知財求人 - 知財ポータルサイト「IP Force」
特許6474946画像解析結果提供システム、画像解析結果提供方法、およびプログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】6474946
(24)【登録日】2019年2月8日
(45)【発行日】2019年2月27日
(54)【発明の名称】画像解析結果提供システム、画像解析結果提供方法、およびプログラム
(51)【国際特許分類】
G06T 7/00 20170101AFI20190218BHJP
【ＦＩ】
G06T7/00 350B
【請求項の数】6
【全頁数】22
(21)【出願番号】特願2018-545247(P2018-545247)
(86)(22)【出願日】2017年6月28日
(86)【国際出願番号】JP2017023807
【審査請求日】2018年8月27日
【早期審査対象出願】
(73)【特許権者】
【識別番号】500521522
【氏名又は名称】株式会社オプティム
(74)【代理人】
【識別番号】100177220
【弁理士】
【氏名又は名称】小木 智彦
(72)【発明者】
【氏名】菅谷 俊二
【審査官】
川▲崎▼ 博章
(56)【参考文献】
【文献】
特開２０１２−０６８９６５（ＪＰ，Ａ）
【文献】
特開２０１６−０１５０４５（ＪＰ，Ａ）
【文献】
特開２０１１−０６０２２１（ＪＰ，Ａ）
(58)【調査した分野】（Int.Cl.，ＤＢ名）
Ｇ０６Ｔ ７／００
(57)【特許請求の範囲】
【請求項1】
既知画像を画像解析した機械学習済みの学習済みモデルを記憶する記憶手段と、
未だ学習済みモデルが作成されていない未知画像を取得する取得手段と、
前記記憶した学習済みモデルの中から、前記取得した未知画像と撮像対象に対する撮像位置および撮像角度からなる撮像条件が似ている前記既知画像の学習済みモデルを選択する選択手段と、
前記選択した学習済みモデルを利用して、前記未知画像を画像解析させる画像解析手段と、
前記画像解析の結果を提供する提供手段と、
を備え、
前記学習済みモデルが、前記画像解析に使用する数式及びパラメータで少なくとも構成されることを特徴とする画像解析結果提供システム。
未だ学習済みモデルが作成されていない未知画像を取得する取得手段と、
前記記憶した学習済みモデルの中から、前記取得した未知画像と撮像対象に対する撮像位置および撮像角度からなる撮像条件が似ている前記既知画像の学習済みモデルを選択する選択手段と、
前記選択した学習済みモデルを利用して、前記未知画像を画像解析させる画像解析手段と、
前記画像解析の結果を提供する提供手段と、
を備え、
前記学習済みモデルが、前記画像解析に使用する数式及びパラメータで少なくとも構成されることを特徴とする画像解析結果提供システム。
【請求項2】
前記未知画像に対して、画像解析した新しい機械学習済みの学習済みモデルを作成する作成手段を備えることを特徴とする請求項１に記載の画像解析結果提供システム。
【請求項3】
前記画像解析手段は、前記新しい機械学習済みの学習済みモデルを作成するまでの期間に、前記選択された学習済みモデルを利用して、前記未知画像を画像解析させることを特徴とする請求項２に記載の画像解析結果提供システム。
【請求項4】
前記未知画像に対して、前記選択した学習済みモデルを利用して、前記未知画像を画像解析した解析結果を教師データとして、前記未知画像を画像解析した新しい機械学習済みの学習済みモデルを作成する作成手段を備えることを特徴とする請求項１又は請求項２のいずれか一項に記載の画像解析結果提供システム。
【請求項5】
画像解析結果提供システムが実行する画像解析結果提供方法であって、
既知画像を画像解析した機械学習済みの学習済みモデルを記憶するステップと、
未だ学習済みモデルが作成されていない未知画像を取得するステップと、
前記記憶した学習済みモデルの中から、前記取得した未知画像と撮像対象に対する撮像位置および撮像角度からなる撮像条件が似ている前記既知画像の学習済みモデルを選択するステップと、
前記選択した学習済みモデルを利用して、前記未知画像を画像解析させるステップと、
前記画像解析の結果を提供するステップと、
を備え、
前記学習済みモデルが、前記画像解析に使用する数式及びパラメータで少なくとも構成される画像解析結果提供方法。
既知画像を画像解析した機械学習済みの学習済みモデルを記憶するステップと、
未だ学習済みモデルが作成されていない未知画像を取得するステップと、
前記記憶した学習済みモデルの中から、前記取得した未知画像と撮像対象に対する撮像位置および撮像角度からなる撮像条件が似ている前記既知画像の学習済みモデルを選択するステップと、
前記選択した学習済みモデルを利用して、前記未知画像を画像解析させるステップと、
前記画像解析の結果を提供するステップと、
を備え、
前記学習済みモデルが、前記画像解析に使用する数式及びパラメータで少なくとも構成される画像解析結果提供方法。
【請求項6】
学習済みモデルが、機械学習により算出した画像解析に使用する数式及びパラメータとで少なくとも構成されることを特徴とする画像解析結果提供システムに、
既知画像を画像解析した機械学習済みの学習済みモデルを記憶するステップ、
未だ学習済みモデルが作成されていない未知画像を取得するステップ、
前記記憶した学習済みモデルの中から、前記取得した未知画像と撮像対象に対する撮像位置および撮像角度からなる撮像条件が似ている前記既知画像の学習済みモデルを選択するステップ、
前記選択した学習済みモデルを利用して、前記未知画像を画像解析させるステップ、
前記画像解析の結果を提供するステップ、
を実行させるためのコンピュータ読み取り可能なプログラム。
既知画像を画像解析した機械学習済みの学習済みモデルを記憶するステップ、
未だ学習済みモデルが作成されていない未知画像を取得するステップ、
前記記憶した学習済みモデルの中から、前記取得した未知画像と撮像対象に対する撮像位置および撮像角度からなる撮像条件が似ている前記既知画像の学習済みモデルを選択するステップ、
前記選択した学習済みモデルを利用して、前記未知画像を画像解析させるステップ、
前記画像解析の結果を提供するステップ、
を実行させるためのコンピュータ読み取り可能なプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、人工知能が既知画像を画像解析した機械学習済みの学習済みモデルの複数パターンの中から、新たに画像解析させたい未知画像と撮像条件が似ている既知画像の学習済みモデルを選択して利用することで、学習時間をかけずに、精度の良い画像解析結果を出力することが可能な画像解析結果提供システム、画像解析結果提供方法、およびプログラムに関する。【背景技術】
【0002】
人物画像に対して画像解析処理を行うことで、誰が写っているかを判別し、自動的に人物画像をカテゴライズする仕組みを提供する方法が提案されている（特許文献１）。【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１５−６９５８０
【0004】
また、人工知能が画像解析を行うための機械学習の手法として、教師あり学習（Ｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ）はよく知られる手法である。【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、この教師あり学習のためには、一般的に数万枚〜数百万枚以上の大量の画像を用意して、画像に対して正しい教師データを付加してから学習させる必要があり、教師あり学習で画像解析の精度を上げるためには、学習のための画像を準備する手間がかかるとともに、学習のための時間も長期間必要となるという点が問題となる。【0006】
例えば、踏切に人が進入したかどうかを判定する、進入検知を画像解析で行う場合、通常、監視カメラの位置は固定であるため、踏切Ａ・踏切Ｂ・踏切Ｃ等、踏切毎に教師ありの機械学習を行うことで、踏切Ａ・踏切Ｂ・踏切Ｃそれぞれに対する進入検知の精度を高めることが可能であり、その後の画像解析処理には、踏切Ａの学習済みモデル・踏切Ｂの学習済みモデル・踏切Ｃの学習済みモデルをそれぞれ使用する。しかし、新たに踏切Ｄでの進入検知を行おうとした場合には、踏切Ｄのための教師あり学習の教師データとなるタグ付きの画像を大量に用意し、それを基に一から機械学習させるという手順が必要であるため、進入検知導入までの手間と時間がかかる。【0007】
この課題に対して、本発明者は、すでに機械学習済みの、踏切Ａ・踏切Ｂ・踏切Ｃのなかから、踏切Ｄと撮像条件の似た踏切の学習済みモデルを選択して、利用することで、踏切Ｄにおいても、はじめからある程度以上の進入検知の画像解析精度を得られることに着目した。【0008】
本発明は、人工知能が既知画像を画像解析した機械学習済みの学習済みモデルの複数パターンの中から、新たに画像解析させたい未知画像と撮像条件が似ている既知画像の学習済みモデルを選択して利用することで、学習時間をかけずに、精度の良い画像解析結果を出力することが可能な画像解析結果提供システム、画像解析結果提供方法、およびプログラムを提供することを目的とする。【課題を解決するための手段】
【0009】
本発明では、以下のような解決手段を提供する。【0010】
第１の特徴に係る発明は、既知画像を画像解析した機械学習済みの学習済みモデルを記憶する記憶手段と、
未だ学習済みモデルが作成されていない未知画像を取得する取得手段と、
前記記憶した学習済みモデルの中から、前記取得した未知画像と撮像条件が似ている前記既知画像の学習済みモデルを選択する選択手段と、
前記選択した学習済みモデルを利用して、前記未知画像を画像解析させる画像解析手段と、
前記画像解析の結果を提供する提供手段と、
を備えることを特徴とする画像解析結果提供システムを提供する。
【0011】
第１の特徴に係る発明によれば、既知画像を画像解析した機械学習済みの学習済みモデルを記憶する記憶手段と、未だ学習済みモデルが作成されていない未知画像を取得する取得手段と、前記記憶した学習済みモデルの中から、前記取得した未知画像と撮像条件が似ている前記既知画像の学習済みモデルを選択する選択手段と、前記選択した学習済みモデルを利用して、前記未知画像を画像解析させる画像解析手段と、前記画像解析の結果を提供する提供手段と、を備える。【0012】
第１の特徴に係る発明は、画像解析結果提供システムのカテゴリであるが、画像解析結果提供方法、およびプログラムであっても同様の作用、効果を奏する。【0013】
第２の特徴に係る発明は、第１の特徴に係る発明である画像解析結果提供システムであって、前記撮像条件が、撮像対象に対する撮像位置および撮像角度、であることを特徴とする画像解析結果提供システムを提供する。
【0014】
第２の特徴に係る発明によれば、第１の特徴に係る発明である画像解析結果提供システムにおいて、前記撮像条件は、撮像対象に対する撮像位置および撮像角度、である。【0015】
第３の特徴に係る発明は、第１の特徴又は第２の特徴に係る発明である画像解析結果提供システムであって、前記学習済みモデルが、前記機械学習により算出した前記画像解析に使用する数式およびパラメータと前記機械学習に使用した画像であることを特徴とする画像解析結果提供システムを提供する。
【0016】
第３の特徴に係る発明によれば、第１の特徴又は第２の特徴に係る発明である画像解析結果提供システムにおいて、前記学習済みモデルは、前記機械学習により算出した前記画像解析に使用する数式およびパラメータと前記機械学習に使用した画像である。【0017】
第４の特徴に係る発明は、第１の特徴から第３の特徴のいずれかに係る発明である画像解析結果提供システムであって、前記未知画像に対して、画像解析した新しい機械学習済みの学習済みモデルを作成する作成手段を備えることを特徴とする画像解析結果提供システムを提供する。
【0018】
第４の特徴に係る発明によれば、第１の特徴から第３の特徴のいずれかに係る発明である画像解析結果提供システムにおいて、前記未知画像に対して、画像解析した新しい機械学習済みの学習済みモデルを作成する作成手段を備える。【0019】
第５の特徴に係る発明は、第４の特徴に係る発明である画像解析結果提供システムであって、前記画像解析手段は、前記新しい機械学習済みの学習済みモデルを作成するまでの期間に、前記選択された学習済みモデルを利用して、前記未知画像を画像解析させることを特徴とする画像解析結果提供システムを提供する。
【0020】
第５の特徴に係る発明によれば、第４の特徴に係る発明である画像解析結果提供システムにおいて、前記画像解析手段は、前記新しい機械学習済みの学習済みモデルを作成するまでの期間に、前記選択された学習済みモデルを利用して、前記未知画像を画像解析させる。【0021】
第６の特徴に係る発明は、第１の特徴から第５の特徴のいずれかに係る発明である画像解析結果提供システムであって、前記未知画像に対して、前記選択した学習済みモデルを利用して、前記未知画像を画像解析した解析結果を教師データとして、前記未知画像を画像解析した新しい機械学習済みの学習済みモデルを作成する作成手段を備えることを特徴とする画像解析結果提供システムを提供する。
【0022】
第６の特徴に係る発明によれば、第１の特徴から第５の特徴のいずれかに係る発明である画像解析結果提供システムにおいて、前記未知画像に対して、前記選択した学習済みモデルを利用して、前記未知画像を画像解析した解析結果を教師データとして、前記未知画像を画像解析した新しい機械学習済みの学習済みモデルを作成する作成手段を備える。【0023】
第７の特徴に係る発明は、既知画像を画像解析した機械学習済みの学習済みモデルを記憶するステップと、
未だ学習済みモデルが作成されていない未知画像を取得するステップと、
前記記憶した学習済みモデルの中から、前記取得した未知画像と撮像条件が似ている前記既知画像の学習済みモデルを選択するステップと、
前記選択した学習済みモデルを利用して、前記未知画像を画像解析させるステップと、
前記画像解析の結果を提供するステップと、
を備える画像解析結果提供方法を提供する。
【0024】
第８の特徴に係る発明は、画像解析結果提供システムに、
既知画像を画像解析した機械学習済みの学習済みモデルを記憶するステップ、
未だ学習済みモデルが作成されていない未知画像を取得するステップ、
前記記憶した学習済みモデルの中から、前記取得した未知画像と撮像条件が似ている前記既知画像の学習済みモデルを選択するステップ、
前記選択した学習済みモデルを利用して、前記未知画像を画像解析させるステップ、
前記画像解析の結果を提供するステップ、
を実行させるためのプログラムを提供する。
【発明の効果】
【0025】
本発明によれば、人工知能が既知画像を画像解析した機械学習済みの学習済みモデルの複数パターンの中から、新たに画像解析させたい未知画像と撮像条件が似ている既知画像の学習済みモデルを選択して利用することで、学習時間をかけずに、精度の良い画像解析結果を出力することが可能な画像解析結果提供システム、画像解析結果提供方法、およびプログラムを提供することが可能となる。【図面の簡単な説明】
【0026】
【図7】図７は、図６のフローチャートのＡに当たる処理で、未知画像の学習済みモデル作成処理が終わっていない場合に、未知画像の機械学習が可能である場合にコンピュータ２００で行う未知画像の学習済みモデル作成処理のフローチャート図である。
【発明を実施するための形態】
【0027】
以下、本発明を実施するための最良の形態について図を参照しながら説明する。なお、これはあくまでも一例であって、本発明の技術的範囲はこれに限られるものではない。【0028】
［画像解析結果提供システムの概要］図１は、本発明の好適な実施形態の概要図である。この図１に基づいて、本発明の概要を説明する。画像解析結果提供システムは、カメラ１００、コンピュータ２００、通信網３００から構成される。
【0029】
なお、図１において、カメラ１００の数は１つに限らず複数であってもよい。また、コンピュータ２００は、実在する装置に限らず、仮想的な装置であってもよい。【0030】
カメラ１００は、図２に示すように、撮像部１０、制御部１１０、通信部１２０、記憶部１３０から構成される。また、コンピュータ２００は、同じく図２に示すように、制御部２１０、通信部２２０、記憶部２３０、入出力部２４０、から構成される。制御部２１０は通信部２２０、記憶部２３０と協働して取得モジュール２１１を実現する。また、制御部２１０は記憶部２３０と協働して選択モジュール２１２、画像解析モジュール２１３、を実現する。記憶部２３０は、制御部２１０と協働して記憶モジュール２３１を実現する。入出力部２４０は、制御部２１０、記憶部２３０と協働して、提供モジュール２４１を実現する。通信網３００は、インターネット等の公衆通信網でも専用通信網でもよく、カメラ１００とコンピュータ２００間の通信を可能とする。【0031】
カメラ１００は、コンピュータ２００とデータ通信可能な、撮像素子やレンズ等の撮像デバイスを備え、被写体４００までの距離を測定可能な撮像装置である。ここでは、例としてＷＥＢカメラを図示しているが、デジタルカメラ、デジタルビデオ、無人航空機に搭載したカメラ、ウェアラブルデバイスのカメラ、防犯カメラ、車載カメラ、３６０度カメラ等の必要な機能を備える撮像装置であってよい。また、記憶部１３０に撮像画像を保存可能としても良い。【0032】
コンピュータ２００は、カメラ１００とデータ通信可能な計算装置である。ここでは、例としてデスクトップ型のコンピュータを図示しているが、携帯電話、携帯情報端末、タブレット端末、パーソナルコンピュータに加え、ネットブック端末、スレート端末、電子書籍端末、携帯型音楽プレーヤ等の電化製品や、スマートグラス、ヘッドマウントディスプレイ等のウェアラブル端末等であってよい。【0033】
図１の画像解析結果提供システムにおいて、まず、コンピュータ２００の記憶モジュール２３１は、記憶部２３０に複数の学習済みモデルを記憶する（ステップＳ０１）。学習済みモデルは、他のコンピュータや記憶媒体から取得しても良いし、コンピュータ２００で作成しても良い。また、記憶部２３０に専用のデータベースを設けても良い。【0034】
図１０は、踏切Ａ・踏切Ｂ・踏切Ｃの学習済みモデルとして、機械学習により算出した数式およびパラメータの例と、機械学習に使用した画像の例と、を示す図である。また、まだ学習済みモデルの作成されていない踏切Ｄの未知画像の一例を示す図である。【0035】
図１２は、カメラ毎の学習済みモデルのデータ構造を示す表の一例である。本発明において、学習済みモデルとは、カメラ毎に、被写体を画像解析するための数式とパラメータとを対応付けたものである。あわせて、学習済みモデルを算出するための機械学習に使用した、教師データ付きの画像ファイルを関連づけても良い。また、カメラ毎の撮像条件として、撮像角度と撮像位置を関連づけて記憶させても良い。図１０の踏切Ａを撮像したカメラＡによる教師ありデータを使用して作成した学習済みモデルが学習済みモデルＡ、踏切Ｂを撮像したカメラＢによる教師ありデータを使用して作成した学習済みモデルが学習済みモデルＢ、踏切Ｃを撮像したカメラＣによる教師ありデータを使用して作成した学習済みモデルが学習済みモデルＣである。また、カメラＤで踏切Ｄを撮像した画像に対しては、学習済みモデルは未作成である。【0036】
図１１は、カメラ１００とコンピュータ２００、被写体４００との関係を、模式的に説明するための図である。カメラ１００とコンピュータ２００とは、通信網３００を介して通信可能であるものとする。本発明でのカメラ１００は、被写体までの距離を測定可能な撮像装置である。被写体までの距離を測定する方法については、カメラ１００のセンサ等から取得する他に、被写体を複数の異なる方向から同時に撮像可能である場合には、その複数のカメラそれぞれで撮像した画像のズレの長さと、実際の距離を学習させて、距離を測定することも可能である。また、その測定した距離を用いて、撮像角度を算出することも可能である。更に、カメラ１００の場所が固定である場合には、撮像場所までの距離を、明示的に指定できるようにしてもよい。また、撮像角度については、水平方向から、何度カメラ１００が傾いているかを撮像角度とする。図１１の例では、被写体４００について、カメラ１００の撮像角度は３０度、撮像位置つまり撮像距離は５−６ｍである。ここでは、撮像条件として、撮像角度と撮像位置を例として挙げたが、このほかに、踏切への進入検知であれば、警報器の有無、遮断機の有無や形状、線路が単線か複線か、等の、未知画像と学習済みモデルの類似度の判定に役立つ情報を、含めて良いものとする。【0037】
記憶部２３０に複数の学習済みモデルを記憶する前段階として、教師あり学習による機械学習のためには、適切なラベルをつけた大量の画像を教師データとして用意して機械学習させる必要があり、また、学習のための時間も長期間必要となる。そのため、のちに新たな未知画像の解析を行う場合を想定して、カメラ毎の撮像条件に、幅を持たせた学習済みモデルを用意しておくことが好ましい。また、前記教師あり学習のためのラベルについても、実際にどの程度詳細な画像解析結果を提供する必要があるのかを想定して、踏切の進入検知であれば、「進入あり・進入なし」のみで良いのか、「進入なし・進入あり（大人）・進入あり（子ども）・進入あり（老人）・進入あり（車両）・進入あり（自転車）・進入あり（動物）・進入の可能性あり」等、詳しい区分が必要なのかを考慮して、システムの目的にあわせて付加する必要がある。【0038】
図１に戻り、カメラ１００は未知画像である撮像データを、コンピュータ２００に送信し（ステップＳ０２）、コンピュータ２００の取得モジュール２１１は、未知画像を取得する（ステップＳ０３）。未知画像とあわせて、取得モジュール２１１は、撮像角度や撮像位置等の撮像条件を、あわせてカメラ１００から取得するものとする。ここでは、カメラ１００から未知画像である撮像データを送信するフローを記載したが、取得モジュール２１１がカメラ１００に対して、撮像データの送信指示を行い、それを受けてカメラ１００が撮像データの送信を行っても良い。また、取得モジュール２１１は、カメラ１００がリアルタイムに撮像を行っている画像の取得を行うだけでなく、カメラ１００が過去に撮像して記憶部１３０に保存しておいた画像を取得しても良い。【0039】
次に、コンピュータ２００の選択モジュール２１２は、ステップＳ０１で記憶した学習済みモデルの中から、ステップＳ０３で取得した未知画像と撮像条件が似ている学習済みモデルを選択する（ステップＳ０４）。ここで、例えば、撮像された未知画像が、図１０の踏切Ｄであった場合には、学習済みモデルが存在する踏切Ａ、踏切Ｂ、踏切Ｃのいずれからの学習済みモデルから、撮像条件が似ているものを選択する。踏切Ｄを撮像したカメラＤの撮像角度が２０度、撮像距離が４−５ｍであるとし、更に踏切Ｄを撮像した画像の構図等を分析した結果、ここでは、学習済みモデルＢを選択するものとする。【0040】
次に、コンピュータ２００の画像解析モジュール２１３は、学習済みモデルＢを使用して、カメラＤで撮像された未知画像の画像解析を行う（ステップＳ０５）。【0041】
図１３は、カメラＤで撮像した未知画像の学習済みモデルが無い場合の、カメラ毎に画像解析に使用する学習済みモデルを示す表の一例である。ステップＳ０４で、カメラＤで撮像した踏切Ｄと撮像条件が似ている学習済みモデルとして、学習済みモデルＢを選択したので、図１３のカメラＤの欄には、使用モデルとして学習済みモデルＢ、数式としてｙｙｙｙｙｙ、パラメータとしてＢＢＢ、ｂ、βを使用するものとして、表を埋めている。ここで、撮像条件である撮像角度と撮像位置には、実際のカメラＤでの撮像条件を埋めておくことが望ましい。また、カメラＤでの撮像画像に対しては、教師あり学習を行っていないので、教師データの欄は空欄としておいてよいものとする。以降、カメラＤの学習済みモデルが作成されるか、又は、他の学習済みモデルの増加により、選択モジュール２１２で再度カメラＤに最も適した学習済みモデルの選択を行うまでは、この図１３の表を利用して、カメラＤの画像解析を行うことが可能である。【0042】
最後に、コンピュータ２００の提供モジュール２４１は、コンピュータ２００の入出力部２４０に、画像解析結果の提供を行う（ステップＳ０６）。踏切Ｄへの進入検知であれば、「進入あり・進入なし」のみか、「進入なし・進入あり（大人）・進入あり（子ども）・進入あり（老人）・進入あり（車両）・進入あり（自転車）・進入あり（動物）・進入の可能性あり」等詳しく表示するのか、又は、画像に対して表示を行うだけでなく、警告音や光で結果を提示するのか等、画像解析結果提供システムの目的にあわせた出力を行うものとする。また、ここでは、踏切への進入検知を例として説明してきたが、画像解析は、例えば、個人判定用の顔認識、農作物の害虫被害状況の判別、倉庫内の在庫確認、医療診断用の患部画像認識、等、システムの目的に応じた適切なものに応用可能であるとする。【0043】
本発明によれば、人工知能が既知画像を画像解析した機械学習済みの学習済みモデルの複数パターンの中から、新たに画像解析させたい未知画像と撮像条件が似ている既知画像の学習済みモデルを選択して利用することで、学習時間をかけずに、精度の良い画像解析結果を出力することが可能な画像解析結果提供システム、画像解析結果提供方法、およびプログラムを提供することが可能となる。【0044】
［各機能の説明］図２は、カメラ１００とコンピュータ２００の機能ブロックと各機能の関係を示す図である。カメラ１００は、撮像部１０、制御部１１０、通信部１２０、記憶部１３０から構成される。また、コンピュータ２００は、制御部２１０、通信部２２０、記憶部２３０、入出力部２４０、から構成される。制御部２１０は通信部２２０、記憶部２３０と協働して取得モジュール２１１を実現する。また、制御部２１０は記憶部２３０と協働して選択モジュール２１２、画像解析モジュール２１３、を実現する。記憶部２３０は、制御部２１０と協働して記憶モジュール２３１を実現する。入出力部２４０は、制御部２１０、記憶部２３０と協働して、提供モジュール２４１を実現する。通信網３００は、インターネット等の公衆通信網でも専用通信網でもよく、カメラ１００とコンピュータ２００間の通信を可能とする。
【0045】
カメラ１００は、コンピュータ２００とデータ通信可能な、撮像素子やレンズ等の撮像デバイスを備え、被写体４００までの距離を測定可能な撮像装置である。ここでは、例としてＷＥＢカメラを図示しているが、デジタルカメラ、デジタルビデオ、無人航空機に搭載したカメラ、ウェアラブルデバイスのカメラ、防犯カメラ、車載カメラ、３６０度カメラ等の必要な機能を備える撮像装置であってよい。また、記憶部１３０に撮像画像を保存可能としても良い。【0046】
カメラ１００は、撮像部１０として、レンズ、撮像素子、各種ボタン、フラッシュ等の撮像デバイス等を備え、動画や静止画等の撮像画像として撮像する。また、撮像して得られる画像は、画像解析に必要なだけの情報量を持った精密な画像であるものする。また、撮像時の解像度、カメラ角度、カメラ倍率、等を指定可能であるものとしてもよい。【0047】
制御部１１０として、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等を備える。【0048】
通信部１２０として、他の機器と通信可能にするためのデバイス、例えば、ＩＥＥＥ８０２．１１に準拠したＷｉＦｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）対応デバイス又は第３世代、第４世代移動通信システム等のＩＭＴ−２０００規格に準拠した無線デバイス等を備える。有線によるＬＡＮ接続であってもよい。【0049】
記憶部１３０として、ハードディスクや半導体メモリによる、データのストレージ部を備え、撮像画像や、撮像条件等の必要なデータ等を記憶する。【0050】
コンピュータ２００は、カメラ１００とデータ通信可能な計算装置である。ここでは、例としてデスクトップ型のコンピュータを図示しているが、携帯電話、携帯情報端末、タブレット端末、パーソナルコンピュータに加え、ネットブック端末、スレート端末、電子書籍端末、携帯型音楽プレーヤ等の電化製品や、スマートグラス、ヘッドマウントディスプレイ等のウェアラブル端末等であってよい。【0051】
制御部２１０として、ＣＰＵ、ＲＡＭ、ＲＯＭ等を備える。制御部２１０は通信部２２０、記憶部２３０と協働して取得モジュール２１１を実現する。また、制御部２１０は記憶部２３０と協働して選択モジュール２１２、画像解析モジュール２１３、を実現する。【0052】
通信部２２０として、他の機器と通信可能にするためのデバイス、例えば、ＩＥＥＥ８０２．１１に準拠したＷｉＦｉ対応デバイス又は第３世代、第４世代移動通信システム等のＩＭＴ−２０００規格に準拠した無線デバイス等を備える。有線によるＬＡＮ接続であってもよい。【0053】
記憶部２３０として、ハードディスクや半導体メモリによる、データのストレージ部を備え、撮像画像や、教師データ、画像解析結果、等の処理に必要なデータ等を記憶する。記憶部２３０は、制御部２１０と協働して記憶モジュール２３１を実現する。また、記憶部２３０に、学習済みモデルのデータベースを備えても良い。【0054】
入出力部２４０は、画像解析結果提供システムを利用するために必要な機能を備えるものとする。入出力部２４０は、制御部２１０、記憶部２３０と協働して、提供モジュール２４１を実現する。入力を実現するための例として、タッチパネル機能を実現する液晶ディスプレイ、キーボード、マウス、ペンタブレット、装置上のハードウェアボタン、音声認識を行うためのマイク等を備えることが可能である。また、出力を実現するための例として、液晶ディスプレイ、ＰＣのディスプレイ、プロジェクターへの投影等の表示と音声出力等の形態が考えられる。入出力方法により、本発明は特に機能を限定されるものではない。【0055】
［画像解析結果提供処理］図３は、カメラ１００から未知画像を取得し、コンピュータ２００で画像解析処理を行い、画像解析結果を提供する場合のフローチャート図である。上述した各モジュールが実行する処理について、本処理にあわせて説明する。
【0056】
まず、コンピュータ２００の記憶モジュール２３１は、記憶部２３０に複数の学習済みモデルを記憶する（ステップＳ３０１）。学習済みモデルは、他のコンピュータや記憶媒体から取得しても良いし、コンピュータ２００で作成しても良い。また、記憶部２３０に学習済みモデルを記憶するための専用のデータベースを設けても良い。ステップＳ３０１の処理は、既に複数の学習済みモデルが記憶されている場合、新しい学習済みモデルが存在しない場合にはスキップしてよいものとする。【0057】
図１０は、踏切Ａ・踏切Ｂ・踏切Ｃの学習済みモデルとして、機械学習により算出した数式およびパラメータと、機械学習に使用した画像の一例を示す図である。また、まだ学習済みモデルの作成されていない踏切Ｄの未知画像の一例を示す図である。【0058】
図１２は、カメラ毎の学習済みモデルのデータ構造を示す表の一例である。本発明において、学習済みモデルとは、カメラ毎に、被写体を画像解析するための数式とパラメータとを対応付けたものである。あわせて、学習済みモデルを算出するための機械学習に使用した、教師データ付きの画像ファイルを関連づけても良い。また、カメラ毎の撮像条件として、撮像角度と撮像位置を関連づけて記憶させても良い。図１０の踏切Ａを撮像したカメラＡによる教師ありデータを使用して作成した学習済みモデルが学習済みモデルＡ、踏切Ｂを撮像したカメラＢによる教師ありデータを使用して作成した学習済みモデルが学習済みモデルＢ、踏切Ｃを撮像したカメラＣによる教師ありデータを使用して作成した学習済みモデルが学習済みモデルＣである。また、カメラＤで踏切Ｄを撮像した画像に対しては、学習済みモデルは未作成である。【0059】
図１１は、カメラ１００とコンピュータ２００、被写体４００との関係を、模式的に説明するための図である。カメラ１００とコンピュータ２００とは、通信網３００を介して通信可能であるものとする。本発明でのカメラ１００は、被写体までの距離を測定可能な撮像装置である。被写体までの距離を測定する方法については、カメラ１００のセンサ等から取得する他に、被写体を複数の異なる方向から同時に撮像可能である場合には、その複数のカメラそれぞれで撮像した画像のズレの長さと、実際の距離を学習させて、距離を測定することも可能である。また、その測定した距離を用いて、撮像角度を算出することも可能である。更に、カメラ１００の場所が固定である場合には、撮像場所までの距離を、明示的に指定できるようにしてもよい。また、撮像角度については、水平方向から、何度カメラ１００が傾いているかを撮像角度とする。図１１の例では、被写体４００について、カメラ１００の撮像角度は３０度、撮像位置つまり撮像距離は５−６ｍである。ここでは、撮像条件として、撮像角度と撮像距離を例として挙げたが、このほかに、踏切への進入検知であれば、警報器の有無、遮断機の有無や形状、線路が単線か複線か、等の、未知画像と学習済みモデルの類似度の判定に役立つ情報を、含めて良いものとする。【0060】
記憶部２３０に複数の学習済みモデルを記憶する前段階として、教師あり学習による機械学習のためには、適切なラベルをつけた大量の画像を教師データとして用意して機械学習させる必要があり、また、学習のための時間も長期間必要となる。そのため、のちに新たな未知画像の解析を行う場合を想定して、カメラ毎の撮像条件に、幅を持たせた学習済みモデルを用意しておくことが好ましい。また、前記教師あり学習のためのラベルについても、実際にどの程度詳細な画像解析結果を提供する必要があるのかを想定して、踏切の進入検知であれば、「進入あり・進入なし」のみで良いのか、「進入なし・進入あり（大人）・進入あり（子ども）・進入あり（老人）・進入あり（車両）・進入あり（自転車）・進入あり（動物）・進入の可能性あり」等、詳しい区分が必要なのかを考慮して、システムの目的にあわせて付加する必要がある。【0061】
図３に戻り、コンピュータ２００の取得モジュール２１１は、カメラ１００に対して、画像の送信を要求する（ステップ３０２）。この送信要求の時点で、カメラ１００の画像に対する学習済みモデルが存在しない場合には、カメラ１００から取得する画像は、未知画像であるということになる。【0062】
カメラ１００は、コンピュータ２００からの画像送信要求を受けて、撮像部１０で撮像を行う（ステップＳ３０３）。【0063】
そして、カメラ１００は通信部１２０を介して、未知画像である撮像データを、コンピュータ２００に送信する（ステップＳ３０４）。【0064】
コンピュータ２００の取得モジュール２１１は、未知画像を取得する（ステップＳ３０５）。ここで未知画像とあわせて、撮像角度や撮像位置等の撮像条件を、カメラ１００から取得するものとする。取得モジュール２１１は、カメラ１００がリアルタイムに撮像を行っている画像の取得を行うだけでなく、カメラ１００が過去に撮像して記憶部１３０に保存しておいた画像を取得しても良い。【0065】
次に、コンピュータ２００の選択モジュール２１２は、ステップＳ３０１で記憶した学習済みモデルの中から、ステップＳ３０５で取得した未知画像と撮像条件が似ている学習済みモデルを選択する（ステップＳ３０６）。ここで、例えば、撮像された未知画像が、図１０の踏切Ｄであった場合には、学習済みモデルが存在する踏切Ａ、踏切Ｂ、踏切Ｃのいずれからの学習済みモデルから、撮像条件が似ているものを選択する。踏切Ｄを撮像したカメラＤの撮像角度が２０度、撮像距離が４−５ｍであるとし、更に踏切Ｄを撮像した画像の構図等を分析した結果、ここでは、学習済みモデルＢを選択するものとする。【0066】
次に、コンピュータ２００の画像解析モジュール２１３は、学習済みモデルＢを使用して、カメラＤで撮像された未知画像の画像解析を行う（ステップＳ３０７）。【0067】
図１３は、カメラＤで撮像した未知画像の学習済みモデルが無い場合の、カメラ毎に画像解析に使用する学習済みモデルを示す表の一例である。ステップＳ３０６で、カメラＤで撮像した踏切Ｄと撮像条件が似ている学習済みモデルとして、学習済みモデルＢを選択したので、図１３のカメラＤの欄には、使用モデルとして学習済みモデルＢ、数式としてｙｙｙｙｙｙ、パラメータとしてＢＢＢ、ｂ、βを使用するものとして、表を埋めている。ここで、撮像条件である撮像角度と撮像位置には、実際のカメラＤでの撮像条件を埋めておくことが望ましい。また、カメラＤでの撮像画像に対しては、教師あり学習を行っていないので、教師データの欄は空欄としておいてよいものとする。以降、カメラＤの学習済みモデルが作成されるか、又は、他の学習済みモデルの増加により、選択モジュール２１２で再度カメラＤに最も適した学習済みモデルの選択を行うまでは、この図１３の表を利用して、カメラＤの画像解析を行うことが可能である。【0068】
最後に、コンピュータ２００の提供モジュール２４１は、コンピュータ２００の入出力部２４０に、画像解析結果の提供を行う（ステップＳ３０８）。踏切Ｄへの進入検知であれば、「進入あり・進入なし」のみか、「進入なし・進入あり（大人）・進入あり（子ども）・進入あり（老人）・進入あり（車両）・進入あり（自転車）・進入あり（動物）・進入の可能性あり」等詳しく表示するのか、又は、画像に対して表示を行うだけでなく、警告音や光で結果を提示するのか等、画像解析結果提供システムの目的にあわせた出力を行うものとする。また、ここでは、踏切への進入検知を例として説明してきたが、画像解析は、例えば、個人判定用の顔認識、農作物の害虫被害状況の判別、倉庫内の在庫確認、医療診断用の患部画像認識、等、システムの目的に応じた適切なものに応用可能であるとする。また、画像解析結果の提供は、コンピュータ２００の入出力部２４０への出力に限る必要はなく、通信部２２０を介して、他のデバイスへの出力を行う等、システムにあわせた出力を行うものとする。【0069】
このように、本発明によれば、人工知能が既知画像を画像解析した機械学習済みの学習済みモデルの複数パターンの中から、新たに画像解析させたい未知画像と撮像条件が似ている既知画像の学習済みモデルを選択して利用することで、学習時間をかけずに、精度の良い画像解析結果を出力することが可能な画像解析結果提供システム、画像解析結果提供方法、およびプログラムを提供することが可能となる。【0070】
［学習済みモデル作成処理］図４は、未知画像の学習済みモデル作成処理を行う場合の、カメラ１００とコンピュータ２００の機能ブロックと各機能の関係を示す図である。図２の構成に加え、コンピュータ２００の制御部２１０は記憶部２３０と協働して作成モジュール２１４を実現する。図５は、未知画像の学習済みモデル作成処理を行う場合の、カメラ１００とコンピュータ２００のフローチャート図である。上述した各モジュールが実行する処理について、本処理にあわせて説明する。図５のステップＳ５０１からステップＳ５０３の処理は、図３のステップＳ３０１からステップＳ３０３の処理に相当するため、ステップＳ５０４以降について説明する。ステップＳ５０１の処理は、ステップＳ３０１と同じく、既に複数の学習済みモデルが記憶されている場合、新しい学習済みモデルが存在しない場合にはスキップしてよいものとする。
【0071】
カメラ１００は、コンピュータ２００からの画像送信要求を受けて、撮像部１０で撮像した未知画像を、通信部１２０を介して、コンピュータ２００に送信する（ステップＳ５０４）。ここでは、未知画像の学習済みモデル作成処理を行うため、カメラ１００で撮像したできるだけ多くの未知画像を取得することが望ましい。そこで、カメラ１００がリアルタイムに撮像を行っている画像だけでなく、カメラ１００が過去に撮像して記憶部１３０に保存しておいた画像を送信しても良い。【0072】
コンピュータ２００の取得モジュール２１１は、複数の未知画像を取得する（ステップＳ５０５）。ここでそれぞれの未知画像とあわせて、撮像角度や撮像位置等の撮像条件を、カメラ１００から取得するものとする。【0073】
次に、コンピュータ２００の作成モジュール２１４は、ステップＳ５０５で取得した未知画像に、教師データを付与する（ステップＳ５０６）。ここでは、取得した複数の未知画像に対して、画像解析結果の正解となるラベルを付加する作業を教師データの付与とする。前述した通り、教師あり学習のためのラベルについては、実際にどの程度詳細な画像解析結果を提供する必要があるのかを想定して、踏切の進入検知であれば、「進入あり・進入なし」のみで良いのか、「進入なし・進入あり（大人）・進入あり（子ども）・進入あり（老人）・進入あり（車両）・進入あり（自転車）・進入あり（動物）・進入の可能性あり」等、詳しい区分が必要なのかを考慮して、システムの目的にあわせて付加する必要がある。【0074】
コンピュータ２００の作成モジュール２１４は、教師データを付与した未知画像を使用して、教師あり学習による機械学習を行う（ステップＳ５０７）。【0075】
次に、作成モジュール２１４は、ステップＳ５０７の機械学習の結果を基に、未知画像の学習済みモデルを作成する（ステップＳ５０８）。【0076】
最後に、記憶モジュール２３１により、未知画像の学習済みモデルを記憶部２３０に記憶する（ステップＳ５０９）。【0077】
図１４は、カメラＤで撮像した未知画像の学習済みモデルが作成された場合の、カメラ毎に画像解析に使用する学習済みモデルを示す表の一例である。ステップＳ５０８で作成した、カメラＤの学習済みモデルＤを、図１４のカメラＤの欄に記載したものである。カメラＤの使用モデルとして学習済みモデルＤ、数式としてｖｖｖｖｖｖｖｖ、パラメータとしてＤＤＤ、ｄ、ｄＤを使用するものとして、表を埋めている。また、教師あり学習を行ったため、教師データの欄も教師データを記載している。以降、カメラＤで、再度教師データを増やして学習済みモデルを作成するまでは、この図１４の表を利用して、カメラＤの画像解析を行うことが可能である。【0078】
この、学習済みモデル作成処理は、新しい未知画像に対して、画像解析の精度を上げるために、適切なラベルをつけた大量の画像を用意し、時間をかけて学習を行う必要があるので、画像解析結果提供システムの運用を開始してから、新たな未知画像を受け入れる場合には大きな負担となる。そのため、新たな学習済みモデル作成処理を行えない場合に、図２、図３で説明した方法で、学習時間をかけずに、ある程度精度のよい画像解析結果を提供することを可能とする方法を提案している。しかしながら、より良い精度を求めるためには、未知画像にあわせた機械学習を行い、より適した数式やパラメータの学習済みモデルを作成することが望ましい。そのため、機械学習に必要な大量の未知画像が蓄積できたタイミングや、適切な正解ラベルを付加できたタイミングに応じて、他の画像解析作業に影響のでないよう、システムに負荷をかけないように実行する等、画像解析結果提供システムの運用にあわせた適切な実施が必要である。【0079】
このように、本発明によれば、人工知能が既知画像を画像解析した機械学習済みの学習済みモデルの複数パターンの中から、新たに画像解析させたい未知画像と撮像条件が似ている既知画像の学習済みモデルを選択して利用することで、学習時間をかけずに、精度の良い画像解析結果を出力しつつ、更に、学習済みモデル作成処理により新たな未知画像にあわせた機械学習を行い、学習済みモデルを作成することにより、更に画像解析結果を向上させることが可能な画像解析結果提供システム、画像解析結果提供方法、およびプログラムを提供することが可能となる。【0080】
［画像解析切り替え処理］図６は、未知画像の学習済みモデル作成処理が終わっているかに応じて、画像解析処理を切り替える場合の、カメラ１００とコンピュータ２００の機能ブロックと各機能の関係を示す図である。図７は、図６のフローチャートのＡに当たる処理で、未知画像の学習済みモデル作成処理が終わっていない場合に、未知画像の機械学習が可能である場合にコンピュータ２００で行う未知画像の学習済みモデル作成処理のフローチャート図である。図８は、図６のフローチャートのＢに当たる処理で、未知画像の学習済みモデル作成処理が終わっていない場合に、未知画像の機械学習が不可能である場合にコンピュータ２００で行う学習済みモデル選択処理のフローチャート図である。カメラ１００とコンピュータ２００の構成は、図４と同様である。また、図６のステップＳ６０１からステップＳ６０５の処理は、図３のステップＳ３０１からステップＳ３０５の処理に相当するため、ステップＳ６０６以降について説明する。
【0081】
コンピュータ２００の作成モジュール２１４は、ステップＳ６０５で取得した撮像データについて、未知画像の学習済みモデル作成済みかの確認を行う（ステップＳ６０６）。ここで、ステップＳ６０５で取得した撮像データが、初めてのカメラ１００からの取得データであれば、未知画像であるため、未知画像の学習済みモデルは作成されていないと考えられる。【0082】
未知画像の学習済みモデルは作成されていない場合、作成モジュール２１４は、ステップＳ６０５で取得した未知画像やそれ以前に記憶した未知画像を使用して、機械学習が可能であるかどうかを判断する（ステップＳ６０７）。ここでは、機械学習に必要な適切なラベルをつけた教師データとなる大量の画像が準備されているかどうか、システムに負荷をかけ、かつ、機械学習のための時間をかけて問題ないかどうか、等を基準として判断することが可能である。また、画像解析結果提供システムの運用状況にあわせて判断してもよく、システムに応じた判定を行うものとする。【0083】
ここで、未知画像の機械学習が可能であると判断した場合、図７の処理Ａのフローチャートに進む（ステップＳ６０８）。【0084】
図７の処理Ａにおいて、コンピュータ２００の作成モジュール２１４は、ステップＳ６０５で取得した未知画像やそれ以前に記憶した未知画像に、教師データを付与する（ステップＳ７０１）。ここでは、取得した複数の未知画像に対して、画像解析結果の正解となるラベルを付加する作業を教師データの付与とする。前述した通り、教師あり学習のためのラベルについては、実際にどの程度詳細な画像解析結果を提供する必要があるのかを想定して、踏切の進入検知であれば、「進入あり・進入なし」のみで良いのか、「進入なし・進入あり（大人）・進入あり（子ども）・進入あり（老人）・進入あり（車両）・進入あり（自転車）・進入あり（動物）・進入の可能性あり」等、詳しい区分が必要なのかを考慮して、システムの目的にあわせて付加する必要がある。【0085】
コンピュータ２００の作成モジュール２１４は、教師データを付与した未知画像を使用して、教師あり学習による機械学習を行う（ステップＳ７０２）。【0086】
次に、作成モジュール２１４は、ステップＳ７０２の機械学習の結果を基に、未知画像の学習済みモデルを作成する（ステップＳ７０３）。【0087】
次に、記憶モジュール２３１により、未知画像の学習済みモデルを記憶部２３０に記憶する（ステップＳ７０４）。【0088】
図１４は、カメラＤで撮像した未知画像の学習済みモデルが作成された場合の、カメラ毎に画像解析に使用する学習済みモデルを示す表の一例である。ステップＳ７０３で作成した、カメラＤの学習済みモデルＤを、図１４のカメラＤの欄に記載したものである。カメラＤの使用モデルとして学習済みモデルＤ、数式としてｖｖｖｖｖｖｖｖ、パラメータとしてＤＤＤ、ｄ、ｄＤを使用するものとして、表を埋めている。また、教師あり学習を行ったため、教師データの欄も教師データを記載している。以降、カメラＤで、再度教師データを増やして学習済みモデルを作成するまでは、この図１４の表を利用して、カメラＤの画像解析を行うことが可能である。【0089】
次に、コンピュータ２００の画像解析モジュール２１３は、作成した学習済みモデルＤを使用して、カメラＤで撮像された未知画像の画像解析を行う（ステップＳ７０５）。【0090】
次に、コンピュータ２００の提供モジュール２４１は、コンピュータ２００の入出力部２４０に、画像解析結果の提供を行う（ステップＳ７０６）。この後、図６のフローチャートに戻り、ステップＳ６１４に進む。【0091】
ステップＳ６０７で、未知画像の機械学習が可能でないと判断した場合、作成モジュール２１４は、ステップＳ６０５で取得した未知画像を、記憶部２３０に記憶する（ステップＳ６０９）。これは、後に未知画像に対する学習済みモデル作成処理のための機械学習を行う場合に、教師データとして利用するためである。【0092】
ステップＳ６０９の記憶処理後、図８の処理Ｂのフローチャートに進む（ステップＳ６１０）。【0093】
コンピュータ２００の選択モジュール２１２は、ステップＳ６０１で記憶した学習済みモデルの中から、ステップＳ６０５で取得した未知画像と撮像条件が似ている学習済みモデルを選択する（ステップＳ８０１）。ここで、例えば、撮像された未知画像が、図１０の踏切Ｄであった場合には、学習済みモデルが存在する踏切Ａ、踏切Ｂ、踏切Ｃのいずれからの学習済みモデルから、撮像条件が似ているものを選択する。踏切Ｄを撮像したカメラＤの撮像角度が２０度、撮像距離が４−５ｍであるとし、更に踏切Ｄを撮像した画像の構図等を分析した結果、ここでは、学習済みモデルＢを選択するものとする。【0094】
次に、画像解析モジュール２１３は、学習済みモデルＢを使用して、カメラＤで撮像された未知画像の画像解析を行う（ステップＳ８０２）。【0095】
図１３は、カメラＤで撮像した未知画像の学習済みモデルが無い場合の、カメラ毎に画像解析に使用する学習済みモデルを示す表の一例である。ステップＳ８０１で、カメラＤで撮像した踏切Ｄと撮像条件が似ている学習済みモデルとして、学習済みモデルＢを選択したので、図１３のカメラＤの欄には、使用モデルとして学習済みモデルＢ、数式としてｙｙｙｙｙｙ、パラメータとしてＢＢＢ、ｂ、βを使用するものとして、表を埋めている。ここで、撮像条件である撮像角度と撮像位置には、実際のカメラＤでの撮像条件を埋めておくことが望ましい。また、カメラＤでの撮像画像に対しては、教師あり学習を行っていないので、教師データの欄は空欄としておいてよいものとする。以降、カメラＤの学習済みモデルが作成されるか、又は、他の学習済みモデルの増加により、選択モジュール２１２で再度カメラＤに最も適した学習済みモデルの選択を行うまでは、この図１３の表を利用して、カメラＤの画像解析を行うことが可能である。【0096】
次に、提供モジュール２４１は、コンピュータ２００の入出力部２４０に、画像解析結果の提供を行う（ステップＳ８０３）。この後、図６のフローチャートに戻り、ステップＳ６１４に進む。【0097】
図６のステップＳ６０６で、未知画像の学習済みモデルが作成されている場合、既に処理Ａのフローを通り、未知画像の学習済みモデルが作成されたものと考えられる。この場合、選択モジュール２１２は、処理ＡのステップＳ７０３で作成した学習済みモデルＤを選択して適用する（ステップＳ６１１）。【0098】
次に、コンピュータ２００の画像解析モジュール２１３は、学習済みモデルＤを使用して、カメラＤで撮像された未知画像の画像解析を行う（ステップＳ６１２）。【0099】
次に、コンピュータ２００の提供モジュール２４１は、コンピュータ２００の入出力部２４０に、画像解析結果の提供を行う（ステップＳ６１３）。【0100】
ステップＳ７０６、ステップＳ８０３、ステップＳ６１３で、それぞれ提供モジュール２４１は、コンピュータ２００の入出力部２４０に、画像解析結果の提供を行うが、踏切Ｄへの進入検知であれば、「進入あり・進入なし」のみか、「進入なし・進入あり（大人）・進入あり（子ども）・進入あり（老人）・進入あり（車両）・進入あり（自転車）・進入あり（動物）・進入の可能性あり」等詳しく表示するのか、又は、画像に対して表示を行うだけでなく、警告音や光で結果を提示するのか等、画像解析結果提供システムの目的にあわせた出力を行うものとする。また、ここでは、踏切への進入検知を例として説明してきたが、画像解析は、例えば、個人判定用の顔認識、農作物の害虫被害状況の判別、倉庫内の在庫確認、医療診断用の患部画像認識、等、システムの目的に応じた適切なものに応用可能であるとする。また、画像解析結果の提供は、コンピュータ２００の入出力部２４０への出力に限る必要はなく、通信部２２０を介して、他のデバイスへの出力を行う等、システムにあわせた出力を行うものとする。【0101】
最後に、画像解析結果提供処理を終了してよいか確認し（ステップＳ６１４）、終了しない場合には、ステップＳ６０２に戻って処理を継続し、終了する場合には、画像解析結果提供処理を終了する。【0102】
このように、本発明によれば、人工知能が既知画像を画像解析した機械学習済みの学習済みモデルの複数パターンの中から、新たに画像解析させたい未知画像と撮像条件が似ている既知画像の学習済みモデルを選択して利用することで、学習時間をかけずに、精度の良い画像解析結果を出力しつつ、更に、学習済みモデル作成処理により新たな未知画像にあわせた機械学習を行い、学習済みモデルを作成することが可能である。また、新たな学習済みモデルが作成されるまでの間は、既知画像の学習済みモデルを選択して利用し、新たな学習済みモデルが作成された後には、より精度の良い専用の学習済みモデルを利用することで、システムの引用開始時点から、精度が高く、なおかつその精度をより高めることのできる画像解析結果提供システム、画像解析結果提供方法、およびプログラムを提供することが可能となる。【0103】
［未知画像の画像解析結果を利用した学習済みモデル作成処理］図９は、未知画像の学習済みモデル作成処理を行う場合に、未知画像の画像解析結果を教師データとして付与して、未知画像の機械学習を行う場合の、コンピュータ２００のフローチャート図である。カメラ１００とコンピュータ２００の構成は、図４と同様である。図９では、ステップＳ９０１から記載しているが、この前に、図３のステップＳ３０１からステップＳ３０８に相当する処理が行われており、選択した学習済みモデルによる未知画像の画像解析が行われ、画像解析結果を入手済みであるものとする。
【0104】
コンピュータ２００の作成モジュール２１４は、ステップＳ３０５で取得した未知画像に対して、ステップＳ３０７の画像解析結果を、教師データとして付与する（ステップＳ９０１）。ここで、選択した学習済みモデルによる未知画像の画像解析結果を、そのまま教師データとして付与することで、機械学習に必要な大量の画像に手動で正解データとなる教師データを付加するというコストを、大幅に削減することが可能となる。【0105】
作成モジュール２１４は、教師データを付与した未知画像を使用して、教師あり学習による機械学習を行う（ステップＳ９０２）。【0106】
次に、作成モジュール２１４は、ステップＳ９０２の機械学習の結果を基に、未知画像の学習済みモデルを作成する（ステップＳ９０３）。【0107】
最後に、記憶モジュール２３１により、未知画像の学習済みモデルを記憶部２３０に記憶する（ステップＳ９０４）。【0108】
このように、本発明によれば、人工知能が既知画像を画像解析した機械学習済みの学習済みモデルの複数パターンの中から、新たに画像解析させたい未知画像と撮像条件が似ている既知画像の学習済みモデルを選択して利用することで、学習時間をかけずに、精度の良い画像解析結果を出力しつつ、更に、選択した学習済みモデルによる未知画像の画像解析結果を、そのまま教師データとして付与することで、機械学習に必要な大量の画像に手動で正解データとなる教師データを付加するというコストを、大幅に削減することが可能となり、最終的に、画像解析結果を向上させることが可能な画像解析結果提供システム、画像解析結果提供方法、およびプログラムを提供することが可能となる。【0109】
上述した手段、機能は、コンピュータ（ＣＰＵ、情報処理装置、各種端末を含む）が、所定のプログラムを読み込んで、実行することによって実現される。プログラムは、例えば、コンピュータからネットワーク経由で提供される（ＳａａＳ：ソフトウェア・アズ・ア・サービス）形態であってもよいし、フレキシブルディスク、ＣＤ（ＣＤ−ＲＯＭ等）、ＤＶＤ（ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭ等）、コンパクトメモリ等のコンピュータ読取可能な記録媒体に記録された形態で提供される。この場合、コンピュータはその記録媒体からプログラムを読み取って内部記憶装置又は外部記憶装置に転送し記憶して実行する。また、そのプログラムを、例えば、磁気ディスク、光ディスク、光磁気ディスク等の記憶装置（記録媒体）に予め記録しておき、その記憶装置から通信回線を介してコンピュータに提供するようにしてもよい。【0110】
以上、本発明の実施形態について説明したが、本発明は上述したこれらの実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施形態に記載されたものに限定されるものではない。【符号の説明】
【0111】
１００ カメラ、２００ コンピュータ、３００ 通信網、４００ 被写体【要約】
【課題】 新たに画像解析させたい未知画像に対して、学習時間をかけずに、精度の良い画像解析結果を出力することが可能な画像解析結果提供システム、画像解析結果提供方法、およびプログラムを提供する。
【解決手段】 既知画像を画像解析した機械学習済みの学習済みモデルを記憶する記憶モジュール２３１と、未だ学習済みモデルが作成されていない未知画像を取得する取得モジュール２１１と、記憶した学習済みモデルの中から、取得した未知画像と撮像条件が似ている既知画像の学習済みモデルを選択する選択モジュール２１２と、選択した学習済みモデルを利用して、前記未知画像を画像解析させる画像解析モジュール２１３と、画像解析の結果を提供する提供モジュール２４１を備える。
【選択図】図１