JP2022003761A - 危険度判別プログラム - Google Patents
危険度判別プログラム Download PDFInfo
- Publication number
- JP2022003761A JP2022003761A JP2021015408A JP2021015408A JP2022003761A JP 2022003761 A JP2022003761 A JP 2022003761A JP 2021015408 A JP2021015408 A JP 2021015408A JP 2021015408 A JP2021015408 A JP 2021015408A JP 2022003761 A JP2022003761 A JP 2022003761A
- Authority
- JP
- Japan
- Prior art keywords
- information
- degree
- risk
- image information
- association
- 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
Images
Landscapes
- Closed-Circuit Television Systems (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Emergency Alarm Devices (AREA)
Abstract
【課題】危険度を事前に察知し、事件を未然に防止する。【解決手段】道路又は駅の構内からなる公共路における不審者出現の危険度を判別するための危険度判別プログラムにおいて、危険度を判別する際に、新たに公共路を撮影した画像情報と、上記画像情報の撮影時点における天候を示す天候情報とを取得する情報取得ステップと、公共路を撮影した参照用画像情報と、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に応じた参照用画像情報に基づき、上記連関度のより高いものを優先させるとともに、取得した天候情報に基づき、上記公共路における不審者出現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、建築構造物又は耕作地、公共路等への不審者や獣の侵入の危険度を判別するための危険度判別プログラムに関する。
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。また、近年において熊やイノシシ等を始めとした獣害が問題となっている。特に一戸建て建築構造物はマンションと比較して獣の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。
また近年においては公共路や耕作地にまで不審者や獣が侵入してくるケースが頻発しており、社会的な問題になっている。
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。獣害に関しても同様に記載されていない。
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、建築構造物又は耕作地、公共路への不審者や獣の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、危険度を人工知能を利用して自動的に判別する危険度判別プログラムを提供することにある。
本発明に係る危険度判別プログラムは、道路又は駅の構内からなる公共路における不審者出現の危険度を判別するための危険度判別プログラムにおいて、危険度を判別する際に、新たに公共路を撮影した画像情報と、上記画像情報の撮影時点における天候を示す天候情報とを取得する情報取得ステップと、公共路を撮影した参照用画像情報と、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に応じた参照用画像情報に基づき、上記連関度のより高いものを優先させるとともに、取得した天候情報に基づき、上記公共路における不審者出現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。
公共路等への不審者や獣の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、本発明を適用した危険度判別プログラムが実装される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。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。
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。なお本発明は、建築構造物における不審者侵入の危険度を判別する場合のみならず、公共路における不審者出現の危険度を判別する際にも適用することができる。ここでいう公共路とは、道路(歩道のみならず、横断歩道も含む)に加え、鉄道の駅に通じる地下道、鉄道の駅の構内の通路も含む。この公共路上を歩行する歩行者において不審者が出現する危険度を判別する(以下、不審者出現の危険度という。)。この不審者出現の危険度とは、実際に歩行者の中に不審者らしき行動をとっている者について、その危険度を示す場合もあれば、実際に歩行者の中にそのような行動をとっている者がいない場合であってもその後そのような行動をとる者が現れる蓋然性を示すものであってもよい。また実際に撮影した範囲において歩行者がいない場合であっても、その後歩行者が撮影範囲に入り、その歩行者の中に不審者が現れる可能性を示すものであってもよい。
また、本発明は、公共交通機関の車内における不審者出現の危険度を判別する際にも適用することができる。ここでいう公共交通機関とは、電車(モノレール、レールバス、新幹線、ロープウェイ、ケーブルカー等も含む)、バス、タクシー等である。このような公共交通機関の車内において不審者が出現する危険度を判別する(以下、不審者出現の危険度という。)。この不審者出現の危険度とは、実際に車内に不審者らしき行動をとっている者について、その危険度を示す場合もあれば、実際に車内にそのような行動をとっている者がいない場合であってもその後そのような行動をとる者が現れる蓋然性を示すものであってもよい。また実際に撮影した範囲において乗客がいない場合であっても、その後乗客がが撮影範囲に入り、その乗客の中に不審者が現れる可能性を示すものであってもよい。
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。
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、参照用音声情報とを有する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、建築構造物の門、玄関、庭、外構、塀、柵、駐車スペース、通用口等に設置されたカメラで、その建築構造物の外部を撮影した画像であり、例えば、建築構造物の外部の道を通行人が通行している画像、建築構造物の居住者が門から建築構造物内に入っていく画像、更には、不審者が建築構造物の柵をよじ登って侵入しようとする画像等、様々である。この画像は、静止画、動画何れでもよい。
また、参照用画像情報は、公共路における不審者出現の危険度を判別する際において、公共路に設置された街頭カメラ、車両に設置され、公共路を撮像可能なカメラ等により撮像された画像で構成される。また駅の構内において設置されたカメラにより撮像された画像もこれに含めてもよい。
また、参照用画像情報は、公共交通機関の車内における不審者出現の危険度を判別する際には、車内において設置されたカメラにより撮像された画像で構成される。
参照用音声情報とは、参照用画像情報の撮影時(又は撮影時の前後に亘る所定時間)に実際にその撮影箇所において、マイクロフォン等を通じて録音した音声である。音声情報の解析は周知の手段により、或いはNNを用いて細かく分析されるものであってもよい。また音声情報を周波数軸で解析した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、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、参照用音声情報として、参照用音声情報F〜参照用音声情報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、建築構造物への不審者侵入への危険度が、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音声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音声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音声情報に対して、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音声情報が、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音声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が建築構造物の居住者が門から建築構造物内に入っていく画像であるものとする。また、画像撮像時点における音声が参照用音声情報Fであるものとしたときに、以前のデータにおいて建築構造物の居住者に被害が及ぶような事件が起きたか否か、また事件に至らなくても事件が起きてもおかしくない程度の危険度であったか否か、或いは特に安全だったか否か等を抽出する。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、参照用音声情報は、その時点において録音した音声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、かつ参照用音声情報Fである場合に、実際に事件が起きたか否か、或いは事件には至らなかったものの危険性が高かったか否か等を過去のデータから分析する。事件が起きた事例や、事件につながる危険性が高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、事件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。参照用画像情報P11で、かつ参照用音声情報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、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、参照用音声情報F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、参照用音声情報Gと、更に参照用音声情報I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、音声情報を取得する。画像情報は参照用画像情報に対応し、音声情報は、参照用音声情報に対応する。
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。
音声情報の取得は、録音機能を有する情報取得部9を介して取得する。
このようにして新たに取得した画像情報と、音声情報に基づいて、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。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、取得した音声情報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、「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、連関度の最も高い「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。
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、音声情報)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危険度との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。
危険度判別システム1では、例えば図4に示す形態を具現化するものであってもよい。
危険度判別システム1では、例えば図4に示す形態を具現化するものであってもよい。
参照用住宅構造情報は、当該住宅の構造を示すデータであり、例えば空中から撮影した住宅全体の写真、道路側から撮影した住宅の写真、住宅の竣工図の電子データ、地図上において示される住宅全体の構造図等の電子データである。
図4の例では、例えば参照用画像情報が、住宅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、参照用住宅構造情報として、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、参照用住宅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、参照用住宅構造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。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、住宅への不審者侵入への危険度が、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住宅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住宅構造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住宅構造情報に対して、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住宅構造情報が、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住宅構造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4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、参照用接近情報、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。
例えば、参照用画像情報P11が住宅の居住者が門から住宅内に入っていく画像であるものとする。また、この判別対象の住宅の構造Fであるものとしたときに、以前のデータにおいて住宅の居住者に被害が及ぶような事件が起きたか否か、また事件に至らなくても事件が起きてもおかしくない程度の危険度であったか否か、或いは特に安全だったか否か等を抽出する。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住宅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、実際に事件が起きたか否か、或いは事件には至らなかったものの危険性が高かったか否か等を過去のデータから分析する。事件が起きた事例や、事件につながる危険性が高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、事件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。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、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4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、参照用住宅構造情報の構造F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、参照用住宅構造情報の構造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、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、住宅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、住宅構造情報は、参照用住宅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住宅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。
住宅構造情報の取得は、危険度を判別しようとする住宅の住宅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、住宅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住宅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、電車の接近情報に基づいて、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。かかる場合には、予め取得した図4(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、取得した住宅構造情報が構造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、「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、連関度の最も高い「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。
このようにしてこれらの最適解の選択は、図4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、住宅構造情報)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、参照用住宅構造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。
なお、公共路における不審者出現の危険度を判別する際には、参照用住宅構造情報の代替として、その撮影した公共路における地図や路の構造に関する参照用地図構造情報と参照用画像情報との間で連関度を形成するようにしてもよい。ここでいう参照用地図構造情報とは、実際に参照用画像情報を撮影する範囲を少なくとも含む地図に関する情報である。地図で見たとき路地があるところで犯罪の死角になる領域や、繁華街等の場合は犯罪が起きる可能性が高いことから、これらの情報が含められた地図を含めることで危険度の判別精度を高める趣旨である。路の構造に関する情報とは、例えば立体交差や歩道橋等で構成されていたり、駅の構内においては階段やエスカレータ、動く歩道等、分岐、十字路等、さまざまな構造が採用されている。この構造に関する情報に更に地図の情報を合わせることで駅構内の地図情報として具体化されるものであってもよい。これにより駅の構内における商店の位置関係も含めてこれを参照用地図構造情報として得ることが可能となる。
かかる場合には、画像情報に加え、その画像情報を撮影する範囲を少なくとも含む地図や路の構造に関する地図構造情報を取得する。地図構造情報の詳細は、参照用地図構造情報と同様である。そして地図構造情報に対応する参照用地図構造情報に基づき解探索する。
図5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を有する組み合わせと、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。
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5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。なお、公共路における不審者出現の危険度を判別する際には、その公共路におけるロケーションを特定するための情報で構成され、公共路における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かについての情報も含まれる。
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、参照用ロケーション情報、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、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、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、危険度を判別しようとする建築構造物の音声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。公共路の危険度探索も同様であり、当該公共路が接する各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。
危険度を求める上では、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、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、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。
図6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を有する組み合わせと、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。
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6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、参照用在宅パターン、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、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、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。
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、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、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。
図7は、上述した参照用画像情報と、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とを有する組み合わせと、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。
入力データとしては、このような参照用画像情報と、参照用時間帯情報が並んでいる。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、参照用時間帯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。
参照用時間帯情報とは、その参照用画像情報の撮影時点の時間帯を意味するものであり、一時点の時刻のみならず、例えば10時10分〜10時20分等のように時間の幅を持たせたものであってもよい。
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、参照用在宅パターン、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、参照用時間帯情報が時間帯S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。つまり犯罪が不審者の侵入が少ない時間帯と、多い時間帯がある。特に昼間は不審者の侵入が少なく、夜は逆に多い場合には、各時間帯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、在宅時間帯情報を取得する。画像情報は参照用画像情報に対応し、時間帯情報は、参照用在宅時間帯情報に対応する。
時間帯情報の取得は、危険度を判別しようとする建築構造物における画像情報の撮影時点の時間帯を抽出する。そして抽出した時間帯情報を参照用時間帯情報と照らし合わせて判別を行う。かかる場合には、参照用時間帯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、時間帯情報が9時20分〜9時30分(時間帯V)である場合、同じ参照用時間帯情報の時間帯V(9時20分〜9時30分)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、時間帯情報が時間帯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、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。
公共路の不審者出現の危険度判別、公共交通機関の車内における不審者出現の危険度判別も同様の方法で参照用時間帯情報を学習させておき、新たに取得した時間帯情報を介して解探索することが可能となる。
図8は、上述した参照用画像情報と、参照用音声情報に加えて、更に参照用人物情報とを有する組み合わせと、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。
参照用人物情報とは、参照用画像情報に写し出されている人物を抽出した情報である。人物情報は、顔の特徴(顔の輪郭、目鼻立ち、髪型、眼鏡の有無、皺、傷等)や、顔の特徴から推定した年齢や性別等である。顔の特徴の抽出方法は、ニューラルネットワークを用いるようにしてもよく、かかる場合には、(1)顔部分の画像データからエッジ抽出、
(2)顔部分の画像データから肌色の領域を抽出、(3)(1)で生成したエッジ画像から(2)で抽出した肌色領域に対応する領域を抽出、(4)肌色領域に対応するエッジ画像から垂直方向及び水平方向の各々の累積ヒストグラムを算出、(5)輝度が所定の閾値以上になる累積ヒストグラムの画素数をNN(neural network)の入力データとする等、周知の方法を活用するようにしてもよい。また(6)NNにより、入力データと教師データとに基づき、来訪者の年齢及び性別を推定するようにしてもよい。
(2)顔部分の画像データから肌色の領域を抽出、(3)(1)で生成したエッジ画像から(2)で抽出した肌色領域に対応する領域を抽出、(4)肌色領域に対応するエッジ画像から垂直方向及び水平方向の各々の累積ヒストグラムを算出、(5)輝度が所定の閾値以上になる累積ヒストグラムの画素数をNN(neural network)の入力データとする等、周知の方法を活用するようにしてもよい。また(6)NNにより、入力データと教師データとに基づき、来訪者の年齢及び性別を推定す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、参照用音声情報と、参照用人物情報とを有する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、参照用音声情報「構造G」が連関度w7で、参照用人物情報としての「人物β(例えば、人物情報が良く来訪する隣に住んでいる奥様の場合)」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、参照用音声情報Gが連関度w8で、参照用人物情報としての「人物α(例えば、今まであったことが無い40代男性)」が連関度w10で連関している。参照用人物情報において登録されていない場合も、その登録されていないことを一つの参照用人物情報として取り扱うようにしてもよい。
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、音声情報と、人物情報に基づいて、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。ここでいう人物情報は、実際に新たに取得した画像情報から参照用人物情報の抽出と同様の手法により画像解析を行い、人物情報を抽出する。
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、参照用音声情報Gで、抽出した人物情報が人物β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。
参照用人物情報において登録されていない場合を仮に人物βとし、抽出した人物情報が参照用人物情報において登録されていない者である場合も人物βが入力されたものとみなして解探索を行うこととなる。
なお、参照用画像情報と参照用ロケーション情報とを有する組み合わせ、参照用画像情報と参照用在宅パターン情報とを有する組み合わせ、参照用画像情報と参照用時間情報とを有する組み合わせに対しても、この参照用人物情報とを有する組み合わせを更に含めて連関度を定義するようにしてもよい。また、参照用画像情報と参照用人物情報とを有する組み合わせで連関度を定義するようにしてもよい。
図9は、上述した参照用画像情報と、参照用音声情報に加えて、更に参照用警備サービス情報とを有する組み合わせと、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。
参照用警備サービス情報とは、その建築構造物が警備会社の警備サービスを契約しているか否か、或いは具体的な契約内容に関する契約状況に関するものである。この契約とは、例えば、ドアが破られたり窓ガラスが破られた場合に、警備会社から警備員が建築構造物までパトロールに来る等である。
かかる場合において、連関度は、図9に示すように、参照用画像情報と、参照用音声情報と、参照用警備サービス情報とを有する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9において、ノード61cは、参照用画像情報P12が連関度w3で、参照用音声情報Gが連関度w7で、参照用警備サービス情報としての「未契約」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、音声情報と、警備サービス情報に基づいて、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。ここでいう警備サービス情報は、その判別対象の建築構造物が実際に警備会社の警備サービスを契約しているか否か、或いは具体的な契約内容に関する契約状況に関するものである。
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P12に同一又は類似で、参照用音声情報Gで、抽出した警備サービス情報が「未契約」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。
図10は、上述した参照用画像情報と、参照用画像情報の撮影時点における天候を示す参照用天候情報とを有する組み合わせと、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。
参照用天候情報は、その撮影時における天気(晴、曇り、雨)、災害(台風、大雨等)、気温、湿度等の情報を示す。雨の日等は、外出数が少なく、物音が察知されにくくて侵入者が侵入しやすくなる可能性もあるため、これも説明変数に加えたものである。
入力データとしては、このような参照用画像情報と、参照用天候情報が並んでいる。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、参照用時間帯情報が組み合わさったものが、図10に示す中間ノードである。
判別装置2は、このような図10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、参照用天候情報、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10に示す連関度を作り上げておく。
図10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、参照用天候情報S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。つまり犯罪が不審者の侵入が少ない天候と、多い天候がある。特に晴れの日は不審者の侵入が少なく、雨は逆に多い場合には、各参照用天候情報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、天候情報を取得する。画像情報は参照用画像情報に対応し、天候情報情報は、参照用天候情報に対応する。
天候情報の取得は、その時点における天候を、気象庁のデータから取り込むようにしてもよいし、又は自ら把握した天候を入力するようにしてもよい。そして抽出した天候情報を参照用天候情報と照らし合わせて判別を行う。かかる場合には、参照用天候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、天候情報が大雨である場合、同じ参照用時間帯情報の天候情報(大雨)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10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、天候情報が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、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天候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11は、上述した参照用天候情報の代替として、参照用通行量情報を利用する場合の例である。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する。公共路の危険度探索も同様であり、当該公共路における歩行者や車両の通行量の多さに応じて不審者の出現可能性が変わることが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する。
例えば、参照用通行量情報Sが通行量が単位時間あたり100人であり、参照用通行量情報Tが、単位時間あたり1人であるものとする。このとき、参照用通行量情報Sのように危険度が低い場合、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、参照用通行量情報Tのように危険度の高い場合、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。
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11に示す中間ノードである。
判別装置2は、このような図11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11に示す連関度を作り上げておく。
図11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、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。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危険度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11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、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天候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。
なお、公共交通機関の車内の危険度探索を行う場合には、参照用通行量情報の代替として、車内における乗車人数を示す参照用乗車人数情報と、参照用画像情報とを有する組み合わせに対する危険度との連関度から、解探索を行うようにしてもよい。車内における乗車人数が多いほど盗難や性犯罪の発生率が変わることから、これを説明変数として導入するものである。かかる場合も同様に、新たに判別したい車内の乗車人数に関する乗車人数情報を取得する。参照用乗車人数情報、乗車人数情報の取得方法は、カメラにより車内を撮像し、そこから人の数を推定するようにしてもよいし、センサ等を介しておこなうようにしてもよいし、或いは実際に人手によるカウントをするようにしてもよい。
新たに乗車人数情報を取得した場合、これに対応する参照用乗車人数情報を介して危険度を探索する。
図12は、上述した参照用天候情報の代替として、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。公共路の危険度探索も同様であり、当該公共路が敷設されている地域における過去の犯罪履歴を説明変数に含めるようにしてもよい。公共交通機関の車内の危険度探索も同様であり、当該公共交通機関が敷設されている地域における過去の犯罪履歴を説明変数に含めるようにしてもよい。
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12に示す中間ノードである。
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、参照用犯罪履歴情報、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、参照用犯罪履歴情報S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。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、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。
なお、参照用画像情報と参照用ロケーション情報とを有する組み合わせ、参照用画像情報と参照用在宅パターン情報とを有する組み合わせ、参照用画像情報と参照用時間情報とを有する組み合わせに対しても、この参照用警備サービス情報とを有する組み合わせを更に含めて連関度を定義するようにしてもよい。また、参照用画像情報と参照用警備サービス情報とを有する組み合わせで連関度を定義するようにしてもよい。
図13の例では、参照用画像情報と危険度との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、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、各危険度が連関度を介して右側に配列している。
判別装置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。つまり判別装置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13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、その建築構造物に関する住宅構造情報を含む参照用住宅構造情報も取得しておく。この参照用住宅構造情報は、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、撮像した画像情報を取得すると共に、住宅構造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、住宅構造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、参照用住宅構造情報の構造Fが一軒家でオープン外構で周囲に塀が構築されていない構造であり、参照用住宅構造情報の構造Gが、高さ2mの塀が周囲に張り巡らされている構造であるものとする。このとき、参照用住宅構造情報の構造Gのように危険度が低い構造の場合、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、参照用住宅構造情報の構造Fのように危険度の高い構造の場合、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。
このように参照用住宅構造情報との間での設定の後、実際に取得した住宅構造情報が参照用住宅構造情報の構造G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、実際に取得した住宅構造情報が参照用住宅構造情報の構造F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住宅構造情報を取得した結果、実際に取得した住宅構造情報が構造Gと同一又は類似する場合のように、安全性が高い場合には、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。公共路における不審者出現の危険度を判別する際には、参照用住宅構造情報の代替として、その撮影した公共路における地図や路の構造に関する参照用地図構造情報を利用し、その画像情報を撮影する範囲を少なくとも含む地図や路の構造に関する地図構造情報を取得する。地図構造情報の詳細は、参照用地図構造情報と同様である。そして地図構造情報に対応する参照用地図構造情報に基づき解探索する。
なお、本発明においては、上述した住宅構造情報を含めて解探索を行う場合に限定されるものでは無く、連関度のみで危険度を求め、住宅構造情報に基づいて修正され、或いは重み付けを変化させることは必須とならない。
つまり参照用画像情報に対する危険度との3段階以上の連関度を予め取得しておき、新たに危険度を判別する際に、対象を撮影することにより画像情報を取得し、予め取得した連関度を参照し、新たに画像情報に基づき、不審者侵入の危険度、或いは車内や公共路における不審者出現の危険度を判別するようにしてもよい。
この参照用住宅構造情報の代替として、参照用ロケーション情報を利用する場合も同様である。
また、図14は、参照用住宅構造情報の代替として、参照用ロケーション情報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。参照用ロケーション情報により、その建築構造物の立地箇所に応じて、安全性が高いか否かで、危険度の重み付けを変更することになる。
また、図13に示すケースについて、参照用住宅構造情報の代替として、参照用在宅パターン情報や、参照用時間帯情報、参照用警備サービス情報、参照用天候情報を適用してもよいことは勿論である。
また、図15は、参照用住宅構造情報の代替として、参照用通行量情報を利用する場合の例である。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する。
例えば、参照用通行量情報Fが通行量が単位時間あたり100人であり、参照用通行量情報Gが、単位時間あたり1人であるものとする。このとき、参照用通行量情報Fのように危険度が低い場合、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、参照用通行量情報Gのように危険度の高い場合、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。
このように参照用通行量情報との間での設定の後、実際に取得した通行量情報が参照用通行量情報G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。これに対して、実際に取得した通行量情報が参照用通行量情報F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。
かかる場合において通行量情報を取得した結果、実際に取得した通行量情報が参照用通行量情報Fと同一又は類似する場合のように、安全性が高い場合には、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。
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。
また図16は、参照用住宅構造情報の代替として、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。
例えば、参照用犯罪履歴情報Fがその地域において過去10年で空き巣が1件のみ入ったものであるとする。このとき、参照用犯罪履歴情報Fのように危険度が低い場合、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、参照用犯罪履歴情報Gが過去10年で空き巣が10件入った場合のような、危険度の高い場合、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。
このように参照用犯罪履歴情報との間での設定の後、実際に取得した犯罪履歴情報が参照用犯罪履歴情報G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。これに対して、実際に取得した犯罪履歴情報が参照用犯罪履歴情報F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。
かかる場合において犯罪履歴情報を取得した結果、実際に取得した犯罪履歴情報が参照用犯罪履歴情報Fと同一又は類似する場合のように、安全性が高い場合には、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。
また、図13に示す参照用住宅構造情報の代替として、参照用時間帯情報を利用ようにしてもよい。そして、新たに取得した時間帯情報に対応する参照用時間帯情報に基づき上述と同様に解探索する。また、公共交通機関における車内の不審者出現の危険度を探索する際には、図13に示す参照用住宅構造情報の代替として、参照用乗車人数情報を利用ようにしてもよい。そして、新たに取得した乗車人数情報に対応する参照用乗車人数情報に基づき上述と同様に解探索する。
また、図13〜16に示すように、連関度は、参照用画像情報と危険度との関係において形成される場合に限定されるものではなく、図17に示すように、参照用画像情報と、参照用画像情報の撮影時に録音した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危険度との3段階以上の連関度を予め取得しておくようにしてもよい。これらに対して、参照用音声情報、参照用ロケーション情報、参照用在宅パターン情報や、参照用時間帯情報、参照用警備サービス情報、参照用天候情報、参照用通行量情報、参照用犯罪履歴情報の何れかにリンクする参照用情報を参照し、不審者侵入の危険度を判別するようにしてもよい。
図18の例では、参照用画像情報に映し出された人物の一連の動きやポーズを類型化した行動情報と危険度との関係において連関度を形成する場合も同様の処理動作を実行する。つまり、参照用画像情報を解析することにより人物の行動を抽出した参照用行動情報を含む上述した各組み合わせに対する危険度の3段階以上の連関度を予め取得する。次に、新たに危険度を判別する際に、建築構造物の外部を撮影することにより取得した画像情報を解析することにより人物の行動を抽出した行動情報を更に取得する。この取得した行動情報に対応する参照用行動情報を介して、危険度を判別する。
参照用行動情報や行動情報は、いわゆる姿勢推定技術を利用するようにしてもよい。姿勢推定技術では、ディープラーニングを用いるものであってもよく、例えば、鼻・眼・耳・首・肩・肘・手首・腰・膝・足首の特徴点をディープラーニングにより検出する。そして、これらの特徴点の動的変化に基づいて姿勢推定をする。姿勢推定のフリーソフトとしては、たとえばカーネギーメロン大学により開発されたOpenPose(登録商標)等を利用してもよい。
参照用画像情報、画像情報をこのような参照用行動情報、行動情報に置換した連関度は、図18に示す参照用連関度に限定されるものではなく、他の参照用住宅構造情報、参照用ロケーション情報、参照用在宅パターン情報や、参照用時間帯情報、参照用警備サービス情報、参照用天候情報、参照用通行量情報、参照用犯罪履歴情報との組み合わせを構成する場合においても適用可能である。
また、参照用行動情報、行動情報に置換した連関度のみにより、解探索を行うようにしてもよい。また本発明は、参照用画像情報、画像情報をこのような参照用行動情報、行動情報に読み替えることにより具体化される全ての実施例が含まれるものである。
また、参照用行動情報、行動情報に置換した連関度のみにより、解探索を行うようにしてもよい。また本発明は、参照用画像情報、画像情報をこのような参照用行動情報、行動情報に読み替えることにより具体化される全ての実施例が含まれるものである。
参照用画像情報の代替として、図19に示すように、建築構造物の外部からの侵入者をセンサによりセンシングした参照用センシング情報を利用するようにしてもよい。この参照用センシング情報とは、建築構造物への敷地内への侵入者を検知することが可能な赤外線センサ、レーザセンサや、人の体温と周囲の温度の差を検知して侵入を検出するパッシブセンサ等であり、また建築構造物の窓の開閉や窓の破壊、振動を検知するマグネットスイッチ、ガラス破壊センサ等により取得したあらゆる情報を含む。
このような参照用センシング情報を含む上述した各組み合わせに対する危険度の3段階以上の連関度を予め取得する。次に、新たに危険度を判別する際に、建築構造物の外部からの侵入者をセンサによりセンシングすることでセンシング情報を取得する。このようなセンシング情報に対応する参照用センシング情報を介して、危険度を判別する。
参照用画像情報、画像情報をこのような参照用センシング情報、センシング情報に置換した連関度は、図19に示す参照用連関度に限定されるものではなく、他の参照用住宅構造情報、参照用ロケーション情報、参照用在宅パターン情報や、参照用時間帯情報、参照用警備サービス情報、参照用天候情報、参照用通行量情報、参照用犯罪履歴情報との組み合わせを構成する場合においても適用可能である。
なお、本発明では、図20に示すように、入力データとして参照用画像情報が入力され、出力データとして危険度が出力され、入力ノードと出力ノードの間に少なくとも1以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。
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。
そして、この危険度が高い場合には、警備サービス会社や警察に連絡をしたり、その建築構造物の居住者に注意喚起を即座に促すことで、危険を免れることができる。特により危険度が高い場合には、音声等を通じて住民に注意を喚起したり、外部に音声を発生させて、不審者の侵入意欲をくじくことで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、むやみに警察を呼ぶことなく、本当に必要なケースのみに絞り警察を呼ぶ動作を行えばよい。
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21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21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。
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。
また、本発明を適用した危険度判別システム1においては危険度が高い場合には、建築構造物の住人や管理会社、更には警備会社に通報する以外に、アラームを発生したり、「勝手に入らないでください」等の音声を発生させるようにしてもよいことは勿論である。
上述した実施の形態においては、不審者の侵入の危険度を検出する場合を例にとり説明をしたが、これ限定されるものではない。本発明は、人間以外の動物、即ち獣の侵入の危険度を同様に検出することもできる。
ここでいう獣とは、人間に対して害をもたらすあらゆる動物が含まれ、例えば熊、ヒグマ、イノシシ、ハクビシン、タヌキ、野犬、猫、ピョン等である。また動物は、ほ乳類に限らず、カラス等の鳥類も含まれる。
このような獣の侵入の危険度を検出する場合も同様に、参照用情報と危険度の連関度を予め形成しておき、実際の侵入検出時には、同様にカメラにより画像情報等の各種情報を取得し、連関度を参照した上で危険度を判定する。
上述した各参照用情報を参照する上で、参照用犯罪履歴情報の代替として、以前において各地域において、獣が出没した履歴を示す参照用出没履歴情報と、危険度との間で連関度を形成する。そして実際の判別時には、その地域における獣の出没した履歴を示す出没履歴情報を取得し、この出没履歴情報に応じた参照用出没履歴情報に基づき、上記連関度を参照して解探索を行う。
この獣の侵入度検知においては、建築構造物内のみならず、田んぼや畑等の耕作地に関しても同様に適用することができる。
また、本発明を適用した危険度判別システム1においては危険度が高い建築構造物、公共路、公共交通機関やその地域を判別することができる。危険度が例えばある閾値を超える建築構造物、公共路、公共交通機関やその地域については、計便をより多く配置すべきである旨の表示をする等の配置計画を提案するようにしてもよい。
以降、公共路における不審者出現の危険度を判別する際、並びに公共交通機関の車内における不審者出現の危険度を判別する際に適用可能な実施形態について更に説明をする。
図22は、上述した参照用天候情報の代替として、参照用環境情報を利用する場合の例である。参照用環境情報は、例えば臭気やゴミの堆積量等、実際にその公共路や車内、駅の環境の良し悪しを決める上で必要なパラメータである。臭気は臭気センサを通じて測定し、ゴミの堆積量がカメラによる画像解析や、路上、車内、ゴミ箱に設置されたセンサにより解析するようにしてもよい。
図22は、上述した参照用天候情報の代替として、参照用環境情報を利用する場合の例である。参照用環境情報は、例えば臭気やゴミの堆積量等、実際にその公共路や車内、駅の環境の良し悪しを決める上で必要なパラメータである。臭気は臭気センサを通じて測定し、ゴミの堆積量がカメラによる画像解析や、路上、車内、ゴミ箱に設置されたセンサにより解析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、参照用環境情報が並んでいる。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、参照用環境情報が組み合わさったものが、図22に示す中間ノードである。
判別装置2は、このような図22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、参照用環境情報、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22に示す連関度を作り上げておく。
図22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、参照用環境情報S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。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、各参照用環境情報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、環境情報を取得する。画像情報は参照用画像情報に対応し、環境情報は、参照用環境情報に対応する。
そして抽出した環境情報を参照用環境情報と照らし合わせて判別を行う。かかる場合には、参照用環境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、環境情報が参照用環境情報と同一又は類似する場合、当該参照用環境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22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、環境情報が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、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環境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。
また、公共路において不審者の判別する代わりに、獣の危険度の判別を行うようにしてもよいことは勿論である。
1 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
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 (12)
- 道路又は駅の構内からなる公共路における不審者出現の危険度を判別するための危険度判別プログラムにおいて、
危険度を判別する際に、新たに公共路を撮影した画像情報と、上記画像情報の撮影時点における天候を示す天候情報とを取得する情報取得ステップと、
公共路を撮影した参照用画像情報と、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に応じた参照用画像情報に基づき、上記連関度のより高いものを優先させるとともに、取得した天候情報に基づき、上記公共路における不審者出現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
を特徴とする危険度判別プログラム。 - 道路又は駅の構内からなる公共路における不審者出現の危険度を判別するための危険度判別プログラムにおいて、
危険度を判別する際に、新たに公共路を撮影した画像情報と、その公共路における警備会社の警備サービスに関する警備サービス情報とを取得する情報取得ステップと、
公共路を撮影した参照用画像情報と、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に応じた参照用画像情報に基づき、上記連関度のより高いものを優先させるとともに、取得した警備サービス情報に基づき、上記公共路における不審者出現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
を特徴とする危険度判別プログラム。 - 道路又は駅の構内からなる公共路における不審者出現の危険度を判別するための危険度判別プログラムにおいて、
危険度を判別する際に、新たに公共路を撮影した画像情報と、その公共路における犯罪の死角になりえる領域に関する領域情報とを取得する情報取得ステップと、
公共路を撮影した参照用画像情報と、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に応じた参照用画像情報に基づき、上記連関度のより高いものを優先させるとともに、取得した領域情報に基づき、上記公共路における不審者出現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
を特徴とする危険度判別プログラム。 - 道路又は駅の構内からなる公共路における不審者出現の危険度を判別するための危険度判別プログラムにおいて、
危険度を判別する際に、新たに公共路を撮影した画像情報と、その撮影時に録音した音声情報とを取得する情報取得ステップと、
公共路を撮影した参照用画像情報と、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に応じた参照用画像情報に基づき、上記連関度のより高いものを優先させるとともに、取得した音声情報に基づき、上記公共路における不審者出現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
を特徴とする危険度判別プログラム。 - 道路又は駅の構内からなる公共路における不審者出現の危険度を判別するための危険度判別プログラムにおいて、
危険度を判別する際に、新たに公共路を撮影した画像情報と、上記公共路の人をセンサによりセンシングしたセンシング情報とを取得する情報取得ステップと、
公共路を撮影した参照用画像情報と、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に応じた参照用画像情報に基づき、上記連関度のより高いものを優先させるとともに、取得したセンシング情報に基づき、上記公共路における不審者出現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
を特徴とする危険度判別プログラム。 - 上記情報取得ステップでは、上記人物の体温の情報を含む上記センシング情報を取得すること
を特徴とする請求項5記載の危険度判別プログラム。 - 道路又は駅の構内からなる公共路における不審者出現の危険度を判別するための危険度判別プログラムにおいて、
危険度を判別する際に、新たに公共路を撮影した画像情報と、上記画像情報の撮影時点における天候を示す天候情報とを取得する情報取得ステップと、
公共路を撮影した参照用画像情報と、上記参照用画像情報の撮影時点における天候を示す参照用天候情報とを有する組み合わせに対する危険度との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に応じた参照用画像情報と、天候情報に応じた参照用天候情報とに基づき、上記公共路における不審者出現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
を特徴とする危険度判別プログラム。 - 道路又は駅の構内からなる公共路における不審者出現の危険度を判別するための危険度判別プログラムにおいて、
危険度を判別する際に、新たに公共路を撮影した画像情報と、その公共路における警備会社の警備サービスに関する警備サービス情報とを取得する情報取得ステップと、
公共路を撮影した参照用画像情報と、その公共路における警備会社の警備サービスに関する参照用警備サービス情報とを有する組み合わせに対する危険度との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に応じた参照用画像情報と、警備サービス情報に応じた参照用警備サービス情報とに基づき、上記公共路における不審者出現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
を特徴とする危険度判別プログラム。 - 道路又は駅の構内からなる公共路における不審者出現の危険度を判別するための危険度判別プログラムにおいて、
危険度を判別する際に、新たに公共路を撮影した画像情報と、その公共路における犯罪の死角になりえる領域に関する領域情報とを取得する情報取得ステップと、
公共路を撮影した参照用画像情報と、その公共路における犯罪の死角になりえる領域に関する参照用領域情報とを有する組み合わせに対する危険度との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に応じた参照用画像情報と、領域情報に応じた参照用領域情報とに基づき、上記公共路における不審者出現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
を特徴とする危険度判別プログラム。 - 道路又は駅の構内からなる公共路における不審者出現の危険度を判別するための危険度判別プログラムにおいて、
危険度を判別する際に、新たに公共路を撮影した画像情報と、上記公共路の人をセンサによりセンシングしたセンシング情報とを取得する情報取得ステップと、
公共路を撮影した参照用画像情報と、上記公共路の人をセンサによりセンシングした参照用センシング情報とを有する組み合わせに対する危険度との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に応じた参照用画像情報と、センシング情報に応じた参照用センシング情報とに基づき、上記公共路における不審者出現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
を特徴とする危険度判別プログラム。 - 上記情報取得ステップでは、上記人物の体温の情報を含む上記センシング情報を取得し、
上記判別ステップでは、当該人物の体温の情報を含む上記参照用センシング情報を有する組み合わせに対する危険度との3段階以上の連関度を参照すること
を特徴とする請求項10記載の危険度判別プログラム。 - 上記連関度は、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こと
を特徴とする請求項1〜11のうち何れか1項記載の危険度判別プログラム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019226894 | 2019-12-16 | ||
JP2019226894 | 2019-12-16 | ||
JP2020117145 | 2020-07-07 | ||
JP2020117145 | 2020-07-07 | ||
JP2020191786A JP2022003499A (ja) | 2019-12-16 | 2020-11-18 | 危険度判別プログラム及びシステム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020191786A Division JP2022003499A (ja) | 2019-12-16 | 2020-11-18 | 危険度判別プログラム及びシステム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022003761A true JP2022003761A (ja) | 2022-01-11 |
Family
ID=76431711
Family Applications (15)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020118273A Pending JP2021097397A (ja) | 2019-12-16 | 2020-07-09 | 危険度判別プログラム及びシステム |
JP2020118272A Active JP6837650B1 (ja) | 2019-12-16 | 2020-07-09 | 危険度判別プログラム及びシステム |
JP2020191786A Pending JP2022003499A (ja) | 2019-12-16 | 2020-11-18 | 危険度判別プログラム及びシステム |
JP2020193853A Pending JP2022003500A (ja) | 2019-12-16 | 2020-11-20 | 危険度判別プログラム及びシステム |
JP2021008517A Pending JP2022003503A (ja) | 2019-12-16 | 2021-01-22 | 危険度判別プログラム及びシステム |
JP2021015409A Pending JP2022003762A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015411A Pending JP2022003764A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015407A Pending JP2022003760A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015412A Pending JP2022003765A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015410A Pending JP2022003763A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015413A Pending JP2022003766A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015405A Pending JP2022003758A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015414A Pending JP2022003767A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015406A Pending JP2022003759A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015408A Pending JP2022003761A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
Family Applications Before (14)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020118273A Pending JP2021097397A (ja) | 2019-12-16 | 2020-07-09 | 危険度判別プログラム及びシステム |
JP2020118272A Active JP6837650B1 (ja) | 2019-12-16 | 2020-07-09 | 危険度判別プログラム及びシステム |
JP2020191786A Pending JP2022003499A (ja) | 2019-12-16 | 2020-11-18 | 危険度判別プログラム及びシステム |
JP2020193853A Pending JP2022003500A (ja) | 2019-12-16 | 2020-11-20 | 危険度判別プログラム及びシステム |
JP2021008517A Pending JP2022003503A (ja) | 2019-12-16 | 2021-01-22 | 危険度判別プログラム及びシステム |
JP2021015409A Pending JP2022003762A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015411A Pending JP2022003764A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015407A Pending JP2022003760A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015412A Pending JP2022003765A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015410A Pending JP2022003763A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015413A Pending JP2022003766A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015405A Pending JP2022003758A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015414A Pending JP2022003767A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
JP2021015406A Pending JP2022003759A (ja) | 2019-12-16 | 2021-02-03 | 危険度判別プログラム |
Country Status (1)
Country | Link |
---|---|
JP (15) | JP2021097397A (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022148115A (ja) * | 2021-03-24 | 2022-10-06 | 株式会社Jvcケンウッド | 犯罪防止装置及び犯罪防止方法 |
JP2022189051A (ja) | 2021-06-10 | 2022-12-22 | 株式会社小松製作所 | 接合方法及び蓄電デバイス |
WO2023166646A1 (ja) * | 2022-03-03 | 2023-09-07 | 日本電気株式会社 | 画像処理システム、画像処理方法及び非一時的な記録媒体 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3887597B2 (ja) * | 2002-11-08 | 2007-02-28 | 株式会社東芝 | セキュリティシステムおよびセキュリティ方法 |
JP5430999B2 (ja) * | 2008-03-31 | 2014-03-05 | 旭化成ホームズ株式会社 | 防犯性能評価方法、防犯性能評価システム、および防犯性能評価プログラム |
JP2012008902A (ja) * | 2010-06-28 | 2012-01-12 | Lixil Corp | 防犯診断提案方法 |
JP5560397B2 (ja) * | 2011-12-22 | 2014-07-23 | 株式会社ウェルソック | 自律型防犯警戒システム及び自律型防犯警戒方法 |
JP6182170B2 (ja) * | 2015-03-19 | 2017-08-16 | ソフトバンク株式会社 | セキュリティシステム |
JP6587268B1 (ja) * | 2019-02-07 | 2019-10-09 | Assest株式会社 | プラットホーム危険度判別プログラム及びシステム |
JP6583947B1 (ja) * | 2019-02-07 | 2019-10-02 | Assest株式会社 | 踏切危険度判別プログラム及びシステム |
-
2020
- 2020-07-09 JP JP2020118273A patent/JP2021097397A/ja active Pending
- 2020-07-09 JP JP2020118272A patent/JP6837650B1/ja active Active
- 2020-11-18 JP JP2020191786A patent/JP2022003499A/ja active Pending
- 2020-11-20 JP JP2020193853A patent/JP2022003500A/ja active Pending
-
2021
- 2021-01-22 JP JP2021008517A patent/JP2022003503A/ja active Pending
- 2021-02-03 JP JP2021015409A patent/JP2022003762A/ja active Pending
- 2021-02-03 JP JP2021015411A patent/JP2022003764A/ja active Pending
- 2021-02-03 JP JP2021015407A patent/JP2022003760A/ja active Pending
- 2021-02-03 JP JP2021015412A patent/JP2022003765A/ja active Pending
- 2021-02-03 JP JP2021015410A patent/JP2022003763A/ja active Pending
- 2021-02-03 JP JP2021015413A patent/JP2022003766A/ja active Pending
- 2021-02-03 JP JP2021015405A patent/JP2022003758A/ja active Pending
- 2021-02-03 JP JP2021015414A patent/JP2022003767A/ja active Pending
- 2021-02-03 JP JP2021015406A patent/JP2022003759A/ja active Pending
- 2021-02-03 JP JP2021015408A patent/JP2022003761A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2022003765A (ja) | 2022-01-11 |
JP2022003500A (ja) | 2022-01-11 |
JP2021097397A (ja) | 2021-06-24 |
JP2022003499A (ja) | 2022-01-11 |
JP2022003763A (ja) | 2022-01-11 |
JP2022003503A (ja) | 2022-01-11 |
JP6837650B1 (ja) | 2021-03-03 |
JP2022003758A (ja) | 2022-01-11 |
JP2022003767A (ja) | 2022-01-11 |
JP2022003762A (ja) | 2022-01-11 |
JP2022003766A (ja) | 2022-01-11 |
JP2022003759A (ja) | 2022-01-11 |
JP2022003764A (ja) | 2022-01-11 |
JP2021097396A (ja) | 2021-06-24 |
JP2022003760A (ja) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11394933B2 (en) | System and method for gate monitoring during departure or arrival of an autonomous vehicle | |
JP6837650B1 (ja) | 危険度判別プログラム及びシステム | |
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 | |
US20120188370A1 (en) | Surveillance systems and methods to monitor, recognize, track objects and unusual activities in real time within user defined boundaries in an area | |
CN110298278A (zh) | 一种基于人工智能的地下停车库行人车辆监测方法 | |
US11165954B1 (en) | Scene-aware custom tuned video surveillance detection system | |
CN110349360B (zh) | 一种楼宇窗户区域布防系统及监控方法 | |
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 | |
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 | |
JP7309189B2 (ja) | 危険度判別プログラム及びシステム | |
JP2021096840A (ja) | 警備システム及びプログラム | |
JP2021096608A (ja) | 防犯対策提案プログラム及びシステム | |
KR100712959B1 (ko) | 지역방범 추적시스템 및 그 방법 | |
JP2022009839A (ja) | 線路危険度判別プログラム | |
JP2021017079A (ja) | 踏切危険度判別プログラム |