JP2023184118A - 物体検知装置および物体検知方法 - Google Patents

Abstract

【課題】検知対象物の検知精度を向上させること。【解決手段】実施形態に係る物体検知装置は、移動体に搭載される物体検知装置であって、制御部を備える。制御部は、検知対象物の特徴量を学習した学習モデルのカメラ画像に対する画像認識結果に含まれる確信度が閾値を超える場合に上記検知対象物を検知する。また、制御部は、上記カメラ画像中に同一種類が１個以上連続する連続検知物を上記検知対象物として検知する場合に、上記閾値へ予め決められた第１閾値よりも低い第２閾値を設定する。【選択図】図４

Description

開示の実施形態は、物体検知装置および物体検知方法に関する。

従来、車両の前方を車載カメラで撮影したカメラ画像から信号機を検知する技術が知られている。かかる技術には、たとえば地図情報に予め登録された信号機の設置位置を検知対象領域として設定したうえで信号機を検知するものがある（たとえば、特許文献１参照）。

また、かかる技術には、たとえばディープラーニング等の機械学習のアルゴリズムを用いてカメラ画像中の信号機と推定される領域を検知枠として抽出し、あわせて算出される検知枠の確信度に基づいて信号機を検知するものもある。

特開２０２０－０２７３２８号公報

しかしながら、上述した従来技術には、信号機の検知精度を向上させるうえで、さらなる改善の余地がある。

たとえば、上述したディープラーニングを用いた技術では、遠方の信号機の検知枠は小さく抽出されやすい。小さな検知枠は、特徴量が少なく確信度も低くなる傾向にあることから、信号機は未検知と判定されやすくなる。

なお、こうした課題は信号機に限らず、信号機のようにカメラ画像中に連続して出現する傾向にある検知対象物全般に共通する。

実施形態の一態様は、上記に鑑みてなされたものであって、検知対象物の検知精度を向上させることができる物体検知装置および物体検知方法を提供することを目的とする。

実施形態の一態様に係る物体検知装置は、移動体に搭載される物体検知装置であって、制御部を備える。前記制御部は、検知対象物の特徴量を学習した学習モデルのカメラ画像に対する画像認識結果に含まれる確信度が閾値を超える場合に前記検知対象物を検知する。また、前記制御部は、前記カメラ画像中に同一種類が１個以上連続する連続検知物を前記検知対象物として検知する場合に、前記閾値へ予め決められた第１閾値よりも低い第２閾値を設定する。

実施形態の一態様によれば、検知対象物の検知精度を向上させることができる。

図１は、実施形態に係る物体検知装置の搭載例を示す図である。 図２は、実施形態に係る物体検知方法の概要説明図（その１）である。 図３は、実施形態に係る物体検知方法の概要説明図（その２）である。 図４は、実施形態に係る物体検知装置の構成例を示すブロック図である。 図５は、第１の変形例の説明図である。 図６は、第２の変形例の説明図である。 図７は、実施形態に係る物体検知装置が実行する処理手順を示すフローチャートである。

以下、添付図面を参照して、本願の開示する物体検知装置および物体検知方法の実施形態を詳細に説明する。なお、以下に示す実施形態によりこの発明が限定されるものではない。

また、以下では特に、たとえば信号機のように、カメラ画像中に同一種類が１個以上連続する物体が検知対象物であるものとする。かかる物体を以下では適宜「連続検知物」と言う。本実施形態では、かかる連続検知物が信号機である例を挙げる。信号機は、１つの交差点に単独で存在することは少ないため、連続検知物になりうる。

まず、実施形態に係る物体検知装置および物体検知方法の概要について、図１～図３を用いて説明する。図１は、実施形態に係る物体検知装置１０の搭載例を示す図である。また、図２および図３は、実施形態に係る物体検知方法の概要説明図（その１）および（その２）である。

図１に示すように、実施形態に係る物体検知装置１０は、たとえば、車両Ｖに搭載され、物体検知装置１０が有するカメラ１１（図４参照）によって撮影されたカメラ画像に基づく画像認識処理によって検知対象物を検知する。

図１の例では、物体検知装置１０が、車両Ｖの前方を撮影可能に設けられたドライブレコーダである場合を示している。なお、物体検知装置１０は、ドライブレコーダとは別の装置であってもよく、車両Ｖの前方以外にも後方、側方等を含めた車両Ｖの周囲のカメラ画像から検知対象物を検知する構成としてもよい。

たとえば、物体検知装置１０は、ディープラーニングのアルゴリズムを用い、車両Ｖの前方が撮影されたカメラ画像から検知対象物である信号機を検知する画像認識処理を実行する。より詳しくは、物体検知装置１０は、検知対象物の特徴量をディープラーニングのアルゴリズムを用いて学習した学習モデルを用い、カメラ画像に対する学習モデルの画像認識結果に含まれる確信度が予め設定された閾値を上回る検知枠を検知対象物として検知する。

このような機械学習を用いた物体検知方法においては、カメラ画像中の検知対象物が大きいほど精度よく検知することができ、カメラ画像中の検知対象物が小さいほど検知精度が低下する傾向にある。つまり、車両Ｖから遠いほど、検知対象物はカメラ画像中では小さく写ることから検知精度が低下する傾向となる。

より具体的には、図２に示すように、たとえば信号機の検知枠ＢＢ１～ＢＢ５は、車両Ｖから近いほどサイズが大きくなり、車両Ｖから遠いほどサイズが小さくなりやすい。また、検知枠のサイズが小さければその特徴量も少なくなるため、確信度も低くなりやすくなる。

かかる場合に、確信度に対する閾値が一律の値であると、車両Ｖから近いほど信号機を検知しやすい傾向があるものの、一方では車両Ｖから遠いほど未検知となってしまうおそれがある。図２の例で、たとえば一律の確信度の閾値が「０．５」である場合、検知枠ＢＢ１，ＢＢ２は信号機として検知されるが、検知枠ＢＢ３～ＢＢ５は信号機としては未検知となってしまう。つまり、カメラ画像中に出現しているはずの信号機の検知漏れが発生してしまう。

なお、この点、たとえば検知枠ごとに検知枠のサイズに応じて閾値を可変とすることも考えられるが、検知枠ごとの三次元空間における深度等を加味した複雑な演算処理が必要となるため、一般に処理能力に限界のある車載装置においては適用することは好ましくない。

そこで、実施形態に係る物体検知方法では、物体検知装置１０が備える制御部１４（図４参照）が、カメラ画像中に同一種類が１個以上連続する連続検知物を検知対象物として検知する場合に、確信度の閾値へ予め決められた第１閾値よりも低い第２閾値を設定することとした。

図３に示すように、車両Ｖの進行方向ａ１に対し、予告信号Ｎがあり、さらにその先に信号Ａ～Ｃを含む交差点があるものとする。かかる予告信号Ｎおよび信号Ａ～Ｃは、信号機という同一種類において１個以上が連続してカメラ画像中に出現する「連続検知物」である。

まず制御部１４は、図３に示すように、連続検知物が検知される連続性が途切れている状況では、前述の確信度の閾値に予め決められた第１閾値を設定する。図３の例では、第１閾値は「０．５」である。

そして、制御部１４は、かかる第１閾値を用いた画像認識処理によって車両Ｖの走行中にたとえば時点Ｔ１において予告信号Ｎを検知すると、かかる検知をトリガとして閾値に第１閾値よりも小さい第２閾値を設定する。図３の例では、第２閾値は「０．２５」である。

そして、制御部１４は、さらなる車両Ｖの進行とともに、かかる第２閾値を用いた画像認識処理によって信号Ａ，Ｂ，Ｃ…を検知する。なお、交差点など信号機が設けられる場所の間隔は街の区画や道路状況によって様々であり、たとえば信号Ａ～Ｃを含む交差点を過ぎてすぐに別の信号機が設けられている場合もある。

制御部１４は、かかる別の信号機も含めた検知の連続性が途切れるまで、第２閾値を用いた画像認識処理によって信号Ａ，Ｂ，Ｃ…を検知する（図中の時点Ｔ１～Ｔ２参照）。なお、第２閾値を用いた画像認識処理によれば、たとえば図２に示した検知枠ＢＢ１～ＢＢ５はいずれも信号機として検知されることとなる。

そして、制御部１４は、時点Ｔ２において信号Ａ，Ｂ，Ｃ…の検知が途絶し、時点Ｔ３において時点Ｔ２から予め決められた距離の移動（ここでは３０ｍ）を検知すると、閾値に第１閾値を設定する。すなわち、制御部１４は、時点Ｔ２および時点Ｔ３における各イベントの成立を閾値の復帰条件として確信度の閾値を予め決められた第１閾値へ復帰させる。

なお、制御部１４は、たとえばＧＰＳ（Global Positioning System）測位位置の変化や車速パルスに基づく車速データを活用して時点Ｔ３のイベントを検知する。そして、制御部１４は、図３に示した一連の物体検知処理を車両Ｖの走行中に繰り返す。

これにより、実施形態に係る物体検知方法によれば、信号機のような連続検知物の検知精度を向上させることができる。なお無論、連続検知物は信号機に限られない。たとえば案内標識は、道路のジャンクション付近などで連続して出現する可能性が高いと言え、連続検知物となりうる。

以下、物体検知装置１０の構成例について、より具体的に説明する。図４は、実施形態に係る物体検知装置１０の構成例を示すブロック図である。なお、図４では、本実施形態の特徴を説明するために必要な構成要素のみを表しており、一般的な構成要素についての記載を省略している。

換言すれば、図４に図示される各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。例えば、各ブロックの分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することが可能である。

また、図４を用いた説明では、既に説明済みの構成要素については、説明を簡略するか、説明を省略する場合がある。

図４に示すように、実施形態に係る物体検知装置１０は、カメラ１１と、センサ部１２と、記憶部１３と、制御部１４とを有する。カメラ１１は、フロントガラスやダッシュボード等の車両Ｖの各所に取り付けられ、車両Ｖの前方の予め決められた撮影領域を撮影する。

センサ部１２は、各種のセンサ群である。センサ部１２は、ＧＰＳセンサや、加速度センサ、車速センサ等を含む。なお、カメラ１１およびセンサ部１２は、物体検知装置１０の外部に設けられ、ＣＡＮ（Controller Area Network）等の車載ネットワークを通じて物体検知装置１０と接続されてもよい。

記憶部１３は、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の記憶デバイスによって実現され、図４の例では、連続検知物情報１３ａと、画像認識ＡＩ（Artificial Intelligence）１３ｂと、閾値情報１３ｃとを記憶する。

連続検知物情報１３ａは、前述の連続検知物が定義された情報である。連続検知物情報１３ａは、後述する判定部１４ｃによって検知対象物として判定される各検知枠において検知対象物を示すラベルのうち、連続検知物に該当するラベルの情報を含む。

画像認識ＡＩ１３ｂは、前述の学習モデルに相当する。たとえば、画像認識ＡＩ１３ｂは、ディープラーニングのアルゴリズムを用いて学習されたＤＮＮ（Deep Neural Network）モデルである。

画像認識ＡＩ１３ｂは、後述する画像認識部１４ｂにＤＮＮモデルとして読み込まれた後、カメラ１１によって撮影されたカメラ画像が入力された場合に、カメラ画像中の各種の検知対象物の検知枠および検知枠ごとの確信度を画像認識結果として出力する。本実施形態では、画像認識ＡＩ１３ｂは、少なくとも車両用の信号機の検知枠およびその確信度を出力する。

閾値情報１３ｃは、前述の確信度の閾値に相当する情報である。閾値情報１３ｃは、後述する設定部１４ａにより第１閾値または第２閾値が設定される。

制御部１４は、コントローラ（controller）であり、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、記憶部１３に記憶されている図示略の実施形態に係るプログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部１４は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現することができる。

制御部１４は、設定部１４ａと、画像認識部１４ｂと、判定部１４ｃと、出力部１４ｄとを有し、以下に説明する情報処理の機能や作用を実現または実行する。

設定部１４ａは、判定部１４ｃによって検知したと判定された検知枠のラベルおよび連続検知物情報１３ａに基づき、検知枠が連続検知物に該当する場合に、閾値情報１３ｃに設定中の閾値が第１閾値であれば第１閾値に代えて第２閾値を設定する。

また、設定部１４ａは、判定部１４ｃによって前述の閾値の復帰条件が成立したと判定された場合に、閾値情報１３ｃに第１閾値を設定する。

画像認識部１４ｂは、カメラ１１によって撮影されたカメラ画像を取得し、かかるカメラ画像を画像認識ＡＩ１３ｂへ入力する。また、画像認識部１４ｂは、カメラ画像を入力した結果、画像認識ＡＩ１３ｂから出力される画像認識結果である検知枠および確信度を取得する。また、画像認識部１４ｂは、画像認識ＡＩ１３ｂから取得した画像認識結果を判定部１４ｃへ出力する。

判定部１４ｃは、画像認識部１４ｂから入力された画像認識結果に基づいて検知枠ごとの確信度が閾値情報１３ｃに設定された閾値を上回るか否かを判定する。閾値を上回る場合、判定部１４ｃは、該当の検知枠を検知対象物として検知する。閾値以下である場合、判定部１４ｃは、該当の検知枠を検知対象物としては未検知とし削除する。また、判定部１４ｃは、各検知枠の判定結果を設定部１４ａおよび出力部１４ｄへ出力する。

また、判定部１４ｃは、検知枠の判定結果およびセンサ部１２からのセンサデータに基づいて、前述の閾値の復帰条件が真であるか（成立したか）否かを判定する。つまり、判定部１４ｃは、車両Ｖの周辺状況を判定する。復帰条件が真である場合、判定部１４ｃは、設定部１４ａに対し閾値情報１３ｃに第１閾値を設定させる。

出力部１４ｄは、判定部１４ｃによる検知枠の判定結果を外部装置３０へ出力する。外部装置３０は、検知枠の判定結果に基づいて実行される各種の機能に該当するアプリケーションを実行する装置である。外部装置３０は、たとえばＥＣＵ（Electronic Control Unit）やカーナビゲーション装置等である。なお、外部装置３０は、物体検知装置１０と一体に構成されてもよい。

ところで、図３を用いた説明では、制御部１４は予告信号Ｎの検知をトリガとして閾値情報１３ｃに第２閾値を設定する例を挙げたが、交差点の手前に予告信号Ｎがない場合もある。かかる場合の変形例について図５を用いて説明する。

図５は、第１の変形例の説明図である。図３に示したのと同様に、制御部１４は、連続検知物が検知される連続性が途切れている状況では、確信度の閾値に予め決められた第１閾値である「０．５」を設定する。

そして、制御部１４は、車両Ｖの走行中に、かかる第１閾値を用いた画像認識処理によってたとえば時点Ｔ１において図３に示した信号Ａ～Ｃのいずれかを検知すると、閾値に第１閾値よりも小さい第２閾値である「０．２５」を設定する。

そして、制御部１４は、さらなる車両Ｖの進行とともに、かかる第２閾値を用いた画像認識処理によって信号Ａ，Ｂ，Ｃ…を検知する。なお、制御部１４は、信号Ａ～Ｃ以外の別の信号機も含めた検知の連続性が途切れるまで、第２閾値を用いた画像認識処理によって信号Ａ，Ｂ，Ｃ…を検知する（図中の時点Ｔ１～Ｔ２参照）。

そして、制御部１４は、時点Ｔ２において信号Ａ，Ｂ，Ｃ…の検知が途絶し、時点Ｔ３において時点Ｔ２から予め決められた距離の移動を検知すると、閾値に第１閾値を設定する。そして、制御部１４は、かかる図５に示した一連の物体検知処理を繰り返す。

また、図３および図５を用いた説明では、前述の閾値の復帰条件が成立するまでは、閾値を第２の閾値のままとする例を挙げたが、車両Ｖの速度に応じて一時的に閾値に第１閾値を設定してもよい。かかる場合の変形例について図６を用いて説明する。

図６は、第１の変形例の説明図である。図３および図５に示したのと同様に、制御部１４は、連続検知物が検知される連続性が途切れている状況では、確信度の閾値に予め決められた第１閾値である「０．５」を設定する。

そして、制御部１４は、車両Ｖの走行中に、かかる第１閾値を用いた画像認識処理によってたとえば時点Ｔ１において図３に示した信号Ａ～Ｃのいずれかを検知すると、閾値に第１閾値よりも小さい第２閾値である「０．２５」を設定する。

そして、制御部１４は、さらなる車両Ｖの進行とともに、かかる第２閾値を用いた画像認識処理によって信号Ａ，Ｂ，Ｃ…を検知する。ただし、図６に示すように、たとえば交差点での信号停車で車両Ｖの車速が０となった場合、制御部１４は、かかる信号停車の間は閾値を第１閾値へ戻す（図中の時点Ｔ１１～Ｔ１２参照）。

車速が０の場合、たとえば車両Ｖの振動等は軽減されるため、カメラ１１の撮影状況は安定する。つまり、カメラ画像の画質等は走行中に比べて安定するため、たとえば遠方の信号機の検知枠であっても確信度は走行中に比べて上がると考えられる。

この場合は、車速が０の間は閾値を第１閾値に戻しても未検知となる可能性は低くなる。なお、ここに言う「車速が０」は、厳密に０であることを指すものではなく、車両Ｖが完全に停車する前後のほぼ０の場合を含んでもよい。図６に示したように、たとえば車速という状況の変化に応じて、確信度の閾値を適宜変更することができる。

次に、物体検知装置１０が実行する処理手順について、図７を用いて説明する。図７は、実施形態に係る物体検知装置１０が実行する処理手順を示すフローチャートである。

図７に示すように、物体検知装置１０の制御部１４は、連続検知物の検知の連続性が途切れている状況においては、確信度の閾値に第１閾値を設定する（ステップＳ１０１）。そして、制御部１４は、カメラ１１のカメラ画像を取得して画像認識処理を実行する（ステップＳ１０２）。

そして、制御部１４は、設定された閾値を用いて画像認識結果を判定する（ステップＳ１０３）。また、制御部１４は、外部装置３０に対し判定結果を出力する（ステップＳ１０４）。

一方で、制御部１４は、連続検知物を検知したか否かを判定する（ステップＳ１０５）。連続検知物を検知した場合（ステップＳ１０５，Ｙｅｓ）、制御部１４は、閾値に第１閾値が設定されているか否かを判定する（ステップＳ１０６）。

閾値に第１閾値が設定されている場合（ステップＳ１０６，Ｙｅｓ）、制御部１４は、閾値に第１閾値よりも低い第２閾値を設定する（ステップＳ１０７）。連続検知物を検知していない場合（ステップＳ１０５，Ｎｏ）または閾値に第２閾値が設定されている場合（ステップＳ１０６，Ｎｏ）、制御部１４はステップＳ１０８へ遷移する。

ステップＳ１０８では、制御部１４は、前述の閾値の復帰条件が真であるか否かを判定する（ステップＳ１０８）。閾値の復帰条件が真である場合（ステップＳ１０８，Ｙｅｓ）、制御部１４は、ステップＳ１０１からの処理を繰り返す。一方、閾値の復帰条件が偽である場合（ステップＳ１０８，Ｎｏ）、制御部１４は、ステップＳ１０２からの処理を繰り返すこととなる。

上述してきたように、実施形態に係る物体検知装置１０は、車両Ｖ（「移動体」の一例に相当）に搭載される物体検知装置であって、制御部１４を備える。制御部１４は、検知対象物の特徴量を学習した画像認識ＡＩ１３ｂ（「学習モデル」の一例に相当）のカメラ画像に対する画像認識結果に含まれる確信度が閾値を超える場合に上記検知対象物を検知する。また、制御部１４は、上記カメラ画像中に同一種類が１個以上連続する連続検知物を上記検知対象物として検知する場合に、上記閾値へ予め決められた第１閾値よりも低い第２閾値を設定する。

したがって、実施形態に係る物体検知装置１０によれば、検知対象物、特に連続検知物の検出精度を向上させることができる。

また、制御部１４は、上記連続検知物が検知される連続性が途切れたと判定する復帰条件を満たした場合は上記閾値へ上記第１閾値を設定し、上記復帰条件を満たしている場合で最初の上記連続検知物が検知された場合に上記閾値へ上記第２閾値を設定する。

したがって、実施形態に係る物体検知装置１０によれば、たとえば交差点周辺に多く存在する信号機の検知漏れを防止することができる。

また、制御部１４は、上記連続検知物が検知されてから上記復帰条件を満たすまで上記閾値へ上記第２閾値を設定する。

したがって、実施形態に係る物体検知装置１０によれば、たとえば交差点周辺を走行中における信号機の検知漏れを防止することができる。

また、制御部１４は、上記連続検知物が検知されなくなってから車両Ｖが予め決められた距離を移動する場合を上記復帰条件とする。

したがって、実施形態に係る物体検知装置１０によれば、上記連続性が途切れた状況が安定したうえで連続検知物以外の検知対象物の検知精度を高めることができる。たとえば交差点周辺を通過した後の信号機以外の検知対象物の検知精度を高めることができる。

また、制御部１４は、車両Ｖの車速（「移動速度」の一例に相当）が０である場合、上記閾値へ上記第１閾値を設定する。

したがって、実施形態に係る物体検知装置１０によれば、カメラ画像の撮影状況の安定する車両Ｖの停車時には、第１閾値を用いた物体検知により検知対象物の検知精度を高めることができる。

また、上記連続検知物は、信号機または道路の案内標識である。

したがって、実施形態に係る物体検知装置１０によれば、特に信号機または道路の案内標識の検知精度を高めることができる。

また、実施形態に係る物体検知方法は、車両Ｖに搭載される物体検知装置１０が実行する物体検知方法であって、検知対象物の特徴量を学習した学習モデルのカメラ画像に対する画像認識結果に含まれる確信度が閾値を超える場合に上記検知対象物を検知することと、上記カメラ画像中に同一種類が１個以上連続する連続検知物を上記検知対象物として検知する場合に、上記閾値へ予め決められた第１閾値よりも低い第２閾値を設定することと、を含む。

したがって、実施形態に係る物体検知装置１０によれば、検知対象物、特に連続検知物の検出精度を向上させることができる。

なお、上述した実施形態では、物体検知装置１０が単体で画像認識に基づく物体の検知を行うこととしたが、物体検知装置１０の機能の一部を物体検知装置１０以外の他の装置が有することとしてもよい。他の装置としては、たとえば、物体検知装置１０と携帯電話回線網等を介して通信可能に設けられ、画像認識部１４ｂが実行する画像認識機能に相当する機能を有するサーバ装置などを挙げることができる。

また、上述した実施形態では、第１閾値や第２閾値、閾値の復帰条件等に、「０．５」、「０．２５」、「３０ｍ」といった具体的な数値を挙げたが、あくまで一例であってこうした各数値を限定するものではない。

さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付の特許請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。

１０ 物体検知装置
１１ カメラ
１２ センサ部
１３ 記憶部
１３ａ 連続検知物情報
１３ｂ 画像認識ＡＩ
１３ｃ 閾値情報
１４ 制御部
１４ａ 設定部
１４ｂ 画像認識部
１４ｃ 判定部
１４ｄ 出力部
３０ 外部装置

Claims (7)

1. 移動体に搭載される物体検知装置であって、
   検知対象物の特徴量を学習した学習モデルのカメラ画像に対する画像認識結果に含まれる確信度が閾値を超える場合に前記検知対象物を検知する制御部を備え、
   前記制御部は、
   前記カメラ画像中に同一種類が１個以上連続する連続検知物を前記検知対象物として検知する場合に、前記閾値へ予め決められた第１閾値よりも低い第２閾値を設定する、
   物体検知装置。
2. 前記制御部は、
   前記連続検知物が検知される連続性が途切れたと判定する復帰条件を満たした場合は前記閾値へ前記第１閾値を設定し、前記復帰条件を満たしている場合で最初の前記連続検知物が検知された場合に前記閾値へ前記第２閾値を設定する、
   請求項１に記載の物体検知装置。
3. 前記制御部は、
   前記連続検知物が検知されてから前記復帰条件を満たすまで前記閾値へ前記第２閾値を設定する、
   請求項２に記載の物体検知装置。
4. 前記制御部は、
   前記連続検知物が検知されなくなってから前記移動体が予め決められた距離を移動する場合を前記復帰条件とする、
   請求項３に記載の物体検知装置。
5. 前記制御部は、
   前記移動体の移動速度が０である場合、前記閾値へ前記第１閾値を設定する、
   請求項１に記載の物体検知装置。
6. 前記連続検知物は、信号機または道路の案内標識である、
   請求項１～５のいずれか一つに記載の物体検知装置。
7. 移動体に搭載される物体検知装置が実行する物体検知方法であって、
   検知対象物の特徴量を学習した学習モデルのカメラ画像に対する画像認識結果に含まれる確信度が閾値を超える場合に前記検知対象物を検知することと、
   前記カメラ画像中に同一種類が１個以上連続する連続検知物を前記検知対象物として検知する場合に、前記閾値へ予め決められた第１閾値よりも低い第２閾値を設定することと、
   を含む、物体検知方法。

Images