JP2021096608A - 防犯対策提案プログラム及びシステム - Google Patents
防犯対策提案プログラム及びシステム Download PDFInfo
- Publication number
- JP2021096608A JP2021096608A JP2019226892A JP2019226892A JP2021096608A JP 2021096608 A JP2021096608 A JP 2021096608A JP 2019226892 A JP2019226892 A JP 2019226892A JP 2019226892 A JP2019226892 A JP 2019226892A JP 2021096608 A JP2021096608 A JP 2021096608A
- Authority
- JP
- Japan
- Prior art keywords
- information
- building structure
- association
- degree
- acquired
- 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.)
- Pending
Links
- 230000002265 prevention Effects 0.000 title claims abstract description 48
- 238000013473 artificial intelligence Methods 0.000 description 15
- 230000009545 invasion Effects 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000011521 glass Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000005357 flat glass Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】建築構造物への不審者侵入の危険度を事前に察知し、居住者の安全を守るため に、防犯対策の提案を行う。【解決手段】建築構造物に対する防犯対策を提案するための防犯対策提案プログラムにおいて、建築構造物の外部を撮影した参照用画像情報と、その建築構造物に関する構造を含む参照用構造情報とを有する組み合わせと、当該組み合わせに対する防犯対策情報との3段階以上の連関度を予め取得し、新たに防犯対策を提案する際に、建築構造物の外部を撮影することにより画像情報を取得するとともに、その建築構造物における構造情報を取得し、取得した連関度を参照し、取得した画像情報と防犯対策情報とに基づき、建築構造物に対する防犯対策情報を探索する。【選択図】図3
Description
本発明は、建築構造物への不審者侵入に対する防犯対策提案を提案するための防犯対策提案プログラム及びシステムに関する。
従来より、住宅や、企業が入居するビル等の建築構造物への不審者侵入を防止するための数々の試みが行われている。特に一戸建て建築構造物はマンションと比較して侵入経路が多々あるため、居住者の安全を守るためにより強固な不審者侵入への防止対策を施す必要がある。
上述した特許文献1の開示技術では、人工知能により顔画像から人物を特定する技術が記載されているが、人工知能を活用して実際の建築構造物への不審者侵入の危険度を定量的に判断できるものではない。実際にその危険度を高精度に予測することにより、居住者に対して危険が迫っている場合にはいち早く警備会社や警察に連絡するとともに、実際にはそれほど危険度が高くない場合には、むやみに警備会社による警備員や警察官の出動を招かないようにする必要があった。このような観点は、引用文献1の開示技術には特段記載されていない。
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、建築構造物への不審者侵入の危険度を事前に察知し、居住者の安全を守るために、防犯対策の提案を行うための防犯対策提案プログラム及びシステムを提供することにある。
本発明に係る防犯対策提案プログラムは、上述した課題を解決するために、建築構造物に対する防犯対策を提案するための防犯対策提案プログラムにおいて、建築構造物の外部を撮影した参照用画像情報と、その建築構造物に関する構造を含む参照用構造情報とを有する組み合わせと、当該組み合わせに対する防犯対策情報との3段階以上の連関度を予め取得する連関度取得ステップと、新たに防犯対策を提案する際に、建築構造物の外部を撮影することにより画像情報を取得するとともに、その建築構造物における構造情報を取得する情報取得ステップと、上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した画像情報と防犯対策情報とに基づき、上記建築構造物に対する防犯対策情報を探索する探索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。
本発明に係る防犯対策提案システムは、建築構造物に対する防犯対策を提案するための防犯対策提案システムにおいて、建築構造物の外部を撮影した参照用画像情報と、その建築構造物に関する構造を含む参照用構造情報とを有する組み合わせと、当該組み合わせに対する防犯対策情報との3段階以上の連関度を予め取得する連関度取得手段と、新たに防犯対策を提案する際に、建築構造物の外部を撮影することにより画像情報を取得するとともに、その建築構造物における構造情報を取得する情報取得手段と、上記連関度取得手段により取得した連関度を参照し、上記情報取得手段を介して取得した画像情報と防犯対策情報とに基づき、上記建築構造物に対する防犯対策情報を探索する探索手段とを備えることを特徴とする。
建築構造物への不審者侵入の危険度を事前に察知し、事件を未然に防止するために、危険度を人工知能を利用して自動的にかつ高精度に判別することができる。
以下、本発明を適用した防犯対策提案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、本発明を適用した防犯対策提案プログラムが実装される防犯対策提案システム1の全体構成を示すブロック図である。防犯対策提案システム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。
データベース3は、建築構造物への不審者の侵入に関して以前発生した事件、或いは事件まで至らなかったものの、危険度が高かった事例等、建築構造物への不審者侵入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、その建築構造物に関する構造情報を含む参照用構造情報、建築構造物のロケーションを特定するための参照用ロケーション情報、当該建築構造物の居住者の在宅パターンを示す参照用在宅パターン情報、当該参照用画像情報の撮影時点における時間帯を示す参照用時間帯情報、参照用画像情報を解析することにより人物を抽出した参照用人物情報、参照用画像情報の撮影時に録音した参照用音声情報、建築構造物が警備会社の警備サービスの契約状況を示す参照用警備サービス情報等が蓄積されている。これ以外には、このデータベース3には、当該建築構造物の周囲の道路の通行量を示す参照用通行量情報、建築構造物の地域における過去の犯罪履歴に関する参照用犯罪履歴情報が蓄積されている。建築構造物とは、一戸建て住宅、共同住宅、マンション、アパートを始めとする住宅以外に、会社が入居するビルや学校や病院、公共施設、遊技施設等も含まれる。
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、建築構造物への不審者の侵入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、建築構造物への不審者の侵入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防犯対策提案システム1における動作について説明をする。
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、参照用構造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、建築構造物の内部、建築構造物の外部、建築構造物の門、玄関、庭、外構、塀、柵、駐車スペース、通用口等をスマートフォンやデジタルカメラ等で撮像した画像である。例えば、建築構造物の周囲を歩き、様々な角度で建築構造物を撮像したものであってもよい。
参照用構造情報は、当該建築構造物の構造を示すデータであり、例えば空中から撮影した建築構造物全体の写真、道路側から撮影した建築構造物の写真、建築構造物の竣工図の電子データ、地図上において示される建築構造物全体の構造図等の電子データである。
図3の例では、例えば参照用画像情報が、建築構造物の外部を各場所ごとに、或いは各時系列毎に撮影した参照用画像情報P11〜P13、参照用構造情報として、構造F〜構造I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、参照用構造情報が並んでいる。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、参照用構造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、出力解としての防犯対策情報が配列している。
防犯対策情報は、実際のどのような防犯対策を施すべきかについての情報である。例えば、監視カメラを設ける、防犯管理会社のサービスを受ける、窓ガラスの破壊を検出するための窓ガラス破壊検知センサーを付ける、門や塀を設ける等である。この防犯対策情報は、このような具体的な施策までを提示するのではなく、単に安全か否か、防犯対策を施さずこのままで大丈夫か、或いは何らかの防犯対策を施すべきか否かを示すものであってもよい。
参照用画像情報と参照用構造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防犯対策情報に対して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構造情報がこの連関度を介して左側に配列し、各防犯対策情報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構造情報に対して、何れの防犯対策情報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構造情報が、いかなる防犯対策情報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構造情報から最も確からしい防犯対策情報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防犯対策情報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防犯対策情報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、実際の防犯対策の判別を行う上で、参照用画像情報と、参照用接近情報、並びにその場合の防犯対策がどれが採択されるケースが多か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、1階が雨戸が無く、ガラス窓が多い場合には、ガラス破壊検知センサを取り付けるケースが多い場合には、そのような防犯対策の連関度を強くする。また、外構が、門や塀が無いオープン外構の場合には、門や塀を設ける代わりに人感センサや監視カメラを設ける防犯対策が多い場合には、そのような防犯対策の連関度を強くする。
例えば、参照用画像情報P11が1階が雨戸が無く、ガラス窓が多い建築構造物の画像であるものとする。また、この判別対象の建築構造物の構造Fであるものとしたときに、以前のデータにおいてガラス破壊検知センサを取り付けるケースが多いか、監視カメラを取り付けるケースが多いか、過去の施策が蓄積されるデータベース等から抽出する。これらのデータは、参照用画像情報については過去のカメラの撮影した画像データの記録から得ることができ、また、参照用構造情報は、ハウスメーカーや役所に記録されている竣工図や地図データ、或いは空撮した画像や道路から以前撮像した建築構造物の画像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、かつ構造Fである場合に、ガラス破壊検知センサを取り付けるケースが多いか、監視カメラを取り付けるケースが多いか等を過去のデータから分析し、これに応じた連関度を設定する。参照用画像情報P11で、かつ構造Hである場合においてリンクする中間ノード61aの例では、防犯対策情報Aと、防犯対策情報Bの出力にリンクしているが、以前の事例から、防犯対策情報Aにつながるw13の連関度を7点に、危防犯対策情報B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の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、参照用構造情報の構造Fの組み合わせのノードであり、防犯対策情報Cの連関度がw15、防犯対策情報E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、参照用構造情報の構造G(例えば庭の配置に関する構造情報)と、更に構造I(例えば、柵の配置に関する構造情報)の組み合わせのノードであり、防犯対策情報Bの連関度がw17、防犯対策情報D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防犯対策情報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防犯対策情報を探索することとなる。かかる場合には、画像情報を新たに取得するとともに、構造情報を取得する。画像情報は参照用画像情報に対応し、構造情報は、参照用構造情報に対応する。
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建築構造物の外部の画像と同一である。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。
構造情報の取得は、危険度を判別しようとする建築構造物の構造情報が記録されているデータベースにアクセスする。例えば、構造情報が住所を通じて関連付けられてデータベースに記録されている場合には、住所を入力することで、その住所にリンクされている構造情報を読み出すようにしてもよい。
このようにして新たに取得した画像情報と、構造情報に基づいて、防犯対策情報を探索する。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、取得した構造情報が構造I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、防犯対策情報Cがw19、防犯対策情報Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高い防犯対策情報C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防犯対策情報D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。
このようにしてこれらの最適解の選択は、図3に示す学習済みモデルを利用し、実際に解を求めたい入力データ(画像情報、構造情報)を入力すると出力解(危険度)が出力される人工知能を通じて実現することができる。しかし、本発明は人工知能を活用することは必須ではなく、参照用画像情報と、参照用構造情報との組み合わせと、当該組み合わせに対する防犯対策情報との3段階以上の連関度を利用するものであればいかなる形態で実現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。
図4は、上述した参照用画像情報と、参照用ロケーション情報との組み合わせと、当該組み合わせに対する防犯対策情報との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、参照用ロケーション情報が並んでいる。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、参照用ロケーション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。
参照用ロケーション情報とは、その建築構造物のロケーションを特定するためのあらゆる情報が含まれる。参照用ロケーション情報としては、住所情報、地図情報以外に、その建築構造物を含めた周囲の環境を撮影した画像も含まれる。また建築構造物の隣地の建物の状況や、建築構造物の隣地が商店、ビル、飲食店、空き地、駐車場、学校等、いかなる用途に利用されているのかもこの参照用ロケーション情報に含まれる。つまり隣地が空き地であれば、その空き地から建築構造物内に侵入されやすいことも考えられることから、これについても危険度を支配する要因になる。
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、参照用ロケーション情報、並びにその場合の防犯対策情報がいかなるもの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、参照用ロケーション情報がロケーションJの組み合わせのノードであり、防犯対策情報Cの連関度がw15、防犯対策情報E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、画像情報を新たに取得するとともに、ロケーション情報を取得する。画像情報は参照用画像情報に対応し、ロケーション情報は、参照用ロケーション情報に対応する。
ロケーション情報の取得は、防犯対策情報を探索しようとする建築構造物の構造情報が記録されているデータベースにアクセスする。例えば、ロケーション情報が住所を通じて関連付けられてデータベースに記録されている場合には、住所を入力することで、その住所にリンクされているロケーション情報(隣地が飲食店で比較的明るい、或いは隣地が駐車場で不審者が侵入しやすい等)を読み出すようにしてもよい。
防犯対策情報を探索する上では、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P12に同一又は類似で、ロケーション情報がロケーションM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、防犯対策情報Bが連関度w17で、また防犯対策情報D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、実際にその新たに画像情報とロケーション情報とを取得した場合における防犯対策情報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、参照用在宅パターン情報との組み合わせと、当該組み合わせに対する防犯対策情報との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、参照用在宅パターン情報が並んでいる。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、参照用ロケーション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。
参照用在宅パターン情報とは、その建築構造物に居住する居住者の在宅パターンを特定するためのあらゆる情報が含まれる。参照用在宅パターン情報としては、例えば建築構造物における電力の使用量や玄関や門に設置されたカメラで撮影した居住者の出入りの画像に基づいて、居住者が在宅している時間帯、外出している時間帯をパターン化したものである。月曜日〜日曜日の間で、各曜日の各時間帯毎に、居住者の在宅時間帯、外出時間帯を、上述した電力使用量や画像に基づいてパターン化しておく。このとき、上述した電力使用量や画像を予め機械学習させておき、パターンを判別するようにしてもよい。
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、実際の防犯対策情報の提案を行う上で、参照用画像情報と、参照用在宅パターン、並びにその場合の防犯対策情報がいかなるもの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、参照用ロケーション情報がロケーションJの組み合わせのノードであり、防犯対策情報Cの連関度がw15、防犯対策情報E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、画像情報を新たに取得するとともに、在宅パターン情報を取得する。画像情報は参照用画像情報に対応し、在宅パターン情報は、参照用在宅パターン情報に対応する。
在宅パターン情報の取得は、危険度を判別しようとする建築構造物の在宅パターン情報が記録されているデータベースにアクセスする。例えば、在宅パターン情報が住所を通じて関連付けられてデータベースに記録されている場合には、住所を入力することで、その住所にリンクされている在宅パターン情報(月〜金は、9時〜21時が外出でそれ以外が在宅、土日は、10時〜15時が外出でそれ以外が在宅等)を読み出すようにしてもよい。
防犯対策情報の探索を行う上では、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P12に同一又は類似で、在宅パターン情報が在宅パターンR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、防犯対策情報Bが連関度w17で、また防犯対策情報D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、実際にその新たに画像情報と在宅パターン情報とを取得した時点における防犯対策情報を求めていくことになる。
図6は、上述した在宅パターン情報の代替として、参照用犯罪履歴情報を利用する場合の例である。参照用犯罪履歴情報は、建築構造物の地域における過去の犯罪履歴に関する情報である。犯罪履歴とは、殺人、家宅侵入、空き巣、誘拐、強盗、性犯罪等、あらゆる犯罪を含むものである。この犯罪履歴は、単位期間あたりの犯罪件数により数値化されていてもよいし、その数値に対して更に犯罪の重みに応じた重み付けがなされていてもよい。犯罪履歴の高い地域ほど、危険度が高くなるような調整を行う。
図6は、上述した在宅パターン情報の代替として、参照用犯罪履歴情報を利用する場合の例である。参照用犯罪履歴情報は、建築構造物の地域における過去の犯罪履歴に関する情報である。犯罪履歴とは、殺人、家宅侵入、空き巣、誘拐、強盗、性犯罪等、あらゆる犯罪を含むものである。この犯罪履歴は、単位期間あたりの犯罪件数により数値化されていてもよいし、その数値に対して更に犯罪の重みに応じた重み付けがなされていてもよい。犯罪履歴の高い地域ほど、危険度が高くなるような調整を行う。
各地域の犯罪履歴は、インターネット上において公開されている情報を利用するようにしてもよいし、テレビや新聞等において報道されている記事等から抽出して入力するようにしてもよい。
入力データとしては、このような参照用画像情報と、参照用犯罪履歴情報が並んでいる。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、参照用犯罪履歴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。
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、実際の防犯対策情報の探索を行う上で、参照用画像情報と、参照用犯罪履歴情報、並びにその場合の防犯対策情報がいかなるもの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、参照用犯罪履歴情報Sの組み合わせのノードであり、防犯対策情報Cの連関度がw15、防犯対策情報Eの連関度がw16となっている。つまり犯罪履歴の多い地域と少ない地域がある。特に犯罪歴歴の多い地域に面している建築構造物は不審者の侵入が少なく、逆に犯罪履歴が少ない道路は逆に侵入者が多い場合には、各参照用犯罪履歴情報S〜V、・・についてそれぞれ参照用画像情報との関係において危険度、ひいてはこれに適した防犯対策情報を予め分析しておき、中間ノード61としての連関度において関連付けて記憶しておく。
このような連関度が設定されている場合も同様に、画像情報を新たに取得するとともに、犯罪履歴情報を取得する。画像情報は参照用画像情報に対応し、犯罪履歴情報は、参照用犯罪履歴情報に対応する。
そして抽出した犯罪履歴情報を参照用犯罪履歴情報と照らし合わせて判別を行う。かかる場合には、参照用犯罪履歴情報が記録されているデータベースにアクセスする。例えば、犯罪履歴情報が参照用犯罪履歴情報と同一又は類似する場合、当該参照用犯罪履歴情報を介して危険度を求めていく。
危険度を求める上では、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P12に同一又は類似で、犯罪履歴情報がV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、防犯対策情報Bが連関度w17で、また防犯対策情報D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、実際にその新たに画像情報と犯罪履歴情報とを取得した時点における危険度を求めていくことになる。
図7は、参照用通行量情報を連関度に含める場合の例である。参照用通行量情報は、建築構造物の周囲の道路における車両又は通行人の通行量に関する情報である。この通行量とは、単位時間当たりの車両や通行人の通行する数である。通行量が多い道路に面している建築構造物ほど、不審者の侵入する可能性が低くなる傾向があることが既に報告されていることから、これを説明変数に含めて危険度を判別し、これに適した防犯対策情報を探索する。
入力データとしては、このような参照用画像情報と、参照用通行量情報が並んでいる。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、参照用通行量情報が組み合わさったものが、図7に示す中間ノードである。
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、参照用通行量情報、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、参照用通行量情報Sの組み合わせのノードであり、防犯対策情報Cの連関度がw15、防犯対策情報Eの連関度がw16となっている。つまり通行量の多い道路と少ない道路がある。特に通行量の多い道路に面している建築構造物は不審者の侵入が少なく、逆に通行量が少ない道路は逆に侵入者が多い場合には、各参照用通行量情報S〜V、・・についてそれぞれ参照用画像情報との関係において最適な防犯対策を予め分析しておき、中間ノード61としての連関度において関連付けて記憶しておく。
このような連関度が設定されている場合も同様に、画像情報を新たに取得するとともに、通行量情報を取得する。画像情報は参照用画像情報に対応し、通行量情報は、参照用通行量情報に対応する。
なお、上述した通行量情報、参照用通行量情報は、市区町村や国、その他の機関によって行われる交通量調査のデータをそのまま利用してもよいし、単位時間において撮像した建築構造物の道路上の画像に基づいて判別するようにしてもよい。かかる場合には画像に映っている車両や通行人の数を検査者が一つずつカウントしてもよいし、周知のディープラーニング技術を利用して車両や通行人を抽出して特定し、その特定した車両や通行人の単位時間あたりの数をカウントするようにしてもよい。
そして抽出した通行量情報を参照用通行量情報と照らし合わせて判別を行う。かかる場合には、参照用通行量情報が記録されているデータベースにアクセスする。例えば、通行量情報が参照用通行量情報と同一又は類似する場合、当該参照用通行量情報を介して危険度を求めていく。
危険度を求める上では、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P12に同一又は類似で、通行量情報がV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、防犯対策情報Bが連関度w17で、また防犯対策情報D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、実際にその新たに画像情報と通行量情報とを取得した時点における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、参照用住宅構造情報に加えて、更に参照用番犬情報との組み合わせと、当該組み合わせに対する危険度との3段階以上の連関度が設定されている例を示している。
参照用番犬情報とは、参照用画像情報を撮像する対象としての建築構造物において番犬が居るか否かに関する情報である。参照用番犬情報は、単に番犬が居るか否かの2値で表現されていてもよいが、これに限定されるものでは無く、番犬の種類や大きさ、放し飼いの状態、番犬としての経験年数等を情報に含めるようにしてもよい。
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、参照用住宅構造情報と、参照用番犬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、参照用住宅構造情報「構造G」が連関度w7で、参照用番犬情報としての「番犬がいない」が連関度w11で連関している。同様にノード61eは、参照用画像情報P13が連関度w5で、参照用住宅構造情報「構造G」が連関度w8で、参照用番犬情報としての「番犬がいる」が連関度w10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、住宅構造情報と、番犬情報に基づいて、実際にその新たに画像情報を取得した時点における危険度を求める。ここでいう番犬情報は、実際に新たに取得した画像情報に含まれる建築構造物における番犬の情報である。
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、参照用住宅構造情報「構造G」で、抽出した番犬情報が「番犬がいない」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、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ていくことになる。
上述した構成からなる本発明によれば、建築構造物における不審者の侵入の危険度の判断、ひいてはこれに応じた最適な防犯対策を、特段の熟練を要することなく、少ない労力で容易に提案することが可能となる。また本発明によれば、この危険度の判断を、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、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。
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出力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。
また本発明は、図9に示すように参照用情報Uと参照用情報Vという2種類以上の情報の組み合わせの連関度に基づいて判別するものである。この参照用情報U、Vが上述した参照用画像情報を始めとした各参照用情報である。
このとき、図9に示すように、参照用情報Uについて得られた出力をそのまま入力データとして、参照用情報Vとの組み合わせの中間ノード61を介して出力と関連付けられていてもよい。例えば、参照用情報U(参照用画像情報)について、図3に示すように出力解を出した後、これをそのまま入力として、他の参照用情報Vとの間での連関度を利用し、出力を探索するようにしてもよい。
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。また建築構造物において撮像したカメラ画像や取得した参照用画像情報、参照用ロケーション情報、参照用在宅パターン情報、参照用時間情報、参照用音声情報、参照用警備サービス情報等に基づいて、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(参照用画像情報、参照用ロケーション情報、参照用在宅パターン情報、参照用時間情報、参照用音声情報、参照用警備サービス情報等)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。
1 防犯対策提案システム
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
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 (7)
- 建築構造物に対する防犯対策を提案するための防犯対策提案プログラムにおいて、
建築構造物の外部を撮影した参照用画像情報と、その建築構造物に関する構造を含む参照用構造情報とを有する組み合わせと、当該組み合わせに対する防犯対策情報との3段階以上の連関度を予め取得する連関度取得ステップと、
新たに防犯対策を提案する際に、建築構造物の外部を撮影することにより画像情報を取得するとともに、その建築構造物における構造情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した画像情報と防犯対策情報とに基づき、上記建築構造物に対する防犯対策情報を探索する探索ステップとをコンピュータに実行させること
を特徴とする防犯対策提案プログラム。 - 建築構造物に対する防犯対策を提案するための防犯対策提案プログラムにおいて、
建築構造物の外部を撮影した参照用画像情報と、その建築構造物のロケーションを特定するための参照用ロケーション情報とを有する組み合わせと、当該組み合わせに対する防犯対策情報との3段階以上の連関度を予め取得する連関度取得ステップと、
新たに防犯対策を提案する際に、建築構造物の外部を撮影することにより画像情報を取得するとともに、その建築構造物のロケーションを示すロケーション情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した画像情報とロケーション情報とに基づき、上記建築構造物に対する防犯対策情報を探索する探索ステップとをコンピュータに実行させること
を特徴とする防犯対策提案プログラム。 - 建築構造物に対する防犯対策を提案するための防犯対策提案プログラムにおいて、
建築構造物の外部を撮影した参照用画像情報と、その建築構造物の居住者の在宅パターンを示す参照用在宅パターン情報とを有する組み合わせと、当該組み合わせに対する防犯対策情報との3段階以上の連関度を予め取得する連関度取得ステップと、
新たに防犯対策を提案する際に、建築構造物の外部を撮影することにより画像情報を取得するとともに、その建築構造物の在宅パターンを示す在宅パターン情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した画像情報と在宅パターン情報とに基づき、上記建築構造物に対する防犯対策情報を探索する探索ステップとをコンピュータに実行させること
を特徴とする防犯対策提案プログラム。 - 建築構造物に対する防犯対策を提案するための防犯対策提案プログラムにおいて、
建築構造物の外部を撮影した参照用画像情報と、当該建築構造物の地域における過去の犯罪履歴に関する参照用犯罪履歴情報とを有する組み合わせと、当該組み合わせに対する防犯対策情報との3段階以上の連関度を予め取得する連関度取得ステップと、
新たに防犯対策を提案する際に、建築構造物の外部を撮影することにより画像情報を取得するとともに、その建築構造物の地域における過去の犯罪履歴を示す犯罪履歴情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した画像情報と犯罪履歴情報とに基づき、上記建築構造物に対する防犯対策情報を探索する探索ステップとをコンピュータに実行させること
を特徴とする防犯対策提案プログラム。 - 建築構造物に対する防犯対策を提案するための防犯対策提案プログラムにおいて、
建築構造物の外部を撮影した参照用画像情報と、当該建築構造物の周囲の道路の通行量を示す参照用通行量情報とを有する組み合わせと、当該組み合わせに対する防犯対策情報との3段階以上の連関度を予め取得する連関度取得ステップと、
新たに防犯対策を提案する際に、建築構造物の外部を撮影することにより画像情報を取得するとともに、その建築構造物の周囲の道路の通行量を示す通行量情報を取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した画像情報と通行量情報とに基づき、上記建築構造物に対する防犯対策情報を探索する探索ステップとをコンピュータに実行させること
を特徴とする防犯対策提案プログラム。 - 上記連関度取得ステップでは、当該建築構造物内における番犬の有無を示す参照用番 犬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防犯対策情報との3段階 以上の連関度を予め取得し、
上記情報取得ステップでは、新たに防犯対策を提案する際に、建築構造物内における番犬の有無を示す番犬情報を取得し、
上記探索ステップでは、上記情報取得ステップを介して取得した番犬情報に基づき、上記建築構造物に対する防犯対策情報を探索すること
を特徴とする請求項1〜5のうち何れか1項記載の防犯対策提案プログラム。 - 建築構造物に対する防犯対策を提案するための防犯対策提案システムにおいて、
建築構造物の外部を撮影した参照用画像情報と、その建築構造物に関する構造を含む参照用構造情報とを有する組み合わせと、当該組み合わせに対する防犯対策情報との3段階以上の連関度を予め取得する連関度取得手段と、
新たに防犯対策を提案する際に、建築構造物の外部を撮影することにより画像情報を取得するとともに、その建築構造物における構造情報を取得する情報取得手段と、
上記連関度取得手段により取得した連関度を参照し、上記情報取得手段を介して取得した画像情報と防犯対策情報とに基づき、上記建築構造物に対する防犯対策情報を探索する探索手段とを備えること
を特徴とする防犯対策提案システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019226892A JP2021096608A (ja) | 2019-12-16 | 2019-12-16 | 防犯対策提案プログラム及びシステム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019226892A JP2021096608A (ja) | 2019-12-16 | 2019-12-16 | 防犯対策提案プログラム及びシステム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021096608A true JP2021096608A (ja) | 2021-06-24 |
Family
ID=76432017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019226892A Pending JP2021096608A (ja) | 2019-12-16 | 2019-12-16 | 防犯対策提案プログラム及びシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021096608A (ja) |
-
2019
- 2019-12-16 JP JP2019226892A patent/JP2021096608A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6905850B2 (ja) | 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置 | |
KR101644443B1 (ko) | 시공적 상황데이터를 이용한 경고 방법 및 시스템 | |
US8908034B2 (en) | Surveillance systems and methods to monitor, recognize, track objects and unusual activities in real time within user defined boundaries in an area | |
JP4937016B2 (ja) | 監視装置及び監視方法及びプログラム | |
JP4611915B2 (ja) | 警備装置および警備方法 | |
JP2022003761A (ja) | 危険度判別プログラム | |
JP6336709B2 (ja) | 警備装置、警備方法およびプログラム | |
JP6621092B1 (ja) | 危険度判別プログラム及びシステム | |
JP6587268B1 (ja) | プラットホーム危険度判別プログラム及びシステム | |
KR101466004B1 (ko) | 지능형 방범, 방재 및 사후처리 통합 트리플렉스 시스템 및 그 제어 방법 | |
US20210019645A1 (en) | System and method for using artificial intelligence to determine a probability of occurrence of a subsequent incident and performing a preventative action | |
CN110674761A (zh) | 一种区域行为预警方法及系统 | |
JP6739119B6 (ja) | 危険度判別プログラム及びシステム | |
JP6739115B6 (ja) | 危険度判別プログラム及びシステム | |
JP2021096608A (ja) | 防犯対策提案プログラム及びシステム | |
EP4367653A1 (en) | Threat assessment system | |
JP7309189B2 (ja) | 危険度判別プログラム及びシステム | |
EP4172886A1 (en) | System and method for using artificial intelligence to determine a probability of occurrence of a subsequent incident | |
JP2021096840A (ja) | 警備システム及びプログラム | |
KR20160086536A (ko) | 시공적 상황데이터를 이용한 경고 방법 및 시스템 | |
Tokson | 42nd Annual Foulston-Siefkin Lecture: The Next Wave of Fourth Amendment Challenges After Carpenter | |
CN117726162A (zh) | 一种基于多模态数据融合的社区风险等级评估方法及系统 | |
Olckers | MAGISTER TECHNOLOGIAE |