[发明专利]识别装置、识别方法以及记录介质

说明书

识别装置(100)的存储部中存储场景识别辞典和骨骼识别辞典，该场景识别辞典将到人物的距离信息所包含的人物的特征、以及通过相互正交的多个基准轴和基于人的骨骼的矢量所成的角确定的场景建立对应，该骨骼识别辞典将与场景对应的距离信息和人物的关节位置建立对应。识别装置(100)在获取到成为对象者的距离信息的识别距离信息的情况下，基于识别距离信息的特征和场景识别辞典，来识别与识别距离信息对应的场景。识别装置(100)基于由场景识别部识别出的场景的识别结果、识别距离信息以及骨骼识别辞典来识别对象者的骨骼。

技术领域

本发明涉及识别装置等。

背景技术

近年来，有基于由距离传感器感测的结果的距离数据(距离图像)或者RGB(RedGreen Blue)图像来创建基于机器学习的辞典，并使用创建的辞典来识别人体的骨骼的技术。

图20是表示以往的骨骼识别系统的一个例子的图。在图20所示的例子中，通过使用距离传感器5a进行感测，从而获取包括对象者6a的距离数据5b，并使用距离数据5b和辞典5c来估计对象者6a的三维骨骼位置6b。辞典5c预先进行机器学习。

此外，如以往技术1所公开那样也公开了从图像数据提取与人体对应的像素，并对提取出的像素的各部分按人体部位进行标签分类，从而推定人体的骨骼模型的技术。

此处，在识别人体的骨骼的情况下，前提是在学习时学习成为识别对象的所有动作，所以如果例如要使用单一的辞典来识别如体操比赛那样复杂、大范围的动作，则识别精度降低了。

作为防止识别精度的降低的技术，有以往技术2。以往技术2是与面部的特征点识别有关的技术。面部的特征点是表示眼睛、鼻子、嘴的位置等的点。以往技术2根据正面、右、左等方向来分割学习数据，并利用分割成的各学习数据进行面部特征点的学习。以下，使用图21以及图22，对以往技术2的一个例子进行说明。

图21是表示根据以往技术2的面部特征点的学习例子的图。根据以往技术2的特征点的学习使用表示预先根据面部的方向分类的图像、和该图像中的面部特征点的教师数据，在每个方向上进行独立的机器学习。由此，限定所输入的面部图像的方向来识别特征点。

在图21所示的例子中，通过使用朝左学习图像和面部特征点的教师数据1a来学习朝左面部图像的特征点，从而获得朝左用识别器2a。通过使用朝向正面学习图像和面部特征点的教师数据1b来学习朝向正面面部图像的特征点，从而获得朝向正面用识别器2b。通过使用朝右学习图像和面部特征点的教师数据1c来学习朝右面部图像的特征点，从而获得朝右用识别器2c。

图22是表示根据以往技术2的特征点的识别处理的图。如图22所示，以往技术2若接受面部图像3a，则基于面部方向识别器4来识别面部图像3a的方向。以往技术2通过基于方向的识别结果来选择识别器2a～2c中的任意一个识别器，并使用选择出的识别器来识别面部图像3a的特征点，从而获得识别结果3b。这样，在以往技术2中，通过根据面部图像的方向分开使用识别器，从而提高特征点的识别精度。

专利文献1：美国专利申请公开第2010/0197390号说明书

专利文献2：美国专利申请公开第2013/0241833号说明书

非专利文献1：J.Shotton，A.Fitzgibbon，M.Cook,T.Sharp,M.Finocchio，R.Moore，A.Kipman,A.Blake“Real-time human pose recognition in parts from asingle depth image,”CVPR，pp.1297-1304,2011.

非专利文献2：M.Dantone,J.Gall,G.Fanelli and L.Van Gool,Real-timefacial feature detection using conditional regression forests,”CVPR,pp.2578-2585,2012.