JP5643147B2 - 動きベクトル検出装置、動きベクトル検出方法及び動きベクトル検出プログラム - Google Patents

Description

本発明は、実空間を移動する物体を含むシーンを撮像するカメラによって入力された少なくとも２枚以上のフレーム画像から、動きベクトルを検出し、当該動きベクトルから移動物体上の動きベクトルを検出する動きベクトル検出装置、動きベクトル検出方法及び動きベクトル検出プログラムに関する。

実空間を移動する物体を含むシーンを撮像するカメラによって入力された少なくとも２枚以上のフレーム画像から、動きベクトルを検出し、検出した動きベクトルから移動物体上の動きベクトルを検出する移動物体動きベクトル検出装置では、検出した動きベクトルを用いて、例えば歩行者や車の逆向を検出することなどを可能にしている。

従来の移動物体上動きベクトル検出装置としては、１枚以上のフレーム画像から、テンプレートマッチングや時空間微分法を用いて動きベクトルを算出し、算出した動きベクトルの類似性によりクラスタリングすることで移動物体を検出する方法が知られている（例えば、非特許文献１参照）。

「パターン情報処理」，白井良明、谷内田正彦 共著，オーム社発行ｐｐ．１３９−ｐｐ．１４２，１９９８）

しかしながら、従来の方法では、テンプレートマッチングや時空間微分法によって算出する動きベクトルが正しいものとして移動物体を検出するため、検出した動きベクトルに、撮像対象である実空間中に繰返しテクスチャを有す、或いはテクスチャ情報が少ない物体が存在することや、物体が他の物体によって隠蔽されるオクルージョン、撮像画像上でのエッジ部分によって生じる開口問題等に起因する誤検出ベクトルが含まれる場合、正しく移動物体を検出できないという問題がある。

本発明は、このような事情に鑑みてなされたもので、移動物体上動きベクトル検出する際に、算出した動きベクトルに誤検出ベクトルが含まれる場合においても正確に移動物体上の動きベクトルを検出することができる動きベクトル検出装置、動きベクトル検出方法及び動きベクトル検出プログラムを提供することを目的とする。

本発明は、少なくとも２枚のフレーム画像を入力し、入力した２枚の前記フレーム画像から特徴点の動きベクトルを算出し、算出した前記動きベクトルと、最新時刻のフレーム画像とを出力する動きベクトル検出手段と、前記最新時刻フレーム画像と、前記動きベクトルから誤検出ベクトルと推測される動きベクトルをテンプレートマッチングを用いて検出し、入力された動きベクトルから、検出した誤検出ベクトルを除いた動きベクトルを出力する誤検出ベクトル除去手段と、前記誤検出ベクトルを除いた動きベクトルについて、画像上での角度パラメータを算出し、算出した角度パラメータを各動きベクトルに唯一付与された動きベクトルＩＤを関連付けた特徴量リストを作成し、作成した特徴量リストを出力する特徴量算出手段と、前記特徴量リスト中の前記動きベクトルをクラスタリングすることにより、前記動きベクトルを決定して出力する動きベクトルクラスタリング手段とを備えたことを特徴とする。

本発明は、少なくとも２枚のフレーム画像を入力し、入力した２枚の前記フレーム画像から特徴点の動きベクトルを算出し、算出した前記動きベクトルと、最新時刻のフレーム画像とを出力する動きベクトル検出ステップと、前記最新時刻フレーム画像と、前記動きベクトルから誤検出ベクトルと推測される動きベクトルをテンプレートマッチングを用いて検出し、入力された動きベクトルから、検出した誤検出ベクトルを除いた動きベクトルを出力する誤検出ベクトル除去ステップと、前記誤検出ベクトルを除いた動きベクトルについて、画像上での角度パラメータを算出し、算出した角度パラメータを各動きベクトルに唯一付与された動きベクトルＩＤを関連付けた特徴量リストを作成し、作成した特徴量リストを出力する特徴量算出ステップと、前記特徴量リスト中の前記動きベクトルをクラスタリングすることにより、前記動きベクトルを決定して出力する動きベクトルクラスタリングステップとを有することを特徴とする。

本発明は、動きベクトル検出装置上のコンピュータに動きベクトルを検出させる動きベクトル検出プログラムであって、少なくとも２枚のフレーム画像を入力し、入力した２枚の前記フレーム画像から特徴点の動きベクトルを算出し、算出した前記動きベクトルと、最新時刻のフレーム画像とを出力する動きベクトル検出ステップと、前記最新時刻フレーム画像と、前記動きベクトルから誤検出ベクトルと推測される動きベクトルをテンプレートマッチングを用いて検出し、入力された動きベクトルから、検出した誤検出ベクトルを除いた動きベクトルを出力する誤検出ベクトル除去ステップと、前記誤検出ベクトルを除いた動きベクトルについて、画像上での角度パラメータを算出し、算出した角度パラメータを各動きベクトルに唯一付与された動きベクトルＩＤを関連付けた特徴量リストを作成し、作成した特徴量リストを出力する特徴量算出ステップと、前記特徴量リスト中の前記動きベクトルをクラスタリングすることにより、前記動きベクトルを決定して出力する動きベクトルクラスタリングステップとを前記コンピュータに行わせることを特徴とする。

本発明によれば、動きベクトルを算出後、算出した動きベクトルから誤検出ベクトルを検出・除去し、残存する誤検出ベクトルと移動物体上の動きベクトルをガウス混合分布と見なして分離するため、正確に移動物体上の動きベクトルを検出することができるという効果が得られる。

本発明の一実施形態の構成を示すブロック図である。 図１に示す誤検出ベクトル除去部１１の動作を示すフローチャートである。 図１に示す特徴量算出部１３の動作を示すフローチャートである。 図１に示す動きベクトルクラスタリング部１４の動作を示すフローチャートである。 動きベクトル検出装置１に入力されるフレーム画像の一例を示す説明図である。 動きベクトル検出装置１に入力されるフレーム画像の一例を示す説明図である。 動きベクトル算出結果の一例を示す説明図である。 誤検出ベクトル除去処理における各領域を示す説明図である。 特徴量算出処理を示す説明図である。 特徴量リストの一例を示す説明図である。 動きベクトルクラスタリング処理を示す説明図である。 動きベクトルクラスタリング処理を示す説明図である。 動きベクトルクラスタリング処理を示す説明図である。

以下、図面を参照して、本発明の一実施形態による動きベクトル検出装置を説明する。図１は同実施形態の構成を示すブロック図である。この図において、符号１は、コンピュータ装置で構成する動きベクトル検出装置であり、２枚のフレーム画像を入力し、移動物体上の動きベクトルを出力する。符号２は、動きベクトル検出装置１の各処理に用いるデータを記憶する記憶部である。ここでいう「移動物体」とは、人や物などの任意の移動する被写体を含む。

動きベクトル検出装置１は、動きベクトル検出部１１と、誤検出ベクトル除去部１２と、特徴量算出部１３と、動きベクトルクラスタリング部１４とを備える。動きベクトル検出部１１は、少なくとも２枚以上のフレーム画像Ｆ（ｔ−１），Ｆ（ｔ）を入力し、最新時刻のフレーム画像から画像上の角や交点となる特徴点を抽出し、特徴点に対する動きベクトルを少なくとも２枚以上のフレーム画像からテンプレートマッチングや時空間微分法を用いて算出し、算出した動きベクトルと最新時刻ｔのフレーム画像とを出力する。

誤検出ベクトル除去部１２は、最新時刻のフレーム画像Ｆ（ｔ）と動きベクトルを入力し、動きベクトルから誤検出ベクトルと推測される動きベクトルをテンプレートマッチングを用いることで検出し、入力された動きベクトルから検出した誤検出ベクトルを除いた動きベクトルを出力する。

特徴量算出部１３は、誤検出ベクトル除去部１２から出力される動きベクトルを入力し、全ての動きベクトルに亘って画像上での角度パラメータを算出し、算出した角度パラメータを各動きベクトルに唯一付与された動きベクトルＩＤを関連付けた特徴量リストを作成し、作成した特徴量リストを出力する。

動きベクトルクラスタリング部１４は、特徴量算出部１３から出力される特徴量リストを入力し、入力した特徴量リストをＥＭアルゴリズムを用いてクラスタリングし、出力される複数のクラスタに関連付けられて出力されるガウス分布パラメータに対する閾値処理によって、移動物体上動きベクトルを決定し出力する。

次に、図面を参照して、図１に示す動きベクトル検出装置１の処理動作を説明する。始めに、図５、図６を参照して、図１に示す動きベクトル検出部１１の処理動作を説明する。図５、図６は、動きベクトル検出装置１に入力されるフレーム画像の例である。図６は現在時刻の実空間をカメラで撮像したフレーム画像Ｆ（ｔ）であり、図５は現在時刻から１時刻前に同じ実空間を撮像したフレーム画像Ｆ（ｔ−１）を示している。動きベクトル検出部１１は、最新時刻のフレーム画像Ｆ（ｔ）から画像上の角や交点となる特徴点を抽出し、抽出した特徴点に対する動きベクトルをフレーム画像Ｆ（ｔ）とフレーム画像Ｆ（ｔ−１）を用いて算出する。ここで動きベクトルの算出処理は、例えばフレーム画像Ｆ（ｔ−１）に対するテンプレートマッチング処理により行う。すなわち、フレーム画像Ｆ（ｔ）で抽出済みの特徴点近傍の画像データ、例えば特徴点の８近傍内の画像データと、フレーム画像Ｆ（ｔ−１）の画像データを比較することで、フレーム画像Ｆ（ｔ−１）においてフレーム画像Ｆ（ｔ）上の処理対象の特徴点に対応する点の画像座標を決定する。決定した画像座標とフレーム画像Ｆ（ｔ）上の処理対象の特徴点の画像座標を動きベクトルとして決定する。この処理をフレーム画像Ｆ（ｔ）で抽出した全ての特徴点に亘って行い、動きベクトルとフレーム画像Ｆ（ｔ）とを出力する。この処理によって、図７に示す動きベクトルが算出されたものとして以下の説明を行う。

次に、図２を参照して、図１に示す誤検出ベクトル除去部１２の処理動作を説明する。誤検出ベクトル除去部１２は、対象とする動きベクトルの終点が、自点近傍を除いた自点付近に、自点に酷似するパターンを有す点が存在すれば、繰返しテクスチャの存在やテクスチャ情報が少ないことに起因する誤検出である可能性が高いため、後段での処理対象から除く処理を行う。まず、誤検出ベクトル除去部１２は、動きベクトル検出部１１から出力するフレーム画像Ｆ（ｔ）と動きベクトルを入力する（ステップＳ１）。そして、誤検出ベクトル除去部１２は、全ての動きベクトルについて処理済みであるか否かを判定し（ステップＳ２）、処理済みでなれば、入力された動きベクトルから１つの動きベクトルを選択し、選択した動きベクトルの終点を処理対象点とする。

次に、誤検出ベクトル除去部１２は、処理対象点近傍に所定サイズの探索ウィンドウを設定し、設定した探索ウィンドウ内の画像データをテンプレートとして記憶部に記憶する（ステップＳ３）。続いて、誤検出ベクトル除去部１２は、処理対象点近傍にテンプレートマッチング処理におけるテンプレートの走査範囲を示す探索領域を設定する（ステップＳ４）。この探索領域のサイズは予め決められているものとし、設定した探索ウィンドウのサイズより大きい。

次に、誤検出ベクトル除去部１２は、処理対象点近傍にテンプレートマッチング処理を施さない範囲を示すマスク領域を設定する（ステップＳ５）。マスク領域のサイズは予め決められているものとし、そのサイズは０より大きく探索領域より小さいサイズである（図８参照）。続いて、誤検出ベクトル除去部１２は、マスク領域を除く探索領域内の画像データに対するテンプレートマッチング処理を行うことで、この探索領域内から処理対象点に類似する点を決定する（ステップＳ６）。この類似点の決定処理はテンプレートマッチングで算出される各点の類似度のうち、最も類似度が高い点を選択することで実現できる。この類似度の値として、例えば探索ウィンドウ内と当該ウィンドウと同じサイズを有す探索領域内の処理対象点を包含するウィンドウ内の画素値の差の２乗和（ＳＳＤ：Ｓｕｍ ｏｆ Ｓｑｕａｒｅｄ Ｄｉｆｆｅｒｅｎｃｅｓ）を用いることができる。また、ＳＳＤに限らず、正規化相関値や画素値の差の絶対値和（ＳＡＤ：Ｓｕｍ ｏｆ Ａｂｓｏｌｕｔｅ Ｄｉｆｆｅｒｅｎｃｅｓ）など画像中から対応点を絞り込むために利用されるものであれば何でも良い。例えば、類似度の値としてＳＳＤ値を用いる場合には、各点のＳＳＤ値のうち最も小さい点を選択することで、類似する点を決定することができる。

次に、誤検出ベクトル除去部１２は、決定した類似度が所定の閾値を超えるか否かを判定し（ステップＳ７）、決定された処理対象点に類似する点の類似度が所定の閾値を超える場合は、選択した動きベクトルを、入力された動きベクトルのリストから除去する（ステップＳ８）。例えば類似度の値としてＳＳＤ値を用いた場合には、類似度が所定の閾値を下回る場合、つまり処理対象点に類似している場合に、選択した動きベクトルを、入力された動きベクトルのリストから除去する。誤検出ベクトル除去部１２は、この処理を入力された動きベクトル全てに亘って行った後に、動きベクトルを出力し（ステップＳ９）処理を終了する。

このように、実空間中に繰返しテクスチャを有す、或いはテクスチャ情報が少ない物体が存在することや、撮像画像上でのエッジ部分によって生じる開口問題等に起因した誤検出ベクトルと推測される動きベクトルをテンプレートマッチングを用いて検出することにより、誤検出の動きベクトルを除去することが可能となる。

次に、図３を参照して、図１に示す特徴量算出部１３の処理動作を説明する。まず、特徴量算出部１３は、誤検出ベクトル除去部１２から出力される動きベクトルを入力する（ステップＳ１１）。そして、特徴量算出部１３は、全ての動きベクトルについて処理済みであるか否かを判定する（ステップＳ１２）。この判定の結果、処理済みでなければ、特徴量算出部１３は、動くベクトルの画像上での角度パラメータを算出し（ステップＳ１３）、算出した角度パラメータを各動きベクトルに唯一付与された動きベクトルＩＤを関連付けた特徴量リスト情報を作成し、記憶部２に記憶する（ステップＳ１４）。そして、特徴量算出部１３は、全ての動きベクトルについて同様の処理を行った後、記憶部２に記憶されている特徴量リストを出力し（ステップＳ１５）、処理を終了する。

特徴量算出部１３が行う処理を図９、図１０を用いて詳細に説明する。まず、特徴量算出部１３は、入力された動きベクトルから１つの動きベクトルを処理対象ベクトルとして選択する。ここで、処理対象ベクトルの始点座標が（Ｘｓ，Ｙｓ）、終点座標が（Ｘｅ，Ｙｅ）であったものとして説明する。始めに処理対象ベクトルの角度αを（１）式により算出する。
α＝ｔａｎ^−１（（Ｙｓ−Ｙｅ）／（Ｘｓ−Ｘｅ）） ・・・（１）

（１）式で算出される角度は単位がラジアンとなるが、単位を角度に変換しても良い。また角度は図９に示す画像のｉ軸を基準とする座標系を用いて記述するものとする。続いて、算出した角度を処理対象ベクトルの動きベクトルＩＤに関連付けて記憶する。ここで動きベクトルＩＤとは、各動きベクトルに唯一付与されたＩＤのことである。この処理を入力された動きベクトル全てに亘って行った後に、動きベクトルＩＤに関連付けて記録された角度を特徴量リスト（図１０参照）として出力し処理を終える。

なお、前述した説明では処理対象ベクトルの角度を（１）式により算出するα１つのみを用いる例について説明したが、（１）式で算出したαから（２）式、（３）式によりそれぞれ算出されるα_１、α_２の２つを用いても良い。
α_１＝ｓｉｎα ・・・（２）
α_２＝ｃｏｓα ・・・（３）

次に、図４を参照して、図１に示す動きベクトルクラスタリング部１４の処理動作を説明する。動きベクトルクラスタリング部１４は、特徴量算出部１３から出力する特徴量リストを入力する（ステップＳ２１）。この特徴量リストで表現される動きベクトルには、移動物体上の動きベクトルに加えて、物体が他の物体によって隠蔽されるオクルージョンや、他の原因によって生じる誤って検出された動きベクトルも含まれる。図１１に特徴量リストで表現される動きベクトルの角度のヒストグラム分布を示す。ここでは、動きベクトルの角度のヒストグラム分布を複数のガウス分布の合成であるガウス混合分布でモデル化表現し、各ピークのパラメータをＥＭアルゴリズム（Expectation-maximization algorithm）などの公知の処理を行って決定することで、移動物体上の動きベクトル、オクルージョンに起因する誤った動きベクトル、他の原因に起因する誤った動きベクトルのそれぞれにクラスタリングする（ステップＳ２２）。

ＥＭアルゴリズムは公知のアルゴリズムであるためここで詳細な説明を省略するが、確率モデル（本実施の形態では正規分布曲線）のパラメータを反復法により数値解析的に最尤推定するアルゴリズムであり、特に確率モデルが観測できない隠れたパラメータに依存する場合に用いられる。ＥＭアルゴリズムは他の推定手法と比べて良い解に収束し易く、また実装が簡単になることが多く処理速度も基本的に高速であるため有効である。図１２では、図１１の角度分布に対してＥＭアルゴリズムを適用して正規分布曲線を推定した場合の例を示している。

なお、本実施の形態では正規分布曲線を推定する際にＥＭアルゴリズムを用いているが、他のアルゴリズムを用いることも当然可能である。特徴量リストを入力としＥＭアルゴリズムを実行することで、クラスタリングされ、動きベクトルＩＤに関連付けられてクラスタ番号が付与される。加えて、各クラスタに関連付けられてガウス分布パラメータがクラスタ数分出力される。ここでガウス分布パラメータには、少なくともガウス分布の中心位置を示す平均値、ガウス分布の広がりを示す分散値が含まれ、併せて当該ガウス分布の混合分布に対する重みを示す重み値が含まれるとより良い。

次に、動きベクトルクラスタリング部１４は、ＥＭアルゴリズムに因って出力された複数クラスタに関連付けられて出力されたガウス分布パラメータに対する閾値処理（ステップＳ２３）によって、移動物体上動きベクトルを決定し出力する。この閾値処理は、例えば、ガウス分布パラメータの分散値に対して所定の値と比較することで実現できる。また、混合分布の重み値に対して所定の値と比較することによっても実現できる。

次に、動きベクトルクラスタリング部１４は、移動物体上動きベクトルとして決定されたクラスタ番号に属する特徴量リストの動きベクトルＩＤを移動物体上動きベクトルとして出力し（ステップＳ２４）、処理を終了する。この出力としては、特徴量算出部１３の特徴量リストを生成する時点で動きベクトルＩＤに関連付けて動きベクトルの始点、終点も動きベクトルの角度と併せて記録しておき、動きベクトルクラスタリング部１４にて移動物体上動きベクトルとして決定された動きベクトルＩＤに関連付けられた動きベクトルの始点、終点を出力しても良い。以上の処理の結果、図１３に示す移動物体上のベクトルが検出されることとなる。

以上、本発明を実施形態例に基づき具体的に説明したが、上記実施の形態の説明は、本発明を説明するためのものであって、特許請求の範囲に記載の発明を限定し、或は範囲を減縮する様に解すべきではない。また、本発明の各手段構成は上記実施の形態に限らず、特許請求の範囲に記載の技術的範囲内で種々の変形が可能であることは勿論である。

以上説明したように、動きベクトル群の角度分布がガウス混合分布に従わないエラーベクトルを除去することで、残りの動きベクトル群をガウス混合分布で近似できる状態にし、そのうえで動きベクトルクラスタリングにてＥＭアルゴリズムによって動きベクトル群をクラスタリングすることで、動きベクトル群のうち移動物体によって引き起こされた動きベクトルを特定することが可能になる。

また、特徴量算出部１３では、ＥＭアルゴリズムの入力として、動きベクトルの角度が不連続関数として扱われる（０°と３６０°が本来同じなのに異なると扱われる）ことを回避するため、（２）式、（３）式を導入することにより、クラスタリング精度が落ちることを回避することができる。

また、フレーム画像Ｆ（ｔ）を対象にテンプレートマッチング処理を施すことで、他画像との比較時に必要な照明変動の考慮が不要な簡易なテンプレートマッチング処理（例えば探索ウィンドウと探索領域内の対象ウィンドウとの画素値の差の絶対値の総和）の適用が可能になる。

なお、図１における処理部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより動きベクトル検出処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ホームページ提供環境（あるいは表示環境）を備えたＷＷＷシステムも含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。

また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。

実空間を移動する物体を含むシーンを撮像するカメラによって入力された少なくとも２枚以上のフレーム画像から、動きベクトルを検出し、当該動きベクトルから移動物体上の動きベクトルを検出することが不可欠な用途に適用できる。

１・・・動きベクトル検出装置、１１・・・動きベクトル検出部、１２・・・誤検出ベクトル除去部、１３・・・特徴量算出部、１４・・・動きベクトルクラスタリング部、２・・・記憶部

Claims (3)

1. 少なくとも２枚のフレーム画像を入力し、入力した２枚の前記フレーム画像から特徴点の動きベクトルを算出し、算出した複数の前記動きベクトルと、最新時刻のフレーム画像とを出力する動きベクトル検出手段と、
   複数の前記動きベクトルと、前記最新時刻のフレーム画像とを入力し、前記最新時刻のフレーム画像上において、前記動きベクトルの終点近傍に所定サイズの探索ウインドウを設定し、設定した前記探索ウインドウ内の画像をテンプレートとし、前記終点近傍に前記探索ウインドウより大きく、前記テンプレートの走査範囲となる探索領域を設定するとともに、前記終点近傍に前記探索領域より小さいマスク領域を設定し、前記マスク領域を除く前記探索領域内において、前記テンプレートを使用してマッチング処理を行い、類似する点が存在する場合に、前記終点を持つ前記動きベクトルを誤検出の動きベクトルとして除去する処理を入力した全ての動きベクトルに対して行うことにより、誤検出の動きベクトルを除いた動きベクトルを得る誤検出ベクトル除去手段と、
   誤検出の前記動きベクトルを除いた前記動きベクトルについて、前記最新時刻のフレーム画像上での角度パラメータを算出し、算出した前記角度パラメータと各動きベクトルに唯一付与された動きベクトルＩＤを関連付けた特徴量リストを作成し、作成した前記特徴量リストを出力する特徴量算出手段と、
   前記特徴量リスト中の前記動きベクトルを前記角度パラメータを特徴量としてクラスタリングし、閾値処理によって移動物体上ベクトルとして特定し、特定した前記動きベクトルを出力する動きベクトルクラスタリング手段と
   を備えたことを特徴とする動きベクトル検出装置。
2. 少なくとも２枚のフレーム画像を入力し、入力した２枚の前記フレーム画像から特徴点の動きベクトルを算出し、算出した複数の前記動きベクトルと、最新時刻のフレーム画像とを出力する動きベクトル検出ステップと、
   複数の前記動きベクトルと、前記最新時刻のフレーム画像とを入力し、前記最新時刻のフレーム画像上において、前記動きベクトルの終点近傍に所定サイズの探索ウインドウを設定し、設定した前記探索ウインドウ内の画像をテンプレートとし、前記終点近傍に前記探索ウインドウより大きく、前記テンプレートの走査範囲となる探索領域を設定するとともに、前記終点近傍に前記探索領域より小さいマスク領域を設定し、前記マスク領域を除く前記探索領域内において、前記テンプレートを使用してマッチング処理を行い、類似する点が存在する場合に、前記終点を持つ前記動きベクトルを誤検出の動きベクトルとして除去する処理を入力した全ての動きベクトルに対して行うことにより、誤検出の動きベクトルを除いた動きベクトルを得る誤検出ベクトル除去ステップと、
   誤検出の前記動きベクトルを除いた前記動きベクトルについて、前記最新時刻のフレーム画像上での角度パラメータを算出し、算出した前記角度パラメータと各動きベクトルに唯一付与された動きベクトルＩＤを関連付けた特徴量リストを作成し、作成した前記特徴量リストを出力する特徴量算出ステップと、
   前記特徴量リスト中の前記動きベクトルを前記角度パラメータを特徴量としてクラスタリングし、閾値処理によって移動物体上ベクトルとして特定し、特定した前記動きベクトルを出力する動きベクトルクラスタリングステップと
   を有することを特徴とする動きベクトル検出方法。
3. コンピュータに、請求項２に記載の動きベクトル検出方法を実行させるための動きベクトル検出プログラム。

Images