JP2015052999A - 個人特徴抽出プログラム、個人特徴抽出装置、および個人特徴抽出方法 - Google Patents

Abstract

【課題】 荷重位置を表現できる軸を決定可能な個人特徴抽出プログラム、個人特徴抽出装置、および個人特徴抽出方法を提供する。
【解決手段】 個人特徴抽出プログラムは、２次元圧力センサに接触体が接してから離れるまでの間に含まれる複数のタイミングのそれぞれで該２次元圧力センサで計測された各圧力分布に基づいて、前記複数のタイミングのそれぞれに対応する重心位置を求め、求めた前記複数のタイミングのそれぞれに対応する重心位置についての近似直線または該近似直線に平行な直線を第１軸として取得し、前記複数のタイミングのそれぞれに対応する重心位置の前記第１軸上の位置を前記接触体の移動に関する特徴量として記憶部に記憶する、処理をコンピュータに実行させる。
【選択図】 図３

Description

本件は、個人特徴抽出プログラム、個人特徴抽出装置、および個人特徴抽出方法に関する。

圧力センサで足の荷重時系列推移を収集し、個人認証を行う技術が開示されている（例えば、特許文献１参照）。

特開２００８−２５０９９６号公報

１つの側面では、本件は、荷重位置を表現できる軸を決定可能な個人特徴抽出プログラム、個人特徴抽出装置、および個人特徴抽出方法を提供することを目的とする。

１つの態様では、個人特徴抽出プログラムは、２次元圧力センサに接触体が接してから離れるまでの間に含まれる複数のタイミングのそれぞれで該２次元圧力センサで計測された各圧力分布に基づいて、前記複数のタイミングのそれぞれに対応する重心位置を求め、求めた前記複数のタイミングのそれぞれに対応する重心位置についての近似直線または該近似直線に平行な直線を第１軸として取得し、前記複数のタイミングのそれぞれに対応する重心位置の前記第１軸上の位置を前記接触体の移動に関する特徴量として記憶部に記憶する、処理をコンピュータに実行させる。

荷重位置を表現できる軸を決定することができる。

（ａ）は実施例１に係る個人認証装置のハードウェア構成を説明するためのブロック図であり、（ｂ）は圧力センサの模式的な平面図である。 個人認証プログラムの実行によって実現される各機能のブロック図である。 解析処理の一例を表すフローチャートである。 解析処理の一例を表すフローチャートである。 （ａ）はセンサ制御部によって生成された画像であり、（ｂ）はラべリング処理によって画素にラベルが付与された状態を表している。 （ａ）〜（ｇ）は時系列で連続する足跡の一例を表す図である。 （ａ）は重畳データの作成を表す図であり、（ｂ）は重畳データを表す図である。 歩幅・速度・方向ベクトルの計測処理の結果イメージを表す図である。 重心の時系列データの作成を表す図である。 （ａ）〜（ｄ）は検出データを説明するための図である。 （ａ）および（ｂ）は、個人認証処理の一例を表す図である。 更新部による登録データの更新の一例を表す図である。 実施例２に係る個人認証装置を表す模式図である。 実施例２に係る個人認証装置を実現するためのハードウェア構成を説明するためのブロック図である。

歩行などに伴う人の動作の中で一つの足が着地してから地面を離れるまでの間の足裏にかかる荷重のデータを個人を認証するために利用するならば、荷重位置の推移を表現するための軸をどのようにとるかを、認証対象の足裏ごとに揃える必要がある。足裏を置く位置を特定せずに自由に歩いている状態の人の足裏にかかる荷重の時間的推移で個人認証をすることを考える場合、どのような向きに足裏が配置されるか不明であるため、荷重位置を表現する軸をどのようにとるかを工夫する必要があることに本発明者は気付いた。

以下、図面を参照しつつ、実施例について説明する。

図１（ａ）は、実施例１に係る個人認証装置１００のハードウェア構成を説明するためのブロック図である。図１（ｂ）は、圧力センサ１０５の模式的な平面図である。図１（ａ）を参照して、個人認証装置１００は、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３、通信装置１０６、圧力センサインタフェース装置１０７などを備える。なお、個人認証装置１００は、表示装置１０４を備える場合もある。これらの各機器は、バスなどによって接続されている。圧力センサインタフェース装置１０７は、個人認証装置１００と、圧力センサ１０５とを接続する。圧力センサ１０５は、個人認証装置１００とは距離的に離れた場所に敷設されても構わない。その場合は、圧力センサ１０５と圧力センサインタフェース装置１０７との間を、無線通信により接続することも考えられる。

ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１は、中央演算処理装置である。ＣＰＵ１０１は、１以上のコアを含む。ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０２は、ＣＰＵ１０１が実行するプログラム、ＣＰＵ１０１が処理するデータなどを一時的に記憶する揮発性メモリである。

記憶装置１０３は、不揮発性記憶装置である。記憶装置１０３として、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリなどのソリッド・ステート・ドライブ（ＳＳＤ）、ハードディスクドライブに駆動されるハードディスクなどを用いることができる。本実施例に係る個人認証プログラムは、記憶装置１０３に記憶されている。表示装置１０４は、液晶ディスプレイ、エレクトロルミネッセンスパネル等であり、個人認証装置１００による処理の結果などを表示する場合もある。

図１（ｂ）を参照して、圧力センサ１０５は、利用者の足裏に加わる荷重を検出する平面状のセンサ面を有する２次元圧力センサである。例えば、圧力センサ１０５は、センサ面に複数の圧電素子などを備えている。圧力センサ１０５において、荷重が加えられている領域が当該荷重に応じた大きさの電圧を出力する。それにより、圧力センサ１０５は、センサ面において、荷重が加えられている領域と、当該荷重の大きさを検出することができる。圧力センサ１０５の大きさとしては、人が数歩以上歩ける程度の面積があることが望ましい。

記憶装置１０３に記憶されている個人認証プログラムは、実行可能にＲＡＭ１０２に展開される。ＣＰＵ１０１は、ＲＡＭ１０２に展開された個人認証プログラムを実行する。それにより、各処理が実行される。図２は、個人認証プログラムの実行によって実現される各機能のブロック図である。個人認証プログラムの実行によって、ＣＰＵ１０１によりセンサ制御部１０、検出処理部２０、認証部５０、更新部６０が、また、記憶装置１０３もしくはＲＡＭ１０２により１ポイント時系列データベース３０、フットプリントフル時系列データベース４０、登録データベース７０などが実現される。

センサ制御部１０は、圧力センサ１０５の動作を制御することによって、圧力センサ１０５からサンプリングデータを受け取る。検出処理部２０は、センサ制御部１０が受け取ったサンプリングデータを用いて、解析処理などを実行する。１ポイント時系列データベース３０は、１ポイント時系列データを一時的に格納するデータベースである。１ポイント時系列データについては後述する。フットプリントフル時系列データベース４０は、フットプリントフル時系列データを一時的に格納するデータベースである。フットプリントフル時系列データについては後述する。登録データベース７０は、各ユーザに関連付けて、事前に取得した登録データを格納している。登録データについては後述する。認証部５０は、検出処理部２０が検出した検出データと、登録データベース７０に格納されている登録データとを照合することによって、個人認証処理を実行する。更新部６０は、検出処理部２０が検出した検出データを用いて、登録データベース７０に格納されている登録データを更新する。

（解析処理）
図３および図４は、解析処理の一例を表すフローチャートである。図３および図４を参照して、検出処理部２０は、圧力センサ１０５からセンサ制御部１０が受け取ったサンプリングデータに対してスライス処理を行う（ステップＳ１）。まず、センサ制御部１０は、所定のサンプリング周期で圧力センサ１０５からサンプリングデータを受け取り、受け取ったサンプリングデータの２次元アレイの圧力分布を２次元アレイのメモリマップに展開する。この２次元アレイのメモリマップのデータで足裏が置かれた領域、すなわち荷重の高い領域のデータを濃色で表し、足裏が置かれていない領域、すなわち荷重の低い領域のデータを薄色で表すと、それぞれのデータが画素となり、画像のような表示が可能である。以下では、画像処理と似た処理を施すので、２次元アレイのメモリマップのデータを画像処理で用いる言葉で表すことがある。図５（ａ）は、センサ制御部１０によって生成された２次元アレイのメモリマップデータを画像として表示したイメージである。なお、センサ制御部１０は、圧力センサ１０５から受け取る各サンプリングデータに対して時刻情報、時刻順を表す情報などを付与する。

次に、検出処理部２０は、荷重が検出された位置の画素に対してラベリング処理を行う（ステップＳ２）。ラベリング処理とは、隣接した画素、すなわち、荷重が検出されたひとかたまりの領域に同一のラベルを付与する処理のことである。図５（ｂ）は、ラベリング処理によって画素にラベルが付与された状態を表している。図５（ｂ）の例では、右足のつま先部分の各画素にラベル「１」が付与され、左足のつま先部分の各画素にラベル「２」が付与され、右足のかかと部分の各画素にラベル「３」が付与され、左足のかかと部分の各画素にラベル「４」が付与されている。

次に、検出処理部２０は、孤立点除去処理を行う（ステップＳ３）。孤立点除去処理とは、同じラベルが付与された画素の数が少ない場合（しきい値以下の場合）、すなわち、ノイズデータとみなせる場合に、当該ラベルを除去する処理である。図５（ｂ）の例では、ラベル「０」が付与された画素の数が「１」であるため、当該ラベル「０」が孤立点として除去される。

次に、検出処理部２０は、グループ化処理を行う（ステップＳ４）。グループ化処理とは、１つの足裏に相当する領域であると推測される、ラベルが付与された領域をグループ化する処理のことである。図５（ｂ）の例では、ラベル「１」の領域とラベル「３」の領域とが１つのフットプリント（圧力センサ１０５で検出された足裏）としてグループ化され、ラベル「２」の領域とラベル「４」の領域とが１つのフットプリントとしてグループ化される。例えば、かかと部分の形状、つま先部分の形状、両者の距離などの基準を予め記憶しておくことによって、グループ化処理が可能となる。

次に、検出処理部２０は、位置範囲検出処理を行う（ステップＳ５）。位置範囲検出処理とは、ステップＳ４のグループ化によって得られたフットプリントの位置範囲を検出する処理である。このフットプリントの位置範囲を検出することによって、１ポイント時系列のどのタイミングであるかと、１ポイント時系列のデータを収集するとき、位置が一致しているまたは同一の位置を含んでいるかなどを検出するために用いることができる。１ポイント時系列については後述する。

次に、検出処理部２０は、重心・荷重測定処理を行う（ステップＳ６）。重心・荷重測定処理とは、ステップＳ４で得られたフットプリントにおける荷重を測定することによって、当該フットプリントにおける重心位置を特定する処理のことである。例えば、フットプリントの領域の重心を重心位置として求めてもよく、各画素に荷重に応じた重み付けを行った上で、フットプリントの領域の重心を重心位置として求めてもよい。図６（ａ）〜図６（ｇ）は、ステップＳ１〜ステップＳ６までの処理を繰りかえすことによって得られる、時系列で連続するフットプリントの一例を表す図である。この図においては、わかりやすさのために、（ａ）〜（ｇ）のいずれにも足裏全体を示す点線が描かれているが、（ａ）〜（ｇ）のタイミングのそれぞれで得られるフットプリントは、足裏全体を示す点線の中の網掛けで示した領域である。人は歩行の際に最初にかかとを地面に接触させ、つま先へと重心移動させるため、荷重および重心はかかと側からつま先側へと移動していくことになる。

図６（ａ）および図６（ｂ）の例示では、かかとに相当する領域のみ荷重が検出されている。次に、図６（ｃ）で例示するように、つま先方向へ荷重が検出される領域が広がって現れる。次に、図６（ｄ）で例示するように、荷重が検出される領域の面積が最も大きくなる。この状態をフットプリントフルと称する。次に、図６（ｅ）〜図６（ｇ）で例示するように、かかと側からつま先側へと荷重が移動していく。荷重の移動に伴って、重心もかかと側からつま先側へと移動していくことになる。このような、１つの足裏が圧力センサ１０５に着地してから離れるまでの間について、かかとからつま先へと荷重および重心が移動していく一連の動きを１ポイント時系列と称し、１ポイント時系列で得られる荷重および重心のデータ列を、１ポイント時系列データと称する。

ステップＳ６の実行後、検出処理部２０は、ステップＳ５で検出された位置範囲が１ポイント時系列の初期のものであるか否かを判定する（ステップＳ７）。ステップＳ７では、ステップＳ５で検出される位置範囲が、過去のある時間内例えば、１秒以内のデータで、初めて現れた位置範囲である場合、初期のものであると判定してもよい。ステップＳ７で「Ｙｅｓ」と判定された場合、検出処理部２０は、新規の１ポイント時系列データの作成を開始する（ステップＳ８）。次に、作成途中の１ポイント時系列データを１ポイント時系列データベース３０に格納する（ステップＳ９）。その後、ステップＳ１から再度実行される。

ステップＳ７で「Ｎｏ」と判定された場合、検出処理部２０は、１ポイント時系列が終わったか否かを判定する（ステップＳ１０）。ステップＳ１０では、ステップＳ５で検出される位置範囲が１ポイント時系列のうち例えば重心がつま先部分の所定範囲に到達した場合に、１ポイント時系列が終了したと判定してもよい。ステップＳ１０で「Ｎｏ」と判定された場合、ステップＳ８が実行され、１ポイント時系列データの作成が継続される。ステップＳ１０で「Ｙｅｓ」と判定された場合、検出処理部２０は、１ポイント時系列データベース３０に格納されている１ポイント時系列データを収集する（ステップＳ１１）。

次に、検出処理部２０は、ステップＳ１１で収集した各１ポイント時系列データからフットプリントフルを抽出する（ステップＳ１２）。フットプリントフルは、１ポイント時系列データの中で一番大きな面積、つまり、同じラベルのふられた画素数が一番大きいものである。次に、検出処理部２０は、フットプリントフル時系列データの相関処理を行う（ステップＳ１３）。ここでいうフットプリントフル時系列データとは、時間的に連続する所定の歩数のフットプリントフルの時系列データのことである。相関処理とは、対応するフットプリントフルを探索する処理、すなわち、同一人の右の足裏に相当するデータのみ、もしくは左の足裏に相当するデータのみを探索する処理のことである。図７（ａ）は、時刻Ｔ１のフットプリントフルから時刻Ｔ４のフットプリントフルまでを重畳することによって得られる重畳データの作成を表す図である。なお、時刻Ｔ１が最も早い時刻であり、時刻Ｔ２、時刻Ｔ３、時刻Ｔ４の順に間欠的に時間が連続する。例えば、時刻Ｔ１とＴ３とは右足、時刻Ｔ２とＴ４とは左足が踏み込まれたことにより生成されたフットプリントフルを示す。図７（ｂ）は、重畳データを表す図である。まず、検出処理部２０は、右足の最初の時刻のフットプリントフルＴをリファレンスとして選定する。検出処理部２０は、このリファレンスを用いて、時間的に次の、同じ足が踏み込まれることにより生成されるフットプリントフルをフットプリントフルＴ＋１として検出する。このような処理を繰り返すことによって、所定数のフットプリントフル時系列データを作成することができる。左足についても、同様の処理を行うことによって、所定数のフットプリントフル時系列データを作成することができる。

次に、検出処理部２０は、ステップＳ１３で対象としているフットプリントフルがフットプリントフル時系列の初期のものであるか否かを判定する（ステップＳ１４）。具体的には、過去のある時間内例えば、数秒以内のデータで、相関性のあるフットプリントが無い場合、初期のものであると判定してよい。ステップＳ１４で「Ｙｅｓ」と判定された場合、検出処理部２０は、新規のフットプリントフル時系列データを作成する（ステップＳ１５）。次に、検出処理部２０は、作成途中のフットプリントフル時系列データをフットプリントフル時系列データベース４０に格納する（ステップＳ１６）。その後、ステップＳ１から再度実行される。

ステップＳ１４で「Ｎｏ」と判定された場合、検出処理部２０は、フットプリントフル時系列が終わったか否かを判定する（ステップＳ１７）。具体的には、ある時間内例えば、数秒以内のデータで、新規の相関性のあるフットプリントが無い場合、終わったと判定する。ステップＳ１７で「Ｎｏ」と判定された場合、ステップＳ１６が実行され、フットプリントフル時系列データの作成が継続される。ステップＳ１７で「Ｙｅｓ」と判定された場合、検出処理部２０は、フットプリントフル時系列データベース４０からフットプリントフルの時系列データを収集する（ステップＳ１８）。

次に、検出処理部２０は、ステップ１８で収集されたフットプリントフル時系列データを用いて、歩幅・速度・歩行移動方向ベクトルの計測処理を行う（ステップＳ１９）。なお、歩行移動方向ベクトルは、この後、方向ベクトルと主に記す。図８は、歩幅・速度・方向ベクトルの計測処理の結果イメージを表す図である。図８で例示するように、時間的に連続する各右足のフットプリントフルの間隔から、歩幅を計測することができる。この歩幅と、各右足のフットプリントフルの時間間隔とから、速度を計測することができる。さらに、各右足のフットプリントフルの同一点を結ぶことによって、歩行の方向ベクトル（歩行移動方向）を計測することができる。歩幅・速度・方向ベクトルの計測に、各左足のフットプリントフルを用いてもよい。なお、同一点はフットプリントフルの重心を用いる方法などがある。

次に、検出処理部２０は、左右の足跡のペア化処理を行う（ステップＳ２０）。具体的には、検出処理部２０は、ステップＳ１９で計測された歩幅・速度・方向ベクトルに対してマッチング処理を行うことによって、左右の足跡のペアを作成する。ステップＳ２０の実行によってフローチャートの実行が終了する。

一方で、ステップＳ１１の実行後、検出処理部２０は、重心位置の時系列データを作成する（ステップＳ２１）。図９は、重心の時系列データの作成を表す図である。図９で例示するように、検出処理部２０は、ステップＳ１１で収集された１ポイント時系列データから、重心位置の時系列データとして、新たな２次元のメモリープレン上に重心位置を重畳したデータを作成する。この処理により、一つの足が圧力センサ１０５に着地してから離れるまでの間の各計測タイミングでそれぞれ採取された重心位置が、同一の２次元メモリープレン上にマッピングされることになる。なお、フットプリントが採取されるごとに重心位置を求めれば、結果的に重心位置が時系列のデータとして生成されることになるが、重心位置は時系列のデータになっていなくてもよい。一つの足が圧力センサ１０５に接してから離れるまでの間の複数のタイミングで採取された、それぞれのフットプリントにおける重心位置が、同一の２次元メモリープレン上にマッピングされればよい。以後の説明において、一つの足が圧力センサ１０５に接してから離れるまでの間の複数のタイミングで採取された、それぞれのフットプリントにおける重心位置の集合を、（時系列であるかどうかの意味を含まずに）重心位置の時系列データと記載する場合がある。

次に、検出処理部２０は、ステップＳ２１で得られた重心位置の時系列データから、足方向を作成する（ステップＳ２２）。図１０（ａ）は、ステップＳ２１で得られた複数の重心位置を、同じ足裏相当の領域に重畳してマッピングした例を表す図である。図１０（ｂ）で例示するように、これら複数の重心位置に対して直線フィッティングをすることによって、近似直線が得られる。この近似直線と、歩行の方向ベクトルとがなす角度θを、足方向として取得することができる。

次に、検出処理部２０は、重心位置の時系列データから、総合重心位置を求めることによって、重心位置の時系列データの座標の正規化を行う（ステップＳ２３）。総合重心位置とは、複数の重心位置の重心位置のことである。まず、検出処理部２０は、図１０（ｃ）で例示するように、各重心位置の座標を特定する。次に、検出処理部２０は、総合重心位置を取得する。例えば、総合重心位置は、下記式で求めることができる。なお、時系列データは、０番目のデータからｎ−１番目のデータまでのｎ個とし、時系列におけるｉ番目のデータの荷重をＷ_ｉとし、ｉ番目のデータの重心位置座標を（ｘ_ｉ，ｙ_ｉ） とする。この時系列における総合重心位置Ｃ_ａｌｌは、（ｘ_ａｌｌ，ｙ_ａｌｌ，Ｗ_ａｌｌ）と表される。

図１０（ｄ）で例示するように、上記近似直線と平行で総合重心位置Ｃ_ａｌlを通る線を第１軸とする。図１０（ｄ）の第１軸は、図１０（ｂ）の直線フィッティングで求めた直線を平行移動させた直線である。第１軸と直交し、総合重心位置Ｃ_ａｌlを通る線を第２軸とする。検出処理部２０は、これら２軸によって表現される平面座標にプロットされた重心位置の時系列データの座標を取得する。ここで取得された各座標を、正規化重心位置の時系列データと称する。なお、第１軸および第２軸は、必ずしも総合重心位置Ｃ_ａｌlで直交する必要はない。第１軸および第２軸の少なくともいずれか一方を平行移動させることによって得られる座標を用いてもよい。例えば、上記近似直線を第１軸として用いてもよい。

（個人認証処理）
図１１（ａ）は、個人認証処理の一例を表すフローチャートである。図１１（ｂ）で例示するように、認証部５０は、解析処理によって得られた検出データ（歩幅、速度、足方向、および正規化重心位置の時系列データ）と、登録データベース７０に格納されている登録データ（歩幅、速度、足方向、および正規化重心位置の時系列データ）とを照合する（ステップＳ３１）。照合とは、２つのデータの一致度合を取得する処理のことである。具体的には、認証部５０は、検出データに含まれる正規化重心位置の時系列データと、登録データに含まれる正規化重心位置の時系列データとの相関値がしきい値以上となるユーザを検索する。また、認証部５０は、検出データに含まれる歩幅、速度、および足方向と、登録データに含まれる歩幅、速度、および足方向との絶対値差がしきい値以下となるユーザを検索する。認証部５０は、少なくとも上記相関値がしきい値以上となるユーザが、検出対象のユーザであると特定する。この特定の際に、足方向、歩幅および速度の絶対値差の少なくともいずれかを反映させることによって、照合精度を向上させてもよい。

次に、更新部６０は、ステップＳ３１で照合が成功した場合に、当該検出データを用いて、登録データの更新を行う（ステップＳ３２）。次に、認証部５０は、ステップＳ３１の照合処理の結果を出力する（ステップＳ３３）。例えば、表示装置１０４は、ステップＳ３３で出力された結果を表示する。または、照合処理結果をその結果が欲しい機械に送信する。例えば、圧力センサ１０５を、ＡＴＭの前に敷設した場合、ＡＴＭを利用しようとしてＡＴＭに近づいた人の個人認証を行うことが考えられる。その場合は、個人認証装置１００により算出された照合処理の結果を、ＡＴＭへ送信してもよい。このようにすれば、ＡＴＭは、例えば個人認証用のカードなどを携帯しない利用者に対しても、照合の結果として正規の利用者であることがわかれば、利用を許可することができる。

図１２は、更新部６０による登録データの更新の一例を表す図である。図１２で例示するように、更新部６０は、登録データＭ^Ｔ−１に対して、同一人物の検出データＷ^Ｔを用いて移動平均を算出することによって、更新データを作成する。例えば、０＜β＜１とした場合に、更新データＭ^Ｔ＝βＭ^Ｔ−1＋（１−β）Ｗ^Ｔとしてもよい。ここで、データＭおよびデータＷは、歩幅、速度、足方向、および正規化重心位置の時系列データの少なくともいずれかである。

本実施例では、一の足が圧力センサ１０５上に着地してから離れるまでの間に複数のタイミングでそれぞれ採取された重心位置に対して直線フィッティングをすることによって得られる近似直線または該近似直線と平行な直線を第１軸とし、重心位置の該第１軸上の位置を該足の移動に関する特徴量として記憶している。この構成によれば、荷重位置を表現できる軸を決定することができる。この特徴量を用いることによって、足裏が置かれる位置が任意の位置であっても、一の足裏に相当する領域における重心移動の一致不一致を判断することができる。第１軸と直交する直線を第２軸と定めることによって、認証対象の足裏ごとに重心位置座標を正規化することができる。この場合、照合精度が向上する。第１軸と第２軸とが直交する点を総合重心位置と定めてもよい。また、歩行の方向ベクトルと第１軸または第２軸とがなす角度を足方向として検出し、特徴量に含めてもよい。この場合、照合精度が向上する。また、照合に歩幅および速度の少なくともいずれか一方を特徴量に含めてもよい。この場合、照合精度をさらに向上させることができる。

実施例１では、１つの装置で個人認証装置を実現したが、それに限られない。例えば、圧力センサを備える端末と、データを蓄積するためのサーバとを通信網を用いて接続することによって、個人認証装置を実現してもよい。図１３は、実施例２に係る個人認証装置を表す模式図である。図１３で例示するように、検知端末２００ａとサーバ３００とが通信網によって接続され、検知端末２００ｂとサーバ３００とが通信網によって接続されている。検知端末２００ａ，２００ｂは、圧力センサ１０５、センサ制御部１０、検出処理部２０、通信装置１０６などを備える。１ポイント時系列データベース３０およびフットプリントフル時系列データベース４０は、検知端末２００ａ，２００ｂに備わっていてもよく、サーバ３００に備わっていてもよい。認証部５０、更新部６０および登録データベース７０は、サーバ３００に備わっている。

図１４は、実施例２に係る個人認証装置を実現するためのハードウェア構成を説明するためのブロック図である。図１４で例示するように、検知端末２００ａは、ＣＰＵ、ＲＡＭ、記憶装置、表示装置、圧力センサ、通信装置などを備える。検知端末２００ｂは、ＣＰＵ、ＲＡＭ、記憶装置、表示装置、圧力センサ、通信装置などを備える。サーバ３００は、ＣＰＵ、ＲＡＭ、記憶装置、表示装置、通信装置などを備える。個人認証プログラムは、いずれか１以上の装置内に記憶され、各装置で実行される。

このような構成とすることで、登録データの作成用の検知端末と、検出データを検出するための検知端末とを別に設けることができる。例えば、登録データの作成用の検知端末を家庭の玄関などに設置し、検出データを検出するための検知端末を街中などに設置してもよい。この場合、単に玄関から出かけるだけで登録データを作成することができるため、センサアクセスの煩わしさがなく、自然に認証が行われる。

上記各実施例において、検出処理部２０は、２次元圧力センサに接触体が接してから離れるまでの間に含まれる複数のタイミングのそれぞれで該２次元圧力センサで計測された各圧力分布に基づいて、前記複数のタイミングのそれぞれに対応する重心位置を特定する特定部として機能する。また、検出処理部２０は、特定された前記複数のタイミングのそれぞれに対応する重心位置についての近似直線または該近似直線に平行な直線を第１軸として取得する取得部として機能する。また、登録データベース７０は、複数のタイミングのそれぞれに対応する重心位置の第１軸上の位置を接触体の移動に関する特徴量として記憶する記憶部として機能する。

以上、本発明の実施例について詳述したが、本発明は係る特定の実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１０ センサ制御部
２０ 検出処理部
３０ １ポイント時系列データベース
４０ フットプリントフル時系列データベース
５０ 認証部
６０ 更新部
７０ 登録データベース
１００ 個人認証装置
１０５ 圧力センサ

Claims (9)

1. ２次元圧力センサに接触体が接してから離れるまでの間に含まれる複数のタイミングのそれぞれで該２次元圧力センサで計測された各圧力分布に基づいて、前記複数のタイミングのそれぞれに対応する重心位置を求め、
   求めた前記複数のタイミングのそれぞれに対応する重心位置についての近似直線または該近似直線に平行な直線を第１軸として取得し、
   前記複数のタイミングのそれぞれに対応する重心位置の前記第１軸上の位置を前記接触体の移動に関する特徴量として記憶部に記憶する、
   処理をコンピュータに実行させることを特徴とする個人特徴抽出プログラム。
2. 前記コンピュータに、
   前記第１軸に直交する直線を第２軸とし、前記第１軸と前記第２軸とによって表現される平面上における前記複数のタイミングのそれぞれに対応する重心位置の座標を前記接触体の移動に関する前記特徴量として前記記憶部に記憶する処理を実行させることを特徴とする請求項１記載の個人特徴抽出プログラム。
3. 前記第１軸と前記第２軸とは、前記複数のタイミングのそれぞれに対応する重心位置の重心位置で直交することを特徴とする請求項２記載の個人特徴抽出プログラム。
4. 前記接触体は、人の足裏であって、
   前記コンピュータに、
   人が歩行することに伴い前記２次元圧力センサ上に該人の足が接してから離れる動作が繰り返されることにより計測された移動方向と、前記第１軸とがなす角度を前記特徴量として記録する処理を実行させることを特徴とする請求項１〜３のいずれか一項に記載の個人特徴抽出プログラム。
5. 前記接触体は、人の足裏であって、
   前記コンピュータに、
   人が歩行することに伴い前記２次元圧力センサ上に該人の足が接してから離れる動作が繰り返されることにより計測された移動方向と、前記第１軸もしくは前記第２軸とがなす角度を前記特徴量として記録する処理を実行させることを特徴とする請求項２または３記載の個人特徴抽出プログラム。
6. 前記接触体は、人の足裏であって、
   前記コンピュータに、
   人が歩行することに伴い前記２次元圧力センサ上に該人の足が接してから離れる動作が繰り返されることにより計測された歩幅および歩行速度の少なくともいずれか一方を前記特徴量として記録する処理を実行させることを特徴とする請求項１〜５のいずれか一項に記載の個人特徴抽出プログラム。
7. 前記コンピュータに、
   第１の物体に対する前記特徴量と、第２の物体に対する前記特徴量との一致度合に基づいて、前記第１の物体に対応する人と前記第２の物体に対応する人とが同一人物であるか否かを判定する処理を実行させることを特徴とする請求項１〜６のいずれか一項に記載の個人特徴抽出プログラム。
8. ２次元圧力センサに接触体が接してから離れるまでの間に含まれる複数のタイミングのそれぞれで該２次元圧力センサで計測された各圧力分布に基づいて、前記複数のタイミングのそれぞれに対応する重心位置を特定部と、
   前記特定部によって特定された前記複数のタイミングのそれぞれに対応する重心位置についての近似直線または該近似直線に平行な直線を第１軸として取得する取得部と、
   前記複数のタイミングのそれぞれに対応する重心位置の前記第１軸上の位置を前記接触体の移動に関する特徴量として記憶する記憶部と、を備えることを特徴とする個人特徴抽出装置。
9. ２次元圧力センサに接触体が接してから離れるまでの間に含まれる複数のタイミングのそれぞれで該２次元圧力センサで計測された各圧力分布に基づいて、前記複数のタイミングのそれぞれに対応する重心位置を求め、
   求めた前記複数のタイミングのそれぞれに対応する重心位置についての近似直線または該近似直線に平行な直線を第１軸として取得し、
   前記複数のタイミングのそれぞれに対応する重心位置の前記第１軸上の位置を前記接触体の移動に関する特徴量として記憶部に記憶する、ことを特徴とする個人特徴抽出方法。

Images