JP7784239B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法、及びプログラムに関する。

近年、Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＤＮＮ）を利用した技術が、高精度な追尾技術として注目を集めている。識別結果を学習用に蓄積し、追尾しながら追尾対象／非追尾対象の識別器を逐次更新するオンライン学習は、学習回数又は学習用データの確保が十分な場合には、追尾精度向上に有用である。非特許文献１には、非特許文献２に記載されるような予め学習済みの追尾方法と、オンライン学習を行う追尾方法とを組み合わせることにより、高精度な追尾を行う技術が開示されている。ここでは、非特許文献２に記載されるオフラインの学習方法は、Ｆｕｌｌｙ－Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｓｉａｍｅｓｅ Ｎｅｔｗｏｒｋｓ ｆоｒ Ｏｂｊｅｃｔ Ｔｒａｃｋｉｎｇ（Ｓｉａｍ追尾法）と呼ぶ。また、特許文献１では、追尾精度を向上させるために、オンライン学習を行う追尾方法とオフライン学習のみを行う追尾方法とを組み合わせる技術が開示されている。

特開２００８－２６２３３１号公報

Ｊｉｎｇｈａｏ Ｚｈｏｕ，"Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ ａｎｄ Ｒｏｂｕｓｔ Ｏｎｌｉｎｅ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｓｉａｍｅｓｅ Ｖｉｓｕａｌ Ｔｒａｃｋｉｎｇ"，［online］，令和２年４月３日，ＡＡＡＩ，［令和３年４月１日検索］，インターネット＜ＵＲＬ：https://ojs.aaai.org//index.php/AAAI/article/view/7002＞ Ｌｕｃａ Ｂｅｒｔｉｎｅｔｔｏ，"Ｆｕｌｌｙ－Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｓｉａｍｅｓｅ Ｎｅｔｗｏｒｋｓ ｆоｒ Ｏｂｊｅｃｔ Ｔｒａｃｋｉｎｇ"，［online］，平成２８年６月３０日，ＡＡＡＩ，［令和３年４月１日検索］，インターネット＜ＵＲＬ：https://arxiv.org/abs/1606.09549＞

しかしながら、オンライン学習による追尾は、学習回数又は学習データの確保が不十分な場合には、オンライン学習を用いない場合よりも却って追尾精度が低下する可能性が可能性がある。結果、追尾初期など、学習用データ又は学習回数の確保が十分でない段階においては、オンライン学習による追尾を組み合わせた場合にむしろ追尾精度が低下してしまう恐れが生じてしまう。

本発明は、被写体の追尾を行うために、オンライン学習を行う識別器を含む複数の識別器を有する情報処理装置において、オンライン学習の完成度に応じて、追尾に用いる識別器を適切に選択することを目的とする。

本発明の目的を達成するために、例えば、一実施形態に係る情報処理装置は以下の構成を備える。すなわち、入力画像の内の被写体の追尾を行う第１の識別器と、前記被写体の追尾を行う、前記第１の識別器とは異なる第２の識別器と、の何れか又は両方を用いて前記被写体の追尾を行う追尾手段と、前記第１の識別器の追尾の学習に用いる学習データを取得する取得手段と、前記学習データを用いて、前記被写体の追尾中に前記第１の識別器を学習させるオンライン学習を行う学習手段と、前記オンライン学習の完成度の評価を行う評価手段と、前記完成度の評価に応じて、前記追尾手段が、前記被写体の追尾において、前記第１の識別器を用いるか否かを判断する判断手段と、をさらに備えることを特徴とする。

被写体の追尾を行うために、オンライン学習を行う識別器を含む複数の識別器を有する情報処理装置において、オンライン学習の完成度に応じて、追尾に用いる識別器を適切に選択する。

実施形態１に係る情報処理装置のハードウェア構成の一例を示す図。 実施形態１に係る情報処理装置の機能構成の一例を示す図。 実施形態１に係る処理方法の一例を示すフローチャート。 実施形態１に係る尤度マップの統合処理の一例を示すフローチャート。 実施形態１に係る情報処理装置が生成する尤度マップの一例を示す図。 実施形態１に係る、時間経過に応じた尤度マップの一例を示す図。 実施形態１に係るオンライン学習における損失の時間変化の一例を示す図。 実施形態４に係る処理方法の一例を示す図。

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。

［実施形態１］
本実施形態においては、オンライン学習によって、入力画像中の被写体（追尾対象）の追尾を行いながら、画像中の追尾対象／非追尾対象を識別する識別器が逐次更新される。以下、被写体の追尾としては、被写体の探索範囲となる画像の中から追尾対象の候補領域を抽出し、抽出した候補領域それぞれに対して追尾対象らしさを算出することにより、追尾対象の存在する領域を決定する。しかしながら、オンライン学習を行う識別器による被写体の追尾の方法は特にこれには限定されず、例えばテンプレートマッチングを用いた追尾など、任意の公知手法を用いた追尾が行われてもよい。

一方で、オンライン学習では、学習回数が極端に少ない段階では、学習データに対して識別器が適合しにくい。また、オンライン学習では、学習用データが極端に少ない段階では学習が不安定になりやすい。さらに、追尾対象及び非追尾対象の取り得る見た目の分布と、学習データの分布と、の間に解離があるなど、学習データに識別器を適合させても適切な識別面が得られない場合が存在する。以下、このような状態を指して、オンライン学習が完成していない状態と呼ぶものとする。

本実施形態に係る情報処理装置１は、オンライン学習による追尾を行う第１の追尾部（識別器）と、第１の追尾部とは異なる第２の識別器と、を備え、これらの識別器の何れか又は両方を用いて被写体の追尾を行う。情報処理装置１は、第１の追尾部のオンライン学習が完成していない場合には、第１の追尾部を追尾に用いず、第２の追尾部による被写体の追尾を行うことにより、誤追尾の発生を抑制する。このようなことに鑑みて、本実施形態に係る情報処理装置は、オンライン学習による追尾を行う第１の追尾部におけるオンライン学習の完成度の評価を行う。次いで、情報処理装置は、完成度の評価に応じて、被写体の追尾のために第１の追尾部を用いるか否かを判断する。以下、そのような情報処理装置の構成及び処理について、図１～図７を参照して説明を行う。

なお、本実施形態においては第２の追尾部はオンライン学習を行わず、予め学習されているものとして説明を行う。ここで、第２の追尾部の学習の方法は特に限定はされず、また、第２の追尾部の学習の形式（オンライン学習を行うか否か）も特に限定されるわけではない。本実施形態においては、第２の追尾部は、非特許文献２に記載される、追尾対象のテンプレート画像と各候補領域とからＣＮＮによって抽出した特徴同士の相互相関を追尾対象らしさとして検出する、Ｓｉａｍ追尾法によって追尾を行うよう予め学習されている。なお、第２の追尾部の学習の形式が異なる場合、又は第２の追尾部の個数の数が２以上ある場合については、実施形態３において説明を行う。

図１は、本実施形態に係る情報処理装置の有するハードウェア構成の一例を示すブロック図である。本実施形態に係る情報処理装置１は、ＣＰＵ１０１、ＲＯＭ１０２、ＲＡＭ１０３、記憶部１０４、入力部１０５、表示部１０６、及び通信部１０７を備える。ＳＰＵ１０１は、ＲＯＭ１０２に格納されている制御プログラムを実行し、情報処理装置１の行う処理全体の制御を行う。ＲＡＭ１０３は、各機能部が行う処理による各種データを一時記憶する記憶領域、又はワークエリアとして機能する。記憶部１０４は各種データを格納する記憶領域であり、媒体としては例えばＨＤＤ、フラッシュメモリ、各種光学メディアなどが用いられる。入力部１０５は、例えばキーボード・タッチパネル又はダイヤルなどで構成され、ユーザからの入力を受け付ける。ユーザは、入力部１０５を介して、追尾対象の設定などのユーザ入力を行うことができる。表示部１０６は、例えば液晶ディスプレイであり、被写体、及び追尾結果など、各種処理結果をユーザに対して提示する。また、情報処理装置１は、通信部１０７を介して、撮像装置などの外部の装置を通信を行うこｔができる。この通信は、ネットワークを介した無線の通信であってもよく、優先の通信であってもよく、また、情報処理装置１が撮像機能を有していてもよい。

続いて、図２及び図３を参照して、本実施形態に係る情報処理装置１の機能について説明を行う。図２は、本実施形態に係る情報処理装置１の機能構成の一例を示すブロック図である。また、図３は、本実施形態に係る情報処理装置１が行う処理の一例を示すフローチャートである。本実施形態に係る情報処理装置１は、上述のようなオンライン学習による追尾を行う第１の追尾部と、第１の追尾部とは異なる第２の追尾部と、を備えており、これらの追尾部を用いて追尾対象の追尾を行う。なお、本実施形態においては
第２の追尾部はオンライン学習は行わず、予め被写体を検出するように学習されているものとする。

ステップＳ３０１で画像取得部２０１は、追尾対象を設定するための画像を取得する。画像取得部２０１は、情報処理装置１に接続された撮像装置から画像を取得してもよく、記憶部１０４に格納されている画像を取得してもよく、不図示の撮像部によって画像を撮像してもよい。

ステップＳ３０２で対象指定部２０２は、ステップＳ３０１で取得した画像内の追尾対象を決定する。ここでは、対象指定部２０２は、入力部１０５により指定された支持に従って（例えば、表示部１０６に表示されている被写体をタッチすることにより）、追尾対象を決定することができる。また、対象指定部２０２は、決定した追尾対象の特徴を表したテンプレートを生成する。以降の追尾処理では、ステップＳ３０２で決定された追尾対象についての追尾を行う。

ステップＳ３０３で画像取得部２０１は、追尾を行う画像（ここでは、ステップＳ３０２で決定された追尾対象を撮像範囲に含む画像）の取得を行う。ステップＳ３０４で領域取得部２０３は、追尾対象を探索する領域（探索領域）を決定し、ステップＳ３０３で取得した画像から決定した領域を切り出す。ここで、領域取得部２０３は、探索領域を、ステップＳ３０３で取得した画像全体としてもよく、直前の処理での追尾対象の位置周辺（例えば、追尾対象を中心とする所定範囲）としてもよい。

ステップＳ３０５で結果取得部２０４は、第１の追尾部と第２の追尾部とのそれぞれを用いて被写体の追尾を行う。ここでは、第１の追尾部はステップＳ３０３で取得された探索領域の画像から、ターゲット判定器を用いて尤度マップを作成する。また、第２の追尾部は、ステップＳ３０２において得られたテンプレートとステップＳ３０３において得られた探索領域の画像との相互関係を計算し、位置ごとに被写体が存在する確率を示す尤度マップを得る。第１の追尾部が行う処理の詳細は、図３の説明において後述するが、これらの追尾部による追尾方法は特に限定されず、任意の公知の追尾方法が採用されてよい。ここでは、第２の追尾部は、上述したように、非特許文献２に記載されるＳｉａｍ追尾法を用いて、追尾対象と非追尾対象の区別を追尾対象のテンプレートを少なくとも１枚用いて行う手法によって追尾を行うものとする。

ステップＳ３０６で完成度判定部２０５は、第１の追尾部の完成度を算出する。ステップＳ３０７で組合わせ部２０６は、ステップＳ３０５で算出した追尾部の完成度に基づいて、追尾対象の追尾に第１の追尾部を用いるか否かを判断し、その判断結果に応じて最終的に追尾に用いる最終尤度マップを算出する。完成度の算出処理、及び完成度に基づく第１の追尾部を用いるか否かの判断処理については後述する。ここでは、組合わせ部２０６は、第１の追尾部を追尾に用いるものとし、各追尾部の完成度に基づいて、ステップＳ３０５で各追尾部から取得された尤度マップを統合して１つの尤度マップを作成するものとして説明する。その後組合わせ部２０６は、最も尤度の高い領域を追尾対象として検出する。ステップＳ３０８で組合わせ部２０６は、第１の追尾部のターゲット判定器の学習に用いる学習データを、探索領域の画像から取得して記憶部２０７に格納する。次いでステップＳ３０９で組合わせ部２０６は、記憶部２０７に格納した学習データを用いて学習を行う。第１の追尾部の学習処理についての詳細な説明は後述する。ステップＳ３１０で組合わせ部２０６は、追尾処理を終了するかどうかを決定する。終了しない場合Ｓ３０３に戻り、追尾処理を継続する。組合わせ部２０６は、追尾処理を終了するか否かを、例えばユーザの入力を取得することによって判断してもよく、所定の時間追尾を行った場合に終了すると判定してもよく、その基準はユーザによって任意に定められてもよい。

以下で、第１の追尾部における、ステップＳ３０６、Ｓ３０７、Ｓ３０８、及びＳ３０９における学習の詳細について説明する。第１の追尾部は、探索領域の画像からＣＮＮなどを用いて算出した特徴マップを、ターゲット判定器に入力し、尤度マップを得る。ここで、特徴マップは、幅Ｗｆ×高さＨｆ×チャネル数Ｃｆの３次元テンソルであり、探索領域の画像を幅Ｗｆ、高さＨｆの格子状に分割して得られる各小領域の特徴を表すＣ次元ベクトルを並べたものである。尤度マップとは、探索領域内で追尾対象の存在確率の高い領域に強く反応するマップである。特徴マップ、尤度マップの各セル（小領域）は、それぞれ探索領域の画像を格子状に分割して得られる小領域の特徴と尤度とに相当する。

ステップＳ３０６で完成度判定部２０５は、オンライン学習の学習状況に応じて、第１の追尾部のオンライン学習の完成度を算出する。本実施形態では、新たに学習データが入力された前後の、第１の追尾部の学習において算出する損失の変化量を算出し、この変化量が所定の閾値以下の場合には完成度が１であるとし、そうでなければ完成度が０であるとする。なお、ここでは、完成度が１である（オンライン学習が完成している）か、完成度が０である（オンライン学習が完成していない）かの２値判別による評価が行われる。追尾開始時の画像に対しては、完成度判定部２０５は、第１の追尾部の完成度は０とする。例えば、第１の追尾部の学習におけるパラメータ更新の前後で、損失値の合計の変化量ΔＬが所定の値よりも小さいときに完成と判定して、完成度を１とする。ΔＬは、例えば以下のように計算する。
ΔＬ＝｜Ｌ_ｔ－１ーＬ_ｔ｜ 式（１）

ここで、Ｌ_ｔはｔイテレーション目の損失値である。イテレーションとは、追尾開始時からのパラメータの更新回数のことである。ここでは、ΔＬが所定の閾値未満となった場合に、完成度が１であるとされ、ｔ回目の学習によって第１の追尾部の学習が十分に完成されたものと判断されるが、判定の基準は特にそのようには限定はされない。例えば、完成度判定部２０５は、数イテレーションにおけるΔＬの平均が所定の閾値よりも小さいときに完成度が１であるとしても良い。また、完成度判定部２０５は、損失値が所定の値より小さくなった場合に、完成度が１であると判定しても良い。

なお、ここでは第１の追尾部について完成度を算出すればいいものとするが、後述する尤度マップの重みづけ和に用いることを考えて、第２の追尾部についても完成度を取得してもよい。また、上述した通り、本実施形態に係る完成度判定部２０５は、第１の追尾部が完成しているか否かを２値判別するものとして説明を行うが、損失値の大きさなどに基づいて、完成度を０以上１以下の連続値（１に近いほど完成度が高い）で出力しても良い。また、オンライン学習を行わない第２の追尾部については、追尾開始時から完成度を１としてよく、一方で第１の追尾部については、追尾開始時は完成度を０としてよい。

ステップＳ３０７における、追尾結果の組み合わせ処理の一例を図４のフローチャートに示す。まず、ステップＳ４０１で組合わせ部２０６は、Ｓ３０５において各追尾部が出力した尤度マップの解像度を、バイリニア補完などの任意の手法を用いて揃える。次いでステップＳ４０２で組合わせ部２０６は、ステップＳ３０６で算出した各追尾部の完成度に基づいて、最終的に用いる尤度マップ（最終尤度マップ）の各セルの値を取得する。ここで組合わせ部２０６は、第１の追尾部が算出した尤度マップと第２の追尾部が算出した尤度マップとを統合することによって最終尤度マップを取得する。また、組合わせ部２０６は、第１の追尾部の完成度が０である場合には、第２の追尾部が算出した尤度マップを最終尤度マップとして採用する。

ここでは、完成度が連続値で出力されており、組合わせ部２０６は、各追尾部が算出した完成度の値を重みづけ係数として、尤度マップの各セルの値の重みづけ和を算出し、最終尤度マップを得る処理を行った。このような処理によれば、第１の追尾部による追尾結果の最終尤度マップへの反映率を、第１の追尾部のオンライン学習の完成度が低いうちには制限し、完成度が向上していくにつれて上昇させていくことが可能となる。

その後、ステップＳ４０３において組合わせ部２０６は、最も尤度が高い領域を追尾対象として、その他の領域を非追尾対象として推定し、処理をステップＳ３０８へと進める。統合した尤度マップの例を図５に示す。尤度マップ５０１においては、追尾対象５０２が表示されており、追尾対象５０２の中心付近のセル５０３の尤度が高い値を示すものとして黒色に表示されている。この場合では、追尾対象５０２は、この相関値が最も高いセル５０３に位置していると推定できる。ここでは、尤度マップを１つの最終尤度マップに統合する方法として、尤度マップの重みづけ和を算出する方法を一例として挙げたが、尤度マップ同士の積を取るなど、それぞれの尤度の値が反映される統合方法であれば特にこれに限定されるわけではない。

ステップＳ３０８で組合わせ部２０６は、まず、探索領域の画像の各セルに対して、ステップＳ４０３で追尾対象／非追尾対象の識別を行った結果を、ラベルとして付与する。また、組合わせ部２０６は、上述したように、識別結果として、第１の追尾部のみの結果、又は第２の追尾部のみの結果を、完成度に応じて選択的に用いても良い。

次いでステップＳ３０９における第１の追尾部による学習処理の詳細について説明する。まず組合わせ部２０６は、学習データである特徴量とラベルの組を記憶部２０７から複数取得する。次いで組合わせ部２０６は、特徴量をターゲット判定器に入力し、追尾対象らしさの尤度を得た後、尤度とラベルに基づいて損失を算出する。次に組合わせ部２０６は、算出した損失に基づいて、勾配法を用いてターゲット判定器のパラメータを更新する。この処理は一般的な学習処理と同様であり、詳細な説明は省略する。

損失関数は、追尾対象を正しく推定できた場合は損失が小さくなり、非追尾対象を追尾対象であると推定した場合や追尾対象を非追尾対象であると推定した場合は、損失値が大きくなるように設計する。損失値Ｌは、例えば次の式（２）のように記述できる。

ここでＬ_ｔはｔイテレーション目の損失値であり、Ｎ_ｔはｔイテレーション目に損失値の計算に用いた学習データの数であり、loss^ｉ _ｔはｉ番目の学習データに関する損失である。また、Ｃ_ｉｎはステップＳ３０８で算出したｉ番目の学習データの追尾対象の尤度であり、Ｃ_ｇｔはｉ番目の学習データのラベルである。ここで算出した損失値Ｌ_ｔが、完成度判定に用いられる。式（２）は一例であり、損失の計算式はこれには限定されない。

なお、ここでは、第１の追尾部の完成度が１となった時がオンライン学習が完成したタイミングであり、学習終了のタイミングであるものとして説明を行うが、オンライン学習が完成する条件は特にこれに限定されるわけではない。例えば、組合わせ部２０６は、パラメータ更新回数をあらかじめ決めておき、イテレーション数ｔが所定の値に到達した段階でオンライン学習が完成したものとして学習処理を終了させてもよい。

また、情報処理装置１は、ステップＳ３０３、又はステップＳ３０４などの処理と並行して学習を継続しても良く、これらに限定しない。更新されたパラメータは、学習済みパラメータとして、記憶部２０７に記憶する。また、第１の追尾部は勾配法によってターゲット判定器のパラメータを逐次更新するものとして説明を行ったが、追尾中に得られる追尾対象/非追尾対象のデータを用いて、追尾対象/非追尾対象の識別面を逐次更新する方法であれば、異なる方法を用いてもよい。

このような構成によれば、オンライン学習を行う第１の追尾部の完成度を算出し、算出した完成度に応じて第１の追尾部と第２の追尾部とを組み合わせて、又は何れか片方を追尾に用いることができる。したがって、第１の追尾部が完成していない場合には、追尾に第１の追尾部を用いないことによって、完成度の低い追尾手段を用いることによる追尾精度の低下を抑制することが可能となる。また、第１の追尾部を追尾に用いる場合であっても、算出した完成度に応じた尤度マップの重みづけ統合を行うことによって、第１の追尾部による追尾結果の最終的な追尾結果への反映率を、完成度に応じて調整することが可能となる。

本実施形態に係る情報処理装置１は、上述したように、オンライン学習を行う第１の追尾部の完成度に応じて、追尾に用いる追尾部を組み合わせる。以下、そのような処理によって追尾精度の低下を抑制する原理について、図６及び図７を参照して説明する。図６は、時刻ｔがそれぞれ０，１，２，及び３の時における、第１の追尾部の出力として得られた尤度マップと、第２の追尾部の出力として得られた尤度マップとを示す。尤度マップは、追尾対象の尤度が高い領域の色を濃い色で示してある。図７は、時刻ｔに対応する、第１の追尾部による損失の時間変化を示している。

図６の例において、まず学習初期（ｔ＝０）では、第２の追尾部では尤度マップのピーク位置が追尾対象の位置と一致している。一方で第１の追尾部においては、図７に示すように追尾対象と非追尾対象を区別する識別器の学習が進んでおらず、尤度マップ中の追尾対象以外の領域の尤度も高くなりやすい。したがって、第１の追尾部の尤度マップを追尾に用いると誤追尾が起こる可能性が高くなる。

しかしながら、追尾初期（例えば、ｔが０から２までの期間）以降のオンライン学習が進んだ後には、第１の追尾部の尤度マップは追尾対象と非追尾対象を区別できている。特に、追尾対象とその類似物が近接している時刻ｔ＝３では、第２の追尾部の尤度マップでは追尾対象とその類似物との両方に追尾処理が反応し、誤追尾が発生する恐れがある。一方で、第１の追尾部の尤度マップでは、十分なオンライン学習によって追尾対象とその類似物とが区別出来ている。したがって、この場合には第１の追尾部の尤度マップを用いる（又は、両追尾部の尤度マップを統合する）ことにより、誤追尾を抑制することが可能となる。

［変形例１］
また、組合わせ部２０６は、記憶部１０４に格納した学習データの数Ｎが所定の数を超えた場合に、又は学習データの特徴量のバリエーションσが所定の数を超えた場合に、オンライン学習が完了したものとしてもよい。バリエーションσは、例えば以下の式（３）によって、特徴量の共分散行列の固有値λ_ｉ（ｉ＝１，２、……、ｄ）の和として算出することができる。

ここで、特徴量のｄは次元数である。このバリエーションαとしては、式（３）のように固有値全てを用いてもよく、固有値が大きい順に並べた上位所定数のみを用いてもよく、所望の抽出処理を行うことができる。この例では、閾値ｔｈＮ、又はｔｈσを用いて、Ｎ＞ｔｈＮ、若しくσ＞ｔｈσの何れか、又はその両方が満たされた場合に、第１の追尾部の完成度が１とされ、そうでない場合には完成度が０とされる。

また、本実施形態においては、学習データの数、特徴量のバリエーションの計測、閾値の設定、及び閾値との比較の処理について、追尾対象ごとに行うものとして説明を行ったが、この処理が追尾対象と非追尾対象とのそれぞれに対して行われてもよい。また、本実施形態に係る情報処理装置１によるカテゴリの分類対象は追尾対象／非追尾対象には限らず、例えば追尾対象／その類似物／背景など、３個以上の任意の分類区分が設けられてもよい。

また、本実施形態においては、第１の追尾部における完成度の判定、パラメータの更新は追尾の開始時点から行われるものとして説明を行ったが、これらの処理の開始タイミングは特にこれには限定されず、例えば学習の収束と連動していてもよい。すなわち、学習データが集まったとされたタイミングで第１の追尾部のパラメータの更新を開始してもよく、学習が収束したタイミングから第１の追尾部による追尾を開始してもよい。

追尾初期で、学習データが少数である場合又は追尾対象の見えが激しく変化する場合には、オンライン学習によるターゲット判定器の学習が不安定になりやすい。例えば、追尾初期の画像だけモーションブラーが生じたなど、追尾初期に特殊な見た目の学習データを用いて学習を行うと、その特殊な見た目の追尾対象以外を識別できなくなってしまう可能性がある。一方で、上述の処理によれば、学習データ数、又は特徴量のバリエーションがある程度大きくなってから第１の追尾部による追尾結果を用いることにより、学習データの分布が追尾対象／非追尾対象の取り得る分布に近づき、誤追尾を抑制しやすくなる。

［変形例２］
また、完成度判定部２０５は、ステップＳ３０６の処理で、完成度を、以下に説明する適合度合いに応じて算出しても良い。ここでは、適合度合いとは、新しく追加された学習データの特徴量と、記憶しておいた学習データの特徴量と、の分布の近さの度合いであるものとする。この例では、完成度判定部２０５は、新しく追加された学習データと記憶しておいた学習データとの分布の相違を定量化し、この相違が所定の値よりも小さいときにオンライン学習が完成したと判定する。定量化の方法としては、新しく追加された学習データと記憶しておいた学習データとの両者を識別するようなＣＮＮを別途用いても良く、Ｋｅｒｎｅｌ Ｍｅａｎ Ｍａｔｃｈｉｎｇなどの分布間距離の指標を用いても良い。

このような処理によれば、オンライン学習による追尾結果を追尾に用いることで、学習データの分布が追尾対象/非追尾対象の取りうる分布に近づき、誤追尾を抑制しやすくなる。

［変形例３］
また、完成度判定部２０５は、ステップＳ３０６における完成度判定において、記憶部２０７に蓄えている学習データに新たに学習データを追加した時の、学習データの特徴量の分布の変化がある程度小さくなった時に、オンライン学習が完成したと判定してもよい。

例えば完成度判定部２０５は、特徴量の分布の変化を、分布の中心の変化量Δｃとばらつきの変化量Δσとで定義する。そして、完成度判定部２０５は、それらの変化量の何れか、又は両方が所定の閾値（ｔｈｃ、ｔｈσ）よりも小さくなった場合に完成度を１とし、それ以外の場合には完成度を０とする。なお、ΔｃとΔσとは以下のように定義するものとする。
Δσ＝｜σ_ｔ－σ_ｔ－１｜ 式（５）

ここで、時刻ｔは現在時刻、Ｎは時刻ｔに得られた学習サンプルの数、ｆ_ｉ（ｉ＝１、２、……、Ｎ）は時刻ｔに得られた学習サンプル、ｃ_ｔ－１及びｃ_ｔは時刻ｔ－１と時刻ｔに得られた学習サンプルのばらつきである。また、σ_ｔ－１とσ_ｔとは、式（１）によって算出されてもよい。なお、特徴量の分布の変化はこれに限定されるわけではなく、例えば特徴量の平均又は分散などを用いるなど、分布により変動する他の値を用いて分布の変化を定義してもよい。

このような処理によれば、学習データの特徴量の分布の変化が所定の値よりも小さくなった時にオンライン学習が完成したと判定することができる。したがって、第１の追尾部の学習データの分布が追尾対象／非追尾対象の取り得る分布に適合した段階で、第１の追尾部による追尾結果を用いた追尾を開始することができ、誤追尾を抑制することができる。

［変形例４］
また、完成度判定部２０５は、一度第１の追尾部の学習が完成した後でも、第１の追尾部の完成度が変動した時は、その完成度に応じて尤度マップにおける追尾結果組み合わせの重みづけを調整してもよい。例えば、完成度判定部２０５は、第１の追尾部の完成度が低下した場合には、第１の追尾部についての尤度マップでの重みを低下させてもよく、また、重みを０にしてもよい。また、完成度判定部２０５は、第１の追尾部の完成度が低下した場合に、ターゲット判定器を初期化して学習しなおしてもよい。すなわち完成度判定部２０５は、既に保存されている学習データの一部又はすべてを記憶部２０７から削除し、ステップＳ３０８～３０９の処理によってふたたび学習データを取得し学習してもよい。

このような処理によれば、一度第１の追尾部による追尾結果が追尾に用いられた後に、第１の追尾部の完成度が変動した場合に、変動した完成度に応じて再度第１の追尾部と第２の追尾部とを組み合わせて被写体の追尾を行うかの判断を行ってもよい。したがって、追尾初期以外でも、完成度が低い追尾部の出力の尤度マップへの反映率を下げる（又は、追尾に用いない）ことで、追尾精度低下を抑制できる。これは例えば、追尾中に追尾対象の見た目が大幅に変わるときなど、一度完成したとされる追尾部であっても、追尾対象と非追尾対象の識別が困難になりうる場合を想定している。ここで完成度判定部２０５は、例えば変形例３と同様の算出方法によって完成度を算出することができる。

［変形例５］
また、第１の追尾部は、第２の追尾部で追尾対象の候補を複数抽出した後にターゲット判定を行い追尾対象を検出してもよい。この例では、結果取得部２０４は、まずは第１の追尾部の尤度マップを出力せず、第２の追尾部についてのみ尤度マップを出力する。組合わせ部２０６は、第１の追尾部の完成度が低い場合には、第２の追尾部の尤度マップで最も尤度が高い領域を追尾対象として検出する。一方で、第１の追尾部の完成度が高い場合には、組合わせ部２０６は、まず第２の追尾部の尤度マップの中から、尤度が閾値以上の領域を追尾対象の候補として抽出する。次いで、組合わせ部２０６は、抽出した各領域に対し、第１の追尾部を用いて特徴抽出とターゲット判定を行って尤度を算出し、最も尤度の高い領域を追尾対象として検出する。また、組合わせ部２０６は、学習データ取得は、追尾対象として検出した領域だけでなく、その周囲の領域にも追尾対象のラベルを付与しても良い。

［変形例６］
本実施形態においては、第１の追尾部のパラメータは勾配法によって逐次更新され、更新されたパラメータによる検出結果に基づいて完成度の評価が行われた。しかしながら、第１の追尾部のオンライン学習はこの形式には限定されない。例えば、第１の追尾部は、“Ｓａｕｅｒ，Ｔｒａｃｋｉｎｇ Ｈｏｌｉｓｔｉｃ Ｏｂｊｅｃｔ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ． Ｉｎ： ＢＭＶＣ２０１９”に示される方法により、複数のテンプレートを用いる追尾方法についてオンライン学習を行ってもよい。この場合、情報処理装置１は、追尾に用いるテンプレートについて学習を行い、学習したテンプレートに応じて完成度を算出する。例えば組合わせ部２０６は、テンプレートの個数が所定の値を超えた場合、又はテンプレートの特徴量のバリエーションが所定の値を超えた場合に、オンライン学習が完成したとすることができる。また例えば、完成度判定部２０５は、テンプレートの個数、又はテンプレートの特徴量のバリエーションに応じて、オンライン学習の完成度を０以上１以下の連続値で出力しても良い。

また例えば、第１の追尾部は、ｋ近傍法を用いて追尾対象の追尾を行う追尾方法についてオンライン学習を行ってもよい。この場合、完成度判定部２０５は、変形例１又は変形例２と同様の処理によって、温来学習の完成度を算出することができる。

［実施形態２］
実施形態１においては、オンライン学習開始時の、オンライン学習を行う第１の追尾部の完成度を０とし、予め学習されている第２の追尾部の完成度を１とした。また、実施形態１では、オンライン学習が完成した場合に、第１の追尾部の完成度を１とする例について説明を行った。本実施形態においても情報処理装置１は、上述の例と同様の処理を行うが、オンライン学習が完成した場合に、第２の追尾部の完成度を０とする。すなわち、結果取得部２０４は、オンライン学習が完成した次のフレームから、第１の追尾部の尤度マップのみを用いて被写体の追尾を行う。なお、本実施形態においても、基本的には実施形態１の図３と同様の処理によって追尾処理、及びオンライン学習の学習処理が行われるため、重複する説明は省略する。

このような処理によれば、オンライン学習が完成した場合に、オンライン学習を行う第１の追尾部のみを用いて被写体の追尾を行うことができる。したがって、オンライン学習を行わない第２の追尾部と比較して、第１の追尾部の計算量、又はパラメータのデータ量などが小さい場合に、第１の追尾部のみを用いた追尾に切り替えることにより、処理をより軽量にした追尾を実現することができる。よって、速度の向上及びメモリの節約が可能となる。

［実施形態３］
実施形態１に係る情報処理装置１は、被写体の追尾を行うために、オンライン学習を行う第１の追尾部と、予め学習されている第２の追尾部と、の２つの追尾部を備える。一方で、本実施形態に係る情報処理装置は、被写体の追尾を行うための追尾部を複数有しているが、オンライン学習を行う第１の追尾部を備えているのであれば、他の追尾部の数、及びそれらの追尾部の形式（オンライン学習を行うか否か）は特に制限しない。３つ以上の追尾部が用いられる場合、ステップＳ３０５～ステップＳ３０７で情報処理装置は、実施形態１と同様の処理により、各追尾部を用いて被写体の追尾を行う。すなわち、各追尾部から尤度マップが取得され、第１の追尾部の完成度に応じて、第１の追尾部と他の追尾部とを組み合わせるか否かが判断される。なお、本実施形態においても、基本的には実施形態１の図３と同様の処理によって追尾処理、及びオンライン学習の学習処理が行われるため、重複する説明は省略する。

ここで、各追尾部ごとに完成度と尤度マップが出力されており、組合わせ部２０６は、完成度を重みづけ係数としたそれぞれの尤度マップの重みづけ和による統合を行うことにより、追尾に用いる最終尤度マップを出力してもよい。また、組合わせ部２０６は、実施形態１と同様にして第１の追尾部のオンライン学習が完成したか否か（完成度が１か０か）の判断を行い、完成している場合には第１の追尾部を用いて追尾を行い、そうでない場合には他の追尾部による追尾を行ってもよい。他の追尾部による追尾を行う場合には、それらの追尾部のうちで優先的に使用される追尾部が予め定められてもよく、追尾結果に基づいて追尾に使用される追尾部が選択されてもよい。例えば、組合わせ部２０６は、各追尾部の完成度を参照して、最も完成度の高い追尾部を追尾に用いるものとして選択することができる。

また、情報処理装置１が、第１の追尾部以外にもオンライン学習を行う追尾部（以下、第３の追尾部と呼ぶ）が有する場合が考えられる。その場合、第３の追尾部は、学習データ、入力データの解像度、又はパラメータの更新頻度などについて、第１の追尾部に対して差異を設けた学習が行われる。この場合でも、組合わせ部２０６は、第１の追尾部及び第３の追尾部（１つとは限らない）の尤度マップに基づいて最終尤度マップを出力する。ここでは、各追尾部について完成度が算出され、組合わせ部２０６は、それぞれの完成度を重みづけ係数とした尤度マップの重みづけ和によって最終尤度マップを出力してもよく、最も完成度が高い追尾部の尤度マップを最終尤度マップとして採用してもよい。

さらに、第１の追尾部と第３の追尾部とで探索範囲の大きさが異なる場合が考えられる。この場合、探索範囲のより小さい追尾部で追尾対象を見失った際に、探索範囲の大きい追尾部による追尾に切り替える（探索範囲の大きい追尾部の尤度マップを最終尤度マップとする）ことにより、継続して追尾を行いやすくすることが可能となる。なお、ここでは追尾部は２つであるものとするが、探索範囲の異なる追尾部が３以上存在する場合には、組合わせ部２０６は、最も探索範囲の小さい追尾部から順に、探索範囲を大きくしていくように追尾部を切り替えて追尾を行ってもよい。また、探索範囲の大きい方の追尾部による追尾を行っている間に、探索範囲のより小さい追尾部によっても追尾対象が検出可能である場合には、組合わせ部２０６は、探索範囲のより小さい追尾部による追尾に切り替えてもよい。追尾を行う探索範囲を小さくすることにより、探索範囲内に追尾対象の類似物が存在する可能性が減り、誤追尾を抑制することが可能となる。

ここでは、完成度判定部２０５は、追尾初期には探索範囲が小さい方の追尾部（追尾部Ａ）の完成度を１とし、探索範囲が大きい追尾部（追尾部Ｂ）の完成度を０とする。次いで完成度判定部２０５は、結果取得部２０４が取得する最終尤度マップに基づいて追尾結果の信頼度を算出し、算出した信頼度が所定の値未満である場合には、追尾部Ａの完成度を０とし、追尾部Ｂの完成度を１とする。その後に信頼度が所定の値以上となった場合には、完成度判定部２０５は、再び追尾部Ａの完成度を１とし、追尾部Ｂの完成度を０とする。完成度判定部２０５は、例えば、最終尤度マップのセル中のもっとも大きい値を信頼度として取得してもよい。

このような処理によれば、複数の追尾部について、完成度に応じて使用する追尾部の選択を行い、尤度マップを出力することができる。したがって、追尾性能を向上させることができる。

［実施形態４］
本実施形態に係る情報処理装置１は、被写体の追尾を行うために、ともにオンライン学習を行う追尾部Ｌ及び追尾部Ｓを備える。追尾部Ｌは、追尾部Ｓに対してパラメータの更新頻度が低い追尾部であり、追尾対象及び非追尾対象の長期的な特徴（見た目など）の変化を学習する。一方で追尾部Ｓは、追尾部Ｌに対してパラメータの更新頻度が高い追尾部であり、追尾対象及び非追尾対象の特徴の急な変化を学習する。なお、追尾部Ｌ及び追尾部Ｓは、基本的にはそれぞれ実施形態１の第１の追尾部と同様にオンライン学習の処理を行うため、重複する説明は省略する。

本実施形態においては、追尾部Ｌ及び追尾部Ｓは、実施形態１の変形例１、又は変形例２と同様の処理によって完成度の判定を行うものとして説明を行う。すなわち、これらの追尾部は、学習回数、学習データの数、学習データの特徴量のバリエーション、又は特徴量の分布の変化に応じて学習が完成したか否かの判定を行う。ここでは、追尾部Ｌにおいては、この判定に用いられる閾値が、追尾部Ｓにおいて用いられる閾値よりも高く設定されるものとする。追尾部Ｓにおいて、完成度の要求水準を追尾部Ｌよりも低く設定することによって、より追尾部として完成しやすくすることができ、より即応的な学習が可能となる。

なお、この例では、実施形態１の第１の追尾部の代わりに追尾部Ｓを用いるものとして以下の説明を行う。すなわち、追尾部Ｓの完成度に応じて、追尾部Ｓと追尾部Ｌとを組み合わせて追尾を行うか否かが判断される。しかしながら、この判断は追尾部Ｌの完成度に応じて行われてもよく、所望の設定がなされてよい。

以下、図８を参照して、本実施形態に係る情報処理装置１の組合わせ部２０６が行うターゲット判定器の学習処理（ステップＳ３０８～ステップＳ３０９）の一例について説明を行う。この処理は、ステップＳ３０７の処理に後続して行われるものとする。ステップＳ８０１で組合わせ部２０６は、パラメータ更新を行うタイミングを、追尾部ごとに制御する。ここでは、組合わせ部２０６は、追尾部Ｌと追尾部Ｓとのそれぞれに対して、パラメータの更新を行うか否かの判定を行う。パラメータの更新を行うと判定された追尾部については、処理がステップＳ８０２へと進み、そうでない判定部については処理が終了する。

上述したように、本実施形態においては追尾部Ｌよりも追尾部Ｓの方がパラメータの更新頻度が高い。図３の処理では、学習のループ処理が追尾処理を終了するまで行われる。各追尾部のパラメータの更新頻度は特に限定はされないが、ここでは、組合わせ部２０６は、追尾部Ｓについては各ループ処理ごとにパラメータの更新を行うものとし、追尾部Ｌについてはループの処理の一部のみでパラメータの更新を行うものとする。例えば、組合わせ部２０６は、追尾精度を更新する方が好ましいことを示すイベントの発生を検知したループにおいて、追尾部Ｌのパラメータを更新するようにしてもよい。組合わせ部２０６は、追尾部Ｌについて、例えば追尾結果の信頼度が低い場合（実施形態３と同様に判定）にのみパラメータを更新するものとしてもよい。また、組合わせ部２０６は、ステップＳ３０５において追尾対象とは別に追尾対象の尤度が高い類似物が検出された場合に、追尾部Ｌのパラメータを更新するようにしてもよい。なお、組合わせ部２０６は、例えばループ処理２回ごとなど、所定の間隔を設けて追尾部Ｌのパラメータを更新するようにしてもよい。

ステップＳ８０２で組合わせ部２０６は、追尾部のターゲット判定器の学習に用いる学習データを、記憶部２０７に格納されたデータの内から取得する。この処理は、図３のステップＳ３０９において行われる処理と同様の処理であるが、追尾部Ｌと追尾部Ｓとで、記憶部２０７内の参照されるデータの範囲が異なる。組合わせ部２０６は、追尾部Ｌについては、現在時刻からＮ時刻前までに取得された学習データを順に取得し、追尾部Ｓについては現在時刻からＭ時刻前（Ｎ＞Ｍ）までに取得された学習データを順に取得する。後続するパラメータの更新処理は、図３のステップＳ３０９における処理と同様に行われるため、説明は省略する。

このような処理によれば、追尾部ごとにパラメータの更新頻度の異なるオンライン学習を行い、その学習の完成度に応じて、それらの追尾部を組み合わせて追尾を行うか否かを判断することができる。追尾部Ｌを用いて追尾を行うことにより、追尾対象／非追尾対象について、長期的に維持される（変化しにくい）特徴から追尾を行うことができる。また、追尾部Ｌよりも短い期間に収集されたデータのみを用いて学習する追尾部Ｓを用いて追尾を行うことにより、追尾対象／非追尾対象の激しい特徴の変化に素早く対応し、追尾性能を向上させることができるようになる。

また、組合わせ部２０６は、追尾に用いている追尾部の追尾結果の信頼度が低い場合に、その追尾部よりもパラメータの更新頻度の高い追尾部を追尾に用いるよう切替を行ってもよい。追尾に用いる追尾部を、より高頻度でパラメータの更新を行う追尾部へと切り替えることにより、追尾結果の信頼度が低い場合であってもよい早期の改善を期待することができる。

（その他の実施例）
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がプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

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。

１：情報処理装置、２０１：画像取得部、２０２：対象指定部、２０３：領域取得部、２０４：結果取得部、２０５：完成度判定部、２０６：組合わせ部、２０７：記憶部

Claims (21)

1. 入力画像の内の被写体の追尾を行う第１の識別器と、前記被写体の追尾を行う、前記第１の識別器とは異なる第２の識別器と、の何れか又は両方を用いて前記被写体の追尾を行う追尾手段と、
   前記第１の識別器の追尾の学習に用いる学習データを取得する取得手段と、
   前記学習データを用いて、前記被写体の追尾中に前記第１の識別器を学習させるオンライン学習を行う学習手段と、
   前記オンライン学習の完成度の評価を行う評価手段と、
   前記完成度の評価に応じて、前記追尾手段が、前記被写体の追尾において、前記第１の識別器を用いるか否かを判断する判断手段と、
   をさらに備えることを特徴とする、情報処理装置。
2. 前記評価手段は、前記オンライン学習の学習状況に応じて、前記オンライン学習の完成度の評価を行うことを特徴とする、請求項１に記載の情報処理装置。
3. 前記評価手段は、前記オンライン学習において新たに学習データが入力された前後の前記第１の識別器による追尾結果に基づいて、前記オンライン学習の完成度の評価を行うことを特徴とする、請求項２に記載の情報処理装置。
4. 前記学習データと、前記学習データを入力とする追尾結果とに基づいて、前記追尾結果における損失を算出する算出手段をさらに備え、
   前記評価手段は、前記オンライン学習において新たに学習データが入力された際の、前記オンライン学習を行う前の第１の識別器において算出された前記損失と、前記オンライン学習を行った後の前記第１の識別器において算出された前記損失と、の変化量に基づいて、前記オンライン学習の完成度の評価を行うことを特徴とする、請求項３に記載の情報処理装置。
5. 前記評価手段は、前記学習データそれぞれの特徴量の分布に基づいて、前記オンライン学習の完成度の評価を行うことを特徴とする、請求項２に記載の情報処理装置。
6. 前記評価手段は、前記オンライン学習において新たに学習データが入力された際の、前記学習データの特徴量の分散の変化量に基づいて、前記オンライン学習の完成度の評価を行うことを特徴とする、請求項５に記載の情報処理装置。
7. 前記オンライン学習の完成度の評価に前記追尾手段による追尾結果の信頼度を用い、
   前記信頼度が所定の値以上の前記追尾手段に、完成していることを示す完成度を付与することを特徴とする、請求項２に記載の情報処理装置。
8. 前記入力画像の内の領域ごとの前記被写体の尤度を示す第１の尤度マップを作成する第１の作成手段をさらに備え、
   前記信頼度は、前記第１の尤度マップに示される前記被写体の尤度に基づいて設定されることを特徴とする、請求項７に記載の情報処理装置。
9. 前記第１の識別器による、前記入力画像の内の領域ごとの前記被写体の尤度を示す第２の尤度マップを作成する第２の作成手段と、
   前記第２の識別器による、前記入力画像の内の領域ごとの前記被写体の尤度を示す第３の尤度マップを作成する第３の作成手段と、をさらに備え、
   前記第１の作成手段は、前記第２の尤度マップと前記第３の尤度マップとを用いて前記第１の尤度マップを作成することを特徴とする、請求項８に記載の情報処理装置。
10. 前記第１の作成手段は、前記評価手段が、前記被写体の追尾において前記第１の識別器を用いると判断した場合に、前記第２の尤度マップと前記第３の尤度マップとを、前記完成度に基づく重みを用いて統合することにより、前記第１の尤度マップを作成することを特徴とする、請求項９に記載の情報処理装置。
11. 前記第１の作成手段は、
    前記評価手段が前記被写体の追尾において前記第１の識別器を用いないと判断した場合に、前記第３の尤度マップを前記第１の尤度マップとして設定し、
    前記評価手段が前記被写体の追尾において前記第１の識別器を用いると判断した場合に、前記第２の尤度マップを前記第１の尤度マップとして設定することを特徴とする、請求項９に記載の情報処理装置。
12. 前記評価手段は、前記オンライン学習が完成しているか否かの２値判別によって前記完成度の評価を行い、
    前記判断手段は、前記オンライン学習が完成していないと判別されている場合には前記被写体の追尾において前記第１の識別器を用いないと判断し、前記オンライン学習が完成していると判別されている場合には前記被写体の追尾において前記第１の識別器を用いると判断することを特徴とする、請求項２乃至１１の何れか一項に記載の情報処理装置。
13. 前記追尾手段は、前記第１の識別器を用いないと判断されている場合には、前記第２の識別器のみを用いて前記被写体の追尾を行い、前記第１の識別器を用いると判断されている場合には、前記第１の識別器のみを用いて前記被写体の追尾を行うことを特徴とする、請求項１２に記載の情報処理装置。
14. 前記評価手段は、前記追尾手段による追尾結果の信頼度が所定の閾値未満である場合には前記オンライン学習が完成していないと判別し、前記追尾手段による追尾結果の信頼度が所定の閾値以上である場合には前記オンライン学習が完成していると判別することを特徴とする、請求項１２又は１３に記載の情報処理装置。
15. 前記第２の識別器は、前記第２の識別器による前記被写体の追尾中にオンライン学習によって学習される識別器であり、
    前記第１の識別器と前記第２の識別器とで、前記被写体の検出を行う探索範囲が異なり、
    前記追尾手段が、前記被写体の追尾のために、前記第１の識別器及び前記第２の識別器のうちの前記探索範囲が小さい方の識別器を用いている間に、前記被写体が検出されなくなった際に、前記追尾手段が用いる識別器を、前記第１の識別器及び前記第２の識別器のうちの前記探索範囲が大きい方の識別器へと切り替え、
    前記追尾手段が、前記被写体の追尾のために、前記探索範囲が大きい方の識別器を用いている間に、前記探索範囲が小さい方の識別器においても前記被写体が検出可能である場合には、前記追尾手段が用いる識別器を、前記探索範囲が小さい方の識別器へと切り替える、切替手段をさらに備えることを特徴とする、請求項１乃至１４の何れか一項に記載の情報処理装置。
16. 前記第２の識別器が、前記被写体の追尾を行うよう予め学習されている識別器であることを特徴とする、請求項１乃至１４の何れか一項に記載の情報処理装置。
17. 前記第２の識別器が、前記第１の識別器とはオンライン学習によるパラメータの更新頻度が異なる識別器であることを特徴とする、請求項１乃至１５の何れか一項に記載の情報処理装置。
18. 前記追尾手段は、前記被写体の追尾のために前記第１の識別器及び前記第２の識別器の両方を用いている間に、前記追尾手段による追尾結果の信頼度が低いと判断された場合に、前記第１の識別器及び前記第２の識別器のうちの前記更新頻度が高い方の識別器のみを用いて追尾を行うよう切り替えることを特徴とする、請求項１７に記載の情報処理装置。
19. 前記第１の識別器と前記第２の識別器とは、オンライン学習に用いる学習データを収集する期間の長さが異なることを特徴とする、請求項１７又は１８に記載の情報処理装置。
20. 入力画像の内の被写体の追尾を行う第１の識別器と、前記被写体の追尾を行う、前記第１の識別器とは異なる第２の識別器と、の何れか又は両方を用いて前記被写体の追尾を行う工程と、
    前記第１の識別器の追尾の学習に用いる学習データを取得する工程と、
    前記学習データを用いて、前記被写体の追尾中に前記第１の識別器を学習させるオンライン学習を行う工程と、
    前記オンライン学習の完成度の評価を行う工程と、
    前記完成度の評価に応じて、前記被写体の追尾において前記第１の識別器を用いるか否かを判断する工程と、
    をさらに備えることを特徴とする、情報処理方法。
21. コンピュータを、請求項１乃至１９の何れか一項に記載の情報処理装置の各手段として機能させるためのプログラム。