头部检测方法、头部检测装置、属性判定方法、属性判定装置、程序、记录介质和属性判定系统

摘要

本发明提供了一种快速而准确地检测图像中的头部的头部检测方法。本发明的头部检测方法使用：预备的头部检测模型和确定的头部检测模型，其中所述预备的头部检测模型是利用作为正例的图像和作为反例的图像获得的，该作为正例的图像中的每一个在预先规定的规定图像区中包括头部的至少一部分，该作为反例的图像中的每一个在所述规定图像区中不包括头部，所述确定的头部检测模型是利用作为正例的图像和作为反例的图像获得的，该作为正例的图像中的每一个包括与所述规定图像区中预先规定的位置和尺寸相匹配的头部，该作为反例的图像中的每一个包括与所述规定图像区中预先规定的位置和尺寸中的至少一个不匹配的头部，所述方法包括：图像获取步骤，获取待检测图像；预备的头部检测步骤，裁剪出所述待检测图像的所述规定图像区作为图像片，通过参考所述预备的头部检测模型，从所述待检测图像中检测头部图像；以及确定的头部检测步骤，通过参考所述确定的头部检测模型，从在所述预备的头部检测步骤中获取的多个头部图像中检测所述确定的头部图像。

说明书

技术领域

本发明涉及一种头部检测方法、头部检测装置、属性判定方法、 属性判定装置、程序、记录介质和属性判定系统。

背景技术

使用模式识别来检测图像中的人的技术通过检测例如人脸的器官 (例如，眼睛、鼻子和嘴)、头部和皮肤颜色来实施(例如，参见专利 文档1)。在这种类型的对人的检测中，一般而言，通过以下方式扫描 来判定图像是否是头部等：相对于待检测图像数据(原始图像)细微 地移动预定区域的图像片。上述判定例如通过参考预先获取的学习图 像来实现。

现有技术文档

[专利文档]

[专利文档1]日本专利No.3810943

发明内容

发明要解决的问题

学习可以利用作为头部图像的正例的在图像片中示出了预定位置 和尺寸的头部的图像或者作为头部图像的反例的头部的位置或尺寸不 同于图像片中的预定位置和尺寸的图像来进行。例如，如图7所示， 原始图像(待检测图像)70的尺寸可以渐变，扫描是针对每个尺寸进 行的。在这种情况下，通过缩减原始图像70的尺寸并移动图像片71 来搜索头部，可以检测到各种尺寸的头部。

然而，对于这种方法而言，除非逐渐地移动图像片71，否则可能 会错过头部，但是当细微地移动片时，用于检测的处理时间将增加。 此外，对于原始图像的尺寸而言，除非逐步地缩减原始图像的尺寸， 否则可能会错过头部，但是当逐步地缩减原始图像时，用于检测的处 理时间将增加。

因此，本发明旨在提供一种快速而准确地检测图像中的头部的头 部检测方法、头部检测装置、属性判定方法、属性判定装置、程序、 记录介质和属性判定系统。

解决问题的技术方案

为了实现上述目的，本发明的头部检测方法使用：预备的头部检 测模型和确定的头部检测模型，其中预备的头部检测模型是利用作为 正例的图像和作为反例的图像获得的，作为正例的图像中的每一个在 预先规定的规定图像区中包括头部的至少一部分，作为反例的图像中 的每一个在规定图像区中不包括头部，确定的头部检测模型是利用作 为正例的图像和作为反例的图像获得的，作为正例的图像中的每一个 包括与规定图像区中预先规定的位置和尺寸相匹配的头部，作为反例 的图像中的每一个包括与规定图像区中预先规定的位置和尺寸中的至 少一个不匹配的头部，所述方法包括：

图像获取步骤，获取待检测图像；

预备的头部检测步骤，裁剪出待检测图像的规定图像区作为图像 片，通过参考预备的头部检测模型，从待检测图像中检测头部图像； 以及

确定的头部检测步骤，通过参考确定的头部检测模型，从在预备 的头部检测步骤中获取的多个头部图像中检测确定的头部图像。

本发明的头部检测装置包括：

预备的头部检测模型，利用作为正例的图像和作为反例的图像获 得的，该作为正例的图像中的每一个在预先规定的规定图像区中包括 头部的至少一部分，该作为反例的图像中的每一个在规定图像区中不 包括头部；

确定的头部检测模型，利用作为正例的图像和作为反例的图像获 得的，作为正例的图像中的每一个包括与规定图像区中的预先规定的 位置和尺寸相匹配的头部，作为反例的图像中的每一个包括与规定图 像区中的预先规定的位置和尺寸中的至少一个不匹配的头部；

图像获取单元，获取待检测图像；

预备的头部检测单元，裁剪出待检测图像的规定图像区作为图像 片，通过参考预备的头部检测模型，从待检测图像中检测头部图像； 以及

确定的头部检测单元，通过参考确定的头部检测模型，从预备的 头部检测单元获取的多个头部图像中检测确定的头部图像。

本发明的属性判定方法包括：

头部检测步骤，根据本发明的头部检测方法来检测头部；以及

属性判定步骤，基于头部图像来判定属性。

本发明的属性判定装置包括：

头部检测单元，由根据本发明的头部检测装置来检测头部；以及

属性判定单元，基于头部图像来判定属性。

本发明的程序使得计算机执行本发明的头部检测方法和本发明的 属性判定方法中的至少一个。

本发明的记录介质记录了根据本发明的程序。

本发明的属性判定系统包括：

图像获取单元，获取待检测图像；

预备的头部检测模型，利用作为正例的图像和作为反例的图像获 得的，作为正例的图像中的每一个在预先规定的规定图像区中包括头 部的至少一部分，作为反例的图像中的每一个在规定图像区中不包括 头部；

确定的头部检测模型，利用作为正例的图像和作为反例的图像获 得的，作为正例的图像中的每一个在规定图像区中包括与预先规定的 位置和尺寸相匹配的头部，作为反例的图像中的每一个在规定图像区 中包括与预先规定的位置和尺寸中的至少一个不匹配的头部；

属性判定模型和属性判定规则中的至少一个，用于基于头部图像 来判定属性；

预备的头部检测单元，裁剪出待检测图像的规定图像区作为图像 片，通过参考预备的头部检测模型，从待检测图像中检测头部图像；

确定的头部检测单元，通过参考确定的头部检测模型，从预备的 头部检测单元获取的多个头部图像中检测确定的头部图像。

属性判定单元，基于头部图像来判定属性；以及

输出单元，输出属性判定结果，其中，图像获取单元和输出单元 经由系统外部提供的通信网络与预备的头部检测单元、预备的头部检 测模型、确定的头部检测单元、确定的头部检测模型、属性判定单元、 以及属性判定模型和属性判定规则二者中的至少一个相连。

发明的有益效果

根据本发明，可以提供一种高速而准确地检测图像中的头部的头 部检测方法、头部检测装置、属性判定方法、属性判定装置、程序、 记录介质和属性判定系统。

附图说明

图1A是示出了本发明的头部检测方法的示例(实施例1)的流程 图。

图1B是示出了本发明的头部检测装置的示例(实施例1)的配置 的框图。

图2A至2F是用于说明本发明中获取预备的头部检测模型的示例 的视图。

图3A和3B是用于说明实施例1的头部检测方法中的预备的头部 检测步骤的示例的视图。图3C和3D是用于说明实施例1的头部检测 方法中的确定的头部检测步骤的示例的视图。

图4A是示出了本发明的头部检测方法的另一示例(实施例2)的 流程图。

图4B是示出了本发明的头部检测装置的另一示例(实施例2)的 配置的框图。

图5A是示出了本发明的属性判定方法的示例(实施例3)的流程 图。

图5B是示出了本发明的属性判定装置的示例(实施例3)的配置 的框图。

图5C是示出了实施例3的属性判定装置的另一示例的框图。

图6是示出了使用本发明的属性判定装置的属性判定系统的示例 (实施例5)的配置的框图。

图7是示出了现有技术的检测头部方法的示例的视图。

具体实施方式

接下来，将描述本发明的实施例。这里，应注意，本发明不限于 或约束于以下实施例。在下图1至6中，相同数字和符号指示相同部 件。

[实施例1]

图1A示出了实施例1的头部检测方法的流程图。图1B示出了实 施例1的头部检测装置的框图。如图1B所示，实施例1的头部检测 装置包括图像获取装置(单元)111、计算装置(单元)120、输出装 置(单元)131和数据存储装置(单元)140，作为主要部件。图像获 取装置111电连接至计算装置120。计算装置120电连接至输出装置 131和数据存储装置140。计算装置120包括预备的头部检测装置(单 元)121和确定的头部检测装置(单元)122。预先获取的预备的头部 检测模型141和确定的头部检测模型142存储在数据存储装置140中。 预备的头部检测装置121与预备的头部检测模型141相连。确定的头 部检测装置122与确定的头部检测模型142相连。

图像获取装置111的示例包括电荷耦合器件(CCD)摄像机、互 补金属氧化物半导体(CMOS)摄像机和图像扫描仪。计算装置120 的示例包括中央处理单元(CPU)。输出装置131的示例包括：通过 图像输出数据的监视器(例如，诸如液晶显示器(LCD)和阴极射线 管(CRT)显示器之类的图像显示器)、通过打印输出数据的印刷机 和通过声音输出数据的扬声器。输出装置131是可选部件。优选地， 本发明的头部检测装置包括输出装置131，尽管这并非始终是必要的。 数据存储装置140的示例包括随机存取存储器(RAM)、只读存储器 (ROM)、硬盘(HD)、光盘和软(注册的商标名)盘(FD)。数 据存储装置140可以例如是，内置型或外部型，例如，外部存储设备。 对于图像获取装置、计算装置、输出装置和数据存储装置，同样适用 于以下实施例。

例如，使用如下图1B的头部检测装置实现实施例1的头部检测 方法。

首先，在执行头部检测方法之前，使用机器学习(模式识别)技 术进行学习。具体地，首先，利用作为正例的图像和作为反例的图像 机器学习(模式识别)进行学习，根据用于学习的图像形成预备的头 部检测模型141，作为正例的图像中的每一个在预先规定的规定图像 区中包括头部的至少一部分，作为反例的图像中的每一个在规定图像 区中不包括头部。例如，如图2A所示，在用于学习的图像(示出了 正面面向人的图像)10A中，将图像10a(整个头部)、10b(头部的 右上部)和10c(头部的左半边)分为正例，图像10a、10b和10c中 的每一个在预定尺寸(例如32×32像素)的规定图像区中包括头部的 至少一部分。另一方面，将各自在规定图像区中不包括头部的图像10d (人的肩部)和10e(背部)分为反例。例如，如图2B所示，在用于 学习的图像(示出了背面面向人的图像)10B中，将各自在规定图像 区中包括头部的至少一部分的图像10f(整个头部)和10g(头部的左 半边)分为正例。例如，如图2C所示，在用于学习的图像(以极小 尺寸示出了正面面向人的图像)10C中，各自将在规定图像区中包括 头部的一至少部分的图像10h(整个头部)和10i(头部的左半边)分 为正例。例如，如图2D所示，在用于学习图像(以极大尺寸示出了 正面面向人的图像)10D中，将各自在规定图像区中包括头部的至少 一部分的图像10j(整个头部)和10k(头部的左下部)分为正例。例 如，如图2E所示，在用于学习的图像(以极小尺寸示出了背面面向 人的图像)10E中，将各自在规定图像区中包括头部的至少一部分图 像10m(整个头部)和10n(头部的上半部)分为正例。例如，如图 2F所示，在用于学习的图像(以极大尺寸示出了背面面向人的图像) 10F中，将各自在规定图像区中包括头部的至少一部分的图像10p(整 个头部)和10q(头部的右下部)分为正例。考虑到检测精度，例如， 优选地，示出了侧面面向人等的图像也用作用于学习的图像。此外， 用于学习的图像的数目越多越好。例如，在预备的头部检测模型中， 可以将示出了可能被误认为是头部的事物的这种图像分为反例。例如， 如下机器学习形成预备的头部检测模型141。首先，将头部区正确地 应用于用于学习的图像中的头部，使得不会造成尺寸和位置上的偏差 (注释)。例如，通过人使用诸如键盘、鼠标之类的常规已知输入装 置进行输入来应用头部区。接下来，例如指定可接受范围，如下：将 头部位置处于头部区中的正确位置的图像和头部位置与头部区中的正 确位置偏离不超过50％的图像分类为正例；将头部尺寸在头部区中是 正确尺寸的图像和头部尺寸在头部区中不超过正确尺寸的±30％的图 像分类为正例；等等。然后，程序自动地形成正例来形成预备的头部 检测模型141。

另一方面，利用作为正例的图像和作为反例的图像，通过机器学 习(模式识别)进行学习来形成确定的头部检测模型142，其中，作 为正例的每个图像中的每一个在规定图像区中包括与预先规定的位置 和尺寸相匹配的头部，作为反例的每个图像中的每一个包括与预先规 定的位置和尺寸中的至少一个不匹配的头部。具体地，例如，将头部 几乎位于规定图像区中心以及头部轮廓(尺寸)几乎与规定图像区相 同的图像定义为正例。接下来，在作为形成的预备的头部检测模型141 的正例的图像10a至10c、10f至10k、10m至10n和10p至10q中， 将匹配上述定义的图像(10a和10f)分为正例，将与上述定义不匹配 的图像(10b、10c、10g至10k、10m至10n和10p至10q)分为反例。 按照这种方式，因为例如将各自包括作为预备检测到的头部的图像中 与上述定义不相配的图像集中分为反例，所以不需要相对于包括各自 不含头部的图像在内的所有图像执行学习。因此，可以高效地执行学 习。

接下来，如图1A的流程图所示，执行以下步骤。首先，图像获 取装置111获取待检测图像(步骤S11)。

接下来，预备的头部检测装置121裁剪出待检测图像的规定图像 区，作为图像片，并通过参考预先获取的预备的头部检测模型141， 从待检测图像中检测头部图像(步骤S21)。具体地，例如，如图3A 所示，通过参考预先获取的预备的头部检测模型141，通过沿着水平 方向从待检测图像20的左上端移动图像片21并且顺序地连续向下移 动，通过所谓的光栅扫描来搜索头部图像。在这个示例中，图像片的 行进量(宽度)是整个图像片尺寸的四分之一。结果，例如，如图3B 所示，检测到头部图像21a至21g等。

接下来，确定的头部检测装置122通过参考确定的头部检测模型 142从在预备的头部检测步骤S21中获得的多个头部图像中检测出确 定的头部图像(步骤S22)。具体地，将比包括在预备的头部检测步 骤S21中获得的头部图像21b、21d、21f、21g等(位于图3B左侧的 包括人头部的图像)在内的范围稍大的区域用作输入图像。如图3C 所示，对输入图像进行光栅扫描并缩小输入图像，通过参考确定的头 部检测模型142来从输入图像中检测确定的头部图像22a。此外，将 比包括在预备的头部检测步骤S21中获得的头部图像21a、21c、21e 等(位于图3B右侧的包括人头部的图像)在内的范围稍大的区域用 作输入图像。如图3D所示，对输入图像进行光栅扫描并缩小输入图 像，通过参考确定的头部检测模型142来从输入图像中检测确定的头 部图像22b。

接下来，输出装置131输出头部的检测结果(步骤S31)。输出 步骤S31是可选步骤。优选地，本发明的头部检测方法包括输出步骤 S31，尽管这并非始终是必要的。

在专利文档1中描述的用于检测人的技术中，为了不错过头部， 应该细微地(例如，每1个像素)移动预定区域的图像片来进行扫描， 并且应该逐渐缩减图像的尺寸(例如，×0.95)。这将导致用于检测的 处理时间增加。另一方面，根据实施例1的头部检测方法，首先，从 要检测的图像中检测出各自包括头部的至少一部分的图像，作为预备 的图像。因此，即使当图像片的行进量大(例如，每5个像素)或者 图像尺寸的变化速率大(例如，×0.8)时，也不可能错过头部。因此， 实施例1的头部检测方法可以快速地检测出待检测图像中的候选者。 接下来，在检测为预备的图像的候选头部图像中检测出确定的头部图 像。因此，还可以快速地进行确定的头部检测。因此，实施例1的头 部检测方法可以快速而正确地检测出待检测图像中的头部。对于这些 效果，都适用于下述实施例。

[实施例2]

图4A是示出了实施例2的头部检测方法的流程图。图4B是示出 了实施例2的头部检测装置的框图。如图4B所示，在实施例2的头 部检测装置中，计算装置120包括预备的头部检测装置(单元)(第 一阶段)121-1和预备的头部检测装置(单元)(第二阶段)121-2来 替换预备的头部检测装置121，数据存储装置140中的预备的头部检 测模型141包括第一阶段参考模型141-1和第二阶段参考模型141-2。 预备的头部检测装置(第一阶段)121-1与第一阶段参考模型141-1 相连。预备的头部检测装置(第二阶段)121-2与第二阶段参考模型 141-2相连。除了这些以外，实施例2的其他配置与图1B所示的实施 例1的头部检测装置相同。

例如，使用如下图4B的头部检测装置来实现实施例2的头部检 测方法。

首先，在执行头部检测方法之前，使用机器学习(模式识别)技 术进行学习。即，通过机器学习(模式识别)进行学习来形成包括第 一阶段参考模型141-1和第二阶段参考模型141-2的预备的头部检测 模型141。具体地，例如，首先，在第一阶段参考模型141-1中，按 照与实施例1中的预备的头部检测模型141的形成相同的方式，在图 2A至2F所示用于学习的图像10A至10F中，将各自在预定尺寸的规 定图像区中包括头部的至少一部分的图像10a至10c、10f至10k、10m 至10n和10p至10q分为正例。另一方面，将各自在规定图像区中不 包括头部的图像10d和10e分为反例。接下来，在第二阶段参考模型 141-2中，将满足以下条件的图像定义为正例。条件如下：在其每个 中头部几乎位于规定图像区中心的图像和在其每个中头部偏离规定图 像区中心不超过约50％的图像；在其每个中头部轮廓(尺寸)与规定 图像区的尺寸实质上相同的图像和在其每个中头部尺寸大于规定图像 区尺寸的二分之一的图像。在作为形成的第一阶段参考模型141-1的 正例的图像10a至10c、10f至10k、10m至10n和10p至10q中，将 与上述定义匹配的图像(10a、10c、10f、10h、10i、10m和10n)分 为正例，将与上述定义不匹配的图像(10b、10g、10j、10k、10p和 10q)分为反例。

在本示例中，在第一阶段参考模型中，将各自在用于学习的图像 中包括头部的一至少部分的图像分为正例。然而，本发明不限于此。 例如，可以相对于头部区中的正确位置和尺寸通过指定预定可接受范 围来定义正例。此外，在第二阶段参考模型中，将满足头部位置和头 部尺寸这两方面条件的图像分为正例。然而，本发明不限于此。例如， 可以将满足头部位置和头部尺寸中的一个的图像分为正例。相应地， 在第一阶段参考模型141-1中，例如，可以通过如下指定可接受范围 来定义正例：将其中用于学习的图像中的头部位置在头部区中的正确 位置的图像和在其每个中用于学习的图像中的头部位置在头部区中偏 离正确位置不超过50％的图像分为正例；将其中头部的尺寸是头部区 中的正确尺寸的图像和在其每个中头部的尺寸不超过头部区中的正确 尺寸的±30％的图像分为正例；等等。在第二阶段参考模型141-2中， 例如，可以通过如下指定可接受范围来定义正例：将其中头部的位置 在头部区中的正确适当位置处的图像和在其每个中用于学习的图像中 的头部位置偏离头部区中的正确位置不超过25％的图像分为正例；将 其中头部的尺寸是头部区中的正确尺寸的图像和在其每个中头部的尺 寸不超过头部区中的正确尺寸的±15％的图像分为正例；等等。

另一方面，按照与实施例1相同的方式来形成确定的头部检测模 型142。具体地，例如，将在其每个中头部几乎位于规定图像区中心 并且头部轮廓(尺寸)几乎与规定图像区相同的图像定义为正例。在 作为形成的第二阶段参考模块141-2的正例的图像10a、10c、10f、10h、 10i、10m和10n中，将与上述定义匹配的图像(10a和10f)分为正 例，将与上述定义不匹配的图像(10c、10h、10i、10m、10n)分类为 反例。

接下来，如图4A的流程图所示，将执行以下步骤。首先，图像 获取装置111获取待检测图像(步骤S11)。

接下来，预备的头部检测装置裁剪出待检测图像的规定图像区， 作为图像片，并通过参考预先获取的第一阶段参考模型141-1和第二 阶段参考模型141-2来从待检测图像按阶段地(两个阶段，即第一阶 段和第二阶段)检测出头部图像(步骤S23)。具体地，首先，作为 第一阶段，通过预备的头部检测装置(第一阶段)121-1按照与实施 例1中的预备的头部检测步骤S21相同的方式参考预先获取的第一阶 段参考模型141-1，从如图3A所示的待检测图像20搜索头部图像来 检测出如图3B所示的头部图像21a至21g。接下来，作为第二阶段， 通过参考预先获取的第二阶段参考模型141-2来从获取的图像21a至 21g中检测出头部图像21a、21d、21f和21g。

接下来，按照与实施例1相同的方式，确定的头部检测装置122 通过参考确定的头部检测模型142来从预备的头部检测步骤S23中获 得的多个头部图像中检测出确定的头部图像(步骤S22)。具体地， 将比包括在预备的头部检测步骤S23中获得的头部图像21d、21f、21g 等(位于图3B左侧的包括人头部的图像)在内的范围稍大的区域用 作输入图像。如图3C所示，对输入图像进行光栅扫描并缩小输入图 像，通过参考确定的头部检测模型142从输入图像中检测确定的头部 图像22a。此外，将比包括在预备的头部检测步骤S23中获得的头部 图像21a等(位于图3B右侧的包括人头部的图像)在内的范围稍大 的区域用作输入图像。如图3D所示，对输入图像进行光栅扫描并缩 小输入图像，通过参考确定的头部检测模型142从输入图像中检测确 定的头部图像22b。

接下来，按照与实施例1相同的方式，输出装置131输出头部的 检测结果(步骤S31)。

在实施例2的头部检测方法中，如上所述，在预备的头部检测步 骤中，通过参考两个阶段的参考模型在两各阶段中执行头部检测。因 此，可以更快速更准确地检测出待检测图像中的头部。

在实施例2的头部检测方法中，采用了两个阶段的参考模型，并 进行了与其相对应的预定头部检测步骤。然而，本发明不限于此。可 以采用三个阶段或更多阶段的参考模型，并且可以进行与其相对应的 预备的头部检测步骤。

[实施例3]

图5A示出了实施例3的属性判定方法的流程图。图5B示出了实 施例3的属性判定装置的框图。如图5B所示，实施例3的属性判定 装置包括图像获取装置(单元)111、计算装置(单元)120、输出装 置(单元)131和数据存储装置(单元)140，作为主要部件。图像获 取装置111电连接至计算装置120。计算装置120电连接至输出装置 131和数据存储装置140。计算装置120包括预备的头部检测装置(单 元)121、确定的头部检测装置(单元)122和属性判定装置(单元) 124。预先获取的预备的头部检测模型141、确定的头部检测模型142 和属性判定模型144存储在数据存储装置140中。预备的头部检测装 置121与预备的头部检测模型141相连。确定的头部检测装置122与 确定的头部检测模型142相连。属性判定装置124与属性判定模型144 相连。实施例3的属性判定装置中的图像获取装置111、预备的头部 检测装置121和确定的头部检测装置122与本发明中的“头部检测装 置”完全对应。

在本发明中，对于属性没有特殊的限制，属性的示例包括性别、 年龄、种族、头部方向、发型、头发长度、有无帽子。

例如，使用如下图5B的属性判定装置实现实施例3的属性判定 方法。

首先，在执行属性判定方法之前，使用机器学习(模式识别)技 术来进行学习。即按照与实施例1相同的方式，形成预备的头部检测 模型141和确定的头部检测模型142。具体地，例如，在确定的头部 检测模型142中，按照与实施例1相同的方式，将图2A中用于学习 的模型10A中的头部图像10a等分为正例。

另一方面，机器学习(模式识别)使用均应用了训练数据(或属 性值)的许多头部图像来形成属性判定模型。在实施例3的属性判定 方法中，训练数据(属性值)的示例包括性别和年龄。具体地，例如， 将诸如“性别：男和年龄：30”之类的训练数据(属性值)应用于如图 2A所示用于的学习图像10A中的头部图像10a等。例如，通过使用 诸如键盘、鼠标之类的常规已知输入装置进行输入来应用诸如性别和 年龄之类的训练数据(属性值)。然后，使用均应用了训练数据(或 属性值)的头部图像10a等来形成属性判定模型144。

接下来，如图5A的流程图所示，将执行以下步骤。首先，图像 获取装置111获取待检测图像(步骤S11)。

接下来，按照与实施例1相同的方式，预备的头部检测装置121 裁剪出待检测图像的规定图像区，作为图像片，并通过参考预先获取 的预备的头部检测模型141来从待检测图像中检测出头部图像(步骤 S21)。

接下来，按照与实施例1相同的方式，确定的头部检测装置122 通过参考确定的头部检测模型142来从在预备的头部检测步骤S21中 获得的多个头部图像中检测出确定的头部图像(步骤S22)。具体地， 例如，如图3C和3D所示，按照与实施例1相同的方式，检测出确定 的头部图像22a和22b。图像获取步骤S11、预备的头部检测步骤S21 和确定的头部检测步骤S22总体对应于本发明中的“头部检测步骤”。

接下来，属性判定装置124通过参考预先获取的属性判定模型144 来基于头部图像来判定属性(步骤S24)。判定项目的示例包括性别、 年龄、头部方向、发型、头发长度和有无帽子。在判定项目是性别的 情况下，例如，可以基于性别度(例如，0和1)来进行判定。例如， 性别度可以基于头部图像求得。具体地，例如，如下设置准则。即， 如果性别度是“0至小于0.5”，则判定是“女性”，如果性别度是“0.5至 1”，则判定是“男性”。根据求得的性别度的值来进行性别判定。此外， 对于年龄等，例如，通过设置预定准则，根据基于头部图像求得的值 来进行年龄等的判定。

接下来，输出装置131输出属性的判定结果(步骤S31)。判定 项目的示例与上述判定项目相同。输出步骤S31是可选步骤。优选地， 本发明的属性判定方法包括输出步骤S31，尽管这并非始终是必要的。

如上所述，在实施例3的属性判定方法中，通过实施例1的头部 检测方法来检测头部，基于头部图像来进行属性判定。因此，可以快 速而准确地进行属性判定。

在实施例3的属性判定方法中的属性判定步骤(图5A中的S24) 中，参考属性判定模型，基于头部图像进行属性判定。然而，本发明 不限于此。例如可以参考属性判定规则来进行属性判定。属性判定规 则的示例包括如下规则：例如“如果头发短，则判定为男性；如果头发 长，则判定为女性”。此外，例如，可以参考属性判定模型和属性判定 规则二者来进行属性判定。在这种情况下，例如，如图5C所示，属 性判定规则244可以存储在数据存储装置140中，属性判定装置124 可以与属性判定规则244相连。

可以例如按照与实施例2的头部检测方法中的预备的头部检测步 骤相同的方式来按阶段地执行实施例3的属性判定方法中的预备的头 部检测步骤。在这种情况下，属性判定装置的预备的头部检测模型包 括例如多阶段参考模型。这使得能够高速地执行准确的属性判定。

[实施例4]

实施例4的程序是一种允许计算机执行头部检测方法或属性判定 方法的程序。实施例4的程序可以记录在例如记录介质中。对于记录 介质没有特殊的限制，记录介质的示例包括随机存取存储器(RAM)、 只读存储器(ROM)、硬盘(HD)、光盘和软(注册的商标名)盘 (FD)。

[实施例5]

图6示出了使用本发明的属性判定装置的属性判定系统的示例的 配置。如图6所示，属性判定系统具有图像获取装置(单元)111a、 111b和111c；输出装置(单元)131a、131b和131c；通信接口150a、 150b和150c；和服务器170。图像获取装置111a和输出装置131a与 通信接口150a相连。图像获取装置111a、输出装置131a和通信接口 150a被布置在地点“X”。图像获取装置111b和输出装置131b与通信 接口150b相连。图像获取装置111b、输出装置131b和通信接口150b 被布置在地点“Y”。图像获取装置111c和输出装置131c与通信接口 150c相连。图像获取装置111c、输出装置131c和通信接口150c被布 置在地点“Z”。通信接口150a、150b和150c经由网络160与服务器 170相连。

这个属性判定系统在服务器170侧包括预备的头部检测装置、确 定的头部检测装置和属性判定装置，并且服务器170中存储了预备的 头部检测模型、确定的头部检测模型和属性判定模型。例如，在地点 “X”使用图像获取装置111a获取的待检测图像被发送至服务器170， 在服务器170侧检测头部，并基于头部图像来进行属性判定。然后， 输出装置131a输出判定的属性。例如，还可以在服务器中存储属性判 定规则。

根据实施例5的属性判定系统，通过就地布置图像获取装置和输 出装置并且在其他地点布置服务器等，可以在线地执行头部检测和属 性判定。因此，例如，系统不需要用于布置设备的空间，并且维护不 复杂。此外，例如，即使在设置了设备的地点彼此远离的情况下，也 可以集中或远程地控制系统。实施例5的属性判定系统可以是与实施 例2的多阶段检测相对应的系统。此外，实施例5的属性判定系统可 以是例如与云计算相对应的系统。

尽管已经参考本发明的示例性实施例具体示出并描述了本发明， 但是本发明不限于这些实施例。本领域普通技术人员应该理解，在不 背离权利要求所限定的本发明的精神和范围的情况下，可以在形式和 细节上对本发明进行多种改变。

本申请基于并要求2010年6月30日提交的日本专利申请No. 2010-149934的优先权的权益，在此并入其公开的全部以供参考。

工业适用性

根据本发明，可以提供高速而准确地检测图像中的头部的头部检 测方法、头部检测装置、属性判定方法、属性判定装置、程序、记录 介质和属性判定系统，本发明可以应用于广泛领域。

附图标记的描述

10A，10B，10C，10D，10E和10F    用于学习的图像

10a，10b，10c，10d，10e，10f，10g，10h，10i，10j，10k，10m，10n，10p和10q 规定图像区中的图像

20和70    待检测图像

21和71    图像片

21a，21b，21c，21d，21e，21f和21g    头部图像

22a和22b  确定的头部图像

111，111a，111b和111c    图像获取装置

120       计算装置

121       预备的头部检测装置

121-1     预备的头部检测装置(第一阶段)

121-2     预备的头部检测装置(第二阶段)

122       确定的头部检测装置

124       属性判定装置

131，131a，131b和131c    输出装置

140       数据存储装置

141       预备的头部检测模型

141-1     第一阶段参考模型

141-2     第二阶段参考模型

142       确定的头部检测模型

144       属性判定模型

150a，150b和150c    通信接口

160       网络

170       服务器

244       属性判定规则