JP2013068427A - 音源検出装置 - Google Patents

Abstract

【課題】接近車両を高精度に検出する音源検出装置を提供することを課題とする。
【解決手段】集音器で集音された音に基づいて音源（例えば、車両の走行音）を検出する音源検出装置であって、集音器で集音された音から特徴量を抽出し、特徴量を用いて多クラスパターン識別手法（例えば、多クラスＳＶＭ）によって音源の位置に応じた複数のクラスに分類しておき、音源を検出する際に、集音器で集音された音から特徴量を抽出し、予め分類されている複数のクラスの中からその抽出された特徴量が属するクラスを判定し、そのクラスに基づいて音源を推定する。
【選択図】図４

Description

本発明は、集音器で集音された音に基づいて音源を検出する音源検出装置に関する。

音源検出装置では、複数の集音器で周囲の音をそれぞれ集音し、各集音器への音の到達時間差等に基づいて音源（例えば、車両の走行音）の移動方向等を検出する。特許文献１に記載の装置では、所定の間隔で配設された複数のマイクロホン（集音器）が出力する電気信号から帯域通過フィルタで低周波帯域と高周波帯域の周波数成分をそれぞれ除去して補正電気信号に変換し、その補正電気信号から車両の走行音の特徴の現れる所定の周波数帯域のパワーを算出し、そのパワーレベルが所定値より大きい場合に接近車両有りと判定するとともに、その補正電気信号により不要な雑音成分を除去して雑音抑制信号に変換し、複数のマイクロホンの雑音抑制信号間の相互相関を演算し、相関が最大となる到達時間差から接近車両の接近方向を演算する。

実開平５−９２７６７号公報

高速で移動する車両の場合、遠方の接近車両の情報が必要となるので、最大検出距離が長いことが望まれる。しかし、集音器対の音の到達時間差に基づいて接近車両を検出する手法の場合、集音器対の間隔が車両幅に制限されるので（ひいては、空間分解能（最大検出距離性能）が制限されるので）もしくは対象とする周波数帯においてエイリアシングがおきたりするので、接近車両が自車両から離れた位置に存在するほど、接近車両の検出能力が低下し、接近方向や距離等を検出し難くなる。特に、上記のように閾値を用いて判定を行う場合、閾値の設定の仕方が非常に難しく、閾値を変えることによって判定精度が大きく変わる。また、集音器対の音の到達時間差に基づいて接近車両を検出する手法の場合、到達時間差の時間変化を判定しなければ接近方向が判らないので、１回の検出では車両が接近しているのかあるいは離間しているのかを判別できない。

そこで、本発明は、接近車両を高精度に検出する音源検出装置を提供することを目的とする。

本発明に係る音源検出装置は、集音器で集音された音に基づいて音源を検出する音源検出装置であって、集音器で集音された音から特徴量を抽出し、特徴量を用いて多クラスパターン識別手法によって音源の位置に応じた複数のクラスに分類するクラス分類手段と、音源を検出する際に、集音器で集音された音から特徴量を抽出し、クラス分類手段で分類した複数のクラスの中から抽出された特徴量が属するクラスを判定するクラス判定手段と、クラス判定手段で判定したクラスに基づいて音源を推定する音源推定手段とを備えることを特徴とする。

この音源検出装置では、音源を実際に検出する前に、音源（例えば、車両の走行音）の様々な状況に応じて集音器で音を集音する。音源の状況としては、音源が正面を通過するまでの各時間に応じ位置、音源までの各距離に応じた位置等がある。例えば、音源が５〜４秒前の範囲（位置）、４〜３秒前の範囲、３〜２秒前の範囲、２〜１秒前の範囲、１〜０秒前の範囲、通過後の範囲の各範囲のときに音を集音する。そして、音源検出装置では、この音源の状況毎に集音された音データを用いて、クラス分類手段によって、音源の状況毎に音の特徴量を抽出し、その音の特徴量を用いて多クラスパターン識別手法によって音源の位置に応じた複数のクラスに分類する。音源の位置に応じた複数のクラスは、音源が正面を通過するまでの各時間に応じた位置のクラス、音源までの各距離に応じた位置のクラス等がある。例えば、５〜４秒前のクラス、４〜３秒前のクラス、３〜２秒前のクラス、２〜１秒前のクラス、１〜０秒前のクラス、通過後のクラスの各クラス間を特徴量によって分離するための情報が得られる。そして、音源検出装置では、音源を実際に検出する場合、集音器で音を集音すると、クラス判定手段によって、その集音された音データから特徴量を抽出し、クラス分類手段で分類されている複数のクラスの中からその抽出された特徴量がいずれのクラスに属するかを判定する。さらに、音源検出装置では、音源推定手段によって、判定されたクラスに基づいて音源の状況を推定する。例えば、２〜１秒前のクラスと判定した場合、音源が正面を２〜１秒後に通過する位置に存在すると推定する。このように、音源検出装置では、多クラスパターン識別手法によって音源の状況に応じて複数のクラスに分類しておき、音源の音特徴量がどのクラスに属するかを判定することにより、音源を高精度に検出することができる。この多クラスパターン識別手法によるクラス分類を利用する手法では、音源の位置等に応じて検出精度が変わらず、閾値判定も行わないので、柔軟な検出が可能であり、検出精度も向上する。また、一回のクラス判定によって、音源が接近しているのかあるいは離間しているのかを判別できる。

本発明の上記音源検出装置では、複数の集音器でそれぞれ集音された音の相関値を算出し、算出した相関値と閾値とを比較することによって音源を検出する音源検出手段と、音源検出手段での検出結果及び音源推定手段での推定結果に基づいて音源検出手段の閾値を補正する補正手段とを備え、音源検出手段は、相関値と補正手段で補正した閾値とを比較することによって音源を検出する構成としてもよい。

この音源検出装置では、音源を実際に検出する場合、複数の集音器で音をそれぞれ集音すると、音源検出手段によって、各集音器で集音された音の相関値を算出し、その相関値と閾値とを比較することによって音源を検出する。また、音源検出装置では、上記したように、クラス判定手段であるクラスを判定した場合、音源推定手段によってそのクラスに基づいて音源の状況を推定する。この２つの手法で共に音源が検出され、音源の位置（距離、時間）、移動方向等がおおよそ一致している場合、音源検出手段及び音源推定手段での音源検出の信頼性が高く、音源検出手段で算出される相関値の信頼性も高い。そこで、音源検出装置では、補正手段によって、音源検出手段での検出結果及び音源推定手段での推定結果に基づいて信頼性が高い場合には音源検出手段の閾値を補正する。例えば、信頼性が高い場合、通常用いられている閾値よりも音源と判定され易い閾値とする。そして、音源検出装置では、音源検出手段によって、相関値と補正後の閾値とを比較することによって音源を検出する。このように、音源検出装置では、音相関値を用いた手法の検出結果とクラス分類を用いた手法の検出結果に基づいて音相関値を用いた手法の閾値を補正することにより、音相関値を用いた手法での検出を安定化できる。例えば、集音される音に一時的にノイズが混入し、相関値が低くなると、通常の閾値で判定すると一時的に音源と検出されず、音源の検出／未検出が繰り返される。しかし、閾値を小さい値に補正することによって、低くなっている相関値でも音源と検出でき、音源を連続して検出でき、安定した検出を実現できる。

本発明の上記音源検出装置では、クラス分類手段は、音源の移動方向に応じた複数のクラスに分類すると好適である。音源が車両（走行音）の場合、自車両が走行する道路に交差する道路において車両が接近する場合、自車両の右側から接近する場合と左側から接近する場合がある。したがって、接近車両が自車両正面を通過するまでの時間あるいは接近車両から自車両までの距離が同じでも、接近車両の移動方向が異なる場合があるので、移動方向も考慮してクラス分類する。このように、この音源検出装置では、音源の移動方向も考慮してクラス分類することにより、音源の状況をより詳細に推定でき、音源をより高精度に検出することができる。

本発明の上記音源検出装置では、クラス分類手段は、道路形状又は／及び交通規制に応じた複数のクラスに分類すると好適である。音源が車両の場合、車両は道路上を走行するので、道路形状に基づいてクラス分類できる。また、車両は交通規制に従って走行するので（例えば、一方通行の道路の場合には車両の移動方向はその一方向のみである）、交通規制に従ってクラス分類できる。このように、この音源検出装置では、道路形状や交通規制を考慮してクラス分類することにより、最適なクラスを簡単に設定できる。

本発明の上記音源検出装置では、クラス分類手段は、車種に応じた複数のクラスに分類すると好適である。音源が車両の場合、大型車と普通車とでは走行音が異なるので、音の特徴量も異なる。したがって、音の特徴量によって車種を分離することが可能であり、車種に応じてクラス分類できる。車種としては、大型車、普通乗用車、軽乗用車、オートバイ等の大まかな車種でもよいし、より詳細な車種でもよい。このように、この音源検出装置では、車種を考慮してクラス分類することにより、接近車両（音源）の状況をより詳細に推定でき、接近車両をより高精度に検出することができる。

本発明によれば、多クラスパターン識別手法によって音源の状況に応じて複数のクラスに分類しておき、音源の音特徴量がどのクラスに属するかを判定することにより、音源を高精度に検出することができる。

本実施の形態に係る学習装置の構成図である。 第１の実施の形態に係る推定装置の構成図である。 多クラスＳＶＭで用いるクラスの一例である。 図２の推定装置における処理の流れを示すフローチャートである。 第２の実施の形態に係る推定装置の構成図である。 図５の推定装置における処理結果の一例であり、（ａ）がクラスの判定結果の時間変化であり、（ｂ）が相関値の時間変化であり、（ｃ）が方位角の時間変化であり、（ｄ）が閾値補正前の検出結果の時間変化であり、（ｅ）が閾値補正後の検出結果の時間変化である。 図５の推定装置における処理の流れを示すフローチャートである。 多クラスＳＶＭで用いる道路形状及び交通規制に応じたクラスの一例であり、（ａ）が十字路で交差道路が片側一車線の道路の場合であり、（ｂ）がＴ字路で交差道路が車線がない道路の場合であり、（ｃ）が十字路で交差道路が車線がない道路の場合であり、（ｄ）が変形十字路で交差道路が一方通行の道路の場合であり、（ｅ）が５差路で交差道路が車線がない道路と一方通行の道路の場合である。

以下、図面を参照して、本発明に係る音源検出装置の実施の形態を説明する。なお、各図において同一又は相当する要素については同一の符号を付し、重複する説明を省略する。

本実施の形態では、本発明に係る音源検出装置を、車両開発時に事前の学習を行う学習装置と車両出荷時に搭載され、実際に接近車両を検出する推定装置からなる接近車両検出システムに適用する。本実施の形態に係る接近車両検出システムは、複数（２個以上）の集音器（マイクロホン）で集音された各音に基づいて自車両に接近する車両を検出し（つまり、自車両周辺の車両の走行音（音源）を検出し）、接近車両の情報を運転支援装置に提供する。特に、本実施の形態に係る接近車両検出システムは、多クラスＳＶＭ[Multi Class Support Vector Machine]（多クラスパターン識別手法）を利用し、学習によって接近車両の状況をクラス分類しておき、そのクラス分類の学習データを用いて接近車両を推定する。本実施の形態には、推定装置での処理が異なる２つの形態があり、第１の実施の形態が多クラスＳＶＭで判定したクラスから接近車両を検出する形態であり、第２の実施の形態が多クラスＳＶＭで判定したクラスに基づいてＣＳＰ[Cross power Spectrum Phase analysis]法での閾値を補正し、ＣＳＰ法によって接近車両を検出する形態である。

なお、車両の走行音は、主として、ロードノイズ（タイヤ表面と路面との摩擦音）とパターンノイズ（タイヤ溝における空気の渦（圧縮／開放））である。この他にも、エンジン音や風切り音などもある。この車両の走行音の周波数成分の範囲は、実験等によって予め測定しておいてもよい。

ＳＶＭは、教師あり学習を用いるパターン識別手法である。多クラスＳＶＭでは、多次元のベクトル空間において複数のクラスを分離するための各識別面を求めておき（学習）、その学習済みのクラスの中からどのクラスに属するかを推定する。本実施の形態では、多次元のベクトルとして複数の集音器で集音された各音データから抽出される複数の特徴量を用い、クラスとしては自車両に接近する車両の状況に応じて設定される。

ＣＳＰ法は、フーリエ変換を利用した音源位置の推定手法である。ＣＳＰ法では、複数の集音器で集音された各音データに対して周波数領域でのマッチングを行い、相互相関値（ＣＳＰ係数）を求め、相互相関値が閾値以上の場合には音源が存在すると判断し、音源が存在する場合には相互相関値が最大となる到達時間差から音源の方向や位置等を求める。

図１〜図３を参照して、第１の実施の形態に係る接近車両検出システムについて説明する。図１は、本実施の形態に係る学習装置の構成図である。図２は、第１の実施の形態に係る推定装置の構成図である。図３は、多クラスＳＶＭで用いるクラスの一例である。

第１の実施の形態に係る接近車両検出システムは、事前の学習を行う学習装置１と、車両に搭載されて接近車両を検出する推定装置２Ａからなる。学習装置１での事前の学習は車両開発時に行われ、その学習データが各車両の推定装置２Ａに搭載される。事前の学習を行う場合、走行音を収集する実験車両とその車両に対して接近する接近車両（走行音を発生する音源）を用いて、各種道路形状の道路において様々な接近状況で接近車両を走行させる実車実験が行われる。

学習装置１について説明する。学習装置１は、車両の様々な接近状況で走行音を集音し、その多数の走行音データを用いて多クラスＳＶＭによって車両の接近状況をクラス分類する。学習装置１は、集音装置１０とコンピュータ１１を備えている。なお、学習装置１の構成としては、集音装置１０とコンピュータ１１を共に実験車両に搭載する構成でもよいし、あるいは、集音装置１０とデータ記憶装置を実験車両に搭載し、室内のコンピュータ１１にデータ記憶装置から走行音データを入力する構成でもよい。なお、本実施の形態では、学習装置１のコンピュータ１１が特許請求の範囲に記載するクラス分類手段に相当する。

クラスは、接近車両が車両正面を通過する時間を基準とし、複数の時間の区間に応じて設定される。また、クラスは、接近車両の移動方向を考慮して設定される。本実施の形態では、６つの時間の区間に応じてクラスを設定する。図３に示すように、接近車両が走行音を集音する車両（集音器）の正面を通過する時点を基準（０秒）とし、走行音を集音する車両の道路と交差する道路を接近車両が左方向から右方向に移動する場合に対して、交差する道路の左側に５〜４秒前の区間をクラス６、４〜３秒前の区間をクラス５、３〜２秒前の区間をクラス４、２〜１秒前の区間をクラス３、１〜０秒前の区間をクラス２として設定し、交差する道路の右側に通過後の区間（５秒程度）をクラス１として設定する。図３の例は接近車両が左方向から右方向に移動する場合であり、接近車両が右方向から左方向に移動する場合に対しても同様に図３とは左右逆方向に６個のクラスが設定される。

なお、クラスの数は本実施の形態では６つとしたが、最低２つあればよい。例えば、正面通過前の５〜０秒をクラス２とし、正面通過後の０〜５秒をクラス１とする。しかし、実際には、車両の接近を段階ごとに判定したいので、正面通過までを２つ以上のクラスを設定し、正面通過後を１つのクラスを設定するとよい。また、正面通過前の５〜０秒の範囲ではなく、６〜０秒の範囲、３〜０秒の範囲などの他の範囲でクラスを設定してもよい。また、接近車両の位置を時間の区間で分けてクラスを設定したが、接近車両から車両（集音器）までの距離で分けてクラスを設定してもよい。

集音装置１０は、２個以上の集音器を有しており、１対以上の集音器対を構成する。２個以上の集音器は、車両の前端部に車幅方向（左右方向）に並べて配置される。並べて配置するのではなく、上下等が異なる配置でもよい。集音器は、音響電気変換器であり、車外の周囲の音を集音し、集音した音を電気信号に変換する。集音器の個数としては、例えば、８個の集音器を有し、５対の集音器対を構成することにより、耐ノイズ性能が向上する。

実車実験では、各種道路形状（十字路、Ｔ字路、５差路等）において、実験車両を交差点手前で停止させた状態（実験車両を交差点に向かって走行させた状態でもよい）で交差点で交差する道路において接近車両を走行させて（双方向走行可能な道路では各方向に走行させる）、集音装置１０の各集音器で音をそれぞれ集音する。この集音された音データは、データ記憶装置に記憶される。データ記憶装置に記憶することなく、音データをコンピュータ１１に順次入力するようにしてもよい。また、接近車両を走行させる毎に、接近車両が実験車両正面を通過する時点を判断し、その時点（時刻）も音データに紐付けて記憶しておく。この判断方法としては、レーダセンサ等を用いて接近車両通過を検知してもよいし、人が判断してもよい。なお、実車実験では、同じ条件で複数回（例えば、２０回）走行させ、同じ条件での音データを複数個分取得する。

コンピュータ１１は、パーソナルコンピュータ等のコンピュータであり、特徴量抽出部１２、学習部１３、多クラスＳＶＭ用サポートベクター１４が構成される。コンピュータ１１には、集音装置１０の各集音器でそれぞれ集音された各道路形状についての移動方向毎の音データ（電気信号）が入力される。コンピュータ１１では、前処理として、各音データに対して、アナログの電気信号をデジタルの電気信号に変換し、その電気信号から所定の周波数帯域（車両の走行音の周波数帯域を十分に含む帯域よりも高い高周波数帯域と低い低周波数帯域）を除去する。

特徴量抽出部１２では、各道路形状について移動方向毎に、前処理後の各集音器の音データから音の特徴量を抽出する。特徴量としては、本実施の形態では、以下に示す１４個の特徴量とする。各集音器対の音データから抽出する特徴量としては、音の到達時間差情報、音の到達時間差情報の平均値（例えば、過去２０個分の平均値）、ＣＳＰ係数（相互相関値）のピーク値、ＣＳＰ係数のピーク値の平均値（過去２０個分の平均値）であり、この４つの特徴量については集音器対の左側の集音器を基準にした場合と右側の集音器を基準にした場合とで特徴量がそれぞれ抽出され、８個の特徴量である。なお、過去２０個分の平均値は、例えば、１００ｍ秒毎に処理した場合、２秒前までの各データの平均値である。また、各集音器の音データから抽出する特徴量としては、６つの周波数帯域（５００〜６３０Ｈｚ、６３０〜７９３Ｈｚ、７９３〜１０００Ｈｚ、１０００〜１２６０Ｈｚ、１２６０〜１５８７Ｈｚ、１５８７〜２０００Ｈｚ）におけるスペクトルのパワー値（強度）であり、６個の特徴量である。なお、ＣＳＰ係数（相互相関値）や到達時間差の算出方法としては、従来のＣＳＰ法を適用する。

学習部１３では、各道路形状について移動方向毎に、多クラスＳＶＭにより、集音装置１０を搭載した車両が移動しないと仮定し、特徴量抽出部１２で抽出した１４個の特徴量を用いた１４次元ベクトル空間上で６つのクラスを分離するための識別面を求める。この際、学習部１３では、多クラスＳＶＭにより、設定されている６つのクラス以外にも７番目のクラス（例えば、正面通過５秒前より前のクラス、正面通過５秒後より後のクラス）についても学習しておく。多クラスＳＶＭによる識別面を求める手法については、既存の手法なので、詳細な説明を省略する。なお、車両が移動しないと仮定したが、車両が移動する場合でもよい。車両が移動しないと仮定した場合、多クラスＳＶＭを用いた手法の実施がシンプルになり、性能も向上する。

多クラスＳＶＭ用サポートベクター１４は、コンピュータ１１の記憶装置の所定の領域に構成され、学習部１３での多クラスＳＶＭによる学習データが格納される。格納されるデータは、各道路形状について移動方向毎に、１４個の特徴量による１４次元ベクトル空間上で６つのクラスを分離する識別面のデータである。

推定装置２Ａについて説明する。推定装置２Ａは、車両に搭載され、車両走行中に周辺の音を集音し、その集音した音データ（１４個の特徴量）が多クラスＳＶＭによってどのクラスに属するか判定し、その判定したクラスに基づいて接近する車両の状況を推定する。推定装置２Ａは、集音装置２０、ＥＣＵ[Electronic Control Unit]２１Ａを備えている。

集音装置２０は、学習装置１の集音装置１０と同様の構成である。集音装置２０では、車両走行中（交差点等での一時停止中も含む）、各集音器で音をそれぞれ集音し、集音した音データをＥＣＵ２１Ａに送信する。

ＥＣＵ２１Ａは、ＣＰＵ[CentralProcessing Unit]、ＲＯＭ[Read Only Memory]、ＲＡＭ[Random Access Memory]等からなる電子制御ユニットであり、推定装置２Ａを統括制御する。ＥＣＵ２１Ａには、特徴量抽出部２２、接近車両推定部２３、多クラスＳＶＭ用サポートベクター２４が構成される。ＥＣＵ２１Ａは、集音装置２０から各集音器で集音された音データ（電気信号）を受信する。ＥＣＵ２１Ａでは、音データに対する前処理として、学習装置１のコンピュータ１１と同様の処理を行う。なお、第１の実施の形態では、特徴量抽出部２２及び接近車両推定部２３が特許請求の範囲に記載するクラス判定手段及び音源推定手段に相当する。

多クラスＳＶＭ用サポートベクター２４は、ＥＣＵ２１Ａの記憶装置の所定の領域に構成され、学習装置１の多クラスＳＶＭ用サポートベクター１４に格納されている全ての学習データが格納される。

特徴量抽出部２２は、学習装置１の特徴量抽出部１２と同様の処理を行う。特徴量抽出部２２では、集音装置２０の各集音器の音データを受信する毎に、前処理後の各集音器の音データを用いて１４個の特徴量を抽出する。

接近車両推定部２３では、多クラスＳＶＭ用サポートベクター２４に格納される多クラスＳＶＭによる学習データ（各道路形状について移動方向毎の１４次元ベクトル空間上で６つのクラスを分離する識別面のデータ）を用いて、特徴量抽出部２２で抽出した１４個の特徴量が１４次元ベクトル空間上でどのクラスに属するかを判定する。接近車両推定部２３では、設定されている６つのクラス以外の７番目のクラスに属すると判定した場合（音源（車両の走行音）が自車両周辺には存在しない場合）、自車両に接近する車両が存在しないと判断する。また、接近車両推定部２３では、設定されている６つのクラスの中に属するクラスがあると判定した場合（音源が自車両周辺に存在する場合）、自車両に接近する車両が存在すると判断し、そのクラスに基づいて接近する車両の接近状況を推定する。この接近状況としては、接近車両が何秒後に自車両正面を通過するかあるいは通過した後か、接近車両が自車両に対していずれの方向から接近しているか等である。さらに、接近車両が何秒後に自車両正面を通過するかが判れば、その時間と接近車両の車速（例えば、接近車両走行中の道路の制限速度）とから接近車両から自車両までのおおよそ距離を推定できる。

ＥＣＵ２１Ａでは、接近車両推定部２３での推定結果に基づいて接近車両情報を生成し、接近車両情報を運転支援装置３に送信する。接近車両情報としては、例えば、接近車両の有無、接近車両が存在する場合には接近時間、接近方向の情報である。

運転支援装置３は、各種センサやＥＣＵ等からなり、運転者に対して各種運転支援する装置である。特に、運転支援装置３では、推定装置２Ａから接近車両情報を受信すると、接近車両に関する運転支援を実施する。例えば、自車両に対して接近する車両が存在する場合、自車両に対する接近車両の衝突の可能性を判定し、衝突の可能性があると判定したときには運転者に対して警報を出力したり、接近車両の情報を提供し、更に、衝突の可能性が高まった場合には自動ブレーキ等の車両制御を行う。この際、接近車両の接近時間と自車両の交差点への到達時間とを比較することによって、衝突の可能性等を判断する。なお、このような衝突の可能性の判断や運転支援は、信号機の無い交差点においてより有効である。

図１〜図３を参照して、第１の実施の形態に係る接近車両検出システムでの動作について説明する。特に、推定装置２Ａでの動作については図４のフローチャートに沿って説明する。図４は、推定装置２Ａにおける処理の流れを示すフローチャートである。

事前の実車実験において、各道路形状の交差点において、走行可能の全ての方向から接近車両を走行させ、交差点を通過させる。その際、車両に搭載した学習装置１の集音装置１０では、各集音器で車外の周囲の音を集音し、その集音した音を電気信号に変換して、そのデータをデータ記憶装置に記憶させる。この際、接近車両が車両正面を通過する時点を判断し、その通過時点の情報も紐付け記憶させる。この各道路形状についての移動方向毎に収集された各集音器の音データは、学習装置１のコンピュータ１１に入力される。コンピュータ１１では、各音データに対して、前処理を施す。

コンピュータ１１では、各道路形状について接近車両の移動方向毎に、前処理後の各集音器の音データから１４個の特徴量を抽出する。そして、コンピュータ１１では、各道路形状について接近車両の移動方向毎に、多クラスＳＶＭにより、１４個の特徴量を用いた１４次元ベクトル空間上で６つのクラスを分離するための識別面を求め、その学習データを多クラスＳＶＭ用サポートベクター１４に格納する。

各車両には、推定装置２Ａが搭載され、推定装置２Ａの多クラスＳＶＭ用サポートベクター２４には学習装置１の多クラスＳＶＭ用サポートベクター１４の学習データが格納されている。

各車両では、集音装置２０の各集音器が、車外の周囲の音を集音し、その集音した音を電気信号に変換してＥＣＵ２１Ａに送信している（Ｓ１０）。ＥＣＵ２１Ａでは、この複数の集音器の音データを受信し、複数の音データに対して前処理を施す。

ＥＣＵ２１Ａでは、集音装置２０からの各集音器の音データを受信する毎に、前処理後の各集音器の音データを用いて１４個の特徴量を抽出する（Ｓ１１）。そして、ＥＣＵ２１Ａでは、多クラスＳＶＭ用サポートベクター２４に格納される学習データに基づいて、抽出した１４個の特徴量がどのクラスに属するかを判定する（Ｓ１２）。ＥＣＵ２１Ａでは、判定したクラスに応じて自車両に接近する車両の接近状況を推定する（Ｓ１３）。ここでは、属するクラスがある場合、接近車両（音源）が存在すると判断し、そのクラスから接近車両の接近時間（距離）や移動方向等を求める。そして、ＥＣＵ２１Ａでは、その接近状況に基づいて接近車両情報を生成し、その接近車両情報を運転支援装置３に送信する。

第１の実施の形態に係る接近車両検出システムによれば、多クラスＳＶＭによる学習によって車両の接近状況に応じてクラスを分類しておき、その学習データに基づいて実際に接近する車両の音特徴量がどのクラスに属するかを判定することにより、接近車両を高精度かつ柔軟に検出することができる。この多クラスＳＶＭを用いた手法の場合、接近車両が自車両に対して離れているあるいは近づいているに関らず、閾値判定を行わず閾値の設定に応じて検出精度が変化するようなこともないので、柔軟な検出が可能であり、検出精度も向上する。また、一回のクラス判定によって、接近車両が接近しているのかあるいは離間しているのかを判別できる。

また、接近車両検出システムによれば、各種パラメータ（例えば、時間的な位置、移動方向）に応じてクラスを設定し、学習することによって、接近車両が自車両正面を通過するまでの時間や移動方向等の接近車両の様々な状況を推定できる。また、接近車両検出システムによれば、集音器対の音の到達時間差や相互相関値、各集音器の音の各周波数帯域におけるスペクトルのパワー値等の様々な特徴量を用いることにより、音の様々な要素から総合的に車両の接近状況をクラス分けできる。

図１、図５、図６を参照して、第２の実施の形態に係る接近車両検出システムについて説明する。図５は、第２の実施の形態に係る推定装置の構成図である。図６は、図５の推定装置における処理結果の一例である。

第２の実施の形態に係る接近車両検出システムは、第１の実施の形態に係る接近車両検出システムと比較すると推定装置における処理が異なり、事前の学習を行う学習装置１と、車両に搭載されて接近車両を検出する推定装置２Ｂからなる。なお、学習装置１は、第１の実施の形態と同様の学習装置なので、説明を省略する。

推定装置２Ｂについて説明する。推定装置２Ｂは、第１の実施の形態に係る推定装置２Ａと同様に、集音した音データが多クラスＳＶＭによってどのクラスに属するか判定し、その判定したクラスに基づいて接近する車両の状況を推定する。また、推定装置２Ｂは、集音した音データからＣＳＰ係数を算出し、ＣＳＰ法によって接近する車両の状況を検出する。そして、推定装置２Ｂでは、多クラスＳＶＭによる接近車両の状況とＣＳＰ法による接近車両の状況に基づいてＣＳＰ法で用いる閾値を補正し、補正した閾値を用いてＣＳＰ法によって接近する車両の状況を検出する。推定装置２Ｂは、集音装置２０、ＥＣＵ２１Ｂを備えている。なお、集音装置２０は、第１の実施の形態と同様の集音装置なので、説明を省略する。

ＥＣＵ２１Ｂは、ＣＰＵ、ＲＯＭ、ＲＡＭ等からなる電子制御ユニットであり、推定装置２Ｂを統括制御する。ＥＣＵ２１Ｂには、特徴量抽出部２２、接近車両推定部２３、多クラスＳＶＭ用サポートベクター２４、接近車両検出部２５が構成される。ＥＣＵ２１Ｂは、集音装置２０から各集音器で集音された音データ（電気信号）を受信し、第１の実施の形態に係るＥＣＵ２１Ｂと同様に音データに対する前処理を行う。なお、第２の実施の形態では、特徴量抽出部２２及び接近車両推定部２３が特許請求の範囲に記載するクラス判定手段及び音源推定手段に相当し、接近車両検出部２５が特許請求の範囲に記載する音源検出手段及び補正手段に相当する。

なお、特徴量抽出部２２、接近車両推定部２３は、第１の実施の形態と同様の各装置なので、説明を省略する。特徴量抽出部２２では、特徴量として接近車両検出部２５で用いるＣＳＰ係数（相互相関値）や到達時間差を算出している。また、多クラスＳＶＭ用サポートベクター２４は、第１の実施の形態と同様の多クラスＳＶＭ用サポートベクターなので、説明を省略する。

接近車両検出部２５では、ＣＳＰ法により、特徴量抽出部２２で抽出したＣＳＰ係数（相互相関値）のピーク値が閾値（初期値）より大きいか否かを判定する。閾値（初期値）は、車両の走行音を検出するＣＳＰ法で通常用いられる閾値であり、車両の走行音（音源）が確実に存在することを判定するための閾値であり、実車実験等によって設定される。ＣＳＰ係数のピーク値が閾値より大きい場合、接近車両検出部２５では、接近車両（音源）が存在すると判断し、到達時間差の時間変化に基づいて接近車両の移動方向（接近方向）を判別するとともに、到達時間差に基づいて接近車両までの距離を算出する。ＣＳＰ係数のピーク値が閾値以下の場合、接近車両検出部２５では、接近車両が存在しないと判断する。

さらに、接近車両検出部２５では、上記のＣＳＰ法による検出結果と接近車両推定部２３での多クラスＳＶＭによる推定結果を比較する。この比較によって、ＣＳＰ法によって接近車両を検出しておりかつ多クラスＳＶＭによって接近車両を検出しており、さらに、ＣＳＰ法によって算出した接近車両までの距離と多クラスＳＶＭによって推定した接近車両までの距離がおおよそ同じ距離の場合、その各検出の信頼性が高く、ＣＳＰ係数の信頼性も高い。そこで、接近車両検出部２５では、ＣＳＰ法による接近車両までの距離と多クラスＳＶＭによる接近車両までの距離がおおよそ同じ距離の場合、ＣＳＰ法で用いる閾値を初期値より小さい値に設定し、接近車両（音源）が検出され易くする。閾値をどの程度小さくするかは、実車実験等によって設定される。閾値を小さくする場合、信頼度に応じて小さくする量を変えてもよい。このように信頼性が高い場合に閾値を小さくするのは、集音される音へのノイズの影響等で接近車両（音源）が存在するにもかかわらず一時的にＣＳＰ係数が低く算出される場合があるので、このような場合でも接近車両（音源）を検出できるようにするためである。そして、接近車両検出部２５では、小さくした閾値（補正値）を用いて、上記と同様にＣＳＰ法により、ＣＳＰ係数のピーク値が閾値（補正値）より大きいか否かを判定し、ＣＳＰ係数のピーク値が閾値より大きい場合には接近車両の移動方向や距離を求める。

図６には、推定装置２Ｂにおける処理結果の一例を示している。この例では、自車両前方の交差道路において左側から右側に接近車両が移動した場合である。０秒が自車両正面の基準点であり、図６（ｃ）に示すように０秒の時点で接近車両に対する方位角がプラス値からマイナス値に反転する。この方位角の絶対値は、接近車両までのおおよその距離に相当し、自車両正面付近で大きく変化し、自車両から離れるほど変化しない。

図６（ａ）には、接近車両推定部２３での多クラスＳＶＭによるクラスの判定結果を示しており、自車両正面通過前の各時間に対応してクラス６、クラス５、クラス４、クラス３、クラス２の順で大体正しいクラスが判定されている。ただし、集音される音へのノイズの影響等で特徴量が変動し、クラス６とクラス５の間やクラス５とクラス４との間で、クラス３等が判定されている。接近車両までの距離は、判定された各クラスの設定時間から算出できる。

また、図６（ｂ）には相関値（ＣＳＰ係数）の時間変化と初期値の閾値ｔｈ_１を示しており、図６（ｄ）にはその相関値（ＣＳＰ係数）の時間変化と初期値の閾値ｔｈ_１との比較結果に基づく接近車両の検出／未検出を示している。この例の場合、相関値がノイズの影響等によって一時的に低下しているので、初期値の閾値ｔｈ_１で判定した場合、図６（ｄ）に示すように、接近車両が検出されない区間があり、接近車両の検出／未検出が繰り返される。

ここで、ＣＳＰ法によって算出した接近車両までの距離と多クラスＳＶＭによって推定した接近車両までの距離がおおよそ同じ距離と判定され、閾値ｔｈ_１よりも小さい閾値ｔｈ_２が設定されたとする。この場合、図６（ｂ）に示すように、相関値（ＣＳＰ係数）が閾値ｔｈ_２を連続して上回る。その結果、図６（ｅ）に示すように、接近車両が連続して検出され、接近車両を安定して検出できる。

図１、図５、図６を参照して、第２の実施の形態に係る接近車両検出システムの動作について説明する。特に、推定装置２Ｂでの動作については図７のフローチャートに沿って説明する。図７は、推定装置２Ｂにおける処理の流れを示すフローチャートである。なお、学習装置１における動作は、第１の実施の形態と同様なので、説明を省略する。

各車両には、推定装置２Ｂが搭載され、推定装置２Ｂの多クラスＳＶＭ用サポートベクター２４には学習装置１の多クラスＳＶＭ用サポートベクター１４の学習データが格納されている。

各車両では、集音装置２０の各集音器が、車外の周囲の音を集音し、その集音した音を電気信号に変換してＥＣＵ２１Ｂに送信している（Ｓ２０）。ＥＣＵ２１Ｂでは、この複数の集音器の音データを受信し、複数の音データに対して前処理を施す。

ＥＣＵ２１Ｂでは、集音装置２０からの各集音器の音データを受信する毎に、前処理後の各集音器の音データを用いて特徴量を抽出するとともに（Ｓ２１）、ＣＳＰ係数を算出する（Ｓ２２）。なお、ＣＳＰ係数は、多クラスＳＶＭで用いる１４個の特徴量の一部である。

そして、ＥＣＵ２１Ｂでは、多クラスＳＶＭ用サポートベクター２４に格納される学習データに基づいて、抽出した１４個の特徴量がどのクラスに属するかを判定する（Ｓ２３）。ＥＣＵ２１Ｂでは、判定したクラスに応じて自車両に接近車両の接近状況を推定する（Ｓ２４）。ここでは、属するクラスがある場合、接近車両（音源）が存在すると判断し、そのクラスから接近車両の接近時間（距離）や移動方向等を求める。

また、ＥＣＵ２１Ｂでは、閾値処理で利用するために、ＣＳＰ係数のピーク値と閾値（初期値）との比較判定によって接近車両（音源）が存在するかを判定し、接近車両が存在すると判定した場合には到達時間差に基づいて接近車両までの距離を求める。

ＥＣＵ２１Ｂでは、多クラスＳＶＭによって接近車両が検出されかつＣＳＰ法によって接近車両が検出されている場合、多クラスＳＶＭによる接近車両までの距離とＣＳＰ法による接近車両までの距離とを比較し、距離がおおよそ同じ場合にはＣＳＰ法の閾値を小さい閾値に設定し、それ以外の場合にはＣＳＰ法の閾値の初期値を維持する（Ｓ２５）。そして、ＥＣＵ２１Ｂでは、補正した閾値又は初期値の閾値を用いて、ＣＳＰ係数のピーク値と閾値との比較判定によって接近車両が存在するかを判定し、接近車両が存在すると判定した場合には到達時間差に基づいて接近車両までの距離や移動方向等を求める（Ｓ２６）。そして、ＥＣＵ２１Ｂでは、Ｓ２６での検出結果に基づいて接近車両情報を生成し、その接近車両情報を運転支援装置３に送信する。

第２の実施の形態に係る接近車両検出システムによれば、ＣＳＰ法による検出結果と多クラスＳＶＭによる検出結果に基づいてＣＳＰ法の閾値を補正することにより、ノイズの影響等を受けてＣＳＰ係数が低くなった場合でも、ＣＳＰ法での検出を安定化できる。

図８を参照して、多クラスＳＶＭで用いるクラス設定についてより詳細に説明する。図８は、多クラスＳＶＭで用いる道路形状及び交通規制に応じたクラスの一例である。

車両は、道路上を走行するので、道路形状に沿って移動する。また、車両は、交通規則に従って走行する。したがって、クラスを設定する場合、地図情報に含まれる個々の道路形状や交通規制に基づいて設定すると、詳細かつ正確なクラスを設定できる。

例えば、図８（ａ）に示すような、十字路の交差点で、自車両ＭＶの道路ＭＲに対して交差する道路ＣＲが片側一車線の場合、道路ＣＲにおける自車両ＭＶの左側から右側への車線上には自車両ＭＶの左側（正面通過前）に時間で分けた５つのクラスＣ_６Ｒ，Ｃ_５Ｒ，Ｃ_４Ｒ，Ｃ_３Ｒ，Ｃ_２Ｒを設定し、自車両ＭＶの右側（正面通過後）に１つのクラスＣ_１Ｒを設定し、道路ＣＲにおける自車両ＭＶの右側から左側への車線上には自車両ＭＶの右側（正面通過前）に時間で分けた５つのクラスＣ_６Ｌ，Ｃ_５Ｌ，Ｃ_４Ｌ，Ｃ_３Ｌ，Ｃ_２Ｌを設定し、自車両ＭＶの左側（正面通過後）に１つのクラスＣ_１Ｌを設定し、道路ＭＲの自車両ＭＶ前方の対向側及び交差点内は自車両ＭＶから視認できるので１つのクラスＣ_１Ｆを設定する。

図８（ｂ）に示すような、Ｔ字路の交差点で、自車両ＭＶの道路ＭＲに対して交差する道路ＣＲが車線がなくかつ双方向通行の場合、道路ＣＲにおける自車両ＭＶの左側から右側への移動方向に対して自車両ＭＶの左側（正面通過前）に時間で分けた５つのクラスＣ_６Ｒ，Ｃ_５Ｒ，Ｃ_４Ｒ，Ｃ_３Ｒ，Ｃ_２Ｒを設定し、自車両ＭＶの右側（正面通過後）に１つのクラスＣ_１Ｒを設定し、道路ＣＲにおける自車両ＭＶの右側から左側への移動方向に対して自車両ＭＶの右側（正面通過前）に時間で分けた５つのクラスＣ_６Ｌ，Ｃ_５Ｌ，Ｃ_４Ｌ，Ｃ_３Ｌ，Ｃ_２Ｌを設定し、自車両ＭＶの左側（正面通過後）に１つのクラスＣ_１Ｌを設定し、道路ＭＲの自車両ＭＶ前方の交差点内に１つのクラスＣ_１Ｆを設定する。

図８（ｃ）に示すような、十字路の交差点で、自車両ＭＶの道路ＭＲに対して交差する道路ＣＲが車線がなくかつ双方向通行の場合、図８（ｂ）のＴ字路の場合と同様の各クラスを設定し、さらに、道路ＭＲの自車両ＭＶ前方の対向側及び交差点内に１つのクラスＣ_１Ｆを設定する。

図８（ｄ）に示すような、変形十字路の交差点で、自車両ＭＶの道路ＭＲに対して垂直に交差する道路ＣＲが車線がなくかつ交差点の方向に一方通行であり、自車両ＭＶの道路ＭＲに対して斜めに交差する道路ＳＲが車線がなくかつ交差点の方向に一方通行の場合、道路ＣＲにおける自車両ＭＶの右側から交差点への移動方向に対して時間で分けた５つのクラスＣ_６Ｌ，Ｃ_５Ｌ，Ｃ_４Ｌ，Ｃ_３Ｌ，Ｃ_２Ｌを設定し、道路ＳＲにおける自車両ＭＶの左斜め側から交差点への移動方向に対して時間で分けた５つのクラスＣ_６Ｓ，Ｃ_５Ｓ，Ｃ_４Ｓ，Ｃ_３Ｓ，Ｃ_２Ｓを設定し、道路ＭＲの自車両ＭＶ前方の対向側及び交差点内に１つのクラスＣ_１Ｆを設定する。

図８（ｅ）に示すような、５差路の交差点で、自車両ＭＶの道路ＭＲに対して交差する道路ＣＲが車線がなくかつ双方向通行であり、自車両ＭＶの道路ＭＲに対して斜めに交差する道路ＳＲが車線がなくかつ交差点の方向に一方通行の場合、図８（ｃ）の十字路の場合と同様の各クラスを設定し、さらに、道路ＳＲにおける自車両ＭＶの左斜め側から交差点への移動方向に対して時間で分けた５つのクラスＣ_６Ｓ，Ｃ_５Ｓ，Ｃ_４Ｓ，Ｃ_３Ｓ，Ｃ_２Ｓを設定する。

この各クラスの設定において、各道路を走行する車両の速度を想定し（例えば、道路の制限速度）、その想定した速度に応じて道路上に設定するクラスの車両進行方向の幅を変えるようにしてもよい。車両の速度が高いほど、１秒間で車両が移動できる距離が長くなるので、クラスの幅を広くする。

この場合、学習装置１では、集音装置１０での集音中に、自車両の現在位置情報も取得する。学習装置１のコンピュータ１１は、地図情報（道路形状情報、交通規制情報）を備えるとともに自車両の現在位置情報が入力され、自車両の現在位置における道路形状やその道路の交通規制も考慮して多クラスＳＶＭによる学習によってクラス分類を行う。また、推定装置２Ａ，２Ｂでは、集音装置２０での集音中に、自車両の現在位置情報も取得する。推定装置２Ａ，２ＢのＥＣＵ２１Ａ，２１Ｂは、地図情報を備えるとともに自車両の現在位置情報が入力され、道路形状や交通規制も加味された多クラスＳＶＭの学習データに基づいて、自車両の現在位置における道路形状やその道路の交通規制も考慮してクラスを判定する。このように、道路形状及び交通規制に応じてクラスを設定することにより、より最適なクラスを簡単に設定できる。

また、クラスについては車種に応じて設定してもよい。例えば、大型車と普通車とでは走行音が異なるので、音の特徴量も異なる。したがって、音特徴量によって車種を分離することが可能であり、車種も考慮してクラスを設定できる。車種としては、大型車、普通乗用車、軽乗用車、オートバイ等の大まかな車種でもよいし、より詳細な車種でもよい。

この場合、学習装置１の集音装置１０では、接近車両の車種を順次変えて、接近車両を走行させ、車種毎に各集音器でそれぞれ集音する。学習装置１のコンピュータ１１は、車種も考慮して多クラスＳＶＭによる学習によってクラス分類を行う。また、推定装置２Ａ，２ＢのＥＣＵ２１Ａ，２１Ｂは、車種が加味された多クラスＳＶＭの学習データに基づいて、車種も考慮してクラスを判定する。このように、車種を考慮してクラス分類することにより、接近車両（音源）の状況をより詳細に推定でき、接近車両をより高精度に検出することができる。

接近車両検出システムでは、位置や移動方向の他にも上記の各種パラメータに応じてクラスを設定することにより、接近車両の様々な状況を推定できる。なお、上記に示す以外のパラメータを考慮してクラスを設定してもよい。また、接近車両が自車両正面を通過する時点を基準にクラスを設定したが、基準については他の時点でもよい。

以上、本発明に係る実施の形態について説明したが、本発明は上記実施の形態に限定されることなく様々な形態で実施される。

例えば、本実施の形態では音源検出装置を接近車両（音源として車両の走行音）を検出する接近車両検出システムに適用したが、車両以外の音源を検出する装置でもよい。また、本実施の形態では検出した接近車両情報を運転支援装置に提供する装置に適用したが、他の構成でもよい。例えば、運転支援装置の中に接近車両検出機能として組み込まれるものでもよいし、接近車両検出装置の中に警報機能等を有するものでもよい。

また、本実施の形態では事前に学習を行う学習装置と学習データを用いて実際に接近車両を推定する推定装置とを別体とし、事前に学習を行う構成としたが、一体で構成してもよい。特に、一体の装置の場合、車両走行中に集音した音データに基づいてオフラインでクラス分類を行っておき、そのクラス分類のデータに用いてリアルタイムで接近車両を検出する。

また、本実施の形態では多クラスパターン識別手法として多クラスＳＶＭを適用したが、他の多クラスパターン識別手法を適用してもよい。

また、本実施の形態では集音装置を複数個の集音器で、１対以上の集音器対を構成したが、１個の集音器の場合でも適用可能である。１個の集音器の場合、処理負荷は低減するが、特徴量として到達時間差やＣＳＰ係数（相関値）が得られない。

また、本実施の形態では特徴量として１４個の特徴量を用いたが、この１４個の特徴量のうちの一部の特徴量だけを用いてもよいし、１４個の特徴量に他の特徴量を加えて用いてもよいし、あるいは、１４個の特徴量のうちの一部の特徴量に他の特徴量を加えて用いてもよい。

１…学習装置、２Ａ，２Ｂ…推定装置、３…運転支援装置、１０，２０…集音装置、１１…コンピュータ、１２…特徴量抽出部、１３…学習部、１４，２４…多クラスＳＶＭ用サポートベクター、２１Ａ，２１Ｂ…ＥＣＵ、２２…特徴量抽出部、２３…接近車両推定部、２５…接近車両検出部。

Claims (5)

1. 集音器で集音された音に基づいて音源を検出する音源検出装置であって、
   集音器で集音された音から特徴量を抽出し、特徴量を用いて多クラスパターン識別手法によって音源の位置に応じた複数のクラスに分類するクラス分類手段と、
   音源を検出する際に、集音器で集音された音から特徴量を抽出し、前記クラス分類手段で分類した複数のクラスの中から前記抽出された特徴量が属するクラスを判定するクラス判定手段と、
   前記クラス判定手段で判定したクラスに基づいて音源を推定する音源推定手段と、
   を備えることを特徴とする音源検出装置。
2. 複数の集音器でそれぞれ集音された音の相関値を算出し、算出した相関値と閾値とを比較することによって音源を検出する音源検出手段と、
   前記音源検出手段での検出結果及び前記音源推定手段での推定結果に基づいて前記音源検出手段の閾値を補正する補正手段と、
   を備え、
   前記音源検出手段は、前記相関値と前記補正手段で補正した閾値とを比較することによって音源を検出することを特徴とする請求項１に記載の音源検出装置。
3. 前記クラス分類手段は、音源の移動方向に応じた複数のクラスに分類することを特徴とする請求項１又は請求項２に記載の音源検出装置。
4. 前記クラス分類手段は、道路形状又は／及び交通規制に応じた複数のクラスに分類することを特徴とする請求項１〜請求項３のいずれか１項に記載の音源検出装置。
5. 前記クラス分類手段は、車種に応じた複数のクラスに分類することを特徴とする請求項１〜請求項４のいずれか１項に記載の音源検出装置。

Images