JP2019192059A - 対象物認識装置 - Google Patents

Abstract

【課題】 ＣＡＤデータがなくとも地物を適切に抽出することのできる装置を提供する。【解決手段】三次元点群データ取得手段１０は、認識対象物を測定した三次元点群データを取得する。分布特性算出手段１２は、三次元点群データを内包する直方体を基準として、三次元点群データにおける点群の分布特性を数値として算出する。推定手段１４は、算出した分布特性の数値に基づいて、対象物を推定する。推定手段１４は、たとえば、ランダムフォレストによって学習したものを用いることができる。【選択図】 図１８

Description

この発明は、対象物を認識するための装置に関するものである。

レーザスキャナなどによって道路、標識、建物などを計測した三次元点群データに基づいて、標識、建物などの地物を抽出することが行われている。作業者が画面を見ながら、各地物を判定して抽出し属性を付与することは、確実性は高いものの、煩雑であり抽出時間を要するという問題がある。

非特許文献１には、三次元点群データに対応するＣＡＤデータに基づいて、三次元点群データから地物を抽出して属性を付与する処理が開示されている。

特許文献１には、三次元点群データを複数の水平面に投影した図形に基づいて、テンプレートマッチングによって地物を認識する装置が開示されている。

これらにより、三次元点群データに基づいて地物を認識することができる。

また、機械学習によって三次元点群データから地物を抽出することも提案されている。このようなシステムを実現するためには、大量の学習データが必要である。非特許文献２には、ＣＡＤデータに基づいて学習データとしての三次元点群データを生成する手法が開示されている。

特開２０１７−１６７０９２

中村健二他「完成平面図に基づいた点群データの地物抽出技術に関する研究」土木学会論文集（土木情報学）７３巻２号、I_424-I_432、２０１７年 深野健太他「移動計測データに基づく地類分類のための学習データ生成方法」2014年精密工学会秋季学術講演会講演論文集

しかしながら、非特許文献１の手法では、三次元点群データに対応するＣＡＤデータやカラー画像データに基づいて、地物に対応する三次元点群データを抽出するようにしている。このため、三次元点群データに対応するＣＡＤデータやカラー画像データが存在しない場合には、地物を抽出できないという問題があった。

また、ＣＡＤデータの作成時には存在しなかった地物や、ＣＡＤデータ作成後に除去された地物については、これらを正しく抽出できないという問題もあった。

また、特許文献１の手法では、複数の水平断面によって認識を行うようにしているが、対象物の傾きや方向によって必ずしも正確な認識が行えないという問題があった。また、対象物の特徴を正確に捉えることができず認識が正確でないという問題があった。

さらに、深層学習や機械学習を行って三次元点群データから地物を抽出するとしても、その学習データを大量に用意しなければならなかった。非特許文献２は、これを解決するための一手法ではあるが、ＣＡＤデータに基づいて学習用データを生成するものであって、ＣＡＤデータが存在しない場合には、用いることができなかった。

この発明は、上記のような問題点を解決して、ＣＡＤデータがなくとも地物を適切に抽出することのできる装置を提供することを目的とする。

この発明のいくつかの独立して適用可能な特徴を以下に示す。

(1)(2)この発明に係る認識装置は、対象物を区別して認識するための認識装置であって、対象物を測定した三次元点群データを取得するデータ取得手段と、前記対象物の三次元点群データを内包する三次元領域を基準として、三次元点群データにおける点群の分布特性を数値として算出する分布特性算出手段と、算出した分布特性の数値に基づいて、対象物を推定する推定手段とを備えている。

したがって、対象物の分布特性によって対象物を推定することができる。

(3)この発明に係る認識装置において、三次元点群データは、道路および地物を測定したものであり、領域生成手段は、地物に対応する道路面を基準として地物を内包する三次元領域を定義することを特徴としている。

したがって、異なる場所にある同一種類の地物についても、その向きや角度に拘わらず同じようにこれを内包する三次元領域を形成することができ、認識精度を向上させることができる。

(4)この発明に係る認識装置は、分布特性算出手段が、前記三次元領域のＸ方向長さ、Ｙ方向長さまたはＺ方向長さを分布特性として算出することを特徴としている。

したがって、横長・縦長の対象物を推定することができる。

(5)この発明に係る認識装置は、分布特性算出手段が、少なくともＸ軸またはＹ軸にて前記三次元領域を短冊状に区切った時の各区画に含まれる点の数の分散を分布特性として算出することを特徴としている。

形状変化に富んだ対象物・変化に乏しい対象物を推定することができる。

(6)この発明に係る認識装置は、分布特性算出手段が、少なくとも前記三次元領域を上下に分割し、上部・下部に含まれる点の数の比率を分布特性として算出することを特徴としている。

したがって、上広がり・下広がりな対象物を推定することができる。

(7)この発明に係る認識装置は、分布特性算出手段が、少なくとも前記三次元領域のＸ方向長さまたはＹ方向長さと、Ｚ方向長さとの比率を分布特性として算出することを特徴としている。

したがって、横長・縦長の対象物を推定することができる。

(8)この発明に係る認識装置は、分布特性算出手段が、少なくとも前記三次元領域のＺ方向の所定間隔の位置での三次元点群データのＸ方向幅またはＹ方向幅の変化量を分布特性として算出することを特徴としている。

したがって、突き出た部分のある対象物を推定することができる。

(9)この発明に係る認識装置は、分布特性算出手段が、少なくともＺ軸にて前記三次元領域を短冊状に区切った時の点の数が最も多い区画の点の密度を分布特性として算出することを特徴としている。

したがって、人工構造物・自然物の対象物を推定することができる。

(10)この発明に係る認識装置は、分布特性算出手段が、少なくとも三次元点群データ全体の法線ベクトルのＺ軸に対する傾きを分布特性として算出することを特徴としている。

したがって、注状対象物、面的対象物を推定することができる。

(11)この発明に係る認識装置は、分布特性算出手段が、少なくともＺ軸にて前記三次元領域を短冊状に区切った時の各区画の点群データの法線ベクトルのＺ軸に対する傾きのばらつきを分布特性として算出することを特徴としている。

したがって、注状対象物、面的対象物を推定することができる。

(12)この発明に係る認識装置は、分布特性算出手段が、少なくともＺ軸にて前記三次元領域を短冊状に区切った断面における点群データの面積の累積変化量を分布特性として算出することを特徴としている。

したがって、形状の変化を示す指標に基づいて、対象物を推定することができる。

(13)この発明に係る認識装置は、分布特性算出手段が、少なくともテンプレートマッチングによる合致率を分布特性として算出することを特徴としている。

したがって、テンプレートマッチングの結果も含めて推定を行うことができる。

(14)この発明に係る認識装置は、推定手段が、前記分布特性に基づいて機械学習を行って推定を行うものであることを特徴としている。

したがって、より正確な推定を行うことができる。

(15)この発明に係る認識装置は、推定手段が、前記三次元点群データの存在する位置に基づいて当該三次元点群データをグループ分けし、当該グループごとに機械学習または深層学習を行って対象物を推定することを特徴としている。

したがって、認識すべき対象物の種類が増えても、正確な推定を行うことができる。

(16)この発明に係る認識装置は、推定手段が、各点における反射強度または色データまたはその双方も考慮して対象物を推定することを特徴としている。

したがって、反射率または色データまたはその双方に基づく対象物推定を行うことができる。

(17)この発明に係る認識装置の生産方法は、対象物を測定した三次元点群データに基づいて、対象物を区別して識別するための認識装置を生産する方法であって、学習対象物を測定した三次元点群データを内包する三次元領域を形成し、前記三次元領域を基準として、三次元点群データにおける点群の分布特性を数値として算出し、学習によって上記認識処理を実現する装置に、算出した分布特性の数値を学習データとして与えて学習させることを特徴としている。

したがって、対象物の分布特性によって対象物を推定することができる。

(18)(19)この発明に係る認識装置は、計測された三次元点群データから車道被覆オブジェクトを認識するための認識装置であって、計測された三次元点群データを取得する取得手段と、前記三次元点群データから車道オブジェクトを抽出する道路抽出手段と、前記抽出された車道オブジェクトの上に重なるオブジェクトを抽出する車道上部オブジェクト抽出手段と、前記被覆オブジェクトを前記車道オブジェクトに設定された車線方向に垂直な所定間隔の平面にて断面を形成し、各断面において前記被覆オブジェクトが実質的に同一形状であれば車道被覆オブジェクトであると推定する車道被覆オブジェクト抽出手段とを備えている。

したがって、車道被覆オブジェクトを適切に推定することができる。

(20)この発明に係る認識装置は、車道被覆オブジェクトとして、少なくともカルバート、シェッド、シェルターまたはトンネルを含むことを特徴している。

したがって、これらのオブジェクトを適切に推定することができる。

(21)この発明に係る認識装置は、車線方向が、計測時に走行方向として取得されたものであることを特徴としている。

したがって、正しく車線方向を設定することができる。

(22)(23)この発明に係る認識装置は、計測された三次元点群データから擁壁オブジェクトを認識するための認識装置であって、対象物を測定した三次元点群データを取得するデータ取得手段と、前記三次元点群データから車道オブジェクトを抽出する車道抽出手段と、前記車道オブジェクトの端部に接する近似平面を形成する点群データを見いだし、当該近似平面と車道との角度が所定角度以上であれば、当該近似平面を擁壁であると推定する擁壁推定手段とを備えている。

したがって、擁壁オブジェクトを適切に推定することができる。

「データ取得手段」は、実施形態においては、ステップＳ２１がこれに対応する。

「分布特性算出手段」は、実施形態においては、ステップＳ２７４がこれに対応する。

「推定手段」は、実施形態においては、ステップＳ２７５がこれに対応する。

「プログラム」とは、ＣＰＵにより直接実行可能なプログラムだけでなく、ソース形式のプログラム、圧縮処理がされたプログラム、暗号化されたプログラム等を含む概念である。

この発明の一実施形態による認識装置の学習の概要を示す図である。 認識装置のハードウエア構成である。 認識プログラム４８の学習処理のフローチャートである。 オブジェクトとバウンダリーボックスを示す図である。 特徴量の一例を示す図である。 特徴量Ｆ１、Ｆ２、Ｆ３の算出を説明するための図である。 特徴量Ｆ４、Ｆ５の算出を説明するための図である。 特徴量Ｆ６の算出を説明するための図である。 特徴量Ｆ７、Ｆ８の算出を説明するための図である。 特徴量Ｆ９〜Ｆ１２の算出を説明するための図である。 特徴量Ｆ１３の算出を説明するための図である。 特徴量Ｆ１４の算出を説明するための図である。 特徴量Ｆ１５の算出を説明するための図である。 生成された特徴量と、三次元点群データとの関係を示す図である。 決定木の生成処理を示す図である。 決定木における識別子の選択を説明するための図である。 決定木の生成を説明するための図である。 第２の実施形態による認識装置の全体構成図である。 認識プログラム４８の認識処理のフローチャートである。 計測された三次元点群データの例である 地盤点の抽出のフローチャートである。 地盤点抽出を説明するための図である。 バウンダリーボックスを設定した状態を示す図である。 トンネルなど（道路被覆オブジェクト）の推定処理のフローチャートである。 トンネルなど（道路被覆オブジェクト）の推定処理を説明するための図である。 擁壁の推定処置のフローチャートである。 擁壁の推定処理を説明するための図である。 位置及び高さに基づくグループ分けの判断基準を示す図である。 歩道の抽出を説明するための図である。 推定処理のフローチャートである。 ランダムフォレストによる推定処理のフローチャートである。

１．第１の実施形態
1.1全体構成
図１に、この発明の一実施形態による認識装置の学習方法を示す。これにより、機械学習プログラムが学習を行って、三次元点群データによって表されるオブジェクト（対象物）の種類を認識する認識装置を生成することができる。なお、機械学習プログラムとしては、ランダムフォレストによって機械学習を行うプログラムを用いることができるが、他の機械学習プログラムを用いてもよい。

まず、オブジェクトの三次元点群データ２を取得する。これは、計測した三次元点群データから、各オブジェクトを分離したものである。次に、オブジェクトの三次元点群データ２を内包する直方体４を基準として、三次元点群データの点群の分布特性を数値として算出する。

上記のようにして算出した分布特性を用いて、機械学習プログラムを学習させる。これにより、オブジェクトの三次元点群データに基づいて、対象物の種類を認識する認識装置を生成することができる。

1.2ハードウエア構成
図２に、認識装置のハードウエア構成を示す。ＣＰＵ３０には、メモリ３２、ディスプレイ３４、通信回路３６、ハードディスク３８、ＤＶＤ−ＲＯＭドライブ４０、キーボード／マウス４２、記録媒体ドライブ４４が接続されている。通信回路３６は、インターネットに接続するためのものである。記録媒体ドライブ４４は、可搬性記録媒体５２に記録された三次元点群データを取り込むためのものである。

ハードディスク３８には、オペレーティングシステム４６、認識プログラム４８が記録されている。認識プログラム４８は、機械学習によって学習を行なうことで、与えられた三次元点群データによって示されるオブジェクトの種類を認識するものである。認識プログラム４８は、オペレーティングシステム４６と協働してその機能を発揮するものである。これらプログラムは、ＤＶＤ−ＲＯＭ５０に記録されていたものを、ＤＶＤ−ＲＯＭドライブ４０を介して、ハードディスク３８にインストールしたものである。

1.3学習処理
図３に、認識プログラム４８の学習データ生成処理のフローチャートを示す。この処理においては、オブジェクトごとの三次元点群データを学習用元データとして、これに基づいて学習データを生成する。

ＣＰＵ３０は、学習用元データである多数のオブジェクトの三次元点群データを取得する（ステップＳ１）。図４Ａにオブジェクトの三次元点群データ２の例を示す。この三次元点群データには、そのオブジェクトの種類が属性として付与されている。たとえば、図４Ａのオブジェクトであれば、「信号機」として種類が付与されている。学習元データとしては、いくつかの種類のオブジェクトの三次元点群データが多数用意されていることが好ましい。

次に、ＣＰＵ３０は、これらのオブジェクトの三次元点群データのぞれぞれについて、これを内包する直方体（バウンダリーボックス）を生成する（ステップＳ３）。なお、この実施形態では、三次元点群データを内包する最小容積の直方体をバウンダリーボックスとして生成しているが、これよりも所定寸法大きいバウンダリーボックスを生成するようにしてもよい。

この実施形態では、バウンダリーボックスを生成しているが、オブジェクトの三次元点群データに既にバウンダリーボックスが付与されている場合には、これをそのまま用いてもよい。図４Ｂに、オブジェクトの三次元点群データ２に対して形成されたバウンダリーボックス４の例を示す。

なお、この実施形態においては、当該オブジェクトに対応する位置の道路面（道路進行方向、道路横断方向によって定義される面）を基準としてバウンダリーボックス４を生成するようにしている。これにより、図７Ｃに示すように、道路の進行方向５、横断方向７に応じて、バウンダリーボックス４の基準面が異なるように生成される。地物は、道路の進行方向、横断方向の傾きに沿うように設置されるのが通常であるから、このように、道路面に対してバウンダリーボックスの底面が並行となるようにバウンダリーボックス４を生成することで、地物の種類による違いを明確にした学習を行うことができる。

なお、オブジェクトに対応する位置の道路面は、たとえば、道路進行方向の垂線がオブジェクトの底面中心と交わる時の道路垂線近傍の位置として算出することができる。

なお、絶対座標に基づいてバウンダリーボックスを生成した後に、対応する道路面に対してバウンダリーボックスの底面が並行になるようにバウンダリーボックスを回転させるようにしてもよい。

次に、ＣＰＵ３０は、バウンダリーボックス４を基準として、三次元点群データについての分布特性を算出する（ステップＳ４）。図５に、分布特性の例を示す。ここでは、分布特性として特徴量Ｆ１〜Ｆ１６＋ｎを算出している。

図６に、特徴量Ｆ１〜Ｆ３を模式的に示す。図において、高さ方向がＺ軸、道路の延長方向（三次元点群データ計測時の車の進行方向）がＹ軸、道路の延長方向と同じ高さの平面においてＹ軸と直交するのがＸ軸である。

特徴量Ｆ１は、バウンダリーボックス４のＸ軸方向幅（横幅という）である。特徴量Ｆ２は、バウンダリーボックス４のＹ軸方向幅（縦幅という）である。特徴量Ｆ３は、Ｚ軸方向高さである。

これら特徴量Ｆ１〜Ｆ３は、照明やガードレールなどの横長・縦長の地物を特定するための特徴である。

図７に、特徴量Ｆ４の算出を説明する。図７Ａに示すように、Ｘ軸に沿う所定間隔にて、ＹＺ平面でバウンダリーボックス４を短冊状に区切る。これにより、所定間隔幅の区間Ｄ1、Ｄ2・・・Ｄｎが得られる。当該各区間Ｄ1、Ｄ2・・・Ｄｎにおける点の数を計数し、図７Ｂに示すようにそのヒストグラムを算出する。特徴量Ｆ４は、その標準偏差である。

特徴量Ｆ５は、Ｙ軸に沿う所定間隔にてＸＺ平面でバウンダリーボックス４を短冊状に区切り、上記と同様にしてヒストグラムの標準偏差を求めたものである。

これら特徴量Ｆ４、Ｆ５は、照明柱などの形状に変化のない地物や、照明などの形状変化に富んだ地物を特定するための特徴である。

図８に、特徴量Ｆ６の算出を説明する。図８に示すように、バウンダリーボックス４を上下に２分割した時、上半分に含まれる点の数と下半分に含まれる点の数の比率を算出する。特徴量Ｆ６は、この比率（上半分の点の数／下半分の点の数）である。

特徴量Ｆ６は、樹木のように幹部と葉部で大きく点の数が変わる地物を特定するための特徴である。

図９に、特徴量Ｆ７、Ｆ８の算出を説明する。特徴量Ｆ７は、バウンダリーボックスの横幅（Ｘ幅とＹ幅の広い方）と高さの比率である。特徴量Ｆ８は、バウンダリーボックスの縦幅（Ｘ幅とＹ幅の狭い方）と高さの比率である。

特徴量Ｆ７、Ｆ８は、照明やガードレールなどの横長・縦長の地物を特定するための特徴である。

図１０に、特徴量Ｆ９〜Ｆ１２の算出を説明する。図１０に示すように、Ｚ軸に沿う所定間隔にてＸＹ平面でバウンダリーボックスを短冊状に区切る。これにより、所定間隔幅の区間が得られる。点群の横幅（バウンダリーボックス４のＸ幅とＹ幅の広い方の方向の幅）の、各区間ごとの最大値を区間横幅とする。全区間において最も広い区間横幅を最大点群横幅とし、最も狭い区間横幅を最小点群横幅とする。特徴量Ｆ９は、最大点群横幅−最小点群横幅として算出される。

前記各区間における点群の縦幅（バウンダリーボックス４のＸ幅とＹ幅の狭い方の方向の幅）の、各区間ごとの最大値を区間縦幅とする。全区間において最も広い区間縦幅を最大点群縦幅とし、最も狭い区間縦幅を最小点群縦幅とする。特徴量Ｆ１０は、最大点群縦幅−最小点群縦幅として算出される。

各点の反射強度の最大値を区間ごとに算出し、区間最大反射強度とする。この区間最大反射強度が、所定値以上ある区間の数を計数する。特徴量Ｆ１１は、この区間の数である。なお、所定値としては、道路標識などの反射率の高い部位とそれ以外の部位とを区別できる程度の値とすることが好ましい。

区間ごとに点密度を算出する。最も点密度の高かった区間の点密度が、特徴量Ｆ１２である。

特徴量Ｆ９、Ｆ１０は、標識のように突き出た部分がある地物を特定するための特徴である。特徴量Ｆ１１は、標識などの反射強度の強い部分のある地物を特定するための特徴である。特徴量Ｆ１２は、点の集中する地点の密度から人工構造物（照明など）と自然物（樹木など）を区別するための特徴である。

図１１に、特徴量Ｆ１３の算出を説明する。三次元点群データの近似直線を算出する。この近似直線の法線ベクトルＶを求め、法線ベクトルＶがＺ軸となす角度を算出する。特徴量Ｆ１３は、この角度である。

図１２に、特徴量Ｆ１４の算出を説明する。図１２に示すように、Ｚ軸に沿う所定間隔にてＸＹ平面でバウンダリーボックスを短冊状に区切る。これにより、所定間隔幅の区間が得られる。各区間ごとに、三次元点群データの近似直線を算出し、その法線ベクトルＶ1〜Ｖnを算出する。これら法線ベクトルＶ1〜ＶnがＺ軸となす角度を算出する。この各区間における角度の標準偏差を算出する。特徴量Ｆ１４は、この標準偏差である。

特徴量Ｆ１３、Ｆ１４は、ベクトルを算出することで柱状地物や面的な地物を特定するための特徴である。

図１３に、特徴量Ｆ１５の算出を説明する。図１２に示すように、Ｚ軸に沿う所定間隔にてＸＹ平面でバウンダリーボックスを短冊状に区切る。各ＸＹ平面における点群データの断面積を算出する。下側からＸＹ平面における断面積の変化をみて、累積変化量を算出する。特徴量Ｆ１５は、この累積変化量である。

特徴量Ｆ１５は、どれだけ形状に変化があるかを示す指標である。

この実施形態では、上記に加えて、テンプレートマッチング（形状比較）を行った際の一致率も特徴量として用いている。認識対象であるそれぞれの地物の基準となる三次元点群データを用意しておき、学習用元データ（三次元点群データ）が、この各地物の基準三次元点群データと類似する度合い（一致率）を算出する。この一致率が特徴量Ｆ１６〜Ｆ１６+ｎである。この例では、ｎ個の（地物の）基準三次元点群データを用意しているので、特徴量Ｆ１６〜Ｆ１６＋ｎまで、ｎ個の特徴が算出されることになる。

たとえば、交通島、分離帯、植栽および防雪林、標識柱・表示板、照明柱、道路反射鏡、信号機、ガードレール、電柱、ポールコーン、視線誘導標、踏切、施設・建物、フェンスなどのテンプレートを用意してこれらとの一致率を算出して用いることができる。

以上のようにして、学習用元データ（オブジェクトの三次元点群データ）について、分布特性を算出すると、ＣＰＵ３０は、オブジェクトの地物名（信号機など）を属性として付与する（ステップＳ５）。したがって、１つの学習用元データに対して、特徴量Ｆ１〜Ｆ１６＋ｎおよび地物名が学習用データとして生成されることになる。

ＣＰＵ３０は、この処理を、全ての学習用元データについて繰り返し、多数の学習用データを生成する（ステップＳ２、Ｓ６）。このようにして生成された学習用データの例を、図１４に示す。それぞれの学習用元データ（３次元点群データＤ1、Ｄ2・・・Ｄn）に対して、算出された特徴量が記録されている。また、全ての属性の学習用元データが与えられているだけでなく、同じ属性のオブジェクトについて多数の学習用元データが与えられているので、これに基づく学習データも多数生成されることになる。

次に、ＣＰＵ３０は、生成した学習用データに基づいて学習を行う。この実施形態では、以下に示すようにランダムフォレストによる機械学習を行うようにしている。そのフローチャートを図１５に示す。

ＣＰＵ３０は、図１４に示す三次元点群データＤ１、Ｄ2・・・Ｄnから、所定数の三次元点群データをランダムに選択してデータセットをｍ個生成する（ステップＳ１１）。したがって、図１４の下段に示すようなｍ個のデータセットが生成される。

次に、ＣＰＵ３０は、決定木作成に用いるための特徴を、上記特徴Ｆ１〜Ｆ１６＋ｎの中から、ランダムに所定個ｐ選択する（ステップＳ１３）。ＣＰＵ３０は、対象となるデータセットについて、選択されたｐ個の特徴に基づいて、オブジェクトの種類を分離して決定するための決定木を生成する（ステップＳ１４）。

決定木の生成は、ランダムフォレストの手法を用いることができる。概要を示すと以下のとおりである。

ＣＰＵ３０は、対象とするデータセットに基づいて、これらに含まれるオブジェクトの種類を適切に分離することのできる識別子を、ステップＳ１３にて選択したｐ個の特徴を用いて生成する。

たとえば、図１６に示すような三次元点群データがあったとする。ＣＰＵ３０は、各特徴についてしきい値を変化させて、分離の度合いを検討する。

たとえば、特徴Ｆ１を用いてしきい値を９として、三次元点群データを２つに分離すると、しきい値９以上はＤ6、Ｄ7であり、しきい値９未満はＤ1〜Ｄ5である。建物であるＤ5、Ｄ6、Ｄ7について分離が上手くなされていない。

特徴Ｆ３を用いてしきい値を９として、三次元点群データを２つに分離すると、しきい値９以上はＤ6であり、しきい値９未満はＤ1〜Ｄ5、Ｄ7である。この場合も、建物であるＤ5、Ｄ6、Ｄ7について分離が上手くなされていない。

特徴Ｆ３を用いてしきい値を５として、三次元点群データを２つに分離すると、しきい値９以上はＤ2、Ｄ5、Ｄ6、Ｄ7であり、しきい値９未満はＤ1、Ｄ3、Ｄ4である。前者には照明、建物のみが含まれ、後者には標識、ポストのみが含まれている。したがって、上記の場合であれば、「特徴Ｆ３が５以上であること」という識別子が最も好ましいものとして決定されることになる。

具体的には、二分木のノードについて、各特徴Ｆとしきい値について三次元点群データを評価した際のエントロピーが最も小さくなる特徴Ｆとしきい値を識別子として決定する。

さらに、Ｆ３が５未満であるＤ1、Ｄ3、Ｄ4について、各特徴についてしきい値を変化させて、最も適切に分離ができる識別子を見いだす。同様に、Ｆ３が５以上であるＤ2、Ｄ5、Ｄ6、Ｄ7についても、適切な識別子を見いだす。このようにして、図１７に示すような決定木を生成する。

決定木の階層の深さは、図１７に示すように、オブジェクトの分類名でこれ以上分離できなくなるまで、あるいは、所定の階層深さに達するまでとしている。

このようにして、対象となるデータセットについて決定木を生成すると、次のデータセットについて決定木を生成する。この際に用いる特徴セットは、ランダムに選択され、前回と異なるものである（ステップＳ１３）。この処理を繰り返すことで（ステップＳ１２、Ｓ１５）、全てのデータセットに関して、決定木が生成される。すなわち、複数の決定木が生成される。

それぞれの決定木は、三次元点群データの特徴を与えることにより、当該特徴を持つ三次元点群データがいずれの種類のオブジェクトであるかを推定することができるものである。

以上のようにして、認識装置の学習が完了する。この認識装置によって、与えられた三次元点群データがどの種類のオブジェクトであるかを推定する場合には、当該三次元点群データの特徴Ｆ１〜Ｆ１６＋ｎを算出し、これを上記の各決定木に与える。各決定木による推定結果の多数決をとることにより、与えられた三次元点群データのオブジェクトの種類を推定することができる。

1.4その他
(1)上記実施形態では、テンプレートマッチングによる一致率を分布特性として学習データとして用いている。しかし、テンプレートマッチングによる一致率を用いないようにしてもよい。

(2)上記実施形態では、識別子を決定する際に、各特徴についてしきい値を変動させて最適なしきい値を見いだすようにしている。しかし、各特徴について、予めしきい値を決定し固定しておいてもよい。

(3)上記実施形態では、三次元点群データについて説明した。しかし、二次元点群データについても同様に適用することができる。

(4)上記実施形態では、計測して得た三次元点群データに基づいて特徴量を算出し学習用データとしている。しかし、計測して得た三次元点群データの点密度を変えるなどの加工を施したものに基づいて特徴量を算出して学習用データとしてもよい。また、計測したものではなく、三次元ＣＡＤデータなどから生成した三次元点群データに基づいて特徴量を算出して学習用データとしてもよい。

(5)上記実施形態では、地物のオブジェクトについて説明した。しかし、自動車などその他のオブジェクトを測定した三次元点群データについても適用することができる。

(6)上記実施形態では、道路面を基準として（道路面とバウンダリーボックスの底面が一致するように）バウンダリーボックスを生成している。しかし、絶対的な座標を基準としてバウンダリーボックスを生成するようにしてもよい。この場合であっても、バウンダリーボックスを基準として三次元点群データの分布を特徴として抽出することができ、バウンダリーボックスを用いない場合に比べて認識精度を向上させることができる。

(7)上記実施形態では、三次元点群データを内包する直方体をバウンダリーボックスとして生成している。しかし、多角柱や円柱あるいはその他の形状の三次元領域をバウンダリーボックスとして生成するようにしてもよい。

(8)上記実施形態および変形例は、その本質に反しない限り、他の実施形態と組み合わせて実施可能である。

２．第２の実施形態
2.1全体構成
図１８に、この発明の一実施形態による認識装置を示す。三次元点群データ取得手段１０は、認識対象物を測定した三次元点群データを取得する。分布特性算出手段１２は、三次元点群データを内包する直方体を基準として、三次元点群データにおける点群の分布特性を数値として算出する。推定手段１４は、算出した分布特性の数値に基づいて、対象物を推定する。

なお、推定手段１４は、ランダムフォレストなどの機械学習によって形成してもよいし、その他のアンサンブル学習法によって形成してもよい。また、深層学習によって形成してもよい。さらに、確定的な論理構造（１つの決定木など）によって推論を行うようにしてもよい。

2.2ハードウエア構成
ハードウエア構成は、第１の実施形態と同様である。

2.3推定処理
図１９に、認識プログラム４８の推定処理のフローチャートを示す。この実施形態では、主としてランダムフォレストによって機械学習を行った認識装置を用いている。

以下では、測定した三次元点群データに表れたオブジェクトがいずれの地物に該当するかを認識する処理を説明する。

ＣＰＵ３０は、ハードディスク３８に記録されている三次元点群データをメモリ３２に展開する（ステップＳ２１）。この三次元点群データ３２は、可搬性記録媒体５２に記録されていたものを、記録媒体ドライブ４４を介して、ハードディスク３８に取り込んだものである。また、この実施形態では、三次元点群データ３２としてモービル・マッピング・システム（ＭＭＳ）によって取得したデータを用いている。ＭＭＳでは、自動車などにレーザスキャナ・ＧＰＳ受信機を搭載し、走行しながら路面や地物などの三次元形状を三次元点群データとして得ることができる。また、この実施形態では、レーザの反射強度を、三次元点群データの各点の属性として記録している。さらに、自動車などの走行軌跡も併せてデータとして記録している。

図２０に、三次元点群データの例を示す。道路、地物の表面の形状が三次元点群によって表されたデータとなっている。

次に、ＣＰＵ３０は、この三次元点群データから地盤点を抽出する（ステップＳ２２）。図２１に、地盤点抽出処理のフローチャートを示す。ＣＰＵ３０は、クロスシミュレーション手法によって地盤点を抽出する（ステップＳ２２１）。クロスシミュレーション手法は、以下のとおりである。三次元点群データの標高値を反転する。たとえば、図２２Ａに示すような断面の三次元点群デーがあれば、図２２Ｂに示すような反転三次元点群データが得られる。

次に、ＣＰＵ３０は、反転三次元点群データに対して上方向から布をかけたようにシミュレーションを行う。図２２Ｃに、シミュレーションされた布を破線にて示す。続いて、ＣＰＵ３０は、当該シミュレーションされた布が接する三次元点群データを地盤点として抽出する。次に、ＣＰＵ３０は標高値を再反転して、図２２Ｄに示すような地盤点を得る。

このようにして抽出された地盤点は、概ね正確であるが、図２２Ｄに示すように、地物の存在する近傍６０において一部地物を含んでしまうことがある。そこで、抽出された各地盤点によって形成される線の法線方向を算出し、当該法線方向が上下方向に対して所定角度以上（たとえば３０度以上）の部分を地盤点から除く（ステップＳ２２２）。これにより、図２２Ｅに示すような地盤点を得ることができる。

なお、この実施形態では、地盤点抽出にクロスシミュレーションを用いたが、最下点抽出方法など他の方法によって地盤点を抽出してもよい。

以上のようにして地盤点を抽出すると、ＣＰＵ３０は、三次元点群データから地盤点を取り除く（ステップＳ２３）。これにより、地盤の上に存在するオブジェクトのみの三次元点群データが得られる。

次に、ＣＰＵ３０は、この三次元点群データを塊ごとにオブジェクトにまとめる（ステップＳ２３）。三次元空間をグリッドで分割し、上下左右斜めに隣接するグリッドに点が存在する場合、これらを一つにまとめていく処理を行い、オブジェクトを見いだしていく。この処理としては、たとえば、コネクテッド・コンポーネントを用いた空間ラベリングの手法を用いることができる。そして、各オブジェクトを内包するバウンダリーボックスを生成する。図２３に、見いだされたオブジェクトとバウンダリーボックスの例を示す。

次に、ＣＰＵ３０は、バウンダリーボックスに囲われた各オブジェクトの種類を推定する。まず、カルバート、シェッド、シェルター、トンネルの推定を行う（ステップＳ２４）。図２４に、そのフローチャートを示す。

ＣＰＵ３０は、車道を覆う（車道の三次元点群データと同じＸＹ座標を持ち、Ｚ座標値が異なる）三次元点群データを抽出する（ステップＳ２４１）。なお、車道の三次元点群データは、たとえば、図２９に示すように、走行軌跡Ｄを含む平面（高低差が所定値以下の点群）Ｃとして抽出することができる（操作者がマウスなどによって手動で指定した領域にによって抽出するようにしてもよい）。

次に、ＣＰＵ３０は、走行軌跡に垂直な横断面を所定間隔で設定する。たとえば、図２５Ａに示すように、点ｃ１、ｃ２、ｃ３における横断面を設定する。ＣＰＵ３０は、図２５Ｂに示すように、それぞれの横断面におけるオブジェクトの断面を得て（ステップＳ２４３）、これらの形状の一致度を比較する。各断面におけるオブジェクトの形状の一致度が所定値以上であり、同一の形状が連続していると判断できる場合には、このオブジェクトを、「カルバート、シェッド、シェルター、トンネル」であると推定する（ステップＳ２４４、Ｓ２４５）。

上記の処理を、ステップＳ２４１にて抽出した全てのオブジェクトについて行う（ステップＳ２４２、Ｓ２４６）。以上のようにして、トンネル等の推定を行うことができる。

次に、ＣＰＵ３０は、擁壁の推定を行う（ステップＳ２５）。図２６に、そのフローチャートを示す。ＣＰＵ３０は、車道の端に存在する（車道の端部に連続し、走行軌跡に沿う方向に伸びている）オブジェクト（三次元点群データ）を抽出する（ステップＳ２５１）。

次に、ＣＰＵ３０は、ＲＡＮＳＡＣによって外れ値を除外しつつ、最小二乗法により、抽出したオブジェクトおよび車道の近似平面を算出する（ステップＳ２５３）。次に、ＣＰＵ３０は、抽出オブジェクトの近似平面と、車道の近似平面とのなす角度を算出し、これが所定値以上であるかどうかを判断する（ステップＳ２５４）。この実施形態では、図２７に示すように、車道の近似平面の法線ベクトルＡと、抽出オブジェクトの近似平面の法線ベクトルＢのなす角度を算出するようにしている。

角度が所定値以上であれば、ＣＰＵ３０は、抽出オブジェクトを「擁壁」であると推定する（ステップＳ２５５）。

上記の処理を、ステップＳ２５１にて抽出した全てのオブジェクトについて行う（ステップＳ２５２、Ｓ２５６）。以上のようにして、擁壁の推定を行うことができる。

なお、トンネルや擁壁の推定が正確に行えない場合もある。したがって、ＣＰＵ３０が推定したオブジェクトをディスプレイ上に候補として提示し、操作者が確認入力を行って決定するようにしてもよい。

次に、ＣＰＵ３０は、ステップＳ２３にて抽出したオブジェクトのうち、まだ種類が推定されていないオブジェクトについて、オブジェクトの位置・高さに基づいてその種類の推定を行う（ステップＳ２６）。図２８に、その判断基準を示す。この例では、オブジェクトをグループＡ〜Ｅに分けるように推定している。

交通島と分離帯はグループＡとして、車道の中央付近に存在するオブジェクトとして抽出することができる。車道の中央付近に存在するかどうかは、たとえば、バウンダリーボックスのＸＹ中心座標が、車道の中心線から車道幅の１／６以内に位置するかどうかによって判断することができる。

歩道橋はグループＢとして、歩道付近から車道上空を横断するオブジェクトとして抽出することができる。なお、歩道は、図２９に示すように、三次元点群データの走行軌跡に垂直な断面において、車道Ｃに所定値以上の段差をもって隣接する平坦な領域ＷとしてＣＰＵ３０によって抽出することができる。また、操作者が、三次元点群データを見ながら、マウスなどによって指定して抽出してもよい。

なお、グループＢには歩道橋のみが含まれるので、グループＢとして抽出できたオブジェクトは、歩道橋であると推定することができる。

施設・建物はグループＣとして、車道から所定距離以上離れており、バウンダリーボックスの容積が所定値より大きいオブジェクトとして抽出することができる。

なお、グループＣには施設・建物のみが含まれるので、グループＣとして抽出できたオブジェクトは、施設・建物であると推定することができる。

ガードレール、ポールコーン、視線誘導標はグループＤとして、車道付近に存在する所定高さ以下のオブジェクトとして抽出することができる。車道の中央部以外にあるか、あるいは車道の端部から所定距離（たとえば１ｍ）内にあり、バウンダリーボックスが所定高さ（たとえば１ｍ）より低いオブジェクトとして抽出できる。

植栽及び防雪林、標識柱・表示板、照明柱、道路反射板、信号機、電柱、踏切、フェンスはグループＥとして、車道付近に存在するオブジェクト（グループＤのオブジェクトを除く）として抽出することができる。

ＣＰＵ３０は、上記の判断基準に従って、オブジェクトをグループＡ〜Ｅに分類する。これにより、歩道橋（グループＢ）、施設・建物（グループＣ）を推定することができる。

次に、ＣＰＵ３０は、上記のグループＡ、Ｄ、Ｅのオブジェクトのそれぞれについて、機械学習による推定を行う（ステップＳ２７）。この実施形態においては、ランダムフォレストを用いて推定を行うようにしている。

グループＡのオブジェクトには、交通島と分離帯が含まれている。したがって、第１の実施形態に示す処理にて、交通島と分離帯の多数のオブジェクトにて学習させた複数の決定木を用いて推定処理を行う。

まず、ＣＰＵ３０は、グループＡとして抽出されたオブジェクトについて、既に設定されているバウンダリーボックスを基準として、三次元点群データの分布特性を算出する（ステップＳ２７４）。この実施形態では、図５に示すような特徴量Ｆ１〜Ｆ１６＋ｎを分布特性として算出するようにしている。その算出処理は、第１の実施形態において説明したとおりである。

次に、ＣＰＵ３０は、算出した特徴量Ｆ１〜Ｆ１６＋ｎに基づいて、当該オブジェクトの種類を推定する（ステップＳ２７５）。図３１に、推定処理のフローチャートを示す。

ＣＰＵ３０は、学習によって生成されている複数の決定木のそれぞれに基づいて、必要な特徴量を与えて、決定木ごとのオブジェクトの種類の推定結果を得る（ステップＳ２８１〜Ｓ２８３）。

このようにして複数の推定結果を得た後、ＣＰＵ３０は、多数決によって最終的な推定結果を得る（ステップＳ２８４）。ここでは、「交通島」か「分離帯」のいずれかが得られることになる。ＣＰＵ３０は、得られた推定結果を、当該オブジェクトの属性として付与する。

上記のようにして一つのオブジェクトについて推定結果を得る。ＣＰＵ３０は、グループＡに属する全てのオブジェクトについて、繰り返して処理を行って推定結果を得る。

ＣＰＵ３０は、グループＡの全てのオブジェクトについて推定結果を得ると、他のグループについても同様の処理にて推定を行う。なお、グループＤのオブジェクトを推定する場合には、「ガードレール」「ポールコーン」「視線誘導標」のオブジェクトによって学習した決定木を用いる。グループＥのオブジェクトを推定する場合には、「植栽及び防雪林」「標識柱・表示板」「照明柱」「道路反射板」「信号機」「電柱」「踏切」「フェンス」のオブジェクトによって学習した決定木を用いる。

上記のようにして、測定した三次元点群データからオブジェクトを抽出してその種類を属性として付与することができる。

2.4その他
(1)上記実施形態では、テンプレートマッチングによる一致率を分布特性として学習データとして用いている。しかし、テンプレートマッチングによる一致率を用いないようにしてもよい。

(2)上記実施形態では、識別子を決定する際に、各特徴についてしきい値を変動させて最適なしきい値を見いだすようにしている。しかし、各特徴について、予めしきい値を決定し固定しておいてもよい。

(3)上記実施形態では、三次元点群データについて説明した。しかし、二次元点群データについても同様に適用することができる。

(4)上記実施形態では、ステップＳ２８４において推定結果を多数決によって統合するようにしている。しかし、ウエイトづけを行って最終結果を導くようにしてもよい。たとえば、テンプレートマッチングの特徴量を識別子に含む決定木の推論結果と、そうでない決定木の推論結果でウエイトを変えて最終結果を導くようにしてもよい（たとえば、前者のウエイトを高くする）。

(6)上記実施形態では、ＭＭＳによって計測した三次元点群データを用いている。しかし、その他固定型レーザスキャナなどによって計測した三次元点群データを用いてもよい。

(7)上記実施形態では、道路進行方向を計測時の軌跡によって判断している。しかし、道路として抽出した部分の延長方向や認識した白線の方向などによって判断するようにしてもよい。また、操作者が画面を確認しながらマウスなどによって指定したものであってもよい。

(8)上記実施形態では、ランダムフォレストによる機械学習によって推定手段を構築するようにしている。しかし、その他の教師データを用いた機械学習によって推定手段を構築するようにしてもよい。また、深層学習や論理的推論を用いて推定手段を構築するようにしてもよい。

(9)上記実施形態では、一つのコンピュータによって認識装置を構成している。しかし、端末装置から三次元点群データを受け取って推定を行うサーバ装置として構築してもよい。

(10)上記実施形態では、地物のオブジェクトについて説明した。しかし、自動車などその他のオブジェクトを測定した三次元点群データについても適用することができる。

(11)上記実施形態では、三次元点群データを内包する直方体をバウンダリーボックスとして生成している。しかし、その他の多角柱や円柱などの三次元領域をバウンダリーボックスとして生成するようにしてもよい。

(12)上記実施形態では、反射強度を属性として付与するようにしている。しかし、これを付与しないようにしてもよい。また、カメラなどによって撮像したＲＧＢの色情報等を属性として与えて学習を行っておき、これらの属性も考慮して推定を行うようにしてもよい。その属性を用いて学習を行い、推定を行うようにしてもよい。

(13)上記実施形態および変形例は、その本質に反しない限り、他の実施形態と組み合わせて実施可能である。

Claims (23)

1. 対象物を区別して認識するための認識装置であって、
   対象物を測定した三次元点群データを取得するデータ取得手段と、
   前記対象物の三次元点群データを内包する三次元領域を定義する領域生成手段と、
   前記対象物の三次元点群データを内包する三次元領域を基準として、三次元点群データにおける点群の分布特性を数値として算出する分布特性算出手段と、
   算出した分布特性の数値に基づいて、対象物を推定する推定手段と、
   を備えた認識装置。
2. 対象物を区別して認識するための認識装置をコンピュータによって実現するための認識プログラムであって、コンピュータを、
   対象物を測定した三次元点群データを取得するデータ取得手段と、
   前記対象物の三次元点群データを内包する三次元領域を定義する領域生成手段と、
   前記対象物の三次元点群データを内包する三次元領域を基準として、三次元点群データにおける点群の分布特性を数値として算出する分布特性算出手段と、
   算出した分布特性の数値に基づいて、対象物を推定する推定手段として機能させるための認識プログラム。
3. 請求項１の装置または請求項２のプログラムにおいて、
   前記三次元点群データは、道路および地物を測定したものであり、
   前記領域生成手段は、地物に対応する道路面を基準として地物を内包する三次元領域を定義することを特徴とする装置またはプログラム。
4. 請求項１〜３のいずれかのプログラムにおいて、
   前記分布特性算出手段は、前記三次元領域のＸ方向長さ、Ｙ方向長さまたはＺ方向長さを分布特性として算出することを特徴とする装置またはプログラム。
5. 請求項１〜４のいずれかの装置またはプログラムにおいて、
   前記分布特性算出手段は、少なくともＸ軸またはＹ軸にて前記三次元領域を短冊状に区切った時の各区画に含まれる点の数の分散を分布特性として算出することを特徴とする装置またはプログラム。
6. 請求項１〜５のいずれかの装置またはプログラムにおいて、
   前記分布特性算出手段は、少なくとも前記三次元領域を上下に分割し、上部・下部に含まれる点の数の比率を分布特性として算出することを特徴とする装置またはプログラム。
7. 請求項１〜６のいずれかの装置またはプログラムにおいて、
   前記分布特性算出手段は、少なくとも前記三次元領域のＸ方向長さまたはＹ方向長さと、Ｚ方向長さとの比率を分布特性として算出することを特徴とする装置またはプログラム。
8. 請求項１〜７のいずれかの装置またはプログラムにおいて、
   前記分布特性算出手段は、少なくとも前記三次元領域のＺ方向の所定間隔の位置での三次元点群データのＸ方向幅またはＹ方向幅の変化量を分布特性として算出することを特徴とする装置またはプログラム。
9. 請求項１〜８のいずれかの装置またはプログラムにおいて、
   前記分布特性算出手段は、少なくともＺ軸にて前記三次元領域を短冊状に区切った時の点の数が最も多い区画の点の密度を分布特性として算出することを特徴とする装置またはプログラム。
10. 請求項１〜９のいずれかの装置またはプログラムにおいて、
    前記分布特性算出手段は、少なくとも三次元点群データ全体の法線ベクトルのＺ軸に対する傾きを分布特性として算出することを特徴とする装置またはプログラム。
11. 請求項１〜１０のいずれかの装置またはプログラムにおいて、
    前記分布特性算出手段は、少なくともＺ軸にて前記三次元領域を短冊状に区切った時の各区画の点群データの法線ベクトルのＺ軸に対する傾きのばらつきを分布特性として算出することを特徴とする装置またはプログラム。
12. 請求項１〜１１のいずれかの装置またはプログラムにおいて、
    前記分布特性算出手段は、少なくともＺ軸にて前記三次元領域を短冊状に区切った断面における点群データの面積の累積変化量を分布特性として算出することを特徴とする装置またはプログラム。
13. 請求項１〜１２のいずれかの装置またはプログラムにおいて、
    前記分布特性算出手段は、少なくともテンプレートマッチングによる合致率を分布特性として算出することを特徴とする装置またはプログラム。
14. 請求項１〜１３のいずれかの装置またはプログラムにおいて、
    前記推定手段は、前記分布特性に基づいて機械学習を行って推定を行うものであることを特徴とする装置またはプログラム。
15. 請求項１〜１４のいずれかの装置またはプログラムにおいて、
    前記推定手段は、前記三次元点群データの存在する位置に基づいて当該三次元点群データをグループ分けし、当該グループごとに機械学習または深層学習を行って対象物を推定することを特徴とする装置またはプログラム。
16. 請求項１〜１５のいずれかの装置またはプログラムにおいて、
    前記推定手段は、各点における反射強度または色データまたはその双方も考慮して対象物を推定することを特徴とする装置またはプログラム。
17. 対象物を測定した三次元点群データに基づいて、対象物を区別して識別するための認識装置を生産する方法であって、
    学習対象物を測定した三次元点群データを内包する三次元領域を形成し、
    前記三次元領域を基準として、三次元点群データにおける点群の分布特性を数値として算出し、学習によって上記認識処理を実現する装置に、算出した分布特性の数値を学習データとして与えて学習させることにより認識装置を生産する方法。
18. 計測された三次元点群データから車道被覆オブジェクトを認識するための認識装置であって、
    計測された三次元点群データを取得する取得手段と、
    前記三次元点群データから車道オブジェクトを抽出する道路抽出手段と、
    前記抽出された車道オブジェクトの上に重なるオブジェクトを抽出する車道上部オブジェクト抽出手段と、
    前記被覆オブジェクトを前記車道オブジェクトに設定された車線方向に垂直な所定間隔の平面にて断面を形成し、各断面において前記被覆オブジェクトが実質的に同一形状であれば車道被覆オブジェクトであると推定する車道被覆オブジェクト抽出手段と、
    を備えた認識装置。
19. 計測された三次元点群データから車道被覆オブジェクトを認識するための認識装置を、コンピュータによって実現するための認識プログラムであって、コンピュータを、
    計測された三次元点群データを取得する取得手段と、
    前記三次元点群データから車道オブジェクトを抽出する道路抽出手段と、
    前記抽出された車道オブジェクトの上に重なるオブジェクトを抽出する車道上部オブジェクト抽出手段と、
    前記被覆オブジェクトを前記車道オブジェクトに設定された車線方向に垂直な所定間隔の平面にて断面を形成し、各断面において前記被覆オブジェクトが実質的に同一形状であれば車道被覆オブジェクトであると推定する車道被覆オブジェクト抽出手段として機能させるための認識プログラム。
20. 請求項１９の装置または請求項１９のプログラムにおいて、
    前記車道被覆オブジェクトとして、少なくともカルバート、シェッド、シェルターまたはトンネルを含むことを特徴とする装置またはプログラム。
21. 請求項１８〜２０のいずれかの装置またはプログラムにおいて、
    前記車線方向は、計測時に走行方向として取得されたものであることを特徴とする装置またはプログラム。
22. 計測された三次元点群データから擁壁オブジェクトを認識するための認識装置であって、
    対象物を測定した三次元点群データを取得するデータ取得手段と、
    前記三次元点群データから車道オブジェクトを抽出する車道抽出手段と、
    前記車道オブジェクトの端部に接する近似平面を形成する点群データを見いだし、当該近似平面と車道との角度が所定角度以上であれば、当該近似平面を擁壁であると推定する擁壁推定手段と、
    を備えた認識装置。
23. 計測された三次元点群データから擁壁オブジェクトを認識するための認識装置をコンピュータによって実現するための認識プログラムであって、コンピュータを、
    対象物を測定した三次元点群データを取得するデータ取得手段と、
    前記三次元点群データから車道オブジェクトを抽出する車道抽出手段と、
    前記車道オブジェクトの端部に接する近似平面を形成する点群データを見いだし、当該近似平面と車道との角度が所定角度以上であれば、当該近似平面を擁壁であると推定する擁壁推定手段として機能させるための認識プログラム。