JP5641445B2

JP5641445B2 - 監視システム、監視方法、及び監視プログラム

Info

Publication number: JP5641445B2
Application number: JP2011551244A
Authority: JP
Inventors: リー，クー，チュー; オズデミル，ハサン，ティムシン; ユー，ファン; シ，シャンギウン
Original assignee: Panasonic Corp; Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Corp; Panasonic Holdings Corp
Priority date: 2009-02-19
Filing date: 2010-02-19
Publication date: 2014-12-17
Anticipated expiration: 2030-02-19
Also published as: CN102326171A; US20100208063A1; US20140119608A1; WO2010141116A2; KR20110133476A; JP2012518845A; WO2010141116A3; EP2399224A2

Description

この開示は、監視システムに関し、より詳細に述べれば、ビデオ監視システム内における自動化された異常挙動検出の正確度および堅牢性を向上させるためのシステムおよび方法に関する。

（関連出願の相互参照）
この出願は、２００９年７月２日に出願された米国特許出願第１２／４９６，６８１号に対する優先権を主張し、かつ２００９年２月１９日に出願された米国特許仮出願第６１／１５３，８８４号の恩典を主張する。これらの出願の全開示は、参照によってこれに援用される。

典型的な監視システムは、あらかじめ決定済みの条件に基づいてセキュリティ脅威についてのデータの収集および／またはモニタを行う複数のセンサを含む。例示のためにのみ述べるが、これらの複数のセンサは、ビデオ・カメラを含むことができる。典型的なビデオ監視システムは、大きな地理的エリアをモニタする複数のビデオ・カメラを含むことができる。例示のためにのみ述べるが、その大きな地理的エリアを倉庫とすることができる。複数のビデオ・カメラのそれぞれは、モニタされるエリアに対応するメタデータを収集できる。複数のビデオ・カメラからの複数のビデオ・フィードの同時モニタが人間のオペレータに求められることがあり、そのため、いくつかのセキュリティ脅威が検出されないことがあり得る。したがってビデオ監視システムが、あらかじめ決定済みの条件に基づいてエリアをモニタする自動化された検出システムを含むことがある。たとえば、そのあらかじめ決定済みの条件を『ｎｏｒｍａｌａｃｔｉｖｉｔｙｐａｔｔｅｒｎｓ』（非特許文献１参照）と呼ぶことができる。

たとえば、自動化された検出システムは、『異常な動きのパターン』を、収集したメタデータおよび正常な動きのパターンに基づいて検出できる（非特許文献１参照）。言換えると、自動化された検出システムは、異常挙動が検出されたときに人間のオペレータに対して潜在的なセキュリティ脅威を警告できる。オペレータは、その潜在的なセキュリティ脅威を分析してアラームを作動するべきか否かを選択できる。それに加えて自動検出システムは、オペレータへの通知を伴うことなくアラームを作動できる。さらにまたこの自動検出システムは、あらかじめ決定済みの条件の更新および／または潜在的なセキュリティ脅威の将来的な分析のために潜在的なセキュリティ脅威に対応するメタデータをストアできる。

例示のためにのみ述べるが、特許文献１は、規則ベースの推論および複数の仮説的スコア付けを使用し、物体の動きおよび物体によって起こされる事象に基づいてあらかじめ決定済みの物体の挙動を検出するビデオ監視システムを開示している。このシステムは、物体の動きパターンに基づいて警告条件を決定する。警告条件は、特定の事象の組合わせの発生によって定義できる。例示のためにのみ述べるが、これらの特定の事象は、人の出現、ドアへ向かう人の動き、または人によるカード・リーダでの物体のスワイプを含むことができる。システムは、特定の事象が生じたか否かを決定し、特定の事象のそれぞれについてタイムスタンプを決定できる。その後システムは、警告条件が生じたか否かをあらかじめ定義済みの規則に基づいて決定できる。

たとえば特許文献２は、あらかじめ決定済みのエリア内における活動および方向性のある動きを自動的にモニタするアラーム・システムを開示している。より詳細に述べれば、特定の方向におけるあらかじめ決定済みのスレッショルドより大きい動きをシステムが検出した場合および／またはビデオ・カメラによって検出された移動物体が特定のサイズのものである場合にのみアラームが生成される。それに代わるものとして、たとえば米国特許出願第１１／６７６，１２７号の『ＳｕｒｖｅｉｌｌａｎｃｅＳｙｓｔｅｍａｎｄＭｅｔｈｏｄｓ』は、多くの規則構成を取除くべくメタデータから局在化された、オンラインの動きモデル評価を利用することによって異常な局所的動きを検出する監視システムを開示している。

しかしながらこのシステムは、全体の規則のセットがオペレータによって構成されることを必要とすると見られる。さらにまたこのシステムは、特定の事象が、それらの特定の事象の特定の順序に基づいていることを必要とするとも見られる。したがって、これらの要件が、中規模から大規模の規則セットのために異常挙動のモデルを完全に定義することを困難にしている。さらにまた、ビデオ動き検出および追跡から獲得されたメタデータが、たとえば光の変化、突然の背景の変化、影、静的掩蔽、自己掩蔽、合体する物体、分裂する物体等に起因して多様な誤差を含む。遠近視野を伴うカメラについては、動きのタイプに起因して、たとえば物体が遠視野からカメラへ、またはカメラから遠視野へ移動するときなどに誤差を生じることがある。物体の場所の誤差は、たとえばカルマン・フィルタをあらかじめ定義済みの動きのモデルとともに使用して補償できる。異常挙動検出のために物体の動きが評価されるとき、システムの目的にとって有害なものとなる偽アラームを防止するために正確な場所情報が重要である。

米国特許第７，０８８，８４６号明細書米国特許第６，７０７，４８６号明細書

Ｗ．Ｅ．ＬＧｒｉｍｓｏｎ，ＣｈｒｉｓＳｔａｕｆｆｅｒ，ＬｉｌｙＬｅｅ，ＲａｑｕｅｌＲｏｍａｎｏ著「ＵｓｉｎｇＡｄａｐｔｉｖｅＴｒａｃｋｉｎｇｔｏＣｌａｓｓｉｆｙａｎｄＭｏｎｉｔｏｒＡｃｔｉｖｉｔｉｅｓｉｎａＳｉｔｅ」，ＩＥＥＥＩＥＥＥＣｏｎｆ．ｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ会報，ｐｐ．２２‐３１，１９９８年。

これらの潜在的な不正確な場所の示度を改善するために、異常挙動検出システムは、堅牢な異常な動き検出をサポートする必要がある。堅牢な追跡は、次の２つのレベルの誤差の取扱いを含むことができる。すなわち、評価された追跡誤差のための１つ、およびカメラのための１つであり、これは遠視野および近視野の位置といった検出誤差が異なるものとなり得るカメラ視野の異なる部分における位置検出誤差を捕らえる。先行技術の誤差分布を現在の誤差パターンとともにフィードバックとして使用すると、測定窓の動的な調整を提供して、移動物体の速度のより正確かつ堅牢な評価をもたらすことができる。それに加えて、移動物体の速度、速さ、加速度の決定のためのアルゴリズムおよびサンプリング窓を上記の位置検出誤差に基づいて調整できる。

ここに提供されている背景技術の記述は、開示の状況を概括的に呈示する目的のためである。現在のところ名前が挙げられている発明者の研究は、その研究がこの背景技術セクションの中で述べられている点をはじめ、そこで述べられなければ出願の時における先行技術（ｐｒｉｏｒａｒｔ）として見なされない記述の側面までも含めて、明示的にも、また暗示的にも、この開示に対する先行技術（ｐｒｉｏｒａｒｔ）として認められることがない。

このセクションでは、開示の一般的な概要を提供するが、それの完全な範囲もしくはそれの特徴のすべての包括的な開示ではない。

空間を通り抜ける物体の異常挙動を決定するための方法は、前記空間内における動きがモニタされている物体の軌跡情報を受取るステップであって、当該軌跡情報は、前記モニタされている物体の現在の位置を示すものであるステップと、前記モニタされている物体の前記現在の位置に対応する軌跡モデルを検索するステップであって、当該軌跡モデルは、前記現在の位置にある物体が移動することが可能な方向、および各可能な方向について前記現在の位置にある物体が対応する前記可能な方向へ移動するであろうとする尤度を定義するものであるステップと、前記モニタされている物体が或る方向へ移動している尤度を、前記軌跡モデルによって与えられる前記可能な方向のうちの２つまたはそれより多くの方向についての尤度の重み付け平均に基づいて計算するステップであって、当該２つまたはそれより多くの可能な方向は、前記モニタされている物体の前記方向に対してもっとも近い方向であるとするステップと、前記モニタされている物体の異常挙動を、前記計算された尤度に基づいて識別するステップと、を包含する。

空間を通り抜ける物体の異常挙動を決定するための方法が、前記空間内における動きがモニタされている物体の軌跡情報を受取るステップであって、当該軌跡情報は、前記モニタされている物体の現在の位置、および前記モニタされている物体が前記現在の位置から以前の期間の間に移動した距離を示すものとするステップと、前記モニタされている物体の前記現在の位置に対応する軌跡モデルを検索するステップであって、当該軌跡モデルは、前記現在の位置にある物体が前記現在の位置から前記以前の期間の間に移動したであろうとするスレッショルド距離を定義するものであるステップと、前記距離と前記スレッショルド距離とを比較するステップと、前記モニタされている物体の異常挙動を、前記比較に基づいて識別するステップと、を包含する。

空間を通り抜ける物体の異常挙動を決定するための方法が、前記空間内における動きがモニタされている物体の軌跡情報を受取るステップであって、当該軌跡情報は、前記モニタされている物体の現在の位置、前記モニタされている物体が移動している方向、および前記モニタされている物体の速度を示すものとするステップと、前記モニタされている物体の前記現在の位置に対応する軌跡モデルを検索するステップであって、当該軌跡モデルは、前記現在の位置にある物体が移動することが可能な方向、および各可能な方向について前記現在の位置にある前記物体が移動する速度となるであろうとする速度を定義するものであるステップと、前記モニタされている物体についての速度スレッショルドを、前記軌跡モデルによって与えられる前記可能な方向のうちの２つまたそれより多くの方向についての前記速度の重み付け平均に基づいて計算するステップであって、前記２つまたはそれより多くの可能な方向は、前記モニタされている物体の前記方向に対してもっとも近い方向であるとするステップと、前記モニタされている物体の異常挙動を、前記モニタされている物体の前記速度および前記計算された速度スレッショルドに基づいて識別するステップと、を含む。

空間を通り抜けるモニタされている物体の異常挙動の検出の正確度および堅牢性を向上させる監視システムが、メタデータ処理モジュール、モデル構築モジュール、および挙動評価モジュールを含む。メタデータ処理モジュールは、モニタされている物体に対応する軌跡情報を生成し、かつモニタされている物体の属性を複数の正常な動きのモデルのうちの少なくとも１つおよび動的時間窓（ｄｙｎａｍｉｃｔｉｍｅｗｉｎｄｏｗ）に基づいて決定し、それにおいては当該属性が、モニタされている物体の評価済み速度、モニタされている物体がアウトライア（Ｏｕｔｌｉｅｒ）であるか否か、および測定誤差の評価を含む。モデル構築モジュールは、複数の正常な動きのモデルの生成および更新のうちの少なくとも１つを、モニタされている物体の属性のうちの少なくとも１つおよびモニタされている物体に対応する異常性スコアに基づいて行なう。挙動評価モジュールは、モニタされている物体に対応する異常挙動スコアを、複数の異常挙動検出方法のうちの１つに基づいて生成する。

このほかの適用可能性の分野は、ここに提供されている説明から明らかとなるであろう。この概要の中の記述ならびに特定の例は、例示のための目的だけを意図しており、この開示の範囲を限定することは意図されていない。

この中で記述される図面は、すべての可能な実装ではなく、選択された実施態様の例示だけが目的とされており、この開示の範囲を限定することは意図されていない。

この開示に従った監視システムの機能ブロック図である。この開示に従った例示的な検知デバイスの例示的な視野を図解した概略図である。この開示に従った例示的な検知デバイスの例示的な視野を図解した概略図である。この開示に従った異常挙動検出モジュールの機能ブロック図である。この開示に従ったメタデータを処理する方法のフローチャートである。この開示に従ったモデル構築モジュールの機能ブロック図である。この開示に従った挙動評価モジュールの機能ブロック図である。例示的な方向ならびに対応する尤度および例示的な方向とモニタされている物体の例示的な方向の間における角度差の図式表現である。例示的な方向ならびに対応する尤度および例示的な方向とモニタされている物体の例示的な方向の間における角度差の図式表現である。この開示に従った不正な方向の挙動を検出する方法のフローチャートである。この開示に従ったうろつき挙動を検出する方法のフローチャートである。この開示に従った速さ違反挙動を検出する方法のフローチャートである。この開示に従った監視システムを運用する方法のフローチャートである。

対応する参照番号は、図面内のいくつかの図を通じて対応する部品を示す。

以下の記述は本質的に例示に過ぎず、いかなる形においても開示、それらの応用、または用途を限定することは意図されていない。明瞭性の目的のため、図面内においては、同一の参照番号を使用して類似の要素を識別する。ここで用いられる場合に、Ａ、Ｂ、およびＣのうちの少なくとも１つという表現は、非排他的論理和のＯＲを使用した論理表現（ＡＯＲＢＯＲＣ）の意味であると解釈されるものとする。理解される必要があるが、方法の中のステップは、この開示の原理を改変することなく異なる順序で実行され得る。

ここで使用されているモジュールという用語は、特定用途向け集積回路（ＡＳＩＣ）、電子回路、１つまたは複数のソフトウエアまたはファームウエア・プログラムを実行するプロセッサ（共有、専用、またはグループ）および／またはメモリ（共有、専用、またはグループ）、組合わせ論理回路、および／またはここに記述されている機能を提供するそのほかの適切な構成要素を指すこと、それらの部分とすること、またはそれらを含むことができる。

異常な動きの挙動の検出に使用される典型的なシステムおよび方法は、いくつかのファクタによって限定できる。より詳細に述べれば、ビデオ分析における作業の実質的な量が、ユーザ指定の『関心領域』（ＲＯＩ）における動きデータの収集に集中される。収集された動きデータは、その後、ユーザ指定スレッショルドを使用して入力物体のための動きデータと比較できる。言換えると、モニタされている物体の動きの軌跡とユーザによって定義された動きパターンおよび距離スレッショルドを比較して、それらの動きパターンを検出できる。たとえば１つの限定ファクタを、すべてのエリアのためのスレッショルドおよびユーザ設定ならびにＲＯＩの追跡に関連付けされる困難性とすることができる。たとえば別の限定ファクタを、入力物体の動的に変化する挙動とすることができる。さらにまた別の制限ファクタを、非一様な地理的表面を伴うエリア内における予測不能な掩蔽および照明条件とすることができる。

３次元（３Ｄ）の物理的な軌跡への２次元（２Ｄ）ビデオの物体の動きの変換には、大量の作業が必要となり得る。より詳細に述べれば、実質的なカメラ較正および２Ｄ投影された視野内における物理的ジオメトリの実際の測定が必要となり得る。カメラ較正および物理的ジオメトリの実際の測定は、ともにセキュリティ・オペレータにとって困難なものになると見られ、したがっていずれも複数のタイプの誤差への傾向があり得る。たとえば、照明および掩蔽が、モニタされている物体の実際の位置、サイズ、および／または深度の測定において誤差を生じさせることがある。次に、たとえば地表面が平らでないときには、モニタされている物体の速度が実際の速度とは異なる速度で移動しているように見えるかも知れない。それに加えて、たとえば、モニタされている物体の場所の解像度および速度測定が、カメラの角度、およびモニタされている物体がカメラから離れていくか、またはカメラへ向かって移動するといったモニタされている物体の動きの方向によって影響されることがある。最後は、たとえば、カメラ視野内の異なる場所に対応する位置誤差が時間を経て変化し得ることである。

図１を参照すると、例示的なビデオ監視システム１０が示されている。システムは、検知デバイス１２ａ〜１２ｎ、異常挙動検出モジュール２０、グラフィカル・ユーザ・インターフェース（ＧＵＩ）２２、聴覚／視覚（Ａ／Ｖ）アラーム２４、および記録ストレージ・モジュール２６を含む。検知デバイス１２ａ〜１２ｎは、物体に関係する動きまたは画像データを記録する。検知デバイス１２ａ〜１２ｎは、それぞれ、メタデータ生成モジュール３０を含むことができる。たとえばメタデータ生成モジュール３０は、この分野で周知の方法に従って、記録した物体の動きに基づいてメタデータを生成できる。検知デバイス１２ａ〜１２ｎのそれぞれがメタデータ生成モジュール３０を含むことが示されているが、ビデオ監視システム１０が外部のメタデータ生成モジュール３０を含むこと（すなわち、共有ネットワーク上に含むこと）はできる。さらに、異常挙動検出モジュール２０もまた、メタデータ生成モジュール３０を含むことができる。

検知デバイス１２ａ〜１２ｎは、メタデータを異常挙動検出モジュール２０へ伝達する。異常挙動検出モジュール２０は、受取ったメタデータに基づいて物体の挙動を分析できる。また異常挙動検出モジュール２０は、ＧＵＩ２２、聴覚／視覚Ａ／Ｖアラーム２４、および記録ストレージ・モジュール２４のうちの少なくとも１つのためのアラーム・メッセージを生成することもできる。たとえば受取られるメタデータは、限定ではないが、カメラ識別子、視野識別子、物体識別子、タイムスタンプ、および／または視野内における物体の場所を含むことができる。物体の場所は、モニタされている物体によって占有される（画像内の）エリアを囲い込む矩形により記述できる。この矩形は、『最小バウンディング・ボックス（ｍｉｎｉｍｕｍｂｏｕｎｄｉｎｇｂｏｘ）（ＭＢＢ）』または『最小バウンディング矩形（ｍｉｎｉｍｕｍｂｏｕｎｄｉｎｇｒｅｃｔａｎｇｌｅ）（ＭＢＲ）』と呼ばれることがある。この矩形は、矩形の左上コーナの座標、その矩形の幅、およびその矩形の高さによって指定できる。物体の場所は、ＭＢＲ内に定義され、かつモニタされている物体によっていずれのピクセルが占有されているかを示すバイナリ・マスクによって識別できる。メタデータは、さらに、モニタされている物体のオリジナル画像、および／またはモニタされている物体を表わすそのほかの見かけの特徴、たとえばモニタされている物体のカラー、形状、物体のタイプ、合体／分裂の事象等を含むことができる。

１つの実施態様においては、検知デバイス１２ａ〜１２ｎをビデオ・カメラまたは動きを取込むことができるそのほかのデバイス、たとえば赤外線カメラ、サーモ・カメラ、ソナー・デバイス、または動きセンサとすることができる。検知デバイス１２ａ〜１２ｎは、目標エリアまたはデバイスの視野内のグリッドに関して動きを記録するべく構成される。例示目的のために限るが、目標エリアおよびグリッドを図２Ａ〜２Ｂに示し、以下においてそれを詳細に説明する。

ここで図２Ａを参照すると、検知デバイス１２ａ〜１２ｎのうちの１つの例示的な視野２０１が示されている。視野２０１は、複数の目標エリア２０３Ａおよび２０３Ｂを含む。目標エリア２０３Ａは、（ｘ１，ｙ１）に位置する左上コーナの点２０５Ａ、高さｈ、および／または幅ｗを含む。したがって、目標エリア２０３Ａの中心は、点（ｘ１，ｙ１）、高さｈ、および幅ｗから演繹（ｄｅｒｉｖｅｄ）できる。さらにまた目標エリア２０３Ｂは、カメラＩＤ番号、視野ＩＤ番号、目標ＩＤ番号、および／または目標エリア（ＴａｒｇｅｔＡｒｅａ）の名前（たとえば、休憩室のドア）といった追加の情報を含む。たとえば目標エリア２０３Ｂをドアとし、エリア２０５Ｂをそのドアのハンドルとすることができる。

目標エリアに関係する追加の情報もまたストアできることは認識可能である。また、楕円、円等々といったこのほかの形状を目標エリアの記述に使用できることも認識可能である。目標エリア情報は、テーブル内にストアできる。目標エリアの定義をストアするための例示的なテーブルを次に示す。

図２Ｂは、検知デバイス１２ａ〜１２ｎのうちの１つの別の例示的な視野２０１を図解している。視野２０１は、検知デバイス１２ａ〜１２ｎの視野２０１上に挿入されるグリッド２０７を含む。したがって、所定の時刻における物体の位置は、グリッド２０７に関するその物体の位置によって定義できる。たとえば、グリッド２０７が使用される場合には、物体の場所または動きに関係するデータを、データ・キューブ（ｄａｔａｃｕｂｅ）として知られるデータ構造内にストアできる。１つの実施態様においては、データ・キューブ（ｄａｔａｃｕｂｅ）を、（ｘの値，ｙの値，タイムスタンプ）等の画像データの時系列の記述に使用できる情報を含む３次元またはそれより多次元のデータ構造とすることができる。たとえば、データ・キューブ（ｄａｔａｃｕｂｅ）は、グリッドの各セルについて正常な動きのモデルを含むことができる。グリッドにおいては、カメラの視野をセルに分解することができ、各セル内の観察（たとえばモニタされている物体の動き）を使用して、そのセル内の正常な動きのモデルを更新できる。モデルは、観察されている物体の特性の統計、たとえば期待される方向ならびに速度の大きさおよびそれの標準偏差等を取込む。時間間隔を含めて現場の利用度が時間に依存すること（すなわち時間ベースのモデリング）を表わすために第３の次元を追加できる。たとえば、モニタされている物体の動きの挙動は、朝の時間帯、昼食時間、午後、夜間、週末等に依存して変化し得る。

データ・キューブの集合は、軌跡モデル（ｔｒａｊｅｃｔｏｒｙｍｏｄｅｌ）と呼ぶことができる。以下においては軌跡モデルを正常な動きのモデルと呼ぶことがある。したがって、ある例示的な実施態様においては、正常な動きのデータ・モデル内の各データ・キューブが、目標エリアに関する場所およびタイムスタンプになる。各データ・キューブが、ｚの値、カラー情報、および／または物体識別タグ等の追加の情報を含み得ることは認識できる。

ここで図３を参照すると、例示的な異常挙動検出モジュール２０がより詳細に示されている。例示的な異常挙動検出モジュール２０は、メタデータ処理モジュール３２、モデル構築モジュール３４、挙動評価モジュール３６、およびアラーム生成モジュール３８を含む。言うまでもなく、記述されているモジュールは、単一のモジュールに結合すること、または複数の下位モジュールを含むことができる。

例示的なメタデータ処理モジュール３２は、検知デバイス１２ａ〜１２ｎからメタデータを受取り、そのメタデータをデータ・ストレージ内にストアする。たとえばメタデータは、限定ではないが、ビデオ・カメラ識別子、物体識別子、タイムスタンプ、ｘの値、ｙの値、物体の幅の値、および物体の高さの値を含むことができる。１つの実施態様においては、メタデータ処理モジュール３２が、検出された物体の位置がアウトライア（Ｏｕｔｌｉｅｒ）であるか否かを決定すること、およびその検出された物体の位置がアウトライア（Ｏｕｔｌｉｅｒ）である場合には、続いてそのモニタされている物体に対応する追加のメタデータを生成することができる。たとえばメタデータ処理モジュール３２は、この分野で周知のテクニックを使用し、検出された物体の位置がアウトライア（Ｏｕｔｌｉｅｒ）として分類されるか否かを、受取ったメタデータに基づいて決定できる。

メタデータ処理モジュール３２は、また、データ・キューブに対応するフィードバックをモデル構築モジュール３４から受取ることもできる。たとえばこのフィードバックは、複数の時間窓を伴うデータ・キューブのＭ×Ｎセル内の物体のセットの入力軌跡の線形予測子（たとえばカルマン・フィルタ、ＡＲ）の評価誤差の尤度を含むことができる。それに代わり、このフィードバックは、正常な物体の軌跡のセットから観察される物体属性の期待される統計を含むことができる。たとえば、（ｋ×シグマ）を、各物体属性のためのスレッショルドの決定に使用できる（それを正規分布の統計的解釈に結びつける）。これらの統計は、その後、複数の時間窓とともにデータ・キューブのＭ×Ｎセル内に記録できる。

メタデータ処理モジュール３２は、モニタされている物体についての軌跡を生成する。それに加えてメタデータ処理モジュール３２は、メタデータを処理して物体属性とし、その物体属性をデータ・ストレージ内にストアできる。たとえばメタデータ処理モジュール３２は、メタデータを処理してそのメタデータから演繹（ｄｅｒｉｖｅｄ）される属性を獲得するためのこの分野において周知のテクニックを使用できる。１つの実施態様においては、物体属性が、評価される速度ならびに動きの方向、動きのランダム性に対応する尤度（すなわち、確率）、およびモニタされている物体の評価された測定誤差を含むことができる。それに代わるものとして、例示的な物体属性は以下を含むことができる（ただしこれらに限定されない）。
軌跡の持続時間（たとえば、モニタされている物体がＲＯＩ内において移動する期間）
モニタされている物体についての軌跡の境界エリア
モニタされている物体の（たとえば、カルマン・フィルタを介して）予測される位置
予測される位置に基づく対数尤度
評価された位置の測定誤差
動きの方向における変化
モニタされている物体についてのアウトライア（Ｏｕｔｌｉｅｒ）の指標およびアウトライア（Ｏｕｔｌｉｅｒ）のタイプ（すなわち、スレッショルドを超える異常性）
速度および方向
評価された位置（たとえば、正常挙動モデルの更新用）
動きのランダム性のレベル（すなわち、動きの方向における変化のレート）
正規化された速度（たとえば、速度と、正常挙動モデルに対応するデータ・キューブから取出される正常挙動モデルから評価された速度の間の比、カメラの遠視野および近視野における差異の補償に使用される）および／または
正規化された物体のサイズ（たとえば、正常挙動モデルからの平均物体サイズに対する物体のサイズの比）。

評価された速度、方向、および正規化された速さは、『偽陰性（ｆａｌｓｅ−ｎｅｇａｔｉｖｅｓ）』（すなわち、正しくない正常挙動検出）の低減に使用できる。それに加えて、アウトライア（Ｏｕｔｌｉｅｒ）指標、動きの方向における変化、およびランダム性のレベルは、『偽陽性（ｆａｌｓｅ−ｐｏｓｉｔｉｖｅｓ）』（すなわち、正しくない異常挙動検出）の低減に使用できる。より詳細に述べれば、モニタされている物体がアウトライア（Ｏｕｔｌｉｅｒ）であることをアウトライア（Ｏｕｔｌｉｅｒ）指標が示す場合には、そのモニタされている物体（およびそれの対応する属性）が正常挙動モデルの更新に使用され得ないことがある。

メタデータ処理モジュール３２は、モニタされている物体の現在の位置がアウトライア（Ｏｕｔｌｉｅｒ）であることを４つの方法のうちの１つに従って決定できる。より詳細に述べれば、モニタされている物体（たとえば、ｔｓ（ｉ），ｘ（ｉ），ｙ（ｉ），ｗ（ｉ），ｈ（ｉ））について、以下の方法の組合わせに基づいて観察ｉがアウトライア（Ｏｕｔｌｉｅｒ）であるとしてマークされる。

第１に、サイズおよび／または形状における突然の変化は、そのモニタされている物体の現在の位置がアウトライア（Ｏｕｔｌｉｅｒ）であるとしてマークされる結果をもたらし得る。たとえば、変化は、次式のとおりに決定できる。

（式１）においてＭＢＲ（ｉ）．ｗおよびＭＢＲ（ｉ‐１）．ｗは、それぞれ観察ｉおよび（ｉ‐１）におけるモニタされている物体の幅を表わし、ＭＢＲ（ｉ）．ｈおよびＭＢＲ（ｉ‐１）．ｈは、それぞれ観察ｉおよび（ｉ‐１）におけるモニタされている物体の高さを表わす。この変化があらかじめ決定済みの変化スレッショルドを超えるとき、そのときのモニタされている物体をアウトライア（Ｏｕｔｌｉｅｒ）であるとしてマークできる。

第２に、モニタされている物体のサイズ比ｒ（ｉ）における突然の変化は、そのモニタされている物体の現在の位置がアウトライア（Ｏｕｔｌｉｅｒ）であるとしてマークされる結果をもたらし得る。たとえば、サイズ比ｒ（ｉ）は、次式のとおりに決定できる。

（式２）においてＮｕｍｏｆＰｉｘｅｌｓ（ｉ）は、観察ｉにおけるそのモニタされている物体のピクセル・サイズを表わす。サイズ比ｒ（ｉ）があらかじめ決定済みのサイズ比スレッショルドを超えるとき、そのときのモニタされている物体をアウトライア（Ｏｕｔｌｉｅｒ）であるとしてマークできる。

第３に、モニタされている物体の速度および／または加速度における突然の変化は、そのモニタされている物体の現在の位置がアウトライア（Ｏｕｔｌｉｅｒ）であるとしてマークされる結果をもたらし得る。言換えると、たとえば、モニタされている物体の速度および／または加速度があらかじめ決定済みの速度および／または加速度のスレッショルドを超えるとき、そのときのモニタされている物体をアウトライア（Ｏｕｔｌｉｅｒ）であるとしてマークできる。

最後に、モニタされている物体の方向と速度の積における突然の変化は、そのモニタされている物体の現在の位置がアウトライア（Ｏｕｔｌｉｅｒ）であるとしてマークされる結果をもたらし得る。言換えると、たとえば、モニタされている物体の方向と速度の積があらかじめ決定済みの積のスレッショルドを超えるとき、そのときのモニタされている物体をアウトライア（Ｏｕｔｌｉｅｒ）であるとしてマークできる。たとえば、この積のスレッショルドは、複数の時間窓を伴うデータ・キューブ（ｄａｔａｃｕｂｅ）のＭ×Ｎセル内の物体のセットの入力軌跡の線形予測子（たとえばカルマン・フィルタ、ＡＲ）の評価誤差の尤度と、正常な物体の軌跡のセットから観察される物体属性の期待される統計の組合わせに基づくことができる。たとえば、（ｋ×シグマ）を、各物体属性のためのスレッショルドの決定に使用できる（すなわち、それを正規分布の統計的解釈に関係させる）。したがって、これらの統計を、その後、複数の時間窓とともにデータ・キューブ（ｄａｔａｃｕｂｅ）のＭ×Ｎセル内に記録できる。

ここで図４を参照すると、メタデータ処理モジュール３２によるメタデータの処理の１つの実施態様を図解したフローチャートがステップ４０において開始している。ステップ４１においては、メタデータ処理モジュール３２がモニタされている物体の現在または過去の位置が、現在の位置（または以前の位置）におけるアウトライア（Ｏｕｔｌｉｅｒ）であるか（または、アウトライア（Ｏｕｔｌｉｅｒ）であったか）否かを決定する。モニタされている物体の現在の位置が、現在の位置におけるアウトライア（Ｏｕｔｌｉｅｒ）である場合には、コントロールがステップ４２へ進む。モニタされている物体が、以前の位置におけるアウトライア（Ｏｕｔｌｉｅｒ）である場合には、コントロールがステップ４３へ進む。モニタされている物体が、現在または以前の位置におけるアウトライア（Ｏｕｔｌｉｅｒ）でない場合には、コントロールがステップ４５へ進む。

ステップ４２においては、現在の位置がアウトライア（Ｏｕｔｌｉｅｒ）であることから現在の速度情報が存在せず、ステップ４６においてコントロールを終了できる。言換えると、正常な動きのモデルは、アウトライア（Ｏｕｔｌｉｅｒ）に対応する速度情報を含まない（すなわち、アウトライア（Ｏｕｔｌｉｅｒ）がフィルタ・アウトされる）。メタデータ処理モジュール３２は、速度および加速度等の正確な属性を獲得する上で必要な最小限度の変位における増加に適合するために、アウトライア（Ｏｕｔｌｉｅｒ）取扱い機能を実装できる。アウトライア（Ｏｕｔｌｉｅｒ）取扱い機能は、物体がアウトライア（Ｏｕｔｌｉｅｒ）としてマークされている推定可能な原因を決定するべく、物体からより多くの特性を蓄積することもできる。たとえば、その物体を異なる物体と間違うことによってマークされたアウトライア（Ｏｕｔｌｉｅｒ）について、アウトライア（Ｏｕｔｌｉｅｒ）取扱い機能は、オリジナルの追跡されている物体からの属性の計算誤りを防止するべく指標（すなわちアウトライア（Ｏｕｔｌｉｅｒ）指標）を出力できる。したがって、アウトライア（Ｏｕｔｌｉｅｒ）取扱い機能が物体属性に基づいて同一の物体を検出すると、アウトライア（Ｏｕｔｌｉｅｒ）取扱い機能は、より大きな最小限度変位を示すアウトライア（Ｏｕｔｌｉｅｒ）位置を、したがってモニタされている物体の属性の計算に必要となるより多くの標本ポイントをマークできる。

ステップ４３においてメタデータ処理モジュール３２は、使用されるべき許容可能な以前の位置を決定する。より詳細に述べれば、メタデータ処理モジュール３２は、モニタされている物体が現在の位置からあらかじめ決定済みの距離（すなわち最小距離）にあったとき、以前の位置を決定できる。ステップ４４においてメタデータ処理モジュール３２は、許容可能な以前の位置、現在の位置、および対応する期間に基づいてモニタされている物体の速度および／または方向を生成する。ステップ４５においてメタデータ処理モジュール３２は、動きの方向における変化および正規化された速さを、モニタされている物体の許容可能な以前の位置に基づいて生成できる。１つの実施態様においては、モニタされている物体の軌跡の中での最小限度変位距離の決定が不可能であった場合に、速度を計算せずにエラー・タイプを出力に示すことができる。

最小限度変位距離は、アウトライア（Ｏｕｔｌｉｅｒ）およびそのほかの正常な追跡誤差を適応させるために使用できる。たとえば、アウトライア（Ｏｕｔｌｉｅｒ）の場合であれば、最小限度変位をアウトライア（Ｏｕｔｌｉｅｒ）の距離（すなわち、ジャンプ）の大きさの２倍に設定できる。したがって速度計算は、アウトライア（Ｏｕｔｌｉｅｒ）によって生じたジャンプの中心から設定された最小限度変位内において、より低い分解能に順応することができ、かつその中の点について低い信頼度を提供する。コントロールは、その後ステップ４６において終了できる。さらにまた、最小限度変位は、物体のサイズ変動、カメラの遠視野観察の量子化誤差、動きの方向、および移動物体の位置の尤度を確立する標本の最小限度の数に基づいて調整することもできる。

図３に戻って参照するが、モデル構築モジュール３４がメタデータ処理モジュール３２から物体属性を受取る。モデル構築モジュール３４は、正常な動きのモデルを構築し、それらの正常な動きのモデルを正常モデル・データ・ストレージ２８内にストアする。モデル構築モジュール３４は、正常モデル・データ・ストレージ２８内の既存の正常データ・モデルを、物体属性に基づいて更新することもできる。たとえば、モデル構築モジュール３４は、観察がアウトライア（Ｏｕｔｌｉｅｒ）としてマークされている場合には、データ・キューブ（ｄａｔａｃｕｂｅ）内の正常な動きのモデルの更新の間に、モニタされている物体のメタデータを等閑視することができる。

正常な動きのモデルは物体の期待される動き、または物体の『安全な』動きの挙動に対応する。たとえば仕事場の環境においては、正常な動きのモデルが、作業エリアから休憩室へ安全な速さで歩いていく従業員を捕らえることができる。その逆に制限エリアまたは危険ゾーンを通って歩いている従業員は、安全でない挙動または動きを構成することがあり、したがって正常な動きのモデル内に含めることができないことがある。たとえば、データ・キューブ（ｄａｔａｃｕｂｅ）は、グリッドの各セル内に正常な動きのモデルを含むことができる。グリッドにおいては、カメラの視野をセルに分解することができ、各セル内の観察（モニタされている物体の動き）を使用して、そのセル内の正常な動きのモデルを更新できる。モデルは、観察されている物体の特性の統計、たとえば期待される方向ならびに速度の大きさおよびそれの標準偏差等を取込む。時間間隔を含めて現場の利用度が時間に依存することを表わすために第３の次元を追加できる。それに加えて、モニタされている物体の動きの挙動は、朝の時間帯、昼食時間、午後、夜間、週末等に依存して変化し得る。

挙動評価モジュール３６は、正常モデル・データ・ストレージ２８から正常な動きのモデルを検索し、その正常な動きのモデルに基づいて受取ったメタデータを処理する。言換えると、挙動評価モジュール３６は、受取ったモニタされている物体に対応するメタデータを分析し、そのモニタされている物体が正常な動きのモデルに従って活動しているか否かを決定する。

挙動評価モジュール３６は、モニタされている物体に対応する異常性スコアを生成できる。異常性スコアは、正常な動きのモデルとモニタされている物体に対応するメタデータの間における差を計算する異常挙動モデルに従って生成される。異常挙動モデルは、不正な方向のモデル（ｗｒｏｎｇｄｉｒｅｃｔｉｏｎｍｏｄｅｌ）、うろつき（すなわち徘徊）モデル（ｗａｎｄｅｒｉｎｇｍｏｄｅｌ）、および速さ違反モデル（ｓｐｅｅｄｉｎｇｍｏｄｅｌ）を含むことができる。

アラーム生成モジュール３８は、異常性スコアが、正常（すなわち許容可能）挙動に対応するスレッショルドを超えるとき、少なくとも１つのデバイスをアクティブにする。そのデバイスは、ＧＵＩ２２、Ａ／Ｖアラーム２４、および／または記録ストレージ・モジュール２６とすることができる。さらにまたアラームは、追加のデバイスおよび／または近隣の警察署（補助を要請する）等の関係者、機械（オペレータへの危害を防止するために動力を遮断する）へ送信できる。

ＧＵＩ２２は、スクリーン上に通知を表示して保安監視員またはそのほかのユーザの注意を惹くことができる。監視員は、その後その物体を観察して、Ａ／Ｖアラーム２４を有効にする等の何らかの追加の行動が取られるべきか否かを決定する。しかしながら、保安監視員がＧＵＩ２２を介してそのモニタされている物体の軌跡を正常挙動として分類することもあり、その場合にはその後、対応するメタデータを正常モデル・データ・ストレージ２８内にストアできる。

Ａ／Ｖアラーム２４は、壁、床、乗り物、カメラ、および／または従業員によって携帯されるポータブル・デバイスに取付けられるライトおよび／またはサイレンを含むことができる。異常性スコアに基づいて異なるＡ／Ｖアラーム２４が作動されることがある。たとえば、異常性スコアがスレッショルドより低いときにはライトの発光を行なうが、スコアがスレッショルドより高いときには複数のライトの発光を行い、かつサイレンを鳴らして異常挙動の深刻度レベルを示すことができる。

記録ストレージ・モジュール２６は、作動されると検知デバイス１２ａ〜１２ｎからの画像データおよび／またはメタデータの記録を開始する。したがって記録ストレージ・モジュール２６は、ビデオ監視システム１０がすべての異常挙動を取込み、かつ記録することを、ビデオ監視システム１０による無関係なデータの常時記録および／またはストアを必要とすることなく可能にする。

ここで図５を参照すると、モデル構築モジュール３４がより詳細に示されている。モデル構築モジュール３４は、モデル・ロード・モジュール５０、正常モデル構築モジュール５２、および正常モデル・データ・ストレージ２８を含む。モデル構築モジュール３４は、２つのモード、すなわち学習および運用のうちの１つで動作する。モデル構築モジュール３４は、特定の量の標本が収集されるか、またはユーザが切換えを起動した後に学習モードから運用モードへ切り替わることができる。それに加えて、ユーザは、動的に（すなわち自動的に）運用モードへの切換えを行なった後にモデル適合を継続するか否かをコントロールできる。

学習モードにおいて正常モデル構築モジュール５２は、受取ったメタデータに基づいて正常な動きのモデルを構築し、それらの正常な動きのモデルを正常モデル・データ・ストレージ２８内にストアする。正常モデル構築モジュール５２は、正常モデル・データ・ストレージ２８内の既存の正常な動きのモデルを、受取ったメタデータを用いて更新することもできる。さらにまた、メタデータ、パラメータ、および／または全体のモデルが、オペレータにより、ＧＵＩ２２およびモデル・ロード・モジュール５０を介して正常モデル構築モジュール５２内にロードされることもある。

運用モードにおいては、挙動評価モジュール３６が、正常モデル・データ・ストレージ２８内にストアされている正常な動きのモデルを、モニタされている物体の挙動評価のために検索する。挙動評価および／またはアラーム作動が完了した後、モデル構築モジュール３４は、正常な動きのモデル・データベース内の既存の正常な動きのモデルを更新する（前述したとおり）。

次に図６を参照すると、挙動評価モジュール３６がより詳細に示されている。挙動評価モジュール３６は、モニタされている物体に対応するメタデータを受取る。また挙動評価モジュール３６は、正常モデル・データ・ストレージ２８からの正常な動きのモデルの検索も行なう。挙動評価モジュール３６は、メタデータを処理し、モニタされている物体が異常な振る舞いをしているか否かを（すなわち、正常な動きのモデルによらずに）決定する。

挙動評価モジュール３６は、フィルタリング・モジュール６０、不正な方向の挙動のスコア付けモジュール６２、うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４、および速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６を含む。フィルタリング・モジュール６０は、モニタされている物体に対応するメタデータのフィルタリングを行なう。

１つの実施態様においては、フィルタリング・モジュール６０がアウトライア（Ｏｕｔｌｉｅｒ）取扱い機能出力を生成できる。たとえば、アウトライア（Ｏｕｔｌｉｅｒ）取扱い機能出力は、アウトライア（Ｏｕｔｌｉｅｒ）のマーキング、アウトライア（Ｏｕｔｌｉｅｒ）のタイプ、物体の特性、およびデータ・キューブを含むことができ、外部モジュールとのオープン・インターフェースによりスコア付けモジュールによる共有ができる。

別の実施態様においては、フィルタリング・モジュール６０が、モニタされている物体が移動しなければならない最小距離を決定できる。たとえば、その最小移動距離は、検知デバイス１２ａ〜１２ｎのうちの１つに関連付けされるノイズ・レベルに対応することができる。言換えると、最小距離は、速度情報の生成のために不充分なものとし得る。

それに加えて、フィルタリング・モジュール６０は、モニタされている物体の位置の誤差を評価できる。したがって、フィルタリング・モジュール６０は、不適当な異常性スコアに起因する偽アラームを防止できる。フィルタリング・モジュール６０によってＭ×Ｎマトリクス・モデルを実装することができ、それについてより詳しく次に述べる。

図２Ｂの中で前述したとおり、検知デバイス１２ａ〜１２ｎのうちの１つの視野２０１がセル２０７に分割される。言換えると、Ｍ×Ｎマトリクス・モデルは、検知デバイス１２ａ〜１２ｎのうちの１つの視野のＭ×Ｎ個のセルに対応する。Ｍ×Ｎ個のセルのそれぞれは、フィルタリング・モジュール６０によって使用することができる誤差情報を含む。たとえば、Ｍ×Ｎ個のセルのそれぞれは、平均ｘ軸位置誤差（ａｖｅＸＥｒｒ）、ｘ軸位置誤差の標準偏差（ａｖｅＸＥｒｒＳｔｄ）、平均ｙ軸位置誤差（ａｖｅＹＥｒｒ）、ｙ軸位置誤差の標準偏差（ａｖｅＹＥｒｒＳｔｄ）、ｘ軸の標本数（ｎｘ）、およびｙ軸の標本数（ｎｙ）を含むことができる。

Ｍ×Ｎ個のセルのそれぞれのための位置誤差モデルは、次のとおりに生成できる。最初に、オリジナルの軌跡がタイムスタンプに対応するｘ軸およびｙ軸位置によって定義される（たとえば、ｘ，ｙ，ｔｓ）。続いてその軌跡が、カルマン・フィルタ等のフィルタによってスムージングされる。次に、スムージング後の軌跡とオリジナルの軌跡の間の差が生成される。言換えると、フィルタリング・モジュール６０は、各軌跡について、スムージング後のｘ軸位置ｘｓ（ｉ）とオリジナルのｘ軸位置ｘ（ｉ）の間の差の絶対値（たとえば、εｘ（ｉ）＝｜ｘｓ（ｉ）‐ｘ（ｉ）｜）およびスムージング後のｙ軸位置ｙｓ（ｉ）とオリジナルのｙ軸位置ｙ（ｉ）の間の差の絶対値（たとえば、εｙ（ｉ）＝｜ｙｓ（ｉ）‐ｙ（ｉ）｜）を生成する。

差を生成した後、フィルタリング・モジュール６０は、Ｍ×Ｎ個のセルのうちの対応する１つについての位置誤差モデルを更新する。平均ｘ軸位置誤差は、次式に基づいて更新できる。

（式３）においてｎ_ｘは、ｘ軸の標本数である。

ｘ軸位置誤差の標準偏差は、次（式４）に基づいて更新できる。

平均ｙ軸位置誤差は、次（式５）に基づいて更新できる。

（式５）においてｎ_ｙは、ｙ軸の標本数である。

ｙ軸位置誤差の標準偏差は、次（式６）に基づいて更新できる。

最後にｎ_ｘおよびｎ_ｙを１つ分だけインクリメントすることができる。更新された位置誤差モデルは、フィルタリング・モジュール６０によって、受取ったメタデータ内の誤差の訂正に使用される。フィルタリング・モジュール６０は、その後、フィルタリング済みメタデータをデータ・ストレージまたはそのほかのモジュールに対して出力する。

不正な方向の挙動のスコア付け
不正な方向の挙動のスコア付けモジュール６２は、モニタされている物体に対応するメタデータを処理し、モニタされている物体が正常な動きのモデルによって定義される正常な（すなわち安全な）方向へ移動しているか否かを決定する。

不正な方向の挙動のスコア付けモジュール６２は、正常な動きのモデル・データベースから正常な動きのモデルを検索し、フィルタリング・モジュール６０（または対応するデータ・ストレージ）からフィルタリング済みメタデータを検索する。不正な方向の挙動のスコア付けモジュール６２は、モニタされている物体が不適当な方向へ移動しているとき異常性スコアを生成し、これについてより詳しく次に説明する。

不正な方向の挙動のスコア付けモジュール６２は、特定の位置にある物体が特定の方向へ移動する尤度を生成し、かつ維持している。たとえば、不正な方向の挙動のスコア付けモジュール６２は、８つの方向エリアのうちの１つの中を物体が移動する尤度を作成し、かつ維持できる。言換えると、例示のためにのみ述べるが、各方向エリアは、それぞれ４５度に対応できる。例示的な正常挙動（すなわち、軌跡モデル）を次に示す。

（表２）において、Ａｒｅａは方向エリア（すなわち、４５度のセクション）に対応し、Ｖｘはｘ方向において期待される速度に対応し、Ｓｔｄｘは対応するエリア内のＶｘの標準偏差に対応し、Ｖｙはｙ方向において期待される速度に対応し、Ｓｔｄｙは対応するエリア内のＶｙの標準偏差に対応し、Ｃｏｕｎｔは対応するＡｒｅａ内の標本の数に対応する。

言換えると、ＶｘおよびＶｙは、対応するＡｒｅａ内のもっともありがちな方向に対応する。それに加えて、Ｃｏｕｎｔは、標本の総数（すなわち、Ｃｏｕｎｔ列の合計、またはＣｏｕｎｔ＿ｔｏｔａｌ）と比較した対応する位置にある物体がＡｒｅａに対応する方向へ移動する尤度（すなわち確率）と関係する。

ここで図７Ａおよび７Ｂを参照すると、尤度のテーブル（表２）の図式表現が示されている。図７Ａは、８つの象限のそれぞれについて、物体が移動することがもっともありがちな方向を図解している。さらにまた、象限内のより長い矢印は、その象限に対応する方向において物体が移動する尤度がより高いことに対応する。

図６および７Ｂを参照すると、不正な方向の挙動のスコア付けモジュール６２は、受取ったモニタされている物体に対応するメタデータに基づいて、モニタされている物体の方向を決定する。不正な方向の挙動のスコア付けモジュール６２は、その後、モニタされている物体の決定済みの方向に対してＫ個のもっとも近い方向を決定する。Ｋは、あらかじめ決定済みとすること、またはＧＵＩ２２を介してオペレータによってセットされるものとすることができる。たとえば、図７Ｂに図解されているとおり、Ｋを３とすることができる。Ｋ＝３個のもっとも近い方向は、それらの方向とモニタされている物体の方向の間における角度（θ）がもっとも小さい方向に対応する。図７Ｂに示されているとおり、これらの３つの最小角度をθ_１、θ_２、およびθ_３とすることができる。

不正な方向の挙動のスコア付けモジュール６２は、モニタされている物体の方向、Ｋ個のもっとも近い方向、およびそれらの対応する尤度に基づいて異常挙動スコアを生成する。不正な方向の挙動のスコア付けモジュール６２は、次式のとおり、Ｋ個のもっとも近い方向の重み付け平均を生成できる。

（式７）において、Ｌ_ｊは、モニタされている物体の方向角とＫ個のもっとも近い方向のうちの１つの方向角の間における角度に対応する対応のθ_ｊの（Ｃｏｕｎｔ／Ｃｏｕｎｔ＿ｔｏｔａｌ）に対応する。

不正な方向の挙動のスコア付けモジュール６２は、その後、次式のとおり、生の異常性スコアを生成する。

（式８）において、Ｌ＿ｍｅａｎは、対応する領域内のすべての方向の平均尤度である。

言換えると、スコアは、モニタされている物体が正しい（すなわち、もっともありがちな）方向へ移動しているとき、ゼロに近くなる。生のスコア（Ｓｃｏｒｅ＿ｒａｗ）は、複数の時間窓にわたって平均して、期間にわたる平均の不正な方向の異常性スコアを決定できる。

うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付け
うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、モニタされている物体に対応するメタデータを処理し、そのモニタされている物体が、ある期間の間にわたって、正常な動きのモデルによって定義される正常な（すなわち、安全な）合計距離を移動しているか否かを決定する。

うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、フィルタリング・モジュール６０（または対応するデータ・ストレージ）から正常な動きのモデルおよびフィルタリング済みメタデータを検索する。うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、２つの異なる方法に従って、モニタされている物体がうろついている（すなわち、徘徊している）場合に異常性スコアを生成できる。第１に、うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、モニタされている物体が、次に述べるとおり、あらかじめ決定済みの数の標本にわたってあらかじめ決定済みのエリア内をうろついているとき、異常性スコアを生成できる。

標本の数（固定サンプリング・レート）
最初に、うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、期待される最小の軌跡の長さ（ｅｘｐｅｃｔｅｄＬｅｎ）を、その軌跡に対応する平均の長さ（ａｖｅＬｅｎ）ならびに平均の長さの標準偏差（ｓｔｄＬｅｎ）に基づいて生成する。期待される最小の軌跡の長さｅｘｐｅｃｔｅｄＬｅｎは、平均の長さａｖｅＬｅｎと標準偏差ｓｔｄＬｅｎの和（ｅｘｐｅｃｔｅｄＬｅｎ＝ａｖｅＬｅｎ＋ｓｔｄＬｅｎ）とすることができる。言換えると、期待される最小の軌跡の長さｅｘｐｅｃｔｅｄＬｅｎは、うろつき（すなわち、徘徊）挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）を定義する移動の最小の長さに対応することができる。

次に、うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、フィルタリング済みメタデータに基づいてモニタされている物体の平均の速さ（ａｖｅＳｐｅｅｄ）を生成する。うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、その後、うろつき（すなわち、徘徊）挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）に対応する標本の数（ｅｘｐｅｃｔｅｄＮｕｍｏｆＰｏｉｎｔｓ）を決定する。標本の数ｅｘｐｅｃｔｅｄＮｕｍｏｆＰｏｉｎｔｓは、期待される軌跡の長さｅｘｐｅｃｔｅｄＬｅｎの３分の１（ｅｘｐｅｃｔｅｄＮｕｍｏｆＰｏｉｎｔｓ＝ｅｘｐｅｃｔｅｄＬｅｎ／３）とすることができる。また標本の数ｅｘｐｅｃｔｅｄＮｕｍｏｆＰｏｉｎｔｓは、動的に調整して検知デバイス１２ａ〜１２ｎのうちの１つの遠視野内における物体の効果を打ち消すこともできる。言換えると、遠視野内の物体は、対応する実際の速度より低い速度で移動しているように現れることがある。

次にうろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、モニタされている物体の平均の速さａｖｅＳｐｅｅｄおよび標本の数ｅｘｐｅｃｔｅｄＮｕｍｏｆＰｏｉｎｔｓに基づいて方形のうろつきエリアの幅（ｗｉｄｔｈ）を決定する。この幅は、平均の速さａｖｅＳｐｅｅｄと標本の数ｅｘｐｅｃｔｅｄＮｕｍｏｆＰｏｉｎｔｓの積（ｗｉｄｔｈ＝ａｖｅＳｐｅｅｄ×ｅｘｐｅｃｔｅｄＮｕｍｏｆＰｏｉｎｔｓ）とすることができる。

その後うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、方形のうろつきエリア内におけるモニタされている物体の検出された標本の数（ＮｕｍｏｆＰｏｉｎｔｓ）をカウントするが、それにおいて方形のうろつきエリアは、そのモニタされている物体の現在の位置に中心が置かれる。

最後に、うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、検出された標本の数ＮｕｍｏｆＰｏｉｎｔｓおよび期待される標本の数ｅｘｐｅｃｔｅｄＮｕｍｏｆＰｏｉｎｔｓに基づいて異常性スコアを生成する。うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、次式に従って異常性スコアを生成することができる。

スコアは、検出された標本の数ＮｕｍｏｆＰｏｉｎｔｓが、期待される標本の数ｅｘｐｅｃｔｅｄＮｕｍｏｆＰｏｉｎｔｓおよびゼロの両方より大きいか、または等しいときにゼロに等しくなる。

時間ベース（非固定サンプリング・レート）
上記に代えてうろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、モニタされている物体が、次に述べるとおり、あらかじめ決定済みの時間にわたってあらかじめ決定済みのエリア内をうろついているとき、異常性スコアを生成できる。

最初に、うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、ｘ軸位置の最小値ならびに最大値（ｘｍｉｎ，ｘｍａｘ）およびｙ軸位置の最小値ならびに最大値（ｙｍｉｎ，ｙｍａｘ）に基づいて、軌跡内の各点について軌跡の最小バウンディング・ボックス（ＭＢＲ）を定義する。次にうろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、次式のとおり、２つの差およびＭＢＲ半径を生成する。

うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、続いて、瞬時速度のｋ個の標本に基づいてモニタされている物体の平均の速さ（ＥｘｐｅｃｔｅｄＳｐｅｅｄ（ｉ，ｊ），ｊ＝１，２，．．．，ｋ）を決定する。ｋ個の瞬時速度は、サンプリング期間の間にわたって等しい１／ｋの間隔においてサンプリングされるものとすることができる。

次に、うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、期待される最小うろつき時間（ＥｘｐｅｃｔｅｄＭｉｎＷａｎｄｅｒｉｎｇＴｉｍｅ）を、次式のとおり、区分関数に基づいて決定する。

（式１１）においてｋは、構成可能とすることができる。たとえば、ｋが８に等しいときには、期待される最小うろつき時間が、軌跡を８つの線分に分割することによって評価される。

うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、続いて、モニタされている物体のシルエット・サイズ（ｎｕｍＰｉｘｅｌｓ）および、モニタされている物体の平均シルエット・サイズａｖｇＰｉｘｅｌｓおよび標準偏差（ｓｔｄＰｉｘｅｌｓ）を追跡するシルエット・サイズ・モデルに基づいて信頼度ファクタ（ＣＦ）を生成する。補正後のシルエット・サイズｚ（ｉ）は、次式のとおりに生成できる。

その後、次式のとおり、補正後のシルエット・サイズｚ（ｉ）に基づいて信頼度ファクタＣＦを決定できる。

（式１３）において、ｚ（ｉ）が１より小さいか、またはそれと等しいときにＣＦが１（すなわち、完全信頼度）に等しくなる。言換えると、これは、そのシルエット・サイズが平均シルエット・サイズの標準偏差内にあることから、シルエット・サイズ（すなわち、ぼんやりとした形のサイズ）が正常であることを示す。それ以外の場合にＣＦは、異常性のレベルを表わすべくｚ（ｉ）に基づいて低減される（すなわち、信頼度が減少する）。

うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、平均軌跡持続時間（ａｖｇＴｒａｊｅｃｔｏｒＤｕｒａｔｉｏｎ）および軌跡持続時間の標準偏差（ｓｔｄＴｒａｊｅｃｔｏｒＤｕｒａｔｉｏｎ）に基づいて最小うろつき時間（ｍｉｎＷａｎｄｅｒｉｎｇＴｉｍｅ）を決定する。最小うろつき時間（ｍｉｎＷａｎｄｅｒｉｎｇＴｉｍｅ）は、平均軌跡持続時間ａｖｇＴｒａｊｅｃｔｏｒＤｕｒａｔｉｏｎに標準偏差ｓｔｄＴｒａｊｅｃｔｏｒｙＤｕｒａｔｉｏｎを２つ加えた値（ｍｉｎＷａｎｄｅｒｉｎｇＴｉｍｅ＝ａｖｇＴｒａｊｅｃｔｏｒｙＤｕｒａｔｉｏｎ＋２×ｓｔｄＴｒａｊｅｃｔｏｒｙＤｕｒａｔｉｏｎ）とすることができる。スコア・ファクタ（ｓｃｏｒｅＦａｃｔｏｒ（ｉ））が、以下のとおり、この目的を記述するために定義される。軌跡時間が、平均軌跡時間より小さい場合には、ｓｃｏｒｅＦａｃｔｏｒ（ｉ）がゼロになり、そのほかの場合には次式のとおりとなる。

より詳細に述べると、スコア・ファクタは、単調であり、軌跡時間に比例する。たとえば、軌跡持続時間が２つ分の標準偏差ｓｔｄＴｒａｊｅｃｔｏｒｙＤｕｒａｔｉｏｎを超えて平均軌跡持続時間ａｖｇＴｒａｊｅｃｔｏｒＤｕｒａｔｉｏｎより大きいとき、スコア・ファクタが１に近づく。それに代わり、たとえば、軌跡持続時間が２つ分の標準偏差ｓｔｄＴｒａｊｅｃｔｏｒｙＤｕｒａｔｉｏｎ未満で平均軌跡持続時間ａｖｇＴｒａｊｅｃｔｏｒＤｕｒａｔｉｏｎを超える場合には、スコア・ファクタが指数関数的に減少する。

最後に、うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６４は、次式に基づいて異常性スコアを生成する。

（式１５）において、ＴｒａｊｅｃｔｏｒｙＴｉｍｅ（ｉ）は、モニタされている物体がうろつきエリア内にいた決定済みの時間に対応する。スコアは、ＴｒａｊｅｃｔｏｒｙＴｉｍｅ（ｉ）が最小うろつき時間ｍｉｎＷａｎｄｅｒｉｎｇＴｉｍｅより小さいか、またはそれと等しいときに０と等しくなる。

速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付け
速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、モニタされている物体に対応するメタデータを処理して、そのモニタされている物体が正常な動きのモデルによって定義される正常な（すなわち、安全な速さにおいて移動しているか否かを決定する。

速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、フィルタリング・モジュール６０（または対応するデータ・ストレージ）から正常な動きのモデルおよびフィルタリング済みメタデータを検索する。速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、モニタされている物体が、次に述べるとおり、あらかじめ決定済みの速さスレッショルドを超える速さで移動しているとき、異常性スコアを生成する。

最初に、速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、モニタされている物体の瞬時的な速さおよびモニタされている物体の現在の方向を、現在の位置ならびに時刻（ｘ（ｉ），ｙ（ｉ），ｔｓ（ｉ））および以前の位置ならびに時刻（ｘ（ｉ‐ｗ），ｙ（ｉ‐ｗ），ｔｓ（ｉ‐ｗ））に基づいて決定する。速さは、次式のとおりに決定できる。

（式１６）において、以前の位置（ｉ‐ｗ）は、所定の最小限度変位ｍｉｎＤｉｓを用いて、（ｉ‐ｗ）から（ｉ）までの変位がｍｉｎＤｉｓより大きくなるが、（ｉ‐ｗ＋１）から（ｉ）までの変位がｍｉｎＤｉｓより小さくなるか、またはそれと等しくなるように決定される。最小限度変位ｍｉｎＤｉｓは、構成可能とすることもできる。たとえば、ｍｉｎＤｉｓを、少なくとも、外部の追跡アルゴリズムによって評価された物体のサイズとすることができる。

次に、速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、モニタされている物体の決定済みの方向に対してＫ個のもっとも近い方向を決定する。Ｋは、あらかじめ決定済みとすること、またはＧＵＩ２２を介してオペレータによってセットされるものとすることができる。たとえば、図７Ｂに示されており、かつ以前に述べたとおり、Ｋを３とすることができる。

速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、モニタされている物体の速さ、そのモニタされている物体の決定済みの方向に対してもっとも近い方向に対応するＫ個の平均の速さに基づいて異常挙動スコアを生成する。しかしながら、特定の方向において速度情報がまったく存在しなかった場合には（すなわち、図４参照）、その特定の方向のためのファクタ（ｉｓＷｅｉｇｈｔｅｄ（ｉ））をゼロにセットすることができる。それ以外であれば、速度情報が存在するときにファクタｉｓＷｅｉｇｈｔｅｄ（ｉ）を１にセットし（すなわち、情報が存在する）、速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、Ｋ個のもっとも近い方向のうちの残りの方向について距離ファクタｄ（ｉ）を生成できる。複数の方向への重み付けが、速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）検出の正確度および堅牢性を増加させる。言換えると、重み付けなしでは、速度情報が利用できないことがあり、したがって結果としてエラーを生じることがある。

速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、モニタされている物体の方向角とＫ個のもっとも近い方向のうちの対応する１つの方向角の間における差（θ_ｉ）に基づいて距離ファクタｄ（ｉ）を生成する。たとえば、ｄ（ｉ）をｃｏｓ（θ_ｉ）に等しいとすることができる。速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、その後、Ｋ個のもっとも近い方向のそれぞれについての重みファクタｗ（ｉ）を生成する。Ｋ＝３であれば、重みファクタｗ（ｉ）を次式のとおりに生成できる。

さらにまた、重みファクタｗ（ｉ）に基づいて総合重みファクタ（ｔｏｔａｌＷｅｉｇｈｔ）を生成し、重みの正規化に使用することができる。たとえば、総合重みファクタｔｏｔａｌＷｅｉｇｈｔを、重みファクタｗ（ｉ）の和（たとえば、ｔｏｔａｌＷｅｉｇｈｔ＝ｗ（１）＋ｗ（２）＋ｗ（３））とすることができる。速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、その後、モニタされている物体の現在の方向に対応する評価済み平均速度（ｖｅｌ＿ｈａｔ）および評価済み標準偏差（ｓｔｄ＿ｈａｔ）を生成する。総合の重みｔｏｔａｌＷｅｉｇｈｔが０に等しいときには、ｖｅｌ＿ｈａｔおよびｓｔｄ＿ｈａｔの両方をゼロにセットすることができる。それ以外であれば、ｖｅｌ＿ｈａｔおよびｓｔｄ＿ｈａｔを次式のとおりに生成できる。

（式１８）において、ａｖｇＶｅｌ（ｉ）はＫ個のもっとも近い方向の平均速度に対応し、ａｖｇＳｔｄ（ｉ）はＫ個のもっとも近い方向の平均標準偏差に対応する。ｖｅｌ＿ｈａｔを通じて正規化された速さは、カメラの視野内の遠視野内および近視野内の速度を較正することになる。この正規化された速さに基づき、物体が同じ速度にあるが検知デバイス１２ａ〜１２ｎのうちの１つの視野内の異なる野の中にあるときに、速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６によって生成されるスコアを同じレベルにあるとすることができる。

速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、その後、現在の方向における平均の速さｖｅｌ＿ｈａｔに基づいて、次式のとおり、生の異常性スコアを生成する。

（式１９）において、ｌａｍｄａは、物体がどの程度速く移動すれば異常な速さであるとして検出されるかということに基づいて構成可能であるとし得る。たとえば、平均の速さの３倍が有意である場合には、ｌａｍｄａを１／３として定義できる。ランダム性（ｒａｎｄｏｍＦａｃｔｏｒ）が、モニタされている物体の動きの方向における変化ならびに評価済みの測定誤差に基づいて評価される。たとえば、ランダム性を次式のとおりに生成できる。

（式２０）において、ε_ｋは、カルマン・フィルタによって予測される評価済みの測定誤差である。

速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、その後、生の異常性スコアに基づいて異常性スコアを生成する。速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール６６は、あらかじめ決定済みの期間にわたる生の異常性スコアの中央値に基づいて異常性スコアを生成することもできる。あらかじめ決定済みの期間（すなわち、時間窓）はｋ秒とすることができるが、それにおいてｋは、次式のとおりに定義される。

（式２１）において、ｃｏｌＳｉｚｅおよびｒｏｗＳｉｚｅは、ストアされた標本の数に対応する。たとえば、Ｋ＝ｍｉｎ（ｋ，２）は、移動の時間窓が０．５から２秒まで変化することを示すことがある。

時間窓の動的な調整（すなわちコントロール）が、検知デバイス１２ａ〜１２ｎのうちの１つの遠視野内の物体に起因する誤差を低減できる。より詳細に述べれば、遠視野内の物体は、対応する実際の速度より低い速度において移動しているように現れることがある。したがって、時間窓を調整して遠視野の効果を打ち消すことができる。それに代えて、遠視野に対応する正規化された速度が、遠視野の効果を打ち消すことがある。

本発明の別の特徴においては、挙動評価モジュール３６が、特定の異常挙動および特定の検知デバイス１２ａ〜１２ｎのための深刻度レベル割当てを向上させる、物体の異常挙動スコアを含むマップを生成できる。例示のためにのみ述べるが、そのマップを適応型偽アラーム低減マップ（ＡＦＡＲＭ）と呼ぶことができる。したがって、ビデオ監視システム１０は、過剰なアラームへの傾注によってセキュリティ・オペレータを圧倒することなく、異常事象の深刻度に基づいてそれらを優先順位設定することができる。

挙動評価モジュール３６モジュールは、スコアの正規化のために各異常挙動タイプについて物体の異常性スコアを収集する。たとえば、次に示すパラメータを決定できる。
ＡＦＡＲＭ［］．ａｖｅＳｃｏｒｅ＝物体の平均異常挙動スコア
ＡＦＡＲＭ［］．ｓｔｄＳｃｏｒｅ＝異常挙動スコアの標準偏差
ＡＦＡＲＭ［］．ｎ＝標本の数
ＡＦＡＲＭ［］．ｍｉｎＳｃｏｒｅ＝最小異常性スコア値

各異常挙動検出器のためのＡＦＡＲＭは、以下のとおりに生成できる。最初に、平均異常挙動スコア（ａｖｅＳｃｏｒｅ）が最小限度の値（ｍｉｎＳｃｏｒｅ）にセットされる。たとえば、ＭｉｎＳｃｏｒｅを０．７５とすることができる。次に、軌跡の標本の数が所定の数（ｎ）にセットされる。たとえば、ｎを１００とすることができる。

それに加えて、各物体の軌跡が処理された後、ＡＦＡＲＭ内の異常挙動タイプ（Ｊ）が、所定の異常挙動スコアＳについて次のとおりに更新される。
ｎｅｗＳａｍｐｌｅ＝ＡＦＡＲＭ［Ｊ］．ｍｉｎＳｃｏｒｅ
ｉｆＳ＞ＡＦＡＲＭ［Ｊ］．ａｖｅＳｃｏｒｅ：
ｎｅｗＳａｍｐｌｅ＝Ｓ；
ｅｎｄ，
これにおいて、

したがって、平均スコア（ａｖｅＳｃｏｒｅ）は、所定の最小限度のスコアより上にとどまることができる。ＡＦＡＲＭに基づいてビデオ監視システム１０は、スコアを分散させ、正規化されたスコアに基づいて正常と異常の挙動を際だって見分ける。

ここで図８Ａを参照すると、ステップ１００において、不正な方向の異常性スコアを生成するための方法が開始する。ステップ１０２においては、異常挙動検出モジュール２０が、学習モードであるか否かを決定する。イエスであれば、コントロールがステップ１０２へ戻ることができる。ノーであれば、コントロールがステップ１０４へ進むことができる。

ステップ１０４においては、異常挙動検出モジュール２０が、モニタされている物体の方向に対してＫ個のもっとも近い方向を決定する。例示のためにのみ述べるが、Ｋ個のもっとも近い方向は、それらの方向角とモニタされている物体の方向角の間に最小の差を伴う方向であるとすることができる。

ステップ１０６においては、異常挙動検出モジュール２０が、Ｋ個のもっとも近い方向の重み付け平均を生成する。より詳細に述べれば、異常挙動検出モジュール２０は、Ｋ個のもっとも近い方向に対応するＫ個の角度およびＫ個の尤度に基づいて尤度を生成する。

ステップ１０８においては、異常挙動検出モジュール２０が、重み付け平均およびＫ個の対応する尤度に基づいて生のスコアを生成する。ステップ１１０においては、異常挙動検出モジュール２０が、生のスコアに基づいて異常性スコアを生成する。例示のためにのみ述べるが、異常挙動検出モジュール２０は、あらかじめ決定済みの期間にわたる生のスコアの平均に基づいて異常性スコアを生成できる。その後ステップ１１２においてコントロールが終了する。

ここで図８Ｂを参照するが、うろつき異常性スコアを生成するための方法は、ステップ１２０において開始する。ステップ１２２においては、異常挙動検出モジュール２０が、学習モードであるか否かを決定する。イエスであれば、コントロールがステップ１２２へ戻ることができる。ノーであれば、コントロールがステップ１２４へ進むことができる。

ステップ１２４においては、異常挙動検出モジュール２０が、固定サンプリング・レートで動作しているか否かを決定する。イエスであれば、コントロールがステップ１２６へ進むことができる。ノーであれば、コントロールがステップ１３６へ進むことができる。

ステップ１２６においては、異常挙動検出モジュール２０が、うろつきエリアに対応する最小軌跡長を生成する。ステップ１２８においては、異常挙動検出モジュール２０が、モニタされている物体の平均の速さを決定できる。ステップ１３０においては、異常挙動検出モジュール２０が、うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）に対応するうろつきエリア内の点の数の最小値を決定できる。

ステップ１３２においては、異常挙動検出モジュール２０が、モニタされている物体がうろついていた標本の数をカウントする。言換えると異常挙動検出モジュール２０は、モニタされている物体がうろつきエリア内にあるときの標本の数をカウントできる。ステップ１３４においては、異常挙動検出モジュール２０が、カウントした標本の数に基づいて異常性スコアを生成できる。コントロールは、その後ステップ１４６において終了できる。

ステップ１３６においては、異常挙動検出モジュール２０が、うろつきエリアに対応する最小バウンディング・ボックス（ＭＢＲ）を生成するが、これは、ｒａｄｉｕｓ（ｉ）によって参照されることもある。ステップ１３８においては、異常挙動検出モジュール２０が、モニタされている物体の平均の速さを決定できる。

ステップ１４０においては、異常挙動検出モジュール２０が、最小うろつき時間（Ｍｉｎｉｍｕｍｗａｎｄｅｒｉｎｇｔｉｍｅ）を決定する。例示のためにのみ述べるが、最小うろつき時間（Ｍｉｎｉｍｕｍｗａｎｄｅｒｉｎｇｔｉｍｅ）は、モニタされている物体が対応するＭＢＲ内にある時間であって、うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）であるとして分類される期間に対応する。

ステップ１４２においては、異常挙動検出モジュール２０が、モニタされている物体の平均および期待されるシルエット・サイズ（すなわち、ピクセル・サイズ）に基づいて信頼度ファクタＣＦを生成する。ステップ１４４においては、異常挙動検出モジュール２０が、最小うろつき時間（Ｍｉｎｉｍｕｍｗａｎｄｅｒｉｎｇｔｉｍｅ）、モニタされている物体に対応する軌跡時間、および信頼度ファクタに基づいて異常性スコアを生成できる。コントロールは、その後ステップ１４６において終了できる。

ここで図８Ｃを参照するが、速さ違反異常性スコアを生成するための方法は、ステップ１５０において開始する。ステップ１５２においては、異常挙動検出モジュール２０が、学習モードで動作しているか否かを決定する。イエスであれば、コントロールがステップ１５２へ戻ることができる。ノーであれば、コントロールがステップ１５４へ進むことができる。

ステップ１５４においては、異常挙動検出モジュール２０が、モニタされている物体の速さおよび方向を決定する。ステップ１５６においては、異常挙動検出モジュール２０が、モニタされている物体に対してＫ個のもっとも近い方向を決定できる。例示のためにのみ述べるが、Ｋ個のもっとも近い方向は、それらの方向角とモニタされている物体の方向角の間に最小の差を伴う方向であるとすることができる。

ステップ１５８においては、異常挙動検出モジュール２０が、Ｋ個のもっとも近い方向のそれぞれについて、距離ファクタｄ（ｉ）を生成する。例示のためにのみ述べるが、Ｋ個のもっとも近い方向のうちの対応する１つについて、速度情報が存在しないときは距離ファクタｄ（ｉ）をゼロとすることができる。例示のためにのみ述べるが、距離ファクタｄ（ｉ）は、対応する方向角とモニタされている物体の方向角の間における差に基づくことができる。

ステップ１６０においては、異常挙動検出モジュール２０が、距離ファクタｄ（ｉ）に基づいて重みファクタｗ（ｉ）を生成する。ステップ１６２においては、異常挙動検出モジュール２０が、総合重みファクタを生成する。例示のためにのみ述べるが、総合重みファクタは、重みファクタｗ（ｉ）の和とすることができる。

ステップ１６２においては、異常挙動検出モジュール２０が、現在の位置における物体の平均速度および標準偏差を推定（Ｅｓｔｉｍａｔｅ）する。ステップ１６４においては、異常挙動検出モジュール２０が、モニタされている物体の平均速度および現在の位置における物体の平均速度に基づいて生のスコアを生成する。

ステップ１６６においては、異常挙動検出モジュール２０が、生のスコアに基づいて異常性スコアを生成する。例示のためにのみ述べるが、異常挙動検出モジュール２０は、あらかじめ決定済みの期間にわたる生のスコアの中央値に基づいて異常性スコアを生成できる。コントロールは、その後ステップ１６８において終了できる。

ここで図９を参照するが、ビデオ監視システム１０を動作させるための方法は、ステップ１７０において開始する。ステップ１７２においては、異常挙動検出モジュール２０が、検知デバイス１２ａ〜１２ｎから受取った画像データに基づいてメタデータを処理する。

ステップ１７４においては、異常挙動検出モジュール２０が、学習モードで動作しているか否かを決定する。イエスであれば、コントロールがステップ１７６へ進むことができる。ノーであれば、コントロールがステップ１７８へ進むことができる。ステップ１７６においては、異常挙動検出モジュール２０が、処理後のメタデータに基づいて正常な動きのモデルを更新（または生成）する。コントロールは、ステップ１８６において終了できる。

ステップ１７８においては、異常挙動検出モジュール２０が、正常モデル・データ・ストレージ２８からの正常な動きのモデルの検索を行なう。ステップ１８０においては、異常挙動検出モジュール１８０が、モニタされている物体に対応する異常性スコアを生成する。例示のためにのみ述べるが、異常性スコアは、１つまたは複数の正常な動きのモデル、およびモニタされている物体に対応する生成および／または前処理されたメタデータに基づくことができる。コントロールは、その後、ステップ１７６およびステップ１８２の両方へ進むことができる。言換えると、異常挙動検出モジュール２０は、生成した異常性スコアに基づき、ステップ１７６において正常な動きのモデルを更新できる。

ステップ１８２においては、異常挙動検出モジュール２０が、異常性スコアとあらかじめ決定済みの異常性スコア・スレッショルドを比較する。異常性スコアがあらかじめ決定済みの異常性スコア・スレッショルドより大きい場合には、コントロールがステップ１８４へ進むことができる。それ以外の場合には、コントロールがステップ１８６へ進み、コントロールを終了できる。

ステップ１８４においては、異常挙動検出モジュール２０が、モニタされている物体の異常挙動に対応するアラーム信号を生成する。例示のためにのみ述べるが、アラーム信号は、ＧＵＩ２２、Ａ／Ｖアラーム２４、および記録ストレージ・モジュール２６のうちの少なくとも１つに渡すことができる。コントロールは、その後ステップ１８６において終了できる。

以上の実施態様の説明は、例示および説明の目的のために提供されてきた。それが網羅的であること、または本発明を限定することは意図されていない。特定の実施態様の個別の要素または特徴は、概してその特定の実施態様に限定されず、明確に示されていないか述べられていない場合であっても適用可能なときには相互交換可能であり、かつ選択された実施態様内において使用が可能である。同じことが、多くの形で多様なものになることもあり得る。その種の変形は、本発明からの逸脱とは見なされず、すべてのその種の修正は本発明の範囲内に含まれることが意図されている。

１０ビデオ監視システム
２０異常挙動検出モジュール
２２グラフィカル・ユーザ・インターフェース（ＧＵＩ）
２４聴覚／視覚（Ａ／Ｖ）アラーム
２６記録ストレージ・モジュール
２８正常モデル・データ・ストレージ
３０メタデータ生成モジュール
３２メタデータ処理モジュール
３４モデル構築モジュール
３６挙動評価モジュール
３８アラーム生成モジュール
５０モデル・ロード・モジュール
５２正常モデル構築モジュール
６０フィルタリング・モジュール
６２不正な方向の挙動のスコア付けモジュール
６４うろつき挙動（ｗａｎｄｅｒｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール
６６速さ違反挙動（ｓｐｅｅｄｉｎｇｂｅｈａｖｉｏｒ）のスコア付けモジュール
２０１視野
２０３Ａ目標エリア
２０３Ｂ目標エリア
２０５Ａ左上コーナの点
２０５Ｂエリア
２０７グリッド、セル
１２ａ〜１２ｎ検知デバイス

Claims

学習モードにおける物体の動きに関するメタデータを受け取り、検知物体の正常な動きのモデルを生成するモデル構築モジュールと、
運用モードにおいてモニタされている物体の動きに関するメタデータと前記正常な動きのモデルを受け取って、前記モニタされている物体の不正な方向の挙動のスコア付けを行う挙動評価モジュールと、
前記スコア付けに基づいてアラームを生成するアラーム生成モジュールと、
を含む監視システムであって、
前記モニタされている物体のメタデータは、少なくとも前記モニタされている物体の現在の位置と前記モニタされている物体の現在の方向に関する情報を含み、
前記挙動評価モジュールは、特定の位置にある物体が特定の方向に移動する尤度を保持し、前記物体の現在の位置と物体の現在の方向に関する情報と、前記特定の位置にある物体が特定の方向に移動する尤度とに基づいて前記モニタされている物体の不正な方向の挙動のスコア付けをする、
監視システム。
学習モードにおける物体の動きに関するメタデータを受け取り、検知物体の正常な動きのモデルを生成するモデル構築ステップと、
運用モードにおいてモニタされている物体の動きに関するメタデータと前記正常な動きのモデルを受け取って、前記モニタされている物体の不正な方向の挙動のスコア付けを行う挙動評価ステップと、
前記スコア付けに基づいてアラームを生成するアラーム生成ステップと、
を含む監視方法であって、
前記モニタされている物体のメタデータは、少なくとも前記モニタされている物体の現在の位置と前記モニタされている物体の現在の方向に関する情報を含み、
前記挙動評価ステップは、特定の位置にある物体が特定の方向に移動する尤度を保持し、前記物体の現在の位置と物体の現在の方向に関する情報と、前記特定の位置にある物体が特定の方向に移動する尤度とに基づいて前記モニタされている物体の不正な方向の挙動のスコア付けをする、
監視方法。
学習モードにおける物体の動きに関するメタデータを受け取り、検知物体の正常な動きのモデルを生成するモデル構築ステップと、
運用モードにおいてモニタされている物体の動きに関するメタデータと前記正常な動きのモデルを受け取って、前記モニタされている物体の不正な方向の挙動のスコア付けを行う挙動評価ステップと、
前記スコア付けに基づいてアラームを生成するアラーム生成ステップと、
をコンピュータに実行させるための監視プログラムであって、
前記モニタされている物体のメタデータは、少なくとも前記モニタされている物体の現在の位置と前記モニタされている物体の現在の方向に関する情報を含み、
前記挙動評価ステップは、特定の位置にある物体が特定の方向に移動する尤度を保持し、前記物体の現在の位置と物体の現在の方向に関する情報と、前記特定の位置にある物体が特定の方向に移動する尤度とに基づいて前記モニタされている物体の不正な方向の挙動のスコア付けをする、
監視プログラム。
学習モードにおける物体の動きに関するメタデータを受け取り、検知物体の正常な動きのモデルを生成するモデル構築モジュールと、
運用モードにおいてモニタされている物体の動きに関するメタデータと前記正常な動きのモデルを受け取って、前記モニタされている物体の速さ違反挙動のスコア付けを行う挙動評価モジュールと、
前記スコア付けに基づいてアラームを生成するアラーム生成モジュールと、
を含む監視システムであって、
前記モニタされている物体のメタデータは、少なくとも前記モニタされている物体の現在の位置と前記モニタされている物体の現在の方向と前記モニタされている物体の速度に関する情報を含み、
前記挙動評価モジュールは、特定の位置にある物体が特定の方向に移動する速度スレッショルドを保持し、前記物体の現在の位置と物体の現在の方向と前記モニタされている物体の速度に関する情報と、特定の位置にある物体が特定の方向に移動する速度スレッショルドとに基づいて前記モニタされている物体の速さ違反挙動のスコア付けをする、
監視システム。
学習モードにおける物体の動きに関するメタデータを受け取り、検知物体の正常な動きのモデルを生成するモデル構築ステップと、
運用モードにおいてモニタされている物体の動きに関するメタデータと前記正常な動きのモデルを受け取って、前記モニタされている物体の速さ違反挙動のスコア付けを行う挙動評価ステップと、
前記スコア付けに基づいてアラームを生成するアラーム生成ステップと、
を含む監視方法であって、
前記モニタされている物体のメタデータは、少なくとも前記モニタされている物体の現在の位置と前記モニタされている物体の現在の方向と前記モニタされている物体の速度に関する情報を含み、
前記挙動評価ステップは、特定の位置にある物体が特定の方向に移動する速度スレッショルドを保持し、前記物体の現在の位置と物体の現在の方向と前記モニタされている物体の速度に関する情報と、特定の位置にある物体が特定の方向に移動する速度スレッショルドとに基づいて前記モニタされている物体の速さ違反挙動のスコア付けをする、
監視方法。
学習モードにおける物体の動きに関するメタデータを受け取り、検知物体の正常な動きのモデルを生成するモデル構築ステップと、
運用モードにおいてモニタされている物体の動きに関するメタデータと前記正常な動きのモデルを受け取って、前記モニタされている物体の速さ違反挙動のスコア付けを行う挙動評価ステップと、
前記スコア付けに基づいてアラームを生成するアラーム生成ステップと、
をコンピュータに実行させるための監視プログラムであって、
前記モニタされている物体のメタデータは、少なくとも前記モニタされている物体の現在の位置と前記モニタされている物体の現在の方向と前記モニタされている物体の速度に関する情報を含み、
前記挙動評価ステップは、特定の位置にある物体が特定の方向に移動する速度スレッショルドを保持し、前記物体の現在の位置と物体の現在の方向と前記モニタされている物体の速度に関する情報と、特定の位置にある物体が特定の方向に移動する速度スレッショルドとに基づいて前記モニタされている物体の速さ違反挙動のスコア付けをする、
監視プログラム。