JP2018041406A - 水面境界検出装置、水面境界検出方法及びコンピュータプログラム - Google Patents

Abstract

【課題】エッジが正しく検出できない場合であっても水面と水面以外の領域との境界線を検出することができる水面境界検出装置、水面境界検出方法及びコンピュータプログラムを提供することである。
【解決手段】実施形態の水面境界検出装置は、画像入力部と、学習モデル生成部と、境界線検出部とを持つ。画像入力部は、水面と、前記水面以外の背景が撮影された画像を入力する。学習モデル生成部は、入力された前記画像に基づいて前記水面の特徴と、前記背景の特徴とを学習することによって学習モデルを生成する。境界線検出部は、入力された前記画像と、前記学習モデルとを用いて、前記水面と、前記背景との境界線を検出する。
【選択図】図３

Description

本発明の実施形態は、水面境界検出装置、水面境界検出方法及びコンピュータプログラムに関する。

近年の局地的豪雨の増加に伴い、災害の未然防止と早期の避難判断のために河川のリアルタイム水位計測が重要となっている。従来では、機械方式の水位計や、目盛りのある量水板の目視確認により計測されていた。機械方式では、浮子とスイッチが使われており急流時に故障や異物の装置内進入によって動作不良を起こしやすい。量水板の目視確認では、河川に接近するたびに人が危険にさらされる。
そこで、監視カメラを用いた水位計測の方式が提案されている。しかしながら、この方法では、画像特有の問題によりエッジが正しく検出できない場合には水面と水面以外の領域（河川の岸における河原、岸壁、植生及び橋脚など）の境界線を検出できない場合があった。

特開平９−１６１０７６号公報 特開平８−１４５７６５号公報 特開２００１−４１８０３号公報 特開２００７−２５６２５４号公報 特開２０１１−２１１５５６号公報 特開２００７−２１２２３８号公報 特開平９−３８６３１号公報

本発明が解決しようとする課題は、エッジが正しく検出できない場合であっても水面と水面以外の領域との境界線を検出することができる水面境界検出装置、水面境界検出方法及びコンピュータプログラムを提供することである。

実施形態の水面境界検出装置は、画像入力部と、学習モデル生成部と、境界線検出部とを持つ。画像入力部は、水面と、前記水面以外の背景が撮影された画像を入力する。学習モデル生成部は、入力された前記画像に基づいて前記水面の特徴と、前記背景の特徴とを学習することによって学習モデルを生成する。境界線検出部は、入力された前記画像と、前記学習モデルとを用いて、前記水面と、前記背景との境界線を検出する。

実施形態の水面境界検出システム１００のシステム構成を示す図。 画像処理部２１による画像処理の概要を説明するための図。 画像処理部２１の具体的な構成を表す概略ブロック図。 境界候補検出部２２０の具体的な構成を表す概略ブロック図。 画像処理部２１による学習モデル生成処理の流れを示すフローチャート。 学習の具体的な処理を説明するための図。 画像処理部２１による領域検出処理の流れを示すフローチャート。 水面領域と背景領域との境界検出にグラフカットを用いた一例を示す図。 グラフカットの説明図。

以下、実施形態の水面境界検出装置、水面境界検出方法及びコンピュータプログラムを、図面を参照して説明する。
図１は、実施形態の水面境界検出システム１００のシステム構成を示す図である。水面境界検出システム１００は、水面と、水面以外（例えば、河川の岸における河原、植生、橋脚及び岸壁など）の背景との境界線を検出する。水面境界検出システム１００は、撮影装置１０及び水面境界検出装置２０を備える。撮影装置１０と水面境界検出装置２０は、有線通信又は無線通信により接続される。

撮影装置１０は、例えばパンチルトカメラであり、監視エリア１を撮影する。監視エリア１は、河川２、岸壁３、植生４及び橋脚５を含む領域である。撮影装置１０は、通常時には、予め設定された広域の画角で監視エリア１全体を撮影する。また、撮影装置１０は、定時観測時には、狭域の画角（ズーム）で監視エリア１のうち河川２に焦点を当てた特定のエリアを撮影する。ここで、定時観測時とは、河川２の水位を測量するタイミングである。撮影装置１０の通常時、定時観測時の切り替えは、予め設定されたタイミングで切り替えられてもよいし、手動で切り替えられてもよい。

水面境界検出装置２０は、撮影装置１０によって定時観測時に撮影された処理対象となる画像（以下「処理対象画像」）に基づいて、水面と背景との境界線を検出する。水面境界検出装置２０は、画像処理部２１及び表示部２２を備える。画像処理部２１は、処理対象画像に対して画像処理を行うことによって、水面と背景との境界線を検出する。表示部２２は、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ等の画像表示装置である。表示部２２は、撮影装置１０によって撮影された画像及び水面と背景との境界線を表示する。表示部２２は、画像表示装置を水面境界検出装置２０に接続するためのインタフェースであってもよい。この場合、表示部２２は、撮影画像を表示するための映像信号を生成し、自身に接続されている画像表示装置に映像信号を出力する。

図２は、画像処理部２１による画像処理の概要を説明するための図である。図２に示すように、画像処理部２１は、大きく３つの処理工程を行う。３つの処理工程として、（１）ＲＯＩ（Region Of Interest：対象領域）設定、（２）水面の境界簡易推定、（３）水面の境界詳細推定がある。以下、順番に説明する。
（１）ＲＯＩ設定では、画像処理部２１は、入力された処理対象画像３０に対してＲＯＩ３１を設定する。対象領域の設定は、ユーザによって設定される。ＲＯＩ設定は、処理開始の最初にのみ設定されていればよい。また、監視エリア毎にＲＯＩ設定が異なっていてもよい。

（２）水面の境界簡易推定では、画像処理部２１は、同じ監視エリアにおいて、時刻ｔに入力された処理対象画像と、時刻ｔ−１に入力された処理対象画像とに基づいて、各処理対象画像上における同位置の画素の変化（動き）を抽出する。一般的に、水面は時刻の変化に応じて河川の流れも変化するため、背景と比べて画素の変化が大きい。そこで、画像処理部２１は、各時刻の処理対象画像のＲＯＩ３１内の画素を比較して、画素の変化量が閾値以上の領域を水面領域、画素の変化量が閾値未満の領域を背景領域として、水面領域と、背景領域との間のおおまかな境界領域を表わす境界候補領域３２を検出する。その後、画像処理部２１は、検出した境界候補領域３２に基づいて、水面領域の特徴量と、背景領域の特徴量とを学習することによって学習モデルを生成する。特徴量は、例えばＲＧＢのヒストグラムである。

（３）水面の境界詳細推定では、画像処理部２１は、生成した学習モデルにおける水面領域の特徴量と、背景領域の特徴量とを初期値として設定し、新たに入力された処理対象画像を水面領域と背景領域とに領域分割することによって、水面領域と、背景領域との境界線３３を検出する。

図３は、画像処理部２１の具体的な構成を表す概略ブロック図である。
画像処理部２１は、画像入力部２１０、境界候補検出部２２０、学習モデル生成部２３０、学習モデル記憶部２４０及び境界線検出部２５０を備える。
画像入力部２１０は、撮影装置１０に撮影された画像を入力する。例えば、画像入力部２１０は、処理対象画像を入力する。
境界候補検出部２２０は、画像入力部２１０に入力された処理対象画像に基づいて、境界候補領域を検出する。
学習モデル生成部２３０は、境界候補検出部２２０に検出された境界候補領域に基づいて、水面領域の特徴量と、背景領域の特徴量とを学習することによって学習モデルを生成する。
学習モデル記憶部２４０は、磁気ハードディスク装置や半導体記憶装置などの記憶装置を用いて構成される。学習モデル記憶部２４０は、学習モデルを記憶する。
境界線検出部２５０は、画像入力部２１０に入力された処理対象画像と、学習モデル記憶部２４０に記憶されている学習モデルとに基づいて、処理対象画像を領域分割することによって水面領域と背景領域との境界線を検出する。

図４は、境界候補検出部２２０の具体的な構成を表す概略ブロック図である。
境界候補検出部２２０は、バッファ２２１、動き検出部２２２、ブレ補正部２２３、差分検出部２２４及び候補領域検出部２２５を備える。
バッファ２２１は、磁気ハードディスク装置や半導体記憶装置などの記憶装置を用いて構成される。バッファ２２１は、過去の処理対象画像を記憶する。例えば、バッファ２２１は、時刻ｔ−１に入力された処理対象画像を記憶する。
動き検出部２２２は、画像入力部２１０に入力された処理対象画像と、バッファ２２１に記憶されている処理対象画像とを用いて画面の動きを検出する。

ブレ補正部２２３は、画像入力部２１０に入力された処理対象画像に対して、動き検出部２２２によって検出された動き分だけ画像をずらして、撮影装置１０の揺れを補正する。なお、ブレ補正部２２３は、動き検出部２２２によって動きが検出されない場合には補正を行わない。
差分検出部２２４は、画像入力部２１０に入力された処理対象画像と、バッファ２２１に記憶されている処理対象画像とに基づいて、同位置の画素の差分を検出する。
候補領域検出部２２５は、差分の検出結果に基づいて、各領域の境界を境界候補領域３２として検出する。

図５は、画像処理部２１による学習モデル生成処理の流れを示すフローチャートである。学習モデル生成タイミングは、一定の時間間隔が経過する度に実行されてもよいし、環境光の変化があったタイミングに実行されてもよいし、天候の変化があったタイミングに実行されてもよい。図５の処理では、ＲＯＩが設定されているものとする。
画像入力部２１０は、時刻ｔにおいて撮影装置１０によって撮影された処理対象画像を入力する（ステップＳ１０１）。画像入力部２１０は、入力した処理対象画像を境界候補検出部２２０に出力する。動き検出部２２２は、画像入力部２１０から出力された時刻ｔにおける処理対象画像と、バッファ２２１に記憶されている時刻ｔ−１における処理対象画像とを入力とする。動き検出部２２２は、入力した複数の処理対象画像から画面の動きを検出する（ステップＳ１０２）。

動き検出部２２２は、検出結果をブレ補正部２２３に出力する。例えば、動き検出部２２２は、画面に動きがない場合には、動きがなかった旨を検出結果としてブレ補正部２２３に出力する。また、例えば、動き検出部２２２は、画面に動きがあった場合には、どのくらい動きがあったのかを示す旨を検出結果としてブレ補正部２２３に出力する。ブレ補正部２２３は、画像入力部２１０から出力された時刻ｔにおける処理対象画像と、動き検出部２２２から出力された検出結果とを入力とする。ブレ補正部２２３は、入力された検出結果に基づいて、画面の動きがあったか否かを判定する（ステップＳ１０３）。

画面の動きがあった場合（ステップＳ１０３−ＹＥＳ）、ブレ補正部２２３は入力された時刻ｔにおける処理対象画像を、検出結果に含まれる動き分だけ画像してブレを補正する（ステップＳ１０４）。ブレ補正部２２３はブレ補正後の画像を差分検出部２２４に出力する。
一方、画面の動きがなかった場合（ステップＳ１０３−ＮＯ）、ブレ補正部２２３は入力された時刻ｔにおける処理対象画像を差分検出部２２４に出力する。

差分検出部２２４は、ブレ補正部２２３から出力された時刻ｔにおける処理対象画像と、バッファ２２１に記憶されている時刻ｔ−１における処理対象画像とを入力とする。差分検出部２２４は、入力した各処理対象画像のＲＯＩ内の同位置の画素を比較することによって画素値の差分を画素毎に算出する（ステップＳ１０５）。その後、差分検出部２２４は、ＲＯＩ内の画素について、複数の画素で構成されるブロック単位で差分結果の合計値を算出する。例えば、ＲＯＩが４×４の画素で構成される場合、差分検出部２２４は２×２のブロック単位で差分結果の合計値を算出する。

差分検出部２２４は、算出した合計値に対して閾値判定を行う（ステップＳ１０６）。具体的には、差分検出部２２４は、算出した合計値が閾値以上である場合、画素の変化が大きいと判定し、算出した合計値が閾値未満である場合、画素の変化が小さいと判定する。差分検出部２２４は、画素の変化が大きいと判定したブロックに対して水面らしい領域であることを示す値（例えば、“０”）を付与し、画素の変化が小さいと判定したブロックに対して背景の領域であることを示す値（例えば、“１”）を付与する。なお、閾値は、予め設定されていてもよいし、適宜設定されてもよい。差分検出部２２４は、時刻ｔにおける処理対象画像と、ＲＯＩ内のブロックに対して付与した値を示す情報（以下「付与情報」という。）とを候補領域検出部２２５に出力する。

候補領域検出部２２５は、差分検出部２２４から出力された処理対象画像と、付与情報とを入力とする。候補領域検出部２２５は、入力した付与情報に基づいて、処理対象画像から境界候補領域を検出する（ステップＳ１０７）。具体的には、候補領域検出部２２５は、処理対象画像のＲＯＩ内において、付与情報で示される水面らしい領域であることを示す値と、背景の領域であることを示す値との境界となる位置を境界候補領域として検出する。候補領域検出部２２５は、処理対象画像と、境界候補領域の検出結果とを学習モデル生成部２３０に出力する。学習モデル生成部２３０は、候補領域検出部２２５から出力された処理対象画像と、境界候補領域の検出結果とを入力とする。

学習モデル生成部２３０は、入力した処理対象画像と、境界候補領域の検出結果とに基づいて水面領域の特徴量と、背景領域の特徴量とを学習する（ステップＳ１０８）。学習の具体的な処理について図６を用いて説明する。画像３０全体を検出対象とするのは処理量と誤判定の危険を考慮すると得策ではないため、学習モデル生成部２３０はＲＯＩ３１の範囲内のみを検出対象とする。まず、学習モデル生成部２３０は、ＲＯＩ３１内において、候補領域検出部２２５によって検出された境界候補領域３２を設定する。次に、学習モデル生成部２３０は、設定した境界候補領域３２を基準として、上下に数画素分のマージン３５及び３６を設定する。

これは、候補領域検出部２２５によるブロック単位での検出では、おおまかな領域しか分からないし、斜めになっている境界や、複雑な境界を表現することできない。そのため、学習モデル生成部２３０は、境界候補領域３２を基準として、上に背景のマージン３５、下に水面のマージン３６を設定することによって水面領域と背景領域の混在を防ぐことができる。そして、学習モデル生成部２３０は、ＲＯＩ３１内であって、マージン３５よりも上方の画素から背景領域の特徴量を学習する。また、学習モデル生成部２３０は、ＲＯＩ３１内であって、マージン３６よりも下方の画素から水面領域の特徴量を学習する。学習モデル生成部２３０は、学習結果を学習モデルとして学習モデル記憶部２４０に記憶する（ステップＳ１０９）。例えば、学習モデル生成部２３０は、学習モデルとして混合ガウシアンモデルを用いることができる。

図７は、画像処理部２１による領域検出処理の流れを示すフローチャートである。
画像入力部２１０は、時刻ｔ＋１において撮影装置１０によって撮影された処理対象画像を入力する（ステップＳ２０１）。画像入力部２１０は、入力した処理対象画像を境界線検出部２５０に出力する。境界線検出部２５０は、画像入力部２１０から出力された処理対象画像と、学習モデル記憶部２４０に記憶されている学習モデルとを用いて、処理対象画像から水面領域と背景領域とを領域分割することによって水面領域と背景領域との境界を検出する（ステップＳ２０２）。

水面領域と背景領域との境界を検出方法には、例えばグラフカットの技術を用いることができる。グラフカットは、画像を重みつき無向グラフとして捉え、エネルギー最小化問題を解くことでラベリングを行う手法である。グラフカットのアルゴリズムを用いて川の水面とそれ以外を分離することで求める。ラベルは前景と背景の２種類であり、全ての画素にラベル付けを行うことで前景と背景を分離する。ここでは、水面を前景として設定し、水面以外を背景として設定する。エネルギー関数を定義し、最小となる切断位置を求める。

図８は、水面領域と背景領域との境界検出にグラフカットを用いた一例を示す図である。
図８（Ａ）に示すように、境界線検出部２５０は、処理開始時の初期グラフとして、水面を表す前景ターミナルＳから処理対象画像の各画素４０に対してｔ−リンク４１を設定し、背景を表す背景ターミナルＴから処理対象画像の各画素４０に対してｔ−リンク４２を設定する。この際、境界線検出部２５０は、ｔ−リンク４１においては画素が水面領域の特徴量に近いほど切断コストが高くなるようにコストを設定し、ｔ−リンク４２においては画素が背景領域の特徴量に近いほど切断コストが高くなるようにコストを設定する。ｔ-リンク４１及び４２のコストは、事前学習した混合ガウシアンモデルから計算される尤度が用いられる。

また、境界線検出部２５０は、各画素４０間において画素４０間を結ぶｎ−リンク４３を設定し、各ｎ−リンク４３について隣り合う画素の画素値が近いほど切断コストが高くなるようにコストを設定する。周辺画素との類似性を表すｎ−リンク４３のコストは、注目する画素の周囲８方向に隣接した画素それぞれに対して、ＲＧＢ値のＬ２ノルムを距離で正規化した値が用いられる。境界線検出部２５０は、上記の設定を行った後、グラフカットの処理を実行する。実行結果を図８（Ｂ）に示す。図８（Ｂ）において、画素４５が水面領域の画素を表し、画素４６が背景領域の画素を表す。グラフカットの処理では、ターミナルと画素間において画素値が異なるほど切断されやすく、各画素間において画素値が異なるほど切断されやすい。上記のように、境界線検出部２５０は、領域分割を行うことによって、水面領域と、背景領域とを分割し、水面領域と背景領域との境界線３３を検出する。

図９は、グラフカットの説明図である。グラフカットでは、前景と背景とをコストが最小となるように分割する。各リンク４７には、切断コストが示されている。図９では、一例として分割について２つのパターンを示している。１つ目は切断線４８で分割するパターンであり、２つ目は切断線４９で分割するパターンである。切断線４８で分割するパターンでは、切断コストの合計が１０であり、切断線４９で分割するパターンでは、切断コストの合計が６である。この場合、最小コストである切断線４９で分割するパターンで分割が行われる。その後、表示部２２は、画像処理部２１による処理結果を表示する（ステップＳ２０３）。

以上のように構成された水面境界検出装置２０によれば、エッジが正しく検出できない場合であっても水面と水面以外の領域との境界線を検出することが可能になる。具体的には、水面境界検出装置２０は、水面と、背景が撮影された処理対象画像に基づいて水面の特徴と、背景の特徴とを学習することによって学習モデルを生成し、新たに入力された処理対象画像と、学習モデルとを用いて、水面と背景との境界線を検出する。これにより、画像からエッジを検出する必要がない。そのため、エッジが正しく検出できない場合であっても水面と水面以外の領域との境界線を検出することが可能になる。

以下、水面境界検出システム１００の変形例について説明する。
本実施形態では、画像入力部２１０は、リアルタイムで撮影された画像を入力する構成を示したが、これに限定される必要はない。例えば、画像入力部２１０は、例えばＣＤ−ＲＯＭやＵＳＢメモリ（Universal Serial Bus Memory）等の記録媒体に記録された処理対象画像のデータを読み出して入力してもよい。また、画像入力部２１０は、ネットワークを介して他の情報処理装置から処理対象画像のデータを受信してもよい。画像入力部２１０は、処理対象画像のデータの入力を受けることが可能な構成であれば、さらに異なる態様で構成されてもよい。

撮影装置１０は、河川２沿いに複数台設置されてもよい。このように構成される場合、表示部２２は、並べて表示してもよいし、切り替えて表示してもよい。
境界候補領域が自動的に検出できない場合には、画像処理部２１はユーザが設定した値を境界候補領域として用いてもよいし、初期値として設定されている値を境界候補領域として用いてもよいし、システム外で計測される水位から得られる予測領域を境界候補領域としてもよいし、これらのいずれを組み合わせてもよい。また、境界候補領域をユーザが修正可能に構成されてもよい。

また、画像処理部２１は、環境光の変化や天候の変化によって時間間隔を変更してもよい。例えば、境界候補領域が自動的に取得できない場合や、特徴量の信頼性が低いと判断されたときには過去の学習モデルを代用することも出来る。
本実施形態では、学習モデル生成部２３０は、学習時に特徴量として色を用いる構成を示したが、水面の特徴点の動きの方向を用いてもよいし、両方を併用してもよい。

以上説明した少なくともひとつの実施形態によれば、水面と、水面以外の背景が撮影された画像を入力する画像入力部２１０と、入力された画像に基づいて水面の特徴と、背景の特徴とを学習することによって学習モデルを生成する学習モデル生成部２３０と、入力された画像と、学習モデルとを用いて、水面と、背景との境界線を検出する境界線検出部２５０とを持つことにより、エッジが正しく検出できない場合であっても水面と水面以外の領域との境界線を検出することができる。

上述した水面境界検出装置２０の各機能をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。

さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ（Field Programmable Gate Array）等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１０…撮影装置，２０…水面境界検出装置，２１…画像処理部，２２…表示部，２１０…画像入力部，２２０…境界候補検出部，２２１…バッファ，２２２…動き検出部，２２３…ブレ補正部，２２４…差分検出部，２２５…候補領域検出部，２３０…学習モデル生成部，２４０…学習モデル記憶部，境界線検出部２５０…

Claims (12)

1. 水面と、前記水面以外の背景が撮影された画像を入力する画像入力部と、
   入力された前記画像に基づいて前記水面の特徴と、前記背景の特徴とを学習することによって学習モデルを生成する学習モデル生成部と、
   入力された前記画像と、前記学習モデルとを用いて、前記水面と、前記背景との境界線を検出する境界線検出部と、
   を備える水面境界検出装置。
2. 前記画像から前記水面と、前記背景との間のおおまかな境界領域を表わす境界候補領域を検出する境界候補検出部をさらに備え、
   前記学習モデル生成部は、前記境界候補領域を基準として前記水面と、前記背景とを分割して前記学習モデルを生成する、請求項１に記載の水面境界検出装置。
3. 前記画像と、前記画像と同じ場所で撮影された過去の画像との差分を画素毎に算出し、複数の画素で構成されるブロック単位で差分結果の合計値を算出し、前記合計値が閾値以上であるブロックを水面領域と判定し、前記合計値が閾値未満であるブロックを背景領域と判定する差分検出部をさらに備え、
   前記境界候補検出部は、判定された前記水面領域と、前記背景領域との境界となる領域を前記境界候補領域として検出する、請求項２に記載の水面境界検出装置。
4. 前記境界線検出部は、前記画像を、前記学習モデルに基づいて、水面領域と、背景領域とに領域分割することによって前記水面と、前記背景との境界線を検出する、請求項１から３のいずれか一項に記載の水面境界検出装置。
5. 水面と、前記水面以外の背景が撮影された画像を入力する画像入力ステップと、
   入力された前記画像に基づいて前記水面の特徴と、前記背景の特徴とを学習することによって学習モデルを生成する学習モデル生成ステップと、
   入力された前記画像と、前記学習モデルとを用いて、前記水面と、前記背景との境界線を検出する境界線検出ステップと、
   を有する水面境界検出方法。
6. 前記画像から前記水面と、前記背景との間のおおまかな境界領域を表わす境界候補領域を検出する境界候補検出ステップをさらに有し、
   前記学習モデル生成ステップにおいて、前記境界候補領域を基準として前記水面と、前記背景とを分割して前記学習モデルを生成する、請求項５に記載の水面境界検出方法。
7. 前記画像と、前記画像と同じ場所で撮影された過去の画像との差分を画素毎に算出し、複数の画素で構成されるブロック単位で差分結果の合計値を算出し、前記合計値が閾値以上であるブロックを水面領域と判定し、前記合計値が閾値未満であるブロックを背景領域と判定する差分検出ステップをさらに有し、
   前記境界候補検出ステップにおいて、判定された前記水面領域と、前記背景領域との境界となる領域を前記境界候補領域として検出する、請求項６に記載の水面境界検出方法。
8. 前記境界線検出ステップにおいて、前記画像を、前記学習モデルに基づいて、水面領域と、背景領域とに領域分割することによって前記水面と、前記背景との境界線を検出する、請求項５から７のいずれか一項に記載の水面境界検出方法。
9. 水面と、前記水面以外の背景が撮影された画像を入力する画像入力ステップと、
   入力された前記画像に基づいて前記水面の特徴と、前記背景の特徴とを学習することによって学習モデルを生成する学習モデル生成ステップと、
   入力された前記画像と、前記学習モデルとを用いて、前記水面と、前記背景との境界線を検出する境界線検出ステップと、
   をコンピュータに実行させるためのコンピュータプログラム。
10. 前記画像から前記水面と、前記背景との間のおおまかな境界領域を表わす境界候補領域を検出する境界候補検出ステップをさらに実行させ、
    前記学習モデル生成ステップにおいて、前記境界候補領域を基準として前記水面と、前記背景とを分割して前記学習モデルを生成する、請求項９に記載のコンピュータプログラム。
11. 前記画像と、前記画像と同じ場所で撮影された過去の画像との差分を画素毎に算出し、複数の画素で構成されるブロック単位で差分結果の合計値を算出し、前記合計値が閾値以上であるブロックを水面領域と判定し、前記合計値が閾値未満であるブロックを背景領域と判定する差分検出ステップをさらに実行させ、
    前記境界候補検出ステップにおいて、判定された前記水面領域と、前記背景領域との境界となる領域を前記境界候補領域として検出する、請求項１０に記載のコンピュータプログラム。
12. 前記境界線検出ステップにおいて、前記画像を、前記学習モデルに基づいて、水面領域と、背景領域とに領域分割することによって前記水面と、前記背景との境界線を検出する、請求項９から１１のいずれか一項に記載のコンピュータプログラム。

Images