JP2011044989A - 画像処理装置、画像処理プログラムおよび画像処理方法 - Google Patents

Abstract

【課題】画像のイベント判定処理の負担を軽減すること。
【解決手段】画像処理装置１は、イベント判定対象画像の特徴量を算出する算出手段１１と、算出した特徴量とイベント判定用の識別器との比較によってイベント判定対象画像に対するイベント判定を行う判定手段１１と、同一イベントに対して識別器が複数存在する場合に該識別器ごとの特性を示す特性データに基づいて代表の識別器を１つ決定する決定手段１１と、決定された代表の識別器を用いるように判定手段１１を制御する制御手段１１とを備える。
【選択図】図１

Description

本発明は、画像処理装置、画像処理プログラム、画像処理方法に関する。

画像の特徴量に基づいて各画像の意味的分類（たとえば撮影シーン）を判別する技術が知られている（特許文献１参照）。一般に、画像の判別に用いられるデータはサンプル画像の特徴量に基づいてＳＶＭ(Support Vector Machine)手法を用いて算出され、識別器と呼ばれる。１つのイベント（行事や出来事など）に対して複数の識別器を用いることも行われている（特許文献２参照）。

米国特許第７０３５４６７号明細書 特開２００５−１００１２１号公報

複数の識別器を用いてそれぞれイベント判定を行うことは、判定処理の負担が大きくなるという問題があった。

本発明による画像処理装置は、イベント判定対象画像の特徴量を算出する算出手段と、算出した特徴量とイベント判定用の識別器との比較によってイベント判定対象画像に対するイベント判定を行う判定手段と、同一イベントに対して識別器が複数存在する場合に該識別器ごとの特性を示す特性データに基づいて代表の識別器を１つ決定する決定手段と、決定された代表の識別器を用いるように判定手段を制御する制御手段と、を備えることを特徴とする。

本発明によれば、イベント判定処理の負担を軽減できる。

本発明の一実施の形態による電子カメラの要部構成を説明するブロック図である。 メインＣＰＵが実行するイベント判定処理の流れを説明するフローチャートである。 イベント判定処理の詳細を説明するフローチャートである。 識別器決定処理の詳細を説明するフローチャートである。 画像数精度データを例示する図である。 学習処理の詳細を説明するフローチャートである。 識別器特性データの作成処理の詳細を説明するフローチャートである。 変形例４による識別器決定処理を説明するフローチャートである。 変形例５による識別器決定処理を説明するフローチャートである。 コンピュータ装置を例示する図である。

以下、図面を参照して本発明を実施するための形態について説明する。図１は、本発明の一実施の形態による電子カメラ１の要部構成を説明するブロック図である。電子カメラ１は、メインＣＰＵ１１によって制御される。

撮影レンズ２１は、撮像素子２２の撮像面上に被写体像を結像させる。撮像素子２２はＣＣＤイメージセンサなどで構成され、撮像面上の被写体像を撮像し、撮像信号を撮像回路２３へ出力する。撮像素子２２の撮像面には、それぞれＲ（赤）、Ｇ（緑）およびＢ（青）のカラーフィルタが画素位置に対応するように設けられている。撮像素子２２がカラーフィルタを通して被写体像を撮像するため、撮像素子２２から出力される光電変換信号は、ＲＧＢ表色系の色情報を有する。

撮像回路２３は、撮像素子２２から出力される光電変換信号に対するアナログ処理（ゲインコントロールなど）を行う他、内蔵するＡ／Ｄ変換回路でアナログ撮像信号をディジタルデータに変換する。

メインＣＰＵ１１は、各ブロックから出力される信号を入力して所定の演算を行い、演算結果に基づく制御信号を各ブロックへ出力する。画像処理回路１２は、たとえばＡＳＩＣとして構成され、撮像回路２３から入力されるディジタル画像信号に対して画像処理を行う。画像処理には、たとえば、輪郭強調や色温度調整（ホワイトバランス調整）処理、画像信号に対するフォーマット変換処理が含まれる。

画像圧縮回路１３は、画像処理回路１２による処理後の画像信号に対して、たとえばJPEG方式で所定の圧縮比率の画像圧縮処理を行う。表示画像作成回路１５は、撮像画像を液晶モニタ１６に表示させるための表示データを作成する。

バッファメモリ１４は、画像処理前後および画像処理途中のデータを一時的に格納する他、記録媒体３０へ記録する前の画像ファイルを格納したり、記録媒体３０から読み出した画像ファイルを格納したりするために使用される。

記録媒体３０は、電子カメラ１に対して着脱可能なメモリカードなどで構成される。記録媒体３０には、メインＣＰＵ１１からの指示によって撮影画像のデータおよびその情報を含む画像ファイルが記録される。記録媒体３０に記録された画像ファイルは、メインＣＰＵ１１からの指示によって読み出しが可能である。

フラッシュメモリ１９は、メインＣＰＵ１１が実行するプログラムや、メインＣＰＵ１１が行う処理に必要なデータなどが格納される。フラッシュメモリ１９が格納するプログラムやデータの内容は、メインＣＰＵ１１からの指示によって追加、変更が可能に構成されている。

操作部材１７は、電子カメラ１の各種ボタンやスイッチ類を含み、レリーズボタンの押下操作、モード切替スイッチの切換操作など、各操作部材の操作内容に応じた操作信号をメインＣＰＵ１１へ出力する。

ＧＰＳ装置１８は、メインＣＰＵ１１からの指示に応じてＧＰＳ衛星からの電波を受信し、受信信号をメインＣＰＵ１１へ出力する。メインＣＰＵ１１は、ＧＰＳ装置１８からの受信信号に基づいて所定の演算を行い、電子カメラ１の測位情報（緯度、経度、高度）を検出する。

電子カメラ１は、撮影時に撮像素子２２で取得された画像信号に所定の画像処理および圧縮処理を施し、圧縮処理後の画像データに、測位情報、および当該撮影画像に関する情報などを含む付加情報を付加した画像ファイルを生成するように構成されている。具体的には、JPEG形式の画像データを画像データ部に格納し、付加情報を付加情報部に格納したＥｘｉｆ形式の画像ファイルを生成する。Ｅｘｉｆ形式の画像ファイルは、JPEG画像フォーマットの画像データ内にサムネイル画像や付加情報データを埋め込むようにしたものである。生成した画像ファイルは、記録媒体３０に格納される。

また、電子カメラ１は撮影モードと再生モードとが切替え可能に構成される。撮影モードは、被写体像を撮影し、撮影画像のデータを記録媒体３０に画像ファイルとして保存する動作モードである。再生モードは、撮影済みの画像データを記録媒体３０から読み出すなどして、画像データによる再生画像を液晶モニタ１６に表示するモードである。

＜撮影画像のイベント判定＞
本実施形態の電子カメラ１は、撮影画像をグルーピングする機能を備える。具体的には、記録媒体３０に記録済みの画像ファイルに対してイベント判定を行い、判定後の画像ファイルをイベントごとに設けたフォルダ内に格納する。なお、画像ファイルをイベントごとに設けたフォルダ内に格納しなくても、画像ファイルの管理テーブルを作成し、該テーブルに画像ファイルに対するイベント情報を格納するようにしてもよい。

図２は、メインＣＰＵ１１が実行するイベント判定処理の流れを説明するフローチャートである。メインＣＰＵ１１は、操作部材１７からイベント判定処理の実行を指示する操作信号が入力されると、図２による処理を開始する。

図２のステップＳ１０において、メインＣＰＵ１１は、学習するか否かを判定する。メインＣＰＵ１１は、操作部材１７から学習指示が入力された場合にステップＳ１０を肯定判定してステップＳ４０へ進む。メインＣＰＵ１１は、操作部材１７から学習指示が入力されない場合には、ステップＳ１０を否定判定してステップＳ２０へ進む。

ステップＳ２０において、メインＣＰＵ１１は、イベント判定するか否かを判定する。メインＣＰＵ１１は、操作部材１７からイベント判定指示が入力された場合にステップＳ２０を肯定判定してステップＳ３０へ進む。メインＣＰＵ１１は、操作部材１７からイベント判定指示が入力されない場合には、ステップＳ２０を否定判定して図２による処理を終了する。

ステップＳ３０において、メインＣＰＵ１１は、イベント判定処理を行って図２による処理を終了する。イベント判定処理の詳細については後述する。上述したステップＳ１０を否定判定して進むステップＳ４０において、メインＣＰＵ１１は、学習処理を行って図２による処理を終了する。学習処理の詳細については後述する。

＜イベント判定処理＞
画像に対するイベント判定処理（Ｓ３０）の詳細について、図３に例示するフローチャートを参照して説明する。メインＣＰＵ１１は、たとえば、イベント判定の対象とする画像ファイルのデータを記録媒体３０から読出してバッファメモリ１４に展開し、図３による処理を起動させる。図３のステップＳ３１において、メインＣＰＵ１１は、１枚の画像から画像の特徴量を算出してステップＳ３２へ進む。算出する特徴量は、たとえば、画像の所定領域を構成する画素データに基づいて算出される色情報、鮮鋭度情報、質感情報、模様情報、および明るさ情報などである。また、画像サイズやカラーヒストグラムの情報を特徴量として扱ってもよい。さらに、画像に含まれている「顔」の数や「顔」から推定される年齢、性別認識情報を特徴量に含めてもよい。特徴量算出は公知技術であるため、本説明では特徴量算出に関する詳細な説明を省略する。

ステップＳ３２において、メインＣＰＵ１１は、あらかじめイベントごとに作成され、フラッシュメモリ１９内に記録されている識別器を順番に用いて、各イベントらしさを表す確率（スコア）を算出してステップＳ３３へ進む。イベントらしさを表すスコアは、対応するイベント識別器によって表される特徴量空間において空間を仕切る境界（たとえば、イベント「運動会」に対応する領域と、「非運動会」に対応する領域との境界）と、ステップＳ３１において算出された特徴量との距離に対応する。ある画像から算出した特徴量が、「運動会」用のイベント識別器によって表される特徴量空間で「運動会」に対応する特徴量領域の奥に位置し、「非運動会」に対応する特徴量領域までの距離が長ければ、「運動会」らしさのスコアが高い。一方、画像から算出した特徴量が、「運動会」に対応する特徴量領域の端に位置し、「非運動会」に対応する特徴量領域までの距離が短ければ、「運動会」らしさのスコアが低い。メインＣＰＵ１１は、上記距離に応じてスコアを算出する。

ステップＳ３３において、メインＣＰＵ１１は、同一のイベントに対して複数の識別器が存在するか否かを判定する。メインＣＰＵ１１は、同一イベントに対する他の識別器がフラッシュメモリ１９内に存在する場合にステップＳ３３を肯定判定してステップＳ３６へ進む。メインＣＰＵ１１は、同一イベントに対する他の識別器がフラッシュメモリ１９内に存在しない場合にはステップＳ３３を否定判定し、ステップＳ３４へ進む。

ステップＳ３４において、メインＣＰＵ１１は、全てのイベント判定対象画像に対して処理が終わったか否かを判定する。メインＣＰＵ１１は、全てのイベント判定画像に対して特徴量算出、およびイベントらしさ（スコア）Ｐの算出を行った場合にステップＳ３４を肯定判定してステップＳ３５へ進む。メインＣＰＵ１１は、特徴量算出、およびイベントらしさ（スコア）Ｐの算出を行っていないイベント判定画像が存在する場合にステップＳ３４を否定判定してステップＳ３１へ戻る。ステップＳ３１へ戻る場合は、他のイベント判定画像に対する処理を繰り返す。

ステップＳ３５において、メインＣＰＵ１１は、最もよいスコアに対応するイベントに判定対象画像が該当すると判定して図３による処理を終了する。

ステップＳ３３を肯定判定して進むステップＳ３６において、メインＣＰＵ１１は、同一イベントに対する複数の識別器の中から、イベント判定に用いる識別器を決定してステップＳ３４へ進む。識別器の決定は、後述する識別器特性データを使って識別器の優位度を比較することにより、判定精度が高い識別器を決める。

識別器決定処理の詳細について、図４に例示するフローチャートを参照して説明する。図４のステップＳ３６Ａにおいて、メインＣＰＵ１１は、(Ｎ１×Ｐ１)と(Ｎ２×Ｐ２)とを比較するための演算を行ってステップＳ３６Ｂへ進む。Ｐ１は、たとえば「運動会」用のイベント識別器１を用いて算出したスコアであり、Ｐ２は、たとえば「運動会」用のイベント識別器２を用いて算出したスコアである。また、Ｎ１は、イベント識別器１の画像数精度データとし、Ｎ２は、イベント識別器２の画像数精度データとする。画像数精度データは、識別器の特性データの１つであり、当該識別器の生成（すなわち学習）に用いた画像の数と、その識別器によるイベント判定精度との関係を示すデータである。図５は、画像数精度データを例示する図である。メインＣＰＵ１１は、後述する学習処理（図６）における識別器特性データの作成時に画像数精度データを算出し、フラッシュメモリ１９へ記録しておく。

ステップＳ３６Ｂにおいて、メインＣＰＵ１１は、(Ｎ１×Ｐ１)＞(Ｎ２×Ｐ２)が成立するか否かを判定する。メインＣＰＵ１１は、(Ｎ１×Ｐ１)＞(Ｎ２×Ｐ２)が成立する場合にステップＳ３６Ｂを肯定判定してステップＳ３６Ｃへ進み、(Ｎ１×Ｐ１)＞(Ｎ２×Ｐ２)が成立しない場合にはステップＳ３６Ｂを否定判定してステップＳ３６Ｄへ進む。

ステップＳ３６Ｃにおいて、メインＣＰＵ１１は、イベント識別器１を選択して図４による処理を終了する。ステップＳ３６Ｄにおいて、メインＣＰＵ１１は、イベント識別器２を選択して図４による処理を終了する。

なお、上述したステップＳ３６Ａにおいて、単にＮ１とＮ２との大小関係に基づいて判定を行うようにしてもよい。この場合は、Ｎ１およびＮ２のうち大きい方、すなわち、イベント判定精度が高い方のイベント識別器を選択する。

＜学習処理＞
上述したイベント識別器は、サンプル画像（学習用画像）データに基づいた学習によって生成する。学習処理（Ｓ４０）の詳細について、図６に例示するフローチャートを参照して説明する。メインＣＰＵ１１は、学習用画像の保存場所（たとえば、メモリアドレス）および当該画像のイベント（たとえば、運動会）を示す情報を入力して図６による処理を起動させる。

図４のステップＳ４１において、メインＣＰＵ１１は、１枚の学習用画像から特徴量を算出する。算出する特徴量は、入力されたイベントを示す情報に合致する特徴量であり、たとえば「運動会」用のイベント識別器に対応するものである。特徴量の算出は、図３のステップＳ３１の場合と同様に行う。

ステップＳ４２において、メインＣＰＵ１１は、学習用画像のファイルの付加情報データから当該画像の撮影時刻、撮影場所などを示す特性情報をフラッシュメモリ１９に保持してステップＳ４３へ進む。

ステップＳ４３において、メインＣＰＵ１１は、バッファメモリ１４に展開している学習用画像の全てについて特徴量算出、特性情報保持を終了したか否かを判定する。メインＣＰＵ１１は、全ての学習用画像を対象に処理した場合にステップＳ４３を肯定判定してステップＳ４４へ進む。メインＣＰＵ１１は、全ての学習用画像についての処理を終了していない場合にはステップＳ４３を否定判定し、ステップＳ４１へ戻る。ステップＳ４１へ戻る場合は、他の学習用画像に対して上述した処理を繰り返す。

ステップＳ４４において、メインＣＰＵ１１は識別器を作成する。具体的には、ＳＶＭ(Support Vector Machine)手法を用いてイベントに属する画像の特徴量と、該イベント属さない画像の特徴量をもとに、識別器を作成し、フラッシュメモリ１９に保存してステップＳ４５へ進む。

ステップＳ４５において、メインＣＰＵ１１は識別器特性データを作成して図６による処理を終了する。識別器特性データの作成処理の詳細について、図７に例示するフローチャートを参照して説明する。

図７のステップＳ４５Ａにおいて、メインＣＰＵ１１は、学習用画像の画像数から識別器の画像数精度データを算出してステップＳ４５Ｂへ進む。画像数精度データは図５に例示した特性を有している。一般に、イベント判定精度は、その識別器の作成に用いられた学習用画像の画像数が所定枚数（たとえば５００枚）に達すると飽和し、以降は画像数を増やしてもイベント判定精度はほぼ一定になるという共通の傾向を有する。

画像数精度データはイベント識別器ごとに算出する。そして、算出した画像数精度データはフラッシュメモリ１９に記録しておく。なお、画像数精度データは関数式として表してもよいし、ヒストグラムでもテーブルデータでもよい。本実施形態では、イベント識別器の作成に用いられた学習用画像の画像数が所定数（たとえば１０枚）に達した場合に、そのイベント識別器を有効（イベント判定に使用可）にする。学習用画像の画像数が所定数に満たないイベント識別器は、フラッシュメモリ１９に記録しておくものの、イベント判定には使用しない。学習処理によって使用した学習用画像の画像数が所定数に達した場合は、それ以降のイベント判定時に当該イベント識別器を有効として使用を許可する。

ステップＳ４５Ｂにおいて、メインＣＰＵ１１は、ステップＳ４２においてフラッシュメモリ１９に記録した撮影時刻を示す特性情報を用いて、撮影日時の分布を示す情報（たとえばヒストグラム）を算出し、図７による処理を終了する。

以上説明した実施形態によれば、以下の作用効果が得られる。
（１）電子カメラ１のメインＣＰＵ１１は、イベント判定対象画像の特徴量を算出し、算出した特徴量とイベント判定用の識別器との比較によってイベント判定対象画像に対するイベント判定を行い、同一イベントに対して識別器が複数存在する場合に該識別器ごとの特性を示す特性データに基づいて代表の識別器を１つ決定し、決定した代表の識別器を用いるように制御した。これにより、たとえば、同一イベントに対する複数の識別器で複数回の判定処理を行う場合に比べて、処理の負担を軽減することができる。

（２）メインＣＰＵ１１はさらに、学習用画像の特徴量を算出し、学習用画像の特徴量に基づいてイベント判定用の識別器を生成し、生成したイベント判定用の識別器の特性を示す特性データを取得するようにした。これにより、新たな識別器を追加生成したり、既存の識別器に新たな特徴量を加えて学習させたりすることが容易である。既存の識別器を学習させることは、該識別器によるイベント判定精度の向上につながる。

（３）特性データに識別器ごとの判定精度を示す情報を含め、判定精度の高さに基づいて代表の識別器を決定するようにしたので、同一イベントに対して識別器が複数存在する場合に、より優れた識別器により判定を行わせることができる。

（４）学習用画像の数が所定数を超えている識別器を有効とし、有効とした識別器の中から代表の識別器を決定するようにしたので、学習用の画像数が少なくて判定精度不足が懸念される場合は、当該識別器以外の他の識別器を用いることによって判定精度不足のおそれを解消できる。

（変形例１）
上記図７において、識別器特性データとして画像数精度データおよび撮影日時分布データの双方を算出する例を説明したが、どちらか一つを算出するようにしてもよい。また、上記二つの他に、画像が有する色の特性を示すプロファイル情報を算出してもよい。さらにまた、ステップＳ４２（図６）においてフラッシュメモリ１９に記録した撮影場所を示す特性情報を用いて、撮影場所の分布を示す情報を算出してもよい。

（変形例２）
電子カメラ１が外部機器との間で通信可能に構成されている場合には、外部機器から学習用画像に関連する情報を取得してもよい。たとえば、学習用画像の撮影日時の情報を用いて、撮影日時に対応する天気情報を取得してフラッシュメモリ１９に記録する。これにより、識別器特性データに撮影時の天気分布情報を加えられる。

（変形例３）
電子カメラ１が外部機器を介してネットワーク間で通信可能に構成されている場合には、趣味や嗜好が共通するユーザー同士の間でイベント識別器を共有し、複数のユーザーによってイベント識別器を学習させるようにしてもよい。

（変形例４）
識別器決定処理を以下のように行ってもよい。図８は、変形例４による識別器決定処理を説明するフローチャートである。図８のステップＳ３６Ｅにおいて、メインＣＰＵ１１は、イベント判定対象画像のファイルの付加情報データから当該画像の撮影日時を示す情報を抽出してステップＳ３６Ｆへ進む。

ステップＳ３６Ｆにおいて、メインＣＰＵ１１は、イベント判定用画像の全てについて撮影日時の情報取得を終了したか否かを判定する。メインＣＰＵ１１は、全てのイベント判定用画像を対象に処理した場合にステップＳ３６Ｆを肯定判定してステップＳ３６Ｇへ進む。メインＣＰＵ１１は、全てのイベント判定用画像についての処理を終了していない場合にはステップＳ３６Ｆを否定判定し、ステップＳ３６Ｅへ戻る。ステップＳ３６Ｅへ戻る場合は、他のイベント判定用画像に対して上述した処理を繰り返す。

ステップＳ３６Ｇにおいて、メインＣＰＵ１１は、イベント判定用画像の撮影日時の分布を示す情報（たとえばヒストグラム）を算出する。メインＣＰＵ１１はさらに、ステップＳ４５Ｂで算出されている「運動会」用のイベント識別器１に関する撮影日時の分布（たとえばヒストグラム）との間で面積の論理積（すなわち、撮影日時が共通する画像数）を算出してステップＳ３６Ｈへ進む。ここで、(算出した面積)／(イベント判定用画像の分布面積)をＫ１とする。Ｋ１は、イベント判定用画像の画像のうち、イベント識別器１の学習用画像で撮影頻度が高い日時に撮影された画像の数を表す。

ステップＳ３６Ｈにおいて、メインＣＰＵ１１は、ステップＳ４５Ｂで算出されている「運動会」用のイベント識別器２に関する撮影日時の分布（たとえばヒストグラム）との間で面積の論理積（すなわち、撮影日時が共通する画像数）を算出してステップＳ３６Ａへ進む。ここで、(算出した面積)／(イベント判定用画像の分布面積)をＫ２とする。Ｋ２は、イベント判定用画像の画像のうち、イベント識別器２の学習用画像で撮影頻度が高い日時に撮影された画像の数を表す。

ステップＳ３６Ｉにおいて、メインＣＰＵ１１は、(Ｋ１×Ｐ１)と(Ｋ２×Ｐ２)とを比較するための演算を行ってステップＳ３６Ｊへ進む。Ｋ１およびＫ２は上述した通りである。Ｐ１は、イベント識別器１を用いて算出したスコアであり、Ｐ２は、イベント識別器２を用いて算出したスコアである。

ステップＳ３６Ｊにおいて、メインＣＰＵ１１は、(Ｋ１×Ｐ１)＞(Ｋ２×Ｐ２)が成立するか否かを判定する。メインＣＰＵ１１は、(Ｋ１×Ｐ１)＞(Ｋ２×Ｐ２)が成立する場合にステップＳ３６Ｊを肯定判定してステップＳ３６Ｃへ進み、(Ｋ１×Ｐ１)＞(Ｋ２×Ｐ２)が成立しない場合にはステップＳ３６Ｊを否定判定してステップＳ３６Ｄへ進む。

ステップＳ３６Ｃにおいて、メインＣＰＵ１１は、イベント識別器１を選択して図８による処理を終了する。ステップＳ３６Ｄにおいて、メインＣＰＵ１１は、イベント識別器２を選択して図８による処理を終了する。

なお、ステップＳ３６Ｊにおいて、単にＫ１とＫ２との大小関係に基づいて判定を行うようにしてもよい。この場合は、Ｋ１およびＫ２のうち大きい方、すなわち、イベント識別器の生成に用いられた学習用画像の撮影頻度が高い撮影日時が、イベント判定画像の撮影日時と共通する場合に、共通する画像数が多い方のイベント識別器を選ぶ。たとえば、「運動会」は昼間に開催されるのが通常なので、昼間の時間帯での撮影頻度が高い学習用画像を用いて生成されている識別器を選ぶことができる。

また、(Ｋ１×Ｐ１)と(Ｋ２×Ｐ２)の平均を最終的な「運動会」らしさとし、他のイベントについても同様にイベントらしさ（スコア）を算出して比較処理を行うようにしてもよい。

（変形例５）
識別器決定処理を以下のように行ってもよい。図９は、変形例５による識別器決定処理を説明するフローチャートである。図８のフローチャートと比べて、ステップＳ３６ＫおよびステップＳ３６Ｌを行う点が異なるので、これらの相違点を中心に説明する。

図９において、メインＣＰＵ１１はステップＳ３６Ｈの次にステップＳ３６Ｋへ進む。メインＣＰＵ１１は、｛(Ｎ１×Ｃ＋Ｋ１×Ｄ)×Ｐ１｝と｛(Ｎ２×Ｃ＋Ｋ２×Ｄ)×Ｐ２｝とを比較するための演算を行ってステップＳ３６Ｌへ進む。Ｎ１はイベント識別器１の画像数精度データであり、Ｎ２はイベント識別器２の画像数精度データである。Ｃは、イベント識別器１の重みとし、Ｄは、イベント識別器２の重みとする。これらの重み付けデータは、それぞれイベント識別器の特性データに含まれている。Ｋ１およびＫ２は上述した通りである。Ｐ１は、イベント識別器１を用いて算出したスコアであり、Ｐ２は、イベント識別器２を用いて算出したスコアである。

ステップＳ３６Ｌにおいて、メインＣＰＵ１１は、｛(Ｎ１×Ｃ＋Ｋ１×Ｄ)×Ｐ１｝が｛(Ｎ２×Ｃ＋Ｋ２×Ｄ)×Ｐ２｝より大か否かを判定する。メインＣＰＵ１１は、｛(Ｎ１×Ｃ＋Ｋ１×Ｄ)×Ｐ１｝＞｛(Ｎ２×Ｃ＋Ｋ２×Ｄ)×Ｐ２｝が成立する場合にステップＳ３６Ｌを肯定判定してステップＳ３６Ｃへ進み、｛(Ｎ１×Ｃ＋Ｋ１×Ｄ)×Ｐ１｝＞｛(Ｎ２×Ｃ＋Ｋ２×Ｄ)×Ｐ２｝が成立しない場合にはステップＳ３６Ｌを否定判定してステップＳ３６Ｄへ進む。

ステップＳ３６Ｃにおいて、メインＣＰＵ１１は、イベント識別器１を選択して図９による処理を終了する。ステップＳ３６Ｄにおいて、メインＣＰＵ１１は、イベント識別器２を選択して図９による処理を終了する。

なお、ステップＳ３６Ｋにおいて、単に(Ｎ１×Ｃ＋Ｋ１×Ｄ)と(Ｎ２×Ｃ＋Ｋ２×Ｄ)との大小関係に基づいて、大きい方の識別器を選ぶように判定してもよい。

（変形例６）
以上の説明では、電子カメラ１内で画像をグルーピングする例を説明したが、電子カメラ１の代わりにフォトフレームやフォトビューワなどの電子機器で行うようにしてもよい。

（変形例７）
図２−図９による処理を行う画像処理プログラムを図１０に示すコンピュータ装置１０に実行させることにより、画像処理装置を構成してもよい。画像処理プログラムをパーソナルコンピュータ１０に取込んで使用する場合には、パーソナルコンピュータ１０のデータストレージ装置にプログラムをローディングした上で、当該プログラムを実行させることによって画像をグルーピングする画像処理装置として使用する。

パーソナルコンピュータ１０に対するプログラムのローディングは、プログラムを格納したＣＤ−ＲＯＭなどの記録媒体１０４をパーソナルコンピュータ１０にセットして行ってもよいし、ネットワークなどの通信回線１０１を経由する方法でパーソナルコンピュータ１０へローディングしてもよい。通信回線１０１を経由する場合は、通信回線１０１に接続されたサーバー（コンピュータ）１０２のハードディスク装置１０３などにプログラムを格納しておく。画像処理プログラムは、記録媒体１０４や通信回線１０１を介する提供など、種々の形態のコンピュータプログラム製品として供給することができる。

以上の説明はあくまで一例であり、上記の実施形態の構成に何ら限定されるものではない。

１…電子カメラ
１０…コンピュータ
１１…メインＣＰＵ
１４…バッファメモリ
１７…操作部材
１９…フラッシュメモリ
３０…記録媒体

Claims (7)

1. イベント判定対象画像の特徴量を算出する算出手段と、
   前記算出した特徴量とイベント判定用の識別器との比較によって前記イベント判定対象画像に対するイベント判定を行う判定手段と、
   同一イベントに対して前記識別器が複数存在する場合に該識別器ごとの特性を示す特性データに基づいて代表の識別器を１つ決定する決定手段と、
   前記決定された代表の識別器を用いるように前記判定手段を制御する制御手段と、
   を備えることを特徴とする画像処理装置。
2. 請求項１に記載の画像処理装置において、
   学習用画像の特徴量を算出する第２算出手段と、
   前記学習用画像の特徴量に基づいて前記イベント判定用の識別器を生成する生成手段と、
   前記生成されたイベント判定用の識別器の特性を示す特性データを取得する特性データ取得手段と、
   をさらに備えることを特徴とする画像処理装置。
3. 請求項１または２に記載の画像処理装置において、
   前記特性データは前記識別器ごとの判定精度を示す情報を含み、
   前記決定手段は、前記判定精度の高さに基づいて代表の識別器を決定することを特徴とする画像処理装置。
4. 請求項１または２に記載の画像処理装置において、
   前記特性データは前記識別器の生成に用いられた学習用画像の撮影日時情報を含み、
   前記決定手段は、前記学習用画像の撮影頻度の高さに基づいて代表の識別器を決定することを特徴とする画像処理装置。
5. 請求項３または４に記載の画像処理装置において、
   前記決定手段は、前記学習用画像の数が所定数を超えている前記識別器の中から前記代表の識別器を決定することを特徴とする画像処理装置。
6. イベント判定対象画像の特徴量を算出する算出処理と、
   同一イベントに対してイベント判定用の識別器が複数存在する場合に該識別器ごとの特性を示す特性データに基づいて代表の識別器を１つ決定する決定処理と、
   前記算出した特徴量と前記決定した代表の識別器との比較によって前記イベント判定対象画像に対するイベント判定を行う判定処理と、
   をコンピュータに実行させるための画像処理プログラム。
7. イベント判定対象画像の特徴量を算出し、
   同一イベントに対してイベント判定用の識別器が複数存在する場合に該識別器ごとの特性を示す特性データに基づいて代表の識別器を１つ決定し、
   前記算出した特徴量と前記決定した代表の識別器との比較によって前記イベント判定対象画像に対するイベント判定を行うことを特徴とする画像処理方法。

Images