID6”。关联图像“102”、“104”、“105”、“106”包括以各种各样的比例尺、各
种各样的角度摄影的登录对象。在图9中，在图像内以一定的像素间隔(例如，20pixel)以栅格状配置有圆点。该 圆点表示以SIFT等局部特征量为提取的对象的场所。特别是，关联图像中的黑色的圆点 表示与选择图像的登录对象的特征量一致的一致点。相对于此，关联图像中的白色的圆点表示特征量不一致的不一致点。在图9中，特别在选择图像“ID3”与作为关联图像之一的“ID2”之间将一致点彼此用线段连结表示。如该图9的例子所示，如果算出一致的特征量在图像内的平均的存在位置，则容易在中央附近呈现一致点。具体而言，有以下的3个趋势。第一，在相同用户具有的摄影数据内的相同事件内拍摄相同对象的可能性较高，所以一致程度高的关联图像群包含与选择图像相同的被摄体的可能性高。第二，在作为用户的选择图像包含的特征与关联图像群的特征量的一致作为几何学的形状而具有一定的类似性的情况下，能够将在该类似形状中一致的特征量判断为登录对象所特有的特征。能够将判别出的几何学的类似形状也作为特有的特征使用。第三，在关联图像群中包含登录对象的情况下，由于该对象是用户的喜好的对象，所以在图像内的中央附近摄影的可能性高。因此，通过求出一致特征点的平均的出现位置和方差，在能够判断为该位置是中央附近的情况下，将该特征作为登录对象所特有的特征进行加权是妥当的。<权重(weight)的算出例>这里，对于具体的加权的算出方法说明一例。作为特有的特征量的权重(weight)的算出方法，例如在选择图像是N张的情况下，在某个特征量A在M张的图像内为一定阈值以上的一致程度的情况下，将特征量A的权重用M/N算出。一致程度可以用特征量成分的差的平方和等得出。通过设定为使得越是在选择图像内较多存在的特有的特征量则使权重越高，能够提高分类精度。此外，设特征量A在图像X与y之间的一致程度为Sx,y，设全部图像间的一致程度的总和为SS，也可以考虑将权重如下算出[数式I]
权利要求
1.一种图像分类装置，使用模型数据将图像分类，具备 受理机构，从用户受理图像的选择，该选择是从储存的多个图像中对图像的选择； 第I提取机构，提取受理的图像各自的第I特征量； 确定机构，按每个上述受理的图像，从上述多个图像中确定关联的关联图像； 第2提取机构，提取被确定的关联图像各自的第2特征量； 算出机构，基于提取的第I特征量及第2特征量的局部性，算出表示受理的图像的对象物所特有的特征的第3特征量；以及 模型制作机构，基于算出的第3特征量制作模型数据。
2.如权利要求I所述的图像分类装置，其特征在于， 上述算出机构按每个受理的图像，将该图像的上述第I特征量与该图像的关联图像的第2特征量进行对照，由此算出上述第3特征量。
3.如权利要求2所述的图像分类装置，其特征在于， 上述第I提取机构所提取的上述第I特征量及上述第2提取机构所提取的上述第2特征量，是关于作为提取对象的图像内的多个区域中的各个区域的特征量。
4.如权利要求3所述的图像分类装置，其特征在于， 上述算出机构在上述对照时，如果与图像内的中央区域对应的第I特征量与第2特征量一致，则提高受理的图像的一致点处的第I特征量的加权，如果与图像内的不是上述中央区域的区域对应的第I特征量与第2特征量一致，则降低受理的图像的不一致点处的第I特征量的加权，来算出上述第3特征量。
5.如权利要求3所述的图像分类装置，其特征在于， 上述局部特征量是表示示出关键点描述符、边缘特征量及指定物体识别的信息中的至少一个信息的量。
6.如权利要求3所述的图像分类装置，其特征在于， 上述算出机构基于对上述受理的图像及上述关联图像分别附加的元数据，决定受理的图像的主区； 在上述对照时，如果与决定的主区对应的第I特征量与第2特征量一致，则提高受理的图像的一致点处的第I特征量的加权，如果与图像内的不是上述主区的区域对应的第I特征量与第2特征量一致，则降低受理的图像的不一致点处的第I特征量的加权，来算出上述第3特征量。
7.如权利要求3所述的图像分类装置，其特征在于， 上述局部特征量是颜色统计图； 上述算出机构在上述对照之前，按每个上述受理的图像，将图像的颜色分布与该图像的关联图像的颜色分布比较，从上述对照的对象中，排除与比较的结果为颜色分布不一致的关联图像的区域对应的第2特征量。
8.如权利要求2所述的图像分类装置，其特征在于， 上述第I提取机构及上述第2提取机构在提取之前，分别将上述受理的图像及上述关联图像划分为多个区域，从划分的各个区域中提取上述第I特征量或第2特征量； 由上述算出机构进行的上述对照以划分的区域为单位进行。
9.如权利要求I所述的图像分类装置，其特征在于，上述确定机构按每个上述受理的图像，将属于相同事件的图像群确定为上述关联图像。
10.如权利要求I所述的图像分类装置，其特征在于， 上述确定机构按每个上述受理的图像，将属于相同的摄影模式的图像群确定为上述关联图像。
11.如权利要求I所述的图像分类装置，其特征在于，具备 计算机构，基于构成上述多个图像的图像各自的特征量，计算标准的特征量；以及判断机构，使用计算出的标准的特征量，判断由第I提取机构提取的第I特征量各自的标准性的闻低； 上述算出机构通过对标准性低的第I特征量提高加权，并且对标准性高的第I特征量降低加权，来算出上述第3特征量。
12.如权利要求11所述的图像分类装置，其特征在于， 上述计算机构使用分类器，将上述全部图像各自的特征量分类为具有一定的类似性的特征群，将该特征群内的特征量数量以一定数量或一定频度以上存在的特征量，看作上述标准的特征量。
13.如权利要求11所述的图像分类装置，其特征在于， 上述计算机构以各图像的事件为单位，将上述全部图像各自的特征量分类为特征群，使用该特征群内的特征量数量以一定数量或一定频度以上存在的特征量，计算上述标准的特征量。
14.如权利要求13所述的图像分类装置，其特征在于， 上述事件是基于非摄影时的时间间隔、一定时间内的摄影频度、一定时间内的登场人物数、一定时间内的物体数、一定时间内的登场人物、一定时间内的物体的频度中的至少一个而规定的事件，或者是基于摄影时的照相机参数、摄影场所的地理信息、迁移信息、图像的构图信息、关于图像内的特征量的出现位置的信息中的至少一个而规定的事件。
15.如权利要求I所述的图像分类装置，其特征在于，具备 分类机构，通过判断相对于制作的模型数据的适合性，将上述多个图像分类； 显示机构，显示模型数据的识别符、以及适合于该模型数据的图像群；以及 修正受理机构，针对显示的图像群，受理关于模型数据的修正的内容； 上述模型制作机构基于上述受理机构所受理的内容，将制作的上述模型数据更新。
16.一种图像分类方法，使用模型数据将图像分类，包括 受理步骤，从用户受理图像的选择，该选择是从储存的多个图像中对图像的选择； 第I提取步骤，提取受理的图像各自的第I特征量； 确定步骤，按每个上述受理的图像，从上述多个图像中确定关联的关联图像； 第2提取步骤，提取被确定的关联图像各自的第2特征量； 算出步骤，基于提取的第I特征量及第2特征量的局部性，算出表示受理的图像的对象物所特有的特征的第3特征量；以及 模型制作步骤，基于算出的第3特征量制作模型数据。
17.一种程序，使图像分类装置执行图像分类处理， 上述图像分类处理包括以下各步骤受理步骤，从用户受理图像的选择，该选择是从储存的多个图像中对图像的选择； 第I提取步骤，提取受理的图像各自的第I特征量； 确定步骤，按每个上述受理的图像，从上述多个图像中确定关联的关联图像； 第2提取步骤，提取被确定的关联图像各自的第2特征量； 算出步骤，基于提取的第I特征量及第2特征量的局部性，算出表示受理的图像的对象物所特有的特征的第3特征量；以及 模型制作步骤，基于算出的第3特征量制作模型数据。
18.—种记录介质，记录了使图像分类装置执行图像分类处理的程序， 上述图像分类处理包括以下各步骤 受理步骤，从用户受理图像的选择，该选择是从储存的多个图像中对图像的选择； 第I提取步骤，提取受理的图像各自的第I特征量； 确定步骤，按每个上述受理的图像，从上述多个图像中确定关联的关联图像； 第2提取步骤，提取被确定的关联图像各自的第2特征量； 算出步骤，基于提取的第I特征量及第2特征量的局部性，算出表示受理的图像的对象物所特有的特征的第3特征量；以及 模型制作步骤，基于算出的第3特征量制作模型数据。
19.一种集成电路，使用模型数据将图像分类，具备 受理机构，从用户受理图像的选择，该选择是从储存的多个图像中对图像的选择； 第I提取机构，提取受理的图像各自的第I特征量； 确定机构，按每个上述受理的图像，从上述多个图像中确定关联的关联图像； 第2提取机构，提取被确定的关联图像各自的第2特征量； 算出机构，基于提取的第I特征量及第2特征量的局部性，算出表示受理的图像的对象物所特有的特征的第3特征量；以及 模型制作机构，基于算出的第3特征量制作模型数据。
20.一种模型制作装置，具备 受理机构，从用户受理图像的选择，该选择是从储存的多个图像中对图像的选择； 第I提取机构，提取受理的图像各自的第I特征量； 确定机构，按每个上述受理的图像，从上述多个图像中确定关联的关联图像； 第2提取机构，提取被确定的关联图像各自的第2特征量； 算出机构，基于提取的第I特征量及第2特征量的局部性，算出表示受理的图像所特有的特征的第3特征量；以及 模型制作机构，基于算出的第3特征量制作模型数据。
21.—种图像分类方法，在基于云的服务器中，进行使用模型数据的图像的分类，包括 取得步骤，在服务器中，从用户装置取得图像； 储存步骤，在服务器中，储存所取得的图像； 确定步骤，在服务器中，从储存的图像中确定一个图像以及与上述一个图像关联的关联图像； 提取步骤，在服务器中，提取上述一个图像的第I特征量，并提取上述关联图像各自的第2特征量； 算出步骤，在服务器中，基于提取的第I特征量及第2特征量的局部性，算出表示受理的图像的对象物所特有的特征的第3特征量； 建模步骤，在服务器中，基于算出的第3特征量制作模型数据；以及 分类步骤，在服务器中，使用制作的模型数据将储存的图像分类。
全文摘要
图像分类装置提取受理的图像各自的第1特征量(S22)、以及与该图像关联的关联图像各自的第2特征量(S25)。并且，基于提取的第1特征量及第2特征量的局部性，算出表示受理的图像的对象物所特有的特征的第3特征量(S26)，基于算出的第3特征量制作模型数据(S27)。
文档编号G06T7/00GK102741882SQ20118000769
公开日2012年10月17日 申请日期2011年10月6日 优先权日2010年11月29日
发明者上野山努, 小沼知浩, 川西亮一 申请人:松下电器产业株式会社