JP4618506B2 - 物体認識装置 - Google Patents

Description

本発明は、移動体周辺に存在する物体の輪郭形状を認識する物体認識装置に関する。

このような装置として、下記に出典を示す特許文献１に記載されたような障害物検知装置がある。この装置は、車両（移動体）の周辺に存在する障害物を検知して警報を発するものである。特許文献１の発明がなされる前の従来の装置は、単に車両と障害物との距離だけを測定して所定距離よりも短い場合にのみ、警報を発するように構成されていた。即ち、距離に基づく警報だけでは、運転者にとって車両の周りのどの物体が障害物か判り難いという問題があった。これに対し、特許文献１に記載の発明は、車両に複数の障害物検知センサを搭載し、障害物までの距離を演算する。そして、これら得られた演算結果より障害物の形状が直線（平板形状）か円形（凸面形状）かを推定して表示する。

特開２００３−１９４９３８号公報（第２−３頁、第１−７図）

特許文献１に記載された発明は、障害物までの距離に留まらず、障害物の形状までも推定する点において、利用者にとって有益なものである。しかし、実際の計測においては、検出対象の物体（障害物）以外を検出した検出データが混在することも多い。検出対象物以外の検出データは、検出対象物の形状推定に際してノイズ成分として作用し、推定精度を低下させる。従って、障害物等の検出対象となる物体を検出する際の安定性が充分とはいえない。ノイズ除去の機能を具備すれば、演算量が増え、それに伴って処理時間の増大や装置の大規模化を招くことになる。

本願発明は上記課題に鑑みてなされたもので、少ない演算量で、被検出対象のデータが混在しても安定して物体の形状を認識することができる物体認識装置を提供することを目的としている。

上記目的を達成するための本発明に係る、移動体周辺に存在する物体の表面形状情報を検出する物体検出手段と、前記表面形状情報に基づいて前記物体の輪郭形状を認識する形状認識手段とを備え、前記移動体周辺に存在する物体を認識する物体認識装置は、以下の特徴構成を備える。
前記形状認識手段は、規定回数分、前記表面形状情報を構成する標本群から任意の標本を抽出し、抽出された前記標本に基づいて形状モデルを定める形状モデル設定手段と、前記標本群を構成する各標本の内、前記定められた各形状モデルに対して一致しない標本の不一致数をカウントすることにより、前記標本群に対する各形状モデルの適合性を演算する適合性演算手段と、最も小さい前記不一致数を有する前記形状モデルを、最も適合性が高いと判定し、前記輪郭形状として決定する輪郭形状決定手段と、を備える。
前記適合性演算手段は、カウント途上で前記不一致数が許容限度である第一基準値に達した場合には、当該形状モデルに対する前記不一致数のカウントを終了し、全標本に対してカウントされた前記不一致数が前記第一基準値未満の場合には、前記第一基準値を前記不一致数に更新する。

この特徴構成によれば、形状認識手段は、規定回数分、この標本群より任意に標本を抽出して、抽出した標本に基づいて形状モデルを定める。そして、標本群全体がこの形状モデルに対して、どの程度一致するかの適合性を演算し、演算結果に基づいて、どの形状モデルが標本群に最も適合するかを判定する。
任意に抽出した標本にノイズ性の標本が含まれていた場合には、定めた形状モデルの標本群に対する適合性が低くなり、ノイズ性の標本を含まずに形状モデルが定められた場合には、適合性が高くなる。従って、少ない演算量で精度良く、ノイズ性の標本を除去して対象となる物体の輪郭形状を認識することができる。

形状認識手段は、標本群を構成する総数よりも遥かに少ない標本数で形状モデルを定めている。また、標本群に対する形状モデルの適合性は、各標本の空間上の座標を用いて簡易な幾何学的演算を実施することにより、求めることができる。標本の抽出や形状モデルの設定、適合性の判定に必要となる演算量は少なく、規定回数分、繰り返し異なる形状モデルを定めて適合性を判定しても総演算量の増大を抑制することができる。その結果、少ない演算量で、被検出対象のデータが混在しても安定して物体の形状を認識することができる物体認識装置を得ることができる。

さらに、本発明の適合性演算手段は、定められた各形状モデルに対して一致しない標本の不一致数をカウントすることにより、標本群に対する各形状モデルの適合性を演算する。そして、輪郭形状決定手段は、最も小さい不一致数を有する形状モデルを、最も適合性が高いと判定し、輪郭形状として決定する。このとき、適合性演算手段は、カウント途上で不一致数が許容限度である第一基準値に達した場合には、当該形状モデルに対する不一致数のカウントを終了する。
このように、許容限度以上となる不一致数を有する形状モデルに対する適合性の評価を打ち切ることにより、規定回数繰り返される演算の総量を削減することができる。その結果、少ない演算量で、被検出対象のデータが混在しても安定して物体の形状を認識することができる物体認識装置を得ることができる。

さらに、上記特徴に加え、前記適合性演算手段が、全標本に対してカウントされた前記不一致数が前記第一基準値未満の場合には、前記第一基準値を前記不一致数に更新することを特徴とすることができる。

全標本に対してカウントされた不一致数が第一基準値未満の場合、当該形状モデルは、これまでで最大の適合性を示したこととなる。当該形状モデルが有する不一致数以上の不一致数を有する他の形状モデルは、当該形状モデルと同等の適合性を示すことはあっても、当該形状モデルを超える適合性を示すことはない。このため、当該形状モデルの不一致数以上の不一致数を有する他の形状モデルに対しては、全標本に対して不一致数をカウントすることなく、途中でカウントを打ち切っても問題はない。上記特徴構成のように、不一致数の許容限度である第一基準値を、当該形状モデルの有する不一致数に更新すれば、規定回数繰り返される演算の総量をさらに削減することができる。

本発明に係る物体認識装置は、さらに下記特徴構成を備えることができる。即ち、前記輪郭形状決定手段は、全標本に対してカウントされた前記不一致数が前記第一基準値よりも小さい値に設定された第二基準値以下である場合には、前記規定回数に拘らず、前記不一致数を有する前記形状モデルを、前記輪郭形状として決定する。

この特徴構成によれば、形状認識手段の輪郭形状決定手段は、一定の基準値以上の適合性を有する形状モデルが存在する場合は、上記規定回数に拘らず最先に一定の基準値以上の適合性を有すると判定された形状モデルを輪郭形状として決定することができる。一定の基準値以上の適合性を有するということは、不一致数が一定の基準値以下であるということである。そして、この不一致数の基準値、第二基準値は、第一基準値よりも小さい値に設定される。
従って、繰り返し異なる形状モデルを定めて適合性を演算する過程で、第二基準値以下の不一致数しか有さず、高い適合性を示す形状モデルがあれば、その時点で輪郭形状を定めて、処理を終了することができる。その結果、さらに総演算量を抑制することができる。

さらに、本発明に係る物体認識装置は、前記第一基準値の初期値が、前記標本群を構成する標本の総数よりも少ない値に設定されることを特徴とすることができる。

繰り返し異なる形状モデルを定めて適合性を演算するに際して、初回の演算時には、標本群を構成する全標本に対して不一致数をカウントする。従って、一つの形状モデルに対する最大の演算時間を有する。ここで、初回の形状モデルの有する不一致数がある程度少なければ、２回目以降の不一致数のカウントにおける第一基準値が比較的低く設定されるため、演算時間は短縮される。しかし、初回の形状モデルの有する不一致数が多ければ、２回目のカウント時に、不一致数が第一基準値未満となり、その結果全標本に対するカウントが必要なる。つまり、演算時間の短縮効果が得られない。このような現象は、特に繰り返し演算の始めの方において、どのような形状モデルが構築されるかの確率に依るところが大きい。つまり、演算時間の短縮効果が確率に左右されることとなる。
これに対し、本発明では、第一基準値の初期値が標本群を構成する標本の総数よりも少ない値に設定されるので、演算時間の短縮効果が確率に左右される割合を抑制することができる。つまり、安定的に、演算時間を短縮することが可能となる。

以下、本発明の好適な実施形態を、車両が他の車両を認識する場合を例として、図面に基づいて説明する。
図１に示すように、移動体としての車両１０には、側方に向けて距離センサ１（物体検出手段）が搭載されている。この距離センサ１は、例えばポイントセンサ、即ち、シングルービームセンサや超音波を利用したソナー等である。車両１０は、駐停車中の他の車両２０（以下、駐車車両と称す。）のそばを図示Ｘ方向へ通過する際に、距離センサ１によって駐車車両２０までの距離を計測する。つまり、距離センサ１は、車両１０の移動に応じて駐車車両２０との距離を計測し、表面形状情報を取得する。これは後述する物体検出工程に相当し、駐車車両２０は本発明の物体に相当する。尚、図１には、簡略のため、車両１０の左側方にのみ距離センサ１を設けているが、当然両側方に設けていてもよい。

このようにして得られた駐車車両２０の表面形状情報は、車両１０の移動距離に応じた離散的なデータである。尚、車両１０の「移動距離に応じて」には、「所定時間間隔に応じて」の意味も含むものである。例えば、車両１０が等速で移動する場合には、所定時間間隔に応じて計測すれば、移動距離に応じて測定することになる。移動体１０の移動速度、移動距離、移動時間は、線形的に定まる。従って、結果として概ね均等に表面形状情報を得ることができる方法であれば、どのような方法を用いてもよい。
尚、距離センサ１は移動時間を計測するタイマ、移動距離を計測するエンコーダ、移動速度を計測する回転センサ等の付随するセンサを備えていてもよい。また、これらセンサを別に備え、情報を得るようにしていてもよい。

図２は、本発明に係る物体認識装置の概略ブロック図である。駐車車両２０の輪郭形状を認識する形状認識手段２は、例えばマイクロコンピュータ等の電子回路によって構成される。形状認識手段２を構成する各手段は、必ずしも物理的に異なる電子回路を示すものではなく、機能としての処理手段を示すものである。例えば、同一のＣＰＵによって、各手段の機能に応じたプログラムが実行されるものであってもよい。

形状認識手段２は、形状モデル設定手段３と、適合性演算手段４と、輪郭形状決定手段５とを有する。
形状モデル設定手段３は、最大で規定回数分（後述する規定演算回数）、表面形状情報を構成する標本群から任意の標本を抽出して、抽出された標本に基づいて形状モデルを定める。適合性演算手段４は、上記標本群を構成する各標本の内、定められた各形状モデルに対して一致しない標本の不一致数をカウントすることにより、標本群に対する各形状モデルの適合性を演算する。輪郭形状決定手段５は、最も小さい不一致数を有する形状モデルを、最も適合性が高いと判定し、輪郭形状として決定する。

〔第一実施形態〕
以下、本発明に係る物体認識装置が物体としての駐車車両２０を認識する方法を、物体検出工程と、それに続いて物体の輪郭形状を認識する形状認識工程とに分けて説明する。

初めに、物体検出工程について説明する。図３に示すように、距離センサ１によって駐車車両２０上の表面形状情報Ｓが計測される。表面形状情報は、本実施形態において駐車車両２０のバンパー部の外形形状に沿った形で離散的に得られた計測データである。ここで、これら離散的に得られたデータの一群を標本群Ｓ（ラージエス）と称する。標本群Ｓは、輪郭形状の認識対象となるデータセットである。また、データセットを構成する一点一点のデータを標本ｓ（スモールエス）と称する。

形状認識手段２に入力された表面形状情報（標本群Ｓ）は、図１に示すＸ方向及びＹ方向を軸とする二次元直交座標上にマッピングされる。そして、図４（ｂ）に示すようにインデックスを付されて、形状モデル設定手段３の標本記憶部３ａに記憶される。標本記憶部３ａは、例えばマイクロコンピュータに内蔵されたメモリやレジスタで構成されている。勿論、マイクロコンピュータとは別体のメモリやハードディスクなど、他の記憶媒体を用いてもよい。

簡略化のため、図中には全ての標本ｓを示していない。図４（ａ）に示した標本中、黒点で示す標本ｓをインライア、白抜き点で示す標本ｓをアウトライアと称する。図中、標本ｓ１、ｓ１３等はインライアであり、標本ｓ２、ｓ７、ｓ１０はアウトライアである。詳細は後述するが、インライアは駐車車両２０の輪郭形状を構成する標本である。アウトライアは駐車車両２０の輪郭形状から外れたいわゆるノイズ性の標本である。

以下、図７に示すフローチャートも利用して、得られた標本群Ｓより、駐車車両２０の輪郭形状を認識する手順（形状認識工程）について説明する。

標本抽出部３ｂは、標本群Ｓ（標本ｓ１〜ｓ１３）より任意の標本ｓｉ（ｉはインデックス番号）を数点抽出する（標本抽出工程：図７＃１）。抽出される標本ｓは、図５に示すように乱数を用いてランダムに定まる。例えば、形状認識手段２に乱数発生器（不図示）を設けて乱数を発生させる（図５（ａ））。そして、発生させた乱数をインデックス番号とする標本ｓｉを抽出する（図５（ｂ））。尚、乱数は、マイクロコンピュータにより構成された形状認識手段２が実行する乱数発生プログラムによって発生させてもよい。

標本抽出工程において抽出される標本の最小数は、認識したい対象形状によって異なる。例えば対象が直線であれば２点であり、二次曲線であれば５点である。本実施形態においては、駐車車両２０のバンパー形状を二次曲線に近似し、５点を抽出する。このようにして抽出された個々のデータ（標本ｓ）の集合は、データセットに対応する概念として、サブセットと称される。

続いて、このサブセット（抽出された標本ｓ）に基づいてモデル生成部３ｃが形状モデルを定める（形状モデル設定工程：図７＃２）。図６に実線で示したように、抽出された５つの標本ｓ１、ｓ５、ｓ８、ｓ１１、ｓ１３に基づいて第一の形状モデルＬ１が設定される。この形状モデルＬは、演算負荷の軽い線形計算により容易に求めることができる。または、予め数種類のテンプレート形状を用意しておき、これらテンプレート形状の中より最適なものを選択するようにして定めてもよい。あるいは、最小二乗法を用いて定めてもよい。最小二乗法を用いても、標本数が少ないため、演算負荷は比較的小さい。

形状モデルＬが定まると、適合性演算手段４において、標本群Ｓに対する形状モデルＬ（第一の形状モデルＬ１）の適合性が演算される（適合性演算工程：図７＃３）。
適合性は、以下のようにして求める。図６に示すように、形状モデルＬの接線に対して直交する両方向に所定距離離れた点を形状モデルＬに沿って結び、点線Ｂ１及びＢ２を定める。この点線Ｂ１及びＢ２に挟まれた部分が有効範囲Ｗとなる。そして、この有効範囲Ｗの中に、標本群Ｓを構成する各標本ｓｉが、どの程度含まれるかの適合度（一致度）を演算する。あるいは有効範囲Ｗに含まれない各標本ｓｉの数（不一致数）や割合（不一致度）を演算する。適合性は、これら適合度や不一致数、不一致度によって表すことができる。

図６に示した第一の曲線モデルＬ１に対する有効範囲Ｗの中には、標本ｓ２、ｓ７、ｓ１０のアウトライアを除く全ての標本ｓが含まれている。従って、第一の形状モデルＬ１の標本群Ｓに対する適合度は、７７％（＝１０／１３）となる。逆に不一致度は２３％（＝３／１３）であり、不一致数は３である。
適合度や不一致度に着目すれば、第一の形状モデルＬ１は、標本群Ｓを構成する各標本ｓにより、７７％の高い支持率（２３％の低い不支持率）で合意（コンセンサス）を得たということができる。不一致数に着目すれば、合意を得られなかった標本ｓは、僅か３個のみであったということができる。つまり、いずれにせよ、第一の形状モデルＬ１は高い適合性を有しているということができる。

適合性が求められると、前回までの最大の適合性よりも今回求めた適合性の方が高いか否かが判定される（更新判定工程：図７＃４ａ）。適合性の算出が初回の場合には、初期値（適合性：ゼロ）よりも高い値か否かが判定される。今回求めた適合性の方が高い場合は、レジスタ等の一時記憶手段（不図示）に保存される「適合性を示す数値」と、「これに対応する形状モデルＬ」とが更新される。（更新工程：＃４ｂ）。これら、更新判定工程と更新工程とを合わせて、適合性保存工程（＃４）と称する。本例では、「適合性を示す数値」として不一致数「３」が、「これに対応する形状モデルＬ」として「形状モデルＬ１」が更新され、保存される。

以降、規定回数判定工程（＃６）において、演算回数が、規定演算回数（本発明の規定回数に相当する。）に達したことが判定されるまで、標本抽出工程（＃１）から適合性保存工程（＃４）を繰り返す。この繰り返し処理において、最大の適合性を有する形状モデルＬが保存され、輪郭形状決定工程（＃７）において保存された形状モデルＬ、つまり最小の不一致数を有する形状モデルが輪郭形状と決定される。

例えば、第一の形状モデルが輪郭形状と決定された場合、ノイズ性の標本ｓ２、ｓ７、ｓ１０が未使用であり、アウトライアとして、除去されたこととなる。即ち、少ない演算量で、非検出対象のデータ（アウトライア）が標本群に混在してもこれを除去し、安定して物体の形状を認識することができる。

図８は、適合性演算工程（＃３）の詳細を示すフローチャートである。標本群Ｓより標本ｓを一つ選択し（ピックアップ工程：＃３１）、この標本ｓが有効範囲Ｗの外にあるか否かを判定する（範囲外判定工程：＃３２）。標本ｓが有効範囲Ｗの外にあると判定された場合は、不一致数をカウントするカウント値を、インクリメントする（カウント工程：＃３３）。標本ｓが有効範囲Ｗの中にあると判定された場合は、カウント工程をスキップし、標本群Ｓを構成する全ての標本ｓに対する評価を完了したか否かを判定する（＃３５）。全標本ｓの評価を完了していなければ、ピックアップ工程（＃３１）に戻り、一連の処理を繰り返す。

カウント工程（＃３３）にて、インクリメントされると、インクリメント後のカウント値が不一致数の許容限度である第一基準値に達したか否かが判定される（第一判定工程：＃３４）。ここで、カウント値が第一基準値に達した場合には、当該形状モデルに対する不一致数のカウントを終了する。即ち、標本群Ｓを構成する全ての標本ｓに対する評価を完了したか否かに拘らず、不一致数のカウント途上で、不一致数のカウントを終了する。
不一致数が多いということは適合性が低いことである。カウント途上で不一致数が許容限度である第一基準値に達すれば、適合性が許容限度を上回ることはない。従って、それ以上のカウント処理は無駄となるので、カウントを終了する。

尚、不一致数の許容限度である第一基準値は、初期値を除き、前回までの適合性演算工程（＃３）によりカウントされた不一致数が適用される。即ち、図７に示す適合性保存工程（＃４）において保存された、前回までの最大適合性を示す最小不一致数が適用される。不一致数が第一基準値に達すれば、最高でも前回までの最大適合性にしか成り得ず、更なるカウント処理を継続するのは無駄となるので、カウントを終了する。
カウント途上において、カウント値が第一基準値に達することなく、全標本ｓに対する評価を完了した場合、このカウント値はこれまでで最小の不一致数を示す。この不一致数は、適合性保存工程（＃４）で更新、保存され、新たな第一基準値となる。つまり、全標本ｓに対してカウントされた不一致数が第一基準値未満の場合には、第一基準値が不一致数に更新される。

図９に示した形状モデルＬ（第二の形状モデルＬ２）では、サブセットとして標本ｓ２、ｓ４、ｓ７、ｓ１０、ｓ１３が抽出されている。上述したように標本ｓ２、ｓ７、ｓ１０は、駐車車両２０の輪郭形状から外れたいわゆるノイズ性の標本である。従って、駐車車両２０の輪郭形状から見た場合には、アウトライアとなるべき標本である。そのため、図９に示すように、第二の形状モデルＬ２の有効範囲Ｗから外れる標本ｓは多数存在する。第一の形状モデルＬ１と同様に適合性としての不一致数を演算すると、８となる。

第一の形状モデルＬ１の不一致数がカウントされ、続いて第二の形状モデルＬ２の不一致数がカウントされる場合を考える。第二の形状モデルＬ２の評価時には、第一基準値は、少なくとも第一の形状モデルＬ１の不一致数「３」である。従って、第二の形状モデルＬ２は、全ての不一致数がカウントされることなく、３つがカウントされた時点でカウントを終了される。不一致となる５つ（＝８−３）の標本ｓが最後に残っていたと仮定しても、処理時間は約６１％（＝（１３−５）／１３）に削減される。

ピックアップ工程（＃３１）において、不一致となる標本ｓがまんべんなく選択されるとすれば、（１３／８）回に１回、不一致となる標本ｓが選択される。これが３回に達するのは、（１３／８×３）回目であり、切り上げれば５回目となる。従って、確立的要素を加味すれば、処理時間は約３８％（＝５／１３）に削減される。

一方、図１０に示すように、適合性演算工程（＃３）において標本ｓが有効範囲Ｗの内にあることをカウントする、つまり一致数をカウントすると、上述したような削減効果を得ることはできない。カウント値が前回までの一致数よりも少ないか否かは、全てをカウントしなければわからない。未評価の標本数と一致数とから予測することはできるが、演算が増える。また、カウント値が前回までの一致数に達した場合も、さらに多いかどうかを確認するためには全標本に対するカウントを実施しなければならない。従って、一致数をカウントする方法では、上述したように処理時間を短縮することはできない。

〔従来手法に対する効果〕
図７及び図８に示したような方法を用いずに、標本Ｓより輪郭形状を算出する方法は従来、種々提案されている。特に直線の認識に好適なハフ（Hough）変換を応用する方法もある。ハフ変換はよく知られているように、直交座標（例えばＸＹ平面）上に存在する直線は、極座標（ρ−θ空間）上では１点で交差する、という性質を利用したものであり、その変換式は、以下である。

ρ＝Ｘ・cosθ ＋ Ｙ・sinθ

上記式より、理解できるように極座標空間でρやθの範囲を広げたり、細かい分解能を得たりしようとすると、それだけ演算量が増大する。つまり、一次記憶手段としての、メモリは大容量が要求され、計算回数も多くなる。
これに対し、本発明に係る認識方法は、必要となるメモリ容量も少なく、演算量も少ない。よって、演算時間も短くなる。

一般に少ない標本数に基づいて定めた形状モデルＬは、正確な輪郭形状を再現するものではない、とも考えられる。しかし、本発明においては、形状モデルＬと標本群Ｓの全標本との適合性を評価しているため、結果として全標本を評価している。従って、形状モデルＬはほぼ正確に輪郭形状を再現（認識）できていると考えてよい。このように、サブセットを構成する少ない標本数から定めた形状モデルＬが輪郭形状を再現できることは、演算量の削減に大きく貢献している。さらに上述したように、不一致数をカウントすることにより、適合性を求めているので、さらに演算量、及び演算時間が削減されている。

〔処理時間の短縮効果〕
図１１は、処理時間の短縮効果をシミュレーションした結果である。ここでは、標本群Ｓを構成する全標本数：１００、規定演算回数：５０として、シミュレーションを行った。図中、処理回数番号は、繰り返し演算される処理の番号（１回目〜５０回目）を示す。有効範囲外標本数は、当該形状モデルに対する評価において不一致となる標本ｓの総数を示す。前回までのカウント値は、前回までの最小不一致数、即ち、第一基準値を示す。実カウント数は、適合性演算工程（＃３）において、実際にカウントされる不一致数を示す。最大処理回数は、適合性演算工程（＃３）において、カウントされる標本ｓの数、即ち、繰り返し処理の最大数を示す。確率的処理回数は、最大処理回数に前述したような確立的要素を加味した場合の最大処理回数を示す。

図１１に示すように、処理回数の１回目は、第一基準値が初期値（＝標本総数＝１００）であるため、全ての標本ｓに対する評価を行う。従って、改善効果は０％である。ここで、カウントされた不一致数は、確実に第一基準値未満であるため、処理回数の２回目には、第一基準値は最小の不一致数３８に更新される。
２回目の処理では、有効範囲外標本数が５５と、第一基準値よりも大きいため、カウント途上で不一致数が第一基準値に達する。従って、カウントが打ち切られ、確立的要素を加味すれば約３０％の削減効果が得られる。３回目の処理も同様である。
４回目、５回目の処理では、それぞれ、有効範囲外標本数が、第一基準値未満であるため、全ての標本ｓに対する評価が行われ、第一基準値が更新される。この場合には、削減効果は０％である。
このように、削減効果は処理回数によりまちまちであるが、５０回の処理を終えると、図に示すように約７０％の削減効果が得られる。

図１１に示したように、第一基準値は、低い値に更新されるまで（例えば、９回目の処理で４に設定されるまで。）の間、高い値に設定される。従って、特に処理回数の前半では、削減効果が小さくなる傾向がある。そこで、更に削減効果を得るべく、第一基準値の初期値が標本群Ｓを構成する標本ｓの総数よりも少ない値に設定される。図１２は、第一基準値の初期値を標本総数（＝１００）ではなく、２０と設定した場合のシミュレーション結果である。第一基準値以外の条件は全て同じである。

図１２に示すように、１回目の処理においても、削減効果が見られる。また、４回目、５回目の処理においても不一致数が第一基準値に達しないため、特に処理回数の前半において、顕著に改善が見られる。９回目の処理において、不一致数が非常に小さい値「４」となるため、これ以降の削減効果は図１１と同様である。しかし、全体としては、図１１に示した例の７０．４％の削減効果よりも大きい７４．１％の削減効果が得られている。

尚、第一基準値の初期値は、標本群Ｓに対するアウトライアの混入率など、実用性を考慮して定められる。アウトライアの混入率は、対象とする物体の特性や、物体の表面形状情報を検出する物体検出手段１の特性、検出時の環境（気温、周囲の明るさ、時刻、気象条件）などを加味して定めることができる。つまり、恒久的な値とする必要はなく、物体認識装置の稼動中に変更可能にされていてもよい。

〔第二実施形態〕
図１１及び図１２に示したシミュレーション結果では、９回目の処理時に不一致数４の形状モデルＬが設定され、以後４９回目の処理時まで、この不一致数は更新されていない。これを適合度として考えれば、９回目に適合度９６％の形状モデルＬが設定され、４９回目に適合度９８％の形状モデルＬが設定されたこととなる。両適合度は、僅か２％の差であり、最終的に何れが輪郭形状として決定されたとしても問題はない。９回目の処理において、輪郭形状が決定されれば、以後４１回の処理は不要となる。

例えば、第二基準値を１０とし、最先に不一致数が第二基準値以下となった形状モデルＬが輪郭形状と決定されるようにすれば、不一致数が４の９回目において輪郭形状が決定される。つまり、８２％（＝４１／５０）の短縮効果を得ることができる。厳密には、この判定時間（後述する第二判定工程：＃５）が余分に掛かるが、大きな短縮効果を得ることができる。また、実用的には、第二基準値以下となる不一致数が何回目の演算時に算出されるかは確立的な要素が大であるが、統計学的にはこの回数も分散する。従って、規定演算回数全ての演算処理を行うよりも汎用的な高速化効果が得られる。

図１３は、このように不一致数が第二基準値以下となったか否かの判定工程（第二判定工程：＃５）を含めたフローチャートである。
適合性演算工程（＃３）において、適合性を示す不一致数が演算され、前回までの不一致数よりも少ない場合には、適合性保存工程（＃４）において、不一致数が更新される。続いて、第二判定工程（＃５）において、更新された不一致数が第二基準値以下であるか否かが判定される。第二基準値以下の場合には、この不一致数に対応する形状モデルが輪郭形状と決定される（＃７）。

第二基準値は、上述した第一基準値と同様に、標本群Ｓに対するアウトライアの混入率など、実用性を考慮して定められる。もちろん、恒久的な値とする必要はなく、物体認識装置の稼動中に変更可能にされていてもよい。
尚、更新判定工程（＃４a）の結果が「否」であった場合、図１３に示す実線の如く第二判定工程（＃５）へ進む必要はない。点線で示すように第二判定工程（＃５）を飛ばしても構わない。更新判定工程（＃４a）において、前回までの適合性よりも高い（前回までの不一致数よりも少ない）と判定されない場合、不一致数が第二基準値以下となることはない。仮に、第二基準値以下となるならば、既に前回の演算の時点で第二基準値以下となるからである。

〔認識結果の利用例〕
以下、上述した物体の輪郭形状の認識結果を利用する例を説明する。図１４に示すように、マイクロコンピュータ２Ａ内に、形状認識手段２と相対配置演算手段６とが備えられる。形状認識手段２において、車両１０から見た駐車車両２０の輪郭形状、即ちバンパー形状が認識される。この認識に際して、距離センサ１を用いて駐車車両２０の表面形状情報を取得しているため、車両１０と駐車車両２０との距離情報も同時に得ることができている。相対配置演算手段６は、この距離情報と、輪郭形状とを用いて、車両１０と駐車車両２０との相対配置を演算する。

ここで、相対配置とは、車両１０の各部と駐車車両２０の各部との相対位置である。車両１０の外形形状は、自己の形状であるため、既知である。そして、車両１０から見た駐車車両２０の輪郭形状は、上述したように認識できている。これらにより、相対配置演算手段６において図１５に示すように車両１０と駐車車両２０との相対配置を演算する。尚、図１５では理解を容易にするために、駐車車両２０全体を点線で示しているが、実際には認識された輪郭形状Ｅと、車両１０との相対配置が演算される。勿論、他の場所も含めて輪郭形状Ｅを認識している場合には、全ての相対配置を演算することができる。

この相対配置は、ディスプレイ等の報知手段に表示することもできる。車両１０にナビゲーションシステム等を搭載している場合には、そのモニタを兼用してもよい。表示（報知）に際しては、車両１０の外形と、認識した輪郭形状Ｅとを表示する。あるいは、輪郭形状Ｅに基づいて駐車車両２０の全体をイラストとして表現し、車両１０と駐車車両２０との相対配置関係を表示してもよい。
また、視覚的な報知に限らず、ブザーやチャイム等を用いて音声（音響を含む）により報知してもよい。ナビゲーションシステムには音声ガイドの機能を備えているものもあり、この音声ガイドの機能を兼用してもよい。

また、図１４に示すように車輪速センサ７ａや舵角センサ７ｂ等、車両１０の移動状態を検出する移動状態検出手段７を具備すれば、近未来の相対配置を演算することもできる。つまり、輪郭形状Ｅが認識されている現在の相対配置を知るに留まらず、将来の相対配置関係を推定（予測）することができる。図１５は、このようにして算出された車両１０と駐車車両２０の輪郭形状Ｅとの相対配置関係の一例を示している。符号１０Ａは車両１０の近未来の位置、即ち推定（予測）位置である。
ここで、車輪速センサ７ａは、車両１０の各車輪部（前方右ＦＲ、前方左ＦＬ、後方右ＲＲ、後方左ＲＬ）に備えられた、例えば、ホールＩＣを利用した回転センサである。舵角センサ４ｂは、車両１０のステアリングの回転角度やタイヤの回動角度を検出するセンサである。あるいは、前述の車輪速センサ４ａの各車輪部での計測結果（左右の車輪の回転数や回転速度の違い）に基づいて舵角を演算する演算装置であってもよい。

〔その他の実施形態〕
物体検出手段は、図１に示したような車両１０の移動に伴って駐車車両２０の表面形状情報を検出する距離センサ１に限定されることはない。
距離センサ１は、車両１０の移動に拘らず表面形状情報を出力し、後段の情報処理において、移動距離毎、経過時間毎に選別することも可能である。また、車両１０の移動に拘らず駐車車両２０に対する広角エリアを走査する走査手段を備え、得られた走査情報に基づいて表面形状情報を検出するものであってもよい。即ち、ポイントセンサに限らず、一次元センサ、二次元センサ、三次元センサ等、物体の形状を反映した信号（表面形状情報）を得られるセンサが使用できる。

一次元センサの一例として、スキャン型レーザーセンサがある。センサ位置より放射状に物体（駐車車両２０）を走査し、物体の各位置からのレーザー波の反射により、距離の分布を計測する。レーザー波を発射したときの方位角θをエンコーダ等により検出しておけば、図３に示したものと同様に表面形状情報を得て、ＸＹ直交座標にマッピングすることができる。
一次元センサの他の例として、超音波方式のレーダ、光方式のレーダ、電波方式のレーダ、三角測量式の距離計等を用いてもよい。

二次元センサとしては、水平・垂直方向に走査可能なスキャン型レーダがある。このスキャン型レーダを用いることにより、対象物体の水平方向の形状、垂直方向の形状に関する情報を得ることができる。
また、よく知られた二次元センサとしてはＣＣＤ（Charge Coupled Device）や、ＣＩＳ（CMOS Image Sensor）を利用したカメラ等の画像入力手段もある。このカメラより得られた画像データより、輪郭線情報、交点情報等の各種特徴量を抽出し、表面形状に関する情報を得てもよい。
三次元センサについても同様であり、例えばステレオ撮影した画像データ等を用いて、形状に関する情報を得てもよい。

以上、本発明の実施形態を、駐車車両２０を物体として、この輪郭形状を認識する方法及び装置とこれらの追加的特徴について説明した。この「物体」は、駐車車両や、建造物等の障害物に限らず、道路の走行レーンや、停止線、駐車枠等、種々のものが該当する。即ち、認識対象も立体物の輪郭形状に限定されるものではなく、平面模様の形状認識にも適用できるものである。

本発明に係る物体認識装置を搭載した車両が他の車両を認識する場合の例を示す説明図 本発明に係る物体認識装置の概略ブロック図 図１の駐車車両の表面形状情報を測定した結果を示す図 図３に示す測定結果を二次元直交座標上にマッピングした散布図 図４の散布図に示す標本群から任意に標本を抽出する方法を示す説明図 図４の散布図に示す標本群から任意に抽出した標本より定めた第一の形状モデルと標本群との適合性を算出する原理を示す説明図 図４の散布図に示す標本群から輪郭形状を認識する本発明に係る方法（第一実施形態）を説明するフローチャート 図７の適合性演算工程の詳細を示すフローチャート 図４の散布図に示す標本群から任意に抽出した標本より定めた第二の形状モデルと標本群との適合性を演算する原理を示す説明図 図７の適合性演算工程の詳細（一般例）を示すフローチャート 同一の標本群に対して適合性演算工程を実施したシミュレーション結果を示す説明図（１） 同一の標本群に対して適合性演算工程を実施したシミュレーション結果を示す説明図（２） 図４の散布図に示す標本群から輪郭形状を認識する本発明に係る方法（第二実施形態）を説明するフローチャート 本発明の物体認識装置を利用する装置の概略ブロック図 図１４の装置を搭載した車両と他の車両の輪郭形状との相対配置関係を示す説明図

符号の説明

１ 距離センサ（物体検出手段）
２ 形状認識手段
３ 形状モデル設定手段
４ 適合性演算手段
５ 輪郭形状決定手段
Ｓ 標本群
ｓ 標本

Claims (4)

1. 移動体周辺に存在する物体の表面形状情報を検出する物体検出手段と、前記表面形状情報に基づいて前記物体の輪郭形状を認識する形状認識手段とを備え、前記移動体周辺に存在する物体を認識する物体認識装置であって、
   前記形状認識手段は、
   規定回数分、前記表面形状情報を構成する標本群から任意の標本を抽出し、抽出された前記標本に基づいて形状モデルを定める形状モデル設定手段と、
   前記標本群を構成する各標本の内、前記定められた各形状モデルに対して一致しない標本の不一致数をカウントすることにより、前記標本群に対する各形状モデルの適合性を演算する適合性演算手段と、
   最も小さい前記不一致数を有する前記形状モデルを、最も適合性が高いと判定し、前記輪郭形状として決定する輪郭形状決定手段と、を備え、
   前記適合性演算手段は、カウント途上で前記不一致数が許容限度である第一基準値に達した場合には、当該形状モデルに対する前記不一致数のカウントを終了する物体認識装置。
2. 前記適合性演算手段は、全標本に対してカウントされた前記不一致数が前記第一基準値未満の場合には、前記第一基準値を前記不一致数に更新する請求項１に記載の物体認識装置。
3. 前記輪郭形状決定手段は、全標本に対してカウントされた前記不一致数が前記第一基準値よりも小さい値に設定された第二基準値以下である場合には、前記規定回数に拘らず、前記不一致数を有する前記形状モデルを、前記輪郭形状として決定する請求項１又は２に記載の物体認識装置。
4. 前記第一基準値の初期値が前記標本群を構成する標本の総数よりも少ない値に設定される請求項１〜３の何れか一項に記載の物体認識装置。

Images