JP2016173682A - 異常判定装置および異常判定方法 - Google Patents
異常判定装置および異常判定方法 Download PDFInfo
- Publication number
- JP2016173682A JP2016173682A JP2015052651A JP2015052651A JP2016173682A JP 2016173682 A JP2016173682 A JP 2016173682A JP 2015052651 A JP2015052651 A JP 2015052651A JP 2015052651 A JP2015052651 A JP 2015052651A JP 2016173682 A JP2016173682 A JP 2016173682A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- information
- value
- unit
- extracted
- 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
- Closed-Circuit Television Systems (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
【課題】雑多な取得情報の中から学習させたい取得情報を効率良く選別することを可能にしつつ、異常判定の精度の低下を抑制する。【解決手段】取得情報の中から抽出される特徴情報値を用いて学習空間を更新するオンライン学習部(23)と、検出値が第1閾値以上であるか、または該第1閾値を超える取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる操作部(5)と、選択実行者が選択した取得情報の中から特徴的な値として抽出される特徴情報値を用いて、オンライン学習部(23)による更新前の学習空間を更新するオフライン学習部(24)と、を備える。【選択図】図1
Description
本発明は、取得した取得情報が異常なものであるか否かを判定する異常判定装置および異常判定方法に関する。
現在、商業施設や公共施設などにおいて、監視カメラシステムが多く導入され、犯罪や事故といった問題のある映像シーンの検出に活用されている。また、監視における労力を軽減するためや見逃しによるヒューマンエラーを防ぐため、例えば、特許文献1に記載された技術などで検出を自動化する提案がなされている。
この特許文献1に開示された技術では、主として二つの手法が提案されている。第1の手法は、問題の無い正常な映像シーンを用いて予め学習しておき、監視時にはその学習データからの逸脱の度合いとして異常値を求めるオフライン学習型の異常監視手法(以下、単に「オフライン学習」という)である。第2の手法は、監視しながら学習データの更新も行うオンライン学習型の異常監視手法(以下、単に「オンライン学習」という)である。
しかしながら、上述のような従来技術には、以下のような問題点がある。まず、オフライン学習では、予め学習に用いる映像シーンを用意しておく必要があるが、問題のある異常な映像シーンや問題の無い正常な映像シーンが混在した雑多な映像シーンの中から、学習に適した映像シーンをどのように選別するのかが問題となる。
一方、オンライン学習では、監視環境の変動に自動で追従できる利点があるが、問題のある映像シーンを一端学習してしまうとその学習状態を取り消すことができないという問題点がある。このため、オンライン学習では、定期的にバックアップを取っておき、問題のあるシーンを学習してしまった際にはバックアップしておいた学習データを、その問題のあるシーンを学習する前の状態に戻すといった運用上の制約がある。また、オンライン学習では、学習データが時々刻々変わっていくため検知する異常な映像シーンについて再現性が求められるケースには向かないという制約もある。また、オンライン学習では、学習期間が長くなりすぎる場合、本来学習させたい特徴とは無関係な特徴にまで適合し過学習と呼ばれる状態になり、異常判定の精度が逆に下がってしまうといった問題があった。
本発明は、以上の問題点に鑑みて為されたものであり、その目的は、雑多な取得情報の中から学習させたい取得情報を効率良く選別することを可能にしつつ、異常判定の精度の低下を抑制することができる異常判定装置などを提供することにある。
上記の課題を解決するために、本発明の一態様に係る異常判定装置は、監視対象の状態を示す値として取得された取得情報の中から特徴的な値として抽出される特徴情報値を用いて、予め求められた学習パラメータにより構築された学習空間の学習パラメータを再構成することで、その学習空間を更新する第1学習部と、上記取得情報から抽出された上記特徴情報値について、当該特徴情報値を用いた更新が行われる前の学習空間からの逸脱の程度を示す検出値が、第1閾値以上であるか、または該第1閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる選択部と、上記選択部を介して上記選択実行者が選択した取得情報の中から特徴的な値として抽出される特徴情報値を用いて、上記第1学習部による更新が行われる前の学習空間の学習パラメータを再構成することで、その学習空間を更新する第2学習部と、を備えることを特徴としている。
また、上記の課題を解決するために、本発明の別の態様に係る異常判定方法は、監視対象の状態を示す値として取得された取得情報の中から特徴的な値として抽出される特徴情報値を用いて、予め求められた学習パラメータにより構築された学習空間の学習パラメータを再構成することで、その学習空間を更新する第1学習工程と、上記取得情報から抽出された上記特徴情報値について、当該特徴情報値を用いた更新が行われる前の学習空間からの逸脱の程度を示す検出値が、第1閾値以上であるか、または該第1閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる選択工程と、上記選択工程で上記選択実行者が選択した取得情報の中から特徴的な値として抽出される特徴情報値を用いて、上記第1学習工程による更新が行われる前の学習空間の学習パラメータを再構成することで、その学習空間を更新する第2学習工程と、を含むことを特徴としている。
上記の課題を解決するために、本発明の一態様に係る異常判定装置は、監視対象の状態を示す値として取得された取得情報の中から特徴的な値として抽出される特徴情報値を用いて、予め求められた学習パラメータにより構築された学習空間の学習パラメータを再構成することで、その学習空間を更新し、上記取得情報から抽出された上記特徴情報値について、当該特徴情報値を用いた更新が行われる前の学習空間からの逸脱の程度を示す第1検出値を出力する第1学習部と、上記取得情報から抽出された上記特徴情報値について、予め用意された学習に用いる情報として適切な取得情報の中から特徴的な値として抽出される特徴情報値を用いて予め求めた学習パラメータにより構築された学習空間からの逸脱の程度を示す第2検出値を出力する第2学習部と、上記取得情報から抽出された上記特徴情報値について、上記第1検出値が第1閾値以上であるか、または該第1閾値を超え、かつ、上記第2検出値が第2閾値以上であるか、または該第2閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる選択部と、を備え、上記第2学習部は、さらに、上記選択部を介して上記選択実行者が選択した取得情報の中から特徴的な値として抽出される特徴情報値を用いて、上記第2学習部による上記第2検出値の出力が行われる際に用いられた学習空間の学習パラメータを再構成することで、その学習空間を更新することを特徴としている。
本発明の一態様によれば、雑多な取得情報の中から学習させたい取得情報を効率良く選別することを可能にしつつ、異常判定の精度の低下を抑制することができるという効果を奏する。
本発明の実施の形態について図1〜図7に基づいて説明すれば、次の通りである。以下、説明の便宜上、特定の実施形態にて説明した構成と同一の機能を有する構成については、同一の符号を付記し、その説明を省略する場合がある。
〔異常判定装置10について〕
図1は、本発明の実施の一形態に係る異常判定装置10の構成を示すブロック図である。同図に示すように、異常判定装置10は、情報計測部1、制御部2、記憶部3、表示部4、操作部(選択部)5、音声情報出力部6、および情報提示部7を備える。また、制御部2は、計測部制御部21、特徴情報抽出部22、オンライン学習部(第1学習部)23、オフライン学習部(第2学習部)24、優先順位設定部25、異常判定部26、提示制御部27、およびインターフェース部28を備える。
図1は、本発明の実施の一形態に係る異常判定装置10の構成を示すブロック図である。同図に示すように、異常判定装置10は、情報計測部1、制御部2、記憶部3、表示部4、操作部(選択部)5、音声情報出力部6、および情報提示部7を備える。また、制御部2は、計測部制御部21、特徴情報抽出部22、オンライン学習部(第1学習部)23、オフライン学習部(第2学習部)24、優先順位設定部25、異常判定部26、提示制御部27、およびインターフェース部28を備える。
情報計測部1は、動画像取得部11、音声入力部12、振動センサ13、および温度センサ14などの各種検出装置を備える。動画像取得部11としては、例えば、写真の撮影が可能なカメラや、動画像の撮影が可能なビデオレコーダなどを例示することができる。また、音声入力部12としては、マイクロフォンを例示することができる。情報計測部1は、上記各種検出装置を介して、画像情報、音声情報、振動情報、および温度情報などの各種の計測情報(取得情報)を取得する。また、情報計測部1は、取得した各種の計測情報を計測部制御部21に渡す。計測部制御部21は、情報計測部1から受け取った各種の計測情報を記憶部3に格納するとともに、特徴情報抽出部22に渡す。
なお、本実施形態では、情報計測部1が取得する計測情報として、単一種類の計測情報である画像データ(画像情報)を使用するケースについて説明するが、これに限定されず、画像データ以外の計測情報を用いることもできるし、上述した画像情報、音声情報、振動情報、および温度情報などの各種の計測情報を2種類以上、複合的に用いるマルチモーダルシステムにも適用可能である。
特徴情報抽出部22は、計測部制御部21から受け取った各種の計測情報の中から特徴的な値として特徴情報(特徴情報値)を抽出する。本実施形態では、特徴情報の一例として、画像データ(動画像)から抽出される立体高次局所自己相関特徴(以下、単に「CHLAC特徴」という)を例示して説明するが、これに限定されず、特徴情報として、画像情報として抽出できる一般的な特徴量を用いることもできる。例えば、一般的な動画像に用いられる特徴量としてはSIFT(Scale-Invariant Feature Transform)、 HOG(Histograms of Oriented Gradients)、およびHarr‐likeなどがある。また、音であれば人の声を見分けるためのMFCC(Mel-Frequency Cepstral Coefficients)や、音源推定のビームフォーミングなどがある。また、音響や動画像に限定しなければ、非類似度(dissimilarity)などがあり、周波数分解を用いることもできる。更に、スペクトラム分析を用いることもできる。特徴情報の分類アルゴリズムであればクラス所属情報、SVM(Support Vector Machine)のアルゴリズムであれば分類結果となる。
オフライン学習部24は、検出値出力部241および計測情報抽出部242を備える。オフライン学習部24は、予め記憶部3に記憶されている(用意されている)正常と判断される問題の無い複数の各画像情報から上述したCHLAC特徴を抽出し、主成分分析により求まった固有ベクトル(学習パラメータ)により張られる部分空間(学習空間)を予め計算しておくことで学習を行う。また、オフライン学習部24は、監視時には、検出値出力部241が、上記学習済みの部分空間を用い、新たに計測した計測情報から特徴的な値として特徴情報を抽出し、この特徴情報の上記学習済みの部分空間からの逸脱の程度を示す検出値を算出する。この後、オフライン学習部24は、部分空間の学習を行わず一端待機する。計測情報抽出部242は、検出値出力部241が出力した検出値が、予め設定された閾値を超える特徴情報の抽出元の計測情報を抽出する。
次に、オンライン学習部23は、検出値出力部231および計測情報抽出部232を備える。オンライン学習部23は、デフォルトの状態では、第1回目に計測した計測情報からCHLAC特徴を抽出し、このCHLAC特徴の、未学習(予め適当な学習パラメータが設定されている)の部分空間からの逸脱の程度を示す検出値を算出する。次に、オンライン学習部23は、第1回目に計測した計測情報から求めたCHLAC特徴を用いて、主成分分析により固有ベクトルを求め、部分空間の学習(更新)を行う。次に、第2回目に計測した計測情報からCHLAC特徴を抽出し、このCHLAC特徴の、第1回目の計測情報を用いた学習済みの部分空間からの逸脱の程度を示す検出値を算出する。次に、オンライン学習部23は、第2回目に計測した計測情報から求めたCHLAC特徴を用いて、主成分分析により固有ベクトルを求め、部分空間の学習を行う。以下、順次、同様の動作を繰り返す。このように、オンライン学習部23は、検出値の算出が行われる度に、部分空間の学習(更新)をリアルタイムに行う点で、上述したオフライン学習部24と異なっている。計測情報抽出部232は、検出値出力部231が出力した検出値が、予め設定された閾値(第1閾値)以上であるか、または閾値を超える、特徴情報の抽出元の計測情報を抽出する。
次に、CHLAC特徴を用いた機械学習の動作原理について説明する。まず、「異常動作」の定義であるが、異常の事象を全て列挙することができないように、異常そのものを定義することはできない。そこで本明細書においては、異常動作を「正常動作ではないもの」として定義する。正常動作は、動作特徴の統計的な分布を考えた場合に分布の集中する動作であるものとすれば、統計的な分布から学習を行うことが可能である。そして、その分布から大きく逸脱する動作を異常動作とする。例えば、防犯カメラでは、手を振る動作のような一般的な動作〔図2の(d)参照〕は正常動作として学習され認識されるが、転倒したような動作〔図2の(e)参照〕は、手を振る動作のような周期運動でもなく分布として少ないため、異常動作として認識されることになる。異常判定の具体的な手法としては、CHLAC特徴による動作特徴空間の中で正常動作特徴の部分空間(学習空間)を生成し、CHLAC特徴の部分空間からの距離を異常の程度を示す検出値として異常動作を検出する。すなわち、上述した検出値は、正常動作特徴の部分空間からの逸脱の程度を示す値であり、言い換えれば、既知のもの(正常なもの)と似ているかどうかの度合いを示す値である。
なお、本発明を適用することが可能な機械学習のシステムは、既知の(正常な)計測情報が入力されれば、小さな検出値が出力され、未知の(異常な)計測情報が入力されれば、大きな検出値が出力されるシステムであれば、どのようなシステムを採用しても良く、上述したようなCHLAC特徴を用いた機械学習のシステムに限定されない。
優先順位設定部25は、後述する実施形態2に係る動作では、計測情報抽出部232が抽出した計測情報のうち、その検出値が大きいもの程、優先順位を高く設定する。
一方、優先順位設定部25は、後述する変形例に係る動作では、計測情報抽出部232が抽出した計測情報と、計測情報抽出部242が抽出した計測情報と、を(計測情報抽出部232と計測情報抽出部242とが同じ計測情報を抽出する場合を含む)統合して、その検出値が大きいもの程、優先順位を高く設定する。なお、優先順位設定部25による計測情報の優先順位の設定は、ユーザ、計測情報の選択実行者、または学習エージェントのいずれかが操作部5を介して行うように構成しても良い。ここで、図1に示すように異常判定装置10が、表示部4および操作部5などを一体的に備えた形態の場合、ユーザとは異常判定装置10の使用者のこととなる。一方、異常判定装置10と、表示部4および操作部5などと、が分離されており、これらが互いに通信可能に接続されている形態の場合、表示部4および操作部5などを介して計測情報を選択する者が選択実行者の典型例である。なお、ユーザも計測情報の選択を行う意味では、選択実行者に含まれるものと考えることができる。また、学習エージェントとは機械学習を元にコンピュータ上で人の行為を代行することを意図したプログラムのことであり、特定の計測情報を学習させるべきか否かを判定するプログラムとなる。
提示制御部27は、優先順位設定部25が設定した優先順位に応じて、計測情報抽出部232および/または計測情報抽出部242が抽出した計測情報が画像データの場合、表示部4に計測情報としての画像データを提示(表示)させる制御を行う。具体的には、選択画面41に計測情報のすべて(一覧)を提示する場合は、優先順位が高いものほど、選択画面41の上位の方に提示する。例えば、選択画面41の上側に近く表示されるものほど、優先順位が高く、選択画面41の左側(または右側)に近く表示されるものほど、優先順位を高くすれば良い。一方、選択画面41に計測情報の一覧を提示しない場合は、例えば、計測情報を優先順位が高いものから順番に時系列的に提示すれば良い。
また、計測情報抽出部232および/または計測情報抽出部242が抽出した計測情報が音声情報の場合、提示制御部27は、音声情報出力部6に計測情報としての音声情報を提示(出力)させる制御を行っても良い。また、計測情報抽出部232および/または計測情報抽出部242が抽出した計測情報が電気的な情報(例えば、画素の輝度値や電気信号など)の場合、提示制御部27は、情報提示部7に計測情報として電気的な情報を提示(出力)させる制御を行っても良い。
次に、図4に、表示部4に表示されるユーザインターフェース(UI)の設定画面の具体例を示す。同図に示す領域a1は、学習・検出に用いる動画リストが表示される領域を示す。動画が複数ある場合には、動画リスト上で動画を選択することで領域a2に表示される。次に、領域a2は、学習・検出に用いる動作が再生、表示される領域を示す。領域a3は、学習データのデータ名を表示する領域を示す。領域a4は、学習・検出の際に領域a1に表示された動画データを対象とするかどうかのチェックボックスを示す。動画データを対象にする場合はチェックを付ける。領域a5は、動画再生時のシークバーを示す。バーの位置を変えると、領域a2に、対応する時間の画面が表示されて、再生中なら再生が始まる。また、後述する領域a7の異常検知のグラフの横軸とバーの位置が示す時間とは対応している。領域a6は、動画の再生位置(時間)を表示する領域である。領域a7は、異常検知処理によって得られる検出値を横軸時間でグラフ表示する領域である。領域a8は、動作の再生位置(領域a5のシークバーで指示され、領域a6の時間で表示される)での検出値を表示する領域を示す。
次に、領域b1には、動画再生、停止操作ボタンを示している。領域b2には、動画再生時の音量操作バーを示している。領域b3には、検出値が極大となる時刻とその検出値を示している。リスト上で選択することで再生中の動画の再生中の時間が変わる。見た目としては領域a5〜a8の表示が変わる。領域b4には、リストに動画を、取得元を追加するボタンを示す。クリックすると、カメラデバイスや保存した動画像ファイル選択画面が表示される。領域b5には、動画リストをクリアするボタンを示す。領域b6では、処理内容を選択できるようになっている。例えば、学習(オフライン学習)、学習しながら検出(オンライン学習)、および検出(学習済みデータをもちいて異常検出を行う)の各処理内容を選択できるようになっている。領域b7は、検出を行うときの閾値で、ユーザが自由に設定することもできる。閾値は操作者が入力しても良いし、何らかの固定値を予め使用しても良い。領域b8には、学習データの新規作成を行うボタンを示す。作成した学習データのデータ名は領域a3に表示される。領域b9には、学習済みデータを読み込むボタンを示す。読み込んだ学習データのデータ名は領域a3に表示される。領域b10には、学習・検出それぞれ選択された処理を実行するボタンを示す。この際、動画リスト(領域a1)上のチェックボックス(領域a4)にチェックが入っている動画データのみ、学習・検出の対象となる。領域b11は、検出値の大きなシーンの切り出しを行い、切り出した結果の動画データを動画リスト(領域a1)に反映するボタンを示す。破線の表示C1は、閾値を超える検出値のときに検出エリアに表示されるようになっている。
操作部5は、ユーザ、計測情報を選択する選択実行者のいずれかの操作を受付けるものである。インターフェース部28は、操作部5からの操作信号を受け取り、異常判定装置10の各ブロックに当該操作信号に対応する動作指示を行うものである。ユーザまたは選択実行者は、ここでは、操作部5を介して選択画面41に表示された計測情報の中から、目視により、学習に用いる情報として適切な(例えば、正常な)情報と判断される計測情報を選択する。なお、計測情報が音の場合は、ユーザまたは選択実行者は、操作部5を介して機械的に学習に用いる情報として適切な情報と判断される計測情報を選択する。一方、処理を実行するものが学習エージェントの場合、複数の計測情報の中から学習に適した(例えば正常な)計測情報を選択するアルゴリズムを用いることで計測情報を選別するようにする。
このとき、操作部5を介して選択された学習に用いる情報として適切な計測情報に係る情報は、インターフェース部28を介して提示制御部27に通知される。また、提示制御部27は、学習に適した計測情報に係る情報をオフライン学習部24に通知する。
なお、計測情報が音声情報の場合、通常シーンにおける音と、異常シーン(転倒した時)の音と、の違いを判別して、操作部5を介して音声情報出力部6から出力された音声情報の中から学習に適している(例えば、正常)と判断される計測情報を選択するようにしても良い。
また、計測情報が電気的な情報(例えば、電気信号)の場合、通常の電気信号と、異常な電気信号と、の違いを判別して、操作部5を介して情報提示部7から出力された電気信号の中から学習に適している(例えば、正常)と判断される電気信号を選択するようにしても良い。
オフライン学習部24は、例えば、オンライン学習部23による選択画面41に表示されたすべての計測情報に係る学習結果を破棄し、これらの計測情報に係る学習が行われる以前の部分空間に対して、提示制御部27を介して通知された学習に適した(例えば、正常な)計測情報に係る情報に基づき、学習に適していると判断された計測情報のみを用いて学習を行う。
異常判定部26は、オフライン学習部24による上記の最後の学習後に新たに計測した計測情報から抽出されたCHLAC特徴の、オフライン学習部24による上記の最後の学習後の部分空間からの逸脱の程度を示す検出値が、第2閾値を超えた場合、当該計測情報を異常と判定する。以上によれば、学習に適していない(例えば、正常でない)と判断される計測情報が除外され、学習に適している(例えば、正常)と判断される計測情報のみを用いて更新が行われた学習空間を用いた検出値が得られるため、異常判定の精度の低下が抑制された状態で異常判定を行うことができる。
記憶部3には、予め記憶された計測情報、または、異常判定装置10の動作中に新たに計測した計測情報が記録される。また、記憶部3には、各計測情報の中から特徴的な値として抽出されたCHLAC特徴に係る情報が、予め、または異常判定装置10の動作に従って新たに生成されたCHLAC特徴に係る情報が記録される。また、記憶部3には、部分空間の学習結果を示す情報(学習空間情報または学習辞書)が記録される。
〔実施形態1:基本動作〕
次に、図2は、異常判定装置10の実施形態1に係る基本動作を説明するための図である。まず、図2の(a)に示すように、事前学習に用いる映像フレームデータ(画像情報)を複数用意する。この映像フレームデータは監視対象となる場所から撮影したものであれば問題のない正常なシーン、問題のある異常なシーンの両方を含んでいてかまわない。次に、この映像フレームデータについてオンライン学習部23によるオンライン学習を行い、検出値出力部231は、映像フレームデータ毎の検出値を出力する。オンライン学習においては、最初は問題の有無に依らず大きな検出値を示すが、その映像フレームデータについて学習するため、それ以降、似通った映像フレームデータでは大きな検出値は示さなくなる。その後は学習済み空間から大きく逸脱する映像フレームデータは大きな検出値を示すが、それも学習するため、以降それと似通った映像フレームデータでは大きな検出値は示さなくなる。図2の(b)に示すように、この処理により得られた映像フレームデータ毎の検出値列の中で、別途設定しておいた閾値よりも大きな値となる映像フレームデータを抽出する。ここでは、図2の(c)〜(e)に示す3つの映像フレームデータが抽出されている。図2の(c)の映像フレームデータには、人が普通に立っている状態が写っている。また、図2の(d)の映像フレームデータには、人が立った状態で片手を振っている状態が写っている。さらに、図2の(e)の映像フレームデータには、人が転倒している状態が写っている。この3つの映像フレームデータは、表示部4の選択画面41に表示される。
次に、図2は、異常判定装置10の実施形態1に係る基本動作を説明するための図である。まず、図2の(a)に示すように、事前学習に用いる映像フレームデータ(画像情報)を複数用意する。この映像フレームデータは監視対象となる場所から撮影したものであれば問題のない正常なシーン、問題のある異常なシーンの両方を含んでいてかまわない。次に、この映像フレームデータについてオンライン学習部23によるオンライン学習を行い、検出値出力部231は、映像フレームデータ毎の検出値を出力する。オンライン学習においては、最初は問題の有無に依らず大きな検出値を示すが、その映像フレームデータについて学習するため、それ以降、似通った映像フレームデータでは大きな検出値は示さなくなる。その後は学習済み空間から大きく逸脱する映像フレームデータは大きな検出値を示すが、それも学習するため、以降それと似通った映像フレームデータでは大きな検出値は示さなくなる。図2の(b)に示すように、この処理により得られた映像フレームデータ毎の検出値列の中で、別途設定しておいた閾値よりも大きな値となる映像フレームデータを抽出する。ここでは、図2の(c)〜(e)に示す3つの映像フレームデータが抽出されている。図2の(c)の映像フレームデータには、人が普通に立っている状態が写っている。また、図2の(d)の映像フレームデータには、人が立った状態で片手を振っている状態が写っている。さらに、図2の(e)の映像フレームデータには、人が転倒している状態が写っている。この3つの映像フレームデータは、表示部4の選択画面41に表示される。
次に、図2の(f)および(g)に示すように、ユーザまたは選択実行者が、目視で選択画面41に表示された映像フレームデータの中から、正常と判断される映像フレームデータを選択する。その後、上記のオンライン学習の結果を破棄し、オフライン学習部24は、全シーンの中からユーザ(または選択実行者)が正常でないとしたシーンだけを除いてオフライン学習を行う。
その結果、上記オフライン学習後の検出では、図2の(h)に示すように、正常と判断された図2の(c)および図2の(d)の映像フレームデータのそれぞれに類似する図2の(i)および図2の(j)の映像フレームデータの検出では、閾値(第2閾値)と比較してかなり低い検出値となる。一方、図2の(e)に示す異常と判断した映像フレームデータに類似する図2の(k)の映像フレームデータの検出では、閾値を超える大きな検出値となる。これは、図2の(k)の映像フレームデータが未知の計測情報であるためである。これにより、異常判定部26は、図2の(k)の映像フレームデータを異常と判定する。
次に、図5のフローチャートに基づき、上述した実施形態1に係る基本動作の流れについて説明する。ステップS(以下、「ステップ」を省略する)101では、情報計測部1の動画像取得部11が、学習に用いる複数の動画像データ(画像情報)を読み込み、計測部制御部21に渡す。計測部制御部21は、動画像取得部11から受け取った各動画像データを記憶部3に記憶させるとともに、特徴情報抽出部22に渡す。特徴情報抽出部22は、各動画像データからCHLAC特徴を抽出し、対応する動画像データと対応付けて記憶部3に記憶させるとともに、オンライン学習部23に渡す。オンライン学習部23が、特徴情報抽出部22からの各動画像データのCHLAC特徴を取得すると、検出値出力部231は、このCHLAC特徴に対応する検出値を出力する。次に、オンライン学習部23は、このCHLAC特徴を用いて記憶部3に予め記録されている学習辞書を学習する。以上の検出値の出力と、学習辞書の学習は、各動画像データに対応するCHLAC特徴が入力される毎(フレーム毎)に行われる。以上のオンライン学習処理が終わると、S102に進む。
S102では、計測情報抽出部232は、以上のオンライン学習処理の結果である、フレーム毎の検出値より極大値、極小値を抽出し、S103に進む。S103では、図2の(b)に示す閾値(第1閾値)を上回る極大値があるか否かを判定し、そのような極大値の存在が判明した場合には、S104に進む。一方、そのような極大値の不存在が判明した場合には、処理終了となる。なお、閾値(第1閾値)は、極大値の平均値、極小値の平均値から自動的に設定するようにしても良い。例えば、閾値=(極大値の平均値+極小値の平均値)/2で自動的に算出されるようにしても良い。
S104では、計測情報抽出部232は、閾値を下回る極小値、閾値を上回る極大値、閾値を下回る極小値となる区間の動画像データの各フレームを1セットとして切出し、計測情報抽出部232は切出した動画像データを提示制御部27に通知して、S105に進む。S105では、提示制御部27は、計測情報抽出部232が切出した動画像データを表示部4の選択画面41に表示させ、ユーザに通常シーン(例えば、正常と判断される計測情報)かどうかを判断させて、S106に進む。
S106では、通常シーンと判断された特徴シーンが一つ以上存在するか否かを確認し、そのような特徴シーンが一つ以上存在する場合は、S107に進む。一方、そのようなそのような特徴シーンが一つも存在しない場合は、処理終了となる。S107では、オフライン学習部24が、先のオンライン学習の結果を破棄し、全シーンの中からユーザ(または選択実行者)が通常シーンでないとしたシーンだけを除いてオフライン学習を行い(この場合、閾値以下のシーンは自動的に学習に使われる)、処理終了となる。なお、ここでのオフライン学習の回数は、1回である必要はなく、n回(nは2以上)であっても良い。例えば、多くの人がひっきりなしに歩いている映像が一つの場合は1つの通常シーンの1回の学習で済むこともあるが、1人しか写っていない場合は複数回の学習を行う必要がある。学習を行う回数は実行環境ごとに設定することとなるため、一概には言えないが、例えば、本実施形態では、学習を行う回数を3回とすることが好ましい。
(基本動作の効果)
上記の基本動作によれば、ある計測情報から抽出された特徴情報について求められた検出値が、第1閾値以上であるか、または該第1閾値を超える場合、当該特徴情報の抽出元となる計測情報の中から学習に用いる情報として適切な計測情報を選択実行者または学習エージェントに選択させる。よって、計測情報のうち、検出値が特徴的な値をとる(第1閾値以上であるか、または該第1閾値を超える)計測情報のみを抽出し、抽出された計測情報の中から、学習に適していると判断される計測情報を選択実行者に選択させることが可能になる。なお、学習に用いる情報として適切な計測情報には、正常と判断される計測情報である場合と、異常と判断される計測情報である場合とが含まれる。以上により、雑多な計測情報の中から学習させたい計測情報を効率良く選別することが可能になる。また、上記の基本動作によれば、学習に用いる情報として適切(例えば、正常)でないと判断される計測情報が除外され、学習に用いる情報として適切であると判断される計測情報のみを用いて学習することが可能になるので、好ましくない学習が行われて異常判定の精度が低下することを抑制することができる。以上により、雑多な計測情報の中から学習させたい計測情報を効率良く選別することを可能にしつつ、異常判定の精度の低下を抑制することができる。
上記の基本動作によれば、ある計測情報から抽出された特徴情報について求められた検出値が、第1閾値以上であるか、または該第1閾値を超える場合、当該特徴情報の抽出元となる計測情報の中から学習に用いる情報として適切な計測情報を選択実行者または学習エージェントに選択させる。よって、計測情報のうち、検出値が特徴的な値をとる(第1閾値以上であるか、または該第1閾値を超える)計測情報のみを抽出し、抽出された計測情報の中から、学習に適していると判断される計測情報を選択実行者に選択させることが可能になる。なお、学習に用いる情報として適切な計測情報には、正常と判断される計測情報である場合と、異常と判断される計測情報である場合とが含まれる。以上により、雑多な計測情報の中から学習させたい計測情報を効率良く選別することが可能になる。また、上記の基本動作によれば、学習に用いる情報として適切(例えば、正常)でないと判断される計測情報が除外され、学習に用いる情報として適切であると判断される計測情報のみを用いて学習することが可能になるので、好ましくない学習が行われて異常判定の精度が低下することを抑制することができる。以上により、雑多な計測情報の中から学習させたい計測情報を効率良く選別することを可能にしつつ、異常判定の精度の低下を抑制することができる。
さらに、上記の基本動作によれば、オンライン学習と、オフライン学習と、の両方が終了すれば、学習元データを破棄することが可能になり、オフライン学習の学習結果だけで処理することが可能になる。これにより、学習空間の更新状況についてのリアルタイムなバックアップが不要となるため、運用上における計測情報の取り違えといったヒューマンエラーが生じることを抑制することができる。また、学習空間の更新状況についてのリアルタイムなバックアップが不要となるため、計測情報が増大し稼働システム上のデータ保存領域が圧迫されてしまうことを抑制することができる。
〔実施形態2:応用動作〕
次に、図3は、異常判定装置10の実施形態2に係る応用動作を説明するための図である。まず、図3の(a)に示すように、事前学習に用いる映像フレームデータ(画像情報)を複数用意する。次に、この映像フレームデータについてオンライン学習部23によるオンライン学習を行い、検出値出力部231は、映像フレームデータ毎の検出値を出力する。図3の(b)に示すように、この処理により得られた映像フレームデータ毎の検出値列の中で、別途設定しておいた閾値よりも大きな値となる映像フレームデータを抽出する。ここでは、図3の(c)〜(e)に示す3つの映像フレームデータが抽出されている。
次に、図3は、異常判定装置10の実施形態2に係る応用動作を説明するための図である。まず、図3の(a)に示すように、事前学習に用いる映像フレームデータ(画像情報)を複数用意する。次に、この映像フレームデータについてオンライン学習部23によるオンライン学習を行い、検出値出力部231は、映像フレームデータ毎の検出値を出力する。図3の(b)に示すように、この処理により得られた映像フレームデータ毎の検出値列の中で、別途設定しておいた閾値よりも大きな値となる映像フレームデータを抽出する。ここでは、図3の(c)〜(e)に示す3つの映像フレームデータが抽出されている。
次に、図3の(f)〜(h)に示すように、上記の3つの映像フレームデータを検出値が大きいものから優先させて並べ替える。この3つの映像フレームデータは、表示部4の選択画面41に優先順位に従って表示される。
次に、図3の(i)および(j)に示すように、ユーザまたは選択実行者が、目視で選択画面41に表示された映像フレームデータの中から、正常と判断される映像フレームデータを選択する。その後、上記のオンライン学習の結果を破棄し、オフライン学習部24は、全シーンの中からユーザ(または選択実行者)が正常でないとしたシーンだけを除いてオフライン学習を行う。
その結果、上記オフライン学習後の検出では、図3の(k)に示すように、正常と判断された図3の(g)および(h)の映像フレームデータのそれぞれに類似する図3の(l)および(m)の映像フレームデータの検出では、閾値(第2閾値)と比較してかなり低い検出値となる。一方、図3の(f)に示す異常と判断した映像フレームデータに類似する図3の(n)の映像フレームデータの検出では、閾値を超える大きな検出値となる。これにより、異常判定部26は、図3の(n)の映像フレームデータを異常と判定する。
次に、図6のフローチャートに基づき、上述した実施形態2に係る応用動作の流れについて説明する。S201では、情報計測部1の動画像取得部11が、学習に用いる複数の動画像データ(画像情報)を読み込み、計測部制御部21に渡す。計測部制御部21は、動画像取得部11から受け取った各動画像データを記憶部3に記憶させるとともに、特徴情報抽出部22に渡す。特徴情報抽出部22は、各動画像データからCHLAC特徴を抽出し、対応する動画像データと対応付けて記憶部3に記憶させるとともに、オンライン学習部23に渡す。オンライン学習部23が、特徴情報抽出部22からの各動画像データのCHLAC特徴を取得すると、検出値出力部231は、このCHLAC特徴に対応する検出値を出力する。次に、オンライン学習部23は、このCHLAC特徴を用いて記憶部3に予め記録されている学習辞書を学習する。以上の検出値の出力と、学習辞書の学習は、各動画像データに対応するCHLAC特徴が入力される毎(フレーム毎)に行われる。以上のオンライン学習処理が終わると、S202に進む。
S202では、計測情報抽出部232は、以上のオンライン学習処理の結果である、フレーム毎の検出値より極大値、極小値を抽出し、S203に進む。S203では、計測情報抽出部232は、閾値を下回る極小値、閾値を上回る極大値、閾値を下回る極小値となる区間の動画像データの各フレームを1セットとして切出し、計測情報抽出部232は切出した動画像データを優先順位設定部25に通知して、S204に進む。
S204では、優先順位設定部25が、検出値が閾値(第1閾値)を超える場合(または閾値以上の場合)におけるCHLAC特徴の抽出元となる動画像データのうち、その検出値が大きいもの程、優先順位を高く設定し(切出したシーンについて、検出値の大きなものから順に並べ替えて)、S205に進む。S205では、提示制御部27は、計測情報抽出部232が切出した動画像データを設定された優先順位に従って、表示部4の選択画面41に表示させ、ユーザに通常シーン(例えば、正常と判断される計測情報)かどうかを判断させて、S206に進む。
S206では、通常シーンと判断された特徴シーン(計測情報)が一つ以上存在するか否かを確認し、そのような特徴シーンが一つ以上存在する場合は、S207に進む。一方、そのようなそのような特徴シーンが一つも存在しない場合は、処理終了となる。S207では、オフライン学習部24が、先のオンライン学習の結果を破棄し、全シーンの中からユーザ(または選択実行者)が通常シーンでないとしたシーンだけを除いてオフライン学習を行い(この場合、閾値以下のシーンは自動的に学習に使われる)、処理終了となる。
(応用動作の効果)
以上の応用動作によれば、ユーザ、選択実行者または学習エージェントは、例えば、検出値の大きな計測情報から順に、正常と判断される計測情報かどうかを判断していくことが可能になるため、最初は初めて遭遇する計測情報を確認することになり、その後は、すでに遭遇した計測情報と似通った計測情報を確認することになる。これにより、ユーザ、選択実行者または学習エージェントにとって検出したい異常を判別するのに十分な学習データが揃っているかを判断する目安とすることができる。また、その際の検出値はその後、異常判定装置10を稼働させる際の第1閾値を図4に示す領域b7にてユーザが決定して入力する目安にもなる。
以上の応用動作によれば、ユーザ、選択実行者または学習エージェントは、例えば、検出値の大きな計測情報から順に、正常と判断される計測情報かどうかを判断していくことが可能になるため、最初は初めて遭遇する計測情報を確認することになり、その後は、すでに遭遇した計測情報と似通った計測情報を確認することになる。これにより、ユーザ、選択実行者または学習エージェントにとって検出したい異常を判別するのに十分な学習データが揃っているかを判断する目安とすることができる。また、その際の検出値はその後、異常判定装置10を稼働させる際の第1閾値を図4に示す領域b7にてユーザが決定して入力する目安にもなる。
〔変形例〕
図7の(a)は、上述した本発明の実施形態2に係る異常判定装置10の動作の流れを示す状態遷移図である。同図に示すように、カメラ(動画像取得部11)は動画データ(計測情報)を取得し、図1に示す計測部制御部21に渡す。計測部制御部21は、動画データを記憶部3に記憶させるとともに、特徴情報抽出部22に渡す。
図7の(a)は、上述した本発明の実施形態2に係る異常判定装置10の動作の流れを示す状態遷移図である。同図に示すように、カメラ(動画像取得部11)は動画データ(計測情報)を取得し、図1に示す計測部制御部21に渡す。計測部制御部21は、動画データを記憶部3に記憶させるとともに、特徴情報抽出部22に渡す。
特徴情報抽出部22は、受け取った動画データからCHLAC特徴を抽出し、オンライン学習部23に渡す。301の動作にて、オンライン学習部23の検出値出力部231は、n−1学習辞書に基づいて検出値を求める。なお、n−1学習辞書のnの意義については、後述する。その後、オンライン学習部23は、n−1学習辞書の学習を行い(n−1学習辞書)’を生成する。計測情報抽出部232は、検出値が予め定めた閾値(第1閾値)を超える動画データをいくつか抽出する。302の動作にて、優先順位設定部25は閾値を超える複数の動画データを、検出値の大きいものから優先順位付けを行う。
303の動作では、オンライン学習部23は、(n−1学習辞書)’を破棄し、学習辞書は、元のn−1学習辞書の状態に戻る。304の動作では、オフライン学習部24が、閾値を超える複数の動画データの中からユーザ、選択実行者、または学習エージェントのいずれかが選択した正常な動画データに基づき、n学習辞書を生成する(学習を行う)。305の動作では、n−1学習辞書に対してn学習辞書を上書きする。
ここで、上述したn−1学習辞書の「n」の意義について説明する。上記の1回目の動作(n=1)では、0学習辞書、すなわち、学習辞書なしで異常判定が行われる。次に、上記の2回目の動作(n=2)では、1学習辞書、すなわち1回目の学習辞書で異常判定が行われる。次に、上記の3回目の動作(n=3)では、2学習辞書、すなわち2回目の学習辞書で異常判定が行われる。以上のようにしてn≧4回目以降の動作が繰り返される。
次に、図7の(b)は、異常判定装置10の変形例の動作の流れを示す状態遷移図である。同図に示すように、カメラは、動画データを取得し、図1に示す計測部制御部21に渡す。計測部制御部21は、動画データを記憶部3に記憶させるとともに、特徴情報抽出部22に渡す。
特徴情報抽出部22は、受け取った動画データからCHLAC特徴を抽出し、オフライン学習部24およびオンライン学習部23のそれぞれに渡す。401の動作にて、オンライン学習部23の検出値出力部231は、未学習の0学習辞書(デフォルトの初期値に設定されているものとする)に基づいて検出値(第1検出値)を求める。その後、オンライン学習部23は、0学習辞書の学習を行い(0学習辞書)’を生成する。
次に、402の動作にて、オフライン学習部24の検出値出力部241は、n−1学習辞書に基づいて検出値(第2検出値)を求める。オンライン学習部23の計測情報抽出部232およびオフライン学習部24の計測情報抽出部242は、それぞれ、検出値が予め定めた閾値(第1閾値および第2閾値)を超える動画データをいくつか抽出する。ここで、オンライン学習部23の検出値出力部231が出力する検出値は、未学習の0学習辞書を用いて検出値を出力するため、各動画データに対応する検出値は、どのようなデータでも総じて高くなる。よって、本変形例では、オンライン学習部23の検出値出力部231が出力する第1検出値が所定の第1閾値を超えるか否かによって、かつ、オフライン学習部24の検出値出力部241が出力する第2検出値が所定の第2閾値を超えるか否かによって、統合して抽出する動画データを決定する。
403の動作にて、優先順位設定部25は、計測情報抽出部232および計測情報抽出部242の組合せによって抽出された複数の動画データについて、検出値の大きいものから優先順位付けを行う。
404の動作では、オンライン学習部23は、(0学習辞書)’を破棄し、オフライン学習部24の学習辞書は、元の0学習辞書の状態に戻る。405の動作では、オフライン学習部24が、閾値を超える複数の動画データの中から選択された正常な動画データに基づき、n学習辞書を生成する(学習を行う)。406の動作では、オフライン学習部24のn−1学習辞書に対してn学習辞書を上書きする。
〔実施形態3;ソフトウェアによる実現例〕
異常判定装置10の制御ブロック(特にオンライン学習部23、オフライン学習部24、異常判定部26)は、集積回路(ICチップ)等に形成された論理回路(ハードウェア)によって実現してもよいし、CPU(Central Processing Unit)を用いてソフトウェアによって実現してもよい。
異常判定装置10の制御ブロック(特にオンライン学習部23、オフライン学習部24、異常判定部26)は、集積回路(ICチップ)等に形成された論理回路(ハードウェア)によって実現してもよいし、CPU(Central Processing Unit)を用いてソフトウェアによって実現してもよい。
後者の場合、異常判定装置10は、各機能を実現するソフトウェアであるプログラムの命令を実行するCPU、上記プログラムおよび各種データがコンピュータ(またはCPU)で読み取り可能に記録されたROM(Read Only Memory)または記憶装置(これらを「記録媒体」と称する)、上記プログラムを展開するRAM(Random Access Memory)などを備えている。そして、コンピュータ(またはCPU)が上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記記録媒体としては、「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体(通信ネットワークや放送波等)を介して上記コンピュータに供給されてもよい。なお、本発明は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
〔まとめ〕
本発明の態様1に係る異常判定装置(10)によれば、監視対象の状態を示す値として取得された取得情報の中から特徴的な値として抽出される特徴情報値を用いて、予め求められた学習パラメータにより構築された学習空間の学習パラメータを再構成することで、その学習空間を更新する第1学習部(オンライン学習部23)と、上記取得情報から抽出された上記特徴情報値について、当該特徴情報値を用いた更新が行われる前の学習空間からの逸脱の程度を示す検出値が、第1閾値以上であるか、または該第1閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる選択部(操作部5)と、上記選択部を介して上記選択実行者が選択した取得情報の中から特徴的な値として抽出される特徴情報値を用いて、上記第1学習部による更新が行われる前の学習空間の学習パラメータを再構成することで、その学習空間を更新する第2学習部(オフライン学習部24)と、を備える構成である。
本発明の態様1に係る異常判定装置(10)によれば、監視対象の状態を示す値として取得された取得情報の中から特徴的な値として抽出される特徴情報値を用いて、予め求められた学習パラメータにより構築された学習空間の学習パラメータを再構成することで、その学習空間を更新する第1学習部(オンライン学習部23)と、上記取得情報から抽出された上記特徴情報値について、当該特徴情報値を用いた更新が行われる前の学習空間からの逸脱の程度を示す検出値が、第1閾値以上であるか、または該第1閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる選択部(操作部5)と、上記選択部を介して上記選択実行者が選択した取得情報の中から特徴的な値として抽出される特徴情報値を用いて、上記第1学習部による更新が行われる前の学習空間の学習パラメータを再構成することで、その学習空間を更新する第2学習部(オフライン学習部24)と、を備える構成である。
本発明の態様5に係る異常判定方法は、監視対象の状態を示す値として取得された取得情報の中から特徴的な値として抽出される特徴情報値を用いて、予め求められた学習パラメータにより構築された学習空間の学習パラメータを再構成することで、その学習空間を更新する第1学習工程と、上記取得情報から抽出された上記特徴情報値について、当該特徴情報値を用いた更新が行われる前の学習空間からの逸脱の程度を示す検出値が、第1閾値以上であるか、または該第1閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる選択工程と、上記選択工程で上記選択実行者が選択した取得情報の中から特徴的な値として抽出される特徴情報値を用いて、上記第1学習工程による更新が行われる前の学習空間の学習パラメータを再構成することで、その学習空間を更新する第2学習工程と、を含む方法である。
上記構成または方法によれば、選択部または選択工程では、ある取得情報から抽出された特徴情報値について求められた検出値が、第1閾値以上であるか、または該第1閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者に選択させる。なお、学習に用いる情報として適切な取得情報には、正常と判断される取得情報である場合と、異常と判断される取得情報である場合とが含まれる。以上により、取得情報のうち、検出値が特徴的な値をとる(第1閾値以上であるか、または該第1閾値を超える)取得情報のみを抽出し、抽出された取得情報の中から、学習に用いる情報として適切と判断される取得情報を選択実行者または学習エージェントに選択させることが可能になる。このため、雑多な取得情報の中から学習させたい取得情報を効率良く選別することが可能になる。また、上記構成または方法によれば、学習に用いる情報として適切でないと判断される取得情報が除外され、学習に用いる情報として適切と判断される取得情報のみを用いて学習することが可能になるので、好ましくない学習が行われて異常判定の精度が低下することを抑制することができる。以上により、雑多な取得情報の中から学習させたい取得情報を効率良く選別することを可能にしつつ、異常判定の精度の低下を抑制することができる。
本発明の態様2に係る異常判定装置は、上記態様1において、上記第2学習部による学習空間の更新後に新たに取得した取得情報の中から特徴的な値として抽出された特徴情報値の、上記第2学習部による更新後の学習空間からの逸脱の程度を示す検出値が、第2閾値以上であるか、または該第2閾値を超えた場合、当該取得情報を異常と判定する異常判定部(26)を備えることが好ましい。上記構成によれば、学習に用いる情報として適切でないと判断される取得情報が除外され、学習に用いる情報として適切と判断される取得情報のみを用いて更新が行われた学習空間を用いた検出値が得られるため、異常判定の精度の低下が抑制された状態で異常判定を行うことができる。
本発明の態様3に係る異常判定装置は、上記態様1または2において、上記検出値が上記第1閾値以上であるか、または該第1閾値を超える場合における上記特徴情報値の抽出元となる取得情報のうち、その検出値が大きいもの程、優先順位を高く設定する優先順位設定部(25)を備えることが好ましい。上記構成によれば、選択実行者または学習エージェントは、例えば、検出値の大きな取得情報から順に、学習に用いる情報として適切と判断される取得情報かどうかを判断していくことが可能になるため、最初は初めて遭遇する取得情報を確認することになり、その後は、すでに遭遇した取得情報と似通った取得情報を確認することになる。これにより、選択実行者または学習エージェントにとって検出したい異常を判別するのに十分な学習データが揃っているかを判断する目安とすることができる。また、その際の検出値はその後、異常判定装置を稼働させる際の第1閾値を決める目安にもなる。
本発明の態様4に係る異常判定装置は、上記態様1〜3のいずれかにおいて、上記取得情報は、画像情報、音声情報、振動情報、および温度情報のうちのいずれか少なくとも1つの情報を含んでいても良い。上記構成によれば、画像情報、音声情報、振動情報、および温度情報のいずれかの検出値から異常判定を行うことも可能となるし、これらの情報の2つ以上の組合せに基づく検出値を用いるマルチモーダルシステムにも適用することが可能になる。
本発明の態様6に係る異常判定装置は、監視対象の状態を示す値として取得された取得情報の中から特徴的な値として抽出される特徴情報値を用いて、予め求められた学習パラメータにより構築された学習空間の学習パラメータを再構成することで、その学習空間を更新し、上記取得情報から抽出された上記特徴情報値について、当該特徴情報値を用いた更新が行われる前の学習空間からの逸脱の程度を示す第1検出値を出力する第1学習部と、上記取得情報から抽出された上記特徴情報値について、予め用意された学習に用いる情報として適切な取得情報の中から特徴的な値として抽出される特徴情報値を用いて予め求めた学習パラメータにより構築された学習空間からの逸脱の程度を示す第2検出値を出力する第2学習部と、
上記取得情報から抽出された上記特徴情報値について、上記第1検出値が第1閾値以上であるか、または該第1閾値を超え、かつ、上記第2検出値が第2閾値以上であるか、または該第2閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる選択部と、を備え、上記第2学習部は、さらに、上記選択部を介して上記選択実行者が選択した取得情報の中から特徴的な値として抽出される特徴情報値を用いて、上記第2学習部による上記第2検出値の出力が行われる際に用いられた学習空間の学習パラメータを再構成することで、その学習空間を更新する構成である。
上記取得情報から抽出された上記特徴情報値について、上記第1検出値が第1閾値以上であるか、または該第1閾値を超え、かつ、上記第2検出値が第2閾値以上であるか、または該第2閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる選択部と、を備え、上記第2学習部は、さらに、上記選択部を介して上記選択実行者が選択した取得情報の中から特徴的な値として抽出される特徴情報値を用いて、上記第2学習部による上記第2検出値の出力が行われる際に用いられた学習空間の学習パラメータを再構成することで、その学習空間を更新する構成である。
上記構成によれば、選択部は、ある取得情報から抽出された特徴情報値について求められた第1検出値および第2検出値のそれぞれが、第1閾値以上であるか、または該第1閾値を超える場合、および第2閾値以上であるか、または該第2閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる。よって、取得情報のうち、検出値が特徴的な値をとる取得情報のみを抽出し、抽出された取得情報の中から、学習に用いる情報として適切と判断される取得情報を選択実行者または学習エージェントに選択させることが可能になる。このため、雑多な取得情報の中から学習させたい取得情報を効率良く選別することが可能になる。また、上記構成によれば、学習に用いる情報として適切でないと判断される取得情報が除外され、学習に用いる情報として適切と判断される取得情報のみを用いて学習することが可能になるので、好ましくない学習が行われて異常判定の精度が低下することを抑制することができる。以上により、雑多な取得情報の中から学習させたい取得情報を効率良く選別することを可能にしつつ、異常判定の精度の低下を抑制することができる。
また、本発明の各態様に係る異常判定装置は、コンピュータによって実現してもよく、この場合には、コンピュータを上記異常判定装置が備える各部(ソフトウェア要素に限る)として動作させることにより上記異常判定装置をコンピュータにて実現させる異常判定装置の制御プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。
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、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。さらに、各実施形態にそれぞれ開示された技術的手段を組み合わせることにより、新しい技術的特徴を形成することができる。
本発明は、取得情報が異常なものであるか否かを判定する異常判定装置などに利用することができる。
5 操作部(選択部)
10 異常判定装置
23 オンライン学習部(第1学習部)
24 オフライン学習部(第2学習部)
25 優先順位設定部
26 異常判定部
10 異常判定装置
23 オンライン学習部(第1学習部)
24 オフライン学習部(第2学習部)
25 優先順位設定部
26 異常判定部
Claims (6)
- 監視対象の状態を示す値として取得された取得情報の中から特徴的な値として抽出される特徴情報値を用いて、予め求められた学習パラメータにより構築された学習空間の学習パラメータを再構成することで、その学習空間を更新する第1学習部と、
上記取得情報から抽出された上記特徴情報値について、当該特徴情報値を用いた更新が行われる前の学習空間からの逸脱の程度を示す検出値が、第1閾値以上であるか、または該第1閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる選択部と、
上記選択部を介して上記選択実行者が選択した取得情報の中から特徴的な値として抽出される特徴情報値を用いて、上記第1学習部による更新が行われる前の学習空間の学習パラメータを再構成することで、その学習空間を更新する第2学習部と、を備えることを特徴とする異常判定装置。 - 上記第2学習部による学習空間の更新後に新たに取得した取得情報の中から特徴的な値として抽出された特徴情報値の、上記第2学習部による更新後の学習空間からの逸脱の程度を示す検出値が、第2閾値以上であるか、または該第2閾値を超えた場合、当該取得情報を異常と判定する異常判定部を備えることを特徴とする請求項1に記載の異常判定装置。
- 上記検出値が上記第1閾値以上であるか、または該第1閾値を超える場合における上記特徴情報値の抽出元となる取得情報のうち、その検出値が大きいもの程、優先順位を高く設定する優先順位設定部を備えることを特徴とする請求項1または2に記載の異常判定装置。
- 上記取得情報は、画像情報、音声情報、振動情報、および温度情報のうちのいずれか少なくとも1つの情報を含むことを特徴とする請求項1から3までのいずれか1項に記載の異常判定装置。
- 監視対象の状態を示す値として取得された取得情報の中から特徴的な値として抽出される特徴情報値を用いて、予め求められた学習パラメータにより構築された学習空間の学習パラメータを再構成することで、その学習空間を更新する第1学習工程と、
上記取得情報から抽出された上記特徴情報値について、当該特徴情報値を用いた更新が行われる前の学習空間からの逸脱の程度を示す検出値が、第1閾値以上であるか、または該第1閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる選択工程と、
上記選択工程で上記選択実行者が選択した取得情報の中から特徴的な値として抽出される特徴情報値を用いて、上記第1学習工程による更新が行われる前の学習空間の学習パラメータを再構成することで、その学習空間を更新する第2学習工程と、を含むことを特徴とする異常判定方法。 - 監視対象の状態を示す値として取得された取得情報の中から特徴的な値として抽出される特徴情報値を用いて、予め求められた学習パラメータにより構築された学習空間の学習パラメータを再構成することで、その学習空間を更新し、上記取得情報から抽出された上記特徴情報値について、当該特徴情報値を用いた更新が行われる前の学習空間からの逸脱の程度を示す第1検出値を出力する第1学習部と、
上記取得情報から抽出された上記特徴情報値について、予め用意された学習に用いる情報として適切な取得情報の中から特徴的な値として抽出される特徴情報値を用いて予め求めた学習パラメータにより構築された学習空間からの逸脱の程度を示す第2検出値を出力する第2学習部と、
上記取得情報から抽出された上記特徴情報値について、上記第1検出値が第1閾値以上であるか、または該第1閾値を超え、かつ、上記第2検出値が第2閾値以上であるか、または該第2閾値を超える場合、当該特徴情報値の抽出元となる取得情報の中から、学習に用いる情報として適切な取得情報を選択実行者または学習エージェントに選択させる選択部と、を備え、
上記第2学習部は、さらに、上記選択部を介して上記選択実行者が選択した取得情報の中から特徴的な値として抽出される特徴情報値を用いて、上記第2学習部による上記第2検出値の出力が行われる際に用いられた学習空間の学習パラメータを再構成することで、その学習空間を更新することを特徴とする異常判定装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015052651A JP2016173682A (ja) | 2015-03-16 | 2015-03-16 | 異常判定装置および異常判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015052651A JP2016173682A (ja) | 2015-03-16 | 2015-03-16 | 異常判定装置および異常判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2016173682A true JP2016173682A (ja) | 2016-09-29 |
Family
ID=57008920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015052651A Pending JP2016173682A (ja) | 2015-03-16 | 2015-03-16 | 異常判定装置および異常判定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2016173682A (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6227211B1 (ja) * | 2017-03-15 | 2017-11-08 | 三菱電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP2018088105A (ja) * | 2016-11-29 | 2018-06-07 | ホーチキ株式会社 | 監視システム |
EP3499419A1 (en) | 2017-12-14 | 2019-06-19 | Panasonic Intellectual Property Corporation of America | Information processing method, information processing apparatus, and program |
CN109978174A (zh) * | 2017-12-14 | 2019-07-05 | 松下电器(美国)知识产权公司 | 信息处理方法、信息处理装置及程序记录介质 |
WO2019215994A1 (ja) * | 2018-05-08 | 2019-11-14 | 日本電気株式会社 | 画像判定システム、画像判定方法および画像判定プログラム |
CN111523197A (zh) * | 2018-12-26 | 2020-08-11 | 通用电气公司 | 用于预测部件上的故障的模型 |
WO2020203240A1 (ja) * | 2019-03-29 | 2020-10-08 | ソニー株式会社 | 情報処理装置および情報処理方法 |
JP2020166809A (ja) * | 2019-03-28 | 2020-10-08 | キヤノンメディカルシステムズ株式会社 | モデル学習用のシステム、装置、及び学習方法 |
JP7492357B2 (ja) | 2019-03-28 | 2024-05-29 | エアバス オペレーションズ ゲーエムベーハー | 状況認識装置、航空機客室、及び航空機客室監視方法 |
-
2015
- 2015-03-16 JP JP2015052651A patent/JP2016173682A/ja active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018088105A (ja) * | 2016-11-29 | 2018-06-07 | ホーチキ株式会社 | 監視システム |
CN110419211B (zh) * | 2017-03-15 | 2020-12-22 | 三菱电机株式会社 | 信息处理装置、信息处理方法和计算机可读的存储介质 |
WO2018167891A1 (ja) * | 2017-03-15 | 2018-09-20 | 三菱電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
US11366477B2 (en) | 2017-03-15 | 2022-06-21 | Mitsubishi Electric Corporation | Information processing device, information processing method, and computer readable medium |
JP6227211B1 (ja) * | 2017-03-15 | 2017-11-08 | 三菱電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
CN110419211A (zh) * | 2017-03-15 | 2019-11-05 | 三菱电机株式会社 | 信息处理装置、信息处理方法和信息处理程序 |
CN109978174A (zh) * | 2017-12-14 | 2019-07-05 | 松下电器(美国)知识产权公司 | 信息处理方法、信息处理装置及程序记录介质 |
EP3499419A1 (en) | 2017-12-14 | 2019-06-19 | Panasonic Intellectual Property Corporation of America | Information processing method, information processing apparatus, and program |
JPWO2019215994A1 (ja) * | 2018-05-08 | 2020-12-17 | 日本電気株式会社 | 画像判定システム、画像判定方法および画像判定プログラム |
WO2019215994A1 (ja) * | 2018-05-08 | 2019-11-14 | 日本電気株式会社 | 画像判定システム、画像判定方法および画像判定プログラム |
CN111523197A (zh) * | 2018-12-26 | 2020-08-11 | 通用电气公司 | 用于预测部件上的故障的模型 |
CN111523197B (zh) * | 2018-12-26 | 2023-09-29 | 通用电气公司 | 用于预测部件上的故障的模型 |
JP2020166809A (ja) * | 2019-03-28 | 2020-10-08 | キヤノンメディカルシステムズ株式会社 | モデル学習用のシステム、装置、及び学習方法 |
JP7350582B2 (ja) | 2019-03-28 | 2023-09-26 | キヤノンメディカルシステムズ株式会社 | モデル学習用のシステム、装置、及び学習方法 |
JP7492357B2 (ja) | 2019-03-28 | 2024-05-29 | エアバス オペレーションズ ゲーエムベーハー | 状況認識装置、航空機客室、及び航空機客室監視方法 |
WO2020203240A1 (ja) * | 2019-03-29 | 2020-10-08 | ソニー株式会社 | 情報処理装置および情報処理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2016173682A (ja) | 異常判定装置および異常判定方法 | |
US8885942B2 (en) | Object mapping device, method of mapping object, program and recording medium | |
JP6378292B2 (ja) | 動画ファイル中の対象物を識別する方法 | |
US20200175377A1 (en) | Training apparatus, processing apparatus, neural network, training method, and medium | |
US8643714B2 (en) | Test device and method for testing display parameters | |
US11025879B2 (en) | Image processing apparatus, image processing method, and storage medium storing program | |
US10146992B2 (en) | Image processing apparatus, image processing method, and storage medium that recognize an image based on a designated object type | |
JP2013101431A (ja) | 類似画像検索システム | |
JP2020102012A (ja) | 画像処理装置、画像処理方法およびプログラム | |
KR20190125029A (ko) | 시계열 적대적인 신경망 기반의 텍스트-비디오 생성 방법 및 장치 | |
WO2020052062A1 (zh) | 检测方法和装置 | |
US9898666B2 (en) | Apparatus and method for providing primitive visual knowledge | |
KR20180074562A (ko) | 전자 장치 및 이의 제어 방법 | |
US20200311401A1 (en) | Analyzing apparatus, control method, and program | |
JP2021144525A (ja) | 検出装置、検出方法およびプログラム | |
JP5962383B2 (ja) | 画像表示システムおよび画像処理装置 | |
US20200258550A1 (en) | Moving image reproduction apparatus, moving image reproduction method, moving image reproduction system, and storage medium | |
US11042274B2 (en) | Extracting demonstrations from in-situ video content | |
US10885343B1 (en) | Repairing missing frames in recorded video with machine learning | |
JP5702269B2 (ja) | 並列映像解析装置、並列映像解析方法及び並列映像解析プログラム | |
US9785656B2 (en) | Data processing apparatus for clustering time-series data based on generated reference values and data processing method for same | |
US10839290B2 (en) | System and method to evaluate decision-making | |
CN109982017A (zh) | 用于智能记录视频数据流的系统和方法 | |
JP6887131B2 (ja) | 再生装置、再生方法及び再生プログラム | |
US20200293785A1 (en) | Information processing apparatus, information processing method, and medium |