JP2015036684A - フィッシャー及びプロファイル署名を使用したレーザスキャナからの車両分類 - Google Patents

Abstract

【課題】精度の良い車両分類方法および装置を提供する。【解決手段】１台以上の車両は、レーザスキャナを利用して走査され、車両の光学プロファイルを示すデータをコンパイルすることができる。そして、車両と関連付けられた光学プロファイルは前処理される。特定の特徴は、光学プロファイルの前処理に続いて光学プロファイルから抽出される。そして、車両は、光学的特徴から抽出された特定の特徴に基づいて分類されることができる。セグメント化されたレーザプロファイルは画像として扱われ、画像の２方向のうちの一方における信号を積分するプロファイル特徴及び画像の局所「パッチ」の統計値を集計するフィッシャーベクトルが計算されて抽出及び分類処理の一部として利用される。【選択図】図１

Description

実施形態は、一般に、車両分類に関する。実施形態はまた、レーザスキャナに関する。実施形態はさらに、フィッシャー及びプロファイル署名に関する。

迅速に且つ効率的に車両を分類する能力は、多くの輸送及びセキュリティ用途において必要とされる。レーザスキャナ・センサは、車両分類に使用されてきた。一般に、レーザスキャナは、物体に向けて極めて短い光のパルスを放射する飛行時間型の測定装置である。これらの装置は、物体から反射された光の一部を検出し、放射と反射との間の時間差を測定し、物体までの距離を導出することができる。その動作は、角度の可変セットについて繰り返される。スキャナは、通常、走査面が横「スライス」で車両を切り取るように、下向きのレーザカーテンをともなって頭上に且つトラフィック方向に対して垂直に配置される。

それゆえに、これらのスキャナは、車両分類のための手段を提供する。電磁ループ検出器などの他のセンサもまた、この目的のために使用されているが、これらは、通常、道路工事をともない、橋梁などの繊細な場所に配置することができない。レーザスキャナは、特に通行車両の種類を決定するための一般的な種類の車両分類のための装置である。しかしながら、これは、通常、いくつかの高レベルの特徴の抽出及びそれらの分類（時には単純な規則を有する）、又は生のレーザプロファイルのマッチングなどの単純な解決策によって達成される。

一例として、いくつかのシステムは、レーザ走査から以下の特徴を抽出する車両分類のために開発されている。幅、高さ、長さ、車両ユニットの数、第１のユニットの高さ。このアプローチを用いて、車両は、予め指定された閾値と特徴値とを比較する単純な規則を使用して分類されることができる。そのようなアプローチは、初期の十分な性能を提供するかもしれないが、範囲及び効率が制限され、激しい人間の労働力及び専門知識を必要とし、学習分類能力を欠いている。

車両分類のための方法及びシステムが本願明細書に開示される。１台以上の車両が、車両の光学プロファイルを示すデータをコンパイルするようにレーザスキャナを利用して走査されることができる。そして、車両と関連付けられる光学プロファイルは前処理される。特定の特徴が、光学プロファイルの以下の前処理を行って光学プロファイルから抽出される。そして、車両は、光学的特徴から抽出された特定の特徴に基づいて分類されることができる。

前処理操作は、光学プロファイルを示すデータから少なくとも１つの個々のプロファイルを分離することと、レーザスキャナを利用した車両の走査に関連する読み取りエラーを訂正することと、光学プロファイルを示すデータから車体を示すデータをセグメント化することとを含むことができる。さらに、特定の特徴は、例えば、フィッシャーベクトルを含んで抽出されることができる。あるいは、特定の特徴は、光学プロファイルに関する水平方向及び／又は垂直方向における積分を計算することによってプロファイル特徴を含んで抽出されることができる。

光学的特徴から抽出された特定の特徴に基づく車両分類は、さらに、例えば線形ＳＶＭ（サポート・ベクタ・マシン）などの少なくとも１つの分類器をトレーニングすることと、光学的特徴から抽出された特定の特徴を利用することと、分類器（例えば、線形ＳＶＭ）から出力されたデータに基づいて車両を分類することとを含むことができる。光学的特徴から抽出された特定の特徴は、以下のうちの少なくとも１つを含むプロファイル画像から抽出された人間が使用する属性及び／又は特徴セットを含む。生のプロファイル特徴及びフィッシャー署名。

開示された実施形態は、レーザ・スキャナ・プロファイルからの車両分類の問題を扱う。レーザスキャナは、その下方を走行する車両の（３Ｄ）高さプロファイルを取得する飛行時間型の測定装置である。プロファイルを分類するための２つの以前の技術は、測定されたプロファイルからいくつかの高レベルの特徴（幅、高さなど）を抽出し、そして、分類器を使用すること、又は、予め記録されたテンプレートのデータベースにおける生のプロファイルを検索することを含む。

開示された実施形態は、上述した単に高レベルの特徴又は生のプロファイルよりも複雑な特徴を持つ線形分類器の使用を含む。特に、開示された実施形態は、コンピュータビジョン分野で知られている特徴を使用することが可能である。１つの変形例において、（画像として視認される）プロファイルの「パッチ」から抽出されたフィッシャーベクトルが使用されることができる。第２の変形例において、プロファイルの水平及び／又は垂直方向の積分を計算することによって得られるプロファイルの特徴が利用されることができる。そのような特徴は、本願明細書においてより詳細に示されているように、レーザスキャナ・プロファイルによる車両分類の状況において特有である。

添付の図全体を通して同様の参照符号が同一の又は機能的に類似の要素を指し、明細書に組み込まれてその一部を形成する添付の図面は、さらに本発明を図示し、本発明の詳細な説明とともに本発明の原理を説明するのに役立つ。

図１は、好ましい実施形態により実装されることができるレーザプロファイル分類方法の論理動作ステップを示す動作の高レベルのフローチャートである。 図２は、開示された実施形態にかかるレーザプロファイルに対応する２Ｄ画像の例を示すグラフである。 図３は、代替的実施形態により行うことができるフィッシャー画像署名計算の論理動作ステップを示す動作のフローチャートである。 図４は、開示された実施形態によりプロファイル画像に対応する５つの異なる車両クラスからの平均前面（上段）及び側面（下段）のプロファイルを示す例のグラフである。 図５は、代替的な実施形態により行うことができるフィッシャー画像署名計算の論理動作ステップを示す動作のフローチャートである。 図６は、以下のように左から右への車両クラスの６つの例についてのレーザスキャナ・プロファイルの３Ｄレンダリングを示すサンプルグラフである。乗用車、１台のトレーラーを有する乗用車、トラック、１台のトレーラーを有するトラック、２台のトレーラーを有するトラック、及び、オートバイ。 図７は、１つ以上の開示された実施形態により実装されることができるコンピュータシステムの概略図である。 図８は、１つ以上の実施形態により異常検出モジュール、オペレーティングシステム及びユーザインターフェースを含むソフトウェアシステムの概略図である。

図１は、好ましい実施形態にしたがって実装されることができるレーザプロファイル分類方法１０の論理動作ステップを示す動作の高レベルのフローチャートを図示している。一般に、レーザ・プロファイル・データは、ブロック１２に示されるように、レーザ走査動作から生成されることができる。その後、ブロック１４に示されるように、無効なレーザ走査点を除去するように動作が行われることができる。そして、ブロック１６に示されるように、生成されたデータは、ブロック１８に示されるように最大接続要素を保持する動作を受ける。その後、ブロック２０に示されるように、（ブロック１８に示された動作の結果として）生成されたデータは、続いて、ブロック２２に示されるように接続要素をセグメント化する動作を受ける。そして、ブロック２４に示されるように得られたデータは、ブロック２６に示されるように接続要素をサイズ変更する動作を受ける。そして、ブロック２８に示された動作の結果として生成されたデータは、ブロック２８に示されるように特徴抽出動作を受けた後、ブロック３０に示されるように分類動作を受ける。最後に、ブロック３２に記載されているように１つ以上の車両クラスを予測する動作が実施されることができる。

好ましい実施形態において、車両プロファイルは、レーザスキャナを使用して取得されることができる。そのようなレーザスキャナは、物体に向けて極めて短い光のパルスを放射する飛行時間型の測定装置である。レーザスキャナはまた、物体から反射される光の一部を検出し、放射と反射との間の時間差（典型的にはほんの一瞬）を測定し、物体までの距離を導出する。その動作は、各走査が最大１００度の直線「行」を包含するように、角度の可変セットについて繰り返されることができる。

ある状況において、スキャナは、例えば、スキャナが横「スライス」において車両の高さを測定するように、下向きのレーザカーテンを有してレーンあたり１つのスキャナが３車線のガントリの上に且つトラフィック方向に対して直交して配置されることができる。現在の構成では、各「スライス」又は「行」は、９１点を含むことができる一方で、行数は、車両の長さ（及び速度）に応じて変化し、一般に典型的な乗用車について２０から３０行である。

信号の前処理は、本願明細書に記載された処理の重要な部分である。前処理モジュールは、測定信号におけるノイズを低減し、個々の車両の信号をセグメント化し、一度に１台の車両からの情報を分類器に供給するのに使用されることができる。

（図１に示されている）以下の一連の動作が実行されることができる。

個々のトランザクションの分離：車両が存在しない場合、スキャナによって測定された高さは、略ゼロである。高さレベルに閾値を設定すると、９９．５％の精度で異なる車両を正確に分離するのに十分である。

無効な走査点の訂正：いくつかの場合において、スキャナは、プロファイルにおけるいくつかの点について読み取る高さを提供することができない。これは、高速走行や時には天候条件に起因して、十分な反射率を呈さないいくつかの特定の素材の場合である。欠落点の集合は、通常、レーザプロファイルにおける全ての点のうちのほんのわずかであることから、最近傍に基づく単純な補間は、レーザプロファイルを再構成するのに十分であることが示されている。しかしながら、より複雑な方法が適用されることもできる。

速度訂正：速度は、外部ループ・センサ・システムを用いて正確に測定される。車両の速度がわかれば、プロファイルは、基準速度で走行する車両によって得られたであろう行数を有するように補間されることができる。

車体のセグメンテーション：走査範囲は比較的広く、最大１００度までであることから、レーザプロファイルは、典型的には隣接車線を走行する車両の一部に対応するそれらのエッジ上にアーチファクトを時には示す。したがって、関心のある車両に対応するプロファイルの一部はトリミングされることができる。その目的のために、プロファイルにおける各点は、信号の単純な閾値に基づいて物体又は背景としてラベル付けされることができ、物体点を接続要素にグループ化することができる。最大接続要素を含む矩形領域は、トリミングのために保持されることができる。

車両分類（例えば、図１のブロック３０を参照）は、全体に開示されるシステム／方法の重要な部分である。車両分類の目的は、車線上を通過する各車について、それが属する車両クラスを予測することである。そのような分類を構築するために、トレーニング・レーザプロファイルのセットが手動で注釈付けられることができ、本願明細書においてより詳細に記載されるように、各レーザプロファイルについて、異なる種類の特徴のセットが抽出されることができる。一般に、各種類の特徴及び各車両クラスについて、以下のように１対全ての線形分類器がトレーニングされることができる。

ここで、ｘは、前処理されたレーザプロファイルを表す特徴ベクトルであり、パラメータｗ及びｂは、確率的勾配降下（ＳＧＤ）などの学習アルゴリズムによって得られた。上述したように、レーザプロファイルは、最初に前処理される。したがって、全ての特徴記述子についての入力は、元のレーザプロファイルにおける最大接続要素に対応する２Ｄのトリミングされたレーザ信号である。

この信号を以下のように表す。

ｈ_ｉｊは、プロファイルの行ｉ及び列ｊ（ｉ＝１、・・・、Ｌ及びｊ＝１、・・・、Ｗ）における高さ測定を表し、Ｗ及びＨは、それぞれ、トリミングされたレーザプロファイルの列（幅）及び行（長さ）の総数を表す。

我々の目的は、最良の車両分類器を構築するために、このレーザプロファイルから抽出することができる特徴を研究することである。したがって、異なる種類の特徴が以下に詳細に記載されるように使用されることができる。

属性ベースの特徴（ＡＴＴ）は、本願明細書に記載されたアプローチの状況で考えられることができる。すなわち、属性は、特に人間により、多くの場合、特にこれらのクラスが、それぞれトレーラーを有するか有しない乗用車、１台又は２台のトレーラーを有しないか有するトラック、及び、オートバイの場合におけるようなものである場合、車両を異なるクラスにカテゴリ化することである。したがって、我々の第１の特徴ベクトルは、２Ｄレーザプロファイルから抽出する以下の属性の設定とすることができる。
・プロファイルの幅（Ｗ）
・プロファイルの長さ（Ｌ）
・プロファイルの最大高さ（ｍａｘ_ｉｊ ｈ_ｉｊ）
・ユニットの数
・第１のユニットの最大高さ

後者の２つの属性を抽出するために、レーザプロファイルは、閾値発見的問題解決によってユニットにセグメント化される。みつかったユニットの数は、第４の属性として提供される。そして、ＦＵによって表される第１のユニット内の最大高さは、以下の式（３）にしたがって計算されることができる。

ここで直感的に留意すべきは、最初の３つの属性は、通常は異なる車種が異なる大きさの分布を呈するという事実を捕捉するということである。属性４及び５は、車両に取り付けられたユニットの数（及び大きさ）が、車両クラスを示すこともあるという事実を利用する。最後に、５つの属性は、単一の特徴ベクトルｘにまとめられることができ、属性ベースの特徴としてそれを参照する（ＡＴＴによって表される）。

図２は、開示された実施形態にかかるレーザプロファイルに対応する２Ｄ画像の例を示すグラフを図示している。図２に示される画像４２、４４、４６、４８、５０及び５２は、カラーマップ（図示しない）によって表されることができる。ここで、例えば、青色は、高さが低い値を表し、赤色は、より高い高さを示すことができる。ここで留意すべきは、３Ｄレーザプロファイルが２Ｄ画像として表されることができるということである。ここで、プロファイルの幅及び長さ（Ｗ×Ｌ）は、画像サイズを与え、各画素の値Ｕ_ｉｊは、対応する高さｈ_ｉｊに等しい（すなわち、図２に示される例を参照）。

これは、この場合には、画像カテゴリ化問題として、レーザ・スキャナ・プロファイルのカテゴリ化を考えることができることを意味する。文献は、カテゴリ化のための異なる画像表現の提案において非常に豊富であるが、本発明は、主に２つの人気のある表現を用いて実験する。それゆえに、以下の実際の特徴が計算されることができる。第１の表現は、画像を小さな大きさにサイズ変更し、直接的に単一ベクトルに連結された画素を使用するという実験的証拠を提供し、いくつかのコンピュータ・ビジョン・タスクにおいて良好な結果を提供する。第２の表現は、カテゴリ化及び検索を含む異なるタスクにおける異なる種類の画像による最先端の画像表現を示している画像のフィッシャーベクトル表現である。

ＲＡＷ（生のプロファイル特徴）が特定の状況において使用されることができる。すなわち、特徴ベクトルＶ＝｛ｈ_１１，・・・，ｈ_ｗｌ｝に直接変換されたプロファイル画像の画素（高さ）を使用したい場合には、Ｗ及びＨがある画像から他の画像へと変化するのにともない、異なる大きさのウィンドウを再度有する。したがって、
という固定サイズへの双線形補間に基づく標準的なサイズ変更動作を最初に適用することができる。
によってサイズ変更された「画像」を表す場合には、特徴ベクトル
は、積み重ね
によって構成されることができる。実験的には、例えば、
が最良の実用的な結果をもたらすことを発見した。

この特徴ベクトル
を１対全ての分類に供給する前に、この正規化アプローチがさらなる改善をもたらすことが示されているように分類器をＬ_２−正規化することができる。特徴は、生のプロファイル特徴と称され、ＲＡＷによって表されることができる。

ＦＩＳ（フィッシャー画像署名）は、第２のプロファイルイメージング技術に関して使用されることができる。画像のフィッシャーベクトル表現は、いわゆる視覚語のバッグ（ＢＯＶ）表現を拡張したものである。そのようなアプローチの主なアイディアは、低レベルの特徴空間に構築された中間表現、視覚的語彙に基づいて、局所的な特徴のセットを高レベルの表現に変換することである。局所パッチにおいて抽出される人気のあるＳＩＦＴ記述子などの最も頻繁な勾配方向ヒストグラムは、ＰＣＡ（主成分分析）を用いていくつかの低次元空間において直接的に又は最初に投影される低レベルの特徴として使用されることができる。我々の実験では、ＰＣＡによって１２８次元の勾配方向ヒストグラムを３２次元に投影し、投影空間において６４個のガウス分布の視覚的語彙を構築した。

視覚的語彙は、以下の式（４）によって示されるように、ＧＭＭ（ガウシアン混合モデル）によってモデル化されることができる。

ここで、ｈ_ｉは、局所的な低レベルの特徴（この場合は−勾配ヒストグラム）であり、λ＝｛ω_ｎ，μ_ｎ，Σ_ｎ；ｎ＝１，・・・，Ｎ｝は、ＧＭＭの全てのパラメータのセットであり、各ガウス分布は、視覚語に対応している。

ＢＯＶ表現の場合、低レベルの記述子Ｉ＝｛ｈ_ｉ；ｉ＝１，・・・，Ｔ｝のセットとしてみられるプロファイル画像は、全ての低レベル記述子にわたって累積することにより、高レベルのＮ次元の記述子γ_Ｉに変換され、各ガウス分布について、各記述子を生成する確率は、以下の式（５）及び（６）によって示される。

ここで、
である。

フィッシャーベクトルは、ゼロ次統計値（例えば、カウント）を超えることにより、且つ、各視覚語に割り当てられた局所記述子の分布に関する最大で二次までの統計値を符号化することにより、この「ソフト」ＢＯＶ表現を拡張する。したがって、それは、式（７）によって示される低レベルの特徴空間におけるＧＭＭ分布からの偏差によって低レベルの特徴セットＩを特徴付ける。

そのような２つの分布Ｉ及び
を比較するために、これらの勾配における自然カーネルは、以下の式（８）によって示さされるフィッシャーカーネルである。

ここで、Ｆ_λは、フィッシャー情報行列である。Ｆ_λ ^−１が対称正定であることから、それは、Ｌ_λ ^ＴＬ_λによって表されるコレスキー分解を有する。したがって、
は、以下の式（９）に示されるように、マッピングГ_λを使用して正規化されたベクトル間のドット積として書き換えられることができる。

式（９）は、画像のフィッシャーベクトル（ＦＶ）と称されることができる。したがって、線形分類器は、フィッシャーベクトルによって表される画像をカテゴリ化するのによく適している。ここで留意すべきは、ＦＶが、さらに、平方根及びＬ２−正規化されることができるということである。一般に、フィッシャーベクトル表現は、ＢＯＶ表現よりも優れている。

画像カテゴリ化の場合には、空間ピラミッドを使用することが、画像のカテゴリ化性能を向上させつつ、画像の粗ジオメトリの捕捉をもたらすことができることが実証されている。したがって、本発明の発明者らはまた、空間ピラミッドを用いて実験しており、この場合には、１ｘ２の空間ピラミッドが２つの水平部に画像を分割し、それらを単一特徴ベクトルｘに連結することが最も良好に行われることを発見した。

図３は、代替的な実施形態にしたがって行われることができるフィッシャー画像署名計算方法６０の論理動作ステップを示す動作のフローチャートを図示している。すなわち、フィッシャー画像署名（ＦＩＳ）計算の概略図が図３に示されている。考慮すべき２つの種類のフィッシャーベクトル−−「フィッシャー画像署名」及び「フィッシャーレーザ署名」が実際に存在することを理解することが重要である。双方のフィッシャーベクトルは、ある場合には、プロファイルが画像として処理され、「局所パッチ」が勾配のヒストグラムが計算可能なサブ画像であり、第２の場合には、レーザ信号は、画像として処理されず、局所パッチは、投影プロファイルの行の生値であること以外は、同じ一般的なフレームワークにしたがう。

一般に、ブロック７２として示されるように、行われるレーザ深さ投影から、局所「パッチ」のセットが抽出されることができる。局所パッチは、例えば、異なるスケールで座標の規則的なグリッドからサンプリングすることによって抽出されたレーザ署名のサブ領域である。図３に示されるブロック６４及び６６は、一般に、ヒストグラム６８、７０をもたらす局所的な特徴の計算を図示している。すなわち、ブロック７２に示されたレーザ深さ投影動作の処理に続いて、ブロック７４に示されるように、勾配ヒストグラムが行われることができる。

その後、ブロック７６に示され、ブロック７６の上方に位置しているヒストグラム８６及びブロック７６の下方に示された円７８、８０、８２、８４によってグラフィカルに図示されるように、主成分分析（ＰＣＡ）動作が勾配ヒストグラムにおいて行われることができる。その後、ブロック９２に示されるように、空間プーリング動作が行われることができる。プーリング動作は、定義された異なる空間領域について独立して、レーザ信号における全てのパッチを使用してＧＭＭに関してフィッシャーベクトルを計算する。この動作の後には、ブロック１００に示されるように、署名を正規化する動作が続く。ブロック９２、１００において記載された動作は、ブロック９２及び正規化されたデータセット９４、９６、９８によってグラフィカルに図示されている。最後に、ブロック１０２に示されるように、動作は、トレーニングセットにおいて学習されるプロファイル・スライス・クラスタにおいて行われることができる。

考慮すべき他の特徴の種類が次に記載される。ユーザプロファイルＨ（すなわち、式（２）を参照）から、側面及び前面投影プロファイルが、
及び
によって表される側面のそれぞれのセットの前面プロファイルデータを生み出す各行及び各列毎に抽出されることができる。ここで留意すべきは、前面投影プロファイルが、スキャナによって得られた（前処理された）横方向スライスと関連している一方で、側面プロファイルが、３Ｄスキャナデータから「再構築される」ということである。さらにまた、これらのベクトル（ｈ_ｉ及びｆ_ｊ）は、プロファイル画像における行及び列のそれぞれにも対応している。

また、しかしながら、そのような特徴ベクトルは、可変サイズを有し、したがって、それらは、（例えば、１次元ベクトルをサイズ変更するか又はサイズ変更された画像から直接抽出することによって）再度同じサイズに再スケーリングされる。ここから、単純な表現は、与えられたレーザプロファイルについて側面毎の前面プロファイルを平均化するか又はフィッシャーレーザ署名を構築するために再度フィッシャーフレームワークを使用するなどして構成されることができる。

考慮すべき他の要因は、ＭＰＰ（平均投影プロファイル）である。ここで留意すべきは、ＭＳＰ（平均側面プロファイル）が、以下の式（１０）によって示されるように、列にわたってプロファイル画像を平均することによって計算されることができるということである。

ＭＦＰ（平均前面プロファイル）は、以下の式（１１）によって示されるように、行にわたって合計することによって計算されることができる。

ここで留意すべきは、これらの平均投射プロファイルが、空間の方向のうちの一方において３ＤレーザプロファイルＨを積分することによって得られた信号としてもわかることができるということである。

図４は、開示された実施形態にかかるプロファイル画像に対応する５つの異なる車両クラスからの平均前面（上段）及び側面（下段）のプロファイルを示す例のグラフを図示している。図４において、プロファイル画像に対応する平均側面及び平均前面プロファイルを示している。そのようなデータは、グラフ１１０、１１２、１１４、１１６、１１８、１２０及び１２２、１２４、１２６、１２８、１３０、１３２によって示されている。

分類器に特徴を供給する前に、そのような特徴は、補間によって固定長ベクトルに最初にサイズ変更されることができ、その後、Ｌ_２−正規化される。１５から２５次元の異なる次元及び長さによって実験した本願発明者らは、データセットについて最適であることを見出した。

ＦＬＳ（フィッシャーレーザ署名）は、考慮すべき他の特徴である。ここで留意すべきは、これらの投影されたプロファイルを平均化する代わりに、レーザプロファイルＨが、以下の式（１２）で示されるように、投影されたファイルのセットＳとして表されることができるということである。

ここで、
であり、サイズ変更された個々の側面投影プロファイルに対応する。しかしながら、図４及びいくつかの予備的経験が示すように、側面プロファイルは、前面プロファイルよりも特徴的であり、より良好な分類性能をもたらすことができる。

Ｓは、レーザプロファイルについて抽出されたセットの特徴
であることから、この表現を固定次元の高レベル表現に変換するために、（この場合、「側面投影プロファイルのバッグになる」）視覚語のバッグ（ＢＯＶ）又はそのフィッシャーフレームワークベースの拡張を適用することができる。上述したように、これらの表現は、低レベルの特徴空間に構築された視覚的な語彙を必要とする。その場合、これらのベクトルの低レベルの特徴は、ＰＣＡによって削減されることができる。

を用いてこの空間に「視覚的語彙」（ＧＭＭ）のパラメータを表す場合には、ＳのＢＯＶ表現は、式（５）と同様に等しくなる。

ここで、
である。

ＦＬＳ（フィッシャーレーザ署名）とここで称される対応するフィッシャーベクトルは、以下のように表されることができる。

は、フィッシャー情報行列
のコレスキー分解に対応し、
である。

側面投影プロファイル空間におけるＧＭＭ分布
からのＳのその偏差

プロファイル画像におけるフィッシャーベクトルのように、ＦＬＳは、さらに、平方根及びＬ２−正規化される。空間ピラミッドを使用するために、同様にレーザプロファイルをプロファイル画像に分解し、各部についてのＦＬＳを計算することができる。ここで留意すべきは、これが、最初、中間及び最後のレーザスライスのセットにおけるレーザスキャナのスライスのサブ分割及び別個に再構成された対応する部分的レーザプロファイルからの側面投影の計算に対応するということである。フィッシャーレーザ署名計算の概略図が図５に示されている。

図５は、代替的な実施形態にしたがって行うことができるフィッシャー画像署名計算方法１４０の論理動作ステップを示す動作のフローチャートを図示している。一般に、ブロック１４４に示されるように、トリミングされたプロファイルが生成され、ブロック１５２に示されるように、その後、プロファイルスライシング動作が行われる。ここで留意すべきは、図形１４２及びヒストグラム１４６、１４８、１５０は、これらの特定のステップをグラフィカルに図示しているということである。その後、ブロック１５４に示されるように、ＰＣＡ動作は、プロファイルスライスにおいて行われることができる。図形１５６、１５８、１６０、１６２は、この動作を図示している。次に、ブロック１７０に示されるように、空間プーリング動作が行われることができる。その後、ブロック１８０に示されるように、正規化されたプロファイル署名が生成される。図形１７２及びデータ１７４、１７６、１７８は、ブロック１７０、１８０に示される動作をグラフィカルに図示している。その後、ブロック１８２に示されるように、プロファイル・スライス・クラスタがトレーニングセットにおいて学習される。

ここで留意すべきは、実験に使用される実際のデータベースは、公道の状況において撮像されたレーザプロファイルのセットを含んでいたということである。各車両についてのスキャナプロファイルは、本願明細書に記載されるように得られた。場合によっては、以下の車両クラスが手動で注釈付けされた。乗用車、トレーラーを有する乗用車、トラック、トレーラーを有するトラック、２台のトレーラーを有するトラック、及び、オートバイ。これらのサンプルクラスについて得られたレーザプロファイルは、図６にグラフィカルに図示されている。すなわち、図６は、以下のように左から右への車両クラスの６つの例についてのレーザスキャナ・プロファイルの３Ｄレンダリングを示すサンプルグラフ１９２、１９４、１９６、１９８、２００、２０２を図示している。乗用車、１台のトレーラーを有する乗用車、トラック、１台のトレーラーを有するトラック、２台のトレーラーを有するトラック、及び、オートバイ。

合計で３万台の車両が注釈付けられた。このセットは、トレーニング（４０％）、検証（２０％）及び試験（４０％）にわけられた。トレーニングセットは、分類器モデル（ｗ及びｂ）や、フィッシャー画像署名（ＦＩＳ）及びフィッシャーレーザ署名（ＦＬＳ）を表すフィッシャーベクトルに必要とされるＰＣＡ及びガウシアン混合モデル（ＧＭＭ）などの特徴ベクトル計算に必要とされる任意の他のモデルを評価するのに使用される。

検証セットは、評価される各特徴種類についての全てのパラメータ（トレーニングパラメータ及び特徴パラメータ）を選択するのに使用される。これは、最終次元（サイズ変更又はＰＣＡ投影の場合）、ガウス分布の数、及び、ＳＧＤ分類器をトレーニングするのに必要なパラメータを含む。最後に、各特徴種類について、最も良好なパラメータに対応するモデルが試験セットにおいて評価される。

我々の実験の目的は、同じフレームワークで異なる特徴を比較することであった。したがって、セクションＩＩ及びそれらの組み合わせのいくつかにおいて記載されている特徴において１対全ての線形分類器をトレーニングした。ここでは、組み合わせの下で、平均特徴連結、例えばＭＳＰ＋ＡＴＴは、属性ベース（ＡＴＴ）の特徴との平均側面プロファイル（ＭＦＰ）特徴の連結である。

実験結果を示す前に、基本的な特徴を簡単に呼び出す。
・ＡＴＴ：属性ベースの特徴
・ＲＡＷ：生のプロファイル特徴
・ＦＩＳ：フィッシャー画像署名
・ＭＳＰ及びＦＳＰ：それぞれ、平均側面及び前面プロファイル
・ＦＩＳ：フィッシャーレーザ署名は、フィッシャーベクトルである。考慮される特徴のそれぞれについて、グローバルな精度（正確に検出される車両台数）及びクラスあたりの精度（クラスにわたる平均精度）を測定する。

一見すると、全ての方法が車両精度毎の面で同様に行うように思われる。しかし、これは試験セットにおける乗用車の割合であることから、車両あたりの最小精度は、９５．３％であることに留意されたい。これは、クラスの分布が強い偏りを有することを意味するが、この状況は、通常、道路において遭遇する。また、この設定において、料金徴収作業者にとって関心のある最後の図は、車両あたりの精度である。したがって、これらの状況において、観察される僅かな差異は問題である。

しかしながら、分類精度のより包括的な図を有するために、我々はまた、クラスあたりの平均精度を測定する。画像上のフィッシャーベクトルが最良の車両あたりの精度を得て、ベースラインよりも大幅に高いクラスあたりの精度を得ることが観察されることができる。また、投射プロファイルがベースラインと同様に実行することも観察されることができるが、高レベルの特徴と連結されるとき、それらは、最良のクラスあたりの精度と、２番目に高い車両あたりの精度も得る。これらの観察を考慮すると、画像にインスパイアされた特徴は、ベースラインに関して利点を示す。

本実施形態は、本発明の実施形態にかかる方法、システム及びコンピュータプログラム製品並びにデータ構造のフローチャート図及び／又はブロック図を参照しながら本願明細書において少なくとも部分的に記載されている。図の各ブロック及びブロックの組み合わせが、コンピュータプログラム命令によって実装されることができることが理解されるであろう。コンピュータ又は他のプログラム可能なデータ処理装置を介して実行される命令が、例えば、本願明細書における図に関して述べられて示された様々な命令などの本願明細書において述べられた１つのブロック又は複数のブロックに記載された機能／作用を実装するための手段を形成するように、これらのコンピュータプログラム命令は、マシンを生成するために、汎用コンピュータ、専用コンピュータ又は他のプログラム可能なデータ処理装置のプロセッサに提供されることができる。

これらのコンピュータプログラム命令はまた、コンピュータ読み取り可能なメモリに格納される命令が、１つのブロック又は複数のブロックに記載された機能／作用を実装する命令手段を含む製造品目を製造するように、特定の方法で機能するようにコンピュータ又は他のプログラム可能なデータ処理装置を指示することができるコンピュータ読み取り可能なメモリに格納されることができる。

コンピュータプログラム命令はまた、コンピュータ又は他のプログラム可能な装置上で実行される命令が、１つのブロック又は複数のブロックに記載された機能／作用を実装するためのステップを提供するように、コンピュータ実装プロセスを生成するように一連の動作ステップがコンピュータ又は他のプログラム可能な装置上で実行されるのを生じさせるためにコンピュータ又は他のプログラム可能なデータ処理装置にロードされることができる。

図７〜図８は、本発明の実施形態が実装されることができるデータ処理環境の例示的な図として提供される。当然のことながら、図７〜図８は、単なる例示にすぎず、開示された実施形態の態様又は実施形態が実装され得る環境に関するいかなる限定事項も主張又は暗示することを意図するものではない。図示された環境に対する多くの変更が開示された実施形態の精神及び範囲から逸脱することなく行われることができる。

図７に図示されるように、開示された実施形態は、例えば、中央処理装置３０１（又は他のプロセッサ）、メインメモリ３０２、コントローラ３０３及びいくつかの実施形態ではＵＳＢ（ユニバーサル・シリアル・バス）３０４又は他の適切な周辺接続を含むことができるデータ処理システム３００の状況において実装されることができる。システム３００はまた、入力装置３０５（例えば、キーボード、マウスなどのポインティングデバイスなど）、ディスプレイ３０６及びＨＤＤ（ハード・ディスク・ドライブ）３０７（例えば、大容量記憶装置）を含むことができる。図示されたように、データ処理システム３００の様々な構成要素は、システムバス３１０又は同様のアーキテクチャを介して電子的に通信することができる。システムバス３１０は、例えば、データ処理システム３００内のコンピュータ構成要素間で、又は、他のデータ処理装置、構成要素、コンピュータなどとの間でデータを転送するサブシステムとすることができる。

図８は、図７に示されたデータ処理システム３００の動作を指示するために使用されることができるコンピュータ・ソフトウェア・システム３５０を図示している。メモリ３０２及び／又はＨＤＤ３０７に記憶されたソフトウェアアプリケーション３５４は、一般に、カーネル又はオペレーティングシステム３５１及びシェル又はインターフェース３５３を含むことができるか、及び／又は、それらと関連付けられることができる。モジュール３５２などの１つ以上のアプリケーションプログラムは、データ処理システム３００による実行のために「ロード」される（すなわち、大容量記憶装置又はＨＤＤ３０７からメインメモリ３０２内に転送される）ことができる。図８に示される例において、モジュール３５２は、例えば、図１、図３、図５などの論理命令又は動作を実行するソフトウェアモジュールとして実装されることができる。

データ処理システム３００は、ユーザ３４９によってアクセス可能なユーザインターフェース３５３を介してユーザコマンド及びデータを受信することができる。そして、これらの入力は、オペレーティングシステム３５１及び／又はソフトウェアアプリケーション３５４並びにその任意のソフトウェアモジュール３５２からの命令にしたがって、データ処理システム３００によって作用されることができる。

それゆえに、本願明細書における議論は、システム及び方法が実装されることができる適切なコンピューティング環境の簡潔で一般的な説明を提供することを意図している。必須ではないものの、開示された実施形態は、単一コンピュータによって実行されるプログラムモジュールなどのコンピュータ実行可能な命令の一般的状況において説明される。ほとんどの場合、「モジュール」は、ソフトウェアアプリケーションを構成する。

一般に、プログラムモジュール（例えば、モジュール３５２）を含むことができるが、特定のタスクを実行するか又は特定の抽象データ型及び命令を実装する、ルーチン、サブルーチン、ソフトウェアアプリケーション、プログラム、オブジェクト、コンポーネント、データ構造などに限定されるものではない。また、当業者は、開示された方法及びシステムが、例えば、ハンドヘルド装置、マルチプロセッサシステム、データネットワーク、マイクロプロセッサベース又はプログラム可能な家庭用電気製品、ネットワーク化されたパーソナルコンピュータ、ミニコンピュータ、メインフレームコンピュータ、サーバなどの他のコンピュータシステム構成によって実施されるできることを理解するであろう。

ここで留意すべきは、本願明細書において利用される用語モジュールは、特定のタスクを実行するか又は特定の抽象データ型を実装するルーチン及びデータ構造の集合体を指すことができるということである。モジュールは、以下の２つの部分から構成されることができる。他のモジュール又はルーチンによってアクセスされることができる定数、データ型、変数及びルーチンを一覧記載するインターフェース、並びに、典型的には（そのモジュールに対してのみアクセス可能な）プライベートであって実際にモジュール内のルーチンを実装したソースコードを含む実装。用語モジュールはまた、ワープロ、会計、在庫管理などの特定のタスクの実行において支援するように設計されたコンピュータプログラムなどのアプリケーションを単に指すことができる。

インターフェース３５３（例えば、グラフィカル・ユーザ・インターフェース）は、ユーザが追加入力を供給するか又は特定のセッションを終了することができるとすぐに、結果を表示するのに役立つことができる。いくつかの実施形態において、オペレーティングシステム１５１及びインターフェース３５３は、「ウィンドウズ（登録商標）」システムの状況で行われることができる。当然のことながら、勿論、他の種類のシステムが潜在的可能である。例えば、従来の「ウィンドウズ（登録商標）」システムよりもむしろ、例えば、無線システムにおいてより一般的に使用されるリアル・タイム・オペレーティング・システム（ＲＴＯＳ）などの他のオペレーティングシステムもまた、オペレーティングシステム３５１及びインターフェース３５３に関して使用されることができる。

それゆえに、図７〜図８は、例として意図されるが、開示された実施形態のアーキテクチャ上の限定事項として意図されるものではない。さらに、そのような実施形態は、任意の特定のアプリケーション又はコンピューティング若しくはデータ処理環境に限定されるものではない。代わりに、当業者は、開示されたアプローチが、様々なシステム及びアプリケーションソフトウェアに有利に適用されることができることを理解するであろう。また、開示された実施形態は、Ｍａｃｉｎｔｏｓｈ、ＵＮＩＸ（登録商標）、Ｌｉｎｕｘ（登録商標）などを含む様々な異なるコンピューティングプラットフォーム上で実施されることができる。

Claims (10)

1. 車両分類方法であって、前記方法が、
   レーザスキャナを利用して少なくとも１台の車両を走査し、前記少なくとも１台の車両の光学プロファイルを示すデータをコンパイルすることと、
   前記少なくとも１台の車両と関連付けられた前記光学プロファイルを前処理することと、
   前記光学プロファイルの処理後に前記光学プロファイルから特定の特徴を抽出することと、
   前記光学的特徴から抽出された前記特定の特徴に基づいて、前記少なくとも１台の車両を分類することと、を備える方法。
2. 前記少なくとも１台の車両と関連付けられた前記光学プロファイルを前処理することが、
   前記光学プロファイルを示す前記データから少なくとも１つの個々のプロファイルを分離することと、
   前記レーザスキャナを利用した前記少なくとも１台の車両の走査に関連する走査読み取りエラーを訂正することと、
   前記光学プロファイルを示す前記データから車体を示すデータをセグメント化することのうちの少なくとも１つをさらに備える、請求項１に記載の方法。
3. 前記光学プロファイルの処理後に前記光学プロファイルから特定の特徴を抽出することが、
   フィッシャーベクトルを含む前記特定の特徴を抽出することをさらに備える、請求項１に記載の方法。
4. 前記光学プロファイルの処理後に前記光学プロファイルから特定の特徴を抽出することが、
   前記光学プロファイルに関する水平方向及び／又は垂直方向における積分を計算することによってプロファイル特徴を含む前記特定の特徴を抽出することをさらに備える、請求項１に記載の方法。
5. 前記光学的特徴から抽出された前記特定の特徴に基づいて前記少なくとも１台の車両を分類することが、
   前記光学的特徴から抽出された前記特定の特徴を利用して少なくとも１つの線形分類器をトレーニングすることと、
   前記少なくとも１つの線形分類器から出力されたデータに基づいて、前記少なくとも１台の車両を分類することと、をさらに備える、請求項１に記載の方法。
6. 車両分類システムであって、前記システムが、
   プロセッサと、
   コンピュータ・プログラム・コードを具現化するコンピュータ使用可能な媒体であって、プロセッサと通信することができるコンピュータ使用可能な媒体とを備え、前記コンピュータ・プログラム・コードが、前記プロセッサによって実行可能な命令を含み、
   レーザスキャナを利用して少なくとも１台の車両を走査し、前記少なくとも１台の車両の光学プロファイルを示すデータをコンパイルし、
   前記少なくとも１台の車両と関連付けられた前記光学プロファイルを前処理し、
   前記光学プロファイルの処理後に前記光学プロファイルから特定の特徴を抽出し、
   前記光学的特徴から抽出された前記特定の特徴に基づいて、前記少なくとも１台の車両を分類するように構成されているシステム。
7. 前記少なくとも１台の車両と関連付けられた前記光学プロファイルを前処理するための前記命令が、さらに、
   前記光学プロファイルを示す前記データから少なくとも１つの個々のプロファイルを分離することと、
   前記レーザスキャナを利用した前記少なくとも１台の車両の走査に関連する走査読み取りエラーを訂正することと、
   前記光学プロファイルを示す前記データから車体を示すデータをセグメント化することのうちの少なくとも１つのために構成された命令を含む、請求項６に記載のシステム。
8. 前記光学プロファイルの処理後に前記光学プロファイルから特定の特徴を抽出するための前記命令が、
   フィッシャーベクトルを含む前記特定の特徴を抽出するために構成された命令をさらに含む、請求項６に記載のシステム。
9. 車両分類用の処理を生じさせる命令を表すコードを格納するプロセッサ読み取り可能な媒体であって、前記コードが、
   レーザスキャナを利用して少なくとも１台の車両を走査し、前記少なくとも１台の車両の光学プロファイルを示すデータをコンパイルし、
   前記少なくとも１台の車両と関連付けられた前記光学プロファイルを前処理し、
   前記光学プロファイルの処理後に前記光学プロファイルから特定の特徴を抽出し、
   前記光学的特徴から抽出された前記特定の特徴に基づいて、前記少なくとも１台の車両を分類するためのコードを含むプロセッサ読み取り可能な媒体。
10. 前記少なくとも１台の車両と関連付けられた前記光学プロファイルを前処理するための前記コードが、
    前記光学プロファイルを示す前記データから少なくとも１つの個々のプロファイルを分離することと、
    前記レーザスキャナを利用した前記少なくとも１台の車両の走査に関連する走査読み取りエラーを訂正することと、
    前記光学プロファイルを示す前記データから車体を示すデータをセグメント化するためのコードをさらに含む、請求項９に記載のプロセッサ読み取り可能な媒体。