ホーム > 特許ランキング > 株式会社デジタルガレージ
知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022150722
(43)【公開日】2022-10-07
(54)【発明の名称】画像識別装置、画像識別方法及びプログラム
(51)【国際特許分類】
G06T 7/00 20170101AFI20220929BHJP
G06N 20/00 20190101ALI20220929BHJP
【ＦＩ】
G06T7/00 350B
G06N20/00 130
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2021053447
(22)【出願日】2021-03-26
(71)【出願人】
【識別番号】397072639
【氏名又は名称】株式会社デジタルガレージ
(74)【代理人】
【識別番号】100079108
【弁理士】
【氏名又は名称】稲葉 良幸
(74)【代理人】
【識別番号】100109346
【弁理士】
【氏名又は名称】大貫 敏史
(74)【代理人】
【識別番号】100117189
【弁理士】
【氏名又は名称】江口 昭彦
(74)【代理人】
【識別番号】100134120
【弁理士】
【氏名又は名称】内藤 和彦
(72)【発明者】
【氏名】シャオ アンシ
(72)【発明者】
【氏名】菊地 弘晶
(72)【発明者】
【氏名】竹之内 隆夫
【テーマコード（参考）】
5L096
【Ｆターム（参考）】
5L096AA02
5L096AA06
5L096EA03
5L096EA05
5L096EA16
5L096FA32
5L096FA34
5L096GA30
5L096GA41
5L096GA51
5L096HA11
5L096JA11
5L096KA04
(57)【要約】
【課題】画像を撮影した機体を識別することが可能な技術を提供すること。
【解決手段】画像データを取得する取得部と、前記画像データのノイズ特徴量を抽出する抽出部と、前記画像データのノイズ特徴量と、判定対象機体のノイズ特徴量とを識別モデルに入力することで、前記画像データが、前記判定対象機体で撮影された画像データであるのか、前記判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別する識別部と、を有する画像識別装置を提供する。
【選択図】図３
【解決手段】画像データを取得する取得部と、前記画像データのノイズ特徴量を抽出する抽出部と、前記画像データのノイズ特徴量と、判定対象機体のノイズ特徴量とを識別モデルに入力することで、前記画像データが、前記判定対象機体で撮影された画像データであるのか、前記判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別する識別部と、を有する画像識別装置を提供する。
【選択図】図３
【特許請求の範囲】
【請求項1】
画像データを取得する取得部と、
前記画像データのノイズ特徴量を抽出する抽出部と、
前記画像データのノイズ特徴量と、判定対象機体のノイズ特徴量とを識別モデルに入力することで、前記画像データが、前記判定対象機体で撮影された画像データであるのか、前記判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別する識別部と、
を有する、画像識別装置。
前記画像データのノイズ特徴量を抽出する抽出部と、
前記画像データのノイズ特徴量と、判定対象機体のノイズ特徴量とを識別モデルに入力することで、前記画像データが、前記判定対象機体で撮影された画像データであるのか、前記判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別する識別部と、
を有する、画像識別装置。
【請求項2】
前記判定対象機体を含む機体で撮影された学習用画像データのノイズ特徴量と、前記判定対象機体を含む機体のノイズ特徴量と、正解データとを対応づけた学習用データを用いてモデルを学習させることで前記識別モデルを生成する、学習部、を有し、
前記正解データは、前記学習用画像データのノイズ特徴量が、前記判定対象機体のノイズ特徴量であるのか、前記判定対象機体と同一機種であるが異なる機体のノイズ特徴量であるのか、又は、前記判定対象機体と異なる機種かつ異なる機体のノイズ特徴量であるのかを示すデータを含む、
請求項１に記載の画像識別装置。
前記正解データは、前記学習用画像データのノイズ特徴量が、前記判定対象機体のノイズ特徴量であるのか、前記判定対象機体と同一機種であるが異なる機体のノイズ特徴量であるのか、又は、前記判定対象機体と異なる機種かつ異なる機体のノイズ特徴量であるのかを示すデータを含む、
請求項１に記載の画像識別装置。
【請求項3】
前記識別部による識別結果に基づいて、前記画像データが偽物である可能性があるか否かを判定する判定部と、を有する、
請求項１又は２に記載の画像識別装置。
請求項１又は２に記載の画像識別装置。
【請求項4】
前記画像データを複数の分割画像に分割する分割部、を有し、
前記抽出部は、前記複数の分割画像の各々のノイズ特徴量を抽出し、
前記識別部は、前記複数の分割画像の各々について、分割画像のノイズ特徴量と前記判定対象機体のノイズ特徴量とを識別モデルに入力することで、前記複数の分割画像の各々が、前記判定対象機体で撮影された分割画像であるのか、前記判定対象機体と同一機種であるが異なる機体で撮影された分割画像であるのか、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された分割画像であるのかを識別し、
前記判定部は、前記複数の分割画像のうち少なくとも一部が、前記判定対象機体と同一機種であるが異なる機体で撮影された分割画像、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された分割画像であると識別された場合、前記画像データは偽物である可能性があると判定する、
請求項３に記載の画像識別装置。
前記抽出部は、前記複数の分割画像の各々のノイズ特徴量を抽出し、
前記識別部は、前記複数の分割画像の各々について、分割画像のノイズ特徴量と前記判定対象機体のノイズ特徴量とを識別モデルに入力することで、前記複数の分割画像の各々が、前記判定対象機体で撮影された分割画像であるのか、前記判定対象機体と同一機種であるが異なる機体で撮影された分割画像であるのか、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された分割画像であるのかを識別し、
前記判定部は、前記複数の分割画像のうち少なくとも一部が、前記判定対象機体と同一機種であるが異なる機体で撮影された分割画像、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された分割画像であると識別された場合、前記画像データは偽物である可能性があると判定する、
請求項３に記載の画像識別装置。
【請求項5】
前記識別モデルは、前記画像データが、前記判定対象機体で撮影された画像データであることを示す第１確率値、前記判定対象機体と同一機種であるが異なる機体で撮影された画像データであることを示す第２確率値、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された画像データであることを示す第３確率値を出力し、
前記判定部は、
前記識別モデルに分割画像のノイズ特徴量と前記判定対象機体のノイズ特徴量とを入力することで得られる第１確率値、第２確率値及び第３確率値のうち、第１確率値が最も高い値である所定の分割画像が存在する場合、前記所定の分割画像と前記所定の分割画像に隣接する複数の隣接画像とにおける第１確率値の平均値、第２確率値の平均値及び第３確率値の平均値を算出し、
該所定の分割画像の第１確率値と前記複数の隣接画像における第１確率値の平均値との第１差分、該所定の分割画像の第２確率値と前記複数の隣接画像における第２確率値の平均値との第２差分、及び該所定の分割画像の第３確率値と前記複数の隣接画像における第３確率値の平均値との第３差分のうち少なくとも一部の差分が、所定閾値以上である場合、前記画像データは偽物である可能性があると判定する、
請求項４に記載の画像識別装置。
前記判定部は、
前記識別モデルに分割画像のノイズ特徴量と前記判定対象機体のノイズ特徴量とを入力することで得られる第１確率値、第２確率値及び第３確率値のうち、第１確率値が最も高い値である所定の分割画像が存在する場合、前記所定の分割画像と前記所定の分割画像に隣接する複数の隣接画像とにおける第１確率値の平均値、第２確率値の平均値及び第３確率値の平均値を算出し、
該所定の分割画像の第１確率値と前記複数の隣接画像における第１確率値の平均値との第１差分、該所定の分割画像の第２確率値と前記複数の隣接画像における第２確率値の平均値との第２差分、及び該所定の分割画像の第３確率値と前記複数の隣接画像における第３確率値の平均値との第３差分のうち少なくとも一部の差分が、所定閾値以上である場合、前記画像データは偽物である可能性があると判定する、
請求項４に記載の画像識別装置。
【請求項6】
前記判定部は、前記抽出部で抽出されたノイズ特徴量と、前記判定対象機体のノイズ特徴量との相関値が所定値以上である場合、前記取得部で取得された画像データは偽物である可能性があると判定する、
請求項３～５のいずれか一項に記載の画像識別装置。
請求項３～５のいずれか一項に記載の画像識別装置。
【請求項7】
画像識別装置が実行する画像識別方法であって、
画像データを取得するステップと、
前記画像データのノイズ特徴量を抽出するステップと、
前記画像データのノイズ特徴量と、判定対象機体のノイズ特徴量とを識別モデルに入力することで、前記画像データが、前記判定対象機体で撮影された画像データであるのか、前記判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別するステップと、
を含む、画像識別方法。
画像データを取得するステップと、
前記画像データのノイズ特徴量を抽出するステップと、
前記画像データのノイズ特徴量と、判定対象機体のノイズ特徴量とを識別モデルに入力することで、前記画像データが、前記判定対象機体で撮影された画像データであるのか、前記判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別するステップと、
を含む、画像識別方法。
【請求項8】
画像データを取得するステップと、
前記画像データのノイズ特徴量を抽出するステップと、
前記画像データのノイズ特徴量と、判定対象機体のノイズ特徴量とを識別モデルに入力することで、前記画像データが、前記判定対象機体で撮影された画像データであるのか、前記判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別するステップと、
をコンピュータに実行させるためのプログラム。
前記画像データのノイズ特徴量を抽出するステップと、
前記画像データのノイズ特徴量と、判定対象機体のノイズ特徴量とを識別モデルに入力することで、前記画像データが、前記判定対象機体で撮影された画像データであるのか、前記判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別するステップと、
をコンピュータに実行させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、画像識別装置、画像識別方法及びプログラムに関する。
【背景技術】
【0002】
現在、ウェブサイトからオンラインで契約等を行う仕組みが提供されている。また、オンラインで契約等を行う際、ユーザに対し、本人確認書類を撮影した画像データの提出を求めることも広く行われている。特許文献１には、操作端末装置のカメラで、端末操作者本人と身分証明書とを撮影した画像を用いて、不動産物件に係る手続きを行う際の認証を行う契約管理サーバが開示されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０２０－１０７０８１号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
画像処理技術の進歩により、インターネット等からダウンロードした画像データを、自ら撮影した画像であるかのように加工することが可能になっている。しかしながら、特許文献１の技術では、送信された画像が、操作端末装置のカメラで撮影された正規の画像なのか否かを判定することはできない。
【0005】
そこで、本発明は、画像を撮影した機体を識別することが可能な技術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】
【0006】
本発明の一態様に係る画像識別装置は画像データを取得する取得部と、前記画像データのノイズ特徴量を抽出する抽出部と、前記画像データのノイズ特徴量と、判定対象機体のノイズ特徴量とを識別モデルに入力することで、前記画像データが、前記判定対象機体で撮影された画像データであるのか、前記判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別する識別部と、を有する。
【発明の効果】
【0007】
本発明によれば、画像を撮影した機体を識別することが可能な技術を提供することができる。
【図面の簡単な説明】
【0008】
【図1】本実施形態に係る画像識別システムの一例を示す図である。
【図2】画像識別装置のハードウェア構成例を示す図である。
【図3】画像識別装置の機能ブロック構成例を示す図である。
【図4】識別モデルを学習させる処理手順の一例を示すフローチャートである。
【図5】機体のノイズ特徴量を生成する処理手順を説明するための図である。
【図6】学習用データの一例を示す図である。
【図7】画像を撮影した機体を判定する処理手順の一例を示す図である。
【図8】画像の一部が加工されている可能性を判定する処理手順の一例を示す図である。
【図9】分割画像の一例を示す図である。
【図10】画像の一部が加工されている可能性を判定する処理手順を説明するための図である。
【図11】画像の一部が加工されている可能性を判定する処理手順を説明するための図である。
【図12】ノイズ特徴量の相関を利用した画像の加工有無を判定する処理手順の一例を示す図である。
【発明を実施するための形態】
【0009】
添付図面を参照して、本発明の実施形態について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。
【0010】
＜システム構成＞
図１は、本実施形態に係る画像識別システム１の一例を示す図である。画像識別システム１は、画像識別装置１０と、端末２０とを含む。画像識別装置１０と端末２０とは、無線又は有線の通信ネットワークＮを介して接続され、相互に通信を行うことができる。
図１は、本実施形態に係る画像識別システム１の一例を示す図である。画像識別システム１は、画像識別装置１０と、端末２０とを含む。画像識別装置１０と端末２０とは、無線又は有線の通信ネットワークＮを介して接続され、相互に通信を行うことができる。
【0011】
画像識別装置１０は、入力された画像データが、予め画像識別装置１０に登録されている機体（以下、「判定対象機体」と言う。）で撮影された画像（以下、「正規の画像」と言う。）であるのか、若しくは、判定対象機体とは異なる他の機体で撮影された画像又は他の機体で撮影された画像を加工した画像（以下、「偽物の画像」と言う。）であるのかを識別する。画像識別装置１０は、どのような用途にも利用可能であるが、例えば、自動車保険事業において、契約者から提示された事故写真が、契約者が契約時に予め登録したスマートフォンにて撮影した実際の事故画像なのか、若しくはインターネット等から入手した不正な画像なのかを判別するようなケースに利用することが可能である。また、他の例として、事故の証拠画像として提出されたドライブレコーダーの画像が、予め登録されたドライブレコーダーで撮影された実際の画像なのか、若しくは第３者から入手した画像を加工した不正画像なのかを判別するようなケースにも利用することが可能である。
【0012】
画像識別装置１０は、当該識別を行う際、ＰＵＦ（Physically Unclonable Function）を用いることで、判定対象機体で撮影された画像データであるのか否かを識別する。ＰＵＦは、半導体製造時に生じる微細な差により、物理的に複製困難な半導体固有の特徴を利用する技術である。一般的に、半導体は、設計上の回路は同一であっても、製造された回路には微細な差が存在している。この微細な差により、半導体からの出力データには、半導体ごとにユニークな特徴が含まれることになる。本実施形態において、画像データにノイズとして含まれている、画像データを撮影した半導体素子であるイメージセンサー固有のノイズ（ＰＵＦの出力）を「判定対象機体のノイズ特徴量」と言う。また、ある機体で撮影された画像データに対してノイズ除去処理等を行うことで抽出されたノイズを、判定対象機体のノイズ特徴量と区別するために、「画像データのノイズ特徴量」と言う。
【0013】
また、本実施形態において「機体」とは、画像を撮影する機能を備えたデバイスを意味しており、例えば、スマートフォン、携帯電話、デジタルカメラ、ドライブレコーダーなど、イメージセンサーを備えた様々なデバイスが含まれる。また、本実施形態において「機種」とは、機体の種類を示している。例えばスマートフォンの場合、ｉｐｈｏｎｅ（登録商標）１０、ｉｐｈｏｎｅ１１、ｉｐｈｏｎｅ１２等が「機種」に該当し、ｉｐｈｏｎｅ１２である個々の端末が「機体」に該当する。なお、本実施形態において、同一機種とみなす範囲は、特に限定されない。例えば、型番又は形式が同一である場合に同一機種とみなしてもよいし、製造メーカが同一である場合に同一機種とみなしてもよい。
【0014】
端末２０は、画像識別装置１０による識別結果等を表示する装置である。端末２０は、例えば、パーソナルコンピュータ（ＰＣ）、ノートＰＣ、タブレット端末、スマートフォン等を含む。
【0015】
画像識別装置１０は、以下に示す工程Ａ～Ｃの３つの工程の一部又は全部を行うことで、入力された画像が、判定対象機体で撮影された正規の画像なのか、若しくは偽物の画像であるのかを判定する。
【0016】
（工程Ａ：画像を撮影した機体判定）
画像識別装置１０は、入力された画像データのノイズ特徴量と判定対象機体のノイズ特徴量とを識別モデルに入力することで、画像データを撮影した機体が、判定対象機体であるのか否かを識別する。識別モデルは、入力された画像のノイズ特徴量が、判定対象機体のノイズ特徴量であるのか、判定対象機体と同一機種であるが異なる機体のノイズ特徴量であるのか、又は、判定対象機体と異なる機種かつ異なる機体のノイズ特徴量であるのかを識別するように予め学習されている。
画像識別装置１０は、入力された画像データのノイズ特徴量と判定対象機体のノイズ特徴量とを識別モデルに入力することで、画像データを撮影した機体が、判定対象機体であるのか否かを識別する。識別モデルは、入力された画像のノイズ特徴量が、判定対象機体のノイズ特徴量であるのか、判定対象機体と同一機種であるが異なる機体のノイズ特徴量であるのか、又は、判定対象機体と異なる機種かつ異なる機体のノイズ特徴量であるのかを識別するように予め学習されている。
【0017】
（工程Ｂ：分割画像を利用した画像の加工有無判定）
画像識別装置１０は、入力された画像データを複数に分割した画像（以下、「分割画像」と言う。）について、各分割画像のノイズ特徴量と判定対象機体のノイズ特徴量とを識別モデルに入力することで、各分割画像を撮影した機体が、判定対象機体と同一機体であるのか否かを識別する。同一機体ではない（つまり異なる機体である）と識別された分割画像が存在した場合、画像識別装置１０は、入力された画像データは加工された画像である可能性が高いと判定する。
画像識別装置１０は、入力された画像データを複数に分割した画像（以下、「分割画像」と言う。）について、各分割画像のノイズ特徴量と判定対象機体のノイズ特徴量とを識別モデルに入力することで、各分割画像を撮影した機体が、判定対象機体と同一機体であるのか否かを識別する。同一機体ではない（つまり異なる機体である）と識別された分割画像が存在した場合、画像識別装置１０は、入力された画像データは加工された画像である可能性が高いと判定する。
【0018】
（工程Ｃ：ノイズ特徴量の相関を利用した画像の加工有無判定）
画像識別装置１０は、入力された画像データのノイズ特徴量と、判定対象機体のノイズ特徴量との相関に基づき、入力された画像データが不正に加工された画像データであるか否かを識別する。画像識別装置１０は、当該相関が高い場合、入力された画像は加工された画像である可能性があると判定する。工程Ｃにより、攻撃者が、何らかの方法で判定対象機体のノイズ特徴量を入手し、他の機体で撮影した画像に含まれるノイズ特徴量を、入手したノイズ特徴量に置き換えることで、入力された画像が判定対象機体で撮影された画像であるかのように画像識別装置１０を誤認識させるといった攻撃を行うことを検知することができる。
画像識別装置１０は、入力された画像データのノイズ特徴量と、判定対象機体のノイズ特徴量との相関に基づき、入力された画像データが不正に加工された画像データであるか否かを識別する。画像識別装置１０は、当該相関が高い場合、入力された画像は加工された画像である可能性があると判定する。工程Ｃにより、攻撃者が、何らかの方法で判定対象機体のノイズ特徴量を入手し、他の機体で撮影した画像に含まれるノイズ特徴量を、入手したノイズ特徴量に置き換えることで、入力された画像が判定対象機体で撮影された画像であるかのように画像識別装置１０を誤認識させるといった攻撃を行うことを検知することができる。
【0019】
（工程Ａ～Ｃの組み合わせによる判定処理）
画像識別装置１０は、工程Ａ～工程Ｃの全てにおいて、入力された画像データが、判定対象機体で撮影された画像データであると識別され、かつ、入力された画像データは加工された画像ではないと識別された場合、入力された画像は正規の画像であると判定する。また、工程Ａ～工程Ｃの一部において、入力された画像データが、判定対象機体で撮影された画像データではないと識別され、又は、入力された画像データは加工された画像ではないと識別された場合、入力された画像は偽物の画像である可能性があると判定する。
画像識別装置１０は、工程Ａ～工程Ｃの全てにおいて、入力された画像データが、判定対象機体で撮影された画像データであると識別され、かつ、入力された画像データは加工された画像ではないと識別された場合、入力された画像は正規の画像であると判定する。また、工程Ａ～工程Ｃの一部において、入力された画像データが、判定対象機体で撮影された画像データではないと識別され、又は、入力された画像データは加工された画像ではないと識別された場合、入力された画像は偽物の画像である可能性があると判定する。
【0020】
なお、工程Ａ～Ｃの処理順序は問わない。例えば、工程Ｃ、工程Ａ及び工程Ｂの順で処理を行うようにしてもよいし、工程Ａ、工程Ｂ及び工程Ｃの順で処理を行うようにしてもよい。また、工程Ａ～Ｃのうち一部の工程は省略されていてもよい。例えば、画像識別装置１０は、工程Ａの識別結果のみを用いて判定を行うようにしてもよいし、工程Ｂの識別結果のみを用いて判定を行うようにしてもよい。また、工程Ｂ及び工程Ｃの識別結果を用いて当該判定を行うようにしてもよいし、工程Ａ及び工程Ｂの識別結果を用いて当該判定を行うようにしてもよいし、工程Ａ及び工程Ｃを用いて当該判定を行うようにしてもよい。
【0021】
＜ハードウェア構成＞
図２は、画像識別装置１０のハードウェア構成例を示す図である。画像識別装置１０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphical processing unit）等のプロセッサ１１、メモリ、ＨＤＤ（Hard Disk Drive）及び／又はＳＳＤ（Solid State Drive）等の記憶装置１２、有線又は無線通信を行う通信ＩＦ（Interface）１３、入力操作を受け付ける入力デバイス１４、及び情報の出力を行う出力デバイス１５を有する。入力デバイス１４は、例えば、キーボード、タッチパネル、マウス及び／又はマイク等である。出力デバイス１５は、例えば、ディスプレイ、タッチパネル及び／又はスピーカ等である。画像識別装置１０は、１又は複数の物理的なサーバ等から構成されていてもよいし、ハイパーバイザー（hypervisor）上で動作する仮想的なサーバを用いて構成されていてもよいし、クラウドサーバを用いて構成されていてもよい。また、画像識別装置１０はコンピュータと呼ばれてもよい。
図２は、画像識別装置１０のハードウェア構成例を示す図である。画像識別装置１０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphical processing unit）等のプロセッサ１１、メモリ、ＨＤＤ（Hard Disk Drive）及び／又はＳＳＤ（Solid State Drive）等の記憶装置１２、有線又は無線通信を行う通信ＩＦ（Interface）１３、入力操作を受け付ける入力デバイス１４、及び情報の出力を行う出力デバイス１５を有する。入力デバイス１４は、例えば、キーボード、タッチパネル、マウス及び／又はマイク等である。出力デバイス１５は、例えば、ディスプレイ、タッチパネル及び／又はスピーカ等である。画像識別装置１０は、１又は複数の物理的なサーバ等から構成されていてもよいし、ハイパーバイザー（hypervisor）上で動作する仮想的なサーバを用いて構成されていてもよいし、クラウドサーバを用いて構成されていてもよい。また、画像識別装置１０はコンピュータと呼ばれてもよい。
【0022】
＜機能ブロック構成＞
図３は、画像識別装置１０の機能ブロック構成例を示す図である。画像識別装置１０は、記憶部１００と、取得部１０１と、分割部１０２と、抽出部１０３と、識別部１０４と、判定部１０５と、学習部１０６とを含む。記憶部１００は、画像識別装置１０が備える記憶装置１２を用いて実現することができる。また、取得部１０１と、分割部１０２と、抽出部１０３と、識別部１０４と、判定部１０５と、学習部１０６とは、画像識別装置１０のプロセッサ１１が、記憶装置１２に記憶されたプログラムを実行することにより実現することができる。また、当該プログラムは、記憶媒体に格納することができる。当該プログラムを格納した記憶媒体は、コンピュータ読み取り可能な非一時的な記憶媒体（Non-transitory computer readable medium）であってもよい。非一時的な記憶媒体は特に限定されないが、例えば、ＵＳＢメモリ又はＣＤ－ＲＯＭ等の記憶媒体であってもよい。
図３は、画像識別装置１０の機能ブロック構成例を示す図である。画像識別装置１０は、記憶部１００と、取得部１０１と、分割部１０２と、抽出部１０３と、識別部１０４と、判定部１０５と、学習部１０６とを含む。記憶部１００は、画像識別装置１０が備える記憶装置１２を用いて実現することができる。また、取得部１０１と、分割部１０２と、抽出部１０３と、識別部１０４と、判定部１０５と、学習部１０６とは、画像識別装置１０のプロセッサ１１が、記憶装置１２に記憶されたプログラムを実行することにより実現することができる。また、当該プログラムは、記憶媒体に格納することができる。当該プログラムを格納した記憶媒体は、コンピュータ読み取り可能な非一時的な記憶媒体（Non-transitory computer readable medium）であってもよい。非一時的な記憶媒体は特に限定されないが、例えば、ＵＳＢメモリ又はＣＤ－ＲＯＭ等の記憶媒体であってもよい。
【0023】
記憶部１００は、判定対象機体のノイズ特徴量を格納するノイズ特徴量ＤＢ（Database）を記憶する。また、記憶部１００は、学習により生成された識別モデルのパラメータを格納する識別モデルＤＢを記憶する。なお、ノイズ特徴量ＤＢには、判定対象機体を一意に識別する識別子と、当該判定対象機体のノイズ特徴量とを対応づけて記憶することとしてもよい。また、識別モデルＤＢには、判定対象機体を一意に識別する識別子と、当該判定対象機体を識別可能なように学習された識別モデルのパラメータとを対応づけて記憶するようにしてもよい。また、ノイズ特徴量ＤＢに記憶される判定対象機体のノイズ特徴量は、識別モデルの学習に用いられた判定対象機体のノイズ特徴量であってもよい。
【0024】
取得部１０１は、画像識別装置１０に入力された画像データを取得する。分割部１０２は、取得部１０１で取得された画像データを複数の分割画像に分割する。抽出部１０３は、取得部１０１で取得された画像データのノイズ特徴量を抽出する。また、抽出部１０３は、分割部１０２で分割された複数の分割画像の各々のノイズ特徴量を抽出するようにしてもよい。
【0025】
識別部１０４は、画像データのノイズ特徴量と、判定対象機体のノイズ特徴量とを識別モデルに入力することで、画像データが、判定対象機体で撮影された画像データであるのか、判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別する。また、識別部１０４は、複数の分割画像の各々について、分割画像のノイズ特徴量と判定対象機体のノイズ特徴量とを識別モデルに入力することで、複数の分割画像の各々が、判定対象機体で撮影された分割画像であるのか、判定対象機体と同一機種であるが異なる機体で撮影された分割画像であるのか、又は、判定対象機体と異なる機種かつ異なる機体で撮影された分割画像であるのかを識別するようにしてもよい。
【0026】
判定部１０５は、識別部１０４による識別結果に基づいて、画像データが偽物である可能性があるか否かを判定する。また、判定部は、複数の分割画像のうち少なくとも一部が、判定対象機体と同一機種であるが異なる機体で撮影された分割画像、又は、判定対象機体と異なる機種かつ異なる機体で撮影された分割画像であると識別された場合、画像データは偽物である可能性があると判定するようにしてもよい。また、判定部１０５は、抽出部１０３で抽出されたノイズ特徴量と、判定対象機体のノイズ特徴量との相関値が所定値以上である場合、取得部１０１で取得された画像データは偽物である可能性があると判定するようにしてもよい。
【0027】
学習部１０６は、判定対象機体を含む機体で撮影された学習用画像データのノイズ特徴量と、判定対象機体を含む機体のノイズ特徴量と、正解データとを対応づけた学習用データを用いてモデルを学習させることで識別モデルを生成する。なお、正解データは、学習用画像データのノイズ特徴量が、判定対象機体のノイズ特徴量であるのか、判定対象機体と同一機種であるが異なる機体のノイズ特徴量であるのか、又は、判定対象機体と異なる機種かつ異なる機体のノイズ特徴量であるのかを示すデータを含んでいる。
【0028】
＜処理手順＞
（識別モデルの学習処理）
図４は、識別モデルを学習させる処理手順の一例を示すフローチャートである。識別モデルを学習させるために、予め、判定対象機体で撮影された複数の画像と、判定対象機体とは異なる機種の機体で撮影された複数の画像と、判定対象機体と同一機種であるが異なる機体で撮影された複数の画像とを用意しておく。これらの画像はどのような画像であってもよいが、より適切に各機体のノイズ特徴量を抽出するために、白い壁など、白色の物体を撮影した画像を利用することが好ましい。
（識別モデルの学習処理）
図４は、識別モデルを学習させる処理手順の一例を示すフローチャートである。識別モデルを学習させるために、予め、判定対象機体で撮影された複数の画像と、判定対象機体とは異なる機種の機体で撮影された複数の画像と、判定対象機体と同一機種であるが異なる機体で撮影された複数の画像とを用意しておく。これらの画像はどのような画像であってもよいが、より適切に各機体のノイズ特徴量を抽出するために、白い壁など、白色の物体を撮影した画像を利用することが好ましい。
【0029】
まず、学習部１０６は、判定対象機体を含む各機体のノイズ特徴量を生成する（Ｓ１００）。図５は、機体のノイズ特徴量を生成する処理手順を説明するための図である。まず、学習部１０６は、同一の機器で撮影された複数の画像データＰ１０の各々に対して、ノイズ除去処理を行うことで、ノイズを除去した複数の画像Ｐ１１を生成する。ノイズ除去処理は、例えば、ウェーブレット変換を用いたノイズ除去処理技術や、ノイズ除去処理を行うように学習されたＣＮＮ（Convolutional Neural Network）等を利用して行うことができる。次に、学習部１０６は、画像データＰ１０からノイズ除去後の画像データＰ１１を減算することで、各画像のノイズ特徴量Ｐ１２を生成する。当該減算処理は、例えば画素ごとに値（明度、彩度など）を減算することとしてもよい。次に、学習部１０６は、各画像のノイズ特徴量Ｐ１２を結合することで、機体のノイズ特徴量Ｐ１３を算出する。機体のノイズ特徴量を結合するとは、例えば、各画像のノイズ特徴量Ｐ１２について最尤推定を行う（画素毎に最尤推定を行う）ことであってもよい。若しくは、各画像のノイズ特徴量Ｐ１２の平均値（画素毎に平均値を計算する）を算出することであってもよい。図４に戻り説明を続ける。
【0030】
続いて、学習部１０６は、識別モデルを学習させるために用意された各画像のノイズ特徴量と、各機体のノイズ特徴量と、正解データとの組み合わせを複数作成することで、学習用データを生成する（Ｓ１０１）。図６は、学習用データの一例を示す図である。「ＤＤ（Different device, Different model）」は、異なる機体及び異なる機種を意味する。「ＤＳ（Different device, Same model）」は、異なる機体及び同一機種を意味する。「ＳＳ（Same device, Same model）」は、同一機体及び同一機種を意味する。例えば、図６の１行目に示す学習データは、機種Ｘである機体Ａで撮影された画像データのノイズ特徴量と、機体Ａのノイズ特徴量と、正解データ（同一機体及び同一機種）とが対応づけられた学習データである。図４に戻り説明を続ける。
【0031】
続いて、学習部１０６は、生成した学習用データを用いて、モデルを学習させることで、識別モデルを生成する（Ｓ１０２）。モデルは例えば、ＣＮＮであってもよいし、ＣＮＮとは異なるモデルであってもよい。
【0032】
なお、画像識別装置１０は、以上説明した識別モデルの学習処理を、判定対象機体ごとに行うようにしてもよい。また、画像識別装置１０は、判定対象機体ごとに、ノイズ特徴量をノイズ特徴量ＤＢに格納し、判定対象機体ごとに、識別モデルを識別モデルＤＢに格納するようにしてもよい。
【0033】
（工程Ａ：画像を撮影した機体判定）
図７は、画像を撮影した機体を判定する処理手順の一例を示す図である。取得部１０１は、画像識別装置１０に入力された、判定対象の画像データと、判定対象機体の識別子とを取得する（Ｓ２００）。続いて、識別部１０４は、ノイズ特徴量ＤＢ及び識別モデルＤＢを参照し、判定対象機体の識別子に対応するノイズ特徴量及び識別モデルを取得する（Ｓ２０１）。続いて、抽出部１０３は、判定対象の画像データから、ノイズ特徴量を抽出する（Ｓ２０２）。ノイズ特徴量の抽出は、識別モデルの学習処理で説明したノイズ除去処理を利用することで行うことができる。続いて、識別部１０４は、ステップＳ２０１で取得した識別モデルに、ステップ２０１で取得した判定対象機体のノイズ特徴量と、抽出部１０３で抽出された判定対象の画像データのノイズ特徴量とを入力することで、識別結果を取得する（Ｓ２０３）。ここで、識別モデルは、判定対象の画像データが、判定対象機体で撮影された画像データであるのか、判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別した結果を出力する。より具体的には、識別モデルは、例えば、判定対象機体で撮影された画像データである確率（以下、「確率ＳＳ」と言う。）、判定対象機体と異なる機種かつ異なる機体で撮影された画像データである確率（以下、「確率ＤＳ」と言う。）、及び、判定対象機体と異なる機種かつ異なる機体で撮影された画像データである確率（以下、「確率ＤＤ」と言う。）を出力する。
図７は、画像を撮影した機体を判定する処理手順の一例を示す図である。取得部１０１は、画像識別装置１０に入力された、判定対象の画像データと、判定対象機体の識別子とを取得する（Ｓ２００）。続いて、識別部１０４は、ノイズ特徴量ＤＢ及び識別モデルＤＢを参照し、判定対象機体の識別子に対応するノイズ特徴量及び識別モデルを取得する（Ｓ２０１）。続いて、抽出部１０３は、判定対象の画像データから、ノイズ特徴量を抽出する（Ｓ２０２）。ノイズ特徴量の抽出は、識別モデルの学習処理で説明したノイズ除去処理を利用することで行うことができる。続いて、識別部１０４は、ステップＳ２０１で取得した識別モデルに、ステップ２０１で取得した判定対象機体のノイズ特徴量と、抽出部１０３で抽出された判定対象の画像データのノイズ特徴量とを入力することで、識別結果を取得する（Ｓ２０３）。ここで、識別モデルは、判定対象の画像データが、判定対象機体で撮影された画像データであるのか、判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別した結果を出力する。より具体的には、識別モデルは、例えば、判定対象機体で撮影された画像データである確率（以下、「確率ＳＳ」と言う。）、判定対象機体と異なる機種かつ異なる機体で撮影された画像データである確率（以下、「確率ＤＳ」と言う。）、及び、判定対象機体と異なる機種かつ異なる機体で撮影された画像データである確率（以下、「確率ＤＤ」と言う。）を出力する。
【0034】
続いて、判定部１０５は、識別モデルからの出力結果に基づいて、判定対象の画像データが本物であるのか、又は偽物であるのかを判定する（Ｓ２０４）。例えば、確率ＳＳが所定閾値以上（例えば０．７（７０％）以上等）である場合、判定部１０５は、判定対象の画像データは、正規の画像であると判定するようにしてもよい。一方、確率ＤＳ又は確率ＤＤが所定閾値以上（例えば０．５（５０％）以上等）である場合、判定部１０５は、判定対象の画像データは、偽物の画像である可能性があると判定するようにしてもよい。なお、所定閾値は一例に過ぎず、これに限定されるものではない。
【0035】
以上説明した工程Ａにおいて、判定対象機体のノイズ特徴量及び判定対象機体に対応する識別モデルは、画像の回転度数ごと（例えば、回転無し、９０度回転、１８０度回転、－９０度回転など）、画像サイズごと及び／又は拡大率ごとに生成され、ノイズ特徴量ＤＢ及び識別モデルＤＢに格納されていてもよい。また、取得部１０１は、ステップＳ２００の処理手順において、画像データの回転度数、画像サイズ及び／又は拡大率を示すデータも取得するようにしてもよい。識別部１０４は、判定対象の画像の回転度数、画像サイズ及び／又は拡大率に対応するノイズ特徴量及び識別モデルを用いて識別処理を行うことが可能になる。なお、ここで拡大率は光学ズームやデジタルズーム機能における拡大率を意味している。
【0036】
（工程Ｂ：分割画像を利用した画像の加工有無判定）
図８は、画像の一部が加工されている可能性を判定する処理手順の一例を示す図である。なお、以下の説明において、識別モデルは、工程Ｂの手順で用いられる分割画像と同一サイズの画像を用いて予め学習が行われていると仮定する。また、ノイズ特徴量ＤＢにも、工程Ｂの手順で用いられる分割画像と同一サイズの画像を用いて予め生成された、判定対象機体のノイズ特徴量が格納されているものと仮定する。
図８は、画像の一部が加工されている可能性を判定する処理手順の一例を示す図である。なお、以下の説明において、識別モデルは、工程Ｂの手順で用いられる分割画像と同一サイズの画像を用いて予め学習が行われていると仮定する。また、ノイズ特徴量ＤＢにも、工程Ｂの手順で用いられる分割画像と同一サイズの画像を用いて予め生成された、判定対象機体のノイズ特徴量が格納されているものと仮定する。
【0037】
ステップＳ３００及びステップＳ３０１の処理手順は、図７のステップＳ２００及びステップＳ２０１の処理手順と同一であるため説明を省略する。続いて、分割部１０２は、判定対象の画像データを複数の画像に分割する（Ｓ３０２）。分割画像のサイズは任意であるが、例えば、５００ピクセル四方、２５０ピクセル四方、１２５ピクセル四方などであってもよい。ここで、分割画像の一例を図９に示す。画像Ｐ２０は、判定対象の画像（分割前の画像）であり、画像Ｐ２１は、判定対象の画像Ｐ２１０を複数に分割した画像を示している。画像Ｐ２１の１マスが、１つの分割画像に対応する。図７に戻り説明を続ける。
【0038】
続いて、抽出部１０３は、各分割画像からノイズ特徴量を抽出する（Ｓ３０３）。続いて、識別部１０４は、分割画像ごとに、分割画像のノイズ特徴量と、判定対象機体のノイズ特徴量とを識別モデルに入力することで、分割画像ごとの識別結果を取得する（Ｓ３０４）。ここで、識別モデルは、分割画像の画像データが、判定対象機体で撮影された画像データであることを示す確率ＳＳ（第１確率値）、判定対象機体と同一機種であるが異なる機体で撮影された画像データであることを示す確率ＤＳ（第２確率値）、又は、判定対象機体と異なる機種かつ異なる機体で撮影された画像データであることを示す確率ＤＤ（第３確率値）を出力する。
【0039】
続いて、判定部１０５は、識別モデルからの分割画像ごとの出力結果に基づいて、判定対象の画像データが正規であるのか、又は偽物であるのかを判定する（Ｓ３０５）。判定部１０５は、複数の分割画像の中に、判定対象機体と同一機種であるが異なる機体で撮影されたと識別された分割画像、又は、前記判定対象機体と異なる機種かつ異なる機体で撮影されたと識別された分割画像が存在する場合、判定対象の画像データは偽物である可能性があると判定するようにしてもよい。より具体的には、判定部１０５は、確率ＤＳ又は確率ＤＤが、確率ＳＳ以上又は確率ＳＳを超える分割画像が存在する場合、判定対象の画像データは、偽物の画像である可能性があると判定するようにしてもよい。
【0040】
また、判定部１０５は、確率ＤＳ及び確率ＤＤが、確率ＳＳ未満又は確率ＳＳ以下である分割画像であっても、当該分割画像の周囲の分割画像における確率ＳＳ、確率ＤＳ及び確率ＤＤと、当該分割画像における確率ＳＳ、確率ＤＳ及び確率ＤＤとが大きく異なる場合、当該分割画像は加工されている可能性がある（つまり、判定対象の画像データは偽物である可能性がある）と判定するようにしてもよい。
【0041】
より具体的には、判定部１０５は、識別モデルに分割画像のノイズ特徴量と判定対象機体のノイズ特徴量とを入力することで得られる確率ＳＳ、確率ＤＳ及び確率ＤＤのうち、確率ＳＳが最も高い値である所定の分割画像が存在する場合、当該所定の分割画像と当該所定の分割画像に隣接する複数の隣接画像とにおける確率ＳＳの平均値、確率ＤＳの平均値及び確率ＤＤの平均値を算出する。続いて、判定部１０５は、当該所定の分割画像の確率ＳＳと複数の隣接画像における確率ＳＳの平均値との第１差分、当該所定の分割画像の確率ＤＳと複数の隣接画像における確率ＤＳの平均値との第２差分、及び当該所定の分割画像の確率ＤＤと複数の隣接画像における確率ＤＤの平均値との第３差分を算出する。続いて、判定部１０５は、第１差分、第２差分及び第３差分のうち少なくとも一部の差分（差分の絶対値）が、所定閾値以上である場合、当該分割画像は加工されている可能性がある（つまり、判定対象の画像データは偽物である可能性がある）と判定するようにしてもよい。
【0042】
図１０を用いて具体例を説明する。図１０において、分割画像ＤＰ３１～ＤＰ３４における確率ＳＳ、確率ＤＳ及び確率ＤＤの平均値は、それぞれ、０．７５、０．１３７５及び０．１０５である。また、分割画像ＤＰ３４における確率ＳＳ、確率ＤＳ及び確率ＤＤと確率ＳＳの平均値、確率ＤＳの平均値及び確率ＤＤの平均値との差分の絶対値は、それぞれ、０．２５、０．１６２５及び０．０９５である。ここで所定閾値を０．２とした場合、分割画像ＤＰ３２における確率ＳＳと確率ＳＳの平均値の差分０．２５は、当該所定閾値を超えることになる。従って、判定部１０５は、分割画像ＤＰ３４は、加工されている可能性があると判定するようにしてもよい。
【0043】
なお、図１０の例では、ＤＰ３４に隣接する分割画像は、分割画像ＤＰ３１～ＤＰ３３であるとしたが、これに限定されない。ＤＰ３４に隣接する分割画像には、ＤＰ３４の右上、右側、右下、真下及び左下に隣接する分割画像も含まれることとしてもよい。
【0044】
また、判定部１０５は、以下の式により決定されるはスコア（Scorefake）が所定閾値以上である場合に、分割画像は加工されている可能性があると判定するようにしてもよい。
ここで、ｄｉｓｔＡは、分割画像を更に４分割した各分割画像の確率ＳＳ、確率ＤＳ及び確率ＤＤの平均値から構成される行列（図１１のＶ４１）である。ｄｉｓｔＢは、分割画像の確率ＳＳ、確率ＤＳ及び確率ＤＤから構成される行列（図１１のＶ４０）である。Argmax(distA)=classddは、ｄｉｓｔＡのうち確率ＤＤの値が最も大きい場合「１」になり、それ以外の場合は「０」になる。Argmax(distB)≠classssは、ｄｉｓｔＢのうち確率ＤＳ又は確率ＤＤの値が最も大きい場合「１」になり、確率ＳＳが最も大きい場合は「０」になる。つまり、ｄｉｓｔＡ及びｄｉｓｔＢにて確率ＳＳが最も大きい場合、ｄｉｆｆ１は０になることから、スコアはゼロになる。また、ｄｉｆｆ２は、ｄｉｓｔＡとｄｉｓｔＢの行列の差分（つまり、ｄｉｓｔＡの確率ＳＳとｄｉｓｔＢの確率ＳＳとの差分、ｄｉｓｔＡの確率ＤＳとｄｉｓｔＢの確率ＤＳとの差分、ｄｉｓｔＡの確率ＤＤとｄｉｓｔＢの確率ＤＤとの差分）のうち最大のものであるため、ｄｉｓｔＡ及びｄｉｓｔＢの差分が小さい場合、ｄｉｆｆ２は０に近づくことから、スコアもゼロに近づくことになる。
【数1】
【0045】
（工程Ｃ：ノイズ特徴量の相関を利用した画像の加工有無判定）
図１２は、ノイズ特徴量の相関を利用した画像の加工有無を判定する処理手順の一例を示す図である。
図１２は、ノイズ特徴量の相関を利用した画像の加工有無を判定する処理手順の一例を示す図である。
【0046】
ステップＳ４００の処理手順は、図７のステップＳ２００の処理手順と同一であるため説明を省略する。識別部１０４は、ノイズ特徴量ＤＢを参照し、判定対象機体の識別子に対応するノイズ特徴量を取得する（Ｓ４０１）。続いて、抽出部１０３は、判定対象の画像データから、ノイズ特徴量を抽出する（Ｓ４０２）。続いて、判定部１０５は、判定対象の画像データのノイズ特徴量と、判定対象機体のノイズ特徴量との相関値を算出する（Ｓ４０３）。本実施形態では、相関値の計算は、どのような方法で行われてもよい。例えば、相関値の計算方法として、ＳＳＤ（Sum of Squared Difference）、ＳＡＤ（Sum of Absolute Difference）、ＮＣＣ（Normalized Cross Correlation）等が挙げられるが、これらに限定されるものではない。
【0047】
続いて、判定部１０５は、相関値が所定閾値以上である場合、判定対象の画像データは偽物である可能性があると判定する。なお、相関値が所定閾値未満である場合、判定部１０５は、更に、工程Ａ又は工程Ｂの処理手順を行うことで、判定対象の画像データが正規の画像であるのか又は偽物の画像であるのかについて判定を行う。
【0048】
＜まとめ＞
本実施形態によれば、画像識別装置１０は、判定対象の画像データが、判定対象機体で撮影された画像データであるのか、判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別するようにした。これにより、画像を撮影した機体を識別することが可能な技術を提供することが可能になる。
本実施形態によれば、画像識別装置１０は、判定対象の画像データが、判定対象機体で撮影された画像データであるのか、判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別するようにした。これにより、画像を撮影した機体を識別することが可能な技術を提供することが可能になる。
【0049】
また、本実施形態によれば、画像識別装置１０は、画像が撮影された機体を識別モデルを用いて判別する処理において、判定対象の画像データが、判定対象機体で撮影された画像データあるのか否かの２択をモデルに識別させるのではなく、判定対象の画像データが、判定対象機体で撮影された画像データであるのか、判定対象機体と同一機種であるが異なる機体で撮影された画像データであるのか、又は、判定対象機体と異なる機種かつ異なる機体で撮影された画像データであるのかを識別させるようにした。これにより、より少ない学習用データでより識別精度が高いモデルを生成することが可能になる。
【0050】
以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態で説明したフローチャート、シーケンス、実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。
【符号の説明】
【0051】
１…画像識別システム、１０…画像識別装置、１１…プロセッサ、１２…記憶装置、１３…通信ＩＦ、１４…入力デバイス、１５…出力デバイス、２０…端末、１００…記憶部、１０１…取得部、１０２…分割部、１０３…抽出部、１０４…識別部、１０５…判定部、１０６…学習部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】