JP2006053801A - 物体検出装置及び物体検出方法 - Google Patents

Abstract

【課題】 物体の有無をより正確に検出することが可能にする。
【構成】 カラー用カメラ１０から入力された画像データを順次記録する画像メモリ３２と、画像メモリ３２上の画像データから検出領域画像の各画素の色空間上の成分を各々求めて各成分毎にヒストグラムを作成するヒストグラム作成部３４１と、成分毎のヒストグラムを構成する分布のバラツキ、重心及び／又は偏りをその特徴量として各々算出する特徴量算出部３４２と、特徴量算出部３４２により算出された成分毎の特徴量に基づいて当該検出領域上の物体の有無を判定する物体有無判定部３４３とを具備している。
【選択図】 図１

Description

本発明は例えば駐車場の車両の有無を画像解析により検出するのに利用される物体検出装置及び物体検出方法に関する。

従来の物体検出方法として、駐車場の駐車枠を撮影するモノクロカメラから入力された画像データを画像メモリに順次記録する一方、画像メモリ上の画像データから検出領域画像の全画素の輝度分布を求め、その輝度分布の特徴量を平均（重心）・標準偏差（バラツキ）・ひずみ度（偏り）として求め、その特徴量から駐車枠上の駐車車両の有無を検出するものがある（例えば、特許文献１等参照）。
特開平９−１０２０３２号公報

しかしながら、上記従来例による場合、アルゴリズム自体が単純で処理上の負担が小さいという効果を奏するものの、周囲が暗くなる夕暮れ時や夜間であっても照明から遠い場所では輝度分布の範囲が狭くなる傾向があり、これに起因して駐車車両の有無を正確に検出することができないケースがあった。

本発明は上記した背景の下で創作されたものであり、その目的とするところは、物体の有無をより正確に検出することが可能な物体検出装置及び物体検出方法を提供することにある。

本発明に係る物体検出装置は、少なくとも検出領域を撮影するカラー用カメラから入力された画像データを順次記録する画像メモリと、画像メモリ上の画像データから検出領域画像の各画素の色空間上の成分を求めて成分毎にヒストグラムを作成するヒストグラム作成部と、成分毎のヒストグラムを構成する分布のバラツキ、重心及び／又は偏りをその特徴量として各々算出する特徴量算出部と、特徴量算出部により算出された成分毎の特徴量に基づいて当該検出領域上の物体の有無を判定する物体有無判定部とを具備している。

好ましくは、物体有無判定部に関して、特徴量算出部により算出された成分毎の特徴量を入力としたニューラルネットワークを用いて物体の有無を判定する構成となっているものを用いることが望ましい。

本発明に係る物体検出方法は、少なくとも検出領域を撮影するカラー用カメラから入力された画像データを画像メモリに順次記録する一方、画像メモリ上の画像データから検出領域画像の各画素の色空間上の成分を求めて成分毎にヒストグラムを作成し、成分毎のヒストグラムを構成する分布のバラツキ、重心及び／又は偏りをその特徴量として求め、求められた成分毎の特徴量に基づいて当該検出領域上の物体の有無を判定する内容になっている。

好ましくは、物体の有無を判定するに当たり、求められた成分毎の特徴量を入力としたニューラルネットワークを用いて行うようにすることが望ましい。

以上、本発明に係る物体検出装置及び物体検出方法による場合、アルゴリズム自体が単純で処理上の負担が小さいだけでなく、周囲が暗くなる夕暮れ時や夜間であったり照明から遠い場所であっても、駐車車両の有無を正確に検出することが可能になり、装置の高性能化を実現することが可能になる。

以下、本発明の実施形態を図面を参照して説明する。図１は物体検出装置の構成図、図２は同装置のコンピュータにより処理されるメインプログラムのフローチャート、図３は同装置のコンピュータにより処理される駐車枠設定用プログラムのフローチャート、図４は駐車場の一部分を示す撮影画像の写真、図５は図４の撮影画像から得た成分別ヒストグラムを示す図、図６は駐車場の別の撮影画像を示す図、図７は図６の撮影画像から得た成分別ヒストグラムを示す図、図８は車両が駐車されている場合の撮影画像を示す図、図９は図８の撮影画像から得た色ヒストグラムを示す図、図１０は車両が駐車されていない場合の撮影画像を示す図、図１１は図１０の撮影画像から得た色ヒストグラムを示す図、図１２は天候が雨であり且つ赤い車両の全部が暗い場合の撮影画像を示す図、図１３は図１２の撮影画像から得た成分別ヒストグラムを示す図、図１４は駐車場全体の撮影画像から得た重心的パラメータ 、バラツキ的パラメータ及び偏り的パラメータを示すグラフ、図１５は晴れの明るい天候で車両がない場合の撮影画像を示す図、図１６は図１５の撮影画像から得た成分別ヒストグラムを示す図、図１７は駐車場全体の撮影画像から得た重心的パラメータ 、バラツキ的パラメータ及び偏り的パラメータを示すグラフ、図１８は車両の半分が建物の影に入っている場合の撮影画像を示す図、図１９は図１８の撮影画像から得た成分別ヒストグラムを示す図、図２０は駐車場全体の撮影画像から得た重心的パラメータ 、バラツキ的パラメータ及び偏り的パラメータを示すグラフである。

ここに掲げる物体検出装置は、駐車場の満空状態を把握して管理するシステムに使用されているもので、駐車場内の複数の駐車枠上の車両（物体）の有無を検出する装置である。図１中１０は駐車場全体を撮影可能なカラー用カメラ、２０はカラー用カメラにより撮影された画像を記録／再生するＶＴＲ、３０は同装置の中心的な役割を果たすコンピュータである。

コンピュータ３０は、カラー用カメラ１０からＶＴＲ２０を通じて入力されたアナログのビデオ信号を256 階調のデジタルの画像データに順次変換するＡ／Ｄ変換器３１と、Ａ／Ｄ変換器３１から出力された画像データを順次記録する画像メモリ３２と、駐車場内において車両検出すべき駐車枠（正確には駐車枠内の四角形のエリア: 図４等参照）を設定するためのマウスやキーボード等の入力部３３と、図２に示すメインプログラムを処理して画像メモリ３２上の画像データに対して画像解析を行い駐車枠上の車両の有無を検出するＣＰＵ３４と、その検出結果を出力するモニター等の出力部３５とを有した基本構成となっている。

ＣＰＵ３４は、カラー用カメラ１０からＶＴＲ２０、Ａ／Ｄ変換器３１を通じて入力された画像データを画像メモリ３２に順次記録させる一方、画像メモリ３２上の画像データから入力部３３を通じて設定された駐車枠の画像（検出領域画像）の各画素の色空間上の成分を求めてヒストグラムを駐車枠毎に作成し（ヒストグラム作成部３４１）、ヒストグラムを構成する分布のバラツキ、重心及び偏りをその特徴量として駐車枠毎に算出し（特徴量算出部３４２）、算出された成分毎の特徴量に基づいて駐車枠上の車両の有無を各々判定し（物体有無判定部３４３）、この判定結果を出力部３５に出力するようになっている。ここでは色空間として一般的なＲＧＢ空間を用いている。
以下、ヒストグラム作成部３４１、特徴量算出部３４２及び物体有無判定部３４３の具体的な機能について説明する。

ヒストグラム作成部３４１については次のような機能を有している。即ち、画像メモリ３２上の画像データをＲＧＢ成分毎に読み出し、読み出したＲＧＢ成分毎の輝度データを周辺照度の変化の影響を削減するために、ここでは２５６階調から１６階調に各々変換し、変換後のＲＧＢ成分の輝度データからヒストグラムを各々作成する。

カラー用カメラ１０の撮影画像の一部が図４、図６である場合、その成分別ヒストグラムは図５、図７に示す通りとなる。これらの成分別ヒストグラムは横軸に輝度を、縦軸に画素数を取ったものである。左上がＲ成分、右上がＧ成分、左下がＢ成分であって、カラー方式の場合のヒストグラムであり、右下はモノクロ方式の場合のヒストグラムを示している。

なお、画像データの階調数については、特徴量算出の処理速度に大きく関係するので、必要とする処理速度に応じて適宜設定すれば良い。

図８は駐車枠に車両がある場合の撮影画像を示している。この場合の色ヒストグラムは図９に示す通りである。上がＲ−Ｇ座標、下がＲ−Ｂ座標を示している。一方、図１０は駐車枠に車両がない場合の撮影画像を示している。この場合の色ヒストグラムは図１１に示す通りである。上がＲ−Ｇ座標、下がＲ−Ｂ座標を示している。

図８に示すように駐車枠上に車両がある場合、ＲＧＢ空間上の分布の空間的な広がりが大きいのに対して、図１０に示すように駐車枠上に車両がない場合、ＲＧＢ空間上の分布の空間的な広がりが小さい（図９及び図１１参照）。これは、背景となる駐車場の路面（アスファルト）の明度に大きな違いがないものの、車両と路面との明度は大きく異なるからであり、路面と同じ明るさの車であっても凹凸があるため、画素の明度にバラツキがあることに起因している。また、平均カラーや空間的な偏りについても違いが多少現れる。言い換えると、撮影画像を構成する各画素の色空間上の成分の分布の広がり加えて、平均カラーや空間的な偏りを定量的に求めるにようにすると、車両の有無の判別を行うことが可能になる。

ヒストグラム作成部３４１は、このような原理で車両の有無を判別する上で基礎となるＲＧＢ空間上の分布のＲＧＢ成分を出力するようになっている。

特徴量算出部３４２は、駐車枠画像に含まれるカラー情報のＲＧＢ空間上の分布を定量的に把握するために、ヒストグラム作成部３４１から入力されたＲＧＢ成分から当該分布のバラツキ、重心及び偏りをその特徴量として算出する基本構成となっている。ここではＲＧＢ成分を数１、２、３、４に当てはめ、これにより重心的パラメータρ0 （又はρ1 ）、バラツキ的パラメータＳ1 （又はＳ、Ｓ0 ）及び偏り的パラメータａ0 （又はａ1 ）を各々求めて、これを特徴量としている。

なお、検出領域画像の画素数をＮとして表し、ＲＧＢ成分の分布のＲ成分をＲ、Ｇ成分をＧ、Ｂ成分をＢとして各々表すことにする。ｋは階調数、Ｒr , Ｇg ，Ｂb は各階級の中央値、Ｆr , Ｆg 、Ｆb はＲr , Ｇg ，Ｂb の階級における分布数、Ｆrgb は（Ｒr , Ｇg ，Ｂb ）における分布数を各々示している。

重心は分布の重心を示す値である。ここではＲＧＢ空間であるので平均ベクトルが対応する。数１は平均ベクトルＡを示している。平均ベクトルＡそのままでは特徴値として使い難いことから、ベクトルの長さを特徴値として用いている。これが数２で示す重心的パラメータρ0 （又はρ1 ） である。

なお、後述するバラツキの分布範囲については平均の中央値を中心として左右対象の傾向があることが判っている。車両有無の境界についても同様であると考えられるため、これを利用して重心的パラメータρ0 を特徴量とする代わりに、重心値の中央値からの絶対差を特徴量としてもかまわない。これが平均的パラメータρ1 である。この特徴量を利用すると、車両有無の境界も片側だけとなり、単純化を図ることが可能である。また、分布範囲が半分となるために、値自体を２倍にすることも可能となり、車両有無の境界がより判り易くなるというメリットがある。

バラツキは分布のバラツキ度合いを示す値である。車両有りの場合、路面の色と車両の色とが混在するため、バラツキが大きくなる。逆に車両無しの場合、路面の色のみとなるため、バラツキが小さくなる。これを特徴量とすることにより車両有無の大半を判別することが可能になる。バラツキは、平均の差を二乗し、その平均の平方根で表されるが、これをＲＧＢ空間に適用する場合、平均の差が、平均ベクトルＡと個々のベクトルＰ（Ｒr , Ｇg ，Ｂb）との差となり、これが数３で示すバラツキ的パラメータＳ0 として表される。バラツキ的パラメータＳ1 は単に平均との差を平均化したものである。

ここではバラツキ的パラメータＳ0 及びＳ1 を特徴量として用いる代わりに、バラツキ的パラメータＳ2 を特徴量として用いている。即ち、バラツキ的パラメータＳ2 は、バラツキの最大値が平均によって変化するため、とり得る値のどの程度であるかを表すようにしたものであって、バラツキを平均値でとり得るバラツキの最大値Ｌで割ったものを特徴値としたものである。これを特徴量として使用すると、車両有無の判別が困難であった部分の分布が広げられ、その区別を容易に行うことが可能になるというメリットがある。

偏りは分布の左右対象の度合いを示す値である。平均値を境に右に裾を長くもつもの、左に裾を長くもつもので正負の符号があり、左右対象であれば０である。そのため、バラツキや重心に加えて偏りを特徴量に含めることにより車両の有無をより精度良く判定することが可能になる。ここではＲＧＢ空間であるので、ＲＧＢ成分の各偏りが全て正の値のときに正の偏りに、ＲＧＢ成分の各偏りが全て負の値であるとき負の偏りになるように適用したのが数４で示す偏り的パラメータａ0 （又はａ1 ）である。

物体有無判定部３４３は、特徴量算出部３４２により算出された特徴量に基づいて駐車枠上の車両の有無を判定し、この判定結果を出力部３５に出力する基本構成となっている。ここでは、特徴量の演算の軽減化のためにニューラルネットワーク法を用いたパターン認識により駐車枠上の車両の有無を判定するようになっている。

ニューラルネットワークについては、重心的パラメータρ0 、バラツキ的パラメータＳ1 及び偏り的パラメータａ1 等の各特徴量が入力される入力部と、この入力データに基づいて演算を行う３層の隠れ層と、この隠れ層における演算の結果が出力される出力部とから構成されている。即ち、入力データに対して正解である結果、すなわち教師データを出力に提示し、各隠れ層の結合係数を変化させて、入力データと教師データとの誤差が最小になるように結合係数を操作するようになっている。

即ち、物体有無判定部３４３は、ニューラルネットワークに重心的パラメータρ0 、バラツキ的パラメータＳ1 及び偏り的パラメータａ1 等の各特徴量を入力する一方、ニューラルネットワークから出力された値と所定のしきい値とを大小比較し、当該比較結果に基づいて駐車枠上の車両の有無を判定するようになっている。

このように構成された物体検出装置の動作について説明する。駐車枠設定時にはＣＰＵ３４により図３に示す駐車枠設定用プログラムが処理される。まず，カラー用カメラ１０からＶＴＲ２０、Ａ／Ｄ変換器３１を通じて入力された画像データを画像メモリ３２に取り込み、画像メモリ３２上の画像データを出力部３５に表示させる（Ｓ１）。この状態で入力部３３を通じて駐車枠のエリアが設定されると、この設定データを図外のメモリに保存する（Ｓ２）。この処理を入力部３３を通じて設定終了が入力されるまで続けられる（Ｓ３）。駐車枠の設定が終了すると、図３に示す駐車枠設定用プログラムの処理が終了となる。

その後、駐車有無の判定を行う際にはＣＰＵ３４により図２に示すメインプログラムで処理される。まず、カラー用カメラ１０からＶＴＲ２０、Ａ／Ｄ変換器３１を通じて入力された画像データが画像メモリ３２に順次記録されるように設定する一方（Ｓ１）、図外のメモリに保存した駐車枠の設定データを読み出す（Ｓ２）。そして、画像メモリ３２上の画像データを読み出し、この画像データの中から入力部３３を通じて設定された駐車枠の部分を抽出し、演算速度を速くするために、画像データを256 階調から16階調に階調変換し、この16階調の画像データから駐車枠画像の全画素のＲＧＢ空間上のＲＧＢ成分を求める（Ｓ３、Ｓ４）。

その後、駐車枠画像に含まれるカラー情報のＲＧＢ空間上の分布を定量的に把握するために、ＲＧＢ成分から重心的パラメータρ0 、バラツキ的パラメータＳ1 及び偏り的パラメータａ1 等を演算し（Ｓ５）、これらのパラメータの特徴量に基づいてニューラルネットワーク法を用いたパターン認識により駐車枠上の車両の有無を判定し、その判定結果を出力部３５に出力する（Ｓ６）。駐車枠の設定が複数ある場合、駐車枠の設定毎にステップ１〜６までの処理を繰り返し行う。その全ての駐車枠についての車両の有無が判定されると、この繰り返し処理のループを抜けて（Ｓ７）、メインプログラムの処理が終了となる。

上記したような物体検出装置による場合、プログラムが単純になりこれに伴って処理上の負担が小さい。また、駐車枠画像に含まれるカラー情報のＲＧＢ空間上の分布を定量的に把握して車両の有無を検出することから、周囲が暗くなる夕暮れ時や夜間であったり照明から遠い場所であってもその検出性能が非常に高いものとなる。特に以下のような条件下であるときには、モノクロ方式では誤検出され易かったが、同装置では正確に検出することが実証されている。

図１２は駐車枠上に赤い車両があり且つ雨による天候の影響で車両の全部が暗い場合の撮影画像である。この撮影画像についての成分別ヒストグラムは図１３に示す通りとなる。左上がＲ成分、右上がＧ成分、左下がＢ成分であって、カラー方式の場合の成分別ヒストグラムであり、右下はモノクロ方式の場合のヒストグラムを示している。また、この場合の駐車場全体の撮影画像についてのＲＧＢ空間上の分布の特徴量である重心的パラメータ 、バラツキ的パラメータ及び偏り的パラメータは図１４に示す通りとなる。上段がモノクロ方式、下段がカラー方式を示している。駐車車両有りの場合を図中○印で示す一方、駐車車両なしの場合を×印で示している。

これらの図から明らかなように、モノクロ方式においては、窓の色が黒色であり、赤色の車色部分も天候により暗いことから、十分なコントラストがなく、車両なしと同じようなバラツキの値を示すことになる。これに対して、同装置において採用されているカラー方式においては、車色に赤色があり、他の色の成分よりも赤の部分での明度が高くなっているため、Ｒ成分のバラツキの値が高くなる。これに伴って、偏りの値がＲ成分のみ負になることに起因して小さくなる。即ち、天候により暗い等の場合であっても、モノクロ方式に比べてバラツキの値が大きく、偏りの値が小さくなり、これにより車両の有無を正確に検出することが可能になる。

図１５は駐車枠上に車両がなく且つ晴れの天候で明るい場合の撮影画像である。この撮影画像の成分別ヒストグラムは図１６に示す通りとなる。左上がＲ成分、右上がＧ成分、左下がＢ成分であって、カラー方式の場合の成分別ヒストグラムであり、右下はモノクロ方式の場合のヒストグラムを示している。また、この場合の駐車場全体の撮影画像についてのＲＧＢ空間上の分布の特徴量である重心的パラメータ 、バラツキ的パラメータ及び偏り的パラメータは図１７に示す通りとなる。上段がモノクロ方式、下段がカラー方式を示している。駐車車両有りの場合を図中○印で示す一方、駐車車両なしの場合を×印で示している。

これらの図から明らかなように、モノクロ方式においては、アスファルトの路面で明るいときには明度分布が車両ありと同じようなばらつきを示すことになる。これに対して、同装置において採用されているカラー方式においては、路面が少し赤っぽいため、Ｒ成分の平均がＧ成分やＢ成分よりも少し高くなるものの、そのバラツキが小さいため、バラツキの値が小さく、その影響により偏りの値が大きくなる。即ち、分布図の中で特徴量の車両有りの判定領域と車両無しの判定領域との交錯部分がモノクロ方式の場合に比べて小さく各領域が大きく分離されることから、この点で誤判定が少なくなる。しかも車色に赤色があり、他の色の成分よりも赤の部分での明度が高くなっているため、Ｒ成分のバラツキの値が高くなる。これに伴って、偏りの値がＲ成分のみ負になることに起因して小さくなる。即ち、駐車枠のアスファルトの路面が明るい等の場合であっても、モノクロ方式に比べてバラツキの値が大きく、偏りの値が小さくなり、この変化によっても車両の有無を正確に検出することが可能になる。

図１８は駐車枠上に車両があり且つ車両の半分が建物の影に入っている場合の撮影画像である。この撮影画像の成分別ヒストグラムは図１９に示す通りとなる。左上がＲ成分、右上がＧ成分、左下がＢ成分であって、カラー方式の場合の成分別ヒストグラムであり、右下はモノクロ方式の場合のヒストグラムを示している。また、この場合の駐車場全体の撮影画像についてのＲＧＢ空間上の分布の特徴量である重心的パラメータ 、バラツキ的パラメータ及び偏り的パラメータは図２０に示す通りとなる。上段がモノクロ方式、下段がカラー方式を示している。

これらの図から明らかなように、モノクロ方式においては、窓の色が黒色であり、赤色の車色部分も建物の影により暗いものの、車両の一部に光の照り返しがあり明度の高い部分があることからコントラストが高く、そのためバラツキの値が高くなる。これに対して、同装置において採用されているカラー方式においては、車色に赤色があり、他の色の成分よりも赤の部分での明度が高くなっているため、Ｒ成分のバラツキの値が高くなる。これに伴って、偏りの値がＲ成分のみ負になることに起因して小さくなる。即ち、車両に建物の影の影響がある場合であっても、モノクロ方式に比べてバラツキの値が大きく、偏りの値が小さくなり、この変化によっても車両の有無を正確に検出することが可能になる。

なお、本発明に係る物体検出装置は上記した実施形態に限定されず、画像メモリ上の画像データから検出領域画像の各画素の色空間上の成分を求めて各成分毎にヒストグラムを作成し、成分毎のヒストグラムを構成する分布のバラツキ、重心及び／又は偏りをその特徴量として各々算出し、算出された成分毎の特徴量に基づいて当該検出領域上の物体の有無を判定する構成である限り、どのような構成であってもかまわない。また、数１乃至４については、ＲＧＢ空間の分布のバラツキ、重心又は偏りを求める式であったが、これ以外のＨＬＳやＹＵＶ等の三次元座標系を採用する際には、数１乃至４を等価的に変換したものを用いると良い。さらに、物体有無判定部については、ニューラルネットワーク以外のパターン認識の手法を用いて特徴量に基づいて物体の有無を判定する構成にしてもかまわない。

以下、本発明の実施の形態を説明するための図であって、物体検出装置の構成図である。 同装置のコンピュータにより処理されるメインプログラムのフローチャートである。 同装置のコンピュータにより処理される駐車枠設定用プログラムのフローチャートである。 駐車場の一部分を示す撮影画像を示す図である。 図４の撮影画像から得た成分別ヒストグラムを示す図である。 駐車場の別の撮影画像を示す図である。 図６の撮影画像から得た成分別ヒストグラムを示す図である。 車両が駐車されている場合の撮影画像を示す図である。 図８の撮影画像から得た色ヒストグラムを示す図である。 車両が駐車されていない場合の撮影画像を示す図である。 図１０の撮影画像から得た色ヒストグラムを示す図である。 天候が雨であり且つ赤い車両の全部が暗い場合の撮影画像を示す図である。 図１２の撮影画像から得た成分別ヒストグラムを示す図である。 駐車場全体の撮影画像から得た重心的パラメータ 、バラツキ的パラメータ及び偏り的パラメータを示すグラフである。 晴れの明るい天候で車両がない場合の撮影画像を示す図である。 図１５の撮影画像から得た成分別ヒストグラムを示す図である。 駐車場全体の撮影画像から得た重心的パラメータ 、バラツキ的パラメータ及び偏り的パラメータを示すグラフである。 車両の半分が建物の影に入っている場合の撮影画像を示す図である。 図１８の撮影画像から得た成分別ヒストグラムを示す図である。 駐車場全体の撮影画像から得た重心的パラメータ 、バラツキ的パラメータ及び偏り的パラメータを示すグラフである。

符号の説明

１０ カラー用カメラ
３０ コンピュータ
３１ Ａ／Ｄ変換器
３２ 画像メモリ
３３ 入力部
３４ ＣＰＵ
３４１ ヒストグラム生成部
３４２ 特徴量算出部
３４３ 物体有無判定部
３５ 出力部

Claims (4)

1. 少なくとも検出領域を撮影するカラー用カメラから入力された画像データを順次記録する画像メモリと、画像メモリ上の画像データから検出領域画像の各画素の色空間上の成分を求めて成分毎にヒストグラムを作成するヒストグラム作成部と、成分毎のヒストグラムを構成する分布のバラツキ、重心及び／又は偏りをその特徴量として各々算出する特徴量算出部と、特徴量算出部により算出された成分毎の特徴量に基づいて当該検出領域上の物体の有無を判定する物体有無判定部とを具備したことを特徴とする物体検出装置。
2. 請求項１記載の物体検出装置において、物体有無判定部は、特徴量算出部により算出された成分毎の特徴量を入力としたニューラルネットワークを用いて物体の有無を判定する構成となっていることを特徴とする物体検出装置。
3. 少なくとも検出領域を撮影するカラー用カメラから入力された画像データを画像メモリに順次記録する一方、画像メモリ上の画像データから検出領域画像の各画素の色空間上の成分を求めて成分毎にヒストグラムを作成し、成分毎のヒストグラムを構成する分布のバラツキ、重心及び／又は偏りをその特徴量として求め、求められた成分毎の特徴量に基づいて当該検出領域上の物体の有無を判定することを特徴とする物体検出方法。
4. 請求項３記載の物体検出方法において、物体の有無を判定するに当たり、求められた成分毎の特徴量を入力としたニューラルネットワークを用いて行うようになっていることを特徴とする物体検出方法。