JP2016024651A - 状態判定システム、状態判定方法及びプログラム - Google Patents

Abstract

【課題】移動体が行き交う状況下においても空間の異常を検出することが可能な状態判定システム、状態判定方法及びプログラムを提供する。【解決手段】対象の空間から空間情報を取得する取得部と、前記空間に部分空間を複数設定する設定部と、前記設定部により設定された前記部分空間から前記取得部により取得された前記空間情報に基づいて特徴量を算出する算出部と、前記特徴量の相関関係と前記空間の状態との対応関係を記憶する記憶部と、前記算出部により算出された前記特徴量と前記記憶部に記憶された前記対応関係とに基づいて、前記空間の状態を判定する判定部と、を備える状態判定システム。【選択図】図１

Description

本発明は、状態判定システム、状態判定方法及びプログラムに関する。

近年、カメラやマイク、赤外線センサ等のセンサを用いた監視システムが普及している。監視システムに関して、多様な技術が開発されており、さらなる技術の向上が望まれている。

例えば、下記特許文献１では、駅、空港、広場等の不特定多数の人が集まる公共の場所における犯罪や危険行為を早期に発見するために、群衆の映像から非定常状態を検出する技術が開示されている。ここでいう非定常状態とは、主流な流れに対する逆行を意味する。この技術では、まず、映像データを複数のブロックに分割し、ブロック毎にオプティカルフローを算出し、フローの方向別に速度を集計する。そして、上位２方向へのフロー集中度、上位２方向のなす角度、上位２方向のフロー数の比率で表す３種の評価指標に基づいて、主流な流に対する逆行状態が判定される。

また、下記特許文献２では、ビデオカメラにより撮影された映像に基づいて、複数人の中から不審者を特定して識別する技術が開示されている。この技術では、主に光学系センサの出力に基づいて、監視対象者の移動軌跡情報を取得し、監視対象者について取得された移動軌跡情報と移動軌跡に応じた行動の学習結果とを比較することで、監視対象者の不審行動を自動且つリアルタイムで判定している。

また、下記特許文献３では、自動取引装置に設置された不審物を検出して通報する技術が開示されている。この技術によると、銀行等に設置された自動取引装置に小型カメラを不正に設置し暗証番号入力操作を盗撮したり、スキミング装置を不正に設置してカード情報を盗み取ったりする犯罪による被害を防ぐことが可能である。この技術では、人が検出されない区間の画像から生成されたエッジ画像を基準画像として、人が検出された前後の画像から生成されたエッジ画像と基準画像との間で変化した変化領域を抽出し、人検出前後の変化領域間で対応付けできない変化領域の有無に基づいて不審物を検出している。

また、下記特許文献４では、監視エリアにおいて侵入者を検出する技術が開示されている。この技術では、監視エリアを複数のブロックに分割し、カメラにより撮影された監視エリアの画像から時間変化量が所定値以上のブロックを特定し、さらに人感センサによってそのブロックで検出された移動体が人であるか否かを判別している。

特許第０５４００７１８号公報 特許第０５１２１２５８号公報 特許第０４９３６９５２号公報 特開平２０１０−１８２０２１号公報

しかし、上記特許文献に開示された技術では、人が行き交う場所における異常を検出することが困難であった。例えば、上記特許文献１に開示された技術では、主流の流れに逆行する流れの存在を異常状態として検出するので、人が行き交う場所のように逆行が常時生じ得る場所では適切に異常を検出することが困難である。また、上記特許文献３では、人物検出前の画像と、人物検出後であって人物が存在しなくなった際の画像とを、不審物の検出のために用いるので、人が行き交う場所では適用が困難である。

また、上記特許文献に開示された技術では、死角となる場所が存在する状況下で異常を検出することが困難であった。例えば、上記特許文献２に開示された技術では、監視対象の移動軌跡情報に基づいて不審行動を検出するため、監視対象が人影等の死角に入る場合等の移動軌跡情報の取得が困難な状況下では不審行動の検出が困難である。また、上記特許文献３に開示された技術では、撮影時間の異なる画像間の差によって不審物の検出を行うため、不審物が物陰等の死角にある場合に不審物の検出が困難である。また、上記特許文献４に開示された技術でも、画像に時間変化が生じないような、物陰等の死角にいる侵入者の検出が困難である。

このように、上記特許文献に開示された技術では、移動体の流れがランダムであったり、移動体が常に存在したり、移動体により影が生じるような、移動体が行き交う場所での異常の検出が困難であった。そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、移動体が行き交う状況下においても空間の異常を検出することが可能な、新規かつ改良された状態判定システム、状態判定方法及びプログラムを提供することにある。

上記課題を解決するために、本発明のある観点によれば、対象の空間から空間情報を取得する取得部と、前記空間に部分空間を複数設定する設定部と、前記設定部により設定された前記部分空間から前記取得部により取得された前記空間情報に基づいて特徴量を算出する算出部と、前記特徴量の相関関係と前記空間の状態との対応関係を示す識別モデルを記憶する記憶部と、前記算出部により算出された前記特徴量と前記記憶部に記憶された前記識別モデルとに基づいて、前記空間の状態を判定する判定部と、を備える状態判定システムが提供される。

前記判定部は、前記空間を移動する移動体の移動を妨げる障害物が存在するか否かを判定してもよい。

前記判定部は、前記部分空間の特徴量に基づいて前記障害物が存在する前記部分空間を判定してもよい。

前記移動体は人であり、前記障害物は人が移動する床面に存在してもよい。

前記判定部は、前記算出部により算出された前記特徴量の相関関係を示す物理量を並べたベクトルを用いて、前記空間の状態を判定してもよい。

前記算出部は、前記特徴量として、温度、移動体の密度、若しくは方向別速度分布、又はこれらの時間変化量の少なくともいずれかを算出してもよい。

前記算出部は、前記相関関係として、相関係数、共分散、ＫＬ情報量（Kullback−Leibler divergence）、内積を用いた類似度の少なくともいずれかを算出してもよい。

前記状態判定システムは、前記識別モデルを学習して前記記憶部に記憶する学習部をさらに備えてもよい。

前記設定部は、前記空間を移動する移動体の移動経路上に複数の前記部分空間を設定してもよい。

前記算出部は、複数種類の前記特徴量を算出し、前記判定部は、複数種類の前記特徴量と前記記憶部に記憶された前記識別モデルとに基づいて判定した複数通りの判定結果を総合して前記空間の状態を判定してもよい。

前記記憶部は、複数の前記識別モデルを記憶し、前記判定部は、前記特徴量と前記記憶部に記憶された複数の前記識別モデルとに基づいて判定した複数通りの判定結果を総合して前記空間の状態を判定してもよい。

前記状態判定システムは、前記特徴量に基づく視覚効果を前記空間情報に適用した情報を通知する通知部をさらに備えてもよい。

また、上記課題を解決するために、本発明の別の観点によれば、対象の空間から空間情報を取得するステップと、前記空間に部分空間を複数設定するステップと、設定された前記部分空間から取得された前記空間情報に基づいて特徴量を算出するステップと、算出された前記特徴量と、前記特徴量の相関関係と前記空間の状態との対応関係を示す記憶部に記憶された識別モデルとに基づいて、前記空間の状態を判定するステップと、を含む状態判定方法が提供される。

また、上記課題を解決するために、本発明の別の観点によれば、コンピュータを、対象の空間から空間情報を取得する取得部と、前記空間に部分空間を複数設定する設定部と、前記設定部により設定された前記部分空間から前記取得部により取得された前記空間情報に基づいて特徴量を算出する算出部と、前記特徴量の相関関係と前記空間の状態との対応関係を示す識別モデルを記憶する記憶部と、前記算出部により算出された前記特徴量と前記記憶部に記憶された前記識別モデルとに基づいて、前記空間の状態を判定する判定部と、として機能させるためのプログラムが提供される。

以上説明したように本発明によれば、移動体が行き交う状況下においても空間の異常を検出することが可能である。

本発明の一実施形態に係る状態判定システムの概要を説明するための説明図である。 第１の実施形態に係る状態判定システムの論理的な構成の一例を示すブロック図である。 第１の実施形態に係る対象空間におけるブロック設定の一例を説明するための説明図である。 第１の実施形態に係る算出部により算出される特徴量の一例を説明するための説明図である。 第１の実施形態に係る算出部により算出される特徴量の一例を説明するための説明図である。 第１の実施形態に係る算出部により生成される特徴ベクトルの一例を説明するための説明図である。 第１の実施形態に係るブロック間の相関関係の一例を説明するための説明図である。 第１の実施形態に係る判定部による状態判定の一例を説明するための説明図である。 第１の実施形態に係る状態判定システムの学習処理の流れの一例を示すフローチャートである。 第１の実施形態に係る状態判定システムの状態判定処理の流れの一例を示すフローチャートである。 第２の実施形態に係る状態判定システムの状態判定処理の流れの一例を示すフローチャートである。 第２の実施形態に係る状態判定システムの状態判定処理の流れの一例を示すフローチャートである。 第２の実施形態に係る状態判定システムの状態判定処理の流れの一例を示すフローチャートである。 第３の実施形態に係る状態判定システムの学習処理の流れの一例を示すフローチャートである。 第３の実施形態に係る状態判定システムの状態判定処理の流れの一例を示すフローチャートである。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

＜１．概要＞
まず、図１を参照して、本発明の一実施形態に係る状態判定システムの概要について説明する。図１は、本発明の一実施形態に係る状態判定システムの概要を説明するための説明図である。

詳しくは、符号１０１は、ある空間において人が行き交っている様子を示している。人が行き交う場所においては、例えば最短距離を通る移動経路、通路の行きと帰りの２方向の人の流れに沿った移動経路、又は行先に応じた移動経路等を人が移動するといった、人の流れに特定の傾向がある場合がある。符号１０１に示した空間においては、空間の中央を通る移動経路を人が左右に移動している。本実施形態に係る状態判定システムは、このような特定の傾向で人が移動している状態を、平常状態として判定する。なお、このような人の流れの傾向は、場所によって異なるし、時間帯その他の条件に応じて異なる場合がある。

このような人の流れは、もともと存在しなかった障害物が突発的に発生することにより、動的に変化し得る。ここで、障害物とは、人の移動を妨げる物体であり、人が移動する床面に存在する。障害物としては、例えば、落し物、不審物、又は吐しゃ物等が挙げられる。

図１の符号１０２は、符号１０１に示した空間と同じ空間において、障害物１０３の存在により人の流れが変化している様子を示している。障害物１０３が突発的に発生した場合、符号１０２に示すように、人はその障害物１０３を避けるように、符号１０１で示した傾向と異なる傾向で移動することとなる。このような傾向は、障害物１０３が取り除かれるまで続くこととなる。本実施形態に係る状態判定システムは、このような平常状態とは異なる傾向で人が移動している状態、即ち空間を移動する移動体の移動を妨げる障害物が存在する状態を、異常状態として判定する。

本実施形態に係る状態判定システムは、このような障害物の発生による移動体の流れの異常を検出し、障害物が存在するか否かを判定することが可能である。本システムによれば、例えばシステム管理者は、障害物の発生を知得して障害物を早期に取り除くことが可能となる。

なお、本明細書では、移動体は人であるものとして説明するが、本発明は係る例に限定されない。例えば、移動体は、自動車、二輪車、動物、昆虫、又は魚等であってもよい。例えば、移動体が自動車である場合、状態判定システムは、路上に突発的に発生した障害物に起因する自動車の流れの異常を検出することが可能である。

以上、本開示の一実施形態に係る状態判定システムの概要を説明した。以下、各実施形態について詳細に説明する。

＜２．第１の実施形態＞
［２−１．状態判定システムの構成例］
図２は、本実施形態に係る状態判定システムの論理的な構成の一例を示すブロック図である。図２に示すように、状態判定システム１は、取得部１０、設定部２０、算出部３０、入力部４０、学習部５０、記憶部６０、判定部７０及び通知部８０を有する。

（１）取得部１０
取得部１０は、対象の空間から空間情報を取得する機能を有する。取得部１０は、例えばカメラ、マイク、近赤外線センサ、光センサ、圧力センサ、電波センサ、磁気センサ、温度センサ、距離センサ等の任意のセンサにより実現され得る。空間情報とは、例えば画像（動画像／静止画像）、温度分布又はスペクトル等の、センシングの結果得られる情報を示す。取得部１０が空間情報を取得する対象の空間は、センサのセンシング対象となる空間を指す。以下では、この空間を対象空間とも称する。取得部１０は、センサと一体的に構成されていてもよいし、分離して構成されたセンサとネットワーク等により接続されていてもよい。本明細書では、取得部１０は映像カメラにより実現され、空間情報は画像であるものとする。取得部１０は、取得した空間情報を設定部２０へ出力する。

（２）設定部２０
設定部２０は、対象空間に部分空間を複数設定する機能を有する。部分空間の設定方法は任意である。設定部２０は、部分空間同士を隣接するよう設定してもよいし、離間するよう設定してもよい。また、設定部２０は、部分空間を所定の形状で設定してもよいし、バラバラの形状で設定してもよい。また、設定部２０は、部分空間を重複しないよう設定してもよいし、重複するよう設定してもよい。以下では、部分空間をブロックとも称する。ここで、図３を参照して、設定部２０によるブロックの設定例を説明する。

図３は、本実施形態に係る対象空間におけるブロック設定の一例を説明するための説明図である。符号１１１に示した例では、設定部２０は、同一形状のブロックをそれぞれ隣接させて、格子状に規則的に設定している。符号１１１に示すように、本明細書では、ひとつひとつのブロックを示す符号として、アルファベットのＢとインデックスを示す数字とを組み合わせた、Ｂ１、Ｂ２、・・・、ＢＮを用いるものとする。符号１１２に示した例では、設定部２０は、同一形状のブロックを離間させて、また一部重複させて設定している。符号１１３に示した例では、設定部２０は、形状の異なるブロックを、離間させて、また一部重複させて設定している。

設定部２０は、対象空間を移動する移動体の移動経路上に、複数のブロックを設定してもよい。例えば、設定部２０は、対象空間でよく観察される、移動体の流れの傾向に沿って、複数のブロックを設定する。具体的には、設定部２０は、人が行き交う場所における、最短距離を通る移動経路、通路の行きと帰りの２方向の人の流れに沿った移動経路、又は行先に応じた移動経路等に沿って、複数のブロックを設定する。設定部２０が移動経路上にブロックを設定することにより、後述の算出部３０が、平常状態において各ブロック間で相関関係がある特徴量を算出することが可能となる。これにより、後述の判定部７０による異常状態の判定精度が向上する。設定部２０は、自動的に移動体の移動経路を検出してブロックを設定してもよいし、ユーザ入力に応じてブロックを設定してもよい。

設定部２０は、取得部１０から出力された対象空間全体の空間情報のうち、設定したブロックから取得された空間情報を抽出して、算出部３０へ出力する。例えば、設定部２０は、取得部１０から出力された対象空間全体の撮像画像から、設定したブロックに対応する部分を切り出して出力する。

（３）算出部３０
算出部３０は、設定部２０により設定されたブロックから取得部１０により取得された空間情報に基づいて特徴量を算出する機能を有する。算出部３０が算出する特徴量は多様に考えられる。算出部３０は、１つのブロックから１つの特徴量を算出してもよいし、１つのブロックから複数の特徴量を算出してもよい。以下、算出部３０が算出する特徴量の具体例を説明する。

例えば、算出部３０は、特徴量として、ブロック毎の温度又は移動体の密度を算出してもよい。この場合、算出部３０は、１つのブロックから１つの特徴量を算出することとなる。例えば、取得部１０が映像カメラにより実現される場合、例えば算出部３０は、取得された映像から人物を検出して、設定部２０で設定したブロックの大きさに応じて人物の検出数を割ることによって、人の密度を算出し得る。映像から人物を検出する技術については、例えば「N.Dalal, et al.,“Histograms of Oriented Gradients for Human Detection,” CVPR, vol.1, pp.886-893, 2005.」に開示されている。なお、人密度は、混雑度とも捉えることができる。

例えば、算出部３０は、特徴量として、ブロック毎の方向別速度分布を算出してもよい。方向別速度分布とは、移動方向ごとの移動量の分布である。この場合、算出部３０は、１つのブロックから複数の特徴量を算出することとなる。算出部３０が算出する方向別速度分布の一例を、図４に示す。図４は、本実施形態に係る算出部３０により算出される特徴量の一例を説明するための説明図である。図４に示すように、方向速度分布は、方向（０度〜３５９度）別の度数／強度として表される。なお、図４では１度ごとの分布として示しているが、１０度ごと、２０度ごと、又は０．５度ごと等の任意の粒度の分布であってもよい。方向速度分布を算出する技術については、例えば上記特許文献１に開示されている。

例えば、算出部３０は、特徴量として、ブロック毎に算出した特徴量の単位時間当たりの時間変化量を算出してもよい。算出部３０が特徴量の単位時間当たりの時間変化量を算出する例を、図５に示す。図５は、本実施形態に係る算出部３０により算出される特徴量の一例を説明するための説明図である。詳しくは、図５の符号１２１では、ブロックＢ１の特徴量の時間変化量を示しており、符号１２２では、ブロックＢ２の特徴量の時間変化量を示している。算出部３０は、このような時間変化量の算出を各ブロックについて行う。算出部３０は、温度又は移動体の密度のように、１つのブロックから算出した１つの特徴量について時間変化量を算出することで、１つのブロックから複数の特徴量を得ることができる。もちろん、算出部３０は、方向別速度分布のように、１つのブロックから複数の特徴量を算出した場合にも、複数の特徴量それぞれについて時間変化量を算出してもよい。

上記説明したように、算出部３０は、特徴量として、温度、移動体の密度、若しくは方向別速度分布を算出してもよいし、これらの時間変化量を算出してもよい。また、算出部３０は、これらのうちいずれかひとつを特徴量として算出してもよいし、組み合わせた複数の特徴量として算出してもよい。算出部３０は、上述した例に限定されず、他の任意の特徴量を算出し得る。

なお、算出部３０は、空間情報そのものを、特徴量として取り扱ってもよい。例えば、取得部１０が映像カメラにより実現される場合、算出部３０は、ブロック毎の画素値を、特徴量として取り扱ってもよい。

算出部３０は、算出したブロック毎の特徴量を並べたベクトルを生成する。算出部３０は、ブロック毎の特徴量を予め定められた規則に基づいて並べることで、ベクトルを生成する。このベクトルを、以下では特徴ベクトルとも称する。特徴ベクトルについて、図６を参照して具体的に説明する。図６は、本実施形態に係る算出部３０により生成される特徴ベクトルの一例を説明するための説明図である。図６の符号１３１は、格子状に設定されたブロック毎に算出された人密度を、人密度が低いほど薄い色で、高いほど濃い色で表している。算出部３０は、このブロック毎の人密度を、符号１３２に示すように、左上のブロックから順に一列に並べ得る。算出部３０は、他の任意の順序で並べてもよいし、複数列に並べてもよい。算出部３０は、ひとつのブロックから複数の特徴量を得る場合にも、同様にして特徴ベクトルを生成する。

特徴量の他の例として、算出部３０は、特徴量の相関関係を算出してもよい。詳しくは、算出部３０は、例えば１つのブロックから得られた複数の特徴量について、ブロック同士で相関関係を算出する。よって、算出部３０は、温度又は移動体の密度のように、１つのブロックから１つの特徴量が算出される場合には、その時間変化量を算出することで複数の特徴量を得て、相関関係を算出する。算出部３０は、相関関係として、例えば、相関係数、共分散、ＫＬ情報量（Kullback−Leibler divergence）、内積を用いた類似度の少なくともいずれかを算出してもよい。算出部３０がブロック間の相関関係を算出する例を、図７に示す。図７は、本実施形態に係るブロック間の相関関係の一例を説明するための説明図である。図７に示すように、算出部３０は、任意の２つのブロック毎に相関関係を示す物理量を算出する。なお、１つブロックから得られた１つの特徴量の時間変化を、相関関係として捉えてもよい。また、相関関係を示す物理量を、特徴量として捉えることも可能である。算出部３０は、算出した相関関係を示す物理量を、ブロック毎に並べたベクトルを生成してもよい。例えば、算出部３０は、図６に示した特徴量に関する例と同様に、左上のブロックから順に他の各ブロックとの相関関係を示す物理量を並べて、ベクトルを生成してもよい。相関関係を示す物理量を並べたベクトルのことも、本明細書では特徴ベクトルと称する。

算出部３０は、生成した特徴ベクトル（特徴量そのもののベクトル又は特徴量の相関関係を示す物理量を並べたベクトル）を、入力部４０又は判定部７０の少なくともいずれかへ出力する。

（５）入力部４０
入力部４０は、算出部３０による算出結果に、平常状態／異常状態のラベルを付与する入力を受け付ける機能を有する。例えば、入力部４０は、対象空間の状態が平常状態であるか異常状態であるかを判断したユーザによる、平常状態／異常状態のラベルを入力するユーザ操作を受け付ける。入力部４０は、特徴ベクトルに、入力されたラベルを付与する。

なお、入力部４０は、ひとつの算出結果に対してひとつのラベルを付与してもよいし、時系列データのある時刻ｔ_０から時刻ｔ_ｎを指定することで、複数の算出結果に対してまとめてラベルを付与してもよい。

また、本明細書では、入力部４０は、平常状態／異常状態の２種類のラベルを付与するものとして説明するが、本発明はかかる例に限定されない。例えば、入力部４０は、異常状態Ａ、異常状態Ｂというように、異常状態をさらに細分化したラベルを付与してもよい。この場合、状態判定システム１は、異常状態を細分化して判定することができる。また、入力部４０は、ラベル付与の際に、特徴ベクトルが算出された時刻を示す時刻情報も合せて付与してもよい。この場合、状態判定システム１は、時間帯を考慮した上での平常状態／異常状態を判定することが可能となる。

（４）学習部５０
学習部５０は、算出部３０により算出された特徴量（特徴量そのもの又は特徴量の相関関係を示す物理量）と対象空間の状態との対応関係を示す識別モデルを学習して、記憶部６０に記憶する機能を有する。例えば、学習部５０は、対象空間が平常状態であるときの特徴ベクトル、及び対象空間が異常状態であるときの特徴ベクトルを学習データとして学習を行い、識別モデルを生成する。具体的には、学習部５０は、特徴ベクトルを平常状態又は異常状態に対応付ける識別関数を作成したり、クラスタリング処理を行ったりする。

学習部５０は、対象空間を移動体が行き交っている場合であっても、その状態で得られた特徴ベクトルを平常状態に対応付け、その他の状態を異常状態に対応付ける識別モデルを生成することが可能である。このため、状態判定システム１は、移動体が行き交う状況下においても対象空間の異常を検出することができる。同様に、学習部５０は、移動体が例えばひとつの方向に移動している場合、又は移動体がまばらな場合等の任意の対象空間について、ある状態を平常状態に対応付け、その他の状態を異常状態に対応付ける識別モデルを生成することが可能である。このため、状態判定システム１は、任意の状況下で対象空間の異常を検出することができる。

学習部５０が行う学習の具体的な方法は多様に考えられる。例えば、学習部５０は、重回帰分析などの統計的手法に基づいて予測式を生成してもよいし、ニューラルネットワーク、サポートベクターマシーン、関連ベクトルマシン、部分空間法などを用いてもよい。なお、部分空間法の具体的な内容については、例えば「Watanabe S., “Karhunen−Loeve Expansion and Factor Analysis”, Trans. 4th Prague Conf. on Information Theory, Statistical Decision Functions, Random Processes, Publishing house of the Czechoslovak Academy of Sciences, Prague pp.635-660, 1967.」に開示されている。後述する判定部７０が、本文献で開示されているクラスタリング手法によって状態を判定する場合、学習部５０は、特徴ベクトルにクラスタリング処理を実行して、クラスごとに平常状態／異常状態のラベル付を行った識別モデルを作成する。

異常状態のサンプルとなる特徴ベクトルを、網羅的に収集することが困難な場合が考えられる。この場合、例えば、学習部５０は、平常状態のサンプルを用いた主成分分析を行ってもよい。そして、後述する判定部７０は、非主成分で構成される部分空間上の距離を用いて、距離が大きく外れる特徴ベクトルを異常状態として判定してもよい。この具体的な手法については、例えば「大津展之 “適用学習型汎用認識システム：ARGUS：その理論的構成と応用”，Synthesiology ４（２）, 産総研, pp.70−79, 2011.」及び「H.Nosato, et.al, “An Extended Method of Higher-order Local Autocorrelation Feature Extraction for Classification of Histopathological Images”，IPSJ Transactions on Computer Vision and Applications, no.3, pp.211−221, 2011.」に開示されている。

なお、後述の判定部７０が、例えばＫ近傍法のような、特徴空間における距離に基づいてパターン認識する手法を用いて、各特徴ベクトル間の距離によって未知の状態にある特徴ベクトルの状態を判定する場合がある。この手法については、例えば「Nearest−Neighbor Methods in Learning and Vision, edited by Shakhnarovish, Darrell, and Indyk, The MIT Press, 2005.」に開示されている。判定部７０がこのような手法を用いる場合、学習部５０は識別モデルを生成しなくてもよい。

また、学習部５０は、特徴ベクトルの時間変化も考慮して、特徴ベクトル間の比較、類似度算出、又はパターン分類等を行ってもよい。

学習部５０は、このようにして学習した識別モデルを記憶部６０に記憶する。

（６）記憶部６０
記憶部６０は、所定の記録媒体に対してデータの記録再生を行う部位である。記憶部６０は、例えばＨＤＤ（Hard Disc Drive）として実現される。もちろん記録媒体としては、フラッシュメモリ等の固体メモリ、固定メモリを内蔵したメモリカード、光ディスク、光磁気ディスク、ホログラムメモリなど各種考えられ、記憶部６０としては採用する記録媒体に応じて記録再生を実行できる構成とされればよい。

記憶部６０は、学習部５０により生成された、特徴量と対象空間の状態との対応関係を示す識別モデルを記憶する。

（７）判定部７０
判定部７０は、算出部３０により算出された特徴量と記憶部６０に記憶された識別モデルとに基づいて、対象空間の状態を判定する機能を有する。判定部７０は、特徴ベクトルを用いて対象空間の状態を判定する。具体的には、判定部７０は、取得部１０によりある時刻に取得された空間情報に基づいて算出部３０により生成された特徴ベクトルを判定対象とし、識別モデルを用いて判定対象の特徴ベクトルを識別することで、対象空間の状態を判定する。例えば、判定部７０は、記憶部６０に記憶された識別関数に判定対象の特徴ベクトルを入力したり、判定対象の特徴ベクトルをクラス分類したり、判定対象の特徴ベクトルと平常状態／異常状態のラベルが付与された特徴ベクトルとの類似度を算出したりすることで、対象空間の状態を判定する。他にも、判定部７０は、例えば非主成分で構成される部分空間上の特徴ベクトル間の距離を用いて、対象空間の状態を判定してもよい。

判定部７０は、障害物の発生による移動体の流れの異常を検出し、対象空間を移動する移動体の移動を妨げる障害物が存在するか否かを判定する。判定部７０による判定例を、図８を参照して具体的に説明する。図８は、本実施形態に係る判定部７０による状態判定の一例を説明するための説明図である。図８では、図６と同様に、格子状に設定されたブロック毎に算出された人密度を、人密度が低いほど薄い色で、高いほど濃い色で表している。判定部７０は、符号１４１に示した状態を、平常状態として判定する。一方で、符号１４２は、符号１４３に示す場所に障害物が発生したことにより、符号１４３に示す場所を人が避けて通っている場合の人密度を示している。判定部７０は、このように、障害物の発生により移動体の流れに異常が生じた状態を、異常状態として判定する。

なお、判定部７０は、記憶部６０に記憶された識別モデルを用いた判定結果を、さらに加工して判定を行ってもよい。例えば、判定部７０は、識別モデルによる判定結果を閾値処理してもよい。具体的には、判定部７０は、識別モデルにより異常状態であると判定した期間が閾値を超えた場合に異常状態であると判定し、閾値を超えるまでは平常状態であると判定してもよい。他にも、判定部７０は、類似度の時間変化を判定対象として、対象空間の状態を判定してもよい。具体的には、判定部７０は、正常状態又は異常状態のラベルが付与された特徴ベクトルと判定対象の特徴ベクトルとの類似度の時間変化が、閾値を超えた状態で所定時間経過する等の所定の条件を満たすか否かに基づいて、対象空間の状態を判定してもよい。

（８）通知部８０
通知部８０は、判定部７０による判定結果を通知する機能を有する。例えば、通知部８０は、平常状態／異常状態を示す情報を、画面表示、音声出力等によりユーザへ通知する。このとき、通知部８０は、特徴量に基づく視覚効果を空間情報に適用した情報を通知する。例えば、通知部８０は、異常状態を通知する際に、人密度が高いほど濃い色で、低いほど薄い色で画像表示がされるよう、映像データを加工して通知し得る。通知部８０は、平常状態から異常状態へ状態変化が生じた際に通知してもよいし、現在の判定結果を常時通知してもよい。

以上、本実施形態に係る状態判定システム１の構成例を説明した。続いて、図９及び図１０を参照して、本実施形態に係る状態判定システム１による動作処理例を説明する。

［２−２．動作処理例］
（学習処理）
図９は、本実施形態に係る状態判定システム１の学習処理の流れの一例を示すフローチャートである。

図９に示すように、まず、ステップＳ１０２で、取得部１０は、空間情報を取得する。例えば、取得部１０は、対象空間の映像を取得する。

次いで、ステップＳ１０４で、設定部２０は、ブロックを設定する。例えば、設定部２０は、対象空間を移動する人の移動経路上に、複数のブロックを設定する。

次に、ステップＳ１０６で、算出部３０は、特徴量を算出する。例えば、算出部３０は、画素値、温度、移動体の密度、若しくは方向別速度分布、又はこれらの時間変化量を算出する。そして、算出部３０は、算出したこれらの特徴量に関し、相関係数、共分散、ＫＬ情報量、内積を用いた類似度の少なくともいずれかを、相関関係を示す物理量として算出する。

次いで、ステップＳ１０８で、算出部３０は、特徴ベクトルを生成する。例えば、算出部３０は、上記ステップＳ１０６において算出した特徴量又は相関関係を示す物理量を、ブロック毎に並べたベクトルを生成する。

次に、ステップＳ１１０で、入力部４０は、ラベルを入力する。例えば、入力部４０は、対象空間の状態が平常状態であるか異常状態であるかを判断したユーザによる、平常状態／異常状態のラベルを入力するユーザ操作を受け付けて、特徴ベクトルに受け付けたラベルを付与する。

次いで、ステップＳ１１２で、学習部５０は、識別モデルを生成する。例えば、学習部５０は、上記ステップＳ１０８において生成された特徴ベクトルと、上記ステップＳ１１０において入力されたラベルとの対応関係を学習して、識別モデルを生成する。

次に、ステップＳ１１４で、記憶部６０は、上記ステップＳ１１２において生成された識別モデルを記憶する。

以上、本実施形態に係る状態判定システム１による学習処理について説明した。

（状態判定処理）
図１０は、本実施形態に係る状態判定システム１の状態判定処理の流れの一例を示すフローチャートである。

図１０に示すように、まず、ステップＳ２０２で、取得部１０は、空間情報を取得する。例えば、取得部１０は、対象空間の映像を取得する。このとき用いられる撮影パラメータ、及び対象空間の範囲等の設定は、図９の上記ステップＳ１０２において用いられたものと同様であることが望ましい。

次いで、ステップＳ２０４で、設定部２０は、ブロックを設定する。例えば、設定部２０は、対象空間を移動する人の移動経路上に、複数のブロックを設定する。この設定は、図９の上記ステップＳ１０４の設定と同様であることが望ましい。

次に、ステップＳ２０６で、算出部３０は、特徴量を算出する。例えば、算出部３０は、画素値、温度、移動体の密度、若しくは方向別速度分布、又はこれらの時間変化量を算出する。そして、算出部３０は、算出したこれらの特徴量に関し、相関係数、共分散、ＫＬ情報量、内積を用いた類似度の少なくともいずれかを、相関関係を示す物理量として算出する。算出部３０が算出する特徴量の種類は、図９の上記ステップＳ１０６で算出されたものと同様であることが望ましい。

次いで、ステップＳ２０８で、算出部３０は、特徴ベクトルを生成する。例えば、算出部３０は、上記ステップＳ２０６において算出した特徴量（特徴量そのもの又は相関関係を示す物理量）を、ブロック毎に並べた特徴ベクトルを生成する。ここでは、図９の上記ステップＳ１０８と同様の規則で特徴量が並べられることが望ましい。

次に、ステップＳ２１０で、判定部７０は、識別モデルを用いて、対象空間の状態を判定する。例えば、判定部７０は、上記ステップＳ２０８で生成された特徴ベクトルを、記憶部６０に記憶された識別モデルに入力して、対象空間が平常状態にあるか異常状態にあるかを判定する。なお、判定部７０は、識別モデルを用いた判定結果を閾値処理したり、判定結果の時間変化等を判定対象としたりする等の、識別モデルを用いた判定結果をさらに加工した判定を行ってもよい。

次いで、ステップＳ２１２で、通知部８０は、判定部７０による判定結果が異常状態であるか否かを判定する。

平常状態である場合（Ｓ２１２／ＮＯ）、処理は、再度ステップＳ２０２へ戻る。

一方で、異常状態である場合（Ｓ２１２／ＹＥＳ）、ステップＳ２１４で、通知部８０は、異常状態であることを通知する。このとき、通知部８０は、特徴量に基づく視覚効果を空間情報に適用した情報を通知してもよい。

以上、本実施形態に係る状態判定システム１による状態判定処理について説明した。

以上説明したように、本実施形態に係る状態判定システム１は、予め学習した識別モデルを用いて、対象空間の状態を判定することができる。これにより、ユーザは、落し物、不審物、又は吐しゃ物等の障害物を早期に発見することが可能となり、早期に除去することでサービスの向上及び危険防止に寄与することができる。

＜３．第２の実施形態＞
第１の実施形態では、状態判定処理の際に、算出部３０は１つの特徴ベクトルを生成して、判定部７０は１つの識別モデルを用いて判定を行っていた。これに対し、本実施形態に係る状態判定システム１は、１つ以上の特徴ベクトル及び１つ以上の識別モデルを用いた判定結果を組み合わせて、対象空間の状態を判定することができる。

［３−１．状態判定システム１の構成例］
本実施形態に係る状態判定システム１は、図２を参照して上記説明した第１の実施形態と同様の構成を有する。以下、本実施形態に特徴的な構成について説明する。

（１）算出部３０
本実施形態に係る算出部３０は、ひとつの空間情報からひとつ以上の種類の特徴量を算出する。例えば、算出部３０は、画素値、温度、移動体の密度、若しくは方向別速度分布、若しくはこれらの時間変化量、又は特徴量の相関関係を示す物理量のうち少なくともひとつ以上を、特徴量として算出する。そして、算出部３０は、算出したひとつ以上の種類の特徴量から、それぞれ特徴ベクトルを生成する。

（２）学習部５０
本実施形態に係る学習部５０は、複数の識別モデルを生成する。学習部５０は、１種類の特徴ベクトルから１つの識別モデルを生成してもよいし、１種類の特徴ベクトルから複数の識別モデルを生成してもよい。

（３）記憶部６０
本実施形態に係る記憶部６０は、学習部５０により生成されたひとつ以上の識別モデルを記憶する。

（４）判定部７０
本実施形態に係る判定部７０は、算出部３０により算出されたひとつ以上の種類の特徴量と、記憶部６０に記憶されたひとつ以上の識別モデルとに基づいて判定した複数通りの判定結果を総合して、対象空間の状態を判定する。例えば、判定部７０は、複数種類の特徴ベクトルをひとつの識別モデルにより識別した複数通りの判定結果を総合して、対象空間の状態を判定してもよい。他にも、判定部７０は、ひとつの特徴ベクトルを複数の識別モデルにより識別した複数通りの判定結果を総合して、対象空間の状態を判定してもよい。また、判定部７０は、複数種類の特徴ベクトルを複数の識別モデルにより識別した複数通りの判定結果を総合して、対象空間の状態を判定してもよい。複数通りの判定結果を総合する手法としては、例えば、判定部７０は、複数の判定結果のうち、異常状態と判定した割合が閾値を超えている場合に異常状態であると判定し、閾値以下である場合に平常状態であると判定してもよい。

以上、本実施形態に特徴的な状態判定システム１の構成について説明した。続いて、図１１〜図１３を参照して、本実施形態に係る状態判定システム１において実行される状態判定処理のバリエーションを説明する。図１１〜図１３は、本実施形態に係る状態判定システム１の状態判定処理の流れの一例を示すフローチャートである。

［３−２．動作処理］
（状態判定処理例１）
本処理例は、複数種類の特徴ベクトルをひとつの識別モデルにより識別した複数通りの判定結果を総合して、対象空間の状態を判定する例である。

図１１に示すように、まず、ステップＳ３０２で、取得部１０は、空間情報を取得する。次いで、ステップＳ３０４で、設定部２０は、ブロックを設定する。

次に、ステップＳ３０６で、算出部３０は、複数種類の特徴量を算出する。例えば、算出部３０は、画素値、温度、移動体の密度、若しくは方向別速度分布、若しくはこれらの時間変化量、又はこれらの特徴量の相関関係を示す物理量のうち少なくとも２以上を算出する。

次いで、ステップＳ３０８で、算出部３０は、複数の特徴ベクトルを生成する。例えば、算出部３０は、上記ステップＳ３０６において算出した複数種類の特徴量を、それぞれブロック毎に並べた特徴ベクトルを、種類別に生成する。

次に、ステップＳ３１０で、判定部７０は、識別モデルを用いて、対象空間の状態を判定する。例えば、判定部７０は、上記ステップＳ３０８で生成された複数の特徴ベクトルを、記憶部６０に記憶されたひとつの識別モデルにそれぞれ入力して、対象空間が平常状態にあるか異常状態にあるかを識別する。そして、判定部７０は、複数の特徴ベクトルについて判定された複数の判定結果に基づいて、対象空間の状態を判定する。

以降のステップＳ３１２〜Ｓ３１４の処理は、図１０を参照して上記説明したステップＳ２１２〜Ｓ２１４と同様であるため、ここでの詳細な説明は省略する。

（状態判定処理例２）
本処理例は、ひとつの特徴ベクトルを複数の識別モデルにより識別した複数通りの判定結果を総合して、対象空間の状態を判定する例である。

図１２に示すように、まず、ステップＳ４０２で、取得部１０は、空間情報を取得する。次いで、ステップＳ４０４で、設定部２０は、ブロックを設定する。

次に、ステップＳ４０６で、算出部３０は、特徴量を算出する。例えば、算出部３０は、画素値、温度、移動体の密度、若しくは方向別速度分布、若しくはこれらの時間変化量、又はこれらの特徴量の相関関係を示す物理量のうちひとつを算出する。

次いで、ステップＳ４０８で、算出部３０は、特徴ベクトルを生成する。例えば、算出部３０は、上記ステップＳ４０６において算出した特徴量を、ブロック毎に並べた特徴ベクトルをひとつ生成する。

次に、ステップＳ４１０で、判定部７０は、複数の識別モデルを用いて、対象空間の状態を判定する。例えば、判定部７０は、上記ステップＳ４０８で生成されたひとつの特徴ベクトルを、記憶部６０に記憶された複数の識別モデルにそれぞれ入力して、対象空間が平常状態にあるか異常状態にあるかを識別する。そして、判定部７０は、複数の識別モデルを用いて判定された複数の判定結果に基づいて、対象空間の状態を判定する。

以降のステップＳ４１２〜Ｓ４１４の処理は、図１０を参照して上記説明したステップＳ２１２〜Ｓ２１４と同様であるため、ここでの詳細な説明は省略する。

（状態判定処理例３）
本処理例は、複数種類の特徴ベクトルを複数の識別モデルにより識別した複数通りの判定結果を総合して、対象空間の状態を判定する例である。

図１３に示すように、まず、ステップＳ５０２で、取得部１０は、空間情報を取得する。次いで、ステップＳ５０４で、設定部２０は、ブロックを設定する。

次に、ステップＳ５０６で、算出部３０は、複数種類の特徴量を算出する。次いで、ステップＳ５０８で、算出部３０は、複数の特徴ベクトルを生成する。

次に、ステップＳ５１０で、判定部７０は、複数の識別モデルを用いて、対象空間の状態を判定する。例えば、判定部７０は、上記ステップＳ５０８で生成された複数の特徴ベクトルを、記憶部６０に記憶された複数の識別モデルにそれぞれ入力して、対象空間が平常状態にあるか異常状態にあるかを識別する。そして、判定部７０は、複数の特徴ベクトルについて複数の識別モデルを用いて判定された複数の判定結果に基づいて、対象空間の状態を判定する。

以降のステップＳ５１２〜Ｓ５１４の処理は、図１０を参照して上記説明したステップＳ２１２〜Ｓ２１４と同様であるため、ここでの詳細な説明は省略する。

以上、本実施形態に係る状態判定システム１による状態判定処理について説明した。

以上説明したように、本実施形態に係る状態判定システム１は、複数の特徴ベクトル、又は複数の識別モデルの少なくともいずれかを用いて対象空間の状態を判定する。本実施形態は、第１の実施形態と比較して多くの観点で状態を推定するため、状態判定の精度を向上させることができる。

＜４．第３の実施形態＞
第１の実施形態では、状態判定システム１は、対象空間全体を状態判定の対象として、対象空間が平常状態であるか異常状態であるかを判定した。これに対し、本実施形態に係る状態判定システム１は、ブロック毎に平常状態であるか異常状態であるかを判定する。

［４−１．状態判定システム１の構成例］
本実施形態に係る状態判定システム１は、図２を参照して上記説明した第１の実施形態と同様の構成を有する。以下、本実施形態に特徴的な構成について説明する。

（１）入力部４０
本実施形態に係る入力部４０は、ブロック毎にラベルを入力する。例えば、入力部４０は、対象空間の各ブロックの状態が平常状態であるか異常状態であるかを判断したユーザによる、平常状態／異常状態のラベルを入力するユーザ操作を受け付ける。入力部４０は、特徴ベクトルの各要素に、入力されたラベルを付与する。

ここで、ブロックが平常状態であるとは、当該ブロックが、対象空間における移動体の移動に関する特定の傾向に従っていることを指す。例えば、ブロックが移動経路上に設定されている場合には移動体が移動している状態、移動経路外である場合に移動体が移動しない状態が、平常状態となる。一方で、ブロックが異常状態であるとは、当該ブロックが、対象空間における移動体の移動に関する特定の傾向に従っていないことを指す。例えば、移動経路上に設定されたブロックに障害物が存在して移動体が避けている状態、又は移動経路外に設定されたブロックに障害物を避けた移動体が移動している状態が、異常状態となる。

（２）学習部５０
本実施形態に係る学習部５０は、算出部３０により算出されたブロック毎の特徴量（特徴量そのもの又は特徴量の相関関係を示す物理量）とブロック毎に付与されたラベルとの対応関係を学習して識別モデルを生成し、生成した識別モデルを記憶部６０に記憶する。具体的には、学習部５０は、ブロック毎に、特徴量と平常状態／異常状態とを対応付ける識別モデルを生成する。他にも、例えば、学習部５０は、ニューラルネットワークのように、多入力多出力が可能な識別モデルを生成してもよい。

（３）記憶部６０
記憶部６０は、学習部５０により生成された識別モデルを記憶する。例えば、記憶部６０は、ブロック毎の識別モデルを記憶したり、多入力多出力が可能な識別モデルを記憶したりする。

（４）判定部７０
本実施形態に係る判定部７０は、算出部３０により算出された特徴量と記憶部６０に記憶されたブロック毎の識別モデルとに基づいて、ブロックの状態を判定する機能を有する。具体的には、判定部７０は、取得部１０によりある時刻に取得された空間情報に基づいて算出部３０により算出されたブロック毎の特徴量を判定対象とし、ブロック毎の識別モデルを用いてブロック毎に判定対象の特徴量を識別することで、各ブロックの状態を判定する。

ここで、判定部７０は、移動経路上に設定されたブロックに障害物が存在して移動体が避けている状態、及び移動経路外に設定されたブロックに障害物を避けた移動体が移動している状態の、双方を共に異常状態であると判定する。そこで、判定部７０は、異常状態であると判定したブロックの特徴量に基づいて、障害物が存在するブロックを判定する。これにより、判定部７０は、異常状態であると判定したブロックについて、障害物が存在するブロックと、障害物の発生によって新たに移動体の移動経路となったブロックとを区別することが可能となる。

具体的な判定処理としては、例えば、判定部７０は、ブロックの特徴量が移動体の増加を示しているか、又は移動体の減少を示しているかによって、障害物が存在するブロックを判定する。具体的には、判定部７０は、特徴量が移動体の減少を示しているブロックを、障害物が存在するブロックであると判定し得る。例えば、判定部７０は、異常状態であると判定したブロックの人密度が平常状態よりも高い場合、障害物を避けた人が平常状態よりも多く通過するようになったブロックであると判定する。また、判定部７０は、異常状態である判定したブロックの人密度が平常状態よりも低い場合、障害物が存在するため人が避けているブロックであると判定する。このようにして、本実施形態に係る判定部７０は、障害物が発生した場所を特定することが可能である。

（５）通知部８０
本実施形態に係る通知部８０は、異常状態であると判定されたブロックを通知する。この際、通知部８０は、障害物が存在する場所を示す視覚効果を空間情報に適用した情報を通知してもよい。例えば、通知部８０は、障害物が存在すると判定されたブロックを強調して、対象空間の画像を表示し得る。

以上、本実施形態に特徴的な状態判定システム１の構成について説明した。続いて、図１４及び図１５を参照して、本実施形態に係る状態判定システム１において実行される動作処理例を説明する。

［４−２．動作処理例］
（学習処理）
図１４は、本実施形態に係る状態判定システム１の学習処理の流れの一例を示すフローチャートである。

ステップＳ６０２〜Ｓ６０６における処理は、図９を参照して上記説明したステップＳ１０２〜Ｓ１０６と同様であるため、ここでの詳細な説明は省略する。

次に、ステップＳ６０８で、入力部４０は、ブロック毎にラベルを入力する。例えば、入力部４０は、対象空間の各ブロックの状態が平常状態であるか異常状態であるかを判断したユーザによる、平常状態／異常状態のラベルをブロック毎に入力するユーザ操作を受け付けて、各ブロックの特徴量に受け付けたラベルを付与する。

次いで、ステップＳ６１０で、学習部５０は、ブロック毎に識別モデルを生成する。例えば、学習部５０は、上記ステップＳ６０６において算出された特徴量と、上記ステップＳ６０８において入力されたラベルとの対応関係を学習して、ブロック毎に識別モデルを生成する。他にも、学習部５０は、ニューラルネットワークのように、多入力多出力が可能な識別モデルを生成してもよい。

次に、ステップＳ６１２で、記憶部６０は、上記ステップＳ６１０において生成された識別モデルを記憶する。

以上、本実施形態に係る状態判定システム１による学習処理について説明した。

（状態判定処理）
図１５は、本実施形態に係る状態判定システム１の状態判定処理の流れの一例を示すフローチャートである。

図１５に示すように、まず、ステップＳ７０２で、取得部１０は、空間情報を取得する。次いで、ステップＳ７０４で、設定部２０は、ブロックを設定する。次に、ステップＳ７０６で、算出部３０は、特徴量を算出する。

次いで、ステップＳ７０８で、判定部７０は、ブロック毎の識別モデルを用いて、ブロック毎の状態を判定する。例えば、判定部７０は、上記ステップＳ７０６で算出されたブロック毎の特徴量を、記憶部６０に記憶されたブロック毎の識別モデルに入力して、各ブロックが平常状態にあるか異常状態にあるかを判定する。なお、判定部７０は、識別モデルを用いた判定結果を閾値処理したり、判定結果の時間変化等を判定対象としたりする等の、識別モデルを用いた判定結果をさらに加工した判定を行ってもよい。

次いで、ステップＳ７１０で、判定部７０は、異常状態であると判定したブロックがあるか否かを判定する。

異常状態であると判定したブロックがない場合（Ｓ７１０／ＮＯ）、処理は、再度ステップＳ７０２へ戻る。

一方で、異常状態であると判定したブロックがある場合（Ｓ７１０／ＹＥＳ）、ステップＳ７１２で、判定部７０は、異常状態であると判定したブロックの特徴量に基づいて、異常であると判定したブロックの中から障害物が存在するブロックを判定する。例えば、判定部７０は、特徴量が移動体の増加を示しているブロックが、障害物が存在するブロックであると判定する。

次に、ステップＳ７１４で、通知部８０は、判定部７０による判定結果が異常状態であるか否かを判定する。通知部８０は、異常状態であるブロックに関する情報を通知する。このとき、通知部８０は、障害物が存在するブロックとそうでないブロックとを区別して通知してもよい。

以上、本実施形態に係る状態判定システム１による状態判定処理について説明した。

以上説明したように、本実施形態に係る状態判定システム１は、対象空間をさらに細分化した、ブロック毎の状態を判定することができる。これにより、ユーザは、落し物、不審物、又は吐しゃ物等の障害物をより早期に発見することが可能となる。

＜５．まとめ＞
以上、図１〜図１５を参照して、本発明の一実施形態について詳細に説明した。上記説明したように、本実施形態に係る状態判定システム１は、対象空間から空間情報を取得し、対象空間にブロックを複数設定し、ブロックごとに取得された空間情報に基づいて特徴量を算出する。そして、状態判定システム１は、予め学習して記憶した、特徴量の相関関係と対象空間の状態との対応関係を示す識別モデルに基づいて、対象空間の状態を判定する。状態判定システム１は、任意の状態で得られる特徴量を平常状態に対応付け、その他の任意の状態で得られる特徴量を異常状態に対応付ける識別モデルを生成することが可能である。このため、状態判定システム１は、例えば対象空間を移動体が行き交っている場合等の任意の状況下において、対象空間の異常を検出することができる。

また、状態判定システム１は、ブロックの特徴量に基づいて、異常状態が発生した要因である障害物が存在するブロックを判定する。このため、ユーザは、落し物、不審物、又は吐しゃ物等の障害物をより早期に発見し、除去することが可能となり、サービスの向上及び危険防止に寄与することができる。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

例えば、上記実施形態では、状態判定システム１は、人が行き交う場所で発生した障害物に起因する対象空間の異常を検出するものとして説明したが、本発明はかかる例に限定されない。例えば、人の過密状態の検出や自動車の障害物回避行動等の、任意の移動体を対象とした任意の状態を、異常状態として検出することが可能である。

また、上記第３の実施形態では、ブロック毎にラベルが入力され、ブロック毎に平常状態／異常状態が判定され、その上で障害物が存在するブロックが判定されるものと説明したが、本発明はかかる例に限定されない。例えば、状態判定システム１は、第１の実施形態と同様に対象空間の状態を判定し、異常状態であると判定した場合に、各ブロックの特徴量を参照して障害物が存在するブロックを判定してもよい。この場合、例えば判定部７０は、異常状態であると判定された場合に、すべてのブロックの特徴量を参照して、移動体の減少を示している特徴量が算出されたブロックに障害物が存在すると判定する。

また、本明細書において説明した状態判定システム１は、単独の装置として構成されてもよく、一部または全部が別々の装置で構成されても良い。例えば、図２に示した状態判定システム１の機能構成例のうち、学習部５０及び記憶部６０が、入力部４０及び判定部７０とネットワーク等で接続されたサーバ等の装置に備えられていても良い。学習部５０及び記憶部６０がサーバ等の装置に備えられる場合は、入力部４０からの情報がネットワーク等を通じて当該サーバ等の装置に送信され、学習部５０が入力部４０からの情報に対して学習処理を行って記憶部６０に識別モデルを記憶し、判定部７０は記憶部６０に記憶された識別モデルを、ネットワーク等を通じて参照する。他にも、例えば通知部８０に関しては、状態判定システム１はユーザに通知するディスプレイ等の出力装置を有し、サーバにおいて、特徴量に基づく視覚効果を空間情報に適用する等の演算が行われてもよい。他の構成要素についても同様である。

なお、本明細書において説明した各装置による一連の処理は、ソフトウェア、ハードウェア、及びソフトウェアとハードウェアとの組合せのいずれを用いて実現されてもよい。ソフトウェアを構成するプログラムは、例えば、各装置の内部又は外部に設けられる記憶媒体（非一時的な媒体：non-transitory media）に予め格納される。そして、各プログラムは、例えば、コンピュータによる実行時にＲＡＭに読み込まれ、ＣＰＵなどのプロセッサにより実行される。

また、本明細書においてフローチャート及びシーケンス図を用いて説明した処理は、必ずしも図示された順序で実行されなくてもよい。いくつかの処理ステップは、並列的に実行されてもよい。また、追加的な処理ステップが採用されてもよく、一部の処理ステップが省略されてもよい。

１ 状態判定システム
１０ 取得部
２０ 設定部
３０ 算出部
４０ 入力部
５０ 学習部
６０ 記憶部
７０ 判定部
８０ 通知部

Claims (14)

1. 対象の空間から空間情報を取得する取得部と、
   前記空間に部分空間を複数設定する設定部と、
   前記設定部により設定された前記部分空間から前記取得部により取得された前記空間情報に基づいて特徴量を算出する算出部と、
   前記特徴量の相関関係と前記空間の状態との対応関係を示す識別モデルを記憶する記憶部と、
   前記算出部により算出された前記特徴量と前記記憶部に記憶された前記識別モデルとに基づいて、前記空間の状態を判定する判定部と、
   を備える状態判定システム。
2. 前記判定部は、前記空間を移動する移動体の移動を妨げる障害物が存在するか否かを判定する、請求項１に記載の状態判定システム。
3. 前記判定部は、前記部分空間の特徴量に基づいて前記障害物が存在する前記部分空間を判定する、請求項２に記載の状態判定システム。
4. 前記移動体は人であり、
   前記障害物は人が移動する床面に存在する、請求項２又は３に記載の状態判定システム。
5. 前記判定部は、前記算出部により算出された前記特徴量の相関関係を示す物理量を並べたベクトルを用いて、前記空間の状態を判定する、請求項１〜４のいずれか一項に記載の状態判定システム。
6. 前記算出部は、前記特徴量として、温度、移動体の密度、若しくは方向別速度分布、又はこれらの時間変化量の少なくともいずれかを算出する、請求項１〜５のいずれか一項に記載の状態判定システム。
7. 前記算出部は、前記相関関係として、相関係数、共分散、ＫＬ情報量（Kullback−Leibler divergence）、内積を用いた類似度の少なくともいずれかを算出する、請求項１〜６のいずれか一項に記載の状態判定システム。
8. 前記状態判定システムは、前記識別モデルを学習して前記記憶部に記憶する学習部をさらに備える、請求項１〜７のいずれか一項に記載の状態判定システム。
9. 前記設定部は、前記空間を移動する移動体の移動経路上に複数の前記部分空間を設定する、請求項１〜８のいずれか一項に記載の状態判定システム。
10. 前記算出部は、複数種類の前記特徴量を算出し、
    前記判定部は、複数種類の前記特徴量と前記記憶部に記憶された前記識別モデルとに基づいて判定した複数通りの判定結果を総合して前記空間の状態を判定する、請求項１〜９のいずれか一項に記載の状態判定システム。
11. 前記記憶部は、複数の前記識別モデルを記憶し、
    前記判定部は、前記特徴量と前記記憶部に記憶された複数の前記識別モデルとに基づいて判定した複数通りの判定結果を総合して前記空間の状態を判定する、請求項１〜１０のいずれか一項に記載の状態判定システム。
12. 前記状態判定システムは、前記特徴量に基づく視覚効果を前記空間情報に適用した情報を通知する通知部をさらに備える、請求項１〜１１のいずれか一項に記載の状態判定システム。
13. 対象の空間から空間情報を取得するステップと、
    前記空間に部分空間を複数設定するステップと、
    設定された前記部分空間から取得された前記空間情報に基づいて特徴量を算出するステップと、
    算出された前記特徴量と、前記特徴量の相関関係と前記空間の状態との対応関係を示す記憶部に記憶された識別モデルとに基づいて、前記空間の状態を判定するステップと、
    を含む状態判定方法。
14. コンピュータを、
    対象の空間から空間情報を取得する取得部と、
    前記空間に部分空間を複数設定する設定部と、
    前記設定部により設定された前記部分空間から前記取得部により取得された前記空間情報に基づいて特徴量を算出する算出部と、
    前記特徴量の相関関係と前記空間の状態との対応関係を示す識別モデルを記憶する記憶部と、
    前記算出部により算出された前記特徴量と前記記憶部に記憶された前記識別モデルとに基づいて、前記空間の状態を判定する判定部と、
    として機能させるためのプログラム。
    

Images