JP2016099165A - 算出装置、測定システム、体重算出方法及びプログラム - Google Patents
算出装置、測定システム、体重算出方法及びプログラム Download PDFInfo
- Publication number
- JP2016099165A JP2016099165A JP2014234693A JP2014234693A JP2016099165A JP 2016099165 A JP2016099165 A JP 2016099165A JP 2014234693 A JP2014234693 A JP 2014234693A JP 2014234693 A JP2014234693 A JP 2014234693A JP 2016099165 A JP2016099165 A JP 2016099165A
- Authority
- JP
- Japan
- Prior art keywords
- weight
- measurement
- image data
- calculation
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
【課題】動いている測定対象の体重を精度よく算出することが可能な算出装置及びそれを含む測定システム、体重算出方法並びにプログラムを提供する。
【解決手段】上記目的を達成するため、本技術の一形態に係る算出装置は、体重算出部を具備する。
上記体重算出部は、体重測定面上における測定対象を経時的に撮像した画像データと、上記測定対象によって上記体重測定面に付加された圧力値とに基づいて上記測定対象の体重を算出する。
【選択図】図１
【解決手段】上記目的を達成するため、本技術の一形態に係る算出装置は、体重算出部を具備する。
上記体重算出部は、体重測定面上における測定対象を経時的に撮像した画像データと、上記測定対象によって上記体重測定面に付加された圧力値とに基づいて上記測定対象の体重を算出する。
【選択図】図１
Description
本技術は、動いている測定対象に適用可能な体重等の算出装置及びそれを含む測定システム、体重算出方法並びにプログラムに関する。
健康意識の高まりにより、体重等の身体情報の測定が推奨されている。例えば特許文献１には、可撓性を有するシート構造体として構成された体重計システムが記載されている。当該体重計システムは、荷重を測定する複数のセンシング手段と、センシング手段の出力を基に荷重の総和を演算する演算手段とを有し、シート構造体に付加された荷重を算出することが可能に構成される。
一方、このような構成の体重計システムでは、体重測定面上に付加された荷重に基づいて体重を測定するため、測定対象を体重測定面上で一定時間以上静止させて体重を測定する必要がある。このため、静止させることが難しい子供等については精度よく、簡便に体重を測定することが難しかった。
例えば、特許文献２には、子供向けの体重計であって、測定した体重に基づいて画像情報が表示される体重計が記載されている。
しかしながら、特許文献２に記載の体重計は、測定後に画像情報が表示されることから、測定中に子供を静止させる効果は得られず、やはり精度よく体重を測定することは難しかった。
以上のような事情に鑑み、本技術の目的は、動いている測定対象の体重を精度よく算出することが可能な算出装置及びそれを含む測定システム、体重算出方法並びにプログラムを提供することにある。
上記目的を達成するため、本技術の一形態に係る算出装置は、体重算出部を具備する。
上記体重算出部は、体重測定面上における測定対象を経時的に撮像した画像データと、上記測定対象によって上記体重測定面に付加された圧力値とに基づいて上記測定対象の体重を算出する。
上記体重算出部は、体重測定面上における測定対象を経時的に撮像した画像データと、上記測定対象によって上記体重測定面に付加された圧力値とに基づいて上記測定対象の体重を算出する。
上記構成によれば、測定対象を経時的に撮像した画像データに基づいて測定対象の動きを検出し、圧力値を補正することができる。したがって、動いている測定対象の体重を精度よく算出することができる。
具体的には、上記体重算出部は、
上記画像データに基づいて上記測定対象の加速度を推定し、上記推定された加速度と、上記圧力値とに基づいて上記測定対象の体重を算出してもよい。
上記画像データに基づいて上記測定対象の加速度を推定し、上記推定された加速度と、上記圧力値とに基づいて上記測定対象の体重を算出してもよい。
これにより、測定対象の加速度に基づいて圧力値を補正し、精度よく測定対象の体重を算出することができる。
より具体的には、上記体重算出部は、
上記画像データに基づいて、上記測定対象に含まれる複数の要素各々の形状及び位置を検出し、
上記検出された複数の要素各々の形状及び位置から、上記測定対象の重心の位置を算出し、
上記重心の位置の変化に基づいて、上記測定対象の加速度を算出してもよい。
上記画像データに基づいて、上記測定対象に含まれる複数の要素各々の形状及び位置を検出し、
上記検出された複数の要素各々の形状及び位置から、上記測定対象の重心の位置を算出し、
上記重心の位置の変化に基づいて、上記測定対象の加速度を算出してもよい。
これにより、測定対象の重心の位置の変化に基づいて測定対象の重心の加速度を算出することができ、より精度よく測定対象の体重を算出することができる。
さらに、上記体重算出部は、
上記体重測定面上における測定サンプルを経時的に撮像したサンプル画像データと上記測定サンプルによって上記体重測定面に付加されたサンプル圧力値とを含む入力データと、上記測定サンプルの体重実測値を含む教師データと、に基づく機械学習により生成され、上記画像データと上記圧力値とに基づいて上記測定対象の体重を算出することが可能な体重算出アルゴリズムに基づいて、上記測定対象の体重を算出してもよい。
上記体重測定面上における測定サンプルを経時的に撮像したサンプル画像データと上記測定サンプルによって上記体重測定面に付加されたサンプル圧力値とを含む入力データと、上記測定サンプルの体重実測値を含む教師データと、に基づく機械学習により生成され、上記画像データと上記圧力値とに基づいて上記測定対象の体重を算出することが可能な体重算出アルゴリズムに基づいて、上記測定対象の体重を算出してもよい。
これにより、予め学習された多様な動きから測定対象の動きをパターン認識することができ、体重算出の精度を高めるとともに、体重算出部の処理コストを低減することができる。
具体的には、上記体重算出アルゴリズムは、
上記サンプル圧力値と上記体重実測値とから算出された上記測定サンプルの加速度と、上記サンプル画像データに基づいて検出され上記加速度に対応付けられた上記測定サンプルの動きと、を含むデータセットに基づいて、上記画像データから検出された上記測定対象の動きを識別し、上記識別された動きに対応する加速度を上記測定対象の加速度として出力することが可能に構成され、
上記体重算出部は、上記出力された加速度と、上記圧力値とに基づいて上記測定対象の体重を算出するように構成されてもよい。
上記サンプル圧力値と上記体重実測値とから算出された上記測定サンプルの加速度と、上記サンプル画像データに基づいて検出され上記加速度に対応付けられた上記測定サンプルの動きと、を含むデータセットに基づいて、上記画像データから検出された上記測定対象の動きを識別し、上記識別された動きに対応する加速度を上記測定対象の加速度として出力することが可能に構成され、
上記体重算出部は、上記出力された加速度と、上記圧力値とに基づいて上記測定対象の体重を算出するように構成されてもよい。
また、上記体重算出部は、
各時刻について上記測定対象の体重候補をそれぞれ算出し、
上記算出された複数の体重候補各々に、各体重候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、上記測定対象の体重を算出してもよい。
各時刻について上記測定対象の体重候補をそれぞれ算出し、
上記算出された複数の体重候補各々に、各体重候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、上記測定対象の体重を算出してもよい。
これにより、より信頼性の高い体重を算出することができ、体重算出の精度を高めることができる。
また、上記画像データは、上記体重測定面上における上記測定対象を異なる角度から経時的に撮像した複数の画像データを含んでいてもよい。
これにより、測定対象の動きを立体的に捉えることができ、体重算出の精度を高めることができる。
さらに、上記算出装置は、上記画像データに基づいて、上記測定対象の身体情報を算出する身体情報算出部をさらに具備してもよい。
これにより、上記算出装置は、測定対象の体重に加え、測定対象の身体情報も算出することができる。
本技術の他の形態に係る測定システムは、圧力センサ部と、撮像部と、体重算出部とを具備する。
上記圧力センサ部は、体重測定面を有し、上記体重測定面に付加された圧力値を検出する。
上記撮像部は、上記体重測定面上における測定対象を経時的に撮像する。
上記体重算出部は、上記撮像された画像データと、上記圧力値とに基づいて上記測定対象の体重を算出する。
上記圧力センサ部は、体重測定面を有し、上記体重測定面に付加された圧力値を検出する。
上記撮像部は、上記体重測定面上における測定対象を経時的に撮像する。
上記体重算出部は、上記撮像された画像データと、上記圧力値とに基づいて上記測定対象の体重を算出する。
本技術のさらに他の形態に係る体重算出方法は、体重測定面に付加された圧力値を取得するステップを含む。
上記体重測定面上における測定対象を経時的に撮像した画像データが取得される。
上記画像データと、上記圧力値とに基づいて上記測定対象の体重が算出される。
上記体重測定面上における測定対象を経時的に撮像した画像データが取得される。
上記画像データと、上記圧力値とに基づいて上記測定対象の体重が算出される。
本技術のさらに他の形態に係るプログラムは、情報処理装置に、
体重測定面に付加された圧力値を取得するステップと、
上記体重測定面上における測定対象を経時的に撮像した画像データを取得するステップと、
上記画像データと、上記圧力値とに基づいて上記測定対象の体重を算出するステップと
を実行させる。
体重測定面に付加された圧力値を取得するステップと、
上記体重測定面上における測定対象を経時的に撮像した画像データを取得するステップと、
上記画像データと、上記圧力値とに基づいて上記測定対象の体重を算出するステップと
を実行させる。
以上のように、本技術によれば、動いている測定対象の体重を精度よく算出することが可能な算出装置及びそれを含む測定システム、体重算出方法並びにプログラムを提供することができる。
なお、ここに記載された効果は必ずしも限定されるものではなく、本開示中に記載されたいずれかの効果であってもよい。
なお、ここに記載された効果は必ずしも限定されるものではなく、本開示中に記載されたいずれかの効果であってもよい。
以下、本技術に係る実施形態を、図面を参照しながら説明する。
＜第１の実施形態＞
［測定システムの概略構成］
図１は、本技術の第１の実施形態に係る測定システムの構成を示すブロック図である。同図に示すように、測定システム１００は、圧力センサ部１１０と、撮像部１２０と、データ選択部１３１と、通信部１３２と、体重算出部１４１と、身体情報算出部１４２と、顔画像生成部１４３と、体重算出学習部１５１と、身体情報算出学習部１５２と、表示部１６１とを備える。圧力センサ部１１０と、撮像部１２０と、データ選択部１３１と、通信部１３２とは、本実施形態において検出装置１３０に含まれる。体重算出部１４１と、身体情報算出部１４２と、顔画像生成部１４３とは、算出装置１４０に含まれる。体重算出学習部１５１と、身体情報算出学習部１５２とは、学習装置１５０に含まれる。表示部１６１は、表示装置１６０に含まれる。測定システム１００は、本実施形態においてクラウドシステムとして構成される。すなわち、算出装置１４０は、ネットワーク上のサーバ装置として構成され、ネットワークを介して圧力センサ部１１０、撮像部１２０及び表示装置１６０に接続されている。
［測定システムの概略構成］
図１は、本技術の第１の実施形態に係る測定システムの構成を示すブロック図である。同図に示すように、測定システム１００は、圧力センサ部１１０と、撮像部１２０と、データ選択部１３１と、通信部１３２と、体重算出部１４１と、身体情報算出部１４２と、顔画像生成部１４３と、体重算出学習部１５１と、身体情報算出学習部１５２と、表示部１６１とを備える。圧力センサ部１１０と、撮像部１２０と、データ選択部１３１と、通信部１３２とは、本実施形態において検出装置１３０に含まれる。体重算出部１４１と、身体情報算出部１４２と、顔画像生成部１４３とは、算出装置１４０に含まれる。体重算出学習部１５１と、身体情報算出学習部１５２とは、学習装置１５０に含まれる。表示部１６１は、表示装置１６０に含まれる。測定システム１００は、本実施形態においてクラウドシステムとして構成される。すなわち、算出装置１４０は、ネットワーク上のサーバ装置として構成され、ネットワークを介して圧力センサ部１１０、撮像部１２０及び表示装置１６０に接続されている。
測定システム１００は、例えば、子供用の体重測定システムとして構成される。例えば、圧力センサ部１１０及び撮像部１２０は、測定対象である子供の通過する通路に配置され、当該通路を通過する測定対象によって検出された圧力値及び当該測定対象の画像データを検出装置１３０に送信する。当該通路は、例えば小児科の診察室の入口等とすることができる。検出装置１３０は、ネットワークを介してこれらのデータを算出装置１４０に送信する。算出装置１４０は、受信したデータに基づいて体重等を算出し、ネットワークを介して表示装置１６０に算出した体重を送信する。これにより、医師や測定対象である子供の保護者等が、表示装置１６０を介して当該子供の体重等を確認することができる。
［検出装置］
検出装置１３０は、圧力センサ部１１０と、撮像部１２０と、データ選択部１３１と、通信部１３２とを備え、測定対象の圧力値のデータ及び画像データを取得し、算出装置１４０に送信可能に構成される。検出装置１３０は、例えば、データ選択部１３１と通信部１３２とを含む情報処理装置を備え、この情報処理装置に圧力センサ部１１０と撮像部１２０とが接続された構成を有する。当該情報処理装置は、ハードウェア構成として、例えば、図示しないＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、メモリ等を有していてもよい。当該情報処理装置と圧力センサ部１１０及び撮像部１２０との通信は、有線でも無線でもよく、無線の場合は、例えばBluetooth（登録商標）、赤外線等の近距離無線通信システムを適用してもよい。
検出装置１３０は、圧力センサ部１１０と、撮像部１２０と、データ選択部１３１と、通信部１３２とを備え、測定対象の圧力値のデータ及び画像データを取得し、算出装置１４０に送信可能に構成される。検出装置１３０は、例えば、データ選択部１３１と通信部１３２とを含む情報処理装置を備え、この情報処理装置に圧力センサ部１１０と撮像部１２０とが接続された構成を有する。当該情報処理装置は、ハードウェア構成として、例えば、図示しないＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、メモリ等を有していてもよい。当該情報処理装置と圧力センサ部１１０及び撮像部１２０との通信は、有線でも無線でもよく、無線の場合は、例えばBluetooth（登録商標）、赤外線等の近距離無線通信システムを適用してもよい。
（圧力センサ部）
図２は、圧力センサ部１１０及び撮像部１２０の構成を示す模式的な図である。
図１及び図２に示すように、圧力センサ部１１０は、体重測定面１１１と、複数の圧力センサ１１２とを有し、体重測定面１１１に付加された圧力値を検出することが可能に構成される。体重測定面１１１の大きさは特に限定されないが、本実施形態において、約２ｍ四方の略正方形状に構成され得る。また圧力センサ部１１０は、図２に示すように、それぞれ分離可能な複数枚のシートを並べて配置した構成であってもよいし、１枚のシートで構成されてもよい。
図２は、圧力センサ部１１０及び撮像部１２０の構成を示す模式的な図である。
図１及び図２に示すように、圧力センサ部１１０は、体重測定面１１１と、複数の圧力センサ１１２とを有し、体重測定面１１１に付加された圧力値を検出することが可能に構成される。体重測定面１１１の大きさは特に限定されないが、本実施形態において、約２ｍ四方の略正方形状に構成され得る。また圧力センサ部１１０は、図２に示すように、それぞれ分離可能な複数枚のシートを並べて配置した構成であってもよいし、１枚のシートで構成されてもよい。
複数の圧力センサ１１２は、体重測定面１１１に付加された荷重を検出することが可能に構成される。複数の圧力センサ１１２は、体重測定面１１１の全体をカバーすることが可能に配置され、例えば図２に示すように所定間隔で配置されてもよい。各圧力センサ１１２の構成は特に限定されず、例えば静電容量型でも、歪みゲージ等でもよい。これらの圧力センサ１１２は、圧力値に対応する電気的な信号を取得する。当該電気的な信号は、検出装置１３０によって圧力値に変換処理されてもよいし、変換処理されずに算出装置１４０へ送信されてもよい。以下の説明では、当該電気的な信号も「圧力値」と称するものとする。
（撮像部）
撮像部１２０は、体重測定面１１１上における測定対象を経時的に撮像することが可能に構成される。撮像部１２０は、本実施形態において、複数の動画撮像用のカメラ１２１，１２２，１２３を有する。これにより、撮像部１２０が、体重測定面１１１上における測定対象を異なる角度から経時的に撮像した複数の画像データを取得することができる。
撮像部１２０は、体重測定面１１１上における測定対象を経時的に撮像することが可能に構成される。撮像部１２０は、本実施形態において、複数の動画撮像用のカメラ１２１，１２２，１２３を有する。これにより、撮像部１２０が、体重測定面１１１上における測定対象を異なる角度から経時的に撮像した複数の画像データを取得することができる。
各カメラ１２１，１２２，１２３は、測定対象の光画像から画像データを得ることができ、図示しない撮像光学系、イメージセンサを有してもよい。イメージセンサは、ＣＣＤ（Charge Coupled Device）センサやＣＭＯＳ（Complementary Metal Semiconductor）センサ等により実現され、結像された光画像を電気信号に変換し、画像データを得る。
図２に示すように、カメラ１２１は、例えば、体重測定面１１１の略中央の上方に配置され、体重測定面１１１を上方から撮像することが可能に構成される。カメラ１２２及びカメラ１２３は、例えば、体重測定面１１１の隣り合う２辺の上方にそれぞれ配置され、体重測定面１１１上の測定対象を側方又は正面から撮像することが可能に構成される。また、カメラ１２２，１２３は、体重測定面１１１を視野に含むように配置される。これにより、カメラ１２２，１２３が撮像した画像データに基づいて、測定対象が体重測定面１１１に対して荷重を付加しているか否か判定することが可能となる。
（データ選択部）
データ選択部１３１は、検出された圧力値のデータ及び撮像された画像データから、体重の算出に有用なデータを選択することが可能に構成される。例えば、データ選択部１３１は、まず、画像データに含まれる複数のフレームのうち、体重測定面１１１に対して荷重を付加している測定対象が撮像されており、かつ画像解析可能なフレームを選択する。データ選択部１３１は、当該選択されたフレームの時間と略同一の時間に検出された、圧力センサ部１１０からの圧力値及び圧力センサ１１２（体重測定面１１１）の位置のデータを選択し、対応するフレームと対応付けて送信データとする。これにより、通信部１３２の負荷及び通信コストを抑えつつ、体重等の算出に必要なデータを送信することが可能となる。
データ選択部１３１は、検出された圧力値のデータ及び撮像された画像データから、体重の算出に有用なデータを選択することが可能に構成される。例えば、データ選択部１３１は、まず、画像データに含まれる複数のフレームのうち、体重測定面１１１に対して荷重を付加している測定対象が撮像されており、かつ画像解析可能なフレームを選択する。データ選択部１３１は、当該選択されたフレームの時間と略同一の時間に検出された、圧力センサ部１１０からの圧力値及び圧力センサ１１２（体重測定面１１１）の位置のデータを選択し、対応するフレームと対応付けて送信データとする。これにより、通信部１３２の負荷及び通信コストを抑えつつ、体重等の算出に必要なデータを送信することが可能となる。
通信部１３２は、検出された圧力値のデータ及び撮像された画像データのうち、データ選択部１３１によって選択されたデータを算出装置１４０に送信することが可能に構成される。通信部１３２は、３Ｇ（Third Generation）やＬＴＥ（Long Term Evolution）等の広域通信システム、Wi Fi（登録商標）等の無線ＬＡＮ（Local Area Network）通信システム、あるいは有線ＬＡＮ通信システム等によりネットワークに通信可能に構成される。
［算出装置］
図３は、算出装置１４０のハードウェア構成を示すブロック図である。同図に示すように、算出装置１４０は、ネットワーク上のサーバ装置（情報処理装置）として構成され、コントローラ１１と、記憶部１２と、通信部１３と、操作受付部１４と、ディスプレイ１５とを備える。算出装置１４０は、その他、図示しないオーディオデバイス部等を有していてもよい。
図３は、算出装置１４０のハードウェア構成を示すブロック図である。同図に示すように、算出装置１４０は、ネットワーク上のサーバ装置（情報処理装置）として構成され、コントローラ１１と、記憶部１２と、通信部１３と、操作受付部１４と、ディスプレイ１５とを備える。算出装置１４０は、その他、図示しないオーディオデバイス部等を有していてもよい。
コントローラ１１は、ＣＰＵを有し、算出装置１４０の各部を統括的に制御する。コントローラ１１は、図示しないＲＯＭや記憶部１２に格納された制御プログラムに従い、所定の処理を実行する。
記憶部１２は、フラッシュメモリ（Flash Memory）などの半導体メモリ、磁気ディスク、光ディスク、光磁気ディスクなどの記録媒体と、それらの記録媒体に対する記録再生機構等により構成され得る。記憶部１２には、後述する体重算出アルゴリズム、身体情報算出アルゴリズム等が記憶されている。
通信部１３は、通信部１３２と同様に、３ＧやＬＴＥ等の広域通信システム、Wi Fi（登録商標）等の無線ＬＡＮ通信システム、あるいは有線ＬＡＮ通信システム等によりネットワークに通信可能に構成される。
操作受付部１４は、例えばキーボード、電源ボタンなどのハードウェアキー、タッチパネル、操作ダイアルなどの入力デバイスを備え、作業者からの入力操作を検出し、コントローラ１１に伝達する。
ディスプレイ１５は、例えば、ＬＣＤ（Liquid Crystal Display）や有機ＥＬ（Electroluminescence）パネル等の表示素子により実現され得る。表示部１６は、表示素子の他、Ｄ／Ａ変換回路等を有していてもよい。
上記構成の算出装置１４０は、機能的構成として、図１に示すように、体重算出部１４１と、身体情報算出部１４２と、顔画像生成部１４３とを備える。
（体重算出部）
体重算出部１４１は、体重測定面１１１上における測定対象を経時的に撮像した画像データと、測定対象によって体重測定面１１１に付加された圧力値とに基づいて測定対象の体重を算出する。体重算出部１４１は、例えば、コントローラ１１によって実現される。
体重算出部１４１は、体重測定面１１１上における測定対象を経時的に撮像した画像データと、測定対象によって体重測定面１１１に付加された圧力値とに基づいて測定対象の体重を算出する。体重算出部１４１は、例えば、コントローラ１１によって実現される。
体重算出部１４１は、本実施形態において、画像データに基づいて測定対象の加速度を推定し、推定された加速度と、圧力値とに基づいて測定対象の体重を算出することができる。これにより、測定対象が動いている場合であっても、測定対象の体重を精度よく算出することができる。なお、以下の説明において、単に「加速度」と言う場合は、測定対象の重心の加速度を言うものとする。
ここで、圧力値と加速度とに基づいて体重を算出する方法について説明する。
測定対象の質量（体重）をｍ、重力加速度をｇ、測定対象の重心の加速度をＡ、測定対象による体重測定面１１１への荷重の抗力の総和をＮ、各圧力センサ１１２によって検出される圧力値をＰｉ（ｉ＝１，２，・・・ｎ）とすると、鉛直方向に関する運動方程式より、以下の（１）式が成り立つ。
ｍ×（ｇ＋Ａ）＝Ｎ ・・・（１）
Ｎは、各圧力センサ１１２の圧力値Ｐｉ（ｉ＝１，２，・・・ｎ）の線形結合として求めることができ、以下の（２）式が成り立つ。なお、線形結合の係数ｋｉは、各圧力センサ１１２の特性及び圧力センサ部１１０の構造、材質等に基づいて決定することができる。
Ｎ＝Σｋｉ×Ｐｉ ・・・（２）
（１）、（２）より、以下の（３）式が導出できる。
ｍ＝（Σｋｉ×Ｐｉ）／（ｇ＋Ａ）・・・（３）
測定対象の質量（体重）をｍ、重力加速度をｇ、測定対象の重心の加速度をＡ、測定対象による体重測定面１１１への荷重の抗力の総和をＮ、各圧力センサ１１２によって検出される圧力値をＰｉ（ｉ＝１，２，・・・ｎ）とすると、鉛直方向に関する運動方程式より、以下の（１）式が成り立つ。
ｍ×（ｇ＋Ａ）＝Ｎ ・・・（１）
Ｎは、各圧力センサ１１２の圧力値Ｐｉ（ｉ＝１，２，・・・ｎ）の線形結合として求めることができ、以下の（２）式が成り立つ。なお、線形結合の係数ｋｉは、各圧力センサ１１２の特性及び圧力センサ部１１０の構造、材質等に基づいて決定することができる。
Ｎ＝Σｋｉ×Ｐｉ ・・・（２）
（１）、（２）より、以下の（３）式が導出できる。
ｍ＝（Σｋｉ×Ｐｉ）／（ｇ＋Ａ）・・・（３）
これにより、測定対象が停止している場合（Ａ＝０）は、（３）式にｇ，Ｐｉ，ｋｉの値を代入することにより、測定対象の体重ｍを求めることができる。また、測定対象が動いている場合（Ａ≠０）には、（３）式にｇ，Ｐｉ，ｋｉの値を代入し、かつ測定対象の重心の加速度であるＡの値を代入することにより、測定対象の体重ｍを求めることができる。
一方で、測定対象の子供等が複雑な動きをしており、加速度を求めることが難しい場合もある。
一方で、測定対象の子供等が複雑な動きをしており、加速度を求めることが難しい場合もある。
そこで、体重算出部１４１は、本実施形態において、機械学習により生成された体重算出アルゴリズムに基づいて測定対象の加速度を推定する。例えば体重算出部１４１は、体重算出アルゴリズムに従って、画像データから測定対象の動きをパターン認識し、当該パターンに対応する加速度を測定対象の加速度として推定する。そして体重算出部１４１は、推定された加速度を上記（３）式に代入し、測定対象の体重を算出することができる。算出された体重は、ネットワークを介して表示装置１６０に送信される。
（身体情報算出部）
身体情報算出部１４２は、画像データに基づいて、測定対象の身長、胸囲、頭囲等の身体情報を算出する。身体情報算出部１４２は、コントローラ１１によって実現され得る。
身体情報算出部１４２は、画像データに基づいて、測定対象の身長、胸囲、頭囲等の身体情報を算出する。身体情報算出部１４２は、コントローラ１１によって実現され得る。
身体情報算出部１４２は、本実施形態において、機械学習により生成された身体情報算出アルゴリズムに基づいて測定対象の身体情報を算出する。例えば身体情報算出部１４２は、身体情報算出アルゴリズムに従って、画像データから測定対象の身体形状をパターン認識し、当該パターンに対応する身長、胸囲、頭囲等の身体情報を測定対象の身体情報として算出することができる。算出された身体情報は、ネットワークを介して表示装置１６０に送信される。
なお身体情報は、身長、胸囲、頭囲に限定されない。身体情報算出部１４２は、身長及び体重からカウプ指数又はローレル指数を算出してもよい。
カウプ指数は、幼児（０歳〜約６歳）の肥満度を示す指標であり、以下の（４）式に算出した身長ｔ（ｃｍ）及び体重ｍ（ｋｇ）を代入することで求められる。
（カウプ指数）＝ｍ／ｔ２×１０４ …（４）
同様に、ローレル指数は、学童（約６歳〜約１２歳）の肥満度を示す指標であり、以下の（５）式に算出した身長ｔ（ｃｍ）及び体重ｍ（ｋｇ）を代入することで求められる。
（ローレル指数）＝ｍ／ｔ３×１０７ …（５）
身体情報算出部１４２によるカウプ指数又はローレル指数の選択方法の例については、後述する。
カウプ指数は、幼児（０歳〜約６歳）の肥満度を示す指標であり、以下の（４）式に算出した身長ｔ（ｃｍ）及び体重ｍ（ｋｇ）を代入することで求められる。
（カウプ指数）＝ｍ／ｔ２×１０４ …（４）
同様に、ローレル指数は、学童（約６歳〜約１２歳）の肥満度を示す指標であり、以下の（５）式に算出した身長ｔ（ｃｍ）及び体重ｍ（ｋｇ）を代入することで求められる。
（ローレル指数）＝ｍ／ｔ３×１０７ …（５）
身体情報算出部１４２によるカウプ指数又はローレル指数の選択方法の例については、後述する。
（顔画像生成部）
顔画像生成部１４３は、画像データに基づいて測定対象を顔検出し、検出された顔を含む顔画像を生成する。顔検出は、公知の顔検出技術を用いることができるし、あるいは学習装置１５０によって機械学習によって顔検出アルゴリズムを生成してもよい。顔画像生成部１４３は、顔検出されたフレームから測定対象の顔を含む領域を切り取り、測定対象の顔画像を生成する。生成された顔画像は、ネットワークを介して表示装置１６０に送信される。
顔画像生成部１４３は、画像データに基づいて測定対象を顔検出し、検出された顔を含む顔画像を生成する。顔検出は、公知の顔検出技術を用いることができるし、あるいは学習装置１５０によって機械学習によって顔検出アルゴリズムを生成してもよい。顔画像生成部１４３は、顔検出されたフレームから測定対象の顔を含む領域を切り取り、測定対象の顔画像を生成する。生成された顔画像は、ネットワークを介して表示装置１６０に送信される。
［表示装置］
表示装置１６０は、表示部１６１を備える。表示装置１６０は、算出装置１４０とネットワークを介して接続された情報処理装置であり、具体的には、ＰＣ（Personal Computer）、タブレット、タブレットＰＣ、スマートフォン等であってもよい。表示装置１６０は、算出装置１４０と同様のハードウェア構成を有し、コントローラ、記憶部、通信部、操作受付部、ディスプレイ等を備える。
表示装置１６０は、表示部１６１を備える。表示装置１６０は、算出装置１４０とネットワークを介して接続された情報処理装置であり、具体的には、ＰＣ（Personal Computer）、タブレット、タブレットＰＣ、スマートフォン等であってもよい。表示装置１６０は、算出装置１４０と同様のハードウェア構成を有し、コントローラ、記憶部、通信部、操作受付部、ディスプレイ等を備える。
表示部１６１は、算出装置１４０によって算出された体重、身長、胸囲、頭囲、測定対象の顔画像等を表示することが可能に構成される。これにより、医師や測定対象、あるいは測定対象の保護者等に対して測定対象の身体情報を提示することができる。
［学習装置］
学習装置１５０は、体重算出学習部１５１と、身体情報算出学習部１５２とを有する。学習装置１５０は、例えば算出装置１４０の一部であってもよく、算出装置１４０とは異なる装置であってもよい。学習装置１５０は、例えば算出装置１４０と接続された情報処理装置として構成され、コントローラ、記憶部、及び通信部等を備えていてもよい。
学習装置１５０は、体重算出学習部１５１と、身体情報算出学習部１５２とを有する。学習装置１５０は、例えば算出装置１４０の一部であってもよく、算出装置１４０とは異なる装置であってもよい。学習装置１５０は、例えば算出装置１４０と接続された情報処理装置として構成され、コントローラ、記憶部、及び通信部等を備えていてもよい。
（体重算出学習部）
体重算出学習部１５１は、機械学習により、測定対象の体重を算出することが可能な体重算出アルゴリズムを生成する。具体的に、体重算出学習部１５１は、体重測定面１１１上における測定サンプルを経時的に撮像したサンプル画像データと測定サンプルによって体重測定面１１１に付加されたサンプル圧力値とを含む入力データと、測定サンプルの体重実測値を含む教師データと、に基づく機械学習により、体重算出アルゴリズムを生成する。体重算出アルゴリズムは、後述するように、測定対象の動きを識別し、当該動きに対応する加速度を出力する動き識別機として機能し得る。
体重算出学習部１５１は、機械学習により、測定対象の体重を算出することが可能な体重算出アルゴリズムを生成する。具体的に、体重算出学習部１５１は、体重測定面１１１上における測定サンプルを経時的に撮像したサンプル画像データと測定サンプルによって体重測定面１１１に付加されたサンプル圧力値とを含む入力データと、測定サンプルの体重実測値を含む教師データと、に基づく機械学習により、体重算出アルゴリズムを生成する。体重算出アルゴリズムは、後述するように、測定対象の動きを識別し、当該動きに対応する加速度を出力する動き識別機として機能し得る。
（身体情報算出学習部）
身体情報算出学習部１５２は、機械学習により、測定対象の身体情報を算出することが可能な身体情報算出アルゴリズムを生成する。具体的に、身体情報算出学習部１５２は、体重測定面１１１上における測定サンプルを経時的に撮像したサンプル画像データを含む入力データと、測定サンプルの身体情報実測値を含む教師データと、に基づく機械学習により、身体情報算出アルゴリズムを生成する。身体情報算出アルゴリズムは、後述するように、測定対象の形状を識別し、当該形状に対応する身体情報を出力する形状識別機として機能し得る。
身体情報算出学習部１５２は、機械学習により、測定対象の身体情報を算出することが可能な身体情報算出アルゴリズムを生成する。具体的に、身体情報算出学習部１５２は、体重測定面１１１上における測定サンプルを経時的に撮像したサンプル画像データを含む入力データと、測定サンプルの身体情報実測値を含む教師データと、に基づく機械学習により、身体情報算出アルゴリズムを生成する。身体情報算出アルゴリズムは、後述するように、測定対象の形状を識別し、当該形状に対応する身体情報を出力する形状識別機として機能し得る。
以上のような構成の測定システム１００は、以下のように体重及び身体情報を算出することができる。
［算出装置の動作］
図４は、算出装置１４０による体重及び身体情報を算出する動作を示すフローチャートである。ここでは、圧力センサ部１１０及び撮像部１２０が、機械学習が行われた際と同様に配置されており、圧力センサ１１０の体重測定面１１１上を測定対象が通過するものとして説明する。
図４は、算出装置１４０による体重及び身体情報を算出する動作を示すフローチャートである。ここでは、圧力センサ部１１０及び撮像部１２０が、機械学習が行われた際と同様に配置されており、圧力センサ１１０の体重測定面１１１上を測定対象が通過するものとして説明する。
まず、算出装置１４０が、体重測定面１１１に付加された圧力値を取得する（ＳＴ４０１）。当該圧力値は、圧力センサ部１１０によって取得され、通信部１３２を介して算出装置１４０に送信される。
図５は、体重測定面１１１上を測定対象が通過する様子を示す模式的な図である。同図に示すように、測定対象が体重測定面１１１上を通過する際、圧力センサ１１２が体重測定面１１１に付加された荷重に応じた圧力値を検出する。
一方、算出装置１４０が、体重測定面１１１上における測定対象を経時的に撮像した画像データを取得する（ＳＴ４０２）。当該画像データは、撮像部１２０によって撮像され、図５に示すように測定対象が体重測定面１１１上を通過する様子が撮像されたものである。本実施形態において撮像部１２０は、カメラ１２１，１２２，１２３を有することから、算出装置１４０は、測定対象を異なる方向から同時に撮像した複数の動画データを上記画像データとして取得する。なお、図５は、カメラ１２３の図示を省略している。
取得された圧力値と画像データには、それぞれ、検出及び撮像された時刻がメタデータとして付加されている。
取得された圧力値と画像データには、それぞれ、検出及び撮像された時刻がメタデータとして付加されている。
続いて、体重算出部１４１が、画像データと、圧力値とに基づいて測定対象の体重を算出する（ＳＴ４０３）。
図６は、ＳＴ４０３の詳細を示すフローチャートである。
同図に示すように、体重算出部１４１は、体重算出アルゴリズムに従って、ある時刻の画像データから測定対象の形状及び動きをパターン認識し、当該パターンに対応する加速度を加速度候補として抽出する（ＳＴ４０３−１）。
続いて、体重算出部１４１は、抽出した加速度候補と当該時刻に対応する圧力値とを上記（３）式に代入し、当該時刻における体重候補を算出する（ＳＴ４０３−２）。
続いて、体重算出部１４１は、体重算出アルゴリズムに従って、当該時刻における測定対象の動きと、認識したパターンとの類似度を、体重候補の信頼度として抽出する（ＳＴ４０３−３）。類似度は、パターン認識時に加速度候補とともに抽出され得る。
そして、体重算出部１４１は、各時刻について算出された測定対象の体重候補各々に、各体重候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、測定対象の体重を算出する（ＳＴ４０３−４）。
同図に示すように、体重算出部１４１は、体重算出アルゴリズムに従って、ある時刻の画像データから測定対象の形状及び動きをパターン認識し、当該パターンに対応する加速度を加速度候補として抽出する（ＳＴ４０３−１）。
続いて、体重算出部１４１は、抽出した加速度候補と当該時刻に対応する圧力値とを上記（３）式に代入し、当該時刻における体重候補を算出する（ＳＴ４０３−２）。
続いて、体重算出部１４１は、体重算出アルゴリズムに従って、当該時刻における測定対象の動きと、認識したパターンとの類似度を、体重候補の信頼度として抽出する（ＳＴ４０３−３）。類似度は、パターン認識時に加速度候補とともに抽出され得る。
そして、体重算出部１４１は、各時刻について算出された測定対象の体重候補各々に、各体重候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、測定対象の体重を算出する（ＳＴ４０３−４）。
図４に戻り、続いて、身体情報算出部１４２が、画像データに基づいて測定対象の身体情報を算出する（ＳＴ４０４）。
図７は、ＳＴ４０４の詳細を示すフローチャートである。
同図に示すように、身体情報算出部１４２は、身体情報算出アルゴリズムに従って、ある時刻の画像データから測定対象の形状をパターン認識し、当該パターンに対応する身体情報を身体情報候補として抽出する（ＳＴ４０４−１）。ここでいう身体情報候補は、例えば、身長、胸囲、頭囲とする。
続いて、身体情報算出部１４２は、身体情報算出アルゴリズムに従って、当該時刻における測定対象の形状と、認識したパターンとの類似度を、身体情報候補の信頼度として抽出する（ＳＴ４０４−２）。類似度は、パターン認識時に出力され得る。
そして、身体情報算出部１４２は、各時刻について算出された測定対象の身体情報候補各々に、各身体情報候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、測定対象の身長、胸囲及び頭囲（身体情報の少なくとも一部）を算出する（ＳＴ４０４−３）。
さらに、身体情報算出部１４２は、算出した身長と、体重算出部１４１によって算出された体重とに基づいて、カウプ指数及びローレル指数のうちのいずれか一方を算出することができる。具体的に、身体情報算出部１４２は、算出された身長と体重とを上記（４）式又は（５）式に代入し、カウプ指数又はローレル指数を算出する（ＳＴ４０４−４）。カウプ指数及びローレル指数の選択方法として、以下の方法が挙げられる。例えば、身体情報算出部１４２は、測定対象の形状として認識したパターンに対応する測定サンプルが０歳〜６歳であればカウプ指数、当該測定サンプルが７歳〜１２歳であればローレル指数を算出することができる。あるいは、身体情報算出部１４２は、算出された測定対象の身長が６歳の平均値以下であればカウプ指数、当該身長が６歳の平均値より大きければローレル指数を算出してもよい。
同図に示すように、身体情報算出部１４２は、身体情報算出アルゴリズムに従って、ある時刻の画像データから測定対象の形状をパターン認識し、当該パターンに対応する身体情報を身体情報候補として抽出する（ＳＴ４０４−１）。ここでいう身体情報候補は、例えば、身長、胸囲、頭囲とする。
続いて、身体情報算出部１４２は、身体情報算出アルゴリズムに従って、当該時刻における測定対象の形状と、認識したパターンとの類似度を、身体情報候補の信頼度として抽出する（ＳＴ４０４−２）。類似度は、パターン認識時に出力され得る。
そして、身体情報算出部１４２は、各時刻について算出された測定対象の身体情報候補各々に、各身体情報候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、測定対象の身長、胸囲及び頭囲（身体情報の少なくとも一部）を算出する（ＳＴ４０４−３）。
さらに、身体情報算出部１４２は、算出した身長と、体重算出部１４１によって算出された体重とに基づいて、カウプ指数及びローレル指数のうちのいずれか一方を算出することができる。具体的に、身体情報算出部１４２は、算出された身長と体重とを上記（４）式又は（５）式に代入し、カウプ指数又はローレル指数を算出する（ＳＴ４０４−４）。カウプ指数及びローレル指数の選択方法として、以下の方法が挙げられる。例えば、身体情報算出部１４２は、測定対象の形状として認識したパターンに対応する測定サンプルが０歳〜６歳であればカウプ指数、当該測定サンプルが７歳〜１２歳であればローレル指数を算出することができる。あるいは、身体情報算出部１４２は、算出された測定対象の身長が６歳の平均値以下であればカウプ指数、当該身長が６歳の平均値より大きければローレル指数を算出してもよい。
図４に戻り、顔画像生成部１４３が、画像データに基づいて測定対象を顔検出し、検出された顔を含む顔画像を生成する（ＳＴ４０５）。顔画像生成部１４３は、例えば、画像データに含まれるフレーム各々について顔検出し、検出された顔の検出精度、面積の大きさ等に基づいて顔画像を生成するフレームを選択してもよい。顔画像生成部１４３は、選択されたフレームから顔を含む領域を切り取り、顔画像を生成する。
最後に、算出装置１４０は、算出された体重、その他の身体情報及び生成された顔画像を表示装置１６０に送信する（ＳＴ４０６）。
図８は、体重、身体情報、及び顔画像Ｇが表示された表示部１６１を示す模式的な図である。このように、表示部１６１には顔画像Ｇに対応付けて体重をはじめとする各種身体情報が表示されることから、医師や測定対象である子供の保護者等に対して簡便に、かつ、わかりやすく測定対象の体重等を提示することができる。
また、上記体重算出アルゴリズムは、以下のように生成することができる。
［体重算出学習部の動作］
図９は、体重算出学習部１５１の動作を示すフローチャートである。ここでは、圧力センサ部１１０及び撮像部１２０が所定の位置に配置されており、学習装置１５０による機械学習が可能な状態であるとして説明する。
図９は、体重算出学習部１５１の動作を示すフローチャートである。ここでは、圧力センサ部１１０及び撮像部１２０が所定の位置に配置されており、学習装置１５０による機械学習が可能な状態であるとして説明する。
まず、体重算出学習部１５１が、複数の測定サンプル各々についてのサンプル画像データとサンプル圧力値とを含む入力データと、各測定サンプルの体重実測値を含む教師データを取得する（ＳＴ９０１）。サンプル画像データは、例えば、男女それぞれ、異なる年齢（例えば１歳、２歳などの年齢別）の子供（測定サンプル）を含み、かつ、各年齢、各性別の子供が採り得る多様な服装の測定サンプルを含んでいてもよい。また、サンプル画像データは、ゆっくり歩く動きや、比較的速く歩く動きなど、各年齢、各性別の子供が採り得る多様な動きの測定サンプルを含んでいてもよい。体重算出学習部１５１により取得されたこれらのデータは、学習装置１５０の記憶部に記憶され得る。
続いて体重算出学習部１５１が、測定サンプル毎に、各時刻における測定サンプルの形状及び動きを検出する（ＳＴ９０２）。形状及び動きの検出方法は特に限定されないが、ここでは一例として、画像特徴点を用いた以下のような方法を説明する。
図１０は、ＳＴ９０２の詳細を示すフローチャートである。
まず、体重算出学習部１５１が、サンプル画像データの各フレームから測定サンプルを抽出する（ＳＴ９０２−１）。より具体的に、体重算出学習部１５１は、サンプル画像データのエッジ検出、テクスチャ除去等により背景と測定サンプルとの差分を検出することで、測定サンプルの輪郭を検出し、測定サンプルを抽出してもよい。
続いて、体重算出学習部１５１が、各フレームから抽出された測定サンプルの特徴点を抽出する（ＳＴ９０２−２）。特徴点の設定は、例えば、ＨＯＧ（Histogram of Oriented Gradient）特徴量、ＳＩＦＴ（Scale-Invariant Feature Transform）特徴量、ＳＵＲＦ（Speeded Up Robust Features）特徴量等を用いることができる。
続いて、体重算出学習部１５１が、サンプル画像データの複数のフレームのうち、カメラ１２１，１２２，１２３各々により異なる位置から撮像された同一時刻のフレームを選択し、これらのフレーム間で抽出された特徴点を対応付ける（ＳＴ９０２−３）。
続いて、体重算出学習部１５１は、対応付けられた特徴点に基づいて、同一時刻における測定サンプルの複数の要素の位置と形状とを推定する（ＳＴ９０２−４）。複数の要素としては、例えば、頭部や胴体、腕、足等が挙げられる。複数の要素の位置としては、例えば、頭部の中心や胴体の中心等の要素の中心や、肘、膝等の関節、手の指先や、足先等の位置が挙げられる。
そして、体重算出学習部１５１が、ある時刻のフレームと、所定の時間差を有するフレームとの各々において検出された複数の要素の位置の差分に基づいて、各時刻における測定サンプルの複数の要素の動きをそれぞれ検出する（ＳＴ９０２−５）。これにより、体重算出学習部１５１は、各時刻における測定サンプル全体の３次元的な動きを把握することができる。各要素の動きは、所定の時間差で検出された各要素の位置の変化の大きさと向きの情報を含む。
まず、体重算出学習部１５１が、サンプル画像データの各フレームから測定サンプルを抽出する（ＳＴ９０２−１）。より具体的に、体重算出学習部１５１は、サンプル画像データのエッジ検出、テクスチャ除去等により背景と測定サンプルとの差分を検出することで、測定サンプルの輪郭を検出し、測定サンプルを抽出してもよい。
続いて、体重算出学習部１５１が、各フレームから抽出された測定サンプルの特徴点を抽出する（ＳＴ９０２−２）。特徴点の設定は、例えば、ＨＯＧ（Histogram of Oriented Gradient）特徴量、ＳＩＦＴ（Scale-Invariant Feature Transform）特徴量、ＳＵＲＦ（Speeded Up Robust Features）特徴量等を用いることができる。
続いて、体重算出学習部１５１が、サンプル画像データの複数のフレームのうち、カメラ１２１，１２２，１２３各々により異なる位置から撮像された同一時刻のフレームを選択し、これらのフレーム間で抽出された特徴点を対応付ける（ＳＴ９０２−３）。
続いて、体重算出学習部１５１は、対応付けられた特徴点に基づいて、同一時刻における測定サンプルの複数の要素の位置と形状とを推定する（ＳＴ９０２−４）。複数の要素としては、例えば、頭部や胴体、腕、足等が挙げられる。複数の要素の位置としては、例えば、頭部の中心や胴体の中心等の要素の中心や、肘、膝等の関節、手の指先や、足先等の位置が挙げられる。
そして、体重算出学習部１５１が、ある時刻のフレームと、所定の時間差を有するフレームとの各々において検出された複数の要素の位置の差分に基づいて、各時刻における測定サンプルの複数の要素の動きをそれぞれ検出する（ＳＴ９０２−５）。これにより、体重算出学習部１５１は、各時刻における測定サンプル全体の３次元的な動きを把握することができる。各要素の動きは、所定の時間差で検出された各要素の位置の変化の大きさと向きの情報を含む。
図９に戻り、体重算出学習部１５１は、各時刻におけるサンプル圧力値と、測定サンプルの体重実測値とを（３）式に代入し、各時刻における測定サンプルの加速度を算出する（ＳＴ９０３）。
そして、体重算出学習部１５１が、各時刻における測定サンプルの加速度と、当該加速度に対応付けられた測定サンプルの動きとを含むデータセットを生成し、記憶する（ＳＴ９０４）。
続いて、体重算出学習部１５１が、上記データセットに基づいて、ある画像データから検出された測定対象の動きを識別し、その識別された動きに対応する加速度を出力（推定）することが可能な体重算出アルゴリズム候補を生成する（ＳＴ９０５）。体重算出アルゴリズム候補は、本実施形態において、ある画像データから検出された測定対象の動きと、識別された動きの類似度を判定し、加速度とともに当該類似度を出力するように生成され得る。
そして、体重算出学習部１５１が、生成された体重算出アルゴリズム候補を用いて十分な精度で体重を算出することができるか否か検証する（ＳＴ９０６）。具体的には、体重算出部１４１が、生成された体重算出アルゴリズム候補を用いて複数の測定対象の体重を算出する。そして体重算出学習部１５１が、算出された体重とこれらの測定対象の体重実測値とを比較して体重算出アルゴリズム候補を評価する。
生成された体重算出アルゴリズム候補が十分な精度で体重を算出することができないと判定された場合は（ＳＴ９０６でＮｏ）、測定サンプルを増やすなどして再度入力データ及び教師データを取得する（ＳＴ９０１）。一方、十分な精度で体重を算出することができると判定された場合は（ＳＴ９０６でＹｅｓ）、処理を終了し、算出装置１４０が当該体重算出アルゴリズム候補を体重算出アルゴリズムとして記憶する。
［身体情報算出学習部の動作］
図１１は、身体情報算出学習部１５２の動作を示すフローチャートである。ここでは、圧力センサ部１１０及び撮像部１２０が所定の位置に配置されており、学習装置１５０による機械学習が可能な状態であるとして説明する。
図１１は、身体情報算出学習部１５２の動作を示すフローチャートである。ここでは、圧力センサ部１１０及び撮像部１２０が所定の位置に配置されており、学習装置１５０による機械学習が可能な状態であるとして説明する。
まず、身体情報算出学習部１５２が、複数の測定サンプル各々についてのサンプル画像データを含む入力データと、各測定サンプルの身体情報実測値を含む教師データとを取得する（ＳＴ１１０１）。測定サンプル及びサンプル画像データは、典型的には体重算出学習部１５１が用いたものと同一であり得る。
続いて身体情報算出学習部１５２が、測定サンプル毎に、各時刻における測定サンプルの形状を検出する（ＳＴ１１０２）。形状の検出方法は特に限定されないが、ここでは一例として、画像特徴点を用いた以下のような方法を説明する。なお、体重算出学習部１５２の動作と同様の動作については、説明を省略する。
図１２は、ＳＴ１１０２の詳細を示すフローチャートである。
まず、身体情報算出学習部１５２が、サンプル画像データの各フレームから測定サンプルを抽出する（ＳＴ１１０２−１）。
続いて、身体情報算出学習部１５２が、各フレームから抽出された測定サンプルの特徴点を抽出する（ＳＴ１１０２−２）。
続いて、身体情報算出学習部１５２が、サンプル画像データの複数のフレームのうち、カメラ１２１，１２２，１２３各々により異なる位置から撮像された同一時刻のフレームを選択し、これらのフレーム間で抽出された特徴点を対応付ける（ＳＴ１１０２−３）。
続いて、身体情報算出学習部１５２が、対応付けられた特徴点に基づいて、同一時刻における測定サンプルの複数の要素の位置と形状を推定する（ＳＴ１１０２−４）。これにより、測定サンプルの各時刻における３次元的な形状が特定され得る。
ＳＴ１１０２−１〜ＳＴ１１０２−４の処理は、体重算出学習部１５１と同様の処理であるため、体重算出アルゴリズムの生成時に体重算出学習部１５１により行われてもよい。
まず、身体情報算出学習部１５２が、サンプル画像データの各フレームから測定サンプルを抽出する（ＳＴ１１０２−１）。
続いて、身体情報算出学習部１５２が、各フレームから抽出された測定サンプルの特徴点を抽出する（ＳＴ１１０２−２）。
続いて、身体情報算出学習部１５２が、サンプル画像データの複数のフレームのうち、カメラ１２１，１２２，１２３各々により異なる位置から撮像された同一時刻のフレームを選択し、これらのフレーム間で抽出された特徴点を対応付ける（ＳＴ１１０２−３）。
続いて、身体情報算出学習部１５２が、対応付けられた特徴点に基づいて、同一時刻における測定サンプルの複数の要素の位置と形状を推定する（ＳＴ１１０２−４）。これにより、測定サンプルの各時刻における３次元的な形状が特定され得る。
ＳＴ１１０２−１〜ＳＴ１１０２−４の処理は、体重算出学習部１５１と同様の処理であるため、体重算出アルゴリズムの生成時に体重算出学習部１５１により行われてもよい。
図１１に戻り、身体情報算出学習部１５２が、各時刻における測定サンプルの形状と、当該形状に対応付けられた測定サンプルの身体情報実測値とを含むデータセットを生成し、記憶する（ＳＴ１１０３）。
続いて、身体情報算出学習部１５２が、上記データセットに基づいて、ある画像データから検出された測定対象の形状を識別し、その識別された形状に対応する身体情報を出力（推定）することが可能な身体情報算出アルゴリズム候補を生成する（ＳＴ１１０４）。身体情報算出アルゴリズム候補は、本実施形態において、ある画像データから検出された測定対象の形状と、識別された形状の類似度を判定し、身体情報とともに当該類似度を出力するように生成され得る。
そして、身体情報算出学習部１５２が、生成された身体情報算出アルゴリズム候補を用いて十分な精度で身体情報を算出することができるか否か検証する（ＳＴ１１０５）。まず身体情報算出部１４２が、生成された身体情報算出アルゴリズム候補を用いて複数の測定対象の身体情報を算出する。そして身体情報算出学習部１５２が、算出された身体情報とこれらの測定対象の身体情報実測値とを比較して身体情報算出アルゴリズム候補を評価する。
生成された身体情報算出アルゴリズム候補が十分な精度で身体情報を算出することができないと判定された場合は（ＳＴ１１０６でＮｏ）、身体情報算出学習部１５２が測定サンプルを増やすなどされた入力データ及び教師データを再度取得する（ＳＴ１１０１）。一方、十分な精度で身体情報を算出することができると判定された場合は（ＳＴ１１０６でＹｅｓ）、処理を終了し、算出装置１４０が当該身体情報算出アルゴリズム候補を身体情報算出アルゴリズムとして記憶する。
［測定システムの作用効果］
以上のように、本実施形態の測定システム１００によれば、測定対象が体重測定面１１１上で動いている場合であっても、測定対象の加速度を推定し圧力値を補正することで、測定対象の体重を精度よく測定することができる。これにより、測定対象が子供等であって静止させることが難しい場合であっても、測定対象の体重を容易に測定することができる。また、測定対象の加速度の推定に画像データを用いることから、測定対象に接触することなく、動いている測定対象の体重を測定することができる。したがって、測定対象を押さえ付けたり、興味を引いて静止させる等の作業を不要とし、簡易にかつ安全に動いている測定対象の体重を測定することができる。
以上のように、本実施形態の測定システム１００によれば、測定対象が体重測定面１１１上で動いている場合であっても、測定対象の加速度を推定し圧力値を補正することで、測定対象の体重を精度よく測定することができる。これにより、測定対象が子供等であって静止させることが難しい場合であっても、測定対象の体重を容易に測定することができる。また、測定対象の加速度の推定に画像データを用いることから、測定対象に接触することなく、動いている測定対象の体重を測定することができる。したがって、測定対象を押さえ付けたり、興味を引いて静止させる等の作業を不要とし、簡易にかつ安全に動いている測定対象の体重を測定することができる。
また本実施形態の測定システム１００によれば、画像データを用いることで、測定対象の体重とともに、当該測定対象の身体情報や顔画像も取得することができる。これにより、測定対象が体重測定面１１１上を通過等するだけで測定対象の多様な身体情報を取得することができ、これらの身体情報を測定する手間を大幅に省くことができる。さらに、測定システム１００が医師等によって利用される場合、測定システム１００により測定された体重、その他の身体情報を電子カルテに反映させることができ、利便性を向上させることができる。
加えて、本実施形態の測定システム１００によれば、機械学習によって生成された体重算出アルゴリズムを用いて体重を算出することができる。これにより、多様な動きの測定対象に対して比較的少ない処理コストで、かつ精度よく体重を算出することができる。また、機械学習によれば、サンプル数やサンプルの種類を増やすことで、より細かい条件でのパターン認識が可能となる。これにより、子供の大きさや性別、服装等も考慮することが可能となり、より精度よく体重等を算出することが可能となる。
以下に、本実施形態の変形例を示す。
以下に、本実施形態の変形例を示す。
［変形例１−１］
体重算出学習部１５１は、機械学習時に、測定サンプルに含まれる複数の要素の形状及び位置を検出し、検出された複数の要素の形状及び位置に基づいて測定サンプルの重心の位置を推定し、当該重心の位置の変化（速度）に基づいて測定サンプルの加速度を推定してもよい。これにより、教師データとしての体重実測値が得られていない場合であっても、教師無し学習により体重算出アルゴリズムを生成することができる。
体重算出学習部１５１は、機械学習時に、測定サンプルに含まれる複数の要素の形状及び位置を検出し、検出された複数の要素の形状及び位置に基づいて測定サンプルの重心の位置を推定し、当該重心の位置の変化（速度）に基づいて測定サンプルの加速度を推定してもよい。これにより、教師データとしての体重実測値が得られていない場合であっても、教師無し学習により体重算出アルゴリズムを生成することができる。
［変形例１−２］
例えば、体重算出学習部１５１による機械学習時に、服の形状や材質等を学習してもよい。これにより、多様な服装の測定対象について精度よいパターン認識が可能となる。また、変形例１−１のように、測定対象の重心の位置を推定する場合には、服の形状や材質を考慮して重心の位置を推定することができる。例えば、服がスカートであると推定される場合には、服の領域の密度を小さく見積もり、重心の位置を精度よく推定することができる。
例えば、体重算出学習部１５１による機械学習時に、服の形状や材質等を学習してもよい。これにより、多様な服装の測定対象について精度よいパターン認識が可能となる。また、変形例１−１のように、測定対象の重心の位置を推定する場合には、服の形状や材質を考慮して重心の位置を推定することができる。例えば、服がスカートであると推定される場合には、服の領域の密度を小さく見積もり、重心の位置を精度よく推定することができる。
［変形例１−３］
また、体重算出学習部１５１による機械学習時に、服の形状に制約を設けて学習を行うこともできる。例えば、下着のみ着用する、上着やマフラーは脱ぐ、等の制約を設けて機械学習を行い、実際の体重測定時においても同様の制約を設けて体重測定を行うことができる。これにより、認識すべきパターン数を減少させることができ、体重算出部１４１の処理コストを低減することができるとともに、体重測定の精度を高めることができる。
また、体重算出学習部１５１による機械学習時に、服の形状に制約を設けて学習を行うこともできる。例えば、下着のみ着用する、上着やマフラーは脱ぐ、等の制約を設けて機械学習を行い、実際の体重測定時においても同様の制約を設けて体重測定を行うことができる。これにより、認識すべきパターン数を減少させることができ、体重算出部１４１の処理コストを低減することができるとともに、体重測定の精度を高めることができる。
［変形例１−４］
例えば、体重算出アルゴリズムは、画像データに基づいて測定対象の顔をパターン認識し、測定対象の性別や年齢等を判定することが可能に構成されてもよい。この場合、体重算出アルゴリズムは、判定した性別と年齢が一致する測定サンプル群を抽出し、この測定サンプル群を用いて当該測定対象の動きをパターン認識することが可能に構成されてもよい。これにより、パターン認識するために用いる測定サンプルの数を低減することができ、体重算出部１４１の処理コストを低減できる。
例えば、体重算出アルゴリズムは、画像データに基づいて測定対象の顔をパターン認識し、測定対象の性別や年齢等を判定することが可能に構成されてもよい。この場合、体重算出アルゴリズムは、判定した性別と年齢が一致する測定サンプル群を抽出し、この測定サンプル群を用いて当該測定対象の動きをパターン認識することが可能に構成されてもよい。これにより、パターン認識するために用いる測定サンプルの数を低減することができ、体重算出部１４１の処理コストを低減できる。
［変形例１−５］
カメラ１２１，１２２，１２３は、例えば測定対象の身長等に応じて位置や撮像角度、撮像倍率を変更可能に構成されてもよい。この場合、例えば、体重算出学習部１５１及び身体情報算出学習部１５２が、機械学習時に、測定サンプルの身長等に応じて適したカメラ１２１，１２２，１２３の位置や撮像角度、撮像倍率等を学習する。これにより、身体情報算出部１４２が測定対象の身長候補を算出した際、当該身長候補に基づいて学習した位置、撮像角度、撮像倍率にカメラ１２１，１２２，１２３が調整されることができる。なお、測定対象の身長候補の算出は、当該測定対象について最初に算出された身長候補であってもよいし、所定の類似度（信頼度）以上であって最初に算出された身長候補であってもよい。
カメラ１２１，１２２，１２３は、例えば測定対象の身長等に応じて位置や撮像角度、撮像倍率を変更可能に構成されてもよい。この場合、例えば、体重算出学習部１５１及び身体情報算出学習部１５２が、機械学習時に、測定サンプルの身長等に応じて適したカメラ１２１，１２２，１２３の位置や撮像角度、撮像倍率等を学習する。これにより、身体情報算出部１４２が測定対象の身長候補を算出した際、当該身長候補に基づいて学習した位置、撮像角度、撮像倍率にカメラ１２１，１２２，１２３が調整されることができる。なお、測定対象の身長候補の算出は、当該測定対象について最初に算出された身長候補であってもよいし、所定の類似度（信頼度）以上であって最初に算出された身長候補であってもよい。
［変形例１−６］
上述の実施形態では、体重算出部１４１が、測定対象の体重候補各々に、各体重候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、測定対象の体重を算出すると説明したが、これに限定されない。例えば、体重算出部１４１は、加重平均値を算出せず、最も信頼度の高い体重候補を体重として算出することもできる。
上述の実施形態では、体重算出部１４１が、測定対象の体重候補各々に、各体重候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、測定対象の体重を算出すると説明したが、これに限定されない。例えば、体重算出部１４１は、加重平均値を算出せず、最も信頼度の高い体重候補を体重として算出することもできる。
［変形例１−７］
例えば、本実施形態に係る測定システム１００によれば、保護者等に抱かれた乳幼児の体重も測定することができる。この場合、体重算出学習部１５１による機械学習時に、保護者と保護者に抱かれた乳幼児の動きを学習し、その学習結果を用いて測定対象の乳幼児の動きをパターン認識する。これにより、乳幼児にとってもストレスなく、容易に体重を測定することができる。
例えば、本実施形態に係る測定システム１００によれば、保護者等に抱かれた乳幼児の体重も測定することができる。この場合、体重算出学習部１５１による機械学習時に、保護者と保護者に抱かれた乳幼児の動きを学習し、その学習結果を用いて測定対象の乳幼児の動きをパターン認識する。これにより、乳幼児にとってもストレスなく、容易に体重を測定することができる。
［変形例１−８］
上述の実施形態では、体重算出部１４１が、ある時刻の画像データから測定対象の動きをパターン認識し、当該パターンに対応する加速度を加速度候補として抽出すると説明したが、これに限定されない。例えば、体重算出学習部１４１が、体重算出アルゴリズムに従って、測定対象の動き及び圧力値をパターン認識することで、当該パターンに対応する体重を抽出してもよい。この場合、体重算出学習部１５１は、測定サンプルの動き及び圧力値を学習することができる。これによっても、体重算出部１４１が動いている測定対象の体重を精度よく算出することができる。
上述の実施形態では、体重算出部１４１が、ある時刻の画像データから測定対象の動きをパターン認識し、当該パターンに対応する加速度を加速度候補として抽出すると説明したが、これに限定されない。例えば、体重算出学習部１４１が、体重算出アルゴリズムに従って、測定対象の動き及び圧力値をパターン認識することで、当該パターンに対応する体重を抽出してもよい。この場合、体重算出学習部１５１は、測定サンプルの動き及び圧力値を学習することができる。これによっても、体重算出部１４１が動いている測定対象の体重を精度よく算出することができる。
［変形例１−９］
カメラ１２１，１２２，１２３の数及び配置は、上述に限定されない。例えば、より多くのカメラを用いてもよいし、配置も、測定対象の動きを検出することが可能な画像データを撮像できれば特に限定されない。
カメラ１２１，１２２，１２３の数及び配置は、上述に限定されない。例えば、より多くのカメラを用いてもよいし、配置も、測定対象の動きを検出することが可能な画像データを撮像できれば特に限定されない。
［変形例１−１０］
また、上述の実施形態では、撮像部１２０が動画撮像用のカメラ１２１，１２２，１２３を有すると説明したが、測定対象の動きを検出可能な画像データを取得できる構成であればこれに限定されない。例えば撮像部１２０は、カメラ１２１，１２２，１２３に代えて３Ｄデプスセンサや赤外線センサ等を有する構成とすることができる。
また、上述の実施形態では、撮像部１２０が動画撮像用のカメラ１２１，１２２，１２３を有すると説明したが、測定対象の動きを検出可能な画像データを取得できる構成であればこれに限定されない。例えば撮像部１２０は、カメラ１２１，１２２，１２３に代えて３Ｄデプスセンサや赤外線センサ等を有する構成とすることができる。
［変形例１−１１］
体重算出学習部１５１及び身体情報算出学習部１５２は、実際に測定サンプルを撮像した画像データに加えて、ＣＧ（Computer Graphics）で測定サンプルのモデルを作成し、当該モデルの形状や動きを変化させた仮想的な画像データを用いてもよい。これにより、より多くの形状や動きのパターンを学習させることができ、算出装置１４０が精度よく体重や身体情報を算出することができる。
体重算出学習部１５１及び身体情報算出学習部１５２は、実際に測定サンプルを撮像した画像データに加えて、ＣＧ（Computer Graphics）で測定サンプルのモデルを作成し、当該モデルの形状や動きを変化させた仮想的な画像データを用いてもよい。これにより、より多くの形状や動きのパターンを学習させることができ、算出装置１４０が精度よく体重や身体情報を算出することができる。
［変形例１−１２］
図１３に示すように、測定システム１００は、例えば、身体情報算出部１４２及び身体情報算出学習部１５２等を有さず、身体情報を算出しない構成とすることもできる。
図１３に示すように、測定システム１００は、例えば、身体情報算出部１４２及び身体情報算出学習部１５２等を有さず、身体情報を算出しない構成とすることもできる。
［変形例１−１３］
あるいは、図１４に示すように、測定システム１００は、例えば、顔画像生成部１４３を有さず、顔画像を生成しない構成とすることもできる。
あるいは、図１４に示すように、測定システム１００は、例えば、顔画像生成部１４３を有さず、顔画像を生成しない構成とすることもできる。
［変形例１−１４］
上述の実施形態では、測定対象が子供である場合について説明したが、これに限定されず、例えば、測定対象がペットや家畜等の動物であってもよい。ペットや家畜も、体重測定面１１１上で静止することが難しいと考えられるが、本実施形態によれば測定対象が動いている場合であっても精度よく体重等を測定することができる。また、動物に対してもストレスを与えることなく、体重等を測定することができる。
あるいは、測定システム１００は、乳児を測定対象とするベビースケールとして用いることも可能である。
上述の実施形態では、測定対象が子供である場合について説明したが、これに限定されず、例えば、測定対象がペットや家畜等の動物であってもよい。ペットや家畜も、体重測定面１１１上で静止することが難しいと考えられるが、本実施形態によれば測定対象が動いている場合であっても精度よく体重等を測定することができる。また、動物に対してもストレスを与えることなく、体重等を測定することができる。
あるいは、測定システム１００は、乳児を測定対象とするベビースケールとして用いることも可能である。
［変形例１−１５］
測定システム１００は、クラウドシステムであり、算出装置１４０がネットワーク上のサーバ装置として構成されると説明したが、これに限定されない。例えば、算出装置１４０は、表示装置１６０又は検出装置１３０の一部であってもよいし、表示装置１６０及び検出装置１３０とネットワークを介さずに相互に接続された情報処理装置であってもよい。
測定システム１００は、クラウドシステムであり、算出装置１４０がネットワーク上のサーバ装置として構成されると説明したが、これに限定されない。例えば、算出装置１４０は、表示装置１６０又は検出装置１３０の一部であってもよいし、表示装置１６０及び検出装置１３０とネットワークを介さずに相互に接続された情報処理装置であってもよい。
＜第２の実施形態＞
図１５は、本技術の第２の実施形態に係る測定システムの構成を示すブロック図である。測定システム２００は、測定システム１００と同様の圧力センサ部１１０と、撮像部１２０と、データ選択部１３１と、通信部１３２と、表示部１６１とを備えるが、学習装置を備えず、かつ算出装置２４０の構成が算出装置１４０と異なる。なお、上述の第１の実施形態と同様の構成については同一の符号を付し、その説明を省略する。
図１５は、本技術の第２の実施形態に係る測定システムの構成を示すブロック図である。測定システム２００は、測定システム１００と同様の圧力センサ部１１０と、撮像部１２０と、データ選択部１３１と、通信部１３２と、表示部１６１とを備えるが、学習装置を備えず、かつ算出装置２４０の構成が算出装置１４０と異なる。なお、上述の第１の実施形態と同様の構成については同一の符号を付し、その説明を省略する。
［算出装置］
算出装置２４０は、体重算出部２４１と、身体情報算出部２４２と、第１の実施形態と同様の顔画像生成部１４３とを有する。算出装置２４０は、算出装置１４０と同様のハードウェア構成を有し、ネットワーク上のサーバ装置（情報処理装置）として構成される。
算出装置２４０は、体重算出部２４１と、身体情報算出部２４２と、第１の実施形態と同様の顔画像生成部１４３とを有する。算出装置２４０は、算出装置１４０と同様のハードウェア構成を有し、ネットワーク上のサーバ装置（情報処理装置）として構成される。
（体重算出部）
体重算出部２４１は、体重測定面１１１（図２参照）上における測定対象を経時的に撮像した画像データと、測定対象によって体重測定面１１１に付加された圧力値とに基づいて測定対象の体重を算出する。体重算出部２４１は、本実施形態においても、画像データに基づいて測定対象の加速度を推定し、推定された加速度と、圧力値とに基づいて測定対象の体重を算出することができる。但し、体重算出部２４１は、機械学習により生成された体重算出アルゴリズムを用いて体重を算出するのではなく、測定対象が撮像された画像データを解析することにより加速度を推定し、測定対象の体重を算出することができる。
体重算出部２４１は、例えば以下のように体重を算出することができる。
体重算出部２４１は、体重測定面１１１（図２参照）上における測定対象を経時的に撮像した画像データと、測定対象によって体重測定面１１１に付加された圧力値とに基づいて測定対象の体重を算出する。体重算出部２４１は、本実施形態においても、画像データに基づいて測定対象の加速度を推定し、推定された加速度と、圧力値とに基づいて測定対象の体重を算出することができる。但し、体重算出部２４１は、機械学習により生成された体重算出アルゴリズムを用いて体重を算出するのではなく、測定対象が撮像された画像データを解析することにより加速度を推定し、測定対象の体重を算出することができる。
体重算出部２４１は、例えば以下のように体重を算出することができる。
まず、体重算出部２４１は、画像データに基づいて、各時刻における測定対象の複数の要素の形状及び位置を検出する。形状及び位置の検出方法は特に限定されないが、第１の実施形態の「体重算出学習部の動作」及び「身体情報算出学習部の動作」で説明した画像特徴点を用いた方法を適用してもよい。
続いて体重算出部２４１は、検出された複数の要素各々の形状及び位置から、各時刻における測定対象の重心の位置を算出する。重心の位置の算出方法は特に限定されないが、例えば頭部や胴体、手足等の要素によって密度が異なるものとして算出してもよいし、上述の変形例１−２で説明したように、服の形状や材質等を考慮して算出してもよい。
続いて体重算出部２４１は、各時刻における重心の位置の変化（速度）に基づいて、各時刻における重心の加速度を算出する。
さらに体重算出部２４１は、各時刻における加速度と、当該時刻における圧力値とを上記（３）式に代入し、各時刻における体重候補を算出する。
最後に体重算出部２４１は、測定対象の体重候補各々に、各体重候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、測定対象の体重を算出する。信頼度は、例えば各時刻における重心の速度や、測定対象の形状及び位置の検出精度等に基づいて設定することができる。
続いて体重算出部２４１は、検出された複数の要素各々の形状及び位置から、各時刻における測定対象の重心の位置を算出する。重心の位置の算出方法は特に限定されないが、例えば頭部や胴体、手足等の要素によって密度が異なるものとして算出してもよいし、上述の変形例１−２で説明したように、服の形状や材質等を考慮して算出してもよい。
続いて体重算出部２４１は、各時刻における重心の位置の変化（速度）に基づいて、各時刻における重心の加速度を算出する。
さらに体重算出部２４１は、各時刻における加速度と、当該時刻における圧力値とを上記（３）式に代入し、各時刻における体重候補を算出する。
最後に体重算出部２４１は、測定対象の体重候補各々に、各体重候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、測定対象の体重を算出する。信頼度は、例えば各時刻における重心の速度や、測定対象の形状及び位置の検出精度等に基づいて設定することができる。
これにより、体重算出部２４１は、画像データと圧力値とから、体重を精度よく算出することができる。
（身体情報算出部）
身体情報算出部２４２は、画像データに基づいて、測定対象の身体情報を算出する。但し、身体情報算出部２４２は、機械学習により生成された身体情報算出アルゴリズムを用いて身体情報を算出するのではなく、測定対象が撮像された画像データを解析することにより身体情報を算出することができる。本実施形態において、身体情報は、身長とする。
身体情報算出部２４２は、公知の身長算出技術を適用することができるが、一例として以下のように身長を算出することができる。
身体情報算出部２４２は、画像データに基づいて、測定対象の身体情報を算出する。但し、身体情報算出部２４２は、機械学習により生成された身体情報算出アルゴリズムを用いて身体情報を算出するのではなく、測定対象が撮像された画像データを解析することにより身体情報を算出することができる。本実施形態において、身体情報は、身長とする。
身体情報算出部２４２は、公知の身長算出技術を適用することができるが、一例として以下のように身長を算出することができる。
身体情報算出部２４２は、各時刻における測定対象の複数の要素の形状及び位置を検出する。ここでは、体重算出部２４１の検出結果を利用してもよい。
続いて身体情報算出部２４２は、検出した複数の要素から頭部及び足を抽出し、各時刻における頭部及び足の位置を検出する。頭部と足との抽出は、予め記憶された頭部と足との形状モデル等を用いることができる。
続いて身体情報算出部２４２は、各時刻のフレームにおける頭部と足との距離を算出し、当該距離が最も長いフレームを選択する。これにより、測定対象が直立しているフレームを選択することができる。
最後に身体情報算出部２４２は、選択されたフレームに対応付けられたカメラ１２１，１２２，１２３の撮像倍率やカメラ１２１，１２２，１２３と体重測定面１１１までの距離等に基づいて、当該フレームにおける頭部と足との距離から身長を算出する。
なお、身体情報算出部２４２は、身長及び体重からカウプ指数又はローレル指数を算出してもよい。
続いて身体情報算出部２４２は、検出した複数の要素から頭部及び足を抽出し、各時刻における頭部及び足の位置を検出する。頭部と足との抽出は、予め記憶された頭部と足との形状モデル等を用いることができる。
続いて身体情報算出部２４２は、各時刻のフレームにおける頭部と足との距離を算出し、当該距離が最も長いフレームを選択する。これにより、測定対象が直立しているフレームを選択することができる。
最後に身体情報算出部２４２は、選択されたフレームに対応付けられたカメラ１２１，１２２，１２３の撮像倍率やカメラ１２１，１２２，１２３と体重測定面１１１までの距離等に基づいて、当該フレームにおける頭部と足との距離から身長を算出する。
なお、身体情報算出部２４２は、身長及び体重からカウプ指数又はローレル指数を算出してもよい。
これにより、身体情報算出部２４２は、画像データと圧力値とから、身長を精度よく算出することができる。
本実施形態によれば、機械学習によらず、画像データ及び圧力値とから体重を算出することができる。これにより、測定サンプルによる学習を不要とし、システムの構築を容易にすることができる。
＜第３の実施形態＞
図１６は、本技術の第３の実施形態に係る測定システムを示すブロック図である。測定システム３００は、測定システム１００と同様の圧力センサ部１１０と、データ選択部１３１と、通信部１３２と、表示部１６１とを備えるが、学習装置を備えず、かつ算出装置３４０及び検出装置３３０の撮像部３２０の構成がそれぞれ算出装置１４０及び撮像部１２０と異なる。なお、上述の第１の実施形態と同様の構成については同一の符号を付し、その説明を省略する。
図１６は、本技術の第３の実施形態に係る測定システムを示すブロック図である。測定システム３００は、測定システム１００と同様の圧力センサ部１１０と、データ選択部１３１と、通信部１３２と、表示部１６１とを備えるが、学習装置を備えず、かつ算出装置３４０及び検出装置３３０の撮像部３２０の構成がそれぞれ算出装置１４０及び撮像部１２０と異なる。なお、上述の第１の実施形態と同様の構成については同一の符号を付し、その説明を省略する。
（撮像部）
撮像部３２０は、体重測定面１１１上における測定対象を経時的に撮像することが可能に構成され、本実施形態において１台の動画撮像用のカメラ３２１を有する。カメラ３２１の位置は特に限定されず、測定対象全体の動きを撮像することが可能な位置とすることができる。
撮像部３２０は、体重測定面１１１上における測定対象を経時的に撮像することが可能に構成され、本実施形態において１台の動画撮像用のカメラ３２１を有する。カメラ３２１の位置は特に限定されず、測定対象全体の動きを撮像することが可能な位置とすることができる。
［算出装置］
算出装置３４０は、体重算出部３４１のみを有する。算出装置３４０は、算出装置１４０と同様のハードウェア構成を有し、ネットワーク上のサーバ装置（情報処理装置）として構成される。
算出装置３４０は、体重算出部３４１のみを有する。算出装置３４０は、算出装置１４０と同様のハードウェア構成を有し、ネットワーク上のサーバ装置（情報処理装置）として構成される。
（体重算出部）
体重算出部３４１は、体重測定面１１１（図２参照）上における測定対象を経時的に撮像した画像データと、測定対象によって体重測定面１１１に付加された圧力値とに基づいて測定対象の体重を算出する。但し、体重算出部３４１は、本実施形態において、画像データに基づいて測定対象が静止しているか否か判定し、静止していると判定された場合の圧力値に基づいて測定対象の体重を算出することができる。
体重算出部３４１は、例えば以下のように体重を算出することができる。
体重算出部３４１は、体重測定面１１１（図２参照）上における測定対象を経時的に撮像した画像データと、測定対象によって体重測定面１１１に付加された圧力値とに基づいて測定対象の体重を算出する。但し、体重算出部３４１は、本実施形態において、画像データに基づいて測定対象が静止しているか否か判定し、静止していると判定された場合の圧力値に基づいて測定対象の体重を算出することができる。
体重算出部３４１は、例えば以下のように体重を算出することができる。
まず、体重算出部３４１は、各時刻における測定対象の複数の要素の形状及び位置を検出する。
続いて体重算出部３４１は、各時刻における複数の要素の位置の変化（速度）に基づいて、各時刻で測定対象が静止しているか否か判定する。静止していることの判定基準は特に限定されず、例えば、全ての要素の速度が所定の閾値以下であるか否か等の基準を適用することができる。
続いて体重算出部３４１は、静止していると判定された時刻における圧力値と、加速度０の値を上記（３）式に代入し、体重を算出する。
続いて体重算出部３４１は、各時刻における複数の要素の位置の変化（速度）に基づいて、各時刻で測定対象が静止しているか否か判定する。静止していることの判定基準は特に限定されず、例えば、全ての要素の速度が所定の閾値以下であるか否か等の基準を適用することができる。
続いて体重算出部３４１は、静止していると判定された時刻における圧力値と、加速度０の値を上記（３）式に代入し、体重を算出する。
体重算出部３４１は、複数のフレームについて静止していると判定された場合は、最も信頼性の高いフレームを選択し、体重を算出し得る。最も信頼性の高いフレームは、例えば、最も長い静止時間内に含まれるフレームとすることができる。
本実施形態によれば、１台のカメラ３２１を用いて体重を算出することができ、測定システム３００の構成を簡易にすることができる。
なお、測定システム３００は、上述の実施形態で説明した身体情報算出部及び顔画像生成部を備えていてもよい。
なお、測定システム３００は、上述の実施形態で説明した身体情報算出部及び顔画像生成部を備えていてもよい。
以上、本技術は上述の実施形態にのみ限定されるものではなく、本開示の要旨を逸脱しない範囲内において種々変更され得る。また、上述の第１〜第３の各実施形態は、矛盾が生じない限り如何様にも組み合わされて実行され得る。
なお、本技術は以下のような構成もとることができる。
（１）体重測定面上における測定対象を経時的に撮像した画像データと、上記測定対象によって上記体重測定面に付加された圧力値とに基づいて上記測定対象の体重を算出する体重算出部
を具備する算出装置。
（２）上記（１）に記載の算出装置であって、
上記体重算出部は、
上記画像データに基づいて上記測定対象の加速度を推定し、上記推定された加速度と、上記圧力値とに基づいて上記測定対象の体重を算出する
算出装置。
（３）上記（２）に記載の算出装置であって、
上記体重算出部は、
上記画像データに基づいて、上記測定対象に含まれる複数の要素各々の形状及び位置を検出し、
上記検出された複数の要素各々の形状及び位置から、上記測定対象の重心の位置を算出し、
上記重心の位置の変化に基づいて、上記測定対象の加速度を算出する
算出装置。
（４）上記（１）及び（２）のいずれかに記載の算出装置であって、
上記体重算出部は、
上記体重測定面上における測定サンプルを経時的に撮像したサンプル画像データと上記測定サンプルによって上記体重測定面に付加されたサンプル圧力値とを含む入力データと、上記測定サンプルの体重実測値を含む教師データと、に基づく機械学習により生成され、上記画像データと上記圧力値とに基づいて上記測定対象の体重を算出することが可能な体重算出アルゴリズムに基づいて、上記測定対象の体重を算出する
算出装置。
（５）上記（４）に記載の算出装置であって、
上記体重算出アルゴリズムは、
上記サンプル圧力値と上記体重実測値とから算出された上記測定サンプルの加速度と、上記サンプル画像データに基づいて検出され上記加速度に対応付けられた上記測定サンプルの動きと、を含むデータセットに基づいて、上記画像データから検出された上記測定対象の動きを識別し、上記識別された動きに対応する加速度を上記測定対象の加速度として出力することが可能に構成され、
上記体重算出部は、上記出力された加速度と、上記圧力値とに基づいて上記測定対象の体重を算出する
算出装置。
（６）上記（１）から（５）のうちのいずれか１つに記載の算出装置であって、
上記体重算出部は、
各時刻について上記測定対象の体重候補をそれぞれ算出し、
上記算出された複数の体重候補各々に、各体重候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、上記測定対象の体重を算出する
算出装置。
（７）上記（１）から（６）のうちのいずれか１つに記載の算出装置であって、
上記画像データは、上記体重測定面上における上記測定対象を異なる角度から経時的に撮像した複数の画像データを含む
算出装置。
（８）上記（１）から（７）のうちのいずれか１つに記載の算出装置であって、
上記画像データに基づいて、上記測定対象の身体情報を算出する身体情報算出部をさらに具備する
算出装置。
（９）体重測定面を有し、上記体重測定面に付加された圧力値を検出する圧力センサ部と、
上記体重測定面上における測定対象を経時的に撮像する撮像部と、
上記撮像された画像データと、上記圧力値とに基づいて上記測定対象の体重を算出する体重算出部と
を具備する測定システム。
（１０）体重測定面に付加された圧力値を取得し、
上記体重測定面上における測定対象を経時的に撮像した画像データを取得し、
上記画像データと、上記圧力値とに基づいて上記測定対象の体重を算出する
体重算出方法。
（１１）情報処理装置に、
体重測定面に付加された圧力値を取得するステップと、
上記体重測定面上における測定対象を経時的に撮像した画像データを取得するステップと、
上記画像データと、上記圧力値とに基づいて上記測定対象の体重を算出するステップと
を実行させるプログラム。
（１）体重測定面上における測定対象を経時的に撮像した画像データと、上記測定対象によって上記体重測定面に付加された圧力値とに基づいて上記測定対象の体重を算出する体重算出部
を具備する算出装置。
（２）上記（１）に記載の算出装置であって、
上記体重算出部は、
上記画像データに基づいて上記測定対象の加速度を推定し、上記推定された加速度と、上記圧力値とに基づいて上記測定対象の体重を算出する
算出装置。
（３）上記（２）に記載の算出装置であって、
上記体重算出部は、
上記画像データに基づいて、上記測定対象に含まれる複数の要素各々の形状及び位置を検出し、
上記検出された複数の要素各々の形状及び位置から、上記測定対象の重心の位置を算出し、
上記重心の位置の変化に基づいて、上記測定対象の加速度を算出する
算出装置。
（４）上記（１）及び（２）のいずれかに記載の算出装置であって、
上記体重算出部は、
上記体重測定面上における測定サンプルを経時的に撮像したサンプル画像データと上記測定サンプルによって上記体重測定面に付加されたサンプル圧力値とを含む入力データと、上記測定サンプルの体重実測値を含む教師データと、に基づく機械学習により生成され、上記画像データと上記圧力値とに基づいて上記測定対象の体重を算出することが可能な体重算出アルゴリズムに基づいて、上記測定対象の体重を算出する
算出装置。
（５）上記（４）に記載の算出装置であって、
上記体重算出アルゴリズムは、
上記サンプル圧力値と上記体重実測値とから算出された上記測定サンプルの加速度と、上記サンプル画像データに基づいて検出され上記加速度に対応付けられた上記測定サンプルの動きと、を含むデータセットに基づいて、上記画像データから検出された上記測定対象の動きを識別し、上記識別された動きに対応する加速度を上記測定対象の加速度として出力することが可能に構成され、
上記体重算出部は、上記出力された加速度と、上記圧力値とに基づいて上記測定対象の体重を算出する
算出装置。
（６）上記（１）から（５）のうちのいずれか１つに記載の算出装置であって、
上記体重算出部は、
各時刻について上記測定対象の体重候補をそれぞれ算出し、
上記算出された複数の体重候補各々に、各体重候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、上記測定対象の体重を算出する
算出装置。
（７）上記（１）から（６）のうちのいずれか１つに記載の算出装置であって、
上記画像データは、上記体重測定面上における上記測定対象を異なる角度から経時的に撮像した複数の画像データを含む
算出装置。
（８）上記（１）から（７）のうちのいずれか１つに記載の算出装置であって、
上記画像データに基づいて、上記測定対象の身体情報を算出する身体情報算出部をさらに具備する
算出装置。
（９）体重測定面を有し、上記体重測定面に付加された圧力値を検出する圧力センサ部と、
上記体重測定面上における測定対象を経時的に撮像する撮像部と、
上記撮像された画像データと、上記圧力値とに基づいて上記測定対象の体重を算出する体重算出部と
を具備する測定システム。
（１０）体重測定面に付加された圧力値を取得し、
上記体重測定面上における測定対象を経時的に撮像した画像データを取得し、
上記画像データと、上記圧力値とに基づいて上記測定対象の体重を算出する
体重算出方法。
（１１）情報処理装置に、
体重測定面に付加された圧力値を取得するステップと、
上記体重測定面上における測定対象を経時的に撮像した画像データを取得するステップと、
上記画像データと、上記圧力値とに基づいて上記測定対象の体重を算出するステップと
を実行させるプログラム。
１００，２００，３００…測定システム
１４０，２４０，３４０…算出装置
１４１，２４１，３４１…体重算出部
１４２，２４２…身体情報算出部
１４０，２４０，３４０…算出装置
１４１，２４１，３４１…体重算出部
１４２，２４２…身体情報算出部
Claims (11)
- 体重測定面上における測定対象を経時的に撮像した画像データと、前記測定対象によって前記体重測定面に付加された圧力値とに基づいて前記測定対象の体重を算出する体重算出部
を具備する算出装置。 - 請求項１に記載の算出装置であって、
前記体重算出部は、
前記画像データに基づいて前記測定対象の加速度を推定し、前記推定された加速度と、前記圧力値とに基づいて前記測定対象の体重を算出する
算出装置。 - 請求項２に記載の算出装置であって、
前記体重算出部は、
前記画像データに基づいて、前記測定対象に含まれる複数の要素各々の形状及び位置を検出し、
前記検出された複数の要素各々の形状及び位置から、前記測定対象の重心の位置を算出し、
前記重心の位置の変化に基づいて、前記測定対象の加速度を算出する
算出装置。 - 請求項１に記載の算出装置であって、
前記体重算出部は、
前記体重測定面上における測定サンプルを経時的に撮像したサンプル画像データと前記測定サンプルによって前記体重測定面に付加されたサンプル圧力値とを含む入力データと、前記測定サンプルの体重実測値を含む教師データと、に基づく機械学習により生成され、前記画像データと前記圧力値とに基づいて前記測定対象の体重を算出することが可能な体重算出アルゴリズムに基づいて、前記測定対象の体重を算出する
算出装置。 - 請求項４に記載の算出装置であって、
前記体重算出アルゴリズムは、
前記サンプル圧力値と前記体重実測値とから算出された前記測定サンプルの加速度と、前記サンプル画像データに基づいて検出され前記加速度に対応付けられた前記測定サンプルの動きと、を含むデータセットに基づいて、前記画像データから検出された前記測定対象の動きを識別し、前記識別された動きに対応する加速度を前記測定対象の加速度として出力することが可能に構成され、
前記体重算出部は、前記出力された加速度と、前記圧力値とに基づいて前記測定対象の体重を算出する
算出装置。 - 請求項１に記載の算出装置であって、
前記体重算出部は、
各時刻について前記測定対象の体重候補をそれぞれ算出し、
前記算出された複数の体重候補各々に、各体重候補に対応する信頼度に基づく重みを付けて算出した加重平均値を算出することで、前記測定対象の体重を算出する
算出装置。 - 請求項１に記載の算出装置であって、
前記画像データは、前記体重測定面上における前記測定対象を異なる角度から経時的に撮像した複数の画像データを含む
算出装置。 - 請求項１に記載の算出装置であって、
前記画像データに基づいて、前記測定対象の身体情報を算出する身体情報算出部をさらに具備する
算出装置。 - 体重測定面を有し、前記体重測定面に付加された圧力値を検出する圧力センサ部と、
前記体重測定面上における測定対象を経時的に撮像する撮像部と、
前記撮像された画像データと、前記圧力値とに基づいて前記測定対象の体重を算出する体重算出部と
を具備する測定システム。 - 体重測定面に付加された圧力値を取得し、
前記体重測定面上における測定対象を経時的に撮像した画像データを取得し、
前記画像データと、前記圧力値とに基づいて前記測定対象の体重を算出する
体重算出方法。 - 情報処理装置に、
体重測定面に付加された圧力値を取得するステップと、
前記体重測定面上における測定対象を経時的に撮像した画像データを取得するステップと、
前記画像データと、前記圧力値とに基づいて前記測定対象の体重を算出するステップと
を実行させるプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014234693A JP2016099165A (ja) | 2014-11-19 | 2014-11-19 | 算出装置、測定システム、体重算出方法及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014234693A JP2016099165A (ja) | 2014-11-19 | 2014-11-19 | 算出装置、測定システム、体重算出方法及びプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2016099165A true JP2016099165A (ja) | 2016-05-30 |
Family
ID=56077682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014234693A Pending JP2016099165A (ja) | 2014-11-19 | 2014-11-19 | 算出装置、測定システム、体重算出方法及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2016099165A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017167051A (ja) * | 2016-03-17 | 2017-09-21 | 北川工業株式会社 | 計測情報出力システム及びプログラム |
| WO2018159666A1 (en) | 2017-03-01 | 2018-09-07 | Omron Corporation | Learning apparatus, learning result using apparatus, learning method and learning program |
| CN110693499A (zh) * | 2019-11-14 | 2020-01-17 | 河北农业大学 | 一种动物体尺和体重的检测系统及方法 |
| CN111504433A (zh) * | 2020-04-23 | 2020-08-07 | 永康龙飘传感科技有限公司 | 一种用于评估移动时动物的体重的方法及装置 |
-
2014
- 2014-11-19 JP JP2014234693A patent/JP2016099165A/ja active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017167051A (ja) * | 2016-03-17 | 2017-09-21 | 北川工業株式会社 | 計測情報出力システム及びプログラム |
| WO2018159666A1 (en) | 2017-03-01 | 2018-09-07 | Omron Corporation | Learning apparatus, learning result using apparatus, learning method and learning program |
| CN110693499A (zh) * | 2019-11-14 | 2020-01-17 | 河北农业大学 | 一种动物体尺和体重的检测系统及方法 |
| CN110693499B (zh) * | 2019-11-14 | 2023-10-24 | 河北农业大学 | 一种动物体尺和体重的检测系统及方法 |
| CN111504433A (zh) * | 2020-04-23 | 2020-08-07 | 永康龙飘传感科技有限公司 | 一种用于评估移动时动物的体重的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11948401B2 (en) | AI-based physical function assessment system | |
| JP7057959B2 (ja) | 動作解析装置 | |
| Dikovski et al. | Evaluation of different feature sets for gait recognition using skeletal data from Kinect | |
| JP4971808B2 (ja) | 歩行動作分析装置 | |
| Yan et al. | Estimating worker-centric 3D spatial crowdedness for construction safety management using a single 2D camera | |
| JP2016099165A (ja) | 算出装置、測定システム、体重算出方法及びプログラム | |
| JP2010134649A5 (ja) | ||
| JP2012021958A5 (ja) | ||
| US10380730B2 (en) | Analysis apparatus and analysis method | |
| Hossain et al. | A direction-sensitive fall detection system using single 3D accelerometer and learning classifier | |
| Mastorakis et al. | Fall detection without people: A simulation approach tackling video data scarcity | |
| CN113111767A (zh) | 一种基于深度学习3d姿态评估的跌倒检测方法 | |
| Salimi et al. | Using deep neural networks for human fall detection based on pose estimation | |
| Yao et al. | A fall detection method based on a joint motion map using double convolutional neural networks | |
| KR101636171B1 (ko) | 스켈레톤 트래킹 방법 및 이를 이용한 스켈레톤 트래킹 시스템 | |
| JP2016208408A (ja) | 検出方法、検出装置および制御方法 | |
| Nguyen et al. | Extracting silhouette-based characteristics for human gait analysis using one camera | |
| CN106406507B (zh) | 图像处理方法以及电子设备 | |
| CN115862124A (zh) | 视线估计方法、装置、可读存储介质及电子设备 | |
| CN104102895B (zh) | 用于检测被拍摄用户的身体部位的设备和方法 | |
| Amini et al. | An improved technique for increasing the accuracy of joint-to-ground distance tracking in kinect v2 for foot-off and foot contact detection | |
| US20210059614A1 (en) | Sarcopenia evaluation method, sarcopenia evaluation device, and non-transitory computer-readable recording medium in which sarcopenia evaluation program is recorded | |
| Serrano et al. | Automated feet detection for clinical gait assessment | |
| CN108885087A (zh) | 测量装置、测量方法和计算机可读记录介质 | |
| Otanasap et al. | Pre-impact fall detection system using dynamic threshold and 3D bounding box |