JP2020155021A - 物体認識装置 - Google Patents

Abstract

【課題】処理負荷を抑制しつつ、物体を認識することができる物体認識装置を提供する。【解決手段】第１算出部５１が算出した度数分布と第２算出部５２が算出した階級の度数の比とを用いて、認識対象領域４１に対象物体が含まれるか否かを判断している。分割領域４２および認識対象領域４１における輝度の勾配方向の階級ごとの輝度の勾配強度は、認識対象領域４１に含まれている対象物体の特徴を表している。したがって、階級の度数の比も対象物体の有無を判断するパラメータとなる。よって、分割領域４２および認識対象領域４１における輝度の勾配方向の階級ごとの輝度の勾配強度だけでなく、階級の度数の比も用いることで対象物体の有無を判断することができる。【選択図】図１

Description

この明細書における開示は、画像から特定の物体を認識する物体認識装置に関する。

従来、撮像画像に含まれる被写体が何であるかを認識する認識技術として、輝度や色等の特徴量を用いた画像処理により被写体を認識する技術がある。具体的には、画像内の複数領域における輝度のヒストグラム（度数分布）の一種である勾配方向ヒストグラム（ＨＯＧ：Histograms of Oriented Gradients）を用いて物体検出を行う技術が提案されている。勾配方向ヒストグラムは、対象となる画像を複数の領域に分割し、この各領域について輝度の勾配強度および勾配方向を算出し、これらの輝度の勾配強度および勾配方向に基づいて作成される。

特許文献１に記載の技術では、画像における複数の領域について勾配方向ヒストグラムを算出する。加えて、物体の認識精度を向上するために、複数の勾配方向ヒストグラムの階級のうち、特定の２つの領域に係る勾配方向ヒストグラムの特定の階級の値の差分値を算出する。対象となる画像を分割した各領域について算出した勾配方向ヒストグラムと、この差分値に基づいて物体を認識している。

特開２０１０−６７１０２号公報

勾配方向ヒストグラムの勾配強度の度数は、画像サイズが大きいほど大きくなるので、画像サイズによって変わる値である。したがって単に差分値を算出すると画像サイズの影響を受けることになる。そこで特許文献１では、画像の縮小処理によって一律の画像サイズに縮小する前処理を行って、その後に差分値を算出している。したがって特許文献１に記載の技術では前処理が必要であり、処理負荷が高いという問題がある。

そこで、開示される目的は前述の問題点を鑑みてなされたものであり、処理負荷を抑制しつつ、物体を認識することができる物体認識装置を提供することを目的とする。

本開示は前述の目的を達成するために以下の技術的手段を採用する。

ここに開示された物体認識装置は、画像から特定の対象物体（１１０）を認識する物体認識装置（１０）であって、画像中において、対象物体が存在する可能性が高い認識対象領域（４１）を推定する領域推定部（３１）と、認識対象領域を複数領域に分割した分割領域（４２）のそれぞれにおいて、輝度の勾配強度および輝度の勾配方向を算出し、算出した輝度の勾配方向に対する輝度の勾配強度の度数分布を分割領域毎に算出する第１算出部（５１）と、
第１算出部で算出された複数の度数分布のうち、少なくとも２つの領域の度数分布の階級から２つの階級を選ぶ場合の全ての組み合わせで２つの階級の度数の比を算出する第２算出部（５２）と、第１算出部が算出した度数分布と第２算出部が算出した比とを用いて認識対象領域に対象物体が含まれるか否かを判断する対象認識部（３３）と、を含む物体認識装置である。

このような物体認識装置に従えば、第１算出部が算出した度数分布と第２算出部が算出した階級の度数の比とを用いて、認識対象領域に対象物体が含まれるか否かを対象認識部よって判断している。分割領域および認識対象領域における輝度の勾配方向の階級ごとの輝度の勾配強度は、認識対象領域に含まれている対象物体の特徴を表している。したがって、階級の度数の比も対象物体の有無を判断するパラメータとなる。よって、分割領域および認識対象領域における輝度の勾配方向の階級ごとの輝度の勾配強度だけでなく、階級の度数の比も用いることで対象物体の有無を精度よく判断することができる。

また階級の度数の比は領域の画像サイズに依存しない。したがって画像サイズを一律に調整するために画像サイズを縮小する処理が不要となる。よって、画像サイズの調整に起因する処理負荷を抑制することができる。

なお、前述の各手段の括弧内の符号は、後述する実施形態に記載の具体的手段との対応関係を示す一例である。

物体認識装置１０を示すブロック図。 車両１１０の後方形状の画像を示す図。 勾配方向ヒストグラムの一例を示す図。

（第１実施形態）
本開示の第１実施形態に関して、図１〜図３を用いて説明する。図１は、本開示に係る物体認識装置１０を備える車載システム１００の概略的な構成の一例を示す図である。車載システム１００は、自車両に搭載されており、物体認識装置１０、カメラ１１および車両制御部１２を備えている。

カメラ１１は、車室内などに設置されて、自車両の前方を撮像する。このカメラ１１は、単眼カメラであっても、ステレオカメラであってもよい。カメラ１１は、撮像した画像を通信ネットワーク１３に出力する。

物体認識装置１０は、カメラ１１および車両制御部１２のそれぞれと自車両内に構築されている通信ネットワーク１３を介して相互通信可能に接続されている。物体認識装置１０は、カメラ１１が撮像する画像に基づいて、自車両の周辺に存在する物体の種別、たとえば車両１１０である否かを特定するＥＣＵ（Electronic Control Unit：電子制御装置）である。物体認識装置１０は、構成要素として、入出力部２１、演算部２２および記憶部２３を備える。演算部２２は、入出力部２１および記憶部２３のそれぞれと相互通信可能に接続されている。

入出力部２１は、物体認識装置１０が通信ネットワーク１３に接続する他の装置と相互通信するためのインターフェースとして機能する回路モジュールである。入出力部２１は、たとえばカメラ１１から出力された画像データを取得して、演算部２２に提供する。また、演算部２２から入力されたデータを所定の外部デバイス、たとえば車両制御部１２に出力する。

記憶部２３は、物体の種別を識別するためのデータである検出辞書を記憶している記憶装置である。検出辞書については別途後述する。記憶部２３は、例えばハードディスクドライブやソリッドステートドライブ等といった書き換え可能であって且つ不揮発性の記憶媒体を用いて実現されている。記憶部２３は、演算部２２によってデータの読み出し及び書き込みが可能に構成されている。

演算部２２は、種々の演算処理を実行する構成であって、コンピュータとして構成されている。演算部２２は、ＣＰＵ、ＲＡＭ、フラッシュメモリ、Ｉ／Ｏ、及びこれらの構成を接続するバスラインなどを備える。フラッシュメモリには、演算部２２が実行するプログラム等が格納されている。

なお、演算部２２は、ＣＰＵの代わりに、ＧＰＵやＭＰＵを用いて実現されていても良い。さらにＣＰＵやＧＰＵ、ＭＰＵを組合せて実現されていてもよい。また、演算部２２が実行するプログラムは、非遷移的実体的記録媒体（non- transitory tangible storage medium）に格納されていればよく、その具体的な格納媒体は、フラッシュメモリに限定されない。

車両制御部１２は、物体認識装置１０での物体の認識結果に基づいて自車両の加減速制御および操舵制御を行うことにより、運転席の乗員よる運転操作の補助または代行を行うＥＣＵである。車両制御部１２は、物体認識装置１０の認識結果を利用する構成であれば運転操作の補助または代行する制御に限るものではなく、エンジン制御など他の制御も実施する。また物体認識装置１０の認識結果は、自動運転に限らず、多様なアプリケーションで利用することができる。

次に、演算部２２の具体的な物体認識処理に関して説明する。演算部２２は、ＣＰＵが物体認識プログラムを実行することによって物体認識処理を実行する。演算部２２は、物体認識処理を実行することで、図１に示す種々の機能ブロックに対応する機能を提供する。演算部２２は、機能ブロックとして領域推定部３１、特徴抽出部３２および対象認識部３３を備える。これらの種々の機能ブロックの一部又は全部は、ハードウェアとして実現されていても良い。

領域推定部３１は、カメラ１１が撮像した画像中において、対象物体である他の車両１１０が存在する可能性が高い認識対象領域４１を推定する。領域推定部３１は、自車両の後方画像中または前方画像中において、他の車両１１０が存在するであろう矩形状の認識対象領域４１を特定する。領域推定部３１は、具体的には、他の車両１１０の後方形状がカメラ１１が撮像した画像中に存在する可能性が高い認識対象領域４１を推定する。領域推定部３１は、たとえばエッジ検出によって車両１１０の後方形状に類似する物体を検出し、図２に示すように、検出した物体を内包するように矩形状の認識対象領域４１を推定する。領域推定部３１は、推定した認識対象領域４１を特徴抽出部３２に出力する。

特徴抽出部３２は、認識対象領域４１から画像の特徴を抽出し、抽出した特徴を対象認識部３３に出力する。特徴抽出部３２は、機能ブロックとして第１算出部５１、第２算出部５２および第３算出部５３を備える。第１算出部５１は、領域推定部３１が特定した認識対象領域４１と、認識対象領域４１を複数領域に分割した分割領域４２のそれぞれにおいて、輝度の勾配強度および輝度の勾配方向を算出し、算出した輝度の勾配方向に対する勾配強度の度数分布を認識対象領域４１と分割領域４２のそれぞれにおいて算出する。分割領域４２は、図２に示すように、認識対象領域４１を縦に３つ、かつ横に３つに等分割した９分割の領域である。

輝度の勾配方向に対する勾配強度の度数分布は、輝度のヒストグラム（度数分布）の一種であり、勾配方向ヒストグラム（ＨＯＧ：Histograms of Oriented Gradients）と呼ばれる。したがって第１算出部５１は、対象領域におけるＨＯＧを算出する。ＨＯＧは、図３に示すように、認識対象領域４１および各分割領域４２について輝度の勾配強度および勾配方向を算出し、これらの輝度の勾配強度および勾配方向に基づいて作成される。

次に、ＨＯＧの算出について具体的に説明する。カメラ１１によって撮像された画像は、マトリクス状に配置された複数の画素の集合体である。したがって認識対象領域４１および分割領域４２も同様に、マトリクス状に配置された複数の画素の集合体である。ここで輝度の勾配方向は、対象となる画素の輝度の勾配方向を示す値である。輝度の勾配強度は、対象となる画素の輝度の勾配強度を示す値である。

たとえば特定の画素である第１画素について、輝度の勾配方向および勾配強度を算出する場合には、第１画素の水平方向（ｘ方向）および垂直方向（ｙ方向）に隣接する４つの画素を用いる。最初に、第１画素に隣接する４つの画素の輝度成分（Ｙ成分）が抽出される。たとえば第１画素の座標をＺ（ｘ，ｙ）とする場合に、第１画素の輝度成分をＰ（ｘ，ｙ）とする。そしてたとえば、第１画素の右隣の画素の輝度成分をＰ（ｘ＋１，ｙ）とし、第１画素の左隣の画素の輝度成分をＰ（ｘ−１，ｙ）とし、第１画素の上隣の画素の輝度成分をＰ（ｘ，ｙ＋１）とし、第１画素の下隣の画素の輝度成分をＰ（ｘ，ｙ−１）とする。この場合に、第１画素における輝度の勾配方向θ（ｘ，ｙ）は、式（１）を用いて算出される。また、第１画素における輝度の勾配強度Ｉ（ｘ，ｙ）は、式（２）を用いて算出される。

このように、第１画素に隣接する４画素の輝度成分の差分値を用いて、第１画素に関する輝度の勾配方向θ（ｘ，ｙ）および輝度の勾配強度Ｉ（ｘ，ｙ）を算出する。ここで、輝度の勾配については、向きを考慮しなくてもよいため、輝度の勾配方向θ（ｘ，ｙ）は、０乃至１８０度までの範囲となる。このように算出された輝度の勾配方向θ（ｘ，ｙ）および輝度の勾配強度Ｉ（ｘ，ｙ）を用いて、第１画素に関する輝度の勾配を表すベクトルを作成することができる。ベクトルは、輝度の勾配方向θ（ｘ，ｙ）を水平方向（ｘ軸）に対する角度とし、輝度の勾配強度Ｉ（ｘ，ｙ）を大きさとして作成される。また分割領域４２を構成する各画素についても同様に、輝度の勾配方向θ（ｘ，ｙ）および輝度の勾配強度Ｉ（ｘ，ｙ）を算出することができる。

図３に示すように、分割領域４２に含まれる全ての画素について算出された輝度の勾配方向θ（ｘ，ｙ）および輝度の勾配強度Ｉ（ｘ，ｙ）に基づいて作成されるヒストグラムを示す。図３に示すヒストグラムがＨＯＧであり、横軸は輝度の勾配方向を示す軸であり、縦軸は輝度の勾配強度の頻度を示す軸である。

この例では、輝度の勾配方向の範囲（０〜１８０度までの区間）について、１区間の範囲を２２．５度として、８区間の角度領域を定義する。そして、算出された輝度の勾配方向θ（ｘ，ｙ）に対する輝度の勾配強度Ｉ（ｘ，ｙ）のヒストグラムを作成する。すなわち、算出された輝度の勾配方向θ（ｘ，ｙ）が８階級に量子化されたもの横軸とし、この量子化された輝度の勾配方向θ（ｘ，ｙ）に対する輝度の勾配強度Ｉ（ｘ，ｙ）の合計値が縦軸とするヒストグラム（度数分布）が算出される。したがって各階級の度数は、輝度の勾配強度Ｉ（ｘ，ｙ）の合計値となる。これにより、図３に示すヒストグラムが作成される。このように、分割領域４２についてヒストグラムを算出する場合には、例えば、分割領域４２における左上隅の第１画素から右下隅の最終の画素までのラスター順に演算が行われる。ＨＯＧを算出することによって、輝度勾配が強い区間を把握することができる。これにより、ＨＯＧの算出対象である分割領域４２のエッジ強度分布を容易に把握することができる。

このように算出されたＨＯＧは、認識対象領域４１の特徴量として用いられる。具体的には、認識対象領域４１と９個の分割領域４２でＨＯＧを算出するので、１０領域×８区間で８０個の勾配強度Ｉ（ｘ，ｙ）の合計値が抽出される。抽出された８０個の勾配強度Ｉ（ｘ，ｙ）の合計値が認識対象領域４１の特徴であるので、８０個の特徴（すなわち８０個の輝度の勾配強度）が認識対象領域４１から抽出される。

第２算出部５２は、第１算出部５１で算出された複数の領域のＨＯＧのうち、少なくとも２つの領域のＨＯＧの階級から２つの階級を選ぶ場合の全ての組み合わせで２つの階級の度数の比を算出する。第２算出部５２は、本実施形態では第１算出部５１で算出された全ての領域のＨＯＧから２つの階級を選ぶ場合の全ての組み合わせで２つの階級の度数の比を算出する。具体的には、第１算出部５１で８０個の輝度の勾配強度の合計値が算出されるが、この８０個から２つの階級の度数を選ぶ場合の組み合わせで、度数の比を算出する。第２算出部５２における特徴は、２つの階級の度数の比、すなわち２つの輝度の勾配強度の合計値の比である。度数の比を算出する組み合わせは、８０個から２つ選ぶ場合の数であり、この場合の数が第２算出部５２によって抽出される特徴数となる。よって特徴数は、_８０Ｃ_２で表せるので、第２算出部５２によって認識対象領域４１から３１６０個の特徴が抽出される。

第３算出部５３は、認識対象領域４１の縦と横の比および認識対象領域４１の領域面積を算出する。これによって２個の特徴が抽出される。認識対象領域４１の縦横比は、車両１１０の全体を検出できている場合と、車両１１０の荷台などの一部だけを検出している場合との識別に使う特徴として用いられる。また認識対象領域４１の領域面積は、対象領域の大きさで識別に使う特徴が切り替わるので、識別に用いる特徴を切り替えるために用いられる。

本実施形態では、特徴抽出部３２は、前述の特徴、すなわち８０個の勾配方向毎の勾配強度、勾配強度の比、認識対象領域４１の縦横比および領域面積を抽出しているがこのような特徴に限るものではない。たとえば、他の特徴として、正規化した勾配方向ヒストグラムを特徴として用いてもよい。正規化する方法として、たとえば各領域において、８方向の輝度の勾配強度の総合計で、各勾配方向における輝度を徐することで算出される。これによって８０個の特徴が抽出される。正規化することによって、認識対象領域４１の大きさに依らない共通した特徴を抽出することができる。なお、上記特徴を正規化しても、上記特徴の数は、画像の画素数よりは十分に少ない。したがって、上記特徴を正規化する場合の演算負荷は、画像サイズを縮小する場合の演算負荷よりも少なくなる。

対象認識部３３は、第１算出部５１が算出した度数分布、第２算出部５２が算出した階級の度数の比、および第３算出部５３が算出した縦横比および面積を用いて認識対象領域４１に対象物体が含まれるか否かを判断する判断処理を実施する。したがって対象認識部３３は、第１算出部５１が算出した８０個の特徴、第２算出部５２が算出した３１６０個の特徴、および第３算出部５３が算出した２個の特徴の合計である３２４２個の特徴を用いて認識対象領域４１に他の車両１１０の後方形状が含まれるか否かを判断する。そして対象認識部３３は、判断結果を他の装置、たとえば車両制御部１２に出力する。

対象認識部３３は、判断結果として、例えば、撮像画像における他の車両１１０の位置および大きさと、それが車両１１０であるか否かの度合いを表すスコアとが出力される。スコアについて具体的には、対象認識部３３は、記憶部２３に記憶されている検出辞書を用いてスコアを算出する。検出辞書は、判断処理を行うための判断情報である。

検出辞書の各値は、ランダムフォレストモデルなどの機械学習アルゴリズムにより学習されたものである。他の車両１１０の後方形状が含まれる画像および他の車両１１０の後方形状が含まれない画像を多数集めて車両１１０の後方形状の特有のパターンを学習することにより、判断処理に用いられる検出辞書を作成することができる。

ランダムフォレストモデルは、複数の決定木を含み、ランダムフォレストモデルを用いて車両らしさを示すスコアが算出される。スコアが高くなるほど、車両１１０である可能性が高くなる。決定木は、識別木とも称される。

検出辞書には、たとえば認識対象領域４１から抽出された特徴と、スコアと閾値とが互いに関連付けて記憶されている。たとえば、所定の特徴を用いて判断する場合、その特徴を判断するための固有の閾値が設定されている。

各決定木では、特徴抽出部３２で抽出された特徴を順次用い、その特徴に対して検出辞書に記憶されている閾値とを比較し、比較した結果に基いてスコアを算出する。たとえば特徴の値が閾値よりも大きい場合は、車の可能性が高いとしてスコアを増加させ、閾値よりも大きくない場合は、車の可能性が低いとしてスコアを減少させる。

各決定木では、閾値の比較結果によって次に進む決定木が予め設定されており、最後の決定木まで閾値と比較する処理を繰り返す。そして各決定木において算出されたスコアは、最終的にスコアが計算される。そして最終決定したスコアと所定の閾値とを比較して、車両１１０であるか否かを判断する。

以上説明したように本実施形態の物体認識装置１０に従えば、第１算出部５１が算出した度数分布と第２算出部５２が算出した階級の度数の比とを用いて、認識対象領域４１に対象物体が含まれるか否かを判断している。分割領域４２および認識対象領域４１における輝度の勾配方向の階級ごとの輝度の勾配強度は、認識対象領域４１に含まれている対象物体の特徴を表している。したがって、階級の度数の比も対象物体の有無を判断するパラメータとなる。よって、分割領域４２および認識対象領域４１における輝度の勾配方向の階級ごとの輝度の勾配強度だけでなく、階級の度数の比も用いることで対象物体の有無を精度よく判断することができる。

階級の度数の比は領域の画像サイズに依存しない。したがって画像サイズを一律に調整するために画像サイズを縮小する処理が不要となる。よって、画像サイズの調整に起因する処理負荷を抑制することができる。

また本実施形態では、第２算出部５２は、第１算出部５１で算出された全ての領域の度数分布から２つの階級を選ぶ場合の全ての組み合わせで２つの階級の度数の比を算出する。これによって第２算出部５２で算出される特徴数が増加するので、より対象物体の有無を高精度に判断することができる。また特徴数は増加するが比を演算するだけなので、演算負荷は画像サイズを調整する処理に比べたら小さい。したがって処理の増加を抑制しつつ、特徴数を増加させることができる。

さらに本実施形態では、領域推定部３１は、車両１１０の後方形状を映す画像中において、車両１１０が存在する矩形状の認識対象領域４１を特定している。分割領域４２は、矩形状の認識対象領域４１を縦に３つ、かつ横に３つに分割した９分割の領域である。これによって四隅の部分に車両１１０の後方形状の特徴である角部分が配置される可能性が高くなり、四隅を除く部分と検出される勾配方向ヒストグラムの差異が顕著になりやすくなる。

また本実施形態では、第３算出部５３が算出した縦横比をさらに用いて、認識対象領域４１に対象物体が含まれるか否かを判断している。認識対象領域４１の縦横比は、車両１１０の後方形状を表す特徴の１つである。認識対象領域４１が、たとえば横長の長方形状であると、車両１１０の後方形状でない可能性が高い。このような縦横比を用いることで、認識精度を向上することができる。

（その他の実施形態）
以上、本開示の好ましい実施形態について説明したが、本開示は前述した実施形態に何ら制限されることなく、本開示の主旨を逸脱しない範囲において種々変形して実施することが可能である。

前述の実施形態の構成は、あくまで例示であって、本開示の範囲はこれらの記載の範囲に限定されるものではない。本開示の範囲は、特許請求の範囲の記載によって示され、さらに特許請求の範囲の記載と均等の意味及び範囲内での全ての変更を含むものである。

前述の第１実施形態では、特定の対象物体は車両１１０であったが車両１１０に限るものではなく、他の物体、たとえば人物であってもよく、ガードレールおよび信号機などの道路上に固定されている物体であってもよい。また対象物体は、車両１１０の後方形状に限るものではなく、車両１１０の側方形状であってもよく、車両１１０の前方形状あってもよく、方向を限定しない構成であってもよい。

前述の第１実施形態では、認識対象領域４１は９つに分割しているが、９つに限るものではなく、２つ以上に分割であればよい。たとえば４分割や１６分割であってもよい。

前述の第１実施形態では、全ての領域の度数分布から２つの階級を選ぶ場合の全ての組み合わせで２つの階級の度数の比を算出しているが、全ての領域に限るものではなく、少なくとも２つの領域あればよい。

前述の第１実施形態では、第１算出部５１は、認識対象領域４１と、認識対象領域４１を複数領域に分割した分割領域４２のそれぞれにおいてＨＯＧを算出しているが、認識対象領域４１においてＨＯＧを算出せずに、分割領域４２だけＨＯＧを算出してもよい。

前述の第１実施形態では、機械学習アルゴリズムとして、ランダムフォレストを用いているがこのようなアルゴリズムに限るものではない。対象認識部３３は、例えば、アダブースト（AdaBoost）、ｋ近似法、ＳＶＭ（support vector machine）、等の他の機械学習アルゴリズムを採用することもできる。

前述の第１実施形態において、物体認識装置１０によって実現されていた機能は、前述のものとは異なるハードウェアおよびソフトウェア、またはこれらの組み合わせによって実現してもよい。物体認識装置１０は、たとえば他の制御装置と通信し、他の制御装置が処理の一部または全部を実行してもよい。物体認識装置１０が電子回路によって実現される場合、それは多数の論理回路を含むデジタル回路、またはアナログ回路によって実現することができる。

前述の第1実施形態では、勾配強度Ｉ（ｘ，ｙ）の合計値が縦軸となるヒストグラムを作成したが、強度の大小関係なく、すなわちＩ（ｘ，ｙ）＝１として、勾配方向θ（ｘ，ｙ）毎の単純な頻度を縦軸としたヒストグラムでもよい。これによって勾配強度を算出する演算負荷を軽減することができる。

１０…物体認識装置 １１…カメラ １２…車両制御部 １３…通信ネットワーク
２１…入出力部 ２２…演算部 ２３…記憶部 ３１…領域推定部
３２…特徴抽出部 ３３…対象認識部 ４１…認識対象領域 ４２…分割領域
５１…第１算出部 ５２…第２算出部 ５３…第３算出部 １００…車載システム
１１０…車両（対象物体）

Claims (4)

1. 画像から特定の対象物体（１１０）を認識する物体認識装置（１０）であって、
   画像中において、前記対象物体が存在する可能性が高い認識対象領域（４１）を推定する領域推定部（３１）と、
   前記認識対象領域を複数領域に分割した分割領域（４２）のそれぞれにおいて、輝度の勾配強度および輝度の勾配方向を算出し、算出した輝度の勾配方向に対する輝度の勾配強度の度数分布を前記分割領域毎に算出する第１算出部（５１）と、
   前記第１算出部で算出された複数の度数分布のうち、少なくとも２つの領域の度数分布の階級から２つの階級を選ぶ場合の全ての組み合わせで２つの階級の度数の比を算出する第２算出部（５２）と、
   前記第１算出部が算出した度数分布と前記第２算出部が算出した比とを用いて前記認識対象領域に前記対象物体が含まれるか否かを判断する対象認識部（３３）と、を含む物体認識装置。
2. 前記第２算出部は、前記第１算出部で算出された全ての領域の度数分布から２つの階級を選ぶ場合の全ての組み合わせで２つの階級の比を算出する請求項１に記載の物体認識装置。
3. 前記対象物体は、車両であり、
   前記領域推定部は、前記車両の後方画像中または前方画像中において、前記車両が存在する矩形状の前記認識対象領域を特定し、
   前記分割領域は、前記認識対象領域を縦に３つ、かつ横に３つに分割した９分割の領域である請求項１または２に記載の物体認識装置。
4. 前記認識対象領域の縦と横の比を算出する第３算出部（５３）をさらに含み、
   前記対象認識部は、前記第３算出部が算出した縦横比をさらに用いて、前記認識対象領域に前記対象物体が含まれるか否かを判断する請求項３に記載の物体認識装置。

Images