JP2020113202A - パラメータ選定装置、パラメータ選定方法、およびパラメータ選定プログラム - Google Patents

Abstract

【課題】計測範囲から物体を検出する際、計測目的ごとのユーザ要件の達成に適した調整対象のパラメータを適切に選定する。【解決手段】パラメータ選定装置５０Ｂにおいて、パラメータ寄与率算出部３は、計測装置の計測範囲内における物体を物体検出装置１Ｂが検出する際に使用するアルゴリズムで用いられるパラメータが物体を検出する検出精度に与える第１の影響度を算出する。また、解析項目寄与率算出部５は、ユーザ要件を達成するための解析項目が、物体検出装置１Ｂによって検出された物体の計測精度に与える第２の影響度を算出する。パラメータ選定部８は、第１の影響度および第２の影響度に基づいて、調整対象とするパラメータを選定する。【選択図】図１０

Description

本発明は、物体検出装置および物体検出方法に関する。

計測装置（以下、センサという場合がある）が取得した情報によって物体を検出する物体検出技術へのニーズが高まっており、物体検出結果はユーザ要件に応じて多様なアプリケーションで活用されている。例えば、監視目的とした所定エリアへの侵入者検知や、人流や交通量解析を目的とした物体の軌跡抽出、物体数のカウントなどが例に挙げられる。センサとしては、監視カメラ、距離センサ、レーザレーダなどが多く活用されている。センサを適切な箇所に満遍なく設置できればユーザが求める物体計測および後段のアプリケーションを高精度に実現できる。

しかし、実際にはコスト面や設置場所の環境などによって、使用するセンサ台数や物体検出の性能などが限定され、期待された計測精度が出ない場面が多々ある。そのような場面では、技術者などが現地に赴き、精度を維持するためにセンサの設置位置や姿勢、画角、物体検出に使用する閾値などのパラメータを、時間をかけて調整する必要があった。このような状況を鑑みて、近年では、センサのパラメータを自動で最適化する技術が開発されているものの、大量のセンサのパラメータを一括に最適化するには計算コストを考慮すると現実的ではない。そこで、調整の対象となるパラメータを選定する技術への期待が高い。例えば、特許文献１では、監視カメラの最適な配置条件に関するパラメータを自動で選定し最適化している。

特開２０１８−１２８９６１号公報

しかしながら、特許文献１では、必要最小限のカメラ台数にて死角の無い監視を実現できるよう監視カメラの配置条件を選定することで、効率的にパラメータを最適化できるものの、物体検出に使用する閾値などに関するパラメータを対象とすることができない。また、監視などのユーザ要件に応じて最適な監視カメラの配置条件のパラメータを選定しているが、監視カメラそのものが保持する外部パラメータと内部パラメータを全て一括で最適化しており、その中からユーザ要件の達成に適したパラメータを予め選定することができない。

本発明は、上述の課題を解決するためになされたものであり、計測範囲から物体を検出する際、計測目的ごとのユーザ要件の達成に適した調整対象のパラメータを適切に選定することを目的とする。

かかる課題を解決するために本発明の一例においては、パラメータ選定装置は、計測装置の計測範囲内における物体を物体検出装置が検出する際に使用するアルゴリズムで用いられるパラメータが、前記アルゴリズムを使用して前記物体を検出する検出精度に与える第１の影響度を算出するパラメータ影響度算出部と、ユーザ要件を達成するための解析項目が、前記物体検出装置によって検出された前記物体の計測精度に与える第２の影響度を算出する解析項目影響度算出部と、前記第１の影響度および前記第２の影響度に基づいて、調整対象とする前記パラメータを選定するパラメータ選定部とを有することを特徴とする。

本発明によれば、計測範囲から物体を検出する際、計測目的ごとのユーザ要件の達成に適した調整対象のパラメータを適切に選定できる。

実施例１の物体検出装置の構成を示す機能ブロック図。 処理ブロック分解部の処理を説明するための図。 パラメータ寄与率算出部の構成を示す機能ブロック図。 計測精度変動量算出部により算出された計測精度の変動量の一例を示す図。 パラメータ寄与率テーブルの一例を示す図。 ユーザ要件を説明するための図。 解析項目テーブルおよび組み合わせテーブルの一例を示す図。 解析項目寄与率テーブルの一例を示す図。 実施例１の物体検出処理を示すフローチャート。 実施例２の物体検出装置およびパラメータ選定装置の構成を示す機能ブロック図。 実施例３のパラメータ選定装置の構成を示す機能ブロック図。 実施例４の物体検出装置およびパラメータ選定装置の構成を示す機能ブロック図。 実施例１〜４の物体検出装置およびパラメータ選定装置を実現するコンピュータの構成を示すハードウェア図。

以下図面に基づき、本発明の実施例を詳述する。以下の実施例を説明するための各図面において、同一参照番号は、同一または類似の構成あるいは処理を示し、後出の説明が省略される。また、各実施例及び各変形例は、本発明の技術思想の範囲内及び整合する範囲内でその一部又は全部を組合せることができる。

＜実施例１の物体検出装置の構成＞
図１は、実施例１の物体検出装置の構成を示す機能ブロック図である。実施例１の物体検出装置１は、センサ情報２００と、センサなどの計測装置での計測目的などのユーザ要件２０１を使用して、センサで検知した物体検出に用いるパラメータを自動で選定する装置である。なお、本実施例では、センサとしてステレオカメラを使用した場合について記載するが、ステレオカメラに限定されるものではなく、ＴＯＦセンサやレーザレーダなどの距離センサ、単眼カメラ、監視カメラなど他のセンサへの応用も可能である。

物体検出装置１は、処理ブロック分解部２と、パラメータ寄与率算出部３と、ユーザ解析項目抽出部４と、解析項目寄与率算出部５と、最適化処理ブロック決定部６と、パラメータ選定部７と、パラメータ調整部８と、物体検出実行部９と、解析実行部１０とを有する。

なお、処理ブロック分解部２と、パラメータ寄与率算出部３と、ユーザ解析項目抽出部４と、解析項目寄与率算出部５と、最適化処理ブロック決定部６と、パラメータ選定部７と、パラメータ調整部８と、物体検出実行部９の各機能部は、演算装置、主記憶装置、および外部記憶装置を有するセンサ、あるいはセンサとは別に用意した計算機において実現される。

処理ブロック分解部２は、センサ情報２００に含まれるセンサ固有の計測アルゴリズムを複数の処理ブロックに分解する。パラメータ寄与率算出部３は、処理ブロック分解部２によって分解された複数の処理ブロックのそれぞれで使用されるパラメータがセンサ固有の計測アルゴリズムの出力結果の精度に対してどの程度の影響があるかを示す寄与率を算出する。

ユーザ解析項目抽出部４は、ユーザ要件２０１から、ユーザが必要とするセンサによる解析項目を抽出する。解析項目寄与率算出部５は、処理ブロック分解部２によって分解された各処理ブロックに対する解析項目の寄与率を算出する。

最適化処理ブロック決定部６は、ユーザ解析項目抽出部４によってユーザ要件２０１から抽出された解析項目の情報と、解析項目寄与率算出部５によって算出された各処理ブロックに対する解析項目の寄与率の情報とから、最適化処理を実施する処理ブロックを決定する。

パラメータ選定部７は、最適化処理ブロック決定部６により最適化処理を実施すると決定された処理ブロックにおいて寄与率が高いパラメータを最適化対象のパラメータとして選定する。パラメータ調整部８は、パラメータ選定部７によって選定されたパラメータを、センサ固有の計測アルゴリズムを用いた物体検出などの精度が向上するように調整する。

物体検出実行部９は、指定されたパラメータにて物体検出を実行する。解析実行部１０は、物体検出実行部９による物体検出の結果を使用してユーザ要件２０１に応じたアプリケーションを実行する。

以下、処理ブロック分解部２、パラメータ寄与率算出部３、ユーザ解析項目抽出部４、解析項目寄与率算出部５、最適化処理ブロック決定部６、およびパラメータ選定部７の各機能の詳細について説明する。

＜処理ブロック分解部の処理＞
図２は、処理ブロック分解部の処理を説明するための図である。物体検出アルゴリズム１２は、例えばステレオカメラ１１からの入力に対して物体検出処理を行った出力結果１４を出力する計測アルゴリズムの一例である。映像取得１２ａ、歪み補正１２ｂ、視差算出１２ｃ、３次元点群算出１２ｄ、および物体検出１２ｅは、物体検出アルゴリズム１２が分解された各処理ブロックの一例である。

処理ブロック分解部２は、センサ情報２００から物体検出に使用するステレオカメラ１１の物体検出アルゴリズム１２を取得し、複数の処理ブロックに分解する。センサ情報２００としては、物体検出のプログラムソースなどのアルゴリズムの詳細が把握できる情報や、物体検出に使用するセンサ独自のＳＤＫの情報、物体検出に関連するパラメータなどである。

図２は、ステレオカメラ１１の物体検出アルゴリズム１２を複数の処理ブロックに分解する一例を示す。物体検出アルゴリズム１２を複数の処理ブロックに分割する方法としては、例えば、プログラムソース中の関数やクラスごと、使用するＳＤＫごとなど、装置に開発に関連した分割方法や、アルゴリズム開発者の知見や経験、解析ツールなどを用いてアルゴリズムを細分化した各フローチャートを処理ブロックとする分割方法などの種々の手法がある。

各処理ブロックについて説明する。映像取得１２ａは、ステレオカメラ１１を制御してカメラ画像を取得する処理であり、画像の取得頻度を示すフレームレートや取得する画像の解像度などのパラメータ１３ａが使用される。歪み補正１２ｂは、映像取得１２ａで取得された画像からカメラ特有のレンズ歪みを取り除く処理であり、例えば焦点距離や歪み係数、画像中心といったパラメータ１３ｂを使用し、Ｂｒｏｗｎのレンズ歪みモデルにフィッティングして歪みを取り除くなどの一般的な方法がある。

視差算出１２ｃは、歪み補正１２ｂでレンズ歪みを除去した２枚のカメラ画像を比較して相違度が最小となる一定の大きさの領域を小領域とし、その探索幅から視差を算出する。小領域の相違度を計算する方法としては、例えば、ＳＡＤ（Sum of Absolute Difference）やＳＳＤ（Sum of Squared Difference）などの方法がある。視差算出１２ｃで使用されるパラメータ１３ｃとしては、小領域のサイズや探索幅の最大値（最大探索幅）などである。

３次元点群算出１２ｄでは、ステレオカメラ１１の設置位置や設置姿勢などのパラメータ１３ｄを用いて、下記式（１）および式（２）をもとに、画像座標からカメラ座標Ｘｃ、世界座標Ｘｗと順に変換することで、世界座標Ｘｗの３次元点群座標を導出する。下記式（２）において、回転行列Ｒは、カメラの設置姿勢を示し、ステレオカメラ１１のパン、チルト、およびロールの角度から算出できる。また、下記式（２）において、並進ベクトルＸｗは、ステレオカメラ１１のカメラ高さなどの設置位置を示す。

ただし、
(u,v)：画像座標、(u₀,v₀)：画像中心、b：基線長、f：焦点距離、d：視差、pit：ピッチ

ただし、R：回転行列、t：並進ベクトル

物体検出１２ｅは、３次元点群算出１２ｄで算出された３次元点群を解析して求めた形状や体積などが一定の基準値を満たす場合に物体として判断して検出する。物体検出１２ｅにて使用されるパラメータ１３ｅとしては、一定の基準値である検出閾値や３次元点群に対するノイズ除去などを実施する補正処理回数などがある。

なお、本実施例では、ステレオカメラ１１の物体検出アルゴリズム１２を５つの処理ブロックに分割したが、分割数が限定されるものではない。また、各処理ブロックの処理内容や使用するパラメータも図２に示すものに限定されるものではない。

＜パラメータ寄与率算出部の構成＞
図３は、パラメータ寄与率算出部の構成を示す機能ブロック図である。パラメータ寄与率算出部３は、パラメータ設定範囲決定部２０と、計測精度変動量算出部２１と、パラメータ寄与率テーブル作成部２２とを有する。

パラメータ設定範囲決定部２０は、各処理ブロックにて使用されるパラメータ１３ａ〜１３ｅを受け取り、各パラメータ１３ａ〜１３ｅの寄与率を算出するパラメータ値の設定範囲を決定する。計測精度変動量算出部２１は、パラメータ設定範囲決定部２０で取得した設定範囲にてパラメータを変化させた際、物体検出実行部９から出力される物体検出の出力結果１４に基づいて計測精度の変動量を算出する。パラメータ寄与率テーブル作成部２２は、計測精度変動量算出部２１で算出した計測制度の変動量からパラメータ寄与率を示すテーブルを作成する。

以下、各機能について説明する。パラメータ設定範囲決定部２０は、処理ブロック分解部２によって分解された各処理ブロックにて使用されるそれぞれのパラメータの初期値を入力とし、計測精度変動量算出部２１にて使用するパラメータの設定範囲をパラメータごとに決定する。パラメータ設定範囲決定部２０に入力される初期値としては、例えば、ユーザによる設定値あるいはシステム上での規定値や、所定のアルゴリズムでの自動推定値などがある。

本実施例では、映像取得１２ａ、視差算出１２ｃ、および物体検出１２ｅで使用されるパラメータ１３ａ、１３ｃ、１３ｅの初期値として、ユーザによるシステム上での規定値を使用する。また、歪み補正１２ｂおよび３次元点群算出１２ｄで使用されるパラメータ１３ｂ、１３ｄの初期値として、所定のアルゴリズムによる推定値を使用する。例えば、パラメータ１３ｂの推定方法としては、Ｚｈａｎｇのキャリブレーション手法などを利用し、パラメータ１３ｄの推定方法としては、ＲＡＮＳＡＣアルゴリズムにより検出した平面情報を用いた手法などを利用する方法がある。

また、パラメータ設定範囲決定部２０に入力された初期値から設定範囲を決定する方法としては、初期値の前後の所定範囲内の値を最小値および最大値とする方法などがある。ここで、最小値および最大値を決定する方法は、ユーザが物体検出アルゴリズム１２の詳細を把握しているいか否かに応じて、切り替えてもよい。例えば、ユーザが物体検出アルゴリズム１２の詳細を把握している場合は、過去の経験などを踏まえて最小値および最大値を決定し、把握していない場合は、ＳＤＫの仕様情報などから設定可能なパラメータ値を調査し決定してもよい。あるいは、これら両者の方法を組み合わせてもよい。最小値および最大値を決定する方法は、特に限定されるものではない。

また、本実施例では、設定範囲に含まれるパラメータとして離散的な値を使用する。例えば、連続的なパラメータである場合には、設定範囲の最小値と最大値の間を所定数に分割して、離散的な値のパラメータを生成する。離散的なパラメータの場合は、取り得る全ての値をパラメータの設定範囲に含めるなどしてもよい。

計測精度変動量算出部２１は、パラメータ設定範囲決定部２０により入力された各パラメータの設定範囲内にてパラメータ値を変化させて、物体検出実行部９による計測精度の変動量を算出する。本実施例では、計測精度としては真値付け済みのテスト映像を入力した際の物体検出精度あるいは処理ブロック独自の評価指標を使用する。

物体検出精度を算出する方法としては、検出対象が撮像されておりかつ全フレームに対して予め対象の領域が分かるような真値情報を保持したテスト映像を使用し、設定したパラメータ値で正しく対象を検出したフレーム数の全フレーム数に対する割合を百分率にて表した値を物体検出精度として算出できる。

処理ブロック独自の評価指標は、視差算出１２ｃの処理ブロックの場合は、例えば、視差が比較的算出されやすいランダムパターンなどをテスト映像として使用し、画像全体のピクセル数に対する視差算出により視差を求めることができない無効視差のピクセル総数の割合を百分率にて表した値としてもよい。

また、歪み補正１２ｂの処理ブロックの独自の評価指標は、例えば、床のタイルなど直線が多いテスト映像を使用し、テスト映像中の直線数に対する、歪み補正を実施後の画像に直線検出アルゴリズムを適用し検出された直線数の割合を百分率にて表した値としてもよい。

また、計測精度の変動量は、例えば、パラメータｐの設定範囲が０≦ｐ≦９の１０個の整数値である場合、ｐ以外の全てのパラメータ値を初期値に固定し、ｐ＝０、ｐ＝１、…ｐ＝９とした場合のテスト映像における物体検出精度を計算し、図４に示すように物体検出精度の変動量を算出することで求められる。図４は、計測精度変動量算出部により算出された計測精度の変動量の一例を示す図である。図４では、ｐ＝２で計測精度が最大値を取る例を示している。

なお、計測精度変動量算出部２１により計測精度を算出する際に、ユーザが各処理ブロックの詳細なアルゴリズムを把握できるか否かに応じて、計測精度として、物体検出精度と処理ブロック独自の評価指標のどちらを使用するか切り替えてもよい。例えば、詳細なアルゴリズムが把握できる処理ブロックについては、処理ブロックの独自指標を評価するために適したテストデータをそれぞれ用意する。アルゴリズムを把握できない処理ブロックについては、物体検出精度と対応したテストデータを、アルゴリズムを把握できない処理ブロック間で共通に使用して、計測精度を算出してもよい。

パラメータ寄与率テーブル作成部２２は、計測精度変動量算出部２１で算出した計測精度の変動量を使用し、処理ブロックごとのパラメータ寄与率テーブルＴ１を作成する。パラメータの処理ブロックへの寄与率とは、処理ブロックにおいて各パラメータの重要性を示す指標であり、計測精度変動量算出部２１にて使用した計測精度が高い程、重要性が高いと判断する。

計測精度の変動量からパラメータ寄与率を算出する方法としては、例えば、パラメータを変動させた際の計測精度の最大値が大きい程パラメータの寄与率が高いと判定し、各パラメータの最大値を０から１００の範囲に正規化した値を寄与率として使用する方法がある。または、例えば、計測精度の最小値、平均値、分散値のいずれかあるいはいずれかを組み合わせた独自の指標などを用いて正規化した値を寄与率として使用する方法などでもよい。パラメータ寄与率テーブル作成部２２は、処理ブロックごとに算出した各パラメータ寄与率を、パラメータ寄与率テーブルＴ１に格納する。

図５は、パラメータ寄与率テーブルの一例を示す図である。図５に示すパラメータ寄与率テーブルＴ１は、所定の記憶部に格納されており、処理ブロックごとの寄与率テーブルＴ１ａ〜Ｔ１ｅを含む。パラメータ寄与率テーブルＴ１は、映像取得１２ａにおける各パラメータ１３ａの寄与率を格納した寄与率テーブルＴ１ａ、歪み補正１２ｂにおける各パラメータ１３ｂの寄与率を格納した寄与率テーブルＴ１ｂ、視差算出１２ｃにおける各パラメータ１３ｃの寄与率を格納した寄与率テーブルＴ１ｃ、３次元点群算出１２ｄにおける各パラメータ１３ｄの寄与率を格納した寄与率テーブルＴ１ｄ、および物体検出１２ｅにおける各パラメータ１３ｅの寄与率を格納した寄与率テーブルＴ１ｅを含む。

なお、本実施例では、図３に示したパラメータ寄与率算出部３の構成にてパラメータの寄与率を算出したが、処理ブロック内の各パラメータの計測精度への影響度を判定できる手段であれば、特に限定されるものではない。

＜ユーザ要件＞
図６を参照して、ユーザ要件２０１について説明する。図６は、ユーザ要件を説明するための図である。ユーザ要件２０１とは、ユーザが主目的を達成するために物体検出技術を実行するアプリケーションの一覧情報を含む。

図６は、２次元マップ３０で示されるステレオカメラ１１の計測範囲３０Ａにおいて、ユーザの主目的に関連する設備３１ａ、３１ｂのぞれぞれの周辺に設定される計測エリア３２ａ、３２ｂごとに、ユーザが実行したいアプリケーションの一覧表３３を例示している。ユーザ要件２０１は、２次元マップ３０および一覧表３３を含む。

例えば、ユーザの主目的が計測範囲３０Ａの全体監視である場合は、計測エリアは２次元マップ３０の全体であり、画像中において移動する人物を検出する動体検知などのアプリケーションの実行が必要となる。また、ユーザの主目的が計測範囲３０Ａの全体の人流解析である場合は、計測エリアは２次元マップ３０の全体であり、人物軌跡推定などのアプリケーションの実行が必要となる。

また、ユーザの主目的が設備３１ａの利用率の把握である場合は、設備３１ａの周辺に計測エリア３２ａを設定し、計測エリア３２ａ内の人数カウントや滞留時間計測などのアプリケーションを実行することで、設備３１ａの利用者数や利用時間を解析できる。また、ユーザの主目的が設備３２ｂの利用者層の把握である場合は、設備３１ｂの周辺に計測エリア３２ｂを設定し、計測エリア３２ｂ内に存在する人物の数を計数するエリア内人数カウントや人の性別判定、人のキャリーバックの所持を検知するキャリーバック検知などのアプリケーションを実行することで、全体の人数に対する男女の比率やキャリーバック保持者の比率などを解析することができる。

なお、図６のユーザ要件２０１は、あくまで一例を示すに過ぎず、これに限定されるものではない。また、ユーザ要件２０１を作成する方法としては、図６に示すように、ユーザが、ＧＵＩなどを用いて、計測エリアを２次元マップ３０に設定し、計測範囲全体、あるいは設定した計測エリアごとに実行したいアプリケーションを一覧表３３に登録して作成する方法がある。２次元マップ３０および一覧表３３は、所定の記憶部に格納される。しかし、ユーザが計測したい範囲および実行したいアプリケーションが把握できる情報および方法であれば、特に限定されない。また、主目的は、計測エリアと対応するアプリケーションが把握できる抽象度の情報である、あるいは計測エリアと対応するアプリケーションが把握できる情報に変換できる情報であればよく、特に限定されるものではない。

＜解析項目テーブルおよび組み合わせテーブル＞
図７を用いてユーザ解析項目抽出部４の処理について説明する。図７は、解析項目テーブルおよび組み合わせテーブルの一例を示す図である。図７（ａ）は、処理ブロック分解部２によって分解された各処理ブロックから抽出する解析項目の一覧を示す解析項目一覧テーブル４０の一例を示す。また、図７（ｂ）は、アプリケーションと解析項目の組み合わせテーブル４１の一例を示している。図７（ａ）によると、解析項目一覧テーブル４０には、“物体検出”、“追跡”、“位置計測”、“行動認識”、“画像認識”、“形状把握”、および“サイズ計測”の解析項目がある。解析項目一覧テーブル４０および組み合わせテーブル４１は、所定の記憶部に格納される。

ユーザ解析項目抽出部４は、ユーザ要件２０１の情報と予め作成した組み合わせテーブル４１とから、ユーザが求めるアプリケーションを実現するために必要な解析項目を抽出する。解析項目は、アプリケーションを実行するにあたり、物体検出に加え、必要な情報を取得するための解析技術（アプリケーション）である。

例えば、組み合わせテーブル４１において、「アプリケーション」“動体検知”は、物体検出結果のみで実現可能な機能であるため、「解析項目」が“なし”である。また、例えば、「アプリケーション」“滞留時間計測”は、物体検出の結果を利用するため、物体検出に加え、同一の人物が同じ位置に存在することを判定するために物体の“追跡”および“位置計測”の解析項目が必要となる。このように、ユーザ要件２０１におけるユーザの主目的から、物体検出の結果を利用するアプリケーションと、アプリケーションに対応する解析項目とが把握できる。

例えば、図６の一覧表３３に示すように、ユーザ要件２０１において、「主目的」が“計測エリア３１ａの利用率把握”の場合、実行が必要な「アプリケーション」は“エリア内人数カウント”および“滞留時間計測”となる。このため、ユーザ解析項目抽出部４は、組み合わせテーブル４１を参照して、“エリア内人数カウント”および“滞留時間計測”のそれぞれの「アプリケーション」に対応する「解析項目」“位置計測”および“追跡”を抽出する。

なお、「解析項目」は、図７（ａ）の解析項目一覧テーブル４０に示す解析項目以外のものも使用してもよい。また、１つの解析項目を計測範囲とセンサとの位置関係や精度面などから複数に分割してもよい。例えば、物体検出では、一般的にカメラなどのセンサから対象までの距離が離れると対象の情報量が少なくなる、あるいは障害物が間に存在する確率が高くなり、検出精度が低下する。このため、「解析項目」“物体検出”を、“近傍の検出”および“遠方の検出”に分割する方法がある。また、安全やセキュリティ面などから、情報粒度が所定未満および所定以上の位置情報が必要となるケースがあるため、「解析項目」“位置計測”を“大まかな位置計測”および“高精度な位置計測”に分割する方法などがある。

＜解析項目寄与率テーブル＞
図８は、解析項目寄与率テーブルの一例を示す図である。図８は、解析項目寄与率算出部５によって、歪み補正１２ｂと３次元点群算出１２ｄの各処理ブロックに対する解析項目の寄与率を算出した一例である。各処理ブロックに対する解析項目の寄与率の算出方法としては、パラメータ寄与率算出部３の手法を踏襲し、解析実行部１０から出力される解析結果から求めた処理ブロックごとの解析項目の精度の変動量を使用して寄与率を算出する方法などがある。なお、図８では、図７（ａ）に示す「解析項目」“物体検出”が、“近傍の検出”および“遠方の検出”に細分化されていることを前提とする。

以下、「解析項目」“追跡”の各処理ブロックに対する寄与率を算出する方法について説明する。

まず、“追跡”の技術を評価するための真値付け済みのテスト映像を生成する。次に、「解析項目」“追跡”の精度の変動量を求める対象の処理ブロック内のみパラメータを変化させ、物体検出および物体検出結果を用いた追跡を実施する。パラメータを変化させる方法としては、同一の処理ブロックにて使用されるパラメータの全ての組み合わせパターンを順番に使用する方法などがある。最後に、パラメータを変化させることによる追跡精度の変動量を算出する。追跡精度は、例えば同一人物をどの程度追跡できているかなどである。全処理ブロックの追跡精度の変動量と、各処理ブロックの追跡精度の変動量とを比較して、全処理ブロックの追跡精度の変動に対する各処理ブロックの追跡精度の寄与率を求めることができる。

なお、解析項目の精度の変動量を求める際に、処理ブロックにて使用されるパラメータの組み合わせパターンを作成するとき、全てのパラメータを使用するのではなくパラメータ設定範囲決定部２０（図３参照）の情報を活用する方法などにより、組み合わせ数を削減してもよい。

また、本実施例で述べた方法以外にも、解析項目の精度に対して各処理ブロックの影響度合いを算出可能な方法であれば、特に限定されるものではない。

以上、図８に示すように、歪み補正１２ｂと３次元点群算出１２ｄの各処理ブロックに対する解析項目の寄与率の算出方法を示したが、映像取得１２ａ、視差算出１２ｃ、および物体検出１２ｅの各処理ブロックに対する解析項目の寄与率も、同様に算出される。

図８に示すように、ユーザ解析項目抽出部４は、上述のように算出した処理ブロックごとの各解析項目の寄与率を、解析項目寄与率テーブルＴ２に登録する。解析項目寄与率テーブルＴ２は、所定の記憶部に格納されており、処理ブロックごとの寄与率テーブルＴ２ａ〜Ｔ２ｅを含む。解析項目寄与率テーブルＴ２は、映像取得１２ａにおける各解析項目の寄与率を格納した寄与率テーブルＴ２ａ（図示せず）、歪み補正１２ｂにおける各解析項目の寄与率を格納した寄与率テーブルＴ２ｂ、視差算出１２ｃにおける各解析項目の寄与率を格納した寄与率テーブルＴ２ｃ（図示せず）、３次元点群算出１２ｄにおける各解析項目の寄与率を格納した寄与率テーブルＴ２ｄ、および物体検出１２ｅにおける各解析項目の寄与率を格納した寄与率テーブルＴ２ｅ（図示せず）を含む。

図１の説明に戻る。最適化処理ブロック決定部６は、ユーザ解析項目抽出部４と解析項目寄与率算出部５の出力情報を用いて、ユーザ要件２０１にて必要な解析項目の寄与率が最大である処理ブロックを最適化処理ブロックとして決定する。例えば、ユーザ要件２０１にて必要な解析項目が一つのみの場合は、該当の解析項目への寄与率が最も高い処理ブロックを選択する方法がある。

また、複数の解析項目が必要な場合は、それぞれの寄与率を掛け合わせた値が最大となる処理ブロックを選択する方法がある。例えば、図８において“近傍の検出”と“追跡”が必要な解析項目の場合、これらの解析項目に対応する寄与率を掛け合わせた値は、歪み補正１２ｂでは２０×２０＝４００、３次元点群算出１２ｄでは６０×３０＝１８００となる。よって、歪み補正１２ｂよりも３次元点群算出１２ｄの処理ブロックが選択される。なお、最適化処理ブロック決定部６にて決定される処理ブロックは１つに限定されず、複数の処理ブロックにおいて解析項目の寄与率が同値かつ最大である場合は全ての処理ブロックを最適化の対象として判定してもよい。

パラメータ選定部７は、最適化の対象となった処理ブロックにおいて、パラメータ寄与率算出部３によって算出されたパラメータ寄与率が最も高いパラメータを最適化対象のパラメータとして選定する。なお、選定されるパラメータは１つに限定されず、例えば予めパラメータ寄与率の閾値を設定しておき、閾値よりもパラメータ寄与率が高いパラメータを全て最適化対象とする方法を採用してもよい。

また、最適化処理ブロック決定部６にて複数の処理ブロックが出力された場合は、処理ブロックの解析項目の寄与率と処理ブロック内のパラメータ寄与率を掛け合わせ、予め設定した閾値より高い値を示すパラメータを最適化対象とする方法を用いてもよい。

例えば、最適化処理ブロック決定部６にて出力された処理ブロックが、図５および図８にテーブルを示す歪み補正１２ｂおよび３次元点群算出１２ｄであり、ユーザ要件２０１から抽出された「解析項目」が“追跡”の場合を説明する。歪み補正１２ｂの“追跡”に対する解析項目の寄与率“２０”を、歪み補正１２ｂの各パラメータ寄与率に掛け合わせると、“焦点距離”が２０×６０＝１２００、“歪み係数”が２０×３０＝６００、“画像中心”が２０×１０＝２００となる。３次元点群算出１２ｄについても同様に計算すると、“カメラ高さ”が３０×６０＝１８００、“チルト角”が３０×３０＝９００、“ロール角”が３０×１０＝３００、“スケール”が３０×２０＝６００となる。そのため、予め設定した閾値が１０００の場合、歪み補正１２ｂの“焦点距離”と３次元点群算出１２ｄの“カメラ高さ”が最適化対象のパラメータと決定される。

＜実施例１の物体検出処理＞
図９は、実施例１の物体検出処理を示すフローチャートである。実施例１の物体検出処理は、物体検出装置１により、ユーザ指示の所定タイミングで実行される。

図９に示すように、先ず、ステップＳ１１では、処理ブロック分解部２は、センサ情報２００に含まれるセンサ独自の計測アルゴリズムを複数の処理ブロックに分解する。

続いて、物体検出装置１は、ステップＳ１２〜Ｓ１４のループ処理を、テップＳ１１で分解して得られた全ての処理ブロックについて繰り返す。すなわち、ステップＳ１２では、物体検出装置１は、ステップＳ１１で得られた１つの処理ブロックを選択する。次に、ステップＳ１３では、パラメータ寄与率算出部３は、ステップＳ１２で選択された１つの処理ブロックについて、物体検出アルゴリズム１２に対する各パラメータの寄与率を算出する。次に、ステップＳ１４では、解析項目寄与率算出部５は、ステップＳ１２で選択された１つの処理ブロックについて、物体検出アルゴリズム１２に対する各解析項目の寄与率を算出する。

ステップＳ１４が終了すると、物体検出装置１は、ステップＳ１２において、ステップＳ１１で得られた処理ブロックのうちの未選択の処理ブロックを選択し、この選択した処理ブロックについてステップＳ１３およびステップＳ１４の処理を実行する。なお、ステップＳ１４が終了し、ステップＳ１１で得られた処理ブロックのうちに未選択の処理ブロックが存在しなくなった場合、物体検出装置１は、ステップＳ１５に処理を移す。

ステップＳ１５では、最適化処理ブロック決定部６は、ユーザ解析項目抽出部４によりユーザ要件２０１から抽出された解析項目と、ステップＳ１４で解析項目寄与率算出部５により算出された各解析項目の寄与率を用いて、ユーザ要件２０１にて必要な解析項目の寄与率が最大である処理ブロックを、最適化を実行する最適化処理ブロックとして決定する。

続いて、ステップＳ１６では、パラメータ選定部７は、ステップＳ１５で最適化処理ブロック決定部６により最適化処理を実施すると決定された処理ブロックに対する寄与率が高いパラメータを最適化対象のパラメータとして選定する。

続いて、ステップＳ１７では、パラメータ調整部８は、物体検出精度や解析項目に対応する解析精度が向上するように、ステップＳ１６で選定されたパラメータを調整する。

続いて、ステップＳ１８では、物体検出実行部９は、ステップＳ１７で調整したパラメータを用いて物体検出を実行する。続いて、ステップＳ１９では、解析実行部１０は、ステップＳ１７で調整したパラメータを用いて、ステップＳ１８での物体検出実行部９による物体検出の結果を使用してユーザ要件２０１に応じたアプリケーションを実行する。ステップＳ１９が終了すると、物体検出装置１は、実施例１の物体検出処理を終了する。

上述の実施例１によれば、計測範囲から物体を検出する物体検出装置１において、計測装置独自のアルゴリズムを分割した各処理ブロックに対する解析項目の寄与率とパラメータの寄与率を算出し、調整対象となるパラメータをユーザ要件２０１ごとに選定する。すなわち、ユーザ要件２０１を充足するアプリケーションを実行する際に、このアプリケーションを実現するために必要な解析項目の寄与率が高い処理ブロックを選択し、選択した処理ブロックに対する寄与率が高いパラメータを選択することで、計測目的ごとのユーザ要件の達成に適した調整対象のパラメータを適切に選定できる。

実施例１では、図１に示すように、各機能を一体的な物体検出装置１にて実現する構成を示した。しかし、これに限られず、図１０に示すように、実施例２の物体検出装置１Ｂは、物体検出実行部９および解析実行部１０のみを有するとしてもよい。別装置であるパラメータ選定装置５０Ｂが、処理ブロック分解部２と、パラメータ寄与率算出部３と、ユーザ解析項目抽出部４と、解析項目寄与率算出部５と、最適化処理ブロック決定部６と、パラメータ選定部７と、パラメータ調整部８とを有する。そして、物体検出装置１Ｂは、パラメータ選定装置５０Ｂにより選定および調整されたパラメータを用いて物体検出および解析を実行し、物体検出結果情報２０２と解析結果情報２０３を出力する形態であってもよい。

さらに、実施例３では、図１１に示すように、別装置が処理ブロック分解部２と、パラメータ寄与率算出部３と、解析項目寄与率算出部５とを有し、この別装置にて予めこれらの処理機能を実施して各処理ブロックに対する解析項目寄与率情報２０４とパラメータ寄与率情報２０５とを取得しておく。現地では、ユーザ解析項目抽出部４と、最適化処理ブロック決定部６と、パラメータ選定部７とを有するパラメータ選定装置５０Ｃにて、ユーザ要件２０１とパラメータ寄与率情報２０５と解析項目寄与率情報２０４と入力として、調整対象となるパラメータをユーザ要件２０１ごとに高速に選定することができる。実施例２の物体検出装置１Ｂと同様の物体検出装置は、パラメータ選定装置５０Ｃにて選定（あるいは選定および調整）されたパラメータを用いて物体検出および解析を実行し、物体検出結果情報と解析結果情報とを出力する。

また、上述した実施例１〜３において、処理コストを考慮して一連の機能を実行してもよく、この実施例を実施例４として説明する。例えば、図１０に示す実施例２のパラメータ選定装置５０Ｂおよび物体検出装置１Ｂを含む形態に対して処理コストを考慮した場合の構成を図１２に示す。

図１２において、許容処理コスト取得部５１は、ユーザ要件２０１や物体検出装置１Ｄのスペック情報２０７から、物体検出やその後段の解析アプリケーションにて許容される処理コストを取得する。パラメータ選定装置制御部５２は、物体検出実行部９や解析実行部１０を実施した際の処理コスト情報２０６と、許容処理コスト取得部５１によって取得された許容処理コストの情報から、パラメータ選定装置５０Ｂの各機能が制御される。

許容処理コスト取得部５１の入力例としては、現地にて許容される調整コスト量や物体検出装置１Ｄにて実行されるアプリケーションをリアルタイムまたはオフラインのどちららで処理するかといったユーザ要件２０１や、物体検出装置１Ｄにおいて物体検出やその他のアプリケーションが実行されるハードのＣＰＵやメモリのスペック情報２０７などがあり、処理コストの単位としては処理フレームレート（ｍｓ）などが挙げられる。

また、パラメータ選定装置制御部５２の制御方法としては、パラメータ寄与率算出部３にてパラメータ寄与率を導出する際のパラメータの変化による計測精度の変動量に加えて、処理コストの変動量も算出しておき、パラメータ寄与率に反映させる方法がある。あるいは、最適化処理ブロック決定部６にて決定される最適化対象となる処理ブロック数や、パラメータ選定部７にて選定されるパラメータ数などの処理コストを踏まえてパラメータを変化させるという方法などがあり、特に限定されるものではない。

パラメータ選定の際に、物体検出やその後段の解析アプリケーションにて許容される処理コストが考慮されたパラメータが選定されることで、物理資源や性能に応じて物体検出装置１Ｄでの処理を効率化できる。

＜変形例＞
また、図１、図１０、および図１２に示すパラメータ調整部８を、パラメータを自動で最適化する機能に変更することで、現地でのパラメータ調整なしに、ユーザ要件２０１を達成可能なステレオカメラ１１のパラメータを推定することが可能となる。大量のセンサ（ステレオカメラ１１など）の設置が必要となるシステムなどでは、大幅にシステムコストを削減することができる。

上述のように、実施例１〜４では、ステレオカメラの物体検出技術に関連するパラメータの選定方法について説明したが、物体検出を実施するセンサであれば限定されるものではない。さらに、実施例１〜４では、最終的な物体検出精度を指標として各処理ブロックへのパラメータ寄与率や解析項目寄与率を算出できるため、例えばセンサ独自の物体検出アルゴリズムが不明な場合においても、ＳＤＫの情報や設定可能なパラメータ仕様などが把握できるセンサであれば調整対象となるパラメータをユーザ要件ごとに選定できる。このため、多種多様なセンサを用いた物体検出装置に適応させることが可能であり、システム全体の汎用性を向上できる。

また、実施例１〜４では、センサの物体検出技術に関連するアプリケーションに関するパラメータの選定方法について説明したが、本発明の技術思想の適用対象は、物体検出技術に限定されるものではない。例えば、物体追跡技術に関連するアプリケーションをユーザ要件とした場合においても、ユーザ要件ごとに物体追跡技術において調整対象となるパラメータを選定できる。

図１３は、実施例１〜４の物体検出装置およびパラメータ選定装置を実現するコンピュータの構成を示すハードウェア図である。実施例１〜４の物体検出装置およびパラメータ選定装置を実現するコンピュータ５０００は、ＣＰＵ（Central Processing Unit）に代表される演算装置５３００、ＲＡＭ（Random Access Memory）などのメモリ５４００、入力装置５６００（例えばキーボード、マウス、タッチパネルなど）、および出力装置５７００（例えば外部ディスプレイモニタに接続されたビデオグラフィックカード）が、メモリコントローラ５５００を通して相互接続される。コンピュータ５０００において、実施例１〜４の物体検出装置もしくはパラメータ選定装置を実現するためのプログラムがＩ／Ｏ（Input／Output）コントローラ５２００を介してＳＳＤやＨＤＤなどの外部記憶装置５８００から読み出されて、ＣＰＵ５３００およびメモリ５４００の協働により実行されることにより、実施例１〜４の物体検出装置およびパラメータ選定装置のそれぞれが実現される。あるいは、実施例１〜４の物体検出装置およびパラメータ選定装置を実現するためのプログラムは、ネットワークインターフェース５１００を介した通信により外部のコンピュータから取得されてもよい。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例を含む。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、置換、統合、分散をすることが可能である。また実施例で示した各処理は、処理効率又は実装効率に基づいて適宜分散または統合してもよい。

１，１Ｂ，１Ｄ：物体検出装置、２：処理ブロック分解部、３：パラメータ寄与率算出部、４：ユーザ解析項目抽出部、５：解析項目寄与率算出部、６：最適化処理ブロック決定部、７：パラメータ選定部、８：パラメータ調整部、９：物体検出実行部、１０：解析実行部、１１：ステレオカメラ、１２：物体検出アルゴリズム、１２ａ：映像取得、１２ｂ：歪み補正、１２ｃ：視差算出、１２ｄ：視差算出、１２ｃ，１２ｄ：３次元点群算出、１２ｅ：物体検出、１３ａ〜１３ｅ：パラメータ、Ｔ１：パラメータ寄与率テーブル、Ｔ１ａ〜Ｔ１ｅ：寄与率テーブル、１４：出力結果、２０：パラメータ設定範囲決定部、２１：計測精度変動量算出部、２２：パラメータ寄与率テーブル作成部、３０：２次元マップ、３０Ａ：計測範囲、３１ａ，３１ｂ：設備、３２ａ，３２ｂ：計測エリア、３３：一覧表、４０：解析項目一覧テーブル、４１：組み合わせテーブル、５０，５０Ｂ，５０Ｃ：パラメータ選定装置、５１：許容処理コスト取得部、５２：パラメータ選定装置制御部、２００：センサ情報、２０１：ユーザ要件、２０２：物体検出結果情報、２０３：解析結果情報、２０４：解析項目寄与率情報、２０５：パラメータ寄与率情報、２０６：処理コスト情報、２０７：スペック情報、５０００：コンピュータ、５１００：ネットワークインターフェース、５２００：コントローラ、５３００：ＣＰＵ、５４００：メモリ、５５００：メモリコントローラ、５６００：入力装置、５７００：出力装置、５８００：外部記憶装置

Claims (15)

1. 計測装置の計測範囲内における物体を物体検出装置が検出する際に使用するアルゴリズムで用いられるパラメータが、前記アルゴリズムを使用して前記物体を検出する検出精度に与える第１の影響度を算出するパラメータ影響度算出部と、
   ユーザ要件を達成するための解析項目が、前記物体検出装置によって検出された前記物体の計測精度に与える第２の影響度を算出する解析項目影響度算出部と、
   前記第１の影響度および前記第２の影響度に基づいて、調整対象とする前記パラメータを選定するパラメータ選定部と
   を有することを特徴とするパラメータ選定装置。
2. 前記アルゴリズムを複数の処理ブロックに分解する処理ブロック分解部
   をさらに有することを特徴とする請求項１に記載のパラメータ選定装置。
3. 前記処理ブロック分解部は、
   前記アルゴリズムの仕様情報または前記物体検出装置に関連する仕様情報をもとに、前記アルゴリズムを分割する
   ことを特徴とする請求項２に記載のパラメータ選定装置。
4. 前記パラメータ影響度算出部は、
   前記複数の処理ブロックのそれぞれで用いられるパラメータごとに、前記アルゴリズムあるいは各前記処理ブロックに対する前記第１の影響度を算出する
   ことを特徴とする請求項２に記載のパラメータ選定装置。
5. 前記解析項目影響度算出部は、
   前記解析項目ごとに、前記アルゴリズムあるいは各前記処理ブロックに対する前記第２の影響度を算出する
   ことを特徴とする請求項４に記載のパラメータ選定装置。
6. 前記パラメータを変化させた場合の前記アルゴリズムの検出精度あるいは前記処理ブロックの出力結果の変動量を用いて、前記第１の影響度および前記第２の影響度を算出する
   ことを特徴とする請求項５に記載のパラメータ選定装置。
7. 前記第２の影響度が第２の所定条件を満たす処理ブロックを最適化処理ブロックとして決定する最適化処理ブロック決定部
   をさらに有し、
   前記パラメータ選定部は、
   前記最適化処理ブロック決定部によって最適化処理ブロックと決定された処理ブロックに対する前記第１の影響度が第１の所定条件を満たすパラメータを最適化対象のパラメータとして選定する
   ことを特徴とする請求項５に記載のパラメータ選定装置。
8. 前記パラメータ選定部によって選定されたパラメータを、前記検出精度もしくは前記解析精度が所定以上の精度となるように調整するパラメータ調整部
   をさらに有することを特徴とする請求項１に記載のパラメータ選定装置。
9. 前記第１の影響度および前記第２の影響度は、事前に算出されるものであり、
   前記パラメータ調整部は、
   前記物体検出装置が前記物体を検出する際に、前記解析項目の情報と、事前算出しておいた前記第１の影響度および前記第２の影響度とに基づいて、前記パラメータを調整する
   ことを特徴とする請求項８に記載のパラメータ選定装置。
10. 前記パラメータ選定部は、前記物体検出装置の処理コストに基づいて前記パラメータを選定する
    ことを特徴とする請求項１に記載のパラメータ選定装置。
11. ユーザの計測目的から前記解析項目を抽出するユーザ解析項目抽出部
    をさらに有することを特徴とする請求項１に記載のパラメータ選定装置。
12. 前記解析項目は、前記アルゴリズムによる物体検出結果を利用するアプリケーションに対応する
    ことを特徴とする請求項１１に記載のパラメータ選定装置。
13. 前記計測装置は、単眼カメラ、ステレオカメラ、ＴＯＦセンサ、およびレーザレーダの何れかである
    ことを特徴とする請求項１に記載のパラメータ選定装置。
14. パラメータ選定装置が実行するパラメータ選定方法であって、
    計測装置の計測範囲内における物体を物体検出装置が検出する際に使用するアルゴリズムで用いられるパラメータが、前記アルゴリズムを使用して前記物体を検出する検出精度に与える第１の影響度を算出するパラメータ影響度算出ステップと、
    ユーザ要件を達成するための解析項目が、前記物体検出装置によって検出された前記物体の計測精度に与える第２の影響度を算出する解析項目影響度算出ステップと、
    前記第１の影響度および前記第２の影響度に基づいて、調整対象とする前記パラメータを選定するパラメータ選定ステップと
    を含んだことを特徴とするパラメータ選定方法。
15. コンピュータを、
    計測装置の計測範囲内における物体を物体検出装置が検出する際に使用するアルゴリズムで用いられるパラメータが、前記アルゴリズムを使用して前記物体を検出する検出精度に与える第１の影響度を算出するパラメータ影響度算出部と、
    ユーザ要件を達成するための解析項目が、前記物体検出装置によって検出された前記物体の計測精度に与える第２の影響度を算出する解析項目影響度算出部と、
    前記第１の影響度および前記第２の影響度に基づいて、調整対象とする前記パラメータを選定するパラメータ選定部と
    を有するパラメータ選定装置として機能させるためのパラメータ選定プログラム。

Images