JP2007328435A - Device fot analyzing mobile behavior - Google Patents

Device fot analyzing mobile behavior Download PDF

Info

Publication number
JP2007328435A
JP2007328435A JP2006157581A JP2006157581A JP2007328435A JP 2007328435 A JP2007328435 A JP 2007328435A JP 2006157581 A JP2006157581 A JP 2006157581A JP 2006157581 A JP2006157581 A JP 2006157581A JP 2007328435 A JP2007328435 A JP 2007328435A
Authority
JP
Japan
Prior art keywords
behavior
pattern
transition process
action
mobile body
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2006157581A
Other languages
Japanese (ja)
Inventor
Naohiko Suzuki
直彦 鈴木
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Priority to JP2006157581A priority Critical patent/JP2007328435A/en
Publication of JP2007328435A publication Critical patent/JP2007328435A/en
Pending legal-status Critical Current

Links

Images

Landscapes

  • Burglar Alarm Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

<P>PROBLEM TO BE SOLVED: To discriminate exact behavior pattern of a mobile even when detection accuracy of location where the mobile exists is low. <P>SOLUTION: While obtaining a transition process of behavior state where likelihood to a hidden Markov model of the behavior pattern becomes the largest for every m pieces of behavior patterns accumulated in a mobile behavior pattern accumulation part 2, a mobile behavior state process estimation section 3 which obtains the likelihood of the transition process of the behavior state to m behavior patterns is set up, and m likelihoods obtained from m behavior patterns by the mobile behavior state process estimation section 3 are compared and the behavior pattern corresponding to the transition process of the behavior state having the largest likelihood is discriminated. <P>COPYRIGHT: (C)2008,JPO&INPIT

Description

この発明は、例えば、カメラ、ＲＦＩＤ、ＧＰＳ等の移動体位置検出装置から得られる移動体（例えば、人物、車両）が存在している位置の変化を示す時系列データに基づいて、移動体の行動パターンの判別や移動体の異常行動を検出する移動体行動分析装置に関し、特に、セキュリティシステム、建物内、駐車場内及び踏切内を監視する監視システムに適用される移動体行動分析装置に関するものである。   The present invention is based on time-series data indicating a change in position where a moving body (for example, a person or a vehicle) obtained from a moving body position detecting device such as a camera, RFID, or GPS is present. The present invention relates to a mobile body behavior analysis apparatus that discriminates behavior patterns and detects abnormal behavior of a mobile body, and particularly relates to a mobile body behavior analysis apparatus that is applied to a security system, a monitoring system that monitors a building, a parking lot, and a railroad crossing. is there.

従来の移動体行動分析装置は、監視領域内の情報を入力する情報入力部と、監視領域内の物体の位置情報を検出する位置情報検出部と、位置情報検出部により検出された位置情報を記憶する位置情報記憶部と、位置情報記憶部に記憶されている位置情報の変化を解析して、物体の行動パターンを取得する行動解析部と、行動解析部により取得された行動パターンのデータを記憶する行動パターンデータ記憶部と、行動パターンデータ記憶部に記憶されている行動パターンのデータを統計処理する統計処理部と、物体の行動パターンが通常の行動パターンであるか否かを判定する行動パターン判定部と、行動パターン判定部の判定結果を通知する通知部とから構成されている（例えば、特許文献１参照）。
したがって、位置情報検出部により物体の位置情報が正確に検出されれば、行動解析部が物体の行動パターンを取得して、行動パターン判定部が物体の行動パターンが通常の行動パターンであるか否かを判定することができる。 A conventional mobile body behavior analysis device includes an information input unit that inputs information in a monitoring area, a position information detection unit that detects position information of an object in the monitoring area, and position information detected by the position information detection unit. A position information storage unit that stores data, a behavior analysis unit that acquires a behavior pattern of an object by analyzing a change in position information stored in the position information storage unit, and data of the behavior pattern acquired by the behavior analysis unit A behavior pattern data storage unit to store, a statistical processing unit to statistically process the data of the behavior pattern stored in the behavior pattern data storage unit, and an action to determine whether or not the behavior pattern of the object is a normal behavior pattern It is comprised from the pattern determination part and the notification part which notifies the determination result of an action pattern determination part (for example, refer patent document 1).
Therefore, if the position information detection unit accurately detects the position information of the object, the behavior analysis unit acquires the behavior pattern of the object, and the behavior pattern determination unit determines whether the behavior pattern of the object is a normal behavior pattern. Can be determined.

特開２００４−３２８６２２号公報（段落番号［００２８］、図１）JP 2004-328622 A (paragraph number [0028], FIG. 1)

従来の移動体行動分析装置は以上のように構成されているので、位置情報検出部により物体の位置情報が正確に検出されれば、行動解析部が物体の行動パターンを取得することができるが、位置情報検出部により物体の位置情報が正確に検出されなければ、物体の正確な行動パターンを取得することができない課題があった。
また、行動パターンデータ記憶部が異常行動時の行動パターンのデータを記憶していなければ、物体の異常行動を検出することができず、不審人物や不審車両などを検出することができないなどの課題があった。 Since the conventional mobile body behavior analysis apparatus is configured as described above, if the position information detection unit accurately detects the position information of the object, the behavior analysis unit can acquire the action pattern of the object. There is a problem that an accurate behavior pattern of an object cannot be obtained unless the position information of the object is accurately detected by the position information detection unit.
In addition, if the behavior pattern data storage unit does not store behavior pattern data at the time of abnormal behavior, it is not possible to detect abnormal behavior of an object and to detect suspicious persons or suspicious vehicles. was there.

この発明は上記のような課題を解決するためになされたもので、移動体が存在している位置の検出精度が低い場合でも、移動体の正確な行動パターンを判別することができる移動体行動分析装置を得ることを目的とする。
また、この発明は、異常行動時の行動パターンを記憶していない場合でも、移動体の異常行動を認定することができる移動体行動分析装置を得ることを目的とする。 The present invention has been made to solve the above-described problem, and even when the detection accuracy of the position where the moving object is present is low, the moving object action that can determine the correct action pattern of the moving object. The purpose is to obtain an analyzer.
It is another object of the present invention to provide a moving body behavior analysis apparatus that can recognize an abnormal behavior of a moving body even when the behavior pattern at the time of abnormal behavior is not stored.

この発明に係る移動体行動分析装置は、移動体が存在している位置の変化を示す時系列データと確率モデルを用いて、移動体の行動状態の遷移過程を推定する遷移過程推定手段を設け、行動パターン蓄積手段に蓄積されている１以上の行動パターンの中から、遷移過程推定手段により推定された行動状態の遷移過程に対応している行動パターンを判別するようにしたものである。   The moving body behavior analysis apparatus according to the present invention is provided with transition process estimation means for estimating a transition process of a moving state of a moving body using time-series data indicating a change in position where the moving body exists and a probability model. The action pattern corresponding to the transition process of the action state estimated by the transition process estimation means is discriminated from one or more action patterns stored in the action pattern storage means.

この発明によれば、移動体が存在している位置の変化を示す時系列データと確率モデルを用いて、移動体の行動状態の遷移過程を推定する遷移過程推定手段を設け、行動パターン蓄積手段に蓄積されている１以上の行動パターンの中から、遷移過程推定手段により推定された行動状態の遷移過程に対応している行動パターンを判別するように構成したので、移動体検出手段から出力された時系列データの精度が低い場合でも、移動体の正確な行動パターンを判別することができる効果がある。   According to the present invention, there is provided the transition process estimating means for estimating the transition process of the behavior state of the mobile object using the time series data indicating the change of the position where the mobile object exists and the probability model, and the behavior pattern storage means Since the action pattern corresponding to the transition process of the action state estimated by the transition process estimation means is discriminated from one or more action patterns stored in the Even when the accuracy of the time series data is low, there is an effect that an accurate behavior pattern of the moving object can be determined.

実施の形態１．
図１はこの発明の実施の形態１による移動体行動分析装置を示す構成図であり、図において、移動体位置検出装置１−１〜１−Ｎは少なくとも１以上の位置検出センサ（例えば、カメラ、ＲＦＩＤ、ＧＰＳ、温度センサ、距離センサ、焦電センサ、無線ＬＡＮ）から構成されており、例えば、ビルやマンションなどの屋内空間や、道路、街路、駐車場などの屋外空間に設置される。
移動体位置検出装置１−１〜１−Ｎは位置検出センサが移動体（例えば、人物、車両）の存在を検出すると、その移動体が存在している位置（位置の検出精度はｃｍ単位でもよいし、数ｍ単位でもよい）の変化を示す時系列データを移動体行動状態過程推定部３に出力する。なお、移動体位置検出装置１−１〜１−Ｎは移動体検出手段を構成している。 Embodiment 1 FIG.
FIG. 1 is a block diagram showing a mobile body behavior analysis apparatus according to Embodiment 1 of the present invention. In the figure, mobile body position detection devices 1-1 to 1-N are at least one position detection sensor (for example, a camera). , RFID, GPS, temperature sensor, distance sensor, pyroelectric sensor, wireless LAN), for example, installed in indoor spaces such as buildings and condominiums and outdoor spaces such as roads, streets, and parking lots.
When the position detection sensor detects the presence of a moving body (for example, a person or a vehicle), the moving body position detection devices 1-1 to 1-N detect the position where the moving body exists (the position detection accuracy is in centimeters). The time-series data indicating the change in units of several meters may be output to the mobile action state process estimation unit 3. The moving body position detection devices 1-1 to 1-N constitute moving body detection means.

移動体行動パターン蓄積部２は移動体の通常行動時（移動体が異常行動を起こしていない時）における行動状態の遷移過程を示す行動パターンをｍ個（ｍ≧１）蓄積しているデータベースである。なお、移動体行動パターン蓄積部２は行動パターン蓄積手段を構成している。
移動体行動状態過程推定部３は移動体位置検出装置１−１〜１−Ｎから出力された時系列データに基づいて、移動体行動パターン蓄積部２に蓄積されているｍ個の行動パターン毎に、当該行動パターンの確率モデル（例えば、隠れマルコフモデル）に対する尤度が最も大きくなる行動状態の遷移過程を求めるとともに、移動体行動パターン蓄積部２に蓄積されているｍ個の行動パターンに対する上記行動状態の遷移過程の尤度を求める処理を実施する。
なお、移動体行動状態過程推定部３は遷移過程推定手段及び異常行動認定手段を構成している。 The moving body behavior pattern accumulating unit 2 is a database that accumulates m (m ≧ 1) behavior patterns indicating the transition process of the behavior state during the normal behavior of the moving body (when the moving body does not cause abnormal behavior). is there. In addition, the moving body action pattern storage part 2 comprises the action pattern storage means.
The mobile body behavior state process estimation unit 3 is configured to store m behavior patterns stored in the mobile body behavior pattern storage unit 2 based on the time-series data output from the mobile body position detection devices 1-1 to 1-N. In addition, the behavior state transition process that maximizes the likelihood with respect to the probability model (for example, the hidden Markov model) of the behavior pattern is obtained, and the m behavior patterns accumulated in the mobile behavior pattern accumulation unit 2 are calculated as described above. A process for obtaining the likelihood of the transition process of the behavior state is performed.
The moving body behavior state process estimation unit 3 constitutes a transition process estimation unit and an abnormal behavior recognition unit.

移動体行動分析部４は移動体行動パターン蓄積部２に蓄積されているｍ個の行動パターンの中から、移動体行動状態過程推定部３により求められたｍ個の尤度を比較して、尤度が最も大きい行動状態の遷移過程に対応している行動パターンを判別する処理を実施するほか、移動体行動状態過程推定部３により求められたｍ個の尤度の全てが閾値に満たない場合、移動体の行動が異常行動であると認定する処理を実施する。
なお、移動体行動分析部４は遷移過程推定手段、行動パターン判別手段及び異常行動認定手段を構成している。 The mobile body behavior analysis unit 4 compares the m likelihoods obtained by the mobile body behavior state process estimation unit 3 from the m behavior patterns stored in the mobile body behavior pattern storage unit 2, In addition to performing a process of discriminating a behavior pattern corresponding to the transition process of the behavior state having the highest likelihood, all m likelihoods obtained by the mobile body behavior state process estimation unit 3 are less than the threshold value. In such a case, a process for recognizing that the behavior of the moving body is abnormal behavior is performed.
The moving body behavior analysis unit 4 constitutes transition process estimation means, behavior pattern discrimination means, and abnormal behavior recognition means.

表示装置５は例えばＣＲＴや液晶ディスプレイなどの表示機器であり、移動体行動分析部４により判別された行動パターンを表示するほか、移動体行動分析部４により移動体の行動が異常行動であると認定された場合、例えば、警告メッセージの表示や異常行動を起こしている移動体の拡大映像の表示を行う。
なお、表示装置５は、通常は、ある一定時間内における移動体の行動パターン別の割合表示や対象空間の映像表示を行う。 The display device 5 is a display device such as a CRT or a liquid crystal display, for example. The display device 5 displays the behavior pattern determined by the mobile body behavior analysis unit 4, and the mobile body behavior analysis unit 4 indicates that the behavior of the mobile body is abnormal behavior. In the case of being certified, for example, a warning message is displayed or an enlarged image of a moving body that is causing abnormal behavior is displayed.
Note that the display device 5 normally displays a ratio display for each action pattern of the moving body within a certain period of time and a video display of the target space.

時系列データ蓄積部６は移動体位置検出装置１−１〜１−Ｎから出力された時系列データを蓄積するメモリである。
移動体行動パターン更新部７は移動体行動分析部４による行動パターンの判別結果にしたがって、例えば、隠れマルコフモデルで用いられる観測確率や状態遷移確率に関するパラメータを更新する処理を実施する。ただし、移動体行動パターン更新部７は移動体行動分析部５により移動体の行動が異常行動であると認定された場合、パラメータの更新処理を実施しない。
移動体行動パターン事前作成部８は時系列データ蓄積部６に蓄積されている過去の時系列データを用いて、移動体の通常行動時における行動状態の遷移過程を示す行動パターンを事前に作成し、その行動パターンを移動体行動パターン蓄積部２に格納する。
なお、時系列データ蓄積部６及び移動体行動パターン事前作成部８から行動パターン作成手段が構成されている。 The time-series data storage unit 6 is a memory that stores the time-series data output from the mobile body position detection devices 1-1 to 1-N.
The moving body behavior pattern update unit 7 performs a process of updating parameters related to observation probabilities and state transition probabilities used in the hidden Markov model, for example, according to the behavior pattern discrimination result by the mobile body behavior analysis unit 4. However, the moving body behavior pattern update unit 7 does not perform parameter update processing when the moving body behavior analysis unit 5 determines that the behavior of the moving body is abnormal behavior.
The mobile body action pattern pre-creation unit 8 uses the past time-series data stored in the time-series data storage unit 6 to pre-create an action pattern indicating the transition process of the behavior state during the normal action of the mobile body. The action pattern is stored in the mobile action pattern accumulation unit 2.
The time-series data storage unit 6 and the moving body behavior pattern pre-creation unit 8 constitute action pattern creation means.

図１の例では、移動体行動分析装置の構成要素である移動体行動状態過程推定部３、移動体行動分析部４、移動体行動パターン更新部７及び移動体行動パターン事前作成部８が専用のハードウェア（例えば、ＭＰＵなどを実装している半導体集積回路）で構成されていることを想定しているが、移動体行動分析装置がコンピュータで構成される場合、移動体行動分析部４、移動体行動パターン更新部７及び移動体行動パターン事前作成部８の処理内容が記述されているプログラムを当該コンピュータのメモリに記憶し、当該コンピュータのＣＰＵが当該メモリに記憶されているプログラムを実行するようにしてもよい。
図２はこの発明の実施の形態１による移動体行動分析装置の移動体行動パターン事前作成部８の処理内容を示すフローチャートである。 In the example of FIG. 1, the mobile behavior state process estimation unit 3, the mobile behavior analysis unit 4, the mobile behavior pattern update unit 7, and the mobile behavior pattern pre-creation unit 8 that are components of the mobile behavior analysis device are dedicated. Is assumed to be configured with a hardware (for example, a semiconductor integrated circuit on which an MPU or the like is mounted). A program in which processing contents of the mobile body action pattern update unit 7 and the mobile body pattern pre-creation unit 8 are described is stored in the memory of the computer, and the CPU of the computer executes the program stored in the memory. You may do it.
FIG. 2 is a flowchart showing the processing contents of the mobile body behavior pattern pre-creation unit 8 of the mobile body behavior analysis apparatus according to Embodiment 1 of the present invention.

次に動作について説明する。
移動体行動パターン蓄積部２には、移動体が異常行動を起こしていない通常行動時における行動状態の遷移過程を示す行動パターンがｍ個（ｍ≧１）蓄積されている。
移動体行動パターン蓄積部２に蓄積される行動パターンは、操作者が手動で作成してもよいが、この実施の形態１では、移動体行動パターン事前作成部８が事前に作成するものとする。 Next, the operation will be described.
The moving body behavior pattern accumulating unit 2 stores m behavior patterns (m ≧ 1) indicating the transition process of the behavior state during the normal behavior in which the moving body does not cause abnormal behavior.
The behavior patterns accumulated in the mobile behavior pattern accumulation unit 2 may be created manually by the operator, but in the first embodiment, the mobile behavior pattern pre-creation unit 8 creates in advance. .

移動体行動パターン事前作成部８の処理内容は後述するが、移動体の通常行動時における行動パターンとしては、例えば、次のようなものが考えられる。
移動体である人物が店舗の入口から店舗内に入ると、１以上の売場を巡ってからレジに移動して、その後、店舗の出口から外に出る行動パターンなどが考えられる。
これに対して、移動体の異常行動時における行動パターンとしては、例えば、次のようなものが考えられる。
移動体である人物が店舗の入口から店舗内に入ると、売場には移動せずに、事務所や倉庫などに移動する行動パターンや、売場からレジに移動しないで入口や出口から店舗の外に出る行動パターンなどが考えられる。
なお、移動体行動パターン事前作成部８により作成される行動パターンの記述形式は特に問わない。 The processing contents of the moving body action pattern pre-creation unit 8 will be described later. As the action pattern during the normal action of the moving body, for example, the following can be considered.
When a person who is a moving body enters the store from the entrance of the store, an action pattern or the like that travels to one or more sales floors and then moves to the cash register and then goes out from the store exit can be considered.
On the other hand, as an action pattern at the time of the abnormal action of the moving body, for example, the following can be considered.
When a moving person enters the store from the store entrance, the behavior pattern of moving to the office or warehouse, etc. without moving to the sales floor, or from the store entrance to the store without moving from the sales floor to the cash register The behavior pattern that appears in
In addition, the description format of the action pattern created by the mobile body action pattern pre-creation unit 8 is not particularly limited.

移動体位置検出装置１−１〜１−Ｎは、例えば、ビルやマンションなどの屋内空間や、道路、街路、駐車場などの屋外空間に設置されており、内蔵している位置検出センサ（例えば、カメラ、ＲＦＩＤ、ＧＰＳ、温度センサ、距離センサ、焦電センサ、無線ＬＡＮ）が移動体の存在を検知すると、その移動体が存在している位置の変化を示す時系列データを移動体行動状態過程推定部３に出力する。
時系列データ
＝｛（ｘ，ｙ）T1，（ｘ，ｙ）T2，・・・，（ｘ，ｙ）Th，・・・，（ｘ，ｙ）TH｝
ただし、（ｘ，ｙ）Thは、時刻Ｔｈにおける移動体の経度ｘと緯度ｙである。
なお、移動体位置検出装置１−１〜１−Ｎの位置検出精度は、ｃｍ単位でもよいし、数ｍ単位でもよい。 The mobile body position detection devices 1-1 to 1-N are installed in indoor spaces such as buildings and condominiums, and outdoor spaces such as roads, streets, and parking lots. , Camera, RFID, GPS, temperature sensor, distance sensor, pyroelectric sensor, wireless LAN) detects the presence of the moving object, the time series data indicating the change of the position where the moving object is present Output to the process estimation unit 3.
Time series data = {(x, y) T1 , (x, y) T2 , ..., (x, y) Th , ..., (x, y) TH }
However, (x, y) Th is the longitude x and the latitude y of the moving object at the time Th.
Note that the position detection accuracy of the moving body position detection devices 1-1 to 1-N may be in units of cm or in units of several meters.

移動体行動状態過程推定部３は、移動体位置検出装置１−１〜１−Ｎから時系列データを受けると、例えば、隠れマルコフモデルなどの確率モデルを用いて、移動体位置検出装置１−１〜１−Ｎから出力された時系列データに基づいて移動体の行動状態の遷移過程を推定する。
以下、移動体行動状態過程推定部３の処理内容を具体的に説明する。
移動体行動状態過程推定部３は、移動体行動パターン蓄積部２に蓄積されているｍ個の行動パターンを順次取得する。 When receiving the time series data from the mobile body position detection devices 1-1 to 1-N, the mobile body behavior state process estimation unit 3 uses a probability model such as a hidden Markov model, for example. The transition process of the behavioral state of the moving body is estimated based on the time series data output from 1 to 1-N.
Hereinafter, the processing content of the moving body action state process estimation part 3 is demonstrated concretely.
The moving body behavior state process estimation unit 3 sequentially acquires m behavior patterns accumulated in the moving body behavior pattern accumulation unit 2.

次に、移動体行動状態過程推定部３は、移動体位置検出装置１−１〜１−Ｎから出力された時系列データを各行動パターンの隠れマルコフモデルに与えることにより、例えば、ビタビアルゴリズムを用いて、各行動パターン毎に、当該行動パターンの隠れマルコフモデルに対する尤度が最も大きくなる行動状態の遷移過程を求める。
このとき、当該行動パターンの隠れマルコフモデルに対する行動状態の遷移過程の尤度は、得られる行動状態の遷移過程の観測確率と遷移確率の積として与えられる。
なお、「隠れマルコフモデル」や「ビタビアルゴリズム」の詳細は、例えば、以下の非特許文献１に開示されており、行動状態の遷移過程を求める処理自体は、公知の技術であるため詳細な説明を省略する。
非特許文献１「確率的言語モデル」北研二、東京大学出版会、１９９９年発行 Next, the mobile body behavior state process estimation unit 3 gives the time series data output from the mobile body position detection devices 1-1 to 1-N to the hidden Markov model of each behavior pattern, for example, by using a Viterbi algorithm. Using each behavior pattern, the transition process of the behavior state in which the likelihood of the behavior pattern with respect to the hidden Markov model is maximized is obtained.
At this time, the likelihood of the transition process of the behavior state with respect to the hidden Markov model of the behavior pattern is given as a product of the observation probability and the transition probability of the transition process of the obtained behavior state.
Note that details of the “hidden Markov model” and “Viterbi algorithm” are disclosed in, for example, Non-Patent Document 1 below, and the processing itself for determining the transition process of the behavioral state is a known technique, and thus detailed description thereof. Is omitted.
Non-Patent Document 1 “Probabilistic Language Model” by Kenji Kita, University of Tokyo Press, 1999

移動体行動分析部４は、移動体行動状態過程推定部３がｍ個の行動パターンの隠れマルコフモデルに対する行動状態の遷移過程の尤度を求めると、ｍ個の尤度を相互に比較し、尤度が最も大きい行動状態の遷移過程が移動体の行動状態の遷移過程であると認定する。
移動体行動分析部４は、上記のようにして、移動体の行動状態の遷移過程を認定すると、移動体行動パターン蓄積部２に蓄積されているｍ個の行動パターンの中から、その移動体の行動状態の遷移過程（尤度が最も大きい行動状態の遷移過程）に対応している行動パターンを選択して、その行動パターンを表示装置５に出力する。
即ち、移動体行動分析部４は、移動体行動状態過程推定部３により推定されたｍ個の行動状態の遷移過程の中で、尤度が最も大きい行動状態の遷移過程が推定される際に用いられた行動パターンを表示装置５に出力する。 When the moving body behavior state estimation unit 3 calculates the likelihood of the transition process of the behavior state with respect to the hidden Markov model of m behavior patterns, the mobile body behavior analysis unit 4 compares the m likelihoods with each other. It is determined that the transition process of the behavior state having the highest likelihood is the transition process of the behavior state of the mobile object.
When the mobile body behavior analysis unit 4 recognizes the transition process of the mobile body's behavior state as described above, the mobile body behavior analysis unit 4 selects the mobile body from the m behavior patterns stored in the mobile body behavior pattern storage unit 2. The behavior pattern corresponding to the transition process of the behavior state (the transition process of the behavior state with the highest likelihood) is selected, and the behavior pattern is output to the display device 5.
That is, the mobile body behavior analysis unit 4 is configured to estimate the behavior state transition process having the highest likelihood among the m behavior state transition processes estimated by the mobile body state state estimation unit 3. The used behavior pattern is output to the display device 5.

また、移動体行動分析部４は、移動体行動状態過程推定部３がｍ個の行動パターンの隠れマルコフモデルに対する行動状態の遷移過程の尤度を求めると、ｍ個の尤度を所定の閾値と比較する。
移動体行動分析部４は、ｍ個の尤度を所定の閾値と比較して、全ての尤度が所定の閾値に満たない場合、移動体の行動が異常行動であると認定し、その認定結果を表示装置５に出力する。 Further, when the moving body behavior state estimation unit 3 obtains the likelihood of the transition process of the behavior state with respect to the hidden Markov model of m behavior patterns, the mobile body behavior analysis unit 4 sets the m likelihoods to a predetermined threshold value. Compare with
The mobile body behavior analysis unit 4 compares the m likelihoods with a predetermined threshold, and if all likelihoods do not satisfy the predetermined threshold, the mobile body behavior is recognized as abnormal behavior, and the recognition is performed. The result is output to the display device 5.

表示装置５は、移動体行動分析部４から移動体の行動状態の遷移過程に対応している行動パターンを受けると、その行動パターンを表示する。
また、表示装置５は、移動体行動分析部４から移動体の行動が異常行動であるとする認定結果を受けると、警告メッセージの表示や、異常行動を起こしている移動体の拡大映像の表示を行う。
なお、表示装置５が警告メッセージや映像内容などを例えば携帯端末に送信し、その携帯端末が警告メッセージや映像内容などを表示するようにしてもよい。 When receiving the behavior pattern corresponding to the transition process of the behavior state of the mobile body from the mobile body behavior analysis unit 4, the display device 5 displays the behavior pattern.
In addition, when the display device 5 receives an authorization result indicating that the behavior of the moving body is abnormal behavior from the moving body behavior analysis unit 4, the display device 5 displays a warning message or displays an enlarged image of the mobile body causing the abnormal behavior. I do.
Note that the display device 5 may transmit a warning message, video content, or the like to a mobile terminal, for example, and the mobile terminal may display the warning message, video content, or the like.

時系列データ蓄積部６は、移動体位置検出装置１−１〜１−Ｎから移動体が存在している位置の変化を示す時系列データを受けると、その時系列データを蓄積する。
移動体行動パターン更新部７は、移動体行動分析部４から行動パターンの判別結果を受けると、その行動パターンの判別結果にしたがって、例えば、隠れマルコフモデルで用いられる観測確率や状態遷移確率（各行動パターンが示している各行動状態の観測確率と行動状態間の遷移確率）に関するパラメータを更新する。
ただし、移動体行動パターン更新部７は、移動体行動分析部４により移動体の行動が異常行動であると認定された場合、パラメータの更新処理を実施しない。 When receiving time-series data indicating changes in the position where the moving object is present from the moving object position detecting devices 1-1 to 1-N, the time-series data accumulating unit 6 accumulates the time-series data.
When the moving body behavior pattern update unit 7 receives the behavior pattern discrimination result from the mobile body behavior analysis unit 4, according to the behavior pattern discrimination result, for example, the observation probability or state transition probability (each of the hidden Markov models) The parameters relating to the observation probability of each behavior state indicated by the behavior pattern and the transition probability between the behavior states) are updated.
However, the moving body behavior pattern update unit 7 does not perform parameter update processing when the moving body behavior analysis unit 4 determines that the behavior of the moving body is abnormal behavior.

移動体行動パターン事前作成部８は、時系列データ蓄積部６に蓄積されている過去の時系列データを用いて、移動体の通常行動時における行動状態の遷移過程を示す行動パターンを事前に作成し、その行動パターンを移動体行動パターン蓄積部２に格納する。
以下、移動体行動パターン事前作成部８の処理内容を具体的に説明する。 The moving body action pattern pre-creation unit 8 uses the past time series data accumulated in the time series data accumulation unit 6 to create an action pattern indicating the transition process of the action state during the normal action of the moving body in advance. Then, the behavior pattern is stored in the mobile behavior pattern accumulation unit 2.
Hereinafter, the processing content of the mobile body action pattern advance preparation part 8 is demonstrated concretely.

移動体行動パターン事前作成部８は、時系列データ蓄積部６に蓄積されている過去の時系列データを取得し、過去の複数の時系列データのデータ長が一定になるように、各時系列データに速度成分を加えて正規化する（ステップＳＴ１）。
移動体行動パターン事前作成部８は、複数の時系列データのデータ長が一定になるように正規化すると、正規化後の時系列データの時間成分を基準にして、正規化後の時系列データを複数個のクラスタに分割する（ステップＳＴ２）。
例えば、ｃ−平均法、競合学習、ＥＭアルゴリズムなどの手法を用いれば、事前に知識を有することなく、正規化後の時系列データを複数個のクラスタに分割することができる。 The mobile body action pattern pre-creation unit 8 acquires the past time-series data stored in the time-series data storage unit 6, and sets each time series so that the data length of a plurality of past time-series data is constant. Normalization is performed by adding a velocity component to the data (step ST1).
When the moving body behavior pattern pre-creation unit 8 normalizes the data length of the plurality of time series data to be constant, the time series data after normalization is based on the time component of the time series data after normalization. Is divided into a plurality of clusters (step ST2).
For example, if a method such as a c-average method, competitive learning, or an EM algorithm is used, the normalized time series data can be divided into a plurality of clusters without knowledge in advance.

移動体行動パターン事前作成部８は、正規化後の時系列データを複数個のクラスタに分割すると、各クラスタに属している時系列データに基づいて観測確率分布と遷移確率を演算し、各クラスタの隠れマルコフモデルパターンを生成する（ステップＳＴ３）。
移動体行動パターン事前作成部８は、各クラスタの隠れマルコフモデルパターンを生成すると、各クラスタの隠れマルコフモデルパターンに対する正規化後の時系列データの尤度を演算する（ステップＳＴ４）。 The mobile body action pattern pre-creation unit 8 divides the normalized time-series data into a plurality of clusters, and calculates an observation probability distribution and a transition probability based on the time-series data belonging to each cluster. A hidden Markov model pattern is generated (step ST3).
After generating the hidden Markov model pattern of each cluster, the mobile body behavior pattern pre-creation unit 8 calculates the likelihood of the time-series data after normalization for the hidden Markov model pattern of each cluster (step ST4).

移動体行動パターン事前作成部８は、正規化後の時系列データが現在属しているクラスタの隠れマルコフモデルパターンに対する尤度が最大になっているかを評価し、現在属しているクラスタの隠れマルコフモデルパターンに対する尤度より、他のクラスタの隠れマルコフモデルパターンに対する尤度の方が大きい場合、尤度が大きい正規化後の時系列データの個数が一定個数以上であるか否かを判定する（ステップＳＴ５）。
移動体行動パターン事前作成部８は、尤度が大きい正規化後の時系列データの個数が一定個数以上である場合、正規化後の時系列データを尤度が最大のクラスタに再配分して、隠れマルコフモデルパターンを再生成する（ステップＳＴ３）。
移動体行動パターン事前作成部８は、尤度が大きい正規化後の時系列データの個数が一定個数未満である場合、既に生成している複数の隠れマルコフモデルパターンを移動体の通常行動時における行動パターンとして設定する（ステップＳＴ６）。 The moving body behavior pattern pre-creation unit 8 evaluates whether the time series data after normalization has the maximum likelihood for the hidden Markov model pattern of the cluster to which the currently belonging cluster belongs, and the hidden Markov model of the currently belonging cluster When the likelihood for the hidden Markov model pattern of another cluster is larger than the likelihood for the pattern, it is determined whether or not the number of time-series data after normalization having a large likelihood is a certain number or more (step) ST5).
When the number of time series data after normalization having a high likelihood is equal to or greater than a certain number, the mobile body action pattern pre-creation unit 8 redistributes the time series data after normalization to the cluster with the maximum likelihood. Then, the hidden Markov model pattern is regenerated (step ST3).
When the number of time-series data after normalization with a high likelihood is less than a certain number, the moving body action pattern pre-creation unit 8 uses a plurality of already generated hidden Markov model patterns in the normal action of the moving body. It sets as an action pattern (step ST6).

なお、ｃ−平均法については、以下の非特許文献２に開示されており、競合学習及びＥＭアルゴリズムについては、以下の非特許文献３に開示されている。
・非特許文献２「クラスター分析入門」宮本定明著、森北出版、１９９９年発行
・非特許文献３「パターン認識と学習の統計学」麻生英樹、津田宏治、村田昇著、岩波書店、２００３年発行 The c-average method is disclosed in the following Non-Patent Document 2, and the competitive learning and the EM algorithm are disclosed in Non-Patent Document 3 below.
・ Non-patent document 2 “Introduction to cluster analysis” written by Sadaaki Miyamoto, Morikita Publishing, 1999 ・ Non-patent document 3 “Statistics of pattern recognition and learning” Hideki Aso, Koji Tsuda, Noboru Murata, Iwanami Shoten, 2003 Issue

以上で明らかなように、この実施の形態１によれば、移動体位置検出装置１−１〜１−Ｎから出力された時系列データに基づいて、移動体行動パターン蓄積部２に蓄積されているｍ個の行動パターン毎に、当該行動パターンの隠れマルコフモデルに対する尤度が最も大きくなる行動状態の遷移過程を求めるとともに、ｍ個の行動パターンに対する上記行動状態の遷移過程の尤度を求める移動体行動状態過程推定部３を設け、移動体行動パターン蓄積部２に蓄積されているｍ個の行動パターンの中から、移動体行動状態過程推定部３により求められたｍ個の尤度を比較して、尤度が最も大きい行動状態の遷移過程に対応している行動パターンを判別するように構成したので、移動体位置検出装置１−１〜１−Ｎから出力された時系列データの精度が低い場合でも、移動体の正確な行動パターンを判別することができる効果を奏する。   As is apparent from the above, according to the first embodiment, the mobile body action pattern storage unit 2 stores the time series data output from the mobile body position detection devices 1-1 to 1-N. For each of the m action patterns, the behavior state transition process that maximizes the likelihood of the behavior pattern with respect to the hidden Markov model is obtained, and the behavior state transition process likelihood for the m action patterns is obtained. A body behavior state process estimation unit 3 is provided to compare m likelihoods obtained by the mobile body behavior state process estimation unit 3 from m behavior patterns accumulated in the mobile body behavior pattern accumulation unit 2. Since the action pattern corresponding to the transition process of the action state having the highest likelihood is discriminated, the time-series data output from the mobile body position detection devices 1-1 to 1-N is refined. Even if low, an effect that can determine the exact behavior pattern of the mobile.

また、この実施の形態１によれば、移動体行動状態過程推定部３により求められたｍ個の尤度の全てが閾値に満たない場合、移動体の行動が異常行動であると認定するように構成したので、移動体行動パターン蓄積部２が通常行動時の行動パターンのみを蓄積して、異常行動時の行動パターンを蓄積していない場合でも、移動体の異常行動を認定することができる効果を奏する。   Further, according to the first embodiment, when all the m likelihoods obtained by the mobile body behavior state process estimation unit 3 are less than the threshold, the mobile body's behavior is recognized as abnormal behavior. Since the mobile body behavior pattern accumulation unit 2 accumulates only the behavior pattern during normal behavior and does not accumulate the behavior pattern during abnormal behavior, the abnormal behavior of the mobile body can be recognized. There is an effect.

さらに、この実施の形態１によれば、移動体位置検出装置１−１〜１−Ｎから出力された過去の時系列データを用いて、移動体の通常行動時における行動状態の遷移過程を示す行動パターンを作成し、その行動パターンを移動体行動パターン蓄積部２に格納するように構成したので、操作者が手動で行動パターンを作成することなく、自動的に行動パターンが得られる効果を奏する。   Furthermore, according to this Embodiment 1, the transition process of the action state in the normal action of a mobile body is shown using the past time series data output from the mobile body position detection apparatus 1-1 to 1-N. Since the behavior pattern is created and the behavior pattern is stored in the mobile behavior pattern storage unit 2, the behavior pattern is automatically obtained without manually creating the behavior pattern. .

なお、この実施の形態１によれば、移動体位置検出装置１−１〜１−Ｎから出力された時系列データに基づいて異常行動を行う不審人物や不審車両の検出を行う防犯機能や、顧客の購買行動傾向分析を行うマーケティング機能を有する移動体行動分析装置を構築することができる。   In addition, according to this Embodiment 1, the crime prevention function which detects the suspicious person and suspicious vehicle which perform abnormal action based on the time series data output from the mobile body position detection apparatus 1-1 to 1-N, A mobile behavior analysis apparatus having a marketing function for analyzing a purchase behavior tendency of a customer can be constructed.

この実施の形態１では、移動体行動状態過程推定部３がｍ個の行動パターンの隠れマルコフモデルに対する行動状態の遷移過程の尤度を求めると、移動体行動分析部４がｍ個の尤度を相互に比較して、尤度が最も大きい行動状態の遷移過程が移動体の行動状態の遷移過程であると認定するものについて示したが、移動体行動状態過程推定部３がｍ個の尤度を相互に比較して、尤度が最も大きい行動状態の遷移過程が移動体の行動状態の遷移過程であると認定するようにしてもよい。
この場合、遷移過程推定手段は移動体行動状態過程推定部３のみから構成され、移動体行動分析部４は遷移過程推定手段を構成しない。 In the first embodiment, when the mobile body behavior state process estimation unit 3 obtains the likelihood of the transition process of the behavior state with respect to the hidden Markov model of m behavior patterns, the mobile body behavior analysis unit 4 displays the m likelihoods. Are compared with each other, and the behavior state transition process having the highest likelihood is identified as the transition process of the behavior state of the moving body. By comparing the degrees with each other, it may be determined that the transition process of the behavior state having the highest likelihood is the transition process of the behavior state of the mobile object.
In this case, the transition process estimation means is composed of only the mobile body behavior state process estimation section 3, and the mobile body behavior analysis section 4 does not constitute the transition process estimation means.

また、この実施の形態１では、移動体行動状態過程推定部３が移動体行動パターン蓄積部２に蓄積されているｍ個の行動パターンに対する行動状態の遷移過程の尤度を求めるものについて示したが、移動体行動分析部４が、移動体行動パターン蓄積部２に蓄積されているｍ個の行動パターンに対する行動状態の遷移過程の尤度を求めるようにしてもよい。
この場合、異常行動認定手段は移動体行動分析部４のみから構成され、移動体行動状態過程推定部３は異常行動認定手段を構成しない。 Moreover, in this Embodiment 1, it showed about what the moving body action state process estimation part 3 calculates | requires the likelihood of the transition process of the action state with respect to m action patterns accumulate | stored in the moving body action pattern storage part 2. However, the mobile body behavior analysis unit 4 may determine the likelihood of the transition process of the behavior state for the m behavior patterns stored in the mobile body behavior pattern storage unit 2.
In this case, the abnormal behavior recognition unit is configured only by the mobile behavior analysis unit 4, and the mobile behavior state process estimation unit 3 does not constitute the abnormal behavior verification unit.

実施の形態２．
図３はこの発明の実施の形態２による移動体行動分析装置を示す構成図であり、図において、図１と同一符号は同一または相当部分を示すので説明を省略する。
移動体行動予測部９は移動体行動分析部４により判別された行動パターンから、現在より後の時刻における移動体の行動状態の遷移過程を予測するとともに、現在より後の時刻における移動体の目的地を予測する処理を実施する。なお、移動体行動予測部９は予測手段を構成している。
情報提供装置１０は移動体行動予測部９により予測された移動体の行動状態の遷移過程や目的地に関する情報を移動体に提供する。 Embodiment 2. FIG.
3 is a block diagram showing a mobile body behavior analysis apparatus according to Embodiment 2 of the present invention. In the figure, the same reference numerals as those in FIG.
The moving body behavior prediction unit 9 predicts the transition process of the moving state of the moving body at a time later than the current time from the behavior pattern determined by the moving body behavior analysis unit 4, and the purpose of the moving body at a time later than the present time. Implement a process to predict the ground. In addition, the mobile body action prediction unit 9 constitutes a prediction unit.
The information providing apparatus 10 provides the moving body with information regarding the transition process and destination of the moving state of the moving body predicted by the moving body action predicting unit 9.

次に動作について説明する。
移動体行動予測部９及び情報提供装置１０以外は、上記実施の形態１と同様であるため、ここでは、移動体行動予測部９及び情報提供装置１０の動作のみを説明する。
移動体行動予測部９は、移動体行動分析部４が尤度が最も大きい行動状態の遷移過程に対応している行動パターンを判別すると、その行動パターンを参照して、現在より後の時刻における移動体の行動状態の遷移過程を予測する。
また、移動体行動予測部９は、移動体の行動状態の遷移過程の最終状態が、移動体の目的地であるとして予測する。
なお、現在より後の時刻における移動体の行動状態の遷移過程は、例えば、隠れマルコフモデルにおける遷移確率に基づいて予測することができるが、行動パターン毎に、予め将来の行動状態の遷移過程や目的地を設定するようにしていてもよい。 Next, the operation will be described.
Since operations other than the moving body behavior prediction unit 9 and the information providing device 10 are the same as those in the first embodiment, only operations of the moving body behavior prediction unit 9 and the information providing device 10 will be described here.
When the mobile body behavior analysis unit 4 determines the behavior pattern corresponding to the transition process of the behavior state having the highest likelihood, the mobile body behavior prediction unit 9 refers to the behavior pattern and at a time later than the present time. Predict the transition process of the moving state of the moving body.
Moreover, the mobile body action prediction unit 9 predicts that the final state of the transition process of the mobile body's action state is the destination of the mobile body.
It should be noted that the transition process of the behavior state of the mobile object at a time later than the present time can be predicted based on the transition probability in the hidden Markov model, for example. A destination may be set.

情報提供装置１０は、移動体行動予測部９が移動体の行動状態の遷移過程や目的地を予測すると、移動体の行動状態の遷移過程や目的地に関する情報を移動体に提供する。
例えば、目的地の周辺に存在する飲食店等に関する情報や、行動状態の遷移過程に対応するルートの混雑状態やルート周辺の商業施設等に関する情報を提供する。
なお、情報提供装置１０は、移動体の行動状態の遷移過程や目的地に関する情報を提供する代わりに、行動状態の遷移過程に対応するルートや目的地にある昇降機、自動扉、空調機器などの機器を制御するようにしてもよい。 When the mobile object behavior prediction unit 9 predicts the transition process or destination of the mobile object's behavior state, the information providing apparatus 10 provides the mobile object with information regarding the transition process or destination of the mobile object's behavior state.
For example, it provides information on restaurants and the like existing around the destination, information on the congestion state of the route corresponding to the transition process of the behavioral state, commercial facilities around the route, and the like.
Note that the information providing device 10 provides a route corresponding to the transition process of the behavioral state and a destination corresponding to the transition process of the behavioral state, an elevator, an automatic door, an air conditioner, etc. You may make it control an apparatus.

以上で明らかなように、この実施の形態２によれば、移動体行動分析部４により判別された行動パターンから、現在より後の時刻における移動体の行動状態の遷移過程を予測するとともに、現在より後の時刻における移動体の目的地を予測するように構成したので、移動体の行動状態の遷移過程や目的地に関する情報を移動体に提供することが可能になるなどの効果を奏する。   As is apparent from the above, according to the second embodiment, the transition process of the behavior state of the mobile body at a time later than the present time is predicted from the behavior pattern determined by the mobile body behavior analysis unit 4, and the current Since it is configured to predict the destination of the mobile body at a later time, it is possible to provide the mobile body with information on the transition process of the behavior state of the mobile body and information on the destination.

実施の形態３．
図４はこの発明の実施の形態３による移動体行動分析装置を示す構成図であり、図において、図３と同一符号は同一または相当部分を示すので説明を省略する。
移動体属性検出装置１１−１〜１１−Ｐは、例えば、移動体から送信される固有のＩＤ情報を受信するＲＦＩＤや、移動体である人物の顔画像を識別する顔認識装置などから構成されており、移動体の属性情報（例えば、移動体が人物であれば、成年男性、成年女性、若年男性、老年女性、所属会社、所属部署、役職、住所、居室場所、居室階床、ある建物の住民か否かを示す属性、ある店舗の店員か否かを示す属性情報、移動体が車両であれば、自家用車、トラック等の車両属性や、成年男性、成年女性などの運転者属性を示す属性情報）を検出する。なお、移動体属性検出装置１１−１〜１１−Ｐは属性情報検出手段を構成している。
図４の例では、移動体属性検出装置１１−１〜１１−Ｐが移動体位置検出装置１−１〜１−Ｎと別個独立に構成されているものを示しているが、移動体属性検出装置１１−１〜１１−Ｐが移動体位置検出装置１−１〜１−Ｎと一体的に構成されていてもよい。 Embodiment 3 FIG.
FIG. 4 is a block diagram showing a mobile body behavior analysis apparatus according to Embodiment 3 of the present invention. In the figure, the same reference numerals as those in FIG.
The moving body attribute detection devices 11-1 to 11-P are configured by, for example, an RFID that receives unique ID information transmitted from a moving body, a face recognition device that identifies a face image of a person who is a moving body, and the like. Attribute information of a moving object (for example, if the moving object is a person, an adult male, an adult female, a young male, an elderly female, an affiliated company, a department, a post, an address, a room location, a room floor, a building) Attribute information indicating whether or not a resident of a certain store, attribute information indicating whether or not a store clerk of a store, if the moving body is a vehicle, vehicle attributes such as private cars, trucks, and driver attributes such as adult men and adult women Attribute information shown) is detected. The moving body attribute detection devices 11-1 to 11-P constitute attribute information detection means.
In the example of FIG. 4, the moving object attribute detecting devices 11-1 to 11 -P are configured separately from the moving object position detecting devices 1-1 to 1-N. The devices 11-1 to 11-P may be configured integrally with the moving body position detecting devices 1-1 to 1-N.

移動体行動パターン蓄積部１２は、図３の移動体行動パターン蓄積部２と同様に、移動体の通常行動時における行動状態の遷移過程を示す行動パターンをｍ個（ｍ≧１）蓄積しているデータベースであるが、移動体行動パターン蓄積部１２の場合、蓄積している行動パターンが移動体の属性情報と対応付けられている。なお、移動体行動パターン蓄積部１２は行動パターン蓄積手段を構成している。   Similar to the mobile action pattern storage unit 2 in FIG. 3, the mobile action pattern storage unit 12 stores m (m ≧ 1) action patterns indicating the transition process of the action state during the normal action of the mobile object. In the case of the mobile action pattern storage unit 12, the stored action pattern is associated with the attribute information of the mobile object. In addition, the moving body action pattern accumulation | storage part 12 comprises the action pattern accumulation | storage means.

移動体行動分析部１３は、図３の移動体行動分析部４と同様に、移動体行動パターン蓄積部１２に蓄積されているｍ個の行動パターンの中から、移動体行動状態過程推定部３により求められた尤度が最も大きい行動状態の遷移過程に対応している行動パターンを判別するが、移動体行動分析部１３の場合、移動体行動パターン蓄積部１２に蓄積されているｍ個の行動パターンの中から、尤度が最も大きい行動状態の遷移過程に対応し、かつ、移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報に対応している行動パターンを判別する処理を実施する。
また、移動体行動分析部１３は、図３の移動体行動分析部４と同様に、移動体行動状態過程推定部３により求められた全ての尤度が閾値に満たない場合、移動体の行動が異常行動であると認定する処理を実施する。
なお、移動体行動分析部１３は遷移過程推定手段、行動パターン判別手段及び異常行動認定手段を構成している。 Similar to the mobile behavior analysis unit 4 in FIG. 3, the mobile behavior analysis unit 13 selects the mobile behavior state process estimation unit 3 from the m behavior patterns stored in the mobile behavior pattern storage unit 12. The behavior pattern corresponding to the transition process of the behavior state having the maximum likelihood determined by the above is determined. In the case of the mobile behavior analysis unit 13, m pieces of behavior patterns accumulated in the mobile behavior pattern storage unit 12 are identified. The action pattern corresponding to the transition process of the action state having the highest likelihood and corresponding to the attribute information detected by the mobile object attribute detection devices 11-1 to 11-P is determined from the action patterns. Perform the process.
Similarly to the mobile behavior analysis unit 4 in FIG. 3, the mobile behavior analysis unit 13 performs the behavior of the mobile when all likelihoods obtained by the mobile behavior state process estimation unit 3 are less than the threshold value. Implement a process to recognize that is an abnormal behavior.
The moving body behavior analysis unit 13 constitutes transition process estimation means, behavior pattern discrimination means, and abnormal behavior recognition means.

時系列データ蓄積部１４は、図３の時系列データ蓄積部６と同様に、移動体位置検出装置１−１〜１−Ｎから出力された時系列データを蓄積するメモリであるが、時系列データ蓄積部１４の場合、移動体位置検出装置１−１〜１−Ｎから出力された時系列データを移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報と対応付けて蓄積する。
移動体行動パターン事前作成部１５は、図３の移動体行動パターン事前作成部８と同様に、時系列データ蓄積部１４に蓄積されている過去の時系列データを用いて、移動体の通常行動時における行動状態の遷移過程を示す行動パターンを事前に作成するが、移動体行動パターン事前作成部１５の場合、その作成した行動パターンを移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報と対応付けて移動体行動パターン蓄積部１２に格納する。
なお、時系列データ蓄積部１４及び移動体行動パターン事前作成部１５から行動パターン作成手段が構成されている。 The time-series data storage unit 14 is a memory for storing the time-series data output from the mobile body position detecting devices 1-1 to 1-N, as with the time-series data storage unit 6 in FIG. In the case of the data storage unit 14, the time series data output from the mobile body position detection devices 1-1 to 1 -N is stored in association with the attribute information detected by the mobile body attribute detection devices 11-1 to 11 -P. To do.
The mobile body action pattern pre-creation unit 15 uses the past time-series data stored in the time-series data storage unit 14 in the same manner as the mobile body pattern pre-creation unit 8 in FIG. The behavior pattern indicating the transition process of the behavior state at the time is created in advance, but in the case of the mobile behavior pattern pre-creation unit 15, the created behavior pattern is detected by the mobile property detection devices 11-1 to 11-P. In association with the attribute information stored in the mobile body action pattern storage unit 12.
The time series data accumulating unit 14 and the moving body behavior pattern pre-creating unit 15 constitute action pattern creating means.

移動体行動予測部１６は、図３の移動体行動予測部９と同様に、移動体行動分析部１３により判別された行動パターンから、現在より後の時刻における移動体の行動状態の遷移過程を予測するとともに、現在より後の時刻における移動体の目的地を予測するが、移動体行動予測部１６の場合、移動体行動分析部１３により判別された行動パターンと移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報から、現在より後の時刻における移動体の行動状態の遷移過程を予測するとともに、現在より後の時刻における移動体の目的地を予測する処理を実施する。なお、移動体行動予測部１６は予測手段を構成している。   Similar to the mobile behavior prediction unit 9 in FIG. 3, the mobile behavior prediction unit 16 uses the behavior pattern determined by the mobile behavior analysis unit 13 to determine the transition process of the behavior state of the mobile at a time later than the present time. While predicting, the destination of the mobile body at a time later than the present time is predicted. In the case of the mobile body behavior prediction unit 16, the behavior pattern determined by the mobile body behavior analysis unit 13 and the mobile body attribute detection device 11-1 A process of predicting the transition process of the behavior state of the moving body at a time later than the present time and predicting the destination of the moving body at a time later than the present time are performed from the attribute information detected by ~ 11-P. Note that the mobile body behavior prediction unit 16 constitutes a prediction unit.

次に動作について説明する。
移動体行動状態過程推定部３は、移動体位置検出装置１−１〜１−Ｎから時系列データを受けると、上記実施の形態１と同様に、例えば、隠れマルコフモデルなどの確率モデルを用いて、移動体位置検出装置１−１〜１−Ｎから出力された時系列データに基づいて移動体の行動状態の遷移過程を推定する。
即ち、移動体行動状態過程推定部３は、移動体行動パターン蓄積部１２に蓄積されているｍ個の行動パターン毎に、当該行動パターンの隠れマルコフモデルに対する尤度が最も大きくなる行動状態の遷移過程を求めるとともに、ｍ個の行動パターンに対する上記行動状態の遷移過程の尤度を求める。 Next, the operation will be described.
When receiving the time series data from the mobile body position detection devices 1-1 to 1-N, the mobile body behavior state process estimation unit 3 uses a probability model such as a hidden Markov model, for example, as in the first embodiment. Thus, the transition process of the behavior state of the mobile object is estimated based on the time-series data output from the mobile object position detecting devices 1-1 to 1-N.
That is, the mobile behavior state process estimation unit 3 changes the behavior state in which the likelihood of the behavior pattern with respect to the hidden Markov model is the largest for every m behavior patterns stored in the mobile behavior pattern storage unit 12. In addition to obtaining a process, the likelihood of the transition process of the action state for m action patterns is obtained.

移動体行動分析部１３は、移動体行動状態過程推定部３がｍ個の行動パターンの隠れマルコフモデルに対する行動状態の遷移過程の尤度を求めると、ｍ個の行動パターンの中で、移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報に対応しているｎ個の行動パターン（ただし、ｎ≦ｍ）を選択し、そのｎ個の行動パターンに対する行動状態の遷移過程の尤度を相互に比較する。
移動体行動分析部１３は、ｎ個の尤度を相互に比較して、尤度が最も大きい行動状態の遷移過程が移動体の行動状態の遷移過程であると認定する。 When the mobile body behavior state process estimation unit 3 obtains the likelihood of the transition process of the behavior state with respect to the hidden Markov model of m behavior patterns, the mobile body behavior analysis unit 13 determines the mobile body among the m behavior patterns. N behavior patterns (where n ≦ m) corresponding to the attribute information detected by the attribute detection devices 11-1 to 11-P are selected, and the behavior state transition process for the n behavior patterns is selected. Compare likelihoods to each other.
The mobile body behavior analysis unit 13 compares the n likelihoods with each other and determines that the transition process of the behavior state having the highest likelihood is the transition process of the behavior state of the mobile body.

移動体行動分析部１３は、上記のようにして、移動体の行動状態の遷移過程を認定すると、移動体行動パターン蓄積部２に蓄積されているｍ個の行動パターンの中から、その移動体の行動状態の遷移過程（尤度が最も大きい行動状態の遷移過程）に対応している行動パターンを選択して、その行動パターンを表示装置５に出力する。
即ち、移動体行動分析部１３は、移動体行動状態過程推定部３により推定されたｍ個の行動状態の遷移過程の中で、尤度が最も大きい行動状態の遷移過程が推定される際に用いられた行動パターンを表示装置５に出力する。 When the mobile body behavior analysis unit 13 recognizes the transition process of the mobile body's behavior state as described above, the mobile body behavior analysis unit 13 selects the mobile body from the m behavior patterns stored in the mobile body behavior pattern storage unit 2. The behavior pattern corresponding to the transition process of the behavior state (the transition process of the behavior state with the highest likelihood) is selected, and the behavior pattern is output to the display device 5.
That is, the mobile body behavior analysis unit 13 estimates the behavior state transition process having the highest likelihood among the transition states of the m behavior states estimated by the mobile body state state estimation unit 3. The used behavior pattern is output to the display device 5.

また、移動体行動分析部１３は、移動体行動状態過程推定部３により求められたｍ個の行動パターンの隠れマルコフモデルに対する行動状態の遷移過程の尤度のうち、上記のｎ個の行動パターンの隠れマルコフモデルに対する行動状態の遷移過程の尤度を所定の閾値と比較する。
移動体行動分析部１３は、ｎ個の尤度を所定の閾値と比較して、全ての尤度が所定の閾値に満たない場合、移動体の行動が異常行動であると認定し、その認定結果を表示装置５に出力する。 The mobile body behavior analysis unit 13 also includes the n behavior patterns among the likelihoods of the transition process of the behavior state for the hidden Markov model of m behavior patterns obtained by the mobile body behavior state process estimation unit 3. The likelihood of the transition process of the behavioral state for the hidden Markov model is compared with a predetermined threshold.
The mobile body behavior analysis unit 13 compares the n likelihoods with a predetermined threshold, and if all likelihoods do not satisfy the predetermined threshold, the mobile body behavior is recognized as abnormal behavior, and the recognition The result is output to the display device 5.

移動体行動予測部１６は、移動体行動分析部１３が移動体行動パターン蓄積部１２に蓄積されているｍ個の行動パターンの中から、移動体行動状態過程推定部３により推定された行動状態の遷移過程に対応し、かつ、移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報に対応している行動パターンを判別すると、その行動パターンと移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報から、現在より後の時刻における移動体の行動状態の遷移過程を予測する。
また、移動体行動予測部１６は、移動体の行動状態の遷移過程の最終状態が、移動体の目的地であるとして予測する。
情報提供装置１０は、移動体行動予測部１６が移動体の行動状態の遷移過程や目的地を予測すると、上記実施の形態２と同様に、移動体の行動状態の遷移過程や目的地に関する情報を移動体に提供する。 The mobile body behavior prediction unit 16 is a behavior state estimated by the mobile body behavior state process estimation unit 3 from the m behavior patterns stored in the mobile body behavior pattern storage unit 12 by the mobile body behavior analysis unit 13. If the action pattern corresponding to the attribute information detected by the moving object attribute detecting devices 11-1 to 11-P and the moving object attribute detecting device 11-1 is determined, The transition process of the action state of the moving body at a time later than the present time is predicted from the attribute information detected by ~ 11-P.
In addition, the mobile body behavior prediction unit 16 predicts that the final state of the transition process of the mobile body's behavior state is the destination of the mobile body.
When the mobile body behavior prediction unit 16 predicts the transition process and destination of the mobile body, the information providing apparatus 10 provides information on the transition process and destination of the mobile body in the same manner as in the second embodiment. To the moving body.

時系列データ蓄積部１４は、移動体位置検出装置１−１〜１−Ｎから移動体が存在している位置の変化を示す時系列データを受けると、その時系列データを移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報と対応付けて蓄積する。
移動体行動パターン事前作成部１５は、図３の移動体行動パターン事前作成部８と同様に、時系列データ蓄積部１４に蓄積されている過去の時系列データを用いて、移動体の通常行動時における行動状態の遷移過程を示す行動パターンを事前に作成する。
ただし、移動体行動パターン事前作成部１５の場合、その作成した行動パターンを移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報と対応付けて移動体行動パターン蓄積部１２に格納する。 When the time-series data storage unit 14 receives time-series data indicating changes in the position where the moving object is present from the moving object position detecting devices 1-1 to 1-N, the time-series data is transferred to the moving object attribute detecting device 11. -1 to 11-P are stored in association with the attribute information detected.
The mobile body action pattern pre-creation unit 15 uses the past time-series data stored in the time-series data storage unit 14 in the same manner as the mobile body pattern pre-creation unit 8 in FIG. A behavior pattern indicating the transition process of the behavior state at the time is created in advance.
However, in the case of the mobile action pattern pre-creation unit 15, the created action pattern is stored in the mobile action pattern storage unit 12 in association with the attribute information detected by the mobile attribute detection devices 11-1 to 11 -P. To do.

以上で明らかなように、この実施の形態３によれば、移動体行動パターン蓄積部１２に蓄積されているｍ個の行動パターンの中から、移動体行動状態過程推定部３により推定された行動状態の遷移過程に対応し、かつ、移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報に対応している行動パターンを判別するように構成したので、行動パターンの判別精度を高めることができるとともに、行動パターンの判別処理量を軽減することができる効果を奏する。   As is apparent from the above, according to the third embodiment, the behavior estimated by the mobile behavior state process estimation unit 3 from the m behavior patterns stored in the mobile behavior pattern storage unit 12. Since the action pattern corresponding to the state transition process and corresponding to the attribute information detected by the moving object attribute detection devices 11-1 to 11-P is determined, the determination accuracy of the action pattern is improved. While being able to raise, there exists an effect which can reduce the discrimination processing amount of an action pattern.

また、この実施の形態３によれば、移動体行動パターン蓄積部１２に蓄積されているｍ個の行動パターンの中で、移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報に対応している行動パターンに対する行動状態の遷移過程の尤度の全てが閾値に満たない場合、移動体の行動が異常行動であると認定するように構成したので、異常行動の認定精度を高めることができるとともに、異常行動の認定処理量を軽減することができる効果を奏する。   Further, according to the third embodiment, the attribute information detected by the mobile object attribute detection devices 11-1 to 11-P among the m action patterns stored in the mobile object pattern storage unit 12. If the likelihood of the transition process of the behavior state for the behavior pattern corresponding to is less than the threshold value, the behavior of the moving body is certified to be abnormal behavior, so increase the accuracy of abnormal behavior certification In addition, it is possible to reduce the amount of processing for acknowledging abnormal behavior.

なお、この実施の形態３では、移動体行動パターン蓄積部１２が移動体の属性情報と対応付けられている行動パターンを蓄積しているものについて示したが、移動体行動パターン蓄積部１２が移動体の属性情報の他に、時刻・曜日・月日・天候などの付加情報が対応付けられている行動パターンを蓄積し、移動体属性検出装置１１−１〜１１−Ｐが属性情報と一緒に付加情報を検出し、移動体行動予測部１６が付加情報を属性情報と同様に利用して、行動パターンの判別や、異常行動の認定を行うようにしてもよい。   In the third embodiment, the mobile action pattern storage unit 12 stores the action patterns associated with the attribute information of the mobile object. However, the mobile action pattern storage unit 12 moves. In addition to the body attribute information, action patterns associated with additional information such as time, day of the week, month, day, and weather are accumulated, and the mobile body attribute detection devices 11-1 to 11-P together with the attribute information. The additional information may be detected, and the moving body behavior prediction unit 16 may use the additional information in the same manner as the attribute information to determine the behavior pattern or identify the abnormal behavior.

この実施の形態３では、移動体行動状態過程推定部３が、移動体行動パターン蓄積部１２に蓄積されているｍ個の行動パターンの隠れマルコフモデルに対する行動状態の遷移過程の尤度を求めるものについて示したが、移動体行動状態過程推定部３が、移動体行動パターン蓄積部１２に蓄積されているｍ個の行動パターンのうち、移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報に対応している行動パターンの隠れマルコフモデルに対する行動状態の遷移過程の尤度を求めるようにしてもよい。
この場合、移動体行動分析部１３は、移動体行動パターン蓄積部１２に蓄積されているｍ個の行動パターンではなく、移動体属性検出装置１１−１〜１１−Ｐにより検出された属性情報に対応している行動パターンの中から、尤度が最も大きい行動状態の遷移過程に対応している行動パターンを選択すればよい。 In the third embodiment, the mobile body behavior state process estimation unit 3 calculates the likelihood of the transition process of the behavior state for the hidden Markov model of m behavior patterns accumulated in the mobile body behavior pattern storage unit 12. Although the mobile body behavior state process estimation unit 3 is detected by the mobile body attribute detection devices 11-1 to 11-P among the m behavior patterns stored in the mobile body pattern storage unit 12. The likelihood of the transition process of the behavior state for the hidden Markov model of the behavior pattern corresponding to the attribute information may be obtained.
In this case, the mobile body behavior analysis unit 13 uses the attribute information detected by the mobile body attribute detection devices 11-1 to 11-P instead of the m behavior patterns stored in the mobile body pattern storage unit 12. What is necessary is just to select the action pattern corresponding to the transition process of the action state with the largest likelihood from the corresponding action patterns.

この発明の実施の形態１による移動体行動分析装置を示す構成図である。BRIEF DESCRIPTION OF THE DRAWINGS It is a block diagram which shows the mobile body behavior analyzer by Embodiment 1 of this invention. この発明の実施の形態１による移動体行動分析装置の移動体行動パターン事前作成部の処理内容を示すフローチャートである。It is a flowchart which shows the processing content of the mobile body action pattern prior preparation part of the mobile body action analyzer by Embodiment 1 of this invention. この発明の実施の形態２による移動体行動分析装置を示す構成図である。It is a block diagram which shows the mobile body behavior analyzer by Embodiment 2 of this invention. この発明の実施の形態３による移動体行動分析装置を示す構成図である。It is a block diagram which shows the mobile body behavior analyzer by Embodiment 3 of this invention.

符号の説明Explanation of symbols

１−１〜１−Ｎ 移動体位置検出装置（移動体検出手段）、２ 移動体行動パターン蓄積部（行動パターン蓄積手段）、３ 移動体行動状態過程推定部（遷移過程推定手段、異常行動認定手段）、４ 移動体行動分析部（遷移過程推定手段、行動パターン判別手段、異常行動認定手段）、５ 表示装置、６ 時系列データ蓄積部（行動パターン作成手段）、７ 移動体行動パターン更新部、８ 移動体行動パターン事前作成部（行動パターン作成手段）、９ 移動体行動予測部（予測手段）、１０ 情報提供装置、１１−１〜１１−Ｐ 移動体属性検出装置（属性情報検出手段）、１２ 移動体行動パターン蓄積部（行動パターン蓄積手段）、１３ 移動体行動分析部（遷移過程推定手段、行動パターン判別手段、異常行動認定手段）、１４ 時系列データ蓄積部（行動パターン作成手段）、１５ 移動体行動パターン事前作成部（行動パターン作成手段）、１６ 移動体行動予測部（予測手段）。
1-1 to 1-N moving body position detecting device (moving body detecting means), 2 moving body action pattern accumulating section (behavior pattern accumulating means), 3 moving body action state process estimating section (transition process estimating means, abnormal action recognition) Means), 4 mobile body behavior analysis section (transition process estimation means, behavior pattern discrimination means, abnormal behavior recognition means), 5 display device, 6 time series data storage section (behavior pattern creation means), 7 mobile body behavior pattern update section 8 Mobile body action pattern pre-creation unit (behavior pattern creation means), 9 Mobile body behavior prediction unit (prediction means), 10 Information providing device, 11-1 to 11-P Mobile body attribute detection device (attribute information detection means) , 12 Mobile body action pattern storage unit (behavior pattern storage means), 13 Mobile body action analysis unit (transition process estimation means, action pattern discrimination means, abnormal action recognition means), 14 Time series data storage (Action pattern creating means), 15 mobile behavior pattern prebuilt unit (action pattern creating means), 16 mobile behavior prediction unit (predicting means).

Claims (9)

移動体の存在を検出して、上記移動体が存在している位置の変化を示す時系列データを出力する移動体検出手段と、上記移動体検出手段から出力された時系列データと確率モデルを用いて、上記移動体の行動状態の遷移過程を推定する遷移過程推定手段と、移動体の通常行動時における行動状態の遷移過程を示す行動パターンを少なくとも１以上蓄積する行動パターン蓄積手段と、上記行動パターン蓄積手段に蓄積されている１以上の行動パターンの中から、上記遷移過程推定手段により推定された行動状態の遷移過程に対応している行動パターンを判別する行動パターン判別手段とを備えた移動体行動分析装置。   A moving body detecting means for detecting the presence of a moving body and outputting time series data indicating a change in a position where the moving body is present; time series data output from the moving body detecting means and a probability model; A transition process estimation means for estimating the transition process of the behavior state of the mobile body, a behavior pattern storage means for storing at least one behavior pattern indicating the transition process of the behavior state during the normal behavior of the mobile body, A behavior pattern discriminating unit for discriminating a behavior pattern corresponding to the transition process of the behavior state estimated by the transition process estimating unit from the one or more behavior patterns stored in the behavior pattern accumulating unit; Mobile body behavior analysis device. 移動体の存在を検出して、上記移動体が存在している位置の変化を示す時系列データを出力する移動体検出手段と、上記移動体検出手段から出力された時系列データと確率モデルを用いて、上記移動体の行動状態の遷移過程を推定する遷移過程推定手段と、移動体の通常行動時における行動状態の遷移過程を示す行動パターンを少なくとも１以上蓄積する行動パターン蓄積手段と、上記行動パターン蓄積手段に蓄積されている１以上の行動パターンに対する上記遷移過程推定手段により推定された行動状態の遷移過程の尤度を求め、全ての尤度が閾値に満たない場合、上記移動体の行動が異常行動であると認定する異常行動認定手段とを備えた移動体行動分析装置。   A moving body detecting means for detecting the presence of a moving body and outputting time series data indicating a change in a position where the moving body is present; time series data output from the moving body detecting means and a probability model; A transition process estimation means for estimating the transition process of the behavior state of the mobile body, a behavior pattern storage means for storing at least one behavior pattern indicating the transition process of the behavior state during the normal behavior of the mobile body, When the likelihood of the transition process of the behavior state estimated by the transition process estimation unit for one or more behavior patterns stored in the behavior pattern storage unit is obtained, and all the likelihoods are less than the threshold value, A mobile body behavior analysis device comprising: an abnormal behavior recognition means for identifying a behavior as abnormal behavior. 移動体の存在を検出して、上記移動体が存在している位置の変化を示す時系列データを出力する移動体検出手段と、上記移動体検出手段から出力された時系列データと確率モデルを用いて、上記移動体の行動状態の遷移過程を推定する遷移過程推定手段と、移動体の通常行動時における行動状態の遷移過程を示す行動パターンを少なくとも１以上蓄積する行動パターン蓄積手段と、上記行動パターン蓄積手段に蓄積されている１以上の行動パターンの中から、上記遷移過程推定手段により推定された行動状態の遷移過程に対応している行動パターンを判別する行動パターン判別手段と、上記行動パターン蓄積手段に蓄積されている１以上の行動パターンに対する上記遷移過程推定手段により推定された行動状態の遷移過程の尤度を求め、全ての尤度が閾値に満たない場合、上記移動体の行動が異常行動であると認定する異常行動認定手段とを備えた移動体行動分析装置。   A moving body detecting means for detecting the presence of a moving body and outputting time series data indicating a change in a position where the moving body is present; time series data output from the moving body detecting means and a probability model; A transition process estimation means for estimating the transition process of the behavior state of the mobile body, a behavior pattern storage means for storing at least one behavior pattern indicating the transition process of the behavior state during the normal behavior of the mobile body, An action pattern discriminating means for discriminating an action pattern corresponding to the transition process of the action state estimated by the transition process estimating means from one or more action patterns stored in the action pattern accumulating means; Obtain the likelihood of the transition process of the action state estimated by the transition process estimation means for one or more action patterns stored in the pattern storage means, If the likelihood is below the threshold, the mobile behavior analysis apparatus that includes a abnormal behavior certification means for Certification and actions of the moving object is abnormal behavior. 移動体検出手段から出力された過去の時系列データを用いて、移動体の通常行動時における行動状態の遷移過程を示す行動パターンを作成し、上記行動パターンを行動パターン蓄積手段に格納する行動パターン作成手段を設けたことを特徴とする請求項１から請求項３のうちのいずれか１項記載の移動体行動分析装置。   Using the past time-series data output from the moving body detection means, an action pattern indicating the transition process of the action state during the normal action of the moving body is created, and the action pattern is stored in the action pattern storage means The moving body behavior analysis apparatus according to any one of claims 1 to 3, further comprising a creation unit. 行動パターン判別手段により判別された行動パターンから将来における移動体の行動状態の遷移過程又は上記移動体の目的地を予測する予測手段を設けたことを特徴とする請求項１または請求項３記載の移動体行動分析装置。   4. The predicting means for predicting a transition process of a behavior state of a mobile body in the future or a destination of the mobile body from a behavior pattern discriminated by the behavior pattern discrimination means. Mobile body behavior analysis device. 行動パターン蓄積手段に蓄積されている行動パターンが移動体の属性情報と対応付けられている場合、移動体の属性情報を検出する属性情報検出手段を設け、行動パターン判別手段が上記行動パターン蓄積手段に蓄積されている１以上の行動パターンの中から、遷移過程推定手段により推定された行動状態の遷移過程に対応し、かつ、上記属性情報検出手段により検出された属性情報に対応している行動パターンを判別することを特徴とする請求項１または請求項３記載の移動体行動分析装置。   When the action pattern stored in the action pattern storage means is associated with the attribute information of the moving object, attribute information detecting means for detecting the attribute information of the moving object is provided, and the action pattern determination means is the action pattern storage means The behavior corresponding to the transition process of the behavior state estimated by the transition process estimation means and corresponding to the attribute information detected by the attribute information detection means from among one or more behavior patterns stored in The mobile body behavior analysis apparatus according to claim 1 or 3, wherein a pattern is discriminated. 行動パターン蓄積手段に蓄積されている行動パターンが移動体の属性情報と対応付けられている場合、移動体の属性情報を検出する属性情報検出手段を設け、異常行動認定手段が上記行動パターン蓄積手段に蓄積されている１以上の行動パターンの中で、上記属性情報検出手段により検出された属性情報に対応している行動パターンの尤度の全てが閾値に満たない場合、上記移動体の行動が異常行動であると認定することを特徴とする請求項２または請求項３記載の移動体行動分析装置。   When the action pattern stored in the action pattern storage means is associated with the attribute information of the moving object, attribute information detection means for detecting the attribute information of the moving object is provided, and the abnormal action recognition means is the action pattern storage means. If the likelihood of the action pattern corresponding to the attribute information detected by the attribute information detection means is less than the threshold value among the one or more action patterns stored in the The mobile body behavior analysis device according to claim 2 or 3, wherein the mobile body behavior analysis device is recognized as abnormal behavior. 移動体検出手段から出力された過去の時系列データを用いて、移動体の通常行動時における行動状態の遷移過程を示す行動パターンを作成し、上記行動パターンを属性情報検出手段により検出された属性情報と対応付けて行動パターン蓄積手段に格納する行動パターン作成手段を設けたことを特徴とする請求項６または請求項７記載の移動体行動分析装置。   Using the past time-series data output from the moving body detection means, an action pattern indicating a transition process of the action state during the normal action of the moving body is created, and the action pattern is detected by the attribute information detection means. The mobile body behavior analysis apparatus according to claim 6 or 7, further comprising behavior pattern creation means for storing in the behavior pattern storage means in association with information. 行動パターン判別手段により判別された行動パターンと属性情報検出手段により検出された属性情報から将来における移動体の行動状態の遷移過程又は上記移動体の目的地を予測する予測手段を設けたことを特徴とする請求項６または請求項７記載の移動体行動分析装置。
A prediction means is provided for predicting a transition process of a behavior state of a mobile body in the future or a destination of the mobile body from the behavior pattern determined by the behavior pattern determination means and the attribute information detected by the attribute information detection means. The mobile body behavior analysis device according to claim 6 or 7.
JP2006157581A 2006-06-06 2006-06-06 Device fot analyzing mobile behavior Pending JP2007328435A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2006157581A JP2007328435A (en) 2006-06-06 2006-06-06 Device fot analyzing mobile behavior

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2006157581A JP2007328435A (en) 2006-06-06 2006-06-06 Device fot analyzing mobile behavior

Publications (1)

Publication Number Publication Date
JP2007328435A true JP2007328435A (en) 2007-12-20

Family

ID=38928878

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2006157581A Pending JP2007328435A (en) 2006-06-06 2006-06-06 Device fot analyzing mobile behavior

Country Status (1)

Country Link
JP (1) JP2007328435A (en)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008211781A (en) * 2007-02-05 2008-09-11 Mitsubishi Electric Research Laboratories Inc System for modeling movement of objects in certain environment and method executed by computer
JP2009271758A (en) * 2008-05-08 2009-11-19 Denso Corp Image-recognizing device
JP2011034402A (en) * 2009-08-03 2011-02-17 Sony Corp Data processing apparatus, data processing method, and program
JP2011184121A (en) * 2010-03-05 2011-09-22 Mitsubishi Electric Corp Work content estimation device and work content estimation method
JP2012118719A (en) * 2010-11-30 2012-06-21 Fujitsu Ltd State determination device, state determination method, and state determination program
JP2013122755A (en) * 2011-11-10 2013-06-20 Canon Inc Event detection device and its method, operation recognition device and its method and program
JP2013186556A (en) * 2012-03-06 2013-09-19 Nec Corp Action prediction device, action prediction system, action prediction method, and action prediction program
JP2015153339A (en) * 2014-02-19 2015-08-24 Kddi株式会社 Program, mobile terminal and method for estimating user-boarded moving vehicle
JP2017097877A (en) * 2015-11-20 2017-06-01 株式会社日立製作所 Method and system configured to dynamically display monitoring feed
JP2019505029A (en) * 2015-10-14 2019-02-21 プレジデント・アンド・フェロウズ・オブ・ハーバード・カレッジ Automatic classification of animal behavior
JP2020091829A (en) * 2018-11-27 2020-06-11 株式会社アジラ Suspicious object/abnormal object detection device
WO2020194378A1 (en) * 2019-03-22 2020-10-01 日本電気株式会社 Image processing system, image processing device, image processing method, and computer-readable medium
JP6777266B1 (en) * 2019-09-18 2020-10-28 三菱電機株式会社 Work element analyzer and work element analysis method
JP2022009097A (en) * 2018-02-13 2022-01-14 株式会社東芝 Discrimination device, discrimination method and program
WO2022038705A1 (en) * 2020-08-19 2022-02-24 日本電気株式会社 Reference state deciding device, state determination system, reference state deciding method, and non-transitory computer readable medium
US11263444B2 (en) 2012-05-10 2022-03-01 President And Fellows Of Harvard College System and method for automatically discovering, characterizing, classifying and semi-automatically labeling animal behavior and quantitative phenotyping of behaviors in animals
US11669976B2 (en) 2016-03-18 2023-06-06 President And Fellows Of Harvard College Automatically classifying animal behavior
JP7491383B2 (en) 2020-08-19 2024-05-28 日本電気株式会社 Reference state determination device, reference state determination method, and program

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003256957A (en) * 2001-12-25 2003-09-12 Matsushita Electric Ind Co Ltd Device and system for detecting abnormality

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003256957A (en) * 2001-12-25 2003-09-12 Matsushita Electric Ind Co Ltd Device and system for detecting abnormality

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008211781A (en) * 2007-02-05 2008-09-11 Mitsubishi Electric Research Laboratories Inc System for modeling movement of objects in certain environment and method executed by computer
JP2009271758A (en) * 2008-05-08 2009-11-19 Denso Corp Image-recognizing device
JP4623135B2 (en) * 2008-05-08 2011-02-02 株式会社デンソー Image recognition device
US8238606B2 (en) 2008-05-08 2012-08-07 Denso Corporation Apparatus for image recognition
JP2011034402A (en) * 2009-08-03 2011-02-17 Sony Corp Data processing apparatus, data processing method, and program
US8560467B2 (en) 2009-08-03 2013-10-15 Sony Corporation Apparatus, method, and program for predicting user activity state through data processing
JP2011184121A (en) * 2010-03-05 2011-09-22 Mitsubishi Electric Corp Work content estimation device and work content estimation method
JP2012118719A (en) * 2010-11-30 2012-06-21 Fujitsu Ltd State determination device, state determination method, and state determination program
US9824296B2 (en) 2011-11-10 2017-11-21 Canon Kabushiki Kaisha Event detection apparatus and event detection method
JP2013122755A (en) * 2011-11-10 2013-06-20 Canon Inc Event detection device and its method, operation recognition device and its method and program
JP2013186556A (en) * 2012-03-06 2013-09-19 Nec Corp Action prediction device, action prediction system, action prediction method, and action prediction program
US11263444B2 (en) 2012-05-10 2022-03-01 President And Fellows Of Harvard College System and method for automatically discovering, characterizing, classifying and semi-automatically labeling animal behavior and quantitative phenotyping of behaviors in animals
JP2015153339A (en) * 2014-02-19 2015-08-24 Kddi株式会社 Program, mobile terminal and method for estimating user-boarded moving vehicle
US11944429B2 (en) 2015-10-14 2024-04-02 President And Fellows Of Harvard College Automatically classifying animal behavior
JP2019505029A (en) * 2015-10-14 2019-02-21 プレジデント・アンド・フェロウズ・オブ・ハーバード・カレッジ Automatic classification of animal behavior
US11622702B2 (en) 2015-10-14 2023-04-11 President And Fellows Of Harvard College Automatically classifying animal behavior
JP2022088382A (en) * 2015-10-14 2022-06-14 プレジデント・アンド・フェロウズ・オブ・ハーバード・カレッジ Automatically classifying animal behavior
JP7034069B2 (en) 2015-10-14 2022-03-11 プレジデント・アンド・フェロウズ・オブ・ハーバード・カレッジ Automatic classification of animal behavior
JP2017097877A (en) * 2015-11-20 2017-06-01 株式会社日立製作所 Method and system configured to dynamically display monitoring feed
US11669976B2 (en) 2016-03-18 2023-06-06 President And Fellows Of Harvard College Automatically classifying animal behavior
JP2022009097A (en) * 2018-02-13 2022-01-14 株式会社東芝 Discrimination device, discrimination method and program
JP7423584B2 (en) 2018-02-13 2024-01-29 株式会社東芝 Discrimination device, discrimination method and program
US11238597B2 (en) 2018-11-27 2022-02-01 Asilla, Inc. Suspicious or abnormal subject detecting device
JP2020091829A (en) * 2018-11-27 2020-06-11 株式会社アジラ Suspicious object/abnormal object detection device
JPWO2020194378A1 (en) * 2019-03-22 2021-12-23 日本電気株式会社 Image processing system, image processing device, image processing method, and image processing program
WO2020194378A1 (en) * 2019-03-22 2020-10-01 日本電気株式会社 Image processing system, image processing device, image processing method, and computer-readable medium
JP7176616B2 (en) 2019-03-22 2022-11-22 日本電気株式会社 Image processing system, image processing apparatus, image processing method, and image processing program
US11748977B2 (en) 2019-03-22 2023-09-05 Nec Corporation Image processing system, image processing device, image processing method, and computer-readable medium
JP6777266B1 (en) * 2019-09-18 2020-10-28 三菱電機株式会社 Work element analyzer and work element analysis method
WO2022038705A1 (en) * 2020-08-19 2022-02-24 日本電気株式会社 Reference state deciding device, state determination system, reference state deciding method, and non-transitory computer readable medium
JP7491383B2 (en) 2020-08-19 2024-05-28 日本電気株式会社 Reference state determination device, reference state determination method, and program

Similar Documents

Publication Publication Date Title
JP2007328435A (en) Device fot analyzing mobile behavior
WO2020248386A1 (en) Video analysis method and apparatus, computer device and storage medium
US11501338B2 (en) Systems and methods for switching modes of providing content on a charging station display
US10479328B2 (en) System and methods for assessing the interior of an autonomous vehicle
CN110876035B (en) Scene updating method and device based on video and electronic equipment
US20150330780A1 (en) Location determination processing device and storage medium
US20110313956A1 (en) Information processing apparatus, information processing method and program
US10169993B1 (en) Forecasting with matrix powers
Kazagli et al. Estimation of arterial travel time from automatic number plate recognition data
US10719698B2 (en) System, method and apparatus for occupancy detection
JP2006221329A (en) Behavior prediction device, behavior prediction method, and behavior prediction program
JP2012118838A (en) Apparatus and method for monitoring actions of a monitoring target person
CN109446881B (en) Heterogeneous data-based highway section traffic state detection method
Zuo et al. Reference-free video-to-real distance approximation-based urban social distancing analytics amid COVID-19 pandemic
JP2016130966A (en) Risk estimation device, risk estimation method and computer program for risk estimation
JP2019101664A (en) Estimating program, estimating system, and estimating method
JP7167958B2 (en) Driving support device, driving support method, and driving support program
WO2014208025A1 (en) Sensitivity adjustment device, sensitivity adjustment method, storage medium, and monitoring system
WO2020223935A1 (en) Spatial-temporal-characteristics-based parking guidance method and apparatus, device and storage medium
JP2009294887A (en) Construction facility control system and program
EP4071728A1 (en) Artificial intelligence model integration and deployment for providing a service
CN114677848A (en) Perception early warning system, method, device and computer program product
JP5059373B2 (en) Crime risk assessment apparatus and crime risk assessment program
GB2608639A (en) Threat assessment system
JP7448509B2 (en) Information processing device, information processing method, and information processing program

Legal Events

Date Code Title Description
RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20070920

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20080701

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20081218

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20110510

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20110511

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20110706

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20110726