JP2015114261A - 対象物検出装置、対象物検出方法およびプログラム - Google Patents

Abstract

【課題】 少ない計算量で対象物を検出することができる、対象物検出装置を提供する。
【解決手段】 対象物検出装置１は、レーザレーダ１０から、スキャニング角度の異なる複数のスキャンラインデータを取得するスキャンラインデータ取得部１０１と、各スキャンラインデータを分割してセグメントを生成するセグメント生成部１０２と、特徴量モデルを参照して、セグメントに対しレイヤインデックスを付与するレイヤインデックス付与部１０３と、セグメントを統合して、対象物候補を生成する対象物候補生成部１０５と、レイヤインデックス及びセグメントの高さデータに基づいて、対象物候補に含まれるセグメントの高さ分布と高さ分布モデルとの一致度を算出し、当該一致度に基づいて、対象物候補が対象物であるか否かを判定する判定部１０６とを備えている。
【選択図】 図１

Description

本発明は、レーザレーダに対する反射点からなるスキャンラインデータを用いて対象物を検出する対象物検出装置に関するものである。

近年、レーザレーダを利用して、車両周辺の歩行者を検出する装置が開発されている。このようなレーザレーダを用いた歩行者検出では、レーザレーダに対する物体からの多数の反射点を、何らかの手法によりグループ化して歩行者候補として構成した上で、各歩行者候補に含まれる反射点の３次元座標データを用いて、各歩行者候補が歩行者であるか否かを識別している。例えば、特許文献１には、反射点の３次元座標位置に基づいて各点を３次元空間に投影して、点間距離が所定値未満の点をグループ化する。そして、各グループを複数のブロックに分割した場合の分割面における、反射点群の分散を算出し、その特徴量に基づいて、各グループが歩行者であるか否かを判定する技術が記載されている。

また、特許文献２には、反射点の３次元位置に基づきクラスタリングし、クラスタリングされた点群ごとに、３次元の重心位置からの速度ベクトルを算出する。そして、速度ベクトルの方向に対する反射点群の移動方向の分散値等の分布情報に基づいて、クラスタリングされた点群が歩行者か否かを判定する技術が記載されている。

特開２０１２−２２１４５６号公報 特開２０１２−１４５４４４号公報

しかしながら、従来技術のように、歩行者候補が歩行者であるか否かを判定する際に、歩行者候補に含まれる反射点の３次元座標データを用いて反射点の分布情報等を算出するためには、大量の計算を行わなければならず、高速な歩行者検出処理の妨げとなっていた。

本発明は、上記の問題に鑑みてなされたものであり、少ない計算量で歩行者等の対象物を検出することができる、対象物検出装置を提供することを目的とする。

本発明の対象物検出装置は、水平面に対して異なる複数の角度でスキャニングを行うレーザレーダにより得られる反射点からなるスキャンラインデータを用いて対象物を検出する対象物検出装置であって、前記レーザレーダから、スキャニング角度の異なる複数のスキャンラインデータを取得するスキャンラインデータ取得部と、前記各スキャンラインデータを分割してセグメントを生成するセグメント生成部と、対象物からの反射点からなるセグメントである正解セグメントの特徴量と、当該正解セグメントが対応する高さによって定まるレイヤを示すレイヤインデックスとを関連付けて記憶した特徴量モデル記憶部と、前記特徴量モデル記憶部に記憶されたデータを参照して、前記セグメント生成部にて生成されたセグメントに、当該セグメントの特徴量に基づいて前記レイヤインデックスを付与するレイヤインデックス付与部と、前記セグメント生成部にて生成された１以上のセグメントを、前記セグメントに含まれる反射点のＸ座標データ及びＹ座標データに基づいて統合し、対象物候補を生成する対象物候補生成部と、複数の前記正解セグメントの高さデータの分布を、当該セグメントに関連付けられたレイヤインデックスの高さ分布モデルとして記憶した高さ分布モデル記憶部と、前記レイヤインデックス及び前記セグメントの高さデータに基づいて、前記対象物候補に含まれるセグメントの高さ分布と、前記高さ分布モデル記憶部に記憶された高さ分布モデルとの一致度を算出し、当該一致度に基づいて、前記対象物候補が対象物であるか否かを判定する判定部と、を備えた構成を有している。

この構成によれば、スキャンラインデータから正解セグメント（すなわち、検出対象物からの反射点で構成されるセグメント）に対応するセグメントを検出し、正解セグメントが対応する高さによって定まるレイヤを示すレイヤインデックスが付与される。また、各反射点に付与されている３次元データのうち、高さ方向のデータを除く、Ｘ座標データ及びＹ座標データに基づいて、ＸＹ平面上で距離が近いセグメントをグループ化して対象物候補を生成する。そして、対象物候補に含まれる複数のセグメントの高さ分布と、正解セグメント群のレイヤインデックス別の高さ分布モデルとのマッチングにより、対象物であるか否かの判定が行われる。このように、セグメントに対して付与したレイヤインデックスとセグメントの高さデータを用いて、対象物であるか否かの判定を行うことにより、対象物検出のための計算負荷を低減させ、高速な処理を実現することができる。また、特に、対象物が歩行者や人である場合、対象物に由来するセグメント群の高さデータの分布には、レイヤごとに特徴が現れるので、正解セグメント群の高さ分布モデルとの一致度に基づいて対象物であるか否かの判定を行うことで、計算負荷を低減させつつ、精度よく対象物の検出を行うことができる。

本発明の対象物検出装置において、複数の前記正解セグメントに対応するレイヤインデックスの出現頻度のモデルを記憶したレイヤインデックス出現頻度モデル記憶部をさらに備え、前記判定部は、前記対象物候補に含まれるセグメントに付与された前記レイヤインデックスの出現頻度と前記レイヤインデックス出現頻度モデル記憶部に記憶されたレイヤインデックスの出現頻度のモデルとの一致度及び前記高さ分布モデルとの一致度に基づいて、前記対象物候補が対象物であるか否かを判定してよい。

この構成によれば、高さ分布モデルとの一致度に加えて、正解セグメント群のレイヤインデックスの出現頻度モデルとの一致度に基づいて、対象物候補が対象物であるか否かが判定される。歩行者等の対象物に由来するセグメント群は、セグメント群ごとに各レイヤインデックスの出現頻度に所定の傾向が現れる。また、このレイヤインデックスの出現頻度モデルとの一致度も、反射点の３次元座標データを用いずに、付与されたレイヤインデックスの出現頻度に基づいて算出することができる。したがって、計算負荷を抑制しつつ、さらに精度よく対象物検出を行うことができる。

本発明の対象物検出装置において、前記高さ分布モデルは、前記正解セグメントの高さデータを観測値、前記レイヤインデックスが示すレイヤをパラメータとする統計モデルであって、前記判定部は、前記対象物候補に含まれるセグメントの高さデータが、各セグメントに付与された前記レイヤインデックスが示す前記レイヤに出現する尤度の和を算出し、少なくとも１つの前記レイヤについての前記尤度の和に基づいて、前記高さ分布モデルとの一致度を算出してよい。

この構成によれば、セグメントの高さデータとレイヤインデックスのみに基づいて、高さ分布モデルとの一致度を精度よく評価することができる。したがって、負荷の小さい計算によっても、精度よく対象物検出を行うことができる。

本発明の対象物検出装置において、前記判定部は、前記レイヤインデックス付与部にてレイヤインデックスを付与された第１のセグメントの高さデータ及び前記レイヤインデックス付与部にてレイヤインデックスを付与されなかった第２のセグメントの高さデータが少なくともいずれか１つの前記レイヤに出現する尤度の和を算出し、前記高さ分布モデルとの一致度は、前記第２のセグメントの高さデータの前記尤度の和が大きくなるほど、低くなってよい。

この構成によれば、レイヤインデックス付与部にて、対象物に由来するセグメントであると判断されなかったためにレイヤインデックスを付与されなかったセグメント（非対象物由来セグメント）の尤度の和も、高さ分布モデルとの一致度に反映される。そして、非対象物由来セグメントの尤度の和が大きくなるほど、一致度は小さくなり、対象物でないと判定されることになる。このように、非対象物由来のセグメントの存在を考慮して一致度を算出することで、より精度よく対象物検出を行うことができる。具体的には、例えば、対象物が歩行者であって、ある物体が、人体の一部と形状が似ているために、対象物由来のセグメントと判断されたセグメントの尤度の和が高くなった場合でも、非対象物由来のセグメントの尤度の和も反映した一致度が算出されるので、誤検出を防止することができる。

本発明の対象物検出装置において、前記レイヤインデックス出現頻度モデルとの一致度は、ヒストグラム距離であってよい。

この構成によれば、レイヤインデックスの出現頻度モデルとの一致度を客観的に、また、簡易な計算で精度よく評価することができる。したがって、負荷の小さい計算によっても、精度よく対象物検出を行うことができる。

本発明の対象物検出装置において、前記レーザレーダから前記対象物候補までの距離に応じて検出閾値を決定する検出閾値決定部をさらに備え、前記判定部は、前記高さ分布モデルとの一致度が、前記検出閾値決定部にて決定された検出閾値を超える場合に前記対象物候補が対象物であると判定してよい。

この構成によれば、レーザレーダから対象物候補までの距離に応じて、対象物であるか否かの判定に用いられる検出閾値が決定される。したがって、例えば、対象物候補がレーザレーダから離れた位置にある場合、検出閾値を小さく決定することで、対象物候補がレーザレーダから離れた位置にあっても、精度よく対象物検出を行うことができる。

本発明の対象物検出装置において、前記レーザレーダから前記対象物候補までの距離に応じて検出閾値を決定する検出閾値決定部をさらに備え、前記判定部は、前記高さ分布モデルとの一致度と前記レイヤインデックス出現頻度モデルとの一致度との積が、前記検出閾値決定部にて決定された検出閾値を超える場合に前記対象物候補が対象物であると判定してよい。

この構成によれば、レーザレーダから対象物候補までの距離に応じて、対象物であるか否かの判定に用いられる検出閾値が決定される。したがって、例えば、対象物候補がレーザレーダから離れた位置にある場合、検出閾値を小さく決定することで、対象物候補がレーザレーダから離れた位置にあっても、精度よく対象物検出を行うことができる。

本発明の対象物検出装置において、前記セグメント生成部にて生成されたセグメントのうち、前記レイヤインデックス付与部にて前記特徴量モデルと照合されるセグメントを抽出するセグメント抽出部をさらに備え、前記セグメント抽出部は、各セグメントを構成する反射点の数データ、各セグメントの高さデータ、各セグメントの長さデータ、各セグメントの前記レーザレーダからの距離データのうち、少なくとも１つ以上のデータに基づいて、セグメントを抽出してよい。

この構成によれば、各セグメントを構成する反射点の数データ、各セグメントの高さデータ、各セグメントの長さデータ、各セグメントの前記レーザレーダからの距離データのうちの少なくともいずれかに基づいて、レイヤインデックス付与部に出力されるセグメントが絞り込まれる。したがって、特徴量モデルとのマッチングに要する計算量を低減させ、対象物検出処理の高速化を図ることができる。

本発明の対象物検出装置において、前記セグメント抽出部は、前記セグメントに含まれる反射点のＸ座標データ及びＹ座標データに基づいて前記セグメントのクラスタリングを行い、所定数以上の前記セグメントが含まれるクラスタに属する前記セグメントを抽出してよい。

この構成によれば、所定数以上のセグメントが含まれるクラスタに属するセグメントのみが、レイヤインデックス付与部に出力される。したがって、特徴量モデルとのマッチングに要する計算量を低減させ、対象物検出処理の高速化を図ることができる。

本発明の対象物検出方法は、水平面に対して異なる複数の角度でスキャニングを行うレーザレーダにより得られる反射点からなるスキャンラインデータを用いて対象物を検出する方法であって、前記レーザレーダから、スキャニング角度の異なる複数のスキャンラインデータを取得するステップと、前記各スキャンラインデータを分割してセグメントを生成するステップと、対象物からの反射点からなるセグメントである正解セグメントの特徴量と、当該正解セグメントが対応する高さによって定まるレイヤを示すレイヤインデックスとが関連付けられた特徴量モデルを参照して、生成された前記セグメントに、当該セグメントの特徴量に基づいて前記レイヤインデックスを付与するステップと、生成された前記１以上のセグメントを、前記セグメントに含まれる反射点のＸ座標データ及びＹ座標データに基づいて統合し、対象物候補を生成するステップと、複数の前記正解セグメントの高さデータの分布を、当該セグメントに関連付けられたレイヤインデックスと対応付けた高さ分布モデルを参照し、前記レイヤインデックス及び前記セグメントの高さデータに基づいて、前記対象物候補に含まれるセグメントの高さ分布と前記高さ分布モデルとの一致度を算出し、当該一致度に基づいて、前記対象物候補が対象物であるか否かを判定するステップとを備える。

本発明のプログラムは、水平面に対して異なる複数の角度でスキャニングを行うレーザレーダにより得られる反射点からなるスキャンラインデータを用いて対象物を検出するためのプログラムであって、コンピュータに、前記レーザレーダから、スキャニング角度の異なる複数のスキャンラインデータを取得するステップと、前記各スキャンラインデータを分割してセグメントを生成するステップと、対象物からの反射点からなるセグメントである正解セグメントの特徴量と、当該正解セグメントが対応する高さによって定まるレイヤを示すレイヤインデックスとが関連付けられた特徴量モデルを参照して、生成された前記セグメントに、当該セグメントの特徴量に基づいて前記レイヤインデックスを付与するステップと、生成された１以上の前記セグメントを、前記セグメントに含まれる反射点のＸ座標データ及びＹ座標データに基づいて統合し、対象物候補を生成するステップと、複数の前記正解セグメントの高さデータの分布を、当該セグメントに関連付けられたレイヤインデックスと対応付けた高さ分布モデルを参照し、前記レイヤインデックス及び前記セグメントの高さデータに基づいて、前記対象物候補に含まれるセグメントの高さ分布と前記高さ分布モデルとの一致度を算出し、当該一致度に基づいて、前記対象物候補が対象物であるか否かを判定するステップとを実行させる。

本発明によれば、セグメントのレイヤインデックスとセグメントの高さデータを用いて、対象物候補であるセグメント群について、対象物であるか否かの判定を行うので、対象物検出のための計算負荷を低減させることができる。

本発明の第１の実施の形態における対象物検出装置の構成を示すブロック図 １つのスキャンラインから生成されたセグメントの例を示す図 全スキャンラインから生成されたセグメント群の例を示す図 セグメントとレイヤインデックスとの対応関係の例を示す図 （ａ）高さ分布モデルの例を示す図 （ｂ）レイヤインデックス出現頻度モデルの例を示す図 （ａ）歩行者候補に含まれるセグメントの例を示す図 （ｂ）高さ分布モデルとの一致度スコアの概念について説明するための図 本発明の第１の実施の形態の対象物検出装置の動作フロー図 本発明の第２の実施の形態の対象物検出装置の構成を示すブロック図 レーザレーダからの距離とスキャンラインとの関係を説明するための図 本発明の第２の実施の形態の対象物検出装置の動作フロー図 本発明の第３の実施の形態の対象物検出装置の構成を示すブロック図 本発明の第３の実施の形態の対象物検出装置の動作フロー図 セグメント抽出処理により抽出されたセグメントの例を示す図

以下、本発明の実施の形態の対象物検出装置について、図面を参照しながら説明する。以下の実施の形態では、検出する対象物が歩行者である場合について説明する。

［第１の実施の形態］
（対象物検出装置の構成）
図１は、本発明の実施の形態の対象物検出装置１の構成を示す図である。対象物検出装置１は、レーザレーダ１０に接続されている。レーザレーダ１０は、水平面に対して照射角度の異なる複数のレーザを、ヨー軸周りに３６０度回転させ、物体からの反射点で構成されるスキャンラインデータを対象物検出装置１に出力する。

対象物検出装置１は、スキャンラインデータ取得部１０１と、セグメント生成部１０２と、レイヤインデックス付与部１０３と、特徴量モデル記憶部１０４と、対象物候補生成部１０５と、判定部１０６と、高さ分布モデル記憶部１０７と、レイヤインデックス出現頻度モデル記憶部１０８と、判定結果出力部１０９とを有している。

スキャンラインデータ取得部１０１は、レーザレーダ１０から出力されたスキャンラインデータを取得し、セグメント生成部１０２に出力する。上述のように、レーザレーダ１０は、水平面に対して照射角度の異なる複数のレーザを回転させて反射点を得るので、スキャンラインデータ取得部１０１は、高さ方向にスキャニング角度の異なる複数のスキャンラインを取得する。セグメント生成部１０２は、１つのスキャンラインデータから複数のセグメントを生成する。セグメントとは、１つのスキャンラインデータを構成する反射点の集合であり、各セグメントは、１つの物体に対応するとみることができる。セグメント生成部１０２は、スキャンライン取得部１０１にて取得された全てのスキャンラインについて、セグメント生成を行う。なお、取得したスキャンラインデータには、Ｘ座標データ、Ｙ座標データ、Ｚ座標データの３次元座標データが付与されており、このうち、Ｚ座標データは、水平面からの高さ方向に対応する座標データである。

図２は、スキャンラインデータ取得部１０１にて取得された１つのスキャンラインから生成されたセグメントの例を示す図である。レーザレーダによって取得されるのは、物体からの反射点であるが、このような反射点は、その物体の形状に沿って線状の密な反射点群を構成する。したがって、１つのスキャンラインにおいて、隣接する反射点間の距離が大きい場合、それらの２つの反射点は、別の物体からの反射点であるとみることができる。そこで、本実施の形態では、セグメント生成部１０２は、隣接する反射点間の距離が所定値を超えるか否かを基準としてクラスタリングを行い、セグメントを生成する。図２の例では、「ＳｅｇＡ」ないし「ＳｅｇＥ」で示される反射点群の各々が、１つのセグメントに対応する。図３は、セグメント生成部１０２により、レーザレーダから取得した全スキャンラインについて、生成されたセグメント群の例を示す図である。

図１に戻り、特徴量モデル記憶部１０３は、歩行者からの反射点からなるセグメントの形状に関する特徴量をレイヤに対応付けた特徴量モデルを記憶する。上述のように、物体からの反射点は、物体の形状に沿った反射点群を構成する。したがって、歩行者からの反射点で構成されるセグメントは、歩行者に特有の形状を有する。ただし、歩行者に由来するセグメントの形状は、人体パーツ（頭部、胴体、脚部等）によって大きく異なる。そこで、本実施の形態では、人体を路面からの高さで４つのレイヤに分けて、レイヤごとに、歩行者に対応するセグメント形状の特徴量をモデルとして記憶する。セグメント形状の特徴量とは、例えば、セグメントの２つの端点間の距離や、セグメント曲線の平均曲率等である。

レイヤインデックス付与部１０４は、セグメント生成部１０２にて生成された各セグメントの形状に関する特徴量を抽出し、特徴量モデル記憶部１０４に記憶される特徴量モデルとのマッチングを行い、各セグメントにレイヤインデックスを付与する。レイヤインデックスとは、当該セグメントがどのレイヤに属するかを示すメタデータである。特徴量モデルとのマッチングは、例えば、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）等の手法を用いて行うことが可能である。ＳＶＭによってパターンマッチングを行う場合には、各セグメントをレイヤ１から４に対応する４つのＳＶＭ識別器にかける。そして、マッチングスコアが最も高かった識別器に対応するレイヤを示すレイヤインデックスを、そのセグメントに付与する。また、全てのレイヤについて、所定閾値以下のスコアしか算出されなかったセグメントには、歩行者由来のセグメントでないことを示すメタデータがレイヤインデックスの代わりに付与される。

図４は、セグメント生成部１０２にて生成されたセグメントと、レイヤインデックス付与部１０４にて付与されたレイヤインデックスとの対応関係の例を示す図である。図４において、「Ｓｅｇ１」は、歩行者Ｐのレイヤ１に対応する部分からの反射点で構成されるセグメント、「Ｓｅｇ２」は、歩行者Ｐのレイヤ２に対応する部分からの反射点で構成されるセグメントである。また、「Ｓｅｇ３」は、物体Ｏからの反射点で構成されるセグメントである。レイヤインデックス付与部１０３におけるパターンマッチングにより、「Ｓｅｇ１」及び「Ｓｅｇ２」には、それぞれ、「レイヤ１」、「レイヤ２」のレイヤインデックスが付与される。これに対し、「Ｓｅｇ３」は、どの人体レイヤにも属しないと判断され、人体でないことを示すメタデータが付与される。

再び図１に戻り、対象物候補生成部１０５は、セグメント生成部１０２にて生成されたセグメントを構成する反射点のＸ座標及びＹ座標を用いたクラスタリングにより、複数のセグメントを統合して、１つの対象物候補を生成する。なお、本実施の形態においては、路面がほぼ平坦であり、レーザレーダは路面に対して水平に位置するものと仮定している。レイヤインデックス付与部１０４においては、１つのスキャンラインを構成するセグメントが歩行者に由来するか否かを個別に判断しており、セグメント相互の関係性は考慮されていない。言い換えれば、１つのスキャンラインごとに断片的な歩行者の検出を独立に行っているに過ぎない。したがって、精度よく歩行者の検出を行うためには、同一物体に由来すると考えられる、高さ方向に異なる複数のセグメントを全体として１つの検出対象として関連付け、それが歩行者であるか否かを判定することが必要である。そこで、対象物候補生成部１０５は、高さ方向に異なる複数のセグメントを統合して１つの対象物検出候補を生成する。本実施の形態では、対象物候補生成部１０５は、各セグメントの重心に当たる反射点のＸ座標及びＹ座標を用いて（つまり、Ｚ座標を無視して）２次元クラスタリングを行い、同一クラスタに属する複数のセグメントを１つの対象物候補とする。

判定部１０６は、高さ分布モデル記憶部１０７に記憶される高さ分布モデルと、レイヤインデックス出現頻度モデル記憶部１０８に記憶されるレイヤインデックス出現頻度モデルを参照して、対象物候補生成部１０５にて生成された各対象物候補が対象物であるか否かを、検出スコアに基づいて判定する。検出スコアとは、これらのモデルとの一致度を示すスコアに基づいて算出される、対象物検出の基準となるスコアである。判定結果出力部１０９は、判定部１０６の判定結果を、図示しない表示装置等に出力する。

図５（ａ）は、高さ分布モデル記憶部１０７に記憶される高さ分布モデルの例を示す図である。高さ分布モデルとは、学習により生成される、対象物からの反射点で構成されるセグメント（正解セグメント）の高さデータの各レイヤにおける分布を示すモデル、すなわち、高さデータを観測値、レイヤインデックスが示すレイヤをパラメータとする統計モデルである。したがって、学習の際には、レイヤインデックス付与部１０４と同様の手法により、各正解セグメントにレイヤインデックスを対応付けることが必要となる。なお、同一セグメントを構成する反射点の高さデータは相互に異なり得るが、本実施の形態では、各セグメントを構成する反射点の高さデータの平均値を、当該セグメントの高さデータとする。

上述のように、高さ分布モデルとは、高さデータを観測値、レイヤインデックスが示すレイヤをパラメータとする統計モデルである。そこで、判定部１０６は、対象物候補を構成するセグメントが、高さ方向において、当該セグメントが対応づけられたレイヤとの関連で歩行者と見得る位置に出現しているかを判定するために、レイヤインデックス付与部１０４にて付与されたレイヤインデックスと、各セグメントの高さデータとを用いて、高さ分布モデルとの一致度スコアを算出する。そして、当該一致度スコアを対象物であるか否かの判定基準として用いる。なお、本実施の形態の高さ分布モデルにおいては、個体の身長差を吸収するため、各個体の身長が「１」に正規化されている。これに伴って、判定部１０６は、各検出候補のセグメント群の高さ方向の出現範囲が「１」となるようなスケーリングを行った上で、モデルとの一致度スコアを算出する。

図５（ｂ）は、レイヤ出現頻度モデル記憶部１０８に記憶されるレイヤ出現頻度モデルの例を示す図である。レイヤ出現頻度モデルとは、歩行者由来のセグメントに付与されたレイヤインデックスの出現頻度を示すモデルであり、正解データの学習により得られる。図５（ｂ）のヒストグラムに示されるように、歩行者からの反射点で構成されるセグメント群は、レイヤインデックスの出現比率にも特徴が現れる。そこで、判定部１０６は、対象物候補に含まれるセグメントが、歩行者として妥当なレイヤ比率で出現しているか否かを判定するために、対象物候補生成部１０５にて生成された各対象物候補について、レイヤインデックス付与部１０４にて付与されたレイヤインデックスの出現頻度と、レイヤインデックス出現頻度モデルとの一致度スコアを算出する。上述の検出スコアは、高さ分布モデルとの一致度スコアと、レイヤインデックス出現頻度モデルとの一致度スコアとに基づいて算出される。

（検出スコアの具体的な算出処理）
次に、判定部１０６による検出スコアの具体的な算出処理について、図面を参照しながら説明する。

判定部１０６は、高さ分布モデルとの一致度スコアＳ_distを算出するために、まず、以下の３つの数値を算出する。
ここで、ｐ^L（ｘ）とは、高さ分布モデルにおいて、レイヤＬに属するセグメントの高さデータ分布であり、高さデータの関数（確率密度関数）となる。そして、ｚ^L _iとは、レイヤインデックスがレイヤＬである、ｉ番目のセグメントの高さデータを意味する。つまり、ｐ^L（ｚ^L _i）は、レイヤインデックスＬが付与されているｉ番目のセグメントの高さデータｚ^L _iが、レイヤＬにおいて観測される尤度を表し、Ｌ_emp ^Lは、レイヤＬに属する全セグメントの高さデータの、レイヤＬにおける尤度の和を意味する。例えば、図６（ａ）に示す対象物候補Ｃ１において、レイヤインデックス１が付与されたセグメントが、「Ｓｅｇ１」、「Ｓｅｇ２」の２つであり、Ｓｅｇ１、Ｓｅｇ２の高さデータが、それぞれ、ｚ¹ ₁と、ｚ¹ ₂であったとする。この場合、図６（ｂ）に示すように、各高さデータがレイヤ１において観測される尤度ｐ¹（ｚ¹ ₁）、ｐ¹（ｚ¹ ₂）は、それぞれ、ａ、ｂとなるから、Ｌ_emp ¹は、ａ＋ｂとなる。また、ｍは、レイヤ番号（本実施の形態では、ｍ＝１〜４）である。すなわち、Ｌ_det ^Lは、１つの対象物候補に含まれる、レイヤインデックスが付与されている全セグメントの高さデータが、レイヤＬにおいて観測される尤度の和である。例えば、図６（ａ）の例では、Ｓｅｇ１、Ｓｅｇ２に加えて、レイヤインデックス２が付与されたＳｅｇ３等も、ｐ^L（ｘ）に当てはめて得られた尤度の和を算出する。

また、ｈ_jとは、レイヤインデックス付与部１０４にて、歩行者に由来しないことを示すメタデータが付与されたセグメントの高さデータである。すなわち、
は、歩行者に由来しないことを示すセグメントの全ての高さデータをレイヤＬの分布に当てはめて得られた値の総和であり、Ｌ_all ^Lは、１つの対象物候補に含まれる全てのセグメントの高さデータの各々が、レイヤＬに出現する尤度の和である。

次に、Ｌ_all ^L、Ｌ_det ^L、Ｌ_emp ^Lとを用いて、次式により、Ｓ_all ^L、Ｓ_det ^Lを求める。
そして、高さ分布モデルとの一致度スコアＳ_distを、Ｓ_all ^L、Ｓ_det ^Lの差に基づいて、次式により算出する。
なお、ｋは、レイヤ数（本実施の形態では、ｋ＝４）である。

上述のように、Ｌ_emp ^Lは、ある対象物候補に属するセグメントのうち、歩行者に由来するセグメントと認識されたセグメントが、レイヤインデックスどおりのレイヤに出現する尤度の和を意味するから、基本的には、Ｌ_emp ^Lあるいは、その全レイヤについての総和が大きいほど、歩行者である蓋然性は高いと考えてよい。同様に、Ｌ_det ^Lまたはその全レイヤについての総和が大きいほど、歩行者である蓋然性は高いと考えてよい。しかし、例えば、人の顔の形状の風船等が対象物候補であるような場合、レイヤ１についてのＬ_emp ¹が大きくなるために、全レイヤについてのＬ_emp ^Lの総和は大きくなる。したがって、Ｌ_emp ^LやＬ_det ^L、ないしそれらの全レイヤの総和のみに基づいて一致度スコアＳ_distを算出すると、歩行者の一部のレイヤとよく似た形状特徴量を有する物体からの反射点で構成される検出候補が、誤って歩行者であると判定される可能性がある。

他方で、このような検出候補には、歩行者由来のセグメントと判断されず、レイヤインデックスが付与されなかったセグメントも相当数含まれている。ある対象物候補が歩行者であれば、レイヤインデックスが付与されていない高さデータｈの数は少なく、その尤度の和も小さくなるから、対象物候補が歩行者である場合、Ｌ_all ^LとＬ_det ^Lの差は小さくなり、対象物候補が歩行者でない場合には、両者の差は大きくなる。したがって、Ｌ_all ^LとＬ_det ^Lの差や比を算出することで、より精度よく歩行者の検出を行うことができる。本実施の形態では、さらに、Ｌ_all ^L、Ｌ_det ^L、Ｌ_emp ^Lから算出されたＳ_all ^L、Ｓ_det ^Lを用いて高さ分布モデルとの一致度スコアＳ_distを算出しているが、これは、Ｓ_all ^L、Ｓ_det ^Lを０〜１の範囲内に収めるためである。対象物候補が歩行者である場合、Ｓ_all ^LとＳ_det ^Lとの差は小さくなり（Ｓ_distは大きくなり）、歩行者でなければ、両者の差は大きくなり（Ｓ_distは小さくなり）、同様に精度よく歩行者の検出を行うことができる。

さらに、判定部１０６は、レイヤ出現頻度モデルとの一致度スコアＳ_histを次式により算出する。
ここで、Ｈ_learnedは、レイヤ出現頻度モデルのヒストグラム、Ｈ_Candidateは、対象物候補に属するセグメントうち、レイヤインデックスが付与されているセグメントのレイヤ出現回数ヒストグラムである。Ｓ_histは、これらの２つのヒストグラムの距離（類似度）であり、例えば、Ｂｈａｔｔａｃｈａｒｙｙａ距離の算出手法によって、求めることができる。

判定部１０６は、以上のようにして算出されたＳ_distとＳ_histの積を、最終的な検出スコアＳとして、Ｓが所定の閾値Ｓ_threshを超える場合に、当該対象物候補が「人」であると判定する。

（対象物検出装置の動作フロー）
次に、図７を参照して、本実施の形態の対象物検出装置１の動作フローについて説明する。まず、対象物検出装置１は、まず、レーザレーダからスキャンラインデータを取得し（ステップＳ１１）、続いて、取得したスキャンラインデータを分割してセグメントを生成する（ステップＳ１２）。次に、対象物検出装置１は、ステップＳ１２にて生成されたセグメントの形状に関する特徴量を抽出し（ステップＳ１３）、抽出された特徴量を、特徴量モデルとマッチングして、各セグメントにレイヤインデックスを付与する（ステップＳ１４）。

続いて、対象物検出装置１は、セグメントの重心となる反射点のＸ座標データ、Ｙ座標データに基づいたクラスタリングにより、複数のセグメントを統合して、対象物候補を生成する（ステップＳ１５）。そして、各対象物候補について、高さ分布モデルとの一致度スコアＳ_distと、レイヤインデックス出現頻度モデルとの一致度スコアＳ_histを算出して、Ｓ_distとＳ_histの積である検出スコアＳを算出し（ステップＳ１６）、これを所定値である検出閾値Ｓ_threshとの比較により、当該対象物候補が歩行者であるか否かを決定する（ステップＳ１７）。

以上説明したように、第１の実施の形態の対象物検出装置１は、セグメントの形状に関する特徴量に基づいて、セグメントにレイヤインデックスを付与する。そして、高さデータを除くＸ座標データ及びＹ座標データに基づくクラスタリングにより生成された対象物候補について、各構成セグメントの高さデータと付与されたレイヤインデックスとに基づいて、検出スコアＳが算出され、検出スコアＳが所定の閾値Ｓ_threshを超える場合に、当該対象物候補が歩行者であると判定する。すなわち、第１の実施の形態の対象物検出装置１は、セグメントを構成する反射点の３次元座標データをそのまま用いた複雑な計算を行うことなく、セグメントのレイヤインデックスとセグメントの高さデータを用いて、対象物候補であるセグメント群について、歩行者であるか否かの判定を行う。したがって、特に、特徴量モデルとのマッチング処理後の計算負荷を低減させることができ、高速な歩行者検出を行うことができる。

また、第１の実施の形態の対象物検出装置１は、検出スコアＳを、高さデータを観測値、レイヤインデックスが示すレイヤをパラメータとする統計モデルである高さ分布モデル及びレイヤインデックス出現頻度モデルの２つのモデルとの一致度に基づき算出する。したがって、レイヤインデックスとセグメントの高さデータを用いた簡易な計算手法によりながらも、精度よく歩行者検出を行うことができる。

第１の実施の形態では、検出対象が歩行者である場合について説明したが、検出対象が広く「人」であってもよく、また、人間以外の物体であってもよい。

また、上記の実施の形態では、検出スコアＳを、高さ分布モデルとの一致度スコアＳ_distと、レイヤインデックス出現頻度モデルとの一致度スコアＳ_histを用いて算出したが、いずれか一方のみを用いて検出スコアを算出してもよい。さらに、高さ分布モデルとの一致度スコアＳ_distは、他の計算式により算出されてもよいし、Ｓ_all ^L、Ｓ_det ^Lを算出せずに、検出スコア算出を簡略化してもよい。例えば、レイヤインデックスが付与されなかったセグメントは考慮せずに、Ｌ_det ^Lを検出スコアとしてもよいし、また、Ｌ_emp ^Lないしその総和を検出スコアＳとしてもよい。

なお、本実施の形態においては、路面が平坦であり、レーザレーダが路面に対して水平に、物体に対して略平行に位置することを前提として説明したが、レーザレーダが路面に対して水平でなくてもよく、この場合、各反射点の座標データをレーザレーダが路面に対して水平である場合と同じになるように射影変換してもよい。その上で、射影変換後のＸ座標データ及びＹ座標データを用いてセグメントを統合し、射影変換後の高さデータに基づいて高さ分布モデルとの一致度を算出してもよい。

［第２の実施の形態］
次に、本発明の第２の実施の形態の対象物検出装置について説明する。図８は、本発明の第２の実施の形態の対象物検出装置２の構成を示すブロック図である。第２の実施の形態の対象物検出装置２は、検出閾値決定部１１０を備える以外は、第１の実施の形態の対象物検出装置１の構成と同じである。第１の実施の形態では、判定部１０６が検出スコアＳとの比較に用いる検出閾値Ｓ_threshが所定値であったが、第２の実施の形態では、検出閾値決定部１１０は、対象物候補生成部１０４にて生成された各対象物候補の、レーザレーダからの距離ｄに応じて、検出閾値Ｓ_threshを決定し、判定部１０６に出力する。本実施の形態において、対象物候補とレーザレーダとの距離は、対象物候補を構成する各セグメントの重心点等の代表点のＸ座標データ及びＹ座標データに基づいて算出される、原点と各セグメントの距離の、当該対象物候補における平均値である。判定部１０６は、検出閾値決定部にて決定された検出閾値Ｓ_threshを用いて、各対象物候補が歩行者であるか否かを判定する。

図９は、レーザレーダからの距離と、スキャンラインとの関係を説明するための図である。上述のように、レーザレーダは、水平面に対して異なる複数の角度のレーザを照射して得られる反射点を取得するので、図９に示すように、レーザレーダからの距離ｄが大きくなるほど、スキャンラインの間の幅ｗが大きくなる。すなわち、ある物体のレーザレーダからの距離が大きくなるほど、取得されるその物体由来のセグメントの数も少なくなる。本実施の形態の対象物検出装置２は、第１の実施の形態の対象物検出装置１と同様に、セグメントの高さデータの尤度の和に基づいて高さ分布モデルとの一致度を算出するものであるから、レーザレーダからの距離が離れるほど、真の歩行者であっても、尤度の和に基づく検出スコアＳが低くなる傾向がある。そこで、このような場合にも、精度よく歩行者検出を行うために、本実施の形態において、対象物検出装置２は、各対象物候補のレーザレーダからの距離に応じて検出閾値Ｓ_threshを決定する、検出閾値決定部１１０を備えている。

検出閾値決定部１０９は、具体的には、次のとおりに検出閾値Ｓ_threshを決定する。
ｄ＜ｄ_nearのとき、Ｓ_thresh＝Ｓ_upper
ｄ_near≦ｄ≦ｄ_farのとき、Ｓ_thresh＝ｓ（ｄ）
ｄ＞ｄ_farのとき、Ｓ_thresh＝Ｓ_lower
ここで、ｄ_near、ｄ_far、Ｓ_upper、Ｓ_lowerは、それぞれ所定値であり、センサの性能等に応じて、任意に決定することができる。また、ｓ（ｄ）は、ｄ＝ｄ_nearでＳ_upperに、ｄ＝ｄ_farでＳ_lowerに一致する関数であり、レーザレーダの使用環境等に応じて任意に決定することができるが、典型的には、線形関数である。

図１０は、第２の実施の形態における対象物検出装置２の動作フロー図である。レーザレーダからスキャンラインデータを取得し（ステップＳ２１）、これを分割してセグメントを生成する（ステップＳ２２）。セグメントの特徴量抽出（ステップＳ２３）した後、各セグメントにレイヤインデックスを付与し（ステップＳ２４）、複数のセグメントを統合して、対象物候補を生成する（ステップＳ２５）。ここまでは第１の実施の形態と同じである。

次に、本実施の形態の対象物検出装置２は、各セグメントのレーザレーダからの距離を算出し、検出閾値Ｓ_threshを決定する（ステップＳ２６）。そして、各対象物候補について、高さ分布モデルとの一致度スコアＳ_distと、レイヤ出現頻度モデルとの一致度スコアＳ_histを算出して、Ｓ_distとＳ_histの積である検出スコアＳを算出し（ステップＳ２７）、ステップＳ２６にて決定された検出閾値Ｓ_threshとの比較により、当該対象物候補が歩行者であるか否かを決定する（ステップＳ２８）。

以上、説明したように、本発明の第２の実施の形態の対象物検出装置２は、各対象物候補のレーザレーダからの距離に応じて、検出閾値Ｓ_threshを決定し、この検出閾値Ｓ_threshと検出スコアＳとの比較により、対象物候補が「人」であるか否かを判定する。したがって、対象物候補がレーザレーダから離れた位置にあっても、精度よく歩行者検出を行うことができる。なお、第１の実施の形態と同様、検出対象は歩行者以外であってもよい。

［第３の実施の形態］
次に、本発明の第３の実施の形態の対象物検出装置について説明する。図１１は、本発明の第３の実施の形態の対象物検出装置３の構成を示すブロック図である。第３の実施の形態の対象物検出装置３は、セグメント抽出部１１１を備える以外は、第１の実施の形態の対象物検出装置１の構成と同じである。

セグメント抽出部１１１は、セグメント生成部１０２にて生成された各セグメントについて、セグメントを構成する反射点の数と、セグメントの高さデータと、レーザレーダとの距離と、セグメントの長さとに基づいて、セグメントを抽出する。より具体的には、セグメント抽出部１１１は、セグメントを構成する反射点の数が所定数以上のセグメントを抽出する。これは、反射点が少なすぎるセグメントは特徴量モデルとのマッチングが困難だからである。また、セグメント抽出部１１１は、所定の高さの範囲内にあり、所定の長さ以下のセグメントを抽出する。これは、高すぎる位置にあるセグメントや、長すぎるセグメントは、人間に由来しないと考えてよいためである。セグメント抽出部１１１は、さらに、レーザレーダ１０からの距離が所定値以下のセグメントを抽出する。これは、レーザレーダからの距離が遠すぎると、検出精度が低下するためである。

セグメント抽出部１１１は、さらに、各セグメントを構成する反射点のＸ座標データ及びＹ座標データの平均値を当該セグメントの代表点に設定し、各セグメント代表点のＸＹ平面でのクラスタリングを行う。セグメント抽出部１１１は、クラスタリングの結果、各クラスタに属するセグメント数が所定数以上のセグメントを抽出し、レイヤインデックス付与部１０３に出力する。これは、セグメントが人間に由来するものであれば、あるＸＹ座標範囲に多数のセグメントが積み重なるように出現することから、ＸＹ平面でのクラスタリングの結果、セグメント数が少ないクラスタは、歩行者に由来しないと考えてよいためである。

図１２は、第３の実施の形態の対象物検出装置３の動作フロー図である。本実施の形態においては、スキャンラインデータを取得し（ステップＳ３１）、セグメントを生成した（ステップＳ３２）後、セグメントの抽出が行われる（ステップＳ３３）。その後の処理（ステップＳ３４からステップＳ３８まで）は、第１の実施の形態と同様である。

図１３は、セグメント抽出部１１１により抽出されたセグメントの例を示す図である。抽出前のセグメントを示す図３と比較すれば、セグメント抽出部によりかなりの数のセグメントが除去され、レイヤインデックス付与部１０３にて特徴量モデルとのマッチングを行うべきセグメントが大きく絞りこまれたことが分かる。

以上説明したように、第３の実施の形態の対象物検出装置によれば、セグメントを構成する反射点の数と、セグメントの高さデータと、レーザレーダとの距離と、セグメントの長さとに基づいて、セグメントを抽出する。さらに、セグメントの代表点をＸＹ平面でクラスタリングし、所定数以上のセグメントを有するクラスタに属するセグメントを、特徴量モデルとのマッチングを行うセグメントとして抽出する。したがって、特徴量モデルとのマッチングに要する計算量を低減させ、歩行者検出処理の高速化を図ることができる。

なお、第３の実施の形態において、セグメントの抽出処理には、反射点の数、セグメントの高さデータ、レーザレーダとの距離、セグメントの長さ、の４つのデータを全て用いなくてもよく、また、これら４つのデータ以外のデータを用いてもよい。また、セグメントの代表点を用いたクラスタリングを行わなくてもよく、他の手法により代表点を設定してもよい。さらに、第３の実施の形態の対象物検出装置は、第２の実施の形態の検出閾値決定部１１０を備えていてもよい。また、第１及び第２の実施の形態と同様に、歩行者以外を検出してもよい。

本発明は、少ない計算量で対象物を検出することができるという効果を有し、対象物検出装置等として有用である。

１〜３ 対象物検出装置
１０１ スキャンラインデータ取得部
１０２ セグメント生成部
１０３ レイヤインデックス付与部
１０４ 特徴量モデル記憶部
１０５ 対象物候補生成部
１０６ 判定部
１０７ 高さ分布モデル記憶部
１０８ レイヤインデックス出現頻度モデル記憶部
１０９ 判定結果出力部
１１０ 検出閾値決定部
１１１ セグメント抽出部
１０ レーザレーダ

Claims (11)

1. 水平面に対して異なる複数の角度でスキャニングを行うレーザレーダにより得られる反射点からなるスキャンラインデータを用いて対象物を検出する対象物検出装置であって、
   前記レーザレーダから、スキャニング角度の異なる複数のスキャンラインデータを取得するスキャンラインデータ取得部と、
   前記各スキャンラインデータを分割してセグメントを生成するセグメント生成部と、
   対象物からの反射点からなるセグメントである正解セグメントの特徴量と、当該正解セグメントが対応する高さによって定まるレイヤを示すレイヤインデックスとを関連付けて記憶した特徴量モデル記憶部と、
   前記特徴量モデル記憶部に記憶されたデータを参照して、前記セグメント生成部にて生成されたセグメントに、当該セグメントの特徴量に基づいて前記レイヤインデックスを付与するレイヤインデックス付与部と、
   前記セグメント生成部にて生成された１以上のセグメントを、前記セグメントに含まれる反射点のＸ座標データ及びＹ座標データに基づいて統合し、対象物候補を生成する対象物候補生成部と、
   複数の前記正解セグメントの高さデータの分布を、当該セグメントに関連付けられたレイヤインデックスの高さ分布モデルとして記憶した高さ分布モデル記憶部と、
   前記レイヤインデックス及び前記セグメントの高さデータに基づいて、前記対象物候補に含まれるセグメントの高さ分布と、前記高さ分布モデル記憶部に記憶された高さ分布モデルとの一致度を算出し、当該一致度に基づいて、前記対象物候補が対象物であるか否かを判定する判定部と、
   を備えた対象物検出装置。
2. 複数の前記正解セグメントに対応するレイヤインデックスの出現頻度のモデルを記憶したレイヤインデックス出現頻度モデル記憶部をさらに備え、
   前記判定部は、前記対象物候補に含まれるセグメントに付与された前記レイヤインデックスの出現頻度と前記レイヤインデックス出現頻度モデル記憶部に記憶されたレイヤインデックスの出現頻度のモデルとの一致度及び前記高さ分布モデルとの一致度に基づいて、前記対象物候補が対象物であるか否かを判定する請求項１に記載の対象物検出装置。
3. 前記高さ分布モデルは、前記正解セグメントの高さデータを観測値、前記レイヤインデックスが示すレイヤをパラメータとする統計モデルであって、
   前記判定部は、前記対象物候補に含まれるセグメントの高さデータが、各セグメントに付与された前記レイヤインデックスが示す前記レイヤに出現する尤度の和を算出し、少なくとも１つの前記レイヤについての前記尤度の和に基づいて、前記高さ分布モデルとの一致度を算出する請求項１または２に記載の対象物検出装置。
4. 前記判定部は、前記レイヤインデックス付与部にてレイヤインデックスを付与された第１のセグメントの高さデータ及び前記レイヤインデックス付与部にてレイヤインデックスを付与されなかった第２のセグメントの高さデータが少なくともいずれか１つの前記レイヤに出現する尤度の和を算出し、
   前記高さ分布モデルとの一致度は、前記第２のセグメントの高さデータの前記尤度の和が大きくなるほど、低くなる請求項３に記載の対象物検出装置。
5. 前記レイヤインデックス出現頻度モデルとの一致度は、ヒストグラム距離である請求項２に記載の対象物検出装置。
6. 前記レーザレーダから前記対象物候補までの距離に応じて検出閾値を決定する検出閾値決定部をさらに備え、
   前記判定部は、前記高さ分布モデルとの一致度が、前記検出閾値決定部にて決定された検出閾値を超える場合に前記対象物候補が対象物であると判定する請求項１に記載の対象物検出装置。
7. 前記レーザレーダから前記対象物候補までの距離に応じて検出閾値を決定する検出閾値決定部をさらに備え、
   前記判定部は、前記高さ分布モデルとの一致度及び前記レイヤインデックス出現頻度モデルとの一致度の積が、前記検出閾値決定部にて決定された検出閾値を超える場合に前記対象物候補が対象物であると判定する請求項２に記載の対象物検出装置。
8. 前記セグメント生成部にて生成されたセグメントのうち、前記レイヤインデックス付与部にて前記特徴量モデルと照合されるセグメントを抽出するセグメント抽出部をさらに備え、
   前記セグメント抽出部は、各セグメントを構成する反射点の数データ、各セグメントの高さデータ、各セグメントの長さデータ、各セグメントの前記レーザレーダからの距離データのうち、少なくとも１つ以上のデータに基づいて、セグメントを抽出する請求項１に記載の対象物検出装置。
9. 前記セグメント抽出部は、前記セグメントに含まれる反射点のＸ座標データ及びＹ座標データに基づいて前記セグメントのクラスタリングを行い、所定数以上の前記セグメントが含まれるクラスタに属する前記セグメントを抽出する請求項８に記載の対象物検出装置。
10. 水平面に対して異なる複数の角度でスキャニングを行うレーザレーダにより得られる反射点からなるスキャンラインデータを用いて対象物を検出する方法であって、
    前記レーザレーダから、スキャニング角度の異なる複数のスキャンラインデータを取得するステップと、
    前記各スキャンラインデータを分割してセグメントを生成するステップと、
    対象物からの反射点からなるセグメントである正解セグメントの特徴量と、当該正解セグメントが対応する高さによって定まるレイヤを示すレイヤインデックスとが関連付けられた特徴量モデルを参照して、生成された前記セグメントに、当該セグメントの特徴量に基づいて前記レイヤインデックスを付与するステップと、
    １以上の前記セグメントを、前記セグメントに含まれる反射点のＸ座標データ及びＹ座標データに基づいて統合し、対象物候補を生成するステップと、
    複数の前記正解セグメントの高さデータの分布を、当該セグメントに関連付けられたレイヤインデックスと対応付けた高さ分布モデルを参照し、前記レイヤインデックス及び前記セグメントの高さデータに基づいて、前記対象物候補に含まれるセグメントの高さ分布と前記高さ分布モデルとの一致度を算出し、当該一致度に基づいて、前記対象物候補が対象物であるか否かを判定するステップと、
    を備える対象物検出方法。
11. 水平面に対して異なる複数の角度でスキャニングを行うレーザレーダにより得られる反射点からなるスキャンラインデータを用いて対象物を検出するためのプログラムであって、コンピュータに、
    前記レーザレーダから、スキャニング角度の異なる複数のスキャンラインデータを取得するステップと、
    前記各スキャンラインデータを分割してセグメントを生成するステップと、
    対象物からの反射点からなるセグメントである正解セグメントの特徴量と、当該正解セグメントが対応する高さによって定まるレイヤを示すレイヤインデックスとが関連付けられた特徴量モデルを参照して、生成された前記セグメントに、当該セグメントの特徴量に基づいて前記レイヤインデックスを付与するステップと、
    １以上の前記セグメントを、前記セグメントに含まれる反射点のＸ座標データ及びＹ座標データに基づいて統合し、対象物候補を生成するステップと、
    複数の前記正解セグメントの高さデータの分布を、当該セグメントに関連付けられたレイヤインデックスと対応付けた高さ分布モデルを参照し、前記レイヤインデックス及び前記セグメントの高さデータに基づいて、前記対象物候補に含まれるセグメントの高さ分布と前記高さ分布モデルとの一致度を算出し、当該一致度に基づいて、前記対象物候補が対象物であるか否かを判定するステップと、
    を実行させるプログラム。