專利名稱：圖像簽名提取設(shè)備的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種用于提取圖像簽名的系統(tǒng)，所述圖像簽名是用于標識圖像(確定圖像同一性(identity))的特征。
背景技術(shù)：
圖像簽名是用于標識圖像(確定圖像同一性)的特征。通過將從圖像中提取的圖像簽名與從另一圖像中提取的圖像簽名進行比較，可以根據(jù)比較結(jié)果來計算指示兩個圖像相同程度的同一性標度(一般稱為相似度或距離)。此外，通過將所計算的同一性標度與閾值進行比較，可以確定兩個圖像是否相同。在這里的上下文中，“兩個圖像相同”的含義不僅包括兩個圖像在圖像信號(構(gòu)成圖像的像素的像素值)級相同的情況，還包括一個圖像是另一圖像通過各種變化過程的復制圖像的情況，變化過程如圖像的壓縮格式的轉(zhuǎn)換、圖像的大小/寬高比的轉(zhuǎn)換、圖像的色調(diào)的調(diào)整、應用于圖像的各種濾波過程(銳化、平滑等等)、應用于圖像的局部處理(字幕疊加、剪切等等)、以及圖像的重新捕捉。通過使用圖像簽名，由于可以檢測圖像的復制或者移動圖像(為一組圖像)，例如，圖像簽名適用于圖像或移動圖像的合法拷貝檢測系統(tǒng)。專利文獻1描述了圖像簽名的示例。圖18是示出了專利文獻1中描述的提取圖像簽名的方法的示意圖。該圖像簽名是多維(在圖18中為16維)特征向量。該方法包括在圖像240中，在預定位置分別計算32塊矩形區(qū)域圖18示出了其中16塊矩形區(qū)域)的平均亮度；以及計算形成對的矩形區(qū)域(圖18中利用虛線248互相連接的成對矩形區(qū)域)之間的平均亮度的差值，從而獲得16維差向量250。關(guān)于差向量250，通過向量變換產(chǎn)生復合向量，并且使用通過對復合向量的相應緯度進行量化而獲取的16維量化索引向量作為圖像簽名。專利文獻1 日本未審專利公開No. 8-500471

發(fā)明內(nèi)容
在由多維特征向量形成的圖像簽名中，由于維度之間的相關(guān)性較小，特征向量保存的信息量較大(冗余較小)，因此這種圖像簽名具有較高辨別能力(辨別不同圖像的程度)。相反，如果特征向量中的維度之間的相關(guān)性較大，則由于特征向量保存的信息量較小 (冗余較大)，因此辨別能力較低。應當注意，維度之間的相關(guān)性是從維度的特征中出現(xiàn)的相似性程度，在數(shù)學上，例如，如果將每個維度的特征的出現(xiàn)設(shè)置為概率變量，則維度之間的相關(guān)性是被計算為概率變量之間的相關(guān)性系數(shù)或互信息量的值。因此，期望由多維特征向量形成的圖像簽名應當被設(shè)計為使得維度之間的相關(guān)性較小。圖像信號(構(gòu)成圖像的像素的像素值)具有圖像的局部區(qū)域之間的相關(guān)性。一般地，由于局部區(qū)域之間的距離較短，因此相關(guān)性較大。具體地，在指定圖像圖案重復出現(xiàn)的圖像中(尤其在圖像圖案以規(guī)則周期重復出現(xiàn)的情況下)(例如，以柵格圖案布置的建筑物窗戶的圖像，見圖19(A))或者在由特定紋理形成的圖像中(見圖19(B))，例如，圖像的局部區(qū)域之間的相關(guān)性較大。[第一問題]對于由包括從圖像的多個局部區(qū)域中提取的特征在內(nèi)的特征向量形成的圖像簽名，如專利文獻1中所述，由于對于圖像中局部區(qū)域之間的相關(guān)性較大的圖像，在每個維度中用于提取特征的局部區(qū)域的形狀相同(在專利文獻1的示例中為相同形狀的矩形區(qū)域)， 因此所提取的特征的維度之間的相關(guān)性較大。因此，存在第一問題圖像簽名(特征向量) 的辨別能力較低。應當注意，形狀相同意味著區(qū)域相同，包括其大小和角度(傾斜或朝向)。例如，專利文獻1中描述的圖像特征對于指定圖像圖案重復出現(xiàn)的圖像(見圖 19(A))或由特定紋理形成的圖像(見圖19(B))具有較低的辨別能力。[第二問題]專利文獻1中描述的圖像簽名的第二問題在于由于用于計算特征(特征向量) 的相應維度的區(qū)域的形狀為相同的矩形形狀(包括大小和角度)，因此在頻率上存在盲點， 在盲點處不能檢測到具有與矩形的邊長相同或者是其整數(shù)分之一的周期的頻率分量。這是由于，如果針對這種特定頻率的信號分量，在區(qū)域內(nèi)計算平均，則無論信號分量的幅度如何，該值變?yōu)?，使得完全不能檢測到這種頻率分量的信號。更具體地，假定具有與矩形邊長相同周期的頻率為fo，則不能檢測到頻率Iiftl的分量(η = 1，2，3，…)。因此，對于信號集中于直流分量和這種頻率分量的圖像，平均像素值變?yōu)榕c直流分量相同，從而在區(qū)域之間沒有數(shù)值上的差異。因此，作為區(qū)域之間的平均像素值的差值而提取的每個特征的值變?yōu)?0，使得不能執(zhí)行辨別(辨別能力顯著降低)。實際上，由于不僅難以檢測頻率Iiftl的分量(η =1,2,3,…)而且難以檢測特定附近頻率區(qū)域，即使信號不集中于上述特定頻率，也不能使用這種頻帶的信號分量，從而降低了辨別能力。為了減輕該問題，可以增大頻率fo的值， 以減小落入難以檢測的頻帶的電信號。然而，增大頻率fo的值意味著減小區(qū)域的大小，導致頻率健壯性(特征不隨各種改變過程或噪聲而變化的程度)降低。例如，如果區(qū)域變小， 則特征的值相對于較小的位置偏移變化較大，從而降低了特征的健壯性。如上所述，在使用相同的矩形區(qū)域時，極其難以在提高辨別能力的同時確保健壯性。[本發(fā)明的目的]本發(fā)明的目的是提供一種圖像簽名提取設(shè)備，能夠解決從圖像(在圖像中的局部區(qū)域之間具有較大相關(guān)性的圖像，或具有集中于特定頻率的信號的圖像)中提取的圖像簽名具有較低辨別能力(辨別不同圖像的程度)的問題。根據(jù)本發(fā)明的一方面，一種圖像簽名提取設(shè)備，包括圖像簽名產(chǎn)生單元，根據(jù)圖像中的多個子區(qū)域?qū)?，從圖像中的相應子區(qū)域中提取區(qū)域特征，所述多個子區(qū)域?qū)Πㄖ辽僖粋€子區(qū)域?qū)?，所述至少一個子區(qū)域?qū)χ械膬蓚€子區(qū)域的形狀的組合和所述至少一個子區(qū)域?qū)χ械膬蓚€子區(qū)域之間的相對位置與其他子區(qū)域?qū)χ械闹辽僖粚Σ煌?，并基于所提取的相應子區(qū)域的區(qū)域特征，產(chǎn)生要用于標識圖像的圖像簽名；以及編碼單元，對圖像簽名進行編碼。如上所述配置本發(fā)明，可以提高辨別能力(辨別不同圖像的程度)。具體地，對于圖像中的局部區(qū)域之間的相關(guān)性較高的圖像，明顯實現(xiàn)了這種有利效果。此外，本發(fā)明還提供了另一有利效果對于具有集中于特定頻率的信號的圖像，不降低辨別能力。
8


圖1是示出了本發(fā)明第一實施例的框圖。圖2是示出了由每維度提取信息示出的相應維度的示例提取區(qū)域?qū)Φ氖疽鈭D。圖3是示出了本發(fā)明第一實施例中的比較單元的示例的框圖。圖4是示出了本發(fā)明第一實施例中的比較單元的另一示例的框圖。圖5是示出了本發(fā)明第一實施例中的處理流程的流程圖。圖6是示出了本發(fā)明第二實施例的主要部分的框圖。圖7是示出了本發(fā)明第二實施例中的處理流程的流程圖。圖8是示出了本發(fā)明第三實施例的框圖。圖9是示出了相應維度的區(qū)域特征計算方法的示例的表。圖10是示出了本發(fā)明第三實施例中的處理流程的流程圖。圖11是示出了本發(fā)明第四實施例的框圖。圖12是示出了相應維度的比較和量化方法的示例的表。圖13是示出了本發(fā)明第四實施例中的處理流程的流程圖。圖14-a是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度提取區(qū)域信息的表。圖14-b是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度提取區(qū)域信息的表。圖14-c是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度提取區(qū)域信息的表。圖14-d是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度提取區(qū)域信息的表。圖14-e是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度提取區(qū)域信息的表。圖14-f是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度提取區(qū)域信息的表。圖14-g是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度提取區(qū)域信息的表。圖14-h是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度提取區(qū)域信息的表。圖14-i是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度提取區(qū)域信息的表。圖14-j是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度提取區(qū)域信息的表。圖15-a是示出了在本發(fā)明的第六實施例中使用的每維度區(qū)域特征計算方法信息的表。圖15-b是示出了在本發(fā)明的第六實施例中使用的每維度區(qū)域特征計算方法信息的表。
圖15-c是示出了在本發(fā)明的第六實施例中使用的每維度區(qū)域特征計算方法信息的表。圖15-d是示出了在本發(fā)明的第六實施例中使用的每維度區(qū)域特征計算方法信息的表。圖15-e是示出了在本發(fā)明的第六實施例中使用的每維度區(qū)域特征計算方法信息的表。圖16-a是示出了在本發(fā)明的第七實施例中使用的每維度區(qū)域特征計算方法信息的表。圖16-b是示出了在本發(fā)明的第七實施例中使用的每維度區(qū)域特征計算方法信息的表。圖16-c是示出了在本發(fā)明的第七實施例中使用的每維度區(qū)域特征計算方法信息的表。圖16-d是示出了在本發(fā)明的第七實施例中使用的每維度區(qū)域特征計算方法信息的表。圖16-e是示出了在本發(fā)明的第七實施例中使用的每維度區(qū)域特征計算方法信息的表。圖17-a是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度比較和量化方法信息的表。圖17-b是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度比較和量化方法信息的表。圖17-c是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度比較和量化方法信息的表。圖17-d是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度比較和量化方法信息的表。圖17-e是示出了在本發(fā)明的第六實施例和第七實施例中使用的每維度比較和量化方法信息的表。圖18是專利文獻1中描述的提取圖像簽名的方法的示意圖。圖19是示出了局部區(qū)域之間的相關(guān)性較大的圖像的示例的示意圖。圖20是示出了本發(fā)明第五實施例的框圖。圖21是示出了執(zhí)行量化索引向量之間的匹配的匹配單元的框圖。圖22是示出了執(zhí)行量化索引向量之間的匹配的匹配單元執(zhí)行的示例過程的流程圖。圖23是示出了執(zhí)行量化索引向量之間的匹配的匹配單元執(zhí)行的另一示例過程的流程圖。圖M是執(zhí)行量化索引向量之間的匹配的匹配單元執(zhí)行的又一示例過程的流程圖。圖25是示出了執(zhí)行量化索引向量之間的匹配的匹配單元的另一配置的框圖。圖沈是執(zhí)行量化索引向量之間的匹配的匹配單元執(zhí)行的示例過程的流程圖。圖27是執(zhí)行量化索引向量之間的匹配的匹配單元執(zhí)行的另一示例過程的流程圖。圖觀是示出了應用于通過將圖像劃分為垂直方向32部分和水平方向32部分而形成的IOM塊的索引的示例的表。圖四-a是示出了本發(fā)明的第八實施例中，在與相應維度相對應的區(qū)域中屬于一個類型的區(qū)域的表。圖四-b是示出了本發(fā)明的第八實施例中，在與相應維度相對應的區(qū)域中屬于一個類型的區(qū)域的表。圖四-c是示出了本發(fā)明的第八實施例中，在與相應維度相對應的區(qū)域中屬于一個類型的區(qū)域的表。圖四-d是示出了本發(fā)明的第八實施例中，在與相應維度相對應的區(qū)域中屬于一個類型的區(qū)域的表。圖四-e是示出了本發(fā)明的第八實施例中，在與相應維度相對應的區(qū)域中屬于一個類型的區(qū)域的表。圖四-f是示出了本發(fā)明的第八實施例中，在與相應維度相對應的區(qū)域中屬于一個類型的區(qū)域的表。圖四-g是示出了本發(fā)明的第八實施例中，在與相應維度相對應的區(qū)域中屬于一個類型的區(qū)域的表。圖30是示出了每個維度的區(qū)域類型、維度數(shù)目和與閾值相對應的索引之間的關(guān)系的表。圖31-a是示出了區(qū)域類型a的維度的第一和第二提取區(qū)域的示例的示意圖。圖31-b是示出了區(qū)域類型b的維度的第一和第二提取區(qū)域的示例的示意圖。圖31-c是示出了區(qū)域類型c的維度的第一和第二提取區(qū)域的示例的示意圖。圖31-d是示出了區(qū)域類型d的維度的第一和第二提取區(qū)域的示例的示意圖。圖31-e是示出了區(qū)域類型e的維度的第一和第二提取區(qū)域的示例的示意圖。圖31-f是示出了區(qū)域類型f的維度的第一和第二提取區(qū)域的示例的示意圖。圖31-g是示出了區(qū)域類型g的維度的第一和第二提取區(qū)域的示例的示意圖。
具體實施例方式[第一實施例][第一實施例的配置]接下來，參照附圖來詳細描述本發(fā)明的第一實施例。參照圖1，根據(jù)本發(fā)明第一實施例的圖像簽名提取設(shè)備是一種針對輸入圖像輸出由多個維度形成的特征向量(更具體為量化索引向量)作為圖像簽名的系統(tǒng)。該圖像簽名提取設(shè)備包括維度確定單元1 ；提取區(qū)域獲取單元2 ；區(qū)域特征計算單元3 ；以及比較單元 4。維度確定單元1確定接下來要提取的特征向量的維度，并將其提供給提取區(qū)域獲取單元2。維度確定單元1順序地提供要提取的特征向量的維度，并且在提取區(qū)域獲取單元 2提取與所提供的維度相對應的特征之后提供構(gòu)成元素。例如，如果特征向量由N維形成， 則維度確定單元1可以順序地將第1維至第N維提供給提取區(qū)域獲取單元2。如果最終提供了特征向量的所有維度，則可以以任何順序來提供維度。還可以并行地提供多個維度。除了從維度確定單元1提供的維度之外，還向提取區(qū)域獲取單元2提供每維度提取區(qū)域信息作為輸入。每維度提取區(qū)域信息是指示用于提取維度的特征的第一提取區(qū)域和第二提取區(qū)域的預定對的信息，該信息與特征向量的每個維度相關(guān)聯(lián)。第一和第二提取區(qū)域具有以下特征作為先決條件。[第一和第二提取區(qū)域的先決條件]第一和第二提取區(qū)域的先決條件是一對提取區(qū)域的相對位置在維度間不同，并且一對提取區(qū)域的形狀的組合在維度之間不同。圖2示出了示例提取區(qū)域?qū)?，針對每維度提取區(qū)域信息所指示的每個維度，滿足先決條件。與圖18中所示的圖像簽名的提取區(qū)域不同，提取區(qū)域?qū)Φ男螤畹慕M合在各個維度之間不同。形狀不同包括不同角度的相同形狀(例如圖2中第1維度的第二提取區(qū)域和第7維度的第一提取區(qū)域)以及不同大小的相似形狀(例如圖2中第1維度的第二提取區(qū)域和第9維度的第二提取區(qū)域)。應當注意，最小條件是在特征向量的所有維度中包括至少一個維度，該至少一個維度中的提取區(qū)域?qū)哂胁煌螤畹慕M合。期望特征向量包括大量維度，這些維度具有形狀(的組合)互不相同的提取區(qū)域?qū)?。這是由于，當特征向量包括形狀(的組合)互不相同的提取區(qū)域?qū)r，在特征向量中，維度之間的大量相關(guān)性變小，從而辨別能力變高。例如，在特征向量的所有維度中，提取區(qū)域?qū)Φ男螤羁梢曰ゲ幌嗤＞S度中的第一提取區(qū)域和第二提取區(qū)域不必需具有與圖2的第9維度中所示的相同的形狀，而是可以具有如圖2的其他維度中所示的不同形狀。如果在每個維度中第一提取區(qū)域和第二提取區(qū)域的形狀不同，則從第一提取區(qū)域和第二提取區(qū)域中提取的特征之間的相關(guān)性變小，從而辨別能力變高。因此，這是有利的。此外，在該情況下，由于第一提取區(qū)域和第二提取區(qū)域同時變?yōu)獒槍ο嗤l率的盲點的可能性較小，因此辨別能力變高。各個提取區(qū)域可以采取任何形狀。例如，任何復雜形狀(如圖2中第6維度的第二提取區(qū)域)也是可接受的。如果提取區(qū)域由圖像中的多個像素形成，則線段和曲線也是可接受的，如圖2中的第7維度和第10維度中所示。此外，提取區(qū)域可以由多個不連續(xù)小區(qū)域組成，如第8維度的第一提取區(qū)域、第11維度的第一和第二提取區(qū)域以及第12維度的第一提取區(qū)域。如上所述，如果特征向量包括具有復雜形狀的提取區(qū)域，則可以降低從其提取的特征的維度之間的相關(guān)性，從而辨別能力可以更高。此外，第一提取區(qū)域和第二提取區(qū)域的部分還可以互相重疊，如在圖2的第5維度中。此外，一對提取區(qū)域中的任一個提取區(qū)域可以包括在另一個提取區(qū)域中。如上所述，通過允許一對提取區(qū)域重疊，由于可以針對提取區(qū)域?qū)梢圆扇「罅繄D案(相對位置、距離)，因此可以增加能夠降低維度之間相關(guān)性的圖案，從而提高改進辨別能力的可能性。此外，與圖18中所示的圖像簽名的提取區(qū)域不同，如圖2中所示的各個維度，提取區(qū)域的部分可以在維度之間互相重疊。如果如圖18中所示的圖像簽名的提取區(qū)域中所示， 在維度之間排他地取得提取區(qū)域，則提取區(qū)域?qū)Φ目赡軋D案是有限的。通過如圖2所示允許提取區(qū)域在維度之間重疊，可以增加能夠降低維度之間相關(guān)性的圖案，從而提高改進辨別能力的可能性。然而，如果存在提取區(qū)域在維度之間的過多重疊部分，則維度之間的相關(guān)性變大，從而辨別能力變低。因此，這是不利的。
此外，期望將提取區(qū)域取為使得在針對所有維度將提取區(qū)域組合時，不從中提取特征的區(qū)域較小(這意味著可以覆蓋幾乎全部屏幕圖像)。如果如圖18中的情況那樣，不從中提取特征的區(qū)域較大，則圖像信號(構(gòu)成圖像的像素的像素值)中包括的大部分信息未被使用，從而辨別能力不高。通過將提取區(qū)域取為使得在針對所有維度將提取區(qū)域組合時，不從中提取特征的區(qū)域較小(這意味著可以覆蓋幾乎全部屏幕圖像)，圖像信號中包括的較大部分信息可以反映在特征上，從而辨別能力可以較高。此外，期望在針對所有維度將提取區(qū)域組合時，提取特征不偏倚，而是從整個圖像中均勻地獲得。然而，如果對指定區(qū)域執(zhí)行局部處理(如字幕疊加)的概率較高，則期望在避免這種區(qū)域的同時獲得提取區(qū)域。此外，一般地，由于圖像邊緣周圍的區(qū)域通常不包括圖像的特征部分，因此期望在避免這種環(huán)繞區(qū)域的同時獲得提取區(qū)域。此外，期望提取區(qū)域的大小和相對位置(距離、方向)服從特定分布(例如均勻分布)，因為如果相對位置(距離、方向)服從均勻分布，則提取區(qū)域關(guān)于距離或方向不偏倚， 從而可以實現(xiàn)較寬的變化。此外，由于隨著相對位置接近，區(qū)域之間的相關(guān)性較大，因此為了抵消這種效應，期望隨著相對位置越靠近，形狀上的差異越大。如果可以利用每維度提取區(qū)域信息來唯一指定針對每個維度的第一提取區(qū)域和第二提取區(qū)域，則該信息可以具有任何形式。此外，由于對于任何大小或?qū)捀弑鹊膱D像，提取區(qū)域必須始終為相同區(qū)域，因此每維度提取區(qū)域信息應當具有可以對于任何大小或?qū)捀弑鹊膱D像獲得相同提取區(qū)域的形式。例如，每區(qū)域提取區(qū)域可以關(guān)于具有預定大小和寬高比的圖像(例如具有320像素水平寬度x240像素垂直寬度的圖像)來描述提取區(qū)域的位置和形狀。在該情況下，對于以任意大小和寬高比輸入的圖像，首先將該圖像的大小調(diào)整為具有預定大小和寬高比，然后根據(jù)在每維度提取區(qū)域信息中描述的提取區(qū)域的位置和形狀來指定提取區(qū)域。相反，還可以對與輸入圖像的任何大小和寬高比的圖像相對應的每維度提取區(qū)域信息中描述的提取區(qū)域的位置和形狀進行轉(zhuǎn)換，從而指定提取區(qū)域。每維度提取區(qū)域信息中包括的指示每個提取區(qū)域的信息可以是描述構(gòu)成提取區(qū)域的所有像素相對于具有預定大小和寬高比的圖像(例如具有320像素水平寬度x240像素垂直寬度的圖像)的坐標值集合的信息。此外，每維度提取區(qū)域信息中包括的指示每個提取區(qū)域的信息可以是利用參數(shù)來描述提取區(qū)域相對于具有預定大小和寬高比的圖像的位置和形狀的信息。例如，如果提取區(qū)域的形狀是四邊形，則該信息可以描述四邊形的四個角的坐標值。此外，如果提取區(qū)域的形狀是圓形，則該信息可以描述圓心的坐標值和圓的半徑值。此外，還可以采用以下方法利用偽隨機數(shù)種子作為每維度提取區(qū)域信息，在提取區(qū)域獲取單元2內(nèi)，通過從種子開始產(chǎn)生偽隨機數(shù)，從而根據(jù)隨機數(shù)來產(chǎn)生不同形狀的提取區(qū)域(例如，根據(jù)隨機數(shù)來確定四邊形的四個角)。具體地，可以根據(jù)以下過程來獲取每維度提取區(qū)域。(1)提供偽隨機數(shù)的種子，作為每維度提取區(qū)域信息。⑵將維度η設(shè)置為η = 1。(3)產(chǎn)生偽隨機數(shù)，確定針對維度η的第一提取區(qū)域的四邊形的4個角。(4)產(chǎn)生偽隨機數(shù)，確定針對維度η的第二提取區(qū)域的四邊形的4個角。(5)將維度η設(shè)置為η+1，過程返回(3)。
由于基于隨機數(shù)來確定提取區(qū)域，對于各個維度，所產(chǎn)生的提取區(qū)域互不相同。此外，如果偽隨機數(shù)的種子相同，則由于每次(關(guān)于任何圖像)產(chǎn)生相同的隨機數(shù)，因此針對不同圖像復制了相同的提取區(qū)域。提取區(qū)域獲取單元2從作為輸入提供的每維度提取區(qū)域信息中獲取指示與從維度確定單元1提供的維度相對應的第一提取區(qū)域和第二提取區(qū)域的信息，并向提取區(qū)域表示值計算單元3輸出該信息。除了來自提取區(qū)域獲取單元2的輸入(指示第一提取區(qū)域和第二提取區(qū)域的信息)之外，還向區(qū)域特征計算單元3提供作為圖像簽名的提取目標的圖像以作為輸入。區(qū)域特征計算單元3包括第一區(qū)域特征計算單元31和第二區(qū)域特征計算單元32。利用第一區(qū)域特征計算單元31，區(qū)域特征計算單元3根據(jù)作為輸入提供的圖像，基于指示從提取區(qū)域獲取單元2提供的第一提取區(qū)域的信息來計算第一提取區(qū)域的特征，作為每個維度的第一區(qū)域特征，并將該特征提供給比較單元4。此外，利用第二區(qū)域特征計算單元32，區(qū)域特征計算單元3根據(jù)作為輸入提供的圖像，基于指示從提取區(qū)域獲取單元2提供的第二提取區(qū)域的信息來計算第二提取區(qū)域的特征，作為每個維度的第二區(qū)域特征，并將該特征提供給比較單元4。應當注意，為了基于指示第一提取區(qū)域和第二提取區(qū)域的信息，相對于輸入圖像來指定相應提取區(qū)域，在必要時，提取區(qū)域獲取單元2將圖像大小調(diào)整為具有每維度提取區(qū)域信息中的預定大小和寬高比。區(qū)域特征計算單元3使用相應提取區(qū)域中包括的一組像素的像素值來計算相應提取區(qū)域的區(qū)域特征。在本實施例中，像素值是圖像的每個像素保存的信號的值，是標量或向量。例如，如果圖像是亮度圖像，則像素值是亮度值(標量)；如果圖像是彩色圖像，則像素值是指示顏色分量的向量。如果彩色圖像是RGB圖像，則像素值是R分量、G分量和B分量的三維向量。此外，如果彩色圖像是YCbCr圖像，則像素值是Y分量、Cb分量和Cr分量的三維向量。如果計算維度的提取區(qū)域(第一提取區(qū)域和第二提取區(qū)域)的方法是恒定的(針對任何輸入圖像使用相同計算方法)，則可以使用任何方法來計算提取區(qū)域的區(qū)域特征。此外，要計算的區(qū)域特征可以是標量或向量。例如，如果像素值是標量(如亮度值)，則區(qū)域特征可以被計算為平均值、中值、最頻(mode)值、最大值、最小值等等(其中每一個是標量)。此外，例如，還可以對提取區(qū)域中包括的像素值進行排序，并從分布(排序的順序)的頂部或底部的預定比例位置處獲得像素值作為區(qū)域特征(也是標量)。更具體地， 針對百分比(例如P = 25%)為預定比例的情況給出解釋。提取區(qū)域中包括的總計N 個像素的像素值(亮度值)按升序排序，并且將按升序排序的像素值(亮度值)集合表示為γ⑴={Y(0), Y(l), Y(2),..., Y(N-I)I0在本示例中，例如，從按升序排序的排列的底部P%的位置處的像素值為Y (floor (N*P/100))，因此獲得該值作為提取區(qū)域的區(qū)域特征。 應當注意，floorO是截斷小數(shù)點之后位置的函數(shù)。在本示例中，通過對提取區(qū)域中包括的像素的亮度值應用該公式Y(jié)(floor(N*P/100))而計算的區(qū)域特征被稱為“百分比亮度值特征”。此外，如果像素值是向量(如顏色分量)，則可以首先通過任何方法將該值轉(zhuǎn)換為標量，然后通過上述方法來計算區(qū)域特征。例如，如果像素值是RGB分量的3維向量，則可以首先將該值轉(zhuǎn)換為亮度值(標量)，然后通過上述方法來計算區(qū)域特征。此外，如果像素值是向量，還可以使用提取區(qū)域中包括的像素值的平均向量作為區(qū)域特征。此外，還可以對提取區(qū)域執(zhí)行任何操作(差分操作、濾波操作)，如邊緣檢測或模版匹配，并使用操作結(jié)果作為區(qū)域特征。例如，它可以是指示邊緣方向(梯度方向)的二維向量，或者指示與模版的相似度的標量。此外，可以獲得示出提取區(qū)域中包括的顏色分布、邊緣方向分布或邊緣強度分布的直方圖作為區(qū)域特征(其中每一個是向量)。此外，可以使用IS0/IEC 15938-3中定義的各種特征中的任一種，包括主導顏色、顏色布局、可縮放顏色、顏色結(jié)構(gòu)、邊緣直方圖、均質(zhì)紋理、紋理瀏覽、區(qū)域形狀、輪廓形狀、形狀3D、參數(shù)運動和運動活動。比較單元4針對每個維度，將從區(qū)域特征計算單元3提供的第一區(qū)域特征與第二區(qū)域特征進行比較，并對比較結(jié)果進行量化，以輸出所獲取的量化索引。由于比較單元4輸出針對各個維度的量化索引，最終輸出由多個維度的量化索引構(gòu)成的量化索引向量。比較單元4可以使用任何方法來將第一區(qū)域特征與第二區(qū)域特征進行比較并執(zhí)行量化。此外，針對每個維度，量化索引的數(shù)目也是任意的。如果例如區(qū)域特征是標量(例如平均亮度)，則比較單元4可以比較其幅度；如果第一區(qū)域特征較大，則將量化索引設(shè)置為+1，在其他情況下，將量化索引設(shè)置為-1，以將比較結(jié)果量化為+1和-1的量化索引的二進制值。應當注意，對于維度n，如果第一區(qū)域特征為Vnl并且第二區(qū)域特征為Vn2，則維度η的量化索引Qn可以通過以下表達式來計算。[表達式1]Qn = +1 (if Vnl > Vn2)-l(if Vnl ^ Vn2)圖3示出了當比較單元4基于上述表達式1來執(zhí)行比較和量化時，比較單元4的更詳細配置圖。參照圖3，比較單元4包括幅度比較單元41和量化單元42。當提供了第一區(qū)域特征和第二區(qū)域特征時，幅度比較單元41將第一區(qū)域特征的值與第二區(qū)域特征的值進行比較，并將比較結(jié)果提供給量化單元42。這意味著，幅度比較單元41將Vnl的幅度與Vn2的幅度進行比較，并將指示比較結(jié)果是Vnl >Vn2還是VnlS Vn2 的信息提供給量化單元42作為幅度比較結(jié)果。基于從幅度比較單元41提供的幅度比較結(jié)果，量化單元42根據(jù)表達式1來執(zhí)行量化，并輸出量化索引。因此，量化單元42以如下方式輸出量化索引使得如果提供了指示比較結(jié)果為Vnl > Vn2的信息，則量化索引為+1 ；而如果提供了指示比較結(jié)果為Vnl ^ Vn2 的信息，則量化索引為-1。應當注意，根據(jù)表達式1的比較和量化方法以下稱為比較和量化方法A。此外，如果區(qū)域特征是標量(例如平均亮度)，則比較單元4可以以如下方式執(zhí)行量化使得如果差值的絕對值小于或等于預定閾值，則確定在第一區(qū)域特征與第二區(qū)域特征之間不存在差值，從而設(shè)置指示無差值的量化索引0 ；在其他情況下，比較單元4對其幅度進行比較，如果第一區(qū)域特征較大，則設(shè)置量化索引+1，而在其他情況下，設(shè)置量化索引-1，從而量化索引為三進制值+1、0和-1中的任一個。假定維度η的第一區(qū)域特征為Vnl，其第二區(qū)域特征為Vn2，預定閾值為th，則可以根據(jù)以下表達式來計算維度η的量化索引Qn0[表達式2]Qn = +l(if |Vnl-Vn2 > th and Vnl > Vn2)0(if|Vnl_Vn2| 彡 th)-l(if |Vnl-Vn2 > th and Vnl ^ Vn2)圖4示出了當比較單元4基于上述表達式2來執(zhí)行比較和量化時，比較單元4的更詳細配置圖。參照圖4，比較單元4包括差值計算單元43和量化單元44。預先向量化單元44 提供閾值作為輸入，該閾值是指示量化邊界的預定信息(量化邊界信息)。當提供了第一區(qū)域特征和第二區(qū)域特征時，差值計算單元43計算第一區(qū)域特征的值與第二區(qū)域特征的值之間的差值，并將所計算的差值提供給量化單元44。這意味著差值計算單元43計算Vnl-Vn2，并將結(jié)果值提供給量化單元44。量化單元44基于從差值計算單元43提供的差值和閾值(指示作為輸入提供的預定量化邊界的信息(量化邊界信息))，根據(jù)表達式2來執(zhí)行量化，并輸出量化索引。這意味著，量化單元42基于基于從差值計算單元41提供的Vnl-Vn2的值以及作為索引提供的閾值，以如下方式輸出量化索引如果Vnl-Vn2 > th并且Vnl-Vn2 > 0，則量化索引為+1 ； 如果Vnl-Vn2 > th并且Vnl-Vn2 ( 0，則量化值為-1 ；如果Vnl-Vn2 ( th，則量化索引為0?；诒磉_式2的比較和量化方法以下稱為比較和量化方法B。盡管在本示例中，基于差值，以三進制值來執(zhí)行量化，但是可以根據(jù)差值的幅度， 以更大數(shù)目(等級)的量化索引來執(zhí)行量化。即使在該情況下，比較單元4具有圖4中所示的配置，并且向量化單元44提供多個閾值(作為指示各個等級的預定量化邊界的信息(量化邊界信息))作為輸入。基于該差值和作為輸入提供的閾值來量化為4個或更多等級的比較和量化方法以下稱為比較和量化方法C。如上所述，與根據(jù)表達式1的方法相比，通過針對第一區(qū)域特征與第二區(qū)域特征之間的差值較小(小于或等于預定閾值)從而確定不存在差值的情況引入指示不存在差值的量化索引，可以使得區(qū)域特征之間具有較小差值的一對提取區(qū)域的維度中的特征(量化索引)更加穩(wěn)定，即對于各種改變過程和噪聲更加健壯。因此，可以輸出對于局部區(qū)域之間整體上具有較小差值的圖像(即整體上具有較小變化的平坦圖像，例如藍天的圖像)較為穩(wěn)定并且對于各種改變過程和噪聲較為健壯的圖像簽名(量化索引向量)。此外，例如如果區(qū)域特征是向量，則比較單元4可以首先通過任何任意方法將向量轉(zhuǎn)換為標量，然后通過上述方法來執(zhí)行量化(該比較和量化方法以下稱為比較和量化方法D)。例如，還可以根據(jù)第一提取區(qū)域的向量來計算差向量，該差向量是與第二提取區(qū)域的向量之差，并對該差向量進行量化，從而獲得量化索引。在該情況下，提供針對各個量化索引的預定表示向量(重心向量等等)，并將其分類為在表示向量與差向量之間具有最大相似度(最小距離)的量化索引(該比較和量化方法以下稱為比較和量化方法E)。此外，與根據(jù)上述表達式2的標量的量化類似，如果差向量的范數(shù)小于或等于預定閾值，則可以確定第一區(qū)域特征與第一區(qū)域特征之間不存在差值，從而引入指示無差值的量化索引作為指示無差值的量化索引0。應當注意，在對本發(fā)明中輸出的量化索引向量進行匹配時(在將從圖像中提取的量化索引向量與從另一圖像中提取的量化索引向量進行比較以確定它們是否相同時)，量化索引相符的維度數(shù)目(相似度)或者量化索引不相符的維度數(shù)目(漢明距離)可以被計算為同一性標度，將同一性標度與閾值進行比較，從而可以確定圖像的同一性。此外，如果在比較單元4中基于表達式2來計算量化索引，則同一性標度(相似度)可以計算如下。 首先，在對應維度之間，將兩個圖像的量化索引向量互相比較，并計算不是“兩個量化索引均為0”的維度數(shù)目(該值為設(shè)置為A)。接下來，在不是“兩個量化索引均為0”的維度中， 計算量化索引相符的維度數(shù)目(該值被設(shè)置為B)。然后，將相似度計算為B/A。如果A = 0(即如果在每個維度中兩個量化索引均為0)，則相似度被設(shè)置為預定數(shù)值(例如0. 5)。[第一實施例的操作]接下來，參照圖5的流程圖來描述根據(jù)第一實施例的圖像簽名提取設(shè)備的操作。 在圖5的流程圖中，特征向量的維度(編號)表示為“n”，從1至N共有N個維度。首先，維度確定單元1將維度1確定為用于提取特征向量的第一維度(n = 1)，并將其提供給提取區(qū)域獲取單元2 (步驟Al)。接下來，提取區(qū)域獲取單元2從作為輸入提供的每維度提取區(qū)域信息中獲取指示維度η的第一提取區(qū)域和第二提取區(qū)域的信息，并將該信息提供給提取區(qū)域特征計算單元 3 (步驟Α2)。然后，區(qū)域特征計算單元3根據(jù)作為輸入提供的圖像，計算維度η的第一區(qū)域特征和第二區(qū)域特征，并將這些特征提供給比較單元4 (步驟A3)。然后，比較單元4將維度η的第一區(qū)域特征與第二區(qū)域特征進行比較，對比較結(jié)果進行量化，并輸出量化索引(步驟Α4)。然后，確定是否完成了針對所有維度的量化索引的輸出(即確定η < N是真還是假)(步驟Α5)。如果完成了針對所有維度的量化索引的輸出(即如果η<Ν是假)，則處理結(jié)束。如果未完成針對所有維度的量化索引的輸出(即如果η < N是真)，則處理繼續(xù)至步驟Α6。在步驟Α6，維度確定單元1確定用于提取特征向量的下一維度(η = η+1)，并且將其提供給提取區(qū)域獲取單元2。然后，處理返回步驟Α2。應當注意，盡管按照從維度1至維度N的順序來執(zhí)行提取處理，但是可以采用任何順序，不限于該順序。此外，還可以針對多個維度并行執(zhí)行提取處理，而不限于上述處理過程。[第一實施例的效果]接下來將描述本發(fā)明的第一實施例的有利效果。第一有利效果在于，可以提高由多維特征向量構(gòu)成的圖像簽名的辨別能力(辨別不同圖像的程度)。具體地，對于在圖像的局部區(qū)域之間具有較大相關(guān)性的圖像，該效果較為明顯。這是因為，由于用于提取特征的區(qū)域的形狀在維度之間不同(區(qū)域形狀可變)，因此可以降低維度之間的相關(guān)性。第二有利效果在于，對于信號集中于特定頻率的圖像，辨別能力不退化。這是因為，由于用于提取特征的區(qū)域的形狀在維度之間不同(區(qū)域形狀可變)，因
17此即使對于信號集中于特定頻率的圖像，較少地導致所有(許多)提取區(qū)域?qū)?維度)的特征之間同時不存在差值從而辨別能力惡化的情況。[第二實施例][第二實施例的配置]接下來參照附圖來詳細描述本發(fā)明的第二實施例。本發(fā)明第二實施例與第一實施例的區(qū)別在于，利用圖6中詳細示出的比較單元4A 替換了圖1中所示的第一實施例的比較單元4。由于除了比較單元4A之外的組件與第一實施例中相同，因此在本實施例中省略了對這些組件的描述。參照圖6，比較單元4A包括差值計算單元43、量化邊界確定單元45和量化單元 44。差值計算單元針對每個維度來計算從區(qū)域特征計算單元3提供的第一區(qū)域特征與第二區(qū)域特征之間的差值，并將該差值提供給量化邊界確定單元45和量化單元44。如果區(qū)域特征是標量(例如平均亮度)，則該差值是例如通過從第一區(qū)域特征中減去第一區(qū)域特征(或反之)而獲得的標量。如果區(qū)域特征是向量，則也可以在通過任意方法將相應向量轉(zhuǎn)換為標量之后獲得標量的差值。此外，如果區(qū)域特征是向量，則還可以使用第一區(qū)域特征與第二區(qū)域特征之間的差向量作為差值(向量)。當將從差值計算單元43提供的特征向量的所有維度的差值提供給量化邊界確定單元45時，量化邊界確定單元45基于所有維度的差值分布來確定量化的邊界，并將與所確定的量化邊界的相關(guān)的信息提供給量化單元44。應當注意，所有維度的差值分布是指對于差值(或差向量)的出現(xiàn)頻率(概率)。此外，確定量化邊界是指，在對差值進行量化時，確定要排他地、不失敗地分配給量化索引的參數(shù)。例如，如果差值是標量，則確定對于每個量化索引(量化等級)的值范圍(即閾值)，并且將這種值范圍(閾值)提供給量化單元43作為量化邊界的信息。備選地，例如，如果差值是向量，則確定例如用于執(zhí)行向量量化的參數(shù)(即各個量化索引的表示向量)，并將其提供給量化單元44作為量化邊界的信息。如果差值是標量并且要執(zhí)行M值量化(M= 2，3，…等等)，則量化邊界確定單元 45可以基于所有維度的差值的分布來確定量化的值范圍(閾值)，使得對于所有維度，各個量化索引的比例變?yōu)橄嗟?。例如，作為表達式1的變型，在使用常數(shù)α來執(zhí)行2值量化(Μ =》的情況下(其中如果Vnl+α > Vn2則量化索引為+1，而如果Vnl+α彡Vn則量化索引為_1)，可以將差值分布的中心點(左和右分布的積分值變?yōu)橄嗟鹊狞c)確定為量化的閾值α，使得量化索引+1和量化索引-1的比例變?yōu)橄嗟?。類似地，在?zhí)行M值量化時，如果差值是向量，則在執(zhí)行向量量化時，可以基于所有維度的差向量的分布，確定向量空間中被分配給各個量化索引的區(qū)域，或確定各個量化索引的表示向量(例如重心向量)，從而對于所有維度，各個量化索引的比例變?yōu)橄嗟?。如上所述，通過允許量化索引的比例對于所有維度相等(即消除了量化索引的偏倚)，可以增加熵，從而可以提高標識能力。量化邊界確定單元45確定量化邊界，使得量化索引的比例對于所有維度變?yōu)橄嗟?，量化單?4基于所確定的邊界來執(zhí)行量化，這種比較和量化方法以下稱為比較和量化方法F。
此外，例如，如果差值是標量并且利用表達式2來執(zhí)行三進制值量化(量化索引為 +1、0和-1)，則量化邊界確定單元45可以基于所有維度的差值分布，確定用于量化至指示無差值的量化索引0的閾值th (如果小于或等于該閾值，則量化索引設(shè)置為0)，并將所確定的閾值th提供給量化單元44(在第一實施例的圖4中所示的比較單元4中，預先設(shè)置閾值 th)。例如，量化邊界確定單元45可以計算所有維度的差值的絕對值，對所計算的值進行排序，并將從頂部或底部預定比例(例如，可以將這種預定比例作為輸入提供)處的點設(shè)置為閾值th (該比較和量化方法以下稱為比較和量化方法G)。此外，還可以不利用預定比例，而利用使得量化索引+1、0和-1的比例變?yōu)榻咏嗟鹊姆绞絹泶_定閾值th(該比較和量化方法以下稱為比較和量化方法H)。比較和量化方法H對應于根據(jù)表達式2執(zhí)行比較和量化方法F的特例。利用預定百分比為(例如P = 25%)的示例來解釋比較和量化方法G的更具體方法。所有維度(維度數(shù)目=N)的差值的絕對值按升序排序，差值的絕對值集合(按升序排序)表示為D(i) = {D(0)，D⑴，D⑵，...D(N-l)}。在本示例中，從按升序方式排序的順序的底部，的位置處的值為例如D (floor (N*P/100))，閾值th = D (floor (N*P/100))。 應當注意，floorO是截斷小數(shù)點之后位置的函數(shù)?？梢詫⒈緦嵤├械姆椒ㄅc比較單元4采取第一實施例中圖4所示的配置的情況進行比較。盡管在如第一實施例的圖4所示的配置中，將預定閾值th作為輸入提供，但是在第二實施例的上述方法中，量化邊界確定單元45基于所有維度的差值分布，對于圖像自適應地計算閾值th。如上所述，在第一實施例中閾值th是固定的，而在第二實施例中，對于圖像自適應地計算閾值th。由于對于圖像自適應地計算閾值th，與閾值th固定的情況相比 (尤其對于具有較少起伏的圖像)，可以防止特征向量的維度的值向特定量化索引偏倚(特定量化索引的出現(xiàn)概率較高)，辨別能力可以較高。例如，在如第一實施例中使用固定閾值的情況下，在具有較少起伏的圖像中的特征向量的大多數(shù)維度(或所有維度)中量化索引變?yōu)?。然而，如果使用第二實施例的自適應閾值th，則由于對于具有較少起伏的圖像，閾值自動調(diào)整為較小值，因此不會導致在特征向量的大多數(shù)維度中量化索引變?yōu)?的情況。量化單元44基于從差值計算單元43提供的各個維度的差值和從量化邊界確定單元45提供的量化邊界的信息來執(zhí)行量化，并輸出量化索引。 應當注意，當量化邊界確定單元45確定量化邊界時，量化單元44必須按照預期的量化方法來操作，因為如果量化單元44不考慮從量化邊界確定單元45輸出的量化邊界信息來執(zhí)行量化，則將沒有意義。[第二實施例的操作]接下來參照圖7的流程圖來描述根據(jù)第二實施例的圖像簽名提取設(shè)備的操作。在圖7的流程圖中，特征向量的維度(編號)表示為“n”，從1至N共有N個維度。首先，維度確定單元1將維度1確定為用于提取特征向量的第一維度(n = 1)，并將其提供給提取區(qū)域獲取單元2 (步驟Bi)。接下來，提取區(qū)域獲取單元2從作為輸入提供的每維度提取區(qū)域信息中獲取指示維度η的第一提取區(qū)域和第二提取區(qū)域的信息，并將該信息提供給區(qū)域特征表示值計算單元3 (步驟Β2)。然后，區(qū)域特征表示值計算單元3根據(jù)作為輸入提供的圖像，計算維度η的第一區(qū)域特征和第二區(qū)域特征，并將這些特征提供給差值計算單元43 (步驟B3)。然后，差值計算單元43計算維度η的第一區(qū)域特征與第二區(qū)域特征之間的差值， 并將該差值提供給量化邊界確定單元45和量化單元44 (步驟Β4)。然后，確定是否完成了直至針對所有維度計算差值的處理(即確定η<Ν是真還是假)(步驟BQ。如果完成了直至針對所有維度計算差值的處理(即如果η < N是假)， 則處理繼續(xù)至步驟Β7。如果未完成直至針對所有維度計算差值的處理(即如果η < N是真)，則處理繼續(xù)至步驟Β6。在步驟Β6，維度確定單元1確定用于提取特征向量的下一維度 (η = η+1)，并且將其提供給提取區(qū)域獲取單元2。然后，處理返回步驟Β2。應當注意，盡管在本實施例中按照從維度1至維度N的順序來執(zhí)行提取處理，但是可以采用任何順序，不限于該順序。然后，當已經(jīng)提供了從差值計算單元43提供的特征向量的所有維度的差值時，量化邊界確定單元45基于所有維度的差值的分布來確定量化的邊界，并將所確定的量化邊界信息提供給量化單元44 (步驟Β7)。然后，在步驟Β8，將維度1 (n = 1)設(shè)置為用于執(zhí)行量化的第一維度(計算量化索引)。然后，量化單元44基于維度η的差值和從量化邊界確定單元45提供的量化邊界來執(zhí)行量化，并輸出量化索引(步驟Β9)。然后，確定是否完成了針對所有維度的量化索引的輸出(即確定η < N是真還是假)(步驟Β10)。如果完成了針對所有維度的量化索引的輸出(即如果η<Ν是假)，則處理結(jié)束。如果未完成針對所有維度的量化索引的輸出(即如果η < N是真)，則處理繼續(xù)至步驟Β11。在步驟Β11，將下一維度(η = η+1)設(shè)置為用于執(zhí)行量化的特征向量的維度。然后，處理返回步驟Β9。應當注意，盡管在本實施例中按照從維度1至維度N的順序來執(zhí)行提取處理，但是可以采用任何順序，不限于該順序。[第二實施例的效果]與量化邊界固定的第一實施例相比，第二示例的區(qū)別在于對于圖像，自適應(動態(tài))計算量化邊界。如果如第一實施例中量化邊界固定，則存在以下情況對于特定圖像 (例如具有較少起伏的平坦圖像)特征向量的維度的值向特定量化索引偏倚(特定量化索引的出現(xiàn)概率較高)(熵較低)，導致對于這種圖像辨別能力惡化的問題。另一方面，如果如第二實施例中對于圖像來自適應(動態(tài))計算量化邊界，則可以對于任何圖像防止特征向量的維度的值向特定量化索引偏倚(特定量化索引的出現(xiàn)概率較高)的情況，可以提高辨別能力。[第三實施例][第三實施例的配置]接下來參照附圖來詳細描述本發(fā)明的第三實施例。參照圖8，本發(fā)明第三實施例的配置與圖1所示的第一實施例的配置的區(qū)別在于 增加了區(qū)域特征計算方法獲取單元5，并利用區(qū)域特征計算單元3Α替換了區(qū)域特征計算單元3，區(qū)域特征計算單元3Α包括第一區(qū)域特征計算單元31Α和第二區(qū)域特征計算單元32Α。 由于其他配置與第一實施例中相同，因此在本實施例中省略其描述。應當注意，盡管在本實
20施例中描述與第一實施例的結(jié)合，但是與第二實施例的結(jié)合也是可接受的。向區(qū)域特征計算方法獲取單元5提供來自維度確定單元1的維度和每維度區(qū)域特征計算方法信息。每維度區(qū)域特征計算方法信息是指示計算維度中的區(qū)域特征的方法的信息，該信息與特征向量的每個維度相關(guān)聯(lián)，并且先決條件是區(qū)域特征計算方法必須在維度之間不同。應當注意，區(qū)域特征計算方法不同包括向相同過程應用不同參數(shù)(閾值等)。在本實施例中，區(qū)域特征計算方法包括在對第一實施例的區(qū)域特征計算單元3的解釋中描述的各種類型的方法及其相關(guān)聯(lián)參數(shù)。應當注意，每維度區(qū)域特征計算方法信息指示的每個維度的區(qū)域特征計算方法具有最小條件，使得在特征向量的所有維度中應當包括區(qū)域特征計算方法不同的至少一對維度。期望區(qū)域特征計算方法不同的維度數(shù)目較大，因為這種維度的數(shù)目越大，特征向量中其間相關(guān)性較小的維度數(shù)目越小，從而辨別能力越高。例如，區(qū)域特征計算方法可以在特征向量中的所有維度中不同。應當注意，如果唯一指定了計算區(qū)域特征的方法，則示出每個維度的區(qū)域特征計算方法的信息可以采取任何形式。圖9示出了針對各個維度的區(qū)域特征計算方法的示例。如圖9所示，區(qū)域特征計算方法在維度之間不同。此外，如圖9的示例中所示，標量的和向量的特征可以混合(第1、 3、5、6、8、9、10和12維度是標量，第2、4、7和11維度是矢量)。區(qū)域特征計算方法獲取單元5從作為輸入提供的每維度區(qū)域特征計算方法信息中獲取指示與從維度確定單元1提供的維度相關(guān)聯(lián)的區(qū)域特征計算方法的信息，并將該信息提供給區(qū)域特征計算單元3A。區(qū)域特征計算單元3A基于針對每個維度從提取區(qū)域獲取單元提供的指示第一提取區(qū)域和第二提取區(qū)域的信息，根據(jù)從區(qū)域特征計算方法獲取單元5提供的指示區(qū)域特征計算方法的信息，從作為輸入提供的圖像計算第一提取區(qū)域的特征和第二提取區(qū)域的特征，分別作為第一區(qū)域特征和第二區(qū)域特征，并將這些特征提供給比較單元4。在區(qū)域特征計算單元3A中，所提供的指示提取區(qū)域的信息的維度與指示區(qū)域特征計算方法的信息的維度需要同步。[第三實施例的操作]接下來，參照圖10的流程圖來描述根據(jù)第三實施例的圖像簽名提取設(shè)備的操作。 在圖10的流程圖中，特征向量的維度(編號)表示為“n”，從1至N共有N個維度。首先，維度確定單元1將維度1確定為用于提取特征向量的第一維度(n = 1)，并將其提供給提取區(qū)域獲取單元2和區(qū)域特征計算方法獲取單元5 (步驟Cl)。接下來，提取區(qū)域獲取單元2從作為輸入提供的每維度提取區(qū)域信息中獲取指示維度η的第一提取區(qū)域和第二提取區(qū)域的信息，并將該信息提供給提取區(qū)域特征計算單元3Α (步驟C2)。然后，區(qū)域特征計算方法獲取單元5從作為輸入提供的每維度區(qū)域特征計算方法信息中獲取指示與維度η相對應的區(qū)域特征計算方法的信息，并將該信息提供給區(qū)域特征計算單元3Α (步驟C3)。然后，區(qū)域特征計算單元3Α根據(jù)作為輸入提供的圖像，計算維度η的第一區(qū)域特征和第二區(qū)域特征，并將這些特征提供給比較單元4(步驟C4)。然后，比較單元4將維度η的第一區(qū)域特征與第二區(qū)域特征進行比較，對比較結(jié)果進行量化，并輸出量化索引(步驟 C5)。然后，確定是否完成了針對所有維度的量化索引的輸出(步驟C6)。如果完成了針對所有維度的量化索引的輸出，則處理結(jié)束。如果未完成針對所有維度的量化索引的輸出，則處理繼續(xù)至步驟C7。在步驟C7，維度確定單元1確定用于提取特征向量的下一維度(η = η+1)，并且將其提供給提取區(qū)域獲取單元2和區(qū)域特征計算方法獲取單元5。然后，處理返回步驟C2。應當注意，盡管在本實施例中按照從維度1至維度N的順序來執(zhí)行提取處理，但是可以采用任何順序，不限于該順序。此外，還可以針對多個維度并行執(zhí)行提取處理，而不限于上述處理過程。此外，步驟C2和步驟C3的順序可以反轉(zhuǎn)。[第三實施例的效果]除了第一實施例的有利效果之外，第三實施例還具有以下有利效果可以進一步提高辨別能力(辨別不同圖像的程度)。這是因為，由于區(qū)域特征計算方法在維度之間不同(使用可變區(qū)域特征計算方法)，維度之間的相關(guān)性可以較小。[第四實施例][第四實施例的配置] 接下來參照附圖來詳細描述本發(fā)明的第四實施例。參照圖11，本發(fā)明第四實施例的配置與圖1所示的第一實施例的配置的區(qū)別在于增加了比較方法獲取單元6，并利用比較單元4Β替換了比較單元4。由于其他配置與第一實施例中相同，因此在本實施例中省略其描述。應當注意，盡管在本實施例中描述與第一實施例的結(jié)合，但是與第二實施例的結(jié)合以及與第三實施例的結(jié)合也是可接受的。向比較方法獲取單元6提供來自維度確定單元1的維度來每維度比較方法信息。每維度比較和量化方法信息是指示對與特征向量的每個維度相關(guān)聯(lián)的維度中的區(qū)域特征進行比較并執(zhí)行量化的方法的信息，先決條件是比較和量化方法必須在維度之間不同。應當注意，比較和量化方法不同包括對相同過程應用不同參數(shù)(閾值、量化索引數(shù)目等等。在本實施例中，比較和量化方法包括在對第一實施例的比較單元4的解釋中描述的各種類型的比較和量化方法及其相關(guān)聯(lián)參數(shù)(閾值、量化索引數(shù)目等等)，以及在對第二實施例的比較單元4Α的解釋中描述的各種類型的比較和量化方法及其相關(guān)聯(lián)參數(shù)(閾值、 量化索引數(shù)目等等)。應當注意，每維度比較和量化方法信息所指示的每個維度的比較和量化方法具有以下最小條件在特征向量的所有維度中應當包括比較和量化方法不同的至少一對維度。 期望比較和量化方法不同的維度數(shù)目較大，因為這種維度的數(shù)目越大，特征向量中其間相關(guān)性較小的維度數(shù)目越小，從而辨別能力越高。例如，在特征向量中的所有維度中比較和量化方法可以不同。應當注意，如果唯一指定了比較和量化區(qū)域特征的方法，則示出每個維度的比較和量化方法的信息可以采取任何形式。圖12示出了各個維度的比較和量化方法的示例。如圖12所示，比較和量化方法在維度之間不同。此外，如在第3、5和12維度中，可以在相同比較和量化方法中設(shè)置不同參數(shù)(閾值th)。應當注意，圖12中示出的各個維度的比較和量化方法的示例與圖9所示的各個維度的區(qū)域特征計算方法相關(guān)聯(lián)。因此，示出了針對標量的比較和量化方法，作為針對標量區(qū)域特征的示例；并且示出了針對向量的比較和量化方法，作為針對向量區(qū)域特征的示例。比較方法獲取單元6從作為輸入提供的每維度比較和量化方法信息中獲取指示與從維度確定單元1提供的維度相對應的比較和量化方法的信息，并將該信息提供給比較單元4B。比較單元4B針對每個維度將從區(qū)域特征計算單元3提供的第一區(qū)域特征與第二區(qū)域特征進行比較，根據(jù)從比較方法獲取單元6提供的指示比較和量化方法的信息來對其進行量化，并輸出量化索引。根據(jù)比較和量化方法，在需要時，比較單元4B可以具有包括第一實施例的比較單元4和第二實施例的比較單元4B的配置。在比較單元4B中，所提供的區(qū)域特征的維度與指示比較和量化方法的信息的維度需要同步。[第四實施例的操作]接下來參照圖13的流程圖來描述根據(jù)第四實施例的圖像簽名提取設(shè)備的操作。 在圖13的流程圖中，特征向量的維度(編號)表示為“n”，從1至N共有N個維度。首先，維度確定單元1將維度1確定為用于提取特征向量的第一維度(n = 1)，并將其提供給提取區(qū)域獲取單元2和比較方法獲取單元6 (步驟Dl)。接下來，提取區(qū)域獲取單元2從作為輸入提供的每維度比較和量化方法信息中獲取指示維度η的第一提取區(qū)域和第二提取區(qū)域的信息，并將該信息提供給提取區(qū)域特征計算單元3 (步驟D2)。然后，比較方法獲取單元6從作為輸入提供的每維度比較和量化方法信息中獲取指示與維度η相對應的比較和量化方法的信息，并將其提供給比較單元4Β (步驟D3)。然后，區(qū)域特征計算單元3根據(jù)作為輸入提供的圖像，計算維度η的第一區(qū)域特征和第二區(qū)域特征，并將這些特征提供給比較單元4Β(步驟D4)。然后，比較單元4Β將維度 η的第一區(qū)域特征與第二區(qū)域特征進行比較，對比較結(jié)果進行量化，并輸出量化索引(步驟 D5)。然后，確定是否完成了針對所有維度的量化索引的輸出(步驟D6)。如果完成了針對所有維度的量化索引的輸出，則處理結(jié)束。如果未完成針對所有維度的量化索引的輸出，則處理繼續(xù)至步驟D7。在步驟D7，維度確定單元1確定用于提取特征向量的下一維度(n = η+1)，并且將其提供給提取區(qū)域獲取單元2和比較方法獲取單元6。然后，處理返回步驟D2。應當注意，盡管在本實施例中按照從維度1至維度N的順序來執(zhí)行提取處理，但是可以采用任何順序，不限于該順序。此外，還可以針對多個維度并行執(zhí)行提取處理，而不限于上述處理過程。此外，步驟D2和步驟D3的順序可以反轉(zhuǎn)，可以緊鄰步驟D5之前執(zhí)行步驟D3。[第四實施例的效果]除了第一實施例的有利效果之外，第四實施例還具有以下有利效果可以進一步提高辨別能力(辨別不同圖像的程度)。這是因為，由于比較和量化方法在維度之間不同(使用可變比較和量化方法)，維度之間的相關(guān)性可以較小。 接下來描述本發(fā)明的第五和第六實施例。
[第五實施例][第五實施例的配置]接下來，參照附圖來詳細描述本發(fā)明的第五實施例。參照圖20，本發(fā)明第五實施例的配置與圖1所示的第一實施例的配置的區(qū)別在于增加了編碼單元7。由于其他組件與第一實施例中相同，因此在本實施例中省略其描述。應當注意，盡管在本實施例中描述與第一實施例的結(jié)合，但是與第二實施例、與第三實施例、或者與第四實施例的結(jié)合也是可接受的。編碼單元7將從比較單元4提供的量化索引向量編碼為能夠唯一解碼的格式以減小數(shù)據(jù)量，并輸出編碼的量化索引向量。編碼單元7可以通過對多個維度進行整體編碼，而不是對量化索引向量的每個維度進行獨立編碼，將量化索引向量編碼為較小的數(shù)據(jù)量。現(xiàn)在，描述當基于表達式2來計算量化索引時，編碼單元7對量化索引向量進行有效編碼的方法。當基于表達式2來計算量化索引時，每個維度的量化索引可以取三個值 (+1,0,-1)中的任一個。如果對每個維度獨立執(zhí)行編碼，則針對每個維度需要2個比特(= 4個狀態(tài))。現(xiàn)在，如果對5個維度整體執(zhí)行編碼(5個維度可以是任何組合，包括例如連續(xù)的5個維度)，則狀態(tài)數(shù)目為3的5次方=243個狀態(tài)，可以表示為1字節(jié)=8比特(= 256個狀態(tài))(在256個狀態(tài)內(nèi))。在該情況下，針對一個維度所需的平均比特數(shù)為8/5 = 1.6比特，從而與針對每個維度獨立執(zhí)行編碼的情況相比，可以減小數(shù)據(jù)量(可以減小每維度0. 4比特)。例如，如果量化索引向量的維度總數(shù)為300個維度，則當針對每個維度獨立執(zhí)行編碼時，2比特*300 = 600比特=75字節(jié)。另一方面，當對5個維度整體執(zhí)行編碼時， 1. 6比特*300 = 480比特=60字節(jié)，從而可以減少15個字節(jié)。以下將描述以根據(jù)表達式2計算的三進制值(+1，0，_1)對每5個維度執(zhí)行編碼的具體示例。盡管每組5個維度可以采取任何組合，但是存在對每組連續(xù)5個維度執(zhí)行編碼的方法。這意味著，對第1維度至第5維度進行整體編碼，對第6維度至第10維度進行整體編碼，對第11維度至第15維度進行整體編碼(當然，5個維度的任何組合都是可接受的， 只要它們不互相重疊)。例如，假定要整體編碼的5個維度的量化索引的值為Qn，Qn+1, Qn+2， Qn+3和Qn+4(其中每一個取+1，0，-1中的任一值)，則可以計算根據(jù)以下表達式編碼的值Z。[表達式3] Z = {3 (Qn+1)} + {3 (Qn+1+1)} + {32* (Qn+2+l)} + {31* (Qn+3+l)}+{30* (Qn+4+l)}由于編碼值Z取值從0至對2 (243個狀態(tài))，因此可以將量化索引值編碼為1字節(jié)(8比特)數(shù)據(jù)。應當注意，將整體編碼的5個維度的量化索引值Qn，Qn+1, Qn+2，Qn+3和Qn+4 映射為從0至對2(243個狀態(tài))的值的方法不限于表達式3?？梢允褂萌魏畏椒?，只要將5 個維度中的量化索引的不同組合映射為不同的值(具有243個狀態(tài)的值)?？梢曰谌绫磉_式3之類的給定表達式來計算映射(編碼之后的值)和執(zhí)行編碼，或者預先產(chǎn)生和存儲用于映射的對應表，然后參照所存儲的對應表來獲取映射(編碼之后的值)并執(zhí)行編碼。如0142段至0145段中描述的在基于表達式2來計算量化索引時有效執(zhí)行編碼的方法不限于基于表達式2來計算量化值的情況，而是可以適用于任何量化索引向量，只要量化索引具有三進制值的狀態(tài)。這意味著，如果量化索引向量由具有三進制值的狀態(tài)的量化索引組成，則可以將5個維度整體編碼為1字節(jié)=8比特。由于在三進制值的狀態(tài)下，5 個維度的量化索引的243種不同組合可用，因此，通過將相應組合映射至從0至242 (243個狀態(tài))的值，可以利用1字節(jié)=8比特來對其進行編碼?？梢曰谌绫磉_式3之類的給定表達式來計算映射(編碼之后的值)和執(zhí)行編碼，或者預先產(chǎn)生和存儲用于映射的對應表， 然后參照所存儲的對應表來獲取映射(編碼之后的值)并執(zhí)行編碼。如上所述，通過對量化索引向量的多個維度整體進行編碼而不是對每個維度單獨進行編碼，存在以下有利效果與對量化索引向量的每個維度獨立進行編碼的情況相比，可以執(zhí)行編碼，同時減小數(shù)據(jù)量。這不限于以三進制值的狀態(tài)來表示量化索引的情況。例如，如果以5個值的狀態(tài)來表示量化索引，則通過將3個維度整體進行編碼，狀態(tài)數(shù)目為5的3次方=125個狀態(tài)， 從而可以以7比特=128個狀態(tài)(在1 個狀態(tài)內(nèi))對量化索引進行編碼。如果對3個維度進行獨立編碼，則需要3比特(8個狀態(tài))*3個維度=9比特。因此，通過將3個維度整體編碼，可以減少2比特。應當注意，當對從編碼單元7輸出的編碼的量化索引向量執(zhí)行匹配時(當將從圖像中提取量化索引向量與從另一圖像中提取的量化索引向量進行比較以確定圖像是否相同時)，還可以對編碼狀態(tài)下的每個維度的量化索引的值進行解碼(在上述示例中，針對每個維度，將編碼值解碼為+1，0或-1的量化索引值)，并基于解碼的量化索引值來計算同一性標度(量化索引相符的維度的數(shù)目(相似度))或量化索引不相符的維度的數(shù)目(漢明距離)。此外，利用查找表，還可以在編碼狀態(tài)下執(zhí)行匹配，而不將值解碼為針對每個維度的量化索引值。這意味著，通過針對每個被編碼單元以表(查找表)的形式預先存儲同一性標度(相似度值或距離)并參照查找表，可以針對每個被編碼單元獲取同一性標度(相似度值或距離)，并對同一性標度求和(例如計算總和)，從而獲得所有維度的同一性標度。例如，在以1字節(jié)(8比特)來對5個維度整體進行編碼的情況下，由于每個5維度單元具有243個狀態(tài)中的任一個，因此可以通過預先產(chǎn)生大小為243M43的查找表來解決。即，預先計算要比較的兩個5維度單元的碼的所有可用組合狀態(tài)043個狀態(tài)乘以243 個狀態(tài))之間的同一性標度(即在5個維度中量化索引相符的數(shù)目(相似度值)或5個維度中量化索引不相符的數(shù)目(漢明距離))，并將其存儲為24財243大小的查找表。例如該表，可以參照針對每個5維度單元的查找表，獲取針對每個5維度單元的同一性標度(而不將編碼值解碼為每個維度的量化索引)。例如，如果量化索引向量的維度總數(shù)為300維度， 由于以1字節(jié)來編碼5個維度從而以總計60字節(jié)來編碼量化索引向量，則可以通過60次參照查找表，獲取針對每個5維度單元的同一性標度，并將其求和，來計算整個向量(300個維度)的同一性標度(相似度值或漢明距離)。利用該查找表，由于可以在不將編碼值解碼為每個維度的量化索引的情況下執(zhí)行匹配(計算同一性標度)，存在以下有利效果可以減小匹配(計算同一性標度)的處理成本，并且可以以較高速度執(zhí)行匹配。此外，即使在基于更復雜的表達式來計算兩個量化索引向量之間的同一性標度， 而不是簡單地將同一性標度計算為量化索引相符的維度數(shù)目(相似度值)或量化索引不相符的維度數(shù)目(漢明距離)的情況下，利用查找表，也可以在不將值解碼為相應維度的量化索引的情況下執(zhí)行匹配(計算同一性標度)。例如，作為基于表達式2來計算量化索引的量化索引向量的同一性標度，可以考慮如以下所示的計算同一性標度的方法。首先，將兩個圖像的量化索引向量的對應維度進行比較，計算不是“兩個量化索引均為0”的維度的數(shù)目， 并將該值設(shè)置為A。接下來，在不是“兩個量化索引均為0”的維度中，將量化索引相符的維度數(shù)目計算為B (或者在不是“兩個量化索引均為0”的維度中，將量化索引不相符的維度數(shù)目計算為C)。然后，將同一性標度計算為B/A(或者將同一性標度計算為C/A)。如果A = 0(即如果每個維度中兩個量化索引均為0)，則將同一性標度設(shè)置為預定數(shù)值(例如0. 5)。 當采用這種計算同一性標度的方法時，需要計算A和B兩個值(或C的值)。在該情況下， 可以通過預先產(chǎn)生用于參考針對每個5維度單元的A值的、具有243拉43大小的查找表和用于參考針對每個5維度單元的B(或C)值的、具有243M43大小的查找表來解決。這意味著，針對要比較的兩個5維度單元的符號，預先計算所有可用組合狀態(tài)043個狀態(tài)乘以 243個狀態(tài))之間的A值(不是“兩個量化索引均為0”的維度數(shù)目)和所有可用組合狀態(tài) 043個狀態(tài)乘以243個狀態(tài))之間的B值(或C值)。然后，將其中每一個存儲在大小為 M3M43的查找表中。從而，可以參照查找表來獲取每個5維度單元的A值和B值(或C 值)(而不對相應維度的量化索引進行解碼)。例如，如果量化索引向量的維度總數(shù)為300 維度，由于以每5個維度1字節(jié)即總計60字節(jié)來對其進行編碼，則可以通過60 次參照查找表，獲取針對每個5維度單元的A值和B值(或C值)，并將所有維度(300維度)的A 值和B值(或C值)求和，來計算A值和B值(或C值)。最終，通過計算B/A (或C/A)，可以計算同一性標度。如上所述，即使在基于更復雜的表達式來計算同一性標度，而不是簡單地將同一性標度計算為量化索引相符的維度數(shù)目(相似度)或量化索引不相符的維度數(shù)目 (漢明距離)的情況下，參照查找表，也可以在不將值解碼為相應維度的量化索引的情況下執(zhí)行匹配(計算同一性標度)。這提供了以下有利效果可以減小匹配(計算同一性標度) 的處理成本，并且可以以較高速度執(zhí)行匹配(計算同一性標度)。[第五實施例的效果]可以以較小數(shù)據(jù)量輸出量化索引向量。接下來描述本發(fā)明的第六至第八實施例。[第六實施例]在第六實施例中，要提取特征向量的維度數(shù)目為300維度(從第1至第300維度)。在第六實施例中，各個維度的提取區(qū)域(第一提取區(qū)域和第二提取區(qū)域)由各種形狀的四邊形形成。圖14示出了在第六實施例中要提供給提取區(qū)域獲取單元2作為輸入的每維度提取區(qū)域信息。圖14示出了對于320像素寬、240像素長的圖像大小(定義的圖像大小)，各個維度的提取區(qū)域(第一提取區(qū)域和第二提取區(qū)域)的四邊形的四個角的XY 坐標值。例如，第一維度的提取區(qū)域由第一提取區(qū)域(由四邊形構(gòu)成，四邊形的四個角具有坐標值(262. 000，163. 000)、坐標值(178. 068，230. 967)、坐標值(184. 594,67. 411)和坐標值(100. 662,135. 378))和第一提取區(qū)域(由四邊形構(gòu)成，四邊形的四個角具有坐標值(161. 000，133. 000)、坐標值(156. 027，132. 477)、坐標值(164. 240,102. 170)和坐標值 (159. 268，101. 647))形成。對于相對320像素寬、240像素長的圖像大小而歸一化的圖像，每個維度的提取區(qū)域(第一提取區(qū)域和第二提取區(qū)域)是具有由四個角的這些坐標值定義的區(qū)域中包括的整數(shù)值的坐標值的像素的集合。然而，在提取區(qū)域中不包括由四個角定義的區(qū)域中包括的負坐標值。圖15示出了在第六實施例中作為輸入提供給區(qū)域特征計算方法獲取單元5的每維度區(qū)域特征計算方法信息。在第六實施例中，針對每個維度，提取區(qū)域(第一提取區(qū)域和第二提取區(qū)域)中的每一個中包括的像素組的亮度的平均用作提取區(qū)域中的每一個的區(qū)域特征。圖17示出了在第六實施例中作為輸入提供給比較方法獲取單元6的每維度比較和量化方法信息。在第六實施例中，針對每個維度使用比較和量化方法B或比較和量化方法G，此外，參數(shù)值針對每個維度不同。例如，在第1維度中，使用比較和量化方法G， 閾值th為D (floor (300*5. 0/100))。在第2維度中，使用比較和量化方法G，閾值th為 D (floor (300*10. 0/100))。此外，在第9維度中，例如，使用比較和量化方法B，閾值th為 3. 0。[第七實施例]與第六實施例中相同，在第七實施例中，要提取特征向量的維度數(shù)目為300維度 (從第1至第300維度)。與第六實施例中相同，在第七實施例中，使用圖14中所示的信息作為提供給提取區(qū)域獲取單元2作為輸入的每維度提取區(qū)域信息。此外，與第六實施例中相同，在第七實施例中，使用圖17中所示的信息作為提供給比較方法獲取單元6作為輸入的每維度比較和量化方法信息。圖16示出了在第七實施例中作為輸入提供給區(qū)域特征計算方法獲取單元5的每維度區(qū)域特征計算方法信息。在第七實施例中，針對每個維度，使用提取區(qū)域(第一提取區(qū)域和第二提取區(qū)域)中包括的像素組的平均亮度或百分比亮度特征，即使使用相同的百分比亮度特征，該特征對于每個維度也不同。例如，在第1維度中，使用提取區(qū)域中包括的像素的平均亮度。例如，在第4維度中，使用百分比亮度特征，該值為Y(flOOr(N*20. 0/100))。 此外，在第8維度中，使用百分比亮度特征，該值為Y(floor(N*80. 0/100))。[第八實施例]在第八實施例中，要提取的特征向量的維度數(shù)目為325維度(第1維度至第325 維度)。在第八實施例中，每個區(qū)域由通過將圖像垂直劃分為32塊并且水平劃分為32塊而形成的IOM塊中的塊組合構(gòu)成。如圖觀所示，從左上角部分開始，向相應塊分配從0開始的索引，并且使用這些索引來描述區(qū)域。具體的，使用左上角塊的索引“a”和右下角塊的索引“b”，以“a-b”的方式來指示矩形區(qū)域。例如，將由具有0、1、32和33的索引的4個塊形成的矩形描述為0-33。此外，如果使用符號“ I ”來鏈接按照這種方式形成的矩形，則它們表示通過將該符號之前和之后的矩形鏈接而形成的區(qū)域。例如，0-33 I 2-67指示通過將由 0-33定義的矩形和由2-67定義的矩形進行鏈接而形成的區(qū)域，即，由塊編號0，1,2,3,32, 33，34，35，66和67形成的區(qū)域。圖沈示出了與第八實施例的相應維度相對應的、按照這種方式描述的區(qū)域。在這些圖中，通過將325個維度分為圖四1、圖四-13、圖四-c、圖29-(1、圖四-6、圖四-f和圖 29-g中的類型來對其進行描述。在這些圖中，區(qū)域類型意味著由具有由第一和第二提取區(qū)域之間的相對位置或形狀的組合而確定的類似區(qū)域圖案的維度組成的組。具體地，圖四-a對應于以下情況通過將由垂直方向的4個塊和水平方向的4個塊定義的方形沿垂直或水平方向分為兩部分而形成的兩個區(qū)域被用作第一和第二提取區(qū)域，其示例在圖31-a中示出。因此，第一和第二提取區(qū)域的形狀均為由垂直方向的4個塊和水平方向的2個塊定義的矩形或由垂直方向的2個塊和水平方向的4個塊定義的矩形。 此外，關(guān)于第一和第二提取區(qū)域之間的相對位置，它們存在于彼此相鄰的位置處，使得矩形的長邊彼此重疊。圖四-b對應于以下情況通過將由垂直方向的8個塊和水平方向的8個塊定義的方形沿垂直和水平方向等分為4個方形，并分別將左上角和右下角的方形組合、右上角和左下角的方形組合而形成的兩個區(qū)域被用作第一和第二提取區(qū)域，其示例在圖31-b中示出。因此，第一和第二提取區(qū)域的形狀均為由垂直方向的2個塊和水平方向的2個塊定義、 以45度或135度角布置在對角線上以共享一個頂點的兩個方形。此外，關(guān)于區(qū)域之間的相對位置，構(gòu)成第二區(qū)域的兩個方形存在于與第一區(qū)域的左上角方形的左側(cè)和下方相鄰的位置處。在圖四-c的情況中，第一和第二提取區(qū)域的形狀均為由垂直方向的10個塊和水平方向的10個塊定義的方形，其示例在圖31-C中示出。關(guān)于第一和第二提取區(qū)域之間的相對位置，它們存在于彼此相距垂直方向和水平方向10個塊的整數(shù)倍的位置處。在圖四-d的情況中，第一和第二提取區(qū)域的形狀均為由垂直方向的8個塊和水平方向的8個塊定義的方形，其示例在圖31-d中示出。關(guān)于第一和第二提取區(qū)域之間的相對位置，它們存在于彼此相距垂直方向和水平方向6個塊的整數(shù)倍的位置處。圖四-e對應于以下情況通過將方形區(qū)域劃分為中心部分和外部部分而形成的兩個區(qū)域被用作第一和第二提取區(qū)域，其示例在圖31-e中示出。因此，第二提取區(qū)域的形狀是中心部分的方形；第一提取區(qū)域的形狀是從整個方形中切去第二提取區(qū)域的方形。此外，關(guān)于區(qū)域之間的相對位置，第二區(qū)域存在于第一區(qū)域的中心空洞處。在圖四-f的情況下，第一提取區(qū)域的形狀是由垂直方向6個塊和水平方向10個塊定義的矩形；第二提取區(qū)域的形狀是由垂直方向10個塊和水平方向6個塊定義的矩形， 其示例在圖31-f中示出。關(guān)于第一和第二提取區(qū)域之間的相對位置，它們被布置為使得其中心位置重合。圖四-g對應于以下情況通過將由垂直方向4個塊和水平方向12個塊定義的矩形或者由垂直方向12個塊和水平方向4個塊定義的矩形劃分為通過將長邊三等分而形成的中心方形區(qū)域和另一區(qū)域而形成的兩個區(qū)域被用作第一和第二提取區(qū)域，其示例在圖 31-g中示出。因此，第一區(qū)域的形狀是由垂直方向或水平方向彼此分離4個塊的、由垂直方向4個塊和水平方向4個塊定義的兩個方形；第二提取區(qū)域的形狀是由垂直方向4個塊和水平方向4個塊定義的方形。此外，關(guān)于區(qū)域之間的相對位置，第二區(qū)域存在于第一區(qū)域的方形之間。以下將圖29-a、圖29_13、圖四-c、圖29_d、圖29_e、圖29_f和圖29-g的區(qū)域類型分別稱為區(qū)域類型a、區(qū)域類型b、區(qū)域類型C、區(qū)域類型d、區(qū)域類型e、區(qū)域類型f和區(qū)域類型g。在第八實施例中，將亮度值的平均值計算為圖四中所示的每個區(qū)域中的區(qū)域特征，并計算每個維度的特征。當然，可以獲得通過前述各種提取方法來提取的值(如中值或最大值)來代替亮度值的平均值作為區(qū)域特征。為了對每個維度的特征進行量化，針對每種區(qū)域類型設(shè)置閾值以執(zhí)行量化。例如，
28當根據(jù)表達式2將特征量化為三進制值時，用于量化的閾值th可以被配置為使得對于每種區(qū)域類型，0、1和-1出現(xiàn)的比例相等；并且執(zhí)行量化。具體的，通過將0085段落中描述的方法應用于每個區(qū)域類型，來獲得閾值th，其中P = 33. 333%，N表示每個區(qū)域類型的維度數(shù)目。例如，由于在區(qū)域類型a中N= 113，因此通過th = D (floor (113*33. 333/100)) =D(37)來計算閾值。應當注意，D(i) (i = 0，1，. . ,N-1)是第1維度值第113維度的差值的絕對值以升序排序的集合。在這種情況下，與閾值相對應的索引為37。類似地，如圖30 所示，可以針對另一區(qū)域類型來獲得與閾值相對應的索引。通過如上所述獲得每個區(qū)域類型的閾值，與作為整體來確定閾值的情況相比，可以使每個維度中0、1和-1的出現(xiàn)概率均勻，從而提高辨別能力。當然，可以利用上述其他各種量化方法來執(zhí)行量化。應當注意，在第八實施例的情況下，還可以首先計算圖觀所示的每個塊的表示值 (例如塊內(nèi)的像素的平均亮度值)，然后提取區(qū)域特征。從而，與直接從區(qū)域內(nèi)的所有像素中提取區(qū)域特征的情況相比，可以以更高速度執(zhí)行提取。此外，每個區(qū)域類型的提取區(qū)域整體上可以具有對稱屬性。因此，即使在圖像的左右或上下反轉(zhuǎn)的情況下，通過合適地改變維度的對應關(guān)系和符號，可以根據(jù)從左右或上下反轉(zhuǎn)的圖像中提取的特征來恢復原始圖像的特征。因此，也可以對左右或上下反轉(zhuǎn)的圖像執(zhí)行匹配。[匹配單元的實施例]接下來，使用框圖來描述用于執(zhí)行本發(fā)明中輸出的量化索引向量之間的匹配的匹配單元。參照圖21，圖21示出了用于執(zhí)行本發(fā)明中輸出的量化索引向量之間的匹配的匹配單元100的框圖，匹配單元100包括維度確定單元101 ；量化值獲取單元102和103 ；以及標度計算單元104。維度確定單元101連接至量化值獲取單元102和103，并輸出所確定的維度信息。 量化值獲取單元102從第一量化索引向量中獲取從維度確定單元101輸入的維度的量化索引值，并將該值輸出至標度計算單元104，作為第一量化索引值。量化值獲取單元103從第二量化索引向量中獲取從維度確定單元101輸入的維度的量化索引值，并將該值輸出至標度計算單元104，作為第二量化索引值。標度計算單元104根據(jù)從量化值獲取單元102和 103輸出的第一和第二量化索引值來計算指示同一性的標度，并將其輸出。接下來，描述圖21所示的匹配單元100的操作。首先，向匹配單元100輸入第一量化索引向量，其為從第一圖像中提取的量化索引向量；以及第二量化索引向量，其為從第二圖像中提取的量化索引向量。所輸入的第一和第二量化索引向量被分別輸入至量化值獲取單元102和103。還向量化值獲取單元102和103輸入從維度確定單元101輸出的維度信息。維度確定單元101依次輸出指定量化索引向量(為N維向量)的相應維度的信息。輸出順序不需要是從1逐一遞增至N，而可以是任何順序，只要不多不少地輸出從1至N的所有維度。量化值獲取單元102和103從輸入的量化索引向量中獲取在從維度確定單元101 輸出的維度信息中指定的維度的量化索引值，并將所獲取的量化索引值輸出至標度計算單元 104。標度計算單元104將從量化值獲取單元102輸出的第一量化索引值與第二量化索引值進行比較。對各個維度執(zhí)行該比較，并將第一和第二量化索引值向量之間的相似度標度(或距離標度)計算為同一性標度。將所獲取的同一性標度與預定閾值進行比較，以確定同一性。如果同一性標度是指示相似度值的標度，則在標度值等于或大于閾值的情況下將其確定為相同。另一方面，如果同一性標度是指示距離的標度，則在標度值小于或等于閾值的情況下將其確定為相同。接下來，使用流程圖來描述圖21中所示的匹配單元100的操作。首先，描述使用相似度值作為同一性標度的情況下的操作。圖22是示出了匹配單元100的操作的流程圖。在圖22的流程圖中，特征向量的維度(編號)指示為“n”，存在從1至N總計N個維度。此外，用于計算相似度值的變量指示為B。首先，維度確定單元101將維度1確定為要匹配的量化索引向量的第一維度(n = 1)，并將其提供給量化獲取單元102和103，并在標度計算單元104中將變量B設(shè)置為0 (步驟 S100)。然后，量化獲取單元102和103從第一量化索引向量和第二量化索引向量中獲取維度η的第一量化索引值和第二量化索引值，并將其提供給標度計算單元104 (步驟S102)。然后，標度計算單元104根據(jù)第一量化索引值和第二量化索引值，計算與相應量化索引相對應的特征之間的相似度值ΔΒ(步驟S104)。例如，當量化索引彼此相符時，ΔΒ =1 ；在其他情況下ΔΒ = 0。備選地，還可以根據(jù)量化索引來計算量化之前的特征的表示值，并使用隨著表示值之間的差值減小而增大的值作為ΔΒ。在該情況下，不是通過計算特征的表示值來獲得差值，而是可以保存表，在所述表中，根據(jù)量化索引值的組合來獲取ΔΒ 的值，并且使用所述表，根據(jù)量化索引值的組合來直接獲得ΔΒ的值。接下來，將ΔΒ的值加至變量B(步驟S106)。此時，如果ΔB的值為0，則可以控制不進行相加，而不是將0加至變量B。接下來，檢查維度編號η是否達到維度數(shù)目N (步驟S108)，如果未達到該數(shù)目，則處理移至步驟Sl 12 ；而如果達到該數(shù)目，則將此時變量B的值輸出，作為同一性標度(指示相似度值的標度)(步驟Sl 10)，并且處理結(jié)束。在步驟112，維度確定單元101根據(jù)η = η+1將下一維度確定為用于獲取量化索引的維度，并將其提供給量化值獲取單元102和103。然后，處理返回步驟S102。應當注意，盡管按照從維度1至維度N的順序來執(zhí)行提取處理，但是可以采用任何順序，不限于該順序。接下來描述使用距離作為同一性標度的情況下的操作。圖23是示出了匹配單元100的操作的另一流程圖。同樣，在圖23的流程圖中，特征向量的維度(編號)指示為“η”，存在從1至N總計N個維度。此外，用于計算距離標度的變量指示為C。盡管基本流程與圖22中類似，圖23的差別在于步驟S100、S104、S106和SllO被分別替換為步驟S200、S204、S206和S210。首先，在步驟S200，維度確定單元101將維度1確定為要匹配的量化索引向量的第一維度(n = 1)，并將其提供給量化獲取單元102和103，并在標度計算單元104中將變量 C設(shè)置為0。在步驟S204，標度計算單元104根據(jù)第一量化索引值和第二量化索引值，計算與相應量化索引相對應的特征之間的距離△(。例如，當量化索引彼此相符時，AC = O ；在其他情況下AC= 1。還可以根據(jù)量化索引來計算量化之前的特征的表示值，并使用隨著表示值之間的差值減小而減小的值作為Δ C。在該情況下，不是通過計算特征的表示值來獲得差值，而是可以保存表，在所述表中，根據(jù)量化索引值的組合來獲取△(的值，并且使用所述表，根據(jù)量化索引值的組合來直接獲得△(的值。在步驟S206，將Δ C的值加至變量C。此時，如果Δ C的值為0，則可以控制不進行相加，而不是將0加至變量C。在步驟S210，輸出此時變量C的值作為同一性標度(指示距離的標度)，并結(jié)束處理。其他步驟與圖22的情況下相同。然而，如果在步驟S108，維度編號η達到維度數(shù)目N，則處理移至步驟S210。應當注意，盡管按照從維度1至維度N的順序來執(zhí)行提取處理，但是可以采用任何順序，不限于該順序。接下來給出以下情況下的操作的描述消除第一量化索引值和第二量化索引值的 “兩個量化索引均為0”的維度，并使用相似度值作為同一性標度。圖M是示出了匹配單元100的操作的另一流程圖。同樣，在圖M的流程圖中，特征向量的維度(編號)指示為“η”，存在從1至N總計N個維度。此外，用于計算相似度值的變量指示為B，用于對不是“兩個量化索引均為0”的維度進行計數(shù)的變量指示為Α。首先，維度確定單元101將維度1確定為要匹配的量化索引向量的第一維度(n = 1)，并將其提供給量化獲取單元102和103，并在標度計算單元104中將變量A和B設(shè)置為 0 (步驟S300)，然后移至步驟S102。步驟S102與圖22中的情況相同，當步驟S102結(jié)束時，處理移至步驟S314。在步驟S314，標度計算單元104檢查第一量化索引值和第二量化索引值是否均為 0。如果兩個值均為0，則處理移至步驟S108 ；而如果其中任一個不為0，則將變量A的值增加1 (步驟S316)，處理移至步驟S104。步驟S104、S106、S108和Sl 12的處理與圖22的情況相同。如果在步驟S108維度編號達到維度數(shù)目N，則處理移至步驟S310。在步驟S310，標度計算單元104計算B/A的值，并將其輸出作為同一性標度，結(jié)束處理。然而，如果A = 0，則標度計算單元104輸出預定值(例如0. 5)。應當注意，盡管按照從維度1至維度N的順序來執(zhí)行提取處理，但是可以采用任何順序，不限于該順序。[匹配單元的另一實施例]接下來，使用框圖來描述用于執(zhí)行本發(fā)明中輸出的量化索引向量之間的匹配的匹配單元的另一實施例。參照圖25，圖25示出了用于執(zhí)行本發(fā)明中輸出的量化索引向量之間的匹配的匹配單元200的框圖，匹配單元200包括碼確定單元201 ；碼值獲取單元202和203 ；以及標度計算單元204。碼確定單元201連接至碼值獲取單元202和203，并輸出所確定的碼指定信息。碼值獲取單元202從第一編碼量化索引向量中獲取由從碼確定單元201輸入的碼指定信息指定的碼的值，并將該值輸出至標度計算單元204作為第一碼值。碼值獲取單元203從第二編碼量化索引向量中獲取由從碼確定單元201輸入的碼指定信息指定的碼的值，并將該值輸出至標度計算單元204作為第二碼值。標度計算單元204根據(jù)從碼值獲取單元202和203 分別輸出的第一和第二碼值，計算指示同一性的標度，并將其輸出。接下來描述圖25中示出的匹配單元200的操作。首先，向匹配單元200輸入第一編碼量化索引向量(通過對從第一圖像中提取的量化索引向量進行編碼而產(chǎn)生的向量)和第二編碼量化索引向量(通過對從第二圖像中提取的量化索引向量進行編碼而產(chǎn)生的向量)。應當注意，編碼量化索引向量是由通過針對多個維度對量化索引向量的量化索引值整體進行編碼而獲得的碼組成的碼串。如0142段中所述，當特征向量的相應維度的特征被量化為三進制值并且以5個維度整體來進行編碼時，針對每5個維度產(chǎn)生一個碼。因此，如果特征向量的維度數(shù)目為N，則產(chǎn)生N/5個碼。在該情況下，編碼的量化索引向量是由N/5個碼組成的碼串。輸入的第一和第二編碼量化索引向量分別輸入至碼值獲取單元202和203。還向碼值獲取單元202和203輸入從碼確定單元201輸出的碼指定信息。碼確定單元201依次輸出指定碼串中的各個碼的信息。如果碼串中碼的數(shù)目為M(在上述示例中， M = N/5)，則輸出順序不必需從1逐一遞增至M，而是可以具有任何順序，只要不多不少地指定從1至M的所有值。碼值獲取單元202和203從輸入的編碼量化索引向量中獲取在從碼確定單元201 輸出的碼指定信息中指定的碼的值，并將所獲取的碼值輸出至標度計算單元204。標度計算單元204將從碼獲取單元201和202輸出的第一碼值和第二碼值進行比較。在該過程中，對碼值進行直接比較，而不將其解碼為量化索引值。如0150至0152段落中所述，準備查找表，利用查找表，可以從兩個碼值獲得碼值之間的同一性標度，利用該表， 以碼為單位來計算同一性標度。對相應碼執(zhí)行該過程，從而將第一和第二碼值之間的相似度標度(或距離標度)計算為同一性標度。將所獲取的同一性標度值與預定閾值進行比較，來確定同一性。如果同一性標度是指示相似度值的標度，則在標度值等于或大于閾值的情況下將其確定為相同。另一方面， 如果同一性標度是指示距離的標度，則在標度值小于或等于閾值的情況下將其確定為相同。接下來，使用流程圖來描述圖25中所示的匹配單元200的操作。首先描述使用相似度值作為同一性標度的情況下的操作。圖沈是示出了匹配單元200的操作的流程圖。在圖沈的流程圖中，編碼的量化索引向量的碼數(shù)目指示為“m”，存在從1至M總計M個維度。此外，用于計算相似度值的變量指示為B。首先，碼確定單元201確定獲取第一碼(m = 1)作為要匹配的編碼量化索引向量的第一碼，并將其提供給碼值獲取單元202和203，并在標度計算單元204中將變量B設(shè)置為0 (步驟S600)。然后，碼值獲取單元202和203從第一編碼量化索引向量和第二編碼量化索引向量中獲取第m個第一碼值和第二碼值，并將其提供給標度計算單元204(步驟S602)。然后，標度計算單元204參照0150段落中描述的查找表，根據(jù)第一碼值和第二碼值，計算與相應碼值相對應的多個維度的特征之間的相似度值ΔΒ(步驟S604)。接下來，將ΔΒ的值加至變量B(步驟S106)。此時，如果ΔB的值為0，則可以控制不進行相加，而不是將0加至變量B。接下來，檢查碼編號m是否達到碼數(shù)目M (步驟S608)，如果未達到該數(shù)目，則處理移至步驟S612 ；而如果達到該數(shù)目，則將此時變量B的值輸出，作為同一性標度(指示相似度值的標度)(步驟Sl 10)，并且處理結(jié)束。在步驟612，碼確定單元201根據(jù)m = m+1將下一碼編號確定為用于獲取量化索引的維度，并將其提供給碼值獲取單元202和203作為碼指定信息。然后，處理返回步驟 S602。應當注意，盡管按照從碼編號m至維度M的順序來執(zhí)行提取處理，但是可以采用任何順序，不限于該順序。此外，盡管針對計算相似度值的情況給出了描述，但是還可以以類似方式將距離標度計算為同一性標度。在該情況下，查找表適于存儲距離標度而不是相似度值。圖27是示出了匹配單元200的操作的另一流程圖。同樣，在圖27的流程圖中，編碼的量化索引向量的碼數(shù)目指示為“m”，存在從1至M總計M個維度。此外，用于計算相似度值的變量指示為B，用于對不是“兩個量化索引均為0”的維度進行計數(shù)的變量指示為A。首先，碼確定單元201確定獲取第一碼(n = 1)作為要匹配的編碼量化索引向量的第一碼，并將其提供給碼值獲取單元202和203，并在標度計算單元204中將變量A和B 設(shè)置為0(步驟S700)，然后移至步驟S602。步驟S602與圖沈中的情況相同，當該步驟結(jié)束時，處理移至步驟S714。在步驟S714，標度計算單元204根據(jù)第一碼值和第二碼值，檢查與碼值相對應的特征向量的維度中不是“兩個值均為0”的維度的數(shù)目。將該維度數(shù)目設(shè)置為ΔΑ。如0152 段落中所述，這還可以使用描述碼值與△ A之間關(guān)系的查找表來計算。然后，將ΔΑ的值加至變量A(步驟S716)。此時，如果Δ A的值為0，則可以控制不進行相加，而不是將0加至變量Α。步驟S604、S106、S608和S612的處理與圖沈的情況相同。如果在步驟S608碼編號達到碼數(shù)目M，則處理移至步驟S310。在步驟S310，標度計算單元204計算B/A的值，并將其輸出作為同一性標度，結(jié)束處理。然而，如果A = 0，則標度計算單元204輸出預定值(例如0. 5)。應當注意，盡管按照從碼編號m至M的順序來執(zhí)行提取處理，但是可以采用任何順序，不限于該順序。此外，盡管針對計算相似度值的情況給出了描述，但是還可以以類似方式將距離標度計算為同一性標度。在該情況下，查找表適于存儲距離標度而不是相似度值。盡管以上描述了本發(fā)明的實施例，但是本發(fā)明不限于這些示例，其中可以做出各種添加和修改。此外，本發(fā)明的圖像簽名提取設(shè)備被適配為使得可以利用計算機和程序以及硬件來實現(xiàn)其功能。這種程序以寫在計算機可讀記錄介質(zhì)(如磁盤、半導體存儲器等等) 上的形式來提供，在例如計算機啟動時由計算機讀取，并控制計算機的操作，從而允許計算機用作上述實施例中的維度確定單元、提取區(qū)域獲取單元、區(qū)域特征計算單元、比較單元、 區(qū)域特征計算方法獲取單元以及比較方法獲取單元。本申請基于并要求2009年3月13日提交的日本專利申請No. 2009-061022和2009年4月14日提交的日本專利申請No. 2009-097864的優(yōu)先權(quán)，其全部公開通過引用并入此處。參考符號說明1維度確定單元2提取區(qū)域獲取單元3、3A區(qū)域特征計算單元31、31A第一區(qū)域特征計算單元32、32A第二區(qū)域特征計算單元4、4B比較單元41幅度比較單元42、44量化單元43差值計算單元45量化邊界確定單元5區(qū)域特征計算方法獲取單元6比較方法獲取單元7編碼單元
權(quán)利要求
1.一種圖像簽名提取設(shè)備，包括圖像簽名產(chǎn)生單元，根據(jù)圖像中的多個子區(qū)域?qū)?，從圖像中的相應子區(qū)域中提取區(qū)域特征，所述多個子區(qū)域?qū)Πㄖ辽僖粋€子區(qū)域?qū)?，所述至少一個子區(qū)域?qū)χ械膬蓚€子區(qū)域的形狀的組合和所述至少一個子區(qū)域?qū)χ械膬蓚€子區(qū)域之間的相對位置與其他子區(qū)域?qū)χ械闹辽僖粚Σ煌?，并基于所提取的相應子區(qū)域的區(qū)域特征，產(chǎn)生要用于標識圖像的圖像簽名；以及編碼單元，對圖像簽名進行編碼。
2.根據(jù)權(quán)利要求1所述的圖像簽名提取設(shè)備，其中編碼單元對圖像簽名進行編碼，使得數(shù)據(jù)量變小。
3.根據(jù)權(quán)利要求1或2所述的圖像簽名提取設(shè)備，其中編碼單元以能夠唯一解碼的形式來對圖像簽名進行編碼。
4.根據(jù)權(quán)利要求1至3中任一項所述的圖像簽名提取設(shè)備，其中子區(qū)域?qū)χ械膬蓚€子區(qū)域的形狀的組合和子像素對中的兩個子區(qū)域之間的相對位置相同的子區(qū)域?qū)ξ挥诓煌慕^對位置。
5.根據(jù)權(quán)利要求1至4中任一項所述的圖像簽名提取設(shè)備，其中圖像簽名產(chǎn)生單元從子區(qū)域?qū)χ械膬蓚€子區(qū)域中提取區(qū)域特征，使用所提取的區(qū)域特征來計算圖像簽名元素，并產(chǎn)生圖像簽名，所述圖像簽名是圖像簽名元素的集合。
6.根據(jù)權(quán)利要求1至5中任一項所述的圖像簽名提取設(shè)備，其中圖像簽名產(chǎn)生單元從子區(qū)域?qū)χ械膬蓚€子區(qū)域中提取區(qū)域特征，根據(jù)所提取的區(qū)域特征之間的差值來計算圖像簽名元素，并產(chǎn)生圖像簽名，所述圖像簽名是圖像簽名元素的集I=I O
7.根據(jù)權(quán)利要求6所述的圖像簽名提取設(shè)備，其中圖像簽名產(chǎn)生單元通過對兩個區(qū)域特征之間的差值進行量化來計算圖像簽名元素。
8.根據(jù)權(quán)利要求1至6中任一項所述的圖像簽名提取設(shè)備，其中圖像簽名產(chǎn)生單元通過對區(qū)域特征進行量化來計算圖像簽名。
9.根據(jù)權(quán)利要求7或8所述的圖像簽名提取設(shè)備，其中圖像簽名產(chǎn)生單元基于相應子區(qū)域?qū)Φ膬蓚€區(qū)域特征之間的差值的分布，確定要用于量化的量化邊界。
10.根據(jù)權(quán)利要求7至9中任一項所述的圖像簽名提取設(shè)備，其中圖像簽名產(chǎn)生單元確定要用于量化的量化邊界，使得子區(qū)域?qū)χ斜环诸悶椴煌炕档谋壤優(yōu)閹缀跸嗟取?br> 11.根據(jù)權(quán)利要求7至10中任一項所述的圖像簽名提取設(shè)備，其中圖像簽名產(chǎn)生單元執(zhí)行量化為三進制值。
12.根據(jù)權(quán)利要求11所述的圖像簽名提取設(shè)備，其中所述三進制值包括第一量化值；第二量化值，為小于第一量化值的值；以及第三量化值，為小于第二量化值的值；第一量化值與第二量化值之間的差值和第二量化值與第三量化值之間的差值相等。
13.根據(jù)權(quán)利要求11或12所述的圖像簽名提取設(shè)備，其中如果從構(gòu)成子區(qū)域?qū)Φ膬蓚€子區(qū)域中的第一子區(qū)域中提取的區(qū)域特征為VI，從第二子區(qū)域中提取的區(qū)域特征為V2，用作量化邊界的閾值為th，則圖像簽名產(chǎn)生單元在通過從Vl 減去V2獲得的值大于th的情況下產(chǎn)生第一量化值，在通過從Vl減去V2獲得的值小于-th 的情況下產(chǎn)生第三量化值，并在通過從Vl減去V2獲得的值的絕對值小于或等于th的情況下產(chǎn)生第二量化值。
14.根據(jù)權(quán)利要求13所述的圖像簽名提取設(shè)備，其中圖像簽名產(chǎn)生單元對相應子區(qū)域?qū)Φ牟钪档慕^對值進行排序，并使用位于從其頂部或底部預定比例處的值作為閾值th。
15.根據(jù)權(quán)利要求11至14中任一項所述的圖像簽名提取設(shè)備，其中編碼單元將5個子區(qū)域?qū)Φ牧炕底鳛橐粋€單元來進行編碼。
16.根據(jù)權(quán)利要求11至15中任一項所述的圖像簽名提取設(shè)備，其中編碼單元將5個子區(qū)域?qū)Φ牧炕稻幋a為1字節(jié)的信息。
17.根據(jù)權(quán)利要求11至15中任一項所述的圖像簽名提取設(shè)備，其中編碼單元將5個子區(qū)域?qū)Φ牧炕档?43種不同組合映射至以1字節(jié)表示的從0至 242的值。
18.根據(jù)權(quán)利要求17所述的圖像簽名提取設(shè)備，其中在執(zhí)行映射時，在量化值的三進制值中，編碼單元將最小量化值處理為0，次小值處理為1，最大值處理為2 ；如果5個子區(qū)域?qū)Φ牧炕禐閄4，X3, X2, X1和\，則將編碼值Z計算為 Z = 81*X4+27*X3+9*X2+3*X1+X0o
19.根據(jù)權(quán)利要求5至7中任一項所述的圖像簽名提取設(shè)備，其中編碼單元將多個圖像簽名元素作為一個單元來進行編碼。
20.根據(jù)權(quán)利要求1至19中任一項所述的圖像簽名提取設(shè)備，其中圖像簽名產(chǎn)生單元提取圖像中每個子區(qū)域的像素值的表示值作為子區(qū)域的區(qū)域特征。
21.根據(jù)權(quán)利要求1至20中任一項所述的圖像簽名提取設(shè)備，其中圖像簽名產(chǎn)生單元提取圖像中每個子區(qū)域的平均亮度作為子區(qū)域的區(qū)域特征。
22.—種匹配設(shè)備，使用根據(jù)權(quán)利要求1至21中任一項所述的圖像簽名提取設(shè)備產(chǎn)生的圖像簽名來執(zhí)行匹配。
23.—種標識設(shè)備，使用根據(jù)權(quán)利要求1至21中任一項所述的圖像簽名提取設(shè)備產(chǎn)生的圖像簽名來執(zhí)行標識。
24.一種圖像簽名匹配設(shè)備，使用用于標識第一圖像的第一編碼圖像特征和用于標識第二圖像的第二編碼圖像特征，以執(zhí)行第一編碼圖像特征和第二編碼圖像特征之間的匹配，而不對第一編碼圖像特征和第二編碼圖像特征進行解碼。
25.根據(jù)權(quán)利要求M所述的圖像簽名匹配設(shè)備，其中在匹配時，計算指示第一圖像和第二圖像的相同程度的同一性標度。
26.根據(jù)權(quán)利要求M或25所述的圖像簽名匹配設(shè)備，其中對于每個編碼單元，從查找表中獲取第一編碼圖像特征的碼值和第二編碼圖像特征的碼值之間的距離或相似度值，并執(zhí)行匹配，在所述查找表中預先計算并存儲了碼值之間的距離或相似度值。
27.根據(jù)權(quán)利要求沈所述的圖像簽名匹配設(shè)備，其中碼值之間的距離是通過對碼值進行解碼而獲得的解碼信息之間的漢明距離。
28.根據(jù)權(quán)利要求沈所述的圖像簽名匹配設(shè)備，其中如果第一編碼圖像特征的碼值和第二編碼圖像特征是以將一個元素具有三進制值的每5個元素編碼為1個字節(jié)的方式來編碼的，則查找表存儲243M43個距離或相似度。
29.一種圖像簽名提取方法，包括根據(jù)圖像中的多個子區(qū)域?qū)?，從圖像中的相應子區(qū)域中提取區(qū)域特征，所述多個子區(qū)域?qū)Πㄖ辽僖粋€子區(qū)域?qū)?，所述至少一個子區(qū)域?qū)χ械膬蓚€子區(qū)域的形狀的組合和所述至少一個子區(qū)域?qū)χ械膬蓚€子區(qū)域之間的相對位置與其他子區(qū)域?qū)χ械闹辽僖粚Σ煌⒒谒崛〉南鄳訁^(qū)域的區(qū)域特征，產(chǎn)生要用于標識圖像的圖像簽名；以及對圖像簽名進行編碼。
30.根據(jù)權(quán)利要求四所述的圖像簽名提取方法，其中所述編碼包括對圖像簽名進行編碼，使得數(shù)據(jù)量變小。
31.根據(jù)權(quán)利要求四或30所述的圖像簽名提取方法，其中所述編碼包括以能夠唯一解碼的形式來對圖像簽名進行編碼。
32.根據(jù)權(quán)利要求四至31中任一項所述的圖像簽名提取方法，其中子區(qū)域?qū)χ械膬蓚€子區(qū)域的形狀的組合和子像素對中的兩個子區(qū)域之間的相對位置相同的子區(qū)域?qū)ξ挥诓煌慕^對位置。
33.根據(jù)權(quán)利要求四至32中任一項所述的圖像簽名提取方法，其中產(chǎn)生圖像簽名包括從子區(qū)域?qū)χ械膬蓚€子區(qū)域中提取區(qū)域特征，使用所提取的區(qū)域特征來計算圖像簽名元素，并產(chǎn)生圖像簽名，所述圖像簽名是圖像簽名元素的集合。
34.根據(jù)權(quán)利要求四至33中任一項所述的圖像簽名提取方法，其中產(chǎn)生圖像簽名包括從子區(qū)域?qū)χ械膬蓚€子區(qū)域中提取區(qū)域特征，根據(jù)所提取的區(qū)域特征之間的差值來計算圖像簽名元素，并產(chǎn)生圖像簽名，所述圖像簽名是圖像簽名元素的皇A朱口 ο
35.根據(jù)權(quán)利要求34所述的圖像簽名提取方法，其中產(chǎn)生圖像簽名包括通過對兩個區(qū)域特征之間的差值進行量化來計算圖像簽名元素。
36.根據(jù)權(quán)利要求四至34中任一項所述的圖像簽名提取方法，其中產(chǎn)生圖像簽名包括通過對區(qū)域特征進行量化來計算圖像簽名。
37.根據(jù)權(quán)利要求35或36所述的圖像簽名提取方法，其中產(chǎn)生圖像簽名包括基于相應子區(qū)域?qū)Φ膬蓚€區(qū)域特征之間的差值的分布，確定要用于量化的量化邊界。
38.根據(jù)權(quán)利要求35至37中任一項所述的圖像簽名提取方法，其中產(chǎn)生圖像簽名包括確定要用于量化的量化邊界，使得子區(qū)域?qū)χ斜环诸悶椴煌炕档谋壤優(yōu)閹缀跸嗟取?br> 39.根據(jù)權(quán)利要求35至38中任一項所述的圖像簽名提取方法，其中產(chǎn)生圖像簽名包括執(zhí)行量化為三進制值。
40.根據(jù)權(quán)利要求39所述的圖像簽名提取方法，其中所述三進制值包括第一量化值；第二量化值，為小于第一量化值的值；以及第三量化值，為小于第二量化值的值；第一量化值與第二量化值之間的差值和第二量化值與第三量化值之間的差值相等。
41.根據(jù)權(quán)利要求39或40所述的圖像簽名提取方法，其中如果從構(gòu)成子區(qū)域?qū)Φ膬蓚€子區(qū)域中的第一子區(qū)域中提取的區(qū)域特征為VI，從第二子區(qū)域中提取的區(qū)域特征為V2，用作量化邊界的閾值為th，則產(chǎn)生圖像簽名包括在通過從 Vl減去V2獲得的值大于th的情況下產(chǎn)生第一量化值，在通過從Vl減去V2獲得的值小于_th的情況下產(chǎn)生第三量化值，并在通過從Vl減去V2獲得的值的絕對值小于或等于th 的情況下產(chǎn)生第二量化值。
42.根據(jù)權(quán)利要求41所述的圖像簽名提取方法，其中產(chǎn)生圖像簽名包括對相應子區(qū)域?qū)Φ牟钪档慕^對值進行排序，并使用位于從其頂部或底部預定比例處的值作為閾值th。
43.根據(jù)權(quán)利要求39至42中任一項所述的圖像簽名提取方法，其中所述編碼包括將5個子區(qū)域?qū)Φ牧炕底鳛橐粋€單元來進行編碼。
44.根據(jù)權(quán)利要求39至43中任一項所述的圖像簽名提取方法，其中所述編碼包括將5個子區(qū)域?qū)Φ牧炕稻幋a為1字節(jié)的信息。
45.根據(jù)權(quán)利要求39至43中任一項所述的圖像簽名提取方法，其中所述編碼包括將5個子區(qū)域?qū)Φ牧炕档?43種不同組合映射至以1字節(jié)表示的從 0至242的值。
46.根據(jù)權(quán)利要求45所述的圖像簽名提取方法，其中所述編碼包括在執(zhí)行映射時，在量化值的三進制值中，將最小量化值處理為0，次小值處理為1，最大值處理為2 ；如果5個子區(qū)域?qū)Φ牧炕禐閄4，X3, X2, X1和\，則將編碼值 Z 計算為 Z = 81 4+27*X3+9*)(2+3*X1+)(0。
47.根據(jù)權(quán)利要求33至35中任一項所述的圖像簽名提取方法，其中所述編碼包括將多個圖像簽名元素作為一個單元來進行編碼。
48.根據(jù)權(quán)利要求四至47中任一項所述的圖像簽名提取方法，其中產(chǎn)生圖像簽名包括提取圖像中每個子區(qū)域的像素值的表示值作為子區(qū)域的區(qū)域特征。
49.根據(jù)權(quán)利要求四至48中任一項所述的圖像簽名提取方法，其中產(chǎn)生圖像簽名包括提取圖像中每個子區(qū)域的平均亮度作為子區(qū)域的區(qū)域特征。
50.一種匹配方法，使用根據(jù)權(quán)利要求四至49中任一項所述的圖像簽名提取方法產(chǎn)生的圖像簽名來執(zhí)行匹配。
51.一種標識方法，使用根據(jù)權(quán)利要求四至49中任一項所述的圖像簽名提取方法產(chǎn)生的圖像簽名來執(zhí)行標識。
52.一種圖像簽名匹配方法，使用用于標識第一圖像的第一編碼圖像特征和用于標識第二圖像的第二編碼圖像特征，所述方法包括執(zhí)行第一編碼圖像特征和第二編碼圖像特征之間的匹配，而不對第一編碼圖像特征和第二編碼圖像特征進行解碼。
53.根據(jù)權(quán)利要求52所述的圖像簽名匹配方法，其中在匹配時，計算指示第一圖像和第二圖像的相同程度的同一性標度。
54.根據(jù)權(quán)利要求52或53所述的圖像簽名匹配方法，其中對于每個編碼單元，從查找表中獲取第一編碼圖像特征的碼值和第二編碼圖像特征的碼值之間的距離或相似度值，并執(zhí)行匹配，在所述查找表中預先計算并存儲了碼值之間的距離或相似度值。
55.根據(jù)權(quán)利要求M所述的圖像簽名匹配方法，其中碼值之間的距離是通過對碼值進行解碼而獲得的解碼信息之間的漢明距離。
56.根據(jù)權(quán)利要求M所述的圖像簽名匹配設(shè)備，其中如果第一編碼圖像特征的碼值和第二編碼圖像特征是以將一個元素具有三進制值的每5個元素編碼為1個字節(jié)的方式來編碼的，則查找表存儲243M43個距離或相似度。
57.—種程序，使計算機用作圖像簽名產(chǎn)生單元，根據(jù)圖像中的多個子區(qū)域?qū)Γ瑥膱D像中的相應子區(qū)域中提取區(qū)域特征，所述多個子區(qū)域?qū)Πㄖ辽僖粋€子區(qū)域?qū)Γ鲋辽僖粋€子區(qū)域?qū)χ械膬蓚€子區(qū)域的形狀的組合和所述至少一個子區(qū)域?qū)χ械膬蓚€子區(qū)域之間的相對位置與其他子區(qū)域?qū)χ械闹辽僖粚Σ煌?；并基于所提取的相應子區(qū)域的區(qū)域特征，產(chǎn)生要用于標識圖像的圖像簽名；以及編碼單元，對圖像簽名進行編碼。
全文摘要
本發(fā)明提供了一種圖像簽名提取設(shè)備，包括圖像簽名產(chǎn)生單元和編碼單元。所述圖像簽名產(chǎn)生單元根據(jù)圖像中的多個子區(qū)域?qū)Γ瑥膱D像中的相應子區(qū)域中提取區(qū)域特征，所述多個子區(qū)域?qū)Πㄖ辽僖粋€子區(qū)域?qū)Γ鲋辽僖粋€子區(qū)域?qū)χ械膬蓚€子區(qū)域的形狀的組合和所述至少一個子區(qū)域?qū)χ械膬蓚€子區(qū)域之間的相對位置與其他子區(qū)域?qū)χ械闹辽僖粚Σ煌?，并基于所提取的相應子區(qū)域的區(qū)域特征，產(chǎn)生要用于標識圖像的圖像簽名。所述編碼單元對圖像簽名進行編碼。
文檔編號G06T7/00GK102349092SQ201080011040
公開日2012年2月8日 申請日期2010年3月12日 優(yōu)先權(quán)日2009年3月13日
發(fā)明者大網(wǎng)亮磨, 巖元浩太 申請人:日本電氣株式會社