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
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 Download PDFInfo
- Publication number
- JP2020113202A JP2020113202A JP2019005448A JP2019005448A JP2020113202A JP 2020113202 A JP2020113202 A JP 2020113202A JP 2019005448 A JP2019005448 A JP 2019005448A JP 2019005448 A JP2019005448 A JP 2019005448A JP 2020113202 A JP2020113202 A JP 2020113202A
- Authority
- JP
- Japan
- Prior art keywords
- parameter
- object detection
- unit
- processing block
- analysis item
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
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。
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。
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。
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。
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。
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。
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。
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。
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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019005448A JP7199974B2 (ja) | 2019-01-16 | 2019-01-16 | 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 |
PCT/JP2019/047666 WO2020149044A1 (ja) | 2019-01-16 | 2019-12-05 | 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 |
CN201980081428.4A CN113168696A (zh) | 2019-01-16 | 2019-12-05 | 参数选定装置、参数选定方法以及参数选定程序 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019005448A JP7199974B2 (ja) | 2019-01-16 | 2019-01-16 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020113202A true JP2020113202A (ja) | 2020-07-27 |
JP7199974B2 JP7199974B2 (ja) | 2023-01-06 |
Family
ID=71613780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019005448A Active JP7199974B2 (ja) | 2019-01-16 | 2019-01-16 | 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 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7199974B2 (ja) |
CN (1) | CN113168696A (ja) |
WO (1) | WO2020149044A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022096096A (ja) * | 2020-12-17 | 2022-06-29 | 株式会社ティーアンドエス | 映像配信方法及びそのためのプログラム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634270B (zh) * | 2021-03-09 | 2021-06-04 | 深圳华龙讯达信息技术股份有限公司 | 一种基于工业互联网的成像检测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005217615A (ja) * | 2004-01-28 | 2005-08-11 | Fuji Xerox Co Ltd | 画像形成装置および画像形成方法 |
JP2008089574A (ja) * | 2006-09-05 | 2008-04-17 | Dainippon Screen Mfg Co Ltd | 画像処理装置、データ処理装置、パラメータ調整方法、およびプログラム |
JP2016015116A (ja) * | 2014-06-12 | 2016-01-28 | パナソニックIpマネジメント株式会社 | 画像認識方法、カメラシステム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006163614A (ja) * | 2004-12-03 | 2006-06-22 | Matsushita Electric Ind Co Ltd | 画像処理装置、および画像処理方法 |
JP5006263B2 (ja) * | 2008-06-03 | 2012-08-22 | 株式会社リコー | 画像処理装置、プログラムおよび画像処理方法 |
JP5812598B2 (ja) * | 2010-12-06 | 2015-11-17 | 富士通テン株式会社 | 物体検出装置 |
CN102194129B (zh) * | 2011-05-13 | 2012-11-14 | 南京大学 | 基于车型聚类的交通流参数视频检测方法 |
JP6214226B2 (ja) * | 2013-06-06 | 2017-10-18 | キヤノン株式会社 | 画像処理装置、断層撮影装置、画像処理方法およびプログラム |
CN104050661B (zh) * | 2014-05-29 | 2016-08-31 | 华中科技大学 | 面扫描三维测量系统精度的实时调整方法 |
JP6188860B1 (ja) * | 2016-04-13 | 2017-08-30 | 三菱電機株式会社 | オブジェクト検出装置 |
JP6772588B2 (ja) * | 2016-06-29 | 2020-10-21 | 日産自動車株式会社 | 物体追跡方法及び物体追跡装置 |
-
2019
- 2019-01-16 JP JP2019005448A patent/JP7199974B2/ja active Active
- 2019-12-05 CN CN201980081428.4A patent/CN113168696A/zh active Pending
- 2019-12-05 WO PCT/JP2019/047666 patent/WO2020149044A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005217615A (ja) * | 2004-01-28 | 2005-08-11 | Fuji Xerox Co Ltd | 画像形成装置および画像形成方法 |
JP2008089574A (ja) * | 2006-09-05 | 2008-04-17 | Dainippon Screen Mfg Co Ltd | 画像処理装置、データ処理装置、パラメータ調整方法、およびプログラム |
JP2016015116A (ja) * | 2014-06-12 | 2016-01-28 | パナソニックIpマネジメント株式会社 | 画像認識方法、カメラシステム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022096096A (ja) * | 2020-12-17 | 2022-06-29 | 株式会社ティーアンドエス | 映像配信方法及びそのためのプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7199974B2 (ja) | 2023-01-06 |
CN113168696A (zh) | 2021-07-23 |
WO2020149044A1 (ja) | 2020-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2858008B1 (en) | Target detecting method and system | |
JP6186834B2 (ja) | 目標追尾装置及び目標追尾プログラム | |
JP7387792B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
WO2020149044A1 (ja) | 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 | |
JP6943183B2 (ja) | 位置特定装置、位置特定方法、位置特定プログラムおよびカメラ装置 | |
JP2019149119A (ja) | 画像処理装置、画像処理方法及びプログラム | |
JP2015507736A (ja) | ターゲットサイズを見積もるためのシステム及び方法 | |
JP2019120577A (ja) | 位置推定装置、位置推定方法及び位置推定用コンピュータプログラム | |
JP4210292B2 (ja) | 画像変化予測方法および画像変化予測装置 | |
JP2012181710A (ja) | オブジェクト追跡装置、方法、及びプログラム | |
JP2020170252A (ja) | 画像処理装置、情報処理方法及びプログラム | |
KR20210050997A (ko) | 포즈 추정 방법 및 장치, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램 | |
JP2017184136A (ja) | 情報処理装置、情報処理方法、情報処理システム及びプログラム | |
JP2012160063A (ja) | 球体の検出方法 | |
JP2016162425A (ja) | 骨格姿勢推定装置、方法、及びプログラム | |
KR20100041170A (ko) | 영상 추적 장치의 이동표적 움직임 추적 방법 | |
JP2020149565A (ja) | 画像処理装置、画像処理方法およびプログラム | |
KR102247057B1 (ko) | 인공신경망을 이용한 슬라브 길이 연산 방법 및 그 장치 | |
JP4942197B2 (ja) | テンプレート作成装置及び表情認識装置並びにその方法、プログラム及び記録媒体 | |
KR20190070235A (ko) | 비전 기반 위치 추정 기법을 이용한 6-자유도 상대 변위 추정 방법 및 그 장치 | |
JP7341079B2 (ja) | 距離画像推定装置及び操縦装置 | |
US11869217B2 (en) | Image processing apparatus, detection method, and non-transitory computer readable medium | |
KR102109374B1 (ko) | 위치 추정 장치 및 방법 | |
JP2018200175A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN109425309B (zh) | 图像处理装置、图像处理系统以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211015 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221122 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221221 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7199974 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |