JP5922257B2 - 車両周辺監視装置 - Google Patents

Description

この発明は、車載された撮像部から取得した撮像画像に基づいて、車両の周辺に存在する対象物を検知する車両周辺監視装置に関する。

従来から、車両の走行支援等を目的として、車両外に存在する物体を検知し、或いは物体と自車両との相対的な位置関係等を監視する技術が知られている。特に、車両の前方に搭載された車載カメラ（撮像部）を用いて撮像し、得られた撮像画像を基に物体を検知等する方法が種々提案されている。

例えば、“夜間歩行者検出”，ＶｉＥＷ２００８，ビジョン技術の実利用ワークショップ講演論文集，ｐ．２２４−ｐ．２２８には、撮像画像の全体に対して演算時間が短い簡易な１次識別処理（例えば、ブースティング）を施すことで多数の領域候補を抽出した後、各領域候補に対して演算時間が長い詳細な２次識別処理｛例えば、ＳＶＭ（Support Vector machine）｝を順次施す旨が記載されている。

ところで、簡易な１次識別処理を実行することで対象物の形態を捉えることが可能であるが、対象物の位置までは正確に検出できない傾向がある。すなわち、同一の対象物であっても、位置等が僅かに異なった複数の領域候補が抽出される場合がある。このため、２次識別処理は、同一の対象物に対して実質的に無駄な演算を実行しなければならず、演算量の低減効果が十分に得られないという問題があった。

本発明は上記した問題を解決するためになされたもので、対象物の識別処理に関する精度の向上及び演算量の低減を両立可能な車両周辺監視装置を提供することを目的とする。

本発明に係る車両周辺監視装置は、車両に搭載され、前記車両の走行中に撮像することで前記車両の周辺における撮像画像を取得する撮像部と、前記撮像部により取得された前記撮像画像における画像領域の中から識別対象領域を決定する識別対象領域決定部と、前記識別対象領域決定部により決定された前記識別対象領域内に対象物が存在するか否かを識別する対象物識別部とを備え、前記対象物識別部は、前記対象物の識別処理に要する演算量が相対的に少ない第１識別器と、前記対象物の識別処理に要する演算量が相対的に多い第２識別器とを有し、前記識別対象領域決定部は、前記第１識別器により前記対象物が存在するとして抽出した複数の領域候補に対し、位置及び／又はスケールに関するクラスタリング処理を施すことで、前記第２識別器による識別処理に供される前記識別対象領域を少なくとも１つ決定する。

このように、対象物識別部は、対象物の識別処理に要する演算量が相対的に少ない第１識別器と、演算量が相対的に多い第２識別器とを有し、識別対象領域決定部は、前記第１識別器により前記対象物が存在するとして抽出した複数の領域候補に対し、位置及び／又はスケールに関するクラスタリング処理を施すことで、前記第２識別器による識別処理に供される識別対象領域を少なくとも１つ決定する。これにより、適切に分類された識別対象領域に対して、演算量が相対的に多い第２識別器による識別処理を実行可能であり、対象物の識別処理に関する精度向上及び演算量の低減を両立できる。

また、前記識別対象領域決定部は、前記画像領域を複数のサブ領域に分割し、該サブ領域毎に算出した前記領域候補の各代表位置に対し、位置に関する前記クラスタリング処理を施すことで前記識別対象領域を決定することが好ましい。これにより、クラスタリング処理に用いるデータ量（異なる位置の総数）を低減可能であり、演算処理の一層の高速化を実現できる。

さらに、前記識別対象領域決定部は、スケールに応じて、前記複数の領域候補を２つ以上のグループに分類し、該グループ毎に前記クラスタリング処理を施すことで前記識別対象領域をそれぞれ決定することが好ましい。このように、スケールが適切に分類された識別対象領域に対して第２識別器による識別処理を実行することで、スケールのばらつきによる誤差因子を低減可能であり、識別精度を一層向上できる。

さらに、前記識別対象領域決定部は、少なくとも位置に関する前段のクラスタリング処理を施すことで前記複数の領域候補を少なくとも１つの位置グループに分類した後に、スケールに応じて、前記少なくとも１つの位置グループに属する各領域候補を前記２つ以上のグループにそれぞれ分類し、前記識別対象領域をそれぞれ決定することが好ましい。演算量が相対的に少ない第１識別器を用いることで、スケールが似通った領域候補が略同じ位置で抽出される傾向がある。そこで、複数の領域候補を少なくとも１つの位置グループに分類することで、スケールが似通っているが位置が離れた領域候補の存在を予め除外可能であり、識別精度を一層向上できる。

本発明に係る車両周辺監視装置によれば、対象物識別部は、対象物の識別処理に要する演算量が相対的に少ない第１識別器と、演算量が相対的に多い第２識別器とを有し、識別対象領域決定部は、前記第１識別器により前記対象物が存在するとして抽出した複数の領域候補に対し、位置及び／又はスケールに関するクラスタリング処理を施すことで、前記第２識別器による識別処理に供される識別対象領域を少なくとも１つ決定する。これにより、適切に分類された識別対象領域に対して、演算量が相対的に多い第２識別器による識別処理を実行可能であり、対象物の識別処理に関する精度の向上及び演算量の低減を両立できる。

本実施形態に係る車両周辺監視装置の構成を示すブロック図である。 図１に示す車両周辺監視装置が搭載された車両の概略斜視図である。 図１に示すＥＣＵの動作説明に供されるフローチャートである。 図４Ａは、カメラを用いた撮像により取得された撮像画像の一例を示す画像図である。図４Ｂは、第１識別処理による領域候補の抽出結果を示す画像図である。 図５Ａ−図５Ｃは、位置に関するクラスタリング処理の具体的方法を示す概略説明図である。 図６Ａは、第２識別処理による識別対象領域の決定結果を示す画像図である。図６Ｂは、監視対象物の検知結果を示す画像図である。 図７Ａ及び図７Ｂは、クラスタリング処理の結果の一例を示す概略説明図である。 第１の改良例におけるクラスタリング処理の説明に供されるフローチャートである。 図８のステップＳ７４におけるスケール分割の具体的方法を示す概略説明図である。 第２の改良例におけるクラスタリング処理の具体的方法を示す概略説明図である。

以下、本発明に係る車両周辺監視装置について好適な実施形態を挙げ、添付の図面を参照しながら説明する。

［車両周辺監視装置１０の構成］
図１は、本実施形態に係る車両周辺監視装置１０の構成を示すブロック図である。図２は、図１に示す車両周辺監視装置１０が搭載された車両１２の概略斜視図である。

図１及び図２に示すように、車両周辺監視装置１０は、複数のカラーチャンネルからなるカラー画像（以下、撮像画像Ｉｍという）を撮像するカラーカメラ（以下、単に「カメラ１４」という）と、車両１２の車速Ｖｓを検出する車速センサ１６と、車両１２のヨーレートＹｒを検出するヨーレートセンサ１８と、運転者によるブレーキペダルの操作量Ｂｒを検出するブレーキセンサ２０と、この車両周辺監視装置１０を制御する電子制御装置（以下、「ＥＣＵ２２」という）と、音声で警報等を発するためのスピーカ２４と、カメラ１４から出力された撮像画像等を表示する表示装置２６と、を備える。

カメラ１４は、主に可視光領域の波長を有する光を利用するカメラであり、車両１２の周辺を撮像する撮像手段（撮像部）として機能する。カメラ１４は、被写体の表面を反射する光量が多いほど、その出力信号レベルが高くなり、画像の輝度（例えば、ＲＧＢ値）が増加する特性を有する。図２に示すように、カメラ１４は、車両１２の前部バンパー部の略中心部に固定的に配置（搭載）されている。

なお、車両１２の周囲を撮像する撮像手段は、上記した構成例（いわゆる単眼カメラ）に限られることなく、例えば複眼カメラ（ステレオカメラ）であってもよい。また、カラーカメラに代替して、モノクロカメラ又は赤外線カメラを用いてもよく、或いはこれらを併せ備えてもよい。さらに、単眼カメラの場合、別の測距手段（レーダ装置）を併せて備えてもよい。

図１に戻って、スピーカ２４は、ＥＣＵ２２からの指令に応じて、警報音等の出力を行う。スピーカ２４は、車両１２の図示しないダッシュボードに設けられる。或いは、スピーカ２４に代替して、他の装置（例えば、オーディオ装置又はナビゲーション装置）が備える音声出力機能を用いてもよい。

表示装置２６（図１及び図２参照）は、車両１２のフロントウインドシールド上、運転者の前方視界を妨げない位置に配されたＨＵＤ（ヘッドアップディスプレイ）である。表示装置２６として、ＨＵＤに限らず、車両１２に搭載されたナビゲーションシステムの地図等を表示するディスプレイや、メータユニット内等に設けられた燃費等を表示するディスプレイ（ＭＩＤ；マルチインフォメーションディスプレイ）を利用することができる。

ＥＣＵ２２は、入出力部２８、演算部３０、表示制御部３２、及び記憶部３４を基本的に備える。

カメラ１４、車速センサ１６、ヨーレートセンサ１８及びブレーキセンサ２０からの各信号は、入出力部２８を介してＥＣＵ２２側に入力される。また、ＥＣＵ２２からの各信号は、入出力部２８を介してスピーカ２４及び表示装置２６側に出力される。入出力部２８は、入力されたアナログ信号をデジタル信号に変換する図示しないＡ／Ｄ変換回路を備える。

演算部３０は、カメラ１４、車速センサ１６、ヨーレートセンサ１８及びブレーキセンサ２０からの各信号に基づく演算を実行し、演算結果に基づきスピーカ２４及び表示装置２６に対する信号を生成する。演算部３０は、識別対象領域決定部４０（識別対象領域決定手段）、対象物識別部４２（対象物識別手段）、及び対象物検知部４４として機能する。

演算部３０における各部の機能は、記憶部３４に記憶されているプログラムを読み出して実行することにより実現される。或いは、前記プログラムは、図示しない無線通信装置（携帯電話機、スマートフォン等）を介して外部から供給されてもよい。

表示制御部３２は、表示装置２６を駆動制御する制御回路である。表示制御部３２が、入出力部２８を介して、表示制御に供される信号を表示装置２６に出力することで、表示装置２６が駆動する。これにより、表示装置２６は各種画像（撮像画像Ｉｍ、マーク等）を表示することができる。

記憶部３４は、デジタル信号に変換された撮像信号、各種演算処理に供される一時データ等を記憶するＲＡＭ（Random Access Memory）、及び実行プログラム、テーブル又はマップ等を記憶するＲＯＭ（Read Only Memory）等で構成される。

本実施形態に係る車両周辺監視装置１０は、基本的には、以上のように構成される。この車両周辺監視装置１０の動作の概要について以下説明する。

ＥＣＵ２２は、所定のフレームクロック間隔・周期（例えば、１秒あたり３０フレーム）毎に、カメラ１４から出力されるアナログの映像信号をデジタル信号に変換し、記憶部３４に一時的に取り込む。

そして、ＥＣＵ２２は、記憶部３４から読み出した撮像画像Ｉｍ（車両１２の前方画像）に対して各種演算処理を施す。ＥＣＵ２２（特に演算部３０）は、撮像画像Ｉｍに対する処理結果、必要に応じて車両１２の走行状態を示す各信号（車速Ｖｓ、ヨーレートＹｒ及び操作量Ｂｒ）を総合的に考慮し、車両１２の前方に存在する人体、動物等を、監視対象となる物体（以下、「監視対象物」或いは単に「対象物」という。）として検出する。

車両１２が監視対象物に接触する可能性が高いと演算部３０により判断された場合、ＥＣＵ２２は、運転者の注意を喚起するために車両周辺監視装置１０の各出力部を制御する。ＥＣＵ２２は、例えば、スピーカ２４を介して警報音（例えば、ピッ、ピッ、…と鳴る音）を出力させると共に、表示装置２６上に可視化された撮像画像Ｉｍのうちその監視対象物の部位を強調表示させる。

［車両周辺監視装置１０の詳細な動作］
続いて、車両周辺監視装置１０の詳細な動作について、図３のフローチャートを参照しながら説明する。なお、本処理の流れは、車両１２が走行中である場合、撮像のフレーム毎に実行される。

ステップＳ１において、ＥＣＵ２２は、フレーム毎に、カメラ１４により撮像された車両１２の前方（所定画角範囲）の出力信号である撮像画像Ｉｍを取得する。

図４Ａに示すように、任意の時点における撮像により、１つのフレームの撮像画像Ｉｍが得られたとする。撮像画像Ｉｍが表す画像領域６０は横方向に長尺な矩形状（例えば、横方向が１２００画素、縦方向が６００画素）である。この画像領域６０内には、左側から順に、郵便差出箱の画像領域（以下、単に「ポストボックス６２」という）、電柱の画像領域（以下、単に「電柱６４」という）、路面の画像領域（以下、単に「路面６５」という）、第１歩行者の画像領域（以下、単に「第１歩行者６６」という）、及び第２歩行者の画像領域（以下、単に「第２歩行者６８」という）がそれぞれ存在する。

ステップＳ２において、演算部３０は、撮像画像Ｉｍのラスタスキャンを開始する。ここで、ラスタスキャンとは、撮像画像Ｉｍ内のスキャン領域７０を所定の走査方向に移動させながら、撮像画像Ｉｍの中に対象物が存在するか否かを遂次識別する手法をいう。ここで、スキャン領域７０は、第１歩行者６６を含む対象物の存否又はその種類を識別しようとする関心領域に相当する。

以下、識別対象領域決定部４０は、現在指定されたスキャン領域７０の位置・スケール（サイズ）を遂次決定する。図４Ａ例では、矩形状のスキャン領域７０（破線で図示する枠内の領域）が、第１歩行者６６の略全体を含むように設定されている。そして、スキャン領域７０の位置は、実在する路面及び第１歩行者の接触点に対応する位置（以下、接触位置７２）によって特定可能である。

ステップＳ３において、対象物識別部４２（第１識別器５０）は、決定されたスキャン領域７０内に、少なくとも１種類の対象物が存在するか否かを識別する。なお、「第１識別処理」とは、対象物の識別処理に要する演算量が相対的に少ない識別処理を意味し、詳細は後述する。そして、対象物が存在すると識別された場合、領域候補抽出部４６は、そのスキャン領域７０を領域候補７４（図４Ｂ参照）として抽出する。

ステップＳ４において、識別対象領域決定部４０は、指定領域内のスキャンが全て完了したか否かを判別する。未完了であると判別された場合（ステップＳ４：ＮＯ）、次のステップ（Ｓ５）に進む。なお、スキャン対象である指定領域は、画像領域６０の全体であっても、その一部の領域であってもよい。

ステップＳ５において、識別対象領域決定部４０は、スキャン領域７０の位置又はスケールを変更する。具体的には、識別対象領域決定部４０は、現在のスキャン領域７０をスキャンが未実行である位置に、具体的には、所定の走査方向（例えば、右方向）に所定量（例えば、１画素分）だけ移動する。

その後、ステップＳ３に戻って、演算部３０は、指定領域内のスキャンが全て完了するまでステップＳ３−Ｓ５を順次繰り返す。完了したと判別された場合（ステップＳ４：ＹＥＳ）、演算部３０は、撮像画像Ｉｍのラスタスキャンを終了する（ステップＳ６）。

図４Ｂに示すように、画像領域６０上において多数の領域候補７４が抽出されたとする。ここで、領域候補群７５は、ポストボックス６２の部位を少なくとも含む領域候補７４の集合体である。また、領域候補群７６は、電柱６４の部位を少なくとも含む領域候補７４の集合体である。さらに、領域候補群７７は、第１歩行者６６の部位を少なくとも含む領域候補７４の集合体である。さらに、領域候補群７８は、第２歩行者６８の部位を少なくとも含む領域候補７４の集合体である。

ここで、識別可能な対象物の種類は、人体（図４Ａの第１歩行者６６）の他、各種動物（具体的には、鹿、馬、羊、犬、猫等の哺乳動物、鳥類等）、人工構造物（具体的には、車両、標識、電柱、ガードレール、壁等）であってもよい。本実施形態において、対象物識別部４２は、生体（人体又は動物）を検知しようとする。この場合、第１識別処理によって、第１歩行者６６及び第２歩行者６８が正しく識別される一方、人工構造物であるポストボックス６２及び電柱６４が誤って識別されている。

また、対象物識別部４２は、簡易な第１識別処理を実行することで対象物の形態を捉えることが可能であるが、対象物の位置までは正確に検出できない傾向がある。すなわち、同一の対象物であっても、位置等が僅かに異なった複数の領域候補７４が抽出される場合がある。具体的には、図４Ｂに示すように、１つのポストボックス６２の近傍に、位置又はスケールが異なる複数の領域候補７４が抽出され、領域候補群７５が形成されている。

ステップＳ７において、領域分類部４８は、ステップＳ３で抽出された各領域候補７４に対してクラスタリング処理を施すことで、少なくとも１つの識別対象領域９５−９８（図６Ａ参照）を決定する。ここで、クラスタリング処理とは、データ集合を部分集合（クラスタ）に分類・分割する処理を意味し、データの分類が階層的になされる階層型手法と、特定の評価関数に従って分類する非階層的手法とに大別される。

領域分類部４８は、例えば、非階層的手法であるミーンシフト法、Ｋ平均法等を用いて、複数の領域候補７４の位置及び／又はスケールのクラスタリング処理を実行する。ただし、この手法によるとデータ数の２乗に略比例して演算量が増加するため、領域候補７４の総数が増加すればそれだけ本処理の演算時間が掛かってしまう。そこで、識別対象領域決定部４０（領域分類部４８）は、画像領域６０を複数のサブ領域８０に分割し、該サブ領域８０毎に算出した領域候補７４の各代表位置に対し、位置に関するクラスタリング処理を施す。

図５Ａに示すように、画像領域６０を格子状に分割することで、複数のサブ領域８０がそれぞれ定義される。本図例において、矩形状の画像領域６０は、行数が５つ、列数が１０つとして、二次元的に均等分割されている。本図では、複数の領域候補７４の位置を特定する各候補位置８２が、画像領域６０上にそれぞれプロットされている。丸印で表記した候補位置８２は、例えば領域候補７４の接触位置７２に相当する。

図５Ｂに示すように、予め分割したサブ領域８０毎に代表位置が決定される。１つのサブ領域８０内に３つの候補位置８２が存在する場合、これらの統計値（平均値）を算出し、このサブ領域８０の代表位置として、候補位置８２の数（３個）と共に記憶される。そして、サブ領域８０における最大５０個の代表位置は、ミーンシフト法を用いて少なくとも１つのグループに分類される。この演算の際、候補位置８２の個数、具体的には図５Ｂの矩形セル内に表記した数字に応じて、評価値がそれぞれ重み付けされる。これにより、クラスタリング処理に用いるデータ量（異なる位置の総数）を低減可能であり、演算処理の一層の高速化を実現できる。

クラスタリング処理の結果、図５Ｃに示すように、４つの領域候補群７５−７８（図４Ｂ参照）に対応する候補位置群８５、８６、８７、８８がそれぞれ抽出される。そして、各候補位置群８５−８８に応じた基準位置９０、９１、９２、９３がそれぞれ決定される。

このようにして、図６Ａに示すように、識別対象領域決定部４０（領域分類部４８）は、画像領域６０上において、基準位置９０−９３から特定される４つの識別対象領域９５、９６、９７、９８を決定する。なお、図５Ａ−図５Ｃでは、複数の領域候補７４の位置（横方向及び縦方向）に関するクラスタリング処理について中心に説明したが、スケールに関するクラスタリング処理も独立して／併せて実行してもよい。また、クラスタリング処理を適用する空間座標系は、三次元空間（実空間）上であっても、二次元空間（例えば、撮像面）上であってもよい。

ステップＳ８において、対象物識別部４２（第２識別器５２）は、ステップＳ７で決定された識別対象領域９５−９８内に、少なくとも１種類の対象物が存在するか否かを識別する。ここで、「第２識別処理」とは、対象物の識別処理に要する演算量が相対的に多い識別処理を意味する。以下、第１及び第２識別処理の差異について説明する。

第１識別処理（ステップＳ３）は、相対的に演算時間が短い簡易な処理であって、対象物の形態を検知可能である。一方、第２識別処理（ステップＳ８）は、相対的に演算時間が長い詳細な処理であって、対象物の形態及び位置を検出可能である。例えば、［１］演算対象領域が大きいこと、［２］画像解像度が高いこと、［３］画像特徴量の算出手法が複雑であること、［４］画像特徴量の種類が多いこと、［５］対象物の種別も含めて識別すること、［６］第１識別処理の内容を全て包含すること、又は［７］使用メモリ量が多いこと、等に起因して相対的に演算量が多く（演算時間が長く）なる。

第１識別器５０（又は第２識別器５２）は、例えば、スキャン領域７０（又は識別対象領域９５−９８）における画像特徴量を入力とし、対象物の存否情報を出力とする、機械学習を用いて生成された識別器である。機械学習の手法として、教師あり学習、教師なし学習、強化学習のうちのいずれのアルゴリズムを採用してもよい。学習アーキテクチャの例として、ＡｄａＢｏｏｓｔを含むブースティング法、ＳＶＭ（Support Vector machine）、ニューラルネットワーク、ＥＭ（Expectation Maximization）アルゴリズム等が挙げられる。

図６Ｂに示すように、対象物識別部４２（第２識別器５２）は、人工構造物であるポストボックス６２及び電柱６４をそれぞれ除外すると共に、第１歩行者６６及び第２歩行者６８をそれぞれ識別する。このように、対象物識別部４２は、適切に分類された識別対象領域９５−９８に対して第２識別処理を実行すればよく、全ての領域候補７４（図４Ｂ参照）を処理対象とする場合と比べて演算量を大幅に削減できる。

ステップＳ９において、対象物検知部４４は、撮像画像Ｉｍ内に存在する対象物、ステップＳ８で識別された第１歩行者６６及び第２歩行者６８を検知する。フレーム単体での識別結果を用いてもよいし、複数のフレームでの識別結果を併せて考慮することで、同一の対象物についての動きベクトルを算出できる。

ステップＳ１０において、ＥＣＵ２２は、次回の演算処理に必要なデータを記憶部３４に記憶させる。例えば、ステップＳ９で得られた対象物（図４Ａの第１歩行者６６、第２歩行者６８）の属性、識別対象領域９７、９８の位置等が挙げられる。

この動作を遂次実行することで、車両周辺監視装置１０は、所定の時間間隔で、車両１２の前方に存在する対象物を監視することができる。

以上のように、対象物識別部４２は、対象物の識別処理に要する演算量が相対的に少ない第１識別器５０と、演算量が相対的に多い第２識別器５２とを有し、識別対象領域決定部４０は、第１識別器５０により対象物が存在するとして抽出した複数の領域候補７４に対し、位置及び／又はスケールに関するクラスタリング処理を施すことで、第２識別器５２による識別処理に供される識別対象領域９５−９８を少なくとも１つ決定する。これにより、適切に分類された識別対象領域９５−９８に対して、演算量が相対的に多い第２識別器５２による識別処理を実行可能であり、対象物の識別処理に関する精度の向上及び演算量の低減を両立できる。

［クラスタリング処理の改良例］
続いて、本実施形態に係るクラスタリング処理（図３のステップＳ７参照）の改良例について説明する。

図７Ａ例に示すように、同一の対象物（第２歩行者６８）に対して、複数レベルのスケールが混在した領域候補群７８が抽出されたとする。この場合、横方向、縦方向、及びスケール方向に対して同時にクラスタリング処理を実行した結果、上記した複数レベルにおける中間値のスケールを有する識別対象領域９９が設定されることがある（図７Ｂ参照）。換言すれば、複数レベルのスケールを区別なく取り扱うことで、適切なスケールの識別対象領域を設定できない場合がある。そこで、領域分類部４８は、スケールに応じて、複数の領域候補７４を２つ以上のグループに分類し、該グループ毎にクラスタリング処理を施してもよい。これにより、スケールが適切に分類された識別対象領域１０５等（図９参照）に対して第２識別処理を実行することで、スケールのばらつきによる誤差因子を低減可能であり、識別精度を一層向上できる。

＜第１の改良例＞
先ず、第１の改良例におけるクラスタリング処理（図３のステップＳ７Ａ）について、図８及び図９を参照しながら説明する。図８は、第１の改良例のクラスタリング処理の説明に供されるフローチャートである。

ステップＳ７１において、領域分類部４８は、少なくとも位置に関するクラスタリング処理（以下、１次クラスタリング処理）を施すことで、各領域候補７４を少なくとも１つの位置グループに分類する。この結果、各領域候補７４は、１つの位置グループである領域候補群７８（図７Ａ）として分類されたとする。

ステップＳ７２において、領域分類部４８は、ステップＳ７１での分類結果を踏まえて２次クラスタリング処理を開始する。以下、２次クラスタリング処理について説明する。

領域分類部４８は、未だ選択されていない位置グループ、すなわち領域候補群７８を１つ選択した後（ステップＳ７３）、該位置グループに属する各領域候補７４のスケール分割を行う（ステップＳ７４）。

図９に示すように、領域分類部４８は、横軸をスケールとし、縦軸を座標（位置）とする複数次元座標上の各プロットを、スケールに応じて２つ以上のレベルに分割する。その結果、各領域候補７４が、３つのグループ１０１、１０２、１０３に分類されたとする。

その後、領域分類部４８は、ステップＳ７３で分類されたグループ毎に、位置及び／又はスケールに関するクラスタリング処理を実行する（ステップＳ７５）。このクラスタリング処理は、ステップＳ７と同様に実行可能であるから、その説明を割愛する。

その後、領域分類部４８は、ステップＳ７３に戻って（ステップＳ７６：ＮＯ）、以下ステップＳ７３−Ｓ７５を順次繰り返す。そして、全ての位置グループ（領域候補群７８）が選択され、クラスタリング処理が終了した場合（ステップＳ７６：ＹＥＳ）、２次クラスタリング処理が終了する（ステップＳ７７）。

この結果、領域分類部４８は、クラスタリング処理により分類されたグループ１０１−１０３毎に、識別対象領域１０５、１０６、１０７をそれぞれ決定する。領域分類部４８は、同じ第２歩行者６８に対して、小さいスケールの識別対象領域１０５、中間のスケールの識別対象領域１０６、及び大きいスケールの識別対象領域１０７をそれぞれ決定することができる。

このように、識別対象領域決定部４０は、少なくとも位置に関する前段のクラスタリング処理を施すことで複数の領域候補７４を少なくとも１つの位置グループに分類した後に、スケールに応じて、少なくとも１つの位置グループに属する各領域候補７４を２つ以上のグループにそれぞれ分類し、識別対象領域１０５−１０７をそれぞれ決定してもよい。

演算量が相対的に少ない第１識別器５０を用いることで、スケールが似通った領域候補７４が略同じ位置で抽出される傾向がある。そこで、複数の領域候補７４を少なくとも１つの位置グループに分類することで、スケールが似通っているが位置が離れた領域候補７４の存在を予め除外可能であり、識別精度を一層向上できる。

＜第２の改良例＞
次に、第２の改良例について、図１０を参照しながら説明する。

図１０に示すように、領域分類部４８は、スケールに応じて複数の領域候補７４を２つ以上のグループに分類する。本図例では、所定の閾値よりも大きいスケールを有する領域候補７４の集合体である領域候補群１１０と、所定の閾値以下のスケールを有する領域候補７４の集合体である領域候補群１１１とに分類される。その後、領域分類部４８は、グループ毎にクラスタリング処理を施すことで複数の識別対象領域１１２、１１３を決定する。すなわち、領域分類部４８は、同じ第２歩行者６８に対して、小さいスケールの識別対象領域１１２、及び大きいスケールの識別対象領域１１３をそれぞれ決定することができる。

このように、第２の改良例では、分類されたグループの数だけクラスタリング処理を施せばよく、識別精度の向上を図りつつも演算量の低減を実現できる。

［補足］
なお、この発明は、上述した実施形態に限定されるものではなく、この発明の主旨を逸脱しない範囲で自由に変更できることは勿論である。

例えば、本実施形態では、単眼カメラ（カメラ１４）により得られた撮像画像Ｉｍに対して上記した画像処理を実行しているが、複眼カメラ（ステレオカメラ）でも同様の作用効果が得られることは言うまでもない。

Claims (4)

1. 車両（１２）に搭載され、前記車両（１２）の走行中に撮像することで前記車両（１２）の周辺における撮像画像（Ｉｍ）を取得する撮像部（１４）と、
   前記撮像部（１４）により取得された前記撮像画像（Ｉｍ）における画像領域（６０）の中から識別対象領域（９５−９９、１０５−１０７、１１２、１１３）を決定する識別対象領域決定部（４０）と、
   前記識別対象領域決定部（４０）により決定された前記識別対象領域（９５−９９、１０５−１０７、１１２、１１３）内に対象物（６６、６８）が存在するか否かを識別する対象物識別部（４２）と
   を備え、
   前記対象物識別部（４２）は、前記対象物（６６、６８）の識別処理に要する演算量が相対的に少ない第１識別器（５０）と、前記対象物（６６、６８）の識別処理に要する演算量が相対的に多い第２識別器（５２）とを有し、
   前記識別対象領域決定部（４０）は、前記第１識別器（５０）により前記対象物（６６、６８）が存在するとして抽出した複数の領域候補（７４）に対し、位置及び／又はスケールに関するクラスタリング処理を施すことで、前記第２識別器（５２）による識別処理に供される前記識別対象領域（９５−９９、１０５−１０７、１１２、１１３）を少なくとも１つ決定する
   ことを特徴とする車両周辺監視装置（１０）。
2. 請求項１記載の装置（１０）において、
   前記識別対象領域決定部（４０）は、前記画像領域（６０）を複数のサブ領域（８０）に分割し、該サブ領域（８０）毎に算出した前記領域候補（７４）の各代表位置に対し、位置に関する前記クラスタリング処理を施すことで前記識別対象領域（９５−９８）を決定することを特徴とする車両周辺監視装置（１０）。
3. 請求項１又は２に記載の装置（１０）において、
   前記識別対象領域決定部（４０）は、スケールに応じて、前記複数の領域候補（７４）を２つ以上のグループ（１０１−１０３）に分類し、該グループ（１０１−１０３）毎に前記クラスタリング処理を施すことで前記識別対象領域（９５−９８）をそれぞれ決定することを特徴とする車両周辺監視装置（１０）。
4. 請求項３記載の装置（１０）において、
   前記識別対象領域決定部（４０）は、少なくとも位置に関する前段のクラスタリング処理を施すことで前記複数の領域候補（７４）を少なくとも１つの位置グループに分類した後に、スケールに応じて、前記少なくとも１つの位置グループに属する各領域候補（７４）を前記２つ以上のグループ（１１０、１１１）にそれぞれ分類し、前記識別対象領域（１１２、１１３）をそれぞれ決定することを特徴とする車両周辺監視装置（１０）。

Images