JP2007264838A - 物体識別装置 - Google Patents

Abstract

【課題】熱放射の有無にかかわらず対象物の識別を可能とする。
【解決手段】近赤外光及び可視光の複数の波長帯の光を、各波長毎に受光可能なフィルタを介して被写体を撮像し、該被写体を示す画像データを生成し、前記撮像手段により生成された前記画像データから、波長帯毎の特徴情報である画像データ特徴情報を抽出し、種々の物体の特徴情報であるサンプル特徴情報と、前記特徴情報抽出手段により抽出された画像データ特徴情報に基づいて、前記撮像手段により生成された前記画像データが示す物体を識別する。
【選択図】図１０

Description

本発明は、物体識別装置に係り、特に車両周辺に存在する物体を識別する物体識別装置に関する。

従来より、撮像された画像データから物体を識別することで、例えば車両を運転するドライバの視覚を支援する様々な装置が提案されている。特許文献１には、遠赤外画像と可視画像からそれぞれの画像の特徴量を算出し、特徴量の多次元空間をクラスタリングによっていくつかのクラスタに分類することを特徴とし、特徴量空間における特徴量の分布にしたがって、領域分割が行われる技術が開示されている。
特開２０００−３０６１９１号公報

しかしながら、特許文献１に開示された技術は、遠赤外線画像と可視画像を用いるため、２台のカメラが必要となる。また、遠赤外線画像は、撮像対象の熱放射量を計測するため、熱放射量に特徴のない対象物の識別は困難である。さらに、遠赤外線画像を取得するためのカメラは、非常に高価である。

本発明は上記問題点に鑑み、コストをかけることなく物体の識別を可能とすることを目的とする。

上記目的を達成するために請求項１の発明は、近赤外光及び可視光の複数の波長帯の光を、各波長毎に受光可能なフィルタを介して被写体を撮像し、該被写体を示す画像データを生成する撮像手段と、前記撮像手段により生成された前記画像データから、波長帯毎の特徴情報である画像データ特徴情報を抽出する特徴情報抽出手段と、種々の物体の特徴情報であるサンプル特徴情報と、前記特徴情報抽出手段により抽出された画像データ特徴情報に基づいて、前記撮像手段により生成された前記画像データが示す物体を識別する物体識別手段と、を有する。

ここで、請求項１に記載の発明では、近赤外光を含む複数の波長帯の光を、各波長毎に受光可能なフィルタを介して被写体を撮像し、該被写体を示す画像データを生成し、前記撮像手段により生成された前記画像データから、波長帯毎の特徴情報である画像データ特徴情報を抽出し、種々の物体の特徴情報であるサンプル特徴情報と、前記特徴情報抽出手段により抽出された画像データ特徴情報に基づいて、前記撮像手段により生成された前記画像データが示す物体を識別する。従って、物体を詳細に識別することを可能とする。

本発明によれば、コストをかけることなく物体の識別を可能とすることができるという効果が得られる。

以下、図面を参照して、本発明の実施の形態について詳細に説明する。

図１は、本実施の形態に係る物体識別装置の構成を示す図である。

物体識別装置１０の撮像部４２は、近赤外光を含む複数の波長帯の光を、各波長毎に受光可能なフィルタを含んで構成された光学ユニット２２と、光学ユニット２２の光軸後方に配設されたＣＣＤイメージセンサ（以下、「ＣＣＤ」という。）２４と、入力されたアナログ信号に対して各種のアナログ信号処理を行うアナログ信号処理部２６と、入力されたアナログ信号をデジタルデータに変換するアナログ／デジタル変換器（以下、「ＡＤＣ」という。）２８と、入力されたデジタルデータに対して各種のデジタル信号処理を行うデジタル信号処理部３０と、を含んで構成されている。なお、撮像部４２は、ＣＭＯＳカメラであっても良い。

なお、デジタル信号処理部３０は、所定容量のラインバッファを内蔵し、入力された画像データをメモリ４８の所定領域に直接記憶させる制御も行う。

ＣＣＤ２４の出力端はアナログ信号処理部２６の入力端に、アナログ信号処理部２６の出力端はＡＤＣ２８の入力端に、ＡＤＣ２８の出力端はデジタル信号処理部３０の入力端に、各々接続されている。従って、ＣＣＤ２４から出力された被写体像を示すアナログ信号はアナログ信号処理部２６によって所定のアナログ信号処理が施され、ＡＤＣ２８によってデジタルデータである画像データに変換された後にデジタル信号処理部３０に入力される。

一方、物体識別装置１０は、物体識別装置１０全体の動作を司るＣＰＵ（中央処理装置）４０と、撮影により得られたデジタル画像データ等を記憶するメモリ４８と、メモリ４８に対するアクセスの制御を行うメモリインタフェース４６と、ＬＣＤ３８と、ＬＣＤ３８に対するアクセスの制御を行うＬＣＤインタフェース３６と、を含んで構成されている。

なお、本実施の形態の物体識別装置１０では、メモリ４８としてＶＲＡＭ（Video RAM）並びにＲＯＭが用いられている。ＲＯＭには、ＯＳや後述するプログラムが記憶されている。

デジタル信号処理部３０、ＣＰＵ４０、ＬＣＤインタフェース３６、及びメモリインタフェース４６はシステムバスＢＵＳを介して相互に接続されている。従って、ＣＰＵ４０は、デジタル信号処理部３０の作動の制御、メモリ４８へのメモリインタフェース４６を介したアクセス、ＬＣＤインタフェース３６を介したＬＣＤ３８の制御を各々行うことができる。メモリ４８へアクセスすることにより、画像データからＲＧＢＩ毎の画像データを生成する。

次に、図２を用いて、フィルタについて説明する。本実施の形態で用いるフィルタは、図２に示されるように、Ｒ（赤色光）を透過する赤色透過フィルタ５０、Ｇ（緑色光）を透過する緑色透過フィルタ５２、Ｂ（青色光）を透過する青色透過フィルタ５４、及びＩ（近赤外光）を透過する近赤外光透過フィルタ６０が交互に配置されたフィルタである。

そして、太線の矩形に示されるように上記４つのフィルタで構成されるフィルタ５８が、１画素に対応している。

撮像部４２は、このフィルタを介して被写体を撮像し、その被写体を示す画像データを後述する画像生成部が生成するようになっている。

このように、４つのフィルタが交互に配置されたフィルタを用いることで、時間ずれを生じることなく、同一の視野角を持つＲＧＢＩ画像を取得することができる。また、同一の視野角を持つために、画像間の画素対応も容易となる。

次に、図３を用いて、物体識別装置１０のプログラム構成について説明する。物体識別装置１０には、画像生成部６２と、特徴情報抽出部６４と、物体識別部６８とが搭載される。

画像生成部６２及び上記撮像部４２は、近赤外光を含む複数の波長帯の光を、各波長毎に受光可能なフィルタを介して被写体を撮像し、該被写体を示す画像データを生成する。

特徴情報抽出部６４は、画像生成部６２により生成された画像データから、波長帯毎の特徴情報である画像データ特徴情報を抽出する。この特徴情報については後述する。

物体識別部６８は、種々の物体を撮像したサンプル画像データから抽出された特徴情報であるサンプル特徴情報と、特徴情報抽出部６４により抽出された画像データ特徴情報とが類似しているかどうかを示す類似度を算出し、画像データ特徴情報と最も類似しているサンプル特徴情報が抽出されたサンプル画像データが示す物体を、撮像部４２により生成された画像データが示す物体であると識別する。

以上が物体識別装置１０のプログラム構成である。次に、上述した特徴情報について説明する。本実施の形態における特徴情報は、ＲＧＢＩ毎の受光強度を示す情報である。従って、特徴情報の表現形式は複数考えられるが、本実施の形態においては３種類の表現形式が用いられる。

１つ目の表現形式を具体的に説明する。まず、ある画素におけるＲＧＢＩの受光強度をそれぞれr,g,b,iとしたとき、その画素における受光強度を（r,g,b,i）と表現する。そして、１つ目の表現形式は、画像データの全ての画素における受光強度（r,g,b,i）の集合で特徴情報を表現する。例えば１０画素で構成される画像データの場合、１０個の（r,g,b,i）がその画像データの特徴情報である。この１つ目の表現形式は、撮像した画像データから、波長帯毎の特徴情報である画像データ特徴情報を表現するために用いられる。

２つ目の表現形式は、平均と分散・共分散として表現する形式である。すなわち、例えば１０個の（r,g,b,i）で表現された場合、これらの平均と分散・共分散として特徴情報を表現する形式である。この２つ目の表現形式は、１つ目の表現形式と比較して情報量を軽減できるので、サンプル画像データのサンプル特徴情報を表現するために用いられる。なお、この２つ目の表現形式における具体的なデータ例については後述する。

３つ目の表現形式は、不等式を用いる表現形式である。すなわち、受光強度を（r,g,b,i）の範囲を不等式を用いて表現する。この３つ目の表現形式も、１つ目の表現形式と比較して情報量を軽減できるので、サンプル画像データのサンプル特徴情報を表現するために用いられる。なお、３つ目の表現形式における具体的なデータ例については後述する。

次に、サンプル画像データから抽出された特徴情報であるサンプル特徴情報について説明する。本実施の形態における物体識別装置１０は、撮像した画像データが示す物体を識別するために、種々の物体を撮像した画像データから抽出されたサンプル特徴情報を記録した図４に示される構造のデータベースを有する。

なお、種々の物体とは、図４に示されるように、路面、信号機、ブレーキ灯などであるが、これらに限らず、例えば標識、ガードレール、歩行者、あるいは植物（樹木・草）などを含むようにしても良い。さらに、本実施の形態では、図４に示されるように、日中に物体を撮像した画像データ、または夜間に可視光が照射された物体を撮像した画像データから抽出されたサンプル特徴情報をデータベースに記録している。特に信号機の場合は、青、黄、赤でサンプル特徴情報が異なるため、青、黄、赤のそれぞれのサンプル特徴情報がデータベースに記録されている。このように、日中や夜間の分類を照度や時刻に基づいて細かくすると、識別性能が向上できる。

次に、各サンプル特徴情報のデータ内容について、図５、図６を用いて説明する。図５に示されるサンプル特徴情報は、類似度としてマハラノビス距離を用いる場合のサンプル特徴情報であり、上述した２つ目の表現形式で表現された特徴情報である。図６に示されるサンプル特徴情報は、類似度としてユークリッド距離を用いる場合のサンプル特徴情報であり、上述した３つ目の表現形式で表現された特徴情報である。

図５に示されるサンプル特徴情報は、各サンプル画像データ毎に抽出された平均と分散・共分散の逆行列の形式で表現されたものである。ちなみに、路面（日中）のサンプル特徴情報は、平均が（ｒ１，ｇ１、ｂ１、ｉ１）で、分散・共分散の逆行列は、Ｓ［1］ijの４×４の行列となっている。

なお、サンプル特徴情報の平均を縦ベクトルで表現したものをμ、撮像した画像データから抽出された特徴情報（r,g,b,i）を縦ベクトルで表現したものをｘ、分散・共分散の逆行列をＡとしたとき、本実施の形態におけるマハラノビス距離Ｄの２乗は次式で定義される。
（Ｄの２乗）=（(x−μ)の転置行列）Ａ(x−μ)
この式の右辺は、(x−μ)の転置行列が１×４の行列であり、Ａが４×４の正方行列であり、(x−μ)が４×１の行列であるため、スカラーとなる。

以上のようにして、撮像した画像データから抽出された特徴情報（r,g,b,i）とのマハラノビス距離を求め、撮像した画像データから抽出された特徴情報とサンプル特徴情報との類似度とする。

そして、このマハラノビス距離が最も短くなるサンプル特徴情報を、最も類似しているサンプル特徴情報とする。この最も類似しているサンプル特徴情報が抽出されたサンプル画像データが示す物体を、撮像した画像データが示す物体であると識別する。

次に、図６を用いて、類似度としてユークリッド距離を用いる場合のサンプル特徴情報について説明する。

図６に示されるサンプル特徴情報は、各サンプル画像データ毎に抽出された受光度（r,g,b,i）が存在する範囲を不等式の形式で表現されたものである。ちなみに、路面（日中）のサンプル特徴情報は、
a1≦ｒ1≦b1，c1≦ｇ1≦d1，e1≦ｂ1≦f1，g1≦ｉ1≦h1
であり、４次元空間での超直方体となっている。

なお、撮像した画像データから抽出された特徴情報を（r,g,b,i）とした場合、上記サンプル特徴情報が示す範囲内で（r,g,b,i）と最も近い点とのユークリッド距離を、撮像した画像データから抽出された特徴情報とサンプル特徴情報との類似度とする。

そして、このユークリッド距離が最も短くなるサンプル特徴情報を、最も類似しているサンプル特徴情報とする。この最も類似しているサンプル特徴情報が抽出されたサンプル画像データが示す物体を、撮像した画像データが示す物体であると識別する。

次に、図７を用いて、ＣＰＵ４０により実行される物体識別全体処理について説明する。なお、以下の説明では、ＲＧＢの各画像データを、単にＲＧＢ画像、Ｉの画像データを赤外画像と表現する。

ステップ１０１で、画像生成部６２は、ＲＧＢ画像及び赤外画像を生成する。次に、ステップ１０２で、特徴情報抽出部６４は、ＲＧＢ画像及び赤外画像から、波長帯毎の特徴情報である画像データ特徴情報を抽出する特徴情報抽出処理を行う。この特徴情報抽出処理の詳細は後述する。

ステップ１０３で、物体識別部６８は、上述したサンプル特徴情報と、特徴情報抽出部６４により抽出された画像データ特徴情報に基づいて、撮像された画像データが示す物体を識別する物体識別処理を行う。この物体識別処理の詳細は後述する。

以上説明した処理の流れが物体を識別する処理全体の流れとなっている。次に上記特徴情報抽出処理（Ｓ１０２）の詳細を、図８を用いて説明する。なお、このフローチャートでは、画像データの画素の数をＭとしている。

ステップ２０１で、特徴情報抽出部６４は、画素数をカウントするカウンタｋを初期化する。ステップ２０２で、特徴情報抽出部６４は、画素Ｄ（ｋ）におけるＲＧＢＩを算出し、それぞれｒ，ｇ，ｂ，ｉとする。次のステップ２０３で、特徴情報抽出部６４は、配列Ｆに、ｒ，ｇ，ｂ，ｉを代入する。この配列Ｆは、特徴情報を保持するための配列である。

次に、特徴情報抽出部６４は、ステップ２０４でｋを１つ増分する。そして、特徴情報抽出部６４は、ステップ２０５で、ｋ＜Ｍかどうか判断する。この判断は、全ての画素から特徴情報を抽出したかどうかの判断である。肯定判断の場合は、まだ特徴情報を抽出していない画素が存在するため、再びステップ２０２の処理が実行される。否定判断の場合は、全ての画素に対して特徴情報を抽出したことを示しているので処理は終了する。

次に、物体識別処理（図７：Ｓ１０３）を、図９のフローチャートを用いて説明する。ステップ３０１で、物体識別部６８は、ｋ、Ｐ、Ｄminの初期化を行う。ｋは、比較したサンプル特徴情報をカウントするカウンタである。Ｐは、最も距離が短いサンプル特徴情報の番号を保持する変数であり、Ｄminは、そのときの距離を保持する変数である。なお、Ｄminは、説明を簡単にするために２バイトの符号なし変数としている。また、サンプル特徴情報数をＮとしている。

次のステップ３０２で、物体識別部６８は、ｋ番目のサンプル特徴情報と画像データ特徴情報との距離Ｄを算出する。この距離の求め方は、上述した通りである。次に、物体識別部６８は、ステップ３０３で、その距離がＤminより小さいかどうか判断する。

肯定判断の場合、Ｄがこの時点では最も短い距離であるので、物体識別部６８は、ステップ３０４で、ＤminにＤを代入し、Ｐにｋを代入する。否定判断の場合、ステップ３０５に処理が進む。

次に、物体識別部６８は、ステップ３０５でｋを１つ増分する。そして、物体識別部６８は、ステップ３０６で、ｋ＜Ｎかどうか判断する。この判断は、全てのサンプル特徴情報と画像データ特徴情報との距離を算出したかどうかの判断である。肯定判断の場合は、まだ距離を算出していないサンプル特徴情報が存在するため、再びステップ３０２の処理が実行される。否定判断の場合は、全てのサンプル特徴情報との距離を算出したことを示しているので、物体識別部６８は、ステップ３０７でＰ番目のサンプル特徴情報が示す物体を、画像データが示す物体とする。

次に、図１０、図１１を用いてサンプル特徴情報及び画像データ特徴情報の分布例について説明する。なお、４次元を図示することは困難であるので、図１０は３次元、図１１は、２次元で表現する。

図１０は、青信号（夜間）のサンプル特徴情報７２、ブレーキ灯（夜間）のサンプル特徴情報７０、及び撮像した画像データ特徴情報７４の分布例を示した図である。また、座標軸は、ＸＹＺであるが、この座標軸は、ＲＧＢＩのいずれか３つに対応していても良い。あるいは、対象となるサンプル特徴情報及び画像データ特徴情報のいずれもが、例えばＢ成分が著しく小さい場合などは、Ｂ成分を無視してＲＧＩの３次元で距離を算出するようにしても良い。この場合、処理に要する演算量を軽減することができる。なお、図１０は、夜間の例を示すものであるが、日中の場合も同様の分布例となる。

図１０に示されるように、画像データ特徴情報７４と２つのサンプル特徴情報７０、７２との距離において、画像データ特徴情報７４とサンプル特徴情報７２との距離の方が短いので、物体識別部６８は、画像データが示す物体を青信号と識別する。

図１１は、２次元空間における分布例を示す図である。図１１は、路面（夜間）サンプル特徴情報７６、及び撮像した画像データ特徴情報７４の分布例を示した図である。また、座標軸は、ＸＹであるが、この座標軸は、図１０の場合と同様に、ＲＧＢＩのいずれか２つに対応していても良い。あるいは、対象となるサンプル特徴情報及び画像データ特徴情報のいずれもが、例えばＲＧ成分が著しく小さい場合などは、ＲＧ成分を無視してＧＩの２次元で距離を算出するようにしても良い。この場合、処理に要する演算量を軽減することができる。なお、図１１は、夜間の例を示すものであるが、日中の場合も同様の分布例となる。

図１１に示されるように、画像データ特徴情報７４と２つのサンプル特徴情報７６との距離は、０であるので、物体識別部６８は、画像データが示す物体を路面と識別する。

以上説明した処理により、本実施の形態における物体識別装置１０は物体を識別するが、識別精度を上げるため、以下に説明する処理を実行するようにしても良い。図１２は、撮像した画像をＸＹ座標上で表現した図を示している。また、この図には路面と信号機が示されている。信号機は通常、高い位置にあるので、信号機の位置は、Ｙ座標のＹ１から、Ｙ軸の最大値であるＹmaxまでの領域に存在する。

従って、信号機と識別した場合であっても、上記Ｙ座標の範囲にないものは信号機である可能性は低い。その場合、識別結果を、上述したユークリッド距離あるいはマハラノビス距離で、２番目に距離が短いサンプル特徴情報が示す物体とすることも可能となる。

このように、識別した物体がその位置と整合しているかどうかを確認する整合性確認処理を、図１３を用いて説明する。

ステップ４０１で、物体識別部６８は、識別した物体及びその物体の位置を取得する。この位置とは、図１２で説明したようなＸＹ座標における位置である。次に、物体識別部６８は、ステップ４０２で、物体の適正位置を取得する。この適正位置とは、上述したようなＹ座標の範囲を示すものである。この適正位置は、例えばサンプル特徴情報と共にデータベースに記録しておく。

次のステップ４０３で、物体識別部６８は、識別した物体の位置が、適正位置に含まれるかどうか判断する。肯定判断の場合、ステップ４０４で適正位置に含まれることを示すＯＫを返し、否定判断の場合、ステップ４０５で、適正位置に含まれないことを示すＮＧを返す。

この処理により、ＮＧが返された場合、物体識別部６８は、上述したように、２番目に距離が短いサンプル特徴情報が示す物体を識別結果としたり、あるいは、その２番目に距離が短いサンプル特徴情報に対してもさらに整合性確認処理を行うようにしても良い。また、ＮＧが返された場合、撮像した画像データが示す物体をドライバなどが目視で確認し、その画像データの特徴情報と物体名を、図４で示したサンプル特徴情報に加えることで、後の識別精度を向上することが可能となる。

なお、整合性を確認するために、画素単位あるいは複数の画素を含む小領域でのパターン情報（エッジ方向や強度、それらの分布状況など）を、ＲＧＢＩで表現されていた特徴情報に追加して、４次元より大きい次元で物体の識別を行うようにしても良い。更に、画像に表示される物体のＸ座標、Ｙ座標を追加して、更に大きい次元で物体を識別しても良い。

さらに、ブレーキ灯にＬＥＤが用いられている場合、ＬＥＤが放つ光の波長は、狭帯域に絞られているため、近赤外光をあまり含まない。本実施の形態では、近赤外光を用いるので、近赤外光を含む波長の光を放つ発光体とＬＥＤとを区別することが可能となる。従って、ＬＥＤが用いられているブレーキ灯あるいは信号機を識別することが可能となる。このことは、特に強い西日が差す夕暮れ時にＬＥＤが用いられたブレーキ灯あるいは信号機を識別する場合に効果を発揮する。

また、近赤外光では路面は黒つぶれしたように撮像され、草木は明るく撮像され、夜間の歩行者は白く撮像されるので、これらの特徴を、４次元空間での分布分け（クラスタリング）に反映することで、物体を識別するようにしても良い。

なお、以上説明した実施の形態では、ＲＧＢを用いていたが、ＨＳＶなど他の色空間を用いるようにしても良い。

本実施の形態に係る物体識別装置の構成を示す図である。 フィルタを示す図である。 物体識別装置のプログラム構成を示す図である。 サンプル特徴情報のデータベース構造を示す図である。 マハラノビス距離を用いる場合のサンプル特徴情報を示す図である。 ユークリッド距離を用いる場合のサンプル特徴情報を示す図である。 物体識別全体処理を示すフローチャートである。 特徴情報抽出処理を示すフローチャートである。 物体識別処理を示すフローチャートである。 ３次元でのサンプル特徴情報及び画像データ特徴情報の分布例を示す図である。 ２次元でのサンプル特徴情報及び画像データ特徴情報の分布例を示す図である。 撮像した画像をＸＹ座標上で表現した図である。 整合性確認処理を示すフローチャートである。

符号の説明

１０ 物体識別装置
２２ 光学ユニット
２６ アナログ信号処理部
３０ デジタル信号処理部
３６ ＬＣＤインタフェース
３８ ＬＣＤ
４２ 撮像部
４６ メモリインタフェース
４８ メモリ
５０ 赤色透過フィルタ
５２ 緑色透過フィルタ
５４ 青色透過フィルタ
５８ フィルタ
６０ 近赤外光透過フィルタ
６２ 画像生成部
６４ 特徴情報抽出部
６８ 物体識別部
７０ サンプル特徴情報
７２ サンプル特徴情報
７４ 画像データ特徴情報
７６ サンプル特徴情報

Claims (7)

1. 近赤外光及び可視光の複数の波長帯の光を、各波長毎に受光可能なフィルタを介して被写体を撮像し、該被写体を示す画像データを生成する撮像手段と、
   前記撮像手段により生成された前記画像データから、波長帯毎の特徴情報である画像データ特徴情報を抽出する特徴情報抽出手段と、
   種々の物体の特徴情報であるサンプル特徴情報と、前記特徴情報抽出手段により抽出された画像データ特徴情報に基づいて、前記撮像手段により生成された前記画像データが示す物体を識別する物体識別手段と、
   を有する物体識別装置。
2. 前記特徴情報は、赤色光Ｒ、緑色光Ｇ、青色光Ｂ、及び近赤外光Ｉの受光強度を示す情報である請求項１に記載の物体識別装置。
3. 前記物体識別手段は、前記サンプル特徴情報と前記画像データ特徴情報とが類似しているかどうかを示す類似度を算出することにより、前記撮像手段により生成された前記画像データが示す物体を識別する請求項２に記載の物体識別装置。
4. 前記類似度は、前記画像データ特徴情報と前記サンプル特徴情報とを用いて算出されるマハラノビス距離であり、
   前記物体識別手段は、前記マハラノビス距離が最も短くなるサンプル特徴情報を、最も類似しているサンプル特徴情報とする請求項３に記載の物体識別装置。
5. 前記画像データ特徴情報及びサンプル特徴情報は、前記赤色光Ｒ、緑色光Ｇ、青色光Ｂ、及び近赤外光Ｉの受光強度を示すＲＧＢ色空間に前記近赤外光Ｉの受光強度を示す座標軸を加えた４次元空間上の点の集合であり、
   前記類似度は、画像データ特徴情報に属する点とサンプル特徴情報に属する点とで算出されるユークリッド距離であり、
   前記物体識別手段は、前記ユークリッド距離が最も短くなるサンプル特徴情報を、最も類似しているサンプル特徴情報とする請求項３に記載の物体識別装置。
6. 前記サンプル画像データは、物体を撮像した画像データである請求項１から請求項５のいずれか１項に記載の物体識別装置。
7. 前記物体は、路面、信号機、ブレーキ灯、歩行者、及び植物のうちのいずれか１つ以上の物体である請求項６に記載の物体識別装置。