JP2010178202A - セキュリティーシステム - Google Patents
セキュリティーシステム Download PDFInfo
- Publication number
- JP2010178202A JP2010178202A JP2009020624A JP2009020624A JP2010178202A JP 2010178202 A JP2010178202 A JP 2010178202A JP 2009020624 A JP2009020624 A JP 2009020624A JP 2009020624 A JP2009020624 A JP 2009020624A JP 2010178202 A JP2010178202 A JP 2010178202A
- Authority
- JP
- Japan
- Prior art keywords
- person
- security system
- data
- walking
- pressure distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Telephonic Communication Services (AREA)
Abstract
【課題】ズームアップ用のカメラなどを必要することなく、安価な圧力分布検出センサによって構築可能なセキュリティーシステムを提供する。
【解決手段】セキュリティーシステムは、セキュリティー確保の対象となる空間での滞在を許容された人物の歩行特性に関わる歩行特性モデルデータを記憶するモデルデータ記憶部120と、前記空間の床部に配されたフロアマット型圧力分布センサ105と、前記フロアマット型圧力分布センサ105によって取得された圧力分布検出情報から人物の歩行特性を推定する歩行特性推定手段と、前記歩行特性推定手段によって推定された歩行特性と前記歩行特性モデルデータとから、当該人物がIDを付与された人物である確率を算出する確率算出手段と、前記確率算出手段によって算出された確率に基づいて、当該人物がIDを付与された人物であるか否かを判定する第1判定手段と、を有する。
【選択図】図2
【解決手段】セキュリティーシステムは、セキュリティー確保の対象となる空間での滞在を許容された人物の歩行特性に関わる歩行特性モデルデータを記憶するモデルデータ記憶部120と、前記空間の床部に配されたフロアマット型圧力分布センサ105と、前記フロアマット型圧力分布センサ105によって取得された圧力分布検出情報から人物の歩行特性を推定する歩行特性推定手段と、前記歩行特性推定手段によって推定された歩行特性と前記歩行特性モデルデータとから、当該人物がIDを付与された人物である確率を算出する確率算出手段と、前記確率算出手段によって算出された確率に基づいて、当該人物がIDを付与された人物であるか否かを判定する第1判定手段と、を有する。
【選択図】図2
Description
本発明は、セキュリティーを確保したい空間における監視を自動的に行うセキュリティーシステムに関する。
従来よりセキュリティーを確保したい空間において、当該空間を無人で監視するセキュリティーシステムが種々提案されている。例えば、特許文献1(特開2005−295469号公報)には、所定領域を監視するシステムにおいて、侵入者を的確に検知し、無人監視状態であっても、的確なアングル制御やズーミング制御を行ない、侵入者の的確な映像の録画や、低い誤報率で警報を発することの可能な監視システムが開示されている。
特開2005−295469号公報
しかしながら、特許文献1に記載のセキュリティーシステムでは、ズームアップ用のカメラなどが必要となり、セキュリティーシステムを構築する際に大きなコストが必要となる、という問題があった。
上記問題点を解決するために、請求項1に係る発明は、セキュリティー確保の対象となる空間での滞在を許容された人物それぞれに付与されたIDを記憶すると共に、当該IDに応じた人物の歩行特性に関わる歩行特性モデルデータを記憶する記憶手段と、前記空間の床部に配され圧力分布情報を取得する圧力分布検出センサと、前記圧力分布検出センサによって取得された圧力分布検出情報から人物の歩行特性を抽出し当該人物の歩行特性を推定する歩行特性推定手段と、前記歩行特性推定手段によって推定された歩行特性と前記記憶手段に記憶される歩行特性モデルデータとから、当該人物がIDを付与された人物である確率を算出する確率算出手段と、前記確率算出手段によって算出された確率に基づいて、当該人物がIDを付与された人物であるか否かを判定する第1判定手段と、を有することを特徴とするセキュリティーシステムである。
また、請求項2に係る発明は、請求項1に記載のセキュリティーシステムにおいて、前記第1判定手段によって、当該人物がIDを付与された人物でないと判断されたとき、前記前記第1判定手段による判定方法と異なる方法によって、当該人物がIDを付与された人物であるか否かを判定する第2判定手段を有する。
本発明のセキュリティーシステムによれば、高精度なズームアップ用のカメラなどを必要することなく、安価な圧力分布検出センサによってセキュリティーシステムを構築することが可能となる。
また、人物を撮像装置などによって特定しようとする場合には、撮像装置の死角となる場所に人物が位置した場合には、人物の特定ができず、セキュリティーシステムが不能となってしまうが、本発明のセキュリティーシステムでは、圧力分布検出センサを用いて人物の特定を行うので、視野を遮る遮蔽物が多い環境でも、セキュリティーシステムが不能とならない。
また、本発明の請求項2に記載のセキュリティーシステムによれば、前記第1判定手段
による判定方法と異なる方法によって、当該人物がIDを付与された人物であるか否かを判定する第2判定手段を有するので、第1判定手段をバックアップすることが可能となる。
による判定方法と異なる方法によって、当該人物がIDを付与された人物であるか否かを判定する第2判定手段を有するので、第1判定手段をバックアップすることが可能となる。
以下、本発明のセキュリティーシステムにおける好適な実施の形態について、図面を参照しつつ説明する。図1は本発明の実施形態に係るセキュリティーシステムの概念を説明する図であり、図2は本発明の実施形態に係るセキュリティーシステムの概要のブロック図
である。図1において、Rは本システムでのセキュリティー確保の対象となる空間であり、A、B、C、Dはそのような空間Rに滞在している人物を表している。また、図1及び図2において、100は主制御部、105はフロアマット型圧力分布センサ、110は撮像装置、120はモデルデータ記憶部、130は登録データ記憶部、140は通信部、200はセキュリティー管理センターをそれぞれ示している。
である。図1において、Rは本システムでのセキュリティー確保の対象となる空間であり、A、B、C、Dはそのような空間Rに滞在している人物を表している。また、図1及び図2において、100は主制御部、105はフロアマット型圧力分布センサ、110は撮像装置、120はモデルデータ記憶部、130は登録データ記憶部、140は通信部、200はセキュリティー管理センターをそれぞれ示している。
本実施形態に係るセキュリティーシステムは、図1における空間Rのセキュリティーを確保するために、当該空間Rに滞在しているそれぞれの人物を特定するように動作するものである。ここで、空間Rに滞在を許容された人物については、あらかじめそれぞれ固有のID番号などを付与して登録する。さらに、このIDに対応した人物毎の歩き方のクセをデータ化することによって、システムが人物判定を行うようになっている。なお、人物毎の歩き方のクセに基づいて、システムが人物判定を行う判定を、本実施形態では第1の人物判定とている。また、歩き方のクセなどを記録したデータは、本実施形態においては、歩行特性モデルデータと称し、このデータを後述するようなベイジアンネットワークによるモデルに基づいて作成する。本実施形態に係るセキュリティーシステムは、歩行特性モデルデータに基づかずに、人物判定を行う第2の人物判定手段を有している。この第2の人物判定手段については、本実施形態では、人物毎に予め登録してある顔画像データと、撮像した撮像データとを画像処理的に比較することで判定する例に基づいて説明するが、本発明のセキュリティーシステムでは、第2人物判定手段としては、その他の手法のものを用いることができる。
ここで、本発明のセキュリティーシステムで歩行特性モデルデータに基づく人物判定に用いるベイジアンネットワークの概要について説明する。図3は本発明の実施形態に係るセキュリティーシステムで用いられるベイジアンネットワークの概念を示す図である。ベイジアンネットワークとは、確率的な因果関係をグラフ構造で表現したモデルである。図3に示す各ノードX1、X2、X3、X4は確率変数を表し、それらの間の因果関係の有無を有向グラフで、また、確率変数の取りうる値のノード間での因果関係を条件付確率で表す。ノードX1とノードX2とは確率的な関係があることを、ノードX1からノードX2への矢印によって示している。ノードX2はノードX1、X3からの影響を、また、ノードX4はノードX3の影響を受ける関係となっており、このような因果関係を加味した確率テーブルが、図3中に示す条件付き確率テーブルである。これに対して、ノードX1、X3はどのノードからの影響も受けない親ノードであり、このときの確率テーブルは図中に示す事前確率テーブルのようになる。図3示すものの場合、そのグラフの構造より、全ての確率変数の結合確率はP(X1,X2,X3,X4)=P(X1)P(X2|X1,X3)P(X3)P(X4|X3)となる。ベイジアンネットワークを利用した推論においては、この結合確率の周辺化により、周辺事後確率を求めることにより行われる。このようなベイジアンネットワークに基づく確率算出の手法については、発明者らによる出願番号2008−90755号(発明の名称「セキュリティーシステム」)、出願番号2008−90777号(発明の名称「セキュリティーシステム及び運転支援方法」)に詳しく記載されているので、本明細書においてもこれら出願の内容を援用するものとする。
さて、本実施形態に係るセキュリティーシステムは、空間Rのセキュリティーを確保するために、当該空間Rに滞在しているそれぞれの人物を特定するように動作するが、そのために空間Rの床部には、床部上の重量分布を取得することが可能なフロアマット型圧力分布センサ105が設けられている。このようなフロアマット型圧力分布センサ105によって、空間Rで歩行する人物の歩き方に係る歩行特性データを取得する。このような歩
行特性データは、その人物の歩き方のクセを抽出しデータ化したものであるが、この歩き方のクセの例としては、大きい歩幅で歩く、がに股で歩く、右足より左足の荷重が大きい、などといったことを挙げることができる。
行特性データは、その人物の歩き方のクセを抽出しデータ化したものであるが、この歩き方のクセの例としては、大きい歩幅で歩く、がに股で歩く、右足より左足の荷重が大きい、などといったことを挙げることができる。
また、前述した第2人物判定手段のために、空間Rには撮像装置110が設けられている。図1においては、この撮像装置110が4台設けられる例について示しているが、このような撮像装置110の設置台数はこれに限定されるものではない。したがって、本発明のセキュリティーシステムでは、n台の撮像装置110を用いて、これらn台の撮像装置110からのnの撮像データを取得することができる。
図4は本発明の実施形態に係るセキュリティーシステムのフロアマット型圧力分布センサ及び撮像装置によって取得されるデータを示す図である。図4に示すように、フロアマット型圧力分布センサ105によって取得されるデータによって、人物の歩き方に係る情報(位置情報なども含む歩行特性情報)を抽出・推定して、人物毎の歩き方のクセなどのデータである歩行特性モデルデータを作成したり、或いは、前記抽出・推定した情報と、予め登録されている歩行特性モデルデータとに基づいて、フロアマット圧力分布データによって認識された人物を特定したりするようにしている。また、n台の撮像装置110によって取得された撮像データからは、画像解析に基づくマッチング処理などの第2の判定手法によって人物を特定する。
図5は本発明の実施形態に係るセキュリティーシステムのフロアマット型圧力分布センサなどから認識される歩行特性データの構造を示す図である。図5に示すよう個人の動作データの内訳としては「位置情報」、「歩行特性」、「非顕在情報」に大別することができる。これらのデータのうち、「位置情報」、「歩行特性」については、フロアマット型圧力分布センサ105によって取得されたフロアマット圧力分布データからの推定が行われる。「位置情報」は対象となる人物の存在位置に関する情報であり、これはフロアマット圧力分布データから求められる。また、「歩行特性」の下には、「右足接地時の圧力変化」、「左足接地時の圧力変化」、「右足上昇時の圧力変化」、「左足上昇時の圧力変化」、「右足の接地中の重心変化」、「左足の接地中の重心変化」、「右足の移動方向」、「左足の移動方向」、「右足の接地間隔」、「左足の接地間隔」などのデータがあり、これらはフロアマット圧力分布データからの推定が行われる。また、「非顕在情報」には「心理状態」、「行動変数」は、撮像データなどから認識することができない情報であり、本実施形態では「心理状態」は「平静」、「緊張」、「疲労」、「興奮」、「その他」の5状態をとる分散量データであり、「行動変数」は当該人物の行動パターンを数値化した連続量データである。
主制御部100は、CPUとCPU上で動作するプログラムを保持するROMとCPUのワークエリアであるRAMなどからなる汎用の情報処理機構である。主制御部100は、ブロック図中に示されている主制御部100と接続される各構成と協働・動作する。また、主制御部100は、本発明のセキュリティーシステムにおける種々の制御処理は、主制御部100内のROMなどの記憶手段に記憶保持されるプログラムやデータに基づいて実行されるものである。
上記のような主制御部100には、モデルデータ記憶部120が接続されており、主制御部100は、モデルデータ記憶部120に登録、記録されている個々の人物の歩行特性モデルデータを参照したり、或いは、新規に歩行特性モデルデータを登録したり、既に登録されている歩行特性モデルデータを更新したりする。
次に、このようなモデルデータ記憶部120に記憶されているデータについて説明する。図6は本発明の実施形態に係るセキュリティーシステムのモデルデータ記憶部に記憶されるデータを説明する図であり、図7は本発明の実施形態に係るセキュリティーシステムにおける歩行特性モデルデータのデータ構造を示す図である。図6に示すように、モデルデータ記憶部120は、セキュリティーを確保すべき対象となる空間Rにおける滞在を許可された人物それぞれに付与された固有の登録ID(id=1,2,3,・・・,M)と
、その登録IDに対応したそれぞれの人物の歩行特性モデルデータを記憶している。図7は個々の歩行特性モデルデータのデータ構造をより詳しく説明する図である。図7に示すように、歩行特性モデルデータ中のデータは、概略、離散データ、連続データの2種類のデータに分類することができる。前者には「心理状態」のデータが属し、このデータは条件付き確率テーブルの形式で保有される。また、後者には「現在位置」、「右足接地時の圧力変化」、「左足接地時の圧力変化」、「右足上昇時の圧力変化」、「左足上昇時の圧力変化」、「右足の接地中の重心変化」、「左足の接地中の重心変化」、「右足の移動方向」、「左足の移動方向」、「右足の接地間隔」、「左足の接地間隔」、「行動変数」の各データが属し、これらのデータはガウス分布の平均・分散・重みの形式で保有される。
、その登録IDに対応したそれぞれの人物の歩行特性モデルデータを記憶している。図7は個々の歩行特性モデルデータのデータ構造をより詳しく説明する図である。図7に示すように、歩行特性モデルデータ中のデータは、概略、離散データ、連続データの2種類のデータに分類することができる。前者には「心理状態」のデータが属し、このデータは条件付き確率テーブルの形式で保有される。また、後者には「現在位置」、「右足接地時の圧力変化」、「左足接地時の圧力変化」、「右足上昇時の圧力変化」、「左足上昇時の圧力変化」、「右足の接地中の重心変化」、「左足の接地中の重心変化」、「右足の移動方向」、「左足の移動方向」、「右足の接地間隔」、「左足の接地間隔」、「行動変数」の各データが属し、これらのデータはガウス分布の平均・分散・重みの形式で保有される。
また、主制御部100には、登録データ記憶部130が接続されており、主制御部100は、登録データ記憶部130に登録、記録されている個々の人物のマッチング用の顔画像データを参照したり、或いは、マッチング用の顔画像データを新規登録したり、既に登録されている顔画像データを更新したりする。図8は本発明の実施形態に係るセキュリティーシステムの登録データ記憶部に記憶されるデータを説明する図である。図8に示すように、登録データ記憶部130は、セキュリティーを確保すべき対象となる空間Rにおける滞在を許可された人物それぞれに付与された固有の登録ID(id=1,2,3,・・・,M)と、その登録IDに対応したそれぞれの人物の顔を撮影した顔画像データを記憶している。このような登録データ記憶部130に記憶されている顔画像データは、歩行特性モデルデータに基づかない人物判定である第2人物判定手段を実行するときに用いられる。
主制御部100には通信部140が接続されており、例えば、空間Rにおける滞在を許可されていない人物が滞在しているものと判定されたときは、この通信部140を介してセキュリティー管理センター200などに通知・通報などがなされる。なお、このような通信部140を設けて通報を行うようにすることは必ずしも必須の構成ではなく、例えば単にアラート表示部を設けて、空間Rにおける滞在を許可されていない人物が滞在しているものと判定されたときは、当該表示部によってアラート表示を行うようにするだけでもよい。
次に、本発明のセキュリティーシステムで用いる歩行特性モデルの具体的な構成について説明する。図9は本発明の実施の形態に係るセキュリティーシステムで用いる歩行特性モデルのネットワーク構造を示す図である。本発明のセキュリティーシステムで用いる歩行特性モデルは、(a)図9に示すベイジアンネットワークの構造、(b)条件付き確率テーブル(図7の心理状態のデータ)、事前確率テーブル、(c)ガウス分布のパラメーター(図7における連続データに属する各項目のデータ)から構成されるものである。これらの3つのうち(a)のベイジアンネットワークの構造は全ての登録IDの人物に共通で用いられる。これに対して、(b)、(c)は学習によって登録ID個人毎のモデルデータとして記憶されたり、適宜更新されたりするようになっている。
図9のベイジアンネットワークの構造において、□は離散ノードを、○は連続ノードを示しており、離散ノード内の数字は各ノードが取る状態の数を示している。例えば、「生理状態Ph(5)」は、Ph=0(平常)、Ph=1(緊張)、Ph=2(疲労)、Ph=3(興奮)、Ph=4(その他)、の5つの状態をとるものである。
図9のネットワーク構造においては、上段に示されている現在位置(PO)、右足接地時の圧力変化(RD)、・・・左足の接地中の重心変化(LS)の各ノード及び下段に示
されている右足の移動方向(RM)、左足の移動方向(LM)、・・・左足の接地間隔(LI)の各ノードが親ノードであり、これらのノードが生理状態Ph(2)のノード、行動変数DBのノードに影響を与えているものと考える。また、ネットワーク構造において
、生理状態Ph(2)のノードが行動変数DBのノードに影響を与えているものと考える。すなわち、生理状態データは、人物の位置情報データ、右手の位置などの歩行特性データから影響を受けるノードであって、行動変数は、位置情報データ、歩行特性データ及び生理状態データから影響を受けるノードとなるネットワーク構造となっており、このネットワーク構造の因果関係は、ベイジアンネットワークによって定められている。
されている右足の移動方向(RM)、左足の移動方向(LM)、・・・左足の接地間隔(LI)の各ノードが親ノードであり、これらのノードが生理状態Ph(2)のノード、行動変数DBのノードに影響を与えているものと考える。また、ネットワーク構造において
、生理状態Ph(2)のノードが行動変数DBのノードに影響を与えているものと考える。すなわち、生理状態データは、人物の位置情報データ、右手の位置などの歩行特性データから影響を受けるノードであって、行動変数は、位置情報データ、歩行特性データ及び生理状態データから影響を受けるノードとなるネットワーク構造となっており、このネットワーク構造の因果関係は、ベイジアンネットワークによって定められている。
ここで、ネットワーク構造で上段に示されている現在位置(PO)、右足接地時の圧力変化(RD)、・・・左足の接地中の重心変化(LS)の各ノード及び下段に示されてい
る右足の移動方向(RM)、左足の移動方向(LM)、・・・左足の接地間隔(LI)の各ノードは図7に示されているようにセキュリティーシステムで記憶される歩行特性モデルデータと対応している。これらの連続データは、ガウス分布の「離散」、「平均」、「分散」の形で保有しておき、これを所定の確率に置き換える。
る右足の移動方向(RM)、左足の移動方向(LM)、・・・左足の接地間隔(LI)の各ノードは図7に示されているようにセキュリティーシステムで記憶される歩行特性モデルデータと対応している。これらの連続データは、ガウス分布の「離散」、「平均」、「分散」の形で保有しておき、これを所定の確率に置き換える。
図9における生理状態Ph(5)ノードは、一種の裕度として働くものであり、このノードが存在しない場合、本発明のセキュリティーシステムが有効に動作しないことがあることが分かっている。これは、現在位置(PO)、右手の位置(RH)、・・・体の向き(BD)の各ノードの状態(運転状況の状態)が一意的に決定したとしても、行動変数DBが一意的に決まるわけではないことに起因している。本発明のセキュリティーシステムでは、生理状態Ph(5)ノードを導入することによって、不確定要素を含んだ因果律を扱うことができるようになる。また、生理状態Ph(5)ノードは、本発明のセキュリティーシステムをコンピュータプログラムで実行する上で非常に重要となる。
図10はベイジアンネットワーク構造における生理状態Ph(5)がとる状態を示す図である。図10に示すように、本実施形態においては、生理状態Ph(5)は、Ph=0(平常)、Ph=1(緊張)、Ph=2(疲労)、Ph=3(興奮)、Ph=4(その他)の5つの状態をとるものであるとしたが、本発明のセキュリティーシステムでは、生理状態Phを5以上の自然数の適当なものに設定することができる。
次に、本発明のセキュリティーシステムによる監視処理や学習処理などのフローの概略について説明する。図11は本発明の実施形態に係るセキュリティーシステムによる処理のフローチャートを示す図である。なお、このようなフローチャートは、セキュリティーを確保すべき対象となる空間Rへの人物の進入が確認されたことを契機に動作するものである。
図11において、ステップS100で本発明のセキュリティーシステムによる処理が開始されると、続いてステップS101に進み、第1人物判定処理のサブルーチンが実行される。この第1人物判定処理のサブルーチンは、歩行特性モデルデータに基づく人物の判定処理を行うものである。
ここで、第1人物判定処理のサブルーチンについて説明する。図12は本発明の実施形態に係るセキュリティーシステムにおける第1人物判定処理サブルーチンのフローチャートを示す図である。ステップS200で、第1人物判定処理のサブルーチンが開始されると、次にステップS201に進み、歩行特性データ取得処理のサブルーチンが実行される。このサブルーチンはフロアマット型圧力分布センサ105によって取得されるデータによって、人物の歩き方に係る特徴を抽出・推定して歩行特性データを取得するためのものである。
ここで、この歩行特性データ取得処理のサブルーチンについて説明する。図13は本発明の実施形態に係るセキュリティーシステムにおける歩行特性データ取得処理サブルーチンのフローチャートを示す図である。図13において、ステップS300で、歩行特性デ
ータ取得処理のサブルーチンが開始されると、続いて、ステップS301に進み、フロアマット型圧力分布センサ105によって取得されたフロアマット圧力分布データの時系列データが取得される。次に、ステップS302では、取得されたフロアマット圧力分布データから圧力変化部分が抽出される。そして、ステップS303で、歩行における移動範囲から一人分の情報の切り出しを行う。図18はフロアマット圧力分布データからの歩行特定データ取得の概念を示す図である。図18は2次元位置座標上に示した歩行の軌跡であり、ステップS303では、R1→L1→R2→L2→R3→L3→・・・の軌跡が切り出される。ステップS304では、接地中の座標履歴から歩行線の推定が行われる。このような推定により求められた歩行線が図17においてWで示される線である。ステップS305では、歩行線Wに対して右側の軌跡が右足によるものと推定し、ステップS306で、歩行線Wに対して左側の軌跡が左足によるものと推定する。そして、ステップS307では、歩行特定データの取得が行われる。ステップS307で取得されるデータとしては、接地時の圧力変化(左右)、上昇時の圧力変化(左右)、接地中の重心変化(左右)、移動方向、接地間隔である。図19及び図20は歩行特定データ取得における接地時、接地中、上昇時の定義を説明する図である。図19及び図20はいずれも1歩分の定義を説明のための図である。図19(A)は歩行における接地時の様子を、また、図19(B)は歩行における接地中の様子を、また、図19(C)は歩行における上昇時の様子を示す図である。図20は検出圧力の時間変化を示しており、(A)接地時→(B)接地中→(C)上昇時の推移を示している。ここで、(B)の接地中における検出圧力値を100%としたとき、95%以下で荷重が増大する方向にあるときの圧力変化を接地時圧力変化としてデータ取得し、95%以下で荷重が現象する方向にあるときの圧力変化を上昇時圧力変化としてデータ取得する。また、移動方向は図17に示す角度θを、接地間隔は図17に示す距離Dをデータとして取得したものである。ステップS308で、元のルーチンにリターンする。
ータ取得処理のサブルーチンが開始されると、続いて、ステップS301に進み、フロアマット型圧力分布センサ105によって取得されたフロアマット圧力分布データの時系列データが取得される。次に、ステップS302では、取得されたフロアマット圧力分布データから圧力変化部分が抽出される。そして、ステップS303で、歩行における移動範囲から一人分の情報の切り出しを行う。図18はフロアマット圧力分布データからの歩行特定データ取得の概念を示す図である。図18は2次元位置座標上に示した歩行の軌跡であり、ステップS303では、R1→L1→R2→L2→R3→L3→・・・の軌跡が切り出される。ステップS304では、接地中の座標履歴から歩行線の推定が行われる。このような推定により求められた歩行線が図17においてWで示される線である。ステップS305では、歩行線Wに対して右側の軌跡が右足によるものと推定し、ステップS306で、歩行線Wに対して左側の軌跡が左足によるものと推定する。そして、ステップS307では、歩行特定データの取得が行われる。ステップS307で取得されるデータとしては、接地時の圧力変化(左右)、上昇時の圧力変化(左右)、接地中の重心変化(左右)、移動方向、接地間隔である。図19及び図20は歩行特定データ取得における接地時、接地中、上昇時の定義を説明する図である。図19及び図20はいずれも1歩分の定義を説明のための図である。図19(A)は歩行における接地時の様子を、また、図19(B)は歩行における接地中の様子を、また、図19(C)は歩行における上昇時の様子を示す図である。図20は検出圧力の時間変化を示しており、(A)接地時→(B)接地中→(C)上昇時の推移を示している。ここで、(B)の接地中における検出圧力値を100%としたとき、95%以下で荷重が増大する方向にあるときの圧力変化を接地時圧力変化としてデータ取得し、95%以下で荷重が現象する方向にあるときの圧力変化を上昇時圧力変化としてデータ取得する。また、移動方向は図17に示す角度θを、接地間隔は図17に示す距離Dをデータとして取得したものである。ステップS308で、元のルーチンにリターンする。
図12に戻って、ステップS202乃至ステップS205は登録IDのid毎に確率の計算を行うループである。このループからは、全てのidにつき計算が終わると、抜けて次のステップに進むことができる。このループ中で、ステップS203では、モデルデータ記憶部120より、該当idに対応する歩行特性モデルデータの読み込みが行われ、ステップS204では、歩行特性モデルデータにより確率Pidを計算するサブルーチンが実行される。前記のループを抜けると、ステップS206の中のP1〜PMの中で最大のものをPmaxとする。ステップS207では、Pmaxが所定値以上であるか否かが判定され、判定結果がYESであるときにはステップS208に進み、Pmaxに対応する登録IDを戻
り値にセットし、判定結果がNOであるときにはステップS209に進み、戻り値に該当なしをセットする。ステップS210では、メインのルーチンにリターンする。
り値にセットし、判定結果がNOであるときにはステップS209に進み、戻り値に該当なしをセットする。ステップS210では、メインのルーチンにリターンする。
ここで、歩行特性モデルデータにより確率Pidを計算するサブルーチンについて説明する。図14は本発明の実施形態に係るセキュリティーシステムにおける確率Pid計算処理サブルーチンのフローチャートを示す図である。図14において、ステップS400で確率Pid計算処理のサブルーチンが開始されると、続いてステップS401に進み、ID=idの歩行特性モデルデータが取得され、ステップS402では、このモデルデータから一致確率演算Pidが下記の式(1)によって計算される。
なお、ベイジアンネットワークにより所定の確率を導く方法については、より詳しくは、
○Jensen, F. V., “Bayesian networks and decision graphs”, Springer, 2001.
○ David C. MacKay, “Information Theory, Inference and Learning Algorithms”, Cambridge University Press, 2003.
などの記載を参照して援用するものとする。
○Jensen, F. V., “Bayesian networks and decision graphs”, Springer, 2001.
○ David C. MacKay, “Information Theory, Inference and Learning Algorithms”, Cambridge University Press, 2003.
などの記載を参照して援用するものとする。
さて、図11に示すメインフローチャートに戻り、ステップS102では、戻り値として登録IDがあるか否かが判定される。ステップS102の判定結果がYESであるとき
には、登録IDを有する人物が空間Rに存在することが判明するので、ステップS109に進み処理を終了する。ステップS102の判定結果がNOであるときにはステップS103に進み、ステップS103において、第2人物判定処理のサブルーチンを実行する。このサブルーチンでは、第1判定処理による判定方法と異なる方法によって、当該人物がIDを付与された人物であるか否かを判定するものである。このような第2判定処理は、第1判定処理のバックアップのような役割を果たす。また、第2判定処理で、対象人物が登録IDを有する者であるものと判定されると、歩行特性モデルデータの学習を行う契機ともなり得る。
には、登録IDを有する人物が空間Rに存在することが判明するので、ステップS109に進み処理を終了する。ステップS102の判定結果がNOであるときにはステップS103に進み、ステップS103において、第2人物判定処理のサブルーチンを実行する。このサブルーチンでは、第1判定処理による判定方法と異なる方法によって、当該人物がIDを付与された人物であるか否かを判定するものである。このような第2判定処理は、第1判定処理のバックアップのような役割を果たす。また、第2判定処理で、対象人物が登録IDを有する者であるものと判定されると、歩行特性モデルデータの学習を行う契機ともなり得る。
上記に示したように第1判定処理に係るステップS101、ステップS102などの処理によれば、フロアマット型圧力分布センサ105などによって対象となる人物の歩行特性を取得することができればよく、このための用途には、ズームカメラや高解像度カメラなどの高価は必要とならないので、安価によってセキュリティーシステムを構築することが可能となる。
また、人物を撮像装置などによって特定しようとする場合には、撮像装置の死角となる場所に人物が位置した場合には、人物の特定ができず、セキュリティーシステムが不能となってしまうが、これまで説明したように第1判定処理では、フロアマット型圧力分布センサ105を用いて人物の特定を行うので、視野を遮る遮蔽物が多い環境でも、セキュリティーシステムが不能とならない。
ここで、第2人物判定処理のサブルーチンについて説明する。図15は本発明の実施形態に係るセキュリティーシステムにおける第2人物判定処理サブルーチンのフローチャートを示す図である。図15において、ステップS500で、第2人物判定処理サブルーチンが開始されると、続いてステップS501で、対象人物の顔の撮像データを撮像装置により取得する。なお、このとき、複数の撮像装置のうちでも高精度なもので取得した撮像データを用いることが好ましい。ステップS502乃至ステップS505は、登録ID毎の判定を行うためのループであり、id=1からid=Mまでの全登録IDのチェックの終了によりループを抜けるようになっている。当該ループ中のステップS503では、登録データ記憶部130から顔画像データの読み込みを行いステップS504で、顔画像データと撮像データとのマッチング処理を行う。このステップS504では、一般的なテンプレートマッチング等による顔認証処理技術を用いることができる。ステップS505でチェックループを抜けると、ステップS506に進み、マッチングした場合には、登録IDを戻り値に設定し、マッチングしなかった場合には、登録IDなしを戻り値に設定する。ステップS507では、もとのルーチンにリターンする。
図11に示すメインフローチャートに戻り、ステップS104では、戻り値として登録IDがあるか否かが判定される。ステップS104の判定結果がNOであるときには、2種類の人物判定処理によっても、人物の特定ができなかったこととなるので、ステップS107に進み、通信部140を介して、セキュリティー管理センター200に通報するなどの、予め事前に設定されたい措置をとる。このステップで抽出される人物は、図1におけるCなどの人物である。
ステップS104の判定結果がYESであるときには、登録IDを有する人物が空間Rに存在することが判明したこととなるので、通報するような措置はとらず、歩行特性モデルデータによる人物判定処理(第1の判定処理)の失敗の原因を特定するためにステップS105に進む。
ステップS105では、該当登録IDのデータがモデルデータ記憶部120に存在するか否かが判定される。ステップS105の判定がNOであれば、システム側が当該IDに
対応する歩行特性モデルデータをまだ学習していない(ステップS108)こととなるので、ステップS106においてモデルデータの学習処理を行う。このステップで抽出される人物は、図1におけるDなどの人物である。
対応する歩行特性モデルデータをまだ学習していない(ステップS108)こととなるので、ステップS106においてモデルデータの学習処理を行う。このステップで抽出される人物は、図1におけるDなどの人物である。
また、ステップS105の判定がYESであれば、例えば、ケガなどにより当該IDの人物の歩き方が変わったことが考えられるので、ステップS106に進みモデルデータの学習処理を行い、モデルデータ記憶部120のデータを更新する。ステップS106では、学習処理サブルーチンが実行され、ステップS109では処理を終了する。
次に、学習処理サブルーチンについて説明する。図16は本発明の実施形態に係るセキュリティーシステムにおける学習処理サブルーチンのフローチャートを示す図である。ステップS600で、学習処理サブルーチンが開始されると、ステップS601で歩行特性データ取得処理サブルーチンが実行されて、歩行特性データ(接地時の圧力変化(左右)、上昇時の圧力変化(左右)、接地中の重心変化(左右)、移動方向、接地間隔)の取得が行われる。そして、続くステップS602で、個人モデルデータの学習処理のサブルーチンが実行され、位置情報、歩行特性から歩行特性モデルデータを演算し、ステップS603でリターンする。
次に、個人モデルデータの学習処理のサブルーチンについて説明する。図17は本発明の実施形態に係るセキュリティーシステムにおける個人モデルデータの学習処理のサブルーチンのフローチャートを示す図である。図17で、ステップS700において個人モデルデータの学習処理サブルーチンがスタートすると、次にステップS701に進み、存在すれば、IDに対応する人物のモデルデータの取り込みを行い、ステップS702で、歩行特性データから混合正規分布確率を演算することによってモデルデータを求める。なお、このモデルデータの作成のためには、Arthur Dempster, Nan Laird, and Donald Rubin. “Maximum likelihood from incomplete data
via the EM algorithm”. Journal of the Royal Statistical Society, Series B, 39(1):1−38, 1977.などに示されているEMアルゴリズムを用いるものとする。
via the EM algorithm”. Journal of the Royal Statistical Society, Series B, 39(1):1−38, 1977.などに示されているEMアルゴリズムを用いるものとする。
ステップS703では、モデルデータ記憶部120に新しい歩行特性モデルデータを記憶し、ステップS704でリターンして元のルーチンへと戻る。
以上のような構成のセキュリティーシステムによれば、高精度なズームアップ用のカメラなどを必要することなく、安価な圧力分布検出センサによってセキュリティーシステムを構築することが可能となる。
また、人物を撮像装置などによって特定しようとする場合には、撮像装置の死角となる場所に人物が位置した場合には、人物の特定ができず、セキュリティーシステムが不能となってしまうが、本発明のセキュリティーシステムでは、圧力分布検出センサを用いて人物の特定を行うので、視野を遮る遮蔽物が多い環境でも、セキュリティーシステムが不能とならない。
また、上記のような構成のセキュリティーシステムによれば、前記第1判定手段による判定方法と異なる方法によって、当該人物がIDを付与された人物であるか否かを判定する第2判定手段を有するので、第1判定手段をバックアップすることが可能となる。
100・・・主制御部
105・・・フロアマット型圧力分布センサ
110・・・撮像装置
120・・・モデルデータ記憶部
130・・・登録データ記憶部
140・・・通信部
200・・・セキュリティー管理センター
105・・・フロアマット型圧力分布センサ
110・・・撮像装置
120・・・モデルデータ記憶部
130・・・登録データ記憶部
140・・・通信部
200・・・セキュリティー管理センター
Claims (2)
- セキュリティー確保の対象となる空間での滞在を許容された人物それぞれに付与されたIDを記憶すると共に、当該IDに応じた人物の歩行特性に関わる歩行特性モデルデータを記憶する記憶手段と、
前記空間の床部に配され圧力分布情報を取得する圧力分布検出センサと、
前記圧力分布検出センサによって取得された圧力分布検出情報から人物の歩行特性を抽出し当該人物の歩行特性を推定する歩行特性推定手段と、
前記歩行特性推定手段によって推定された歩行特性と前記記憶手段に記憶される歩行特性モデルデータとから、当該人物がIDを付与された人物である確率を算出する確率算出手段と、
前記確率算出手段によって算出された確率に基づいて、当該人物がIDを付与された人物であるか否かを判定する第1判定手段と、を有することを特徴とするセキュリティーシステム。 - 前記第1判定手段によって、当該人物がIDを付与された人物でないと判断されたとき、前記前記第1判定手段による判定方法と異なる方法によって、当該人物がIDを付与された人物であるか否かを判定する第2判定手段を有する請求項1に記載のセキュリティーシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009020624A JP2010178202A (ja) | 2009-01-30 | 2009-01-30 | セキュリティーシステム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009020624A JP2010178202A (ja) | 2009-01-30 | 2009-01-30 | セキュリティーシステム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2010178202A true JP2010178202A (ja) | 2010-08-12 |
Family
ID=42708677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009020624A Pending JP2010178202A (ja) | 2009-01-30 | 2009-01-30 | セキュリティーシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2010178202A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016050845A (ja) * | 2014-08-29 | 2016-04-11 | 大日本印刷株式会社 | 個人認証システム |
US9792789B2 (en) | 2015-10-12 | 2017-10-17 | Xiaomi Inc. | Method and device for transmitting an alert message |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0249879A (ja) * | 1988-08-12 | 1990-02-20 | Itoki Kosakusho Co Ltd | 入室管理システム |
JP2001061817A (ja) * | 1999-08-27 | 2001-03-13 | Japan Science & Technology Corp | 個人識別方法及び個人識別プログラムを記録した記録媒体 |
JP2005078228A (ja) * | 2003-08-28 | 2005-03-24 | Casio Comput Co Ltd | 個人認証装置及びプログラム |
JP2005182159A (ja) * | 2003-12-16 | 2005-07-07 | Nec Corp | 個人認証方式及び個人認証方法 |
-
2009
- 2009-01-30 JP JP2009020624A patent/JP2010178202A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0249879A (ja) * | 1988-08-12 | 1990-02-20 | Itoki Kosakusho Co Ltd | 入室管理システム |
JP2001061817A (ja) * | 1999-08-27 | 2001-03-13 | Japan Science & Technology Corp | 個人識別方法及び個人識別プログラムを記録した記録媒体 |
JP2005078228A (ja) * | 2003-08-28 | 2005-03-24 | Casio Comput Co Ltd | 個人認証装置及びプログラム |
JP2005182159A (ja) * | 2003-12-16 | 2005-07-07 | Nec Corp | 個人認証方式及び個人認証方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016050845A (ja) * | 2014-08-29 | 2016-04-11 | 大日本印刷株式会社 | 個人認証システム |
US9792789B2 (en) | 2015-10-12 | 2017-10-17 | Xiaomi Inc. | Method and device for transmitting an alert message |
KR101797410B1 (ko) * | 2015-10-12 | 2017-11-13 | 시아오미 아이엔씨. | 경보 통지 메시지를 송신하는 방법 및 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11282367B1 (en) | System and methods for safety, security, and well-being of individuals | |
US10080513B2 (en) | Activity analysis, fall detection and risk assessment systems and methods | |
JP5301973B2 (ja) | 犯罪防止装置およびプログラム | |
Barsocchi et al. | Monitoring elderly behavior via indoor position-based stigmergy | |
CN111507176B (zh) | 姿势估计装置、行动估计装置、记录介质、姿势估计方法 | |
US20180124423A1 (en) | Dynamic scene prediction with multiple interacting agents | |
JP5927691B2 (ja) | エリアモニタリングシステム | |
JP5001808B2 (ja) | 犯罪防止装置及び犯罪防止プログラム | |
KR102205964B1 (ko) | 듀얼 카메라와 적외선 카메라를 이용한 낙상 예방 시스템 및 낙상 예방 방법 | |
JP6910786B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
US20210219873A1 (en) | Machine vision to predict clinical patient parameters | |
WO2020145380A1 (ja) | 介護記録装置、介護記録システム、介護記録プログラムおよび介護記録方法 | |
JP2010178202A (ja) | セキュリティーシステム | |
JP5170447B2 (ja) | セキュリティーシステム | |
JP2010250775A (ja) | 犯罪防止装置およびプログラム | |
KR100913396B1 (ko) | 모션벡터를 이용한 행위 인식 장치 및 그 방법 | |
CN111191499A (zh) | 一种基于最小中心线的跌倒检测方法及装置 | |
JP2010170212A (ja) | 行動推定装置および方法 | |
WO2021033453A1 (ja) | 画像処理システム、画像処理プログラム、および画像処理方法 | |
JP2018173913A (ja) | 画像処理システム、情報処理装置、プログラム | |
JP2021099818A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
JPWO2019030880A1 (ja) | 監視システム、監視方法、監視プログラムおよびその記録媒体 | |
JP4528103B2 (ja) | 画像認識装置 | |
JP2021071919A (ja) | 道路監視装置 | |
JP2009268854A (ja) | 転倒検知システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110310 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20121031 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20130306 |