JP3216280B2 - 空気調和機の制御装置と画像処理装置の応用機器 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、主に赤外線センサーか
ら得られる情報を制御指標とする空気調和機の制御装置
に関するものである。

【０００２】

【従来の技術】本発明が解決しようとする第１の分野
は、赤外線センサーの熱画像を用いて、そこから得られ
る情報を制御指標に用いる空調制御に関するものであ
る。従来より赤外線センサーを用いて人の位置検出を行
い空調制御を行うものがあった。例えば、特開平２−１
４３０４７号公報記載の構成が知られている。以下に簡
単にその構成を説明する。室内を複数の領域に分けて、
それら各領域毎の赤外線を検知する赤外線センサーを設
け、各領域の人の検出と、床面に対応する領域の温度を
検出する。そして、これら人が検出された位置と、人付
近の床面の温度、および室温の関係から、通常時は室温
を設定温度に達するような設定温度制御を行い、風向は
人の位置検出結果に基づき変更する。また、室温が設定
温度範囲に入る場合で、かつ床面温度と室温の差が大き
い場合は、床方向の吹き出しを行い床面を暖める。この
ことにより、人の位置する領域に対応する制御と、温度
は設定温度に達しているが、人の足元付近の冷え込みが
ある場合の不快感を減らす制御が行われる。

【０００３】本発明が解決しようとする第２の分野は空
調の制御指標に関するものである。空調の制御指標に関
しては、近年、温度指標のみではなく、温度以外の快適
感に関連する要素も考慮したＰＭＶ（ＩＳＯ ７７３０
−１９８４）などの快適度を制御指標とする空調制御に
関するものがある。例えば、特開平４−８４０５５号公
報の実施例記載の構成が知られている。以下にその構成
を説明する。空気温度、輻射温度、湿度、気流を周囲環
境側要素として測定し、また人間の運動量、着衣量を人
間側要素として推定し、前記人間側要素と環境側要素に
基づいて制御を行うか、これらの要素から快適指標であ
るＰＭＶを計算し、計算したＰＭＶに基づき制御を行
う。この場合、入力要素の導出方法は、各周囲環境側要
素を全て、各々の要素を計測するセンサーにより計測す
ることは、製品化を行う上で、コストアップにつなが
り、また計測方式の点で計測困難な要素が多いので、容
易に計測可能な情報からニューラルネットワークを用い
てＰＭＶを推測する。つまりＰＭＶ計測のために輻射セ
ンサーや気流センサーを用いることは製品としてのコス
トアップにつながると共に、室内にセンサーを配置する
ことは実際、困難である。また、これらの複数の要素の
検出や推定が行えたとしてもＰＭＶを算出するためには
複雑な計算が必要となる。これらの点を改善するため
に、計測が比較的容易な外気温、室温、室温の時間変
化、風量、設定温度、人の位置の６要素を入力とし、そ
のときのＰＭＶを教師データとしてあらかじめニューラ
ルネットワークに学習させることで、前記６種類の入力
に対するＰＭＶの出力を行うニューラルネットワークを
構成し、このニューラルネットワークを用いＰＭＶの推
測を行い、推測したＰＭＶを空調の制御指標として用い
るものである。この場合、学習に用いる教師データは、
場合の数が多いために、活動量や着衣量は複数の組み合
わせの固定値を用いたものである。

【０００４】本発明が解決しようとする第３の分野で
は、不在時の空調に関するものである。従来より、人検
知センサーを設けるか、もしくは空調機操作手段の中に
不在ボタンを設け、人が不在である空調機が判断したと
き、室温を所定の温度レベルは最低限維持するような制
御を行うものがあった。このことにより不在時の建物躯
体の暖房時の冷えすぎや冷房時の温まりすぎを抑え、入
室時の不快時間の削減につながった。また、不在時や就
寝中の自然室温または最低温度レベルから、設定温度に
到るまでには不快な時間が続くため、入室時刻または起
床時刻には設定温度になるようなタイマーを用いるもの
もあった。

【０００５】

【発明が解決しようとする課題】しかし、従来の技術の
第１の分野に示した空気調和機の制御装置は、人の居る
領域の検出には有効であるが、例えば、制御指標が快適
度などの場合、室内の個々人の快適度を正確に算出する
ための人数、室内の床や壁面に対する個々人の位置、個
々人の検出された領域の形状判断、人付近の足元床面温
度および各壁面・床の温度等の人間や室内温熱環境に関
する正確な情報を検出することは困難であった。

【０００６】更に、テレビなどの静止発熱物体があった
場合に、テレビのある場所が人のいる場所と認識してし
まう。また、計測範囲があらかじめ固定された床面のみ
であるので、想定された室内と形態が異なる室内の場合
は、壁を床と誤認識したりするので正確な床面温度が検
出されないなどの課題があった。

【０００７】つまり、これらの課題は大きく分けて次の
２点の問題となる。 （１）画像の解像度が低い （２）個人や室内環境情報が正確に検出できない。

【０００８】（１）は画像の読み取りセンサーの分解能
に起因する問題である。画像の解像度が低いと個人や室
内環境情報を正確に検出することが難しい。そこで、本
発明では、画像は室内の一人の人間が複数個以上の画素
のかたまりとして検出される程度の解像度が望ましい。

【０００９】次に、（２）については（１）が問題とな
らない解像度の高い画像においても、個人や室内環境情
報を精度良く検出し、これらの情報に基づいて快適度を
考慮した制御を行っていないために、生じる問題点であ
る。本発明では、（２）に関して従来手法の大きな課題
として提起したい。

【００１０】従来の技術の第２の分野に示した空気調和
機の制御装置に関しては、ニューラルネットを用いて快
適度を推測する方式では、室内全体の平均的な快適度を
推測するもので、個人の快適度を考慮した制御指標では
なかった。快適度算出のための入力要素としては、気流
や輻射など検出するための方法が、各々の要素を計測す
るセンサーを配置することも考えられるが、実際の家庭
で複数のセンサーを室内に配置することは困難である。
また、リモコンなどにこれら周囲環境側要素を計測する
センサーを設置することも考えられるが、その場合室内
の一点の環境要素の計測でしかない。また、人間側要素
に関してもすでにいくつかの製品に用いられているよう
に赤外線センサーの出力のピーク値の検出回数から人間
側要素である運動量を推測することも、部屋全体の活動
度合いは検出可能であるが、例えば５人の在室者が室内
におり４人が静止しており、１人が室内を動き廻ってい
る状況でも活動度合いが高いと推測されるので従来方法
では、個人毎の活動量検出の精度の点で課題がある。ま
た、着衣量を日射やカレンダ、外気温などから推測する
方法も考えられるが、実際に人体を計測しているもので
はないので、実際に在室している人間の着衣量とかけ離
れている場合もあり、やはり精度の点で課題があった。

【００１１】従来の技術の第３の分野に示した空気調和
機の制御装置に関しては、不在時に一定の最低限の温度
を保つ制御がされてきたが、それでも入室時もしくは起
床時に設定温度になるまで時間がかかり、その間不快で
あるという問題があった。また、維持する最低温度レベ
ルについても、暖房の場合、高すぎると電気代が不経済
であり、低すぎると設定温度になるまでかなりの時間を
要する問題があった。一方、タイマーについては、時刻
入力形式によるタイマセットおよびタイマリセットの際
の手間の問題があり、時刻設定の変更が少なく、効果の
大きな起床時以外はあまり利用されていないという問題
があった。

【００１２】本発明は、以上のような人体位置検出の精
度、および快適度算出のための入力要素の検出精度、お
よびタイマーセットに関するの利便性の悪さの問題に鑑
み、第１の目的は、赤外線熱画像を用いて制御指標を算
出するために有効な在室者個人の情報および詳細な環境
情報を検出すること、第２の目的は検出された在室者個
人の情報および室内の詳細な環境情報を基に、きめ細か
な制御指標を定めること、第３の目的はタイマー操作を
なくすることである。

【００１３】

【課題を解決するための手段】上記第１および第２の分
野に示した目的を達成するため、本発明の技術的解決手
段は、少なくとも室内の在室者および環境を計測する赤
外線画像入力手段を持つセンサー部と、空調機器の制御
部から得られる少なくとも風向と配管温度情報のいずれ
かによりセンサー部で得られた検出温度を補正する温度
補正部と、赤外線熱画像を処理し在室者の個人情報と室
内環境情報を出力する画像処理部と、前記個人情報およ
び環境情報から空調を行うための制御指標を決める制御
指標決定部と、空調機器の制御を行う空調制御部を有
し、さらに前記画像処理部が、計測した熱画像を記憶す
る画像記憶部と、熱画像の中から人間部分の領域を検出
する人間領域検出部と、人間領域検出部で検出した人間
画素ブロックを基に人数、室内の在室者の床面に対する
位置などの個人情報を抽出する個人情報抽出部と、計測
画像から室内の環境情報を抽出する環境情報抽出部の構
成を有している。

【００１４】また、上記構成の画像処理部に、在室者の
個人情報抽出の基本となる人体画素ブロックの補正を行
う人間領域補正部と、静止発熱物体の除去および室内部
位の代表点の検出を行うための累積処理部と、空気調和
機の設置してある壁面を除く３方の壁面と床面の、熱画
像の画素との対応を関連づける室内部位判定部を付加す
る構成を有している。また、制御指標決定部が活動量検
出部と、個人毎の快適度を算出する快適度検出部と生活
シーン推定部を有している。

【００１５】また、第３の目的を達成するために、在室
データ記憶手段と、在室パターン分類手段と、不在時間
の最低維持温度レベルであるベース温度を前記在室パタ
ーン分類手段から得られる部屋の使用状況に応じて定め
るベース温度変換手段の構成からなる不在時制御指標決
定部およびカレンダを有している。

【００１６】

【作用】本発明は、この構成によって、最初にセンサー
部の赤外線画像入力手段により、室内の床面および壁面
を含む２次元的な温度検出を行い、空調機器の制御部か
ら得られる少なくとも風向と配管温度情報のいずれかに
より得られた検出温度を補正した後、熱画像として画像
記憶手段に記憶する。記憶された画像データは人間領域
検出部において人体部分の切り出し温度を基に人体部分
の切り出しと、これら人間画素ブロックの代表点の算出
を行う。個人情報抽出部では、切り出された人体部分の
画素ブロックとその代表点を基に、人数、足元位置の検
出を行う。一方、環境情報抽出部では計測された熱画像
と足元位置情報に基づき個人別の輻射温度の算出を、ま
た足元位置情報と現在の風向と風量から個人別の気流の
算出を行う。制御指標決定部では、例えば快適度を制御
指標に用いる場合、個人情報抽出部で抽出された個人情
報と、環境情報抽出部で算出された環境情報を基に個人
別の快適度を算出し、複数在室者が居る場合は快適度が
低い在室者を優先的に快適にするような、風向、風量、
快適度の制御指標を算出する。空調制御部では制御指標
決定部の指示に基づき、例えば、コンプレッサー周波数
の制御、垂直および水平フラップの制御、室内機送風用
ファンの制御を行う。

【００１７】また、実際の家庭では、検出対象となる人
体とセンサーの間に家具などの障害物がある場合が考え
られ、その場合、人体が分離され複数の在室者が居ると
誤られるので、人間領域補正部によって、人間画素ブロ
ックとして切り出された画素の周囲を検索し、画素の補
完を行ったり、ノイズと考えられる画素の消去を行う。
さらに、テレビなどの静止発熱物体の除去を行うために
累積処理部において、切り出された人間画素ブロックの
代表点を所定期間累積し、特定画素だけがあらかじめ設
定した頻度しきい値を越える場合、静止発熱物体がある
ものとし、その熱画像上の位置を記憶し、以降人間領域
検出の際に人間画素ブロックの代表点が静止発熱物体の
位置と一致する場合は、当該人間画素ブロックを人体と
して扱わない処理を行う。このことにより人体の精度の
高い検出が可能となる。また、累積処理部では前記静止
発熱物体の検出に用いた累積期間より長い期間、人間画
素ブロックの代表点を累積し、空気調和機の設置してあ
る壁面を除く３方の壁面と床面の境界を特定する代表点
を検出し、室内部位判定部では、その代表点を基に床面
および３方向の壁面と熱画像の対応を関連付ける。この
ことにより環境情報抽出部では広さの異なる部屋でも、
床および３方向の壁の各部位温度が検出されることにな
り、さらに人の足元位置情報を用いることによって個人
毎の精度の良い輻射温度が検出可能となる。

【００１８】また、制御指標決定部では上に快適度を用
いる場合の例を示したが、生活シーン推定部を付加する
ことで、就寝、起床、入室、退室といった快適度が制御
指標とならない過渡的シーンと、人が入室後しばらく経
過した快適度が制御指標となる安定的シーンを判別し、
おのおののシーンに応じて過渡的シーンはあらかじめ定
められた制御指標を、安定的シーンは算出した快適度を
制御指標として用いる。また、シーン推定部のみを制御
指標とする場合は、過渡的シーンの推測に加え、安定的
シーンをさらに、人数と各個人の情報から算出した室内
を代表する活動量に応じて、だんらん、掃除、くつろぎ
などのシーンに分類し、各シーン毎にあらかじめ定めた
制御指標を用いる。

【００１９】また、次にこの構成によって、最初に一定
時間間隔で、人数検出部により室内の在室者の有無を在
室者が居る場合を１、居ない場合を０とし検出する。こ
の０、１のデータは部屋への人の出入りで大きく変化す
るので、１０分を１単位にし、例えば１０分以上継続し
て０の場合のみ０とするなどの補正を行う。在室データ
記憶手段ではこれら補完した１日分の在室データを当日
より一定期間分だけ記憶する。在室パターン分類手段で
はカレンダからの平日、休日、曜日といった日の属性の
情報を基に、当日と日の属性が同じ日の在室データを集
め、時刻別の在室率（在室パターンと呼ぶ）を求める。
ベース温度変換手段では、この在室パターンを基本とし
てベース温度の値を算出する。空調制御手段では、人検
知手段の出力により、人が在室中は設定温度を目標値と
し、不在時は現在時刻から時刻別のベース温度の値を目
標値とし、人の入室が検知された場合は、設定温度に目
標値を切り替える。このことによって、人が入室する前
には室内環境がスタンバイされているので快適性に優
れ、不在が多い時間帯は低めのベース温度なので経済性
にも優れた空調が実現できる。

【００２０】

【実施例】以下、本発明の第１の実施例について説明す
る。

【００２１】図１は第１の実施例の構成図である。１は
センサー部で、室内の温度分布を計測する２次元赤外線
センサー２と、室温センサー３と湿度センサー４と外気
温センサー５で構成される。６は画像処理部で画像記憶
部７と人間領域検出部８と個人情報抽出部９と環境情報
抽出部１０で構成される。１１は制御指標決定部で活動
量検出部１２と、快適度ＰＭＶを算出する快適度検出部
１３で構成される。１４は空調制御部であり、１５はカ
レンダである。１６は温度補正部で、空調制御部１４か
らの風向と配管温度の情報を入力として持つ。

【００２２】以上のように構成された空気調和機につい
てその動作を説明する。最初に壁掛け式の空気調和機の
本体に設置された、例えば縦方向に複数素子が並列され
ている焦電型の１次元赤外線センサーを、一定時間のサ
ンプリングタイミングで室内を間口方向に走査するよう
な仕組みで構成された２次元赤外線センサー２を用いて
室内の在室者を含めた２次元の熱画像を得る。図２
（ａ）は第１の実施例における計測された熱画像の例で
ある。４角形の部屋に３人の人間が在室しており、各人
が異なる姿勢をとっている状況である。２０は臥位の在
室者の画像ブロック、２１は立位の在室者の画像ブロッ
ク、２２は椅子座位の在室者の画像ブロックである。２
３は床面の画像ブロック、２４は左壁面の画像ブロッ
ク、２５は奥壁面の画像ブロック、２６は右壁面の画像
ブロックである。図２（ｂ）はこのときの室内の平面図
である。２７は臥位の在室者、２８は立位の在室者、２
９は椅子座位の在室者、３０は床、３１は左壁、３２は
奥壁、３３は右壁、３４は空気調和機、３５は空気調和
機３４に設置された赤外線２次元センサーであり、３６
は赤外線２次元センサー３５の走査方向と検出範囲であ
る。このように、２次元赤外線センサー３５を間口方向
に走査することによって、遠い人物は熱画像上、上部に
検出され、近い人物は下部に検出される。また、床や壁
についても、空気調和機取付面の壁を除き、大部分が熱
画像上に検出される。

【００２３】このような２次元赤外線センサー２で計測
された熱画像を画像記憶部７では、次のサンプリングタ
イミングまでの間、記憶する。人間領域検出部８では、
画像記憶部７に記憶されている熱画像から、人間に対応
する画素ブロックを抽出し、代表点の算出を行う。以下
に、人間領域検出部８について説明する。

【００２４】従来は、熱画像データから人間の領域を検
出する場合、室内に人間以外の発熱がなく、人間以外の
室内温度が２５℃以下であるとすれば、２６℃から３４
℃の温度の画素を検出することにより人体の領域を検出
していた。しかし、以上のように構成では２次元の熱画
像から人間の切り出しが正確に行えない場合があった。
例えば、室内の温度分布が床や各壁面によって温度が違
う場合がある。また、人の切り出しを温度範囲を用いず
に、人の境界線より人間を検出する方法もあるが、良好
なエッジの検出ができないと正確な検出は困難である。

【００２５】そこで、本実施例では画像記憶部７に記憶
された熱画像をＭ（Ｍは正の整数）分割して、領域分け
を行い（以降、各領域をブロックと呼ぶ）、熱画像の各
ブロック毎に人間の切り出し温度範囲を決定して人間の
位置を算出するようにし、室内の温度分布に連動して、
人間の切り出し温度を算出することにより、人間の検出
が容易に算出できるようになる。また、熱画像のもつ特
徴である人間や生物の発熱物体を容易に捕らえる処理を
有効に利用できる。

【００２６】人間領域検出部８の構成の一例について図
３に基づいて説明する。図３において、４０は熱画像を
Ｍ個のブロックに分割して、各々のブロックの平均温度
を算出する領域分割代表温度算出手段、４１はブロック
の平均温度から人間の切り出し温度を決定する切り出し
温度決定手段、４２は人間検出手段、４３は人間の領域
の代表点を算出する代表点算出手段を示す。画像記憶部
７に記憶された熱画像は、領域分割代表温度算出手段４
０で、熱画像をＭ個のブロックに分割され、各々のブロ
ックの平均温度が算出される。算出されたブロックの平
均温度は、人間の切り出し温度範囲を決定する切り出し
温度決定手段４１に渡されて、各ブロック毎の切り出し
温度範囲が決定される。ここで、Ｍ個の複数ブロックに
分割する理由は、壁が部分的に温まっていたり、人体の
衣服が冷えている場合など一律的な切り出し温度では人
体部分の精度良い切り出しが困難なことによる。それゆ
え、Ｍ個に熱画像を分割することにより、背景温度を考
慮した切り出しが可能となる。次に、切り出し温度範囲
と熱画像は、人間の領域を検出する人間検出手段４２に
入力されて人間の領域を示す人間画素ブロックが検出さ
れる。代表点算出手段１３では、人間画素ブロックを入
力とし、そのブロックの代表する代表点、例えば温度に
重み付けられた重心点画素とか、足元位置に対応する最
下点画素などの代表点を検出する。人間の領域を検出す
る人間検出手段４２では、熱画像の各画素毎の温度値と
切り出し温度範囲とを比較して、人間の領域が決定され
る。例えば、切り出し温度範囲が、２６℃から３４℃で
あれば、その温度の領域を検出することにより人間の領
域が検出できる。次に、この検出された人間画素ブロッ
クを入力とし、代表点算出手段４３では、代表点を出力
する。代表点は領域を示す位置を示すもので、一つの例
を示すと、領域を示す画素がｎ個あるとすると、次に示
すように領域内の温度値と位置より算出された温度に重
み付けられた重心の座標Ｘ，Ｙを用いる方法がある。

【００２７】Ｘ＝（Ａ₁・Ｘ₁＋Ａ₂・Ｘ₂＋…＋Ａ_n・
Ｘ_n）／（Ａ₁＋Ａ₂＋…＋Ａ_n） Ｙ＝（Ａ₁・Ｙ₁＋Ａ₂・Ｙ₂＋…＋Ａ_n・Ｙ_n）／（Ａ₁＋
Ａ₂＋…＋Ａ_n） ここで、Ａ_nは、Ｘ_n、Ｙ_nの温度値である。

【００２８】また、代表点として演算が少なくてすむよ
うに床面に最も近い画素の座標や床面から最も遠い画素
の座標が用いられることもある。また、重心のＹ座標の
位置と床面に最も近いＸの位置を代表点の位置とするこ
ともできる。この代表点が分かることにより空気調和機
では人間がどの位置にいるのか、何人居るのかによって
空調制御を決定することができる。

【００２９】図４は、本発明の熱画像データから８個の
ブロックに分割し、各ブロックの平均温度の算出した例
を示す。各ブロック毎に領域分割代表温度算出手段４０
で、平均温度Ｔ１〜Ｔ８が算出される。例えば、ブロッ
クＮの平均温度ＴＮの値が ２０℃＜ＴＮ＜２２℃ の場合は、ブロックＮの人の切り出し温度範囲は、２５
℃から３４℃というように各ブロック毎に人の切り出し
温度が決定される。つまり人間の露出皮膚温度は、３６
℃から３７℃であるが、着衣や背景と人体部分が１つの
画素の中に含まれる場合は平均化されてしまい検出温度
は低くなるので、人の切り出し温度は画像の解像度によ
って変化することになる。本発明では、ブロック毎の平
均温度値とブロックの全画像内における位置により適正
な人間の切り出し温度範囲を決定している。

【００３０】一方、上記の構成では、人間の領域の抽出
を正しく行うためには、画素が人体を含んでいると判断
する温度範囲を赤外線素子毎に、設定する必要があり、
素子数が多い場合には各検出素子について温度範囲を設
定することが装置の製造上困難であったり、人間と同じ
温度範囲を持つ物体、例えばテレビや暖房機などを人間
と誤ってしまうという課題も有していた。そこで、連続
した画像により適切な人間切り出し温度範囲を決定する
方法がある。図５に、このような方法を用いた人間領域
検出部８の構成を示す。図３の構成と異なるのは領域分
割代表温度算出手段４０の代わりに、差分画像作成手段
５０と動物体画像作成手段５１と度数分布作成手段５２
を設けた点であり、以下は図３の構成と同様である。以
下に、図５を用いながらその動作を説明する。

【００３１】この構成では、画像記憶部７には連続的に
複数の熱画像を記憶する。差分画像作成手段５０では、
記憶された連続した複数の熱画像の画像間の差分画像を
作成する。動物体画像作成手段５１では、複数の熱画像
と検出された差分画像から動物体画像を作成する。次
に、度数分布作成手段５２では、前記動物体画像作成手
段５１により複数の熱画像の画素値の中で動物体に対応
する画像の画素ブロックが得られるのでこれらの画素ブ
ロックの温度値の度数分布を作成する。切り出し温度決
定手段５３では、内部に設定された適切なしきい値と、
前記度数分布作成手段５２から得られた度数分布を用い
て人間領域を検出可能な切り出し温度範囲を決定する。
そして、以降は図３に示した人間検出手段４２と代表点
算出手段４３により、人間画素ブロックとその代表点を
算出する。

【００３２】次に、図５を参照しながら詳細な処理の手
順を示す。画像記憶部７に記憶された画像は、室内の温
度分布を熱画像として連続的に読み取った画像である。
本実施例では、この連続した計測した熱画像をそれぞ
れ、画像Ａと画像Ｂとする。

【００３３】まず、画像Ａ、画像Ｂは順番で読み取られ
画像とする。画像は、座標（ｘ，ｙ）に存在する画素を
Ｐ（ｘ，ｙ）して表現するものとする。画像Ａと画像Ｂ
から差分画像作成手段５０により、差分画像が作成され
る。この場合、画像にノイズ成分を含む場合は、しきい
値ｈを用いてもよい。つまり、画像１中の座標（ｘ，
ｙ）にある画素値をＴ１（ｘ，ｙ）、画像Ｂ中の同一座
標の画素値をＴ２（ｘ，ｙ）、しきい値をｈ、画素値と
して絶対にありえない値をＴＮとするとき、差分画像中
の同一座標の画素の値ｄＴを、 ｜Ｔ２（ｘ，ｙ）−Ｔ１（ｘ，ｙ）｜＜ｈならば ｄＴ
（ｘ，ｙ）＝ＴＮ ｜Ｔ２（ｘ，ｙ）−Ｔ１（ｘ，ｙ）｜≧ｈならば ｄＴ（ｘ，ｙ）＝Ｔ２（ｘ，ｙ）−Ｔ１（ｘ，ｙ） （｜ｘ｜はｘの絶対値を求めることを示す）とする処理
を各画像中の全ての画素に対して行うことにより差分画
像を作成できる。図６に、画像Ａ，Ｂからの差分画像の
作成例を示す。２つの画像の差分をとることで値が正の
エリアは移動後のエリアで、負のエリアは移動前のエリ
アであることが分かる。ＴＮについては、たとえば、温
度値が摂氏で測られる場合には、ＴＮ＝−１０００とい
うような絶対０度未満の値にするか、ＴＮ＝１００００
のような非常な高温にすればよい。また、温度差画像中
の各画素は、その温度値がＴＮ以外の値であれば、その
画素は動物体をとらえたことを示し、温度値がＴＮであ
れば、静止した物体をとらえたことを示している。次
に、画像Ａと画像Ｂとの差分画像２から動物体画像作成
手段５１により動物体画像が作成される。動物体画像の
作成は次のように行われる。つまり、差分画像中の各画
素の温度差値をｄＴ（ｘ，ｙ）、動物体画像の同一座標
の画素の温度値をＶ（ｘ，ｙ）とするとき、 ｄＴ（ｘ，ｙ）＜０ ならば Ｖ（ｘ，ｙ）＝Ｔ１
（ｘ，ｙ） ｄＴ（ｘ，ｙ）＞０ ならば Ｖ（ｘ，ｙ）＝Ｔ２
（ｘ，ｙ） ｄｔ（ｘ，ｙ）＝ＴＮならば Ｖ（ｘ，ｙ）＝ＴＮ というような処理を差分画像中の全画素に対して行うこ
とにより、動物体画像を作成することができる。次に、
動物体画像から度数分布作成手段５２により熱画像中の
各画素ごとに温度Ｔについての度数分布Ｈ（ｘ，ｙ，
Ｔ）が作成される。度数分布の作成は次のように行われ
る。つまり、動物体画像中の座標（ｘ，ｙ）にある画素
値をＶ（ｘ，ｙ）、熱画像中の同一座標の画素について
の度数分布をＨ（ｘ，ｙ，Ｔ）とするとき、 Ｈ（ｘ，ｙ，Ｖ（ｘ，ｙ））←Ｈ（ｘ，ｙ，Ｖ（ｘ，
ｙ））＋１ という処理を動物体画像中の全画素に対して行うことに
より、画像中の各画素ごとに温度についての度数分布が
作成できる。

【００３４】以上の熱画像の検出から度数分布の作成ま
での処理を計測されたすべての熱画像に対して行うこと
により、画素ごとに度数分布が構築されていき、十分に
時間が経過すれば、その画素の温度が人間をとらえてい
ると判断できる温度範囲を反映した度数分布となる。た
だし、２次元赤外線センサー２の精度によっては、次に
述べるように度数しきい値を設け、小さな度数の温度値
は除外するようにするとよい。

【００３５】さらに、画像Ａと度数分布と内部に持つ適
切な度数しきい値ｋから人間を切り出す温度範囲を切り
出し温度決定手段５３により決定する。そして、人間検
出手段４２で、画像Ａ中の座標（ｘ，ｙ）にある画素の
温度値をＴ１（ｘ，ｙ）、その画素についての度数分布
をＨ（ｘ，ｙ，Ｔ）、度数しきい値をｋ、画素毎の温度
切り出し範囲を示す温度切り出し温度決定手段５３によ
り、同一座標にある画素の温度値をＭ１（ｘ，ｙ）とす
るとき、 Ｈ（ｘ，ｙ，Ｔ１（ｘ，ｙ））＜ｋならば Ｍ１（ｘ，
ｙ）＝ＴＮ Ｈ（ｘ，ｙ，Ｔ１（ｘ，ｙ））≧ｋならば Ｍ１（ｘ，
ｙ）＝Ｔ１（ｘ，ｙ） という処理を画像Ａの全画素に対して行うことにより、
画像Ａから人間画素ブロックを抽出することができる。
また、画像Ｂと度数分布と度数しきい値から切り出し温
度決定手段５３と人間検出手段４２により、画像Ｂから
人間を表す画素だけを抽出することで、人間画素ブロッ
クが作成される。この処理は、画像Ａから人間画素ブロ
ックを抽出する場合と同様に人間領域の抽出が行われ
る。

【００３６】また、度数しきい値ｋ以上の度数を持つ温
度値の中で、最低値と最高値を選び、画素の温度が最低
値と最高値の間であるならば、画素が人間をとらえてい
ると判断する方法も考えられる。この方法は、装置が動
作開始直後であり、度数分布が画素の温度が人間をとら
えていると判断できる温度範囲を十分には反映していな
いような場合に有効である。以上の本実施例の構成する
と、センサーの各検出素子間のばらつきが大きい場合や
画像にノイズが上乗された場合でも、画素ごとに人間を
とらえていると判断できる温度範囲を人間が設定する必
要がなく、人間領域検出部が装置が使用されるにつれ
て、自動的に人間をとらえていると判断できる温度範囲
を画素ごとに設定することができる。

【００３７】なお、実施例では、連続した画像を２つと
したが、３つ以上の熱画像を用いる場合でも同様な処理
が行うことができ、差分画像がより多く得られるので、
度数分布の構築が速くなるという利点がある。

【００３８】また、実施例では、２次元に配列された度
数分布を使用したが、例えば、垂直方向に１次元的に検
出素子が配列された検出手段を水平方向に機械的に走査
することで、結果として２次元の熱画像検出手段とする
ような場合には、度数分布を画素ごとに作成する必要は
なく、画像の行ごとに作成すれば良いので、度数分布記
憶手段の記憶容量を少なくすることができ、度数分布か
ら得られる行ごとに共通な温度範囲により熱画像からの
人間の領域の抽出が行われる。水平方向に１次元的に検
出素子が配列された検出手段を垂直方向に機械的に走査
する場合についても同様で、熱画像の列ごとに度数分布
が作成され、度数分布から得られる列ごとに共通な温度
範囲により熱画像からの人間の領域の抽出が行われる。
さらに、単一の検出素子を機械的に水平方向と垂直方向
に走査することで、結果として２次元の熱画像検出手段
とするような場合には、度数分布を画素ごとに作成する
必要はなく、度数分布が１つでよいことはいうまでもな
く、度数分布から得られる全画素に共通な温度範囲によ
り熱画像からの人間の領域の抽出が行われる。

【００３９】次に、個人情報抽出部９について説明す
る。図７に示すように個人情報抽出部７では、人間領域
検出部８で得られる人間画素ブロックと、その代表点を
入力とし、人数の検出を行う人数検出手段６０と、人数
検出手段６０で在室者別に分離された人間画素ブロック
と熱画像から在室者毎の足元位置の検出を行う足元位置
検出手段６１から構成されている。ここで、足元位置を
検出する理由は、足元位置が正確に検出できれば活動量
検出の際に在室者の移動距離を用いることができること
や、風向制御が効果的に行えることによる。

【００４０】以下に、人数検出手段６０について説明す
る。従来は、画像から画像内の人数を検出する場合に、
画像より人間らしい部分の領域を検出し、その領域の形
状から人間かどうかを判断し、その数がいくつあるかに
よって、人数の算出を行っていた。しかし、この方法で
は画像から領域の形状認識が正確に行えないと人数の良
好な検出は難しい。また人間が重なった場合も、人数算
出が難しくなる。そこで、本実施例では画素数算出手
段、人数計数手段により人数を求めている。

【００４１】図８に人数検出手段６０の構成を示す。図
８において７０は画素数算出手段、７１は人数検出手段
である。人間領域検出手段８により検出された室内の人
間画素ブロックの数と各ブロックの画素数から、正確な
人間の数を判別する。人数の判断は、検出された画素ブ
ロックのブロック数を用い、また、人間が重なって検出
される可能性があるので、各画素ブロックの形状を用い
て人数を判断する。図９に人間が重なった場合の人数の
簡単な判別方法を示す。簡単な人数の判別方法として画
素ブロックの画素の個数ＧＡとした場合に、ＧＡ＜ＴＨ
１のときに人数は一人とし、ＴＨ１≦ＧＡ＜ＴＨ２のと
きに２人等に分類する。判別に必要な人数Ｎに併せてし
きい値をＮ個（ＴＨ１，ＴＨ２，…ＴＨＮ）用意する。
ただし、ＴＨ１，ＴＨ２，…，ＴＨＮは正の整数であ
る。

【００４２】なお、この構成は、可視画像を入力する画
像入力手段でも、エッジ、線や色から人間の領域とその
領域を構成する画素数の判定により人数の判定が行え
る。

【００４３】次に、上記の画素ブロックからの人数判定
ではしきい値の決定は画像の入力装置、その設置位置、
画質および画像の解像度等により調整が必要である。そ
こで、この様な調整を簡単にするために、ニューラルネ
ットワーク等の学習機能を持つ利用する方法がある。図
１０にニューラルネットワークの実施例を示す。７０は
図８で用いた画素数算出手段、８０はブロック形態判定
手段、８１はニューラルネットワークである。最初に人
間領域検出部８から得られた人間画素ブロックを画素数
算出手段７０とブロック形態判定手段８０に入力する。
画素数算出手段７０では画素ブロックの数と各ブロック
の画素数を算出して、特徴信号２とする。また、ブロッ
ク形態判定手段８０は、画素ブロック１から各画素ブロ
ックの形態、例えば縦横比、ブロックの形等の各画素ブ
ロックの形に関する特徴信号３を算出する。ニューラル
ネットワーク８１には、特徴信号２、３および人間領域
検出部８から得られた人間画素ブロック代表点を入力と
して、出力に人数が算出されるようにする。ニューラル
ネットワーク８１は、各種の工学モデルが適用できる。
例えば、多層型のパーセプトロンを用いた場合は、学習
の方法としてバックプロパゲーション（誤差逆伝般法）
が有名である。この学習は、ニューラルネットワークに
入力情報とその時の望ましい出力情報を与えて、内部の
状態を調整する。上記の場合であると、特徴信号２、３
と人間画素ブロック代表点とその時の室内の人数をニュ
ーラルネットワークに与えて学習する。この構成は、学
習により内部の状態を調整するためにしきい値の経済的
に決める作業を少なくできる。また、ニューラルネット
ワークの代替として、回帰分析等の統計処理にも置き換
えることもできる。

【００４４】次に、足元位置検出手段６１について説明
する。図１１は足元位置検出手段の第１の実施例におけ
る構成を示す構成図である。図１１において、９０は列
データを抽出する列データ抽出手段、９１は足元位置を
検出する足元位置推測手段により構成される。足元位置
推測手段９１は、アルゴリズムによる方法、回帰分析等
の統計手法およびニューラルネットワークによる方法等
がある。本実施例では、ニューラルネットワークによる
方法を示す。

【００４５】人間領域検出部８で検出された人間画素ブ
ロック、画素ブロックの代表点座標および人間画素ブロ
ックの周辺画素値が足元位置検出手段に入力される。最
初に人間画素ブロックは、列データ抽出手段９０に入力
される。列データ抽出手段９０では、人間領域の最下端
の画素を含む縦１列のデータを、足元位置推測手段９１
に入力する。最下端の画素が複数ある場合は、画素値が
最も高い画素を含む列を抽出する方法や、中央や左右の
位置により抽出する方法がある。熱画像の解像度が縦８
画素である場合には、それぞれの画素の表す温度値８個
が抽出される。列データ抽出手段９０で抽出された列デ
ータを元に、ニューラルネットワーク使用の足元位置推
測手段９１で計算させることで人間の足元位置が得られ
る。ニューラルネットワーク使用の足元位置推測手段９
１は、あらかじめバックプロパゲーション法を用いて十
分な数のデータと適当な教師信号を与えることで学習を
行い、誤差が収束したとみなされる状態にあるものとす
る。なお、この足元位置推測手段９１においては、多層
パーセプトロン以外にも、ＬＶＱ等の他のニューラルネ
ットワークのモデルを使用することも可能である。

【００４６】図１２は、立っている人間の熱画像と人体
の対応関係を示す模式図である。ａ〜ｏは、熱画像の各
画素を表し、斜線部分は人体に該当する領域を表す。こ
の場合、ｆ，ｇ，ｈは画素のほとんどが人体部分が大部
分を占めているので切り出しはうまく行われるが、ｉの
場合、足元の位置が画素の中心近くにあるので、上半分
は温度が高く、下半分は温度が低い。この時の画素値
は、一画素に占める人体部分の面積が小さいために人間
の部分の温度と背景の部分の温度が重なり結果的に中間
程度となり、切り出し温度範囲を下回ってしまい、実際
に切り出されるのはｆ，ｇ，ｈの３画素だけとなる。こ
こから足元位置を推定しても、正確には求められない
が、ｉの値もニューラルネットワークに入力する事で、
正確な足元位置を求めることが可能となる。

【００４７】また、ニューラルネットワーク以外の方法
としてアルゴリズムによる場合は、足元位置推測手段９
１において、ｈ，ｉ，ｊの３画素の値だけを用いて、ｈ
は人間の温度、ｊは背景の温度であるとき、人間が画素
ｉに占める割合をαとすれば ｉ＝α＊ｈ＋（１−α）＊ｊ からαを求め、それを基にして足元位置を算出すること
もできる。

【００４８】次に、環境情報抽出部１０について説明す
る。環境情報抽出部１０では在室者毎の壁や床などから
の輻射および空気調和機からの気流の影響を算出する。

【００４９】図１３に、環境情報抽出部１０の構成を示
す。１００は空気調和機の現在の風向と風量および足元
位置検出手段６１から出力される足元位置情報から在室
者毎の気流の強さを算出する気流算出手段、１０１は足
元位置情報と熱画像から足元付近の温度を検出する足元
温度検出手段、１０２は熱画像から壁と床の部位毎の平
均温度を算出する室内部位温度検出手段、１０３は足元
温度検出手段１０１により検出される足元温度と室内部
位温度検出手段１０２から検出される室内の各部位の温
度と足元位置検出手段６１から出力される足元位置情報
から在室者毎の輻射温度を検出する輻射温度検出手段で
ある。以下に、各手段について説明する。 気流算出手
段１００では、足元位置検出手段６１において在室者毎
の床面上の足元位置が検出されるので、吹き出し口から
の風向と風量が分かれば、床面上の任意の位置における
空気調和機による気流（ｍ／ｓ）を算出することができ
る。そこで、風向を決定する上下および左右のフラップ
の角度と、風量を決定する室内機ファンの回転数を空調
制御部１４から得ることで、それぞれの位置における在
室者毎の気流の強さの算出を行う。

【００５０】次に、足元温度検出手段１０１について述
べる。本手段は、室内の人間近くの床面温度を容易にか
つ正確に検出することを目的としている。室内の熱画像
を元に、人間近くの床面温度を検出しようとした場合、
問題となるのは、どこが床面であるのかの特定が難しい
という点と、床面の温度が必ずしも一様ではないため、
人間近くの床面の温度を抽出しなければならない点であ
る。本発明では、まず室内の人間を切り出し、その足元
位置を検出した後、その周辺の画素から人間に与える影
響が大きいと思われる床面の温度を抜き出すという手法
を用いる。

【００５１】図１４は足元温度検出手段１０１の構成を
示す構成図である。図１４において、１１０は人間の足
元周辺の画素を抽出する周辺画素抽出手段、１１１は足
元温度を検出する足元温度算出手段である。足元温度算
出手段１１１は、アルゴリズムにより構成する方法、統
計処理を用いる方法およびニューラルネットワークを用
いる方法がある。本実施例では、ニューラルネットワー
クを例にして示す。

【００５２】最初に、室内の人間画素ブロックと画素ブ
ロックの代表点を示す信号および熱画像は、周辺画素抽
出手段１１０に入力される。周辺画素抽出手段１１０で
は、熱画像より、人間足元領域に最も近いと思われる画
素４点の値を抽出し、周辺画素信号とする。周辺画素信
号と足元位置情報等の人間の足元周辺に関する情報を、
多層パーセプトロンである足元温度算出手段１１１に入
力する。ニューラルネットワーク使用の足元温度算出手
段１１１は、入力情報と入力情報に対する教師情報はそ
の位置で実際に計測した輻射温度として、あらかじめバ
ックプロパゲーション法を用いて十分な数のデータと適
当な教師信号を与えることで学習を行い、誤差が集束し
たとみなされる状態にあるものとする。なお、この足元
温度算出手段１１１においては、多層パーセプトロン以
外にも、ＬＶＱ等のニューラルネットワークのモデルを
使用することが可能である。このようにして足元温度検
出手段１０１において、周辺画素信号を元に処理され、
室内の人間の足元の床面温度が得られる。

【００５３】図１５は足元温度検出手段１０１における
処理例を示す。１２０は画像記憶部７に取り込まれた熱
画像データである。１２１は、人間領域検出部８から得
られる人間画素ブロックである。次に人間画素ブロック
１２１を元に周辺画素抽出手段１１０により人間の足元
位置に対応する画素を検出し、人間の足元周辺の画素を
抽出するわけだが、今回は足元周辺画素を４画素とし
た。これは、検出された足元位置を基準として、その両
外で人間領域外の２画素ずつが基本である。ただし、人
間領域が熱画像データの端に位置していたり、近接して
他の人間領域があったりすると有効な画素が得られな
い。その場合は少ない画素から足元温度を検出してもよ
いが、足元温度検出装置に多層パーセプトロンを使用す
る場合は入力データの数が揃っている事が望ましいの
で、その周辺の画素の１２４に示すように、足元位置に
該当する画素を中心として優先順位リストを作成し、優
先順位の高いものから順に４画素を抽出するという手法
を用いた。このようにして抽出された４画素の値と足元
位置情報等が周辺画素信号１４０になる。

【００５４】ニューラルネットワークを用いた足元位置
検出手段１０１の代わりに、周辺画素抽出手段１１０か
ら得られた４画素の値を平均して足元温度とする足元温
度検出手段を用いる方法もあり、より簡易な処理で実現
できる。

【００５５】次に、室内部位温度検出手段１０２につい
て説明する。壁上のエアコンの取付位置が中央、右、左
のいずれかであるか、および室内の広さに関する情報が
得られれば、熱画像上のどの位置に壁と床の境界が現れ
るかがあらかじめ算出できる。そこで、室内部位温度検
出手段１０２では、これらの室内の広さおよびエアコン
の取付位置に関する情報を空気調和機にスイッチを付け
ることにより得、これらの情報を基に壁や床の境界線の
画素を算出し、各境界線画素により囲まれる領域をそれ
ぞれ３方面の壁と床とする。さらに、各領域毎に平均温
度を算出し、室内の各部位毎の平均温度を算出する。こ
こで、発熱物体や隣室条件、日射などの影響により、同
一の床や壁でも部分的に温度が異なることがあるので、
各部位を複数のブロックに分割して扱ってもよい。図１
６−（ａ）は、空気調和機が８畳の正方形の室内の一壁
面に中央設置した場合の、壁及び床の熱画像の見え方の
例である。ここでは、床面を６分割している。１３０は
左壁、１３１は奥壁、１３２は右壁、１３３から１３８
は６つに分割された床面ブロックである。図１６（ｂ）
は左設置の場合の壁及び床の熱画像の見え方の例であ
る。１４０は左壁、１４１は奥壁、１４２は右壁、１４
３から１４８は６つに分割された床面ブロックである。
このように、部屋の広さと空気調和機の設置位置に関す
る情報を得ることにより、熱画像上のどの位置に室内の
各部位が現われるかをあらかじめ知ることができる。

【００５６】次に、輻射温度検出手段１０３について説
明する。前記３方面の壁と床の各部位からの温度および
足元付近の温度から個人毎の輻射温度を算出する。従
来、設定温度のみを制御指標とする空気調和機では、足
元や外気と接している側の壁からの冷え込みなどの輻射
の影響が考慮されていないために空気温度は設定温度に
達していても、これら躯体からの冷輻射のために快適で
ないという問題があった。また、輻射を考慮したものと
して、床面上の離れた複数領域の温度を計測し、より冷
えた方の床面領域を優先的に暖める空調方式も行われ始
めている。しかしながら、輻射温度を制御指標の一部に
用いる場合、床だけでは不十分で、室外が寒い日など壁
や窓からの輻射が大きい場合も多い。また、床や壁は異
なった物性値を持った材質や壁体構成をしており、さら
に人体に対する輻射の方向が床と各壁面では異なるの
で、壁や床など各部位からの影響を分けて考慮する方が
輻射の算出については正確である。図１７の輻射温度検
出手段１０３の構成を示す。１５０は、室内部位温度検
出手段１０２で得られた室内の各部位の画素ブロックの
平均温度を算出する平均温度算出手段、１５１は足元温
度検出手段１０１から得られる足元温度と平均温度算出
手段１５０から得られる各部位毎の平均温度から個人毎
の輻射温度を算出する輻射温度算出手段である。輻射温
度算出部では在室者付近の足元温度、床面ブロックの平
均温度、および室内の３方向の壁の平均温度に合計が１
となる係数を掛け加えることで、在室者毎に各部位から
の輻射を算出する。床面ブロックについては、在室者の
位置に応じて分割した床面の一部を用いることも可能で
ある。

【００５７】次に、制御指標決定部１１について説明す
る。第１の実施例における制御指標決定部１１では在室
者毎の快適度を算出し、優先的に空調する制御対象を選
択する。快適度算出のために、人間的要素として在室者
毎に活動量算出と着衣量推測を行う。また、環境的要素
としては室温、湿度、輻射温度および気流は環境情報抽
出部から得る。以下に、活動量検出部、快適度検出部の
順で説明する。

【００５８】制御指標として快適度としてＰＭＶを制御
指標とする場合、人間の状態として活動量が重要な要素
であることは知られている。ＰＭＶで用いられる活動量
は、ＭＥＴ値と呼ばれ、ＭＥＴ値と人の状態の関係は、
臥位で横になりリラックスしている場合でＭＥＴ値０．
８、静かに椅子に座っている状態で１．０、立位でリラ
ックスしている状態で１．４、立位で軽作業をしている
状態で１．６、時速３キロメートルで歩行している状態
で２．０、時速５キロメートルで走っている場合や激し
く動いている状態で３．０である。通常、家庭内では標
準的な生活を行っている場合、０から２．０の間のＭＥ
Ｔ値をとる。従来の活動量の検出方法は、ある領域の発
熱物体の動きを赤外線センサーで検出し、その出力値の
大きさで活動量の大小を判断していた。しかしながら、
上記従来の活動量検出方式では、例えば室内に複数の在
室者が居て何人かは静止していても、他の在室者が室内
を動き回れば一律的に活動量が大きい状態であると判断
され、活動量の大きな人に合わせて空調機が制御されて
しまうという課題があった。また、活動量を検出するた
めの赤外線センサーの検出領域も室内の一部だけである
だけでなく、赤外線センサーの出力値と実際の人の動き
の関係付けが曖昧であるため活動量の検出精度は低かっ
た。そこで、本発明では上記従来の課題を解決するため
に、室内の広い範囲について在室者の位置を検出し、在
室者毎の現在位置に対する静止継続時間である滞在頻度
を求めることで、在室者毎の活動量を検出する。

【００５９】図１８に第１の実施例の活動量検出部１２
の構成図を示す。１６０は在室者の足元位置情報を記憶
しておくための個人情報記憶手段、１６１はあらかじめ
複数領域に分割した各床面領域毎の滞在頻度を計数する
滞在頻度算出手段、１６２は滞在頻度と活動量を関係付
ける活動量算出部である。以上のように構成された活動
量検出装置について、その動作を説明する。

【００６０】室内が８畳の正方形の部屋である場合、人
の位置検出用に図１９（ａ）に示すように、あらかじめ
床面を、例えば６０ｃｍを単位として６×６に分割し、
位置番号としてナンバリングしておく。足元位置検出手
段６１により得られた在室者毎の床面位置は個人情報と
して個人情報記憶手段１６０に記憶される。図１９
（ｂ）に個人情報記憶手段１６０に記憶されている個人
情報の例を示す。個人情報には計測された時刻、そのと
きの在室者の人数、各在室者の床面番号が人数分記載さ
れている。次に滞在頻度算出手段１６１では、サンプリ
ング周期３０秒で現在時点から過去３分間の足元位置情
報を用いる場合、個人情報の中の床面位置番号から各床
面番号毎の滞在者の頻度を計数する。そして、現時点の
足元位置検出手段６１で得られた在室者の床面番号に対
応する滞在頻度の部分だけを抽出する。 図２０（ａ）
に床面位置に対応する滞在頻度の例を示す。位置番号３
２の滞在頻度は６で静止していると考えられ、位置番号
１７の人の滞在頻度は１でどこか他の位置から移動して
来たばかりであると考えられる。位置番号９の人は、９
の位置に滞在して２分しか経過していないか、３分の時
間の中で途中に１分間どこか別の場所に移動したと考え
ることができる。ここで得られた滞在頻度は、当該床面
位置に対して過去にどの程度、在室者が静止していたか
を表す指標となる。つまり人が移動している場合は３０
秒のサンプリング周期では計測間隔が長すぎて在室者毎
の移動距離などを算出することはできず、人の移動距離
を活動量として用いることはできない。しかし、室内に
おいては人は移動しているより静止していることが多い
ため、３０秒程度の長い時間間隔でも同じ位置に人がい
れば、同じ人が滞在し続けていると判断して良い場合が
多い。活動量算出手段１６２では滞在頻度算出手段１６
１で得られた、現在の在室者毎の滞在頻度と活動量を関
係づける。図２０（ｂ）に関係付けの対応関係の例を示
す。滞在頻度が最大値の６の場合静止していると考えら
れるので活動量は１．０である。滞在頻度が５は静止し
つつも多少移動した可能性が考えられるので活動量１．
２、滞在頻度３、４については静止状態への過渡的な状
態か、他の在室者の滞在頻度を取り込んだ可能性がある
ので中程度の１．６、滞在頻度１、２については別の場
所から移動してきたばかりなので高い活動量２を対応付
けた。この対応付けは個人情報記憶手段５で記憶するサ
ンプルの数によって変わってくる。このようにして、逐
次この滞在頻度を算出することによって、静止度合いの
高い人の場合は、滞在頻度が最大頻度近辺の値を出力し
続け、掃除などのように移動していることが多い場合は
滞在頻度が小さい値が出力され続けるので、精度良く活
動量を検出することができる。また、静止者と活動的な
在室者の分離が可能なので、活動量の高い在室者と活動
量の低い在室者が在室している場合は、制御指標である
快適度を活動量の低い在室者に合わせることもできる。

【００６１】また、室内を領域分割すると必ず領域の境
界に人間が居る場合が出てくる。その場合多少の人の動
きや、足元位置検出手段６１における検出精度が非常に
高精度でないと計測の度にたとえ人が静止していても検
出位置がずれてしまう可能性がある。そこで、あらかじ
め各床面位置に対して周辺床面領域を定めておき滞在頻
度算出の際に周辺領域の滞在頻度度も考慮することで静
止している人を精度良くとらえることができる。図２１
（ａ）に床面に対する周辺定義の例を示す。床面番号３
１は角にあるので、それをとりまく床面番号２５、２
６、３２を周辺とする。床面番号３については辺に位置
しているので、それをとりまく床面番号２、４、８、
９、１０を周辺領域と定義する。床面番号２３は中にあ
るのでそれをとりまく床面番号１６、１７、１８、２
２、２４、２８、２９、３０を周辺領域と定義する。滞
在頻度算出手段１６１では現在の在室者の床面番号に加
え周辺領域の床面番号の滞在頻度を計数する。図２１
（ｂ）は、図１９（ｂ）の個人情報に対する周辺領域を
含めた滞在頻度算出の例である。床面番号１７の位置に
いる人の滞在頻度は周辺を含めない場合１であったが、
周辺を含めると滞在頻度４となり、移動の仕方が離れた
場所を動き回っているのではなく、現在居る点の付近を
動き回っていることが分かり活動量としてはそれほど高
くはない値を関係づけることができる。

【００６２】また、活動量検出部１２では熱画像計測の
サンプリング周期が１、２秒程度以内の短い期間の場
合、室内での人の移動速度に限界があることから、２枚
の熱画像から抽出された在室者の足元位置から在室者の
対応付けを行い、移動速度を求めることができる（以
降、移動量と呼ぶ）。このようにして、移動している在
室者についても移動量を求めることで、活動量検出の精
度を高めることができる。以下に、移動量を用いた活動
量検出例を示す。

【００６３】図２２に第１の実施例の移動量を用いた活
動量検出部１２の構成図を示す。１７０は連続する２つ
の計測間隔の足元位置情報から移動距離を算出する移動
量検出手段、１７１は現時点より過去Ｔ１分間の位置と
移動量に関する情報を記憶する個人情報記憶手段、１７
２は所定期間の代表となる移動量を得る期間移動量算出
手段、１６１は図１８に示したと同様な静止者を検出す
るための滞在頻度算出手段、１７３は活動量算出手段で
ある。

【００６４】以上のように構成された活動量検出部１２
について、その動作を説明する。図２３に、室内で最も
活動的であると思われる掃除機を用いた掃除のシーンに
ついて、実際の家庭でビデオ録画し１秒毎の移動距離
を、６０ｃｍを一単位としてプロットしたグラフを示
す。横軸が掃除開始からの経過時間で１秒毎にサンプリ
ングしている。縦軸は距離で１目盛りが６０ｃｍであ
る。掃除の特徴としては、単位時間に移動する距離、す
なわち速さが速いというよりも、距離の短い移動が継続
する点に特徴がある。移動量は、室内にある物を取りに
行く、であるとか、室内を通り過ぎるなどの行動の場合
の方が速いが、数秒で完結してしまうので活動的である
とはいえない場合が多い。それゆえ、在室者の活動量を
判断する場合、ある瞬時の移動距離で判断するよりも、
一定期間の移動距離の積分で判断することが適している
ことがわかる。さて、この活動量検出部１２の動作であ
るが、得られた在室者毎の足元位置情報を入力として移
動量検出手段１７０に送られる。以下に、移動量検出手
段１７０について説明する。

【００６５】図２４は、移動量検出手段１７０の構成図
である。ここで、サンプリング時間を△ｔとし、時刻ｔ
に検出された足元位置情報を足元位置情報Ｆ（ｔ）、１
サンプル前に検出された足元位置情報を足元い値情報Ｆ
（ｔ−△ｔ）と呼ぶ。１８０は在室者の足元位置情報お
よび記憶する位置記憶手段である。１８１は位置記憶手
段に記憶された足元位置情報Ｆ（ｔ）と足元位置情報Ｆ
（ｔ−△ｔ）を入力とし、あらかじめ定められた時間△
ｔ内で人間が移動できる距離の最大値である最大移動距
離を用いて、足元位置情報Ｆ（ｔ）について最大移動距
離内にある在室者を足元位置情報Ｆ（ｔ−△ｔ）から検
索する移動可能判定手段である。１８２は移動可能判定
手段から出力される足元位置情報Ｆ（ｔ−△ｔ）の中か
ら足元位置情報Ｆ（ｔ）に、最も距離が近い足元位置情
報を検索し、順に２対の組み合わせを定める最近傍検索
手段である。１８３は最近傍検出手段から出力される距
離を入力とし、在室者毎に移動量を出力する移動速度計
算手段である。

【００６６】以上のように構成された移動量検出手段１
７０について、その動作を説明する。まず、各サンプリ
ングタイミングで足元位置検出手段６１で検出された足
元位置情報を位置記憶手段１８０に順次記憶する。次
に、移動可能判定手段１８１で位置情報を位置記憶手段
１８０に順次記憶する。次に、移動可能判定手段１８１
で位置記憶手段１８０に記憶されている足元位置情報Ｆ
（ｔ）と足元位置情報Ｆ（ｔ−△ｔ）の距離計算を行
う。その際、ｔおよびｔ−△ｔの在室者の組み合わせ全
てについて距離計算を行い、最大移動距離以内にある組
み合わせが選ばれる。次に、最近傍検索ユニット１８２
では、移動可能判定手段１８１から出力される足元位置
情報Ｆ（ｔ−△ｔ）と足元位置情報Ｆ（ｔ）の組み合わ
せの中から、最も距離が近い位置の組み合わせの対が出
力される。この時、△ｔ間に人数が増加した場合、足元
位置情報Ｆ（ｔ）の中に対になれず余るものができる
が、この場合は、他の部屋からの入室であると考えられ
るので最大移動距離を移動距離の代替する。また、△ｔ
間に人数が減少した場合、足元位置情報Ｆ（ｔ−△ｔ）
の中に対になれず余るものができるが、この場合は現時
点で人が減ったので問題にしない。次に、移動速度計算
手段１８３では、最近傍検索手段１８２から出力される
各組の移動距離と時間間隔△ｔから各在室者の移動速度
が計算される。以上のような構成で、移動量を計算する
ことにより、人間が例えば部屋の両角に離れて存在して
いた場合であっても、人間が可能な移動速度を越えるこ
となく、正しい人間の移動速度を求めることができる。
また、室内を複数領域に分割せず、足元位置を座標で求
め、座標から移動距離を算出し、移動量を求めることも
可能である。このようにして、室内の在室者毎の移動量
を求めた後、室内の一定期間の代表となる移動量（以
降、期間移動量と呼ぶ）を算出する。

【００６７】図２５に個人情報記憶手段１７１に記憶さ
れている個人情報の例を示す。個人情報には計測された
時刻、そのときの在室者の人数、各在室者の床面番号お
よび距離が人数分記載されている。図１９（ｂ）と異な
るのは距離が含まれている点である。期間移動量算出手
段１７２では、個人毎の移動量と期間移動量を関係づけ
る。期間移動量は活動度合いの大きい順にＡ、Ｂ、Ｃの
ランクで表現する。ランクＡの求め方について図２６
（ａ）を見ながら説明する。最初に各在室者の移動量の
平均値を求め、しきい値Ｈ１を越えるか否かを判定す
る。この処理をＴ１分間のおのおのの計測サンプルに対
して行い、Ｔ１分間に何回あるかを計数する。そして、
その値があらかじめ定められた頻度のしきい値Ｎ１より
大きい場合期間移動量ランクＡとする。次に図２６
（ｂ）を見ながら期間移動量ランクＣの求め方について
計数し、その値があらかじめ定められた頻度のしきい値
Ｎ２より大きい場合を期間移動量ランクＣとする。上記
ランクＡまたはランクＣの両方に入らない場合、期間移
動量ランクＢとする。ここで、移動量だけでなく頻度に
ついてもしきい値を設けたのは活動的な生活シーンの中
にも移動しないことや、くつろいでいるシーンの中にも
移動することがあるためである。

【００６８】上記の方法で算出した期間移動量に、滞在
頻度算出手段１６１から得られる静止者の有無や人数を
組み合わせて、活動量算出手段１７３では活動量と対応
付ける。図２７に期間移動量算出手段１７２から得られ
る期間移動量と、滞在頻度算出手段１６１から得られる
滞在頻度と、人数検出手段６０から得られる人数を活動
量に関係づけた例を示す。図２７で、表の中の値は活動
量であり、静止者とは滞在頻度算出手段１６１で滞在頻
度が最大値の９０％以上の頻度の在室者居る場合を表し
ている。上記方法で活動量を検出することにより、生活
シーンに沿った活動量検出が可能となる。

【００６９】次に、快適度検出部について説明する。従
来は快適度算出の際、室内を代表する快適度の算出を行
うものがあったが、ここでは、主に個人毎に快適度の算
出を行い、それらを制御指標とする。快適度ＰＭＶの入
力要素として、環境的要素としては室温、湿度、気流、
輻射温度が必要であり、人間に関する要素としては活動
量、着衣量が必要である。また、算出のためのＰＭＶ算
出式が必要である。各要素は、それぞれ室温は空気調和
機の吸い込み温度を計測する室温センサー３の計測値を
用い、湿度については空気調和機の本体に設置した湿度
センサー４の計測値を用いる。気流については個人別に
気流算出手段１００から得る。輻射温度についても、個
人別に輻射温度検出手段１０３より得る。個人別の活動
量については活動量検出部１２より得る。着衣量１９５
については、快適度検出部１３の中で、人間領域検出部
８の出力である人間画素ブロックの平均温度を算出し、
算出した平均温度が、あらかじめ定められたｃ１ｏ値に
対応するいくつかのランクのどのランクにはいるかで推
測する。その際、外気温と季節によって一般的に着衣を
変える場合が多いので、カレンダ１５の値を基に春夏秋
冬の４季に各月を対応させ、月と外気温の値から前記ラ
ンクを条件分けすることも可能である。このことにより
対象となる人物の熱画像を用いた着衣量の検出が可能と
なる。ＰＭＶ算出式については、以下に例を示す。

【００７０】ＰＭＶ＝（０．３０３ｅ^-2.1M＋０．０２
８）・｛５８．１５（Ｍ−Ｗ）−３．０５・１０^-3［５
７３３−４０６．７（Ｍ−Ｗ）−Ｐａ］−２４．４２
［（Ｍ−Ｗ）−１］−１０^-3・Ｍ（５８６７−Ｐａ）−
０．０８１４・Ｍ（３４−ｔａ）−３．９６・１０^-8ｆ
ｃ１［（ｔｃ１＋２７３）⁴−（ｔｒ＋２７３）⁴］−ｆ
ｃ１・ｈｃ（ｔｃ１−ｔａ）｝ ここで、各記号の意味は以下のとおりとする。

【００７１】Ｍ ：代謝量（Ｍｅｔ値） Ｗ ：外部への機械仕事（大部分の代謝量について零
と仮定できる） Ｐａ ：水の水蒸気圧 ｔａ ：空気温度 ｔｒ ：平均輻射温度 ｆｃ１：衣服で覆われた部分と露出部分の面積比 ｔｃ１：衣服の表面温度 ｈｃ ：対流熱電熱係数 対流熱伝達係数ｈｃはＶｒを気流（ｍ／ｓ）としたとき ２．３８（ｔｃ１−ｔａ）^0.25＞１２．１ｋｇ Ｖｒ の条件が満たされればｈｃ＝２．３８（ｔｃ１−ｔａ）
^0.25であり、 ２．３８（ｔｃ１−ｔａ）^0.25≦１２．１ｋｇ Ｖｒ の場合ｈｃ＝１２．１ｋｇＶｒと定めることができるの
で気流が分かれば算出可能である。

【００７２】また、衣服で覆われた部分の面積と露出部
分の面積比ｆｃ１についても、ｃ１ｏ値をＩｃ１とした
場合、 Ｉｃ１＜０．５の条件が満たされればｆｃ１＝１．００
＋０．２・Ｉｃ１ Ｉｃ１≧０．５の条件が満たされればｆｃ１＝１．０５
＋０．１・Ｉｃ１ と定めることができる。

【００７３】このように、ＰＭＶ算出のための各入力要
素が検出可能なので各個人別の快適度ＰＭＶを算出する
ことができる。次に、個人別に算出した快適度を基に空
気調和機の制御を行うための制御指標を判定する。複数
の在室者が室内に居る場合、活動度合い、空間的な輻射
の影響など内外の条件により各個人の快適度が異なる場
合がある。その場合、上記方法で検出した快適度があら
かじめ決められた快適域、例えばＰＭＶ±０．５以外の
在室者が居る場合、当該在室者を優先的に空調する。ま
た、在室者全員が快適域に入る場合で在室者の位置を中
心とした風向制御を行う。以下に第１の実施例における
空調制御の例を示す。図２８（ａ）は室内に２人の在室
者がいて各自のＰＭＶがほぼ同じであるような安定時の
場合の暖房時の空調例である。２００は室内、２０１は
空気調和機、２０２は赤外線２次元センサー、２０３は
座位の在室者、２０４はもう一人の座位の在室者、２０
５はドア、２０６は風向、風量、２０７は２次元赤外線
センサーの検出範囲である。この場合、在室者２０３と
在室者２０４は座位で静止しているため活動量が同じで
あり、また床面、壁面から受ける輻射、および気流の強
さも同等と仮定したとき、２人のＰＭＶは同じであり、
吹き出し温度は室内の温熱環境を維持する程度、風向は
ワイドで風量は中である。図２８（ｂ）は、図２８
（ａ）の状態から時間が経過し、在室者２０３が移動す
ると共に室内のドアが開き、冷たい空気が室内に入り込
んだ場合の空調例である。２１３は立位で移動した在室
者、２１４は座位のまま静止している在室者、２１５は
開かれたドア、２１６はこのときの風向と風量である。
この場合、ドア２１５から入り込んだ冷風のため在室者
２１４付近の床温度が冷え、床や壁に温度低下が２次元
赤外線センサー２０７により観測される。また、２１３
の在室者は立位で動きだしたために、２１４の座位の在
室者に比べて高い活動量が観測される。この場合、ＰＭ
Ｖは在室者２１３付近では高く、在室者２１４付近では
低くなるため風向は在室者２１４を中心に向けられる。
また冷風がドア２１５から入ってきたことで吹き出し温
度も高めに制御される。また、在室者２１３が動かなか
った場合でも、ドア２１５からの冷風により在室者２１
４付近の床や壁が温度が下がり在室者２１４に対する輻
射温度が低い場合も、風向は在室者２１４の方向に向け
られるが、活動量が同等なためその後ドア２１５が閉め
られれば短時間で安定時の空調制御に戻る。このよう
に、在室者のおのおのの人の快適度を推定し、それに基
づいて空調を行うことで人の快適度に沿ったきめ細かな
空調が可能となる。なお、在室者が存在しない場合は、
室内の中央に活動量がゼロで所定の着衣量を有する在室
者が存在すると仮定し制御指標を定めたり、室内の床や
壁の温度の低い場所に温風を送風するなどの制御を行う
ことも可能である。なお、冷房の場合も同様な制御が可
能である。また、風向制御について、１サンプル毎に風
向を変えるのでは不安定である場合は、足元位置検出手
段６１の出力を見ながら、在室者の位置移動を調べし、
同じ位置に連続して在室者が居る場合のみ、風向制御の
対象とすることも可能である。

【００７４】以下、本発明の第２の実施例について説明
する。図２９は本発明第２の実施例の構成図である。第
１の実施例との違いは、個人情報抽出部と環境情報抽出
部の出力内容を増やすと共に、画像処理部に人間領域補
正部３００と、累積処理部３０１と、室内部位判定部３
０２を付加したこと、画像処理部内の個人情報抽出部３
０３と環境情報抽出部３０４に変更したこと、画像処理
部の出力情報の増加に伴い活動量検出部３０５に変更し
たこと、さらに制御指標決定部に生活シーン推定部３０
６を付加したこと、さらに空調制御部３０７を変更した
こと、時計３０８と光センサー９を付加したことであ
る。以下は、第１の実施例と同様である。以下に動作を
説明する。

【００７５】最初に、人間領域補正部３００について説
明する。前記人間領域検出部８では、温度分布を表す画
像の各画素に対して、その画素の温度値が、画素が人間
をとらえていると判断できる温度範囲に含まれていれ
ば、その画素を有効な画素として残し、そうでなければ
無効な画素として取り除くというような処理を行うこと
で人間領域画像が作成した。しかし、人間の服装などの
具合で、本来は人間をとらえている画素の温度値が、人
間をとらえていると判断できる温度範囲と合わず、その
画素が無効な画素として処理されるため、本来１つの領
域となるべき人間の領域が複数の領域に分断された人間
領域画像が作成されてしまう場合が発生する。この様な
人間領域検出部８の課題を人間領域補正部３００では補
っている。

【００７６】人間領域補正部３００の一実施例につい
て、図面を参照しながら説明する。図３０において、３
１０は切り出し画素接続手段、３１１は孤立点検索手
段、３１２は周辺画素検出手段である。

【００７７】人間領域検出部８で検出された人間画素ブ
ロックは代表点と共に、切り出し画素接続手段３１０に
入力される。この人間画素ブロックの各画素の２次元座
標の周囲８画素に切り出された画素が存在するかどうか
の情報を生成するのが切り出し画素接続手段３１０であ
る。この接続情報を孤立点検索手段３１１に入力する。
孤立点検索手段３１１は、接続情報に基づいて周囲８画
素に切り出された画素が存在しない孤立した点があるか
どうかを確認し、孤立点情報を出力する。孤立点情報
は、周辺画素検索手段３１２に入力され、孤立点の２次
元座標の一画素離れた周囲１６画素に切り出された画素
が存在するかどうかを検索する。周囲１６画素に切り出
された画素が存在する場合は、その切り出し画素と連結
する。また、存在しない場合は、該当孤立点を消去する
処理を行う。この結果、周辺画素検索手段３１２から
は、修正された人間画素ブロックが出力され、その中に
は孤立点を含まないことになる。ただし、画像の２次元
座標上の画素の位置によっては孤立点が存在する可能性
がある場合は、孤立点の座標により、消去および連結を
行わない例外処理を入れる。最後に再度修正された人間
画素ブロックを基に代表点の算出を行う。

【００７８】以上の人間領域補正部３００は、画像に上
乗するノイズ除去や他の暖房器具が小さな人間領域とし
て判断されたり、人間の服装などの具合で、本来は１つ
の人間領域であるはずのものが分断されたりするような
場合においても、小さな人間領域を孤立点として消去し
たり、分断された人間領域の間を補完することにより、
正しく人間領域を抽出し、その人間領域画像から人間情
報が検出することができる。

【００７９】次に、累積処理部３０１について説明す
る。累積処理部３０１は、画像から領域の形状認識が正
確に行えない場合、人間や室内の情報の検出は難しい
が、人間と室内の情報を人間の動きと関連付けて、その
情報を有効に利用して容易に人間と室内情報を算出す
る。

【００８０】図３１に累積処理部の構成図を示す。図３
１において３２０は人間の位置の累積記憶手段Ａ、３２
１は静止物体判定手段、３２２は静止物体の画素位置記
憶手段、３２３は累積記憶手段Ｂ、３２４は室内代表点
判定手段を示す。

【００８１】人間領域補正部３００で得られた人間画素
ブロック代表点は、画像と同程度の解像度を持つ累積記
憶手段Ａ３０１に記憶される。この累積記憶手段Ａ３０
１にはＭ枚の熱画像から検出された人間の代表点の画素
位置の回数が記憶される。Ｍ枚の熱画像についての累積
記憶が完了した累積記憶手段Ａ３０１からの累積位置情
報は、静止物体判定手段３２１により人と静止物体の区
別等が行われ、検出された静止物体の画素位置記憶手段
３２２に記憶される。また、累積記憶手段Ａ３０１はデ
ータを加工され累積記憶手段Ｂ３２３に記憶される。累
積記憶手段Ａ３０１には人間の居た場所には１、人間が
居ない場所には０が記憶される。累積記憶手段Ａ３０１
は、累積記憶手段Ｂ３２３にデータを記憶すると消去さ
れ、再度累積記憶が行われる。累積記憶手段Ｂ３２３
は、Ｎ回の累積記憶手段Ａ３０１からのデータを書き込
んだ時点で、室内代表点判定手段３２４で後述のような
処理が実行され、消去される。累積き奥手段Ｂ３２３も
消去された後は、同様な処理を最初から実行される。累
積記憶手段Ｂ３２３のデータを処理することにより２次
元赤外線センサーの室内の設置位置や室内の壁面や床面
の位置、および容積等が算出される。

【００８２】次に図３１の静止物体判定手段３２１の詳
細な処理を述べる。累積記憶Ａ３０１内部には、熱画像
の各画素毎に人間の位置として検出された回数が格納さ
れている。例えば、２次元の累積記憶手段Ａ３０１上の
座興（Ｘ２，Ｙ２）における結果をＳｘ２，ｙ２とす
る。この回数Ｓｘ２，ｙ２は、しきい値ＴＨ１（正の整
数）と比較され、ＴＨ１よりも大きな値を示すものは、
静止物体として静止物体リスト（記憶）が作成される。
図３２では、Ｍを１２０回にした例を示しているので、
ＴＨ２を１００にした。以上のように、Ｍ枚熱画像の
内、同じ位置の切り出された回数が記憶されて累積記憶
にＭに近い値を持つ物体の位置は、人と誤って切り出さ
れた静止物体（例えば、ストーブや電気カーペット等が
挙げられる）であると判断することができる。つまり、
静止物体は動きがないために、その記憶された位置には
Ｍ値に近い数値が格納されているので、多少動きがある
人体と区別することができる。

【００８３】次に、図３３に、累積記憶手段Ａ３０１の
情報を累積記憶手段Ｂ３２３に記憶する処理を示す。累
積記憶手段１のＳｘ２ｙ２の値をしきい値ＴＨ２と比較
して Ｓｘ２ｙ２＞ＴＨ２ の場合、累積記憶手段Ｂ３２３上の座標（ｘ２，ｙ２）
に１を書き込み、その他の場合は何もしない。この処理
をＮ回繰り返すことにより、累積記憶手段Ｂ３２３の１
の領域を確認すると人間の移動範囲を示すことになる。
しきい値ＴＨ２との比較は誤って人と検出された処理の
結果を除去するために行っている。累積記憶手段Ｂ３２
３の情報は、室内代表点判定手段３２４で処理すること
により、例えば、図３４に示すような処理が行える。以
下に、室内代表点判定手段３２４について説明する。累
積記憶手段Ｂ３２３には人間の居た位置には１、居ない
場所には０が格納されるので、これを水平方向に３つに
分割する。この分割されたブロックＡ，Ｂ，Ｃの領域毎
に１の累計を求める。求められた各ブロックの累計をＳ
Ａ、ＳＢ、ＳＣの値を次のような判断を行い、空調機器
が壁面上の中央設置なのか、左設置なのか、右設置なの
かを判断する。

【００８４】ＳＡ＜ＴＨでＳＣ≧ＴＨの場合はＣ側設置
とする。ＳＣ＜ＴＨでＳＡ≧ＴＨの場合はＡ側設置とす
る。この他の場合は、中央設置とする。

【００８５】また、室内の床・壁面等の各部位も室内代
表点判定手段３２４で実行される。図３５に室内の各部
位の判定の例を示す。図３５において、累積記憶Ｂ３２
３から得られる人間の移動範囲をＡ、Ｂ、Ｃ、Ｄで囲ま
れた範囲とする。Ａの座標を（Ｘ１，Ｙ１）、Ｂの座標
を（Ｘ２，Ｙ２）、Ｃの座標を（Ｘ３，Ｙ３）、Ｄの座
標を（Ｘ４，Ｙ４）とすると、Ａは、Ｘ１がしきい値Ｔ
Ｘ以上で、Ｙ１が最も大きな点とする。Ｂは、Ｘ２がし
きい値ＴＸ未満で、Ｙ２が最も大きな点とする。Ｃは、
Ｘ１がしきい値ＴＸ以上で、Ｙ１が最も小さな点とす
る。Ｄは、Ｘ２がしきい値ＴＸ未満で、Ｙ２が最も小さ
な点とする。これらＡ，Ｂ，Ｃ，Ｄは十分長い時間の累
積の下では、室内の人間の移動範囲である床面の形態を
表す代表点となる。そこで、各代表点の座標を出力す
る。また、室内が四角形でない部屋についても床面形状
を代表する点を判定することができる。

【００８６】累積処理部３０１は、可視画像を入力する
画像入力手段でも、エッジ、線や色を用いて人間の位置
を検出することにより、本発明の累積記憶部３０１によ
り人間と室内情報を獲得することができる。

【００８７】次に、室内部位判定部３０２について説明
する。累積処理部３０１で得られた図３５に示したごと
くＡ、Ｂ、Ｃ、Ｄのポイントが求められたら、Ａ−Ｂ−
Ｃ−Ｄで囲まれた範囲を床面、Ａ−Ｄ−Ｄ’−Ａ’で囲
まれた範囲を左壁面、Ａ−Ｂ−Ｂ’−Ａ’で囲まれた範
囲を正面壁面、Ｂ−Ｃ−Ｃ’−Ｂ’で囲まれた範囲を右
壁面として判定する。各、床や壁と画素の対応関係は熱
画像の画素と同じ個数同じ形態を持った配列データ構造
を用意し、配列内に領域毎に異なった記号を代入するこ
とで、各画素がどの部位に対応するかを知ることができ
る。

【００８８】次に、個人情報抽出部３０３について説明
する。個人情報抽出部３０３では第１の実施例の人数検
出および足元位置の検出に加えて、在室者の姿勢の検出
と、皮膚温度の検出と、着衣量の検出を行う。図３６は
第２の実施例における個人情報抽出部３０３の構成図で
ある。３３０は人間領域補正部３００で出力された人間
画素ブロックと足元位置情報から姿勢の検出を行う姿勢
検出手段、３３１は姿勢検出手段から出力される姿勢と
人間画素ブロックから皮膚表面温度を出力する皮膚温度
検出手段、３３２は着衣量を検出する着衣量検出手段で
ある。

【００８９】以下に、各部の動作を説明する。姿勢検出
手段３３０では、検出対象となる姿勢を立位、臥位、座
位の３種類としている。図３７は姿勢検出手段３３０の
構成図である。図３７において、３４０は人間領域補正
部３００から得られる人間画素ブロックと熱画像から人
間を含む長方形ブロックを抽出し、前記長方形ブロック
の縦の大きさを検出する辺画素数検出手段Ａ、３４１は
前記長方形ブロックの横の大きさを検出する辺画素数検
出手段Ｂ、３４２は長方形ブロックを３×３の大きさの
ブロックに標準化する変換手段、３４３は姿勢推測手段
である。姿勢推測手段３４３は、統計処理やニューラル
ネットワークを用いる方法等の各種の方法があるが、本
実施例では、バックプロパゲーション法によってあらか
じめ学習済みの多層パーセプトロンを用いた。

【００９０】人間領域補正部３００で検出された人間画
素ブロックは、３４０と３４１の辺画素検出手段Ａ，Ｂ
において、人間画素ブロックと熱画像から、周辺を含む
長方形ブロックを抽出し、その縦と横の画素数を検出し
それぞれ縦辺画素数、横辺画素数を出力する。変換手段
３４２においては、様々な大きさの人間画素ブロックを
３×３画素のブロックに相当する信号に標準化し、定型
画素信号として出力する。前記、縦辺画素数、横辺画素
数、定型画素信号、足元位置検出手段６１から得られた
足元位置情報を入力とし、ニューラルネットワーク使用
の姿勢推測手段３４３で計算させることで人間の姿勢が
得られる。ニューラルネットワーク使用の姿勢推測手段
３４３は、あらかじめバックプロパゲーション法を用い
て、様々な位置で異なる姿勢をとった十分な数のデータ
と適当な教師信号を与えることで学習を行い、誤差が収
束したとみなされる状態にあるものとする。なお、この
姿勢推測手段３７３においては、多層パーセプトロン以
外にも、ＬＶＱ等の他のニューラルネットワークのモデ
ルを使用することが可能である。

【００９１】図３８に、姿勢検出手段３３０の処理例を
示す。３５０は計測された熱画像、３５１は人間領域補
正部３００から得られる人間画素ブロックである。この
人間画素ブロックを熱画像を用い辺画素検出手段Ａ３４
０および辺画素検出手段Ｂ３４１を用い縦横の長さを検
出し、長方形ブロック３５２に改める。長方形ブロック
３５２は、人の位置により人間領域の大きさが一定しな
いため、様々な大きさとなることが考えられる。これを
ニューロンの数が固定されている多層パーセプトロンに
そのまま入力することはできないので、何らかの方法で
データの標準化を行わなければならない。ここでは３４
２の変換手段において、面積比を用いて３×３の９画素
のデータに標準化する場合について説明する。図３８
に、４×５の長方形ブロックを標準化する手順を示す。
４×５の２０画素それぞれの値をａ〜ｔとし、標準化さ
れた３×３の９画素それぞれの値をＡ〜Ｉとすれば、面
積比を用いて標準化して、例えばＡの値は Ａ＝｛０．２５＊０．２＊ａ＋０．２５＊（０．３３−
０．２）＊ｅ＋（０．３３−０．２５）＊０．２＊ｂ＋
（０．３３−０．２５）＊（０．３３−０．２）＊ｆ｝
／（０．３３＊０．３３） となる。同様にしてＢ〜Ｉも求めることができる。

【００９２】そのほかに補助的なデータとして、足元位
置情報、縦横の画素数とともにあらかじめバックプロパ
ゲーション法によって学習済みの、１２入力４出力の多
層パーセプトロンに入力することによって、室内の人間
の姿勢が得られる。

【００９３】また、ニューラルネットで学習させる際、
学習データに２次元赤外線センサーからの人体の向きを
変えたデータを加えることで各姿勢における向きを含め
た出力を行うことも可能である。さらに対象となる姿勢
については、向きを考慮したもの、姿勢の種類を細分化
したものを扱うことも可能である。

【００９４】次に、皮膚温度検出手段３３１について説
明する。皮膚温度検出手段３３１では、室内に居る在室
者の皮膚表面温度の検出を行う。

【００９５】図４０は皮膚温度検出手段３３１の構成図
である。以下に、皮膚温度検出手段３３１について説明
する。３６０は人間領域補正部３００から得られる人間
画素ブロックと姿勢検出手段３３０から得られる姿勢か
ら人間画素ブロックを体の部位に合わせて分割するブロ
ック分割手段、３６１はブロック分割手段３６０で分割
されたブロックの平均温度を算出するブロック温度算出
手段、３６２はブロック温度算出手段３６１で得られた
各温度を比較し、体表面が現れている皮膚温度に対応す
るブロックと衣服などで覆われているブロックを分離す
る温度比較手段である。

【００９６】上記のように構成された皮膚温度検出手段
３３１について、以下にその動作を説明する。人間領域
補正部３００から得られる人間画素ブロックを姿勢の情
報を用いて人体を頭部、胸部、左腕、右腕、腰部、脚部
が含まれるように最大６つに分割する。各ブロック分割
はあらかじめ各姿勢毎に人間画素ブロックの分割標準パ
ターンを決めておく。その際、人物の位置により人間画
素ブロックの大きさが変わるので姿勢検出手段３３０の
変換手段３４２の標準化に用いた比率を用いてブロック
分割を行う。図４１（ａ）および図４１（ｂ）にブロッ
ク分割の例を示す。図４１（ａ）は立位の在室者の人間
画素ブロックである。簡単のために大きさは標準とす
る。この場合、Ａは頭部を含むブロック、Ｂは胸部を含
むブロック、Ｃは右腕を含むブロック、Ｄは左腕を含む
ブロック、Ｅは腰部を含むブロック、Ｆは脚部を含むブ
ロックである。上記６ブロックに分割するのは、各ブロ
ックが、露出および被覆が独立に行われる可能性がある
身体の部位に対応するからである。図４１（ｂ）は向か
って左向きに、椅子に座っている在室者の人間画素ブロ
ックである。この場合、右腕は隠れているので分割は５
つにしている。

【００９７】次に、ブロック温度算出手段３６１におい
て、分割された各ブロックの画素値の平均を求める。体
表面が露出している場合はブロック平均温度は高くな
り、衣服などで覆われている場合は低くなる。そこで、
次に温度比較手段３６２であらかじめ定められたしきい
値温度とブロック平均温度の比較を行い、前記しきい値
温度より高いブロックの中で、最大の平均値を持つブロ
ック平均温度を出力する。つまり、顔面のように体表面
が露出している部分が大きい場合、ブロック平均温度は
高くなるが、背景や体の衣服に覆われている部位が同じ
画素の中に入る場合ブロック平均温度は低くなるので、
一番高い平均温度を持つブロックが露出部分の最も大き
な体の部位と判断することができる。以上のような構成
で皮膚温度の検出を行う。

【００９８】次に、着衣量検出手段３３２について説明
する。着衣量検出手段３３１では、熱画像よりｃ１ｏ値
を検出する。図４２は着衣量検出手段の構成図である。

【００９９】図４２において３６３は面積比較手段で、
以上は図４０の皮膚温度検出手段の構成と同様なもので
ある。ここで、検出対象としている着衣量はｃ１ｏ値と
呼ばれ、例えば、裸の状態で０、パンツのみの状態で
０．１、上下下着姿で０．３、半袖とズボンの夏服で
０．５、長袖と長ズボンの軽作業着で０．７、冬場の室
内における服装で１．０、３ピースの背広で１．５、冬
場の屋外着であるオーバーでは３．０の値が対応づけら
れている。着衣量は、体表面の面積のどの程度が衣服な
どで覆われているかと、覆われている部分がどの程度の
厚さなのかで定まる。そこで、着衣の厚さについては、
皮膚温度検出手段３３１の中の温度比較手段３６２で、
温度しきい値を設けることにより、体表面が衣服などで
覆われている着衣ブロックと露出している体表面ブロッ
クの分離を行うことが可能なので、その温度差をとるこ
とにより推測する。つまり、温度差が大きい場合は厚め
の着衣量、温度差が小さい場合は薄目の着衣量と判断で
きる。一方、体表面面積が衣服などでどの程度、覆われ
ているかについては、面積比較手段３６３で着衣ブロッ
クと体表面ブロックの２つに分割したブロックの画素数
を計数し、面積比を比較する。このことにより、裸体体
表面積に対する着衣表面積の比を面積比から推測するこ
とができる。さらに面積比較手段３６３では、前記着衣
の厚さと裸体体表面積に対する着衣表面積の比からｃ１
ｏ値を対応付け、出力する。ここでは、快適度算出のた
めにｃ１ｏ値を出力したが、体表面の比覆面積比や着衣
表面温度を用いる快適度計算式を用いる場合はこれらの
値を直接出力することも可能である。

【０１００】次に、環境情報抽出部３０４について説明
する。図４３において３７０は補助暖房検出手段、３７
１は床暖房検出手段で、以上は第１の実施例における環
境情報抽出部１０の構成と同様なものである。ここでい
う、補助暖房とはストーブや石油ファンヒータなどの燃
焼もしくは電熱型の暖房器である。また、床暖房とは通
常の床暖房に加え電気カーペットも含む。補助暖房検出
手段３７０では、補助暖房が人体温度より高温であるた
めに、計測された熱画像に、人体より高いある温度しき
い値を設けることにより検出する。

【０１０１】また、床暖房は人体温度に近い温度をして
いるので人間領域検出部８で人間画素ブロックとして一
度は検出されるが、床暖房検出手段３７１で、床暖房の
場合は熱画像上、面積が人体より大きいこと、および通
常四角形であることから、切り出された人間画素ブロッ
クの大きさと形態とに範囲を設けて、床暖房有無の判定
を行う。また、床暖房検出の際に床暖房が電源オン時お
よびオフ時を除いて時間と共にあまり変化しないことか
ら、所定期間、切り出された人間画素ブロックの変化を
調べることで、人間画素ブロックの変化がないことを条
件とし検出することも可能である。このことにより、床
暖房による直接床面からの伝熱の影響や、ストーブの燃
焼などによる高い輻射の影響による算出快適度に対する
影響を補正することができる。また、例えば床暖房や補
助暖房がある場合は、省エネルギーもかねて快適度を低
めに抑えて空気調和機を制御することが可能である。

【０１０２】次に、第２の実施例における活動量検出部
３０５について説明する。実施例１と異なる点は、姿勢
検出手段３３０から得られる姿勢を入力に付加した点で
ある。実施例１に示したごとく、活動量は人体が静止状
態であってもとられる姿勢で異なってくる。特に、室内
でおいてはＭＥＴ値３．０以内の活動量がほとんどであ
る。そこで、第１の実施例で用いた活動量検出部１２で
静止者と判断された在室者については、その時点での姿
勢検出手段３３０からの出力に基づき、さらに活動量０
から１．０の間の値を分けて出力する。このことによ
り、静止者についても姿勢を考慮にいれた精度の高い活
動量の検出が可能となる。また、同じ姿勢のとられてい
る時間経過を活動量に反映することも可能である。

【０１０３】次に、生活シーン推定部３０６について説
明する。生活シーン推定部３０６では、活動量検出部３
０５から得られる個人別の活動量と、人数検出手段６０
から得られる人数と、光センサー３０９から得られる室
内の照度レベルと、時計３０８から得られる時刻から室
内の生活シーンの推定を行う。ここで生活シーンとは在
室者が行っている生活行為や生活状態を、室内単位で見
た場合の名称で、だんらんやくつろぎといった名称で一
般的に呼ばれているものである。人数が一人の場合は、
その人の生活行為が生活シーンとなるが、複数の場合は
各人の活動度合いなどを考慮し推定しなくてはならな
い。推定する生活シーンを、退室、入室、就寝、起床、
暑い在室者、寒い在室者の６つの過渡的シーンと、くつ
ろぎ、団らん、活動的家事の３つの安定的シーンとし
た。ここでいう過渡的シーンとはＰＭＶが制御指標とし
て妥当性を持たないシーンであり、安定的シーンとは在
室者がある時間以上室内に在室しＰＭＶが制御指標と用
いることができるシーンである。

【０１０４】各シーンの推定方法を以下に述べる。最初
に過渡的シーンの推定方法について述べる。退室シーン
は、人数検出手段６０から得られる人数が０になったと
きに不在継続時間をカウントし始め、１０分以上、人数
が０の場合が継続したとき退室シーンと判定する。ここ
で、不在継続時間を計数するのは、通常、室内は隣室や
屋外と接し部屋移動を行うことが多いので、これら短時
間の不在毎に退室を判定し、制御指標を変更するのは制
御が不安定になるのでシーンを一つの区切りとするため
に一定時間の経過を待って退室シーンを判定する。次
に、入室シーンは、現在の生活シーンが退室シーンの状
態で、人数が１人以上検出された場合を入室シーンと
し、２０分間保持されるものとする。次に、就寝シーン
であるが、光センサーから得られる照度が所定の明るさ
以下の場合で、かつ時刻が午後９：００から午前６時の
間で、かつ活動量が１．０以下が３０分継続している場
合に就寝と判断する。また、現在の生活シーンが就寝シ
ーンの時に活動量１．２以上の状態が５分継続した場
合、もしくは照度がある値を越えた場合、起床シーンと
判断し、２０分間保持する。暑い在室者シーン、寒い在
室者シーンは皮膚温度検出手段３３１から得られた皮膚
温度が、あらかじめカレンダから得られる月毎に定めら
れた標準的人体の皮膚温度範囲を越えているかで判定す
る。

【０１０５】次に、安定的シーンについて述べる。くつ
ろぎシーンについては、活動量ランクが１．０以下の状
態が１０分継続して続いた場合、団らんシーンは活動量
が１．２から１．７の状態が１０分継続した場合、活動
的家事は活動量が１．８以上の状態が１０分継続した場
合をそれぞれシーン判定条件とする。

【０１０６】以上のように推定した生活シーンについ
て、空調の制御指標をあらかじめ定めておく。以下に、
各シーン毎に定めた制御指標の例を述べる。ここで、標
準の目標快適度は０である。退室シーンの場合、目標快
適度を暖房の場合−１．０に下げ、風向を部屋の中央に
向ける。入室シーンの場合、目標快適度を１．０にし、
入室者に風向を向ける。就寝シーンの場合、２時間毎に
目標快適度を０．５ずつ下げるとともに風向は、人体を
避け、風量を微風にする。起床シーンの場合は、目標快
適度を２．０にし、入室者に風向を向ける。冷房時の暑
い在室者シーンの場合は、目標快適度−２．０に下げ、
皮膚温度の高い在室者を中心とする風向で冷房する。暖
房時の寒い在室者シーンの場合は、目標快適度２．０に
上げ皮膚温度の低い在室者を中心とする風向で暖房す
る。ただし、長時間、冷風や熱風を人体に向けることは
健康に良くないため、前記暑い在室者シーンと寒い在室
者シーンは３分を限界とする。くつろぎシーンの場合
は、目標快適度を０．５のやや暖かめにする。団らんシ
ーンの場合は標準、活動的家事シーンの場合は目標快適
度を−０．５とする。このように各シーンに合わせて空
調を行うことで、生活実態に合った空調が可能となる。
また、安定的シーンが推定された場合は制御指標を第１
の実施例に述べた快適度とし、過渡的シーンの場合は前
記の各シーン毎の制御指標に切り替えることも可能であ
る。空調制御部３０７では、これらの制御指標を得て、
機器の制御を行う。

【０１０７】上記実施例１または実施例２の画像処理部
もしくは活動量検出部は、在室者の有無および人数、足
元位置、姿勢、着衣量、皮膚表面温度、活動量のいずれ
かの検出を行うことを目的とした画像処理装置の応用機
器に用いることも可能である。例えば、本実施例の人間
領域検出部を用いた侵入者の検知を行う防犯装置。人数
検出手段を用いた室内の混雑度合いの検出装置。さら
に、足元位置検出手段または活動量検出部を用いた、人
の位置に応じて照明や音などの環境を制御する装置。姿
勢検出手段、着衣量検出手段、皮膚温度検出手段を用い
た、医療や看護に用いられる患者や病人の状態を検出す
る装置などが考えられる。

【０１０８】以下、本発明の第３の実施例について説明
する。図４４は、本発明第３の実施例の構成図である。
４００は室内に在室者が居ない場合の制御指標を出力す
る不在時制御指標決定部であり、その他は第２の実施例
の構成と同様である。図４５に不在時制御指標決定部の
構成を示す。４０１は人数検出手段６０から得られる人
数から在室者の有無データ（以降、在室データと呼ぶ）
を判定し、時系列データとして記憶する在室データ記憶
手段、４０２は在室パターン分類手段、４０３はベース
温度変換手段である。ここで、ベース温度とは最低限は
維持する温度レベルであり、暖房と冷房では異なる。

【０１０９】以下に、不在時制御指標決定部４００の動
作について説明する。在室データ記憶手段４０１では人
数検出手段６０から得られる人数から人の有無を在室者
が居る場合を１、居ない場合を０とし検出する。この
０、１のデータは、実際の在不在は部屋への人の出入り
で大きく変化するので、特徴を明確にするために、１０
分を１単位にし、例えば１０分以上継続して人数が０人
の場合のみ０で、それ以外は１とする。また、在室デー
タ記憶手段４０１の記憶容量低減のためデータ圧縮など
を行うことも可能である。在室データ記憶手段４０１で
は１日分の在室データを当日より、一定期間だけさかの
ぼった日数分、記憶するようにデータ管理も行う。当日
より一定期間保存し、古いデータを用いないのは、あま
り古いデータを以降で求める在室率算出のために用いる
ことは、最近の生活実態を反映しない可能性が大きいか
らである。ここでは、６０日を上限としている。次に在
室パターン分類手段４０２ではカレンダからの日の属性
の情報を基に、当日と日の属性が同じ日の在室データを
集め、時刻別の在室率を求める。図４６（ａ）に実際の
家庭の居間における平日の在室率を、図４６（ｂ）に休
日の在室率を示す。横軸は時刻で午前４：００を起点と
し単位は３０分である。縦軸は在室率で、ある時間帯に
在室した頻度を全平日、または全休日の日数で割った値
に１００をかけたものである。これらの図から分かるよ
うに日の属性が異なれば在室パターンも異なってくる。
それゆえ、ここでは、日の属性で在室パターンの分類を
行っている。

【０１１０】図４７に在室パターン分類の処理例を示
す。４１０は在室データ記憶手段４０１に記憶されてい
る在室データ、４１１はカレンダ、４１２はカレンダ４
１１より得られる曜日情報、４１３は各曜日毎の在室パ
ターンである。例えば当日が水曜日の場合、在室データ
記憶手段４０１に記憶されている在室データの中の水曜
日のデータのみ抽出し、各時間帯毎に頻度を計数する。
そして、この時刻別の頻度を全水曜日の日数で割ること
で時刻別在室率を求める。そして、水曜日の在室パター
ンとして記憶する。次に、ベース温度変換手段４０３で
は、この在室パターンを基本としてベース温度の値を算
出する。図４８に在室パターンとベース温度の関係を示
す。４２２は時刻別在室率、４２１は出力であるベース
温度、４２２は在室時の標準的な設定温度である。グラ
フの横軸は時刻、左縦軸は在室率、右縦軸は温度であ
る。ベース温度変換方法は、ベース温度のとり得る値の
範囲を下限ｐ度から上限ｑ度、現在時刻をｔ、ｔにおけ
るベース温度をｙ（ｔ）、ｔにおける在室率をｚ（ｔ）
とした場合、 ｙ（ｔ）＝（ｑ−ｐ）×ｚ（ｔ＋１）＋ｐ の式で定める。ただし時刻の単位は１時間である。第２
の実施例に示した生活シーン推定部３０６で退室シーン
となり、在室者が不在と判断した場合、時刻別のベース
温度の値を目標値にしスケジュールに従ってベース温度
を変化させる。そして、人の入室が検知された場合、在
室者が居る場合の制御指標に目標値を切り替える。この
ように在室率をベース温度に反映することで、室内環境
を人が入室する前にスタンバイを行うことができ、かつ
不在が多い時間帯は低めのベース温度を定めることがで
きるので経済性にも優れた空調が実現できる。また、特
別な場合を除きタイマーを用いる必要がなくなる。

【０１１１】なお、本実施例では曜日を在室パターンの
分類属性の基本としているが、全在室データの中から類
似の傾向を持つ在室データをパターン分類し、パターン
分けされた日の属性の特徴を在室データから得ることも
可能である。さらに、画像処理部を除き、人体の有無の
みを検知する人体検知センサーの出力を用いて、室内の
在不在を判断し、在室時の制御指標を決定する在室時制
御指標決定部と、前記在室パターン分類とベース温度変
換を持つ不在時空調制御指標決定部を有する構成とする
ことも可能である。この場合の在室時制御指標は温度で
も快適度でもよい。また、不在時についてもベース温度
でなく最低限維持する快適度を用いることで快適度ＰＭ
Ｖを制御指標とすることも可能である。

【０１１２】以下、本発明の第４の実施例について説明
する。第４の実施例では図４９に示すように、第１の実
施例の制御指標決定部１１と空調制御部１４の間にリモ
コン学習部４３０を設け、利用者の制御指標に関するリ
モコン操作を利用者の好み、として学習し、制御指標決
定部１１で算出された制御指標を補正するものである。

【０１１３】図５０は本発明第４の実施例のリモコン学
習部４３０の構成図である。図５０において４３１は学
習手段を示す。学習手段４３１は、各種の方法がある
が、本実施例ではニューラルネットワークを例として示
す。４３２は快適度補正手段である。４３３は快適度検
出部１３で算出された快適度、４３４は生活シーン推定
部３０６で推定された生活シーン、４３５は時刻および
カレンダ、４３６は使用者が快適度を申告したリモコン
から得られる操作パネル操作信号、４３７は快適度の補
正値、４３８は最終的な制御指標となる目標快適度であ
る。

【０１１４】以上のような図５０の構成において、以下
その動作について説明する。制御指標決定部１１とリモ
コン１５から得られた、算出された快適度４３３、生活
シーン４３４、時刻・カレンダ４３５、使用者の快適度
を申告したリモコンからの操作パネル操作信号４３６
を、入力信号として学習手段４３１の構成要素であるニ
ューラルネットワークに入力する。ニューラルネットワ
ークは、使用者が快適度の申告したりリモコンの操作を
推測する。つまり、制御指標決定部１１で算出した快適
度に対して利用者が、例えば「暑い」、「寒い」などの
申告を行ったことを、利用者の好みと判断し、同様の環
境要素や人間の要素が観測されたときに利用者の好みの
内容に基づいて、制御指標を補正するのである。ニュー
ラルネットワークから出力された利用者の快適度の補正
値４３７を快適度補正手段４３２に入力し、算出快適度
４３３と演算されて目標快適度４３８を生成する。演算
方法は、最も簡単な方法は加えることであり、複雑にな
ると快適度補正値４３７と算出快適度４３３の情報を引
数とする線形または非線形の関数で行うこともできる。
学習手段４３１は各手段の入力値４３３から４３５を、
リモコン操作信号４３６を教師信号として、ニューラル
ネットの学習を行う。学習終了後、ニューラルネットワ
ーク内の状態を変更する。ニューラルネットワークは、
パターン分類型の各種のモデルが使えるが、本実施例で
は、ＬＶＱ（ｌｅａｒｎｉｎｇ ｖｅｃｔｏｒ ｑｕａ
ｎｔｕｍ：参考文献、Ｔ．Ｋｏｈｏｎｅｎ，”Ｓｅｌｆ
−Ｏｒｇａｎｉｚａｔｉｏｎ ａｎｄ Ａｓｓｏｃ−ｉ
ａｔｉｖｅ Ｍｅｍｏｒｙ”，２ｅｄ，Ｓｐｒｉｎｇｅ
ｒ−Ｖｅｒｌａｇ，１９８８）を例に示す。図５１に基
づいて本実施例で用いたニューラルネットワークのフォ
ワード計算について説明する。図５１の４４０は入力信
号正規化部であり、４４１は参照情報部であり、人間の
意思に合わせた３個のカテゴリとそれぞれにｍ個の参照
情報がある。４４２は距離計算算出部であり、４４３は
カテゴリ算出部である。以上のような図５１の構成にお
いて、以下その動作について説明する。入力信号４４４
は入力信号正規化部において、正規化される。すなわ
ち、入力信号正規化部４４０では Ｓｘ１＝（ｘｍａｘ−ｘ１）／（ｘｍａｘ−ｘｍｉｎ） ……（１） Ｓｘ１：正規化された信号値 ｘｍａｘ：入力信号がとる最大値 ｘｍｉｎ：入力信号がとる最小値 式（１）に示される処理を入力信号全てに対し行う。入
力信号は、温度、快適度生活シーン、時刻等である。入
力信号正規化部４４０により正規化された信号は入力ベ
クトル４４５として距離算出部４４２に出力される。距
離算出部４４２では、入力ベクトルと参照情報部４４１
の人間の意思を表す暑い、寒い、満足の各カテゴリの参
照情報との距離を算出する。すなわち、暑いカテゴリの
参照情報との距離（ｄＡｊ）は式２により求める。

【０１１５】 ｄＡｊ＝Σ（ｘｉ−Ｒａｊｉ）² ……（２） ｄＡｊ：ｊ番目の参照情報との距離 ｘｉ：ｉ番目の入力ベクトル値 Ｒａｊｉ：ｊ番目の参照情報のｉ番目のベクトル値 参照情報部４４１のディレクトリ４４６を参照し、カテ
ゴリ数３と各カテゴリの参照情報数を算出する。

【０１１６】各カテゴリに対し参照情報と入力ベクトル
との距離を算出し、さらに全てのカテゴリに対しても同
様の処理を行い、距離を算出する。距離算出部４４２で
求める距離の総数（ｄｎｕｍ）は、 ｄｎｕｍ＝ｍ１＋ｍ２＋・・・＋ｍＮ ……（３） となる。次に距離算出部４４２で求めた距離ｄＮｊとｄ
ｎｕｍはカテゴリ算出部４４３に出力される。カテゴリ
算出部４４３では、ｄｎｕｍ個の距離で最も短い距離ｄ
ｍｉｎを算出し、さらに該当参照情報が属するカテゴリ
を算出する。

【０１１７】入力ベクトルと最短距離にある参照情報が
属するカテゴリをカテゴリ算出部４４３の出力とする。
すなわち、図５０の学習手段４３１の構成要素であるニ
ューラルネットワークの出力となる。この出力は、快適
度補正部４３２で快適度の補正値４３７として、快適度
検出部１３で算出された快適度に加えられる等の演算が
行われる。

【０１１８】図５２を用いてニューラルネットワークの
学習の詳細な説明をする。図５２において、入力正規化
部４５０は図５１の入力信号正規化部４４０と共通の入
力信号を正規化し、入力ベクトルに変換する。参照情報
部４５１も図５１と共通の参照情報部ある。４５２は参
照情報検索手段、４５３は参照情報生成部、４５４は参
照情報学習部である。以上のような構成において、以下
その動作について説明する。

【０１１９】入力信号正規化部４５０で正規化された入
力信号は、入力ベクトルとして、参照情報検索部４５２
で入力される。さらに入力ベクトルの正しいカテゴリ
（教師データ）も同時に入力される。参照情報検索部４
５２では、参照情報部４５１のディレクトリを参照し、
入力ベクトルの正しいカテゴリ（ＴＣ）が、例えば暑い
カテゴリの場合、暑いカテゴリの参照情報数が以下の様
な関係にある時、次のような処理を行う。

【０１２０】ＡＲＮＵＭ＜ＡＲＮＵＭｍａｘならば参照
情報生成部４５３の処理を行う。ＡＲＮＵＭ≧ＡＲＮＵ
Ｍｍａｘならば参照情報学習部４５４の処理を行う。 ＡＲＮＵＭ：暑いカテゴリの参照情報数 ＡＲＮＵＭｍａｘ：Ａカテゴリの参照情報最大数 参照情報生成部４５３では入力ベクトルを正しいカテゴ
リ（ＴＣ）の参照情報として生成する。ここでは、暑い
カテゴリの参照情報を生成し、ＡＲＮＵＭを１増やす。
参照情報学習部４５４では、リモコン操作手段の出力値
と入力ベクトルの正しいカテゴリを比較し、一致してい
る場合は、一番距離の短い参照情報を近づける。またリ
モコン操作手段の出力値と入力ベクトルの正しいカテゴ
リが一致していない場合は、一番距離の短い参照情報を
遠ざける。すなわち、 ＯＣ＝ＴＣならばＲＶ＝ＲＶ＋α（ＲＶ−Ｓｘ） ＯＣ≠ＴＣならばＲＶ＝ＲＶ−α（ＲＶ−Ｓｘ） ＲＶ：入力ベクトルと一番距離の短いリファレンスベク
トル ＯＣ：出力カテゴリ（ＲＶのカテゴリ） ＴＣ：入力ベクトルの正しいカテゴリ Ｓｘ：入力ベクトル α ：学習レート 従って、参照情報学習部４５４では参照情報数が参照情
報の最大値を超えるまでは、入力ベクトルを入力ベクト
ルの正しいカテゴリの参照情報として生成する。また、
最大値を超えてからは、出力カテゴリと入力カテゴリが
一致した場合は、参照情報を入力ベクトルの方法へ、少
し近づけ、一致しない場合は、参照情報を入力ベクトル
から少し遠ざける。近づけたり、遠ざけたりする距離は
学習レートαで設定する。以上のようなニューラルネッ
トワークによるリモコン操作の学習を行うことにより、
入力データの組み合わせを変えることで、快適度や生活
シーン毎の制御指標の補正が行えるので、利用者の好み
に合った空調を実現することが可能となる。また、リモ
コンにリモコン位置センサーを設置し、足元位置情報と
リモコン位置センサーの対応を調べニューラルネットワ
ークの入力要素とすることで、個人毎の制御指標の補正
や、人体の位置毎の制御指標の補正を行うことも可能で
ある。

【０１２１】

【発明の効果】以上のように本発明は、室内の在室者お
よび環境の温度を計測する赤外線画像入力手段を持つセ
ンサー部と、空調機器の制御部から得られる風向と配管
温度情報によりセンサー部で得られた検出温度を補正す
る温度補正部と、補正された検出温度を画素値とする前
記熱画像を処理し、在室者の個人情報と室内環境情報を
出力する画像処理部と、前記個人情報および環境情報か
ら空調を行うための制御指標を決める制御指標決定部
と、空調機器の制御を行う空調制御部を有し、前記画像
処理部が、計測した熱画像を記憶する画像記憶部と、熱
画像の中から人間部分の領域を検出する人間領域検出部
と、人間領域検出部で検出した人間画素ブロックを基に
室内の在室者の個人情報を抽出する個人情報抽出部と、
計測画像から室内の環境情報を抽出する環境情報抽出部
の構成を設けることにより、様々な環境条件を考慮にい
れた上での、在室者の個人個人の位置や状態に応じた快
適な空調を実現することができる。また、熱画像を画像
処理することで個人情報や環境情報を抽出するので、複
数のセンサーを室内に配置する必要がなくなり、具現化
が行い易い。

【０１２２】また、上記構成に在室データ記憶手段、在
室パターン分類手段、ベース温度変換手段の構成からな
る不在時制御指標決定部を付加することにより、タイマ
ーをなくすことができると共に快適性と経済性を兼ね備
えた空調運転が可能となる。

【０１２３】さらに、上記構成にリモコン操作学習部を
付加することにより、利用者の好みを反映した空調制御
が可能となる。

【図面の簡単な説明】

【図１】本発明の第１の実施例における空気調和機の制
御装置の構成図

【図２】（ａ）は同実施例における熱画像の例を示す図 （ｂ）は同実施例における平面図の例を示す図

【図３】同実施例における人間領域検出部の構成図

【図４】同実施例における熱画像のブロック分割例を示
す図

【図５】同実施例における差分画像を用いた人間領域検
出部の構成図

【図６】同実施例における差分画像の作成例を示す図

【図７】同実施例における個人情報抽出部の構成図

【図８】同実施例における人数検出手段の構成図

【図９】同実施例における人数判定例を示す図

【図１０】同実施例におけるニューラルネットワークを
用いた人数検出手段の構成図

【図１１】同実施例における足元位置検出手段の構成図

【図１２】立位の人間の熱画像模式図

【図１３】同実施例における環境抽出部の構成図

【図１４】同実施例における足元温度検出手段の構成図

【図１５】同実施例における足元温度検出手段の処理例
を示す図

【図１６】（ａ）は同実施例における中央設置の場合の
室内各部位の熱画像を示す図 （ｂ）は同実施例における左設置の場合の室内各部位の
熱画像を示す図

【図１７】同実施例における輻射温度検出手段の構成図

【図１８】同実施例における活動量検出部の構成図

【図１９】（ａ）は同実施例における床面位置分割を示
す図 （ｂ）は同実施例における記憶されている個人情報の一
例を示す図

【図２０】（ａ）は同実施例における滞在頻度を示す図 （ｂ）は同実施例における滞在頻度と活動量の対応を示
す図

【図２１】（ａ）は同実施例における床面の周辺定義例
を示す図 （ｂ）は同実施例における周辺を含めた滞在頻度算出例
を示す図

【図２２】同実施例における移動量を用いた活動量検出
部の構成図

【図２３】実際の掃除のシーンにおける移動距離の一例
を示す図

【図２４】同実施例における移動量検出手段の構成図

【図２５】同実施例における記憶されている個人情報の
一例を示す図

【図２６】（ａ）は同実施例における期間移動量ランク
Ａの導出方法を示す図 （ｂ）は同実施例における期間移動量ランクＣの導出方
法を示す図

【図２７】同実施例における期間移動量などと活動量の
対応を示す図

【図２８】（ａ）は同実施例における安定時の空調例を
示す図 （ｂ）は同実施例における条件が変化した場合の空調例
を示す図

【図２９】本発明の第２の実施例における空気調和機の
制御装置の構成図

【図３０】同実施例における人間領域補正部の構成図

【図３１】同実施例における累積処理部の構成図

【図３２】同実施例における位置累積の例を示す図

【図３３】同実施例における累積記憶Ａと累積記憶Ｂの
関係を表す図

【図３４】同実施例における空調機設置位置の判断方法
を示す図

【図３５】同実施例における室内代表点の判断方法を示
す図

【図３６】同実施例における個人情報抽出部の構成図

【図３７】同実施例における姿勢検出手段の構成図

【図３８】同実施例における姿勢検出手段の処理例を示
す図

【図３９】同実施例における人間画素ブロックの標準化
の手順を示す図

【図４０】同実施例における皮膚温度検出手段の構成図

【図４１】（ａ）は同実施例における立位の人間のブロ
ック分割例を示す図 （ｂ）は同実施例における座位の人間のブロック分割例
を示す図

【図４２】同実施例における着衣量検出手段の構成図

【図４３】同実施例における環境情報抽出部の構成図

【図４４】本発明の第３の実施例における空気調和機の
制御装置の構成図

【図４５】同実施例における不在時制御指標決定部の構
成図

【図４６】（ａ）は実家庭における平日の時刻別在室率
を示す図 （ｂ）は実家庭における休日の時刻別在室率を示す図

【図４７】同実施例における在室パターンの分類例を示
す図

【図４８】同実施例における在室パターンとベース温度
の関係を示す図

【図４９】本発明の第４の実施例における空気調和機の
制御装置の構成図

【図５０】同実施例におけるリモコン学習部の構成図

【図５１】同実施例におけるニューラルネットワークの
フォワード計算の構成図

【図５２】同実施例におけるニューラルネットワークの
学習の構成図

【符号の説明】

１ センサー部 ２ ２次元赤外線センサー ３ 室温センサー ４ 湿度センサー ５ 外気温センサー ６ 画像処理部 ７ 画像記憶部 ８ 人間領域検出部 ９ 個人情報抽出部 １０ 環境情報抽出部 １１ 制御指標決定部 １２ 活動量検出部 １３ 快適度検出部 １４ 空調制御部 １５ カレンダ １６ 温度補正部

───────────────────────────────────────────────────── フロントページの続き (72)発明者 二宮 恭久 大阪府門真市大字門真1006番地 松下電 器産業株式会社内 (56)参考文献 特開 平３−247939（ＪＰ，Ａ) 特開 平２−197747（ＪＰ，Ａ) 特開 平４−13026（ＪＰ，Ａ) 特開 平６−117836（ＪＰ，Ａ) 特開 平６−58593（ＪＰ，Ａ) 特開 平６−74526（ＪＰ，Ａ) 特開 平５−288366（ＪＰ，Ａ) 実開 平３−46141（ＪＰ，Ｕ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) F24F 11/02 G01V 8/10

Claims (25)

(57)【特許請求の範囲】
1. 【請求項１】 少なくとも室内の在室者および環境の温
   度を計測する赤外線画像（以降、熱画像と呼ぶ）入力手
   段を持つセンサー部と、空調機器の制御部から得られる
   少なくとも風向と配管温度情報のいずれかにより、前記
   センサー部で得られた検出温度を補正する温度補正部
   と、補正された検出温度を画素値とする前記熱画像を処
   理し、在室者の個人情報と室内環境情報を出力する画像
   処理部と、前記個人情報および環境情報から空調を行う
   ための制御指標を決める制御指標決定部と、空調機器の
   制御を行う空調制御部を有し、前記画像処理部が、計測
   した熱画像を記憶する画像記憶部と、熱画像の中から人
   間部分の領域を検出し人間画素ブロックを出力する人間
   領域検出部と、人間領域検出部で検出した人間画素ブロ
   ックを基に室内の在室者の個人情報を抽出する個人情報
   抽出部と、計測画像から室内の環境情報を抽出する環境
   情報抽出部の構成を有することを特徴とする空気調和機
   の制御装置。
2. 【請求項２】 画像処理部に、人間領域検出部で得られ
   た人間画素ブロックの画素レベルでの補完および消去を
   行う人間領域補正手段と、人間領域検出部で得られた人
   間画素ブロックの代表点を所定の期間累積する累積処理
   部と、累積処理部から得られる人間画素ブロックの代表
   点の所定期間の累積から少なくとも床と壁、または壁と
   壁の境界である室内代表点を判別し、熱画像上の各画素
   と室内の床および壁の対応を関連付ける室内部位判定部
   を付加したことを特徴とする請求項１記載の空気調和機
   の制御装置。
3. 【請求項３】 人間領域検出部が、計測した熱画像を複
   数領域に分割し各領域の代表温度を算出する領域分割代
   表温度算出手段と、各領域の代表温度毎に人体の切り出
   し温度を定める切り出し温度決定手段と、熱画像を各領
   域毎に定められた切り出し温度幅で温度切り出しを行う
   人間検出部と、切り出された人間画素ブロックの代表点
   を算出する代表点算出部を有することを特徴とする請求
   項１から２のいずれかに記載の空気調和機の制御装置。
4. 【請求項４】 個人情報抽出部が、人数を検出する人数
   検出手段と、足元位置検出手段を有し、人数検出手段が
   人間画素ブロックの個数を計数するブロック数算出手段
   と、ブロックの形態をあらかじめ定められた形態種類に
   分類するブロック形態判定手段と、ブロック数と形態種
   別と人間画素代表点を入力とし、人数を出力する人数計
   数手段の構成を有し、また足元位置検出手段が人間領域
   検出手段から得られる人間画素ブロックの代表点の列ま
   たは行番号と、人間画素ブロックの画素値と、周辺画素
   の画素値を入力とし、床面位置を出力する足元位置推測
   手段を有することを特徴とする請求項１から３のいずれ
   かに記載の空気調和機の制御装置。
5. 【請求項５】 制御指標決定部が、個人情報抽出部の出
   力である個人情報から個人別または室内を代表する活動
   量を検出する活動量検出部と、個人情報抽出部から得ら
   れる個人情報と、環境情報抽出部から得られる環境情報
   と、活動量検出部から得られる活動量から、制御指標と
   なる快適度を検出する快適度検出部を有し、算出された
   個人別の快適度から、快適度があらかじめ決められた快
   適範囲外の在室者が居る場合は当該者を優先し、在室者
   全員が快適範囲の場合には在室者の位置を中心とした快
   適度の制御目標値を出力することを特徴とする請求項１
   から４のいずれかに記載の空気調和機の制御装置。
6. 【請求項６】 制御指標決定部が、個人情報抽出部の出
   力である個人情報から個人別または室内を代表する活動
   量を検出する活動量検出部と、個人情報抽出部から得ら
   れる個人情報と、環境情報抽出部から得られる環境情報
   と、活動量検出部から得られる活動量から、制御指標と
   なる快適度を検出する快適度検出部と、少なくとも活動
   量と時刻と環境情報抽出部の出力である環境情報から生
   活シーンを推定する生活シーン推定部とを有し、快適指
   標が制御指標とならない過渡的生活シーンと、在室者が
   所定の期間部屋に在室しており快適度が制御指標として
   用いることができる安定的生活シーンを推定し、生活シ
   ーンに応じて快適度とシーン毎にあらかじめ定められた
   所定の制御指標を選択することを特徴とする請求項１か
   ら４のいずれかに記載の空気調和機の制御装置。
7. 【請求項７】 個人情報抽出部が、人数を検出する人数
   検出手段と、足元位置検出手段を有し、人数検出手段が
   人間画素ブロックの個数を計数するブロック数算出手段
   と、ブロックの形態をあらかじめ定められた形態種類に
   分類するブロック形態判定手段と、ブロック数と形態種
   別と人間画素代表点を入力とし、人数を出力する人数計
   数手段の構成を有し、また足元位置検出手段が人間領域
   検出手段から得られる人間画素ブロックの代表点の列ま
   たは行番号と、人間画素ブロックの画素値と、周辺画素
   の画素値を入力とし、床面位置を出力する足元位置推測
   手段を有し、さらに、姿勢検出手段と、着衣量検出手段
   と、皮膚温度検出手段の少なくともいずれか一つを付加
   したことを特徴とする請求項１から３及び５、６のいず
   れかに記載の空気調和機の制御装置。
8. 【請求項８】 環境情報抽出部が、画像記憶部から得ら
   れる熱画像と足元位置検出手段から得られる足元位置情
   報から足元位置付近の温度を検出する足元温度検出手段
   と、画素と室内の壁や床などの部位の対応関係から各部
   位の温度を検出する室内部位温度検出手段と、人付近の
   輻射温度を検出する輻射温度検出手段と、足元位置情報
   と空気調和機から得られる風向および風量から在室者毎
   の気流を算出する気流算出手段を有することを特徴とす
   る請求項１から７のいずれかに記載の空気調和機の制御
   装置。
9. 【請求項９】 環境情報抽出部が、画像記憶部から得ら
   れる熱画像と足元位置検出手段から得られる足元位置情
   報から足元位置付近の温度を検出する足元温度検出手段
   と、画素と室内の壁や床などの部位の対応関係から各部
   位の温度を検出する室内部位温度検出手段と、人付近の
   輻射温度を検出する輻射温度検出手段と、足元位置情報
   と空気調和機から得られる風向および風量から在室者毎
   の気流を算出する気流算出手段と、人間領域検出手段か
   ら得られる人間画素ブロックの大きさに応じて人体と床
   暖房を区別する床暖房検出手段と、計測された熱画像か
   ら高温発熱物体を検出する補助暖房検出手段とを有する
   ことを特徴とする請求項１から７のいずれかに記載の空
   気調和機の制御装置。
10. 【請求項１０】 温度または快適度申告が行えるリモコ
    ンと、少なくとも制御指標決定部で計算された制御指標
    を入力とし、リモコンからの利用者の申告を教師データ
    とし、制御指標の補正値を出力するニューラルネットワ
    ークを有するリモコン操作学習部を有し、利用者のリモ
    コン操作を学習し、制御指標決定部で演算された制御指
    標を補正することを特徴とする請求項１から９のいずれ
    かに記載の空気調和機の制御装置。
11. 【請求項１１】 制御指標決定部に在室データ記憶手段
    と、在室パターン分類手段と、不在時間の最低維持温度
    であるベース温度を前記在室パターン分類手段から得ら
    れる部屋の使用状況に応じて定めるベース温度変換手段
    の構成からなる不在時制御指標決定部を付加したことを
    特徴とする請求項１から１０のいずれかに記載の空気調
    和機の制御装置。
12. 【請求項１２】 姿勢検出手段が人間領域検出手段から
    得られる人間画素ブロックの形態を表現する値と、人間
    画素ブロックの画素値と、足元位置検出手段から得られ
    る足元位置情報を入力とし姿勢を出力するニューラルネ
    ットを用いることを特徴とする請求項７から１１のいず
    れかに記載の空気調和機の制御装置。
13. 【請求項１３】 皮膚温度検出手段が、人間領域検出手
    段から得られる人間画素ブロックと姿勢検出手段から得
    られる姿勢を基に、体の部位に合わせて人間画素ブロッ
    クを複数に分割するブロック分割手段と、ブロック分割
    手段から得られるブロック毎の平均温度を算出するブロ
    ック温度算出手段と、ブロック温度算出手段で得られた
    各ブロックの温度を比較し皮膚表面に対応するブロック
    を抽出する温度比較手段を有することを特徴とする請求
    項７から１２のいずれかに記載の空気調和機の制御装
    置。
14. 【請求項１４】 着衣量検出手段が、皮膚温度検出手段
    が、人間領域検出手段から得られる人間画素ブロックと
    姿勢検出手段から得られる姿勢を基に、体の部位に合わ
    せて人間画素ブロックを複数に分割するブロック分割手
    段と、ブロック分割手段から得られるブロック毎の平均
    温度を算出するブロック温度算出手段と、ブロック温度
    算出手段で得られた各ブロックの温度を比較し皮膚表面
    に対応するブロックを抽出する温度比較手段と、温度比
    較手段から得られる人体の露出部分に対応するブロック
    と衣服表面部分に対応するブロックの面積比を算出する
    面積比較手段とを有することを特徴とする請求項７から
    １３のいずれかに記載の空気調和機の制御装置。
15. 【請求項１５】 着衣量検出手段が、少なくとも人間領
    域検出手段から得られる人間画素ブロックと姿勢検出手
    段から得られる姿勢情報と、足元位置検出手段から得ら
    れる足元位置情報を入力とし、着衣量を出力するニュー
    ラルネットを用いることを特徴とする請求項７から１３
    のいずれかに記載の空気調和機の制御装置。
16. 【請求項１６】 活動量検出部が、個人情報抽出部から
    在室者の移動速度を算出する移動量検出手段と、個人情
    報抽出部から得られる個人情報を所定期間記憶する個人
    情報記憶手段と、所定期間の移動量の値の、あらかじめ
    複数に分けられた範囲に入る頻度を計数し、ランク分け
    を行う（以降、期間移動量と呼ぶ）期間移動量算出手段
    と、個人情報抽出手段から得られる足元位置情報を所定
    期間位置別に累積し、静止者判定を行う滞在頻度算出手
    段と、期間移動量と滞在頻度算出手段から得られる静止
    者判定結果から活動量を算出する活動量算出手段を有す
    ることを特徴とする請求項６から１５のいずれかに記載
    の空気調和機の制御装置。
17. 【請求項１７】 活動量検出部が、個人情報抽出部から
    得られる個人情報を所定期間記憶する個人情報記憶手段
    と、個人情報抽出手段から得られる足元位置情報を所定
    期間位置別に累積し、静止者判定を行う滞在頻度算出手
    段と、期間移動量と滞在頻度算出手段から得られる静止
    者判定結果から活動量を算出する活動量算出手段とから
    なり、所定期間の床面位置への滞在頻度から活動量を算
    出することを特徴とする請求項６から１５のいずれかに
    記載の空気調和機の制御装置。
18. 【請求項１８】 移動量検出手段が、連続する２枚の熱
    画像から足元位置検出手段により得られる足元位置情報
    と、上記計測単位時間に動くことが可能な最大移動距離
    から移動可能な足元位置情報の組み合わせを探す移動可
    能判定手段と、上記組み合わせ情報から最近傍の在室者
    の検索を行い、組み合わせを決める最近傍検索手段と、
    決められた組み合わせから移動速度を計算する移動速度
    計算手段を有することを特徴とする請求項１６のいずれ
    かに記載の空気調和機の制御装置。
19. 【請求項１９】 累積処理部が、所定期間人間画素ブロ
    ックの代表点を累積する累積記憶手段と、画素毎の累積
    値の値から静止物体の判定を行う静止物体判定手段と、
    判定された静止物体の画素の位置を記憶する静止物体画
    素位置記憶手段を有することを特徴とする請求項２から
    １８のいずれかに記載の空気調和機の制御装置。
20. 【請求項２０】 人間領域検出部が、２枚の連続する熱
    画像の差分をとる差分画像作成手段と、上記２枚の現画
    像と上記差分画像から動物体の画像を作成する動物体画
    像作成手段と、動物体画像の画素値の頻度分布を作成す
    る度数分布作成手段と、上記度数分布から人の切り出し
    温度を決定する切り出し温度決定手段と、上記切り出し
    温度幅で温度切り出しを行う人間検出部と、切り出され
    た人間画素ブロックの代表点を算出する代表点算出部を
    有することを特徴とする請求項１、２及び４から１９の
    いずれかに記載の空気調和機の制御装置。
21. 【請求項２１】 人間領域補正部が、熱画像と、人間領
    域検出手段から得られる人間画素ブロックから切り出さ
    れた画素の位置から、一人の人間に対する画素の接続関
    係を定める切り出し画素接続手段と、他の画素との接続
    がない孤立点画素を検索する孤立点検索手段と、孤立点
    画素の周辺を検索し孤立点の消去および孤立点と切り出
    し画素ブロックの補完を行う周辺画素検出手段を有する
    ことを特徴とする請求項２から２０のいずれかに記載の
    空気調和機の制御装置。
22. 【請求項２２】 センサー部が２次元赤外線センサー
    と、光センサーと、湿度センサーと、室温を計測する温
    度センサーと、外気温を計測する温度センサーからなる
    請求項１から２１のいずれかに記載の空気調和機の制御
    装置。
23. 【請求項２３】 人数計数手段が、少なくともブロック
    数と形態種別と人間画素代表点を入力とし、人数を出力
    するニューラルネットワークを用いることを特徴とする
    請求項４から２２のいずれかに記載の空気調和機の制御
    装置。
24. 【請求項２４】 足元位置推測手段が、少なくとも人間
    領域検出手段から得られる人間画素ブロックの代表点の
    列または行番号と、人間画素ブロックの画素値と、周辺
    画素の画素値を入力とし、床面位置を出力するニューラ
    ルネットワークを用いることを特徴とする請求項４から
    ２３のいずれかに記載の空気調和機の制御装置。
25. 【請求項２５】 カレンダと、センサー部に人検知を行
    うセンサーと、在室者有無の判定を行う在不在判定部と
    人が在室時の制御指標を決める在室時制御指標決定部と
    不在時の制御指標を決める在室パターン分類手段と、不
    在時間の最低維持温度であるベース温度を前記在室パタ
    ーン分類手段から得られる部屋の使用状況に応じて定め
    るベース温度変換手段の構成からなる不在時制御指標決
    定部からなる制御指標決定部と、空調機器の制御を行う
    空調制御部を有することを特徴とする空気調和機の制御
    装置。