学习装置(20)获取与拍摄具有模糊的图像的计算摄像相机(101)有关的计算摄像信息，获取通过拍摄没有模糊或者模糊小的图像的通常的相机拍摄到的通常图像和对通常图像赋予的正确答案标签，基于计算摄像信息和通常图像生成具有模糊的图像，通过进行使用了具有模糊的图像和正确答案标签的机器学习，创建用于识别通过计算摄像相机(101)拍摄到的图像的图像识别模型。别模型。别模型。
【技术实现步骤摘要】
【国外来华专利技术】学习方法、图像识别方法、学习装置以及图像识别系统
[0001]本专利技术涉及一种特别是在家庭内或室内等需要保护隐私的环境中的图像识别方法以及图像识别系统、以及用于创建在该图像识别中被使用的图像识别模型的学习方法以及学习装置。
技术介绍
[0002]在下述专利文献1中公开了一种图像识别系统，其通过将由光场相机等拍摄到的计算摄像图像输入到识别器，识别器利用已学习的识别模型识别在该计算摄像图像中所包含的物体。
[0003]计算摄像图像是通过让视点不同的多个图像相互重叠或者不使用透镜让被摄体像难以对焦等的影响、有意地制造出模糊从而使人难以进行视觉识别的图像。因此，为了构建在特别是家庭内或室内等需要保护隐私的环境中的图像识别系统，最好利用计算摄像图像。
[0004]另一方面，因为人难以视觉识别计算摄像图像，所以，在创建识别模型的机器学习中，难以对由光场相机等拍摄到的计算摄像图像赋予正确的正确答案标签。其结果，学习效率降低。
[0005]下述专利文献1对这个问题并没有采取任何的对策，因此期望通过实现有效的技术对策来提高学习效率。
[0006]现有技术文献
[0007]专利文献
[0008]专利文献1：国际申请公开公报第2019/054092号
技术实现思路
[0009]本专利技术的目的在于提供一种技术，在图像识别系统中，既能保护被摄体的隐私又能提高图像识别精度以及机器学习的学习效率。
[0010]本专利技术的一方式涉及的学习方法，作为学习装置的信息处理装置获取与拍摄具有模糊的图像的第一相机有关的计算摄像信息，所述计算摄像信息是通过所述第一相机拍摄到的第一图像与第二图像之间的差分图像，所述第一图像包含点亮状态的点光源，所述第二图像包含熄灭状态的所述点光源，信息处理装置获取通过第二相机拍摄到的第三图像和对所述第三图像赋予的正确答案标签，所述第二相机拍摄没有模糊的图像或者模糊比所述第一相机拍摄到的图像小的图像，信息处理装置基于所述计算摄像信息和所述第三图像生成具有模糊的第四图像，信息处理装置通过进行使用了所述第四图像和所述正确答案标签的机器学习，创建用于对通过所述第一相机拍摄到的图像进行识别的图像识别模型。
附图说明
[0011]图1是表示第一实施方式涉及的图像识别系统的构成的模式图。
[0012]图2是表示图像识别系统的主要处理的流程的流程图。
[0013]图3是示意性地表示作为计算摄像相机的一个例子、以无透镜方式构成的多针孔(multi
‑
pinhole)相机的构成的图。
[0014]图4A是表示在多针孔相机中多个针孔的位置关系的图。
[0015]图4B是表示通过多针孔相机拍摄的拍摄图像的一个例子的图。
[0016]图4C是表示通过多针孔相机拍摄的拍摄图像的一个例子的图。
[0017]图5是表示学习装置的主要处理的流程的流程图。
[0018]图6是表示第二实施方式涉及的图像识别系统的构成的模式图。
[0019]图7是表示图像识别系统的主要处理的流程的流程图。
[0020]图8A是用于说明差分图像的生成处理的图。
[0021]图8B是用于说明差分图像的生成处理的图。
[0022]图8C是用于说明差分图像的生成处理的图。
[0023]图9是表示利用LTM作为计算摄像信息的情况下的计算摄像信息获取部的主要处理的流程的流程图。
[0024]图10是表示多个PSF的模式图。
[0025]图11是表示第三实施方式涉及的图像识别系统的构成的模式图。
[0026]图12是表示图像识别系统的主要处理的流程的流程图。
[0027]图13是表示图像识别系统的主要处理的流程的流程图。
[0028]图14是表示图像识别系统的主要处理的流程的流程图。
[0029]图15是表示第四实施方式涉及的图像识别系统的构成的模式图。
[0030]图16是表示学习装置的主要处理的流程的流程图。
[0031]图17A是表示变形例涉及的多针孔相机的构成的模式图。
[0032]图17B是表示变形例涉及的多针孔相机的构成的模式图。
[0033]图17C是表示变形例涉及的多针孔相机的构成的模式图。
[0034]图17D是表示变形例涉及的多针孔相机的构成的模式图。
[0035]图18A是表示变形例涉及的多针孔相机的构成的模式图。
[0036]图18B是表示变形例涉及的多针孔相机的构成的模式图。
[0037]图18C是表示变形例涉及的多针孔相机的构成的模式图。
[0038]图18D是表示变形例涉及的多针孔相机的构成的模式图。
[0039]图19是表示变形例涉及的多针孔相机的构成的模式图。
[0040]图20是表示变形例涉及的多针孔相机的构成的模式图。
[0041]图21是表示变形例涉及的多针孔相机的构成的模式图。
[0042]图22A是表示变形例涉及的多针孔相机的构成的模式图。
[0043]图22B是表示变形例涉及的多针孔相机的构成的模式图。
[0044]图22C是表示变形例涉及的多针孔相机的构成的模式图。
[0045]图22D是表示变形例涉及的多针孔相机的构成的模式图。
[0046]图22E是表示变形例涉及的多针孔相机的构成的模式图。
[0047]图22F是表示变形例涉及的多针孔相机的构成的模式图。
[0048]图23A是表示变形例涉及的多针孔相机的构成的模式图。
[0049]图23B是表示变形例涉及的多针孔相机的构成的模式图。
[0050]图23C是表示变形例涉及的多针孔相机的构成的模式图。
具体实施方式
[0051](本专利技术的基础知识)
[0052]在家庭内或室内等进行环境内人物的行动识别或设备操作者的人物识别等的各种识别技术变得越来越重要。近年来，为了识别物体，被称为深度学习的技术正在备受关注。深度学习是指利用了多层构造的神经网络的机器学习，通过利用大量的学习数据，与现有方法相比，可以实现更高精度的识别性能。在这样的物体识别中，图像信息特别地有效。已经提出了通过在输入设备利用相机并进行将图像信息作为输入的深度学习，能大幅度地提高现有的物体识别能力的各种方法。
[0053]然而，在家庭内等配置相机，存在由于黑客入侵等拍摄图像被泄漏到外部会侵害到隐私的问题。因此，需要一种即使是在拍摄图像被泄漏到外部的情况下也能保护被摄体的隐私的对策。
[0054]通过光场相机等拍摄的计算摄像图像是通过让视点不同的多个图像相互重叠或者不使用透镜让被摄体像难以对焦等的影响，有意地制造出模糊从而使人难以进行视觉识别的图像。因此，为了构建在特别是家庭内或室内等需要保护隐私的环境中的图像识别系统，最好使用计算摄像图像。
[0055]上述专利文献1公开的图像识别系统中，通过光场相机等拍摄对象区域本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种学习方法，作为学习装置的信息处理装置获取与拍摄具有模糊的图像的第一相机有关的计算摄像信息，所述计算摄像信息是通过所述第一相机拍摄到的第一图像与第二图像之间的差分图像，所述第一图像包含点亮状态的点光源，所述第二图像包含熄灭状态的所述点光源，所述信息处理装置获取通过第二相机拍摄到的第三图像和对所述第三图像赋予的正确答案标签，所述第二相机拍摄没有模糊的图像或者模糊比所述第一相机拍摄到的图像小的图像，所述信息处理装置基于所述计算摄像信息和所述第三图像来生成具有模糊的第四图像，所述信息处理装置通过进行使用了所述第四图像和所述正确答案标签的机器学习，创建用于对通过所述第一相机拍摄到的图像进行识别的图像识别模型。2.根据权利要求1所述的学习方法，其中，所述第一相机是编码孔径相机、多针孔相机以及光场相机的其中之一，所述编码孔径相机具备掩模，所述掩模具有透射率在每个区域不同的掩模图案，所述多针孔相机是具有被形成有多个针孔的掩模图案的掩模被配置于图像传感器的受光面的相机，所述光场相机获取来自被摄体的光场。3.根据权利要求1或2所述的学习方法，其中，所述第一相机不具有使来自被摄体的光成像在图像传感器上的光学系统。4.根据权利要求2所述的学习方法，其中，所述掩模能够变更为所述掩模图案不同的其它的掩模。5.根据权利要求1至4中任一项所述的学习方法，其中，所述计算摄像信息是点扩散函数以及光传输矩阵的其中之一。6.根据权利要求1至5中任一项所述的学习方法，其中，所述信息处理装置进行所述点光源的点亮控制并且进行由所述第一相机拍摄所述第一图像的拍摄控制，所述信息处理装置进行所述点光源的熄灭控制并且进行由所述第一相机拍摄所述第二图像的拍摄控制。7.根据权利要求6所述的学习方法，其中，在所述差分图像的画质小于允许值的情况下，所述信息处理装置进行由所述第一相机再次拍摄所述第一图像以及所述第二图像的再次拍摄控制。8.根据权利要求7所述的学习方法，其中，所述信息处理装置在所述再次拍摄控制中对所述第一相机的曝光时间以及增益的至少其中之一进行修正，以使得所述第一图像以及...
【专利技术属性】
技术研发人员：佐藤智，石井育规，
申请(专利权)人：松下电器美国知识产权公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。