JP4829966B2 - 物体検出システム及び物体検出方法 - Google Patents

Description

本発明は、車等に搭載される物体検出装置及びその方法に関し、更に詳しくは車等に搭載した単眼カメラによる画像に対して、歩行者等の物体を含む可能性の高い画像領域を検出する物体検出装置及び方法に関する。

現在車戴型の前方衝突事故の事前防止システムついて、様々な方式が提案されている。
例えば特許文献１では、２つの赤外線カメラによる画像中のライトを検知することにより、車両の大きさや位置を検出するシステムが提案されている。

また歩行者等の物体をターゲットにして検出するシステムとしては、例えば非特許文献１に提案されている方式のものがある。
非特許文献１に開示されている従来の歩行者等の物体検出方式では、歩行者の形状がほぼ線対称であることを利用し、画像局所領域内の線対称性を評価することによって、歩行者の候補領域を抽出している。

非特許文献１に開示されている物体検出方式では、物体サイズとカメラの透視投影条件に基づき、各画素について、その画素が足元であると仮定した場合の人を囲うと想定する矩形領域ついて、輝度画像とエッジ画像の対称性の評価を行っている(具体的な方法は未開示)。そしてこのとき、対称性評価値がある閾値以上の矩形領域が同じ対称軸上に複数存在する場合、垂直エッジ画像の対称性と、垂直エッジ密度を要素とする評価関数(未開示)が最大となるものを、1つ選択している。

しかしながら、人を囲うと想定する矩形領域の上端から下端までに、同一の垂直方向の対称軸の存在を仮定すると、不具合が生じる場合がある。
例えば、横方向に大きな歩幅で動く人は、上半身の対称軸と同じ軸上に下半身の対称性が得られない場合がある。この場合、矩形領域として本来より上方に小さい領域が選択されてしまう。

このことは、自車からの距離を換算した場合、矩形領域が小さくなるため実際よりも遠くに検出されてしまうという問題が生じる。また、小さな矩形領域は、上半身だけの矩形領域は、後段のパターン認識の詳細判定によって棄却されてしまう可能性があり、検出性能が悪くなるという問題が生じる。

上記問題点を図１に示す。
図１は、人が歩行している画像を模式化して表現したものである。
人が歩行している場合、上半身から下半身までを通した対称軸を得ることは難しい。同図において、下半身部分が左右対称となる対称軸２は、上半身の対称軸１よりずれており、非特許文献１のシステムでは、この１人の画像は、本来は矩形領域４のように検知されなければならないのに、上半身の矩形領域３のみが検出されてしまい、下半身部分は別の矩形領域として処理されてしまう。

これに対し、非特許文献２では、２つのカメラを車に搭載してステレオ画像処理方式による距離測定を行なって矩形領域の距離を算出し、算出した距離に基づいて透視投影条件から導かれる位置とサイズに矩形領域の補正を行っていた。しかしこの非特許文献２の方式では、カメラが２台必要になるなどステレオ画像処理用の仕組みを必要とするので、コスト高となる課題があった。

また、背景とのコントラストが不足し下半身の画像５が不鮮明な場合、図２（ａ)のように垂直エッジが十分に抽出されないため、本来より上方に小さい領域６が選択されるという問題があった。

また足元の下に対称性のテクスチャ７(ペンキ、マンホール等)がある場合は、その垂直エッジが考慮されるため、歩行者の矩形領域として、図２（ｂ）のように本来より下方に大きい矩形領域８が選択されるという問題があった。

以上を顧み、本発明は、ステレオ画像処理を行わず単眼カメラによる画像のみを用いて、対象物体の領域をより高精度に判定する仕組みを持つ物体検出システム及び検出方法を提供することを課題とする。

また低コストで物体検出性能の高い物体者検出システム及び物体検出方法を提供することを課題とする。
特開２００３−２３０１３４号公報 Massimo Bertozzi, Alberto Broggi, at el., Vision-based Pedestrian Detection: will Ants Help?, IEEE Intelligent Vehicles 2002, volume 1, pages 1-7, June 2002. Alberto Broggi, Massimo Bertozzi, at el., Pedestrian Localization and Tracking System with Kalman Filtering, IEEE Intelligent Vehicles 2004, pages 584-589, June 2004.

上記課題を解決するため、本発明による物体検出システムは、幾何学情報生成部、対称性評価部、対称軸連続性評価部、及び矩形領域生成部を有する。
幾何学情報生成部は、１つのカメラから得られる撮影画像に対して、対象物体の実際のサイズとカメラパラメータ情報を用いて、路面上に存在する物体の画像上での位置と画像領域サイズの関係情報を算出する。

対称性評価部は、特定の画素について、幾何学情報に基づいて決められる対称間隔Ｔでの対称軸の可能性を評価する。
対称軸連続性評価部は、前記対称性評価部によって評価されたある閾値以上の画素の、矩形領域内の中心軸付近の密度と連続性の少なくとも一方を評価し、前記対称物体の最下端点を検出する。

矩形領域生成部は、前記対称軸連続性評価部によって特定された最下端点及び前記幾何学情報に基づいて、前記対称物体の候補領域の位置とサイズを出力する。
この構成により、画像から求めた矩形領域の対称軸を求め、この対称軸が連続するものを１つの矩形領域として見なすことができる。

また本発明は、前記カメラのシャッターに同期してＯＮ／ＯＦＦを交互に切り換える照射ライトに接続され、前記照射ライトがＯＮのとき撮影した画像と、前記照射ライトがＯＦＦのとき撮影した画像の差分画像を求め、当該差分画像に対して、線分除去フィルタを適用して反射領域を抽出する反射領域抽出部を更に備え、前記幾何学情報生成部は、当該反射領域に対して、対象物体の実際のサイズとカメラパラメータ情報を用いて、路面上に存在する物体の画像上での位置と画像領域サイズの関係情報を算出するよう構成してもよい。

この構成により、その連続する撮像から路面領域のテクスチャを弱め、光の反応領域を強調した画像を生成する反射領域を抽出することが出来る。
更に本発明は、前記矩形領域中の前記対象物体に依存した部位領域情報を記憶する対象物体部位分割情報記憶部と、前記部位領域情報に基づいて、矩形領域を複数の部分領域に分割する領域分割処理部と、前記各部分領域において前記対称軸連続性評価部によって算出された対称軸存在確率に基づいて、歩行者候補領域を統合的に判定する統合判定部を、
を有し、前記対称性評価部は、分割された前記部分領域それぞれに対して、前記部位領域情報で定義される、前記インターバルサイズを用いて対称軸の可能性を評価し、前記対称軸連続性評価部は、前記対称性評価部によって評価された対称軸候補領域の、部分領域の所定位置における密度を評価し、対称軸存在確率を算出する構成としても良い。

この構成により、より物体検出性能の高いシステムを実現することができる。
また本発明は、物体検出方法もその範囲に含む。

従来の物体検出の問題点を示す図である。 （ａ)は垂直エッジが十分に抽出されないため、本来より上方に小さい領域が選択される場合、（ｂ）は足元の下に対称性のテクスチャ(ペンキ、マンホール等)がある場合を示す図である。 本実施形態の概略を示す図である。 第１の実施形態のシステム構成を示す図である。 第１の実施形態で用いられる幾何学情報テーブルの構成例を示す図である。 インターバルサイズＴを示す図である。 関数Ｓｙｍｍ（ｘ，Ｔ）を示す図である。 閾値Ｔｈ１以上の対称性フィルタの反応領域Ｆｘ、線分領域ＦＬ及び線分領域ＥＬの下端点Ｅを示す図である。 矩形領域Ｒの中心付近の、細線化線分領域ＥＬの密度と連続性を評価を示す図である。 第１の実施形態におけるシステムによって実行される処理を示すフローチャートである。 （ａ)は第２の実施形態のシステム構成、（ｂ）はその処理を示す図である。 近赤外線カメラのシャッターと近赤外線照射ライトの同期を示す図である。 第２の実施形態における反射領域Ｒの求め方を示す図である。 第２の実施形態で用いられる幾何学情報テーブルの構成例を示す図である。 第２の実施形態におけるシステムによって実行される処理を示すフローチャートである。 第３の実施形態のシステムが解決する課題を示す図である。 候補領域を複数の領域に分け、各領域ごとに異なる対称間隔を用いる例を示す図である。 第３の実施形態のシステム構成例を示す図である。 対象物体部位分割情報記憶部に記憶される部位領域情報の例を示す図である。 部分画像領域Ｉｉを模式的に示す図である。 部分領域Ｒｉを模式的に示す図である。 第３の実施形態におけるシステムによって実行される処理を示すフローチャートである。

以下に本発明の一実施形態を図面を参照しながら説明する。
本実施形態のシステムでは、車等に搭載した単眼カメラによる画像を用い、歩行者等の検出対称物体がほぼ線対称であるという特徴を考慮して、線対称性を含む画像領域を検出対称物体を含む可能性の高い画像領域として検出する。

具体的には図３において、カメラで撮影した画像に対して、人の幅を囲うと想定する細い矩形領域１１−１〜１１−６の対称性を評価し、人を囲うと想定する矩形領域１２の中心軸付近１３に存在する対称軸候補領域１４−１〜１４−６の密度と連続性を評価することで、人の候補領域を生成し、これにより対称軸が部分的にずれる場合や、斜め方向の対称軸に対してロバストな効果を有する。

また第２の形態のシステムとして、カメラのシャッターに同期して交互に、水平に照射・消灯を行える照射ライトを備え、その連続する撮像から路面領域のテクスチャを弱め、光の反応領域を強調した画像を生成する反射領域を抽出し、この反射領域の画像に対して第１の実施形態と同様の処理を適用することで、さらに物体検出性能の高いシステムを提供する。

また第３の実施形態のシステムとして、抽出した対象物の抽出枠を更に複数に分割し、それぞれの領域事に対称軸の評価を行うことにより、さらに物体検出性能の高いシステムを提供する。

図４は第１の実施形態のシステム構成例を示す図である。
同図において物体検出システム２２ａは、カメラ２１と接続されており、カメラインタフェース２３、画像フレーム記憶部２４、対象性評価部２５、対称軸連続性評価部２６、矩形領域生成部２７、後段処理部２８、カメラパラメータ記憶部２９、幾何情報生成部３０及び幾何学情報テーブル記憶部３１を備える。

カメラインタフェース２３は、カメラ２１と物体検出システム２２ａを接続するインタフェースである。画像フレーム記憶部２４は、カメラ２１によって撮像された１枚の画像フレームのデータを記憶するメモリである。対称性評価部２５は、ある画素について、幾何学情報テーブル記憶部３１内の幾何学情報に基づいて決められる対称間隔（インターバルサイズ）で、水平方向の対称軸の可能性を評価する。対称軸連続性評価部２６は、対称性評価部２５によって評価されたある閾値以上の画素の、矩形領域内の中心軸付近の密度と連続性を評価し、最下端点(足元)を検出する。矩形領域生成部２７は、対称軸連続性評価部２６によって特定された最下端点と、幾何学情報に基づいて、歩行者等の候補領域の位置とサイズを出力する。

後段処理部２８は、矩形領域生成部２７が出力した、歩行者等の候補領域に対してニューラルネットワークによる識別処理や、パターンマッチング処理を行ない、歩行者等に対する矩形領域であるかどうかを特定する。カメラパラメータ記憶部２９、物体検出システム２２ａに接続されるカメラ２１に対するパラメータ、例えばカメラ２１の焦点距離ｆ、自車の運動中心Ｏに対するカメラ２１の位置Ｏ’（ｘ０，ｙ０，ｚ０）、カメラ２１の向きθ（ｙａｗ，ｒｏｗ，ｐｉｔ）を記憶する。幾何情報生成部３０は、物体サイズとカメラの透視投影条件に基づき、各画素について、その画素が足元であると仮定した場合の物体を囲うと想定する画像領域を算出する。幾何学情報テーブル記憶部３１は、撮影画像について、各ピクセルのｙ座標が歩行者の足元であった場合の、人を囲う矩形領域の縦と幅の情報が対応付けられた幾何学情報テーブルが記憶されている。

次にこの図４のシステムによる歩行者の検出の詳細を説明する。
カメラ２１で撮影した画像に対して、幾何学情報生成部３０は、物体（歩行者）のサイズとカメラの透視投影条件に基づき、矩形領域の各画素について、その画素が足元であると仮定した場合の物体を囲うと想定する画像領域を算出する。具体的には、例えば、カメラパラメータ記憶部２９に記憶されている、カメラの焦点距離ｆ、自車の運動中心Ｏに対するカメラの位置Ｏ’（ｘ０，ｙ０，ｚ０）、カメラの向きθ（ｙａｗ，ｒｏｗ，ｐｉｔ）を用いて、公知の変換式を利用して、実際の座標Ｐ（Ｘ，Ｙ，Ｚ）と、画面上での座標Ｑ（ｕ，ｖ）を対応付ける。

また実際の人の幅を例えば７０ｃｍ等と規定することにより、画像上の任意の点を足元とした場合の、その点のｙ座標と人を囲う矩形の幅と縦の大きさの関係を幾何学情報テーブルとして生成して事前に幾何学情報テーブル記憶部３１に記憶しておく。

図５に幾何学情報テーブルの構成例を示す。
同図の幾何学情報テーブルは、カメラ２１による画像の横方向にｘ軸、縦方向にｙ軸を取り、左上を原点とした座標軸において、幾何学情報として、カメラ２１による画像の各ピクセルのｙ座標、物体（歩行者）を含む矩形領域の幅Ｗ、矩形領域の縦Ｈ、インターバルサイズＴが関連付けられて記憶されている。例えば足元の画素のＹ座標が１４０であったときその物体（歩行者）を含む矩形領域の幅Ｗは１０、縦Ｈは２０、インターバルサイズは１７．５である。なおインターバルサイズは、その矩形領域の対称性を評価する際に用いる値で、詳細は後述する。

幾何学情報生成部３０は幾何学情報テーブル記憶部３１内の幾何学情報テーブルとカメラパラメータ記憶部２９内のカメラパラメータを用いてを用いて、実際の座標Ｐ（Ｘ，Ｙ，Ｚ）と、カメラ２１による画像上での座標Ｑ（ｕ，ｖ）を対応付ける。

このような状態において、以下の手順により、カメラ２１による画像上での歩行者を含む矩形領域を特定する。
以下に第１の実施形態のシステム２２ａによって行なわれる処理の詳細を順を追って示す。
〔Ｓｔｅｐ１〕
対称性評価部２５は、幾何学情報テーブル内の幾何学情報テーブルを用い、各ｙ座標に対応する矩形領域幅Ｗに対するインターバルサイズＴを決定する。

この幾何学情報テーブルに記憶されているインターバルサイズＴは、例えば、矩形領域幅の最小値Ｗ_min と最大値Ｗ_max を、均等にＮ分割した値Ｓを用いて、Ｎ＋１種類のインターバルサイズＴを離散的に決定することができる。

この場合インターバルサイズＴは、下式のように求まる。

このＴを図で表すと、図６のようになる（図６はＮ＝５の場合）。
また例えば、Ｗ_min ＝１０，Ｗ_max ＝１１０，Ｎ＝８の場合では、Ｔ＝１７．５，３０，４２．５，５５，６７．５，８０，９２．５，１０５，１１７の９種類のインターバルサイズＴが決定される。

このとき、あるｙ座標については、Ｗ＜Ｔｉとなる最小のｉを用いてインターバルサイズＴｉを定義する。
例えば、図５の幾何学情報テーブルにおいて、ｙ座標＝１４１のときＷ＝１１なので、Ｗ＜Ｔｉを満たす最小のｉ＝１を用いて、インターバルサイズＴ＝１７．５と決定される。
〔Ｓｔｅｐ２〕
次に対称性評価部２５は、各インターバルサイズＴｉで、画像Ｉの各画素ｘにおける水平方向の対象性を対称性フィルタの関数Ｓｙｍｍ（ｘ，Ｔ）によって評価したフィルタ反応画像Ｆｉを生成する。

なお、決定したインターバルサイズTiに対し、Tiを超えない最大の奇数を用いて、Symm(X,T)を計算する。たとえば、Ｔ＝１７．５の場合、Ｔ＝１７を用いる。
各画素について、水平方向の信号のインターバルサイズＴにおける対称性は、次式の対象性フィルタの関数Ｓｙｍｍで評価できる。

上式において、Ｅはｘを中心とした、画素Ｉの偶関数成分であり同様にＯは奇関数成分である。このときＥは、ｕ＝１〜ＴにおけるＥの平均Ｅ_AVを引くことで正規化してＥ’を求める。そして、奇関数成分Ｏと正規化値Ｅ’の２乗和の差を評価することで対象性の評価関数とすることが出来る。

この関数Ｓｙｍｍ（ｘ，Ｔ）を図にして示したのが図７である。
なお、上記式では画像Ｉに水平方向の１列分のみに対して評価したものであるが、本実施形態はこのような形に限定されるものではなく、水平方向に複数列分を代入して評価するものとしてもよい。

複数列分の画素を評価した場合の評価関数Ｓｙｍｍは下式のようになる。

〔Ｓｔｅｐ３〕
対称軸連続性評価部２６は、各画像Ｆｉについて、縦方向に重みを用いて平滑化処理を行い、画像Ｆｉ’を生成する。画像Ｆｉ’は例えば、評価式Ｖｓｙｍｍ（ｘ）によって得ることが出来る。

〔Ｓｔｅｐ４〕
対称軸連続性評価部２６は、平滑化処理後の画像Ｆｉ’について、ある閾値Ｔｈ１以上の領域Ｆｘについて縦方向のみに細線化処理を行い、細線化処理をして得られた線分領域ＥＬを抽出する。

細線分化処理では画像Ｆｉ’の画素ｘにおける値Ｆｉ’（ｘ）が左右両方向に距離ｔの周辺画素Ｆｉ’（ｘ−ｔ），．．．，Ｆｉ’（ｘ），．．．，Ｆｉ’（ｘ＋ｔ）の中で最大値となる場合に１を、それ以外の場合には０を出力する。

細線分化処理Ｔｈｉｎは、下式で表される。
Thin(x,t)=1 if Fi’(x)==max(Fi’(x-t),...,Fi’(x),...,Fi’(x+t)) oterwise 0
図８に閾値Ｔｈ１以上の対称性フィルタの反応領域Ｆｘ、線分領域ＦＬ及び線分領域ＥＬの下端点Ｅを示す。

〔Ｓｔｅｐ５〕
対称軸連続性評価部２６は、細線化処理を行なった線分領域ＥＬの下端点Ｅを抽出する。下端点Ｅは、細線化処理によって得られた線分領域ＥＬについて、ｙ軸方向の連続性を評価することで得られる。
〔Ｓｔｅｐ６〕
対称軸連続性評価部２６は、幾何学情報テーブル記憶部３１に基づいて上方に存在する矩形領域Ｒを決定する。

具体的には、例えば、Ｘ＝−Ｗ／２＋ｘ〜ｘ＋Ｗ／２，Ｙ＝ｙ−Ｈ＋１〜ｙの領域を矩形領域Ｒとする。ただし、矩形幅ＷがインターバルサイズＴに対して所定の値よりも大きい場合若しくは小さい場合は、この矩形領域Ｒを棄却する。たとえば、０．５＊Ｔ＜Ｗ＜１．５Ｔの場合のみ、矩形領域Ｒとして採用する。
〔Ｓｔｅｐ７〕
対称軸連続性評価部２６は、Ｓｔｅｐ６で決定した矩形領域Ｒの中心付近の、細線化線分領域ＥＬの密度と連続性を評価する。

具体的な処理を図９を参照しながら説明する。
まず、幅Ｗ縦Ｈの矩形領域の中心座標が（ｘ１，ｙ１）のとき、ａ％の中心領域（ｘ１−０．５＊ａ＊Ｗ〜ｘ１＋０．５＊ａ＊Ｗ，ｙ＝ｙ１−Ｈ〜ｙ１）について、各行における細線化線分領域ＥＬの存在Ｎ_ELを評価する。なお本実施形態のではこの中心領域からａ％の領域に存在する細線分化線分領域ＥＬの量を密度と言う。

同図では、線分領域ＥＬがａ％の中心領域ａ＊Ｗに入っている部分を１、外れている部分を０で表している。
次にａ％の中心領域の全行分のＮ_ELの合計ＳＮ_EL（同図では７）が、定められた閾値Ｔｈ２以上の場合、同矩形領域Ｒに対称軸が存在すると判断する。（例えばＳＮ_EL＞Ｈ＊Ｔｈ２）
〔Ｓｔｅｐ８〕
矩形領域生成部２７は、各対象フィルタ反応画像Ｆｉ（ｉ＝１，．．，Ｎ＋１）で得られた矩形領域Ｒを統合し、距離的に近いものを統合する。例えば、２つの矩形領域Ｒ１とＲ２について、下端中央点Ｅ１とＥ２の距離がある閾値Ｔｈ３以下であれば、対称軸の中心付近の密度（Ｎ２／Ｈ）の大きい方の矩形領域を採択し、他方を棄却する。

以上により得られた矩形領域Ｒを、歩行者候補の矩形領域とする。
そしてこの歩行者の候補領域に対して、後段処理部２８は、ニューラルネットワークによる識別処理や、パターンマッチング処理を行ない、歩行者に対する矩形領域であるかどうかを特定する。

なおインターバルサイズＴで対称性評価部２５及び対称軸連続性評価部２６による処理を行う際、計算量削減のため、Ｇａｕｓｓｉａｎ Ｐｙｒａｍｉｄなどの多解像度化処理によって，１／２，１／４等のサイズに画像を変換する構成としてもよい。この場合例えば１／２のサイズに変換する場合、１／２Ｔのインターバルサイズで１／２サイズ画像に対して評価を実施し、矩形領域を統合する際に元のスケールに復元する構成となる。

図９は、第１の実施形態におけるシステムによって実行される処理を示すフローチャートである。
同図においてまず事前処理として幾何学情報テーブル３１を１フレーム毎に算出する。

次にステップＳ１として、幾何学情報テーブル３１を参照してインターバルサイズＴｉを決定する。
次に、各インターバルサイズＴｉに対して、ステップＳ２として各画素について上記した関数Ｓｙｍｍ（ｘ、Ｔ）を用いた対称軸評価処理を行なう。

そして次に、ステップＳ３として、ステップＳ２で得られた画像の各画素について上記した関数Ｖｓｙｍｍによる平滑化処理を行なう。
そしてステップＳ４として、細線分化処理Ｔｈｉｎにより線分領域ＥＬを抽出する。

そして次に、ステップＳ５として、ステップＳ４で得られた線分領域ＥＬの下端点Ｅを求める。
次にステップＳ６としてそしてこの下端点を歩行者の足元と想定して、矩形領域Ｒを生成する。

そしてステップＳ７としてステップＳ６で生成した、矩形領域Ｒに対して線分化領域ＥＬが、中心からａ％の領域に入っているか否かを調べ、対称軸の連続性の評価を行なう。
このステップＳ２乃至Ｓ７の処理を各インターバルサイズＴｉに対して行い、ステップＳ８として各インターバルサイズＴｉについて得られた矩形領域Ｒを距離的に近いものを統合する。そして最後にステップＳ９として候補の矩形領域を出力する。

このように第１の実施形態では、歩行者の上半身と下半身のように矩形領域の対称軸が異なっていても、中心から特定の範囲内に収まっていれば１つの矩形領域と見なすことができる。

これにより、対象物体の領域をより高精度に判定することが出来、低コストで歩行者検出性能の高い歩行者検出システムを実現することが出来る。
次に本発明の第２の実施形態について説明する。

図１１は、第２の実施形態におけるシステム４０の構成例を示す図である。
同図（ａ)に示すように、第２の実施形態では、システム４０に近赤外光などの光を照射する照射ライト４２と、この照射ライトから照射された光を受光することが可能なカメラ４１を接続する構成となっている。またシステム４０は、反射領域抽出部４３、点等・消灯制御部４４及び解決部４５を備えている。

なお以下の説明では、照射ライト４２は、近赤外光の照射を行う近赤外光照射ライトで、またカメラ４１は、近赤外光を受光できる近赤外光カメラであるものとするが、本実施形態のカメラ４１とライト４２は、このようなものに限定されるものではなく、レーダ等アクティブに光を照射できるライトと、この照射の反射光を受光できるカメラであれば、他のものでもよい。

反射領域抽出部４３は、照射光の反射領域を抽出するものである。点等・消灯制御部４４は、カメラ４１のシャッターに同期させて、照射ライト４２のＯＮ／ＯＦＦを交互に切換える制御を行なうものである。解決部４４は、反射領域抽出部４３が抽出した反射領域の画像に対して第１の実施形態の対称性評価部２５、対称軸連続性評価部２６、及び矩形領域生成部２７が行なう処理と同様の処理を行なう。

照射ライト４２はカメラ４１のシャッターと同期してＯＮ／ＯＦＦを切り替えられ、路面に略平行に近赤外線を照射する。
図１１（ｂ）に示すように、記憶領域に記憶した近赤外光等の光を照射した状態でカメラ４１で撮影した画像と、照射ライト４２をＯＦＦにして撮影画像との、差分を減算部によって求め、これを記憶領域に記憶する。反射領域抽出手段は、この画像に対して、後述する線分除去処理を行ない反射画像を出力する。

近赤外線カメラ４１と、近赤外線照射ライト４２は、カメラ４２のシャッターの同期信号に基づいてシャッター周期Ｔで同期しており、図１２に示すように、奇フィールド５１では近赤外線照射ライト４２をＯＮの状態で、撮影し、偶フィールド５２では近赤外線照射ライト４２をＯＦＦの状態で撮影する。そしてこれらの撮影画像のデータは、不図示の記憶領域に記憶される。

以下に第２の実施形態のシステム４０によって行なわれる処理の詳細を順を追って示す。
〔Ｓｔｅｐ１〕
反射領域抽出部４３は、連続して撮影した画像Ｉ１，Ｉ２（ライトＯＮの画像Ｉ１、ライトＯＦＦの画像Ｉ２）から、差分画像Ｄを生成する。このとき例えば、対応する画素値の差分絶対値を用いることができる。
Ｄ（ｘ，ｙ）＝｜Ｉ１−Ｉ２｜
〔Ｓｔｅｐ２〕
反射領域抽出部４３は、差分画像Ｄに対し、所定の係数γでガンマ補正をした後、所定の閾値Ｔｈで２値化処理した画像Ｂを生成する。画像Ｂは、例えば、
Ｂ（ｘ，ｙ）＝１ ｉｆ Ｄ（ｘ，ｙ）＾γ＞Ｔｈ ｏｔｈｅｒｗｉｓｅ ０
として求めることができる。
〔Ｓｔｅｐ３〕
反射領域抽出部４３は、画像Ｂに対して生じている小さい孤立点の、除去もしくは穴埋めを行うため、モルフォロジ演算のオープン・クローズフィルタを適用し、画像Ｍを生成する。
〔Ｓｔｅｐ４〕
反射領域抽出部４３は、画像Ｍに対し、所定のウィンドウサイズの平滑化フィルタを適用し、所定の閾値Ｔｈ２以上であった画素領域を反射領域Ｒとする。
例えば反射領域Ｒは

と定義することができる。
図１３に第２の実施形態における反射領域Ｒの求め方を示す。

画像６１は、近赤外線照射ライト４２をＯＦＦにして撮影した画像であり、画像６２は、近赤外線照射ライト４２をＯＮにして撮影した画像である。
近赤外線照射ライト４２は、路面に略平行に照射されるので照射光は路面６４部分にはほとんど当たらない。

減算部によりこの画像６１と６２の差分を求めた画像が画像６３である。
画像６３では、歩行者６５には近赤外線照射ライト４２による照射光が当たり反射領域となっている。また路面６６はエッジのみが残るが、これは平滑化フィルタによって線分除去処理を行ない、除去される。

これにより、歩行者のみが反射領域Ｒとして抽出される。
〔Ｓｔｅｐ６〕
解決部４５は、第１の実施形態の対称性評価部２５と同様に、各ｙ座標に対応する矩形領域幅Ｗから、インターバルサイズＴを決定する。このインターバルサイズの決定の仕方としては、例えば、Ｗを上回る最小の奇数とする。

図１４は、第２の実施形態で用いられる幾何学情報テーブルである。
同図において、例えばｙ＝１４０であるとき、インターバルサイズＴは、物体の矩形幅Ｗ＝１０を上回る最小の奇数１１となっている。
〔Ｓｔｅｐ７〕
解決部４５は、Ｓｔｅｐ５で画像から抽出された反射領域Ｒの下端点Ｅを抽出する。

下端点Ｅｈａ反射領域のｙ軸方向の連続性を評価することで得ることができる。
〔Ｓｔｅｐ８〕
解決部４５は、抽出された各下端点Ｅ（ｘ，ｙ）に関して、Ｅが足元であると想定し、幾何学情報テーブル１に基づいて上方に存在する矩形領域Ｒｅｃｔを決定する。
〔Ｓｔｅｐ９〕
解決部４５は、矩形領域Ｒｅｃｔの各画素について、各下端点Ｅ（ｘ，ｙ）のｙ座標で参照される幾何学情報テーブルのインターバルサイズＴｉを用い、対称性フィルタ反応値Ｆｉを算出する。この処理は、第１の実施形態のＳｔｅｐ２と同じである。
〔Ｓｔｅｐ１０〕
解決部４５は、各矩形領域Ｒｅｃｔ対して、Ｖｓｙｍｍによる平滑軸評価化処理を行なう。この処理は、第１の実施形態のＳｔｅｐ３と同じである。
〔Ｓｔｅｐ１１〕
解決部４５は、各矩形領域Ｒｅｃｔ対して、Ｔｈｉｎによる細線化処理を行なう。
この処理は、第１の実施形態のＳｔｅｐ４と同じである。
〔Ｓｔｅｐ１２〕
解決部４５は、各矩形領域Ｒｅｃｔに対し、対称軸連続性評価処理を行なう。この処理は、第１の実施形態のＳｔｅｐ５と同じである。

このようにして得られた、歩行者の候補の矩形領域に対して第１の実施形態と同様、後段処理としてニューラルネットワークによる識別処理や、パターンマッチング処理を行ない、歩行者に対する矩形領域であるかどうかを特定する。

これにより、歩行者の領域を正確に認識することが出来る。
図１５は、第２の実施形態のシステムが行なう処理を示すフローチャートである。
同図において処理が開始されると、まず事前処理として幾何学情報テーブル３１を１フレーム毎に算出する。

そして次にステップＳ１１として反射領域抽出部４３が、差分画像生成処理を行なう。この差分画像生成処理では、近赤外線照射ライト４２をＯＮにしたとき撮影した画像から近赤外線照射ライト４２をＯＮにしたとき撮影した画像を減算する。

次に反射領域抽出部４３は、ステップＳ１２として、ステップＳ１１で求めた差分画像を２値化する。そしてこの２値化画像に対して、モルフォロジ演算のオープン・クローズフィルタを適用して、孤立点の除去や穴埋め処理を行なう（ステップＳ１３）。

そして次にステップＳ１４として、反射領域抽出部４３は、平面領域抽出処理として閾値Ｔｈ２以上の反射領域の抽出を行なう。そしてこの反射領域の下端点Ｍ（ｘ，ｙ）を求める（ステップＳ１５）。

次に、ステップＳ１６として、解決部４４が、ステップＳ１５で求めた各下端点Ｍに対して、この下端点Ｍを歩行者の足元と想定した場合の矩形領域を生成する。
そして各矩形領域に対して解決部４４は、ステップＳ１７として関数Ｓｙｍｍによる対称軸評価処理を行なう。このステップＳ１７の処理は第１の実施形態のステップＳ３と同じ処理である。

次に解決部４４は、ステップＳ１８として、各矩形領域に対してＶｓｙｍｍによって平滑処理を行なう。このステップＳ１８の処理は第１の実施形態のステップＳ４と同じ処理である。

次に解決部４４は、ステップＳ１９として、各矩形領域に対してＴｈｉｎによる細線化処理を行なう。このステップＳ１９の処理は第１の実施形態のステップＳ５と同じ処理である。

次に解決部４４は、ステップＳ２０として、各矩形領域に対して対称軸連続性評価処理を行なう。このステップＳ２０に処理は、第１の実施形態のステップＳ７と同じ処理である。

そして最後にステップＳ２１として候補の矩形領域を出力する。
このように第２の実施形態のシステムによれば、コントラストが不足して歩行者の下半身の画像が不鮮明な場合や、足元の下に対称性のテクスチャ（ペンキ、マンホール等）がある場合でも、足元を精度よく検出することが出来る。

次に本発明の第３の実施形態について説明する。
第３の実施形態のシステムは、矩形領域の上端から下端まで、正面肩幅を狙った対称間隔Ｔを使用しているため、路面の横断ペイントに対称軸候補が抽出され、誤検出の元になる場合に対処するものである。

これは、自車からの距離に換算すると、実際よりも近くに検出されてしまうという問題、及び後段処理部２８の詳細判定によって棄却されてしまい検出性能が悪くなるという問題となっていた。

また、第２の実施形態と同様、路上ペンキと道路背景の組合せによって、歩行者の存在しない領域に候補領域が生成されるという問題にも対処している。これは、後段の詳細判定処理の実行回数が増え、処理量が多くなるという問題ともなる。

図１６は、これらの問題点を示したものである。
同図においては、物体（歩行者）を検出するにあたって、例えば歩行者の肩幅から求めた対称間隔（インターバルサイズ）７１からもとめた矩形領域７２ではなく、路面のペイントも含んだ矩形領域７３や、検出対象物以外のもの７４による矩形領域７５が候補領域として初期段階では検出される。

第３の実施形態では、これらの候補領域を評価して、誤った矩形領域を後段処理部２８による詳細判定前に除去する。
本実施形態のシステムでは、車載した単眼カメラによる画像を用い、歩行者がほぼ線対称であるという特徴を考慮して、線対称性を含む画像領域を歩行者を含む可能性の高い画像領域として検出する。

具体的には図３において、カメラで撮影した画像に対して、物体の幅を囲うと想定する細い矩形領域１１−１〜１１−６の対称性を評価し、物体を囲うと想定する矩形領域１２の中心軸付近１３に存在する対称軸候補領域１４−１〜１４−６の密度と連続性を評価することで、検出対象物体の候補領域を生成し、これにより対称軸が部分的にずれる場合や、斜め方向の対称軸に対してロバストな効果を有する。

この際、第３の実施形態では例えば検出対象物が歩行者である場合、人の幅を囲うと想定する領域に対する対称性の評価に、人の頭部、上半身、下半身などの部位に対応する領域毎に異なる対称間隔を使用する。

図１７に候補領域を複数の領域に分け、各領域ごとに異なる対称間隔を用いる例を示す。
同図は、歩行者の候補領域を示すもので、これを頭部領域８１、上半身領域８２及び下半身領域８３それぞれに対して、それぞれ異なる対称間隔Ｔｂｄ、Ｔｕｂ及びＴｌｂを用いて対称軸候補領域を求める。

これにより第３の実施形態のシステムは第１の実施形態のシステムより、より高い物体検出能力を実現することができる。
図１８は、第３の実施形態のシステム構成例を示す図である。

同図は、図４の第１の実施形態のシステム構成例の図と対比する形で書かれており、実質的に同一の機能を有する構成要素には同一の符号が付せられている。
図１８の構成と図４の構成を比較すると、新たに領域分割処理部９１、対象物体部位分割情報記憶部９２及び統合判定処理部９３を有している。

領域分割処理部９１は、対象物体部位分割情報記憶部９２内の情報に基づいて、全身矩形領域を複数の部位領域に分割する対象物体部位分割情報記憶部９２は、幾何学情報テーブルに基づいて決定された人の全身を囲う矩形領域に対して、対象物体(歩行者)に依存した部位領域情報を記憶する。統合判定処理部９３は、複数の部位領域から得られる対称軸の存在確率から、全身矩形領域に対象物体（歩行者）が含まれるかを統合的に判断する。

そして対称軸連続性評価部２６は、全身矩形領域ではなく、領域分割処理部９１が分割した1つの部位領域における対称軸の存在確率を算出する。
以下に第３の実施形態のシステム２２ｂによって行なわれる処理の詳細を順を追って示す。

以下のＳｔｅｐ Ａの処理は、各Ｙ座標について実施される。
〔Ｓｔｅｐ Ａ−１〕
領域分割処理部９１は、各Ｙ座標について、現在処理中の幾何学情報テーブルに基づき、人を囲う全身矩形領域の縦辺長を決定する。この縦辺長を、対象物体部位分割情報記憶部９２に記憶される部位領域情報を参照し、各領域に適用するインターバルサイズを決定する。

例えば、領域分割処理部９１が全身矩形領域を歩行者の頭部、上半身、下半身の３つの領域に分割する場合、対象物体部位分割情報記憶部９２に記憶される部位領域情報は、図１９のように縦方向の分割比率と、それぞれの領域におけるインターバルサイズを物体の矩形幅Ｗに対する比率を格納している。また、部位領域内における対称軸が存在する水平方向の位置を、Ｗに対する比率として格納している。

例えば縦分割比率より、頭部、上半身、下半身の縦（Ｙ座標）の分割比は、１：２：２となる。また頭部、上半身、下半身のインターバルサイズを物体の矩形幅Ｗに対する比で表したものが０．５、１、０．３となる。さらに対称軸の存在位置の期待値を比で表すと頭部及び上半身は０．５となり、下半身は２つ対称軸が現れる可能性が高いので０．３と０．７になっている。

そしてこの部位領域情報を用い、例えば、図５よりＹ座標が１８０の場合、Ｈ＝５０、Ｗ＝２５から、図２０に示すように、Ｙ座標がＹ＝１３０のライン１０１とＹ＝１８０のライン１０２の間の領域（Ｙ＝１３１〜１８０の領域）を上から１：２：２に分割し、それぞれの領域Ｉ１、Ｉ２、Ｉ３とする。そして領域Ｉ１、Ｉ２、Ｉ３に対する対称性評価部２５が使用するインターバルサイズＴｌｏｃａｌ１（図17のＴｂｄに相当）、Ｔｌｏｃａｌ２（図17のＴｕｂに相当）及びＴｌｌｏｃａｌ３（図17のＴｌｂに相当）を、Ｔｌｏｃａｌ１＝Ｗ＊０．５≒１３、Ｔｌｏｃａｌ２＝Ｗ＊１＝２５、Ｔｌｌｏｃａｌ３＝Ｗ＊０．３＝８と求める。

次に各部分画像領域Ｉｉに対して以下の処理を行う。
以下のＳｔｅｐ Ｂの処理は、各部分画像領域Ｉｉに対する処理を示している。
〔Ｓｔｅｐ Ｂ−１〕
対称性評価部２５は、各インターバルサイズＴｌｏｃａｌ＿ｉで、画像領域Ｉｉの各画素ｘにおける水平方向の対称性を対称性フィルタの関数Ｓｙｍｍ（ｘ，Ｔ）によって評価したフィルタ反応画像Ｆｉを生成する。（〔第１の実施形態のＳｔｅｐ２と同じ処理〕）
〔Ｓｔｅｐ Ｂ−２〕
対称軸連続性評価部２６は、各画像Ｆｉについて、縦方向に重みを用いて平滑化処理を行い、画像Ｆｉ’を生成する。これらは例えば、評価式Ｖｓｙｍｍ（ｘ）によって得ることが出来る。（〔第１の実施形態のＳｔｅｐ３と同じ処理〕）
〔Ｓｔｅｐ Ｂ−３〕
対称軸連続性評価部２６は、平滑化処理後の画像Ｆｉ’について、ある閾値Ｔｈ＿ｉ以上の領域Ｆｘについて縦方向のみに細線化処理を行い、細線化処理をして得られた線分領域ＥＬを抽出する。（〔第１の実施形態のＳｔｅｐ４と同じ処理〕）
次に各Ｘ座標について以下の処理を実施する。

以下のＳｔｅｐ Ｃの処理は、各Ｘ座標に対して実行される。
〔Ｓｔｅｐ Ｃ−１〕
対称軸連続性評価部２６は、幾何学情報テーブル３１に基づいて、現在の処理対象の画素（ｘ，ｙ）の上方に存在する矩形領域Ｒを決定する。（第１の実施形態のＳｔｅｐ６に相当）
具体的には、Ｙ座標から得られる物体の矩形幅Ｗに基づき、Ｙ＝１３０のライン１０１とＹ＝１８０のラインの間の領域において、Ｘ＝−Ｗ／２＋ｘ〜ｘ＋Ｗ／２、Ｙ＝ｙ−Ｈ＋１〜ｙの領域を矩形領域Ｒとする。

次に各部分矩形領域Ｒｉ毎について以下の処理を実施する。
以下のＳｔｅｐ Ｄの処理は、各部分矩形領域Ｒｉ毎に対して実行される。
図２１にＹ＝１３０のライン１０１とＹ＝１８０のラインの間の領域における各部分領域Ｒｉを模式的に示す。
〔Ｓｔｅｐ Ｄ−１〕
対称軸連続性評価部２６は、ＳｔｅｐＣ−１で決定した矩形領域Ｒと画像領域Ｉｉで定義される領域Ｒｉの中心付近の、細線化線分領域ＥＬの密度を評価し、対称軸の存在確率Ｐｓｙｍｍ＿ｉを算出する。

例えば、領域Ｒｉについて、部位領域情報を参照し、対称軸存在位置（期待値）に基づき、中心位置ｘ１を決定する。例えば頭部の場合、ｘ１＝０．５＊Ｗで得られる。
このとき、領域Ｒｉのｙ座標をｙ１〜ｙ２とすると、ｘ１を中心としたａ％の領域（ｘ＝ｘ１−０．５＊ａ＊Ｗ〜ｘ１＋０．５＊ａ＊Ｗ，ｙ＝ｙ１−Ｈ〜ｙ１）について、各行における細線化線分領域ＥＬの存在ＮＥＬを評価する。

ａ％の中心領域の全行分のＮＥＬの合計をＳＮＥＬとすると、Ｐｓｙｍｍ＿ｉ＝ＮＥＬ／（ｙ２−ｙ１＋１）と定義することができる。（第１の実施形態における〔Ｓｔｅｐ ７〕と同様）
また、下半身部分の場合のように、領域Ｒｉに２本以上の対称軸が期待される場合は、部位領域情報を参照して得られる、それぞれの位置についてＰｓｙｍｍを算出する。

Ｓｔｅｐ Ｄの処理が終了すると、各Ｘ座標について実施されるＳｔｅｐ Ｃ−２が実行される。
〔Ｓｔｅｐ Ｃ−２〕
各部分矩形領域ＲｉからのＰｓｙｍｍに基づき、矩形領域Ｒに対象物体が含まれるか否かの判定処理を統合的に行う。例えば、すべてのＰｓｙｍｍ＿ｉが所定の閾値Ｔｈｉを満たす場合に、矩形領域Ｒに、歩行者の各部位に応じた対称軸が存在すると判断し、領域Ｒを採択する。そうでない場合は、棄却する。（Ｒｉから２つ以上の存在確率が得られている場合はＯＲ条件とする）
ｉｆ Ｐｓｙｍｍ１＞Ｔｈ１ ＆ Ｐｓｙｍｍ２＞Ｔｈ２ ＆ （Ｐｓｙｍｍ３１＞Ｔｈ３１ ｜Ｐｓｙｍｍ３２＞Ｔｈ３２） ｔｈｅｎ ｆ（Ｐｓｙｍｍ１，Ｐｓｙｍｍ２，Ｐｓｙｍｍ３）＝１ ｏｔｈｅｒｗｉｓｅ ０
そして評価関数によりｆ（Ｐｓｙｍｍ１，Ｐｓｙｍｍ２，Ｐｓｙｍｍ３）が１のときは、全部分領域を採択し、０のときは破棄する。

以上のＳｔｅｐを全Ｙ座標に対して実行することにより、各点（ｘ，ｙ）における歩行者存在判定が行われる。
図２２は、第３の実施形態のシステムで実行される処理を示すフローチャートである。

同図の処理が開始されると、まずステップＳ３１として幾何学情報テーブルの算出が１フレーム毎に行われる。
この幾何学情報テーブルは、カメラの高さ、傾き具合、焦点距離等のパラメータから算出する。

次にＹ座標毎に以下のステップＳ３２〜Ｓ３８の処理を繰り返す。
まずステップＳ３２として、部位領域情報に基づいた部分領域の決定処理を行う。
例えば部位領域情報が、図１９に示すような値の場合、全身矩形領域を１：２：２で頭部、上半身及び下半身の部分領域に分割する。また各部分領域のインターバルサイズを決定する。

次に以下のステップＳ３３〜Ｓ３５の処理を各部分領域Ｉｉ毎に処理を行う。
まずステップＳ３３では、対称性評価部２５が、対称性フィルタの関数Ｓｙｍｍ（ｘ，Ｔ）によって評価したフィルタ反応画像Ｆｉを生成する。

次にステップＳ３４として、対称軸連続性評価部２６は、各画像Ｆｉについて、縦方向に重みを用いて平滑化処理を行い、画像Ｆｉ’を生成する。
そして次に、ステップＳ３５として、対称軸連続性評価部２６は、平滑化処理後の画像Ｆｉ’について、ある閾値Ｔｈ＿ｉ以上の領域Ｆｘについて縦方向のみに細線化処理を行い、細線化処理をして得られた線分領域ＥＬを抽出する。

以上のステップＳ３３〜３５の処理を全ての部分領域Ｉｉに対して行うと、次にＸ座標毎の処理としてステップＳ３６を行う。
このステップＳ３６では、部分領域Ｒの決定処理を行う。

そして次にステップＳ３７の処理を行う。このステップＳ３７の処理は全ての部分領域Ｒｉに対して行われる。
ステップＳ３７では、各部分領域Ｒｉの対称軸存在確率を求める。

そしてステップＳ３７の処理が終了後、ステップＳ３８として全部分領域の存在確率、Ｐｓｙｍｎに基づいた判定処理を判定式ｆ（Ｐｓｙｍｍ１，Ｐｓｙｍｍ２，・・・）から求める。

このステップＳ３２からステップＳ３８までの処理を全てのＹ座標について実行後、本処理を終了する。
以上のように、本発明の第１の実施形態によれば、歩行者の幅を囲うと想定する細い矩形領域の対称性を評価し、矩形領域の中心軸付近に存在する対称軸候補領域の密度と連続性を評価することで、人の候補領域を生成し、これにより対称軸が部分的にずれる場合や、斜め方向の対称軸に対してロバストな効果を有する。

これによって、本来より矩形領域が小さく認識され、距離が本来よりも非常に遠くに認識されたり、後段の詳細判定によって矩形領域が棄却され、検出性能が悪くなったりする問題を改善することができる。

また単眼のカメラ構成により、システムを構築できるので、安価で小型なシステムを構築することが出来る。
また第２の実施形態のシステムによれば、背景とのコントラストが不足し下半身の画像が不鮮明な場合や、足元の下に対称性のテクスチャ（ペンキ、マンホール等）がある場合でも、足元を精度よく検出できる。また第１の実施形態のシステム同様、距離が本来よりも非常に遠くに認識されたり、後段の詳細判定によって矩形領域が棄却され、検出性能が悪くなったりする問題を改善することができる。

また第３の実施形態のシステムによれば、矩形領域を複数の部分領域に分割して、各部分領域ごとに異なったインターバルサイズを用いて対称軸の評価を行うことにより、誤検出が少なくなり、さらに高い物体検出性能を実現することができる。

なお上記例では、物体検出システムが検出する検出対象物の一例として歩行者を挙げているが、本発明による物体検出システムの検出対象物体は歩行者に限定されるものではなく、看板、標識、自動車、自転車、オートバイ等、ゆるい対称性を持つものなら他のものでも良い。

Claims (15)

1. １つのカメラから得られる撮影画像に対して、対象物体の実際のサイズとカメラパラメータ情報を用いて、路面上に存在する物体の画像上での位置と画像領域サイズの関係を示す幾何学情報を算出する幾何学情報生成部と、
   評価対象として指定される各画素が、前記対象物体の実際の幅として想定される幅と前記幾何学情報に基づいて決められる対称間隔での対称軸である可能性を評価する対称性評価部と、
   前記対称性評価部による評価から得られる値がある閾値以上の画素の連続性を評価して最下端点を検出し、検出された前記最下端点及び前記幾何学情報に基づいて得られる矩形領域において、当該矩形領域内の中心軸付近の、対称軸である画素の密度を評価する対称軸連続性評価部と、
   前記対称軸連続性評価部による前記密度の評価から得られる値が所定値以上である場合に、前記対象物体の候補領域として当該矩形領域の位置とサイズを出力する矩形領域生成部と、
   を有することを特徴とする物体検出システム。
2. 前記撮影画像の縦方向の画素の位置と、前記対象物体が収まる前記矩形領域の幅と縦の大きさを対応付けたテーブルを、前記幾何学情報として記憶する幾何学情報テーブル記憶部を更に備えることを特徴とする請求項１に記載の物体検出システム。
3. 画素の横方向の位置をｘ、前記対称間隔をＴとすると、前記対称性評価部による対称軸の可能性の評価は、関数Ｓｙｍｍ（ｘ，Ｔ）
   によって行なわれることを特徴とする請求項１に記載の物体検出システム。
4. 画素の横方向の位置をｘ、前記対称間隔をＴとすると、前記対称性評価部による対称軸の可能性の評価は、関数Ｓｙｍｍ（ｘ，Ｔ）
   によって行なわれることを特徴とする請求項１に記載の物体検出システム。
5. 前記対称軸連続性評価部は、画素毎に前記対称性評価部によって得られる対称軸の可能性の評価値を平滑化し、平滑化後の評価値がある閾値以上の画素で構成される画像に対して細線分化処理を行ない、当該細線分化処理によって得られた線分領域の前記最下端点を求めることを特徴とする請求項１に記載の物体検出システム。
6. 前記矩形領域生成部は、前記対称軸連続性評価部が検出した最下端点のうち近似するものを統合し、当該最下端点を最下端とする矩形領域を前記対象物体の候補領域の位置とサイズとして出力することを特徴とする請求項１に記載の物体検出システム。
7. 前記カメラのシャッターに同期してＯＮ／ＯＦＦを交互に切り換える照射ライトに接続され、前記照射ライトがＯＮのとき撮影した画像と、前記照射ライトがＯＦＦのとき撮影した画像の差分画像を求め、当該差分画像に対して、線分除去フィルタを適用して反射領域を抽出する反射領域抽出部を更に備え、前記幾何学情報生成部は、当該反射領域に対して、対象物体の実際のサイズとカメラパラメータ情報を用いて、前記幾何学情報を算出することを特徴とする請求項１に記載の物体検出システム。
8. 前記照射ライトは、近赤外線照射ライトであることを特徴とする請求項７に記載の物体検出システム。
9. 前記照射ライトは、路面に対して略平行に光を照射することを特徴とする請求項７に記載の物体検出システム。
10. 前記対象物体は、歩行者であることを特徴とする請求項１に記載の物体検出システム。
11. 前記矩形領域中の前記対象物体に依存した部位領域情報を記憶する対象物体部位分割情報記憶部と、
    前記部位領域情報に基づいて、矩形領域を複数の部分領域に分割する領域分割処理部と、
    前記各部分領域において前記対称軸連続性評価部によって算出された対称軸存在確率に基づいて、歩行者候補領域を統合的に判定する統合判定部と、
    を有し、
    前記対称性評価部は、分割された前記部分領域それぞれに対して、前記部位領域情報で定義される、前記対称間隔を用いて対称軸の可能性を評価し、前記対称軸連続性評価部は、前記対称性評価部によって評価された対称軸候補領域の、部分領域の所定位置における密度を評価し、対称軸存在確率を算出する
    ことを特徴とする請求項１に記載の物体検出システム。
12. 前記対象物体は歩行者で、前記領域分割処理部は前記矩形領域を前記歩行者の頭部に当たる部分領域、上半身に当たる部分領域及び下半身に当たる部分領域に分割することを特徴とする請求項１１に記載の物体検出システム。
13. １つのカメラから得られる撮影画像に対して、対象物体の実際のサイズとカメラパラメータ情報を用いて、路面上に存在する物体の画像上での位置と画像領域サイズの関係を示す幾何学情報を算出し、
    評価対象として指定される各画素が、前記対象物体の実際の幅として想定される幅と前記幾何学情報に基づいて決められる対称間隔での対称軸である可能性を評価し、
    前記可能性の評価により得られる値がある閾値以上の画素の連続性を評価して最下端点を検出し、
    前記検出された最下端点及び前記幾何学情報に基づいて得られる矩形領域において、当該矩形領域内の中心軸付近の、対称軸である画素の密度を評価し、
    前記密度の評価から得られる値が所定値以上である場合に、前記対象物体の候補領域として当該矩形領域の位置とサイズを出力する
    ことを特徴とする物体検出方法。
14. 記憶されている前記矩形領域中の前記対象物体に依存した部位領域情報に基づいて、矩形領域を複数の部分領域に分割し、
    前記各部分領域において算出された対称軸存在確率に基づいて、歩行者候補領域を統合的に判定し、
    分割された前記部分領域それぞれに対して、前記部位領域情報で定義される、前記対称間隔を用いて対称軸の可能性を評価し、
    評価された対称軸候補領域の、部分領域の所定位置における密度を評価し、対称軸存在確率を算出する
    ことを特徴とする請求項１３に記載の物体検出方法。
15. 照射ライトがＯＮのとき撮影した画像と、前記照射ライトがＯＦＦのとき撮影した画像の差分画像を求め、当該差分画像に対して、線分除去フィルタを適用して反射領域を抽出し、当該反射領域に対して、対象物体の実際のサイズとカメラパラメータ情報を用いて、前記幾何学情報を算出することを特徴とする請求項１３に記載の物体検出方法。