JP7744777B2 - 識別モデル生成装置、識別装置、及びそれらの制御方法、プログラム - Google Patents

Description

本発明は、虹彩画像を利用して個人を識別する技術に関する。

近年、虹彩画像を用いた個人認証技術が、様々な用途で利用され始めている。例えば、施設への入退室管理、ＰＣ、スマートフォン、ホームページ等へのログイン時の個人認証に用いられている。

このような個人認証装置では、例えば使用する特定のユーザを識別して登録してから、この登録した情報に基づいて、提供するサービスにログインするための認証を行う。また、個人認証装置の使用は、主に外光の少ない室内での使用を前提としている。

しかしながら、近年、スマートフォン等の室外で多く使用する機器にも虹彩認証による個人識別技術が利用され始めており、外光下で虹彩認証を行う場面も増えてきている。太陽光などの近赤外成分を多く含む外光下で虹彩認証を行う場合には、太陽等が発する近赤外光や、太陽等に照射された物体が反射する近赤外光が眼球に広範囲に映り込む。そのため、外光下で虹彩認証を行う際に、予め登録していた虹彩コードと外光下で撮影した眼球画像から算出した虹彩コードが一致せず、個人認証を行えない場合がある。

特許文献１には、眼球画像と、見ている方向のシーン画像とが対応付けられた多数のデータを使用して機械学習を行うことにより、キャリブレーション処理を不要にする技術が開示されている。この学習では、教師データとして、大規模なデータセットを必要とする。例えば、顔特徴点、カメラアングル、キャプチャプログラム（上下左右のマーカ表示を注視したときのデータ）などを眼球画像と組み合わせて教師データとすることで視線認識を行っている。

特開２０２０－１４０６３０号公報

上述のように、特許文献１では、眼球画像に対応した方向のシーン画像や、カメラアングルなど、注視している方向に関連あるデータを教師データとして組み合わせ、視線を検出できるように機械学習を行っている。

しかしながら、外光が眼球に入射してきた際には、眼球の方向を認識することが難しく、視線認識精度が著しく落ちることになる。

本発明は上述した課題に鑑みてなされたものであり、その目的は、外光のある環境下においても、虹彩画像を用いた個人認証の精度を向上させることである。

本発明に係わる識別モデル生成装置は、眼球の画像から個人の識別を行う識別モデルを生成する識別モデル生成装置であって、前記眼球の画像と、該眼球の画像が撮影されたときの撮影状況のデータとを取得する取得手段と、前記眼球の画像と前記撮影状況のデータとに基づいて、前記眼球の特徴量を推論する推論手段と、前記推論手段から得られた前記眼球の特徴量が、前記眼球の画像と撮影状況のデータとに対応する前記眼球の特徴量の正解値である正解データに近づくように、前記推論手段の学習を行い、前記識別モデルを生成する学習手段と、を備えることを特徴とする。

本発明によれば、外光のある環境下においても、虹彩画像を用いた個人認証の精度を向上させることが可能となる。

本発明の一実施形態における学習装置の構成を示す図。 個人識別モデル部のソフトウェア構成を示す図。 眼球に入射する外光の様子を示す図。 眼球画像の学習動作を示すフローチャート。 本発明の一実施形態における推論装置の構成図。 個人識別モデル部のソフトウェア構成を示す図。 眼球画像の個人登録推論の処理を示すフローチャート。 眼球画像の個人認証推論の処理を示すフローチャート。

以下、添付図面を参照して実施形態を詳しく説明する。なお、以下の実施形態は特許請求の範囲に係る発明を限定するものではない。実施形態には複数の特徴が記載されているが、これらの複数の特徴の全てが発明に必須のものとは限らず、また、複数の特徴は任意に組み合わせられてもよい。さらに、添付図面においては、同一若しくは同様の構成に同一の参照番号を付し、重複した説明は省略する。

なお、本発明の実施形態の説明において、外光とは、太陽光や照明器具から眼球に入射する光のことである。また映り込みとは、撮影された眼球画像において、外光によって形成された輝度パターンのことである。

本発明の一実施形態に係わる個人識別システムは、ユーザの眼球画像からユーザを識別するための識別モデルを生成するとともに、眼球画像を入力として畳み込みニューラルネットワーク（以下、ＣＮＮ）の重み係数を算出して学習する学習装置を備える。また、学習装置で学習された識別モデルを用いて、個人を識別する推論装置を備える。

［学習装置の構成］
図１は、本実施形態の個人識別システムにおける学習装置（個人識別モデル生成装置）１００の構成を示す図である。

学習装置１００は、撮像部１０１、記憶部１０２、画像処理部１０３、個人識別モデル部１０４、ＣＰＵ１１０を備える。

撮像部１０１は、学習装置１００を覗いたユーザ１の眼球像を結像させるための接眼レンズ１０を備え、接眼レンズ１０を透過した眼球からの反射光は、ＣＭＯＳ型等の光電素子が２次元的に配列された撮像素子１１上に結像される。

記憶部１０２は、機械学習プログラムを記憶しているとともに、撮像部１０１で撮像された個人の眼球画像、或いは個人識別システム外の例えばデジタル一眼レフカメラやミラーレスカメラで撮像された個人の眼球画像を記憶している。機械学習プログラムは、画像処理部１０３で処理され、記憶部１０２に記憶させた教師データに基づいて、個人識別モデル部１０４のＣＮＮの重み係数を算出して学習を行い、更に重み係数を更新することで精度の高い推論モデルを作成するプログラムである。機械学習プログラムは、ＣＰＵ１１０により実行されることで、推論モデルを作成する処理を行う。また、記憶部１０２には、眼球画像が撮影された時の状況データが保持されている。例えば、撮影時間、撮影場所、撮影眼球が見ている方角、季節などのデータである。

画像処理部１０３は、記憶部１０２に記憶されている眼球画像において、眼球の領域における明るさ、例えば画像の輝度値を検出し、眼球の画像内の明るさと明るさ毎の位置を関連付けた外光評価値を用いて外光領域であるか否かを判断する。また、画像処理部１０３は、外光を含む眼球画像と記憶部１０２に保持されている眼球撮影時の状況データを組み合わせて、学習のための教師データを作成する。

個人識別モデル部１０４は、画像処理部１０３で作成され、記憶部１０２に記憶された教師データに基づいて重み係数が設定されるＣＮＮで構成された推論器である。個人識別モデル部１０４の構成、および動作フローの詳細な説明は後述する。

なお、画像処理部１０３、個人識別モデル部１０４は、図１では独立したブロックとして記載されているが、実際には、ＣＰＵ１１０が記憶部１０２に記憶されているプログラムを実行することにより実現される。

［個人識別モデル部１０４の構成］
次に、図２を用いて、学習装置１００の個人識別モデル部１０４の構成について説明する。

教師データ取得部２０１では、眼球画像２０３とその眼球画像を撮影したときの撮影状況データ２０５を教師データＴＤとして記憶部１０２から取得する。記憶部１０２に保持されている機械学習プログラムは、教師データＴＤがＣＮＮ２０７に入力されたときに、ＣＮＮ２０７の出力値２１７が出力値の正解値（正解データ）に近づくように、ＣＮＮ２０７の重み係数２１９を算出することで学習を行う。個人識別モデル部１０４は出力されたＣＮＮ２０７の重み係数２１９を用いて推論モデルを作成する。なお、図２においてＣＮＮ２０７から出力される出力値２１７は、虹彩画像の特徴量であり、教師データＴＤに対応する出力値（特徴量）の正解値である正解データは、予め公知の方法により作成されているものとする。

上記のように、本実施形態では、眼球画像２０３と眼球画像を撮影した状況のデータ２０５を組み合わせて、ＣＮＮ２０７の入力である教師データＴＤとする。例えば、太陽の高さにより外光の入り方が異なるので、撮影した時の季節、撮影時刻、撮影場所のデータ、撮影方向のデータ等を、撮影状況データ２０５として、記憶部１０２に記憶しておく。また、画像の画素ごとの輝度値を取得して、輝度値の範囲毎に明るさの分布を求めておき、撮影場所、或いは撮影方向などのデータと組み合わせることによって教師データとしての精度を上げることもできる。

また、太陽から入射する外光方向を推測するための方法として、眼球画像の明るさを判定する。図３のように、外光の例として太陽の光が眼球に入射すると、眼球は、太陽の入射する方向側が明るくなる。そのため、眼球画像の画素ごとの輝度値を取得して、画像内の領域でどの方向が明るいかを判別し、太陽の方向を推測する。

このような情報を、撮影された外光を含む眼球画像と組み合わせて教師データとして用いることにより、ユーザ毎に違う外光特性をＣＮＮ２０７で学習することが可能になる。

図２に示されるように、本実施形態において、学習対象となる個人識別モデルはＣＮＮ２０７である。ＣＮＮ２０７は、例えば畳み込み層２０９、プーリング層２１１、全結合層２１３、および出力層２１５を備える。

畳み込み層２０９は、入力層の一例であり、画像の畳み込み演算を行う層である。画像の畳み込みは、あるフィルタとの相関を算出する処理に相当する。プーリング層２１１は、プーリング処理を行う層である。プーリング処理は、結合する畳み込み層２０９のニューロンの出力値のなかで最大となる値を設定し、画像内に現れる特徴の微小な変化に対する応答の不変性を実現する。

全結合層２１３は、隣接する層の間のニューロン全てを結合した層である。すなわち、全結合層２１３に含まれる各ニューロンは、隣接する層に含まれる全てのニューロンに結合される。全結合層２１３は、図２では１つの層として示されているが、複数層で構成されていてもよい。出力層２１５は、ＣＮＮ２０７の最も出力側に配置される層である。各ニューロンには閾値が設定されており、基本的には、各入力と各重み係数の積の和が閾値を超えているか否かによって各ニューロンの出力が決定される。

このような構成のＣＮＮ２０７では、最も入力側の畳み込み層２０９に外光を含む眼球画像２０３とそれを撮影したときの状況データ２０５の組み合わせである教師データＴＤを入力すると、眼球画像２０３に対応する出力値（虹彩の特徴量）が出力層２１５から出力される。記憶部１０２に保持されている機械学習プログラムは、教師データＴＤを入力したときの出力値が、前述した予め求められている正解データに近づくように、各ニューロン間の重み係数２１９を更新し、記憶部１０２に格納する。これにより学習が行われる。

個人識別モデル部１０４は、学習処理によって得られたＣＮＮ２０７の構成、各ニューロン間の重み係数、及びニューロンの閾値を示す情報を用いて、個人識別の判別を行うための推論モデルを作成する。

［学習時のフローチャートの説明］
図４は、個人識別モデル部１０４の処理手順の一例を示すフローチャートである。図４を用いて、個人識別モデル部１０４の動作について説明する。なお、以下で説明する学習装置１００の機械学習に関する処理手順は一例であり、各処理は可能な限り変更されてよい。また、必要に応じて、適宜、ステップの省略、置換、及び追加が可能である。また、図４の処理は、学習装置１００のＣＰＵ１１０が、記憶部１０２に記憶されているプログラムを実行することにより実現される。

ステップＳ４０１では、教師データ取得部２０１（ＣＰＵ１１０）は、記憶部１０２に記憶されている学習用の教師データＴＤを取得する。

ステップＳ４０２では、ＣＰＵ１１０は、取得した教師データＴＤをＣＮＮ２０７の入力として用い、ＣＮＮ２０７の出力値２１７が正解データに近づくように、重み係数２１９を算出し、ＣＮＮ２０７の機械学習を実行する。

具体例として、学習処理を行う対象となるＣＮＮ２０７を用意する。用意するＣＮＮ２０７の構成、各ニューロン間の重み係数２１９は、テンプレートを用いて取得してもよいし、オペレータの入力によって与えられてもよい。また、再学習を行う場合には、個人識別モデル部１０４（ＣＰＵ１１０）は、再学習を行う対象となるＣＮＮの重み係数２１９に基づいてＣＮＮ２０７を用意してもよい。

ステップＳ４０３では、ＣＰＵ１１０は、ステップＳ４０２での機械学習が所定回数行われたか否かを判断する。ＣＰＵ１１０は、所定回数行っていれば、処理をステップＳ４０４へ進める。所定回数行っていない場合は、ステップ４０２を繰り返す。所定回数は、過学習を起こさずに、かつ学習精度と予測精度がともに最高値になるように調整される。

ステップ４０４では、ＣＰＵ１１０は、構築したＣＮＮ２０７の構成、及び各ニューロンの閾値を示す情報としての重み係数２１９を更新し、記憶部１０２に格納する。以上で、ＣＮＮ２０７の学習処理を終了する。

以上のように、本実施形態では、外光を含む眼球画像と対になる眼球画像を撮影した時の撮影状況データとの教師データから学習を行うことで、季節、撮影時刻、撮影場所、撮影方向による外光特性を判別できる。そのため、太陽光等の外光による眼球への映り込みに対して個人識別の精度を下げることなく、個人識別モデルの生成が可能になる。

また、本実施形態で説明した撮影状況データ２０５は、眼球に入射する外光の入射方向や、外光の強さを判断できるデータであればよく、眼球画像と合わせて相対的に外光特性を学習できるデータであれば、上記に記載した類のデータでなくてもよい。

次に、本実施形態における推論装置について説明する。推論装置は、上記のようにして生成した個人識別モデルから求められた眼球画像毎のＣＮＮの重み係数を用いて、個人の眼球画像の特徴量を算出して、その特徴量を登録されている個人の虹彩の特徴量と照合し、特定個人であるか否かを判定する。

［推論装置の構成］
図５は、推論装置の構成を示す図である。

推論装置５００は、個人の眼球画像の特徴量を推論し、その特徴量の推論結果を推論装置５００に登録する個人登録推論を行う。あるいは、登録されている眼球の特徴量と推論装置５００に入力した特定人物の眼球画像の特徴量とを照合し、個人識別判定を行う個人識別推論を行う。

推論装置５００は、撮像部５０１、記憶部５０２、画像処理部５０３、個人識別モデル部５０４、認証部５０５、ＣＰＵ５１０を備える。ここで、撮像部５０１、記憶部５０２、画像処理部５０３に関しては、学習装置１００における撮像部１０１、記憶部１０２、画像処理部１０３と同様な動作を行うため、説明を省略する。

なお、画像処理部５０３、個人識別モデル部５０４、認証部５０５は、図５では独立したブロックとして記載されているが、実際には、ＣＰＵ５１０が記憶部５０２に記憶されているプログラムを実行することにより実現される。

個人識別モデル部５０４は、学習装置１００で外光を含む眼球画像と眼球画像を撮影した時の状況データの組み合わせである教師データから算出したＣＮＮの重み係数を用いて、特定人物の眼球（虹彩）の特徴量を算出する。個人登録推論の場合、学習装置１００と同様、眼球画像及び眼球の撮影状況データと、特定人物の眼球の特徴及び外光の特徴を組み合わせた特徴量とを関連付けて、推論モデルを作成し、記憶部５０２に推論モデルを記録（登録）する。また、個人識別推論の場合、まず識別したい人物の眼球の画像を撮像部５０１で撮影し、個人登録推論で記憶部５０２に登録した特定人物の眼球の特徴量と、識別したい人物の眼球画像から推論した眼球の特徴量とを比較し、比較結果を記憶部５０２に記憶する。

認証部５０５は、個人識別推論時に記憶部５０２に保存した識別結果（上記の比較結果）に基づいて、認証したい人物が記憶部５０２に登録されている特定人物であるか否かを判断し認証結果を出力する。認証結果は、推論装置５００において認証したい人物に通知される。通知の方法としては、例えば図示していない推論装置に備え付けられているディスプレイへの表示、スピーカーからの音声通知、また推論装置と専用のケーブルを介して接続された外部ディスプレイへの表示、外部スピーカーからの音声通知等が挙げられる。

［個人識別モデル部５０４の構成］
次に、図６を用いて、本実施形態における個人識別モデル部５０４の構成について説明する。

推論画像取得部６０１では、画像処理部５０３によって得られた外光を含む眼球画像６０３とその眼球画像を撮影したときの撮影状況データ６０５を入力データとして取得する。撮影状況データ６０５に関しては、例えば、太陽の高さにより外光の入り方が違うので、撮影した時の季節や撮影時刻のデータを記憶部５０２に記憶しておく。また撮影場所のデータや撮影方向を記憶しておくことにより、太陽から入射する外光の方向もわかるため、撮影された外光を含む眼球画像と組み合わせて入力データとする。

個人識別モデル部５０４は、上述した学習装置１００から得られたＣＮＮの重み係数２１９を用いて、眼球の特徴量を推論装置に登録する個人登録推論を行う。または登録した特徴量と推論装置に入力した特定人物の眼球画像の特徴量とを照合する。

図６に示されるように、本実施形態において、ユーザの眼球画像の特徴量を出力する推論モデルは、ＣＮＮ６０７である。ＣＮＮ６０７は、畳み込み層６０９、プーリング層６１１、全結合層６１３、および出力層６１５を備えており、学習装置１００の個人識別モデル部１０４のＣＮＮ２０７と同様に構成されている。また、各層６０９～６１５は、学習装置１００の個人識別モデル部１０４のＣＮＮ２０７における各層２０９～２１５と同様であるため、説明を省略する。

［個人登録推論時のフローチャートの説明］
図７は、個人識別モデル部５０４の個人登録推論の処理手順を示すフローチャートである。なお、図７の処理は、推論装置５００のＣＰＵ５１０が、記憶部５０２に記憶されているプログラムを実行することにより実現される。

ステップＳ７０１では、ＣＰＵ５１０は、撮像部５０１で撮影された眼球の特徴量を登録しようとする人物の眼球画像６０３と、その眼球画像を撮影したときの撮影状況データ６０５を記憶部５０２から取得する。

ステップＳ７０２では、ＣＰＵ５１０は、ステップＳ７０１で取得した眼球画像６０３とその眼球画像を撮影したときの撮影状況データ６０５を、ＣＮＮ６０７に入力する。

ステップＳ７０３では、ＣＰＵ５１０は、ステップＳ７０２で入力した眼球画像６０３とその眼球画像を撮影したときの撮影状況データ６０５を用い、ＣＮＮ６０７による推論演算処理を実行する。

ステップＳ７０４では、ＣＰＵ５１０は、学習装置１００の個人識別モデル部１０４から得られたＣＮＮの重み係数２１９をＣＮＮ６０７に適用し、ＣＮＮ６０７を用いて、個人認証のデータを登録しようとする人物の眼球画像に対応する特徴量を算出する。個人登録推論の結果は、例えば、ＣＮＮ６０７から得られた眼球の特徴量と眼球画像の撮影状況データ６０５とを関連付けた情報である眼球情報として得られる。

ステップＳ７０５では、ステップＳ７０４で求めた眼球情報をまとめた推論モデルを作成する。

ステップＳ７０６では、推論モデルを記憶部５０２に記憶し、個人登録を行う。

以上のように、個人登録推論を行う場合の個人識別モデル部５０４では、外光を含む眼球画像から予め求めたＣＮＮの重み係数２１９と、個人登録を行うべき人物の外光を含む眼球画像６０３と、その眼球画像を撮影したときの撮影状況データ６０５とから眼球情報を推論し、登録する人物の推論モデルを記憶部５０２に記憶する。以上で、個人登録推論の処理を終了する。

［個人識別推論時のフローチャートの説明］
図８は、個人識別モデル部５０４の個人識別推論の処理手順を示すフローチャートである。なお、個人識別推論におけるソフトウェア構成は個人登録推論におけるソフトウェア構成と同様であるため、図５及び図６を参照して説明する。なお、図８の処理は、推論装置５００のＣＰＵ５１０が、記憶部５０２に記憶されているプログラムを実行することにより実現される。

ステップＳ８０１では、ＣＰＵ５１０は、撮像部５０１で撮影された個人認証を行う人物の外光を含む眼球画像６０３と、その眼球画像を撮影したときの撮影状況データ６０５を取得する。

ステップＳ８０２では、ＣＰＵ５１０は、ステップＳ８０１で記憶した個人認証を行う人物の外光を含む眼球画像６０３とその眼球画像を撮影した時の撮影状況データ６０５を、ＣＮＮ６０７に入力する。

ステップＳ８０３では、ＣＰＵ５１０は、ステップＳ８０２で入力した眼球画像６０３とその眼球画像を撮影したときの撮影状況データ６０５を用い、ＣＮＮ６０７による演算処理を実行する。

ステップＳ８０４では、ＣＰＵ５１０は、学習装置１００の個人識別モデル部１０４から得られたＣＮＮの重み係数２１９をＣＮＮ６０７に適用し、ＣＮＮ６０７を用いて、個人識別する人物の眼球画像に対応する特徴量を算出する。個人識別推論の結果は、例えば、ＣＮＮ６０７から得られた眼球の特徴量と眼球画像の撮影状況データ６０５とを関連付けた情報である眼球情報として得られる。

ステップＳ８０５では、ＣＰＵ５１０は、個人登録推論した結果であるステップＳ７０５で得られた推論モデルを記憶部５０２から認証部５０５に入力する。また、ステップ８０４で求めた推論結果である眼球情報を認証部５０５に入力する。認証部５０５はステップＳ７０５で得られた推論モデルと、ステップ８０４で得られた眼球情報を比較することで個人識別処理を行う。

ステップＳ８０６では、認証部５０５（ＣＰＵ５１０）は、ステップＳ８０５で得られた個人識別結果に基づいて、個人認証を行う人物が推論装置５００に登録している人物か否かを判断し、認証結果を出力する。

ステップＳ８０７では、ステップＳ８０６で得られた認証結果を、推論装置５００で個人認証を行う人物に通知する。通知の方法としては、例えば図示していない推論装置に備え付けられているディスプレイへの表示、スピーカーからの音声通知、また推論装置と専用のケーブルを介して接続された外部ディスプレイへの表示、外部スピーカーからの音声通知等が挙げられる。

以上のように、個人識別推論を行う場合の個人識別モデル部５０４では、個人登録推論において登録した推論モデルと識別時に得られた眼球情報を比較し、識別結果が推論モデルとある割合で合致していたら特定人物と認証し、認証を行う人物に通知する。以上で、個人認証推論の処理を終了する。

なお、本実施形態で説明した撮影状況データ６０５は、眼球に入射する外光の入射方向や、外光の強さを判断できるデータであればよく、眼球画像と合わせて相対的に外光特性を学習できるデータであれば、上記に記載した類のデータでなくてもよい。

（他の実施形態）
また本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサーがプログラムを読み出し実行する処理でも実現できる。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現できる。

発明は上記実施形態に制限されるものではなく、発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、発明の範囲を公にするために請求項を添付する。

１００：学習装置、１０１：撮像部、１０２：記憶部、１０３：画像処理部、１０４：個人識別モデル部、１１０：ＣＰＵ、２０７：ＣＮＮ、２１９：重み係数

Claims (18)

1. 眼球の画像から個人の識別を行う識別モデルを生成する識別モデル生成装置であって、
   前記眼球の画像と、該眼球の画像が撮影されたときの撮影状況のデータとを取得する取得手段と、
   前記眼球の画像と前記撮影状況のデータとに基づいて、前記眼球の特徴量を推論する推論手段と、
   前記推論手段から得られた前記眼球の特徴量が、前記眼球の画像と撮影状況のデータとに対応する前記眼球の特徴量の正解値である正解データに近づくように、前記推論手段の学習を行い、前記識別モデルを生成する学習手段と、
   を備えることを特徴とする識別モデル生成装置。
2. 前記眼球の特徴量は、前記眼球の虹彩の特徴量であることを特徴とする請求項１に記載の識別モデル生成装置。
3. 前記撮影状況のデータは、撮影時間、撮影場所、眼球が見ている方角、季節のいずれかを含むことを特徴とする請求項１または２に記載の識別モデル生成装置。
4. 前記推論手段には、畳み込みニューラルネットワークが用いられることを特徴とする請求項１乃至３のいずれか１項に記載の識別モデル生成装置。
5. 前記学習手段は、前記眼球の画像と前記撮影状況のデータとに基づいて、前記推論手段から得られた前記眼球の特徴量が、前記眼球の画像と撮影状況のデータとに対応する前記眼球の特徴量の正解値である正解データに近づくように、畳み込みニューラルネットワークの重み係数を算出することを特徴とする請求項４に記載の識別モデル生成装置。
6. 前記取得手段は、前記眼球を撮像する撮像手段を有することを特徴とする請求項１乃至５のいずれか１項に記載の識別モデル生成装置。
7. 前記眼球の画像の明るさを検出する検出手段をさらに備えることを特徴とする請求項１乃至６のいずれか１項に記載の識別モデル生成装置。
8. 前記検出手段は、前記眼球の画像内の明るさと明るさ毎の位置を関連付けた評価値を、前記撮影状況のデータとして出力することを特徴とする請求項７に記載の識別モデル生成装置。
9. 眼球の画像から個人の識別を行う識別装置であって、
   眼球を撮像する撮像手段と、
   前記撮像手段により撮像された前記眼球の画像と、該眼球の画像が撮像されたときの撮影状況のデータとを取得する取得手段と、
   前記眼球の画像と前記撮影状況のデータとに基づいて、前記眼球の特徴量を推論する推論手段と、
   予め登録した特定の人物の眼球の特徴量と、前記推論手段により推論した前記眼球の特徴量とを比較する比較手段と、
   を備えることを特徴とする識別装置。
10. 前記眼球の特徴量は、前記眼球の虹彩の特徴量であることを特徴とする請求項９に記載の識別装置。
11. 前記撮影状況のデータは、撮影時間、撮影場所、眼球が見ている方角、季節のいずれかを含むことを特徴とする請求項９または１０に記載の識別装置。
12. 前記推論手段には、畳み込みニューラルネットワークが用いられることを特徴とする請求項９乃至１１のいずれか１項に記載の識別装置。
13. 前記眼球の画像の明るさを検出する検出手段をさらに備えることを特徴とする請求項９乃至１２のいずれか１項に記載の識別装置。
14. 前記検出手段は、前記眼球の画像内の明るさと明るさ毎の位置を関連付けた評価値を、前記撮影状況のデータとして出力することを特徴とする請求項１３に記載の識別装置。
15. 眼球の画像から個人の識別を行う識別モデルを生成する識別モデル生成装置の制御方法であって、
    前記識別モデル生成装置により、前記眼球の画像と、該眼球の画像が撮影されたときの撮影状況のデータとを取得する取得工程と、
    前記識別モデル生成装置により、前記眼球の画像と前記撮影状況のデータとに基づいて、前記眼球の特徴量を推論する推論工程と、
    前記識別モデル生成装置により、前記推論工程で得られた前記眼球の特徴量が、前記眼球の画像と撮影状況のデータとに対応する前記眼球の特徴量の正解値である正解データに近づくように、前記推論工程の学習を行い、前記識別モデルを生成する学習工程と、
    を有することを特徴とする識別モデル生成装置の制御方法。
16. 眼球の画像から個人の識別を行う識別装置の制御方法であって、
    前記識別装置により、眼球を撮像する撮像工程と、
    前記識別装置により、前記撮像工程において撮像された前記眼球の画像と、該眼球の画像が撮像されたときの撮影状況のデータとを取得する取得工程と、
    前記識別装置により、前記眼球の画像と前記撮影状況のデータとに基づいて、前記眼球の特徴量を推論する推論工程と、
    前記識別装置により、予め登録した特定の人物の眼球の特徴量と、前記推論工程において推論した前記眼球の特徴量とを比較する比較工程と、
    を有することを特徴とする識別装置の制御方法。
17. コンピュータを、請求項１乃至７のいずれか１項に記載の識別モデル生成装置の各手段として機能させるためのプログラム。
18. コンピュータを、請求項９乃至１４のいずれか１項に記載の識別装置の各手段として機能させるためのプログラム。