JP2016189073A - 個性推定装置、個性推定プログラムおよび個性推定方法 - Google Patents

Abstract

【構成】個性推定装置とも言われる中央制御装置（１０）は、複数の距離画像センサ１２および複数のＲＧＢカメラ１４などを備える。空間内の人は、ＲＧＢカメラ１４によって撮影された画像から顔が識別され、距離画像センサ１２を利用して位置が検出される。そして、識別結果と検出結果とを統合して人位置情報が生成される。生成された人位置情報を利用して人の行動に関するパラメータが取得され、そのパラメータから特徴量ベクトルが作成される。特徴量ベクトルは、ＳＶＭ(Support vector machine)などの機械学習手法を用いて作成された人の個性を判別する判別モデルに入力される。そして、判別モデルから出力された判別結果が、人の個性の推定結果としてメモリ（６４）に記憶される。
【効果】空間内の人に負担を負わせることなく、空間内で任意に行動する人の個性を容易に推定することが出来る。
【選択図】図１

Description

この発明は、個性推定装置、個性推定プログラムおよび個性推定方法に関し、特にたとえば、空間内の人の個性を推定する、個性推定装置、個性推定プログラムおよび個性推定方法に関する。

背景技術の一例が特許文献１に開示されている。この特許文献１の個性別教育情報作成システムでは、Ｆｉｖｅ Ｆａｃｔｏｒｓ ａｎｄ Ｓｔｒｅｓｓ理論を用いた個性診断テストを生徒に受けさせ、そのテストの結果から生徒の個性が診断される。生徒の教師には、生徒の個性に適合する指導方針などが個性別教育情報作成システムから示される。そのため、教師は、各生徒の個性を尊重した教育指導を進めることが出来る。

特開2006-64880号公報[G09B 7/07, G06Q 50/00, G09B 5/10]

ところが、特許文献１の個性別教育情報作成システムを利用する場合、教師は各生徒に対して個性診断テストを受けさせるために、「個性診断テストを受けるための授業」を実施する必要がある。ただし、その授業を生徒が１人でも欠席してしまうと、教師は欠席した生徒に対して個別に対応しなければならない。そのため、このような授業を実施せずに生徒の裁量で個性診断テストを受けさせることも考えられるが、この場合、教師は生徒が個性診断テストを受けたかを個別に管理しなければならない。いずれにしても、生徒全員の個性を診断するためには、生徒全員に個性診断テストを受けさせなければならず、教師への負担は大きい。

それゆえに、この発明の主たる目的は、新規な、個性推定装置、個性推定プログラムおよび個性推定方法を提供することである。

この発明の他の目的は、空間内の人の個性を容易に推定することが出来る、個性推定装置、個性推定プログラムおよび個性推定方法を提供することである。

この発明は、上記の課題を解決するために、以下の構成を採用した。なお、括弧内の参照符号および補足説明等は、この発明の理解を助けるために記述する実施形態との対応関係を示したものであって、この発明を何ら限定するものではない。

第１の発明は、空間内の人の位置情報を生成する生成手段、人の位置情報から空間における当該人の行動に関するパラメータを取得する取得手段、人の行動に関するパラメータから特徴量を作成する作成手段、および作成手段によって作成された特徴量に基づいて人の個性を推定する推定手段を備える、個性推定装置である。

第１の発明では、個性推定装置（１０：実施例において対応する部分を例示する参照符号。以下、同じ。）は、生成手段（６０，Ｓ５１）は、たとえば空間に設けられた距離画像センサ（１２）およびＲＧＢカメラ（１４）を利用して、空間内の人の位置情報を生成する。生成された人の位置情報には、たとえば空間内の人を識別するためのＩＤおよび人の位置が含まれる。取得手段（６０，Ｓ７３−Ｓ７７，Ｓ２０１，Ｓ３０１）は、たとえば空間で行われる授業または授業の合間の休み時間における人の位置情報から、人の行動に関するパラメータを取得する。作成手段（６０，Ｓ７９，Ｓ２０３，Ｓ３０３）は、取得された人の行動に関するパラメータに含まれる各要素を用いて、たとえば特徴量ベクトルを作成する。推定手段（６０，Ｓ８１）は、たとえば機械学習手法によって作成した判別モデルに対して作成された特徴ベクトルを入力することで、人の個性を推定する。

第１の発明によれば、空間内の人に負担を負わせることなく、空間内で任意に行動する人の個性を容易に推定することが出来る。

第２の発明は、第１の発明に従属し、人には、特定の場所が割り当てられており、人の行動に関するパラメータは、所定時間のうち人が孤立していた時間の第１割合、所定時間において人が特定の場所から離れて移動した移動量の平均および所定時間における人の周囲にいた他人の数を含み、取得手段は、人の第１割合を取得する第１取得手段、人の移動量の平均を取得する第２取得手段および人の周囲にいた他人の数を取得する第３取得手段を含み、作成手段は、人の第１割合、人の移動量の平均および人の周囲にいた他人の数から特徴量を作成する第１作成手段を含み、推定手段は、第１作成手段によって作成された特徴量に基づいて、人の社会的地位の高さを推定する。

第２の発明では、たとえば空間が教室である場合、人には、特定の場所として机が割り当てられる。所定時間は、たとえば空間で行われる授業の時間である。第１割合は、たとえば所定時間のうち人が孤立していたと判断された時間の割合である。たとえば、人との他人との距離が閾値（第２閾値Ｄ_ＴＨ）より大きい場合、人が孤立していたと判断される。移動量の平均とは、たとえば所定時間において人が机から離れて移動したときに算出される移動量の平均である。たとえば、人が自身に割り当てられた机から移動すると、そのときの移動量が算出される。人の周囲にいた他人の数は、たとえば所定時間において人の周囲にいたと判断された他人の数である。たとえば、人と他人との距離が閾値（第２閾値Ｄ_ＴＨ）より小さい場合、人の周囲に他人がいたと判断される。そして、人の行動に関するパラメータには、第１割合、移動量の平均および人の周囲にいた他人の数が含まれる。

第１取得手段（６０，Ｓ７３：Ｓ１１３）は、所定時間のうち人が孤立していた時間の第１割合を取得する。第２取得手段（６０，Ｓ７５：Ｓ１４５）は、たとえば所定時間において人が机を離れて移動したときに算出される移動量の平均を取得する。第３取得手段（６０，Ｓ７７：Ｓ１８３）は、所定時間における人の周囲にいたと判断された他人の数を取得する。第１作成手段（６０，Ｓ７９）は、たとえば、人の第１割合、人の移動量の平均および人の周囲にいた他人の数を要素とする、特徴量ベクトルを作成する。そして、推定手段は、たとえば特徴量ベクトルを判別モデルに入力することで、人の社会的地位（Ｓｏｃｉａｌ Ｓｔａｔｕｓ）の高さを推定する。

第２の発明によれば、空間内で任意に行動する人の社会的地位の高さを、容易に推定することが出来る。

第３の発明は、第１の発明に従属し、人には、特定の場所が割り当てられており、人の行動に関するパラメータは、所定時間のうち人が孤立していた時間の第１割合、所定時間において人が特定の場所から離れて移動した移動量の平均、所定時間における人の周囲にいた他人の数および所定時間のうち人が座っていた時間の第２割合を含み、取得手段は、人の第１割合を取得する第１取得手段、人の移動量の平均を取得する第２取得手段、人の周囲にいた他人の数を取得する第３取得手段および人の第２割合を取得する第４取得手段をさらに含み、作成手段は、人の第１割合、人の移動量の平均、人の周囲にいた他人の数および人の第２割合から特徴量を作成する第２作成手段を含み、推定手段は、第２作成手段によって作成された特徴量に基づいて、人の遂行近接目標達成への関心の強さを推定する。

第３の発明では、第２実施例と同様、人には特定の場所が割り当てられている。第２割合は、たとえば所定時間のうち人が座っていたと判断された時間の割合である。たとえば、人の頭の位置を利用して人が座っていたかが判断される。そして、人の行動に関するパラメータは、このような第２割合が含まれるとともに、第２の発明の移動量の平均および人の周囲にいた他人の数が含まれる。

第１取得手段（６０，Ｓ７３：Ｓ１１３）、第２取得手段（６０，Ｓ７５：Ｓ１４５）および第３取得手段（６０，Ｓ７７：Ｓ１８３）は、第２の発明と同様、第１割合、移動量の平均および人の周囲にいた他人の数を取得する。第４取得部（６０，Ｓ２０１：Ｓ２３３）は、所定時間のうち人が座っていたと判断された時間の第２割合を取得する。第２作成手段（６０，Ｓ２０３）は、たとえば人の第１割合、人の移動量の平均、人の周囲にいた他人の数および人の第２割合を要素とする、特徴量ベクトルを作成する。そして、推定手段は、たとえば特徴量ベクトルを判別モデルに入力することで、人の遂行近接目標達成への関心（Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ）の強さを推定する。

なお、「人の遂行近接目標達成への関心」の強さとは、他者から良い評価をえることによって有能感を得ようとする目標への関心の強さであり、「学習へのモチベーション」の高さなどと言われることもある。

第３の発明によれば、空間内で任意に行動する人の遂行近接目標達成への関心の強さを、容易に推定することが出来る。

第４の発明は、第１の発明に従属し、空間には、ロボットが配置されており、人の行動に関するパラメータは、所定時間のうち人が孤立していた時間の第１割合、所定時間において人が特定の場所から離れて移動した移動量の平均、所定時間における人の周囲にいた他人の数、所定時間のうち人が座っていた時間の第２割合および所定時間のうち人がロボットの周囲に滞在していた時間の第３割合を含み、取得手段は、人の第１割合を取得する第１取得手段、人の移動量の平均を取得する第２取得手段、人の周囲にいた他人の数を取得する第３取得手段、人の第２割合を取得する第４取得手段および人の第３割合を取得する第５取得手段をさらに含み、作成手段は、人の第１割合、人の移動量の平均、人の周囲にいた他人の数、人の第２割合および人の第３割合から特徴量を作成する第３作成手段をさらに含み、推定手段は、第３作成手段によって作成された特徴量に基づいて、人の自己効力感の高さを推定する。

第４の発明では、空間には、たとえば相互作用指向のロボット（１６）が配置されている。たとえば、ロボットは人のようなコミュニケーション相手との間でと音声を含むコミュニケーション行動を行う。たとえば、人とロボットとの距離が閾値（第２閾値Ｄ_ＴＨ）よりも短い場合、人はロボットの周囲に滞在していたと判断される。第３割合は、所定時間のうち人がロボットの周囲に滞在していたと判断された時間の割合である。そして、人の行動に関するパラメータには、このような第３割合が含まれると共に、第２の発明の第１割合および人の周囲にいた他人の数と、第３の発明の第２割合とが含まれる。

第１取得手段（６０，Ｓ７３：Ｓ１１３）、第２取得手段（６０，Ｓ７５：Ｓ１４５）および第３取得手段（６０，Ｓ７７：Ｓ１８３）は、第２の発明と同様、第１割合、移動量の平均および人の周囲にいた他人の数を取得する。また、第４取得手段（６０，Ｓ２０１：Ｓ２３３）は、第３の発明と同様、第２割合を取得する。第５取得手段（６０，Ｓ３０１：Ｓ３３３）は、所定時間のうち人がロボットの周囲にいたと判断された時間の第３割合を取得する。第３作成手段（６０，Ｓ３０３）は、たとえば人の第１割合、人の移動量の平均、人の周囲にいた他人の数、人の第２割合および人の第３割合を要素とする特徴量ベクトルを作成する。そして、推定手段は、たとえば特徴量ベクトルを判別モデルに入力することで、人の自己効力感（Ｓｅｌｆ−ｅｆｆｅｃａｃｙ）の高さを推定する。

第４の発明によれば、空間内で任意に行動する人の自己効力感の高さを、容易に推定することが出来る。

第５の発明は、第１の発明ないし第４の発明のいずれかに従属し、空間内の人を識別する識別手段、および空間内の人の位置を検出する検出手段をさらに備え、生成手段は、識別手段によって識別された人に、検出手段によって検出された人の位置を関連付けた位置情報を生成する。

第５の発明では、識別手段（６０，Ｓ５）は、たとえばＲＧＢカメラによって撮影された画像から人の顔を識別する。検出手段（６０，Ｓ２３）は、たとえば距離画像センサから取得した深度情報を利用して、空間内の人の位置を検出する。そして、生成手段は、たとえば顔が識別された人のＩＤに、その人の位置を関連付けた位置情報を生成する。

第５の発明によれば、顔の識別結果と位置の検出結果とを用いて人の位置情報を生成することで、人の位置情報の精度を高めることが出来る。

第６の発明は、個性推定装置（１０）のプロセッサ（６０）を、空間内の人の位置情報を生成する生成手段（Ｓ５１）、人の位置情報から空間における当該人の行動に関するパラメータを取得する取得手段（Ｓ７３−Ｓ７７，Ｓ２０１，Ｓ３０１）、人の行動に関するパラメータから特徴量を作成する作成手段（Ｓ７９，Ｓ２０３，Ｓ３０３）、および作成手段によって作成された特徴量に基づいて人の個性を推定する推定手段（Ｓ８１）として機能させる、個性推定プログラムである。

第７の発明は、個性推定装置における個性推定方法であって、個性推定装置（１０）のプロセッサ（６０）が、空間内の人の位置情報を生成する生成ステップ（Ｓ５１）、人の位置情報から空間における当該人の行動に関するパラメータを取得する取得ステップ（Ｓ７３−Ｓ７７，Ｓ２０１，Ｓ３０１）、人の行動に関するパラメータから特徴量を作成する作成ステップ（Ｓ７９，Ｓ２０３，Ｓ３０３）、および作成ステップによって作成された特徴量に基づいて人の個性を推定する推定ステップ（Ｓ８１）を実行する、個性推定方法である。

第６の発明および第７の発明でも、第１の発明と同様の効果を得ることが出来る。

この発明によれば、空間内で任意に行動する人の個性を容易に推定することが出来る。

この発明の上述の目的、その他の目的、特徴および利点は、図面を参照して行う以下の実施例の詳細な説明から一層明らかとなろう。

図１はこの発明の一実施例の個性推定装置が利用される空間の一例を示す図解図である。 図２は図１に示す空間の平面図の一例を示す図解図である。 図３は個性推定装置の構成の一例を示す図解図である。 図４は図３に示す距離画像センサの電気的な構成の一例を示すブロック図である。 図５は図３に示す中央制御装置の電気的な構成の一例を示すブロック図である。 図６は図５に示すメモリに記憶される人位置情報テーブルの構成の一例を示す図解図である。 図７は図５に示すメモリに記憶される推定結果テーブルの構成の一例を示す図解図である。 図８は図５に示す中央制御装置のメモリのメモリマップの一例を示す図解図である。 図９は図８に示すデータ記憶領域の一例を示す図解図である。 図１０は図５に示す中央制御装置のプロセッサの顔識別処理の一例を示すフロー図である。 図１１は図５に示す中央制御装置のプロセッサの位置検出処理の一例を示すフロー図である。 図１２は図５に示す中央制御装置のプロセッサの人位置情報生成処理の一例を示すフロー図である。 図１３は図５に示す中央制御装置のプロセッサの個性推定処理の一例を示すフロー図である。 図１４は図５に示す中央制御装置のプロセッサの孤立時間割合計算処理の一例を示すフロー図である。 図１５は図５に示す中央制御装置のプロセッサの机外平均移動量計算処理の一例を示すフロー図である。 図１６は図５に示す中央制御装置のプロセッサの周囲人数計算処理の一例を示すフロー図である。 図１７は図５に示すメモリに記憶される推定結果テーブルの構成の他の一例を示す図解図である。 図１８は図５に示す中央制御装置のメモリのメモリマップの他の一例を示す図解図である。 図１９は図５に示す中央制御装置のプロセッサの個性推定処理の他の一例を示すフロー図である。 図２０は図５に示す中央制御装置のプロセッサの着席時間割合計算処理の一例を示すフロー図である。 図２１は個性推定装置の構成の他の一例を示す図解図である。 図２２は図２１に示すロボットの電気的な構成の一例を示すブロック図である。 図２３は図５に示すメモリに記憶される推定結果テーブルの構成のその他の一例を示す図解図である。 図２４は図５に示す中央制御装置のメモリのメモリマップのその他の一例を示す図解図である。 図２５は図５に示す中央制御装置のプロセッサの個性推定処理のその他の一例を示すフロー図である。 図２６は図５に示す中央制御装置のプロセッサの滞在時間割合計算処理の一例を示すフロー図である。

＜第１実施例＞
図１を参照して、実施例の中央制御装置１０は、たとえば学校の教室などの空間（環境）で利用される。空間内には、複数の人（生徒）がおり、授業時間では人はグループ学習などを受講し、休み時間では人は空間の中を自由に行動する。

空間の天井には、人の位置およびその身体の向きを検出するための複数の距離画像センサ１２（１２ａ，１２ｂ，１２ｃ，…）が設けられている。また、空間の天井には、人を識別するためのＲＧＢカメラ１４（１４ａ，１４ｂ，…）が設けられている。複数の距離画像センサ１２および複数のＲＧＢカメラ１４は、後述する中央制御装置１０（図４参照）にそれぞれ接続される。詳細な説明は後述するが、中央制御装置１０では、識別結果と検出結果とに基づいて、空間内の人位置情報が生成される。そして、空間内の人位置情報を利用して、各人の個性が推定される。

図２を参照して、空間の前方には教卓が配置されており、その教卓から奥側に向けて、左側に４卓および右側に４卓で、合計８卓の机が配置されている。また、各机は４人で利用される。なお、人が利用する机、つまり着席する場所は予め決められている。

また、左側の列に４つ、中央の列に４つおよび右側の列に４つで、合計１２個の距離画像センサ１２が天井に設けられている。また、各距離画像センサ１２は、空間内の人の位置などを検出できるように、取り付け角度が調節されている。このように１２台の距離画像センサ１２を設けることで、空間内の人の位置などを検出することが出来る。

本実施例の距離画像センサ１２の検出範囲は水平方向において５７度および垂直方向において４３度である。そのため、たとえば距離画像センサ１２が地面から２７５０ｍｍの高さに取り付けられた場合、４ｍ×３ｍの範囲の奥行情報を検出することが可能である。

また、左側に３台および右側に３台で、合計６台のＲＧＢカメラ１４が天井に設けられている。また、左側の３台のＲＧＢカメラ１４は、左列と中央列との距離画像センサ１２の間に設けられており、右側の３台のＲＧＢカメラ１４は中央列と右列との距離画像センサ１２の間に設けられている。また、６台のＲＧＢカメラ１４のうち、１行目のＲＧＢカメラ１４ａ，１４ｂ以外、つまり２行目と３行目との４台のＲＧＢカメラ１４は、１行目と２行目との机の上に設けられている。そして、各ＲＧＢカメラ１４は、レンズが空間の後ろを向き、かつ人の顔が撮影できるように、取り付け位置および取り付け角度が調整されている。このように６台のＲＧＢカメラ１４を設けることで、空間内の人の顔を撮影することが可能になる。

また、図１からも分かるように、ＲＧＢカメラ１４は、教卓側に近づくにつれて、取り付けの位置が高くなるように設けられている。これは、教卓側の壁に黒板が設けられており、人が黒板を見るときにＲＧＢカメラ１４が邪魔をしないように考慮したためである。

本実施例のＲＧＢカメラ１４は、Ｌｏｇｉｃｏｏｌ（登録商標）社製のウェブカメラ（型番C920t）が用いられている。また、このカメラの視野角は水平方向において７０．５度および垂直方向において４３．６度である。

なお、空間に配置される複数の距離画像センサ１２および複数のＲＧＢカメラ１４の位置および数は一例であり、他の実施例では、本実施例とは異なる数の距離画像センサ１２およびＲＧＢカメラ１４が、本実施例とは異なる位置に設けられてもよい。

図３を参照して、中央制御装置１０には、複数の距離画像センサ１２が接続される。中央制御装置１０は、一定時間毎に距離画像センサ１２によって検出された奥行情報を取得する。中央制御装置１０は、取得した各距離画像から、人の位置などを検出する。また、中央制御装置１０は、一定時間毎にＲＧＢカメラ１４が撮影した画像データを取得する。中央制御装置１０は、取得した画像に対して顔認識処理を施したのち、認識された顔が空間内のどの人物であるかを識別する。

また、距離画像センサ１２およびＲＧＢカメラ１４には、識別用のセンサＩＤおよびカメラＩＤが割り振られており、各ＩＤには設置位置の座標および取り付け角度などが関連付けられている。

なお、本実施例では、中央制御装置１０によって人の個性が推定されるため、中央制御装置１０は「個性推定装置」と言われることもある。また、本実施例では、人の顔を認識するソフトとして、オムロン（登録商標）社製の「ＯＫＡＯ Ｖｉｓｉｏｎ（登録商標）」が用いられている。

図４は距離画像センサ１２の電気的な構成を示すブロック図である。図４を参照して、距離画像センサ１２は制御ＩＣ３０などを含む。制御ＩＣ３０には、バス３２を介して、Ａ／Ｄ変換器３４、カメラ３８、深度センサ４０、深度カメラ４２およびＩ／Ｏ４４などが接続される。

制御ＩＣ３０は、キャッシュメモリなどを有し、距離画像センサ１２の動作を制御する。たとえば、制御ＩＣ３０は、中央制御装置１０からの命令に従って動作し、検出した結果を中央制御装置１０に送信する。

Ａ／Ｄ変換器３４にはマイク３６が接続され、マイク３６からの音声信号はＡ／Ｄ変換器３４でディジタル音声情報に変換され、制御ＩＣ３０に入力される。

カメラ３８は、距離画像センサ１２が設置された空間のＲＧＢ情報、つまりカラー画像を撮影するためのカメラである。また、カメラ３８は、後述する深度カメラ４２が撮影している空間と略同じ空間を撮影することが可能なように、距離画像センサ１２に設けられている。

深度センサ４０は、たとえば赤外線プロジェクタであり、深度カメラ４２は、たとえば赤外線カメラである。深度センサ４０は、たとえば赤外線によるレーザ光を距離画像センサ１２の正面に照射する。空間には照射されたレーザ光によって特殊なパターンが描画され、深度カメラ４２は描画されたパターンを撮影する。そして、撮影された画像は制御ＩＣ３０に入力され、制御ＩＣ３０はその画像を解析することで、レーザ光が照射された空間の奥行(depth)情報を計測する。

Ｉ／Ｏ４４は、入力／出力の制御が可能なディジタルポートであり、出力ポートからは音声情報、ＲＧＢ情報および奥行情報などを含むセンサ情報が出力され、中央制御装置１０に与えられる。一方、中央制御装置１０からは制御信号が出力され、入力ポートに与えられる。

なお、距離画像センサ１２は、ＲＧＢ情報および奥行情報を出力することからＲＧＢ−Ｄセンサと呼ばれることもある。

また、本実施例の距離画像センサ１２には、Ｍｉｃｒｏｓｏｆｔ（登録商標）社製のＫｉｎｅｃｔ（登録商標）が採用されている。ただし、他の実施例では、ＡＳＵＳ（登録商標）社製のＸｔｉｏｎ、パナソニック（登録商標）社製の３次元距離画像センサであるＤ−ＩＭａｇｅｒ（登録商標）などが距離画像センサ１２として採用されてもよい。

図５は中央制御装置１０の電気的な構成を示すブロック図である。図５を参照して、中央制御装置１０は、プロセッサ６０などを含む。プロセッサ６０は、マイクロコンピュータ或いはＣＰＵと呼ばれることもある。プロセッサ６０には、バス６２を介して、複数の距離画像センサ１２、複数のＲＧＢカメラ１４、メモリ６４、出力装置６６、入力装置６８および顔識別データベース（以下、顔識別ＤＢと言う。）７０などが接続される。

距離画像センサ１２は、上述したように奥行情報などを出力する。この奥行情報には、空間にいる人の形状および人までの距離が含まれている。たとえば、人が天井に設けられた距離画像センサ１２によってセンシングされると、人を上から見た状態の頭部および両肩の形状と、頭部および両肩までの距離が奥行情報として得られる。

また、上述したように空間の天井には１２個の距離画像センサ１２が所定の位置（既知）に設置されており、プロセッサ６０は、各々から奥行情報を取得して、空間（ワールド座標系）における人の位置（たとえば、頭部および両肩の位置座標（ｘ，ｙ，ｚ））および人の姿勢（たとえば、頭部の向き（θ_Ｈ）および両肩の向き（θ_Ｂ））を計算（予測）することが出来る。

なお、他の実施例では、距離画像センサ１２ではなく、３次元のＬＲＦを利用して、人の位置および姿勢が検出されてもよい。

ＲＧＢカメラ１４は、上述したように、空間内の画像を撮影する。この画像には、人の顔が写っており、その顔が認識され、認識された顔が識別される。

プロセッサ６０は中央制御装置１０の動作を制御し、日時情報を出力するＲＴＣ６０ａを含む。メモリ６４は、ＲＯＭ，ＨＤＤおよびＲＡＭを含む。ＲＯＭおよびＨＤＤには、中央制御装置１０の動作を制御するための制御プログラムなどが予め記憶される。また、ＲＡＭは、プロセッサ６０のワークメモリおよびバッファメモリとして用いられる。

出力装置６６は、たとえばディスプレイなどであり、入力装置６８はたとえばマウスおよびキーボードを含む。そして、たとえば教師は、この中央制御装置１０によって推定された結果を、出力装置６６および入力装置６８を利用して確認および利用することが出来る。

顔識別用ＤＢ７０は、ＲＧＢカメラ１４によって撮影された画像において認識された顔（人）を識別するためのデータベースである。たとえば、顔識別用ＤＢ７０には、１つ（１人）の人ＩＤに対して、様々な角度から撮影された顔の画像および各顔の画像から抽出された特徴量が対応付けられている。これにより、顔を精度よく識別することが可能となる。

続いて、中央制御装置１０では、人の識別結果と人の位置の検出結果とを関連付けて（統合して）、どの人物がどの位置に存在しているかを示す人位置情報が生成される。まず、識別に利用した画像において、識別した顔の第１顔位置が推定される。そして、推定された人の第１顔位置のうち、他人の第１顔位置が所定範囲に含まれるものが省かれる。

次に、各人の頭部および両肩の位置から顔の位置を算出し、第１顔位置が推定された画像を撮影したＲＧＢカメラ１４の位置および取り付け角度を読み出す。そして、第１顔位置が推定された画像の撮影時刻と、撮影したＲＧＢカメラ１４の位置および取り付け角度とを利用して、算出された顔の位置から、人の識別に利用した画像内の第２顔位置を推定する。

そして、他人の第１顔位置が所定範囲に含まれていない第１顔位置と、第２顔位置とから、２つの顔位置の距離が第１閾値Ｍ_ＴＨよりも小さい組み合わせを特定する。つまり、同一人物の第１顔位置と第２顔位置との組み合わせを特定する。そして、組み合わせが特定された場合は、その組み合わせが示す識別結果と検出結果とから、人位置情報が生成される。

生成された人位置情報は人位置情報テーブル３５２（図９参照）に記憶される。図６を参照して、人位置情報テーブル３５２には、人ＩＤ、座標および時刻の列が含まれる。人ＩＤの列には、空間内の人に割り当てられた人ＩＤが記憶されている。そして、人ＩＤに対応して、各時刻（ｔ０，ｔ１，ｔ２，…）における人の座標（ｘ，ｙ，ｚ）が記憶される。

このように、顔の識別結果と位置の検出結果とを用いて人位置情報を生成することで、人位置情報の精度を高めることが出来る。また、推定された人の第１顔位置のうち、他人の第１顔位置が所定範囲に含まれるものを省いたうえで、２つの顔位置の距離が第１閾値Ｍ_ＴＨよりも小さい組み合わせを特定することで、識別結果と検出結果とが誤って関連付けられないようにすることが出来る。

続いて、このようにして生成された人位置情報を利用して、授業時間または休み時間などの所定時間のうち、人が孤立していた時間の割合（以下、孤立時間割合または第１割合と言う。）と、所定時間において自身に割り当てられた机（場所）から離れて移動した移動量の平均（以下、単に机外平均移動量と言う。）と、所定時間における人の周囲に集まった他人の数（以下、単に周囲人数と言う。）とが算出される。なお、所定時間は、人の位置が観測（検出）された時間とも言えるため、観測時間と言われることもある。

まず、所定時間に対する孤立時間割合を数１および数２に示す数式を利用して計算する。数１においてｉは人ＩＤを示す変数である。ｔは所定時間内の時刻を示す変数であり、特にｔ_０は所定時間のうちの最初の時刻を示し、ｔ_ｎは所定時間のうち最後の時刻を示す。Δｔは人を検出する処理の処理時間（たとえば、３３．３ミリ秒）である。ｉｓＡｌｏｎｅは人ｉが時刻ｔにおいて孤立している状態であるかを判断する関数である。所定時間（ｉ）は人ｉの位置を検出した所定時間を示し、たとえば人ｉが受講した授業の時間と一致する。そして、孤立時間割合（ｉ）は、所定時間（ｉ）のうち人ｉの孤立時間の割合を示す。

また、数２において、ｊは他人の人ＩＤを示す変数である。ｐｏｓは人ｉ（または他人ｊ）の時刻ｔにおける２次元位置（平面座標）を読み出す関数である。ｄｉｓｔは時刻ｔにおける人ｉおよび他人ｊのユークリッド距離（以下、単に距離と言う。）を算出する関数である。Ｄ_ＴＨは人ｉと他人などとの距離の状態を判断するために用いる第２閾値である。そして、「for all j(j≠i)」は、空間内の全ての人のうち、人ｉ以外の他人ｊの全てを示す。なお、第２閾値Ｄ_ＴＨは他の数式でも利用される。
[数１]

[数２]

数２に着目して、関数ｉｓＡｌｏｎｅは、時刻ｔにおける人ｉに対して全ての他人との距離を関数ｄｉｓｔによって求め、距離が第２閾値Ｄ_ＴＨより大きい場合は「１」を返し、小さい場合は「０」を返す。つまり、関数ｉｓＡｌｏｎｅは、人ｉが時刻ｔにおいて孤立していれば「１」を返し、孤立していなければ「０」を返す。また、数１の数式では、関数ｉｓＡｌｏｎｅによって人ｉが時刻ｔにおいて孤立していると判断され「１」が返されると、時刻ｔにおける人ｉの孤立時間がΔｔ（＝「１」×Δｔ）秒とされる。一方、関数ｉｓＡｌｏｎｅによって時刻ｔにおいて人ｉが孤立していないと判断され「０」が返されると、時刻ｔにおける人ｉの孤立時間が０（＝「０」×Δｔ）秒とされる。このようにして求められた時間の総和は、所定時間（ｉ）のうち人ｉが孤立していた時間（孤立時間）である。そして、人ｉの孤立時間を所定時間（ｉ）で割ることで、人ｉの孤立時間割合（ｉ）が求められる。このようにして求めた孤立時間割合（ｉ）は、メモリ６４のバッファに記憶される。

次に、所定時間内の机外平均移動量を数３および数４に示す数式を利用して計算する。数３において、Δｓは人の位置を検出するときのノイズを軽減するために用いる一定時間であり、本実施例ではΔｓは「１秒」とされる。ｉｓＯｕｔｓｉｄｅは人ｉが時刻ｔにおいて机から離れているかを判断する関数である。そして、机外平均移動量（ｉ）は、所定時間（ｉ）内の人ｉの平均移動量を示す。数４において、Ｒ_ＴＨは人ｉが割り当てられている机ｉから離れているかを判断するために用いる第３閾値である。ｄｅｓｋは人ｉに割り当てられている机の位置を返す関数であり、ｄｉｓｔ_ｍは、人ｉと机ｉとのマンハッタン距離を求める関数である。なお、数３および数４において変数ｉ、変数ｔ（ｔ_０，ｔ_ｎ）、関数ｄｉｓｔ、関数ｐｏｓおよび所定時間（ｉ）は数１および数２と同じであるため、詳細な説明は省略する。
[数３]

[数４]

数４に着目して、関数ｉｓＯｕｔｓｉｄｅは、時刻ｔおける人ｉの位置と人ｉに割り当てられている机ｉとのマンハッタン距離を関数ｄｉｓｔ_ｍによって求め、そのマンハッタン距離が第３閾値Ｒ_ＴＨよりも大きければ「１」を返し、小さければ「０」を返す。つまり、関数ｉｓＯｕｔｓｉｄｅは、人ｉが時刻ｔにおいて机ｉから離れていれば「１」を返し、机ｉから離れていなければ「０」を返す。また、数３の数式では、関数ｉｓＯｕｔｓｉｄｅによって時刻ｔにおいて人ｉが机ｉから離れていると判断され「１」が返されると、時刻ｔの人ｉの位置と時刻ｔからΔｓ秒後の人ｉの位置との距離、つまり机外移動量が算出される。
一方、関数ｉｓＯｕｔｓｉｄｅによって時刻ｔにおいて人ｉが机ｉから離れていないと判断され「０」が返されると、そのときの机外移動量が「０」とされる。このようにして関数ｉｓＯｕｔｓｉｄｅを用いて求めた机外移動量の総和は、所定時間（ｉ）において人ｉが机から離れて移動した距離（以下、机外総移動量と言う。）となる。そして、算出した机外総移動量を所定時間（ｉ）で割ることで、人ｉの机外平均移動量（ｉ）が求められる。このようにして求めた机外平均移動量（ｉ）は、メモリ６４のバッファに記憶される。

次に、所定時間内の周囲人数を数５に示す数式を利用して計算する。数５において、周囲人数（ｉ）は、所定時間（ｉ）の人ｉの周囲人数を示す。また、変数ｉ、変数ｔ（ｔ_０，ｔ_ｎ）、関数ｄｉｓｔ、関数ｐｏｓおよび所定時間（ｉ）は数１および数２と同じであるため、詳細な説明は省略する。また、数２の数式で利用した第２閾値Ｄ_ＴＨは、人ｉの周囲に他人ｊがいたかを判断するために用いられる。
[数５]

数５では、時刻ｔにおいて、人ｉと他人ｊとの距離が第２閾値Ｄ_ＴＨより短いかが判断され、距離が第２閾値Ｄ_ＴＨより短い人の総和が算出される。つまり、時刻ｔにおける人ｉの周囲にいた他人ｊの数が求められる。さらに、時刻ｔにおける人ｉの周囲にいた他人の数の所定時間分の総和（以下、積算周囲人数）が算出され、積算周囲人数を所定時間（ｉ）で割ることで、所定時間（ｉ）における人ｉの周囲にいた他人の数、つまり周囲人数（ｉ）が求められる。このようにして求めた周囲人数（ｉ）はメモリ６４のバッファに記憶される。

なお、このようにして算出された孤立時間割合、机外平均移動量および周囲人数は、まとめて人の行動に関するパラメータと言われることもある。

続いて、人の行動に関するパラメータを利用して、人の個性を推定する。第１実施例では、人の個性として「社会的地位（Ｓｏｃｉａｌ Ｓｔａｔｕｓ）」が推定される。第１実施例では、社会的地位を推定するために、空間（教室）内の全ての人（生徒）に対して最大で５人の友達を挙げてもらうアンケートを実施した。そして、そのアンケートの結果から、数６に示す数式を用いて求めた値を、社会的地位を示す値とした。数６において、Ｎ_{ｎｏｍｉｎａｔｅｄ}は他人から友達として挙げられた数を示し、Ｎ_ｐは空間内の全ての人の数（以下、最大人数と言う。）を示し、Ｎ_{ｍｕｔｕａｌ}は相互に友達として挙げられた数を示し、Ｎ_ｍａｘは友達として挙げることが可能な最大数（ここでは、５）を示す。そして、数６の数式によって求められた値は０．０−１．０の値となり、「１」に近いほど社会的地位が高いことを示す。なお、このアンケートは、後述する教師データを作成するために行うものであるため、空間内の全ての人に受けさせる必要はない。
[数６]

次に、数６の数式を用いずに人の社会的地位を推定する手法について説明する。社会的地位の値には、上述した人の行動に関するパラメータ、つまり人の孤立時間割合、机外平均移動量および周囲人数が関連していると考えられる。

たとえば、社会的地位が低い（人気が低い）人は空間内では独りで過ごす時間、つまり孤立時間が長くなると考えられる。また、社会的地位が高い（友達が多い）人は、グループワークなどで友達と会話したり、共同作業を行ったりするため、机から離れて移動する量（机外移動量）が多くなると考えられる。さらに、社会的地位が高い（友達が多い）人の周りには、多くの友達が人の周りに集まるため、周囲人数が多くなると考えられる。

そこで、第１実施例では、人の行動に関するパラメータを利用して、社会的地位が「高い」または「低い」を判別する第１判別モデルを作成する。ここでは、人の孤立時間割合、人の机外平均移動量および人の周囲人数を要素とする複数の特徴量ベクトルを作成する。つまり、上述した人の行動に関するパラメータから特徴量が作成される。

数６の数式によって算出された社会的地位の値を用いて、複数の特徴量ベクトルに対して社会的地位が「高い」または「低い」のラベル付けをして教師データとする。そして、それらの教師データを、ＳＶＭ(Support vector machine)などの機械学習手法によって学習する。その結果、社会的地位が「高い」または「低い」を判別する第１判別モデルが作成される。この第１判別モデルに対して人の未知の特徴量ベクトルを入力すると、人の社会的地位が「高い」または「低い」の判別結果、つまり社会的地位の高さの推定結果が出力される。このように、空間内で任意に行動する人の社会的地位の高さを、容易に推定することが出来る。

図７は、推定された社会的地位が記憶される推定結果テーブル３５４（図９参照）の一例を示す図解図である。図７を参照して、推定結果テーブル３５４は、人ＩＤおよびＳｏｃｉａｌ Ｓｔａｔｕｓ（社会的地位）の列を含む。人ＩＤの列には、空間内の人の人ＩＤが記憶されており、人ＩＤに対応して社会的地位の高さの推定結果、つまり第１判別モデルによる判別結果が記憶されている。たとえば、図７の推定結果テーブル３５４には、人ＩＤが「０００１」および「０００２」に対応して「ｈｉｇｈ（高い）」が記憶されている。これは、人ＩＤが「０００１」および「０００２」の人は社会的地位が高いことを示している。一方、人ＩＤが「０００３」に対応して「ｌｏｗ（低い）」が記憶されている。これは、人ＩＤが「０００３」の人は社会的地位が低いことを示している。

以上のことから、本実施例では、空間内の全ての人に対してアンケートを受けさせたりするような負担を負わせることなく、空間内で任意に行動する人の個性を容易に推定することが出来る。

上述では第１実施例の特徴を概説した。以下では、図８、図９に示す中央制御装置１０のメモリ６４のメモリマップおよび図１０−図１６に示すフロー図を用いて第１実施例について詳細に説明する。

図８は中央制御装置１０のメモリ６４のメモリマップの一例を示す図解図である。図８に示すように、メモリ６４はプログラム記憶領域３０２およびデータ記憶領域３０４を含む。プログラム記憶領域３０２には、中央制御装置１０を動作させるためのプログラムとして、ＲＧＢカメラ１４によって撮影された画像から顔を認識するための顔認識プログラム３１０、認識された顔を識別する顔識別プログラム３１２、人の位置を検出するための位置検出プログラム３１４、人（顔）の識別結果と人の位置の検出結果とから人位置情報を生成（推定）するための人位置情報生成プログラム３１６、人の個性を推定するための個性推定プログラム３１８、人の孤立時間割合を計算するための孤立時間割合計算プログラム３２０、人の机外平均移動量を計算するための机外平均移動量計算プログラム３２２および人の周囲人数を計算するための周囲人数計算プログラム３２４などが記憶されている。なお、図示は省略するが、中央制御装置１０を動作させるためのプログラムには、平面図データ３４６（図９参照）を編集するためのプログラムなども含まれる。

図９を参照して、データ記憶領域３０４には、画像バッファ３３０、識別結果バッファ３３２、深度バッファ３３４、位置バッファ３３６、孤立時間割合バッファ３３８、机外平均移動量バッファ３４０、周囲人数バッファ３４２および特徴量バッファ３４４などが設けられる。また、データ記憶領域３０４には、平面図データ３４６、センサＩＤテーブル３４８、カメラＩＤテーブル３５０、人位置情報テーブル３５２および推定結果テーブル３５４などが記憶される。

画像バッファ３３０には、ＲＧＢカメラ１４による撮影によって得られた画像データが一時的に記憶される。識別結果バッファ３３２には、人（顔）の識別結果が一時的に記憶される。深度バッファ３３４には、距離画像センサ１２から取得した深度情報が一時的に記憶される。位置バッファ３３６には、深度情報から検出された人の位置が一時的に記憶される。

孤立時間割合バッファ３３８には、計算によって求められた孤立時間割合が一時的に記憶される。机外平均移動量バッファ３４０には、計算によって求められた机外平均移動量が一時的に記憶される。周囲人数バッファ３４２には、計算によって求められた周囲人数が一時的に記憶される。特徴量バッファ３４４には、人の行動に関するパラメータから作成された特徴量ベクトルが一時的に記憶される。

平面図データ３４６は、たとえば図２に示す平面図を示すデータである。この平面図データ３４６には、教卓、机、距離画像センサ１２およびＲＧＢカメラ１４などが設けられている位置などを示す情報が含まれている。

センサＩＤテーブル３４８には、各距離画像センサ１２に付与されたセンサＩＤに、距離画像センサ１２が設けられている位置および取り付け角度などを対応付けたセンサ情報が含まれる。カメラＩＤテーブル３５０には、各ＲＧＢカメラ１４に付与されたカメラＩＤに、ＲＧＢカメラ１４が設けられている位置および取り付け加角度などを対応付けたカメラ情報が含まれる。

人位置情報テーブル３５２は、たとえば図６に示す構成のテーブルであり、生成された人位置情報が記憶される。推定結果テーブル３５４は、たとえば図７に示す構成のテーブルであり、判別モデルによる判別結果が推定結果として記憶される。たとえば、第１実施例の推定結果テーブル３５４には、第１判別モデルによって判別された人の個性、つまり社会的地位の高さが記憶される。

なお、図示は省略するが、データ記憶領域３０４には、様々な計算の結果を一時的に格納するバッファおよび／または中央制御装置１０の動作に必要な他のカウンタおよび／またはフラグなども設けられる。

中央制御装置１０のプロセッサ６０は、Ｌｉｎｕｘ（登録商標）ベースのＯＳまたはその他のＯＳの制御下で、図１０に示す顔識別処理、図１１に示す位置検出処理、図１２に示す人位置情報生成処理、図１３に示す個性推定処理、図１４に示す孤立時間割合計算処理、図１５に示す机外平均移動量計算処理および図１６に示す周囲人数計算処理などを含む、複数のタスクを処理する。

図１０は顔識別処理のフロー図である。たとえば、中央制御装置１０の電源がオンにされて顔識別処理の実行命令が発行されると、顔識別処理が実行される。なお、顔識別処理の実行命令は一定周期毎に出される。

顔識別処理が実行されると、プロセッサ６０はステップＳ１で、画像データを読み出す。つまり、ＲＧＢカメラ１４による撮影によって得られた画像データが画像バッファ３３０から読み出される。続いて、ステップＳ３でプロセッサ６０は、人の顔を認識する。つまり、読み出した画像データから人の顔を認識するために、顔認識処理が実行される。また、ステップＳ３の処理では、複数のＲＧＢカメラ１４によって撮影された全ての画像から顔が認識される。続いて、ステップＳ５でプロセッサ６０は、認識された顔を識別する。たとえば、認識された顔から識別用特徴量が抽出され、その識別用特徴量と類似する可能性が最も高い特徴量が顔識別ＤＢ７０から特定される。そして、特定された特徴量に対応する人ＩＤが、人の識別結果とされる。続いて、ステップＳ７でプロセッサ６０は、識別結果を記憶する。たとえば、識別結果である人ＩＤに対して、識別するために利用した顔の画像データ、画像が撮影されたときの時刻および画像を撮影したＲＧＢカメラ１４のカメラＩＤを対応付けて、識別結果バッファ３３２に記憶する。ただし、同一人物が異なるＲＧＢカメラ１４によって撮影されている場合は、同一人物の識別結果が複数存在することになる。この場合は、１つの識別結果に絞り込み、絞り込まれた識別結果が識別結果バッファ３３２に記憶される。

そして、ステップＳ７の処理が終了すると、プロセッサ６０は顔識別処理を終了する。なお、ステップＳ５の処理を実行するプロセッサ６０は識別手段として機能する。

図１１は位置検出処理のフロー図である。たとえば、中央制御装置１０の電源がオンにされて位置検出処理の実行命令が発行されると、位置検出処理が実行される。なお、位置検出処理の実行命令は、顔識別処理と同様、一定周期毎に出される。

位置検出処理が実行されると、ステップＳ２１でプロセッサ６０は、深度情報を読み出す。つまり、距離画像センサ１２から取得された深度情報が深度バッファ３３４から読み出される。続いて、ステップＳ２３でプロセッサ６０は、人の位置を検出する。つまり、読み出した深度情報から、空間内の全ての人の位置が算出される。続いて、ステップＳ２５でプロセッサ６０は、検出結果を記憶する。つまり、プロセッサ６０は、ステップＳ２３で検出された全ての人の位置に、検出したときの時刻を対応付けて、検出結果を位置バッファ３３６に記憶する。そして、ステップＳ２５の処理が終了すると、プロセッサ６０は位置検出処理を終了する。なお、ステップＳ２３の処理を実行するプロセッサ６０は検出手段として機能する。

図１２は人位置情報生成処理のフロー図である。たとえば人が識別され、かつ人の位置が検出されて、人位置情報生成処理の実行命令が発行されると、人位置情報生成処理が実行される。なお、本実施例では、人位置情報生成処理の実行命令は、人が識別され、かつ人の位置が検出される度に発行される。

人位置情報生成処理が実行されると、プロセッサ６０はステップＳ４１で、変数ｉを初期化する。つまり、変数ｉに対して、最初の人ＩＤを示す値が設定される。

続いて、ステップＳ４３でプロセッサ６０は、所定時刻において識別された全ての人の第１顔位置を推定する。たとえば、プロセッサ６０は、所定時間において、人の顔の識別に利用した画像において、識別された顔の第１顔位置を推定する。

続いて、ステップＳ４５でプロセッサ６０は、人ｉの第１顔位置に基づく所定範囲に他人の第１顔位置が含まれているか否かを判断する。つまり、人ｉの人位置情報を誤って生成する可能性があるかが判断される。ステップＳ４５で“ＹＥＳ”であれば、つまり人ｉの第１顔位置の所定範囲に他人の第１顔位置が含まれている場合、プロセッサ６０はステップＳ５５の処理に進む。

一方、ステップＳ４５で“ＮＯ”であれば、つまり人ｉの第１顔位置の所定範囲に他人の第１顔位置が含まれていなければ、ステップＳ４７でプロセッサ６０は、所定時刻において検出された全ての人の第２顔位置を推定する。たとえば、プロセッサ６０は、所定時間において検出された人の位置から顔の位置を算出し、第１顔位置を推定した画像を撮影したＲＧＢカメラ１４の位置および取り付け角度を読み出し、算出された顔の位置から、人の識別に利用した画像内の第２顔位置を推定する。ただし、ステップＳ４７では、人の識別に利用した画像に顔画像が含まれていない人の第２顔位置は推定されない。

続いて、ステップＳ４９でプロセッサ６０は、同一人物の第１顔位置および第２顔位置の組み合わせがあるか否かを判断する。つまり、人ｉの第１顔位置と第２顔位置との距離が第１閾値Ｍ_ＴＨよりも短い組み合わせがあるかが判断される。また、具体的には、人ｉの顔位置と、各第２顔位置との距離が算出され、第１閾値Ｍ_ＴＨよりも短い距離が算出されたかが判断される。ステップＳ４９で“ＮＯ”であれば、たとえば人ｉの第１顔位置と第２顔位置との距離が第１閾値Ｍ_ＴＨよりも短い組み合わせが無ければ、プロセッサ６０はステップＳ５５の処理に進む。また、人ｉの第１顔位置と第２顔位置との距離が第１閾値Ｍ_ＴＨよりも短い組み合わせが２つ以上ある場合も、プロセッサ６０はステップＳ４９で“ＮＯ”と判断してステップＳ５５の処理に進む。

一方、ステップＳ４９で“ＹＥＳ”であれば、たとえば人ｉの第１顔位置と第２顔位置との距離が第１閾値Ｍ_ＴＨよりも短い組み合わせがあれば、ステップＳ５１でプロセッサ６０は、人ｉの位置情報を生成する。つまり、識別結果の人ＩＤに対して、第２顔位置と対応する人の位置および所定時刻を対応付けた人位置情報が生成される。続いて、ステップＳ５３でプロセッサ６０は、人位置情報を記憶する。つまり、生成された人ｉの人位置情報が人位置情報テーブル３５２に記憶される。なお、ステップＳ５１の処理を実行するプロセッサ６０は生成手段として機能する。

続いて、ステップＳ５５でプロセッサ６０は、変数ｉをインクリメントする。つまり、次の人ＩＤを示すために、変数ｉの値に「１」が加えられる。続いて、ステップＳ５７でプロセッサ６０は、変数ｉが最大人数Ｎｐと一致したか否かを判断する。つまり、全ての人に対して人位置情報を生成する処理が実行されたかが判断される。ステップＳ５７で“ＮＯ”であれば、つまり全ての人に対して人位置情報を生成する処理が実行されていなければ、プロセッサ６０はステップＳ４５の処理に戻る。一方、ステップＳ５７で“ＹＥＳ”であれば、つまり全ての人に対して人位置情報を生成する処理が実行されると、プロセッサ６０は人位置情報生成処理を終了する。

なお、ステップ４１およびステップＳ５５の処理は、図１４に示す孤立時間割合計算処理、図１５に示す机外平均移動量計算処理および図１６に示す周囲人数計算処理と、後述する第２実施例における図２０に示す着席時間割合計算処理と、後述する第３実施例における図２６に示す滞在時間割合計算処理とでも、略同等の処理が実行される。そのため、これらの処理ではステップ４１およびステップＳ５５と同等の処理については、詳細な説明は省略する。

図１３は個性推定処理のフロー図である。たとえば、中央制御装置１０の管理人または教師が人の個性を推定する操作を行うと、個性推定処理が実行される。なお、他の実施例では、個性推定処理が一定周期（たとえば、１日）毎に実行されるよう、個性推定処理の実行命令が自動的に発行されてもよい。

個性推定処理が実行されると、プロセッサ６０はステップＳ７１で、人位置情報を読み出す。人位置情報テーブル３５２から所定時間分の各人の人位置情報が読み出される。

続いて、プロセッサ６０は、ステップＳ７３で孤立時間割合計算処理を実行し、ステップＳ７５で机外平均移動量計算処理を実行し、ステップＳ７７で周囲人数計算処理を実行する。つまり、所定時間分の各人の人位置情報から、各人の孤立時間割合、各人の机外平均移動量および各人の周囲人数が求められる。また、孤立時間割合計算処理、机外平均移動量計算処理および周囲人数計算処理については、図１４、図１５および図１６に示すフロー図を用いて説明するため、ここでの詳細な説明は省略する。なお、ステップＳ７３−Ｓ７７の処理を実行するプロセッサ６０は取得手段として機能する。

続いて、ステップＳ７９でプロセッサ６０は、孤立時間割合、机外平均移動量および周囲人数から各人の特徴量ベクトルを作成する。つまり、孤立時間割合、机外平均移動量および周囲人数が各バッファから読み出され、それぞれを要素とする各人の特徴量ベクトルが作成される。また、作成された特徴量ベクトルは、特徴量バッファ３４４に記憶される。続いて、ステップＳ８１でプロセッサ６０は、特徴量ベクトルに基づいて各人の個性を推定する。つまり、第１判別モデルに対して各人の特徴量ベクトルを入力し、各人の社会的地位の高さ示す判別結果（推定結果）を得る。続いて、ステップＳ８３でプロセッサ６０は、推定結果を記憶する。つまり、判別結果に基づいて各人の社会的地位の高さを、推定結果テーブル３５４に記憶する。そして、ステップＳ８３の処理が終了すると、プロセッサ６０は個性推定処理を終了する。

なお、ステップＳ７９の処理を実行するプロセッサ６０は作成手段または第１作成手段として機能する。また、ステップＳ８１の処理を実行するプロセッサ６０は推定手段として機能する。

図１４は孤立時間割合計算処理のフロー図である。図１３の個性推定処理でステップＳ７３の処理が実行されると、プロセッサ６０は孤立時間割合計算処理を実行する。

ステップＳ１０１でプロセッサ６０は、変数ｉを初期化する。続いて、ステップＳ１０３でプロセッサ６０は、変数ｔ、変数ｔｍを初期化する。つまり変数ｔが初期化されるとともに、孤立時間割合計算処理において孤立時間が代入される変数ｔｍが初期化される。

続いて、ステップＳ１０５でプロセッサ６０は、時刻ｔにおいて人ｉの周囲に他人がいたか否かを判断する。つまり、数２の数式における関数ｉｓＡｌｏｎｅを使用して、人ｉが時刻ｔにおいて孤立していたかが判断される。ステップＳ１０５で“ＮＯ”であれば、たとえば人ｉが孤立しておらず、関数ｉｓＡｌｏｎｅが「０」を返した場合、プロセッサ６０はステップＳ１０９の処理に進む。

一方、ステップＳ１０５で“ＹＥＳ”であれば、たとえば人ｉが孤立しており、関数ｉｓＡｌｏｎｅが「１」を返した場合、ステップＳ１０７でプロセッサ６０は、孤立時間ｔｍに処理時間Δｔを加算する。つまり、時刻ｔにおいて人ｉが孤立していたため、孤立時間ｔｍに処理時間Δｔが加算される。

続いて、ステップＳ１０９でプロセッサ６０は、変数ｔを更新する。たとえば、次の時刻を示すために、変数ｔに対して処理時間Δｔが加算される。続いて、ステップＳ１１１でプロセッサ６０は、変数ｔが所定時間（ｉ）より大きいか否かを判断する。たとえば、人ｉが授業を受け、授業中に生成された人位置情報から個性が推定される場合、授業時間が所定時間（ｉ）とされる。そして、プロセッサ６０は、授業時間の中で人ｉが孤立していた時間の計算が終了したかを判断する。ステップＳ１１１で“ＮＯ”であれば、つまり人ｉの孤立時間の計算が終了していなければ、プロセッサ６０はステップＳ１０５の処理に戻る。

一方、ステップＳ１１１で“ＹＥＳ”であれば、つまり人ｉの孤立時間の計算が終了すると、ステップＳ１１３でプロセッサ６０は、孤立時間ｔｍに基づいて人ｉの孤立時間割合（ｉ）を算出する。たとえば、授業を受けた人ｉが授業時間のうち孤立していた時間の割合が算出される。なお、ステップＳ１１３で算出される値は、数１の数式を利用して求められる孤立時間割合（ｉ）と同じ値となる。また、ステップＳ１１３の処理を実行するプロセッサ６０は第１取得手段として機能する。

続いて、ステップＳ１１５でプロセッサ６０は、孤立時間割合（ｉ）を記憶する。つまり、ステップＳ１１３で算出された人ｉの孤立時間割合（ｉ）が、孤立時間割合バッファ３３８に記憶される。

続いて、プロセッサ６０は、ステップＳ１１７で変数ｉをインクリメントし、ステップＳ１１９で変数ｉが最大人数Ｎｐと一致するか否かを判断する。つまり、ステップＳ１１９では、全ての人の孤立時間割合が算出されたかが判断される。ステップＳ１１９で“ＮＯ”であれば、つまり全ての人の孤立時間割合が算出されていなければ、プロセッサ６０はステップＳ１０３の処理に戻る。

一方、ステップＳ１１９で“ＹＥＳ”であれば、つまり全ての人の孤立時間割合が算出されると、プロセッサ６０は孤立時間割合計算処理を終了して、個性推定処理に戻る。

図１５は机外平均移動量計算処理のフロー図である。図１３の個性推定処理でステップＳ７５の処理が実行されると、プロセッサ６０は机外平均移動量計算処理を実行する。

ステップＳ１３１でプロセッサ６０は、変数ｉを初期化する。続いて、ステップＳ１３３でプロセッサ６０は、変数ｔ、変数ｔｍを初期化する。つまり変数ｔが初期化されるとともに、机外平均移動量計算処理において机外総移動量が代入される変数ｔｍが初期化される。

ステップＳ１３５でプロセッサ６０は、時刻ｔにおいて人ｉが机から離れていたか否かを判断する。つまり、時刻ｔにおいて人ｉが自身に割り当てられている机ｉから離れて移動していたかが判断される。また、具体的には、数４に示す関数ｉｓＯｕｔｓｉｄｅを使用して、人ｉが時刻ｔにおいて机ｉから離れていたかが判断される。ステップＳ１３５で“ＮＯ”であれば、つまり人ｉが机ｉから離れていなければ、プロセッサ６０はステップＳ１４１の処理に進む。

一方、ステップＳ１３５で“ＹＥＳ”であれば、つまり人ｉが机ｉから離れて移動していれば、ステップＳ１３７でプロセッサ６０は、机外移動量を算出する。たとえば、机外移動量として、時刻ｔの人ｉの位置と時刻ｔ＋Δｓの人ｉの位置との距離（差）が算出される。続いて、ステップＳ１３９でプロセッサ６０は、机外総移動量ｔｍを更新する。つまり、ステップＳ１３７で算出された机外移動量が机外総移動量ｔｍに加算される。

続いて、ステップＳ１４１でプロセッサ６０は、変数ｔに一定時間Δｓを加算する。つまり、次の時刻ｔを示すために変数ｔに一定時間Δｓが換算される。続いて、ステップＳ１４３でプロセッサ６０は、変数ｔが所定時間よりも大きいかが判断される。つまり、人ｉの机外総移動量の計算が終了したが判断される。ステップＳ１４３で“ＮＯ”であれば、つまり人ｉの机外総移動量の計算が終了していなければ、プロセッサ６０はステップＳ１３５の処理に戻る。

一方、ステップＳ１４３で“ＹＥＳ”であれば、つまり人ｉの机外総移動量の計算が終了すると、ステップＳ１４５でプロセッサ６０は、机外総移動量ｔｍに基づいて人ｉの机外平均移動量（ｉ）を算出する。つまり、所定時間において人ｉが机を離れて移動した移動量の平均が算出される。なお、ステップＳ１４５で算出される値は、数３を利用して求められる机外平均移動量（ｉ）と同じ値となる。また、ステップＳ１４５の処理を実行するプロセッサ６０は第２取得手段として機能する。

続いて、ステップＳ１４７でプロセッサ６０は、机外平均移動量（ｉ）を記憶する。つまり、ステップＳ１４５で算出された人ｉの机外平均移動量（ｉ）が、机外平均移動量バッファ３４０に記憶される。

続いて、ステップＳ６０は、ステップＳ１４９で変数ｉをインクリメントし、ステップＳ１５１で変数ｉが最大人数Ｎｐと一致するか否かを判断する。つまり、ステップＳ１５１では、全ての人の机外平均移動量が算出されたかが判断される。ステップＳ１５１で“ＮＯ”であれば、つまり全ての人の机外平均移動量が算出されていなければ、プロセッサ６０はステップＳ１３３の処理に戻る。一方、ステップＳ１５１で“ＹＥＳ”であれば、つまり全ての人の机外平均移動量が算出されると、プロセッサ６０は机外平均移動量計算処理を終了して、個性推定処理に戻る。

図１６は周囲人数計算処理のフロー図である。図１３の個性推定処理でステップＳ７７の処理が実行されると、プロセッサ６０は周囲人数計算処理を実行する。

ステップＳ１７１でプロセッサ６０は、変数ｉを初期化する。続いて、ステップＳ１７３でプロセッサ６０は、変数ｔ、変数ｔｍを初期化する。つまり変数ｔが初期化されるとともに、積算周囲人数が代入される変数ｔｍが初期化される。

続いて、ステップＳ１７５でプロセッサ６０は、時刻ｔにおける人ｉの周囲の他人の数を算出する。つまり、時刻ｔにおいて、人ｉと他人ｊとの距離が第２閾値Ｄ_ＴＨより短いかが判断され、距離が第２閾値Ｄ_ＴＨより人の総和が算出される。続いて、ステップＳ１７７でプロセッサ６０は、積算周囲人数ｔｍを更新する。つまり、時刻ｔにおいて人ｉの周囲にいた他人の数が、積算周囲人数ｔｍに加算される。

続いて、ステップＳ１７９でプロセッサ６０は、変数ｔを更新する。たとえば、次の時刻を示すために、変数ｔに対して処理時間Δｔが加算される。続いて、ステップＳ１８１でプロセッサ６０は、変数ｔが所定時間より大きいか否かを判断する。つまり、積算周囲人数ｔｍの計算が終了したかが判断される。ステップＳ１８１で“ＮＯ”であれば、つまり積算周囲人数ｔｍの計算が終了していなければ、プロセッサ６０はステップＳ１７５の処理に戻る。

一方、ステップＳ１８１で“ＹＥＳ”であれば、つまり積算周囲人数ｔｍの計算が終了すると、ステップＳ１８３でプロセッサ６０は、積算周囲人数ｔｍに基づいて人ｉの周囲人数（ｉ）を算出する。所定時間内における人ｉの周囲にいた他人の数が算出される。なお、ステップＳ１８３で算出された値は、数５を利用して求められる周囲人数（ｉ）と同じ値となる。また、ステップＳ１８３の処理を実行するプロセッサ６０は第３取得手段として機能する。

続いて、ステップＳ１８５でプロセッサ６０は、周囲人数（ｉ）を記憶する。つまりステップＳ１８３で算出された人ｉの周囲人数（ｉ）が、周囲人数バッファ３４２に記憶される。

続いて、ステップＳ６０は、ステップＳ１８７で変数ｉをインクリメントし、ステップＳ１８９で変数ｉが最大人数Ｎｐと一致するか否かを判断する。つまり、ステップＳ１８９では、全ての人の周囲人数が算出されたかが判断される。ステップＳ１８９で“ＮＯ”であれば、つまり全ての人の周囲人数が算出されていなければ、プロセッサ６０はステップＳ１７３の処理に戻る。

一方、ステップＳ１８９で“ＹＥＳ”であれば、つまり全ての人の周囲人数が算出されると、プロセッサ６０は周囲人数計算処理を終了して、個性推定処理に戻る。

＜第２実施例＞
第２実施例では、人の個性として「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」を推定する。「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」とは、他人から良い評価をえることによって有能感を得ようとする目標への関心、または他者から良い評価を得たり、悪い評価を避けたりすることへの関心のことであり、「人の遂行近接目標達成への関心」と言われることもある。特に、空間が小学校の教室であり、人が学生である場合は、「人の遂行近接目標達成への関心」のことを、「他の生徒よりも良い成績でありたい気持ち」または「学習へのモチベーション」と言うことがある。

なお、第２実施例では、空間、人、中央制御装置１０、距離画像センサ１２およびＲＧＢカメラ１４などは、第１実施例と略同じであるため、これらの詳細な説明は省略する。

まず、第２実施例では、第１実施例で生成された人位置情報を利用して、授業時間または休み時間などの所定時間のうち人が着席していた時間の割合（以下、着席時間割合または第２割合と言う。）をさらに算出する。なお、着席時間割合は座り時間割合と言われることもある。

人の着席時間割合は数７および数８に示す数式を利用して計算する。数７において着席時間割合（ｉ）は、所定時間（ｉ）における人ｉの着席時間割合を示す。ｉｓＳｉｔｔｉｎｇは、人ｉが時刻ｔにおいて着席していた（座っていた）かを判断する関数である。数８において、ＨｅａｄＨｅｉｇｈｔは、時刻ｔにおいて人ｉの頭の高さ（位置）を返す関数であり、Ｈ_ＴＨは人ｉが着席していたかを判断するために用いる第４閾値である。なお、数７および数８において変数ｉ、変数ｔ（ｔ_０，ｔ_ｎ）および所定時間（ｉ）は数１および数２と同じであるため、詳細な説明は省略する。
[数７]

[数８]

数８に着目して、関数ｉｓＳｉｔｔｉｎｇは、時刻ｔにおける人ｉの頭の高さ（位置）関数ＨｅａｄＨｅｉｇｈｔによって取得し、頭の高さが第４閾値Ｈ_ＴＨよりも低ければ「１」を返し、高ければ「０」を返す。つまり、関数ｉｓＳｉｔｔｉｎｇは人ｉが時刻ｔにおいて着席していれば「１」を返し、着席していなければ「０」を返す。また、数７の数式では、関数ｉｓＳｉｔｔｉｎｇによって時刻ｔにおいて人ｉが着席していたと判断され「１」が返されると、時刻ｔにおける人ｉの着席時間がΔｔ（＝「１」×Δｔ）秒とされる。一方、関数ｉｓＳｉｔｔｉｎｇによって時刻ｔにおいて人ｉが着席していないと判断され「０」が返されると、時刻ｔにおける人ｉの着席時間が０（＝「０」×Δｔ）とされる。このようにして求められた時刻ｔにおける着席時間の総和は、所定時間（ｉ）のうち人ｉが着席していた時間となる。そして、時刻ｔにおける着席時間の総和を所定時間（ｉ）で割ることで、人ｉの着席時間割合（ｉ）が求められる。このようにして求めた着席時間割合（ｉ）は、メモリ６４のバッファに記憶される。なお、着席時間割合も、人の行動に関するパラメータに含まれる。

続いて、人の行動に関するパラメータを利用して、第２実施例では人の個性として「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」を推定する。第２実施例の「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」は、第１実施例の社会的地位の影響を受ける。そのため、第１実施例の孤立時間割合、机外平均移動量および周囲人数は、「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」の推定にも利用される。そして、「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」が強く、たとえば学習へのモチベーションが高い人は、授業中などは着席して勉強に取り組むため着席時間が長くなると考えられる。

そこで、第２実施例では、これらの人の行動に関するパラメータを利用して、「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」が「強い」または「弱い」を判別する第２判別モデルを作成する。

ここでは、まず人の孤立時間割合、机外平均移動量、周囲人数および着席時間割合を要素とする複数の特徴量ベクトルを作成する。

次に、人へのアンケートによって各人の「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」の強さについて事前に調査を行う。その調査結果に基づいて、複数の特徴ベクトルに対して「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」が「強い」または「弱い」のラベル付けをした教師データを作成する。そして、それらの教師データを、ＳＶＭなどの機械学習手法によって学習する。その結果、「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」が「強い」または「弱い」を判別する第２判別モデルが作成される。この第２判別モデルに対して人の未知の特徴量ベクトルを入力すると、人の「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」が「強い」または「弱い」を示す判別結果、つまり「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」の強さを示す推定結果が出力される。このように、第２実施例では、空間内で任意に行動する人の「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ（人の遂行近接目標達成への関心）」の強さを、容易に推定することが出来る。

なお、上記のアンケートは、教師データを作成するために行うものであるため、空間内の全ての人に受けさせる必要はない。

図１７は、推定された「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」が記憶される第２実施例の推定結果テーブル３５４の一例を示す図解図である。図１７を参照して、第２実施例の推定結果テーブル３５４には、人ＩＤおよび「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」の列が含まれる。そして、第２判別モデルによる判別結果、つまり「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」の推定結果は人ＩＤに対応して記憶されている。たとえば、人ＩＤ「０００１」および「０００３」に対応して「ｈｉｇｈ（強い）」が記憶されており、人ＩＤ「０００２」に対応して「ｌｏｗ（弱い）」が記憶されている。つまり、人ＩＤが「０００１」および「０００３」の人は、「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」が強いことが示されている。一方、人ＩＤが「０００２」の人は「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」が弱いことが示されている。

上述では第２実施例の特徴を概説した。以下では、図１８に示す中央制御装置１０のメモリ６４のメモリマップおよび図１９、図２０に示すフロー図を用いて第２実施例について詳細に説明する。

図１８は中央制御装置１０のメモリ６４のメモリマップの一部の一例を示す図解図である。プログラム記憶領域３０２には、第１実施例のプログラムに加えて、着席時間割合を計算するための着席時間割合計算プログラム３２６がさらに記憶されている。

また、データ記憶領域３０４には、第１実施例のバッファに加えて、着席時間割合が一時的に記憶される着席時間割合バッファ３５６がさらに設けられている。

第２実施例の中央制御装置１０のプロセッサ６０は、Ｌｉｎｕｘ（登録商標）ベースのＯＳまたはその他のＯＳの制御下で、第１実施例の顔識別処理、位置検出処理、人位置情報生成処理、机外平均移動量計算処理および周囲人数計算処理に加えて、図１９に示す個性推定処理および図２０に示す着席時間割合計算処理などを含む、複数のタスクを処理する。

図１９は第２実施例の個性推定処理のフロー図である。個性推定処理が実行されると、プロセッサ６０は、ステップＳ７１で人位置情報を読み出し、ステップＳ７３で孤立時間割合計算処理を実行し、ステップＳ７５で机外平均移動量計算処理を実行し、ステップＳ７７で周囲人数計算処理を実行する。なお、これらの処理は、第１実施例と略同じであるため、ここでの詳細な説明は省略する。

続いて、ステップＳ２０１でプロセッサ６０は、着席時間割合計算処理を実行する。所定時間分の各人の人位置情報から、各人の着席時間割合が求められる。なお、着席時間割合計算処理については、図２０に示すフロー図を用いて説明するため、ここでの詳細な説明は省略する。

続いて、ステップＳ２０３でプロセッサ６０は、孤立時間割合、机外平均移動量、周囲人数および着席時間割合から各人の特徴量ベクトルを作成する。つまり、孤立時間割合、机外平均移動量、周囲人数および着席時間割合が各バッファから読み出され、それぞれを要素とする各人の特徴量ベクトルが作成される。続いて、ステップＳ８１でプロセッサ６０は、特徴量ベクトルに基づいて各人の個性を推定する。つまり、第２実施例では第２判別モデルに対して各人の特徴量ベクトルを入力し、各人の「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」の強さを示す判別結果（推定結果）を得る。続いて、ステップＳ８３でプロセッサ６０は、推定結果を記憶する。つまり、判別結果に基づいて各人の「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」の強さを、推定結果テーブル３５４に記憶する。そして、ステップＳ８３の処理が終了すると、プロセッサ６０は第２実施例の個性推定処理を終了する。

なお、ステップＳ２０１の処理を実行するプロセッサ６０は取得手段として機能し、ステップＳ２０３の処理を実行するプロセッサ６０は作成手段または第２作成手段として機能する。

図２０は着席時間割合計算処理のフロー図である。図１９の個性推定処理でステップＳ２０１の処理が実行されると、プロセッサ６０は着席時間割合計算処理を実行する。

プロセッサ６０は、ステップＳ２２１で変数ｉを初期化し、ステップＳ２２３で変数ｔ、変数ｔｍを初期化する。つまり、変数ｉおよび変数ｔが初期化されると共に、着席時間割合計算処理において着席時間が代入される変数ｔｍが初期化される。

続いて、ステップＳ２２５でプロセッサ６０は、時刻ｔにおいて人ｉの頭の位置が第４閾値Ｈ_ＴＨより低いか否かを判断する。つまり、時刻ｔにおいて人ｉが着席していたかが判断される。また、具体的には、数８の数式における関数ｉｓＳｉｔｔｉｎｇを利用して、時刻ｔにおいて人ｉが着席していたかが判断される。ステップＳ２２５で“ＮＯ”であれば、つまり時刻ｔにいて人ｉが着席していなければ、プロセッサ６０はステップＳ２２９の処理に進む。

一方、ステップＳ２２５で“ＹＥＳ”であれば、つまり時刻ｔにおいて人ｉが着席していた場合、ステップＳ２２７でプロセッサ６０は、着席時間ｔｍに処理時間Δｔを加算する。つまり、時刻ｔにおいて人ｉが着席していたため、着席時間ｔｍに処理時間Δｔが加算される。

続いて、ステップＳ２２９でプロセッサ６０は、変数ｔを更新する。たとえば、次の時刻を示すために、変数ｔに対して処理時間Δｔが加算される。続いて、ステップＳ２３１でプロセッサ６０は、変数ｔが所定時間（ｉ）より大きいか否かを判断する。つまり、所定時間（ｉ）における人ｉの着席時間ｔｍが算出されたかが判断される。ステップＳ２３１で“ＮＯ”であれば、つまり所定時間（ｉ）における人ｉの着席時間ｔｍが算出されていなければ、プロセッサ６０はステップＳ２２５の処理に戻る。

一方、ステップＳ２３１で“ＹＥＳ”であれば、つまり所定時間（ｉ）における人ｉの着席時間ｔｍが算出されていれば、ステップＳ２３３でプロセッサ６０は、着席時間ｔｍに基づいて人ｉの着席時間割合（ｉ）を算出する。つまり、所定時間（ｉ）における人ｉの着席時間割合（ｉ）が算出される。なお、ステップＳ２３３で算出された値は、数７を利用して求められる着席時間割合（ｉ）と同じ値となる。また、ステップＳ２３３の処理を実行するプロセッサ６０は第４取得手段として機能する。

続いて、ステップＳ２３５でプロセッサ６０は、着席時間割合（ｉ）を記憶する。つまり、人ｉの着席時間割合（ｉ）が着席時間割合バッファ３５６に記憶される。

続いて、プロセッサ６０は、ステップＳ２３７で変数ｉをインクリメントし、ステップＳ２３９で変数ｉが最大人数Ｎｐと一致したか否かを判断する。つまり、ステップＳ２３９では、全ての人の着席時間割合が算出されたかが判断される。ステップＳ２３９で“ＮＯ”であれば、つまり全ての人の着席時間割合が算出されていなければ、プロセッサ６０はステップＳ２２３の処理に戻る。一方、ステップＳ２３９で“ＹＥＳ”であれば、つまり全ての人の着席時間割合が算出されると、プロセッサ６０は着席時間割合計算処理を終了して、図１９に示す個性推定処理に戻る。

＜第３実施例＞
第３実施例では、人の個性として「Ｓｅｌｆ−ｅｆｆｅｃａｃｙ」を推定する。「Ｓｅｌｆ−ｅｆｆｅｃａｃｙ」とは、自身には目標を達成するための能力があるという感覚のことであり、自己効力感とも言わる。特に、空間が小学校の教室であり、人が学生である場合は、「Ｓｅｌｆ−ｅｆｆｅｃａｃｙ」のことを「学習能力」と言うこともある。

なお、第３実施例では、空間、人、距離画像センサ１２およびＲＧＢカメラ１４などは、第１実施例と略同じであるため、これらの詳細な説明は省略する。

図２１を参照して、第３実施例では、空間にはロボット１６がさらに配置されており、中央制御装置１０には、ロボット１６がネットワーク１０００を介して接続されている。

ロボット１６は、相互作用指向のロボット（コミュニケーションロボット）でもあり、人のようなコミュニケーションの対象との間で、音声を含むコミュニケーション行動を実行する機能を備えている。また、ロボット１６はコミュニケーションの一環として、人に対して授業などに関するクイズを出題するサービスを行う。ロボット１６は、サービスを行う上で必要であれば、空間内を自律的に移動したり、中央制御装置１０が付与する行動命令に基づいて動作したりする。

図２２はロボット１６の電気的な構成を示すブロック図である。図２２を参照して、ロボット１６は、プロセッサ９０などを含む。プロセッサ９０は、マイクロコンピュータ或いはＣＰＵとも呼ばれ、バス９２を介して、メモリ９４、マイク９６、スピーカ９８、動作部１００、眼カメラ１０２および通信部１０４などが接続される。

プロセッサ９０はロボット１６の動作を制御する。メモリ９４はＲＯＭおよびＲＡＭを含む。ＲＯＭには、ロボット１６の動作を制御するための制御プログラムが予め記憶される。たとえば、外部コンピュータ（中央制御装置１０）との間で必要なデータおよびコマンドを送受信するための通信プログラムなどが記憶される。また、ＲＡＭは、プロセッサ９０のワークメモリおよびバッファメモリとして用いられる。

マイク９６およびスピーカ９８は、たとえばＤＳＰで構成された音声入力／出力ボードを介してバス９２に接続されている。そのため、プロセッサ９０から与えられる音声合成データに従った音声または声がスピーカ７４から出力される。また、マイク７６からの音声入力がプロセッサ９０に与えられる。

動作部１００は、ロボット１６を動作させるための各種モータと、各種モータを制御するための制御ボードとを含む。たとえば、プロセッサ９０は、ロボット１６の位置を変更する場合は、制御ボードに対して制御データを出力し、車輪などを回転させるモータを駆動させる。

眼カメラ１０２は、たとえばＤＳＰで構成された入力／出力ボードを介してバス９２と接続されている。入力／出力ボードは、眼カメラ１０２からの映像信号を取り込んで、プロセッサ９０に与えている。

通信部１０４は、通信ＬＡＮボードおよび無線通信装置を含む。ＤＳＰで構成された通信ＬＡＮボードは、プロセッサ９０から与えられた送信データを無線通信装置に与え、無線通信装置は送信データを、ネットワーク１０００を介して外部コンピュータ（中央制御装置１０）に送信する。また、通信ＬＡＮボードは、無線通信装置を介してデータを受信し、受信したデータをプロセッサ９０に与える。たとえば、送信データとしては、マイク９６によって集音された周囲の音声データおよび眼カメラ１０２によって撮影された周囲の映像データなどである。

たとえば、ロボット１６は、眼カメラ１０２から得られた画像を元にコミュニケーション相手の方に姿勢を向け、スピーカ９８からクイズの内容を伝える音声を出力する。また、相手がクイズに対して回答したときの音声をマイク９６によって取り込む。そして、取り込まれた音声に対して音声認識処理を施すことで回答の正誤を判断して、その判断結果に対応して、ロボット１６は所定の音声を出力すると共に、所定の動作を行う。

続いて、第３実施例では、第１実施例で生成された人位置情報を利用して、授業時間または休み時間などの所定時間のうち人がロボット１６の周囲に滞在していた時間の割合（以下、滞在時間割合または第３割合と言う。）をさらに算出する。

人の滞在時間割合は数９に示す数式を利用して計算される。数９において滞在時間割合（ｉ）は、所定時間（ｉ）における人ｉの滞在時間割合を示す。ｒｏｂｏｔはロボット１６を示す変数である。第３実施例では、ロボット１６は１台であるため、ｒｏｂｏｔに代入される値は常に同じである。だたし、複数のロボット１６が空間に配置される場合は、ｒｏｂｏｔには各ロボット１６を識別するＩＤが代入される。なお、数９において変数ｉ、変数ｔ（ｔ_０，ｔ_ｎ）、処理時間Δｔ、関数ｄｉｓｔ、関数ｐｏｓ、所定時間（ｉ）は数１および数２と同じであるため、詳細な説明は省略する。また、数２の数式で利用した第２閾値Ｄ_ＴＨは、人ｉがロボット１６の周囲に滞在したかを判断するために用いられる。
[数９]

数９の数式では、関数ｄｉｓｔによって、時刻ｔにおける人ｉとロボット１６との距離が算出される。算出された距離が第２閾値Ｄ_ＴＨよりも短い場合、つまり人ｉがロボット１６の周囲に滞在していた場合は、時刻ｔにおける人ｉの滞在時間がΔｔ秒とされる。一方、人ｉがロボット１６の周囲に滞在していない場合は、時刻ｔにおける人ｉの滞在時間が０秒とされる。このようにして求めた時刻ｔにおける滞在時間の総和は、所定時間（ｉ）のうち人ｉがロボット１６の周囲に滞在した時間となる。そして、時刻ｔにおける滞在時間の総和を所定時間（ｉ）で割ることで、人ｉの滞在時間割合（ｉ）が求められる。このようにして求めた滞在時間割合（ｉ）はメモリ６４のバッファに記憶される。なお、滞在時間割合も、人の行動に関するパラメータに含まれる。

続いて、第３実施例では、人の行動に関するパラメータを利用して、人の個性として「自己効力感（Ｓｅｌｆ−ｅｆｆｅｃａｃｙ）」を推定する。人の自己効力感は、第２実施例の「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」と同様、第１実施例の社会的地位の影響を受ける。そのため、第１実施例の孤立時間割合、机外平均移動量、周囲人数は、自己効力感の推定にも利用されると共に、第２実施例の着席時間割合も利用される。

たとえば、自己効力感が高く、たとえば自身に学業の能力があると考えている人は、授業中などは着席して勉強に取り組むため着席時間が長くなり、ロボット１６が出題するクイズに答えるためにロボット１６の周囲に滞在するため滞在時間も長くなると考えらえる。

そこで、第３実施例でも、人の行動に関するパラメータを利用して、自己効力感が「高い」または「低い」を判別する第３判別モデルを作成する。

ここでは、まず孤立時間割合、机外平均移動量、周囲人数、着席時間および滞在時間を要素とする複数の特徴量ベクトルを作成する。

次に、第３実施例でも、人へのアンケートによって各人の自己効力感の高さについて事前に調査を行う。その調査結果に基づいて、複数の特徴ベクトルに対して自己効力感が「高い」または「低い」のラベル付けをした教師データを作成する。そして、それらの教師データを、ＳＶＭなどの機械学習手法によって学習する。その結果、自己効力感が「高い」または「低い」を判別する第３判別モデルが作成される。この第３判別モデルに対して未知の特徴量ベクトルを入力すると、自己効力感が「高い」または「低い」を示す判別結果、つまり自己効力感の高さを示す推定結果が出力される。このように、第３実施例では、空間内で任意に行動する人の自己効力感の高さを、容易に推定することが出来る。

なお、上記のアンケートは、教師データを作成するために行うものであるため、空間内の全ての人に受けさせる必要はない。

図２３は自己効力感（Ｓｅｌｆ−ｅｆｆｅｃａｃｙ）の推定結果が記憶される第３実施例の推定結果テーブル３５４の一例を示す図解図である。図２３を参照して、第３実施例の推定結果テーブル３５４には、人ＩＤに対応付けて第３判別モデルによる判別結果、つまりＳｅｌｆ−ｅｆｆｅｃａｃｙ（自己効力感）の推定結果が記憶されている。たとえば、人ＩＤ「０００３」に対応して「ｈｉｇｈ」が記憶されており、人ＩＤ「０００１」および「０００２」に対応して「ｌｏｗ」が記憶されている。つまり、人ＩＤが「０００３」の人は自己効力感が高いことが示されており、人ＩＤが「０００１」および「０００２」の人は自己効力感が低いことが示されている。

上述では第３実施例の特徴を概説した。以下では、図２４に示す中央制御装置１０のメモリ６４のメモリマップおよび図２５、図２６に示すフロー図を用いて第３実施例について詳細に説明する。

図２４は中央制御装置１０のメモリ６４のメモリマップの一部の一例を示す図解図である。プログラム記憶領域３０２には、第１実施例および第２実施例のプログラムに加えて、滞在時間割合を計算するための滞在時間割合計算プログラム３２８がさらに記憶されている。

また、データ記憶領域３０４には、第１実施例および第２実施例のバッファに加えて、滞在時間割合が一時的に記憶される滞在時間割合バッファ３５８がさらに設けられている。

第３実施例の中央制御装置１０のプロセッサ６０は、Ｌｉｎｕｘ（登録商標）ベースのＯＳまたはその他のＯＳの制御下で、第１実施例の顔識別処理、位置検出処理、人位置情報生成処理、孤立時間割合計算処理および周囲人数計算処理と、第２実施例の着席時間割合計算処理とに加えて、図２５に示す個性推定処理および図２６に示す滞在時間割合計算処理などを含む、複数のタスクを処理する。

図２５は第３実施例の個性推定処理のフロー図である。個性推定処理が実行されると、プロセッサ６０は、ステップＳ７１で人位置情報を読み出し、ステップＳ７３で孤立時間割合計算処理を実行し、ステップＳ７５で机外平均移動量計算処理を実行し、ステップＳ７７で周囲人数計算処理を実行し、ステップＳ２０１で着席時間割合計算処理を実行する。なお、これらの処理は、第１実施例および第２実施例と略同じであるため、ここでの詳細な説明は省略する。

続いて、ステップＳ３０１でプロセッサ６０は、滞在時間割合計算処理を実行する。所定時間分の各人の人位置情報から、各人の滞在時間割合が算出される。なお、滞在時間割合計算処理については、図２６に示すフロー図を用いて説明するため、ここでの詳細な説明は省略する。

続いて、ステップＳ３０３でプロセッサ６０は、孤立時間割合、机外平均移動量、周囲人数、着席時間割合および滞在時間割合から各人の特徴量ベクトルを作成する。つまり、孤立時間割合、机外平均移動量、周囲人数、着席時間割合および滞在時間割合が各バッファから読み出され、それぞれを要素とする各人の特徴量ベクトルが作成される。続いて、ステップＳ８１でプロセッサ６０は、特徴ベクトルに基づいて各人の個性を推定する。つまり、第３実施例では第３判別モデルに対して各人の特徴量ベクトルを入力し、各人の自己効力感の高さを示す判別結果（推定結果）を得る。続いて、ステップＳ８３でプロセッサ６０は、推定結果を記憶する。つまり、判断結果に基づいて各人の自己効力感の高さを、推定結果テーブル３５４に記憶する。そして、ステップＳ８３の処理が終了すると、プロセッサ６０は第３実施例の個性推定処理を終了する。

なお、ステップＳ３０１の処理を実行するプロセッサ６０は取得手段として機能する。また、ステップＳ３０３の処理を実行するプロセッサ６０は作成手段または第３作成手段として機能する。

図２６は滞在時間割合計算処理のフロー図である。図２５の個性推定処理でステップＳ３０１の処理が実行されると、プロセッサ６０は滞在時間割合計算処理を実行する。

プロセッサ６０は、ステップＳ３２１で変数ｉを初期化し、ステップＳ３２３で変数ｔ、変数ｔｍを初期化する。つまり、変数ｉおよび変数ｔが初期化されると共に、滞在時間割合計算処理において滞在時間が代入される変数ｔｍが初期化される。

続いて、ステップＳ３２５でプロセッサ６０は、時刻ｔにおいて人ｉがロボット１６の周囲に滞在していたか否かを判断する。つまり、時刻ｔにおいて人ｉとロボット１６との距離が第２閾値Ｄ_ＴＨよりも短いかが判断される。ステップＳ３２５で“ＮＯ”であれば、つまり時刻ｔにおいて人ｉがロボット１６の周囲に滞在していなければ、プロセッサ６０はステップＳ３２９の処理に進む。

一方、ステップＳ３２５で“ＹＥＳ”であれば、つまり時刻ｔにおいて人ｉがロボット１６の周囲に滞在してれば、ステップＳ３２７でプロセッサ６０は、滞在時間ｔｍに処理時間Δｔを加算する。つまり、時刻ｔにおいて人ｉがロボット１６の周囲に滞在していたため、滞在時間ｔｍに処理時間Δｔが加算される。

続いて、ステップＳ３２９でプロセッサ６０は、変数ｔを更新する。たとえば、次の時刻を示すために、変数ｔに対して処理時間Δｔが加算される。続いて、ステップＳ３３１でプロセッサ６０は、変数ｔが所定時間（ｉ）よりも大きいか否かを判断する。つまり、所定時間（ｉ）における人ｉの滞在時間ｔｍが算出されたかが判断される。ステップＳ３３１で“ＮＯ”であれば、つまり所定時間（ｉ）における人ｉの滞在時間ｔｍが算出されていなければ、プロセッサ６０はステップＳ３２５の処理に戻る。

一方、ステップＳ３３１で“ＹＥＳ”であれば、つまり所定時間（ｉ）における人ｉの滞在時間ｔｍが算出されると、ステップＳ３３３でプロセッサ６０は、滞在時間ｔｍに基づいて人ｉの滞在時間割合を算出する。つまり、所定時間（ｉ）における人ｉの滞在時間割合が算出される。なお、ステップＳ３３３で算出された値は、数９を利用して求められる滞在時間割合（ｉ）と同じ値となる。また、ステップＳ３３３の処理を実行するプロセッサ６０は第５取得手段として機能する。

続いて、ステップＳ３３５でプロセッサ６０は、滞在時間割合（ｉ）を記憶する。つまり、人ｉの滞在時間割合（ｉ）が滞在時間割合バッファ３５８に記憶される。

続いて、プロセッサ６０は、ステップＳ３３７で変数ｉをインクリメントし、ステップＳ３３９で変数ｉが最大人数Ｎｐと一致したか否かを判断する。つまり、ステップＳ３３９では、全ての人の滞在時間割合が算出されたかが判断される。ステップＳ３３９で“ＮＯ”であれば、つまり全ての人の滞在時間割合が算出されていなければ、プロセッサ６０はステップＳ３２３の処理に戻る。一方、ステップＳ３３９で“ＹＥＳ”であれば、つまり全ての人の滞在時間割合が算出されると、プロセッサ６０は滞在時間割合計算処理を終了して、図２５に示す個性推定処理に戻る。

なお、第１実施例、第２実施例および第３実施例は任意に組み合わせることが出来る。たとえば、第１実施例と第２実施例とを組み合わせることで、人の個性として社会的地位および「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」が同時に推定される。また、第１実施例から第３実施例までを組み合わせることで、人の個性として社会的地位、「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」および「自己効力感」が同時に推定される。そして、他の組み合わせについては、容易に想到できるため他の組み合わせの説明は簡単のため省略する。

また、「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」および「自己効力感」は人の性格に関係するため、第２実施例および第３実施例の中央制御装置１０は、性格推定装置と言われることもある。

また、他の実施例では、第１実施例の社会的地位の高さを推定するために、第３実施例のロボット１６を利用する場合、人の行動に関するパラメータの１つとして、人がロボット１６の周囲に滞在した時間がさらに利用されてもよい。

また、その他の実施例では、人の行動に関するパラメータを用いて、試験の点数の高さが推定されてもよい。

また、さらにその他の実施例では、人の性格を構成すると言われる「特性５因子論（ビックファイブ）」をそれぞれ推定し、その推定結果から人の性格が推定されてもよい。

また、他の実施例では、空間は老人ホームの共用スペースなどであってもよく、中央制御装置１０は、老人ホームの共用スペースなどで老人（人）の個性を推定してもよい。また、本実施例とは異なる空間で「社会的地位」、「Ｐｅｒｆｏｒｍａｎｃｅ Ｇｏａｌ」および「自己効力感」を推定する場合、第１実施例−第３実施例に示した人の行動に関するパラメータの組み合わせを変えて、各個性が推定されてもよい。また、人の行動に関するパラメータの組み合わせを変える場合、交差検証などを利用して、精度が最も高くなるように人の行動に関するパラメータの組み合わせが決められてもよい。

また、その他の実施例では、所定時間において人が机に関係なく移動したときの平均移動量などが人の行動に関するパラメータとして算出されてもよい。

また、本実施例では、人に携帯端末などを所持させずに人の位置情報を生成して、人の個性を推定したが、さらにその他の実施例では、人ＩＤを対応付けたスマートフォンなどの携帯端末を人に所持させ、スマートフォンから送信される情報や、通信における電波強度などを利用して人位置情報が生成されてもよい。また、人が着席する場所が予め決められている場合は、そのときの状態を利用して人の位置に人ＩＤを関連付け、人の位置を随時追跡することで人位置情報を作成してもよい。そして、これらの場合、ＲＧＢカメラ１４は不要となる。

また、上述の実施例では、閾値（所定値）などに対して「より大きい」、「より大きい」、「より高い」などの言葉を用いたが、これらの言葉には「閾値以上」の意味が含まれる。同様に「閾値よりも小さい」などには「閾値以下」および「閾値未満」の意味が含まれる。

また、本実施例で説明した複数のプログラムは、データ配信用のサーバのHDDに記憶され、ネットワークを介して本実施例と同等の構成の中央制御装置１０に配信されてもよい。また、CD, DVD, BD (Blu-ray（登録商標） Disc)などの光学ディスク、USBメモリおよびメモリカードなどの記憶媒体にこれらのプログラムを記憶させた状態で、その記憶媒体が販売または配布されてもよい。そして、上記したサーバまたは記憶媒体などを通じてダウンロードされた、上記複数のプログラムが、本実施例と同等の構成の中央制御装置１０に適用された場合、本実施例と同等の効果が得られる。

そして、本明細書中で挙げた、具体的な数値は、いずれも単なる一例であり、製品の仕様変更などに応じて適宜変更可能である。

１０ …中央制御装置
１２ …距離画像センサ
１４ …ＲＧＢカメラ
１６ …ロボット
６０ …プロセッサ
６４ …メモリ

Claims (7)

1. 空間内の人の位置情報を生成する生成手段、
   前記人の位置情報から前記空間における当該人の行動に関するパラメータを取得する取得手段、
   前記人の行動に関するパラメータから特徴量を作成する作成手段、および
   前記作成手段によって作成された特徴量に基づいて前記人の個性を推定する推定手段を備える、個性推定装置。
2. 前記人には、特定の場所が割り当てられており、
   前記人の行動に関するパラメータは、所定時間のうち前記人が孤立していた時間の第１割合、前記所定時間において前記人が前記特定の場所から離れて移動した移動量の平均および前記所定時間における前記人の周囲にいた他人の数を含み、
   前記取得手段は、前記人の第１割合を取得する第１取得手段、前記人の移動量の平均を取得する第２取得手段および前記人の周囲にいた他人の数を取得する第３取得手段を含み、
   前記作成手段は、前記人の第１割合、前記人の移動量の平均および前記人の周囲にいた他人の数から特徴量を作成する第１作成手段を含み、
   前記推定手段は、前記第１作成手段によって作成された特徴量に基づいて、前記人の社会的地位の高さを推定する、請求項１記載の個性推定装置。
3. 前記人には、特定の場所が割り当てられており、
   前記人の行動に関するパラメータは、所定時間のうち前記人が孤立していた時間の第１割合、所定時間において前記人が前記特定の場所から離れて移動した移動量の平均、前記所定時間における前記人の周囲にいた他人の数および前記所定時間のうち前記人が座っていた時間の第２割合を含み、
   前記取得手段は、前記人の第１割合を取得する第１取得手段、前記人の移動量の平均を取得する第２取得手段、前記人の周囲にいた他人の数を取得する第３取得手段および前記人の第２割合を取得する第４取得手段をさらに含み、
   前記作成手段は、前記人の第１割合、前記人の移動量の平均、前記人の周囲にいた他人の数および前記人の第２割合から特徴量を作成する第２作成手段を含み、
   前記推定手段は、前記第２作成手段によって作成された特徴量に基づいて、前記人の遂行近接目標達成への関心の強さを推定する、請求項１記載の個性推定装置。
4. 前記空間には、ロボットが配置されており、
   前記人の行動に関するパラメータは、所定時間のうち前記人が孤立していた時間の第１割合、所定時間において前記人が前記特定の場所から離れて移動した移動量の平均、前記所定時間における前記人の周囲にいた他人の数、前記所定時間のうち前記人が座っていた時間の第２割合および前記所定時間のうち前記人が前記ロボットの周囲に滞在していた時間の第３割合を含み、
   前記取得手段は、前記人の第１割合を取得する第１取得手段、前記人の移動量の平均を取得する第２取得手段、前記人の周囲にいた他人の数を取得する第３取得手段、前記人の第２割合を取得する第４取得手段および前記人の第３割合を取得する第５取得手段をさらに含み、
   前記作成手段は、前記人の第１割合、前記人の移動量の平均、前記人の周囲にいた他人の数、前記人の第２割合および前記人の第３割合から特徴量を作成する第３作成手段をさらに含み、
   前記推定手段は、前記第３作成手段によって作成された特徴量に基づいて、前記人の自己効力感の高さを推定する、請求項１記載の個性推定装置。
5. 前記空間内の前記人を識別する識別手段、および
   前記空間内の前記人の位置を検出する検出手段をさらに備え、
   前記生成手段は、前記識別手段によって識別された人に、前記検出手段によって検出された人の位置を関連付けた位置情報を生成する、請求項１ないし４のいずれかに記載の個性推定装置。
6. 個性推定装置のプロセッサを、
   空間内の人の位置情報を生成する生成手段、
   前記人の位置情報から前記空間における当該人の行動に関するパラメータを取得する取得手段、
   前記人の行動に関するパラメータから特徴量を作成する作成手段、および
   前記作成手段によって作成された特徴量に基づいて前記人の個性を推定する推定手段として機能させる、個性推定プログラム。
7. 個性推定装置における個性推定方法であって、前記個性推定装置のプロセッサが、
   空間内の人の位置情報を生成する生成ステップ、
   前記人の位置情報から前記空間における当該人の行動に関するパラメータを取得する取得ステップ、
   前記人の行動に関するパラメータから特徴量を作成する作成ステップ、および
   前記作成ステップによって作成された特徴量に基づいて前記人の個性を推定する推定ステップを実行する、個性推定方法。

Images