JP2006302133A - 情報処理装置、情報処理方法、及びこれを用いた画像情報処理装置、画像情報処理方法 - Google Patents

Abstract

【課題】 複数の検出対象のパラメータを推定することができる情報処理装置を提供する。
【解決手段】 情報処理装置１は、カメラ２０と、カメラ２０の撮像画像を処理してレーンのパラメータを求めるＥＣＵ３０とを備えている。ＥＣＵ３０は、カメラ２０で撮像された画像からレーンの特徴を抽出する特徴抽出部３１、抽出されたレーンの特徴とレーンモデルとの一致度に応じてレーンパラメータ候補の評価値の分布（レーンパラメータ候補分布）を取得するパラメータ候補分布取得部３３、レーンパラメータ候補分布を近似する混合評価分布を生成するパラメータ分布モデル生成部３４、およびパラメータ候補分布取得部３３から入力されたレーンパラメータ候補分布と、パラメータ分布モデル生成部３４から入力された混合評価分布との適合度を評価し、その評価結果に応じてレーンパラメータを推定するパラメータ推定部３５を有する。
【選択図】 図１

Description

本発明は、情報処理装置、情報処理方法、及びこれを用いた画像情報処理装置、画像情報処理方法に関する。

車線維持支援装置や車線逸脱警報装置などの走行支援装置では、自車両が走行しているレーンを認識するために走行路認識装置が用いられている（例えば、特許文献１参照）。特許文献１に記載の走行路認識装置では、カルマンフィルタを用いて、走行レーンの幅、車両の白線に対する横変位や道路曲率等の道路パラメータが推定される。
特開２００２−１０９６９５号公報

カルマンフィルタは、道路パラメータの存在確率分布が単一のガウシアン分布を取ると仮定し、分布の平均と共分散の値を過去の履歴と現在の観測値から推定する方法である。カルマンフィルタのように単峰性の確率分布しか扱えない手法では、複数の対象のパラメータを取り扱うことができないため、検出対象であるレーンが複数存在する状況において、例えば、複数レーンの構成や合流・分岐などのレーン状態の変化を認識することができない。

本発明は、上記問題点を解消する為になされたものであり、複数の検出対象のパラメータを推定するとともに、この検出対象の状態変化を認識することができる情報処理装置、情報処理方法、およびこれを用いた画像情報処理装置及び画像情報処理方法を提供することを目的とする。

本発明に係る情報処理装置は、センサにより検出された被検出物情報を処理する情報処理装置において、被検出物情報と被検出物のパラメータ候補との一致度に応じて、パラメータ候補の分布を生成するパラメータ候補分布生成手段と、パラメータ候補分布と所定の混合評価分布との適合度に基づいて、被検出物のパラメータを推定するパラメータ推定手段と、パラメータ推定手段により推定された被検出物パラメータの変化を求める変化検出手段とを備えることを特徴とする。

また、本発明に係る情報処理方法は、センサにより検出された被検出物情報を処理する情報処理方法において、被検出物情報と被検出物のパラメータ候補との一致度に応じて、パラメータ候補の分布を生成するパラメータ候補分布生成ステップと、パラメータ候補分布と所定の混合評価分布との適合度に基づいて、被検出物のパラメータを推定するパラメータ推定ステップと、パラメータ推定ステップにより推定された被検出物パラメータの変化を求める変化検出ステップとを備えることを特徴とする。

本発明に係る情報処理装置又は情報処理方法によれば、被検出物の特徴量を含む被検出物情報と被検出物のパラメータ候補との一致度に応じてそのパラメータ候補の評価を行い、パラメータ候補ごとの評価結果の分布（パラメータ候補分布）が生成される。そして、このパラメータ候補分布と所定の混合評価分布との適合度に基づいて被検出物のパラメータが推定される。ここで、適合度の評価に、１以上の要素分布から構成される混合分布である混合評価分布が用いられるので、複数の被検出物のパラメータを取り扱うことが可能となる。また、被検出物パラメータの変化が求められるので、このパラメータ変化から複数の被検出物の状態変化を認識することが可能となる。

本発明に係る情報処理装置は、適合度が最大となる混合評価分布の極大値の数を探索する探索手段と、探索手段により探索された極大値数に応じて混合評価分布を設定する設定手段とをさらに備えることが好ましい。

また、本発明に係る情報処理方法は、適合度が最大となる混合評価分布の極大値の数を探索する探索ステップと、探索ステップにより探索された極大値数に応じて混合評価分布を設定する設定ステップとをさらに備えることが好ましい。

このようにすれば、混合評価分布の極大値の数、すなわち混合評価分布を構成する要素分布の数が自動的に設定される。そのため、自動的に被検出物の数に応じた数のパラメータを得ることが可能となる。

本発明に係る情報処理装置では、探索手段が、極大値数の探索を情報処理開始時にのみ実行することが好ましい。また、本発明に係る情報処理方法では、探索ステップが、情報処理開始時にのみ実行されることが好ましい。このようにすれば、探索に要する負荷を低減することができる。

本発明に係る情報処理装置は、適合度が最大となる混合評価分布を構成する各要素分布について削除評価値を演算するとともに、該削除評価値が所定の削除しきい値より大きい場合に、該要素分布を削除する削除手段をさらに備えることが好ましい。

また、本発明に係る情報処理方法では、適合度が最大となる混合評価分布を構成する各要素分布について削除評価値を演算するとともに、該削除評価値が所定の削除しきい値より大きい場合に、該要素分布を削除する削除ステップをさらに備えることが好ましい。

この場合、例えば、混合評価分布を構成する要素分布の山の高さの逆数を削除評価値とすることにより、山の高さが低い要素分布が削除される。その結果、ノイズである可能性が高いパラメータを削除することや、検出対象物の減少に対応することができるので、パラメータの推定精度を向上することが可能となる。

本発明に係る情報処理装置は、適合度が最大となる混合評価分布を構成する要素分布ごとに、該要素分布と、対応するパラメータ候補分布との要素適合度を演算するとともに、該要素適合度が所定の分割しきい値より大きい場合に、該要素分布を分割する分割手段をさらに備えることが好ましい。

また、本発明に係る情報処理方法は、適合度が最大となる混合評価分布を構成する要素分布ごとに、該要素分布と、対応するパラメータ候補分布との要素適合度を演算するとともに、該要素適合度が所定の分割しきい値より大きい場合に、該要素分布を分割する分割ステップをさらに備えることが好ましい。

この場合、混合評価分布を構成する要素分布と、この要素分布に対応するパラメータ候補分布との当てはまりの悪さである要素適合度が所定の分割しきい値より大きい場合に、該要素分布が分割される。その結果、検出対象物の増加に対応することができ、パラメータの推定精度を向上することが可能となる。

本発明に係る情報処理装置は、パラメータ候補分布取得手段が、適合度が最大となる混合評価分布を構成する要素分布の大きさに応じて、パラメータ候補のサンプリング数を増大することが好ましい。

また、本発明に係る情報処理方法は、パラメータ候補分布取得ステップが、適合度が最大となる混合評価分布を構成する要素分布の大きさに応じて、パラメータ候補のサンプリング数を増大することが好ましい。

この場合、パラメータ候補のサンプリング数を増大させることにより、パラメータの推定精度を向上させることが可能となる。

本発明に係る情報処理装置は、一致度が第１所定値未満、適合度が第２所定値未満、の少なくともいずれかの条件を満たす場合に、被検出物を検出することができていないと判断するロスト判定手段をさらに備えることが好ましい。

また、本発明に係る情報処理方法は、一致度が第１所定値未満、適合度が第２所定値未満、の少なくともいずれかの条件を満たす場合に、被検出物を検出することができていないと判断するロスト判定ステップをさらに備えることが好ましい。

このようにすれば、被検出物情報とパラメータ候補との一致度が低い場合、または、パラメータ候補分布と所定の混合評価分布との適合度が低い場合に、検出対象物をロストしたと判断することが可能となる。

本発明に係る情報処理装置は、一致度が第３所定値以上、適合度が第４所定値以上、の少なくともいずれかの条件を満たす場合に、被検出物を検出することができていると判断する復帰判定手段をさらに備えることが好ましい。

また、本発明に係る情報処理方法は、一致度が第３所定値以上、適合度が第４所定値以上、の少なくともいずれかの条件を満たす場合に、被検出物を検出することができていると判断する復帰判定ステップをさらに備えることが好ましい。

このようにすれば、被検出物情報とパラメータ候補との一致度が高い場合、または、パラメータ候補分布と所定の混合評価分布との適合度が高い場合に、ロスト状態から復帰することが可能となる。

本発明に係る画像情報処理装置は、上記情報処理装置を備える画像情報処理装置において、上記センサが周囲の画像を撮像する撮像手段であり、被検出物が道路のレーンであり、上記パラメータがレーンを規定するレーンパラメータであることを特徴とする。

また、本発明に係る画像情報処理方法は、上記情報処理方法を備える画像情報処理方法において、上記センサが周囲の画像を撮像する撮像手段であり、上記被検出物が道路のレーンであり、パラメータがレーンを規定するレーンパラメータであることを特徴とする。

本発明に係る画像情報処理装置又は画像情報処理方法によれば、レーンの特徴量を含むレーン情報とレーンパラメータ候補との一致度に応じてそのレーンパラメータ候補の評価を行い、レーンパラメータ候補ごとの評価結果の分布（レーンパラメータ候補分布）が生成される。そして、このレーンパラメータ候補分布と所定の混合評価分布との適合度に基づいてレーンのパラメータが推定される。ここで、適合度の評価に、１以上の要素分布から構成される混合分布である混合評価分布が用いられるので、複数のレーンパラメータを取り扱うことが可能となる。また、レーンパラメータの変化が求められるので、このパラメータ変化から複数のレーンの状態変化を認識することが可能となる。

本発明に係る画像情報処理装置は、レーンパラメータの変化に基づいて、レーンの合流、分岐を認識する認識手段をさらに備えることが好ましい。

また、本発明に係る画像情報処理方法は、レーンパラメータの変化に基づいて、レーンの合流、分岐を認識する認識ステップをさらに備えることが好ましい。

このようにすれば、例えば、レーン数やレーン幅などのレーンパラメータの変化に基づいてレーンの合流、分岐を認識することが可能となる。

本発明に係る画像情報処理装置は、上記情報処理装置を備える画像情報処理装置において、上記センサが周囲を撮像する撮像手段であり、上記被検出物が道路面であり、上記パラメータが道路面を規定する道路面パラメータであることを特徴とする。

また、本発明に係る画像情報処理方法は、上記情報処理方法を備える画像情報処理方法において、上記センサが周囲を撮像する撮像手段であり、上記被検出物が道路面であり、上記パラメータが道路面を規定する道路面パラメータであることを特徴とする。

本発明に係る画像情報処理装置又は画像情報処理方法によれば、道路面の特徴量を含む道路面情報と道路面パラメータ候補との一致度に応じてその道路面パラメータ候補の評価を行い、道路面パラメータ候補ごとの評価結果の分布（道路面パラメータ候補分布）が生成される。そして、この道路面パラメータ候補分布と所定の混合評価分布との適合度に基づいて道路面パラメータが推定される。ここで、適合度の評価に、１以上の要素分布から構成される混合分布である混合評価分布が用いられるので、勾配などが異なる複数の道路面パラメータを取り扱うことが可能となる。また、道路面パラメータの変化が求められるので、このパラメータ変化から複数の道路面の状態変化を認識することが可能となる。

本発明に係る画像情報処理装置は、道路面パラメータの変化から道路面の姿勢変化を求め、この姿勢変化に基づいて道路面パラメータを選択する選択手段をさらに備えることが好ましい。

また、本発明に係る画像情報処理方法は、道路面パラメータの変化から道路面の姿勢変化を求め、この姿勢変化に基づいて道路面パラメータを選択する選択ステップをさらに備えることが好ましい。

このようにすれば、道路面の姿勢変化に基づいて道路面パラメータが選択されるので、道路面の誤検出を抑制することが可能となる。

本発明に係る画像情報処理装置では、被検出物情報が、撮像手段により撮像された画像中の道路面に位置する点の３次元位置であり、隣り合う点との間の距離が所定値より大きい点を除去する除去手段をさらに備えることが好ましい。

また、本発明に係る画像情報処理方法では、被検出物情報が、撮像手段により撮像された画像中の道路面に位置する点の３次元位置であり、隣り合う点との間の距離が所定値より大きい点を除去する除去ステップをさらに備えることが好ましい。

この場合、道路面に位置する点のうち連続的に存在していない点を除去することにより、道路面の推定精度を向上することが可能となる。

本発明に係る画像情報処理装置では、パラメータ候補分布取得手段が、パラメータ候補により規定される道路面と上記点との距離に応じて道路面とこの点との一致度を求め、その際に、撮像手段から点までの距離が近くなるほど一致度を大きくすることが好ましい。

また、本発明に係る画像情報処理方法では、パラメータ候補分布取得ステップが、パラメータ候補により規定される道路面と上記点との距離に応じて道路面とこの点との一致度を求め、その際に、撮像手段から点までの距離が近くなるほど一致度を大きくすることが好ましい。

このようにすれば、撮像手段からの距離が遠く検出精度が低い点の評価値を下げることにより、道路面の推定精度を向上することが可能となる。

本発明によれば、被検出物情報とパラメータ候補との一致度に応じてパラメータ候補の分布を生成するパラメータ候補分布生成手段（またはパラメータ候補分布生成ステップ）と、パラメータ候補分布と所定の混合評価分布との適合度に基づいて被検出物のパラメータを推定するパラメータ推定手段（またはパラメータ推定ステップ）と、被検出物パラメータの変化を求める変化検出手段（または変化検出ステップ）とを備える構成としたので、複数の検出対象のパラメータを推定するとともに、複数の検出対象の状態変化を認識することが可能となる。

以下、図面を参照して本発明の好適な実施形態について詳細に説明する。図中、同一又は相当部分には同一符号を用いることとする。

まず、図１を用いて、第１実施形態に係る情報処理装置１の構成について説明する。図１は、情報処理装置１の構成を示すブロック図である。

情報処理装置１は、被検出物の物理的情報（光、温度、圧力や位置など）を検出し、その検出結果を出力するセンサ２０と、センサ２０の検出結果を処理して被検出物のパラメータ、およびその変化を求める電子制御装置（以下「ＥＣＵ」という）３０とを備えている。ここでは、より具体的に説明するために、センサ２０としてカメラを用い、道路のレーンを被検出物とした場合を例にして説明する。なお、センサ２０がカメラに限られず、被検出物が道路のレーンに限られないことは言うまでもない。

カメラ２０は、ＣＣＤカメラであり、車両のフロントウィンドウ上部（例えば、バックミラーの裏側）に前方を向いて設置される。カメラ２０は、車両前方の風景を撮像して画像情報を取得する。カメラ２０により取得された画像情報は、ＥＣＵ３０に出力される。

ＥＣＵ３０は、演算を行うマイクロプロセッサ、マイクロプロセッサに各処理を実行させるためのプログラム等を記憶するＲＯＭ、演算結果などの各種データを記憶するＲＡＭ及び１２Ｖバッテリによってその記憶内容が保持されるバックアップＲＡＭ等により構成されている。このような構成により、ＥＣＵ３０には、特徴抽出部３１、対象モデル生成部３２、パラメータ候補分布取得部３３、パラメータ分布モデル生成部３４、およびパラメータ推定部３５が構築されている。

特徴抽出部３１は、カメラ２０で撮像された画像からレーンの特徴を抽出するものであり、例えば、エッジ抽出フィルタ等を用いて、カメラ２０によって撮像された画像情報から輝度変化の大きいエッジを抽出し、二値化されたエッジ画像を取得する。取得されたエッジ画像は、パラメータ候補分布取得部３３に出力される。

対象モデル生成部３２は、レーン幅や横位置などのパラメータに基づいて、レーンを画像面上に投影したときの形状を演算するものである。対象モデル生成部３２にレーンパラメータが入力されると、パラメータに応じたレーンを撮像面上に投影する線分の座標が出力される。

パラメータ候補分布取得部３３は、画像フレームを更新するごとに過去の経歴に基づいた事前確率の推定と、現在の観測値、即ち特徴抽出部３１からの出力値に基づいた事後確率の推定を行うことにより、レーンパラメータ候補の評価値の分布（以下「レーンパラメータ候補分布」という）を取得するものである。すなわち、パラメータ候補分布取得部３３はパラメータ候補分布取得手段として機能する。取得されたレーンパラメータ候補分布は、パラメータ推定部３５に出力される。

本実施形態では、レーンパラメータ候補分布を取得するために、多峰性を有する確率分布を表現可能なパーティクルフィルタを用いた。パーティクルフィルタは、過去の情報と現在の観測情報から現在の状態推定を行うことができる手法である。パーティクルフィルタは、まず、ある時刻での事後分布からサンプリングをして得られたパーティクルを追跡対象のダイナミクスに従って動かし、次に、遷移させたパーティクルによって作られた次時刻の予測分布に観測結果から得られた情報を用いて重みを付け、新しい事後分布を作る。この重みに応じてまた次の時刻の遷移に使うパーティクルを選び直し、これを繰り返すことでフィルタリングを行う。

パラメータ分布モデル生成部３４は、レーンパラメータ候補分布を近似する分布（以下「混合評価分布」という）を生成するものである。パラメータ分布モデル生成部３４は、任意の分布（要素分布）を重ね合わせ、例えば混合正規分布などを生成し、パラメータ推定部３５に出力する。

パラメータ推定部３５は、パラメータ候補分布取得部３３から入力されたレーンパラメータ候補分布と、パラメータ分布モデル生成部３４から入力された混合評価分布との当てはまりのよさ（適合度）を評価し、その評価結果に応じてレーンパラメータを推定するものである。また、パラメータ推定部３５は、推定されたレーンパラメータの時系列変化を求める。すなわち、パラメータ推定部３５は、パラメータ推定手段および変化検出手段として機能する。

次に、図２〜５を参照して情報処理装置１の動作及び情報処理方法について説明する。図２は情報処理装置１による情報処理の処理手順を示すフローチャートである。図３〜５は、この情報処理に含まれる停止状態処理、パラメータ候補評価処理、およびパラメータ推定処理の処理手順を示すフローチャートである。これらの処理は、ＥＣＵ３０の電源がオンされてからオフされるまでの間、所定のタイミングで繰り返し実行される。

ステップＳ１００では、情報処理を停止するか否かについての判断が行われる。本実施形態では、情報処理装置１のとり得る状態を「停止」「運転」の２状態とし、例えばスイッチのオン／オフ操作によりこの２つの状態が切り替えられる。すなわち、ステップＳ１００では、スイッチの操作状態から、停止状態に遷移するか否かの判断が行われる。ここで、ステップＳ１００が否定された場合には、ステップＳ１０４に処理が移行する。一方、ステップＳ１００が肯定された場合には、ステップＳ１０２に処理が移行し、停止状態処理が実行される。

ここで、図３を参照して、上記停止状態処理について説明する。ステップＳ１２０では、スイッチの操作状態から、処理を開始するか否か、すなわち運転状態に遷移するか否かの判断が行われる。ここで、ステップＳ１２０が否定された場合には、ステップＳ１２０が肯定されるまで本ステップを繰り返して実行する。一方、ステップＳ１２０が肯定された場合には、ステップＳ１２２に処理が移行する。

ステップＳ１２２では、パラメータ候補の初期化が行われる。具体的には、推定するパラメータから、適当にサンプリングを行い初期化する。以下、サンプリングされたパラメータをパラメータ候補という。パラメータ候補の初期化では、まず、パラメータ空間から、サンプル数Ｋ個分のパラメータ値Θ＝｛θ_１，・・・，θ_ｋ，・・・，θ_Ｋ｝を選択する。パラメータ値Θの選択方法は、初期確率分布Ｐ（θ）に基づき行う。また、選択したパラメータ候補は、重みＷ＝｛ｗ_１，・・・，ｗ_ｉ，・・・，ｗ_Ｋ）を持ち、これも同時に次式（１）で初期化する。

一般的には、初期確率分布Ｐ（θ）は未知であるので、パラメータ値Θがパラメータ空間全体から均一に選択されるようにランダムに選択を行う。また重みは、次式（２）により設定する。

ここで、パラメータが１次元で、パラメータ候補の数が１０個のときの例を図６に示す。パラメータ候補の初期化が終了した後、停止状態から運転状態に遷移し、ステップＳ１０４に処理が移行する。

図２に戻って説明を続ける。ステップＳ１０４では、車両前方の画像情報Ｉ＝｛ｉ_０，・・・，ｉ_ｎ，・・・，ｉ_Ｎ｝がカメラ２０から読み込まれる。

続くステップＳ１０６では、ステップＳ１０４で読み込まれた画像情報Ｉからレーンの特徴量Ｆ＝｛Ｆ_０，・・・，Ｆ_ｊ，・・・，Ｆ_Ｊ｝が次式（３）により求められる。

次に、ステップＳ１０８では、パラメータ候補の評価処理が行われる。ここで、図４を参照して、パラメータ候補評価処理について説明する。まず、ステップＳ１３０では、カウンタｋが１に初期化される。

続いて、ステップＳ１３２において、パラメータ候補の評価が行われる。具体的には、パラメータ候補に対して事後確率Ｐ（θ｜Ｆ）を計算する。事後確率Ｐ（θ｜Ｆ）は、次式（４）により求められる。

ただし、ｋは正規化を行うための定数である。ここで、通常Ｐ（Ｆ｜θ）は複雑であり、解析的に解くことが困難である。よって、次式（５）で評価を行ってもよい。

なお、Ｐ（θｋ｜Ｆ）∝Ｖ（θｋ，Ｆ）である。

続くステップＳ１３４ではカウンタｋが所定値Ｋ未満であるか否かについての判断が行われる。ここで、カウンタｋが所定値Ｋ以上である場合には、パラメータ候補の評価が終了してステップＳ１１０に処理が移行する。一方、カウンタｋが所定値Ｋ未満の場合には、ステップＳ１３６においてカウンタｋが１だけインクリメントされた後、ステップＳ１３２、Ｓ１３４の処理をカウンタｋが所定値Ｋ以上になるまで繰り返して実行する。すなわち、０〜Ｋ番目のパラメータ候補に対して事後確率が計算され、各パラメータ候補の評価値Ｖの分布（パラメータ候補分布）が求められる。図７にパラメータ候補分布の一例を示す。

図２に戻って説明を続けると、ステップＳ１１０では、パラメータの推定処理が行われる。ここで、図５を参照して、パラメータ推定処理について説明する。まず、ステップＳ１４０では、カウンタｍが１に初期化される。

続くステップＳ１４２では、パラメータ候補分布を近似するための混合評価分布Ｈ（ω，θ）の探索が行われる。混合評価分布Ｈの探索は、パラメータ候補分布と混合評価分布Ｈとの適合度（フィッティング）を求めることにより行われる。混合評価分布Ｈ（ω，θ）は、１以上の要素分布ｈ（μ，θ）から構成される。ここで、μは分布を表すための分布パラメータである。例えば、正規分布であれば、平均ベクトル、共分散行列である。要素分布ｈの数をＬ個、分布の混合比をｗ_ｌとしたとき、混合評価分布Ｈ（ω，θ）は次式（６）で表される。

ただし、ω＝（ｗ_１，μ_１，・・・，ｗ_ｌ，μ_ｌ，・・・，ｗ_Ｌ，μ_Ｌ）^Ｔである。なお、要素分布ｈの個数Ｌは、レーンなどの検出対象の数から定められる。

図８に、パラメータ候補分布および混合評価分布Ｈの一例を示す。図８では簡単化のために推定パラメータθが１次元の場合を示したが、多次元であっても１次元の分布の重ね合わせとして表現することができる。

パラメータ候補分布の評価と混合評価分布Ｈとの適合度、すなわち評価値Ｃ（ω_ｍ，Θ）は、Ｖ（θ_ｋ，Ｆ）に対するＨ（ω，θ）の当てはまりのよさを評価するものである。例えば、対数尤度を用いて適合度を評価する場合、次式（７）により求められる。

続くステップＳ１４４ではカウンタｍが所定値Ｍ未満であるか否かについての判断が行われる。ここで、カウンタｍが所定値Ｍ以上である場合には、評価値Ｃの演算が終了してステップＳ１４８に処理が移行する。一方、カウンタｍが所定値Ｍ未満の場合には、ステップＳ１４６においてカウンタｍが１だけインクリメントされた後、ステップＳ１４２、Ｓ１４４の処理をカウンタｍが所定値Ｍ以上になるまで繰り返して実行する。すなわち、０〜Ｍの混合評価分布についてパラメータ候補分布との評価値Ｃが求められる。ここで、評価値Ｃの求め方を図９に模式図で示す。

続いて、ステップＳ１４８では、評価値Ｃが最大となる混合評価分布Ｈが求められる。評価値Ｃが最大となる分布は、次式（８）により算出される。なお、式（８）中のａｒｇｍａｘは、最大値を解とする関数である。

続くステップＳ１５０では、各パラメータ候補の重みｗ_ｋが次式（９）により更新される。

次に、ステップＳ１５２では、検出対象であるレーンのパラメータの推定が行われる。より具体的には、Ｌ個の要素分布ｈそれぞれから、次式（１０）によりＬ個のパラメータが推定される。

ここで、ｈ_ｌ（μ_ｌ，θ）が正規分布であると仮定すると、θ_ｌは分布の平均ベクトルとなる。

次に、ステップＳ１５４では、複数の対象について、推定されたパラメータの変化量が次式（１１）により求められる。

ただし、θ_ｌ，ｔは今回の演算値、θ_{ｌ，ｔ−１}は前回の演算値である。

また、ステップＳ１５４では、推定パラメータの相対変化量が次式（１２）により求められる。

その後、図２のステップＳ１１２に処理が移行する。

図２に戻り、説明を続ける。ステップＳ１１２では、現在のパラメータ候補から、次時刻のパラメータ候補およびパラメータ候補分布が求められる。まず、図１０に示されるように、重みｗ_ｋに応じてＫ個のパラメータ候補が再分配される。次に、再分配されたパラメータ候補が遷移モデルによって遷移される。遷移モデルの一例を次式（１３）に示す。

ここで、θ_ａはパラメータの平均を表す。ｇ_ｔはノイズ項であり、例えば正規分布によるノイズを与える。遷移の模式図を図９に示す。遷移モデルは、このモデルに限られることなく、例えばベイジアンネットワークなどによる学習により獲得してもよい。

その後、ステップＳ１００に処理が移行し、上記処理を繰り返し行うことによって連続的に検出対象であるレーンパラメータが推定される。また、レーンパラメータの変化量およびレーン相互間の相対変化量が求められる。

本実施形態によれば、被検出物の特徴量を含む被検出物情報と被検出物のパラメータ候補との一致度に応じてそのパラメータ候補の評価を行い、パラメータ候補ごとの評価結果の分布（パラメータ候補分布）が生成される。そして、このパラメータ候補分布と所定の混合評価分布との適合度に基づいて被検出物のパラメータが推定される。ここで、適合度の評価に、１以上の要素分布から構成される混合分布である混合評価分布が用いられるので、複数の被検出物のパラメータを取り扱うことができる。また、複数の被検出物のパラメータ変化が求められるので、このパラメータ変化から複数の被検出物の状態変化を認識することができる。そのため、例えば、複数のレーンを有する道路のパラメータ（レーン幅、曲率、道路面の傾きなど）の変化や、路上にいる歩行者の移動量、移動方向の変化などを取得することが可能となる。

次に、図１２を用いて、第２実施形態に係る情報処理装置２の構成について説明する。図１２は、情報処理装置２の構成を示すブロック図である。なお、図１２において第１実施形態と同一又は同等の構成要素については同一の符号が付されている。

本実施形態が第１実施形態と異なるのは、対象物数推定部３６をさらに有する点である。その他の構成は、第１実施形態と同一または同様であるので、ここでは説明を省略する。

対象物数推定部３６はパラメータ候補分布取得部３３に接続されており、パラメータ候補分布取得部３３により取得されたパラメータ候補分布に基づいて、検出対象物の数、例えば、レーンの数などを取得する。取得されたレーン数などはパラメータ分布モデル生成部３４に出力される。パラメータ分布モデル生成部３４は、対象物数推定部３６で取得されたレーンの数に応じて、レーンパラメータ候補分布を近似する混合評価分布を生成する。すなわち、対象物数推定部３６は、特許請求の範囲に記載の探索手段として機能し、パラメータ分布モデル生成部３４は設定手段として機能する。

次に、図１３、１４を参照して情報処理装置２の動作及び情報処理方法について説明する。図１３は情報処理装置２による情報処理の処理手順を示すフローチャートである。図１４は、この情報処理に含まれる対象物数推定処理の処理手順を示すフローチャートである。

ステップＳ２００〜Ｓ２０８は、上述したステップＳ１００〜Ｓ１０８と同一であるので、ここでは説明を省略する。ステップＳ２０８でパラメータ候補評価処理が行われた後、ステップＳ２１０において、対象物数が推定される。ここで、図１４を参照して、対象物数推定処理の処理手順をより具体的に説明する。

ステップＳ２２０では、対象物数をカウントするカウンタＬの値が１に初期化される。続くステップＳ２２２では、まず、評価分布ω_Ｌが設定される。設定手法としては、例えば公知のＥＭアルゴリズムなどを用いることができる。次に、設定された評価分布ωＬに基づいて評価値Ｄ（ω_Ｌ，θ）が演算される。評価値Ｄは、パラメータ候補分布と設定された評価分布ωＬの当てはまりのよさを評価するもので、例えば、対数尤度を用い次式（１４）により求められる。

なお、評価にはＡＩＣ、ＭＤＬなどの情報量規準を用いてもよい。

続くステップＳ２２４では、不等式Ｄ（ω_Ｌ，θ）＞Ｄ（ω_Ｌ−１，θ）が成立するか否かについての判断が行われる。ここで、この不等式が成り立つ場合には、ステップＳ２２６においてカウンタＬが１だけインクリメントされ、ステップＳ２２２、Ｓ２２４の処理が繰り返して実行される。すなわち、評価値Ｄが極大となるまでカウンタＬを１ずつ増大させることにより、評価値Ｄの極大値判定が行われる。このように、Ｌ＝１から順に評価値Ｄを比較し、評価値Ｄが極大値となったときのカウンタＬを対象物数とする。この処理の模式図を図１５に示す。なお、通常、ＥＭアルゴリズムといった推定方法は収束計算を必要とし計算コストが高い。よって、他処理に対して処理の回数を間引くことが望ましい。

続くステップＳ２１２、Ｓ２１４は、上述したステップＳ１１０、Ｓ１１２と同一であるので、ここでは説明を省略する。

本実施形態によれば、混合評価分布の極大値の数、すなわち混合評価分布を構成する要素分布の数が自動的に設定される。そのため、自動的に検出対象物の数に応じた数のパラメータを得ることが可能となる。

次に、図１６を用いて、第３実施形態に係る情報処理装置３の構成について説明する。図１６は、情報処理装置３の構成を示すブロック図である。なお、図１６において第２実施形態と同一又は同等の構成要素については同一の符号が付されている。

本実施形態が第２実施形態と異なるのは、対象物数変化推定部３７をさらに有する点である。その他の構成は、第２実施形態と同一または同様であるので、ここでは説明を省略する。

対象物数変化推定部３７はパラメータ推定部３５に接続されており、パラメータ候補分布を近似する混合評価分布Ｈ（ω，θ）の各要素分布ｗ_ｌｈ_ｌ（μ_ｌ，θ）について、大きさが小さい要素分布ｗ_ｌｈ_ｌ（μ_ｌ，θ）を削除し対象物数を１つ減少させる。一方、パラメータ候補分布の局所データ（要素分布中心近傍のデータ）との当てはまりが悪い要素分布ｗ_ｌｈ_ｌ（μ_ｌ，θ）を分割して対象物数を１つ増加させる。すなわち、対象物数変化推定部３７は、削除手段および分割手段として機能する。なお、本実施形態では、対象物数推定部３６は、対象物数の初期値を与えるものとして機能する。

次に、図１７〜１９を参照して情報処理装置３の動作及び情報処理方法について説明する。図１７は情報処理装置３による情報処理の処理手順を示すフローチャートである。図１８は、この情報処理に含まれるパラメータ・対象物数変化推定処理の処理手順を示すフローチャートである。図１９は、このパラメータ・対象物数変化推定処理含まれる対象物数変化推定処理の処理手順を示すフローチャートである。

ステップＳ３００〜Ｓ３１０およびＳ３１４は、上述したステップＳ２００〜Ｓ２１０、Ｓ２１２それぞれと同一または同様であるので、ここでは説明を省略する。ただし、本実施形態では、ステップＳ３１０は、処理開始時に１度だけ実行される。

ステップＳ３１０で対象物数推定処理が行われた後、ステップＳ３１２において、パラメータ・対象物数変化推定処理が実行される。図１８に示されるように、このパラメータ・対象物数変化推定処理は、上述したパラメータ候補評価処理に対して、ステップＳ３３０（対象物数変化推定処理）が追加されている点が異なる。その他の処理、すなわちステップＳ３２０〜Ｓ３２８、およびステップＳ３３２〜Ｓ３３６は、上述したステップＳ１４０〜Ｓ１４８、およびステップＳ１５０〜Ｓ１５４とそれぞれ同一であるので、ここでは説明を省略する。

対象物数変化推定処理（ステップＳ３３０）の詳細について、図１９を参照しつつ説明する。

ステップＳ３４０では、カウンタｌが１に初期化される。続くステップＳ３４２では、削除評価値Ｅ_ｄｅｌが算出される。例えば、削除評価値Ｅ_ｄｅｌは、要素分布ｗ_ｌｈ_ｌ（μ_ｌ，θ）の山の大きさの逆数として、次式（１５）により算出される。

ただし、ｈ_ｌが正規分布であったとき、削除評価値Ｅ_ｄｅｌは、ｈ_ｌの平均値θ_μより次式（１６）により求められる。

続いて、ステップＳ３４４では、ステップＳ３４２で算出された削除評価値Ｅ_ｄｅｌに基づいて、この要素分布ｗ_ｌｈ_ｌ（μ_ｌ，θ）を削除するか否かについての判断が行われる。ここで、削除評価値Ｅ_ｄｅｌが所定のしきい値Ｔ_ｄｅｌより大きい場合には、ステップＳ３４６において、その要素分布ｗ_ｌｈ_ｌ（μ_ｌ，θ）が削除され、対象物数Ｌが１つ減らされる。要素分布ｗ_ｌｈ_ｌ（μ_ｌ，θ）が削除されるようすを図２０に示す。その後、ステップＳ３５８においてカウンタｌが１だけインクリメントされ、ステップＳ３４２、Ｓ３４４の処理が繰り返して実行される。一方、削除評価値Ｅ_ｄｅｌが所定のしきい値Ｔ_ｄｅｌ以下のときには、ステップＳ３４８に処理が移行する。

ステップＳ３４８では、分割評価値Ｅ_{ｓｐｌｉｔ}が算出される。例えば、分割評価値Ｅ_{ｓｐｌｉｔ}は、要素分布ｗ_ｌｈ_ｌ（μ_ｌ，θ）とパラメータ候補分布の局所データ（要素分布中心近傍のデータ）との当てはまりの悪さを評価することにより求められる。より具体的には、分割評価値Ｅ_{ｓｐｌｉｔ}は、次式（１７）により、分布の中心から一定範囲のデータの当てはまり度を対数尤度で評価することにより求めることができる。

ただし、θ_ｋは、分布中心のθ_μに対して一定の距離ｄの範囲内｜θ_μ−θ_ｋ｜＜ｄにあるパラメータ候補である。

なお、分割評価値Ｅ_{ｓｐｌｉｔ}は、例えば局所経験分布ｆ（μ_ｌ，θ）と推定分布とのＫＬ情報量を使う方法などによって求めてもよい。

続いて、ステップＳ３５０では、ステップＳ３４８で算出された分割評価値Ｅ_{ｓｐｌｉｔ}に基づいて、この要素分布ｗ_ｌｈ_ｌ（μ_ｌ，θ）を分割するか否かについての判断が行われる。ここで、分割評価値Ｅ_{ｓｐｌｉｔ}が所定のしきい値Ｔ_{ｓｐｌｉｔ}より大きい場合には、ステップＳ３５２において、その要素分布ｗ_ｌｈ_ｌ（μ_ｌ，θ）が分割され、対象物数Ｌが１つ増加される。要素分布ｗ_ｌｈ_ｌ（μ_ｌ，θ）が分割されるようすを図２１に示す。その後、ステップＳ３５８においてカウンタｌが１だけインクリメントされ、ステップＳ３４２〜Ｓ３５０の処理が繰り返して実行される。一方、分割評価値Ｅ_{ｓｐｌｉｔ}が所定のしきい値Ｔ_{ｓｐｌｉｔ}以下のときには、ステップＳ３５４に処理が移行する。

ステップＳ３５４では、カウンタｌの値が対象物数Ｌ_ｔ（Ｌ_ｔは現在の対象物数）未満であるか否かについての判断が行われる。ここで、カウンタｌの値が対象物数Ｌ_ｔ未満の場合には、ステップＳ３５８においてカウンタｌの値が１だけインクリメントされた後、ステップＳ３４２に処理が移行し、ステップＳ３４２〜Ｓ３５４の処理が繰り返し実行される。すなわち、カウンタｌの値がＬｔと等しくなるまで、削除処理および分割処理が繰り返し実行される。一方、カウンタｌの値が対象物数Ｌ_ｔ以上のときには、図１８に示されるステップＳ３３２に処理が移行する。

本実施形態によれば、混合評価分布を構成する要素分布の山の高さの逆数を削除評価値とすることにより、山の高さが低い要素分布が削除される。その結果、ノイズである可能性が高いパラメータを削除することや、検出対象物の減少に対応することができるので、パラメータの推定精度を向上することが可能となる。一方、混合評価分布を構成する要素分布と、この要素分布に対応するパラメータ候補分布との当てはまりの悪さである要素適合度が所定の分割しきい値より大きい場合に、該要素分布が分割される。その結果、検出対象物の増加に対応することができ、パラメータの推定精度を向上することが可能となる。また、収束計算の無い簡便な処理で対象物数を推定することができので、探索に要する負荷を低減することができ、処理の高速化を図ることが可能となる。

次に、図２２を用いて、第４実施形態に係る情報処理装置４の構成について説明する。図２２は、情報処理装置４の構成を示すブロック図である。なお、図２２において第３実施形態と同一又は同等の構成要素については同一の符号が付されている。

本実施形態が第３実施形態と異なるのは、パラメータ候補再設定部３８をさらに有する点である。その他の構成は、第３実施形態と同一または同様であるので、ここでは説明を省略する。パラメータ候補再設定部３８はパラメータ推定部３５に接続されており、得られた混合評価分布Ｈ（ω，θ）を元に、再度、パラメータ候補の数を増やして適合度の評価を行う。

次に、図２３、２４を参照して情報処理装置４の動作及び情報処理方法について説明する。図２３は情報処理装置４による情報処理の処理手順を示すフローチャートである。図２４は、この情報処理に含まれるパラメータ候補追加処理の処理手順を示すフローチャートである。

情報処理装置４による処理手順は、パラメータ候補追加処理（ステップＳ４０８、Ｓ４１６〜Ｓ４２０）がさらに追加されている点で、上述した情報処理装置３による処理手順と異なる。ステップＳ４００〜Ｓ４０６、Ｓ４１０〜４１４、およびＳ４２２は、上述したステップＳ３００〜Ｓ３０６、Ｓ３０８〜Ｓ３１２、およびＳ３１４それぞれと同一または同様であるので、ここでは説明を省略する。

ステップＳ４０６で画像情報Ｉからレーンの特徴量Ｆが抽出された後、ステップＳ４０８において、カウンタｒの値が１に初期化される。ステップＳ４１６では、カウンタｒの値が所定の設定回数Ｒ未満であるか否かについての判断が行われる。ここで、カウンタｒの値が所定の設定回数Ｒ未満である場合には、カウンタｒの値が１だけインクリメントされ（ステップＳ４１８）、パラメータ候補の追加処理（ステップＳ４２０）が行われた後、ステップＳ４１０に処理が移行する。その結果、カウンタｒの値が所定の設定回数Ｒと等しくなるまで、ステップＳ４１０〜Ｓ４２０の処理、すなわちパラメータ候補の追加処理、パラメータ候補の評価処理、およびパラメータ値の推定処理などが繰り返し実行される。一方、カウンタｒの値が所定の設定回数Ｒ以上のときには、ステップＳ４２２に処理が移行する。なお、所定の設定値Ｒは、パラメータ値の推定精度や処理速度などを考慮して設定される。

次に、パラメータ候補追加処理（ステップＳ４２０）の詳細について、図２４を参照しつつ説明する。

ステップＳ４３０では、カウンタｌが１に初期化される。続くステップＳ４３２では、混合評価分布Ｈを構成する要素分布ｈ_ｌ（μ_ｌ，θ）の評価が行われる。要素分布ｈ_ｌ（μ_ｌ，θ）の評価値Ｅ_ｌは、例えば、各分布の重みに基づいて、次式（１８）により求められる。

続いて、ステップＳ４３４では、カウンタｌの値が対象物数Ｌ未満であるか否かについての判断が行われる。ここで、カウンタｌの値が対象物数Ｌ未満の場合には、ステップＳ４３６においてカウンタｌの値が１だけインクリメントされた後、ステップＳ４３２に処理が移行し、ステップＳ４３２〜Ｓ４３４の処理が繰り返し実行される。すなわち、カウンタｌの値が混合評価分布Ｈを構成する要素分布ｈ_ｌ（μ_ｌ，θ）の数と等しくなるまで、要素分布ｈ_ｌ（μ_ｌ，θ）の評価が繰り返し実行される。一方、カウンタｌの値が対象物数Ｌ以上のときには、ステップＳ４３８に処理が移行する。

すべての要素分布ｈ_ｌ（μ_ｌ，θ）について（ｌ＝１〜Ｌ）評価処理が行われた後、ステップＳ４３８では、各要素分布ｈ_ｌ（μ_ｌ，θ）に分配される追加サンプル候補数Ｋ_ｌが設定される。追加されるサンプル候補数Ｋ_ｌは、評価値Ｅ_ｌの大きさに応じて、次式（１９）により算出される。

ここで、評価値Ｅ_ｌがしきい値Ｔ_ｅ以下の分布近傍は、評価値が高いパラメータ候補が新たに出現する可能性が低く、かつ、新たにノイズを拾うことにより生じるパラメータ推定精度の低下を考慮して、パラメータ候補を追加しない。

続いて、ステップＳ４４０では、カウンタｌが１に再度初期化される。続くステップＳ４４２では、ステップＳ４４０で求められた追加サンプル候補数Ｋ_ｌに応じて追加パラメータ候補が配分される。

続いて、ステップＳ４４４では、カウンタｌの値が対象物数、すなわち要素分布数Ｌ未満であるか否かについての判断が行われる。ここで、カウンタｌの値が対象物数Ｌ未満の場合には、ステップＳ４４６においてカウンタｌの値が１だけインクリメントされた後、ステップＳ４４２に処理が移行し、ステップＳ４４２、Ｓ４４４の処理が繰り返し実行される。すなわち、混合評価分布Ｈを構成するすべての要素分布ｈ_ｌ（μ_ｌ，θ）について、追加パラメータ候補が配分される。なお、配分されたパラメータ候補は、要素分布ｈｌ（μｌ，θ）の分布形状に応じて配置される。ここで、追加パラメータ候補が各要素分布ｈ_ｌ（μ_ｌ，θ）に分配されるようすを図２５に示す。

一方、カウンタｌの値が対象物数Ｌ以上のときには、図２３に示されるステップＳ４１０に処理が移行し、上述したように追加後のパラメータ候補分布について混合評価分布Ｈとの適合度が評価される。

本実施形態によれば、繰り返しパラメータ候補の数を増やして評価を行うことにより、パラメータの推定精度を向上させることが可能となる。

次に、図２６を用いて、第５実施形態に係る情報処理装置５の構成について説明する。図２６は、情報処理装置５の構成を示すブロック図である。なお、図２６において第４実施形態と同一又は同等の構成要素については同一の符号が付されている。

本実施形態が第４実施形態と異なるのは、ロスト判定部３９をさらに有する点である。その他の構成は、第４実施形態と同一または同様であるので、ここでは説明を省略する。ロスト判定部３９は、パラメータ候補再設定部３８の出力側に接続されており、評価値Ｃ（ω_ｍ，Θ）および評価値Ｖ（θ_ｋ，Ｆ）に基づいて、ロスト状態であるか否か、すなわちパラメータの推定ができない状態であるか否かについての判定が行われる。

次に、図２７、２８を参照して情報処理装置５の動作及び情報処理方法について説明する。図２７は情報処理装置５による情報処理の処理手順を示すフローチャートである。図２８は、この情報処理に含まれるロスト判定処理の処理手順を示すフローチャートである。

情報処理装置５による処理手順は、ロスト判定処理（ステップＳ５２４）がさらに追加されている点で、上述した情報処理装置４による処理手順と異なる。ステップＳ５００〜Ｓ５２２は、上述したステップＳ４００〜Ｓ４２２と同一または同様であるので、ここでは説明を省略する。

ステップＳ５２４では、ロスト状態であるか否かについての判定が行われる。ここで、ロスト状態であると判定された場合には、ステップＳ５０２に処理が移行し、上述した停止状態処理が行われる。一方、ロスト状態ではないと判定されたときには、ステップＳ５００に処理が移行し、ステップＳ５００〜Ｓ５２４の処理が繰り返して実行される。

次に、ロスト判定処理（ステップＳ５２４）の詳細について、図２８を参照しつつ説明する。

ステップＳ５３０では、評価値Ｃ（ω_ｍ，Θ）に応じてロスト判定が行われる。ここでは、次式（２０）が成立し、適合度の高い混合評価分布が安定的に得られていない場合にロスト状態であると判定される。

ただし、Ｔ_{ｄｉｓｔ，ｌｏｓｔ}は所定のしきい値（第１所定値）である。

続くステップＳ５３２では、評価値Ｖ（θ_ｋ，Ｆ）に応じてロスト判定が行われる。ここでは、次式（２１）が成立し、高い評価値のパラメータ候補が得られていないときにロスト状態であると判定される。

ただし、Ｔ_{ｖａｌ，ｌｏｓｔ}は、所定のしきい値（第２所定値）である。

なお、ロスト判定は、評価値Ｃ（ω_ｍ，Θ）または評価値Ｖ（θ_ｋ，Ｆ）のいずれか一方に基づいて行ってもよい。

本実施形態によれば、被検出物情報とパラメータ候補との一致度が低い場合、または、パラメータ候補分布と所定の混合評価分布との適合度が低い場合に、検出対象物をロストしたと判断される。そのため、誤ったパラメータを算出することによる誤動作などを防止することが可能となる。

次に、図２９を用いて、第６実施形態に係る情報処理装置６の構成について説明する。図２９は、情報処理装置６の構成を示すブロック図である。なお、図２９において第５実施形態と同一又は同等の構成要素については同一の符号が付されている。

本実施形態が第５実施形態と異なるのは、復帰判定部４０をさらに有する点である。その他の構成は、第５実施形態と同一または同様であるので、ここでは説明を省略する。復帰判定部４０は、パラメータ候補再設定部３８の出力側に接続されており、評価値Ｃ（ω_ｍ，Θ）および評価値Ｖ（θ_ｋ，Ｆ）に基づいて、ロスト状態から運転状態に復帰可能であるか否か、すなわちパラメータの推定が可能な状態に復帰したか否かについての判定が行われる。

次に、図３０、３１を参照して情報処理装置６の動作及び情報処理方法について説明する。図３０は情報処理装置６による情報処理の処理手順を示すフローチャートである。図３１は、この情報処理に含まれるロスト状態処理（復帰判定処理）の処理手順を示すフローチャートである。

情報処理装置６による処理手順は、停止状態処理（ステップＳ５０２）に代えてロスト状態処理（ステップＳ６２６）が設けられている点で、上述した情報処理装置４による処理手順と異なる。したがって、本実施形態では、ステップＳ６２４においてロスト状態であると判定された場合、停止状態処理ではなくロスト状態処理が実行される。なお、ステップＳ６００〜Ｓ６２４は、上述したステップＳ５００〜Ｓ５２４と同一または同様であるので、ここでは説明を省略する。ただし、ロスト状態のときには、パラメータ値とパラメータ値の変化量が出力されず、運転状態に復帰できるか否かのみが判定される。

次に、ロスト状態処理の詳細について、図３１を参照しつつ説明する。ロスト状態処理におけるステップＳ６３０〜Ｓ６４２の処理は、上述したステップＳ１００〜Ｓ１１２と同一または同様であるので、ここでは説明を省略する。

ステップＳ６４４では評価値Ｃ（ω_ｍ，Θ）に応じて復帰判定が行われる。ここでは、次式（２２）が成立し、適合度の高い混合評価分布が安定的に得られている場合に復帰可能状態であると判定される。

ただし、Ｔ_{ｄｉｓｔ，ｌｏｓｔ}は所定のしきい値（第３所定値）である。

また、ステップＳ６４４では、評価値Ｖ（θ_ｋ，Ｆ）に応じてロスト判定が行われる。ここでは、次式（２３）が成立し、高い評価値のパラメータ候補が得られているときに復帰可能状態であると判定される。

ただし、Ｔ_{ｖａｌ，ｌｏｓｔ}は、所定のしきい値（第４所定値）である。

なお、復帰判定は、評価値Ｃ（ω_ｍ，Θ）または評価値Ｖ（θ_ｋ，Ｆ）のいずれか一方に基づいて行ってもよい。

本実施形態によれば、被検出物情報とパラメータ候補との一致度が高い場合、または、パラメータ候補分布と所定の混合評価分布との適合度が高い場合に、ロスト状態から復帰することが可能となる。

次に、図３２を用いて、第７実施形態に係る画像情報処理装置７について説明する。図３２は、画像情報処理装置７の構成を示すブロック図である。なお、図３２において第６実施形態と同一又は同等の構成要素については同一の符号が付されている。

画像情報処理装置７は、道路のレーンの分岐、合流を認識するものであり、上述した情報処理装置６、および情報処理装置６から出力されるレーン数やレーンパラメータに基づいてレーンの分岐・合流を判定する分岐・合流判定部５１を備えて構成されている。分岐・合流判定部５１は、特許請求の範囲に記載の認識手段として機能する。

画像情報処理装置７では、センサとして、ＣＣＤカメラ（以下、単に「カメラ」という）２０が用いられる。カメラ２０は、車両のフロントウィンドウ上部（例えば、バックミラーの裏側）に前方を向いて設置される。カメラ２０は、車両前方の風景を撮像して画像情報を繰り返し取得する。すなわち、カメラ２０が撮像手段として機能する。カメラ２０により取得された画像情報は、特徴抽出部３１に出力される。

特徴抽出部３１は、カメラ２０で撮像された画像からレーンマーカ候補を抽出する。例えば、撮像画像から立ち上がりエッジと立ち下がりエッジのペアを検出し、両エッジの中点をレーンマーカ候補とすることができる。より具体的には、まず、撮像画像の水平方向にエッジ強度（符号付）の検出を行い、次に、撮像画像をラスタスキャンし、エッジ強度の絶対値がしきい値以上である点のうち、極大値をとる点および極小値をとる点を探索する。そして、極大値をとる立ち上がりの点に対して、エッジ方向に垂直な方向にスキャンし、レーンマーカの幅に相当する範囲にある極小値点を検出し、この２点の中点をレーンマーカ候補位置とする。なお、上記しきい値は、太陽光の変動を考慮し、照度計や画面全体の輝度に応じて調節される。なお、特徴抽出部３１で抽出されたレーンマーカ候補は、パラメータ候補分布取得部３３に出力される。

レーンモデル（対象モデル）生成部３２Ａは、推定されたパラメータに基づいて、レーンマーカモデルを生成する。レーンマーカモデルは、次式（２４）により生成される。この式は、画像面上でのレーンマーカの位置を記述するものである。なお、生成されたレーンマーカモデルは、パラメータ候補分布取得部３３に出力される。

ただし、ｃは道路曲率、ｅはカメラのレーン中央からの位置偏差（横位置）、ｗはレーン幅、θはレーン接線方向に対する車両のヨー角、φは走行平面に対するピッチ角、ｋは右レーン，左レーンを表すパラメータでそれぞれ１，−１、ｆはカメラの焦点距離、ｈはカメラの高さである。なお、ｆとｈは既知であるので、推定パラメータは、道路曲率ｃ，横位置ｅ，レーン幅ｗ，ヨー角θ，ピッチ角φの５つとなる。

パラメータ候補分布取得部３３は、各パラメータに基づいてレーンモデル生成部３２Ａで生成されたレーンマーカモデルと、特徴抽出部３１から入力されたレーンマーカ候補点との一致度を次式（２５）で評価して各パラメータ候補の評価値Ｖ（θ_ｋ，Ｆ）を算出し、各パラメータ候補の評価値Ｖの分布、すなわちパラメータ候補分布を取得する。

画像情報処理装置７を構成する情報処理装置６の他の構成は、上述した構成と同一または同様であるので、ここでは説明を省略する。パラメータ推定部３５や対象物数変化推定部３７などで求められたレーン数、レーンのパラメータ、およびパラメータの変化量などは、分岐・合流判定部５１に出力される。

次に、分岐・合流判定部５１によるレーンの分岐、合流判定について詳細に説明する。まずはじめに、レーンの分岐判定について説明する。図３３に分岐がないレーンの撮像画像の一例を示す。また、このときのパラメータ候補（レーン幅、横位置）の評価値の分布（パラメータ候補分布）を図３４に示す。一方、レーンの分岐地点における撮像画像の一例を図３５に示す。また、このときのパラメータ候補分布を図３６に示す。

図３４と図３６とを比較すると、分岐がないレーンを走行しているときには１つの分布であったパラメータ候補分布が、分岐地点では、レーン幅方向に２つの分布に分離している。分岐地点では、自車両の走行レーン、および走行レーンの右側のレーンマーカと分岐レーンの左側のレーンマーカとで区画されるレーンについて２つのパラメータ候補分布が取得されるためである。

このように、レーンが分岐するときには、当初１つの分布であったパラメータ候補分布が、幅方向に２つに分離していく。したがって、対象物数すなわちレーン数Ｌが増加（例えば１から２に増加）し、かつ、２つのレーン幅のパラメータ差Ｗがしきい値Ｔ_ｗ未満（Ｗ＜Ｔ_ｗ）のときに、レーン分岐が発生している可能性があると判断される。ここで、さらに、レーン数Ｌが１にならず、かつ、レーン幅の相対変化量ΔＷの絶対値がしきい値Ｔ_ΔＷ未満であること、という条件が所定回数繰り返して満足された場合、レーン分岐が発生したと判断される。なぜならば、分岐の場合、必ず自車レーンおよび分岐レーンの２レーンが存在し、かつレーン幅が急激に変化することはないためである。なお、繰り返し取得されたパラメータ（レーン幅）差Ｗは保存される。

また、分岐・合流判定部５１では、分岐終了地点に到達するまでの時間ｔが算出される。具体的には、上記分岐判定処理で保存された複数のパラメータ差Ｗに対して関数近似し、分岐終了地点に到達する時間ｔを算出する。例えば、１次式ｗ＝ａｔ＋ｂで近似した場合、到達時間ｔは次式（２６）から求めることができる。

ただし、ｗはレーン幅、ａ，ｂは定数である。なお、レーン幅は徐々に広がっていくことから、ａ＞０となる。

また、分岐・合流判定部５１では、分岐終了地点までの距離が算出される。具体的には、分岐終了地点、すなわち道路幅ｗに到達するまでの時間ｔと車両速度ｖとを用いて、次式（２７）により分岐終了地点までの距離Ｄ_ｉｓが算出される（図３５参照）。

次に、レーンの合流判定について説明する。図３８に合流開始地点におけるレーンの撮像画像の一例を示す。また、このときのパラメータ候補（レーン幅、横位置）の評価値の分布（パラメータ候補分布）を図３９に示す。一方、レーンの合流終了地点における撮像画像の一例を図４０に示す。また、このときのパラメータ候補分布を図４１に示す。

図３９と図４１とを比較すると、合流開始地点では２つの分布であったパラメータ候補分布が、合流終了地点では１つの分布に収束している。合流開始地点では、自車両の走行レーン、および走行レーンの右側のレーンマーカと分岐レーンの左側のレーンマーカとで区画されるレーンについて２つのパラメータ候補分布が取得されるためである。

このように、レーンが合流するときには、当初２つの分布であったパラメータ候補分布が、幅方向に１つに収束していく。したがって、対象物数すなわちレーン数Ｌが２つ以上であり、かつ、自車レーンと合流レーンのパラメータ（レーン幅）の相対変化量ΔＷが次式（２８）を満足するときに、レーンの合流が発生する可能性があると判断される。

ここで、さらに、レーン幅の相対変化量ΔＷの移動平均を求め、次式（２９）が満足された場合、すなわち自車レーンと合流レーンが近づいている場合、レーンが合流していると判断される。なお、繰り返し取得されたパラメータ（レーン幅）差Ｗは保存される。

また、分岐・合流判定部５１では、合流終了地点（レーン幅の差が０になる地点）に到達するまでの時間ｔが算出される。具体的には、上記分岐判定処理で保存された複数のパラメータ差Ｗに対して関数近似し、合流終了地点に到達する時間ｔを算出する。例えば、１次式ｗ＝ａｔ＋ｂで近似した場合、到達時間ｔは次式（３０）から求めることができる。

ただし、ｗはレーン幅、ａ，ｂは定数である。なお、レーン幅は徐々に狭くなっていくことから、ａ＜０となる。

また、分岐・合流判定部５１では、合流終了地点までの距離が算出される。具体的には、分岐終了地点に到達するまでの時間ｔと車両速度ｖとを用いて、次式（３１）により合流終了地点までの距離Ｄ_ｉｓが算出される（図４２参照）。

本実施形態によれば、レーン数Ｌが増加しかつ２つのレーン幅のパラメータ差Ｗがしきい値Ｔ_ｗ未満のときに、レーン分岐が発生している可能性があると判断される。一方、当初２つの分布であったパラメータ候補分布が幅方向に１つに収束していくときに、レーンの合流が発生する可能性があると判断される。そのため、走行レーンの分岐、合流を判定することが可能となる。

次に、図４３を用いて、第８実施形態に係る画像情報処理装置８について説明する。図４３は、画像情報処理装置８の構成を示すブロック図である。なお、図４３において第７実施形態と同一又は同等の構成要素については同一の符号が付されている。

画像情報処理装置８は、勾配などが異なる複数の面で構成される道路面（図４５参照）を認識するものであり、分岐・合流判定部５１に代えて、道路面の誤認識を検出して削除する誤検出判定部５２を備える点で上記画像情報処理装置７と異なる。この誤検出判定部５２は、特許請求の範囲に記載の選択手段として機能する。また、画像情報処理装置８では、レーン幅ｗや横位置ｅなどのレーンパラメータに代えて、道路面を規定する道路面パラメータが取り扱われる点で画像情報処理装置７と異なる。なお、道路面パラメータの詳細については後述する。

画像情報処理装置８では、カメラ２０にステレオカメラが用いられる。カメラ２０は、車両のフロントウィンドウ上部（例えば、バックミラーの裏側）に前方を向いて設置され、車両前方の風景を撮像して画像情報を繰り返し取得する。また、ステレオカメラを構成する一対のカメラ２０の位置関係が既知となるように、キャリブレーションが行われる。なお、カメラ２０により取得された画像情報は、特徴抽出部３１に出力される。

特徴抽出部３１では、一対のカメラ２０により取得された画像から道路面上にある候補点が抽出される。また、一対の撮像画像中における上記候補点の位置の違いを基にして三角測量方式により、車両から候補点までの距離が算出される。なお、これらの処理は、画像中の道路面や自車両前方の色情報を考慮して行うことが好ましい。なお、特徴抽出部３１で抽出された候補点は、パラメータ候補分布取得部３３に出力される。

道路面モデル（対象モデル）生成部３２Ｂは、推定されたパラメータに基づいて、道路面モデルを生成する。ここで、道路面を規定するパラメータは、道路平面を表す次式（３２）を辺々−Ｄで割ることにより得られた次式（３３）の各係数項ａ，ｂ，ｃとする。

なお、ａ＝Ａ／−Ｄ、ｂ＝Ｂ／−Ｄ、ｃ＝ｃ／−Ｄであり、Ｄは各ａ、ｂ、ｃを用いて、次式（３４）から求めることができる。

パラメータ候補分布取得部３３は、各パラメータθ_ｋ＝｛ａ_ｋ，ｂ_ｋ，ｃ_ｋ｝に基づいて道路面モデル生成部３２Ｂで生成された道路面モデルと、特徴抽出部３１から入力された候補点との一致度を次式（３５）で評価して各候補点の評価値Ｖ（θ_ｋ，Ｆ）を算出する。

ただし、ｄ_ｉは道路面と候補点との距離、Ｔ_Ｄはしきい値、ｘ_ｉは候補点の位置である。

画像情報処理装置８を構成する情報処理装置６の他の構成は、上述した構成と同一または同様であるので、ここでは説明を省略する。パラメータ推定部３５や対象物数変化推定部３７などで求められたパラメータ｛ａ，ｂ，ｃ｝や道路平面の数（坂の数）などは、誤検出判定部５２に出力される。

次に、誤検出判定部５２による道路面の誤検出判定について説明する。情報処理装置６により、道路平面の数（勾配が異なる坂の数）やそれぞれの道路面パラメータが推定されるが、候補点の３次元位置の誤差などにより、誤った道路面を推定する場合がある。誤検出判定部５２では、こういった誤った推定結果の除去を行う。なお、前提条件として、推定された平面は、３つ以上存在すると仮定する。

ここで、１時刻の間のカメラの姿勢変化をＲとしたとき、道路平面の法線ベクトルｎ＝（Ａ，Ｂ，Ｃ）の変化は次式（３６）で表される。

この関係式は、推定された道路面パラメータに誤りがなければ常に成り立つ。したがって、他の道路面パラメータと異なる姿勢変化が生じた道路面があれば、これは誤って推定された道路面と考えられる。姿勢変化は２つのパラメータ間の外積として得ることができる。

次に、図４４を参照しつつ誤検出判定処理の具体的な処理手順について説明する。図４４は、画像情報処理装置８による誤検出判定処理の処理手順を示すフローチャートである。

ステップＳ７００では、カウンタｐの値が０に初期化される。続くステップＳ７０２では、道路平面の法線ベクトルの外積計算ｎ_ｐ×ｎ_ｐ’が行われる。

続いて、ステップＳ７０４において、カウンタｐの値が道路面数Ｐ未満であるか否かについての判断が行われる。ここで、カウンタの値が道路面数Ｐ未満である場合には、ステップＳ７０６でカウンタｐの値が１だけインクリメントされ後、ステップＳ７０２に処理が移行し、カウンタｐの値が道路面数Ｐと等しくなるまでステップＳ７０２，Ｓ７０４が繰り返して実行される。

一方、カウンタｐの値が道路面数Ｐ以上のときには、ステップＳ７０８に処理が移行する。ここで、推定されたＰ個の道路面に対して、それぞれ１時刻内の姿勢変化を外積ｎ_ｐ×ｎ_ｐ’として計算し、算出された外積値を３次元空間中にプロットした例を図４６に示す。なお、３次元空間中の各点が、１つの道路面の外積値を表している。上述したように、道路面であれば姿勢変化が等しくなることから、正しく推定された道路面は３次元空間中の一部分に偏って分布する。

次に、ステップＳ７０８では、ステップＳ７０６で算出された外積値を元にクラスタリングが行われる。クラスタリングを行うことで、正しく推定された道路面とそれ以外の道路面を分けることができる。クラスタリングを行う方法としては、一番評価値の高い道路面の外積値を初期値として、例えば公知のＮｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ法などを用いればよい。例えば、図４６に示した分布例についてクラスタリングを行った結果を図４７に示す。この場合、図４７に示されるように、２つのクラスタに分離された。

続いてステップＳ７１０では、各クラスタごとの評価値が算出される。評価値Ｖ_{ｐｌａｎｅ}は、例えば各道路面の評価値Ｖ（θ_ｋ，Ｆ）の和として得ることができる。つまり、クラスタの数をＣ、各クラスタに属する平面をΩ_ｃ＝｛ω_１，ω_２，・・・，ω_ｃ，・・・｝とすれば、次式（３７）により求めることができる。

続くステップＳ７１２では、ステップＳ７１０で算出された評価値Ｖに応じて、誤検出された道路面の除去が行われる。例えば、評価値Ｖのうちもっとも評価値Ｖの高いクラスタを正しく推定できた道路面として選択し、他の道路面を除去する。

本実施形態によれば、上り坂、下り坂など、複数の道路面（勾配が異なる複数の道路面）からなる道路面を認識することが可能となる。また、道路面の姿勢変化に基づいて道路面パラメータが選択されるので、道路面の誤検出を抑制することができる。

次に、図４８を用いて、第９実施形態に係る画像情報処理装置９について説明する。図４８は、画像情報処理装置９の構成を示すブロック図である。なお、図４９において第８実施形態と同一又は同等の構成要素については同一の符号が付されている。

画像情報処理装置９は、道路面の連続性を利用して道路面上の候補点を選択し、道路面パラメータを再推定する道路面パラメータ再推定部５３をさらに備える点で画像情報処理装置８と異なる。この道路面パラメータ再推定部５３は、特許請求の範囲に記載の除去手段として機能する。

次に、画像情報処理装置９による道路面パラメータ再推定方法について説明する。まずはじめに、道路面パラメータの再推定方法の概要について説明する。ここで、道路面の縦断面の例を図５０に示す。図５０中、黒点は撮像画像から取得された道路面上の候補点である。通常、画像から得られる候補点には多くのノイズが含まれ、道路面の推定精度に大きく影響する。しかしながら、図５０に示されるように、通常、同一道路面上の候補点は、連続的に存在し、空間的に近い位置にある可能性が高い。したがって、他の候補点から離れた位置の候補点はノイズである可能性が高い。本実施形態では、候補点のノイズを除去し、道路面パラメータを再推定する。

次に、図４９を参照しつつ道路面パラメータ再推定処理の具体的な処理手順について説明する。図４９は、画像情報処理装置９による道路面パラメータ再推定処理の処理手順を示すフローチャートである。

ステップＳ８００では、カウンタｉの値が０に初期化される。続くステップＳ８０２では、道路面上の候補点の評価値の算出が行われる。具体的には、各パラメータθ_ｋ＝｛ａ_ｋ，ｂ_ｋ，ｃ_ｋ｝に基づいて道路面モデル生成部３２で生成された道路面モデルと、特徴抽出部３１から入力された候補点との一致度を次式（３８）で評価して各候補点の評価値Ｖ（θ_ｋ，Ｆ）を算出する

ただし、ｄ_ｉは道路面と候補点との距離、Ｔ_Ｄはしきい値、ｘ_ｉは候補点の位置である。

続いて、ステップＳ８０４において、カウンタｉの値がＩ未満であるか否かについての判断が行われる。ここで、カウンタｉの値がＩ未満である場合には、ステップＳ８０６でカウンタｉの値が１だけインクリメントされ後、ステップＳ８０２に処理が移行し、カウンタｉの値がＩと等しくなるまでステップＳ８０２，Ｓ８０４が繰り返して実行される。一方、カウンタｉの値がＩ以上のときには、ステップＳ８０８に処理が移行する。

ステップＳ８０８では、Ｖ_ａｌ（ｘ_ｉ）＝１の候補点について、車両からの距離による並び替えが行われる。車両からの距離には、例えば、候補点の座標ｘ_ｉと車の進行方向を示すベクトルｎ_ｃａｒとの内積や、進行方向と候補点の奥行き方向（ｚ軸）がほぼ一致している場合にはｚ座標が用いられる。

続くステップＳ８１０では、中央に位置する候補点（以下「中央点」という）が算出される。通常、中央点は候補点の分布密度の高いところにある可能性が高いため、道路面にのる任意の１点となっている。中央点は、抽出された候補点がＩ_{ｄｅｔｅｃｔ}個ある場合、単にＩ_{ｄｅｔｅｃｔ}／２番目の候補点として得ることができる。このＩ_{ｄｅｔｅｃｔ}／２番目の候補点（中央点）までの距離をＺ_ＳＴＤとする。

次にステップＳ８１２では、並び替えられた候補点の間の距離に応じて、中央点から連続しているとみなすことができる候補点群が抽出される。候補点群の抽出は、ある候補点とこの候補点に隣接する候補点との距離がしきい値Ｔｚ以内か否かを順番に判定することにより行われる。具体的には、中央点より番号の小さい候補点の方へ、次式（３９）が成り立つまで、順次、次式（３９）が成立するか否かの判定が繰り返し行われる。

そして、上式（３９）が成立したときの番号がｉ_ｍｉｎとして記憶される。なお、Ｚ_ｉは、車両から並び替えられた候補点ｉまでの距離を示す。

一方、中央点より番号の大きい候補点の方へ、次式（４０）が成り立つまで、次式（４０）が成立するか否かの判定が繰り返し行われる。

上式（４０）が成立したときの番号がｉ_ｍａｘとして記憶される。なお、Ｚ_ｉは、車両から並び替えられた候補点ｉの距離を示す。そして、ｉ_ｍｉｎからｉ_ｍａｘまでの候補点を連続した候補点であるとみなし、それ以外の候補点をノイズとして除去する。

続いて、ステップＳ８１４では、道路面パラメータが再推定される。ここでは、ノイズが除去されたｉ_ｍｉｎからｉ_ｍａｘの候補点を用い、道路面パラメータを再推定する。なお、道路面パラメータの再推定では、例えば最小２乗法を用いることができる。

本実施形態によれば、道路面の連続性を利用して、隣り合う候補点との間の距離が所定値より大きい候補点が除去されるので、道路面の推定精度を向上させることが可能となる。

上記実施形態では、各パラメータθ_ｋ＝｛ａ_ｋ，ｂ_ｋ，ｃ_ｋ｝に基づいて道路面モデル生成部３２で生成された道路面モデルと、特徴抽出部３１から入力された候補点との一致度を評価して各候補点の評価値Ｖ（θ_ｋ，Ｆ）を算出した。ここで、自車両から候補点までの距離の検出精度を表す標準偏差の逆数と距離との関係が、例えば図５１のように表される場合、この検出精度の値を各候補点の評価値の重みｗ_ｉとしてもよい。この場合、各候補点の評価値Ｖ（θ_ｋ，Ｆ）は、次式（４１）により算出される。

本実施形態によれば、カメラ２０からの距離が遠く検出精度が低い候補点の評価値を下げることにより、道路面の推定精度を向上することが可能となる。また、評価値の重みｗ_ｉがしきい値Ｔ_Ｗより低い候補点が評価のためのデータから除外されるので、計算量を削減することが可能となる。

以上、本発明の実施の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種々の変形が可能である。例えば、画像情報処理装置７〜９では情報処理装置６を用いたが、情報処理装置６に代えて、情報処理装置１〜５を用いてもよい。また、上記実施形態では、パラメータの分布を推定するために、多峰性を有する分布を表現可能なパーティクルフィルタを用いたが、複雑な分布を扱うことができるものであればパーティクルフィルタ以外のもの採用してもよい。

第１実施形態に係る情報処理装置の構成を示すブロック図である。 第１実施形態に係る情報処理装置による情報処理の処理手順を示すフローチャートである。 情報処理に含まれる停止状態処理の処理手順を示すフローチャートである。 情報処理に含まれるパラメータ候補評価処理の処理手順を示すフローチャートである。 情報処理に含まれるパラメータ推定処理の処理手順を示すフローチャートである。 パラメータ候補の初期状態を示す図である。 パラメータ候補分布の一例を示す図である。 パラメータ候補分布および混合評価分布の一例を示す図である。 パラメータ候補分布と混合評価分布との適合度の求め方を説明するための図である。 パラメータ候補の再分配を模式的に示す図である。 パラメータ候補の遷移を模式的に示す図である。 第２実施形態に係る情報処理装置の構成を示すブロック図である。 第２実施形態に係る情報処理装置による情報処理の処理手順を示すフローチャートである。 情報処理に含まれる対象物数推定処理の処理手順を示すフローチャートである。 対象物数の推定方法を説明するための図である。 第３実施形態に係る情報処理装置の構成を示すブロック図である。 第３実施形態に係る情報処理装置による情報処理の処理手順を示すフローチャートである。 情報処理に含まれるパラメータ・対象物数変化推定処理の処理手順を示すフローチャートである。 情報処理に含まれる対象物数変化推定処理の処理手順を示すフローチャートである。 対象物数の削減方法を説明するための図である。 対象物数の増加方法を説明するための図である。 第４実施形態に係る情報処理装置の構成を示すブロック図である。 第４実施形態に係る情報処理装置による情報処理の処理手順を示すフローチャートである。 情報処理に含まれるパラメータ候補追加処理の処理手順を示すフローチャートである。 パラメータ候補の再設定方法を説明するための図である。 第５実施形態に係る情報処理装置の構成を示すブロック図である。 第５実施形態に係る情報処理装置による情報処理の処理手順を示すフローチャートである。 情報処理に含まれるロスト判定処理の処理手順を示すフローチャートである。 第６実施形態に係る情報処理装置の構成を示すブロック図である。 第６実施形態に係る情報処理装置による情報処理の処理手順を示すフローチャートである。 情報処理に含まれるロスト状態処理の処理手順を示すフローチャートである。 第７実施形態に係る画像情報処理装置の構成を示すブロック図である。 分岐のないレーンの撮像画像の一例を示す図である。 パラメータ候補（レーン幅、横位置）の評価値の分布を示す図である。 分岐地点のレーンの撮像画像の一例を示す図である。 分岐時におけるパラメータ候補（レーン幅、横位置）の評価値の分布を示す図である。 分岐終了地点までの距離の算出方法を説明するための図である。 合流開始地点におけるレーンの撮像画像の一例を示す図である。 合流開始時におけるパラメータ候補（レーン幅、横位置）の評価値の分布を示す図 合流終了地点におけるレーンの撮像画像の一例を示す図である。 合流終了時におけるパラメータ候補（レーン幅、横位置）の評価値の分布を示す図 合流終了地点までの距離の算出方法を説明するための図である。 第８実施形態に係る画像情報処理装置の構成を示すブロック図である。 第８実施形態に係る画像情報処理装置による誤検出判定処理の処理手順を示すフローチャートである。 道路面の一例を示す図である。 各道路面の外積値の分布の一例を示す図である。 各道路面の外積値のクラスタリング結果の一例を示す図である。 第９実施形態に係る画像情報処理装置の構成を示すブロック図である。 第９実施形態に係る画像情報処理装置による道路面パラメータ再推定処理の処理手順を示すフローチャートである。 候補点除去方法を説明するための図である。 距離と精度との関係を示す図である。

符号の説明

１，２，３，４，５，６…情報処理装置、７，８，９…画像情報処理装置、２０…センサ（カメラ）、３０…ＥＣＵ、３１…特徴抽出部、３２…対象モデル生成部、３２Ａ…レーンモデル生成部、３２Ｂ…道路面モデル生成部、３３…パラメータ候補分布取得部、３４…パラメータ分布モデル生成部、３５…パラメータ推定部、３６…対象物数推定部、３７…対象物数変化推定部、３８…パラメータ候補再設定部、３９…ロスト判定部、４０…復帰判定部、５１…分岐・合流判定部、５２…誤検出判定部、５３…道路面パラメータ再推定部。

Claims (28)

1. センサにより検出された被検出物情報を処理する情報処理装置において、
   前記被検出物情報と被検出物のパラメータ候補との一致度に応じて、パラメータ候補の分布を求めるパラメータ候補分布取得手段と、
   前記パラメータ候補分布と所定の混合評価分布との適合度に基づいて、前記被検出物のパラメータを推定するパラメータ推定手段と、
   前記パラメータ推定手段により推定された前記被検出物パラメータの変化を求める変化検出手段と、を備えることを特徴とする情報処理装置。
2. 前記適合度が最大となる前記混合評価分布の極大値の数を探索する探索手段と、
   前記探索手段により探索された前記極大値数に応じて前記混合評価分布を設定する設定手段と、をさらに備えることを特徴とする請求項１に記載の情報処理装置。
3. 前記探索手段は、前記極大値数の探索を情報処理開始時にのみ実行することを特徴とする請求項２に記載の情報処理装置。
4. 前記適合度が最大となる前記混合評価分布を構成する各要素分布について削除評価値を演算するとともに、該削除評価値が所定の削除しきい値より大きい場合に、該要素分布を削除する削除手段をさらに備えることを特徴とする請求項２又は３のいずれか１項に記載の情報処理装置。
5. 前記適合度が最大となる前記混合評価分布を構成する要素分布ごとに、該要素分布と、対応する前記パラメータ候補分布との要素適合度を演算するとともに、該要素適合度が所定の分割しきい値より大きい場合に、該要素分布を分割する分割手段をさらに備えることを特徴とする請求項２〜４のいずれか１項に記載の情報処理装置。
6. 前記パラメータ候補分布取得手段は、前記適合度が最大となる前記混合評価分布を構成する要素分布の大きさに応じて、前記パラメータ候補のサンプリング数を増大することを特徴とする請求項１〜５のいずれか１項に記載の情報処理装置。
7. 前記一致度が第１所定値未満、前記適合度が第２所定値未満、の少なくともいずれかの条件を満たす場合に、前記被検出物を検出することができていないと判断するロスト判定手段をさらに備えることを特徴とする請求項１〜６のいずれか１項に記載の情報処理装置。
8. 前記一致度が第３所定値以上、前記適合度が第４所定値以上、の少なくともいずれかの条件を満たす場合に、前記被検出物を検出することができていると判断する復帰判定手段をさらに備えることを特徴とする請求項１〜７のいずれか１項に記載の情報処理装置。
9. 請求項１〜８のいずれか１項に記載の情報処理装置を備える画像情報処理装置において、
   前記センサは、周囲の画像を撮像する撮像手段であり、
   前記被検出物は、道路のレーンであり、
   前記パラメータは、前記レーンを規定するレーンパラメータであることを特徴とする画像情報処理装置。
10. 前記レーンパラメータの変化に基づいて、前記レーンの合流、分岐を認識する認識手段をさらに備えることを特徴とする請求項９に記載の画像情報処理装置。
11. 請求項１〜８のいずれか１項に記載の情報処理装置を備える画像情報処理装置において、
    前記センサは、周囲を撮像する撮像手段であり、
    前記被検出物は、道路面であり、
    前記パラメータは、前記道路面を規定する道路面パラメータであることを特徴とする画像情報処理装置。
12. 前記道路面パラメータの変化から前記道路面の姿勢変化を求め、この姿勢変化に基づいて前記道路面パラメータを選択する選択手段をさらに備えることを特徴とする請求項１１に記載の画像情報処理装置。
13. 前記被検出物情報は、前記撮像手段により撮像された画像中の道路面に位置する点の３次元位置であり、
    隣り合う点との間の距離が所定値より大きい点を除去する除去手段をさらに備えることを特徴とする請求項１２に記載の画像情報処理装置。
14. 前記パラメータ候補分布取得手段は、前記パラメータ候補により規定される道路面と前記点との距離に応じて前記道路面と前記点との一致度を求め、その際に、前記撮像手段から前記点までの距離が近くなるほど前記一致度を大きくすることを特徴とする請求項１３に記載の画像情報処理装置。
15. センサにより検出された被検出物情報を処理する情報処理方法において、
    前記被検出物情報と被検出物のパラメータ候補との一致度に応じて、パラメータ候補の分布を求めるパラメータ候補分布取得ステップと、
    前記パラメータ候補分布と所定の混合評価分布との適合度に基づいて、前記被検出物のパラメータを推定するパラメータ推定ステップと、
    前記パラメータ推定ステップにより推定された前記被検出物パラメータの変化を求める変化検出ステップと、を備えることを特徴とする情報処理方法。
16. 前記適合度が最大となる前記混合評価分布の極大値の数を探索する探索ステップと、
    前記探索ステップにより探索された前記極大値数に応じて前記混合評価分布を設定する設定ステップと、をさらに備えることを特徴とする請求項１５に記載の情報処理方法。
17. 前記探索ステップは、情報処理開始時にのみ実行されることを特徴とする請求項１６に記載の情報処理方法。
18. 前記適合度が最大となる前記混合評価分布を構成する各要素分布について削除評価値を演算するとともに、該削除評価値が所定の削除しきい値より大きい場合に、該要素分布を削除する削除ステップをさらに備えることを特徴とする請求項１６又は１７のいずれか１項に記載の情報処理方法。
19. 前記適合度が最大となる前記混合評価分布を構成する要素分布ごとに、該要素分布と、対応する前記パラメータ候補分布との要素適合度を演算するとともに、該要素適合度が所定の分割しきい値より大きい場合に、該要素分布を分割する分割ステップをさらに備えることを特徴とする請求項１６〜１８のいずれか１項に記載の情報処理方法。
20. 前記パラメータ候補分布取得ステップは、前記適合度が最大となる前記混合評価分布を構成する要素分布の大きさに応じて、前記パラメータ候補のサンプリング数を増大することを特徴とする請求項１５〜１９のいずれか１項に記載の情報処理方法。
21. 前記一致度が第１所定値未満、前記適合度が第２所定値未満、の少なくともいずれかの条件を満たす場合に、前記被検出物を検出することができていないと判断するロスト判定ステップをさらに備えることを特徴とする請求項１５〜２０のいずれか１項に記載の情報処理方法。
22. 前記一致度が第３所定値以上、前記適合度が第４所定値以上、の少なくともいずれかの条件を満たす場合に、前記被検出物を検出することができていると判断する復帰判定ステップをさらに備えることを特徴とする請求項１５〜２１のいずれか１項に記載の情報処理方法。
23. 請求項１５〜２２のいずれか１項に記載の情報処理方法を備える画像情報処理方法において、
    前記センサは、周囲の画像を撮像する撮像手段であり、
    前記被検出物は、道路のレーンであり、
    前記パラメータは、前記レーンを規定するレーンパラメータであることを特徴とする画像情報処理方法。
24. 前記レーンパラメータの変化に基づいて、前記レーンの合流、分岐を認識する認識ステップをさらに備えることを特徴とする請求項２３に記載の画像情報処理方法。
25. 請求項１５〜２２のいずれか１項に記載の情報処理方法を備える画像情報処理方法において、
    前記センサは、周囲を撮像する撮像手段であり、
    前記被検出物は、道路面であり、
    前記パラメータは、前記道路面を規定する道路面パラメータであることを特徴とする画像情報処理方法。
26. 前記道路面パラメータの変化から前記道路面の姿勢変化を求め、この姿勢変化に基づいて前記道路面パラメータを選択する選択ステップをさらに備えることを特徴とする請求項２５に記載の画像情報処理方法。
27. 前記被検出物情報は、前記撮像手段により撮像された画像中の道路面に位置する点の３次元位置であり、
    隣り合う点との間の距離が所定値より大きい点を除去する除去ステップをさらに備えることを特徴とする請求項２６に記載の画像情報処理方法。
28. 前記パラメータ候補分布取得ステップは、前記パラメータ候補により規定される道路面と前記点との距離に応じて前記道路面と前記点との一致度を求め、その際に、前記撮像手段から前記点までの距離が近くなるほど前記一致度を大きくすることを特徴とする請求項２７に記載の画像情報処理方法。

Images