JP2021017225A - 踏切危険度判別プログラム - Google Patents

Abstract

【課題】踏切内の電車との接触による危険度を事前に察知し、事故を未然に防止する 。【解決手段】踏切の危険度を判別するための踏切危険度判別プログラムにおいて、新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点における電車のダイヤ情報を取得する情報取得ステップと、踏切内において撮影された参照用画像情報と、当該参照用画像情報の撮影時点における電車の参照用ダイヤ情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した画像情報と電車のダイヤ情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させることを特徴とする。【選択図】図３

Description

本発明は、踏切内の危険度を判別するための踏切危険度判別プログラムに関する。

従来より、踏切における移動体（車両、人）と電車との接触による事故が問題になっている。線路の高架化が進んでいるものの、未だ踏切を数多く通過する路線も数多くあることから、踏切内における移動体と電車との接触による危険度を事前に察知し、事故を未然に防止することが求められる。このような危険度を自動的に、しかも高精度に行う必要がある。

特願平１０−９９５号公報

上述した特許文献１の開示技術では、踏切に人工知能の学習機能を設けている点は記載されているが、人工知能を活用して踏切内の危険度を判別することについて何ら記載されていない。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、踏切内の移動体と電車との接触による危険度を事前に察知し、事故を未然に防止するために、踏切内の危険度を人工知能を利用して自動的に判別する踏切危険度判別プログラムを提供することにある。

本発明に係る踏切危険度判別プログラムは、踏切の危険度を判別するための踏切危険度判別プログラムにおいて、新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点における電車のダイヤ情報を取得する情報取得ステップと、踏切内において撮影された参照用画像情報と、当該参照用画像情報の撮影時点における電車の参照用ダイヤ情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した画像情報と電車のダイヤ情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させることを特徴とする。

踏切内の電車との接触による危険度を事前に察知し、事故を未然に防止するために、踏切内の危険度を人工知能を利用して自動的に判別することができる。

本発明を適用した踏切危険度判別プログラムが実装される踏切危険度判別システムの全体構成を示すブロック図である。 判別装置の具体的な構成例を示す図である。 本発明を適用した踏切危険度判別プログラムにおける動作について説明するための図である。 本発明を適用した踏切危険度判別プログラムにおける動作について説明するための図である。 本発明を適用した踏切危険度判別プログラムにおける動作について説明するための図である。 本発明を適用した踏切危険度判別プログラムにおける動作について説明するための図である。 本発明を適用した踏切危険度判別プログラムにおける動作について説明するための図である。 本発明を適用した踏切危険度判別プログラムにおける動作について説明するための図である。 本発明を適用した踏切危険度判別プログラムにおける動作について説明するための図である。 本発明を適用した踏切危険度判別プログラムにおける動作について説明するための図である。 本発明を適用した踏切危険度判別プログラムにおける動作について説明するための図である。 本発明を適用した踏切危険度判別プログラムにおける動作について説明するための図である。 本発明を適用した踏切危険度判別プログラムにおける動作について説明するための図である。 本発明を適用した踏切危険度判別プログラムにおける動作について説明するための図である。

以下、本発明を適用した踏切危険度判別プログラムについて、図面を参照しながら詳細に説明をする。

図１は、本発明を適用した踏切危険度判別プログラムが実装される踏切危険度判別システム１の全体構成を示すブロック図である。踏切危険度判別システム１は、情報取得部９と、情報取得部９に接続された判別装置２と、判別装置２に接続されたデータベース３とを備えている。

情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する判別装置２と一体化されていてもよい。情報取得部９は、検知した情報を判別装置２へと出力する。情報取得部９は、検知した情報を推定装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また、情報取得部９は、作業者の頭部又は眼鏡に一体又は部分的に装着されるユーザ端末や、スマートフォン、タブレット型端末、ウェアラブル端末、デジタルカメラ、ビデオカメラ、その他携帯端末等、映像情報（動画像又は静止画像）を取得できるカメラ等で構成されていてもよい。作業者の頭部又は眼鏡に一体又は部分的に装着されるユーザ端末の例としては、撮像する映像情報に基づいて生成された情報を透過状態で表示する表示部を備えるものであってもよい。ユーザ端末は、例えば、ＨＭＤ（ヘッドマウントディスプレイ）の１種類であるホロレンズ（登録商標）であってもよい。ユーザは、ユーザ端末の表示情報をヘッドマウントディスプレイ又はホロレンズ等のような透過して表示する表示部を介して、作業エリアや評価対象の機器を透過して確認することができる。情報取得部は、対象物の位置や距離、接近度合を検知するためのセンサで構成されていてもよく、これらのセンサは、変位センサ、測長センサ、近接センサ、ミリ波レーダー、ＬｉＤＡＲ、レーザを用いる一般的な位置センサ等である。この位置センサは、例えば、レーザ光を出射し、当該レーザ光が対象物から反射し、これを受光すること位置を測定するもの等も含まれる。

データベース３は、踏切において以前発生した事故、或いは事故まで至らなかったものの、危険度が高かった事例等、踏切内の危険度に関する情報を蓄積している。データベース３は、実際に情報取得部９を構成するカメラにより以前撮像した参照用画像情報、当該参照用画像情報の撮影時点における当該踏切への電車の参照用接近情報、踏切を横断する移動体の横断頻度を示す参照用横断頻度、踏切を横断する移動体の動線（その動線の時系列変化も含む）を抽出した参照用動線情報等が蓄積されている。データベース３は、参照用画像情報の撮影時点における電車の参照用ダイヤ情報、参照用画像情報の撮影時点における電車の参照用遅延情報、参照用画像情報の撮影時点における踏切内の参照用音声情報、参照用画像情報の撮影時点における踏切の参照用開閉時間帯情報、参照用画像情報の撮影時点における踏切の参照用設備情報、参照用画像情報に基づいて判別した踏切内を横断する参照用横断オブジェクト、参照用横断オブジェクトの動きを検出した参照用動き情報、参照用画像情報の撮影時点における踏切外の各位置から踏切に向けて画像を撮影することによる踏切への参照用視認性情報、踏切を横断する移動体の横断頻度を示す参照用横断頻度等も記録されている。

更にこのデータベース３は、踏切内を横断する車両、自転車、二輪車、歩行者の位置情報や、接近情報、センサからの距離や角度等を検知した情報が記録されていてもよい。そのうち代表的なものとして参照用位置情報は、これらの踏切内を横断する移動体（車両、自転車、二輪車、歩行者等）の踏切内の位置を示す位置情報である。

判別装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この判別装置２による探索解を得ることにより、踏切における危険度を判別することができる。

図２は、判別装置２の具体的な構成例を示している。この判別装置２は、判別装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う判断部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

制御部２４は、内部バス２１を介して制御信号を送信することにより、判別装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、判断部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

判断部２７は、踏切の危険度に関する各種判断を担う。この判断部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この判断部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

上述した構成からなる踏切危険度判別システム１における動作について説明をする。

踏切危険度判別システム１では、例えば図３に示すように、参照用画像情報と、参照用ダイヤ情報との組み合わせが形成されていることが前提となる。参照用画像情報とは、踏切に設置されたカメラで踏切の各所を撮影した画像であり、例えば、遮断機が下りていない状態で車両や人等の移動体が、まばらですいている状態で横断している画像であったり、遮断機の一方が下りている状態で移動体が混み入っている状態で走って移動している画像であったり、遮断機が全て降りている状態で、車いすに乗っている人が踏切の線路上にいるにも関わらず、電車がその踏切に迫っている画像等、様々である。

参照用ダイヤ情報とは、参照用画像情報を通じて撮像される踏切を通過する電車のダイヤに関する情報であり、言い換えれば当該電車の時刻表に掲載されているあらゆる情報を含む概念である。これに加えて、その参照用ダイヤ情報は、各電車が、当該踏切を通過する通過予定時刻も含まれる。各踏切における電車の通過予定時刻は、電鉄会社がデータとして抑えているのであればそれを活用するようにしてもよいし、各駅の通過予定時刻から計算されるものであってもよい。

図３の例では、例えば参照用画像情報が、踏切に設置されたカメラで踏切を各場所ごとに、或いは各時系列毎に撮影した参照用画像情報Ｐ１１〜Ｐ１３、参照用ダイヤ情報として、例えば、８時１４分、１４時２８分、・・・等であるものとする。

入力データとしては、このような参照用画像情報と、参照用ダイヤ情報が並んでいる。このような入力データとしての、参照用画像情報に対して、参照用ダイヤ情報が組み合わさったものが、図３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、踏切内の危険度が、パーセンテージとして表示されている。

参照用画像情報と参照用ダイヤ情報との各組み合わせ（中間ノード）は、この出力解としての、踏切内の危険度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用ダイヤ情報がこの連関度を介して左側に配列し、各危険度が連関度を介して右側に配列している。連関度は、左側に配列された参照用画像情報と参照用ダイヤ情報に対して、何れの危険度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用画像情報と参照用ダイヤ情報が、いかなる危険度に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用ダイヤ情報から最も確からしい危険度を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての踏切内の危険度と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての踏切内の危険度と互いに関連度合いが低いことを示している。

判別装置２は、このような図３に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の危険度の判別を行う上で、参照用画像情報と、参照用ダイヤ情報、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

例えば、参照用画像情報Ｐ１１が遮断機が下りていない状態で車両や人等の移動体が、まばらですいている状態で横断している画像であるものとする。この画像撮像時点における参照用ダイヤ情報において、直近で当該踏切を通過する電車の通過時刻が、１９時２１分であるものとする。このとき以前のデータにおいて事故が起きたか否か、また事故に至らなくても事故が起きてもおかしくない程度の危険度であったか否かを抽出する。これらのデータは、電鉄会社や各駅において保存されている過去の事故データや、ヒヤリとした場面のデータから抽出するようにしてもよい。危険度の数値化は、上記参照用画像情報を複数人で視認し、危険度に関するアンケート調査等を集計して求めるようにしてもよい。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用画像情報Ｐ１１で、かつ参照用ダイヤ情報Ｐ１５である場合に、実際に事故が起きたか否か、或いは事故には至らなかったものの危険性が高かったか否かを過去のデータから分析する。事故が起きた事例が多いほど危険度の高い出力につながる連関度をより高く設定し、事故が起きた事例が少ないほど危険度の低い出力につながる連関度をより高く設定する。例えば中間ノード６１ａの例では、危険度９０％と、危険度３０％の出力にリンクしているが、以前の事例から危険度が極めて高いケースであるため、危険度９０％につながるｗ１３の連関度を７点に、危険度３０％につながるｗ１４の連関度を２点に設定している。

また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図３に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ１１に対して、参照用ダイヤ情報Ｐ１３の組み合わせのノードであり、危険度６０％の連関度がｗ１５、危険度０％の連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ１２に対して、参照用ダイヤ情報Ｐ１４、Ｐ１６の組み合わせのノードであり、危険度３０％の連関度がｗ１７、危険度７０％の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに踏切において新たに危険度を判別する際において、上述した学習済みデータを利用して危険度を判別することとなる。かかる場合には、画像情報を新たに取得するとともに、ダイヤ情報を取得する。

新たに取得する画像情報は、上述した情報取得部９によるカメラにより画像を撮影する。この撮影は、上述した参照用画像情報を得る上で撮影した踏切と同一である。また撮影条件は、上述した参照用画像情報を得る上での撮影条件（撮影角度、画角、解像度）が必ずしも全て同一であるところまでは要求されない。

ダイヤ情報の取得は、電鉄会社が管理する電車の運行状況のデータを直接取得するようにしてもよい。実際にある踏切に電車が何分後に到着するかは、現在時刻、電車のダイヤ、遅延情報、気候や天気等に基づく。これらの情報から実際に踏切に電車が何分後に到着するかを計算する。

このようにして新たに取得した画像情報と、電車のダイヤ情報に基づいて、実際にその新たに画像情報とダイヤ情報とを取得した時点における危険度を求める。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した画像情報がＰ１２と同一かこれに類似するものである場合であって、その取得時点における直近で到着する電車のダイヤ情報が参照用ダイヤ情報Ｐ１６と同一又は類似である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、「危険度６０％」がｗ１９、「危険度７０％」が連関度ｗ２０で関連付けられている。かかる場合には、連関度のもっと高い「危険度６０％」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「危険度７０％」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また、入力から伸びている連関度ｗ１〜ｗ１２の例を以下の表２に示す。

この入力から伸びている連関度ｗ１〜ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１〜ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１〜ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

なお、この参照用ダイヤ情報の代替として、参照用遅延情報を利用するようにしてもよい。この参照用遅延情報は、電車のダイヤに対して何分遅れているかを示すものである。この参照用遅延情報は、例えば４分遅れ、２分遅れ等の遅延時間そのものが情報化されていてもよいがこれに限定されるものではなく、正確なダイヤに対して遅延時間を計算した、踏切の通過予定時刻が情報化されたものであってもよい。正確なダイヤに対して遅延時間を計算した、踏切の通過予定時刻としては、例えば７時１０分とか、１５時５３分等の通過予定時刻そのものが情報化されていてもよい。遅延時間は電鉄会社が管理しているデータベースから直接取り込むようにしてもよい。

このようにして学習済みデータを作成した後、新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点における電車の遅延情報を取得する。次に参照用画像情報と、当該参照用画像情報の撮影時点における電車の参照用遅延情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照する。そして上記取得した画像情報と電車の遅延情報とに基づき、踏切内の危険度を判別することが可能となる。

図４は、上述した参照用画像情報と、参照用音声情報との組み合わせと、当該組み合わせに対する踏切内の危険度との３段階以上の連関度が設定されている例を示している。

入力データとしては、このような参照用画像情報と、参照用音声情報が並んでいる。このような入力データとしての、参照用画像情報に対して、参照用音声情報が組み合わさったものが、図４に示す中間ノードである。

参照用音声情報は、踏切内の音声を録音した情報であり、音の大きさのレベルや、例えば音波の周波数情報や音声を様々な音波の帯域でスペクトル分析をしたデータで具現化されていてもよい。また参照用画像情報が動画像であれば、その動画像の時間軸に重ね合わせた音声のデータとされていてもよい。

判別装置２は、このような図４に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の危険度の判別を行う上で、参照用画像情報と、参照用音声情報、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図４に示す連関度を作り上げておく。

図４に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ１１に対して、参照用音声情報Ｐ１７の組み合わせのノードであり、危険度６０％の連関度がｗ１５、危険度０％の連関度がｗ１６となっている。

このような連関度が設定されている場合も同様に、新たに取得した画像情報と、その撮影時点における当該踏切内の音声情報に基づいて、危険度を求める。

この危険度を求める上で予め取得した図４に示す連関度を参照する。例えば、取得した画像が参照用画像情報Ｐ１１に同一又は類似で、取得した音声情報が参照用音声情報Ｐ１７と同一又は類似である場合、その組み合わせはノード６１ｂが関連付けられており、このノード６１ｂにおける出力との連関度から危険度を求めていくことになる。

図５は、上述した参照用画像情報と、参照用開閉時間情報との組み合わせと、当該組み合わせに対する踏切内の危険度との３段階以上の連関度が設定されている例を示している。

入力データとしては、このような参照用画像情報と、参照用開閉時間情報が並んでいる。このような入力データとしての、参照用画像情報に対して、参照用開閉時間情報が組み合わさったものが、図５に示す中間ノードである。

参照用開閉時間情報は、踏切の開閉時間を示す情報であり、例えば踏切が開く時間が、１５時２８分、１５時４５分、１５時５９分、・・・等として登録されており、踏切が閉まる時間が、１５時３４分〜３６分等のように登録されている。

判別装置２は、このような図５に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の危険度の判別を行う上で、参照用画像情報と、参照用開閉時間情報、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。

図５に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ１１に対して、参照用開閉時間情報Ｐ２１の組み合わせのノードであり、危険度６０％の連関度がｗ１５、危険度０％の連関度がｗ１６となっている。

このような連関度が設定されている場合も同様に、新たに取得した画像情報と、その撮影時点に近い開閉時間情報に基づいて、危険度を求める。この開閉時間情報の取得方法は、電鉄会社が管理しているデータベースから直接取り込むようにしてもよい。

この危険度を求める上で予め取得した図５に示す連関度を参照する。例えば、取得した画像が参照用画像情報Ｐ１１に同一又は類似で、取得した開閉時間情報が参照用開閉時間情報Ｐ２１と同一又は類似である場合、その組み合わせはノード６１ｂが関連付けられており、このノード６１ｂにおける出力との連関度から危険度を求めていくことになる。

図６は、上述した参照用画像情報と、参照用設備情報との組み合わせと、当該組み合わせに対する踏切内の危険度との３段階以上の連関度が設定されている例を示している。

入力データとしては、このような参照用画像情報と、参照用設備情報が並んでいる。このような入力データとしての、参照用画像情報に対して、参照用設備情報が組み合わさったものが、図６に示す中間ノードである。

参照用設備情報は、踏切の設備に関する情報であり、例えば遮断機があるか否か、警報機があるか否か、またその取付位置や種類、警報音の大きさ等を示す情報であり、図面、画像、文字列等で表現されていてもよい。

判別装置２は、このような図６に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の危険度の判別を行う上で、参照用画像情報と、参照用設備情報、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図６に示す連関度を作り上げておく。

図６に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ１１に対して、参照用設備情報Ｐ２６の組み合わせのノードであり、危険度６０％の連関度がｗ１５、危険度０％の連関度がｗ１６となっている。

このような連関度が設定されている場合も同様に、新たに取得した画像情報と、その撮影対象の踏切の設備情報に基づいて、危険度を求める。この設備情報の取得方法は、電鉄会社が管理しているデータベースや図面から直接取り込むようにしてもよいし、その踏切を撮像した画像を、人工知能を利用して解析することにより、設備情報を抽出、特定するようにしてもよい。また設備情報をユーザが手入力するようにしてもよいし、スキャナ等で取り込むようにしてもよい。

この危険度を求める上で予め取得した図６に示す連関度を参照する。例えば、取得した画像が参照用画像情報Ｐ１１に同一又は類似で、取得した設備情報が参照用設備情報Ｐ２６と同一又は類似である場合、その組み合わせはノード６１ｂが関連付けられており、このノード６１ｂにおける出力との連関度から危険度を求めていくことになる。

図７は、上述した参照用画像情報と、参照用横断オブジェクトとの組み合わせと、当該組み合わせに対する踏切内の危険度との３段階以上の連関度が設定されている例を示している。

入力データとしては、このような参照用画像情報と、参照用横断オブジェクトが並んでいる。このような入力データとしての、参照用画像情報に対して、参照用横断オブジェクトが組み合わさったものが、図７に示す中間ノードである。

横断オブジェクトは、踏切内を横断する横断オブジェクト（通行人、車両）を具体的に特定したものである。この横断オブジェクトは、通行人、車両といった大雑把な分類でもよいが、車両であれば具体的な種類（バス、トラック、乗用車、キャンピングカー、建機、二輪車、バイク等）、更にその具体的な車種まで分類するものであってもよい。通行人については、子供、大人、高齢者、身体障害者等のレベルで分類してもよいし、更に大人であっても、男女、サラリーマン風、主婦等のレベルで分類してもよい。また高齢者も杖をついているか否か等、身体障害者も車いすを利用しているか否か等のレベルで分類してもよい。この横断オブジェクトの抽出は、参照用画像情報から取得してもよい。参照用画像情報に映り込んでいる横断オブジェクトを画像解析や周知のディープラーニング技術を利用し、抽出、分類を行う。かかる場合には予め学習用データとして、これら横断オブジェクトの各分類の画像データを学習させておき、これと照らし合わせながら、参照用画像情報を解析し、横断オブジェクトを特定し、これを参照用横断オブジェクトとする。

判別装置２は、このような図７に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の危険度の判別を行う上で、参照用画像情報と、参照用横断オブジェクト、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図７に示す連関度を作り上げておく。

図７に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ１１に対して、参照用横断オブジェクトＰ３０の組み合わせのノードであり、危険度６０％の連関度がｗ１５、危険度０％の連関度がｗ１６となっている。

このような連関度が設定されている場合も同様に、新たに取得した画像情報と、画像情報から抽出、分類した横断オブジェクトに基づいて、危険度を求める。この横断オブジェクトの取得方法は、画像情報に映り込んでいる横断オブジェクトを画像解析や周知のディープラーニング技術を利用し、抽出、分類を行う。かかる場合には予め学習用データとして、これら横断オブジェクトの各分類の画像データを学習させておき、これと照らし合わせながら、画像情報を解析し、横断オブジェクトを特定する。

この危険度を求める上で予め取得した図７に示す連関度を参照する。例えば、取得した画像が参照用画像情報Ｐ１１に同一又は類似で、取得した横断オブジェクトが参照用横断オブジェクトＰ３０と同一又は類似である場合、その組み合わせはノード６１ｂが関連付けられており、このノード６１ｂにおける出力との連関度から危険度を求めていくことになる。

図８は、上述した参照用画像情報と、参照用横断オブジェクトに加えて、更に参照用横断オブジェクトの動きを検出した参照用動き情報との組み合わせと、当該組み合わせに対する踏切内の危険度との３段階以上の連関度が設定されている例を示している。

参照用動き情報とは、参照用横断オブジェクトの動きを検出したものである。この参照用横断オブジェクトの動きは、画像解析を通じて特定するようにしてもよく、画像情報に映り込んでいる横断オブジェクトの動きを画像解析や周知のディープラーニング技術を利用して抽出するようにしてもよい。この参照用横断オブジェクトの動きは、移動速度、移動方向、移動形態、途中で立ち止まる間隔や速度、規則性、不規則性、特徴的な動き等を抽出し、分類してもよい。

かかる場合において、連関度は、図８に示すように、参照用画像情報と、参照用横断オブジェクトと、参照用動き情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ〜６１ｅとして表現されることとなる。

例えば、図８において、ノード６１ｃは、参照用画像情報Ｐ１２が連関度ｗ３で、参照用横断オブジェクトＰ３０が連関度ｗ７で、参照用動き情報Ｐ３４が連関度ｗ１１で連関している。

このような連関度が設定されている場合も同様に、新たに取得した画像情報と、横断オブジェクトと、動き情報に基づいて、危険度を求める。ここでいう動き情報の取得方法は、新たに取得した画像情報の横断オブジェクトから抽出するものであり、参照用動き情報の抽出方法と同様である。

この危険度を求める上で予め取得した図８に示す連関度を参照する。例えば、取得した画像が参照用画像情報Ｐ１２に同一又は類似で、取得した横断オブジェクトが参照用横断オブジェクトＰ３０に同一又は類似で、取得した動き情報が参照用動き情報Ｐ３４に同一又は類似である場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、危険度３０％が連関度ｗ１７で、また危険度７０％が連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、危険度を求めていくことになる。

図９は、上述した参照用画像情報と、参照用視認性情報との組み合わせと、当該組み合わせに対する踏切内の危険度との３段階以上の連関度が設定されている例を示している。

入力データとしては、このような参照用画像情報と、参照用視認性情報が並んでいる。このような入力データとしての、参照用画像情報に対して、参照用設視認性情報が組み合わさったものが、図９に示す中間ノードである。

参照用視認性情報は、参照用画像情報の撮影時点において、踏切外の各位置から踏切に向けて画像を撮影することにより踏切への視認性を確認するための情報である。この参照用視認性情報は、踏切を横断する車両や通行人が、通過する電車の視認性を確認しやすいか否かを示すものである。参照用視認性情報は、撮像した画像そのもので表現されるものであってもよいし、文字列、図面や、ランクや記号等で表示するものであってもよい。建築構造物や塀等により、視認性が悪い場合には、例えばそのランクを示す数値が低くなる。このような参照用視認性情報は、例えば踏切外の各位置から踏切に向けて撮像した画像から画像解析、周知のディープラーニング技術等を通じて抽出、分析するようにしてもよい。

判別装置２は、このような図９に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の危険度の判別を行う上で、参照用画像情報と、参照用視認性情報、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図９に示す連関度を作り上げておく。

図９に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ１１に対して、参照用視認性情報Ｐ３５の組み合わせのノードであり、危険度６０％の連関度がｗ１５、危険度０％の連関度がｗ１６となっている。

このような連関度が設定されている場合も同様に、新たに取得した画像情報と、その視認性情報に基づいて、危険度を求める。この視認性情報の取得方法は、参照用視認性情報の取得方法と同様である。

この危険度を求める上で予め取得した図９に示す連関度を参照する。例えば、取得した画像が参照用画像情報Ｐ１１に同一又は類似で、取得した視認性情報が参照用視認性情報Ｐ３５と同一又は類似である場合、その組み合わせはノード６１ｂが関連付けられており、このノード６１ｂにおける出力との連関度から危険度を求めていくことになる。

図１０は、上述した参照用画像情報と、参照用ダイヤ情報に加えて、更に参照用音声情報との組み合わせと、当該組み合わせに対する踏切内の危険度との３段階以上の連関度が設定されている例を示している。

かかる場合において、連関度は、図１０に示すように、参照用画像情報と、参照用ダイヤ情報と、参照用音声情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ〜６１ｅとして表現されることとなる。

このような連関度が設定されている場合も同様に、新たに取得した画像情報と、ダイヤ情報と、その音声情報とを取得し、上述した連関度を参照して危険度を求めることができる。

なお、上述した連関度では、参照用画像情報と、参照用ダイヤ情報に加えて、更に参照用音声情報の組み合わせに対して連関度が形成される場合を例にとり説明をしたが、これに限定されるものではない。参照用画像情報、参照用ダイヤ情報、参照用遅延情報、参照用音声情報、参照用開閉時間帯情報、参照用設備情報、参照用横断オブジェクト、参照用動き情報、参照用視認性情報等の何れか２以上の組み合わせに対して、上記連関度が関連付けられるものであってもよい。

また、上述した実施の形態では、参照用画像情報を基調として学習済モデルを構築する場合を例に取り説明をしたが、これに限定されるものではない。参照用学習情報の代替として、参照用位置情報を用いるようにしてもよい。

図１１は、参照用位置情報と参照用ダイヤ情報との間で連関度を形成する場合を示す例である。この図１１の例では、図３に示す参照用画像情報と参照用ダイヤ情報との連関度の説明における参照用画像情報が参照用位置情報に置き換えられたものであることから、参照用画像情報と参照用ダイヤ情報との連関度の説明を流用することにより以下での説明を省略する。

このような位置情報を通じて、踏切内を横断する移動体の位置を把握することができる。このため、画像を通じて移動体の踏切内での状況を判別することと同様、この位置情報を介して移動体の踏切内での状況を判別することができ、これとダイヤ情報とを組み合わせることで、危険度を判別することが可能となる。

上述した参照用画像情報との組み合わせで、参照用遅延情報、参照用音声情報、参照用開閉時間帯情報、参照用設備情報、参照用横断オブジェクト、参照用動き情報、参照用視認性情報等との間で連関度を形成する場合も、この参照用画像情報の代替として、参照用位置情報を用いるようにしてもよい。

参照用位置情報に対して、参照用遅延情報、参照用音声情報、参照用開閉時間帯情報、参照用設備情報、参照用横断オブジェクト、参照用動き情報、参照用視認性情報等のいずれか１つとの間で連関度を形成しておくことになる。

例えば、以前に踏切内を横断する移動体から取得した参照用位置情報と当該参照用位置情報の取得時点における踏切内の参照用音声情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を形成しておく。そして、新たに取得した位置情報と音声情報とに基づき、踏切内の危険度を判別する。

また、以前に踏切内を横断する移動体から取得した参照用位置情報と、当該参照用位置情報の取得時点における踏切の参照用開閉時間帯情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を予め取得しておく。そして、これを参照し、新たに取得した位置情報と開閉時間帯情報とに基づき、上記踏切内の危険度を判別する。

また、以前に踏切内を横断する移動体から取得した参照用位置情報と、当該参照用位置情報の取得時点における踏切への移動体の横断頻度とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を予め取得しておく。そして、これを参照し、位置情報と横断頻度とに基づき、上記踏切内の危険度を判別する。

このとき、参照用位置情報に対して、参照用遅延情報、参照用音声情報、参照用開閉時間帯情報、参照用設備情報、参照用横断オブジェクト、参照用動き情報、参照用視認性情報等のいずれか２以上との間で連関度を形成してもよい。

図１２は、上述した参照用位置情報と、参照用横断頻度との組み合わせと、当該組み合わせに対する踏切内の危険度との３段階以上の連関度が設定されている例を示している。

入力データとしては、このような参照用画像情報と、参照用横断頻度が並んでいる。このような入力データとしての、参照用画像情報に対して、参照用横断頻度が組み合わさったものが、図１２に示す中間ノードである。参照用横断頻度とは、踏切を横断する移動体の単位面積当たりの密度で数値化するようにしてもよいし、単位時間当たりにおける踏切を横断する移動体の数量を通じて数値化するようにしてもよい。このとき、移動体の横断速度も計測した上でこれをパラメータとして盛り込むようにしてもよい。参照用横断頻度は、時刻によって変化するため、参照用画像情報の撮影時点、参照用接近情報の取得時点との関係で対応付けられていてもよい。

判別装置２は、このような図１２に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の危険度の判別を行う上で、参照用画像情報と、参照用横断頻度、並びにその場合の危険度がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図１２に示す連関度を作り上げておく。

図１２に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ１１に対して、参照用横断頻度「横断頻度α」の組み合わせのノードであり、危険度６０％の連関度がｗ１５、危険度０％の連関度がｗ１６となっている。

このような連関度が設定されている場合も同様に、新たに取得した画像情報と、その撮影時点における当該踏切への横断頻度に基づいて、実際にその新たに画像情報と接近情報とを取得した時点における危険度を求める。

この危険度を求める上で予め取得した図１２に示す連関度を参照する。例えば、取得した画像が参照用画像情報Ｐ１１に同一又は類似で、取得した横断頻度が横断頻度αである場合、その組み合わせはノード６１ｂが関連付けられており、このノード６１ｂにおける出力との連関度から危険度を求めていくことになる。 図１３の例では、踏切内において撮影された参照用画像情報と踏切の危険度との３段階以上の連関度を利用する例である。

参照用画像情報と、踏切の危険度とが互いに紐づけられた連関度が形成されていることが前提となる。図１３の例では、入力データとして例えば参照用画像情報Ｐ１１〜Ｐ１３であるものとする。このような入力データとしての参照用画像情報は、出力に連結している。この出力においては、出力解としての踏切の危険度であるものとする。

参照用画像情報は、この出力解としての踏切の危険度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報がこの連関度を介して左側に配列し、各踏切の危険度が連関度を介して右側に配列している。

探索装置２は、このような図１３に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、過去において撮像して取得した参照用画像情報のときにいかなる危険度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

例えば、参照用画像情報が、Ｐ１１であるものとする。このようなＰ１１に対する危険度として、危険度９０％が多かったものとする。このようなデータセットを集めて分析することにより、参照用画像情報Ｐ１１と、危険度との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。また画像の判別はディープラーニングを用いるようにしてもよい。また、この図１３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

なお、このような連関度に基づく学習済みモデルを構築する過程において、その画像情報の取得時点における参照用ダイヤ情報も取得しておく。この参照用ダイヤ情報は、上述した連関度には含まれない。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、解を探索することとなる。かかる場合には、踏切において撮像した画像情報を取得すると共に、ダイヤ情報も同様に取得しておく。

先ず、新たに取得した画像情報に基づいて、危険度を探索する。かかる場合には、予め取得した図１３に示す連関度を利用する。例えば、新たに取得した画像情報が、参照用画像情報Ｐ１２と同一かこれに類似するものである場合には、連関度を介して危険度３０％が連関度ｗ１５、危険度６０％が連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い危険度３０％を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる連関度６０％を解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。また、この選択する出力解は１つに限られず、２以上選択するものであってもよい。かかる場合には、連関度の上位から順に２以上選択するようにしてもよいが、これに限定されるものではなく、他のいかなる連関度の優先順位に基づいてもよい。

連関度を通じて求められる危険度は、更に、ダイヤ情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

例えば、参照用ダイヤ情報Ｐ１３が電車の通過予定時刻より１０分前、参照用ダイヤ情報Ｐ１４が電車の通過予定時刻より３分前、参照用ダイヤ情報Ｐ１５が電車の通過予定時刻より３０秒前であるとする。このとき、参照用ダイヤ情報Ｐ１３のように通過予定時刻まで時間的余裕がある場合には危険度の重み付けを下げる処理を行い、換言すれば危険度そのものを下げる処理を行うように予め設定しておく。これに対して、参照用ダイヤ情報Ｐ１５のように通過予定時刻まで時間的余裕が無い場合には危険度の重み付けを上げる処理を行い、換言すれば危険度そのものを上げる処理を行うように予め設定しておく。

このように参照用ダイヤ情報との間での設定の後、実際に取得したダイヤ情報が参照用ダイヤ情報Ｐ１３と同一又は類似する場合には、危険度の重み付けを下げる処理を行い、換言すれば危険度そのものを下げる処理を行う。これに対して、実際に取得したダイヤ情報が参照用ダイヤ情報Ｐ１５と同一又は類似する場合には、危険度の重み付けを上げる処理を行い、換言すれば危険度そのものを上げる処理を行う。

かかる場合においてダイヤ情報を取得した結果、実際に取得したダイヤ情報が参照用ダイヤ情報Ｐ１３と同一又は類似する場合のように時間的余裕がある場合には、例えば、危険度の重み付けを下げる処理を行う結果、上述した連関度を利用した判断自体を行わず、危険度０％として判断するようにしてもよい。

この参照用ダイヤ情報の代替として、参照用遅延情報を利用する場合も同様である。

また、図１４は、参照用ダイヤ情報の代替として、参照用開閉時間情報Ｐ２１〜Ｐ２３を利用する場合の例であるが、かかる場合も同様の処理動作を実行することになる。参照用開閉時間情報より、踏切が開く時間、閉まる時間に対してそれぞれ余裕があるか否かで、危険度の重み付けを変更することになる。

なお、この図１３、１４のケースにおいても、参照用画像情報を参照用位置情報に置き換えてもよい。

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

なお、危険度は、０〜１００％の百分率で記載されている場合を例にとり説明をしたが、これに限定されるものではない。この危険度は、例えば、「危険性が高い」、「危険性が低い」の２段階で表現されていてもよい。かかる場合において連関度を形成する際には、危険性が高いか否か判断事例を分析する際に、参照用画像情報と他の参照情報等との組み合わせを「危険性が高い」、「危険性が低い」の結果に紐づけて分析、判別していくことになる。これらの作業も人工知能により代替させてもよいことは勿論である。

上述した構成からなる本発明によれば、踏切における危険度の判断を、特段の熟練を要することなく、少ない労力で容易に行うことが可能となる。また本発明によれば、この踏切における危険度の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

また、本発明によれば、３段階以上に設定されている連関度を介して最適な物性や生成機構の探索を行う点に特徴がある。連関度は、上述した５段階以外に、例えば０〜１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

このような３段階以上の数値で表される連関度に基づいて最も確からしい危険度を探索することで、踏切上において危険性が高くなる可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい危険度を優先的に表示することも可能となり、危険度が高くなることによる注意を促すこともできる。

特により危険度が高い場合には、音声等を通じて移動体に注意を喚起したり、踏切に入ってくる電車に危険性が高いことを通知して自主的に停止を促すなどの処理動作を先行して行うことができ、乗客の安全を守ることができる。また本発明によれば、危険度の検出精度が高いため、むやみに電車を停止させることなく、本当に必要なケースのみに絞り電車を停止させる動作を行えばよいため、円滑な交通に悪影響を及ぼすことを防止することもできる。また、危険度に紐付けて電車への停止信号を送信するか否かを探索解として出力するものであってもよい。

これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な危険度を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また電鉄会社や駅等が独自に撮像したカメラ画像や独自に取得した各種参照情報等に基づいて、入力パラメータと、出力解（危険度）との関係性について新たな知見が発見された場合には、当該知見に応じて連関度を上昇させ、或いは下降させる。

つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

また上述した各組み合わせの連関度は、一のファクタと他のファクタとを有する組み合わせの連関度であり、これら以外の他の要素が当該連関度に関連付けられていてもよいことは勿論である。

１ 踏切危険度判別システム
２ 判別装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 推定部
２８ 記憶部
６１ ノード

Claims (15)

1. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
   新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点における電車のダイヤ情報を取得する情報取得ステップと、
   踏切内において撮影された参照用画像情報と、当該参照用画像情報の撮影時点における電車の参照用ダイヤ情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した画像情報と電車のダイヤ情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
   を特徴とする踏切危険度判別プログラム。
2. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
   新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点における電車の遅延情報を取得する情報取得ステップと、
   踏切内において撮影された参照用画像情報と、当該参照用画像情報の撮影時点における電車の参照用遅延情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した画像情報と電車の遅延情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
   を特徴とする踏切危険度判別プログラム。
3. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
   新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点における踏切内の音声情報を取得する情報取得ステップと、
   踏切内において撮影された参照用画像情報と、当該参照用画像情報の撮影時点における踏切内の参照用音声情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した画像情報と音声情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
   を特徴とする踏切危険度判別プログラム。
4. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
   新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点における踏切の開閉時間帯情報を取得する情報取得ステップと、
   踏切内において撮影された参照用画像情報と、当該参照用画像情報の撮影時点における踏切の参照用開閉時間帯情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した画像情報と開閉時間帯情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
   を特徴とする踏切危険度判別プログラム。
5. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
   新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該踏切の設備情報を取得する情報取得ステップと、
   踏切内において撮影された参照用画像情報と、当該踏切の参照用設備情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した画像情報と設備情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
   を特徴とする踏切危険度判別プログラム。
6. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
   新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該画像情報に基づいて判別した踏切内を横断する横断オブジェクトを取得する情報取得ステップと、
   踏切内において撮影された参照用画像情報と、当該参照用画像情報に基づいて判別した踏切内を横断する参照用横断オブジェクトとを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した画像情報と横断オブジェクトとに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
   を特徴とする踏切危険度判別プログラム。
7. 上記情報取得ステップでは、更に上記横断オブジェクトの動きを検出した動き情報を取得し、
   上記判別ステップでは、更に上記参照用横断オブジェクトの動きを検出した参照用動き情報とを有する上記組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した画像情報と横断オブジェクトと動き情報とに基づき、上記踏切内の危険度を判別すること
   を特徴とする請求項６記載の踏切危険度判別プログラム。
8. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
   新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点における踏切外の各位置から踏切に向けて画像を撮影することにより踏切への視認性情報を取得する情報取得ステップと、
   踏切内において撮影された参照用画像情報と、当該参照用画像情報の撮影時点における踏切外の各位置から踏切に向けて画像を撮影することによる踏切への参照用視認性情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した画像情報と視認性情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
   を特徴とする踏切危険度判別プログラム。
9. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
   新たに踏切内を横断する移動体の位置情報を取得するとともに、当該取得時点における電車のダイヤ情報を取得する情報取得ステップと、
   以前に踏切内を横断する移動体から取得した参照用位置情報と、当該参照用位置情報の取得時点における電車の参照用ダイヤ情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した位置情報と電車のダイヤ情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
   を特徴とする踏切危険度判別プログラム。
10. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
    新たに踏切内を横断する移動体の位置情報を取得するとともに、当該取得時点における踏切内の音声情報を取得する情報取得ステップと、
    以前に踏切内を横断する移動体から取得した参照用位置情報と、当該参照用位置情報の取得時点における踏切内の参照用音声情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した位置情報と音声情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
    を特徴とする踏切危険度判別プログラム。
11. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
    新たに踏切内を横断する移動体の位置情報を取得するとともに、当該取得時点における踏切の開閉時間帯情報を取得する情報取得ステップと、
    以前に踏切内を横断する移動体から取得した参照用位置情報と、当該参照用位置情報の取得時点における踏切の参照用開閉時間帯情報とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した位置情報と開閉時間帯情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
    を特徴とする踏切危険度判別プログラム。
12. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
    新たに踏切内を横断する移動体の位置情報を取得するとともに、当該取得時点における当該踏切への移動体の横断頻度を求める情報取得ステップと、
    以前に踏切内を横断する移動体から取得した参照用位置情報と、当該参照用位置情報の取得時点における踏切への移動体の横断頻度とを有する組み合わせと、当該組み合わせに対する踏切の危険度との３段階以上の連関度を参照し、上記情報取得ステップを介して取得した位置情報と横断頻度とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
    を特徴とする踏切危険度判別プログラム。
13. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
    新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点における電車のダイヤ情報を取得する情報取得ステップと、
    踏切内において撮影された参照用画像情報と踏切の危険度との３段階以上の連関度を利用すると共に、当該参照用画像情報の撮影時点における電車の参照用ダイヤ情報を参照し、上記情報取得ステップを介して取得した画像情報と電車のダイヤ情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
    を特徴とする踏切危険度判別プログラム。
14. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
    新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点における電車の遅延情報を取得する情報取得ステップと、
    踏切内において撮影された参照用画像情報と踏切の危険度との３段階以上の連関度を利用すると共に、当該参照用画像情報の撮影時点における電車の参照用遅延情報を参照し、上記情報取得ステップを介して取得した画像情報と遅延情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
    を特徴とする踏切危険度判別プログラム。
15. 踏切の危険度を判別するための踏切危険度判別プログラムにおいて、
    新たに踏切内の画像を撮影することにより画像情報を取得するとともに、当該撮影時点における踏切の開閉時間帯情報を取得する情報取得ステップと、
    踏切内において撮影された参照用画像情報と踏切の危険度との３段階以上の連関度を利用すると共に、当該参照用画像情報の撮影時点における踏切の参照用開閉時間帯情報を参照し、上記情報取得ステップを介して取得した画像情報と開閉時間帯情報とに基づき、上記踏切内の危険度を判別する判別ステップとをコンピュータに実行させること
    を特徴とする踏切危険度判別プログラム。

Images