JP3905774B2

JP3905774B2 - パターン推定方法、パターン推定装置、パターン推定方法のプログラムおよびこのプログラムを記録した記録媒体

Info

Publication number: JP3905774B2
Application number: JP2002052557A
Authority: JP
Inventors: 英朋境野
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2002-02-28
Filing date: 2002-02-28
Publication date: 2007-04-18
Anticipated expiration: 2022-02-28
Also published as: JP2003256844A

Description

【０００１】
【発明の属する技術分野】
本発明は、ＷＥＢやさまざまな観測源から得られる画像化（パターン化）された移動物体の検出とその物体の移動速度を推定するパターン推定方法および装置に関する。
【０００２】
【従来の技術】
この種のパターンそのものや速度を精度よく検出できると、交通ライブカメラでは車両の交通流の様子や監視、降雪や降雨などで視野が悪いライブカメラシーンからの安定した車両速度の検出により交通事故の事前予防が可能となるし、交通渋滞や交通流の映像からの車両パターンの予測、人の流れの予測が可能となる。
【０００３】
また、気象分野では雨域の移動速度がわかるので気象予測として防災につながり、降水レーダー画像による降水量の予測、衛星画像ならば、可視画像や赤外画像から曇と晴予測、落雷画像から落雷予測が、降水と落雷情報を統合すれば、集中豪雨と雷雲予測ができ、気象以外の一般映像ならば、木々が揺らぐシーンからの風向きと強さのセンシング、波立ちの変化を予測する波浪予測が可能となる。
【０００４】
さらに、医療画像における血流パターンの変化と認知過程予測など、重心を明瞭に定義できなく、また、領域分割が容易でない画像や映像シーンにおいて、未来の映像情報を予測することができるなど、さまざまな分野に利用できる。
【０００５】
【発明が解決しようとする課題】
前記のような複雑な形状やパターンを含んだ映像パターンからの速度検出方法については、さまざまに画像処理で推定する方法が提案されている。画像符号化の分野ではブロックマッチングによる動きベクトル推定法が、コンピュータビジョンの分野ではオプテイカルフロー法が主流である。
【０００６】
後者において、勾配法とブロックマッチング法に基づく方法がある。勾配法は、Ｈｏｒｎ＆Ｓｃｈｕｎｃｋが標準正則化理論の枠組みで、速度に関しての１次微分の滑らか拘束を課して解を得る方法を示している。拘束条件には速度の２次微分など、さまざまに提案が行われている。いずれの拘束条件を適用するにも、最大の課題は最適な拘束条件をいかに設定するかである。しかも画像特徴量に応じて、局所的に拘束条件を変更することが必要である。
【０００７】
勾配法とブロックマッチング法では、基本方程式を導く際、連続する画像フレーム間の濃淡値が一定であると仮定している。そのため、局所的な照明、輝度、コントラスト、影等が変動する場合には仮定からずれる。
【０００８】
画像中の輝度変動等は、降雪、降雨、霧等がシーン全体を覆う場合にも生じる。悪天候下での、走行車両を検出する場合は、降雪からの速度と、走行車両からの速度などが複雑に混在してしまい、容易には個々の速度を分離推定することは困難であった。
【０００９】
本発明の目的は、画像中の照明、輝度、コントラスト変動等を生じさせる、降雪、降雨、霧等がある悪天候シーンから降雪からの速度と、興味の対象である走行車両等からの速度を分離抽出した、パターン推定方法、パターン推定装置、パターン推定プログラム、およびそのプログラムを記録した記録媒体を提供することにある。
【００１０】
【課題を解決するための手段】
前記の課題を解決するための本発明は、以下の方法、装置、プログラム、記録媒体を特徴とする。
【００１１】
（方法の発明）
（１）ＷＥＢやさまざまな観測源から得られる画像化されたパターンを推定する方法であって、
前記パターンの時系列画像情報を入力する画像入力過程と、
前記時系列画像情報を蓄積する画像蓄積過程と、
前記蓄積した時系列フレーム画像からパターンの速度を検出するためのモデルパラメータを推定するパラメータ推定過程と、
前記パラメータを基にして抽出したパターンの速度に関する画像や情報を表示する出力過程と、を有し、
前記パラメータ推定過程において、
２次元の位置ｘ、速度ｕ、コントラスト変動ｃｔに対して、位置ｘと時刻ｔに依存する濃淡値Ｉ（ｘ，ｔ）をＩ（ｘ，ｔ）＝Ｉ（ｘ−ｕ（ｘ），ｔ＋１）＋ｃｔ（ｘ，ｔ）なるモデルで表し、濃淡値の差の二乗総和とする目的関数を設定し、この目的関数を最小とする最小二乗問題として未知数の速度ｕ（ｔ）、コントラスト変動ｃｔ（ｘ，ｔ）を推定することを特徴とする。
【００１２】
（２）ＷＥＢやさまざまな観測源から得られる画像化されたパターンを推定する方法であって、
前記パターンの時系列画像情報を入力する画像入力過程と、
前記時系列画像情報を蓄積する画像蓄積過程と、
前記蓄積した時系列フレーム画像からパターンの速度を検出するためのモデルパラメータを推定するパラメータ推定過程と、
前記パラメータを基にして抽出したパターンの速度に関する画像や情報を表示する出力過程と、を有し、
前記パラメータ推定過程において、
２次元の位置ｘ、速度ｕ、コントラスト変動ｃｔ、輝度ｂｒに対して、位置ｘと時刻ｔに依存する濃淡値Ｉ（ｘ，ｔ）をＩ（ｘ，ｔ）＝ｂｒ（ｘ，ｔ）Ｉ（ｘ−ｕ（ｘ），ｔ＋１）＋ｃｔ（ｘ，ｔ）なるモデルで表し、濃淡値の差の二乗総和とする目的関数を設定し、この目的関数を最小とする最小二乗問題として未知数の速度ｕ（ｔ）、コントラスト変動ｃｔ（ｘ，ｔ）、輝度ｂｒ（ｘ，ｔ）を推定することを特徴とする。
【００１３】
（３）上記（１）または（２）の目的関数は、非線形なロバスト関数を介して、非線形関数の最小化により、未知数を推定することを特徴とする。
【００１５】
（４）上記（３）における前記最小化の演算において、ローレンツ関数等に含まれる分散値は、段階的に大きい値から小さい値へ可変させることを特徴とする。
【００１７】
（５）上記（１）または（２）の出力過程の結果を利用して、速度のある点に関して、ｋ−ｍｅａｎクラスタリングやＬＢＧアルゴリズム等を施して、速度をもつ物体の個体数を計数することを特徴とする。
【００１８】
（６）上記（５）において、クラスタリングの初期数を収束して形成されたクラスタごとに、距離に応じて併合する過程を含むことを特徴とする。
【００１９】
（装置の発明）
（７）ＷＥＢやさまざまな観測源から得られる画像化されたパターンを推定する装置であって、
前記パターンの時系列画像情報を入力する画像入力手段と、
前記時系列画像情報を蓄積する画像蓄積手段と、
前記蓄積した時系列フレーム画像からパターンの速度を検出するためのモデルパラメータを推定するパラメータ推定手段と、
前記パラメータを基にして抽出したパターンの速度に関する画像や情報を表示する出力手段とを備え、
前記パラメータ推定手段は、２次元の位置ｘ、速度ｕ、コントラスト変動ｃｔに対して、位置ｘと時刻ｔに依存する濃淡値Ｉ（ｘ，ｔ）をＩ（ｘ，ｔ）＝Ｉ（ｘ−ｕ（ｘ），ｔ＋１）＋ｃｔ（ｘ，ｔ）なるモデルで表し、濃淡値の差の二乗総和とする目的関数を設定し、この目的関数を最小とする最小二乗問題として未知数の速度ｕ（ｔ）、コントラスト変動ｃｔ（ｘ，ｔ）を推定する手段を含み、
前記目的関数は、非線形なロバスト関数を介して、非線形関数の最小化により、未知数を推定する手段を含み、
前記最小化の演算において、ローレンツ関数等に含まれる分散値は、段階的に大きい値から小さい値へ可変させる手段を含み、
前記出力手段の結果を利用して、速度のある点に関して、ｋ−ｍｅａｎクラスタリングやＬＢＧアルゴリズム等を施して、速度をもつ物体の個体数を計数する手段を含み、
前記クラスタリングの初期数を収束して形成されたクラスタごとに、距離に応じて併合する手段を含む、
ことを特徴とする。
（８）ＷＥＢやさまざまな観測源から得られる画像化されたパターンを推定する装置であって、
前記パターンの時系列画像情報を入力する画像入力手段と、
前記時系列画像情報を蓄積する画像蓄積手段と、
前記蓄積した時系列フレーム画像からパターンの速度を検出するためのモデルパラメータを推定するパラメータ推定手段と、
前記パラメータを基にして抽出したパターンの速度に関する画像や情報を表示する出力手段とを備え、
前記パラメータ推定手段は、２次元の位置ｘ、速度ｕ、コントラスト変動ｃｔ、輝度ｂｒに対して、位置ｘと時刻ｔに依存する濃淡値Ｉ（ｘ，ｔ）をＩ（ｘ，ｔ）＝ｂｒ（ｘ，ｔ）Ｉ（ｘ−ｕ（ｘ），ｔ＋１）＋ｃｔ（ｘ，ｔ）なるモデルで表し、濃淡値の差の二乗総和とする目的関数を設定し、この目的関数を最小とする最小二乗問題として未知数の速度ｕ（ｔ）、コントラスト変動ｃｔ（ｘ，ｔ）、輝度ｂｒ（ｘ，ｔ）を推定する手段を含み、
前記目的関数は、非線形なロバスト関数を介して、非線形関数の最小化により、未知数を推定する手段を含み、
前記最小化の演算において、ローレンツ関数等に含まれる分散値は、段階的に大きい値から小さい値へ可変させる手段を含み、
前記出力手段の結果を利用して、速度のある点に関して、ｋ−ｍｅａｎクラスタリングやＬＢＧアルゴリズム等を施して、速度をもつ物体の個体数を計数する手段を含み、
前記クラスタリングの初期数を収束して形成されたクラスタごとに、距離に応じて併合する手段を含む、
ことを特徴とする。
【００２０】
（プログラムの発明）
（９）上記（１）ないし（６）のいずれか１項に記載のパターン推定方法を、コンピュータで実現するためのパターン推定プログラム。
【００２１】
（記録媒体の発明）
（１０）上記（９）記載のパターン推定プログラムを記録した、コンピュータで読み取り可能な記録媒体。
【００２２】
【発明の実施の形態】
以下、本発明を図示する実施の形態に基づいて詳細に説明する。
【００２３】
図１は、本発明の処理全体を示すシステム構成図である。画像入力部１は、さまざまなセンサー、観測機器、ＷＥＢを情報源として速度推定対象が含まれる画像を取得する。画像蓄積部２は、画像入力部１で取得した画像の時系列画像を蓄積する。パラメータ推定部３は、画像蓄積部２に蓄積された時系列画像からモデルパラメータを推定する。出力部４は、パターンの速度に関する画像や情報を表示する。なお、これら各部は、本発明におけるパターン検出方法の処理手順図にも対応する。
【００２４】
図２は、降雪や降雨での交通シーンである。図中、Ａは交通道路の画像、Ｂは交通道路上の車両画像、Ｃは雪や雨の画像である。この画像フレームにおいて、動画だと明らかであるが、カメラ視線上を落下する雪、雨があると、車両の速度を検出する場合に大きな妨げとなってしまう問題がある。
【００２５】
即ち、従来法による速度推定法では、ほとんどの場合、降雪と車両の速度が混在して検出されてしまう。これは検出モデルに、それぞれの特性を含んでいないためである。降雪パターンは、非定常性が高く、その形状や大きさ、速度に関して、一定範囲内の知識を適用することは困難である。また、白色についても、車両の白色との識別が困難である。
【００２６】
下記の式（Ｓ１）〜（Ｓ１２）は、本発明で適用する方程式群である。連続する画像フレーム間から速度を検出するには、いろいろなモデルが考えられる。多くの場合、観測時間が微小時間であると仮定して、画像内の物体、パターンが移動しても濃淡値は保存されるモデルが適用される。以下、画像保存式と呼ぶ。
【００２７】
【数１】

【００２８】
【数２】

【００２９】
【数３】

【００３０】
この場合、式（Ｓ１）のように表される。画像上のある２次元の位置ｘが次のフレームにある速度ｕで移動するものと仮定される。未知数である、物体の移動速度ｕは、ある領域内における目的関数を最小化する最小二乗問題として解くことができる。即ち、目的関数（Ｓ５，Ｓ６）が線形であり、未知数として速度の２成分をもち、当てはめるべき物体の濃淡値の数の方が多い。このことから、一般擬似逆行列を介して容易に計算できる。
【００３１】
画像によっては、局所的に輝度変動、照明変動、コントラスト変動等の影響が微小時間内であっても考慮しなくてはない。即ち、フレーム間で濃淡値が式（Ｓ１）のように保存しない。
【００３２】
そのため、画像保存式の第一の拡張としてコントラスト変動を考慮する。式（Ｓ２）にコントラスト変動モデルを示す。
【００３３】
第二の拡張として、輝度変動とコントラスト変動を含んだモデルを示す。これは式（Ｓ３）に示すようになる。
【００３４】
第三の拡張として、影など、画像保存性をくずす要因を複数モデル化する。これを式（Ｓ４）に示す。
【００３５】
いずれの場合も、線形の目的関数（Ｓ５，Ｓ６，Ｓ７）となっているので逆行列を解けば、未知数である、２つの速度成分、輝度成分、コントラスト成分が推定できる。ただし、式（Ｓ６）中、時間項（ｔ＋１）をテイラー展開して近似して、式（Ｓ７）に示すような時間差分項が表現される。
【００３６】
一般に、最小二乗法では、目的関数中、データの外れ値が未知数の推定精度を低下させる問題が知られている。外れ値は当てはめるデータ中、分散値が大きい値である。分散値の大きさによって、平均値からの乖離度に応じて重みづけをして全体の分散を小さくして当てはめ、その影響を緩和することが考えられる。
【００３７】
この場合、さまざまな重みづけ関数が存在するが、非線形なロバスト関数を適用する。Ｍ−推定と呼ばれる一連のロバスト関数には、式（Ｓ９）に示すローレンツ関数、Ｂｉｗｅｉｇｈｔ法等がある。目的関数（Ｓ８）は当てはめるデータとの乖離によって、値は変化するが、目的関数の値が当てはめ誤差であることから、この関数をＭ−推定の枠組みに組み込めば、外れ値からの影響が緩和された精度ある未知数推定につながる。
【００３８】
非線形な目的関数の最小化により、未知数を推定できる。計算には、最急降下法、ニューラルネット、レーベンバーグ・マッカート（Levenberg-Marquardt）法等などを用いる。予め、非線形ロバスト関数の偏導関数、未知数に関する偏導関数を求めておく（Ｓ１０，Ｓ１１）。安定にかつ極小値に陥らないように、ローレンツ関数のもつ、分散値を反復過程において大から小へ可変制御しながら解く。反復計算では、最急降下法（Ｓ１２）などで解けばよい。ただし、微分値には、経験的に非常に小さいパラメータを掛け合わせる必要がある。
【００３９】
図３は、図２の画像に対する従来速度検出法での結果である。画像フレーム間で、輝度とコントラストが変動する画像には、降雪や降雨など悪天候により、画面全体が見えづらくなるシーンがある。交通シーンや街頭シーン等で車両数や歩行者数を数えたり、状況をカメラを通じて画像処理で行う場合、悪天候はその妨げとなる。前処理として、ローパスフィルターをかけるだけではシーンを横切る降雪の影響を取り除くことはできず、興味の対象である、車両や人までもぼかしてしまう問題がある。ＮＡＧＥＬらの勾配法により、計算しようとすると、降雪と車両、人から複数の動きベクトルが同時に検出されてしまう。そのため、車両や人のシーンからの分離抽出がうまくできない。
【００４０】
図４は、本発明を適用した交通シーンと輝度画像とコントラスト画像である。本発明では、輝度・コントラストモデルを使って、降雪シーンから走行する車両を検出する実験を行う。ローパスフィルターによる前処理は適用しない。これは、ローパスフィルターにより、雪と車が融合してしまう問題があったことによる。交通シーンＰ１は降雪で覆われており、左レーンを複数の車が走行している。このシーンから輝度・コントラストモデルである、非線形なロバスト関数によりコントラスト画像Ｐ２と輝度画像Ｐ３を検出した。いずれのシーンも車両よりも降雪パターンが検出された。
【００４１】
図５は、本発明により検出された車両域と速度ベクトルである。図４と同じモデルにより検出された車両域と各車両の速度ベクトルＶ１を示す。また、走行車両域Ｖ２、速度ベクトルＶ３を示す。降雪も移動ベクトルをもつが、輝度画像Ｐ３と、コントラスト画像Ｐ２に示すように、降雪の動き成分はそれぞれの画像により吸収された。そのため、車両の速度ベクトルのみが分離検出できた。即ち、輝度画像とコントラスト画像からは晴シーンとの対応もしくは、周波数画像成分の分布で静的なシーンとの差分をとることで、降雪もしくは降雨というシーン状況が推定できる。
【００４２】
図６は、本発明により検出された移動成分をもつ点列と併合アルゴリズムに統合した点列を示す。車両数を自動的に計数するために、動きベクトルのある画素を１点として、シーン中の一定しきい値以上の速度をもつ点を検出してクラスタリングを行う。クラスタリング手法には、さまざまあるが、ｋ−ｍｅａｎクラスタリングやＬＢＧアルゴリズムを適用する。クラスタリング数と車両数はほぼ一致するものとする。初期のセントロイド数は想定される車両数の数倍とする。そのため、セントロイドはＬＢＧアルゴリズムが収束した後、さらに、併合してセントロイド数を減少させる必要がある。併合には、一定の距離以内の場合行う。併合されたセントロイド数の変化をモニタリングすると、道路上の車両数の変化がわかる。
【００４３】
図７は、車両数の時系列変化である。車両数が増加した後、減少する様子がわかる。これは視覚的にシーンを見たときの様子と一致する。ここでは３００フレームのライブカメラからの降雪シーンが使用された。
【００４５】
また、本発明は、図１に示した方法又は装置の一部又は全部の処理機能をプログラムとして構成してコンピュータを用いて実現すること、あるいは図１で示した処理手順をプログラムとして構成してコンピュータに実行させることができる。また、コンピュータでその各部の処理機能を実現するためのプログラム、あるいはコンピュータにその処理手順を実行させるためのプログラムを、そのコンピュータが読み取り可能な記録媒体、例えば、ＦＤ（フロッピーディスク：登録商標）、ＭＯ、ＲＯＭ、メモリカード、ＣＤ、ＤＶＤ、リムーバブルディスクなどに記録して、保存したり、提供したりすることが可能であり、また、インターネットのような通信ネットワークを介して配布したりすることが可能である。
【００４６】
【発明の効果】
以上述べたように、本発明によれば、降雪や降雨で覆われた屋外シーンにおいて、走行する車両と、降雪もしくは降雨を分離検出でき、遠隔でシーン状況の監視が可能となり、特に、ＷＥＢ上のさまざまなサイトのライブカメラからの情報収集の際、連続的かつ安定に所定の対象の動きを検出したり、シーン理解へとつなぐことができる。
【図面の簡単な説明】
【図１】本発明の処理全体を示すシステム構成図。
【図２】降雪や降雨での交通シーン。
【図３】従来速度検出法での結果。
【図４】本発明で用いた交通シーンと輝度画像とコントラスト画像。
【図５】本発明により検出された車両域と速度ベクトルの図。
【図６】本発明により検出された移動成分をもつ点列と併合アルゴリズムに統合した点列。
【図７】車両数の時系列変化の図。
【符号の説明】
１…画像入力部
２…画像蓄積部
３…パラメータ推定部
４…出力部

Claims

ＷＥＢやさまざまな観測源から得られる画像化されたパターンを推定する方法であって、
前記パターンの時系列画像情報を入力する画像入力過程と、
前記時系列画像情報を蓄積する画像蓄積過程と、
前記蓄積した時系列フレーム画像からパターンの速度を検出するためのモデルパラメータを推定するパラメータ推定過程と、
前記パラメータを基にして抽出したパターンの速度に関する画像や情報を表示する出力過程と、を有し、
前記パラメータ推定過程において、
２次元の位置ｘ、速度ｕ、コントラスト変動ｃｔに対して、位置ｘと時刻ｔに依存する濃淡値Ｉ（ｘ，ｔ）をＩ（ｘ，ｔ）＝Ｉ（ｘ−ｕ（ｘ），ｔ＋１）＋ｃｔ（ｘ，ｔ）なるモデルで表し、濃淡値の差の二乗総和とする目的関数を設定し、この目的関数を最小とする最小二乗問題として未知数の速度ｕ（ｔ）、コントラスト変動ｃｔ（ｘ，ｔ）を推定することを特徴とするパターン推定方法。
ＷＥＢやさまざまな観測源から得られる画像化されたパターンを推定する方法であって、
前記パターンの時系列画像情報を入力する画像入力過程と、
前記時系列画像情報を蓄積する画像蓄積過程と、
前記蓄積した時系列フレーム画像からパターンの速度を検出するためのモデルパラメータを推定するパラメータ推定過程と、
前記パラメータを基にして抽出したパターンの速度に関する画像や情報を表示する出力過程と、を有し、
前記パラメータ推定過程において、
２次元の位置ｘ、速度ｕ、コントラスト変動ｃｔ、輝度ｂｒに対して、位置ｘと時刻ｔに依存する濃淡値Ｉ（ｘ，ｔ）をＩ（ｘ，ｔ）＝ｂｒ（ｘ，ｔ）Ｉ（ｘ−ｕ（ｘ），ｔ＋１）＋ｃｔ（ｘ，ｔ）なるモデルで表し、濃淡値の差の二乗総和とする目的関数を設定し、この目的関数を最小とする最小二乗問題として未知数の速度ｕ（ｔ）、コントラスト変動ｃｔ（ｘ，ｔ）、輝度ｂｒ（ｘ，ｔ）を推定することを特徴とするパターン推定方法。
請求項１または請求項２の目的関数は、非線形なロバスト関数を介して、非線形関数の最小化により、未知数を推定することを特徴とするパターン推定方法。
請求項３における前記最小化の演算において、ローレンツ関数等に含まれる分散値は、段階的に大きい値から小さい値へ可変させることを特徴とするパターン推定方法。
請求項１または請求項２の出力過程の結果を利用して、速度のある点に関して、ｋ−ｍｅａｎクラスタリングやＬＢＧアルゴリズム等を施して、速度をもつ物体の個体数を計数することを特徴とするパターン推定方法。
請求項５において、クラスタリングの初期数を収束して形成されたクラスタごとに、距離に応じて併合する過程を含むことを特徴とするパターン推定方法。
ＷＥＢやさまざまな観測源から得られる画像化されたパターンを推定する装置であって、
前記パターンの時系列画像情報を入力する画像入力手段と、
前記時系列画像情報を蓄積する画像蓄積手段と、
前記蓄積した時系列フレーム画像からパターンの速度を検出するためのモデルパラメータを推定するパラメータ推定手段と、
前記パラメータを基にして抽出したパターンの速度に関する画像や情報を表示する出力手段とを備え、
前記パラメータ推定手段は、２次元の位置ｘ、速度ｕ、コントラスト変動ｃｔに対して、位置ｘと時刻ｔに依存する濃淡値Ｉ（ｘ，ｔ）をＩ（ｘ，ｔ）＝Ｉ（ｘ−ｕ（ｘ），ｔ＋１）＋ｃｔ（ｘ，ｔ）なるモデルで表し、濃淡値の差の二乗総和とする目的関数を設定し、この目的関数を最小とする最小二乗問題として未知数の速度ｕ（ｔ）、コントラスト変動ｃｔ（ｘ，ｔ）を推定する手段を含み、
前記目的関数は、非線形なロバスト関数を介して、非線形関数の最小化により、未知数を推定する手段を含み、
前記最小化の演算において、ローレンツ関数等に含まれる分散値は、段階的に大きい値から小さい値へ可変させる手段を含み、
前記出力手段の結果を利用して、速度のある点に関して、ｋ−ｍｅａｎクラスタリングやＬＢＧアルゴリズム等を施して、速度をもつ物体の個体数を計数する手段を含み、
前記クラスタリングの初期数を収束して形成されたクラスタごとに、距離に応じて併合する手段を含む、
ことを特徴とするパターン推定装置。
ＷＥＢやさまざまな観測源から得られる画像化されたパターンを推定する装置であって、
前記パターンの時系列画像情報を入力する画像入力手段と、
前記時系列画像情報を蓄積する画像蓄積手段と、
前記蓄積した時系列フレーム画像からパターンの速度を検出するためのモデルパラメータを推定するパラメータ推定手段と、
前記パラメータを基にして抽出したパターンの速度に関する画像や情報を表示する出力手段とを備え、
前記パラメータ推定手段は、２次元の位置ｘ、速度ｕ、コントラスト変動ｃｔ、輝度ｂｒに対して、位置ｘと時刻ｔに依存する濃淡値Ｉ（ｘ，ｔ）をＩ（ｘ，ｔ）＝ｂｒ（ｘ，ｔ）Ｉ（ｘ−ｕ（ｘ），ｔ＋１）＋ｃｔ（ｘ，ｔ）なるモデルで表し、濃淡値の差の二乗総和とする目的関数を設定し、この目的関数を最小とする最小二乗問題として未知数の速度ｕ（ｔ）、コントラスト変動ｃｔ（ｘ，ｔ）、輝度ｂｒ（ｘ，ｔ）を推定する手段を含み、
前記目的関数は、非線形なロバスト関数を介して、非線形関数の最小化により、未知数を推定する手段を含み、
前記最小化の演算において、ローレンツ関数等に含まれる分散値は、段階的に大きい値から小さい値へ可変させる手段を含み、
前記出力手段の結果を利用して、速度のある点に関して、ｋ−ｍｅａｎクラスタリングやＬＢＧアルゴリズム等を施して、速度をもつ物体の個体数を計数する手段を含み、
前記クラスタリングの初期数を収束して形成されたクラスタごとに、距離に応じて併合する手段を含む、
ことを特徴とするパターン推定装置。
請求項１ないし６のいずれか１項に記載のパターン推定方法を、コンピュータで実現するためのパターン推定プログラム。
請求項９記載のパターン推定プログラムを記録した、コンピュータで読み取り可能な記録媒体。