JP4875010B2

JP4875010B2 - Exercise class classification device and tracking processing device

Info

Publication number: JP4875010B2
Application number: JP2008046308A
Authority: JP
Inventors: 英俊古川
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2008-02-27
Filing date: 2008-02-27
Publication date: 2012-02-15
Anticipated expiration: 2028-02-27
Also published as: JP2009204418A

Description

本発明は、運動クラス類別装置及び追尾処理装置に係り、特に、運動クラスの異なる複数の追尾フィルタを備え、それぞれにフィルタ処理して得た、目標の観測値に対する平滑値及び運動クラスに対する尤度を用いて、目標の運動クラスに関する類別情報を得る運動クラス類別装置、及び類別情報に基づき各追尾フィルタからの平滑値を統合する追尾処理装置に関する。 The present invention relates to a motion class classification device and a tracking processing device, and in particular, includes a plurality of tracking filters with different motion classes, each obtained by filtering, and a smooth value for a target observed value and a likelihood for the motion class. And a tracking processing device that integrates smooth values from each tracking filter based on the category information.

レーダシステム等により捕捉した目標の動きを継続して観測し、その位置情報を含む各種目標情報に対して平滑化や予測処理等を行なう追尾処理装置が知られている（例えば、非特許文献１参照。）。追尾処理においては、追尾フィルタを構成して目標情報の平滑化及び予測等の処理を行なう。この種の追尾フィルタは、例えば対象とする目標の運動クラスや目標を観測する運用環境等に適合させてその処理アルゴリズムやパラメータ設定は種々に選択・構成されるとともに、フィルタ処理結果としての追尾情報に対してさらに後段の処理を加え、追尾処理装置として所期の追尾性能を維持するように構成されることもある。また、運動クラスの異なる複数の追尾フィルタを用い、それぞれの追尾フィルタから追尾情報のひとつとして出力される尤度情報に基づいて目標の運動クラスを類別しつつ、この類別結果により複数の追尾フィルタからの平滑位置等の追尾情報を統合するように構成された追尾処理装置の事例も開示されている。 2. Description of the Related Art A tracking processing device that continuously observes the movement of a target captured by a radar system or the like and performs smoothing or prediction processing on various target information including position information is known (for example, Non-Patent Document 1). reference.). In the tracking process, a tracking filter is configured to perform processing such as smoothing and prediction of target information. This type of tracking filter is adapted to the target exercise class, the operational environment for observing the target, etc., and its processing algorithm and parameter settings are variously selected and configured, and the tracking information as the filter processing result Further, a subsequent process may be added to the apparatus, and the tracking processing apparatus may be configured to maintain the desired tracking performance. In addition, using multiple tracking filters with different exercise classes, classifying the target exercise class based on the likelihood information output as one of the tracking information from each tracking filter, and based on this classification result, An example of a tracking processing device configured to integrate tracking information such as smooth positions is also disclosed.

図９は、このように構成された、従来の目標の運動クラスを類別する運動クラス類別装置を備えた追尾処理装置の一例を示すブロック図である。この図９に例示した従来の追尾処理装置５は、観測値を運動クラスの異なる複数の追尾フィルタで処理したそれぞれの尤度に基づき目標の運動クラスを類別する運動クラス類別装置６、及びその類別結果に基づき複数の追尾フィルタからの平滑ベクトルを統合する追尾情報統合部７０から構成されている。 FIG. 9 is a block diagram illustrating an example of a tracking processing apparatus including the exercise class classification apparatus configured as described above, which classifies a conventional target exercise class. The conventional tracking processing device 5 illustrated in FIG. 9 includes an exercise class classification device 6 that classifies target exercise classes based on respective likelihoods obtained by processing observed values by a plurality of tracking filters having different exercise classes, and the classification thereof. The tracking information integration unit 70 integrates smooth vectors from a plurality of tracking filters based on the result.

まず、運動クラス類別装置６は、異なる運動クラスに対応づけて設けられた追尾フィルタとしての複数Ｓ個のクラスフィルタ６１１〜６１Ｓを備えた目標追尾部６１、及びこれらクラスフィルタ６１１〜６１Ｓから出力される、目標のそれぞれの運動クラスに対する尤度に基づいてそれらのクラス確率及び目標の運動クラスの類別結果を出力する目標類別部６２から構成されている。目標追尾部６１のＳ個の各クラスフィルタはそれぞれ次のように構成されている。すなわち、クラスｃ（１≦ｃ≦Ｓ）のクラスフィルタは、ｒ（ｃ）個のモードに対応する運動モデルを有し、これら運動モデル毎に対応する運動パラメータｕ（ｃ、ｍ）（ただし、ｍは１〜ｒ（ｃ））が設定されている。そして、これら運動パラメータを含むフィルタパラメータの設定によりそれぞれのクラスフィルタが１つの運動クラスに対応付けられるように構成されている。 First, the exercise class classification device 6 is output from the target tracking unit 61 including a plurality of S class filters 611 to 61S as tracking filters provided in association with different exercise classes, and the class filters 611 to 61S. The target classifying unit 62 outputs a class probability and a result of classifying the target exercise class based on the likelihood of each target exercise class. Each of the S class filters of the target tracking unit 61 is configured as follows. That is, a class filter of class c (1 ≦ c ≦ S) has motion models corresponding to r (c) modes, and motion parameters u (c, m) (where, m is set to 1 to r (c)). Each class filter is configured to be associated with one exercise class by setting filter parameters including these exercise parameters.

より具体的な構成や設定等の事例として、目標追尾部６１のクラスフィルタを２個（Ｓ＝２）とし、その運動クラスをクラスフィルタ６１１は低機動運動に、クラスフィルタ６１２は高機動運動にそれぞれ対応づけた場合について以下に記述する。この場合、それぞれのクラスフィルタの運動モデルの数を、例えばいずれも３（ｒ（１）＝ｒ（２）＝３）とし、その運動モデルを、例えば等速直線運動（ｍ＝１）、右旋回運動（ｍ＝２）、及び左旋回運動（ｍ＝３）の３つとする。また、運動モデルの加速度を運動パラメータとして、それぞれのクラスフィルタ毎に運動クラスに対応づけてそのパラメータ値を設定する。例えば、クラスフィルタ６１１には、等速直線運動の加速度パラメータｕ（１、１）＝０Ｇ、右旋回運動の加速度パラメータｕ（１、２）＝＋１Ｇ、及び左旋回運動の加速度パラメータｕ（１、３）＝−１Ｇをフィルタパラメータとして設定し、その運動クラスとして低機動運動に対応づける。一方、クラスフィルタ６１２には、等速直線運動の加速度パラメータｕ（２、１）＝０Ｇ、右旋回運動の加速度パラメータｕ（２、２）＝＋５Ｇ、及び左旋回運動の加速度パラメータｕ（２、３）＝−５Ｇをフィルタパラメータとして設定することによって、その運動クラスを高機動運動に対応づける。このようにして、この事例では、クラスフィルタ６１１はフィルタパラメータを（０Ｇ、＋１Ｇ、−１Ｇ）として目標の低機動運動に、またクラスフィルタ６１２はフィルタパラメータを（０Ｇ、＋５Ｇ、−５Ｇ）として目標の高機動運動にそれぞれ適合した追尾フィルタとして構成されることになる。 As a more specific configuration or setting example, the class tracking unit 61 has two class filters (S = 2), and the class of the class filter 611 is low mobility and the class filter 612 is high mobility. The case where each is matched is described below. In this case, the number of motion models of each class filter is 3 (r (1) = r (2) = 3), for example, and the motion model is, for example, constant velocity linear motion (m = 1), right The swing motion (m = 2) and the left swing motion (m = 3) are assumed to be three. Further, the acceleration of the motion model is used as a motion parameter, and the parameter value is set in association with the motion class for each class filter. For example, the class filter 611 includes constant velocity linear motion acceleration parameter u (1, 1) = 0G, right turn motion acceleration parameter u (1,2) = + 1G, and left turn motion acceleration parameter u (1 3) =-1G is set as a filter parameter, and the movement class is associated with low mobility. On the other hand, the class filter 612 includes constant velocity linear motion acceleration parameter u (2, 1) = 0G, right turn motion acceleration parameter u (2, 2) = + 5G, and left turn motion acceleration parameter u (2 3) By setting = -5G as a filter parameter, the motion class is associated with a high mobility motion. Thus, in this example, the class filter 611 is set to the target low mobility with the filter parameter (0G, + 1G, -1G), and the class filter 612 is set to the target with the filter parameter (0G, + 5G, -5G). It is configured as a tracking filter suitable for each of the high maneuvering movements.

また、クラスｃ（１≦ｃ≦Ｓ）のクラスフィルタは、レーダシステム等からの観測ｋ回目の観測ベクトルＹ（ｋ）を入力してフィルタ処理を行ない、それぞれに観測ｋ回目のクラス平滑ベクトルＸ（ｃ、ｋ｜ｋ）、及びクラス尤度Ｌ（ｃ、ｋ）を算出し出力する。算出処理はクラスフィルタを構成するフィルタアルゴリズムによって異なるが、一例としてクラスフィルタにＩＭＭ（ＩｎｔｅｒａｃｔｉｎｇＭｕｌｔｉｐｌｅＭｏｄｅｌ）フィルタを用いた場合は、それぞれ次式により算出される。

The class c (1 ≦ c ≦ S) class filter receives the k-th observation vector Y (k) from the radar system and performs filtering, and each of the class smooth vectors X for the k-th observation. (C, k | k) and class likelihood L (c, k) are calculated and output. The calculation process varies depending on the filter algorithm that constitutes the class filter. For example, when an IMM (Interacting Multiple Model) filter is used as the class filter, the calculation process is calculated by the following equations.

ここに、Ｘ（ｃ、ｉ、ｋ｜ｋ）は、クラスｃ、モードｉ、観測ｋ回目のモード平滑ベクトルである。μ（ｃ、ｉ、ｋ）は、クラスｃ、モードｉ、観測ｋ回目のモード確率である。Ｌ（ｃ、ｉ、ｋ）は、クラスｃ、モードｉ、観測ｋ回目のモード尤度を表す。 Here, X (c, i, k | k) is a mode smooth vector of class c, mode i, and k-th observation. μ (c, i, k) is the mode probability of class c, mode i, and the kth observation. L (c, i, k) represents the mode likelihood of class c, mode i, and the kth observation.

目標類別部６２は、目標追尾部６１のＳ個のクラスフィルタのそれぞれから出力されるクラスｃの観測ｋ回目のクラス尤度Ｌ（ｃ、ｋ）に基づき、クラスｃの観測ｋ回目のクラス確率Ｐ（ｃ、ｋ）、及び観測ｋ回目における目標の運動クラスの類別結果を出力する。クラスｃの観測ｋ回目のクラス確率Ｐ（ｃ、ｋ）は、以下の式で算出される。

The target classification unit 62 classifies the class c observation k-th class probability based on the class c observation k-th class likelihood L (c, k) output from each of the S class filters of the target tracking unit 61. P (c, k) and the classification result of the target motion class at the k-th observation are output. The class probability P (c, k) of the observation k-th time of class c is calculated by the following equation.

また、各クラス毎に算出されたクラス確率は、それぞれの運動クラスに対する確率に対応しているので、目標類別部６２は、これら算出したクラス確率の値に基づき目標の運動クラスを類別しその結果を出力する。 Also, since the class probabilities calculated for each class correspond to the probabilities for the respective exercise classes, the target classification unit 62 classifies the target exercise classes based on the calculated class probabilities, and the result Is output.

一方、追尾情報統合部７０は、複数のクラスフィルタからの平滑ベクトルをひとつに統合する手法としては、例えば、それぞれのクラス平滑ベクトルを目標類別部６２にて算出された、対応するクラス確率により重み付け加算する手法があり、以下の式で算出される。

On the other hand, as a method for integrating the smooth vectors from the plurality of class filters into one, the tracking information integration unit 70 weights each class smooth vector with the corresponding class probability calculated by the target classification unit 62, for example. There is a method of addition, which is calculated by the following equation.

次に、図９の運動クラス類別装置６及び追尾処理装置５の動作について、信号処理の流れに沿って説明する。なお、目標追尾部６１のクラスフィルタとしては、上述の事例のように、フィルタアルゴリズムをＩＭＭフィルタとし、運動クラスとして目標の低機動運動に適合したクラスフィルタ６１１、及び高機動運動に適合したクラスフィルタ６１２の２個のクラスフィルタを備えているものとしている。 Next, operations of the exercise class classification device 6 and the tracking processing device 5 of FIG. 9 will be described along the flow of signal processing. As the class filter of the target tracking unit 61, as described above, the filter algorithm is an IMM filter, the class filter 611 adapted to the target low maneuvering motion class, and the class filter adapted to the high maneuvering maneuvering It is assumed that 612 two class filters are provided.

まず、レーダシステム等（図示せず）により観測された目標の観測ベクトルが逐次送られてくると、各クラスフィルタ６１１及び６１２において、パラメータ設定された処理アルゴリズムに従って、式（１）及び式（２）により、ｋ回目の観測毎にそれぞれクラス平滑ベクトルＸ（１、ｋ｜ｋ）、及びＸ（２、ｋ｜ｋ）、ならびにクラス尤度Ｌ（１、ｋ）及びＬ（２、ｋ）が算出される。算出された２つのクラス尤度Ｌ（１、ｋ）及びＬ（２、ｋ）は目標類別部６２に送出されると、目標類別部６２においては、式（３）に従ってこれら２つのクラス尤度からｋ回目の観測におけるクラス確率Ｐ（１、ｋ）、及びＰ（２、ｋ）が算出される。これらのクラス確率は、観測ベクトルがそれぞれの運動クラス、すなわち低機動運動、または高機動運動に適合する確率に相当する。そして、例えば算出されたクラス確率の値の大小関係等に基づき最も適合する運動クラスが判定され、運動クラス類別結果として目標類別部６２から後段に送出されるとともに、算出されたクラス確率Ｐ（１、ｋ）、及びＰ（２、ｋ）は、目標情報統合部７０にも送出される。 First, when target observation vectors observed by a radar system or the like (not shown) are sequentially transmitted, in each class filter 611 and 612, the equations (1) and (2) ), The class smooth vectors X (1, k | k) and X (2, k | k), and class likelihoods L (1, k) and L (2, k) are obtained for each k-th observation. Calculated. When the calculated two class likelihoods L (1, k) and L (2, k) are sent to the target classification unit 62, the two target class likelihoods in accordance with the equation (3) in the target classification unit 62. To class probabilities P (1, k) and P (2, k) in the k-th observation are calculated. These class probabilities correspond to the probabilities that the observed vector matches the respective motion class, ie, low mobility motion or high mobility motion. Then, for example, the most suitable exercise class is determined on the basis of the magnitude relationship of the calculated class probability values, etc., and is sent to the subsequent stage from the target classification unit 62 as the exercise class classification result, and the calculated class probability P (1 , K) and P (2, k) are also sent to the target information integration unit 70.

一方、目標情報統合部７０においては、運動クラスの異なる２つのクラスフィルタ６１１及び６１２からのクラス平滑ベクトルＸ（１、ｋ｜ｋ）、及びＸ（２、ｋ｜ｋ）が、目標類別部６２にて算出されたそれぞれのクラス確率Ｐ（１、ｋ）、及びＰ（２、ｋ）に基づき重み付けされて目標の運動クラスに適合するように統合され、統合平滑ベクトルＸ（ｋ｜ｋ）となって後段に出力される。 On the other hand, in the target information integration unit 70, the class smoothing vectors X (1, k | k) and X (2, k | k) from the two class filters 611 and 612 having different exercise classes are converted into the target classification unit 62. Weighted based on the respective class probabilities P (1, k) and P (2, k) calculated in step (b), and integrated so as to match the target motion class, and an integrated smooth vector X (k | k) Is output to the subsequent stage.

このように、図９の追尾処理装置５においては、運動クラスの異なる追尾フィルタとしてのクラスフィルタ６１１及び６１２にてフィルタ処理したそれぞれのクラス尤度に基づいて観測した目標の運動クラスをクラス確率により類別する運動クラス類別装置６を有し、これらクラス確率を用いてそれぞれのクラスフィルタ６１１及び６１２からのクラス平滑ベクトルを統合することにより、観測ｋ回目の追尾処理結果を目標の運動クラスに適合した確かなものとしている。 As described above, in the tracking processing device 5 of FIG. 9, the target motion class observed based on the class likelihoods filtered by the class filters 611 and 612 as tracking filters having different motion classes is determined based on the class probability. By having the motion class classification device 6 to classify and integrating the class smooth vectors from the respective class filters 611 and 612 using these class probabilities, the tracking processing result of the kth observation is adapted to the target motion class. It is certain.

なお、上述した構成等については、例えば、非特許文献２、非特許文献３等に関連する技術が開示されている。
吉田孝監修「改訂レーダ技術」電子情報通信学会、平成８年１０月１日、Ｐ．２６４−２６７Ｄ．ＡｎｇｅｌｏｖａａｎｄＬ．Ｍｉｈａｙｌｏｖａ，“ＳｅｑｕｅｎｔｉａｌＭｏｎｔｅＣａｒｌｏＡｌｇｏｒｉｔｈｍｓｆｏｒＪｏｉｎｔＴａｒｇｅｔＴｒａｃｋｉｎｇａｎｄＣｌａｓｓｉｆｉｃａｔｉｏｎＵｓｉｎｇＫｉｎｅｍａｔｉｃＲａｄａｒＩｎｆｏｒｍａｔｉｏｎ” Ｐｒｏｃ．ｏｆｔｈｅ７ｔｈＩｎｔｌ．Ｃｏｎｆ．ｏｎＩｎｆｏｒｍａｔｉｏｎＦｕｓｉｏｎ、Ｓｔｏｃｋｈｏｌｍ、Ｓｗｅｄｅｎ、２００４Ｓ．ＣｈａｌｌａａｎｄＧ．Ｗ．Ｐｕｌｆｏｒｄ，“ＪｏｉｎｔＴａｒｇｅｔＴｒａｃｋｉｎｇａｎｄＣｌａｓｓｉｆｉｃａｔｉｏｎＵｓｉｎｇＲａｄａｒａｎｄＥＳＭＳｅｎｓｏｒｓ” ＩＥＥＥＴｒａｎｓ．ＡＥＳ，ｖｏｌ３７，ｎｏ．３，Ｊｕｌｙ２００１ In addition, about the structure mentioned above, the technique relevant to the nonpatent literature 2, the nonpatent literature 3, etc. is disclosed, for example.
“Revised radar technology” supervised by Takashi Yoshida, IEICE, October 1, 1996, p. 264-267 D. Angelova and L.L. Mihaylova, “Sequential Monte Carlo Algorithms for Joint Target Tracking and Classifying Usage Kinetic Radar Information” Proc. of the 7th Intl. Conf. on Information Fusion, Stockholm, Sweden, 2004 S. Challa and G.C. W. Pulford, “Joint Target Tracking and Classification Using Radar and ESM Sensors” IEEE Trans. AES, vol 37, no. 3, July 2001

ところで、レーダシステム等から追尾処理装置５、または運動クラス類別装置６に送られてくる観測ベクトルには、観測中のノイズ等を含む種々の要因により、観測誤差が含まれる。このため、目標追尾部６１内のそれぞれのクラスフィルタで式（２）を用いて算出されるクラス尤度Ｌ（ｃ、ｋ）も、それぞれにこれら観測誤差の影響を受け、後段での運動クラス類別時の誤差要因となる。さらに、観測誤差の影響を受けたクラス尤度Ｌ（ｃ、ｋ）が目標類別部６２に入力されると、目標類別部６２では式（３）のように再帰的な処理によりクラス確率が算出されるために前段からの観測誤差が累積され、クラス確率の算出結果に正確さを欠くという課題があった。 By the way, the observation vector transmitted from the radar system or the like to the tracking processing device 5 or the motion class classification device 6 includes an observation error due to various factors including noise during observation. For this reason, the class likelihood L (c, k) calculated by using each class filter in the target tracking unit 61 using the expression (2) is also affected by these observation errors, and the motion class in the subsequent stage It becomes an error factor at the time of classification. Further, when the class likelihood L (c, k) affected by the observation error is input to the target classification unit 62, the target classification unit 62 calculates the class probability by recursive processing as shown in Equation (3). As a result, the observation error from the previous stage is accumulated, and the calculation result of the class probability is inaccurate.

本発明は上述の事情を考慮してなされたものであり、運動クラスの異なる複数の追尾フィルタのフィルタ処理結果に含まれる観測誤差の影響を低減して、目標の運動クラスに関する類別情報の確度を向上させた運動クラス類別装置、及びこの類別情報を用いて目標の追尾情報の確度を向上させた追尾処理装置を提供することを目的とする。 The present invention has been made in consideration of the above-described circumstances, and reduces the influence of observation errors included in the filter processing results of a plurality of tracking filters having different motion classes, thereby improving the accuracy of classification information regarding a target motion class. It is an object of the present invention to provide an improved exercise class classification device and a tracking processing device that improves the accuracy of target tracking information using this classification information.

上記目的を達成するために、本発明の運動クラス類別装置は、複数の運動モデルを有する追尾フィルタに対してこれら運動モデルのパラメータ設定範囲の異なるサブセットをそれぞれ異なる運動クラスに対応させ、これら異なる運動クラス毎に設けられた複数の追尾フィルタにより算出されるそれぞれの運動クラスに対する尤度に基づき目標の運動クラスを類別する運動クラス類別装置において、前記運動クラスに対応させて設けられ、それぞれに目標の観測値に対するフィルタ処理を行なって運動クラスに対する尤度及び平滑ベクトルを含む追尾情報を出力する複数の追尾フィルタと、これら追尾フィルタからの前記各運動クラスに対する尤度を観測時刻に沿って時系列に記憶する尤度記憶部と、この尤度記憶部に記憶された時系列の前記各運動クラスに対する尤度に基づき最新の観測時刻における前記各運動クラスに対する尤度を分析し分析尤度として出力する尤度分析部と、この尤度分析部からの分析尤度に基づき前記目標の運動が前記運動クラスのそれぞれに合致するクラス確率を前記各運動クラス毎に算出するとともに、これらクラス確率に基づき前記目標の運動クラスを類別する目標類別部とを有することを特徴とする。 In order to achieve the above object, the motion class classification apparatus of the present invention associates different subsets of the parameter setting ranges of these motion models with different motion classes with respect to a tracking filter having a plurality of motion models. In an exercise class classification device that classifies a target exercise class based on the likelihood for each exercise class calculated by a plurality of tracking filters provided for each class, the device is provided corresponding to the exercise class, A plurality of tracking filters that filter the observation values and output tracking information including likelihood and smooth vectors for the motion class, and the likelihood for each motion class from these tracking filters in time series along the observation time A likelihood storage unit for storing, and the time series stored in the likelihood storage unit A likelihood analysis unit that analyzes the likelihood for each exercise class at the latest observation time based on the likelihood for the exercise class and outputs it as an analysis likelihood, and the target exercise based on the analysis likelihood from the likelihood analysis unit Has a class probability that matches each of the exercise classes for each of the exercise classes, and a target classification unit that classifies the target exercise class based on these class probabilities.

また、本発明の追尾処理装置は、上記の運動クラス類別装置に加え、前記複数の追尾フィルタからの平滑ベクトルのそれぞれを前記目標類別部で算出された対応するクラス確率により重み付け加算し、統合平滑ベクトルとして出力する追尾情報統合部を備えたことを特徴とする。 In addition to the motion class classification device described above, the tracking processing device of the present invention weights and adds each of the smooth vectors from the plurality of tracking filters according to the corresponding class probability calculated by the target classification unit. A tracking information integration unit that outputs a vector is provided.

本発明によれば、運動クラスの異なる複数の追尾フィルタのフィルタ処理結果に含まれる観測誤差の影響を低減することができ、目標の運動クラスに関する類別情報の確度を向上させた運動クラス類別装置、及びこの類別情報を用いて目標の追尾情報の確度を向上させた追尾処理装置を得ることができる。 According to the present invention, it is possible to reduce the influence of observation errors included in the filter processing results of a plurality of tracking filters having different exercise classes, and to improve the accuracy of the category information related to the target exercise class, And the tracking processing apparatus which improved the accuracy of target tracking information using this classification information can be obtained.

以下に、本発明に係る運動クラス類別装置及び追尾処理装置を実施するための最良の形態について、図１乃至図８を参照して説明する。なお、図９に例示した従来の運動クラス類別装置６及び追尾処理装置５と同一の構成には同一符号を付して詳細な説明は省略する。 Hereinafter, the best mode for carrying out an exercise class classification apparatus and a tracking processing apparatus according to the present invention will be described with reference to FIGS. In addition, the same code | symbol is attached | subjected to the structure same as the conventional exercise class classification apparatus 6 and the tracking processing apparatus 5 which were illustrated in FIG. 9, and detailed description is abbreviate | omitted.

図１は、本発明に係る運動クラス類別装置、及びこの運動クラス類別装置を備えた本発明に係る追尾処理装置の第１の実施例の構成を示すブロック図である。まず、運動クラス類別装置について説明する。 FIG. 1 is a block diagram showing a configuration of a first embodiment of an exercise class classification apparatus according to the present invention and a tracking processing apparatus according to the present invention equipped with the exercise class classification apparatus. First, the exercise class classification device will be described.

この図１に例示した運動クラス類別装置２は、目標追尾部６１、尤度記憶部２１、尤度分析部２２、及び目標類別部６２から構成されている。目標追尾部６１は、図９に例示した目標追尾部６１と同一に構成されており、異なる運動クラスに対応づけて設けられた追尾フィルタとしての複数Ｓ個のクラスフィルタ６１１〜６１Ｓを備えている。これらＳ個の各クラスフィルタはそれぞれ次のように構成されている。すなわち、クラスｃ（１≦ｃ≦Ｓ）のクラスフィルタは、ｒ（ｃ）個のモードに対応する運動モデルを有し、これら運動モデル毎に対応する運動パラメータｕ（ｃ、ｍ）（ただし、ｍは１〜ｒ（ｃ））が設定されている。そして、これら運動パラメータを含むフィルタパラメータの設定によりそれぞれのクラスフィルタが１つの運動クラスに対応づけられるように構成されている。 The exercise class classification apparatus 2 illustrated in FIG. 1 includes a target tracking unit 61, a likelihood storage unit 21, a likelihood analysis unit 22, and a target classification unit 62. The target tracking unit 61 is configured in the same way as the target tracking unit 61 illustrated in FIG. 9, and includes a plurality of S class filters 611 to 61S as tracking filters provided in association with different exercise classes. . Each of these S class filters is configured as follows. That is, a class filter of class c (1 ≦ c ≦ S) has motion models corresponding to r (c) modes, and motion parameters u (c, m) (where, m is set to 1 to r (c)). Each class filter is configured to be associated with one exercise class by setting filter parameters including these exercise parameters.

また、これらクラスフィルタには、そのフィルタ処理アルゴリズムとして、例えばＩＭＭ（ＩｎｔｅｒａｃｔｉｎｇＭｕｌｔｉｐｌｅＭｏｄｅｌ）フィルタ等が用いられ、レーダシステム等（図示せず）からの観測ｋ回目の観測ベクトルＹ（ｋ）を入力してフィルタ処理を行ない、それぞれに観測ｋ回目のクラス平滑ベクトルＸ（ｃ、ｋ｜ｋ）、及びクラス尤度Ｌ（ｃ、ｋ）（ただし、１≦ｃ≦Ｓ）を算出し、これらを追尾情報として出力する。ここで算出されたクラス尤度Ｌ（ｃ、ｋ）は、観測ベクトルＹ（ｋ）がそれぞれのクラスフィルタに運動モデルのパラメータ値として設定された運動クラスに適合するとされる尤度である。 Also, for these class filters, for example, an IMM (Interacting Multiple Model) filter or the like is used as a filter processing algorithm, and an observation vector Y (k) for the k-th observation from a radar system or the like (not shown) is input. Filtering is performed, and the k-th observed class smooth vector X (c, k | k) and class likelihood L (c, k) (where 1 ≦ c ≦ S) are calculated and tracked. Output as information. The class likelihood L (c, k) calculated here is the likelihood that the observed vector Y (k) is adapted to the motion class set as the parameter value of the motion model in each class filter.

尤度記憶部２１は、目標追尾部６１内の各クラスフィルタ６１１〜６１Ｓからのクラス尤度Ｌ（ｃ、ｋ）を、観測時刻に沿って観測回数順に時系列に記憶する。本実施例においては、尤度記憶部２１は、最新の観測であるｋ回目から遡ってあらかじめ設定された所定の回数ｎ回分の観測に対するクラス尤度を時系列に記憶するものとしている。 The likelihood storage unit 21 stores the class likelihood L (c, k) from each of the class filters 611 to 61S in the target tracking unit 61 in time series in order of the number of observations along the observation time. In the present embodiment, the likelihood storage unit 21 is configured to store, in a time series, class likelihoods for a predetermined number of observations n times set in advance from the k-th observation that is the latest observation.

尤度分析部２２は、尤度記憶部２１に記憶された時系列のクラス尤度に基づき最新の観測ｋ回目におけるクラス尤度Ｌ（ｃ、ｋ）を分析し、その結果を最新の観測ｋ回目における分析尤度Ｌ２（ｃ、ｋ）として出力する。本実施例においては、分析尤度Ｌ２（ｃ、ｋ）を得るにあたって、尤度記憶部２１の記憶内容を参照し、いずれかのクラスフィルタからのクラス尤度が所定の回数ｍ回、連続してあらかじめ設定されたしきい値Ｌ_ＴＨ（ｃ）を超えた場合には、各クラスフィルタからのクラス尤度Ｌ（ｃ、ｋ）をそのまま分析尤度Ｌ２（ｃ、ｋ）として出力し、それ以外の場合には、あらかじめ設定された固定値を分析尤度Ｌ２（ｃ、ｋ）として出力するように構成されているものとしている。 The likelihood analysis unit 22 analyzes the class likelihood L (c, k) at the latest observation k-th based on the time-series class likelihood stored in the likelihood storage unit 21, and the result is the latest observation k. Output as the analysis likelihood L2 (c, k) in the second time. In the present embodiment, when obtaining the analysis likelihood L2 (c, k), the stored contents of the likelihood storage unit 21 are referred to, and the class likelihood from any of the class filters is continued a predetermined number of times m times. If the predetermined threshold value L _TH (c) is exceeded, the class likelihood L (c, k) from each class filter is directly output as the analysis likelihood L2 (c, k). In other cases, a fixed value set in advance is output as the analysis likelihood L2 (c, k).

目標類別部６２は、図９に例示した目標類別部６２と同一に構成されており、尤度分析部２２で分析後の分析尤度Ｌ２（ｃ、ｋ）に基づき、それぞれの運動クラスに対応した観測ｋ回目のクラス確率Ｐ（ｃ、ｋ）、及び観測ｋ回目における目標の運動クラスの類別結果を算出し出力する。 The target classification unit 62 is configured in the same manner as the target classification unit 62 illustrated in FIG. 9, and corresponds to each exercise class based on the analysis likelihood L2 (c, k) analyzed by the likelihood analysis unit 22. The class probability P (c, k) of the kth observation and the classification result of the target motion class at the kth observation are calculated and output.

次に、追尾処理装置について説明する。この図１に例示した追尾処理装置１は、上述の運動クラス類別装置２、及び追尾情報統合部７０から構成されている。運動クラス類別装置２は、上述したように、運動クラスの異なる追尾フィルタである複数のクラスフィルタを備え、観測ベクトルをフィルタ処理してクラス平滑ベクトルを得るとともに、目標のクラス確率を算出してその運動クラスを類別する。追尾情報統合部７０は、図９に例示した追尾情報統合部７０と同一に構成されており、運動クラス類別装置２から出力される観測ｋ回目のクラス平滑ベクトルＸ（ｃ、ｋ｜ｋ）を、観測ｋ回目のクラス確率Ｐ（ｃ、ｋ）により重み付け加算して統合し、統合平滑ベクトルＸ（ｋ｜ｋ）として出力する。 Next, the tracking processing device will be described. The tracking processing device 1 illustrated in FIG. 1 includes the above-described exercise class classification device 2 and a tracking information integration unit 70. As described above, the motion class classification device 2 includes a plurality of class filters that are tracking filters having different motion classes, obtains a class smooth vector by filtering an observation vector, calculates a target class probability, Classify exercise classes. The tracking information integration unit 70 is configured in the same way as the tracking information integration unit 70 illustrated in FIG. 9, and the observation k-th class smoothed vector X (c, k | k) output from the motion class classification device 2 is obtained. , The weighted addition is performed by the class probability P (c, k) of the kth observation, and the result is integrated and output as an integrated smoothed vector X (k | k).

次に、前出の図１、ならびに図２のフローチャート及び図３乃至図５の説明図を参照して、上述のように構成された本実施例の運動クラス類別装置を含む追尾処理装置の動作について説明する。なお、以下の説明においては、運動クラス類別装置２の目標追尾部６１内のクラスフィルタは、クラスフィルタ６１１、及びクラスフィルタ６１２の２個として、いずれもＩＭＭ（ＩｎｔｅｒａｃｔｉｎｇＭｕｌｔｉｐｌｅＭｏｄｅｌ）フィルタ処理アルゴリズムを備え、それぞれのクラスフィルタのフィルタパラメータには前出の図９で説明した運動パラメータが設定されているものとしている。すなわち、クラスフィルタ６１１は、運動クラスとして目標の低機動運動に適合したクラスフィルタ、またクラスフィルタ６１２は、運動クラスとして高機動運動に適合したクラスフィルタとしてそれぞれ構成されているものとして説明する。 Next, referring to the flowcharts of FIG. 1 and FIG. 2 and the explanatory diagrams of FIGS. 3 to 5, the operation of the tracking processing apparatus including the exercise class classification apparatus of the present embodiment configured as described above. Will be described. In the following description, the class filters in the target tracking unit 61 of the exercise class classification apparatus 2 are provided with an IMM (Interacting Multiple Model) filter processing algorithm as a class filter 611 and a class filter 612, respectively. It is assumed that the motion parameters described with reference to FIG. 9 are set in the filter parameters of each class filter. In other words, the class filter 611 is configured as a class filter adapted to a target low mobility exercise as an exercise class, and the class filter 612 is configured as a class filter adapted to a high mobility exercise as an exercise class.

図２は、図１に例示した本発明に係る運動クラス類別装置２を含む追尾処理装置１の第１の実施例の動作を説明するためのフローチャートである。まず、観測ｋ回目における観測ベクトルＹ（ｋ）が入力されると、この観測ベクトルＹ（ｋ）は、目標追尾部６１に送られる（ＳＴ２０１）。目標追尾部６１では、内部の２つのクラスフィルタ６１１及び６１２において、それぞれに観測ｋ回目のクラス平滑ベクトルＸ（ｃ、ｋ｜ｋ）が算出される。クラス平滑ベクトルは式（１）により算出され、低機動運動クラスのクラスフィルタ６１１からはクラス平滑ベクトルＸ（１、ｋ｜ｋ）が、また、高機動運動クラスのクラスフィルタ６１２からはクラス平滑ベクトルＸ（２、ｋ｜ｋ）がそれぞれに算出されて、追尾情報統合部７０に送出される（ＳＴ２０２）。あわせて、クラスフィルタ６１１及び６１２において、クラス尤度Ｌ（ｃ、ｋ）も算出される。クラス尤度は式（２）により算出され、クラスフィルタ６１１からは低機動運動クラスに対するクラス尤度Ｌ（１、ｋ）が、またクラスフィルタ６１２からは高機動運動クラスに対するクラス尤度Ｌ（２、ｋ）がそれぞれに算出され、尤度記憶部２１及び尤度分析２２に送出される（ＳＴ２０３）。 FIG. 2 is a flowchart for explaining the operation of the first embodiment of the tracking processing apparatus 1 including the exercise class classification apparatus 2 according to the present invention illustrated in FIG. First, when the observation vector Y (k) at the k-th observation is input, this observation vector Y (k) is sent to the target tracking unit 61 (ST201). In the target tracking unit 61, the two class filters 611 and 612 inside each calculate the k-th observed class smooth vector X (c, k | k). The class smooth vector is calculated by the equation (1), the class smooth vector X (1, k | k) is obtained from the class filter 611 of the low mobility class, and the class smooth vector is derived from the class filter 612 of the high mobility class. X (2, k | k) is calculated for each and sent to the tracking information integration unit 70 (ST202). In addition, class likelihoods L (c, k) are also calculated in class filters 611 and 612. The class likelihood is calculated by the equation (2). The class likelihood L (1, k) for the low mobility class is obtained from the class filter 611, and the class likelihood L (2 for the high mobility class is obtained from the class filter 612. , K) are respectively calculated and sent to the likelihood storage unit 21 and the likelihood analysis 22 (ST203).

尤度記憶部２１には、クラスフィルタ６１１及び６１２から送られてきた、直前の観測である（ｋ−１）回目までのクラス尤度が観測回数ｎ回分、時系列に記憶されており、これにそれぞれのクラスフィルタから観測ｋ回目のクラス尤度Ｌ（ｃ、ｋ）が新たに送られてくると、その記憶内容は更新される。すなわち、その内容は、｛Ｌ（ｃ、ｋ−ｎ）、Ｌ（ｃ、ｋ−ｎ＋１）、・・・・、Ｌ（ｃ、ｋ−１）、Ｌ（ｃ、ｋ）｝と表記されるものとなる。なお、ｃ＝１はクラスフィルタ６１１からの低機動運動クラスに対するクラス尤度、ｃ＝２はクラスフィルタ６１２からの高機動運動クラスに対するクラス尤度である（ＳＴ２０４）。 In the likelihood storage unit 21, class likelihoods sent from the class filters 611 and 612 up to the (k−1) th previous observation are stored in time series for n observations. When the class likelihood L (c, k) for the k-th observation is newly sent from each class filter, the stored contents are updated. That is, the contents are expressed as {L (c, k−n), L (c, k−n + 1),..., L (c, k−1), L (c, k)}. It will be a thing. Note that c = 1 is the class likelihood for the low mobility class from the class filter 611, and c = 2 is the class likelihood for the high mobility class from the class filter 612 (ST204).

尤度分析部２２は、これら尤度記憶部２１に時系列に記憶された各クラスフィルタからのクラス尤度に基づき最新の観測ｋ回目におけるＬ（ｃ、ｋ）を分析し、その結果を分析尤度Ｌ２（ｃ、ｋ）として出力する。ここで、ある種の機動運動を行なっている目標を観測した場合、この機動運動に適合した運動クラスのクラス尤度が時間的に連続して高くなる可能性が高く、単発的な観測誤差等による場合は、このような可能性は低くなると考えられる。従って、尤度記憶部２１の記憶内容を参照し、複数の運動クラスの中の少なくとも１つの運動クラスに対するクラス尤度が直前のｍ回連続してあらかじめ設定されたしきい値Ｌ_ＴＨ（ｃ）を超えた場合、目標の機動運動が観測されたものとして、各クラスフィルタからのクラス尤度Ｌ（ｃ、ｋ）をそのまま分析尤度Ｌ２（ｃ、ｋ）として出力する。一方、上記以外の場合には、目標の機動運動は観測されなかったものとして、あらかじめ設定された固定値を分析尤度Ｌ２（ｃ、ｋ）として出力する。 The likelihood analysis unit 22 analyzes L (c, k) at the latest observation k-th time based on the class likelihood from each class filter stored in time series in the likelihood storage unit 21 and analyzes the result. Output as likelihood L2 (c, k). Here, when a target performing a certain type of maneuvering movement is observed, the class likelihood of the movement class suitable for this maneuvering movement is likely to increase continuously in time, such as a single observation error. If this is the case, this possibility is considered to be low. Therefore, with reference to the stored contents of the likelihood storage unit 21, the threshold L _TH (c) in which the class likelihood for at least one exercise class among the plurality of exercise classes is set in advance m times immediately before is set. Is exceeded, the class likelihood L (c, k) from each class filter is output as it is as the analysis likelihood L2 (c, k), assuming that the target mobile motion is observed. On the other hand, in cases other than the above, it is assumed that the target mobile motion has not been observed, and a preset fixed value is output as the analysis likelihood L2 (c, k).

この分析時の、クラス尤度Ｌ（ｃ、ｋ）、分析尤度Ｌ２（ｃ、ｋ）及び尤度記憶部２１の記憶内容の関係をモデル化して図３に例示する。この事例では、尤度記憶部２１の記憶内容として、最新の観測であるｋ回目の値を含め、時系列に７回分の値を例示している。また、簡単のため連続回数ｍを２回、しきい値Ｌ_ＴＨ（ｃ）をいずれも０．６７、あらかじめ設定された分析尤度の固定値を０．５とした場合を示している。最新の観測であるｋ回目においては、クラスフィルタ６１１からのクラス尤度Ｌ（１、ｋ）は、直前のｋ−１回目のクラス尤度Ｌ（１、ｋ−１）とともに２回連続してしきい値を超えている。クラスフィルタ６１２からのクラス尤度Ｌ（２、ｋ）は、しきい値を超えて居らず、その直前のＬ（２、ｋ−１）もしきい値を超えていない。従って、ｋ回目の観測においては、クラスフィルタ６１１からのクラス尤度が２回連続してしきい値を超えているので（ＳＴ２０５のＹ）、分析尤度Ｌ２としては、それぞれのクラスフィルタからの観測ｋ回目のクラス尤度［Ｌ（１、ｋ）、Ｌ（２、ｋ）］が出力されることになる。また、直前のｋ−１回目の観測においても、同様にそのときのそれぞれのクラスフィルタからのクラス尤度［Ｌ（１、ｋ−１）Ｌ（２、ｋ−１）］が出力される（ＳＴ２０６）。 The relationship between the class likelihood L (c, k), the analysis likelihood L2 (c, k), and the stored contents of the likelihood storage unit 21 at the time of this analysis is modeled and illustrated in FIG. In this example, as the stored contents of the likelihood storage unit 21, the values for the seventh time are illustrated in a time series including the k-th value that is the latest observation. Further, for simplicity, the case is shown in which the number of consecutive times m is 2, the threshold value L _TH (c) is 0.67, and the preset analysis likelihood fixed value is 0.5. In the k-th observation, which is the latest observation, the class likelihood L (1, k) from the class filter 611 is continuously twice with the previous k-1th class likelihood L (1, k-1). The threshold is exceeded. The class likelihood L (2, k) from the class filter 612 does not exceed the threshold, and L (2, k−1) immediately before it does not exceed the threshold. Accordingly, in the k-th observation, the class likelihood from the class filter 611 exceeds the threshold value twice in succession (Y in ST205), so the analysis likelihood L2 is as follows from each class filter. The class likelihood [L (1, k), L (2, k)] for the k-th observation is output. Similarly, the class likelihood [L (1, k−1) L (2, k−1)] from each class filter at that time is also output in the previous (k−1) th observation ( ST206).

一方、例えば、ｋ−２回目の観測においては、クラスフィルタ６１１からのクラス尤度Ｌ（１、ｋ−２）はしきい値を超えているが、その直前のクラス尤度Ｌ（１、ｋ−３）はしきい値を超えていない。また、クラスフィルタ６１２からのクラス尤度Ｌ（２、ｋ−２）は、しきい値を超えて居らず、その直前のＬ（２、ｋ−３）もしきい値を超えていない。従って、いずれのクラスフィルタからのクラス尤度とも、２回連続してしきい値を超えていないので（ＳＴ２０５のＮ）、この時の分析尤度Ｌ２（ｃ、ｋ−２）としては、あらかじめ設定された値として、［０．５、０．５］が出力される（ＳＴ２０７）。そして、これらの分析尤度Ｌ２は、目標類別部６２に送出される。 On the other hand, for example, in the k-2th observation, the class likelihood L (1, k-2) from the class filter 611 exceeds the threshold value, but the class likelihood L (1, k-2) immediately before that is exceeded. -3) does not exceed the threshold value. Further, the class likelihood L (2, k−2) from the class filter 612 does not exceed the threshold value, and L (2, k−3) immediately before it does not exceed the threshold value. Accordingly, since the class likelihood from any class filter does not exceed the threshold value twice in succession (N in ST205), the analysis likelihood L2 (c, k-2) at this time is determined in advance. [0.5, 0.5] is output as the set value (ST207). These analysis likelihoods L2 are sent to the target classification unit 62.

目標類別部６２では、これら尤度分析部２２からの分析尤度Ｌ２（ｃ、ｋ）に基づいて、クラス確率Ｐ（ｃ、ｋ）が算出される。本実施例においては、低機動運動クラスのクラス確率Ｐ（１、ｋ）、及び高機動運動クラスのクラス確率Ｐ（２、ｋ）が、それぞれ式（３）に基づき次式により算出される。

The target classification unit 62 calculates a class probability P (c, k) based on the analysis likelihood L2 (c, k) from the likelihood analysis unit 22. In the present embodiment, the class probability P (1, k) of the low mobility class and the class probability P (2, k) of the high mobility class are calculated by the following formulas based on the formula (3), respectively.

このようにして算出されたクラス確率のシミュレーション結果の一例を図４及び図５に例示する。これらは、いずれも尤度分析部２２でのしきい値Ｌ_ＴＨ（ｃ）を０．６７、連続回数ｍを２回とした場合の高機動運動クラスのクラス確率Ｐ（２、ｋ）を示しており、図４は目標が機動運動を行なっていない場合、図５は、目標が機動運動として２０秒毎に３秒間、１Ｇおきに１Ｇから５Ｇまでの加速度運動を行なった場合を、それぞれ従来例とともに描いたものである。図４においては、目標が機動運動を行なっていないにもかかわらず、従来例の場合にはクラス確率が上昇しているのに対し、本実施例の場合にはこれが改善され、あまり上昇していない。また図５においては、従来例の場合には目標が高機動運動クラスに達しない２Ｇ加速（４０秒）前に、すでにこのクラス確率が０．９を超えている。これに対し、本実施例の場合には、２Ｇ加速（４０秒）前にはあまり上昇せず、その後に大幅に上昇しており、目標の運動クラス（この場合は高機動運動クラス）と良好に対応したものとなっている（ＳＴ２０８）。 An example of the simulation result of the class probability calculated in this way is illustrated in FIGS. These indicate the class probabilities P (2, k) of the high mobility class when the threshold value L _TH (c) in the likelihood analysis unit 22 is 0.67 and the number of consecutive times m is 2. FIG. 4 shows a case where the target is not performing a maneuvering motion, and FIG. 5 is a case where the target performs a maneuvering motion for every 3 seconds every 20 seconds for an acceleration motion from 1G to 5G every other 1G. It is drawn with an example. In FIG. 4, the class probability is increased in the case of the conventional example even though the target is not performing the maneuvering movement, whereas this is improved in the case of the present embodiment, and is increased so much. Absent. In FIG. 5, in the case of the conventional example, this class probability has already exceeded 0.9 before 2G acceleration (40 seconds) when the target does not reach the high mobility class. On the other hand, in the case of the present embodiment, it did not increase so much before 2G acceleration (40 seconds), but increased significantly after that, and it was good with the target exercise class (in this case, high mobility exercise class). (ST208).

このように、式（５）及び式（６）により算出されたクラス確率Ｐ（１、ｋ）、及びＰ（２、ｋ）は、観測ベクトルがそれぞれ低機動運動クラス、及び高機動運動クラスに適合する確率に相当する。目標類別部６２では、さらにこれら算出されたクラス確率を用いて、観測ベクトルを最も適合する運動クラスに対応づける、運動クラスの類別が行なわれる。類別にあたっては、例えば、それぞれの運動クラスに対応させて、あらかじめクラス確率に対するしきい値Ｐ_ＴＨ（ｃ）を設定しておき、このしきい値を超えた場合に該当する運動クラスに類別するといった手法等が適用できる。この手法を本実施例に適用すると、低機動運動クラスのクラス確率Ｐ（１、ｋ）がしきい値Ｐ_ＴＨ（１）を超えた場合には低機動運動クラスとして、一方、高機動運動クラスのクラス確率Ｐ（２、ｋ）がしきい値Ｐ_ＴＨ（２）を超えた場合には高機動運動クラスとしてそれぞれ類別される。そして、この運動クラス類別結果は、クラス確率とともに目標の運動クラスに関する類別情報として運動クラス類別装置２から後段の機器等（図示せず）に向け出力されるとともに、クラス確率は追尾情報統合部７０に送出される（ＳＴ２０９）。 As described above, the class probabilities P (1, k) and P (2, k) calculated by the equations (5) and (6) indicate that the observed vectors are the low mobility class and the high mobility class, respectively. Corresponds to the probability of matching. The target classifying unit 62 further classifies the motion class by associating the observed vector with the most suitable motion class using the calculated class probabilities. In the classification, for example, a threshold value P _TH (c) for the class probability is set in advance corresponding to each exercise class, and when the threshold value is exceeded, the exercise class is classified. Techniques can be applied. When this method is applied to the present embodiment, when the class probability P (1, k) of the low mobility class exceeds the threshold value P _TH (1), the class is determined as the low mobility class, while the high mobility class. When the class probability P (2, k) exceeds the threshold value P _TH (2), it is classified as a high mobility class. Then, the exercise class classification result is output from the exercise class classification apparatus 2 to a subsequent device or the like (not shown) as classification information related to the target exercise class together with the class probability, and the class probability is tracked information integration unit 70. (ST209).

目標情報統合部７０では、運動クラスの異なる２つのクラスフィルタ６１１及び６１２からのクラス平滑ベクトルＸ（１、ｋ｜ｋ）、及びＸ（２、ｋ｜ｋ）が、目標類別部６２にて算出されたそれぞれのクラス確率Ｐ（１、ｋ）、及びＰ（２、ｋ）に基づき重み付けされて統合され、統合平滑ベクトルＸ（ｋ｜ｋ）が算出される。本実施例においては、統合平滑ベクトルは、式（４）に基づき次式により算出される。

In the target information integration unit 70, class smoothing vectors X (1, k | k) and X (2, k | k) from the two

class filters

611 and 612 having different exercise classes are calculated by the target classification unit 62. Weighted integration is performed based on the respective class probabilities P (1, k) and P (2, k), and an integrated smooth vector X (k | k) is calculated. In this embodiment, the integrated smooth vector is calculated by the following equation based on the equation (4).

３次元空間の追尾を行なう場合、目標追尾部６１からのクラス平滑ベクトルは、例えば、ｘ、ｙ、及びｚの３軸それぞれについての平滑位置及び平滑速度を含んでおり、目標情報統合部７０で統合後の統合平滑ベクトルＸ（ｋ｜ｋ）も同様に、ｘ、ｙ、及びｚの３軸それぞれについて、統合された平滑位置及び平滑速度を含んでいる。すなわち、この場合には、［ｐｘ（ｋ｜ｋ）、ｐｙ（ｋ｜ｋ）、ｐｚ（ｋ｜ｋ）、ｖｘ（ｋ｜ｋ）、ｖｙ（ｋ｜ｋ）、ｖｚ（ｋ｜ｋ）］と表記される。ただし、ｐｘ（ｋ｜ｋ）、ｐｙ（ｋ｜ｋ）、ｐｚ（ｋ｜ｋ）は、それぞれｘ軸、ｙ軸、ｚ軸の統合平滑位置、ｖｘ（ｋ｜ｋ）、ｖｙ（ｋ｜ｋ）、ｖｚ（ｋ｜ｋ）は、それぞれｘ軸、ｙ軸、ｚ軸の統合平滑速度を示す（ＳＴ２１０）。そして、この後は、動作の終了が指示されるまで、上記したＳＴ２０１からの動作ステップが繰り返される（ＳＴ２１１）。 When tracking in a three-dimensional space, the class smooth vector from the target tracking unit 61 includes, for example, the smooth position and smoothing speed for each of the three axes x, y, and z. Similarly, the integrated smooth vector X (k | k) after integration includes the integrated smooth position and smooth speed for each of the three axes x, y, and z. That is, in this case, [px (k | k), py (k | k), pz (k | k), vx (k | k), vy (k | k), vz (k | k)] It is written. However, px (k | k), py (k | k), and pz (k | k) are the integrated smooth positions of x-axis, y-axis, and z-axis, respectively, vx (k | k), vy (k | k) ), Vz (k | k) indicate the integrated smoothing speeds of the x-axis, y-axis, and z-axis, respectively (ST210). Thereafter, the operation steps from ST201 described above are repeated until an instruction to end the operation is given (ST211).

以上説明したように、本実施例の運動クラス類別装置においては、異なる運動クラス毎に設けられた複数のクラスフィルタにより観測ベクトルをフィルタ処理したクラス尤度を時系列に記憶しておき、最新の観測におけるクラス尤度を分析して分析尤度を導出する際は、この時系列の記憶内容を参照していずれかのクラス尤度が時間的に連続して所定のしきい値を超えた場合には各クラスフィルタで算出したクラス尤度を、またそれ以外の場合には所定の固定値を採用し出力している。これにより、時間的に連続しないような観測誤差等がクラス尤度に与える影響を低減することができるとともに、さらにその後段でのクラス確率算出時における誤差の累積が起こりにくくなってクラス確率の精度が向上するので、目標の運動クラスの類別結果をより確かなものにすることができる。 As described above, in the exercise class classification apparatus of the present embodiment, class likelihoods obtained by filtering observation vectors by a plurality of class filters provided for different exercise classes are stored in time series, and the latest When deriving analytical likelihood by analyzing class likelihood in observation, if any class likelihood exceeds a predetermined threshold in time sequence with reference to the stored contents of this time series The class likelihood calculated by each class filter is used, and in other cases, a predetermined fixed value is adopted and output. This makes it possible to reduce the effect of observation errors that are not continuous in time on the class likelihood, and it is more difficult to accumulate errors when class probabilities are calculated in the subsequent stage. As a result, the categorization result of the target exercise class can be made more reliable.

また、本実施例の追尾処理装置においては、このような運動クラス類別装置からの良好な精度のクラス確率を用いて各クラスフィルタからのクラス平滑ベクトルを統合し、目標の追尾情報としての統合平滑ベクトルを得ているので、その確度を向上させることができる。 Further, in the tracking processing apparatus of the present embodiment, the class smooth vectors from the respective class filters are integrated using the class probability with good accuracy from such a motion class classification apparatus, and integrated smoothing as target tracking information is performed. Since the vector is obtained, the accuracy can be improved.

図６は、本発明に係る運動クラス類別装置、及びこの運動クラス類別装置を備えた本発明に係る追尾処理装置の第２の実施例の構成を示すブロック図である。また、図８は、その動作を説明するためのフローチャートである。この第２の実施例について、図１乃至図３に示す第１の実施例の各部と同一の部分は同一の符号で示し、その説明は省略または簡略化する。この第２の実施例が第１の実施例と異なる点は、尤度分析部２２において尤度記憶部２１に記憶された時系列のクラス尤度に基づき分析尤度を得る際に、第１の実施例においてはいずれかの時系列のクラス尤度が時間的に連続して所定のしきい値を超えたか否かの判定結果により分析尤度を導出したのに対し、第２の実施例においては、あらかじめ目標の複数の運動パターンに関係づけされたクラス尤度の時系列パターンとその各パターン毎に所定の分析尤度を対応づけて登録したデータベースを設け、このデータベース中から、尤度記憶部２１の記憶内容に最も適合するクラス尤度の時系列パターンを検索することにより分析尤度を導出するようにした点である。また、あわせて目標の機動運動の有無を判定して目標類別部６２に通知するとともに、目標類別部６２ではこの通知に基づき機動運動なしの場合には、目標の類別情報としてのクラス確率の更新をしないように制御し、更新した場合には更新回数を計数するようにした点である。以下、前出の図１乃至図３、ならびに図６乃至図８を参照して、その相違点のみを説明する。 FIG. 6 is a block diagram showing the configuration of the second embodiment of the exercise class categorizing apparatus according to the present invention and the tracking processing apparatus according to the present invention equipped with this exercise class categorizing apparatus. FIG. 8 is a flowchart for explaining the operation. In the second embodiment, the same parts as those in the first embodiment shown in FIGS. 1 to 3 are denoted by the same reference numerals, and the description thereof is omitted or simplified. The difference between the second embodiment and the first embodiment is that the likelihood analysis unit 22 obtains the analysis likelihood based on the time-series class likelihood stored in the likelihood storage unit 21. In the second embodiment, the analysis likelihood is derived based on the determination result as to whether or not any time-series class likelihood exceeds a predetermined threshold value continuously in the second embodiment. In the database, a time series pattern of class likelihood previously related to a plurality of target exercise patterns and a database in which a predetermined analysis likelihood is associated and registered for each pattern are provided. This is the point that the analysis likelihood is derived by searching the time series pattern of the class likelihood that best matches the storage content of the storage unit 21. At the same time, the presence / absence of the target maneuvering motion is determined and notified to the target classifying unit 62. Based on this notification, the target classifying unit 62 updates the class probability as target category information when there is no maneuvering motion. In this case, the number of times of updating is counted when updating is performed. Only the differences will be described below with reference to FIGS. 1 to 3 and FIGS. 6 to 8.

図６に例示したように、この運動クラス類別装置４は、目標追尾部６１、尤度記憶部２１、尤度分析部２２、及び目標類別部６２に加え、クラス尤度の時系列パターンＤＢ２３を備えている。クラス尤度の時系列パターンＤＢ２３は、あらかじめ目標の複数の運動パターンに関係づけされた、目標追尾部６１の各追尾フィルタからの運動クラスに対するクラス尤度の時系列パターンと、その各パターン毎にあらかじめ設定された所定の分析尤度とを対応づけて登録したデータベースであり、その一例を図７に例示する。 As illustrated in FIG. 6, the exercise class classification device 4 includes a class likelihood time series pattern DB 23 in addition to the target tracking unit 61, the likelihood storage unit 21, the likelihood analysis unit 22, and the target classification unit 62. I have. The class likelihood time series pattern DB 23 is a class likelihood time series pattern for each exercise class from each tracking filter of the target tracking unit 61, which is related to a plurality of target exercise patterns in advance, and for each pattern. FIG. 7 illustrates an example of a database in which predetermined analysis likelihoods set in advance are associated with each other and registered.

この図７に事例では、異なる運動パラメータ値により特徴づけられた複数の運動パターンをモデル化し、これら運動パターンのそれぞれについて、該当する運動パターンを有する目標が観測された時のクラス尤度の時系列パターンのモデルと、分析尤度とが対応付けされている。すなわち、この事例では、旋回角度、旋回加速度、及び継続時間の３つの運動パラメータ値で特徴づけられた運動パターンとして、急旋回、急上昇、蛇行、の３つの運動パターンを取りあげ、それぞれの運動パターンが観測された時の連続３観測分のクラス尤度の時系列パターンのモデル［Ｍｉ（ｃ、ｋ−２）、Ｍｉ（ｃ、ｋ−１）、Ｍｉ（ｃ、ｋ）］と、目標類別部６２の入力となる分析尤度Ｌ２ｉ（ｃ、ｋ）が対応づけられて登録されている。あわせて、機動運動の有無を判定するための「非機動」の運動パターンも登録されている。 In the example shown in FIG. 7, a plurality of motion patterns characterized by different motion parameter values are modeled, and for each of these motion patterns, a class likelihood time series when a target having the corresponding motion pattern is observed. The pattern model is associated with the analysis likelihood. That is, in this example, three movement patterns of sudden turn, sudden rise, and meander are taken as the movement patterns characterized by the three movement parameter values of turning angle, turning acceleration, and duration, and each movement pattern is A model [Mi (c, k-2), Mi (c, k-1), Mi (c, k)] of a class likelihood time series pattern for three consecutive observations when observed, and a target classification unit The analysis likelihood L2i (c, k), which is the input of 62, is registered in association with it. In addition, a “non-mobile” motion pattern for determining the presence or absence of a mobile motion is also registered.

尤度分析部２２は、尤度記憶部２１に記憶された時系列のクラス尤度に基づき分析尤度を得る際にこのクラス尤度の時系列パターンＤＢ２３を検索し、尤度記憶部２１の記憶内容に最も適合するクラス尤度の時系列パターンに対応づけられたクラス尤度Ｌ２（ｃ、ｋ）を取得して目標類別部６２に送出する。加えて、このクラス尤度の時系列パターンＤＢ２３の検索により、運動パターンが「非機動」に適合した場合には、その旨を機動判定結果として目標類別部６２に通知する。目標類別部６２は、この通知に基づいて、「非機動」の場合にはクラス確率の更新を行なわない。一方、クラス確率を更新した場合にはその回数を計数する。 The likelihood analysis unit 22 searches the time series pattern DB 23 of this class likelihood when obtaining the analysis likelihood based on the time series class likelihood stored in the likelihood storage unit 21. The class likelihood L2 (c, k) associated with the time series pattern of the class likelihood that best matches the stored content is acquired and sent to the target classification unit 62. In addition, when the motion pattern is matched with “non-mobile” by searching the time series pattern DB 23 of the class likelihood, the fact is notified to the target classification unit 62 as a mobile judgment result. Based on this notification, the target classification unit 62 does not update the class probability in the case of “non-mobile”. On the other hand, when the class probability is updated, the number of times is counted.

また、図６に例示した追尾処理装置３は、上述の運動クラス類別装置４、及び追尾情報統合部７０から構成されている。運動クラス類別装置４は、観測ベクトルをフィルタ処理してクラス平滑ベクトルを得るとともに、上述のようにクラス尤度の時系列パターンＤＢを有し、その検索結果による分析尤度を用いてクラス確率を算出し運動クラスの類別を行なう。追尾情報統合部７０は、運動クラス類別装置４からクラス平滑ベクトルをクラス確率により重み付け加算して統合し、統合平滑ベクトルとして出力する。 The tracking processing device 3 illustrated in FIG. 6 includes the above-described exercise class classification device 4 and the tracking information integration unit 70. The motion class categorization apparatus 4 obtains a class smooth vector by filtering the observation vector, and has a class likelihood time series pattern DB as described above, and uses the analysis likelihood based on the search result to determine the class probability. Calculate and classify exercise classes. The tracking information integration unit 70 integrates the class smooth vectors from the exercise class classification device 4 by adding the weights based on the class probabilities, and outputs the integrated smooth vectors.

次に、図８のフローチャートを参照して、本実施例の運動クラス類別装置を含む追尾処理装置の動作について説明する。まず、観測ｋ回目の観測ベクトルＹ（ｋ）が入力されると、第１の実施例と同様に、目標追尾部６１のそれぞれのクラスフィルタ６１１及び６１２により、クラス平滑ベクトルＸ（ｃ、ｋ｜ｋ）、及びクラス尤度Ｌ（ｃ、ｋ）が算出され、算出されたクラス尤度は順次尤度記憶部２１に送られて時系列に記憶される（ＳＴ２０１〜ＳＴ２０４）。 Next, with reference to the flowchart of FIG. 8, operation | movement of the tracking processing apparatus containing the exercise class classification apparatus of a present Example is demonstrated. First, when the observation vector Y (k) for the kth observation is input, the class smoothing vector X (c, k |) is obtained by the respective class filters 611 and 612 of the target tracking unit 61 as in the first embodiment. k) and class likelihood L (c, k) are calculated, and the calculated class likelihood is sequentially sent to the likelihood storage unit 21 and stored in time series (ST201 to ST204).

尤度分析部２２では、クラス尤度の時系列パターンＤＢ２３を検索し、尤度記憶部２１の記憶内容に最も適合するクラス尤度の時系列パターンのモデルを抽出して、そのモデルに対応づけられた運動パターン、及び分析尤度Ｌ２ｉ（ｃ、ｋ）が取得される。最も適合するクラス尤度の時系列パターンのモデルを抽出するには、例えば、図７に例示したようにクラス尤度の時系列パターンのモデルが連続３回の観測でモデル化されている場合には、尤度記憶部２１の記憶内容から、直前のｋ−２回目からｋ回目までの連続する３回の観測によるクラス尤度Ｌ（ｃ、ｋ）を取り出し、これとクラス尤度の時系列パターンＤＢ２３の運動パターン毎の各モデル値との観測回数毎の差の二乗平均の総和の大小で比較する手法等が適用できる。そして、取得した分析尤度Ｌ２（ｃ、ｋ）は、目標類別部６２に送出される（ＳＴ８１）。さらにこの尤度分析部２２における上記の分析によって適合する運動パターンが「非機動」との判定の場合には、機動判定結果としてその旨があわせて目標類別部６２に送出される（ＳＴ８２）。 The likelihood analysis unit 22 searches the class likelihood time series pattern DB 23, extracts a class likelihood time series pattern model that best matches the stored contents of the likelihood storage unit 21, and associates the model with the model. The obtained motion pattern and analysis likelihood L2i (c, k) are acquired. In order to extract the most suitable class likelihood time-series pattern model, for example, when the class likelihood time-series pattern model is modeled by three consecutive observations as illustrated in FIG. Takes out the class likelihood L (c, k) by three consecutive observations from the previous k-2th to kth times from the stored contents of the likelihood storage unit 21, and the time series of this and the class likelihood A method of comparing the sum of the root mean square of the difference for each number of observations with each model value for each motion pattern in the pattern DB 23 can be applied. Then, the acquired analysis likelihood L2 (c, k) is sent to the target classification unit 62 (ST81). Further, when the motion pattern that is matched by the above analysis in the likelihood analysis unit 22 is determined to be “non-mobile”, this is also sent to the target classification unit 62 as a mobile determination result (ST82).

目標類別部６２では、これら尤度分析部２２からの分析尤度Ｌ２（ｃ、ｋ）に基づいて、クラス確率Ｐ（ｃ、ｋ）が算出されるが、本実施例においては、その算出は、併せて尤度分析部２２から送られてくる機動判定結果により次のように制御される。すなわち、機動判定結果が「非機動」ではない場合には（ＳＴ８３のＮ）、式（５）及び式（６）により低機動運動クラス及び高機動運動クラスのそれぞれのクラス確率が算出され、その値は更新される（ＳＴ２０８）。さらに、値の更新とともに、更新回数がカウントアップされる（ＳＴ８４）。一方、機動判定結果が「非機動」の場合には（ＳＴ８３のＹ）、クラス確率は前回の算出結果のまま更新されない。従って、この場合は低機動運動クラス及び高機動運動クラスのそれぞれのクラス確率は、次式の通りである。このようにして、算出されるそれぞれのクラス確率に対する誤差の累積を低減している。（ＳＴ８５）

In the target classification unit 62, the class probability P (c, k) is calculated based on the analysis likelihood L2 (c, k) from the likelihood analysis unit 22, but in the present embodiment, the calculation is In addition, the control is performed as follows according to the mobility determination result sent from the likelihood analysis unit 22. That is, when the mobility determination result is not “non-mobility” (N in ST83), the class probabilities of the low mobility class and the high mobility class are calculated according to Expression (5) and Expression (6). The value is updated (ST208). Furthermore, the number of updates is counted up along with the update of the value (ST84). On the other hand, when the mobility determination result is “non-mobility” (Y in ST83), the class probability is not updated with the previous calculation result. Therefore, in this case, the class probabilities of the low mobility class and the high mobility class are as follows: In this way, the accumulation of errors for each calculated class probability is reduced. (ST85)

この後は、実施例１と同様に更に目標類別部６２において、算出されたクラス確率を用いて観測ベクトルに対する運動クラスの類別が行なわれ（ＳＴ２０９）、追尾情報統合部７０では、目標類別部６２で算出されたクラス確率に基づきそれぞれのクラス平滑ベクトルが重み付けされて統合され、統合平滑ベクトルが算出される（ＳＴ２１０）。そして、動作の終了が指示されるまで、上記したＳＴ２０１からの動作ステップが繰り返される（ＳＴ２１１）。 Thereafter, similarly to the first embodiment, the target classification unit 62 further classifies the motion class with respect to the observation vector using the calculated class probability (ST209). In the tracking information integration unit 70, the target classification unit 62 The respective class smooth vectors are weighted and integrated based on the class probabilities calculated in (1), and an integrated smooth vector is calculated (ST210). The operation steps from ST201 described above are repeated until an instruction to end the operation is given (ST211).

以上説明したように、本実施例の運動クラス類別装置においては、あらかじめ目標の複数の運動パターンに関係づけされたクラス尤度の時系列パターンとその各パターン毎に所定の分析尤度を対応づけて登録したデータベースを設け、最新の観測におけるクラス尤度を分析して分析尤度を導出する際は、このデータベース中から、尤度記憶部２１の記憶内容に最も適合するクラス尤度の時系列パターンを検索することにより分析尤度を導出している。あわせて、目標の機動運動の有無を判定し、機動運動なしの場合にはクラス確率を更新しないように制御している。 As described above, in the exercise class categorizing apparatus of the present embodiment, a class likelihood time series pattern previously related to a plurality of target exercise patterns and a predetermined analysis likelihood are associated with each pattern. When the class likelihood in the latest observation is analyzed and the analysis likelihood is derived, the time series of the class likelihood most suitable for the stored contents of the likelihood storage unit 21 is selected from this database. The analysis likelihood is derived by searching the pattern. At the same time, the presence / absence of the target maneuvering motion is determined, and control is performed so as not to update the class probability when there is no maneuvering motion.

これにより、第１の実施例と同様に、観測誤差等がクラス尤度に与える影響を低減できるとともに、クラス確率算出時における誤差の累積をより低減することができる。従って、クラス確率の精度が向上するので、目標の運動クラスの類別結果をより確かなものにすることができる。加えて、本実施例では、時系列に記憶したクラス尤度を、第１の実施例のようにしきい値を設けて比較するのではなく、データベース化されたクラス尤度の時系列パターンのモデルと直接照合しているので、第１の実施例に比べて、特に低機動運動クラスに対する検出性能を向上させることができる。さらに、クラス確率を更新した回数を計数しており、この更新回数、あるいは観測回数との比率を算出し後段に出力することにより、目標の運動クラス類別結果に対する付帯情報として後段での処理を支援することができる。 As a result, similarly to the first embodiment, the influence of the observation error or the like on the class likelihood can be reduced, and the accumulation of errors when calculating the class probability can be further reduced. Therefore, since the accuracy of the class probability is improved, the classification result of the target exercise class can be made more reliable. In addition, in this embodiment, the class likelihood stored in time series is not compared with a threshold value as in the first embodiment, but a model of time series pattern of class likelihood stored in a database is used. Therefore, it is possible to improve the detection performance particularly for the low mobility class compared to the first embodiment. In addition, the number of times the class probability is updated is counted, and the ratio of the number of updates or the number of observations is calculated and output to the subsequent stage to support subsequent processing as incidental information for the target exercise class classification result. can do.

また、本実施例の追尾処理装置においても、このような運動クラス類別装置からのより良好な精度のクラス確率を用いて各クラスフィルタからのクラス平滑ベクトルを統合し、目標の追尾情報としての統合平滑ベクトルを得ているので、その確度を一層向上させることができる。 Also, in the tracking processing device of the present embodiment, class smooth vectors from each class filter are integrated by using a class probability with better accuracy from such a motion class classification device, and integration as target tracking information is performed. Since the smooth vector is obtained, the accuracy can be further improved.

なお、この発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。 Note that the present invention is not limited to the above-described embodiment as it is, and can be embodied by modifying the constituent elements without departing from the scope of the invention in the implementation stage. Further, various inventions can be formed by appropriately combining a plurality of constituent elements disclosed in the embodiment. For example, some components may be deleted from all the components shown in the embodiment. Furthermore, you may combine suitably the component covering different embodiment.

本発明に係る運動クラス類別装置、及びこの運動クラス類別装置を備えた本発明に係る追尾処理装置の第１の実施例の構成を示すブロック図。The block diagram which shows the structure of the 1st Example of the exercise | movement class classification apparatus which concerns on this invention, and the tracking processing apparatus which concerns on this invention provided with this exercise class classification apparatus. 図１に例示した運動クラス類別装置を含む追尾処理装置の動作を説明するためのフローチャート。The flowchart for demonstrating operation | movement of the tracking processing apparatus containing the exercise class classification apparatus illustrated in FIG. クラス尤度、分析尤度、及び尤度記憶部２１の記憶内容の関係をモデル化した説明図。Explanatory drawing which modeled the relationship between the class likelihood, the analysis likelihood, and the memory content of the likelihood memory | storage part 21. FIG. 目標が機動運動を行なっていない場合の高機動クラスのクラス確率のシミュレーション結果の一例を示す図。The figure which shows an example of the simulation result of the class probability of the high maneuvering class when the target is not performing maneuvering. 目標が高機動運動を行なっている場合の高機動クラスのクラス確率のシミュレーション結果の一例を示す図。The figure which shows an example of the simulation result of the class probability of the high mobility class in case the target is performing high mobility movement. 本発明に係る運動クラス類別装置、及びこの運動クラス類別装置を備えた本発明に係る追尾処理装置の第２の実施例の構成を示すブロック図。The block diagram which shows the structure of the 2nd Example of the exercise | movement class classification apparatus which concerns on this invention, and the tracking processing apparatus which concerns on this invention provided with this exercise class classification apparatus. クラス尤度の時系列パターンＤＢ２３の一例をモデル化して示す説明図。Explanatory drawing which models and shows an example of time series pattern DB23 of class likelihood. 図６に例示した運動クラス類別装置を含む追尾処理装置の動作を説明するためのフローチャート。The flowchart for demonstrating operation | movement of the tracking processing apparatus containing the exercise class classification apparatus illustrated in FIG. 従来の運動クラス類別装置を備えた追尾処理装置の一例を示すブロック図。The block diagram which shows an example of the tracking processing apparatus provided with the conventional exercise class classification apparatus.

Explanation of symbols

１、３、５追尾処理装置
２、４、６運動クラス類別装置
２１尤度記憶部
２２尤度分析部
２３クラス尤度の時系列パターンＤＢ
６１目標追尾部
６２目標類別部
７０追尾情報統合部
６１１、６１２クラスフィルタ 1, 3, 5 Tracking processing device 2, 4, 6 Exercise class classification device 21 Likelihood storage unit 22 Likelihood analysis unit 23 Time series pattern DB of class likelihood
61 Target Tracking Unit 62 Target Classification Unit 70 Tracking Information Integration Unit 611, 612 Class Filter

Claims

For each of the tracking filters having a plurality of motion models, each of the motion models calculated by the plurality of tracking filters provided for each of the different motion classes is associated with a different subset of the motion model parameter setting range. In an exercise class classification device that classifies a target exercise class based on the likelihood for the class,
A plurality of tracking filters provided corresponding to the motion class, each of which performs a filtering process on a target observation value and outputs tracking information including a likelihood and a smooth vector for the motion class;
A likelihood storage unit for storing the likelihood for each of the motion classes from these tracking filters in time series along the observation time;
A likelihood analysis unit that analyzes the likelihood for each motion class at the latest observation time based on the likelihood for each motion class in the time series stored in the likelihood storage unit, and outputs the likelihood as an analysis likelihood;
Based on the analysis likelihood from the likelihood analysis unit, the class probability that the target exercise matches each of the exercise classes is calculated for each exercise class, and the target exercise class is classified based on these class probabilities. And an exercise class classification apparatus.

When the likelihood analysis unit analyzes and outputs the likelihood for each exercise class, it refers to the stored content of the likelihood storage unit,
When the likelihood for any exercise class exceeds a preset threshold value continuously for a predetermined number of observations, the likelihood for the exercise class from each tracking filter is output as it is as analysis likelihood,
In other cases, the exercise class classification apparatus according to claim 1, wherein a preset value is output as an analysis likelihood.

Further, the time series pattern of the likelihood for the exercise class from each tracking filter is modeled over a plurality of patterns in association with the target exercise pattern, and a database in which the likelihood set in advance for each pattern is associated Prepared,
When the likelihood analysis unit analyzes and outputs the likelihood for each exercise class,
2. The likelihood stored in the likelihood storage unit and a time series pattern in the database are collated, and the likelihood associated with the most suitable time series pattern is output as an analysis likelihood. The exercise class categorizing device described.

The likelihood analysis unit includes a time series pattern of likelihood stored in the likelihood storage unit and a time series pattern of likelihood during non-mobility exercise registered in the database as one of the target exercise patterns. And determining the presence or absence of the target maneuvering motion and notifying the result to the target classification unit,
The target classification unit does not update the class probability when there is no mobile motion as a result of this determination, and updates the class probability and counts the number of updates when there is a mobile motion. The exercise class categorizing apparatus according to claim 3.

In addition to the motion class classification device according to any one of claims 1 to 4, each of the smooth vectors from the plurality of tracking filters is weighted and added by the corresponding class probability calculated by the target classification unit. And a tracking information integration unit that outputs the integrated smooth vector.