JP2015148895A - 物体数分布推定方法 - Google Patents

Abstract

【課題】複数の撮影位置から撮影した画像に基づいて、特定領域内に存在する物体数の分布を精度よく推定することができるようにする。
【解決手段】物体数分布取得部２０７により、複数の撮影位置から撮影された特定領域内の複数の撮影画像から前景画像を抽出し、前景画像の各々について取得した撮影面分割領域毎の分割領域特徴と、予め用意した分割領域特徴と物体数との対応関係に基づいて、特定領域における物体数の分布を推定する。
【選択図】図７

Description

本発明は、物体数分布推定方法に係り、特に、複数の撮影位置で撮影された撮影画像から、特定領域内に存在する物体数の分布を推定するための物体数分布推定方法に関する。

一般に、公共の安全やマーケティングを目的として、人数の計数、群衆の行動の調査といった群衆を対象とした解析が行われている。また、近年のセキュリティー意識の高まりから、屋内外に設置された多数の監視カメラによって群衆の行動を撮影した画像が、防犯等の目的に利用される機会が増大した。しかし、こうした画像から群衆の様子を人手で解析した場合、時間や労力がかかるため、群衆の行動を撮影した大量の画像から、例えば予め定めた範囲内のどこに何人の人間が存在するかをコンピュータ等を用いて自動的に解析する手法の開発が求められている。

そこで、従来より、例えばガウシアンフィルタとSobelフィルタを組み合わせることで、物体の輪郭を細線化して形状を抽出する手法（非特許文献１）や、複数のカメラから得られた画像の特徴を抽出し、画像の特徴と人数の関係を例えば２次多項式で回帰することで、空間内に存在する人数を推定する手法（非特許文献２）や、天候等の撮影条件が異なる場合であっても、時間相関の変化パターンを用いて、画像中での移動物体が存在する時間区分を決定して、画像中から移動物体を検出する手法（非特許文献３）が提案されている。

J. Canny. "A computational approach to edge detection". IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 8, No. 6, pp. 679−698, 1986. 田渕義宗, 高橋友和, 出口大輔, 井手一郎, 村瀬洋, 泉谷知範, 柏野邦夫. "視体積交差法を用いた複数カメラからの人数推定に関する検討". 電子情報通信学会総合大会講演論文集, 2013. D-12-98. 長屋茂喜, 宮武孝文, 藤田武洋, 伊藤渡, 上田博唯. "時間相関型背景判定法による移動物体検出". 電子情報通信学会論文誌, Vol. J79−D−II, No. 4, pp. 568−576, 1996.

しかし、非特許文献１は、物体のエッジ抽出に関する内容が記載されたものであり、非特許文献２は、空間内に存在する物体の数を検出するものである。また、非特許文献３は、撮影条件が変化する状況下で移動物体を精度よく抽出するものであり、非特許文献１〜非特許文献３の提案手法では、予め定めた空間内のどこにどの程度の物体が存在しているかといった物体数の分布（物体数分布）を推定することは困難であるという問題があった。

本発明は、上記の事情を鑑みてなされたもので、複数の撮影位置から撮影した画像に基づいて、特定領域内に存在する物体数の分布を精度よく推定することができる物体数分布推定方法を提供することを目的とする。

上記の目的を達成するために本発明に係る物体数分布推定方法は、特定領域内の物体数の分布を推定する物体数分布推定方法であって、特定領域に物体が存在しない状態で、異なる複数の撮影位置から前記特定領域を撮影した画像である複数の背景画像と、前記複数の撮影位置から前記特定領域を撮影した画像である複数の撮影画像と、に基づいて、前記複数の撮影位置の各々に対し、前記撮影位置の背景画像と撮影画像との差分を求めて、前記物体を表す画像である前景画像を抽出する前景画像抽出過程と、前記複数の撮影位置の各々に対して抽出された前景画像の各々について、前記特定領域を少なくとも１つ以上の撮影面分割領域に分割して、前記撮影面分割領域毎に、前記前景画像上の前記撮影面分割領域に対応した領域の特徴である少なくとも１つ以上の分割領域特徴を取得する分割領域特徴取得過程と、前記前景画像の各々について取得した前記撮影面分割領域毎の前記分割領域特徴と、予め用意した前記分割領域特徴と物体数の分布との対応関係、又は前記特定領域を分割した分割特定領域毎に予め用意した前記分割領域特徴と物体数との対応関係と、に基づいて、前記特定領域における物体数の分布を推定する物体数分布取得過程と、を含む。

以上説明したように、本発明の物体数分布推定方法によれば、複数の撮影位置から撮影された特定領域の各々の撮影画像から前景画像を抽出して、特定領域を少なくとも１つ以上の撮影面分割領域に分割した上で、撮影面分割領域毎に分割領域特徴を取得し、取得した分割領域特徴と予め用意した分割領域特徴と物体数の分布との対応関係、又は分割特定領域毎に予め用意した分割領域特徴と物体数との対応関係とに基づいて、特定領域内の物体数の分布を精度よく推定することができる、という効果が得られる。

特定領域を示す図である。 撮影面分割領域を示す図である。 分割特定領域を示す図である。 空間分割領域を示す図である。 複数のカメラと特定領域との位置関係を示す図である。 複数のカメラを用いて撮影した特定領域の分割領域特徴及び物体数の対応づけを説明した図である。 第１及び第２の実施の形態に係る物体数分布推定装置の構成を示す概略図である。 分割領域特徴を示す図である。 第１及び第２の実施の形態に係る物体数分布推定装置における対応関係の生成処理ルーチンの内容を示すフローチャートである。 第１及び第２の実施の形態に係る物体数分布推定装置における物体数分布推定処理ルーチンの内容を示すフローチャートである。 学習用前景画像の一例を示す図である。 学習用画像の生成方法を示した図である。 回帰分析を用いて物体数分布を推定した場合の推定誤差を示すグラフである。 対応表を用いて物体数分布を推定した場合の推定誤差を示すグラフである。 第３の実施の形態に係る物体数分布推定装置の構成を示す概略図である。 第３の実施の形態に係る物体数分布推定装置における対応関係の生成処理ルーチンの内容を示すフローチャートである。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

＜第１実施形態＞

本実施の形態では、一例として、撮影位置が固定された２台のカメラで撮影された撮影画像を用いて、予め定めた領域（以下、特定領域という）内に存在する物体の物体数分布を推定する。ここで物体とは、人物を含む生物及び生物以外の物品の両者を総称したものであり、本実施の形態では、人物を例にした物体数分布の推定について説明する。

まず、特定領域の構成について説明する。図１は、本実施の形態に係る特定領域の一例を示した図である。

図１に示すように、本実施の形態に係る特定領域は、床面を３×３の９つの領域に分割した領域全体をいう。

そして、特定領域は図２に示すように、カメラから見た左右方向に３分割した撮影面分割領域に分割される。

また、撮影面分割領域は図３に示すように、撮影面分割領域を奥行方向に３分割した分割特定領域に分割される。

更に、分割特定領域は図４に示すように、分割特定領域を高さ方向に３分割した空間分割領域に分割される。

このように、特定領域は、複数の撮影面分割領域を含んで構成される。なお、本実施の形態に係る特定領域は、複数の撮影面分割領域を含んで構成されるものとして説明するが、例えば、特定領域を分割することなく、特定領域自体を１つの撮影面分割領域として扱ってもよいことは言うまでもない。

なお、本実施の形態では、一例として、特定領域を複数の撮影面分割領域に分割するものとして説明する。

次に、特定領域及びカメラの位置関係について説明する。

図５は、特定領域を上方から見た場合の平面図である。本実施の形態に係る特定領域は３００[ｃｍ]四方の床面を有し、床面は３×３の９つの領域に分割されている。そして、１００[ｃｍ]四方からなる各々の領域には、最大４人までの人物が入れるものと仮定した。

また、特定領域から２５０[ｃｍ]離れた位置に、カメラ１及びカメラ２が配置されている。この際、カメラ１及びカメラ２は、特定領域を異なる方向から撮影できるように、特定領域を含む矩形空間の異なる面と対向する位置に各々配置される。各カメラには、カメラを一意に識別するため、カメラ番号が付されている。

なお、図５では、特定領域を正面及び右方面から撮影する位置にカメラが配置されているが、カメラの配置場所はこれに限られない。また、特定領域の床面の大きさや、特定領域の床面の分割数も上記の例に限られず、状況に応じて任意に設定すればよい。

そして、撮影面分割領域毎に、カメラ１及びカメラ２で撮影した画像から得られる特徴を割り当て、分割特定領域で交差する撮影面分割領域毎の特徴と当該分割特定領域の物体数との予め定めた対応関係に基づいて、分割特定領域における物体数を算出することで特定領域における物体数分布を推定する。

図６は、分割特定領域で交差する撮影面分割領域の特徴を割り当て、分割特定領域における物体数を算出する一例を示した説明図である。

例えば、カメラ１の撮影画像から得られた撮影面分割領域に対応する領域の特徴を表す特徴量をＸ、カメラ２の撮影画像から得られた撮影面分割領域に対応する領域の特徴を表す特徴量をＹとした場合、特徴量Ｘ及びＹと、予め定めた対応関係とから、分割特定領域に存在する人数ｐ_１が推定される。ここで、撮影面分割領域に対応する領域とは、図２において斜線で示された撮影面分割領域の上方に設定された領域をいう。

そして、上記の処理を全ての分割特定領域に対して実施すれば、特定領域における物体数分布を推定することができる。

次に、特定領域における物体数の分布を推測する物体数分布推測装置に、本発明を適用した場合を例にして、本実施の形態を説明する。

図７に示すように、本実施の形態に係る物体数分布推定装置１００は、ＣＰＵと、ＲＡＭと、後述する物体数分布推定処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備えたコンピュータで構成され、機能的には次に示すように構成されている。

物体数分布推定装置１００は、入力部１０と、演算部２０と、記憶部３０と、出力部４０とを備えている。

入力部１０により、カメラ１及びカメラ２で撮影された撮影画像のペア、カメラ１及びカメラ２で撮影された特定領域の背景画像、カメラ１及びカメラ２で撮影された学習用前景画像のペア、及び当該学習用前景画像のペアに対応する学習用物体数分布が入力される。ここで、背景画像とは、特定領域内に物体が存在していない状況で撮影された画像をいい、前景画像とは、特定領域内に存在する物体を表す画像、すなわち、特定領域の撮影画像から背景画像を除去した画像をいう。

記憶部３０は、入力部１０により入力された各種画像及び学習用物体数分布を記憶する。また、記憶部３０は、後述する演算部２０の各処理での結果を記憶する。

演算部２０は、学習用前景画像合成部２０１と、学習用分割領域特徴取得部２０２と、対応関係学習部２０３と、背景画像蓄積部２０４と、前景画像抽出部２０５と、分割領域特徴取得部２０６と、物体数分布取得部２０７とを備えている。

学習用前景画像合成部２０１は、カメラ１及びカメラ２で撮影された学習用前景画像のペアと当該学習用前景画像のペアに対応する学習用物体数分布を入力部１０から取得し、複数の分割特定領域に対応する学習用前景画像の部分画像を合成することにより、複数の学習用物体数分布の各々に対応して、擬似的に、カメラ１及びカメラ２で撮影された各々の学習用前景画像を生成する。

なお、学習用前景画像合成部２０１に入力される学習用前景画像は、予め前景画像の切り出しを人手で行ったものが利用される。こうすることで、仮に後述する対応関係の学習に十分な数の学習用前景画像が得られない場合であっても、特定領域に存在する少人数を撮影した画像から切り出した前景画像を重ね合わせて合成することで、特定領域に存在する多人数を撮影した画像から得られる学習用前景画像を生成することができる。

学習用分割領域特徴取得部２０２は、入力部１０により入力された学習用前景画像及び学習用前景画像合成部２０１で合成された学習用前景画像の各々から、撮影面分割領域毎に分割領域特徴を取得する。すなわち、学習用前景画像を、撮影面分割領域に対応する領域単位に分割し、撮影面分割領域毎に、学習用前景画像と撮影面分割領域に対応する領域とが重複する共通の領域から学習用前景画像の特徴を取得して、当該撮影面分割領域における分割領域特徴として対応づける。

本実施の形態で用いる分割領域特徴は、（１）前景領域の画素数、（２）前景領域のエッジの画素数、（３）前景領域と背景領域との境界の画素数、の３つである。

図８は、３つの分割領域特徴を説明した図である。図８に示すように、前景領域とは、前景画像が表示されている領域を表し、前景領域のエッジとは、前景画像から抽出される輪郭線を表し、前景領域と背景領域との境界とは、前景画像が表示されている領域と背景画像が表示されている領域との境界を表している。

なお、分割領域特徴の取得には、例えば、非特許文献１に示されているCannyエッジ検出器が用いられる。

対応関係学習部２０３は、学習用分割領域特徴取得部２０２で学習用前景画像の各々について取得した撮影面分割領域毎の分割領域特徴と、カメラ１及びカメラ２で撮影された学習用前景画像のペアに対応する学習用物体数分布と、に基づいて、分割特定領域毎に、分割領域特徴と物体数との対応関係を学習する。

学習する対応関係は、物体数分布＾ｐのｉ番目の分割特定領域の推定値をｐ_ｉとすると、例えば、最も単純な一次式による回帰（単回帰）を用いて（１）式のように表すことができる。

ここで、ｗ_０ｉ及びｗ_ｊｉの値は、カメラ１及びカメラ２で撮影された学習用前景画像のペアの各々に対応する、学習用分割領域特徴取得部２０２で当該ペアの学習用前景画像の各々について取得した、ｉ番目の分割特定領域を含む撮影面分割領域に対応する領域の特徴ｘ_ｊｉ（ｊ＝１，・・・，Ｊ）と、当該ペアに対応する学習用物体数分布から得られるｉ番目の分割特定領域の物体数との多数の組み合わせを用いて決定される。

なお、（１）式では対応関係を表す回帰式として単回帰を用いたが、（２）式に示すようにｎ次式に拡張した場合や、（３）式に示すように、変数を予め定めた関数φ_ｎｊｉ(ｘ_ｊｉ)により拡張した場合であっても、複数の説明変数を用いた回帰分析である重回帰分析を用いることで、対応関係を学習することができる。

背景画像蓄積部２０４は、入力部１０から取得したカメラ１及びカメラ２で撮影された背景画像を、カメラ毎に蓄積する。

前景画像抽出部２０５は、背景画像蓄積部２０４によって蓄積された、特定領域に物体が存在しない状況で、カメラ１及びカメラ２から特定領域を撮影した複数の背景画像と、入力部１０から取得したカメラ１及びカメラ２から特定領域を撮影した複数の撮影画像とに基づいて、カメラ毎に、当該カメラの背景画像と撮影画像との差分を求めて、物体を表す画像である前景画像を抽出する。

前景画像を抽出する方法としては、例えば、撮影画像のＲＧＢ値と背景画像のＲＧＢ値との差分が予め定めた閾値以上となる画素を検出することにより、撮影画像内の物体像の領域を特定し、特定した領域を前景画像として抽出する方法が用いられる。

なお、差分の測定対象となる値は画像のＲＧＢ値に限定されない。例えば、明度、彩度、色相等の画像の色空間を表現する一般的な数値を用いることができる。また、差分の算出方法には、例えば、画像のＲＧＢ値をベクトルとみなした場合のベクトル差のノルム等、一般に使用される距離尺度を用いることができる。

また、前景画像の抽出の精度を上げるために、例えば、時間相関の変化パターンを用いて、画像中での移動物体が存在する時間区分を決定して画像中から移動物体を検出する、非特許文献３に記載されている既知の手法を用いてもよい。

すなわち、前景画像抽出部２０５で用いられる前景画像の抽出方法は特に限定されず、既知の手法が用いられる。

分割領域特徴取得部２０６は、前景画像抽出部２０５で抽出されたカメラ毎の前景画像を、当該カメラから見た複数の撮影面分割領域に対応する領域に分割し、撮影面分割領域毎に撮影面分割領域と前景画像とが重複する共通領域から分割領域特徴を取得する。

物体数分布取得部２０７は、分割特定領域ｉ毎に、分割領域特徴取得部２０６で取得した当該分割特定領域ｉを含む撮影面分割領域の各々の分割領域特徴ｘ_ｊｉと、対応関係学習部２０３によって当該分割特定領域ｉについて予め求められた分割領域特徴ｘ_ｊｉと物体数との対応関係（ｗ_０ｉ及びｗ_ｊｉの値）とから、上記（１）式に従って、当該分割特定領域ｉにおける物体数の推定値ｐ_ｉを取得する。

具体的には、本実施の形態の場合、図６に示したように、分割特定領域について、カメラ１の撮影画像から取得した当該分割特定領域を含む撮影面分割領域に対応する分割領域特徴と、カメラ２の撮影画像から取得した当該分割特定領域を含む撮影面分割領域に対応する分割領域特徴とに基づいて、当該分割特定領域の物体数が推定される。

出力部４０は、物体数分布取得部２０７で取得した分割特定領域ｉ毎の物体数の推定値ｐ_ｉを、特定領域における物体数分布＾ｐとして出力する。

なお、物体数の推定値ｐ_ｉを整数値として出力する場合には、推定値ｐ_ｉを、例えば（４）式に従って変換した値ｐ_ｉ’で出力する。なお、round(ｘ)は、ｘを四捨五入することを表している。

次に、本実施の形態に係る物体数分布推定装置１００の作用について説明する。まず、異なる撮影位置に配置されたカメラ１及びカメラ２によって特定領域を撮影した複数の背景画像が物体数分布推定装置１００に入力されると、背景画像蓄積部２０４に蓄積されると共に、物体数分布推定装置１００において、図９に示す対応関係学習処理ルーチンが実行される。

まず、ステップＳ１０では、入力部１０からカメラ１及びカメラ２によって撮影された学習用前景画像のペアと、当該ペアに対応する学習用物体数分布が入力されたか否かを判定し、否定判定の場合には、当該学習用前景画像のペア及び当該ペアに対応する学習用物体数分布が入力されるまで、ステップＳ１０の処理を繰り返す。一方、肯定判定の場合には、ステップＳ２０に移行する。

ステップＳ２０では、ステップＳ１０で入力部１０から入力された学習用前景画像のペアを読み込んで、学習用前景画像をカメラ番号と対応づけて記憶部３０に格納すると共に、ステップＳ１０で入力部１０から入力された学習用物体数分布を、学習用前景画像のペアと対応付けて記憶部３０に格納する。

そして、ステップＳ３０では、記憶部３０からステップＳ２０の処理によって格納された学習用前景画像のペア、及び当該学習用前景画像のペアに対応する学習用物体数分布を読み出し、カメラ番号毎に学習用前景画像を合成して、カメラ１について合成された学習用前景画像とカメラ２について合成された学習用前景画像との複数のペアを生成し、生成された複数のペアの各々を、当該ペアに対応する学習用物体数分布と対応付けて記憶部３０に格納する。

ステップＳ４０では、ステップＳ３０で生成された学習用前景画像のペアの各々について、当該ペアに含まれるカメラ１の学習用前景画像を、カメラ１から見た複数の撮影面分割領域に対応する領域に分割すると共に、当該ペアに含まれるカメラ２の学習用前景画像を、カメラ２から見た複数の撮影面分割領域に対応する領域に分割する。そして、既に説明したCannyエッジ検出器を介して、撮影面分割領域に対応する領域毎に、撮影面分割領域に対応する領域と学習用前景画像とが重複する共通領域の（１）前景領域の画素数、（２）前景領域のエッジの画素数、（３）前景領域と背景領域との境界の画素数を取得する。そして、学習用前景画像のペアの各々について、上記（１）〜（３）の各画素数を、対応する撮影面分割領域における学習用分割領域特徴として割り当てた上で、カメラ１及びカメラ２の各々に対し、撮影面分割領域と学習用分割領域特徴とを対応付けて、記憶部３０に格納する。

ステップＳ５０では、全ての学習用前景画像のペア及び当該ペアの各々に対応する学習用物体数分布から学習用分割領域特徴を取得したか否かを判定し、否定判定の場合には、上記ステップＳ１０へ戻り、次の学習用前景画像のペア及び当該ペアに対応する学習用物体数分布に基づいて、上記ステップＳ１０〜ステップＳ４０の処理を繰り返す。一方、肯定判定の場合には、ステップＳ６０へ移行する。

ステップＳ６０では、分割特定領域ｉ毎に、全ての学習用前景画像のペアにおける、ステップＳ４０で取得した当該分割特定領域ｉを含む撮影面分割領域の分割領域特徴と、全ての学習用前景画像のペアに対応する学習用物体数分布から得られる分割特定領域ｉの物体数とに基づいて、上記（１）式で用いられるパラメータｗ_０ｉ及びｗ_ｊｉ（ｊ＝１，・・・，Ｊ）の値を決定する。決定したパラメータｗ_０ｉ及びｗ_ｊｉは記憶部３０に格納する。

以上の処理によって、分割特定領域毎に、撮影面分割領域の分割領域特徴と当該分割特定領域における物体数との対応関係を表す回帰式が学習される。

そして、この後、物体数分布推定装置１００において、図１０に示す物体数分布推定処理ルーチンが実行される。

まず、ステップＳ１００において、入力部１０から入力されたカメラ１及びカメラ２によって撮影された特定領域の背景画像の各々を背景画像蓄積部２０４から読み出し、例えば、背景画像をカメラ番号と対応づけて記憶部３０に格納する。

そして、ステップＳ１１０では、入力部１０からカメラ１及びカメラ２によって撮影された特定領域の撮影画像のペアが入力されたか否かを判定し、否定判定の場合には、当該撮影画像のペアが入力されるまで、ステップＳ１１０の処理を繰り返す。一方、肯定判定の場合には、ステップＳ１２０に移行する。

ステップＳ１２０では、入力部１０から入力されたカメラ１及びカメラ２によって撮影された特定領域の撮影画像のペアを読み込んで、当該撮影画像の各々をカメラ番号と対応づけて記憶部３０に格納する。

そして、ステップＳ１３０では、記憶部３０からステップＳ１００の処理によって格納された、カメラ１及びカメラ２によって撮影された特定領域の背景画像の各々と、ステップＳ１２０の処理によって記憶された、カメラ１及びカメラ２によって撮影された特定領域の撮影画像のペアとを読み出し、カメラ番号毎に、撮影画像のＲＧＢ値と背景画像のＲＧＢ値との差分が予め定めた閾値以上となる画素を検出して撮影画像内の物体像の領域を特定し、特定した領域を前景画像としてカメラ番号と対応づけて記憶部３０に格納する。

なお、撮影画像内の物体像の領域を特定する際に用いられる予め定めた閾値を、例えば、ＲＯＭの予め定めた領域に予め記憶しておけばよい。

ステップＳ１４０では、ステップＳ１３０で抽出したカメラ１の前景画像を、カメラ１から見た撮影面分割領域に対応した領域に分割すると共に、ステップＳ１３０で抽出したカメラ２の前景画像を、カメラ２から見た撮影面分割領域に対応した領域に分割する。そして、既に説明したCannyエッジ検出器を介して、撮影面分割領域に対応した領域毎に、（１）前景領域の画素数、（２）前景領域のエッジの画素数、（３）前景領域と背景領域との境界の画素数を取得し、カメラ１及びカメラ２の各々について、上記（１）〜（３）の各画素数を当該撮影面分割領域における分割領域特徴として、各撮影面分割領域と対応づけて記憶部３０に格納する。

そして、ステップＳ１５０では、ステップＳ１４０で取得した撮影面分割領域毎の分割領域特徴と、図９に示した対応関係学習処理ルーチンの実行により、分割特定領域ｉ毎に用意された撮影面分割領域の分割領域特徴と物体数との対応関係とから、例えば上記（１）式に従って、分割特定領域ｉにおける物体数の推定値ｐ_ｉを全ての分割特定領域ｉについて算出して、記憶部３０に格納する。

具体的には、図６で示したように、分割特定領域ｉを含むカメラ１の撮影面分割領域及びカメラ２の撮影面分割領域に対応する分割領域特徴ｘ_ｊｉ（ｊ＝１，・・・，Ｊ）を記憶部３０から各々読み出し、読み出した分割領域特徴ｘ_ｊｉを上記（１）に代入することで、分割特定領域ｉにおける物体数の推定値ｐ_ｉを算出することができる。そして、この処理を全ての分割特定領域ｉについて実行する。

ステップＳ１６０では、全ての撮影画像のペアに対して物体数の推定を実施したか否かを判定し、肯定判定の場合には、ステップＳ１５０で推定した分割特定領域毎の物体数の推定値ｐ_ｉに基づいて、出力部４０より特定領域における物体数分布を出力して物体数分布推定処理ルーチンを終了する。全ての撮影画像のペアに対して物体数分布の推定を実施したか否かの判定条件としては、例えば、予め定めた数の撮影画像のペアに対して、上記ステップＳ１１０〜ステップＳ１５０の処理が実施されたか否かを判断すればよい。

一方、ステップＳ１６０の判定が否定判定となった場合には、終了条件を満足していないと判断して、上記ステップＳ１１０へ戻り、上記ステップＳ１１０〜ステップＳ１５０の処理を繰り返す。

以上の処理によって、特定領域における物体数の分布を推定することができる。

次に、本実施の形態に係る手法の有用性を示す目的で、図１１に示すように、１台のカメラあたり１人から１２人が写った撮影画像２３０枚から得られる学習用画像を合成することで生成された、４５００枚の学習用前景画像を用いた場合の、提案法での評価実験の結果について説明する。

まず、図１２を参照して学習用前景画像の生成方法の流れを示す。本評価実験では、床面を３×３に分割し、各分割特定領域単位で人物が０人から４人いる各々の状況を、予め図５で示した位置に配置した２台のカメラで撮影しておき、人物画像のみを切り出す。そして、切り出された人物画像と背景画像を合成することにより、学習用画像を生成する。この学習用画像はカメラ毎に生成される。そして、学習用画像から背景画像を用いて、学習用前景画像を抽出する。

なお、本評価実験では、分割特定領域毎に、当該分割特定領域に存在する人物画像を、０人から４人までそれぞれ１パターン、すなわち５パターン用意した。

図１３に、上記のようにして生成された学習用前景画像に基づいて提案法を用いた場合の評価実験結果を示す。

図１３に示されるように、提案法を用いて特定領域の物体数分布を推定した場合、一例として、最大誤差人数を０．５７人以内に収めることができた。

＜第２実施形態＞

第１実施形態の対応関係学習部２０３では、撮影面分割領域の分割領域特徴と分割特定領域における物体数との対応関係は回帰式として表されるものとして、分割特定領域毎に対応関係を表した。本実施の形態における対応関係学習部２０３では、空間分割領域の分割領域特徴と物体数の分布との対応関係を対応表として表す形態について説明する。

なお、本実施の形態が第１実施形態と異なる点は、学習用分割領域特徴取得部２０２、対応関係学習部２０３、分割領域特徴取得部２０６、及び物体数分布取得部２０７における処理内容であり、その他の各部の処理内容は第１実施形態と同じである。また、本実施の形態に係る物体数分布推定装置１００の構成も図７に示した構成と同じである。

本実施の形態における学習用分割領域特徴取得部２０２では、学習用前景画像合成部２０１で合成された学習用前景画像から、空間分割領域毎に、学習用前景画像と空間分割領域に対応する領域とが重複する共通の領域から学習用前景画像の特徴を取得して、当該空間分割領域における分割領域特徴として対応づける。

そして、対応関係学習部２０３は、学習用分割領域特徴取得部２０２で取得した全ての空間分割領域の分割領域特徴を表す特徴ベクトルに対して、主成分分析を実施することで次元削減を行い、次元削減後の各空間分割領域の分割領域特徴の特徴ベクトルｖと、入力部１０から入力された学習用物体数分布（人数分布の配置パターン）と、を対応づけた対応表を作成する。

例えば、Ｌ次元に次元を削減した後の特徴ベクトルｖのｌ番目の要素を（５）式で表す。

ここで、φ_ｌは固有ベクトルであり、ｔは、ベクトルの転置を表す。また、カメラ１及びカメラ２の学習用前景画像の全ての空間分割領域の分割領域特徴を表すベクトルをｚとし、（６）式で表す。

ただし、３^３個ある空間分割領域のカメラ１からの見掛け上の各々の領域を図４のように多角形の領域として表し、そのｉ番目の領域の（１）前景領域の画素数、（２）前景領域のエッジの画素数、（３）前景領域と背景領域との境界の画素数の分割領域特徴をそれぞれｘ_１,ｉ、ｘ_２,ｉ、ｘ_３,ｉとし、カメラ２から見た空間分割領域のｊ番目の領域の分割領域特徴をｙ_１,ｊ、ｙ_２,ｊ、ｙ_３,ｊとする。

ここで、カメラ１とカメラ２の学習用前景画像の分割領域特徴をｚ_ｋ（ｋ＝１，・・・，Ｋ）とし、（７）式で表される固有値問題を解くことで、固有ベクトルφ_ｌを求めることができる。ただし、φ_ｌは、固有値λを降順に並べてあり、次元削減後の特徴ベクトルｖの次元数を予め決めておき、その次元数の数だけ使用する。

また、分割領域特徴取得部２０６では、前景画像抽出部２０５で抽出されたカメラ毎の前景画像を、当該カメラから見た複数の空間分割領域に対応する領域に分割し、空間分割領域毎に空間分割領域と前景画像とが重複する共通領域から分割領域特徴を取得する。

物体数分布取得部２０７では、分割領域特徴取得部２０６でカメラ１及びカメラ２について取得された全ての空間分割領域の分割領域特徴を表す特徴ベクトルに対して、主成分分析を実施することで次元削減を行う。そして、次元削減後の特徴ベクトルｖと、対応関係学習部２０３で作成された特徴ベクトルｖと人数分布の配置パターンとを対応づけた対応表と、に基づいて、特定領域における物体数分布を推定する。

具体的には、次元削減後の特徴ベクトルｖと、対応表内の特徴ベクトルｖを比較し、最も距離の近い対応表内の特徴ベクトルｖに対応する人数分布の配置パターンを、物体数分布の推定結果として取得する。

対応表内の特徴ベクトルｖとの比較に使用する距離尺度としては、Ｌ１距離、Ｌ２距離などの既知の距離尺度が用いられる。なお、本実施の形態では、一例として、Ｌ１距離を用いるものとする。

次に、図９及び図１０を参照して、本実施の形態に係る物体数分布推定装置１００の作用について説明する。なお、本実施の形態における物体数分布推定装置１００の物体数分布推定処理ルーチンが、第１実施形態における物体数分布推定装置１００の物体数分布推定処理ルーチンと異なる点は、図９におけるステップＳ４０及びステップＳ６０、並びに、図１０におけるステップＳ１４０及びステップＳ１５０であり、その他のステップにおける処理は、既に第１実施形態で説明した処理と同じである。

図９のステップＳ４０では、ステップＳ３０で合成された学習用前景画像のペアの各々を、カメラ１及びカメラ２から見た複数の空間分割領域に対応する領域に分割する。そして、既に説明したCannyエッジ検出器を介して、空間分割領域に対応する領域毎に、（１）前景領域の画素数、（２）前景領域のエッジの画素数、（３）前景領域と背景領域との境界の画素数を取得する。そして、学習用前景画像のペアの各々について、上記（１）〜（３）の各画素数を、対応する空間分割領域における学習用分割領域特徴として割り当てた上で、カメラ１及びカメラ２の各々に対し、空間分割領域と学習用分割領域特徴とを対応付けて、記憶部３０に格納する。

そして、ステップＳ５０の判定処理により、全ての学習用前景画像のペア及び当該ペアの各々に対応する学習用物体数分布から学習用分割領域特徴を取得したと判定された場合にステップＳ６０へ移行する。

ステップＳ６０では、ステップＳ４０で取得した全ての空間分割領域の学習用分割領域特徴を用いて、上記（７）式から予め定めた次元数Ｌの固有ベクトルφ_ｌ（ｌ＝１，・・・，Ｌ）を求める。そして、学習用前景画像のペアの各々について、上記ステップＳ４０で取得した当該ペアの全ての空間分割領域の学習用分割領域特徴を表す特徴ベクトルに対し、上記（５）式に従って、全てのｌに対して特徴ベクトルｖの要素ｖ_ｌを算出することによって、次元削減後の特徴ベクトルｖを得る。そして、本ステップの処理により学習用前景画像のペアの各々について取得した特徴ベクトルｖを、当該ペアに対応して入力された学習用物体数分布に基づく人数分布の配置パターンと対応づけた対応表を生成して、記憶部３０に格納する。

また、図１０のステップＳ１４０では、ステップＳ１３０で抽出したカメラ１の前景画像を、カメラ１から見た空間分割領域に対応した領域に分割すると共に、ステップＳ１３０で抽出したカメラ２の前景画像を、カメラ２から見た空間分割領域に対応した領域に分割する。そして、既に説明したCannyエッジ検出器を介して、空間分割領域に対応した領域毎に、（１）前景領域の画素数、（２）前景領域のエッジの画素数、（３）前景領域と背景領域との境界の画素数を取得し、カメラ１及びカメラ２の各々について、上記（１）〜（３）の各画素数を当該空間分割領域における分割領域特徴として、各空間分割領域と対応づけて記憶部３０に格納する。

そして、ステップＳ１５０では、ステップＳ１４０で取得した全ての空間分割領域の分割領域特徴を表す特徴ベクトルに対して、上記ステップＳ６０で求めた固有ベクトルφ_ｌ（ｌ＝１，・・・，Ｌ）を用いて、全てのｌについて上記（５）式を算出することにより次元削減後の特徴ベクトルｖを得る。そして、前述したステップＳ６０の処理によって生成された対応表を記憶部３０から読み出し、対応表内の全ての特徴ベクトルｖと、本ステップの処理より算出した特徴ベクトルｖとのＬ１距離を演算して、最も距離の近い対応表内の特徴ベクトルｖに対応する人数分布の配置パターンを、特定領域における物体数分布として記憶部３０に格納する。

以上の処理によって、各空間分割領域の分割領域特徴を表す特徴ベクトルと物体数の分布との対応関係が対応づけられた対応表から、特定領域における物体数の分布を推定することができる。

次に、第１実施形態における評価実験と同様に、本実施の形態に係る手法の有用性を示す目的で、１台のカメラあたり１人から１２人が写った画像２３０枚から得られる学習用画像を合成して、５^９枚の学習用前景画像を生成し、学習用前景画像のペア毎に、当該学習用前景画像のペアから得られる全ての空間分割領域の分割領域特徴を表す特徴ベクトルと、当該学習用画像のペアに対応する人数分布の配置パターンと、の対応関係が学習された対応表を用いて、提案法での評価実験を行った。なお、５^９枚の学習用前景用画像を用意したのは、９個の分割特定領域の各々に０人から４人の人物がいる配置パターンの全ての組み合わせについて学習用前景画像を作成したためである。

図１４に、上記のようにして生成された学習用前景画像に基づいて提案法を用いた場合の評価実験結果を示す。

図１４に示されるように、提案法を用いて特定領域の物体数分布を推定した場合、一例として、最大誤差人数を１．０５人以内に収めることができた。

なお、本実施形態では、各空間分割領域の分割領域特徴を表す特徴ベクトルと物体数の分布との対応表を、分割領域特徴と物体数の分布との対応関係として用いたが、各撮影面分割領域の分割領域特徴と物体数の分布との対応表を、分割領域特徴と物体数の分布との対応関係として用い、特定領域における物体数の分布を推定してもよいことは言うまでもない。また、分割特定領域毎に、対応する空間分割領域又は撮影面分割領域の分割領域特徴と物体数との対応表を予め求めておき、分割特定領域毎に、物体数を推定して、特定領域における物体数の分布を推定するようにしてもよい。

＜第３実施形態＞

次に、本発明における第３の実施形態について説明する。

図１５は、本実施の形態に係る物体数分布推定装置１００の構成を示した図である。本実施の形態に係る物体数分布推定装置１００の構成が第１実施形態及び第２実施形態における物体数分布推定装置１００の構成と異なる点は、背景画像蓄積部２０４から学習用前景画像抽出部２０８へ、カメラ１及びカメラ２で撮影された背景画像のペアを出力するようにした点と、学習用前景画像合成部２０１を学習用前景画像抽出部２０８に置き換えた上で、入力部１０から学習用前景画像抽出部２０８へ、カメラ１及びカメラ２で撮影された学習用撮影画像のペアを出力するようにした点と、入力部１０から対応関係学習部２０３へ、当該学習用撮影画像のペアに対応する学習用物体数分布を出力するようにした点であり、その他の構成及び各部の処理は、第１実施形態及び第２実施形態における物体数分布推定装置１００と同じである。

本実施の形態における学習用前景画像抽出部２０８は、カメラ１及びカメラ２で撮影された学習用撮影画像のペアを入力部１０から取得すると共に、カメラ１及びカメラ２で撮影された背景画像のペアを背景画像蓄積部２０４から取得する。

そして、背景画像蓄積部２０４から取得した背景画像のペアと、入力部１０から取得した学習用撮影画像のペアとに基づいて、カメラ番号毎に背景画像と学習用撮影画像との差分を求めて、学習用撮影画像から学習用前景画像を抽出する。

なお、この学習用前景画像の抽出には、前景画像抽出部２０５で実施される抽出方法と同様の方法を用いることができる。

学習用分割領域特徴取得部２０２では、学習用前景画像抽出部２０８で抽出された学習用前景画像のペアから、例えば、既に説明した処理によって撮影面分割領域毎に分割領域特徴を取得し、対応関係学習部２０３において、学習用分割領域特徴取得部２０２で学習用前景画像の各々について取得した撮影面分割領域毎の分割領域特徴と、カメラ１及びカメラ２で撮影された学習用撮影画像のペアに対する学習用物体数分布と、に基づいて、分割特定領域毎に、分割領域特徴と物体数との対応関係を学習する。

次に、図１６を参照して、本実施の形態に係る物体数分布推定装置１００の対応関係学習処理ルーチンについて説明する。なお、本実施の形態における物体数分布推定装置１００の物体数分布推定処理ルーチンは、図１０に示した処理と同じである。

まず、ステップＳ３００では、入力部１０からカメラ１及びカメラ２によって撮影された学習用撮影画像のペアと、当該ペアに対応する学習用物体数分布が入力されたか否かを判定し、否定判定の場合には、当該学習用撮影画像のペア及び当該ペアに対応する学習用物体数分布が入力されるまで、ステップＳ３００の処理を繰り返す。一方、肯定判定の場合には、ステップＳ３１０に移行する。

ステップＳ３１０では、ステップＳ３００で入力部１０から入力された学習用撮影画像のペアを読み込むと共に、当該学習用撮影画像のペアが撮影された場所の背景画像のペアを、背景画像蓄積部２０４から読み込む。

そして、ステップＳ３２０では、ステップＳ３１０で読み込んだ学習用撮影画像のペア及び背景画像のペアに基づいてカメラ番号毎に、学習用撮影画像のＲＧＢ値と背景画像のＲＧＢ値との差分が予め定めた閾値以上となる画素を検出して学習用撮影画像内の物体像の領域を特定し、特定した領域を学習用前景画像としてカメラ番号と対応づけて記憶部３０に格納する。

ステップＳ３３０では、図１０のステップＳ４０の処理と同様に、ステップＳ３２０で抽出された学習用前景画像のペアの各々を、カメラ１及びカメラ２から見た複数の撮影面分割領域に対応する領域に分割する。そして、既に説明したCannyエッジ検出器を介して、撮影面分割領域に対応する領域毎に、撮影面分割領域に対応する領域と学習用前景画像とが重複する共通領域の上記（１）〜（３）の各画素数を取得する。そして、これらの各画素数を、対応する撮影面分割領域における学習用分割領域特徴として割り当てた上で、撮影面分割領域と学習用分割領域特徴とを対応付けて、記憶部３０に格納する。

そして、ステップＳ３４０の判定処理により、全ての学習用撮影画像のペア及び当該ペアの各々に対応する学習用物体数分布から学習用分割領域特徴を取得したか否かを判定し、否定判定の場合には、上記ステップＳ３００へ戻り、次の学習用撮影画像のペア及び当該ペアに対応する学習用物体数分布に基づいて、上記ステップＳ３００〜ステップＳ３３０の処理を繰り返す。一方、肯定判定の場合には、ステップＳ３５０へ移行する。

ステップＳ３５０では、図９のステップＳ６０と同様の処理を実行して、分割特定領域毎に撮影面分割領域の分割領域特徴と物体数との対応関係を生成する。

第１実施形態及び第２実施形態では、対応関係を学習する際、入力部１０から学習用前景画像を取得したが、本実施の形態では、実際の画像である学習用撮影画像と背景画像とから学習用前景画像を生成し、対応関係の学習を行った。

＜第４実施形態＞

本実施の形態に係る物体数分布推定装置１００は、既に説明した第２実施形態に係る物体数分布推定装置１００の変形例である。

第２実施形態では、次元削減後の特徴ベクトルｖと、対応表内の特徴ベクトルｖを比較し、最も距離の近い対応表内の特徴ベクトルｖに対応する人数分布の配置パターンを、物体数分布の推定結果として取得した。

本実施の形態に係る物体数分布推定装置１００は、次元削減後の特徴ベクトルｖと、対応表内の特徴ベクトルｖを比較するところまでは、第２実施形態に係る物体数分布推定装置１００と同じである。

しかし、当該比較の際、本実施の形態に係る物体数分布推定装置１００は、次元削減後の特徴ベクトルｖに最も距離の近い対応表内の特徴ベクトルｖに対応する人数分布の配置パターンを、物体数分布の推定結果とするのではなく、次元削減後の特徴ベクトルｖからＭ近傍（Ｍ＝１，・・・，ｍ）にある対応表内の特徴ベクトルｖに対応する人数分布の配置パターンを取得する。ここで、次元削減後の特徴ベクトルｖからＭ近傍にある対応表内の特徴ベクトルｖとは、次元削減後の特徴ベクトルｖからの距離が最も近い対応表内の特徴ベクトルｖからＭ番目に近い対応表内の特徴ベクトルｖまでのＭ個の特徴ベクトルｖをいう。

そして、取得したＭ個の人数分布の配置パターンの各々に対して、次元削減後の特徴ベクトルｖからの距離に応じて予め設定された重み付けを行い、重み付け後のＭ個の人数分布の配置パターン（重み付け配置パターン）の各々を加算した結果を、特定領域における物体数分布の推定結果として取得する。

すなわち、特定領域における各分割特定領域ｉの物体数の推定値Ｂ_iは（１０）式で表される。

ここで、ｂ_ｍiは、次元削減後の特徴ベクトルｖからの距離がｍ番目に近い対応表内の特徴ベクトルｖに対応する人数分布の配置パターンにおける分割特定領域ｉの物体数であり、ｇ_ｍはｂ_ｍiの重み付けに用いられる重みである。Ｍ＝１の場合にｇ_ｍ＝１とすれば、第２実施形態における特定領域における物体数分布の推定結果と一致する。

なお、人数分布の配置パターンの重み付けに用いられる重みｇ_ｍの大きさは、次元削減後の特徴ベクトルｖから最も距離が近い対応表内の特徴ベクトルｖに対応する人数分布の配置パターンｂ_１の重み付けに用いられる重み、すなわちｇ_１の値を最も大きくする。そして、ｇ_２、ｇ_３、・・・、ｇ_ｍとｍの値が大きくなるに従って、重みの値が小さくなるように重みｇ_ｍを設定することが好ましい。例えば、Ｍ＝３の場合、ｇ₁＝０．４、ｇ₂＝０．３５、ｇ₃＝０．２５である。

具体的には、次元削減後の特徴ベクトルｖからｍ番目に近い対応表内の特徴ベクトルｖまでの距離をｄ_ｍ（ｍ＝１，・・・，Ｍ）とすれば、重みｇ_ｍの大きさは（１１）式で表される。

次に、図１０を参照して、本実施の形態に係る物体数分布推定装置１００の作用について説明する。

本実施の形態に係る物体数分布推定装置１００の構成は、図７に示した第２実施形態に係る物体数分布推定装置１００の構成と同じである。

また、本実施の形態における物体数分布推定装置１００の物体数分布推定処理ルーチンが、第２実施形態における物体数分布推定装置１００の物体数分布推定処理ルーチンと異なる点は、図１０におけるステップＳ１５０の処理であり、その他のステップにおける処理は、既に第２実施形態で説明した処理と同じである。従って、ここではステップＳ１５０の処理について説明する。

ステップＳ１５０では、ステップＳ１４０で取得した全ての空間分割領域の分割領域特徴を表す特徴ベクトルに対して、図９のステップＳ６０で求めた固有ベクトルφ_ｌ（ｌ＝１，・・・，Ｌ）を用いて、全てのｌについて上記（５）式を算出することにより次元削減後の特徴ベクトルｖを得る。

次に、前述したステップＳ６０の処理によって生成された対応表を記憶部３０から読み出し、対応表内の全ての特徴ベクトルｖと、本ステップの処理より算出した特徴ベクトルｖとのＬ１距離を演算する。そして、対応表内の全ての特徴ベクトルｖのうち、本ステップの処理より算出した特徴ベクトルｖとの距離が近い方から順にＭ個の特徴ベクトルｖを抽出し、選択された対応表内のＭ個の特徴ベクトルｖに対応する人数分布の配置パターンを選択する。なお、対応表内から抽出する特徴ベクトルｖの数Ｍを、例えば、ＲＯＭの予め定めた領域に予め記憶しておけばよい。

そして、本ステップの処理により算出した特徴ベクトルｖからｍ番目に近い対応表内のＭ個の特徴ベクトルｖまでの各距離ｄ_ｍ（ｍ＝１，・・・，Ｍ）を用いて、上記（１１）に従って、選択されたＭ個の人数分布の配置パターンの各々に対応した重みｇ_ｍを算出する。

このＭ個の重みｇ_ｍと、選択されたＭ個の人数分布の配置パターンとから、例えば上記（１０）式に従って、特定領域における各分割特定領域ｉの物体数の推定値Ｂ_iを算出し、記憶部３０に格納する。

このように、特定領域における物体数分布を、対応表に含まれる複数の人数分布の配置パターンから推定することで、第２実施形態に係る物体数分布の推定手法と比較して、特定領域における物体数分布の推定精度の向上が期待できる

なお、本発明は、上述した各実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、上記の第３の実施の形態で説明した学習用撮影画像と背景画像とから学習用前景画像を生成する方法を、上記の第２の実施の形態に適用してもよい。

また、上述の物体数分布推定装置は、内部にコンピュータシステムを有しているが、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能である。

また、説明を簡略化するため、カメラ１及びカメラ２の２台のカメラを用いて特定領域における物体数分布を推定する例を示したが、カメラ台数はこれに限定されない。３台以上のカメラからの画像を用いることで、より精度よく特定領域における物体数分布を推定する効果が期待される。

また、移動可能な１台のカメラで、異なる撮影位置１及び撮影位置２から特定領域を撮影するようにしてもよい。

１０ 入力部
２０ 演算部
３０ 記憶部
４０ 出力部
１００ 物体数分布推定装置
２０１ 学習用前景画像合成部
２０２ 学習用分割領域特徴取得部
２０３ 対応関係学習部
２０４ 背景画像蓄積部
２０５ 前景画像抽出部
２０６ 分割領域特徴取得部
２０７ 物体数分布取得部
２０８ 学習用前景画像抽出部

Claims (6)

1. 特定領域内の物体数の分布を推定する物体数分布推定方法であって、
   特定領域に物体が存在しない状態で、異なる複数の撮影位置から前記特定領域を撮影した画像である複数の背景画像と、前記複数の撮影位置から前記特定領域を撮影した画像である複数の撮影画像と、に基づいて、前記複数の撮影位置の各々に対し、前記撮影位置の背景画像と撮影画像との差分を求めて、前記物体を表す画像である前景画像を抽出する前景画像抽出過程と、
   前記複数の撮影位置の各々に対して抽出された前景画像の各々について、前記特定領域を少なくとも１つ以上の撮影面分割領域に分割して、前記撮影面分割領域毎に、前記前景画像上の前記撮影面分割領域に対応した領域の特徴である少なくとも１つ以上の分割領域特徴を取得する分割領域特徴取得過程と、
   前記前景画像の各々について取得した前記撮影面分割領域毎の前記分割領域特徴と、予め用意した前記分割領域特徴と物体数の分布との対応関係、又は前記特定領域を分割した分割特定領域毎に予め用意した前記分割領域特徴と物体数との対応関係と、に基づいて、前記特定領域における物体数の分布を推定する物体数分布取得過程と、
   を含む物体数分布推定方法。
2. 前記複数の撮影位置から前記特定領域を撮影した画像である複数の撮影画像から得られる前記前景画像の各々について、前記撮影面分割領域毎に、前記前景画像上の前記撮影面分割領域に対応した領域の前記分割領域特徴を取得する学習用分割領域特徴取得過程と、 前記分割特定領域毎に、前記学習用分割領域特徴取得過程によって取得した前記分割特定領域を含む撮影面分割領域に対応する前記分割領域特徴と、予め求めた前記分割特定領域における物体数との対応から、前記分割特定領域に対する前記分割領域特徴と物体数との対応関係を学習する対応関係学習過程とを更に含み、
   前記物体数分布取得過程は、前記分割領域特徴取得過程によって前記前景画像の各々について取得した前記撮影面分割領域毎の前記分割領域特徴と、前記対応関係学習過程によって前記分割特定領域毎に学習された前記分割領域特徴と物体数との対応関係と、に基づいて、前記特定領域における物体数の分布を推定する
   請求項１記載の物体数分布推定方法。
3. 前記複数の撮影位置から前記特定領域を撮影した画像である複数の撮影画像から得られる前記前景画像の各々について、前記撮影面分割領域毎に、前記前景画像上の前記撮影面分割領域に対応した領域の前記分割領域特徴を取得する学習用分割領域特徴取得過程と、 前記学習用分割領域特徴取得過程によって前記撮影面分割領域毎に取得した前記分割領域特徴と、予め求めた前記特定領域における物体数の分布との対応から、前記分割領域特徴と物体数の分布との対応関係を学習する対応関係学習過程とを更に含み、
   前記物体数分布取得過程は、前記分割領域特徴取得過程によって前記前景画像の各々について取得した前記撮影面分割領域毎の前記分割領域特徴と、前記対応関係学習過程によって前記分割特定領域毎に学習された前記分割領域特徴と物体数の分布との対応関係と、に基づいて、前記特定領域における物体数の分布を推定する
   請求項１記載の物体数分布推定方法。
4. 前記分割領域特徴取得過程は、前記撮影面分割領域毎に、前記前景画像と前記撮影面分割領域に対応する領域との共通領域から抽出した特徴を、前記撮影面分割領域の前記分割領域特徴として取得する
   請求項１〜請求項３の何れか１項記載の物体数分布推定方法。
5. 前記物体数分布取得過程は、前記分割特定領域毎に、前記分割領域特徴を説明変数とし、前記分割特定領域における物体数を目的変数とした式を、前記分割特定領域に対する前記分割領域特徴と物体数との対応関係として用いて、前記分割特定領域における物体数を推定することにより、前記特定領域における物体数の分布を推定する
   請求項１又は請求項２に記載の物体数分布推定方法。
6. 前記物体数分布取得過程は、前記分割領域特徴と物体数の分布との対応表を、前記分割領域特徴と物体数の分布との対応関係として用いて、前記特定領域における物体数の分布を推定する
   請求項１又は請求項３に記載の物体数分布推定方法。