JP2005346287A - 画像認識方法および装置 - Google Patents

Abstract

【課題】 認識対象物までの距離の変化に関わらず安定して認識対象物を認識する画像認識方法および装置を提供
【解決手段】 画像認識装置３は、カメラ５が撮影した画像を表す画像データを複数の部分領域画像に分割し、この部分領域画像毎に画像認識を行う。即ち、まず、部分領域画像の鮮明さの度合いを示す鮮明度を算出する。その後、部分領域画像を構成する各画素の特徴を表す特徴量を抽出し、この特徴量の分布を表す特徴データを生成する。そして、基準データ群１７ａの中から、算出された鮮明度に対応した、特徴量の分布を表す基準データを抽出し、この抽出した基準データと、生成した特徴データとを比較し、この比較結果に基づいて、部分領域画像中に所定対象物が示されているか否かを判定する。つまり、鮮明度に応じて最適な基準データを採用することができるため、所定対象物までの距離が変化しても、安定して対象物を認識することができる。
【選択図】図１

Description

本発明は、所定の対象物を認識する画像認識方法および装置に関する。

近年、自動車における安全運転支援やヒューマンインターフェースを実現するために、画像認識が重要となってきている。
このような画像認識に関する技術として、認識対象（例えば、顔）を、部品（例えば、目，鼻，口など）に分解して、その部品毎に認識を行うことで、形状や色の変化に対して、認識精度を向上させる技術が開示されている（例えば、特許文献１参照。）。
特開平１１−２８３０３６号公報

ところで、上記特許文献１の技術では、画像認識による認識対象を顔に限定しているために、認識対象物までの距離は数メートル以内と比較的小さい。即ち、認識対象物までの距離の変化に対して認識対象物の見え方はほとんど変化しない。つまり、距離による見え方の変化を考慮する必要がなく、安定して認識対象物（顔）を認識することができる。

しかし、車両認識に適用する場合には、自車両から前方１００メートル程度までの間に存在する車両（前方車両）の認識が望まれる。即ち、認識対象物（前方車両）までの距離の変化が大きいため、距離に応じて認識対象物（前方車両）の見え方が大きく変化する。このため、この見え方の変化に応じて、認識対象物（前方車両）を認識する精度が大きく変化するという問題が生じる。

本発明は、こうした問題に鑑みなされたものであり、認識対象物までの距離の変化に関わらず安定して認識対象物を認識する画像認識方法および装置を提供することを目的とする。

上記目的を達成するためになされた第１発明の画像認識方法では、まず、第１ステップにおいて、部分領域画像の鮮明さの度合いを示す鮮明度を算出する。続く第２ステップにおいて、部分領域画像から、この部分領域画像を構成する各画素の特徴を表す特徴量を抽出し、この特徴量の分布を表す特徴データを生成する。更に第３ステップにおいて、予め設定された所定対象物が示され且つ所定対象物の鮮明度が互いに異なる複数の基準画像のそれぞれについて特徴量の分布を表す基準データを予め生成しておくことにより用意された基準データ群の中から、第１ステップにより算出された鮮明度に対応した基準データを選択し、この選択した基準データと、第２ステップにより生成された特徴データとを比較し、この比較結果に基づいて、部分領域画像中に所定対象物が示されているか否かを判定する。

即ち、所定対象物を認識するための、特徴データと基準データとの比較において、鮮明度に応じて最適な基準データを採用することができる。このため、第１発明の画像認識方法によれば、所定対象物までの距離が変化しても、安定して対象物を認識することができる。なぜならば、所定対象物までの距離を表す指標として、鮮明度を用いることができるからである。これは、人間が物体（例えば、車両）を視覚で認識する場合を例にすると、遠くに位置する程その車両が不鮮明に見えて、その物体が車両であるか否かの判断が困難になることからも明らかである。

但し、天候（晴れ，曇り，雨など）や時刻（昼，夕，夜など）等といった、入力画像が撮影される撮影環境によっても鮮明度は変化することがあるため、同じ鮮明度であっても、撮影環境に応じて異なる基準データを選択することが望ましい。

次に第２発明の画像認識装置では、予め設定された所定対象物が示され且つ所定対象物の鮮明度が互いに異なる複数の基準画像のそれぞれについて特徴量の分布を表す基準データを予め生成しておくことにより用意された基準データ群を記憶する第１記憶手段を備え、鮮明度算出手段は、部分領域画像の鮮明さの度合いを示す鮮明度を算出する。また、特徴量抽出手段は、部分領域画像から、部分領域画像を構成する各画素の特徴を表す特徴量を抽出し、この特徴量の分布を表す特徴データを生成する。そして、第１判定手段は、鮮明度算出手段により算出された鮮明度の値に基づいて、鮮明度に対応した基準データを第１記憶手段から抽出し、この抽出した基準データと、特徴量抽出手段により抽出された特徴データとを比較し、この比較結果に基づいて、部分領域画像中に前記所定対象物が示されているか否かを判定する。

つまり、第２発明の画像認識装置は、第１発明の方法を実現する装置であり、従って第１発明と同様の効果を得ることができる。
なお、特徴量としては、例えば色情報を用いることができる。この色情報としては、例えば周知のＹＵＶ色空間，ＲＧＢ色空間で表されたものがある。

また、鮮明度算出手段は、部分領域画像に対して２次元フーリエ変換し、この変換により得られる空間周波数分布に基づいて鮮明度を算出するように構成すればよい。
また、鮮明度算出手段は、部分領域画像に対してエッジ強調処理を行い、エッジ強調処理された画像に含まれるエッジの量に基づいて鮮明度を算出するように構成してもよい。

次に第３発明の画像認識装置では、予め設定された所定対象物が示され且つ所定対象物の物体距離が互いに異なる複数の基準画像のそれぞれについて特徴量の分布を表す基準データを予め生成しておくことにより用意された基準データ群を記憶する第２記憶手段を備え、距離測定手段は、部分領域画像の中に示される物体と当該画像認識装置との間の距離である物体距離を測定する。また、特徴量抽出手段は、部分領域画像から、この部分領域画像を構成する各画素の特徴を表す特徴量を抽出し、この特徴量の分布を表す特徴データを生成する。そして、第２判定手段は、距離測定手段により測定された物体距離に基づいて、物体距離に対応した基準データを第２記憶手段から抽出し、この抽出した基準データと、特徴量抽出手段により抽出された特徴データとを比較し、この比較結果に基づいて、部分領域画像中に前記所定対象物が示されているか否かを判定する。

即ち、所定対象物を認識するための、特徴データと基準データとの比較において、物体距離に応じて最適な基準データを採用することができる。このため、第３発明の画像認識装置によれば、所定対象物までの距離が変化しても、安定して対象物を認識することができる。

（第１実施形態）
以下、画像認識装置を利用して構成された画像認識システムを本発明の第１実施形態として説明する。

第１実施形態の画像認識システム１は車両に搭載されており、図１に示すように、運転者がフロントウィンドウ越しに見ることができる範囲の前景を撮影し、撮影した画像を表す画像データを生成するカメラ５と、カメラ５によって生成された画像データについて画像認識処理を行う画像認識装置３とから構成されている。

画像認識装置３は、所定の処理プログラムに基づいて処理を実行するＣＰＵ１１と、種々の制御プログラムが格納されたＲＯＭ１３と、種々のデータを格納するＲＡＭ１５と、ＣＰＵ１１が画像認識処理を行うために利用する基準データ群１７ａを記憶するデータベース１７と、操作者が操作するための操作キー２１ａ及び操作キー２１ａの操作手順を表示する表示パネル２１ｂからなるユーザインターフェース（以降、ユーザＩ／Ｆとする）２１と、カメラ５，データベース１７及びユーザＩ／Ｆ２１が接続され、ＣＰＵ１１及びＲＡＭ１５との間で信号及びデータの入出力を行う入出力部１９とを備えている。

尚、データベース１７は、例えばメモリカードやハードディスク等の書き込み可能な記憶媒体が用いられる。
そして、データベース１７には、車種の異なる所定車数Ｎ１（本実施形態ではＮ１＝５）の車両のそれぞれについて、図６に示すように、距離を変えて撮影された所定撮影数Ｎ２（本実施形態ではＮ２＝６）の画像データ（以降、基準データ作成用画像データと称す）が予め記憶されている（図６では、１台の車両についてのみ詳細に示している）。この基準データ作成用画像データは、画像認識を行うための基準データ群を作成するために利用される。尚、基準データ作成用画像データは、カメラ５で撮影された画像から車領域を矩形で抜き出したもので、抜き出した車画像のサイズが等しくなるように正規化されている。本実施形態では、抜き出した車画像を縦２５６×横２５６画素の画像データとなるように正規化を行った。したがって、距離の遠い画像ほど大きく引き伸ばされた画像となる。

更に、基準データ作成用画像データには、車種と距離に応じて、車種識別番号ｃと距離識別番号ｄが付されている。車種識別番号ｃは、基準データ作成用画像データにおける車種を示す番号であり、１〜５の整数値をとる。また、距離識別番号ｄは、基準データ作成用画像データにおける撮影距離を示す番号であり、撮影距離が短い順から１，２，・・・，６の整数値をとる。以降、車種識別番号ｃ，距離識別番号ｄに対応した基準データ作成用画像データを、画像データ（ｃ，ｄ）と称す。

また、ユーザＩ／Ｆ２１は、操作キー２１ａに対する所定の操作に基づいて、基準データ群の作成開始を指示する基準データ作成指令をＣＰＵ１１へ出力するように構成される。

このように構成された画像認識装置３において、ＣＰＵ１１は、基準データ群１７ａを作成する基準データ作成処理と、基準データ群１７ａに基づいて画像認識を行う画像認識処理とをそれぞれ独立に実行する。なお、ここで車種識別番号とは、基準データ群を生成するために用いるものであって、生成した基準データ群１７ａを用いて車種の認識を行うものではない。

まず、基準データ作成処理の手順を、図２及び図３を用いて説明する。図２は基準データ作成処理の前半部分、図３は基準データ作成処理の後半部分を表すフローチャートである。尚、この基準データ作成処理は、車両のイグニッションキーがキーシリンダに挿入され、上記キーがオンに変更された状態である間、繰り返し実行される。

この基準データ作成処理においては、ＣＰＵ１１は、まずＳ１０にて、ユーザＩ／Ｆ２１を介して基準データ作成指令の入力があったか否かを判断する。ここで、基準データ作成指令の入力がない場合には（Ｓ１０：ＮＯ）、当該基準データ作成処理を終了する。一方、基準データ作成指令の入力があった場合には（Ｓ１０：ＹＥＳ）、Ｓ２０にて、車種識別番号ｃを表す変数Ｐｃ，距離識別番号ｄを表す変数Ｐｄ及びオブジェクト識別番号ｋ（後述）を表す変数Ｐｋを、それぞれ１に設定する。

次にＳ３０にて、変数Ｐｃで示される車種識別番号ｃ，変数Ｐｄで示される距離識別番号ｄに対応した画像データ（ｃ，ｄ）をデータベース１７から取得し、Ｓ４０にて、Ｓ３０で取得した画像データ（ｃ，ｄ）の鮮明度を計算する。即ち、画像データ（ｃ，ｄ）に対して、２次元の高速フーリエ変換を行い、この変換により得られる空間周波数分布に基づいて鮮明度を計算する。

以下に、鮮明度の具体的な計算方法を図７に基づいて説明する。即ち、例えば画像データ（ｃ，ｄ）として図７（ａ）に示す画像Ｄ１を取得したとすると、この画像Ｄ１を示す画像データに対して、２次元の高速フーリエ変換（以降、ＦＦＴとも称す。即ち、Fast Fourier Transformの略）を行うことにより、図７（ｂ）に示す空間周波数分布Ｄ２が得られる。尚、空間周波数分布Ｄ２の横軸は画像Ｄ１の横方向における色情報の強度変化、縦軸は縦方向における色情報の強度変化を示している。即ち、空間周波数分布Ｄ２において、空間周波数分布Ｄ２の中心（即ち、横軸と縦軸との交点）から離れるほど高い空間周波数の成分（高周波成分）が配置される。つまり、中心から離れた位置に分布している成分が多いほど、強度変化が大きい部分が多く、画像が鮮明であることを表す。

その後、空間周波数分布Ｄ２の中心からの距離に対しての空間周波数成分の頻度の分布を求めると、図７（ｃ）に示す頻度分布Ｄ３が得られる。尚、頻度分布Ｄ３の横軸はＦＦＴの次数である。この次数は、高速フーリエ変換における基本周波数の倍数であり、次数が大きいほど空間周波数が高いことを示す。その後に、この頻度分布Ｄ３を正規分布で近似すると正規分布Ｄ４が得られる。そして、この正規分布Ｄ４の分散値を鮮明度とすることにより、鮮明度が計算される。つまり、鮮明度は、その値が大きいほど高周波成分を多く含んでいることを示している。

次にＳ５０にて、画像データ（ｃ，ｄ）から４つのオブジェクトを抽出する。オブジェクトとは、前方車両において共通して現れる特徴的な領域であり、リアウィンドウ，右テールランプ，左テールランプ及びナンバープレートの４つから構成されている。更に、これら４つのオブジェクトはオブジェクト間で特定の位置関係（以降、特定位置関係と称す）を有している。即ち、車両においては一般的に、リアウィンドウの下方には、右テールランプ及び左テールランプが相対して配置され、更に右テールランプ及び左テールランプの下方にはナンバープレートが配置されている。

つまり、特定位置関係に基づいて、画像Ｄ１１から、図８（ａ）に示すように、矩形状のリアウィンドウ・オブジェクトＯ１，右テールランプ・オブジェクトＯ２，左テールランプ・オブジェクトＯ３及びナンバープレート・オブジェクトＯ４を抽出する。尚、オブジェクト間の特定位置関係に基づいてオブジェクトを抽出する手法は周知であるので（例えば、特許文献１参照。）、説明を省略する。

そしてＳ６０にて、Ｓ５０で抽出したリアウィンドウ・オブジェクトＯ１，右テールランプ・オブジェクトＯ２，左テールランプ・オブジェクトＯ３及びナンバープレート・オブジェクトＯ４それぞれについて、色情報（ＹＵＶ）ヒストグラムを算出する。尚、ＹＵＶは色を表す形式の一種で周知であるため、説明を省略する。

即ち、オブジェクトを表す画像データに対して、Ｙ，Ｕ，Ｖそれぞれの成分についてのヒストグラム（Ｙヒストグラム，Ｕヒストグラム，Ｖヒストグラム）を算出する。つまり、図８（ｂ）に示すように、横軸をＹ，Ｕ，Ｖの何れか１つの強度、縦軸を画素数としたヒストグラムが生成される。図８（ｂ）はＹ，Ｕ，Ｖヒストグラムを示すイメージ図である。尚、Ｙ，Ｕ，Ｖヒストグラム３つをまとめてＹＵＶヒストグラムと称す。そして、生成したヒストグラムをＲＡＭ１５に記憶する。

その後Ｓ７０にて、距離識別番号ｄを表す変数Ｐｄの値が所定撮影数Ｎ２以上であるか否かを判断する。ここで、距離識別番号ｄを表す変数Ｐｄの値が所定撮影数Ｎ２未満である場合には（Ｓ７０：ＮＯ）、Ｓ８０にて距離識別番号ｄを表す変数Ｐｄの値を１加算し、その後Ｓ２０に移行して上述の処理を繰り返す。一方、距離識別番号ｄを表す変数Ｐｄの値が所定撮影数Ｎ２以上である場合には（Ｓ７０：ＹＥＳ）、Ｓ９０に移行する。

そしてＳ９０に移行すると、変数Ｐｃで示される車種識別番号ｃが付された画像データ（ｃ，ｄ）について、オブジェクト毎に、例えば鮮明度ｍ＝２２，２４，２６，２８，３０，３２のＹＵＶヒストグラムを、Ｓ６０で算出したＹＵＶヒストグラムで線形補間することにより求める。即ち、例えば、同一車種で撮影距離が異なる６つの画像の鮮明度、即ち距離識別番号ｄ＝１，２，３，４，５，６における鮮明度がそれぞれ、「３２．２５」，「３０．７９」，「２８．５８」，「２６．９９」，「２３．６３」，「２１．４１」であるとすると、例えば鮮明度ｍ＝２２のＹＵＶヒストグラムを求めるためには、鮮明度２１．４１のＹＵＶヒストグラムと鮮明度２３．６３のＹＵＶヒストグラムとで線形補間すればよい。そして、線形補間により求めた鮮明度ｍ＝２２，２４，２６，２８，３０，３２のＹＵＶヒストグラムをＲＡＭ１５に記憶する。なお、車種識別番号ｃ，オブジェクト識別番号ｋ，鮮明度ｍのＹＵＶヒストグラムを以降、ＹＵＶヒストグラム（ｃ，ｋ，ｍ）と表記する（ｃ＝１，２，３，４，５、ｋ＝１，２，３，４、ｍ＝２２，２４，２６，２８，３０，３２）。また、オブジェクト識別番号ｋはオブジェクトを識別するための番号であり、オブジェクト識別番号ｋ＝１，２，３，４はそれぞれ、リアウィンドウ，右テールランプ，左テールランプ，ナンバープレートを示す。

その後Ｓ１００にて、車種識別番号ｃを表す変数Ｐｃの値が所定車数Ｎ１以上であるか否かを判断する。ここで、車種識別番号ｃを表す変数Ｐｃの値が所定車数Ｎ１未満である場合には（Ｓ１００：ＮＯ）、Ｓ１１０にて車種識別番号ｃを表す変数Ｐｃの値を１加算し、その後Ｓ２０に移行して上述の処理を繰り返す。一方、車種識別番号ｃを表す変数Ｐｃの値が所定車数Ｎ１以上である場合には（Ｓ１００：ＹＥＳ）、Ｓ１２０に移行する。

そしてＳ１２０に移行すると、同じオブジェクトで且つ同じ鮮明度ｍであるＹＵＶヒストグラムを全車種について加算する。例えば、リアウィンドウ・オブジェクトＯ１で鮮明度２２のＹＵＶヒストグラムは、車種識別番号ｃ＝１〜５毎に１つずつ存在するため、この５つのＹＵＶヒストグラムを加算する。この加算したＹＵＶヒストグラムを以降、統合ＹＵＶヒストグラムと称す。つまり、Ｓ１２０の処理により、４つのオブジェクト毎に、鮮明度ｍに応じて６つの統合ＹＵＶヒストグラムが生成される。なお、オブジェクト識別番号ｋ，鮮明度ｍの統合ＹＵＶヒストグラムを以降、統合ＹＵＶヒストグラム（ｋ，ｍ）と表記する（ｋ＝１，２，３，４、ｍ＝２２，２４，２６，２８，３０，３２）。

次にＳ１３０にて、統合ＹＵＶヒストグラムの結果から、３次元の混合ガウス分布（以降、ＧＭＭとも称す。即ち、Gaussian Mixtured Modelの略）近似を行い、尤度を計算する。

以下に、ＧＭＭ近似及び尤度の説明を行う。まず、確率密度関数ｐ（ｘ；Θ） が、下記の式（１）に示すように、r 個の確率密度分布ｐ（ｘ； θｊ)（ｊ＝０，１，２…） の重み付き線形結合によってモデル化できるとする。ここでΘは、Θ ＝ (θ１, θ２, …,θｒ) と表されるパラメータベクトルであり、θｊ は確率度数分布ｐ(ｘ; θｊ )のパラメータである。このような分布は混合分布と呼ばれる。

そして、確率密度分布ｐ(ｘ; θｊ ) は、下記の式（２）に示すように、平均ｕｊ，共分散行列Σｊ = σｊ×Ｉ のガウス分布で表される。尚、式（２）で表される分布はＧＭＭ(Gaussian Mixtured Model)と呼ばれている。

また，式（１）中の重み係数ωｊ は混合パラメータと呼ばれ、下記の式（３）に示す条件を満たす。

同様に各確率密度分布p(ｘ; θｊ) は、下記の式（４）に示す条件を満たす。

推定すべきパラメータは確率密度分布のパラメータΘ と重み係数Ω = (ω１, ω２, ・・・ ωｒ) となる。混合ガウス分布のパラメータ推定法には周知のＥＭアルゴリズムを用い、下記の式（５） で表現される尤度(Likelihood) が最大になるように推定を行う。即ち、尤度が最大になる時のパラメータΘ 及び重み係数Ωを算出する。尚、尤度とは対象としている観測データの分布が、ある確率論モデルにどの程度一致しているかを表す尺度である。ここで、ｎ 個のパターンを含む学習パターン集合をＸ = (ｘ１, ｘ２, ・・・ ,ｘｎ) とする。

つまり、オブジェクト及び鮮明度ｍが異なる２４個の統合ＹＵＶヒストグラムについて、パラメータΘ と重み係数Ωを算出する。そして、このパラメータΘ と重み係数Ωで表されるＧＭＭ分布をそれぞれのオブジェクト及び鮮明度における基準分布として、データベース１７内の基準データ群１７ａに記憶する。なお、オブジェクト識別番号ｋ，鮮明度ｍの基準分布を以降、基準分布（ｋ，ｍ）と表記する（ｋ＝１，２，３，４、ｍ＝２２，２４，２６，２８，３０，３２）。

更にＳ１３０では、統合ＹＵＶヒストグラム（ｋ，ｍ）の基準分布（ｋ，ｍ）に対する尤度を式（５）に基づいて算出し、データベース１７内の基準データ群１７ａに記憶する。なお、オブジェクト識別番号ｋ，鮮明度ｍにおける、統合ＹＵＶヒストグラム（ｋ，ｍ）の基準分布（ｋ，ｍ）に対する尤度を以降、尤度Ｘ（ｋ，ｍ）と表記する（ｋ＝１，２，３，４、ｍ＝２２，２４，２６，２８，３０，３２）。つまり、Ｓ１３０の処理により、４つのオブジェクト毎に、鮮明度ｍに応じて６つの基準分布（ｋ，ｍ）及び尤度Ｘ（ｋ，ｍ）が算出される。

次にＳ１４０にて、オブジェクト識別番号ｋを表す変数Ｐｋを１に、鮮明度ｍを表す変数Ｐｍを２２に設定する。その後Ｓ１５０にて、車種識別番号ｃ＝１〜５の５つの車種において、変数Ｐｋで示されるオブジェクト識別番号ｋ，及び変数Ｐｍで示される鮮明度ｍのＹＵＶヒストグラム（ｃ，ｋ，ｍ）についての基準分布（ｋ，ｍ）に対する尤度を式（５）に基づいて算出する。なお、ＹＵＶヒストグラム（ｃ，ｋ，ｍ）についての基準分布（ｋ，ｍ）に対する尤度を以降、尤度Ｙ（ｃ，ｋ，ｍ）と表記する（ｃ＝１，２，３，４，５、ｋ＝１，２，３，４、ｍ＝２２，２４，２６，２８，３０，３２）。つまり、Ｓ１４０の処理により、車種識別番号ｃの異なる５つの尤度Ｙ（ｃ，ｋ，ｍ）が算出される。

そしてＳ１６０にて、Ｓ１５０にて算出された５つの尤度Ｙ（ｃ，ｋ，ｍ）それぞれについて尤度比を算出する。なお、この尤度比は、Ｙ（ｃ，ｋ，ｍ）／尤度Ｘ（ｋ，ｍ）で計算される。

次にＳ１７０にて、Ｓ１５０にて算出された５つの尤度比の最大値と最小値を求め、その後、この最大値及び最小値を、オブジェクト識別番号ｋ，鮮明度ｍにおける尤度比上限値（ｋ，ｍ）、及び尤度比下限値（ｋ，ｍ）に設定する。そして、この尤度比上限値（ｋ，ｍ）及び尤度比下限値（ｋ，ｍ）をデータベース１７内の基準データ群１７ａに記憶する。

その後Ｓ１８０にて、オブジェクト識別番号ｋを表す変数Ｐｋの値が総オブジェクト数ｋｍａｘ（本実施形態ではｋｍａｘ＝４）以上であるか否かを判断する。ここで、オブジェクト識別番号ｋを表す変数Ｐｋの値が総オブジェクト数ｋｍａｘ未満である場合には（Ｓ１８０：ＮＯ）、Ｓ１９０にてオブジェクト識別番号ｋを表す変数Ｐｋの値を１加算し、その後Ｓ１５０に移行して上述の処理を繰り返す。一方、オブジェクト識別番号ｋを表す変数Ｐｋの値が総オブジェクト数ｋｍａｘ以上である場合には（Ｓ１８０：ＹＥＳ）、Ｓ２００に移行する。

そしてＳ２００に移行すると、鮮明度ｍを表す変数Ｐｍの値が鮮明度最大値ｍｍａｘ（本実施形態ではｍｍａｘ＝３２）以上であるか否かを判断する。ここで、鮮明度ｍを表す変数Ｐｍの値が鮮明度最大値ｍｍａｘ未満である場合には（Ｓ２００：ＮＯ）、Ｓ２１０にて鮮明度ｍを表す変数Ｐｍの値を２加算し、その後Ｓ１５０に移行して上述の処理を繰り返す。一方、鮮明度ｍを表す変数Ｐｍの値が鮮明度最大値ｍｍａｘ以上である場合には（Ｓ２００：ＹＥＳ）、当該基準データ作成処理を終了する。

即ち、基準データ作成処理によって、基準分布（ｋ，ｍ），尤度Ｘ（ｋ，ｍ），尤度比上限値（ｋ，ｍ）及び尤度比下限値（ｋ，ｍ）がデータベース１７内の基準データ群１７ａに記憶される（ｋ＝１，２，３，４、ｍ＝２２，２４，２６，２８，３０，３２）。つまり、基準データ群１７ａは、基準分布（ｋ，ｍ），尤度Ｘ（ｋ，ｍ），尤度比上限値（ｋ，ｍ）及び尤度比下限値（ｋ，ｍ）から構成される。

次に、図４及び図５を用いて、ＣＰＵ１１が実行する画像認識処理の手順について説明する。図４は画像認識処理の前半部分、図５は画像認識処理の後半部分を表すフローチャートである。尚、この画像認識処理は、車両のイグニッションキーがキーシリンダに挿入され、上記キーがオンに変更された状態である間、繰り返し実行される。

この画像認識処理においては、ＣＰＵ１１は、まずＳ３１０にて、カメラ５が撮影した画像データをカメラ５から取得する。そしてＳ３２０にて、Ｓ３１０で取得した画像データにおいて、輝度がほぼ等しい領域に分割する（領域分割）。ここでは、ｎ個の領域に分割されたとして、以下の説明を行う（以降、このｎを総分割数ｎとも称す）。更にＳ３２０では、分割したｎ個の領域を識別するために１〜ｎまでの整数の番号を領域識別番号ｓとして付す。次にＳ３３０にて、領域識別番号ｓを表す変数Ｐｓを１に設定しＳ３４０に移行する。

そしてＳ３４０に移行すると、変数Ｐｓによって示される領域識別番号ｓで識別される領域ｓを選択し、その後Ｓ３５０にて、選択した領域ｓの鮮明度を計算する。即ち、選択した領域を表す画像データに対して、Ｓ４０と同様にして２次元の高速フーリエ変換し、この変換により得られる空間周波数分布に基づいて鮮明度を計算する。

次にＳ３６０にて、Ｓ３４０で選択された領域から、Ｓ５０と同様にして、４つのオブジェクト、即ちリアウィンドウ・オブジェクトＯ１，右テールランプ・オブジェクトＯ２，左テールランプ・オブジェクトＯ３及びナンバープレート・オブジェクトＯ４を抽出する。更にＳ３６０では、抽出したオブジェクトを識別するために１〜４までの整数の番号をオブジェクト識別番号ｋとして付す。即ち、オブジェクト識別番号ｋ＝１，２，３，４はそれぞれ、リアウィンドウ，右テールランプ，左テールランプ，ナンバープレートを示す。その後Ｓ３７０にて、オブジェクト識別番号ｋを表す変数Ｐｋを１に設定し、Ｓ３８０に移行する。

そしてＳ３８０に移行すると、変数Ｐｋによって示されるオブジェクト識別番号ｋで識別されるオブジェクトを選択し、その後Ｓ３９０にて、Ｓ３８０で選択したオブジェクトについてのＹＵＶヒストグラムを算出する。

次にＳ４００にて、Ｓ３５０にて計算された鮮明度における基準分布（以降、補間基準分布と称す）を線形補間により算出する。即ち、例えば鮮明度２４．５の基準分布を求めるためには、鮮明度２４の基準分布（ｋ，２４）と鮮明度２６の基準分布（ｋ，２６）とで線形補間すればよい。更にＳ４００では、Ｓ３９０で算出されたＹＵＶヒストグラムのこの補間基準分布に対する尤度を算出する。なお、この尤度を以降、尤度Ｚと称す。

そしてＳ４１０にて、Ｓ３５０にて計算された鮮明度における尤度Ｘ（以降、補間尤度と称す）を線形補間により算出する。即ち、例えば鮮明度２４．５の補間尤度を求めるためには、鮮明度２４の尤度Ｘ（ｋ，２４）と鮮明度２６の尤度Ｘ（ｋ，２６）とで線形補間すればよい。更にＳ４１０では、Ｓ４００で算出された尤度Ｚの、補間尤度に対する尤度比（以降、認識用尤度比と称す）を算出する。即ち、認識用尤度比は、（尤度Ｚ／補間尤度）で計算される。

次にＳ４２０にて、Ｓ３５０にて計算された鮮明度における尤度比上限値（以降、補間尤度比上限値と称す）及び尤度比下限値（以降、補間尤度比下限値と称す）を線形補間により算出する。即ち、例えば鮮明度２４．５の尤度比上限値を求めるためには、鮮明度２４の尤度比上限値（ｋ，２４）と鮮明度２６の尤度比上限値（ｋ，２６）とで線形補間すればよい。また、補間尤度比下限値も同様にして求められる。更にＳ４２０では、Ｓ４１０で算出された認識用尤度比が、補間尤度比下限値以上且つ補間尤度比上限値以下の範囲にあるか否かを判断する。ここで、補間尤度比下限値以上且つ補間尤度比上限値以下の範囲にある場合には（Ｓ４２０：ＹＥＳ）、Ｓ４３０にて、変数Ｐｋによって示されるオブジェクト識別番号ｋで識別されるオブジェクトの、認識結果を示す第ｋオブジェクト認識フラグＦ（ｋ）をセットして、Ｓ４５０に移行する。一方、補間尤度比下限値以上且つ補間尤度比上限値以下の範囲にない場合には（Ｓ４２０：ＮＯ）、Ｓ４４０にて第ｋオブジェクト認識フラグＦ（ｋ）をクリアして、Ｓ４５０に移行する。

そしてＳ４５０に移行すると、オブジェクト識別番号ｋを表す変数Ｐｋの値が総オブジェクト数ｋｍａｘ以上であるか否かを判断する。ここで、オブジェクト識別番号ｋを表す変数Ｐｋの値が総オブジェクト数ｋｍａｘ未満である場合には（Ｓ４５０：ＮＯ）、Ｓ４６０にてオブジェクト識別番号ｋを表す変数Ｐｋの値を１加算し、その後Ｓ３８０に移行して上述の処理を繰り返す。一方、オブジェクト識別番号ｋを表す変数Ｐｋの値が総オブジェクト数ｋｍａｘ以上である場合には（Ｓ４５０：ＹＥＳ）、Ｓ４７０にて、第ｋオブジェクト認識フラグＦ（ｋ）の全てがセットされているか否かを判断する。ここで、第ｋオブジェクト認識フラグＦ（ｋ）の全てがセットされている場合には（Ｓ４７０：ＹＥＳ）、「領域ｓ内に先行車両が示されている」と判定し、Ｓ５００に移行する。一方、第ｋオブジェクト認識フラグＦ（ｋ）の全てがセットされていない場合には（Ｓ４７０：ＮＯ）、「領域ｓ内に先行車両が示されていない」と判定し、Ｓ５００に移行する。

そしてＳ５００に移行すると、領域識別番号ｓを表す変数Ｐｓの値が総分割数ｎ以上であるか否かを判断する。ここで、領域識別番号ｓを表す変数Ｐｓの値が総分割数ｎ未満である場合には（Ｓ５００：ＮＯ）、Ｓ５１０にて領域識別番号ｓを表す変数Ｐｓの値を１加算し、その後Ｓ３４０に移行して上述の処理を繰り返す。一方、領域識別番号ｓを表す変数Ｐｓの値が総分割数ｎ以上である場合には（Ｓ５００：ＹＥＳ）、当該画像認識処理を終了する。

以上説明したように、第１実施形態の画像認識システム１によれば、先行車両を認識するための、ＹＵＶヒストグラムと基準分布との比較において、鮮明度に応じて最適な基準分布を採用することができる。このため、先行車両までの距離が変化しても、安定して先行車両を認識することができる。なぜならば、先行車両までの距離を表す指標として、鮮明度を用いることができるからである。これは、人間が物体（例えば、車両）を視覚で認識する場合を例にすると、遠くに位置する程その車両が不鮮明に見えて、その物体が車両であるか否かの判断が困難になることからも明らかである。

以上説明した第１実施形態において、画像認識装置３は本発明における画像認識装置、図４におけるＳ３５０の処理は本発明における鮮明度算出手段、図４におけるＳ３９０の処理は本発明における特徴量抽出手段、データベース１７は本発明における第１記憶手段、図４，図５におけるはＳ４００〜Ｓ４９０の処理は本発明における第１判定手段である。

また、領域識別番号ｓで識別される領域ｓを表す画像データは本発明における部分領域画像、色情報（ＹＵＶ）は本発明における特徴量、Ｓ３９０の処理で算出されるＹＵＶヒストグラムは本発明における特徴データ、先行車両は本発明における所定対象物、基準データ作成用画像データは本発明における基準画像、基準分布（ｋ，ｍ）は本発明における基準データ、基準データ群１７ａは本発明における基準データ群である。

次に本実施形態の画像認識システム１を用いて画像認識を行った結果を実施例として以下に説明する。
まず本実施例に用いた入力画像を図９に示す。入力画像は、基準データ作成用画像データのうちの１つである作成用画像（図９（ａ）参照），基準データ作成用画像データと色分布が類似している車を示す認識用画像１（図９（ｂ）参照），基準データ作成用画像データと色分布が異なる車を示す認識用画像２（図９（ｃ）参照），車以外を示す認識用画像３（図９（ｄ）参照）の４ 枚である。尚、認識用画像３には、道路走行中に見られるテールランプ以外の赤い物体の例として、赤信号が点灯している信号機画像を採用した。そして、この信号機画像について、他の車画像と同等の処理を行い、更に各オブジェクトを平均的な位置・サイズで切り取り画像認識処理を行った。

それぞれの入力画像について、オブジェクト毎（リアウィンドウ・オブジェクトＯ１，右テールランプ・オブジェクトＯ２，左テールランプ・オブジェクトＯ３及びナンバープレート・オブジェクトＯ４）に算出された尤度比（Ｓ４１０で算出される尤度比）を図１０〜図１３ に示す。図１０，図１１，図１２及び図１３はそれぞれ、作成用画像，認識用画像１，認識用画像２及び認識用画像３における結果を示す。また、図の縦軸は尤度比、横軸は鮮明度である。そして、尤度比を破線で、上限値及び下限値を実線で示す。

図１０〜図１３ に示すように、全ての入力画像において、どのオブジェクトについても鮮明度が高いほど尤度比が小さくなっている。これは、鮮明度が高いほどオブジェクトのデータが幅広い帯域でデータを含み、統合ＹＵＶヒストグラムも幅広い帯域に様々な要素が含まれた分布になるためである。つまり、統合ＹＵＶヒストグラムに基づいて算出された基準分布に、入力画像データとは一致しない分布が多く含まれるためであると考えられる。一方、鮮明度が低いほど尤度比が大きくなっている。これは、鮮明度が低くなるとオブジェクト内の色分布の広がりは一様になり、全ての入力画像においてオブジェクト内の分布帯域が大きく異なることがないためであると考えられる。

また認識用画像１については、作成用画像と比較して車の撮影環境・色の分布などが類似しているため、ほぼ同等の認識結果が得られている。即ち、全てのオブジェクトに対する尤度比は上限値と下限値との間に含まれている．
また認識用画像２については、リアウィンドウが太陽光を反射しており、認識用画像２の色分布は作成用画像と異なる。このため、リアウィンドウの尤度比が下限値より小さくなる場合がある。また、作成用画像では太陽光が画像上の左側から差しているため、作成用画像における右テールランプは左テールランプに対して全体的に暗いものであるのに対して、認識用画像２では右テールランプにおいても光が差し込んでいるため、認識用画像２の右テールランプは作成用画像の右テールランプに比べて明るい。このため、認識用画像２における右テールランプの尤度比は下限値に近い値となっている。また、その他のオブジェクト（左テールランプとナンバープレート）については作成用画像と類似しているため、尤度比は上限値と下限値との間に含まれている。

また認識用画像３については、右テールランプの位置に赤信号が存在する。このため、このオブジェクトにおける尤度比は右テールランプの下限値に近い値となっている。しかし、その他のオブジェクトについては作成用画像と大きく異なるため、尤度比は小さい。

したがって先行車両であるか否かを判定する場合、一つのオブジェクトの結果だけではなく、構成するオブジェクト全体で判定することにより誤認識を減らすことができると考えられる。

ここまでの結果から、基準分布が、基準データ作成用画像データのデータ分布を表現できていることがわかる。また、認識対象までの距離が変化しても尤度比の上限値・下限値を変えることで，距離の変化に対して対処できることがわかった。

（第２実施形態）
以下に、第２実施形態について図面をもとに説明する。尚、第２実施形態では、第１実施形態と異なる部分のみを説明する。

まず、第２実施形態における画像認識システム１の構成を図１４に基づいて説明する。第２実施形態における画像認識システム１は、カメラ５が撮影する範囲に存在する物体までの距離を測定するレーダレーザ７が追加されている点と、基準データ群１７ａとは異なる基準データ群１７ｂがデータベース１７に記憶されている点以外は、第１実施形態と同じである。

また、データベース１７に記憶されている基準データ作成用画像データにはそれぞれ、当該基準データ作成用画像データが撮影された撮影距離の情報（以降、距離情報と称す）が付加されている。距離情報は、例えば１５ｍ，５０ｍなどの距離を示す情報である。

次に第２実施形態における基準データ作成処理を図１５及び図１６を用いて説明する。第２実施形態の基準データ作成処理において第１実施形態と異なるのは、Ｓ４０，Ｓ９０，Ｓ１２０，Ｓ１３０，Ｓ１４０，Ｓ１５０，Ｓ１６０，Ｓ１７０，Ｓ２００及びＳ２１０の処理に代わって、それぞれＳ４０ａ，Ｓ９０ａ，Ｓ１２０ａ，Ｓ１３０ａ，Ｓ１４０ａ，Ｓ１５０ａ，Ｓ１６０ａ，Ｓ１７０ａ，Ｓ２００ａ及びＳ２１０ａの処理が行われる点である。

即ち、Ｓ３０の処理が終了すると、Ｓ４０ａにて、Ｓ３０で取得した画像データ（ｃ，ｄ）に付加されている距離情報を取得する。
また、Ｓ８０の処理が終了すると、Ｓ９０ａにて、変数Ｐｃで示される車種識別番号ｃが付された画像データ（ｃ，ｄ）について、オブジェクト毎に、例えば撮影距離ｒ＝２０，４０，６０，８０，１００，１２０〔ｍ〕のＹＵＶヒストグラムを、Ｓ６０で算出したＹＵＶヒストグラムで線形補間することにより求める。即ち、例えば、同一車種で撮影距離が異なる６つの画像、即ち距離識別番号ｄ＝１，２，３，４，５，６における距離情報がそれぞれ、「１５．５」，「３２．５」，「４８．０」，「７０．５」，「８８．３」，「１０６．５」〔ｍ〕であるとすると、例えば撮影距離ｒ＝２０〔ｍ〕のＹＵＶヒストグラムを求めるためには、距離情報１５．５のＹＵＶヒストグラムと距離情報３２．５のＹＵＶヒストグラムとで線形補間すればよい。そして、線形補間により求めた撮影距離ｒ＝２０，４０，６０，８０，１００，１２０〔ｍ〕のＹＵＶヒストグラムをＲＡＭ１５に記憶する。なお、車種識別番号ｃ，オブジェクト識別番号ｋ，撮影距離ｒのＹＵＶヒストグラムを以降、ＹＵＶヒストグラム（ｃ，ｋ，ｒ）と表記する（ｃ＝１，２，３，４，５、ｋ＝１，２，３，４、ｒ＝２０，４０，６０，８０，１００，１２０）。

またＳ１００にて、車種識別番号ｃを表す変数Ｐｃの値が５以上である場合には（Ｓ１００：ＹＥＳ）、Ｓ１２０ａにて、同じオブジェクトで且つ同じ撮影距離ｒであるＹＵＶヒストグラムを全車種について加算する。例えば、リアウィンドウ・オブジェクトＯ１で撮影距離ｒが２０のＹＵＶヒストグラムは、車種識別番号ｃ＝１〜５毎に１つずつ存在するため、この５つのＹＵＶヒストグラムを加算する。この加算したＹＵＶヒストグラムを以降、統合ＹＵＶヒストグラムと称す。つまり、Ｓ１２０の処理により、４つのオブジェクト毎に、撮影距離ｒに応じて６つの統合ＹＵＶヒストグラムが生成される。なお、オブジェクト識別番号ｋ，撮影距離ｒの統合ＹＵＶヒストグラムを以降、統合ＹＵＶヒストグラム（ｋ，ｒ）と表記する（ｋ＝１，２，３，４、ｒ＝２０，４０，６０，８０，１００，１２０）。

次にＳ１３０ａにて、オブジェクトと撮影距離ｒが異なる２４個の統合ＹＵＶヒストグラムについて、パラメータΘ と重み係数Ωを算出する。そして、このパラメータΘ と重み係数Ωで表されるＧＭＭ分布をそれぞれのオブジェクト及び撮影距離ｒにおける基準分布として、データベース１７内の基準データ群１７ｂに記憶する。なお、オブジェクト識別番号ｋ，撮影距離ｒの基準分布を以降、基準分布（ｋ，ｒ）と表記する（ｋ＝１，２，３，４、ｒ＝２０，４０，６０，８０，１００，１２０）。

更にＳ１３０ａでは、統合ＹＵＶヒストグラム（ｋ，ｒ）の基準分布（ｋ，ｒ）に対する尤度を式（５）に基づいて算出し、データベース１７内の基準データ群１７ｂに記憶する。なお、オブジェクト識別番号ｋ，撮影距離ｒにおける、統合ＹＵＶヒストグラム（ｋ，ｒ）の基準分布（ｋ，ｒ）に対する尤度を以降、尤度Ｘ（ｋ，ｒ）と表記する（ｋ＝１，２，３，４、ｒ＝２０，４０，６０，８０，１００，１２０）。つまり、Ｓ１３０ａの処理により、４つのオブジェクト毎に、撮影距離ｒに応じて６つの基準分布（ｋ，ｒ）及び尤度Ｘ（ｋ，ｒ）が算出される。

次にＳ１４０ａにて、オブジェクト識別番号ｋを表す変数Ｐｋを１に、撮影距離ｒを表す変数Ｐｒを２０に設定する。その後Ｓ１５０ａにて、車種識別番号ｃ＝１〜５の５つの車種において、変数Ｐｋで示されるオブジェクト識別番号ｋ，及び変数Ｐｒで示される撮影距離ｒのＹＵＶヒストグラム（ｃ，ｋ，ｒ）についての基準分布（ｋ，ｒ）に対する尤度を式（５）に基づいて算出する。なお、ＹＵＶヒストグラム（ｃ，ｋ，ｒ）についての基準分布（ｋ，ｒ）に対する尤度を以降、尤度Ｙ（ｃ，ｋ，ｒ）と表記する（ｃ＝１，２，３，４，５、ｋ＝１，２，３，４、ｒ＝２０，４０，６０，８０，１００，１２０）。つまり、Ｓ１４０ａの処理により、車種識別番号ｃの異なる５つの尤度Ｙ（ｃ，ｋ，ｒ）が算出される。

そしてＳ１６０ａにて、Ｓ１５０ａにて算出された５つの尤度Ｙ（ｃ，ｋ，ｒ）それぞれについて尤度比を算出する。なお、この尤度比は、Ｙ（ｃ，ｋ，ｒ）／尤度Ｘ（ｋ，ｒ）で計算される。

次にＳ１７０ａにて、Ｓ１５０ａにて算出された５つの尤度比の最大値と最小値を求め、その後、この最大値及び最小値を、オブジェクト識別番号ｋ，撮影距離ｒにおける尤度比上限値（ｋ，ｒ）、及び尤度比下限値（ｋ，ｒ）に設定する。そして、この尤度比上限値（ｋ，ｒ）及び尤度比下限値（ｋ，ｒ）をデータベース１７内の基準データ群１７ｂに記憶する。

またＳ１８０にて、オブジェクト識別番号ｋを表す変数Ｐｋの値が総オブジェクト数ｋｍａｘ以上である場合には（Ｓ１８０：ＹＥＳ）、Ｓ２００ａにて、撮影距離ｒを表す変数Ｐｒの値が撮影距離最大値ｒｍａｘ（本実施形態ではｒｍａｘ＝１２０）以上であるか否かを判断する。ここで、撮影距離ｒを表す変数Ｐｒの値が撮影距離最大値ｒｍａｘ未満である場合には（Ｓ２００ａ：ＮＯ）、Ｓ２１０ａにて撮影距離ｒを表す変数Ｐｒの値を２０加算し、その後Ｓ１５０ａに移行して上述の処理を繰り返す。一方、撮影距離ｒを表す変数Ｐｒの値が撮影距離最大値ｒｍａｘ以上である場合には（Ｓ２００ａ：ＹＥＳ）、当該基準データ作成処理を終了する。

即ち、基準データ作成処理によって、基準分布（ｋ，ｒ），尤度Ｘ（ｋ，ｒ），尤度比上限値（ｋ，ｒ）及び尤度比下限値（ｋ，ｒ）がデータベース１７内の基準データ群１７ｂに記憶される（ｋ＝１，２，３，４、ｒ＝２０，４０，６０，８０，１００，１２０）。つまり、基準データ群１７ｂは、基準分布（ｋ，ｒ），尤度Ｘ（ｋ，ｒ），尤度比上限値（ｋ，ｒ）及び尤度比下限値（ｋ，ｒ）から構成される。

次に第２実施形態における画像認識処理を図１７を用いて説明する。第２実施形態の画像認識処理において第１実施形態と異なるのは、Ｓ３２０，Ｓ３５０，Ｓ４００，Ｓ４１０及びＳ４２０の処理に代わって、それぞれＳ３２０ａ，Ｓ３５０ａ，Ｓ４００ａ，Ｓ４１０ａ及びＳ４２０ａの処理が行われる点である。

まず、Ｓ３１０の処理が終了すると、Ｓ３２０ａにて、Ｓ３１０で取得した画像において、レーダレーザ７で測定された距離がほぼ等しい領域に分割する（領域分割）。即ち、レーダレーザ７による距離の測定によって、Ｓ３１０で取得した画像と一対の距離データを生成し、この距離データを適用な距離範囲、例えば１ｍ以内で等距離領域に分割した範囲について、対応する画像の領域を抜き出すことにより分割する。ここでは、ｎ個の領域に分割されたとして、以下の説明を行う（以降、このｎを総分割数ｎとも称す）。更にＳ３２０ａでは、分割したｎ個の領域を識別するために１〜ｎまでの整数の番号を領域識別番号ｓとして付す。

またＳ３４０の処理が終了すると、Ｓ３５０ａにて、選択した領域の撮影距離を計算する。即ち、選択した領域全体にわたって距離データの平均を算出し、この平均値を撮影距離とする。

またＳ３９０の処理が終了すると、Ｓ４００ａにて、Ｓ３５０ａにて計算された撮影距離における基準分布（以降、補間基準分布と称す）を線形補間により算出する。即ち、例えば撮影距離が３２．５の基準分布を求めるためには、撮影距離ｒ＝２０の基準分布（ｋ，２０）と撮影距離ｒ＝４０の基準分布（ｋ，４０）とで線形補間すればよい。更にＳ４００ａでは、Ｓ３９０で算出されたＹＵＶヒストグラムのこの補間基準分布に対する尤度を算出する。なお、この尤度を以降、尤度Ｚと称す。

そしてＳ４１０ａにて、Ｓ３５０ａにて計算された撮影距離における尤度Ｘ（以降、補間尤度と称す）を線形補間により算出する。即ち、例えば撮影距離が３２．５の補間尤度を求めるためには、撮影距離ｒ＝２０の尤度Ｘ（ｋ，２０）と撮影距離ｒ＝４０の尤度Ｘ（ｋ，４０）とで線形補間すればよい。更にＳ４１０ａでは、Ｓ４００ａで算出された尤度Ｚの、補間尤度に対する尤度比（以降、認識用尤度比と称す）を算出する。即ち、認識用尤度比は、（尤度Ｚ／補間尤度）で計算される。

次にＳ４２０ａにて、Ｓ３５０ａにて計算された撮影距離における尤度比上限値（以降、補間尤度比上限値と称す）及び尤度比下限値（以降、補間尤度比下限値と称す）を線形補間により算出する。即ち、例えば撮影距離が３２．５の尤度比上限値を求めるためには、撮影距離ｒ＝２０の尤度比上限値（ｋ，２０）と撮影距離ｒ＝４０の尤度比上限値（ｋ，４０）とで線形補間すればよい。また、補間尤度比下限値も同様にして求められる。更にＳ４２０ａでは、Ｓ４１０ａで算出された認識用尤度比が、補間尤度比下限値以上且つ補間尤度比上限値以下の範囲にあるか否かを判断する。ここで、補間尤度比下限値以上且つ補間尤度比上限値以下の範囲にある場合には（Ｓ４２０ａ：ＹＥＳ）、Ｓ４３０に移行する。一方、補間尤度比下限値以上且つ補間尤度比上限値以下の範囲にない場合には（Ｓ４２０ａ：ＮＯ）、Ｓ４４０に移行する。

以上説明したように、第２実施形態の画像認識システム１によれば、先行車両を認識するための、ＹＵＶヒストグラムと基準分布との比較において、撮影距離に応じて最適な基準分布を採用することができる。このため、先行車両までの距離が変化しても、安定して先行車両を認識することができる。

以上説明した第２実施形態において、レーダレーザ７及び図１７におけるＳ３５０ａの処理は本発明における距離測定手段、図１７におけるＳ３９０の処理は本発明における特徴量抽出手段、データベース１７は本発明における第２記憶手段、図１７のＳ４００ａ，Ｓ４２０ａ，Ｓ４３０及びＳ４４０の処理と図５のＳ４５０〜Ｓ４９０の処理は本発明における第２判定手段である。

また、基準分布（ｋ，ｒ）は本発明における基準データ、基準データ群１７ｂは本発明における基準データ群である。
（他の実施形態）
以上、本発明の一実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、本発明の技術的範囲に属する限り種々の形態にて実施することが可能である。

上記実施形態では、距離に応じて鮮明度が変化するものを示したが、天候（晴れ，曇り，雨など），時刻（昼，夕，夜など），太陽光の入射方向の変化等といった、入力画像が撮影される撮影環境によっても鮮明度は変化することがあるため、同じ鮮明度であっても、撮影環境に応じて異なる基準分布を選択することが望ましい。

上記実施形態では、画像データに対して高速フーリエ変換を行うことにより鮮明度を算出したが、画像データに対してエッジ強調処理を行い、エッジ強調処理された画像に含まれるエッジの量に基づいて鮮明度を算出するように構成してもよい。即ち、周知のラプラシアンフィルタまたはソーベルフィルタなどを用いてエッジ画像を生成し、このエッジ画像に含まれる各画素のうち、所定の閾値以上の値をもつ画素数を計数してエッジ量を算出する。

上記実施形態では、レーダレーザ７による距離測定によって、取得した画像と一対の距離データを生成し、取得した画像を領域分割した（Ｓ３２０ａ）が、特開平９−６１０９４に開示されているように、時間的に連続した２枚の画像から、動きベクトル検出方式によって移動物体を捉えてその輪郭を算出し、その輪郭から概形を特定することにより、領域分割してもよい。或いは２つのステレオ・カメラ画像を用いて距離画像を算出することにより、一定の距離範囲に存在する領域に分割してもよい。または、１枚のカメラ画像を用いて、色が類似する画素をまとめて領域分割してもよい。

上記実施形態では、基準データ生成処理を行うものを示したが、基準データ生成処理は必ずしも画像認識システム１で実行される必要はない。即ち、予めオフラインで実行しておき、生成された基準データ群のみをデータベース１７に格納するようにしてもよい。尚、この場合は、ユーザＩ／Ｆ２１において操作キー２１ａが不要となる。以上の構成とすることにより、基準データ生成処理を省略できるとともに、データベース１７内に画像データ（基準データ作成用画像データ）を格納する必要がなくなるため、データベース１７の容量を削減することができる。さらに操作キー２１ａが不要となるため、画像認識装置３をより簡便に構成できる。

上記実施形態では、画像認識処理は、車両のイグニッションキーがキーシリンダに挿入され、キーがオンに変更された状態である間、繰り返し実行されるものを示したが、この画像認識処理を実行させるための認識処理実行スイッチを画像認識装置３が備え、この認識処理実行スイッチが操作されると、ＣＰＵ１１が画像認識処理を開始するように構成してもよい。より具体的には、クルーズコントロールを開始させるためのクルーズコントロール開始スイッチを備え、このクルーズコントロール開始スイッチが操作され、クルーズコントロールが開始されるのと連動して、ＣＰＵ１１が画像認識処理を開始するように構成してもよい。

画像認識システム１の構成を示すブロック図。 基準データ作成処理の前半部分の手順を示すフローチャート。 基準データ作成処理の後半部分の手順を示すフローチャート。 画像認識処理の前半部分の手順を示すフローチャート。 画像認識処理の後半部分の手順を示すフローチャート。 基準データ作成用画像データの構成を示す図。 鮮明度の算出方法を説明する図。 オブジェクト及びＹＵＶヒストグラムを説明する図。 入力画像を示す図。 作成用画像における尤度比算出結果を示す図。 認識用画像１における尤度比算出結果を示す図。 認識用画像２における尤度比算出結果を示す図。 認識用画像３における尤度比算出結果を示す図。 画像認識システム１の構成を示すブロック図。 基準データ作成処理の前半部分の手順を示すフローチャート。 基準データ作成処理の後半部分の手順を示すフローチャート。 画像認識処理の前半部分の手順を示すフローチャート。

符号の説明

１…画像認識システム、３…画像認識装置、５…カメラ、７…レーダレーザ、１１…ＣＰＵ、１３…ＲＯＭ、１５…ＲＡＭ、１７…データベース、１７ａ，１７ｂ…基準データ群、１９…入出力部、２１…ユーザＩ／Ｆ、２１ａ…操作キー、２１ｂ…表示パネル。

Claims (6)

1. 入力画像を複数の部分領域画像に分割し、該部分領域画像毎に画像認識を行う画像認識方法であって、
   前記部分領域画像の鮮明さの度合いを示す鮮明度を算出する第１ステップと、
   前記部分領域画像から、該部分領域画像を構成する各画素の特徴を表す特徴量を抽出し、該特徴量の分布を表す特徴データを生成する第２ステップと、
   予め設定された所定対象物が示され且つ該所定対象物の鮮明度が互いに異なる複数の基準画像のそれぞれについて前記特徴量の分布を表す基準データを予め生成しておくことにより用意された基準データ群の中から、前記第１ステップにより算出された鮮明度に対応した基準データを選択し、該選択した基準データと、前記第２ステップにより生成された特徴データとを比較し、該比較結果に基づいて、前記部分領域画像中に前記所定対象物が示されているか否かを判定する第３ステップと、
   からなることを特徴とする画像認識方法。
2. 入力画像を複数の部分領域画像に分割し、該部分領域画像毎に画像認識を行う画像認識装置であって、
   前記部分領域画像の鮮明さの度合いを示す鮮明度を算出する鮮明度算出手段と、
   前記部分領域画像から、該部分領域画像を構成する各画素の特徴を表す特徴量を抽出し、該特徴量の分布を表す特徴データを生成する特徴量抽出手段と、
   予め設定された所定対象物が示され且つ該所定対象物の鮮明度が互いに異なる複数の基準画像のそれぞれについて前記特徴量の分布を表す基準データを予め生成しておくことにより用意された基準データ群を記憶する第１記憶手段と、
   前記鮮明度算出手段により算出された鮮明度の値に基づいて、該鮮明度に対応した前記基準データを前記第１記憶手段から抽出し、該抽出した基準データと、前記特徴量抽出手段により抽出された特徴データとを比較し、該比較結果に基づいて、前記部分領域画像中に前記所定対象物が示されているか否かを判定する第１判定手段と、
   を備えることを特徴とする画像認識装置。
3. 前記特徴量は、色情報である、
   ことを特徴とする請求項２に記載の画像認識装置。
4. 前記鮮明度算出手段は、前記部分領域画像に対して２次元フーリエ変換し、該変換により得られる空間周波数分布に基づいて前記鮮明度を算出する、
   ことを特徴とする請求項２または請求項３に記載の画像認識装置。
5. 前記鮮明度算出手段は、前記部分領域画像に対してエッジ強調処理を行い、該エッジ強調処理された画像に含まれるエッジの量に基づいて前記鮮明度を算出する、
   ことを特徴とする請求項２または請求項３に記載の画像認識装置。
6. 入力画像を複数の部分領域画像に分割し、該部分領域画像毎に画像認識を行う画像認識装置であって、
   前記部分領域画像の中に示される物体と当該画像認識装置との間の距離である物体距離を測定する距離測定手段と、
   前記部分領域画像から、該部分領域画像を構成する各画素の特徴を表す特徴量を抽出し、該特徴量の分布を表す特徴データを生成する特徴量抽出手段と、
   予め設定された所定対象物が示され且つ該所定対象物の物体距離が互いに異なる複数の基準画像のそれぞれについて前記特徴量の分布を表す基準データを予め生成しておくことにより用意された基準データ群を記憶する第２記憶手段と、
   前記距離測定手段により測定された物体距離に基づいて、該物体距離に対応した前記基準データを前記第２記憶手段から抽出し、該抽出した基準データと、前記特徴量抽出手段により抽出された特徴データとを比較し、該比較結果に基づいて、前記部分領域画像中に前記所定対象物が示されているか否かを判定する第２判定手段と、
   を備えることを特徴とする画像認識装置。