JP2020160814A - 認識装置、認識方法およびプログラム - Google Patents

Abstract

【課題】センサから取得した観測情報を対象にした認識処理において、適切な精度を維持しつつ処理量を抑制した認識を可能とする。【解決手段】認識装置１００は、撮像装置２００より取得した画像からナンバープレートの周辺画像を切り出す車両検出部１１２と、ナンバープレートの周辺画像からナンバープレートの正面画像を抽出するナンバープレート検出部１１３と、ナンバープレートの正面画像から自動車登録番号を認識する文字認識部１１４と、文字認識部１１４の認識難易度に基づいてナンバープレート検出部１１３の正面画像を抽出する能力を判定する信頼度判定部１１５と、信頼度判定部１１５の判定結果によりナンバープレート検出部１１３の正面画像を抽出する能力を変更するモデル変更部１１６と、を備える。【選択図】図１

Description

本発明は、センサから取得した観測情報を対象に認識処理を行う認識装置、認識方法およびプログラムに関する。

画像処理の例として、車両ナンバー（自動車登録番号）の認識がある。ナンバープレートの認識システムは、通行する車両の画像からナンバープレートを抽出して、自動車登録番号を読み取る。ナンバープレートを抽出するためには、画像のなかでナンバープレートを含む画像領域を特定し、幾何学変換して、ナンバープレートの正面画像を取得する。特許文献１，２には、画像に含まれるナンバープレート領域を特定する技術が記載されている。

一方、機械学習技術の進歩にともない、高精度な画像認識や文字認識が可能となっている。このため、機械学習技術を用いてナンバープレートを抽出することで、従来技術より高精度な認識が期待できる。

特開２０１３−２２２４６１号公報 特許４９０１６７６号公報

機械学習技術を用いることで高精度な自動車登録番号の認識が期待されるが、認識に必要な処理量が増加し、消費電力やハードウェアの発熱量が増大することが懸念される。機械学習モデルのサイズ（例えば、ニューラルネットワークの層数やノード数、ノード間の結合数など）が大きいほど、高い精度が期待できるが、逆に処理量は増える。これは、自動車登録番号の認識に限らず他の文字認識を含め、画像処理においても同様である。また、機械学習ではない従来の画像処理においても、認識精度の向上のみを追求するのではなく、適切な画像処理手法を選択して処理量を削減することが求められる。さらに、画像に限らず、各種レーダや音響ソナーの観測情報から物体を認識する場合でも同様である。

本発明は、このような背景を鑑みてなされたのであり、センサから取得した観測情報を対象にした認識処理において、適切な精度を維持しつつ処理量を抑制した認識を可能とする認識装置、認識方法およびプログラムを提供することを課題とする。

前記した課題を解決するため、本発明に係る認識装置は、センサを用いて取得した観測情報から所定の物体が存在する前記観測情報の領域である物体存在領域を検出し、前記物体存在領域を検出する能力が変更可能である検出部と、前記物体存在領域を対象として、認識処理を行う認識部と、前記認識処理の難易度に基づいて前記物体存在領域を検出する能力を変更する設定変更部と、を備えることを特徴とする。

前記した課題を解決するため、本発明に係る認識方法は、センサを用いて取得した観測情報から所定の物体が存在する前記観測情報の領域である物体存在領域を検出し、前記物体存在領域を検出する能力が変更可能であるステップと、前記物体存在領域を対象として、認識処理を行うステップと、前記認識処理の難易度に基づいて前記物体存在領域を検出する能力を変更するステップと、を実行することを特徴とする。

前記した課題を解決するため、本発明に係るプログラムは、コンピュータを、センサを用いて取得した観測情報から所定の物体が存在する前記観測情報の領域である物体存在領域を検出し、前記物体存在領域を検出する能力が変更可能である検出手段と、前記物体存在領域を対象として、認識処理を行う認識手段と、前記認識処理の難易度に基づいて前記物体存在領域を検出する能力を変更する設定変更手段と、して機能させることを特徴とする。

本発明によれば、センサから取得した観測情報を対象にした認識処理において、適切な精度を維持しつつ処理量を抑制した認識を可能とする認識装置、認識方法およびプログラムを提供することができる。

第１の実施形態に係る認識装置の機能構成図である。 第１の実施形態に係る車両検出部、ナンバープレート検出部、および文字認識部の処理を説明するための図である。 第１の実施形態に係る自動車登録番号認識処理のフローチャートである。 第１の実施形態に係るモデル変更処理のフローチャートである。 第１の実施形態の変型例に係るモデル変更処理のフローチャートである。 第２の実施形態に係る認識装置の機能構成図である。 第２の実施形態に係る車両検出部、ナンバープレート領域検出部、幾何学変換部、および文字認識部の処理を説明するための図である。

≪認識装置の概要≫
以下に、本発明を実施するための形態（実施形態）における認識装置を説明する。本実施形態に係る認識装置は、自動車登録番号を認識する装置であって、画像の撮影環境に応じて機械学習モデルを変更することを特徴とする。
ナンバープレートを撮影するカメラは屋外に設置されており、天候や明るさなど撮影環境によって自動車登録番号を認識する困難度は異なる。例えば、夜間に比べて曇天の昼間の方が、認識しやすい（精度が高い）。本実施形態に係る認識装置は、ナンバープレートの抽出に機械学習技術を適用し、ナンバープレート抽出後の文字認識処理の信頼度に応じて、機械学習モデルを変更することを特徴とする。

≪第１の実施形態：認識装置の構成≫
図１は、第１の実施形態に係る認識装置１００の機能構成図である。認識装置１００は、コンピュータであって、ＣＰＵ（Central Processing Unit）から構成される制御部１１０、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）、ＳＳＤ（Solid State Drive）などから構成される記憶部１２０、通信デバイスからなる通信部１３０などを備える。

撮像装置（カメラ）２００は、撮影した画像を認識装置１００に入力する。認識装置１００は、入力された画像のなかの自動車登録番号を認識し、ネットワーク３９０を経由して監視センタ３００に送信する。
認識装置１００の記憶部１２０は、画像記憶部１４０を備える。また、記憶部１２０は、後記するナンバープレート検出部１１３の構成要素であって、機械学習モデルである下位モデル１２１、中位モデル１２２、および上位モデル１２３を記憶する。さらに、記憶部１２０は、ＣＰＵが実行するプログラムやプログラム実行に必要なデータを記憶する。

制御部１１０は、画像記録部１１１、車両検出部１１２、ナンバープレート検出部（図１ではＮＰ検出部と記載）１１３、文字認識部１１４、信頼度判定部１１５およびモデル変更部１１６を含む。ＣＰＵが記憶部１２０に記憶されるプログラムを実行することで、制御部１１０として動作する。
画像記録部１１１は、撮像装置２００から入力された画像（動画のフレーム画像）を車両検出部１１２に出力するとともに、画像記憶部１４０に記録する。画像記憶部１４０に記憶された画像は、例えば所定時間後に削除される。

車両検出部１１２は、画像記録部１１１が出力した画像のなかから車両を検出し、さらにナンバープレート周辺の領域（画像）を特定してナンバープレート検出部１１３に出力する。詳しくは、車両検出部１１２は、例えばオプティカルフローなどの手法を用いて車両を検知し、エッジ抽出とノイズ除去とを行い車両のナンバープレート周辺の領域を特定する。
ナンバープレート検出部１１３は、機械学習技術を用いて、車両検出部１１２が出力したナンバープレート周辺の画像からナンバープレートの正面画像を抽出して、文字認識部１１４に出力する。ナンバープレート検出部１１３の処理は、後記する図２を参照して説明する。

文字認識部１１４は、ナンバープレート検出部１１３が出力したナンバープレートの正面画像から、文字認識技術を用いて自動車登録番号を取得するとともに、認識の信頼度（認識信頼度とも記す）を算出し、認識信頼度を信頼度判定部１１５に出力する。また、文字認識部１１４は、認識信頼度と自動車登録番号を通信部１３０に出力し、通信部１３０は、認識信頼度と自動車登録番号とを監視センタ３００に送信する。文字認識部１１４は、認識信頼度を複数のレベル（例えば、高、中および低）に変換して通信部１３０に出力してもよい。

図２は、第１の実施形態に係る車両検出部１１２、ナンバープレート検出部１１３、および文字認識部１１４の処理を説明するための図である。車両検出部１１２は、画像記録部１１１が出力した画像から、車両の前方または後方にあるナンバープレートの周辺画像５１１を切り出す。周辺画像５１１には、斜めに映ったナンバープレートの他に、例えばバンパーやフロントグリル、道路上の車線なども含まれている。
ナンバープレート検出部１１３は、機械学習技術を用いて周辺画像５１１からナンバープレートの正面画像５１２を抽出する。抽出する処理に用いられる機械学習モデルは、下位モデル１２１（図１参照）、中位モデル１２２、および上位モデル１２３の複数が用意される。

上位モデル１２３、中位モデル１２２、下位モデル１２１の順に、１回の抽出にかかる処理量（ＣＰＵやメモリの使用量）が小さくなり、精度が低くなる。例えば、それぞれのモデルはニューラルネットワークで構成されており、中位モデル１２２より上位モデル１２３が、ニューラルネットワークの層数やノード数が多く、精度は高いが、処理量が大きい。また、下位モデル１２１より中位モデル１２２が、ニューラルネットワークの層数やノード数が多く、精度は高いが、処理量は大きい。
正面画像５１２の抽出に成功する確率は、上位モデル１２３が最も高く、中位モデル１２２、下位モデル１２１と続く。抽出処理に必要な処理量は、上位モデル１２３が最も大きく、下位モデル１２１が最も小さい。

文字認識部１１４は、ナンバープレートの正面画像５１２のなかの文字を認識して、自動車登録番号５１３および認識信頼度を出力する。認識信頼度は、認識の精度であって、認識信頼度が高いほど、文字認識部１１４は高い精度で、自動車登録番号５１３を認識して読み取っている。

図１に戻り、信頼度判定部１１５は、文字認識部１１４が出力した認識信頼度から、ナンバープレート検出部１１３の機械学習モデルの変更が必要か否かを判定する。変更が必要と判定した場合には、信頼度判定部１１５はモデル変更部１１６に変更を指示する。モデル変更部１１６は、信頼度判定部１１５の指示によりナンバープレート検出部１１３の機械学習モデルを変更する。後記する図４を参照して、信頼度判定部１１５およびモデル変更部１１６が実行するモデル変更処理を説明する。

≪自動車登録番号認識処理≫
図３は、第１の実施形態に係る自動車登録番号認識処理のフローチャートである。図３を参照しながら、認識装置１００が実行する自動車登録番号認識処理を説明する。
ステップＳ１１において画像記録部１１１が、撮像装置２００から受信したフレーム画像を画像記憶部１４０に記録し、車両検出部１１２に出力する。
ステップＳ１２において車両検出部１１２が、画像記録部１１１が出力した画像からナンバープレートの周辺画像５１１（図２参照）を切り出してナンバープレート検出部１１３に出力する。

ステップＳ１３においてナンバープレート検出部１１３が、ナンバープレートの周辺画像５１１からナンバープレートの正面画像５１２を抽出して文字認識部１１４に出力する。
ステップＳ１４において文字認識部１１４が、ナンバープレートの正面画像５１２のなかの文字を認識し、自動車登録番号および認識信頼度を通信部１３０に出力する。
ステップＳ１５において通信部１３０が、自動車登録番号および認識信頼度をネットワーク３９０経由で監視センタ３００に送信する。

≪モデル変更処理≫
図４は、第１の実施形態に係るモデル変更処理のフローチャートである。図４を参照しながら、認識装置１００が繰り返し実行するモデル変更処理を説明する。
ステップＳ２１において信頼度判定部１１５は、文字認識部１１４が出力した認識信頼度に基づいて認識難易度を算出する。認識難易度は、認識信頼度が高ければ低くなり、認識信頼度が低くなれば高くなる値である。信頼度判定部１１５は、所定の周期で、その周期の間に受け取った認識信頼度の平均値から認識難易度を算出してもよいし、所定の数の認識信頼度を受け取った時点で、受け取った所定の数の認識信頼度から平均値を求めて認識難易度を算出してもよい。

ステップＳ２２において信頼度判定部１１５は、ステップＳ２１で算出した認識難易度が閾値Ａ以上であれば（ステップＳ２２→閾値Ａ以上）ステップＳ２３に進み、認識難易度が閾値Ｂ以下であれば（ステップＳ２２→閾値Ｂ以下）ステップＳ２５に進み、認識難易度が閾値Ａと閾値Ｂの間であれば（ステップＳ２２→閾値Ｂより大かつ閾値Ａより小）モデル変更処理を終了する。

ステップＳ２３において信頼度判定部１１５は、現在のナンバープレート検出部１１３の機械学習モデルより上位の機械学習モデルが存在すれば（ステップＳ２３→Ｙ）ステップＳ２４に進み、上位の機械学習モデルが存在しないならば（ステップＳ２３→Ｎ）モデル変更処理を終了する。

ステップＳ２４において信頼度判定部１１５は、モデル変更部１１６に上位のモデルへの変更を指示し、モデル変更部１１６がナンバープレート検出部１１３の機械学習モデルを変更する。詳しくは、信頼度判定部１１５は、ナンバープレート検出部１１３の機械学習モデルが下位モデル１２１（図１参照）ならば中位モデル１２２への変更を指示し、中位モデル１２２ならば上位モデル１２３への変更を指示する。モデル変更部１１６は、指示に応じてナンバープレート検出部１１３の機械学習モデルを変更する。

ステップＳ２５において信頼度判定部１１５は、現在のナンバープレート検出部１１３の機械学習モデルより下位の機械学習モデルが存在すれば（ステップＳ２５→Ｙ）ステップＳ２６に進み、下位の機械学習モデルが存在しないならば（ステップＳ２５→Ｎ）モデル変更処理を終了する。

ステップＳ２６において信頼度判定部１１５は、モデル変更部１１６に下位のモデルへの変更を指示し、モデル変更部１１６がナンバープレート検出部１１３の機械学習モデルを変更する。詳しくは、信頼度判定部１１５は、ナンバープレート検出部１１３の機械学習モデルが上位モデル１２３ならば中位モデル１２２への変更を指示し、中位モデル１２２ならば下位モデル１２１への変更を指示する。モデル変更部１１６は、指示に応じてナンバープレート検出部１１３の機械学習モデルを変更する。

≪モデル変更処理の特徴≫
モデル変更処理（図４参照）が実行されることにより、文字認識部１１４の認識信頼度に応じてナンバープレート検出部１１３の機械学習モデルが変更される。
認識信頼度が低い（認識難易度が閾値Ａ以上）場合には、ナンバープレート検出部１１３の正面画像５１２の抽出の精度が悪いと考えられ、機械学習モデルが上位のモデルに変更される。この変更により、正面画像５１２の抽出の精度が改善され、自動車登録番号の認識精度が改善される。

認識信頼度が高い（認識難易度が閾値Ｂ以下）場合には、ナンバープレート検出部１１３の正面画像５１２の抽出の精度が必要以上に高いと考えられ、機械学習モデルが下位のモデルに変更される。この変更により、正面画像５１２の抽出の精度を必要なレベルに維持しながら、認識装置１００の処理量を減らし、延いては消費電力や発熱量を抑制することができる。

ナンバープレートの正面画像５１２の抽出精度は、撮像装置２００が設置されている撮影環境によって変化し、自動車登録番号の抽出精度を左右する。認識装置１００は、文字認識部１１４の認識信頼度が悪化した（認識難易度が閾値Ａ以上）ときには、撮影環境が不良で正面画像５１２の抽出精度が悪化したとして、ナンバープレート検出部１１３の機械学習モデルを、高性能なモデルに変更して抽出精度を改善する。逆に、認識信頼度が良好なときには、低い性能のモデルでも必要な抽出精度を維持できるとして、低い性能のモデルに変更することで消費電力を抑制する。このように、認識装置１００は、撮影環境、延いては入力画像の品質に応じて抽出精度（検出能力）を調整することで、認識精度を維持しながら消費電力を抑制することができる。

≪変型例：機械学習モデル≫
上記の実施形態においてナンバープレート検出部１１３の機械学習モデルである上位モデル１２３、中位モデル１２２、および下位モデル１２１の違いの例として、ニューラルネットワークの層数やノード数の違いをあげた。層数やノード数は同じであり、ノード間の結合数が異なるようにしてもよい。例えば、上位モデル１２３を作成して、特異値分解を応用した低ランク近似によりノード間の結合数を削減して上位モデル１２３から中位モデル１２２と下位モデル１２１とを作成してもよい。あるいは、作成された中位モデル１２２からさらに、低ランク近似により下位モデル１２１を作成してもよい。

≪変型例：ナンバープレート検出部≫
上記の実施形態において、ナンバープレート検出部１１３は、機械学習技術を用いてナンバープレートの周辺画像５１１から正面画像５１２を抽出している。機械学習モデルの例としてニューラルネットワークがあるが、例えばＳＶＭ（Support Vector Machine）などの他の機械学習モデルであってもよい。一般に、機械学習モデルの入力データである特徴量の数（特徴量の種類）が多いほど、抽出の精度が向上するが、処理量も増加する。モデル変更処理（図４参照）において、認識難易度に基づいて機械学習モデルを変更する替わりに、特徴量の数を変更するようにしてもよい。例えば、認識難易度が閾値Ａ以上ならば、上位のモデルに変更（図４のステップＳ２４参照）する替わりに、特徴量の数を増加するようにしてもよい。

また、ナンバープレート検出部１１３は、機械学習以外の手法を用いてナンバープレートの周辺画像５１１から正面画像５１２を抽出してもよい。例えば、エッジ抽出してハフ変換することでナンバープレートの枠を抽出して正面画像５１２を抽出するようにしてもよい。ハフ変換後に車体の模様などのノイズ除去を行って、精度を高めるようにしてもよい。また、エッジ抽出の結果から文字の領域を推定することでナンバープレートを特定するようにしてもよい。このような画像処理の手法を組み合わせて抽出するようにしてもよい。一般に、画像処理やその他の手法を組み合わせることで精度が向上するが、処理量が増加する。モデル変更処理において、認識難易度に基づいて機械学習モデルを変更する替わりに、組み合わせる画像処理やその他の手法を変更するようにしてもよい。

≪変型例：モデル変更処理≫
上記のモデル変更処理（図４参照）では、認識難易度が適切なレベル（閾値Ｂ＜認識難易度＜閾値Ａ）ならば、ナンバープレート検出部１１３の機械学習モデルは変更されない。認識難易度の上昇が予想される場合には、前もって機械学習モデルが変更されるようにしてもよい。

図５は、第１の実施形態の変型例に係るモデル変更処理のフローチャートである。ステップＳ３１，Ｓ３２，Ｓ３５〜Ｓ３８は、それぞれステップＳ２１，Ｓ２２，Ｓ２３〜Ｓ２６と同様である。以下では、認識難易度が適切なレベル（閾値Ｂ＜認識難易度＜閾値Ａ）の場合の処理について説明する。
ステップＳ３３において信頼度判定部１１５は、前回算出した認識難易度および今回算出した認識難易度に基づいて、認識難易度の時間当たりの上昇率（変化の度合い）を算出する。

ステップＳ３４において信頼度判定部１１５は、ステップＳ３３で算出した上昇率が閾値Ｃ以上であれば（ステップＳ３４→Ｙ）ステップＳ３５に進み、閾値Ｃ未満であれば（ステップＳ３４→Ｎ）モデル変更処理を終える。
認識難易度が適切なレベルであっても、認識難易度の上昇が予想される場合には、認識難易度が閾値Ａを超えてから上位のモデルに変更するのではなく、予め上位のモデルに変更しておくことで、自動車登録番号の認識精度が落ちることがなくなる。

上記した実施形態では、機械学習モデルの数は３つであったが、これに限る必要はなく、２つであっても、４つ以上であってもよい。また、モデル変更処理（図４参照）における機械学習モデルの変更は、１つ上位または１つ下位の機械学習モデルへの変更（ステップＳ２４，Ｓ２６参照）であるが、２つ上位または２つ下位のモデルへの変更であってもよい。例えば、ステップＳ２２において、認識難易度が閾値Ａ以上であって、認識難易度と閾値Ａとの差に応じて、１つ上位、２つ上位、または３つ上位の機械学習モデルに変更するようにしてもよい。

≪第２の実施形態：認識装置の全体構成≫
第１の実施形態では、ナンバープレートの周辺画像５１１から正面画像５１２を抽出する処理に機械学習技術を用いている。これとは異なる処理に機械学習技術を用いて、文字認識の信頼度に応じて、機械学習モデルを変更するようにしてもよい。

図６は、第２の実施形態に係る認識装置１００Ａの機能構成図である。第１の実施形態の認識装置１００と比較すると、車両検出部１１２Ａおよびモデル変更部１１６Ａが異なり、ナンバープレート検出部１１３がナンバープレート領域検出部１１７に替わり、幾何学変換部１１８が追加される。

図７は、第２の実施形態に係る車両検出部１１２Ａ、ナンバープレート領域検出部１１７、幾何学変換部１１８、および文字認識部１１４の処理を説明するための図である。車両検出部１１２Ａは、画像記録部１１１が出力した画像から、車両を検出して車両画像５２１を切り出し、ナンバープレート領域検出部１１７に出力する。車両検出部１１２Ａは、例えばオプティカルフローなどの手法を用いて車両を検出する。
ナンバープレート領域検出部１１７は、車両画像５２１からナンバープレートを検出してナンバープレート領域画像５２２を切り出し、幾何学変換部１１８に出力する。ナンバープレート領域検出部１１７は、エッジ抽出やノイズ除去などを行い車両のナンバープレートの領域を特定する。

幾何学変換部１１８は、機械学習技術を用いて、ナンバープレート領域画像５２２を幾何学変換し、ナンバープレートの正面画像５２３を抽出する。機械学習技術は、幾何学変換のパラメータを推定するのに用いられる。パラメータとしては、２次元アフィン変換や２次元射影変換における回転の角度やせん断の係数などがある。
幾何学変換部１１８の機械学習モデルには、下位モデル１２１Ａ、中位モデル１２２Ａ、および上位モデル１２３Ａがある（図６参照）。正面画像５２３への変換に成功する確率は、上位モデル１２３Ａが最も高く、中位モデル１２２Ａ、下位モデル１２１Ａと続く。抽出処理に必要な処理量は、上位モデル１２３Ａが最も大きく、下位モデル１２１Ａが最も小さい。

文字認識部１１４は、ナンバープレートの正面画像５２３のなかの文字を認識して、自動車登録番号５２４および認識信頼度を出力する。
図６に戻って、モデル変更部１１６Ａの処理は、変更する対象がナンバープレート検出部１１３（図１参照）の機械学習モデルではなく、幾何学変換部１１８の機械学習モデルであることを除いて、第１の実施形態のモデル変更部１１６（図１参照）と同様である。
第２の実施形態のモデル変更処理は、第１の実施形態のモデル変更処理（図４参照）と同様であって、認識難易度に基づいて、幾何学変換部１１８の機械学習モデルを変更する。

≪第２の実施形態の特徴≫
第１の実施形態では、文字認識部１１４が実行する文字認識処理の認識信頼度から算出される認識難易度に基づいて、ナンバープレート検出部１１３の機械学習モデルを変更している。これに対して、第２の実施形態では、認識難易度に基づいて、幾何学変換部１１８の機械学習モデルを変更しており、自動車登録番号の認識精度を維持しながら認識装置１００の消費電力や発熱量を抑制することができる。

≪変型例：自動車登録番号認識処理≫
第２の実施形態において、幾何学変換部１１８は、機械学習技術を用いてナンバープレート領域画像５２２から正面画像５２３を抽出し、文字認識部１１４は、正面画像５２３から文字認識して自動車登録番号を認識している（図７参照）。
これに対して、文字認識部１１４は、斜めの文字も認識可能であり、ナンバープレート領域画像５２２から自動車登録番号を認識するようにしてもよい。詳しくは、ナンバープレート領域検出部１１７が、機械学習技術を用いて車両画像５２１からナンバープレート領域画像５２２を抽出し、斜めになった文字も認識可能な文字認識部１１４が、ナンバープレート領域画像５２２から自動車登録番号を認識するようにしてもよい。
または、幾何学変換部１１８は、ナンバープレート領域画像５２２から正面画像５２３を抽出する際の幾何学変換のパラメータとナンバープレート領域画像５２２とを文字認識部１１４に出力して、文字認識部１１４が正面画像に幾何学変換し、文字認識するようにしてもよい。

以上に説明したように、機械学習技術が適用可能な処理は、幾何学変換（ナンバープレート領域画像５２２から正面画像５２３）、ナンバープレート領域検出（車両画像５２１からナンバープレート領域画像５２２）、ナンバープレート検出（ナンバープレートの周辺画像５１１（図２参照）から正面画像５１２）などがあり、機械学習モデルを変更することで処理の精度（検出能力）を変更することができる。また、これらの処理は、機械学習技術ではない画像処理技術を用いても実行可能であり、用いる画像処理技術の手法を変えることで処理の精度や処理量を変更することができる。

≪変型例：認識対象≫
上記した実施形態では、車両を撮影した画像（観測情報）からナンバープレート（物体）を抽出し、自動車登録番号を認識している。自動車登録番号以外の情報を認識するようにしてもよい。例えば、顔が映っている画像から個人を識別する処理を、顔の正面画像を抽出する前段の処理と、正面画像から個人を識別する後段の処理とに分けて、後段の処理の信頼度または難易度に応じて、前段の処理を変更するようにしてもよい。

または、画像からの認識処理に限らず、レーザレーダやミリ波レーダ、音響ソナーなどのセンサによる観測情報から物体を認識したり距離を特定したりする処理に対しても、本発明は適用可能である。例えば、観測情報から物体を認識する処理を、観測情報における物体が存在する領域（物体存在領域とも記す）を特定する前段の処理と、特定した領域から物体を認識する後段の処理とに分けて、後段の処理の信頼度または難易度に応じて、前段の処理を変更するようにしてもよい。

以上に説明したように、本発明は、センサを用いて取得した観測情報から物体存在領域を検出する前段の処理と、物体存在領域から物体の識別ないしは認識する後段の処理とからなる認識処理に適用可能であって、後段の処理の信頼度または難易度に応じて、前段の処理の能力を変更するという特徴がある。所定値より信頼度が低いまたは難易度が高い場合には、前段の処理の能力を上げて認識の精度を維持することができる。また、所定値より信頼度が高いまたは難易度が低い場合には、前段の処理の能力を下げて前段の処理の処理量を削減することができる。

≪その他の変型≫
本明細書において、処理を記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
以上、本発明のいくつかの実施形態について説明したが、これらの実施形態は、例示に過ぎず、本発明の技術的範囲を限定するものではない。本発明はその他の様々な実施形態を取ることが可能であり、さらに、本発明の要旨を逸脱しない範囲で、省略や置換等種々の変更を行うことができる。これら実施形態やその変形は、本明細書等に記載された発明の範囲や要旨に含まれるとともに、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。

モデル変更部１１６（図１参照）は制御部１１０の構成要素として説明したが、モデル変更部１１６外部の装置（例えばデータセンタや監視センタ３００）に同様の機能を持たせてもよい。その場合には、通信部１３０より、モデル変更部１１６が必要とする情報を送信する。

信頼度判定部１１５が判定する認識難易度を使い、認識難易度が高いと判断した画像を認識難易度とともに画像記憶部１４０、あるいは認識装置１００の外部の保存場所に保存しておいてもよい。そうすることにより、設置現場において認識難易度が高いもののみを抽出することができるため、精度改善のための開発や課題解決を効率的に行なうことができる。

１００ 認識装置
１１１ 画像記録部
１１２ 車両検出部（検出部）
１１３ ナンバープレート検出部（検出部）
１１４ 文字認識部（認識部）
１１５ 信頼度判定部（設定変更部）
１１６ モデル変更部（設定変更部）
１１７ ナンバープレート領域検出部
１１８ 幾何学変換部（検出部）

Claims (7)

1. センサを用いて取得した観測情報から所定の物体が存在する前記観測情報の領域である物体存在領域を検出し、前記物体存在領域を検出する能力が変更可能である検出部と、
   前記物体存在領域を対象として、認識処理を行う認識部と、
   前記認識処理の難易度に基づいて前記物体存在領域を検出する能力を変更する設定変更部と、を備える
   ことを特徴とする認識装置。
2. 前記難易度が所定値以下のときに、前記設定変更部は、前記検出部の能力を下げる変更を行う
   ことを特徴とする請求項１に記載の認識装置。
3. 前記観測情報は、カメラが撮影した画像であり、
   前記物体は、車両のナンバープレートであり、
   前記認識処理は、自動車登録番号を認識する処理である
   ことを特徴とする請求項１または２に記載の認識装置。
4. 前記検出部は、前記ナンバープレートを正面に向ける幾何学変換を行い、前記幾何学変換のパラメータを含めて前記物体存在領域を検出する
   ことを特徴とする請求項３に記載の認識装置。
5. 前記検出部は、機械学習技術を用いて前記物体存在領域を検出し、
   前記設定変更部は、前記検出部の機械学習モデルとなっているニューラルネットワークの層数、ノード数、ノード間の結合数、および前記検出部の機械学習モデルに入力される特徴量の数の少なくとも何れか１つを変更して前記検出部の能力を変更する
   ことを特徴とする請求項１または２に記載の認識装置。
6. センサを用いて取得した観測情報から所定の物体が存在する前記観測情報の領域である物体存在領域を検出し、前記物体存在領域を検出する能力が変更可能であるステップと、
   前記物体存在領域を対象として、認識処理を行うステップと、
   前記認識処理の難易度に基づいて前記物体存在領域を検出する能力を変更するステップと、を実行する
   ことを特徴とする認識方法。
7. コンピュータを、
   センサを用いて取得した観測情報から所定の物体が存在する前記観測情報の領域である物体存在領域を検出し、前記物体存在領域を検出する能力が変更可能である検出手段と、
   前記物体存在領域を対象として、認識処理を行う認識手段と、
   前記認識処理の難易度に基づいて前記物体存在領域を検出する能力を変更する設定変更手段と、
   して機能させるためのプログラム。

Images