JP2009110185A - 通行人行動解析装置及び通行人行動解析方法並びにそのプログラム - Google Patents

Abstract

【課題】比較的に広い場所に大勢の人が存在するような場合における通行人の追跡処理の精度を向上させることのできる通行人行動解析装置を提供する。
【解決手段】通行人の足のレーザセンサからの距離を示す距離データを受信し、複数のレーザセンサによって取得された距離データを複数用いて、同時刻における空間平面上のレーザセンサの検出位置を示すセンシング画像データを生成する。そして、センシング画像データにおける複数の検出位置をクラスタリングし、そのクラスタリング結果から一人の通行人の足に対応するクラスタを特定し、特定した通行人のクラスタから、当該通行人の足のポイントの位置、歩行方向、歩幅、歩行周期、歩行位相を決定する。また、各パラメータとParticle filterアルゴリズムを用いて通行人の軌跡を解析する。
【選択図】図１

Description

本発明は、鉄道の駅などにおいて、通行人が移動、滞在する空間における通行人の行動を解析する通行人行動解析装置及び通行人行動解析方法並びにそのプログラムに関する。

駅を利用する旅客がスムーズに流れ移動できることが駅における快適性の重要な要件となっているが、乗降客や乗換客などが複雑に入り組み、案内標識や出入り口を確認するための立ち止まりや売店での買い物、待ち合わせによる滞留など、スムーズな流れを阻害する要素が多数存在する。これにより旅客同士の衝突や混雑による歩行速度の低下などの問題が発生する。
駅環境の快適性を向上させる改良工事等を検討するための基礎情報収集として実施されてきた従来の旅客流動調査は、断面での通過人数を把握することが主であり、人手による調査が主流であったため、駅構内を面的移動する旅客の速度や方向、密度を総合的に解析するのは困難であった。

このような問題を解決するために、道路の交差点に可視画像のカメラを設置し、このカメラにより、横断歩道を含む所定範囲の監視領域内の画像を撮像して、道路の交差点における歩行者の状況や人数を調べることにより、車両用信号および歩行者用信号の制御をより効率的に行なえ、結果として歩行者の安全を向上させることができる技術が知られている（例えば、特許文献１参照）。

ここで、特許文献１に示す装置は、可視のビデオ画像を使用しているため、通行人が交錯する時などに追跡処理が困難になる場合があり、通行人の正確な位置の追跡処理を行うのが困難であるという問題がある。また、この問題を避けるためカメラの設置位置や設置角度が大きく制約され、撮像範囲が狭くなるとともに、多数の通行人がある場合は計算処理負荷が大きくなってしまうという問題もある。そして、このような問題を解決し、距離画像を用いて通行人の行動を解析することができる技術が開示されている（例えば、特許文献２参照）。
特開平１１−２７５５６２号公報 特開２００５−３４６６１７号公報

しかしながら、特許文献２の技術では、必ずしも通行人の追跡処理の精度が十分ではなかったため、その処理の精度を上げることが望まれている。

そこでこの発明は、比較的に広い場所に大勢の人が存在するような場合における通行人の追跡処理の精度を向上させることのできる通行人行動解析装置を提供することを目的としている。

上記目的を達成するために、本発明は、通行人の足のレーザセンサからの距離を示す距離データを受信する距離データ受信手段と、複数の前記レーザセンサによって取得された前記距離データを複数用いて、同時刻における空間平面上のレーザセンサの検出位置を示すセンシング画像データを生成するセンシング画像データ生成手段と、前記センシング画像データにおける複数の前記検出位置をクラスタリングするクラスタリング手段と、前記クラスタリング結果から一人の通行人の足に対応するクラスタを特定する通行人特定手段と、前記特定した通行人のクラスタから、当該通行人の足のポイントの位置、歩行方向、歩幅、歩行周期、歩行位相とからなるパラメータを決定するパラメータ決定手段と、前記パラメータとParticle filterアルゴリズムを用いて通行人の軌跡を解析する軌跡解析処理手段と、を備えることを特徴とする通行人行動解析装置である。

また本発明は、上述の通行人行動解析装置が、前記クラスタリングにおいて、Mean-shift Clusteringアルゴリズムを用いることを特徴とする。

また本発明は、上述の通行人行動解析装置において、前記クラスタリング結果のクラスタが分割または統合するクラスタを、前記一人の通行人の足に対応するクラスタと特定することを特徴とする。

また本発明は、上述の通行人行動解析装置において、前記クラスタリング結果のクラスタにおいて特定した、前記通行人の左足の加速度および右足の加速度から、歩行位相および移動距離を算出し、当該歩行位相および移動距離を用いてParticle filterアルゴリズムにより通行人の軌跡を解析することを特徴とする。

また本発明は、通行人行動解析装置における通行人行動解析方法であって、通行人の足のレーザセンサからの距離を示す距離データを受信する距離データ受信処理と、複数の前記レーザセンサによって取得された前記距離データを複数用いて、同時刻における空間平面上のレーザセンサの検出位置を示すセンシング画像データを生成するセンシング画像データ生成処理と、前記センシング画像データにおける複数の前記検出位置をクラスタリングするクラスタリング処理と、前記クラスタリング結果から一人の通行人の足に対応するクラスタを特定する通行人特定処理と、前記特定した通行人のクラスタから、当該通行人の足のポイントの位置、歩行方向、歩幅、歩行周期、歩行位相とからなるパラメータを決定するパラメータ決定処理と、前記パラメータとParticle filterアルゴリズムを用いて通行人の軌跡を解析する軌跡解析処理と、を有することを特徴とする通行人行動解析方法である。

また本発明は、通行人行動解析装置のコンピュータに、通行人の足のレーザセンサからの距離を示す距離データを受信する距離データ受信手段、複数の前記レーザセンサによって取得された前記距離データを複数用いて、同時刻における空間平面上のレーザセンサの検出位置を示すセンシング画像データを生成するセンシング画像データ生成手段、前記センシング画像データにおける複数の前記検出位置をクラスタリングするクラスタリング手段、前記クラスタリング結果から一人の通行人の足に対応するクラスタを特定する通行人特定手段、前記特定した通行人のクラスタから、当該通行人の足のポイントの位置、歩行方向、歩幅、歩行周期、歩行位相とからなるパラメータを決定するパラメータ決定手段、前記パラメータとParticle filterアルゴリズムを用いて通行人の軌跡を解析する軌跡解析処理手段、を実行させることを特徴とするプログラムである。

本発明によれば、通行人が混み合っている場合においても、精度良く、各通行人の軌跡の解析手法を提供することができる。

以下、本発明の一実施形態による通行人行動解析装置を図面を参照して説明する。
図１は同実施形態による通行人行動解析システムの構成を示すブロック図である。
この図において、符号１は、予め決められた空間６内の通行人７の行動の解析処理を実行する通行人行動解析装置である。また符号２は、通行人等の物体までの距離を測定するレーザセンサである。レーザセンサ２は、床から約１０ｃｍの高さの水平面をスキャニングして、レーザの投光の高さに応じた水平断面で、静止物体・移動物体の両方が含まれた直交座標系における距離データを得ることができる。また符号３は、レーザセンサ２のそれぞれを制御するために、それぞれのレーザセンサ２毎に設けられたクライアントＰＣ（パソコン）である。符号４は、各クライアントＰＣ３と通行人行動解析装置１との間で情報通信を行うネットワークであり、クライアントＰＣ３内に蓄積された計測データを通行人行動解析装置１へ転送し、サーバ１からの指示の情報をクライアントＰＣ３へ送るために利用される。

次に、図２を参照して、図１に通行人行動解析装置１の構成を説明する。
図２は、図１に示す通行人行動解析装置１の構成を示すブロック図である。
この図において、符号１１は、各クライアントＰＣ３から距離データを受信する通信処理部である。また符合１２はデータ受信部１１において受信した距離データを記憶するセンシングデータ記憶部である。符号１３は、距離データに基づいて、通行人の行動の解析処理を行うための各種パラメータを記憶するパラメータ情報記憶部である。また符号１４は、時間的に同期させ、１つの座標系に統合したセンシング画像データから通行人７の足部分を抽出し、この通行人７を追跡するトラッキング処理を実行し、所定の空間６内を所定の時間内に通行した通行人の通行軌跡を算出する軌跡算出部である。また符号１５は、軌跡算出部１４において得られた各通行人の通行軌跡データを記憶する軌跡データ記憶部である。また符号１６は、通行軌跡データに基づく通行軌跡画像を出力する軌跡出力部である。符号１７は、ディスプレイで構成する表示部である。

次に、通行人７を抽出し、トラッキング（追跡）する動作を説明する。
まず、各クライアントＰＣ３は、レーザセンサ２から得た距離データを通行人行動解析装置１へ転送する。これを受けて、通信処理部１１は、各クライアントＰＣ３から受信した距離データをセンシングデータ記憶部１２に記録する。

次に、軌跡算出部１４は、センシングデータ記憶部１２に記憶されている複数の距離データを読み出し、時間的同期を取るとともに、１つの座標系に統合したセンシング画像データを生成する。そしてセンシング画像データを生成すると、軌跡算出部１４はトラッキング処理を開始する。

図３はセンシング画像データの概要を示す図である。
この図が示すように、センシング画像データは、通行人の足から反射したレーザ光により特定された距離データを、複数のレーザセンサ２から受信して生成したものであり、そのセンシング画像データの出力には、レーザセンサ、通行人の足のポイント、背景（壁や柱など）が表示される。なお、本実施形態ではレーザセンサ２は、地表から１０ｃｍの高さでレーザ光を送信してその反射により通行人の踝付近の距離を検出しているが、これは、腰近辺の高さであると、多数の人が交錯した際に、その空間における測定対象の混雑度が高くなり、測定が難しくなるためである。

図４は歩行モデルの概要を示す第１の図である。
次に、軌跡算出部によるトラッキング処理について説明する。
まず、通行人の足の軌跡は周期的である。つまり、レーザセンサ２によって得られたデータでは、通行人の２つの足からは、図４に示すような、周期的かつ網紐のようなデータが取得できると考えられる。そこで、本実施形態による歩行モデルは、Particle filterルゴリズムを用いて、通行人の状態を予測する手法をとる。なお、前提として、（１）歩行者は２速歩行であること、（２）通行人の足の測定があいまいにならないように通行人は足付近に何らかの付帯物をつけていないこと、とする。

図５は歩行モデルの概要を示す第２の図である。
通行人が歩行している際には、通常、典型的な足のスイング様態を見ることができる。図５は、その典型的な足のスイング様態を示している。この図が示すように、通行人の２つの足は、その歩行時の２つの足それぞれの役割として交互にスイングされている。そして、図５で示すように、まず、歩行人が右足から歩こうと考えたときには、右足のスイングを前方に加速させる。そして、右足がスイングしている間、その力は徐々に軽減し、右足のスイングが止まる。また同様に右足が止まると、次に左足の加速度をつけてスイングし、徐々に力を軽減して、左足が止まる。そして、図５で示すような、加速度、速さ、移動距離の関係が導かれる。なお図５において破線は右足を、実線は左足を表している。そして右足の加速度は次式（１）のように表すことができる。

ここで、式（１）において、Ａは最大の加速度である。またＴは歩行周期（左足１歩、右足１歩を１周期とする）を示している。従って、右足の速さｖ_Ｒ（ｔ）および移動距離Ｓ_Ｒ（ｔ）は、式（２）、式（３）により表すことができる。

また同様に左足の移動距離Ｓ_Ｌ（ｔ）は、式（４）により表すことができる。

従って、２つの足の距離Ｓ_ｄ（ｔ）は、式（３）および式（４）より、

と表すことができる。また２つの足の距離Ｓ_ｄ（ｔ）は図１１（左足と右足の距離の関係を示す図）で示すようなコサインのパターンＳ_ｄ ^＾（ｔ）として、式（６）のように示すことができる。

なお、式（６）においてＳは歩幅を示し、γは位相を示している。なお、図１１のＳ_Ｒ（ｔ）およびＳ_Ｌ（ｔ）で示すパターンは、図４で示した周期的かつ網紐のようなパターンと似ていることが分かる。また式（６）によって、歩行の位相における通行人の移動距離を算出することができる。

図６はクラスタリング結果を示す図である。
ここで、軌跡算出部１４は、センシング画像データを用いてMean-shift Clusteringアルゴリズムにより、図６で示すように、複数の通行人のポイントデータをクラスタリングする。なお、図６においてクラスタリングした結果は通行人の足のポイントを円によりマークアップしている。またMean-shift Clusteringアルゴリズムについては、非特許文献＜D.Comaniciu and P.Meer,“Ditribution free decomposition of multivariate data”,Pattern Analysis and Applications,vol2, pp.22-30,1999＞に記述されている手法を用いた。

ここで、図６の結果では、たいてい片方の足ごとにクラスタリングが行われるが、一人の通行人の両足が近接している場合には、それら両足が一つの足としてクラスタリングされてしまう。また、異なる通行人の足が一つの足としてクラスタリングされてしまう場合もある。これは、Mean-shift Clusteringアルゴリズムが、クラスタの大きさを自動的に制限するためである。

図７は複数のレーザポイントの統合および分割の概要を示す図である。
図７で示すように、クラスタリングにより得られた点のクラスタが、ｔ−１秒の場面においては１つのクラスタだったが、ｔ秒の場面においては二つのクラスタとしてクラスタリングされる場合があり、これは分割である。また逆にｔ−１秒の場面においては２つのクラスタだったが、ｔ秒の場面においては１つのクラスタとしてクラスタリングされる場合があり、これは統合である。いずれの場合もそれらは一人の通行人の両足として特定することができる。

ここで、センシング画像データの連続する各フレームにおいて、まず、クラスタリング結果によるそれぞれのクラスタの形や大きさ、移動方向を計算する。そして軌跡算出部１４は、時刻ｔにおけるそれぞれのクラスタＣ_ｉ ^ｔについて、時刻ｔ−１の時点からの隣り合うクラスタとの統合または分割について計算する。これにより、軌跡算出部１４は、クラスタリング結果によるどのクラスタのペアまたは一つが一人の通行人に対応するものかを判定する。

次に、軌跡算出部１４は、通行人の追跡処理を開始する。ここでParticle filterアルゴリズムの技術は、複数の通行人の追跡処理に有効である。Particle filterアルゴリズムを用いた通行人追跡処理においては、次の８つのパラメータを用いる。

なお、ＬｘおよびＬｙは左足の位置を、またＲｘおよびＲｙは右足の位置を示している。また、Ｓは歩幅を、Ｔは歩行周期を、αは歩行方向を、γは位相を示している。そして、軌跡算出部１４は、時刻tにおける全ての通行人について

および、確率密度関数

を算出する。ここで式（８）において、Ｚ^１：ｔは、時間ｔに達するまでの全ての観察データ（レーザセンサからの距離データ）を示している。なおＺ^ｔは時間ｔにおける観察データ（レーザセンサからの距離データ）を示す。また、式（９）において、Ｍはサンプルの数を示しており、θ_ｋ，ｓ ^ｔはｋ番目のオブジェクトのｓ番目のサンプルを示している。またπ_ｋ，ｓ ^ｔは対応する重みを示している。

Particle filterアルゴリズムは、予測と更新を繰り返す帰納的関数であるため、まず予測ステップにおいては、乱数ｒ∈［０，１］を生成し、そしてその乱数を用いて、全てのサンプルから時刻ｔ−１における一つのサンプルθ_ｋ，ｓ ^ｔを選択する。なおこのParticle filterアルゴリズムの処理については、非特許文献＜M.Isard and A.Blake, “CONDENSATON−conditional density propagation for visual tracking”, Int.J.Computer Vision, vol.29, no.1, pp.5-28 1998.＞を用いる。そして、以下の算出を行う。

ここでΔｔは時刻ｔ−１から時刻ｔまでの間の時間である。また、ｗ_ｓ，ｗ_Ｔ，ｗ_α，ｗ_γ，ｗ_ｒ１，ｗ_ｒ２は分散ランダムノイズである。予測ステップにおいては、最初に式（６）によって、歩行位相γおよび移動距離ｍｄを更新する。次に歩行位相に基づいて、右足と左足のどちらの足が動いているかを判断し、異なるダイナミックレンジ（ｒ_Ｌまたはｒ_Ｒ）を割り当てる。その後、両足の位置を、その動きと歩行方向αによって予測する。最後に、歩幅Ｓ、歩行周期Ｔ、歩行方向αを予測する。

また更新ステップにおいては、クラスタリングで検出した結果の一つずつについて行う。このとき、ｋ番目のオブジェクトについて、時刻ｔにおける全てのサンプルの重み（π_ｋ，ｓ ^ｔ）を算出する。観察対象は

で表される点集合であり、重みの更新については次の式により行う。

そして結果として算出されるｐ_Ｌおよびｐ_Ｒは左足と右足の位置を示している。また、ｐ_Ｂは左足と右足の相対距離を示している。また、ｄ０は右足と左足の歩行方向の距離を示している。またｒ０は式（６）を用いて算出された基準値である。

そして、式（１９）〜（２１）で算出された値は、算出のタイミングごとに、軌跡算出部１４から軌跡データ記憶部１５に一時格納され、軌跡出力部１６が、前記算出のタイミングごとのデータを用いて通行軌跡画像を表示部１７に出力する。

図８は通行人行動解析装置の処理フローを示す図である。
図９は歩行方向算出概要を示す図である。
上述したように軌跡算出部１４は、各クライアント端末から受信した距離データに基づいて、センシング画像データを生成する（ステップＳ１）。そして、センシング画像データにおけるレーザポイントを、Mean-shift Clusteringアルゴリズムを用いてクラスタリングする（ステップＳ２）。またそのクラスタリング結果から、時間ｔ−１および時間tにおける各クラスタのうち２つが１つに統合するクラスタ、または１つが２つに分割するクラスタを一人の通行人のクラスタと特定する（ステップＳ３）。そして、一人の通行人の足を示すポイントの位置（Ｌｘ，Ｌｙ，Ｒｘ，Ｒｙ）から図９で示すような方向を算出して歩行方向αと決定し、また歩幅Ｓ、歩行周期Ｔ、歩行位相γの各種パラメータを決定する（ステップＳ４）。そして、各種パラメータを用いて、全ての通行人について、Particle filterアルゴリズムを用いて上記トラッキング処理を行う（ステップＳ５）。

図１０は通行軌跡画像を示す図である。
この図が示すように、通行人解析装置１は表示部１７に、時刻ｔにおける通行の軌跡を表示する。この通行人解析装置１の処理によれば、通行人が混み合っている場合においても、精度良く、各通行人の軌跡を解析することができる。そして、上述の通行人解析装置の処理を用いて、２００６年０６月１４日、午前０７時００分〜午前０７時０５分のＪＲ東日本の大崎駅構内（６０ｍ×２０ｍ）においてトラッキング処理を行ったところ、全３８７人の通行人のうち、３６７人の通行人のトラッキング処理が成功し、成功率が９４．８％となった。また２００６年０６月１４日、午前０８時００分〜午前０８時１０分のＪＲ東日本の大崎駅構内（６０ｍ×２０ｍ）においてトラッキング処理を行ったところ、全２６０８人の通行人のうち、約８０％の通行人のトラッキング処理が成功した。

なお、上述の通行人解析装置は内部に、コンピュータシステムを有している。そして、上述した処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしても良い。

また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。

通行人行動解析システムの構成を示すブロック図である。 通行人行動解析装置の構成を示すブロック図である。 センシング画像データの概要を示す図である。 歩行モデルの概要を示す第１の図である。 歩行モデルの概要を示す第２の図である。 クラスタリング結果を示す図である。 レーザポイントの統合および分割の概要を示す図である。 通行軌跡画像の概要を示す図である。 歩行方向算出概要を示す図である。 通行軌跡画像を示す図である。 左足と右足の距離の関係を示す図である。

符号の説明

１・・・通行人解析装置
２・・・レーザセンサ
３・・・クライアントＰＣ
４・・・ネットワーク
１１・・・通信処理部
１２・・・センシングデータ記憶部
１３・・・パラメータ記憶部
１４・・・軌跡算出部
１５・・・軌跡データ記憶部
１６・・・軌跡出力部
１７・・・表示部

Claims (6)

1. 通行人の足のレーザセンサからの距離を示す距離データを受信する距離データ受信手段と、
   複数の前記レーザセンサによって取得された前記距離データを複数用いて、同時刻における空間平面上のレーザセンサの検出位置を示すセンシング画像データを生成するセンシング画像データ生成手段と、
   前記センシング画像データにおける複数の前記検出位置をクラスタリングするクラスタリング手段と、
   前記クラスタリング結果から一人の通行人の足に対応するクラスタを特定する通行人特定手段と、
   前記特定した通行人のクラスタから、当該通行人の足のポイントの位置、歩行方向、歩幅、歩行周期、歩行位相とからなるパラメータを決定するパラメータ決定手段と、
   前記パラメータとParticle filterアルゴリズムを用いて通行人の軌跡を解析する軌跡解析処理手段と、
   を備えることを特徴とする通行人行動解析装置。
2. 前記クラスタリングにおいて、Mean-shift Clusteringアルゴリズムを用いることを特徴とする請求項１に記載の通行人行動解析装置。
3. 前記クラスタリング結果のクラスタが分割または統合するクラスタを、前記一人の通行人の足に対応するクラスタと特定する
   ことを特徴とする請求項１または請求項２に記載の通行人行動解析装置。
4. 前記クラスタリング結果のクラスタにおいて特定した、前記通行人の左足の加速度および右足の加速度から、歩行位相および移動距離を算出し、当該歩行位相および移動距離を用いてParticle filterアルゴリズムにより通行人の軌跡を解析する
   ことを特徴とする請求項１から請求項３のいずれかに記載の通行人行動解析装置。
5. 通行人行動解析装置における通行人行動解析方法であって、
   通行人の足のレーザセンサからの距離を示す距離データを受信する距離データ受信処理と、
   複数の前記レーザセンサによって取得された前記距離データを複数用いて、同時刻における空間平面上のレーザセンサの検出位置を示すセンシング画像データを生成するセンシング画像データ生成処理と、
   前記センシング画像データにおける複数の前記検出位置をクラスタリングするクラスタリング処理と、
   前記クラスタリング結果から一人の通行人の足に対応するクラスタを特定する通行人特定処理と、
   前記特定した通行人のクラスタから、当該通行人の足のポイントの位置、歩行方向、歩幅、歩行周期、歩行位相とからなるパラメータを決定するパラメータ決定処理と、
   前記パラメータとParticle filterアルゴリズムを用いて通行人の軌跡を解析する軌跡解析処理と、
   を有することを特徴とする通行人行動解析方法。
6. 通行人行動解析装置のコンピュータに、
   通行人の足のレーザセンサからの距離を示す距離データを受信する距離データ受信手段、
   複数の前記レーザセンサによって取得された前記距離データを複数用いて、同時刻における空間平面上のレーザセンサの検出位置を示すセンシング画像データを生成するセンシング画像データ生成手段、
   前記センシング画像データにおける複数の前記検出位置をクラスタリングするクラスタリング手段、
   前記クラスタリング結果から一人の通行人の足に対応するクラスタを特定する通行人特定手段、
   前記特定した通行人のクラスタから、当該通行人の足のポイントの位置、歩行方向、歩幅、歩行周期、歩行位相とからなるパラメータを決定するパラメータ決定手段、
   前記パラメータとParticle filterアルゴリズムを用いて通行人の軌跡を解析する軌跡解析処理手段、
   を実行させることを特徴とするプログラム。

Images