JP2001319226A - 道路監視装置 - Google Patents
道路監視装置Info
- Publication number
- JP2001319226A JP2001319226A JP2000136125A JP2000136125A JP2001319226A JP 2001319226 A JP2001319226 A JP 2001319226A JP 2000136125 A JP2000136125 A JP 2000136125A JP 2000136125 A JP2000136125 A JP 2000136125A JP 2001319226 A JP2001319226 A JP 2001319226A
- Authority
- JP
- Japan
- Prior art keywords
- image
- vehicles
- data
- road
- neural network
- 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
Links
Landscapes
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】 導入に至るまでに要する労力や時間を軽減
し、リアルタイム性に富んだ道路監視装置を提供する。 【解決手段】 画像処理部３０は、画像入力部１０より
入力される画像データに所定の画像処理を施した後、例
えば背景差分法などの手法により、通行車両の画像領域
を抽出し、この抽出した画像データをニューロコンピュ
ータ４０に出力する。学習用ニューラルネットワーク４
１は、複数の車両が重なって映る画像データから個々の
車両の映像データに分割する処理を学習し、この学習結
果を用いて実行用ニューラルネットワーク４２が、複数
の車両が重なって映る画像データから個々の車両の映像
データに分割する処理を実行し、この車両毎に分割され
た映像データに基づき、中央処理部５０が、走行車両の
数や走行車両の移動速度などを計測し、渋滞などの突発
事象の判定するようにしたものである。
し、リアルタイム性に富んだ道路監視装置を提供する。 【解決手段】 画像処理部３０は、画像入力部１０より
入力される画像データに所定の画像処理を施した後、例
えば背景差分法などの手法により、通行車両の画像領域
を抽出し、この抽出した画像データをニューロコンピュ
ータ４０に出力する。学習用ニューラルネットワーク４
１は、複数の車両が重なって映る画像データから個々の
車両の映像データに分割する処理を学習し、この学習結
果を用いて実行用ニューラルネットワーク４２が、複数
の車両が重なって映る画像データから個々の車両の映像
データに分割する処理を実行し、この車両毎に分割され
た映像データに基づき、中央処理部５０が、走行車両の
数や走行車両の移動速度などを計測し、渋滞などの突発
事象の判定するようにしたものである。
Description
【０００１】
【発明の属する技術分野】本発明は、交通量や渋滞の発
生状況をはじめとする種々の交通流諸量を算出する道路
監視装置に関する。
生状況をはじめとする種々の交通流諸量を算出する道路
監視装置に関する。
【０００２】
【従来の技術】従来より道路監視装置は、監視対象とす
る道路を撮影する監視カメラからの入力画像に所定の画
像処理を施して、上記道路を走行する個々の車両を抽出
し、この抽出結果に基づいて交通量や渋滞の発生状況を
はじめとする種々の交通流諸量の算出を行うようにして
いる。
る道路を撮影する監視カメラからの入力画像に所定の画
像処理を施して、上記道路を走行する個々の車両を抽出
し、この抽出結果に基づいて交通量や渋滞の発生状況を
はじめとする種々の交通流諸量の算出を行うようにして
いる。
【０００３】しかしながら、上記画像処理に使用するア
ルゴリズムを交通量の多い道路（通過する車両台数が多
く渋滞が発生する道路）に用いる場合は特に、非常に複
雑な条件付けが必要なため、開発に多くの時間を費やす
必要があるとともに、個々の監視カメラの設置環境に合
わせてアルゴリズムの大幅な調整を行う必要があるとい
う問題があった。
ルゴリズムを交通量の多い道路（通過する車両台数が多
く渋滞が発生する道路）に用いる場合は特に、非常に複
雑な条件付けが必要なため、開発に多くの時間を費やす
必要があるとともに、個々の監視カメラの設置環境に合
わせてアルゴリズムの大幅な調整を行う必要があるとい
う問題があった。
【０００４】また、従来の道路監視装置に用いられる交
通量の多い道路にも適用する画像処理のアルゴリズム
は、画像処理に多くの処理時間を要するため、リアルタ
イム性に乏しく、リアルタイム性が要求される場合に
は、上記アルゴリズムを採用することができず、入力画
像に映る車両が重なり合うような場合には、複数台の車
両を１台の車両と認識してしまう不具合が生じやすいと
いう問題があった。
通量の多い道路にも適用する画像処理のアルゴリズム
は、画像処理に多くの処理時間を要するため、リアルタ
イム性に乏しく、リアルタイム性が要求される場合に
は、上記アルゴリズムを採用することができず、入力画
像に映る車両が重なり合うような場合には、複数台の車
両を１台の車両と認識してしまう不具合が生じやすいと
いう問題があった。
【０００５】
【発明が解決しようとする課題】従来の道路監視装置で
は、交通量の多い道路にも適用する画像処理に使用する
アルゴリズムの開発に多くの時間が必要であったり、個
々の監視カメラの設置環境に合わせてアルゴリズムの大
幅な調整を行う必要があるなど、装置の導入に至るまで
に多大な労力と時間が必要であり、また画像処理に時間
がかかるため、リアルタイム性に乏しいという問題があ
った。
は、交通量の多い道路にも適用する画像処理に使用する
アルゴリズムの開発に多くの時間が必要であったり、個
々の監視カメラの設置環境に合わせてアルゴリズムの大
幅な調整を行う必要があるなど、装置の導入に至るまで
に多大な労力と時間が必要であり、また画像処理に時間
がかかるため、リアルタイム性に乏しいという問題があ
った。
【０００６】本発明は上記の問題を解決すべくなされた
もので、当該装置の導入に至るまでに要する労力や時間
を軽減し、リアルタイム性に富んだ道路監視装置を提供
することを目的とする。
もので、当該装置の導入に至るまでに要する労力や時間
を軽減し、リアルタイム性に富んだ道路監視装置を提供
することを目的とする。
【０００７】
【課題を解決するための手段】上記の目的を達成するた
めに、本発明は、道路を撮影する監視カメラからの入力
画像に所定の画像処理を施して、道路の状態を検出する
道路監視装置において、入力画像から、道路上に存在す
る車両の画像領域を抽出する車両画像抽出手段と、この
車両画像抽出手段にて抽出した画像領域が入力データと
して入力されるとともに、この入力データのうち複数の
車両が重なって映る画像を個々の車両に分離する境界を
求めるのに必要なデータが教師データとして入力され、
上記入力データと教師データとに基づいて、上記入力デ
ータの複数の車両が重なって映る画像を個々の車両に分
離する学習を行う学習用ニューラルネットワーク手段
と、この学習用ニューラルネットワークの学習結果に基
づいて、車両画像抽出手段にて抽出した画像領域を個々
の車両に分離する境界を求める実行用ニューラルネット
ワーク手段と、この実行用ニューラルネットワーク手段
にて求めた境界に基づいて、車両画像抽出手段にて抽出
した画像領域を個々の車両に分離し、この分離結果に基
づいて道路の状態を検出する道路状態検出手段とを具備
して構成するようにした。
めに、本発明は、道路を撮影する監視カメラからの入力
画像に所定の画像処理を施して、道路の状態を検出する
道路監視装置において、入力画像から、道路上に存在す
る車両の画像領域を抽出する車両画像抽出手段と、この
車両画像抽出手段にて抽出した画像領域が入力データと
して入力されるとともに、この入力データのうち複数の
車両が重なって映る画像を個々の車両に分離する境界を
求めるのに必要なデータが教師データとして入力され、
上記入力データと教師データとに基づいて、上記入力デ
ータの複数の車両が重なって映る画像を個々の車両に分
離する学習を行う学習用ニューラルネットワーク手段
と、この学習用ニューラルネットワークの学習結果に基
づいて、車両画像抽出手段にて抽出した画像領域を個々
の車両に分離する境界を求める実行用ニューラルネット
ワーク手段と、この実行用ニューラルネットワーク手段
にて求めた境界に基づいて、車両画像抽出手段にて抽出
した画像領域を個々の車両に分離し、この分離結果に基
づいて道路の状態を検出する道路状態検出手段とを具備
して構成するようにした。
【０００８】上記構成の道路監視装置では、学習用ニュ
ーラルネットワーク手段を用いて、複数の車両が重なっ
て映る画像データから個々の車両の映像データに分割す
る処理を学習し、この学習結果を用いて実行用ニューラ
ルネットワーク手段により複数の車両が重なって映る画
像データから個々の車両の映像データに分割する処理を
実行して、この処理結果から道路の状態を検出するよう
にしている。
ーラルネットワーク手段を用いて、複数の車両が重なっ
て映る画像データから個々の車両の映像データに分割す
る処理を学習し、この学習結果を用いて実行用ニューラ
ルネットワーク手段により複数の車両が重なって映る画
像データから個々の車両の映像データに分割する処理を
実行して、この処理結果から道路の状態を検出するよう
にしている。
【０００９】したがって、上記構成の道路監視装置によ
れば、様々な異なる環境に設置される監視カメラの映像
であっても、ニューロコンピュータの学習効果により、
監視カメラの設置環境に対応できる汎用性を備え、設置
環境に応じた複雑なアルゴリズムを開発する必要がない
ため、当該装置の導入に至るまでに要する労力や時間が
著しく軽減でき、なおかつ従来のように複雑なアルゴリ
ズムによる画像処理を行う必要がないため、リアルタイ
ム性に優れる。
れば、様々な異なる環境に設置される監視カメラの映像
であっても、ニューロコンピュータの学習効果により、
監視カメラの設置環境に対応できる汎用性を備え、設置
環境に応じた複雑なアルゴリズムを開発する必要がない
ため、当該装置の導入に至るまでに要する労力や時間が
著しく軽減でき、なおかつ従来のように複雑なアルゴリ
ズムによる画像処理を行う必要がないため、リアルタイ
ム性に優れる。
【００１０】
【発明の実施の形態】以下、図面を参照して、本発明の
一実施形態について説明する。図１は、本発明の一実施
形態に係わる道路監視装置の構成を示すものである。道
路監視装置は、画像入力部１０と、コンソール２０と、
画像処理部３０と、ニューロコンピュータ４０と、中央
処理部５０とを備えている。
一実施形態について説明する。図１は、本発明の一実施
形態に係わる道路監視装置の構成を示すものである。道
路監視装置は、画像入力部１０と、コンソール２０と、
画像処理部３０と、ニューロコンピュータ４０と、中央
処理部５０とを備えている。
【００１１】画像入力部１０は、図示しない監視カメラ
からのビデオ信号を取り込み、このビデオ信号に基づく
画像をディジタル化し、画像処理部３０に出力する。コ
ンソール２０は、当該道路監視装置のオペレータからの
指示などを受け付けるマンマシンインターフェイスで、
当該道路監視装置の各部の状態を表示可能なモニタ（図
示しない）と、上記オペレータからの指示を受け付ける
入力デバイス（図示しない）を備える。
からのビデオ信号を取り込み、このビデオ信号に基づく
画像をディジタル化し、画像処理部３０に出力する。コ
ンソール２０は、当該道路監視装置のオペレータからの
指示などを受け付けるマンマシンインターフェイスで、
当該道路監視装置の各部の状態を表示可能なモニタ（図
示しない）と、上記オペレータからの指示を受け付ける
入力デバイス（図示しない）を備える。
【００１２】画像処理部３０は、画像入力部１０より入
力される画像データに所定の画像処理を施した後、例え
ば背景差分法などの手法により、通行車両の画像領域を
抽出し、この抽出した画像データをニューロコンピュー
タ４０に出力する。
力される画像データに所定の画像処理を施した後、例え
ば背景差分法などの手法により、通行車両の画像領域を
抽出し、この抽出した画像データをニューロコンピュー
タ４０に出力する。
【００１３】なお、ここで抽出される画像データは、個
々の車両が重なり合うことなく映る映像の場合には、個
々の車両が映る各領域がそれぞれ抽出され、一方、複数
の車両が重なって映る映像の場合には、重なり合った複
数の車両の外形（領域）が１つの領域として抽出される
ことになる。
々の車両が重なり合うことなく映る映像の場合には、個
々の車両が映る各領域がそれぞれ抽出され、一方、複数
の車両が重なって映る映像の場合には、重なり合った複
数の車両の外形（領域）が１つの領域として抽出される
ことになる。
【００１４】また、画像処理部３０は、ニューロコンピ
ュータ４０より境界データが与えられる場合には、この
データに基づいて、ニューロコンピュータ４０に入力し
た、複数の車両が重なって映る画像データを個々の車両
に分割し、この分割した画像データを中央処理部５０に
出力する。
ュータ４０より境界データが与えられる場合には、この
データに基づいて、ニューロコンピュータ４０に入力し
た、複数の車両が重なって映る画像データを個々の車両
に分割し、この分割した画像データを中央処理部５０に
出力する。
【００１５】そしてまた、画像処理部３０は、ニューロ
コンピュータ４０より複数の車両が重なっていない旨の
通知を受けた場合には、ニューロコンピュータ４０に出
力した画像データを、１つの車両の画像データと見な
し、上記画像データを中央処理部５０に出力する。
コンピュータ４０より複数の車両が重なっていない旨の
通知を受けた場合には、ニューロコンピュータ４０に出
力した画像データを、１つの車両の画像データと見な
し、上記画像データを中央処理部５０に出力する。
【００１６】ニューロコンピュータ４０は、例えば３層
のバックプロパゲーションなどからなる学習用のニュー
ラルネットワーク４１と、実行用のニューラルネットワ
ーク４２とからなるコンピュータである。
のバックプロパゲーションなどからなる学習用のニュー
ラルネットワーク４１と、実行用のニューラルネットワ
ーク４２とからなるコンピュータである。
【００１７】そして、ニューロコンピュータ４０では、
上記学習用ニューラルネットワーク４１に対して、予め
オペレータがコンソール２０を通じて教師データと車両
の画像に係わる入力データとを与えて、複数の車両が重
なり合う画像データから、個々の車両に分割する境界デ
ータが得られるような学習操作を行う。
上記学習用ニューラルネットワーク４１に対して、予め
オペレータがコンソール２０を通じて教師データと車両
の画像に係わる入力データとを与えて、複数の車両が重
なり合う画像データから、個々の車両に分割する境界デ
ータが得られるような学習操作を行う。
【００１８】そして、この学習操作により、後述する実
行用のニューラルネットワーク４２で、複数の車両が重
なり合う画像データから、個々の車両に分割する境界デ
ータを得るための処理に用いる種々のパラメータ（重み
係数やオフセット値）を得られる。
行用のニューラルネットワーク４２で、複数の車両が重
なり合う画像データから、個々の車両に分割する境界デ
ータを得るための処理に用いる種々のパラメータ（重み
係数やオフセット値）を得られる。
【００１９】上記実行用ニューラルネットワーク４２
は、上記学習用ニューラルネットワーク４１の学習操作
により得られたパラメータを用いて、画像処理部３０よ
り入力される画像データを入力データとして、複数の車
両が重なり合う画像データから、個々の車両に分割する
境界データを求め、このデータを出力データとして、画
像処理部３０に出力する。
は、上記学習用ニューラルネットワーク４１の学習操作
により得られたパラメータを用いて、画像処理部３０よ
り入力される画像データを入力データとして、複数の車
両が重なり合う画像データから、個々の車両に分割する
境界データを求め、このデータを出力データとして、画
像処理部３０に出力する。
【００２０】中央処理部５０は、画像処理部３０から入
力される画像データに基づき、走行車両の数や走行車両
の移動速度などを計測し、渋滞などの突発事象の判定を
行い、これらの計測結果や判定結果をオペレータに報知
する。
力される画像データに基づき、走行車両の数や走行車両
の移動速度などを計測し、渋滞などの突発事象の判定を
行い、これらの計測結果や判定結果をオペレータに報知
する。
【００２１】次に、上記構成の道路監視装置の動作につ
いて説明する。まず、図２を参照して、ニューロコンピ
ュータ４０の学習用ニューラルネットワーク４１を通じ
て、複数の車両が重なり合う画像データから、個々の車
両に分割する境界データを求めるためのパラメータを得
る学習を行う動作について説明する。
いて説明する。まず、図２を参照して、ニューロコンピ
ュータ４０の学習用ニューラルネットワーク４１を通じ
て、複数の車両が重なり合う画像データから、個々の車
両に分割する境界データを求めるためのパラメータを得
る学習を行う動作について説明する。
【００２２】なお、以下の説明では、複数の車両が重な
り合う画像領域の外形形状には、車両が持つ特徴的な形
状をした部分が多く存在する点や、手前に見える車両の
画像領域の方が後ろに見える車両の画像領域よりもテク
スチャ（模様）が明瞭であり、手前に見える車両の画像
領域の輝度値の分散の方が後ろに見える車両の画像領域
のそれよりも値が大きくなる傾向がある点に着目した場
合を例に挙げる。なお、照明の状態や、車両の色などの
様々な要因で、これらが変化することを考慮することは
いうまでもない。
り合う画像領域の外形形状には、車両が持つ特徴的な形
状をした部分が多く存在する点や、手前に見える車両の
画像領域の方が後ろに見える車両の画像領域よりもテク
スチャ（模様）が明瞭であり、手前に見える車両の画像
領域の輝度値の分散の方が後ろに見える車両の画像領域
のそれよりも値が大きくなる傾向がある点に着目した場
合を例に挙げる。なお、照明の状態や、車両の色などの
様々な要因で、これらが変化することを考慮することは
いうまでもない。
【００２３】はじめに、学習用ニューラルネットワーク
４１に対して、入力データとして、複数の車両が重なり
合うサンプルの画像データと、この画像データ中の車両
が重なり合う領域の輝度データと、重なり合う領域の形
状に関するデータを入力する。
４１に対して、入力データとして、複数の車両が重なり
合うサンプルの画像データと、この画像データ中の車両
が重なり合う領域の輝度データと、重なり合う領域の形
状に関するデータを入力する。
【００２４】そして次に、学習用ニューラルネットワー
ク４１に対して、教師データとして、上記重なり合う領
域を個々の車両領域に分割する境界線に関するデータ
と、上記重なり合う領域を個々の車両領域に分割したと
きの各領域の輝度の分散値とを入力する。
ク４１に対して、教師データとして、上記重なり合う領
域を個々の車両領域に分割する境界線に関するデータ
と、上記重なり合う領域を個々の車両領域に分割したと
きの各領域の輝度の分散値とを入力する。
【００２５】そして、学習用ニューラルネットワーク４
１は、上記入力データと教師データとに基づき、複数の
車両が重なり合う画像データから個々の車両に分割する
境界データを求め、出力データとして出力する。
１は、上記入力データと教師データとに基づき、複数の
車両が重なり合う画像データから個々の車両に分割する
境界データを求め、出力データとして出力する。
【００２６】そして、この出力データが、複数の車両が
重なり合う画像データから、正しく個々の車両に分割す
る境界データである場合には、この際の処理に用いたパ
ラメータを実行用ニューラルネットワーク４２の処理で
用いるパラメータとして採用させる。
重なり合う画像データから、正しく個々の車両に分割す
る境界データである場合には、この際の処理に用いたパ
ラメータを実行用ニューラルネットワーク４２の処理で
用いるパラメータとして採用させる。
【００２７】一方、上記出力データが正しくない境界デ
ータの場合には、その旨をオペレータがコンソール２０
を通じて学習用ニューラルネットワーク４１に通知し、
正しい境界データが出力されるまで、上記パラメータの
変更する学習操作を繰り返す。
ータの場合には、その旨をオペレータがコンソール２０
を通じて学習用ニューラルネットワーク４１に通知し、
正しい境界データが出力されるまで、上記パラメータの
変更する学習操作を繰り返す。
【００２８】次に、図３を参照して、画像処理部３０に
て抽出した画像データから、車両を検出する処理につい
て説明する。画像処理部３０にて抽出された画像データ
は、ニューロコンピュータ４０の実行用ニューラルネッ
トワーク４２に入力される。
て抽出した画像データから、車両を検出する処理につい
て説明する。画像処理部３０にて抽出された画像データ
は、ニューロコンピュータ４０の実行用ニューラルネッ
トワーク４２に入力される。
【００２９】実行用ニューラルネットワーク４２は、入
力された画像データを、学習用ニューラルネットワーク
４１における学習操作で得たパラメータで解析し、複数
の車両が重なり合う画像データから、個々の車両に分割
する境界データを求め、画像処理部３０に出力する。な
お、入力された画像データが１つの車両の画像データと
解析される場合には、上記境界データに代わり、その旨
を画像処理部３０に通知する。
力された画像データを、学習用ニューラルネットワーク
４１における学習操作で得たパラメータで解析し、複数
の車両が重なり合う画像データから、個々の車両に分割
する境界データを求め、画像処理部３０に出力する。な
お、入力された画像データが１つの車両の画像データと
解析される場合には、上記境界データに代わり、その旨
を画像処理部３０に通知する。
【００３０】これに対して、画像処理部３０は、ニュー
ロコンピュータ４０より境界データが与えられると、こ
のデータに基づいて、ニューロコンピュータ４０に入力
した、複数の車両が重なって映る画像データを個々の車
両の映像データに分割し、この分割した画像データを中
央処理部５０に出力する。
ロコンピュータ４０より境界データが与えられると、こ
のデータに基づいて、ニューロコンピュータ４０に入力
した、複数の車両が重なって映る画像データを個々の車
両の映像データに分割し、この分割した画像データを中
央処理部５０に出力する。
【００３１】また、画像処理部３０は、ニューロコンピ
ュータ４０より複数の車両が重なっていない旨の通知を
受けた場合には、ニューロコンピュータ４０に出力した
画像データが、１つの車両の画像データと見なし、上記
画像データを中央処理部５０に出力する。
ュータ４０より複数の車両が重なっていない旨の通知を
受けた場合には、ニューロコンピュータ４０に出力した
画像データが、１つの車両の画像データと見なし、上記
画像データを中央処理部５０に出力する。
【００３２】これに対して、中央処理部５０は、画像処
理部３０から入力される画像データに基づき、走行車両
の数や走行車両の移動速度などを計測し、渋滞などの突
発事象の判定を行い、これらの計測結果や判定結果をオ
ペレータに報知する。
理部３０から入力される画像データに基づき、走行車両
の数や走行車両の移動速度などを計測し、渋滞などの突
発事象の判定を行い、これらの計測結果や判定結果をオ
ペレータに報知する。
【００３３】以上のように、上記構成の道路監視装置で
は、学習用ニューラルネットワーク４１を用いて、複数
の車両が重なって映る画像データから個々の車両の映像
データに分割する処理を学習し、この学習結果を用いて
実行用ニューラルネットワーク４２により複数の車両が
重なって映る画像データから個々の車両の映像データに
分割する処理を実行するようにしている。
は、学習用ニューラルネットワーク４１を用いて、複数
の車両が重なって映る画像データから個々の車両の映像
データに分割する処理を学習し、この学習結果を用いて
実行用ニューラルネットワーク４２により複数の車両が
重なって映る画像データから個々の車両の映像データに
分割する処理を実行するようにしている。
【００３４】したがって、上記構成の道路監視装置によ
れば、様々な異なる環境に設置される監視カメラの映像
であっても、ニューロコンピュータ４０の学習効果によ
り、設置環境に対応できる汎用性を備え、設置環境に応
じた複雑なアルゴリズムを開発する必要がない。
れば、様々な異なる環境に設置される監視カメラの映像
であっても、ニューロコンピュータ４０の学習効果によ
り、設置環境に対応できる汎用性を備え、設置環境に応
じた複雑なアルゴリズムを開発する必要がない。
【００３５】このため、当該装置の導入に至るまでに要
する労力や時間が著しく軽減でき、なおかつ従来のよう
に複雑なアルゴリズムによる画像処理を行う必要がない
ため、リアルタイム性に優れる。
する労力や時間が著しく軽減でき、なおかつ従来のよう
に複雑なアルゴリズムによる画像処理を行う必要がない
ため、リアルタイム性に優れる。
【００３６】尚、本発明は上記実施の形態に限定される
ものではない。その他、本発明の要旨を逸脱しない範囲
で種々の変形を施しても同様に実施可能であることはい
うまでもない。
ものではない。その他、本発明の要旨を逸脱しない範囲
で種々の変形を施しても同様に実施可能であることはい
うまでもない。
【００３７】
【発明の効果】以上述べたように、本発明では、学習用
ニューラルネットワーク手段を用いて、複数の車両が重
なって映る画像データから個々の車両の映像データに分
割する処理を学習し、この学習結果を用いて実行用ニュ
ーラルネットワーク手段により複数の車両が重なって映
る画像データから個々の車両の映像データに分割する処
理を実行して、この処理結果から道路の状態を検出する
ようにしている。
ニューラルネットワーク手段を用いて、複数の車両が重
なって映る画像データから個々の車両の映像データに分
割する処理を学習し、この学習結果を用いて実行用ニュ
ーラルネットワーク手段により複数の車両が重なって映
る画像データから個々の車両の映像データに分割する処
理を実行して、この処理結果から道路の状態を検出する
ようにしている。
【００３８】したがって、本発明によれば、様々な異な
る環境に設置される監視カメラの映像であっても、ニュ
ーロコンピュータの学習効果により、監視カメラの設置
環境に対応できる汎用性を備え、設置環境に応じた複雑
なアルゴリズムを開発する必要がないため、当該装置の
導入に至るまでに要する労力や時間が著しく軽減でき、
なおかつ従来のように複雑なアルゴリズムによる画像処
理を行う必要がないため、リアルタイム性に優れた道路
監視装置を提供できる。
る環境に設置される監視カメラの映像であっても、ニュ
ーロコンピュータの学習効果により、監視カメラの設置
環境に対応できる汎用性を備え、設置環境に応じた複雑
なアルゴリズムを開発する必要がないため、当該装置の
導入に至るまでに要する労力や時間が著しく軽減でき、
なおかつ従来のように複雑なアルゴリズムによる画像処
理を行う必要がないため、リアルタイム性に優れた道路
監視装置を提供できる。
【図１】本発明に係わる道路監視装置の一実施形態の構
成を示す回路ブロック図。
成を示す回路ブロック図。
【図２】図１に示した道路監視装置の学習用ニューラル
ネットワークの学習処理を説明するための図。
ネットワークの学習処理を説明するための図。
【図３】図１に示した道路監視装置の画像データから車
両を検出する処理を説明するための図。
両を検出する処理を説明するための図。
１０…画像入力部 ２０…コンソール ３０…画像処理部 ４０…ニューロコンピュータ ４１…学習用ニューラルネットワーク ４２…実行用ニューラルネットワーク ５０…中央処理部
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.7 識別記号 ＦＩ テーマコート゛(参考） Ｇ０８Ｇ 1/01 Ｇ０８Ｇ 1/01 Ｋ 1/04 1/04 Ｃ // Ｈ０４Ｎ 7/18 Ｈ０４Ｎ 7/18 Ｄ Ｆターム(参考） 5B057 AA16 BA02 BA11 CH01 DA11 DB02 DB09 DC16 DC22 5C054 CE12 EB05 FC04 FC05 FC07 FC12 FC15 HA05 HA26 5H180 AA01 CC04 DD04 5L096 AA09 BA02 BA04 CA02 FA06 FA33 KA04
Claims (3)
- 【請求項１】 道路を撮影する監視カメラからの入力画
像に所定の画像処理を施して、前記道路の状態を検出す
る道路監視装置において、 前記入力画像から、前記道路上に存在する車両の画像領
域を抽出する車両画像抽出手段と、 この車両画像抽出手段にて抽出した画像領域が入力デー
タとして入力されるとともに、この入力データのうち複
数の車両が重なって映る画像を個々の車両に分離する境
界を求めるのに必要なデータが教師データとして入力さ
れ、前記入力データと前記教師データとに基づいて、前
記入力データの複数の車両が重なって映る画像を個々の
車両に分離する学習を行う学習用ニューラルネットワー
ク手段と、 この学習用ニューラルネットワークの学習結果に基づい
て、前記車両画像抽出手段にて抽出した画像領域を個々
の車両に分離する境界を求める実行用ニューラルネット
ワーク手段と、 この実行用ニューラルネットワーク手段にて求めた境界
に基づいて、前記車両画像抽出手段にて抽出した画像領
域を個々の車両に分離し、この分離結果に基づいて前記
道路の状態を検出する道路状態検出手段とを具備するこ
とを特徴とする道路監視装置。 - 【請求項２】 前記学習用ニューラルネットワーク手段
にて用いられる教師データは、複数の車両の重なり領域
を個々の車両の領域に分割する境界線に関するデータで
あることを特徴とする請求項１に記載の道路監視装置。 - 【請求項３】 前記学習用ニューラルネットワーク手段
にて用いられる教師データは、複数の車両の重なり領域
における個々の車両の領域の輝度の分散値であることを
特徴とする請求項１に記載の道路監視装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000136125A JP2001319226A (ja) | 2000-05-09 | 2000-05-09 | 道路監視装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000136125A JP2001319226A (ja) | 2000-05-09 | 2000-05-09 | 道路監視装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2001319226A true JP2001319226A (ja) | 2001-11-16 |
Family
ID=18644116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000136125A Pending JP2001319226A (ja) | 2000-05-09 | 2000-05-09 | 道路監視装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2001319226A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
| JP2019061579A (ja) * | 2017-09-27 | 2019-04-18 | 富士フイルム株式会社 | 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、および端末装置 |
| JP2019061578A (ja) * | 2017-09-27 | 2019-04-18 | 富士フイルム株式会社 | 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、および端末装置 |
| CN112802338A (zh) * | 2020-12-31 | 2021-05-14 | 山东奥邦交通设施工程有限公司 | 一种基于深度学习的高速公路实时预警方法及系统 |
-
2000
- 2000-05-09 JP JP2000136125A patent/JP2001319226A/ja active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019061579A (ja) * | 2017-09-27 | 2019-04-18 | 富士フイルム株式会社 | 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、および端末装置 |
| JP2019061578A (ja) * | 2017-09-27 | 2019-04-18 | 富士フイルム株式会社 | 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、および端末装置 |
| US10902286B2 (en) | 2017-09-27 | 2021-01-26 | Fujifilm Corporation | Learning assistance device, method of operating learning assistance device, learning assistance program, learning assistance system, and terminal device |
| US11797846B2 (en) | 2017-09-27 | 2023-10-24 | Fujifilm Corporation | Learning assistance device, method of operating learning assistance device, learning assistance program, learning assistance system, and terminal device |
| CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
| CN108550259B (zh) * | 2018-04-19 | 2020-05-12 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
| CN112802338A (zh) * | 2020-12-31 | 2021-05-14 | 山东奥邦交通设施工程有限公司 | 一种基于深度学习的高速公路实时预警方法及系统 |
| CN112802338B (zh) * | 2020-12-31 | 2022-07-12 | 山东奥邦交通设施工程有限公司 | 一种基于深度学习的高速公路实时预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2008217602A (ja) | 不審行動検知システム及び方法 | |
| US8767070B2 (en) | Configuration module for a surveillance system, surveillance system, method for configuring the surveillance system, and computer program | |
| JP7124743B2 (ja) | 線状体の異常検出装置及び異常検出方法 | |
| KR20190019840A (ko) | 물체 검출과 통지를 위한 운전자 보조 시스템 및 방법 | |
| Nodado et al. | Intelligent traffic light system using computer vision with android monitoring and control | |
| KR20190046351A (ko) | 침입 탐지방법 및 그 장치 | |
| GB2443739A (en) | Detecting image regions of salient motion | |
| JP3920535B2 (ja) | 車両検出方法及び車両検出装置 | |
| WO2009136893A1 (en) | System and method for video detection of smoke and flame | |
| JP2000259999A (ja) | 車両の車線離脱警報方法 | |
| US20220366665A1 (en) | Video surveillance system with crowd size estimation | |
| KR20160044757A (ko) | 교통상황 분석 방법 및 장치 | |
| JP2972479B2 (ja) | 道路交通異常検出方法および道路交通異常監視システム | |
| JP3912869B2 (ja) | 交通流計測装置 | |
| JP2002197445A (ja) | オプティカルフローを利用した列車前方異常検出装置 | |
| JP2001319226A (ja) | 道路監視装置 | |
| CN113361299B (zh) | 一种异常停车的检测方法、装置、存储介质及电子设备 | |
| KR20150088613A (ko) | 폭력 상황을 검출하는 장치 및 방법 | |
| JP4888290B2 (ja) | 侵入者検知装置 | |
| JP2004258981A (ja) | 車両監視方法およびその装置 | |
| JP3779229B2 (ja) | 識別方法、識別装置、及び交通制御システム | |
| CN112906456B (zh) | 一种基于帧间特征的人群异常行为检测方法及系统 | |
| CN115027904A (zh) | 基于实例分割的皮带撕裂检测方法 | |
| JP4697761B2 (ja) | 待ち行列検出方法及び待ち行列検出装置 | |
| JP4005409B2 (ja) | 背景像推定方法及び背景像推定装置 |