JP6577397B2 - Image analysis apparatus, image analysis method, image analysis program, and image analysis system - Google Patents
Image analysis apparatus, image analysis method, image analysis program, and image analysis system Download PDFInfo
- Publication number
- JP6577397B2 JP6577397B2 JP2016056976A JP2016056976A JP6577397B2 JP 6577397 B2 JP6577397 B2 JP 6577397B2 JP 2016056976 A JP2016056976 A JP 2016056976A JP 2016056976 A JP2016056976 A JP 2016056976A JP 6577397 B2 JP6577397 B2 JP 6577397B2
- Authority
- JP
- Japan
- Prior art keywords
- block
- unit
- image
- blocks
- partial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Closed-Circuit Television Systems (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Description
本発明は、画像解析装置、画像解析方法、画像解析プログラム、および画像解析システムに関する。 The present invention relates to an image analysis device, an image analysis method, an image analysis program, and an image analysis system.
画像から、非定常状態を検出するシステムが知られている。例えば、特許文献1には、画像のオプティカルフローの属性から、非定常状態を特定することが開示されている。特許文献1では、非定常状態として、主流な流れに対する逆行、異なる速度の動きが存在する速度異常、および、流れに乱れが発生した状態、を特定する。 A system for detecting an unsteady state from an image is known. For example, Patent Literature 1 discloses that an unsteady state is specified from an optical flow attribute of an image. In Patent Literature 1, as an unsteady state, a reverse flow with respect to a main flow, a speed abnormality in which a motion of a different speed exists, and a state in which a turbulence has occurred are specified.
しかしながら、従来技術では、特定可能な非定常状態の種類が限定されていた。 However, in the prior art, the types of unsteady states that can be specified are limited.
本発明が解決しようとする課題は、特定可能な非定常状態の種類の増加を図ることができる、画像解析装置、画像解析方法、画像解析プログラム、および画像解析システムを提供することである。 The problem to be solved by the present invention is to provide an image analysis apparatus, an image analysis method, an image analysis program, and an image analysis system that can increase the types of unsteady states that can be specified.
実施形態の密度計測装置は、抽出部と、第1算出部と、第2算出部と、分割部と、第3算出部と、特定部と、を備える。抽出部は、画像から複数の部分領域を抽出する。第1算出部は、前記部分領域のオプティカルフローを算出する。第2算出部は、前記部分領域に含まれる物体の密度を算出する。分割部は、前記画像を複数のブロックに分割する。第3算出部は、複数の前記ブロックの各々について、前記ブロックに含まれる前記部分領域の各々の、前記密度と前記オプティカルフローによって示される物体の移動量とを組み合わせた統計量を算出する。特定部は、複数の前記ブロックの内、前記統計量が閾値以上の前記ブロックを、非定常状態にある非定常ブロックとして特定する。 The density measuring apparatus according to the embodiment includes an extracting unit, a first calculating unit, a second calculating unit, a dividing unit, a third calculating unit, and a specifying unit. The extraction unit extracts a plurality of partial regions from the image. The first calculation unit calculates an optical flow of the partial area. The second calculation unit calculates the density of the object included in the partial region. The dividing unit divides the image into a plurality of blocks. The third calculation unit calculates, for each of the plurality of blocks, a statistic that combines the density and the amount of movement of the object indicated by the optical flow of each of the partial regions included in the block. The identifying unit identifies, among the plurality of the blocks, the block having the statistic equal to or greater than a threshold as a non-stationary block in a non-stationary state.
以下に添付図面を参照して、画像解析装置、画像解析方法、画像解析プログラム、および画像解析システムの一の実施形態を詳細に説明する。 Exemplary embodiments of an image analysis apparatus, an image analysis method, an image analysis program, and an image analysis system will be described below in detail with reference to the accompanying drawings.
(第1の実施の形態)
図1は、本実施の形態の画像解析システム10の機能的構成を示すブロック図である。画像解析システム10は、画像解析装置12と、記憶部11と、UI(ユーザ・インターフェース)部21と、を備える。記憶部11およびUI部21は、画像解析装置12に電気的に接続されている。
(First embodiment)
FIG. 1 is a block diagram showing a functional configuration of an
UI部21は、表示部21Aと、入力部21Bと、を含む。表示部21Aは、種々の画像を表示する。表示部21Aは、例えばCRT(Cathode Ray Tube)ディスプレイ、液晶ディスプレイ、有機EL(Electro Luminescence)ディスプレイ、プラズマディスプレイなどである。入力部21Bは、ユーザからの各種指示や情報入力を受け付ける。入力部21Bは、例えば、キーボード、マウス、スイッチ、マイクなどである。
The
なお、UI部21は、表示部21Aと入力部21Bとを一体的に構成したタッチパネルであってもよい。
The
記憶部11は、各種データを記憶する。本実施の形態では、記憶部11は、解析対象の画像を記憶する。記憶部11は、例えば、HDD(Hard Disk Drive)、SSD(Solid State Drive)、ROM(Read Only Memory)、メモリカードなどの、磁気的、光学的、および電気的に記憶可能な記憶装置の少なくともいずれかにより実現できる。
The
画像解析装置12は、画像を解析し、非定常状態にある領域を特定する(詳細後述)。画像解析装置12の解析対象の画像は、1または複数の物体を含む。物体は、画像解析可能な物であればよい。本実施の形態では、一例として、物体が人物である場合を説明する。しかし、物体は、人物に限定されない。例えば、物体は、車両、細胞、などであってもよい。
The
画像解析装置12は、CPU(Central Processing Unit)、ROM(Read Only Memory)、およびRAM(Random Access Memory)などを含んで構成されるコンピュータである。なお、画像解析装置12は、CPU以外の回路等であってもよい。
The
画像解析装置12は、画像解析システム10全体を制御する。画像解析装置12は、取得部13と、抽出部14と、第1算出部15と、第2算出部16と、分割部17と、第3算出部18と、特定部19と、表示制御部20と、を含む。
The
取得部13、第1算出部15、第2算出部16、分割部17、第3算出部18、特定部19、および表示制御部20との一部または全ては、例えば、CPUなどの処理装置にプログラムを実行させること、すなわち、ソフトウェアにより実現してもよいし、IC(Integrated Circuit)などのハードウェアにより実現してもよいし、ソフトウェアおよびハードウェアを併用して実現してもよい。
Some or all of the
取得部13は、解析対象の画像を取得する。本実施の形態では、取得部13は、記憶部11から画像を取得する。なお、取得部13は、図示を省略する外部装置や、図示を省略する公知の撮影装置などから、画像を取得してもよい。
The
本実施の形態では、取得部13は、時系列で撮影された複数の画像を取得する場合を、一例として説明する。
In the present embodiment, the case where the
図2は、解析対象の画像33の一例を示す図である。画像33は、物体30を含む。上述したように、本実施の形態では、物体30が人である場合を説明する。
FIG. 2 is a diagram illustrating an example of the
図1に戻り、抽出部14は、画像33から複数の部分領域を抽出する。
Returning to FIG. 1, the
部分領域は、画像33の一部の画像であり、少なくとも1つの物体30を含む。本実施の形態では、部分領域は、画像33の一部を矩形状に抽出した画像である場合を説明する。
The partial area is a partial image of the
図3は、部分領域50の一例の説明図である。抽出部14は、画像33上において、抽出する対象となる矩形状の領域を移動させて、複数の部分領域50を抽出する。
FIG. 3 is an explanatory diagram of an example of the
なお、図3に示す例では、抽出部14は、部分領域50の各々に1つの物体30が含まれるように抽出する形態を示した。しかし、部分領域50には、2つ以上の物体30が含まれていてもよい。
In the example illustrated in FIG. 3, the
また、部分領域50の形状は、矩形に限られず、任意の形であってよい。また、画像33から抽出する複数の部分領域50の各々の大きさおよび形状は、部分領域50間で同じであってもよいし、異なっていてもよい。例えば、各部分領域50の大きさは、各部分領域50に含まれる物体30の占める領域に応じた形状や大きさであってもよい。
The shape of the
また、画像33から抽出する複数の部分領域50は、少なくとも一部分が互いに重なっていてもよい。抽出部14が画像33から抽出する部分領域50の数は、2以上であればよく、その数は限定されない。
Further, at least a part of the plurality of
なお、抽出部14は、予め定めた形状および大きさの矩形状の枠を用意し、該枠に応じた形状および大きさの部分領域50を画像33から抽出してもよい。また、抽出部14は、画像33に含まれる物体30の各々を特定し、特定した物体30を含むように、部分領域50を抽出してもよい。また、抽出部14が抽出する部分領域50の各々の、位置、大きさ、および形状は、ユーザによる入力部21Bの操作によって変更可能としてもよい。
Note that the
本実施の形態では、抽出部14は、時系列で撮影された複数の画像(画像33を含む)の各々について、複数の部分領域50を抽出する。
In the present embodiment, the
図1に戻り、第1算出部15は、部分領域50のオプティカルフローを算出する。第1算出部15は、抽出部14が抽出した複数の部分領域50の各々について、オプティカルフローを算出する。
Returning to FIG. 1, the
オプティカルフローとは、画像中の物体30の動きをベクトルで表したものである。すなわち、オプティカルフローは、物体30の移動量および移動方向を表す。
The optical flow is a vector representing the motion of the
本実施の形態では、第1算出部15は、解析対象の画像33における複数の部分領域50の各々と、該画像33より以前に撮影された画像における複数の部分領域50の各々と、の間で、同じ物体30の対応付けを行う。画像33より以前に撮影された画像とは、時系列的に連続する複数の画像における、画像33の直前に撮影された画像であることが好ましい。
In the present embodiment, the
そして、第1算出部15は、画像33における複数の部分領域50の各々に含まれる、物体30のオプティカルフローを算出する。
Then, the
第1算出部15は、公知の方法を用いて、オプティカルフローを算出する。例えば、第1算出部15は、Lucas Kanade法を用いて、各部分領域50の各々のオプティカルフローを算出する。
The
Lucas Kanade法は、具体的には、文献1(B. D. Lucas and T. Kanade, “An Iterative Image Registration Technique with an Application to Stereo Vision,” in Proc. of Int. Joint Conf. on Artificial Intelligence, pp.674〜667.)に示す方法である。 The Lucas Kanade method is specifically described in Ref. 1 (BD Lucas and T. Kanade, “An Iterative Image registration in the fon ation in Stereo. pp. 674 to 667.).
図4は、オプティカルフローおよび密度算出の説明図である。図4(A)は、オプティカルフロー35の説明図である。図4(A)に示すように、第1算出部15は、各部分領域50の各々について、オプティカルフロー35を算出する。
FIG. 4 is an explanatory diagram of optical flow and density calculation. FIG. 4A is an explanatory diagram of the
なお、部分領域50に複数の物体30が含まれる場合がある。この場合、第1算出部15は、部分領域50に含まれる複数の物体30の各々について、オプティカルフローを算出する。そして、第1算出部15は、算出したオプティカルフローによって示される移動量の平均移動量およびベクトル方向の平均方向を、移動量およびベクトル方向とするベクトルのオプティカルフロー35を算出する。そして、第1算出部15は、このオプティカルフロー35を、該部分領域50のオプティカルフロー35として用いる。
Note that the
図1に戻り、第2算出部16は、部分領域50の各々について、部分領域50に含まれる物体30の密度を算出する。すなわち、第2算出部16は、解析対象の画像33から抽出した部分領域50の各々について、物体30の密度を算出する。
Returning to FIG. 1, the
第2算出部16は、公知の方法を用いて、各部分領域50の各々に含まれる物体30の密度を算出すればよい。なお、高精度に密度を算出する理由から、第2算出部16は、第2の実施の形態で説明する算出方法を用いて密度を算出することが好ましい(詳細後述)。
The
図4(B)は、密度算出の説明図である。例えば、第2算出部16は、画像33に含まれる部分領域50の各々について、物体30の密度を算出する。
FIG. 4B is an explanatory diagram of density calculation. For example, the
このため、第1算出部15および第2算出部16によって、画像33に含まれる複数の部分領域50の各々について、オプティカルフロー35と、密度と、が算出された状態となる(図4(A)、図4(B)参照)。
Therefore, the
図1に戻り、分割部17は、解析対象の画像33を、複数のブロックに分割する。図5は、画像33の分割の説明図である。分割部17は、例えば、画像33を複数のブロックPに分割する。
Returning to FIG. 1, the dividing
なお、図5には、分割部17が、画像33を、3×3の9つのブロックP(ブロックP1〜ブロックP9)に分割した例を示した。しかし、分割部17は、画像33を複数の(2以上の)ブロックPに分割すればよく、9つに限定されない。
FIG. 5 shows an example in which the
また、分割部17は、分割した複数のブロックPの少なくとも1つが、少なくとも1つの部分領域50を含むように、画像33を分割することが好ましい。図6は、部分領域50とブロックP(ブロックP1〜ブロックP9)の対応の一例を示す図である。図6に示すように、分割部17は、複数のブロックPの少なくとも1つが、少なくとも1つの部分領域50を含むように、画像33を分割することが好ましい。
The dividing
なお、複数のブロックP(ブロックP1〜ブロックP9)の各々は、互いに同じ形状および大きさであってもよいし、異なる形状および大きさであってもよい。例えば、分割部17は、予め定めた数以上の部分領域50を少なくとも含むように、画像33を複数のブロックPに分割してもよい。
Each of the plurality of blocks P (blocks P1 to P9) may have the same shape and size, or may have different shapes and sizes. For example, the dividing
また、ブロックPの大きさや分割数を、解析対象の画像33の属性に応じて変更してもよい。解析対象の画像33の属性とは、画像33の撮影された場面(場所、時期、時刻、1枚の画像に含まれる物体の数、物体の大きさ、など)を示す。この場合、取得部13は、属性の付与された画像33を取得すればよい。そして、分割部17は、解析対象の画像33に付与された属性を読取り、読取った属性に対応する大きさ及び分割数のブロックPに、画像33を分割すればよい。
Further, the size and the number of divisions of the block P may be changed according to the attribute of the
図1に戻り、第3算出部18は、複数のブロックPの各々について、統計量を算出する。統計量は、ブロックPに含まれる部分領域50の各々の、物体30の密度と、オプティカルフロー35によって示される物体30の移動量と、を組み合わせた値である。言い換えると、統計量は、ブロックPの各々に含まれる1または複数の部分領域50の、物体30の密度と移動量とによって表される性質を示す情報である。
Returning to FIG. 1, the
統計量は、例えば、ブロックPに含まれる、物体30の運動量、物体30の運動エネルギー、物体30の滞留度、および、物体30の位置エネルギー、の少なくとも1つである。すなわち、統計量は、物体30の運動量、物体30の運動エネルギー、物体30の滞留度、および、物体30の位置エネルギー、の何れか1つであってもよいし、これらの2つ以上を組み合わせたものであってもよい。なお、以下では、物体30については、符号を省略して単に物体と称して説明する場合がある。
The statistic is, for example, at least one of the momentum of the
第3算出部18は、ブロックPに含まれる1または複数の部分領域50から算出した、物体の運動量、物体の運動エネルギー、物体の滞留度、および、物体の位置エネルギーの、1または複数を組み合わせたものを、統計量として算出する。
The
第3算出部18は、複数のブロックPの各々について、各ブロックPに含まれる部分領域50の各々の、物体の密度と物体の移動量と、を用いて、統計量を算出する。物体の移動量は、オプティカルフロー35によって示される物体の移動量である。言い換えると、オプティカルフロー35のベクトルの長さが、物体の移動量に相当する。
For each of the plurality of blocks P, the
なお、図6に示すように、部分領域50の各々が、何れか1つの領域内に収まるように配置されるとは限らない。すなわち、部分領域50が、隣接するブロックP間にまたがって配置される場合もある。この場合、第3算出部18は、複数のブロックPにまたがって配置された部分領域50については、各ブロックPに重なる領域の面積比に応じて、算出した密度および移動量を分配した値を用いる。
Note that, as shown in FIG. 6, each of the
例えば、ある部分領域50における、物体の密度が“H”であり、オプティカルフロー35によって示される移動量が“R”であったと仮定する。また、この部分領域50が、複数のブロックP(例えば、ブロックP1とブロックP2)にまたがって配置されていると仮定する。また、この部分領域50は、全体の面積の1/3の領域がブロックP1に位置し、2/3の領域がブロックP2に位置していたと仮定する。
For example, it is assumed that the density of an object in a certain
この場合、第3算出部18は、該密度“H”に1/3を乗算した値を、ブロックP1における該部分領域50の物体の密度として用いればよい。また、第3算出部18は、該移動量“R”に1/3を乗算した値を、ブロックP1における該部分領域50の移動量として用いればよい。
In this case, the
同様に、第3算出部18は、該密度“H”に2/3を乗算した値を、ブロックP2における該部分領域50の物体の密度として用いればよい。また、第3算出部18は、該移動量“R”に2/3を乗算した値を、ブロックP2における該部分領域50の移動量として用いればよい。
Similarly, the
特定部19は、複数のブロックP(ブロックP1〜ブロックP9)の内、第3算出部18によって算出された統計量が閾値以上のブロックPを、非定常状態にある非定常ブロックとして特定する。非定常状態にあるか定常状態にあるかの特定に用いる閾値は、予め定めればよい。
The specifying
非定常状態とは、定常状態ではない状態を示す。非定常状態は、例えば、ブロックP内に含まれる、物体の混雑の有無、物体の滞留の有無、物体の集合の有無、の少なくとも1つの種類を示す。 The unsteady state indicates a state that is not a steady state. The unsteady state indicates, for example, at least one kind of presence / absence of congestion of objects, presence / absence of retention of objects, presence / absence of collection of objects, and the like included in the block P.
物体の混雑の有無とは、多数の物体が密集して移動している状態、または、少数の物体が移動している状態を示す。多数の物体とは、予め定めた閾値以上の数の物体を示す。少数の物体とは、該閾値未満の数の物体を示す。これらの閾値(物体の数)は、閾値の調整によって予め定めればよい。 The presence / absence of congestion of objects indicates a state where a large number of objects are moving densely or a state where a small number of objects are moving. A large number of objects refers to a number of objects equal to or greater than a predetermined threshold. The small number of objects indicates a number of objects less than the threshold value. These threshold values (number of objects) may be determined in advance by adjusting the threshold values.
物体の滞留の有無とは、多数の物体が滞留した状態、または、物体が滞留していない状態、を示す。多数の物体が滞留とは、多数の物体の移動速度が閾値以下であることを示す。この閾値は、予め定めればよい。 The presence / absence of an object indicates a state in which a large number of objects have stayed or a state in which no objects have stayed. The retention of a large number of objects indicates that the moving speed of the large number of objects is equal to or less than a threshold value. This threshold may be determined in advance.
物体の集合の有無とは、多数の物体が集合した状態、または、物体が集合していない状態、を示す。物体が集合、とは、各物体間の距離が予め定めた閾値以下であることを示す。この閾値は、予め定めればよい。 The presence / absence of a set of objects indicates a state where a large number of objects are gathered or a state where no objects are gathered. The collection of objects means that the distance between the objects is equal to or less than a predetermined threshold value. This threshold may be determined in advance.
次に、統計量の算出、および、非定常状態の特定について、具体的に説明する。 Next, the calculation of the statistic and the specification of the unsteady state will be specifically described.
まず、統計量として、物体の運動量を算出する場合を説明する。 First, a case where the amount of movement of an object is calculated as a statistic will be described.
この場合、第3算出部18は、複数のブロックPの各々について、ブロックPに含まれる部分領域50の各々の、物体の密度とオプティカルフロー35によって示される移動量との乗算値の総和を、物体の運動量として算出する。
In this case, the
具体的には、第3算出部18は、式(1)を用いて、ブロックPごとに物体の運動量Mを算出する。
Specifically, the
式(1)中、Mは、ブロックPにおける物体の運動量を示す。iは、1以上n以下の整数である。miは、ブロックP内の位置iの部分領域50の物体の密度を示す。viは、ブロックP内の位置iの部分領域50の移動量(オプティカルフロー35によって示される移動量)を示す。なお、ブロックP内の部分領域50の各々には、1つの位置iを割り当てる。このため、式(1)中のnの値は、ブロックP内に存在する部分領域50の数と一致する。
In Expression (1), M represents the momentum of the object in the block P. i is an integer of 1 to n. mi indicates the density of the object in the
すなわち、第3算出部18は、ブロックP内の部分領域50の各々について、オプティカルフロー35によって示される移動量と物体の密度との乗算値を算出する。そして、第3算出部18は、ブロックP内に含まれる部分領域50の各々の乗算値の総和(合計値)を、物体の運動量Mとして算出する。
That is, the
この場合、特定部19は、画像33の複数のブロックP(ブロックP1〜ブロックP9)の内、第3算出部18が算出した物体の運動量Mが第1の閾値以上のブロックPを、非定常ブロックとして特定する。すなわち、特定部19は、M≧T1の関係を満たすブロックPを、非定常ブロックとして特定する。なお、T1は、第1の閾値を示す。
In this case, the specifying
なお、特定部19は、ブロックPに含まれる部分領域50の数(すなわち、式(1)におけるnの値)と、第1の閾値と、を対応づけて予め記憶部11に記憶する。そして、特定部19は、ブロックPごとに、ブロックPに含まれる部分領域50の数に対応する第1の閾値を記憶部11から読取り、非定常ブロックであるか否かの特定に用いる。
The specifying
そして、さらに、特定部19は、M≧T1の関係を満たすブロックPについて、含まれる部分領域50の各々の物体の密度の総和を用いて、物体の混雑の有無を特定する。具体的には、特定部19は、式(2)を用いて、ブロックPごとに物体の混雑の有無を特定する。
Further, the specifying
式(2)中、Dは、ブロックPに含まれる部分領域50の各々の物体の密度の総和を示す。式(2)中、n、i、およびmiは、式(1)と同様の意味である。
In Expression (2), D represents the total sum of the densities of the objects in the
特定部19は、運動量Mを用いて非定常状態であると特定したブロックPの内、ブロックPに含まれる部分領域50の各々の物体の密度の総和Dが、第5の閾値以上のブロックPを、多数の物体が密集して移動している状態にあると特定する。すなわち、特定部19は、M≧T1、および、D≧T5の関係を満たすブロックPを、多数の物体が密集して移動している状態にある非定常ブロックと特定する。なお、T5は、第5の閾値を示す。
Of the blocks P identified as being in an unsteady state using the momentum M, the identifying
また、特定部19は、運動量Mを用いて非定常状態であると特定したブロックPの内、ブロックPに含まれる部分領域50の各々の物体の密度の総和Dが、第5の閾値未満のブロックPを、少数の物体が移動している状態にあると特定する。すなわち、特定部19は、M≧T1、および、D<T5の関係を満たすブロックPを、少数の物体が移動している状態にある非定常ブロックと特定する。
In addition, the specifying
なお、特定部19は、ブロックPに含まれる部分領域50の数(すなわち、式(2)におけるnの値)と、第5の閾値と、を対応づけて予め記憶部11に記憶する。そして、特定部19は、ブロックPごとに、ブロックPに含まれる部分領域50の数に対応する第5の閾値を記憶部11から読取り、物体の混雑の有無の特定に用いる。
Note that the specifying
図7は、ブロックP内に部分領域50が1つのみ存在する場合の、閾値の説明図である。図7中、線38Aは、第1の閾値T1を示す線である。また、図7中、線T5は、第5の閾値T5を示す線である。
FIG. 7 is an explanatory diagram of the threshold when there is only one
図7に示す図における、m×|v|の値(密度と移動量の絶対値との乗算値)が線38A以上である空間Aが、非定常状態を示す空間である。また、線38Aよりm×|v|の値が小さい空間Bが、定常状態を示す空間である。また、非定常状態の空間Aにおいて、密度(m)の値が第5の閾値T5以上の空間は、多数の物体が密集している状態を示す空間である。また、非定常状態の空間Aにおいて、密度(m)の値が第5の閾値未満の空間は、少数の物体が移動している状態を示す空間である。
In the diagram shown in FIG. 7, the space A in which the value of m × | v | (the multiplication value of the density and the absolute value of the movement amount) is equal to or greater than the
このように、特定部19は、画像33に含まれるブロックP(ブロックP1〜ブロックP9)の各々について、第3算出部18が算出した物体の運動量Mを用いることによって、非定常状態にある非定常ブロックを特定する。また、特定部19は、物体の運動量Mを用いることによって、非定常ブロックの物体の混雑の有無(多数の物体が密集して移動している状態、または、少数の物体が移動している状態)を特定する。
As described above, the specifying
また、取得部13が取得した時系列で撮影された複数の画像の各々について、抽出部14、第1算出部15、第2算出部16、分割部17、第3算出部18、および特定部19が上記処理を行うことによって、撮影時間ごとに、各ブロックPの物体の混雑の有無を特定することができる。
For each of the plurality of images taken in time series acquired by the
図8は、撮影時間ごとの特定の一例を示す説明図である。図8中、線39Aは、ある特定のブロックPの運動量Mの算出結果の推移の一例を示す。図8に示す例では、撮影時間t1のときに、運動量Mが第1の閾値T1を超えている。この場合、特定部19は、撮影時間t1のタイミングで撮影された画像33における該ブロックPが、非定常状態にある非定常ブロックであると特定する。また、このとき、特定部19は、第5の閾値T5を用いた上記特定を行うことで、該ブロックPの物体の混雑の有無(多数の物体が密集して移動している状態、または、少数の物体が移動している状態)も特定することができる。
FIG. 8 is an explanatory diagram showing a specific example for each shooting time. In FIG. 8, a
次に、統計量として、物体の運動エネルギーを算出する場合を説明する。 Next, a case where the kinetic energy of an object is calculated as a statistic will be described.
この場合、第3算出部18は、複数のブロックPの各々について、ブロックPに含まれる部分領域50の各々の、物体の密度と移動量の二乗との乗算値の総和を、物体の運動エネルギーとして算出する。
In this case, the
具体的には、第3算出部18は、式(3)を用いて、ブロックPごとに物体の運動エネルギーKを算出する。
Specifically, the
式(3)中、Kは、ブロックPにおける物体の運動エネルギーを示す。i、mi、vi、およびnは、式(1)と同様の意味である。 In equation (3), K represents the kinetic energy of the object in the block P. i, mi, vi, and n have the same meaning as in formula (1).
すなわち、第3算出部18は、ブロックP内の部分領域50の各々について、オプティカルフロー35によって示される移動量の二乗と物体の密度との乗算値を算出する。そして、第3算出部18は、ブロックP内に含まれる部分領域50の各々の該乗算値の総和(合計値)を、物体の運動エネルギーKとして算出する。
That is, the
この場合、特定部19は、画像33の複数のブロックP(ブロックP1〜ブロックP9)の内、第3算出部18が算出した物体の運動エネルギーKが第2の閾値以上のブロックPを、非定常ブロックとして特定する。すなわち、特定部19は、K≧T2の関係を満たすブロックPを、非定常状態にある非定常ブロックとして特定する。なお、T2は、第2の閾値を示す。
In this case, the specifying
なお、特定部19は、ブロックPに含まれる部分領域50の数(すなわち、式(3)におけるnの値)と、第2の閾値と、を対応づけて予め記憶部11に記憶する。そして、特定部19は、ブロックPごとに、ブロックPに含まれる部分領域50の数に対応する第2の閾値を記憶部11から読取り、非定常ブロックであるか否かの特定に用いる。
The specifying
そして、さらに、特定部19は、K≧T2の関係を満たすブロックPについて、含まれる部分領域50の各々の物体の密度の総和を用いて、物体の混雑の有無を特定する。具体的には、特定部19は、上記式(2)を用いて、ブロックPごとに物体の混雑の有無を特定する。
Further, the specifying
詳細には、特定部19は、運動エネルギーKを用いて非定常状態であると特定したブロックPの内、ブロックPに含まれる部分領域50の各々の物体の密度の総和Dが、第6の閾値以上のブロックPを、多数の物体が密集して移動している状態にあると特定する。すなわち、特定部19は、K≧T2、および、D≧T6の関係を満たすブロックPを、多数の物体が密集して移動している非定常状態にある非定常ブロックと特定する。なお、T6は、第6の閾値を示す。
Specifically, the specifying
また、特定部19は、運動エネルギーKを用いて非定常状態であると特定したブロックPの内、ブロックPに含まれる部分領域50の各々の物体の密度の総和Dが、第6の閾値未満のブロックPを、少数の物体が移動している状態にあると特定する。すなわち、特定部19は、K≧T2、および、D<T6の関係を満たすブロックPを、少数の物体が移動している非定常状態にある非定常ブロックと特定する。
In addition, the specifying
なお、特定部19は、ブロックPに含まれる部分領域50の数(すなわち、式(2)におけるnの値)と、第6の閾値と、を対応づけて予め記憶部11に記憶する。そして、特定部19は、ブロックPごとに、ブロックPに含まれる部分領域50の数に対応する第6の閾値を記憶部11から読取り、物体の混雑の有無の特定に用いる。
Note that the specifying
このように、特定部19は、画像33に含まれるブロックP(ブロックP1〜ブロックP9)の各々について、第3算出部18が算出した物体の運動エネルギーKを用いることによって、非定常状態にある非定常ブロックを特定する。また、特定部19は、物体の運動エネルギーKを用いることによって、非定常ブロックの物体の混雑の有無(多数の物体が密集して移動している状態、または、少数の物体が移動している状態)を特定する。
Thus, the specifying
また、取得部13が取得した時系列で撮影された複数の画像の各々について、抽出部14、第1算出部15、第2算出部16、分割部17、第3算出部18、および特定部19が上記処理を行うことによって、撮影時間ごとに、非定常ブロックの物体の混雑の有無を特定することができる。
For each of the plurality of images taken in time series acquired by the
図9は、撮影時間ごとの特定の一例を示す説明図である。図9中、線39Bは、ある特定のブロックPの運動エネルギーKの算出結果の推移の一例を示す。図9に示す例では、撮影時間t2〜撮影時間t3の期間と、撮影時間t4〜撮影時間t5の期間に、運動エネルギーKが第2の閾値T2を超えている。この場合、特定部19は、撮影時間t2〜撮影時間t3の期間と、撮影時間t4〜撮影時間t5、に撮影された画像33における該ブロックPが、非定常状態にある非定常ブロックであると特定する。また、このとき、特定部19は、第6の閾値T6を用いた上記特定を行うことで、該ブロックPの物体の混雑の有無(多数の物体が密集して移動している状態、または、少数の物体が移動している状態)も特定する。
FIG. 9 is an explanatory diagram illustrating a specific example for each shooting time. In FIG. 9, a line 39 </ b> B shows an example of the transition of the calculation result of the kinetic energy K of a specific block P. In the example shown in FIG. 9, the kinetic energy K exceeds the second threshold value T2 during the period of the imaging time t2 to the imaging time t3 and during the period of the imaging time t4 to the imaging time t5. In this case, the specifying
次に、統計量として、物体の滞留度を算出する場合を説明する。 Next, a case where the staying degree of an object is calculated as a statistic will be described.
この場合、第3算出部18は、複数のブロックPの各々について、ブロックPに含まれる部分領域50の各々の、物体の密度と移動量の逆数との乗算値の総和を、物体の滞留度として算出する。なお、移動量の逆数は、移動量に定数を加算した加算値の逆数であってもよい。
In this case, the
具体的には、第3算出部18は、式(4)を用いて、ブロックPごとに物体の滞留度Sを算出する。
Specifically, the
式(4)中、Sは、ブロックPにおける物体の滞留度を示す。i、mi、vi、およびnは、式(1)と同様の意味である。式(4)中、g(vi)は、式(5)によって表される関数である。 In the formula (4), S indicates the staying degree of the object in the block P. i, mi, vi, and n have the same meaning as in formula (1). In equation (4), g (vi) is a function represented by equation (5).
式(5)中、αは、0以上の整数である。αには、任意の値を予め定めればよい。 In formula (5), α is an integer of 0 or more. An arbitrary value may be determined in advance for α.
すなわち、第3算出部18は、ブロックP内の部分領域50の各々について、物体の密度と移動量の逆数との乗算値を算出する。そして、第3算出部18は、ブロックP内に含まれる部分領域50の各々の乗算値の総和(合計値)を、物体の滞留度Sとして算出する。
That is, the
この場合、特定部19は、画像33の複数のブロックP(ブロックP1〜ブロックP9)の内、第3算出部18が算出した物体の滞留度Sが第3の閾値以上のブロックPを、非定常ブロックとして特定する。すなわち、特定部19は、S≧T3の関係を満たすブロックPを、非定常ブロックとして特定する。なお、T3は、第3の閾値を示す。
In this case, the specifying
なお、特定部19は、ブロックPに含まれる部分領域50の数(すなわち、式(4)におけるnの値)と、第3の閾値と、を対応づけて予め記憶部11に記憶する。そして、特定部19は、ブロックPごとに、ブロックPに含まれる部分領域50の数に対応する第3の閾値を記憶部11から読取り、非定常ブロックであるか否かの特定に用いる。
Note that the specifying
本実施の形態では、特定部19は、物体の滞留度Sが第3の閾値以上のブロックPに、物体の滞留が生じている(すなわち、多数の物体が滞留している)と特定する。
In the present embodiment, the specifying
図10は、ブロックP内に部分領域50が1つのみ存在する場合の、閾値の説明図である(すなわち、式(4)中、nが“1”(n=1))。図10中、線38Cは、第3の閾値T3を示す線である。
FIG. 10 is an explanatory diagram of the threshold when there is only one
図10における、密度と移動量によって表される滞留度Sが線38C以上である空間Aが、物体の滞留が生じていることを示す空間である。また、密度と移動量によって表される滞留度Sが線38C未満である空間Bが、定常状態を示す空間である。 In FIG. 10, the space A in which the staying degree S represented by the density and the moving amount is equal to or greater than the line 38 </ b> C is a space indicating that the staying of the object is occurring. In addition, the space B in which the staying degree S represented by the density and the moving amount is less than the line 38C is a space indicating a steady state.
このように、特定部19は、画像33に含まれるブロックP(ブロックP1〜ブロックP9)の各々について、第3算出部18が算出した物体の滞留度Sを用いることによって、非定常状態にある非定常ブロックを特定する。また、特定部19は、物体の滞留度Sを用いることによって、非定常ブロックに物体の滞留が生じていることを特定する。
As described above, the specifying
また、取得部13が取得した時系列で撮影された複数の画像の各々について、抽出部14、第1算出部15、第2算出部16、分割部17、第3算出部18、および特定部19が上記処理を行うことによって、撮影時間ごとの、非定常ブロックの物体の滞留の有無を特定することができる。
For each of the plurality of images taken in time series acquired by the
図11は、撮影時間ごとの特定の一例を示す説明図である。図11中、線39Cは、ある特定のブロックPの滞留度Sの算出結果の推移の一例を示す。図11に示す例では、撮影時間t6から撮影時間t7の期間に、滞留度Sが第3の閾値T3を超えている。この場合、特定部19は、撮影時間t6〜撮影時間t7のタイミングで撮影された画像33における該ブロックPが、非定常状態にある非定常ブロックであると特定する。また、このとき、特定部19は、この非定常ブロックに、物体の滞留が生じていることを特定する。
FIG. 11 is an explanatory diagram showing a specific example for each shooting time. In FIG. 11, a
次に、統計量として、物体の位置エネルギーを算出する場合を説明する。 Next, the case where the potential energy of an object is calculated as a statistic will be described.
この場合、第3算出部18は、複数のブロックPの各々について、ブロックPに含まれる部分領域50の物体の密度と、該部分領域50の物体の移動量の逆数と、同じブロックPに含まれる他の部分領域50の物体の密度と、の乗算値を算出する。そして、第3算出部18は、この乗算値を、部分領域50と他の部分領域50との距離で除算した総和を、物体の位置エネルギーとして算出する。
In this case, for each of the plurality of blocks P, the
具体的には、第3算出部18は、式(6)を用いて、ブロックPごとに物体の運動エネルギーKを算出する。
Specifically, the
式(6)中、Uは、ブロックPにおける物体の位置エネルギーを示す。i、mi、vi、およびnは、式(1)と同様の意味である。g(vi)は、上記式(5)によって表される関数である。 In equation (6), U represents the potential energy of the object in the block P. i, mi, vi, and n have the same meaning as in formula (1). g (vi) is a function represented by the above equation (5).
式(6)中、jは、1以上n以下の整数である。jは、ブロックP内における各部分領域50の位置を示し、iとは異なる位置を示す。すなわち、i≠jの関係である。式(6)中、rijは、同じブロックP内における、位置iの部分領域50と、位置jの部分領域50と、の距離を示す。rijは、例えば、画像33における、位置iの部分領域50の中心と、位置jの部分領域50の中心と、の間の最短距離を示す。
In formula (6), j is an integer of 1 or more and n or less. j indicates the position of each
この場合、特定部19は、画像33の複数のブロックP(ブロックP1〜ブロックP9)の内、第3算出部18が算出した物体の位置エネルギーUが第4の閾値以上のブロックPを、非定常ブロックとして特定する。すなわち、特定部19は、U≧T4の関係を満たすブロックPを、非定常ブロックとして特定する。なお、T4は、第4の閾値を示す。
In this case, the specifying
なお、特定部19は、ブロックPに含まれる部分領域50の数(すなわち、式(6)におけるnの値)と、第4の閾値と、を対応づけて予め記憶部11に記憶する。そして、特定部19は、ブロックPごとに、ブロックPに含まれる部分領域50の数に対応する第4の閾値を記憶部11から読取り、非定常ブロックであるか否かの特定に用いる。
Note that the specifying
本実施の形態では、特定部19は、物体の位置エネルギーUが第4の閾値以上のブロックPを、非定常状態にある非定常ブロックであると特定する。また、特定部19は、該非定常ブロックに、物体の滞留、および、多数の物体の集合、が生じている、と特定する。
In the present embodiment, the specifying
このように、特定部19は、画像33に含まれるブロックP(ブロックP1〜ブロックP9)の各々について、第3算出部18が算出した物体の位置エネルギーUを用いることによって、非定常状態にある非定常ブロックを特定する。また、特定部19は、物体の位置エネルギーUを用いることによって、非定常ブロックに、物体の滞留および多数の物体の集合が生じている、と特定する。
As described above, the specifying
また、取得部13が取得した時系列で撮影された複数の画像の各々について、抽出部14、第1算出部15、第2算出部16、分割部17、第3算出部18、および特定部19が上記処理を行うことによって、撮影時間ごとの、非定常ブロックの物体の滞留および多数の物体の集合の有無を特定することができる。
For each of the plurality of images taken in time series acquired by the
図12は、撮影時間ごとの特定の一例を示す説明図である。図12中、線39Dは、ある特定のブロックPの位置エネルギーUの算出結果の推移の一例を示す。図12に示す例では、撮影時間t8以降では、位置エネルギーUが第4の閾値T4を超えている。この場合、特定部19は、撮影時間t8以降に撮影された画像33における該ブロックPが、非定常状態にある非定常ブロックであると特定する。また、このとき、特定部19は、非定常ブロックと特定したブロックPに、物体の滞留および多数の物体の集合が生じている、と特定する。
FIG. 12 is an explanatory diagram illustrating a specific example for each shooting time. In FIG. 12,
なお、上記では、第3算出部18が、運動量M、運動エネルギーK、滞留度S、および位置エネルギーUの各々を統計量として算出する場合を、一例として説明した。また、特定部19は、運動量M、運動エネルギーK、滞留度S、および位置エネルギーUの各々を用いて、非定常ブロックを特定する形態を説明した。
In the above description, the case where the
しかし、第3算出部18は、ブロックPに含まれる1または複数の部分領域50から算出した、物体の運動量、物体の運動エネルギー、物体の滞留度、および、物体の位置エネルギーの、複数を組み合わせたものを、統計量として算出してもよい。
However, the
この場合、特定部19は、複数のブロックP(ブロックP1〜ブロックP9)の内、第3算出部18によって算出された統計量が予め定めた閾値以上のブロックPを、非定常状態にある非定常ブロックとして特定すればよい。また、特定部19は、統計量の値に応じて、非定常状態の種類を特定すればよい。
In this case, the specifying
図1に戻り、表示制御部20は、画像を表示部21Aに表示する制御を行う。例えば、表示制御部20は、画像33に含まれる複数のブロックP(ブロックP1〜ブロックP9)の内、特定部19で特定された非定常ブロックを強調した表示画像を、表示部21Aに表示する制御を行う。
Returning to FIG. 1, the
図13は、表示画像37Aの一例を示す模式図である。例えば、特定部19がブロックP5とブロックP7を非定常ブロックと特定したと仮定する。また、特定部19が、ブロックP5については、多数の物体が密集して移動している状態であると判別し、ブロックP7については、少数の物体が移動している状態であると判別したと仮定する。
FIG. 13 is a schematic diagram illustrating an example of the
この場合、例えば、表示制御部20は、図13に示す表示画像37Aを表示部21Aに表示する。表示画像37Aは、画像33に、非定常ブロックと特定されたブロックP5を強調する枠線38Aと、非定常ブロックと特定されたブロックP7を強調する枠線38Bと、を重畳した画像である。なお、非定常ブロックを強調する方式は、非定常ブロックを枠線で囲む形態に限定されない。例えば、表示制御部20は、非定常ブロックを定常状態のブロックPとは異なる表示形態で表示すればよい。異なる表示形態とは、色、点滅間隔、輝度、彩度、および明度、の少なくとも1つが異なる。
In this case, for example, the
また、表示制御部20は、非定常ブロックを、非定常状態の種類に応じた表示形態で表示することが好ましい。具体的には、表示制御部20は、多数の物体が密集して移動している状態にあるブロックP7と、少数の物体が移動している状態にあるブロックP5と、を異なる表示形態で表示する。図13に示す例では、これらのブロックP5とブロックP7とを囲む線の線種を変えて表示した例を示した(線41A、線41B)。なお、線種を変える形態に限定されない。
Moreover, it is preferable that the
また、表示制御部20は、画像33に含まれる複数のブロックP(ブロックP1〜ブロックP9)の内、特定部19で特定された非定常ブロックに、非定常状態を示す情報を重畳した表示画像を、表示部21Aに表示する制御を行ってもよい。
The
図14は、表示画像37Bの一例を示す模式図である。例えば、特定部19がブロックP5とブロックP7を非定常ブロックと特定したと仮定する。また、特定部19が、ブロックP5については、多数の物体が密集して移動している状態であると判別し、ブロックP7については、少数の物体が移動している状態であると判別したと仮定する。
FIG. 14 is a schematic diagram illustrating an example of the
この場合、例えば、表示制御部20は、図14に示す表示画像37Bを表示部21Aに表示する。表示画像37Bは、画像33における、非定常ブロックと特定されたブロックP5に、非定常状態を示す情報として“多数物体移動”を示す文字を重畳した画像である。また、表示画像37Bは、画像33における、非定常ブロックと特定されたブロックP7に、非定常状態を示す情報として“少数物体移動”を示す文字を重畳した画像である。
In this case, for example, the
なお、表示制御部20は、非定常状態の発生した画像33の撮影時間を示す情報(例えば文字)を、非定常ブロックと特定されたブロックPに重畳してもよい。これにより、非定常状態の発生時刻(撮影時間)を、ユーザに対して提供することができる。
Note that the
このように、表示制御部20は、表示画像37Bを表示部21Aに表示してもよい。
Thus, the
次に、画像解析装置12が実行する画像解析処理の手順を説明する。図15−1は、画像解析装置12が実行する画像解析処理の手順の一例を示すフローチャートである。
Next, the procedure of image analysis processing executed by the
まず、取得部13が解析対象の画像を取得する(ステップS100)。次に、抽出部14が、ステップS100で取得した画像から複数の部分領域50を抽出する(ステップS102)。
First, the
次に、第1算出部15が、ステップS102で抽出した複数の部分領域50の各々について、オプティカルフロー35を算出する(ステップS104)。次に、第2算出部16が、ステップS102で抽出した複数の部分領域50の各々について、部分領域50に含まれる物体の密度を算出する(ステップS106)。
Next, the
次に、分割部17が、解析対象の画像を、複数のブロックPに分割する(ステップS108)。次に、第3算出部18が、複数のブロックPの各々について、統計量を算出する(ステップS110)。
Next, the dividing
次に、特定部19が、ステップS108で分割された複数のブロックP(ブロックP1〜ブロックP9)の内、ステップS110で算出された統計量が予め定めた閾値以上のブロックPを、非定常状態にある非定常ブロックとして特定する(ステップS112)。
Next, the identifying
次に、特定部19は、特定した非定常ブロックの識別情報と、特定した非定常状態の種類と、該非定常ブロックの特定元の画像33の識別情報(例えば、撮影時間)と、を対応づけて記憶部11へ記憶する(ステップS114)。
Next, the specifying
次に、表示制御部20が、表示部21Aに表示する画像を生成する(ステップS116)。例えば、表示制御部20は、画像33に含まれる複数のブロックP(ブロックP1〜ブロックP9)の内、特定部19で特定された非定常ブロックを強調した表示画像(図13の表示画像37A参照)を生成する。なお、表示制御部20は、表示画像37B(図14参照)を生成してもよい。
Next, the
そして、表示制御部20は、生成した表示画像を、表示制御部20へ表示する制御を行う(ステップS118)。そして、本ルーチンを終了する。
Then, the
なお、画像解析装置12は、ステップS100で新たな画像を取得する毎に、ステップS102〜ステップS118の処理を繰り返し実行することが好ましい。
In addition, it is preferable that the
以上説明したように、本実施の形態の画像解析装置12は、抽出部14と、第1算出部15と、第2算出部16と、分割部17と、第3算出部18と、特定部19と、を備える。抽出部14は、画像33から複数の部分領域50を抽出する。第1算出部15は、部分領域50のオプティカルフロー35を算出する。第2算出部16は、部分領域50に含まれる物体の密度を算出する。分割部17は、画像33を、複数のブロックPに分割する。第3算出部18は、複数のブロックPの各々について、ブロックPに含まれる部分領域50の各々の、密度とオプティカルフロー35によって示される物体の移動量とを組み合わせた統計量を算出する。特定部19は、複数のブロックPの内、統計量が閾値以上のブロックPを、非定常状態にある非定常ブロックとして特定する。
As described above, the
このように、本実施の形態の画像解析装置12では、オプティカルフロー35によって示される物体の移動量と、物体の密度と、を用いて、非定常状態の非定常ブロックを特定する。このため、画像解析装置12では、移動量のみ、または、密度のみ、から非定常状態の非定常ブロックを特定する場合に比べて、多くの種類の非定常状態のブロックPを、非定常ブロックとして特定することができる。
As described above, in the
従って、本実施の形態の画像解析装置12では、特定可能な非定常状態の種類の増加を図ることができる。
Therefore, in the
なお、表示制御部20は、非定常ブロックを示す表示画像を表示部21Aに表示してもよい。図15−2は、表示画像A1の一例を示す模式図である。図15−2に示す表示画像A1は、警備業務の支援に用いることが可能である。
The
一般に、ビルや商業施設などには、様々な箇所に監視カメラが設置されている。そして、別室では、監視員が監視カメラの映像を見ながら、異常がないかをチェックしている。監視カメラの映像で不審人物や不審物などを発見した場合、監視員は、警備会社や近くの警備員に連絡をとり、連絡を受けた警備員が現地に訪れて対応する。しかしながら、通常は、図15−2に示すように、多くの監視カメラの映像を同時に監視する必要があるため、問題発見が難しい。監視員が問題を見落としたり発見が遅れたりすれば、対応ができずに警備の質が低下する。 In general, surveillance cameras are installed in various places in buildings and commercial facilities. In the separate room, the observer checks whether there is an abnormality while watching the video of the surveillance camera. When a suspicious person or a suspicious object is found in the video of the surveillance camera, the surveillance staff contacts a security company or a nearby security staff, and the security staff who has been contacted visits the site and responds. However, normally, as shown in FIG. 15B, since it is necessary to simultaneously monitor the images of many surveillance cameras, it is difficult to find a problem. If a watcher overlooks a problem or delays discovery, the security cannot be handled and the quality of the security deteriorates.
一方、本実施の形態の画像解析装置12によれば、オプティカルフロー35によって示される物体の移動量と、物体の密度と、を用いて、非定常状態の非定常ブロックを特定する。表示制御部20は、非定常状態の非定常ブロックを強調した表示(例えば、非定常状態の非定常ブロックにアノテーションA3を表示)をする。また、異常発生を示すアノテーションA2を併せて表示する。このような表示によって、監視員が注目しやすくなり、即座に問題を発見できて警備の質を向上させることができる。
On the other hand, according to the
(第2の実施の形態)
本実施の形態では、画像解析システム10における第2算出部16の実行する密度算出処理について、一例を説明する。
(Second Embodiment)
In the present embodiment, an example of density calculation processing executed by the
図16は、画像解析システム10に設けられた第2算出部16の構成の一例を示すブロック図である。
FIG. 16 is a block diagram illustrating an example of the configuration of the
第2算出部16は、第1計算部42と、演算部43と、第2予測部44と、密度計算部45と、を含む。
The
第1計算部42、演算部43、第2予測部44、および密度計算部45の一部またはすべては、例えば、CPUなどの処理装置にプログラムを実行させること、すなわち、ソフトウェアにより実現してもよいし、ICなどのハードウェアにより実現してもよいし、ソフトウェアおよびハードウェアを併用して実現してもよい。
Some or all of the
第1計算部42は、抽出部14(図1参照)で抽出された複数の部分領域50の各々の特徴量を計算する。特徴量は、部分領域50の特徴を示す値である。特徴量には、例えば、部分領域を構成する画素の画素値を離散化して一次元に並べたものや、これを、この一次元に並べた画素値における隣接画素値の差(すなわち勾配)で正規化したもの、を用いる。また、特徴量には、SIFT特徴(D.Lowe“,Object recognition from local scale−invariant features,”Int. Conf. Comp. Vision, Vol.2, pp.1150−1157, 1999参照)等を用いてもよい。SIFT特徴は、微小な変化に頑健なヒストグラム特徴である。
The
図17は、画像33、部分領域50、ラベル51(詳細後述)の説明図である。
FIG. 17 is an explanatory diagram of an
図17(A)は、画像33の一例を示す模式図である。第1の実施の形態で説明したように、画像33は、物体30を含む。図17(B)は、部分領域50の一例を示す図である。
FIG. 17A is a schematic diagram illustrating an example of the
第1計算部42は、抽出部14(図1参照)で抽出された複数の部分領域50の各々の特徴量を計算する。なお、抽出部14が画像33から抽出する部分領域50の数が多いほど、第2算出部16は、後述する処理において高精度に密度を計算可能な、回帰モデルを学習することができる。
The
図16に戻り、演算部43は、回帰モデルと、代表ラベルと、を演算する。図18は、演算部43の構成の一例を示すブロック図である。
Returning to FIG. 16, the
演算部43は、探索部43Aと、投票部43Bと、学習部43Cと、第1予測部43Dと、を含む。探索部43A、投票部43B、学習部43C、および第1予測部43Dの一部またはすべては、例えば、CPUなどの処理装置にプログラムを実行させること、すなわち、ソフトウェアにより実現してもよいし、ICなどのハードウェアにより実現してもよいし、ソフトウェアおよびハードウェアを併用して実現してもよい。
The
探索部43Aは、複数の部分領域50の各々の特徴量にラベルを付与する。ラベルは、各部分領域50に含まれる物体と、各部分領域50における第1位置と、の相対位置を表す。具体的には、探索部43Aは、まず、抽出部14によって抽出された複数の部分領域50の各々に含まれる物体を探索する。そして、探索部43Aは、部分領域50の各々について、部分領域50における第1位置と、該部分領域50に含まれる全ての物体の各々と、の相対位置を表すベクトルを、ラベルとして生成する。そして、探索部43Aは、生成したラベルを、対応する部分領域50の特徴量に付与する。
The
第1位置は、部分領域50内における予め定められた任意の位置であればよい。本実施の形態では、第1位置は、部分領域50における中心位置(部分領域50の中央)であるものとして説明する。
The first position may be any predetermined position in the
図17に戻り、図17(C)および図17(D)は、ラベル51の説明図である。例えば、探索部43Aが、図17(B)に示す部分領域50の各々に含まれる物体を探索する。そして、探索部43Aは、部分領域50の中心位置Pと、該部分領域50に含まれる全ての物体(図17(B)および図17(C)に示す例では、3つの物体)の各々と、の相対位置を示すベクトルL1、L2、L3を生成する(図17(C)参照)。そして、探索部43Aは、これらのベクトルL1、L2、L3を1組とするベクトルLを、ラベル51として(図17(D)参照)、該部分領域50の特徴量に付与する。
Returning to FIG. 17, FIGS. 17C and 17D are explanatory diagrams of the
図18に戻り、投票部43Bは、複数の部分領域50の各々について、各部分領域50に含まれる物体の相対位置の分布を表すヒストグラムを算出する。
Returning to FIG. 18, the
図19は、ラベル51およびヒストグラム52の説明図である。図19に示すように、投票部43Bは、ラベル51から、ヒストグラム52を算出する。
FIG. 19 is an explanatory diagram of the
ヒストグラム52は、部分領域50に一様に配置したビン(bin)の集合である。ヒストグラム52におけるビンの大きさは、部分領域50に含まれる物体の相対位置によって定まる。例えば、部分領域50における位置bのビンの大きさは、以下の式(7)で表される。
The
B(b)=ΣN(b;oj,σ) ・・・式(7) B (b) = ΣN (b; oj, σ) (7)
式(7)中、B(b)は、部分領域50における、位置bのビンの大きさを示す。ojは、物体の位置を示す。式(7)中、N(b;oj,σ)は、位置bにおける(中心oj、分散σ)の正規分布の確率密度関数の値である。
In equation (7), B (b) indicates the size of the bin at position b in the
図18に戻り、次に、投票部43Bは、複数の部分領域50ごとに算出したヒストグラム52の各々を、パラメータ空間に投票する。これにより、投票部43Bは、複数の部分領域50の各々について、各部分領域50に対応する投票ヒストグラムを生成する。
Returning to FIG. 18, next, the
図20は、投票ヒストグラム54の説明図である。ヒストグラム52は、パラメータ空間53に投票されることで、投票ヒストグラム54となる。図20では、パラメータ空間を、二次元に簡略して示している。
FIG. 20 is an explanatory diagram of the
なお、本実施の形態では、パラメータ空間は、3次元のパラメータ空間(x、y、s)であるものとして説明する。(x,y)は、部分領域内の二次元位置(x,y)を示す。(s)は、物体の大きさ(s)を示す。なお、パラメータ空間として、上記パラメータ以外に、物体の姿勢、物体の向き等を加えたより多次元のパラメータ空間であってもよい。 In the present embodiment, the parameter space is described as being a three-dimensional parameter space (x, y, s). (X, y) indicates a two-dimensional position (x, y) in the partial region. (S) indicates the size (s) of the object. The parameter space may be a multi-dimensional parameter space in which the posture of the object, the orientation of the object, and the like are added in addition to the above parameters.
図18に戻り、学習部43Cは、部分領域50の特徴量と、部分領域50に含まれる物体の相対位置と、の関係を示す回帰モデルを学習する。具体的には、学習部43Cは、複数の部分領域50の各々に対応する、ラベル51の付与された特徴量を、対応する投票ヒストグラムのばらつきが小さくなるように複数のクラスタに分割することによって、回帰モデルを学習する。
Returning to FIG. 18, the
本実施の形態では、回帰モデルが、1または複数のランダムツリーである場合を説明する。複数のランダムツリーは、すなわち、ランダムフォレストである。本実施の形態では、クラスタは、ランダムツリーの末端のノードである葉ノードを意味する。 In this embodiment, a case where the regression model is one or a plurality of random trees will be described. The plurality of random trees is a random forest. In the present embodiment, a cluster means a leaf node that is a node at the end of a random tree.
本実施の形態において、学習部43Cが回帰モデルを学習する、とは、ランダムツリーによって示されるルートノードから子ノードを介して葉ノードに至るまでの各々のノードの分割指標と、葉ノードに属する特徴量と、を決定することを意味する。なお、この特徴量は、上述したように、ラベル51の付与された特徴量である。
In the present embodiment, the
本実施の形態では、学習部43Cは、投票ヒストグラム54のばらつきが小さくなるように、ルートノードから子ノードを介して複数の葉ノードに至るまでの各ノードの分割指標と、複数の葉ノードの各々に属する特徴量と、を決定することによって回帰モデルを学習する。
In the present embodiment, the
なお、学習部43Cは、分割指標の組合せの異なる複数の回帰モデルを学習することが好ましい。本実施の形態では、学習部43Cは、各ノードの分割指標の組合せを変えることによって、予め定められた数(以下、Tと称する)の回帰モデルを学習する。
Note that the
図21は、ランダムツリー55の説明図である。
FIG. 21 is an explanatory diagram of the
図21には、各ノードの横に、二次元に簡略化したパラメータ空間53の投票ヒストグラム54を示した。図21に示す例では、複数の部分領域50の特徴量の各々に対応する投票ヒストグラム54として、投票ヒストグラム54A〜投票ヒストグラム54Fを示した。以下では、部分領域50の特徴量を、特徴量vと称して説明する場合がある。この特徴量vには、上述したように、ラベルが付与されている。
FIG. 21 shows a
まず、学習部43Cは、ルートノード55Aである「S」に、第1計算部42及び探索部43Aで算出した、ラベルの付与された全ての特徴量vを割当てる。
First, the
学習部43Cは、このルートノード55Aである「S」を2つの子ノード55Bである「L」、「R」の各々に分割するときの分割指標を定める。分割指標は、特徴量vの要素vjと、その閾値tjと、により定められる。
The
具体的には、学習部43Cは、分割先のノード(子ノード55Bまたは葉ノード55C)における投票ヒストグラムのばらつきが小さくなるように、分割元のノードの分割指標を決定する。分割指標は、特徴量vの要素vjと、その閾値tjと、によって定められる。
Specifically, the
詳細には、学習部43Cは、要素vj<閾値tjの関係を満たすラベル付き特徴量vを、子ノード55Bである「L」に(図21のyesの場合)、要素vj<閾値tjの関係を満たさない特徴量vを、子ノード55Bである「R」に(図21のnoの場合)、仮に割当てた場合の分割指標を決定する(以下、仮割当操作と称する)。
Specifically, the
このとき、学習部43Cは、投票ヒストグラム54のばらつきが小さくなるように、特徴量vの分割指標を決定する。学習部43Cは、例えば、下記式(8)を用いて分割指標を決定する。
At this time, the
G=Σ{H(l)−HL}2+Σ{H(r)−HR}2 ・・・式(8) G = Σ {H (l) −HL} 2 + Σ {H (r) −HR} 2 Formula (8)
式(8)中、H(l)は、ルートノード55Aである「S」から子ノード55Bである「L」に分割された投票ヒストグラム54を示す。式(8)中、H(r)は、ルートノード55Aである「S」から子ノード55Bである「R」に分割された投票ヒストグラム54を示す。式(8)中、HLは、全てのH(l)の平均値である。HRは、全てのH(r)の平均値である。
In Expression (8), H (l) indicates a
なお、学習部43Cが分割指標の決定に用いる式は、式(8)に限定されない。
Note that the equation used by the
学習部43Cは、各ノードについて、最も投票ヒストグラム54のばらつきが小さくなるように分割指標を決定し、ルートノード55Aから子ノード55Bを介して葉ノード55Cに至るまで、この仮割当操作を繰り返す。すなわち、学習部43Cは、各ノードについて、上記式(8)におけるGの値が最も小さくなるように、要素vjと閾値tjとの組合せを分割指標として決定し、各ノードに属する特徴量vを分割することを繰り返す。
The
そして、学習部43Cは、終了条件を満たした時のノードを、末端の葉ノード55Cとして決定する。終了条件は、例えば、第1の条件、第2の条件、及び第3の条件の少なくとも1つである。第1の条件は、ノードに含まれる特徴量vの数が予め定めた数よりも小さいときである。第2の条件は、ランダムツリー55の木構造の深さが予め定めた値よりも大きいときである。第3の条件は、分割指標の値が予め定めた値より小さいときである。
Then, the
この葉ノード55Cの決定により、学習部43Cは、葉ノード55Cに属する特徴量vを学習する。
With this determination of the
上述のようにして、学習部43Cは、ルートノード55Aから子ノード55Bを介して葉ノード55Cに至るまでの各ノードの分割指標と、葉ノード55Cに属する特徴量vと、を決定し、ランダムツリー55を学習する。また、学習部43Cは、分割指標の組合せを変えて上記の仮割当操作を行うことによって、予め定めた数Tのランダムツリー55、を学習する。
As described above, the
なお、学習部43Cが学習するランダムツリー55の数Tは、1つであってもよいし、2以上の任意の数であってもよい。学習部43Cが画像33からより多くの数のランダムツリー55を学習するほど、画像解析システム10において高精度に密度を計算可能な、ランダムツリー55を学習することができる。すなわち、学習部43Cは、複数のランダムツリー55である、ランダムフォレストを学習することが好ましい。
Note that the number T of the
図22は、学習した複数のランダムツリー55(すなわち、ランダムフォレスト)の説明図である。ランダムツリー551〜ランダムツリー55Tの各々は、各ノードの分割指標が異なる。このため、例えば、ルートノード55Aに割当てた、ラベル51の付与された全ての特徴量vが同じであっても、ランダムツリー551と、ランダムツリー55Tと、では、葉ノード55Cに属するラベル付きの特徴量vが異なるものとなる場合がある。なお、図22に示す例では、葉ノード55Cには、ラベル51のみを図示しているが、実際には、各葉ノード55Cには、ラベル51の付与された特徴量vが属している。
FIG. 22 is an explanatory diagram of a plurality of learned random trees 55 (that is, random forests). Each of the
図18に戻り、第1予測部43Dは、学習部43Cが学習時に分割したクラスタの各々について、代表ラベルを予測する。第1予測部43Dは、クラスタに属する1または複数の特徴量vに付与されたラベル51から、代表ラベルを予測する。
Returning to FIG. 18, the
上述したように、本実施の形態では、クラスタは、ランダムツリー55の末端のノードである葉ノード55Cを意味する。このため、第1予測部43Dは、葉ノード55Cに属する特徴量vの各々に付与されたラベル51から、各葉ノード55Cの代表ラベルを予測する。
As described above, in this embodiment, the cluster means the
図23は、代表ラベルの予測の説明図である。図23は、1つの葉ノード55Cを例にして説明している。まず、第1予測部43Dは、葉ノード55Cに属する全ての特徴量vの各々に付与されたラベル51を読取る。図23に示す例では、第1予測部43Dは、ラベル51C、51D、51E、51G、51Hを読取る。次に、第1予測部43Dは、これらのラベル51C、51D、51E、51G、51Hの各々に対応する投票ヒストグラム54(54C、54D、54E、54G、54H)の平均である、平均ヒストグラム56を算出する。
FIG. 23 is an explanatory diagram of representative label prediction. FIG. 23 illustrates one
次に、第1予測部43Dは、この葉ノード55Cに属する複数の投票ヒストグラム54(54C、54D、54E、54G、54H)の内、平均ヒストグラム56に近い投票ヒストグラム54を選択する。なお、第1予測部43Dは、葉ノード55Cに属する複数の投票ヒストグラム54(54C、54D、54E、54G、54H)の内、平均ヒストグラム56に、最も近い投票ヒストグラム54を選択することが好ましい。図23に示す例では、第1予測部43Dは、平均ヒストグラム56に最も近い投票ヒストグラム54Eを選択する。そして、第1予測部43Dは、この投票ヒストグラム54Eに対応するラベル51であるラベル51Eを、該葉ノード55Cの代表ラベルとして予測する。
Next, the
第1予測部43Dは、学習部43Cが学習した全てのランダムツリー55における、全ての葉ノード55Cについて、同様な処理を行い、各葉ノード55Cの代表ラベルを予測する。
The
図24は、代表ラベル予測後の、ランダムツリー55の説明図である。
FIG. 24 is an explanatory diagram of the
図24に示すように、第1予測部43Dが各葉ノード55Cについて代表ラベルを予測することによって、学習部43Cが学習したランダムフォレストに含まれる全てのランダムツリー55(ランダムツリー551〜55T)の各々について、各ランダムツリー55の全ての葉ノード55Cについて、代表ラベルが予測される。
As shown in FIG. 24, the
以上の処理により、演算部43が、回帰モデルと、代表ラベルと、を演算する。
Through the above processing, the
図16に戻り、次に、第2予測部44は、演算部43で演算した回帰モデルとしてのランダムツリー55と、葉ノード55Cの各々の代表ラベルと、を取得する。そして、第2予測部44は、演算部43で取得したランダムツリー55の変数に、部分領域50から計算された特徴量を代入する。これにより、第2予測部44は、部分領域50の各々に対応する代表ラベルを予測する。
Returning to FIG. 16, next, the
ここで、演算部43で取得したランダムツリー55が1つである場合には、第2予測部44は、1つのランダムツリー55を用いて、部分領域50毎に1つの代表ラベルを予測する。一方、演算部43で取得したランダムツリー55が複数である場合(すなわち、ランダムフォレストである場合)には、第2予測部44は、部分領域50毎に、これらの複数のランダムツリー55の各々に対応する複数の代表ラベルを求め、これらの複数の代表ラベルの内の1つを、密度計測に用いる代表ラベルとして予測する。
Here, when there is one
図25は、第2予測部44が行う代表ラベルの予測の説明図である。演算部43が取得したランダムツリー55、および代表ラベルが、図25に示すランダムツリー55(ランダムツリー551〜55T)及び代表ラベルであったとする。
FIG. 25 is an explanatory diagram of representative label prediction performed by the
この場合、第2予測部44は、部分領域の特徴量を、ランダムフォレストに含まれる各ランダムツリー55(ランダムツリー551〜55T)の各々のルートノード55Aに代入する。そして、第2予測部44は、各ランダムツリー55(ランダムツリー551〜55T)の各々のノードに決定された分割指標に沿って、ルートノード55Aから子ノード55Bを介して葉ノード55Cに到達するまで、木構造を下る。そして、到達した葉ノード55Cに属する代表ラベルを読取る。
In this case, the
これにより、第2予測部44は、1つの部分領域50の特徴量に対応する代表ラベルとして、ランダムツリー55(ランダムツリー551〜55T)毎に求めた複数の代表ラベルを求める。
Accordingly, the
例えば、ある部分領域50の特徴量v1をランダムツリー551の変数としてルートノード55Aに代入したとする。そして、子ノード55B1〜55B5の内の子ノード55B1、55B3をたどって、葉ノード55C1〜55C7の内の葉ノード55C1に到達したとする。この場合、この特徴量v1の、ランダムツリー551によって決定される代表ラベルはラベル51C1となる。
For example, it is assumed that assigned to the
また、この特徴量v1をランダムツリー55Tの変数としてルートノード55Aに代入したとする。そして、子ノード55B1〜55B2の内の子ノード55B2をたどって、葉ノード55C1〜55C4の内の葉ノード55C3に到達したとする。この場合、この特徴量v1の、ランダムツリー55Tによって決定される代表ラベルはラベル51C10となる。
Further, it is assumed that substituting the feature quantity v1 as a variable of the
次に、第2予測部44は、全てのランダムツリー55(ランダムツリー551〜55T)毎に求めた代表ラベルの内の1つを、密度計測に用いる代表ラベルとして予測する。第2予測部44は、第1予測部43Dと同様にして、密度計測に用いる代表ラベルを予測する。
Next, the
すなわち、第2予測部44は、全てのランダムツリー55(ランダムツリー551〜55T)毎に求めた代表ラベルに対応する投票ヒストグラム54の、平均ヒストグラムを算出する。そして、第2予測部44は、全てのランダムツリー55(ランダムツリー551〜55T)毎に求めた複数の代表ラベルの内、この平均ヒストグラムに最も近い投票ヒストグラム54に対応する代表ラベルを、密度計測に用いる代表ラベルとして予測する。
That is, the
図16に戻り、密度計算部45は、画像33に含まれる物体の平均密度を算出する。密度計算部45は、第2予測部44で予測された、部分領域の各々に対応する代表ラベルによって示される物体の相対位置に基づいて、第2予測部44の予測を行う。
Returning to FIG. 16, the
密度計算部45は、第2計算部45A、第3計算部45B、および第4計算部45Cを備える。
The
第2計算部45Aは、複数の部分領域の各々に対応する代表ラベルによって示される、物体の相対位置に基づいて、複数の部分領域の各々における物体の密度分布を計算する。第2計算部45Aは、演算部43で用いた第1位置を予め記憶している。なお、この代表ラベルは、上述した、密度計測に用いる代表ラベルである。
The second calculation unit 45A calculates the density distribution of the object in each of the plurality of partial areas based on the relative position of the object indicated by the representative label corresponding to each of the plurality of partial areas. The second calculation unit 45A stores in advance the first position used by the
例えば、第2計算部45Aは、正規分布の確率密度関数N()を用いて、部分領域における物体の密度分布Di(x)を計算する。 For example, the second calculation unit 45A calculates the density distribution Di (x) of the object in the partial region using the probability density function N () of the normal distribution.
Di(x)=ΣN(x;lj,σ) ・・・式(9) Di (x) = ΣN (x; lj, σ) (9)
式(9)中、xは、部分領域50中の任意の位置を示す。式(9)中、ljは、予測された物体の相対位置を示す。式(9)中、σは、分散を示す。
In formula (9), x represents an arbitrary position in the
第3計算部45Bは、画像33における複数の部分領域50の各々に対応する位置に、部分領域50の密度分布を配置する。密度分布を配置する、とは、画像33における複数の部分領域50の各々に対応する位置に、対応する部分領域50の密度分布を貼り付けていくことを示す。
The
ここで、画像33から抽出された複数の部分領域50は、少なくとも一部分が互いに重なっている場合がある。このため、画像33に、画像33から抽出した部分領域50の密度分布を配置すると、各部分領域50に対応する密度分布の少なくとも一部が重なった状態となる場合がある。
Here, at least a part of the plurality of
そこで、第4計算部45Cは、画像33における密度分布の重なり頻度に応じて、画像33を構成する画素毎に物体の密度の第1平均値を算出する。
Therefore, the
そして、第4計算部45Cは、画像33における部分領域50ごとに、部分領域50を構成する各画素の該第1平均値の更なる平均値を算出する。具体的には、第4計算部45Cは、部分領域50を構成する各画素の第1平均値を加算した加算値(加算した結果)を、該部分領域50を構成する画素の画素数で除算した値を、該部分領域50の物体の密度として用いる。
Then, the
これにより、第2算出部16は、画像33に含まれる複数の部分領域50の各々について、物体の密度を算出する。
Thereby, the
次に、第2算出部16が実行する密度算出処理の手順を説明する。図26は、第2算出部16が実行する密度算出処理の手順を示すフローチャートである。
Next, the procedure of density calculation processing executed by the
まず、第2算出部16が、抽出部14(図1参照)が画像33から抽出した複数の部分領域50の各々について、特徴量を計算する(ステップS200)。
First, the
次に、演算部43が、回帰モデルとしてのランダムツリー55、および代表ラベルを演算する(ステップS202)(詳細後述)。
Next, the
次に、第2予測部44が、演算部43で演算したランダムツリー55の変数に、計算した特徴量を代入する。これにより、第2予測部44は、部分領域50の各々に対応する代表ラベルを予測する(ステップS204)。
Next, the
次に、第2計算部45Aが、代表ラベルによって示される、物体の相対位置に基づいて、複数の部分領域50の各々における物体の密度分布を計算する(ステップS206)。
Next, the second calculation unit 45A calculates the density distribution of the object in each of the plurality of
次に、第3計算部45Bが、画像33における複数の部分領域50の各々に対応する位置に、対応する部分領域50の密度分布を配置する(ステップS208)。次に、第4計算部45Cが、画像33における密度分布の重なり頻度に応じて、画像33に含まれる部分領域50ごとに、物体の密度を計算する(ステップS210)。そして、本ルーチンを終了する。
Next, the
次に、図26のステップS202において、演算部43が行う演算処理を説明する。図27は、演算部43が行う演算処理の手順を示すフローチャートである。
Next, calculation processing performed by the
まず、演算部43の探索部43Aが、ステップS200(図26参照)で計算された、複数の部分領域50の各々の特徴量に、ラベルを付与する(ステップS300)。投票部43Bは、ラベル51からヒストグラム52を算出し、パラメータ空間53に投票することで、投票ヒストグラム54を生成する(ステップS302)。
First, the
次に、学習部43Cが、部分領域50の特徴量と、部分領域50に含まれる物体の相対位置と、の関係を示す回帰モデルを学習する(ステップS304)。本実施の形態では、上述したように、回帰モデルとしてランダムツリー55を学習する。
Next, the
次に、第1予測部43Dが、学習部43Cが学習時に分割したクラスタ(葉ノード55C)の各々について、代表ラベルを予測する(ステップS306)。
Next, the
そして、演算部43では、上記学習した回帰モデルとしてのランダムツリー55、およびクラスタ(葉ノード55C)の代表ラベルを、第2予測部44へ出力し、本ルーチンを終了する。
Then, the
以上説明したように、本実施の形態の第2算出部16では、探索部43Aが、画像33から抽出した複数の部分領域50の各々に含まれる物体を探索する。また、探索部43Aは、部分領域50における予め定められた第1位置と部分領域50に含まれる全ての物体の各々との相対位置を表すベクトルをラベルとして、部分領域50の特徴量に付与する。学習部43Cは、このラベルの付与された特徴量を、各ノードに割当てて各ノードの分割指標を定める。これにより、学習部43Cは、回帰モデルを学習する。第1予測部43Dは、回帰モデルの葉ノード55Cの各々について、代表ラベルを予測する。
As described above, in the
ラベルは、物体の相対位置を示すベクトルであり、データサイズが小さい。このため、回帰モデルの構成に必要なデータ量の削減を図ることができる。すなわち、本実施の形態の回帰モデルを用いて密度計算を行うことで、画像解析システム10では、上記第1の実施の形態の効果に加えて、低メモリで物体の密度計算を行うことができる。
The label is a vector indicating the relative position of the object and has a small data size. For this reason, it is possible to reduce the amount of data necessary for configuring the regression model. That is, by performing density calculation using the regression model of the present embodiment, the
また、第2算出部16は、画像33から物体を直接検出せずに、回帰モデルを学習する。このため、本実施の形態の第2算出部16は、画像33に含まれる物体が小さくて重なる場合であっても、計測精度を落とすことなく、高精度に密度計算を行うことの可能な回帰モデルを学習することができる。
Further, the
従って、本実施の形態の画像解析システム10では、第2算出部16が、本実施の形態で説明した上記処理を行うことによって、上記第1の実施の形態の効果に加えて、物体の密度計算を、高精度で且つ低メモリで行うことができる。
Therefore, in the
<変形例>
なお、第2の実施の形態では、回帰モデルとして、ランダムフォレストを用いる場合を説明した。しかし、第2算出部16が学習する回帰モデルは、ランダムフォレストに限定されない。例えば、第2算出部16は、回帰モデルとして、最近傍識別器を用いてもよい。
<Modification>
In the second embodiment, the case where a random forest is used as the regression model has been described. However, the regression model learned by the
図28は、最近傍識別器を用いた学習の説明図である。学習部43C(図18参照)は、複数の部分領域50の各々に対応する、ラベル51の付与された特徴量vを、対応する投票ヒストグラムのばらつきが小さくなるように複数のクラスタ560に分割する。この分割によって、学習部43Cは、学習モデルを学習する。
FIG. 28 is an explanatory diagram of learning using the nearest neighbor classifier. The
具体的には、学習部43Cは、複数の部分領域50の各々に対応する、全ての、ラベル51の付与された特徴量vを、k平均法などのベクトル量子化方法によって、k個のクラスタ56に分割する。
Specifically, the
詳細には、学習部43Cは、任意のラベル51に対してランダムにクラスタ56を割り当て、クラスタ56毎の平均値を計算する。次に、学習部43Cは、各ラベル51とクラスタ56毎の平均値との距離を求める。そして、学習部43Cは、各ラベル51を、最も近い平均値をもつクラスタ56に割り当て直す。この一連の処理で、全てのラベル51のクラスタ56への割り当てが変化しなかった場合は、処理を終了する。それ以外の場合は処理を繰り返す。
Specifically, the
これにより、ラベル51の付与された特徴量vは、特徴量vの類似した群毎に、クラスタ56に分割される。
As a result, the feature quantity v assigned with the
第1予測部43Dは、クラスタ56に属する特徴量vに付与されたラベル51の平均値を計算する。そして、第1予測部43Dは、各クラスタ56に属する、特徴量vに付与されたラベル51の内、計算した平均値に最も近いラベル51を、代表ラベルとして予測する。
The
また、第2算出部16は、最近傍識別器を回帰モデルとして取得する。この場合、第2予測部44は、部分領域から計算した特徴量と、予測された各クラスタの代表ベクトルと、の照合を最近傍識別器によって行い、部分領域から計算した特徴量に最も距離の近い代表ベクトルを選択する。そして、第2予測部44は、選択した代表ベクトルの属するクラスタに属する特徴量に付与されたラベル51の集合から、第1予測部43Dと同様にして、部分領域の各々に対応する代表ラベルを予測すればよい。
In addition, the
図29は、上記実施の形態および変形例の画像解析システム10のハードウェア構成の一例を示すブロック図である。図29に示すように、上記実施の形態および変形例の画像解析システム10は、CPU902と、RAM906と、プログラムなどを記憶するROM904と、HDD908と、HDD908とのインタフェースであるI/F910と、画像入力用のインタフェースであるI/F912と、バス922とを、備えており、通常のコンピュータを利用したハードウェア構成となっている。なおCPU902、ROM904、RAM906、I/F910、及びI/F912は、バス922を介して互いに接続されている。
FIG. 29 is a block diagram illustrating an example of a hardware configuration of the
上記実施の形態および変形例の画像解析システム10では、CPU902が、ROM904からプログラムをRAM906上に読み出して実行することにより、上記各部がコンピュータ上で実現される。
In the
なお、上記実施の形態の画像解析システム10で実行される上記各処理を実行するためのプログラムは、HDD908に記憶されていてもよい。また、上記実施の形態の画像解析システム10で実行される上記各処理を実行するためのプログラムは、ROM904に予め組み込まれて提供されていてもよい。
It should be noted that a program for executing each of the processes executed by the
また、上記実施の形態の画像解析システム10で実行される上記処理を実行するためのプログラムは、インストール可能な形式または実行可能な形式のファイルでCD−ROM、CD−R、メモリカード、DVD(Digital Versatile Disk)、フレキシブルディスク(FD)等のコンピュータで読み取り可能な記憶媒体に記憶されてコンピュータプログラムプロダクトとして提供されるようにしてもよい。また、上記実施の形態の画像解析システム10で実行される上記処理を実行するためのプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するようにしてもよい。また、上記実施の形態の画像解析システム10で実行される上記処理を実行するためのプログラムを、インターネット等のネットワーク経由で提供または配布するようにしてもよい。
A program for executing the above-described processing executed by the
なお、上記には、本発明の実施の形態および変形例を説明したが、これらの実施の形態および変形例は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施の形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。この実施の形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。 In addition, although embodiment and the modification of this invention were demonstrated above, these embodiment and the modification are shown as an example and are not intending limiting the range of invention. . The novel embodiment can be implemented in various other forms, and various omissions, replacements, and changes can be made without departing from the spirit of the invention. This embodiment and its modifications are included in the scope and gist of the invention, and are included in the invention described in the claims and the equivalents thereof.
例えば、上記実施の形態のフローチャートにおける各ステップを、その性質に反しない限り、実行順序を変更し、複数同時に実施し、あるいは実施毎に異なった順序で実施してもよい。 For example, as long as each step in the flowchart of the above embodiment is not contrary to its nature, the execution order may be changed, a plurality of steps may be performed simultaneously, or may be performed in a different order for each execution.
10 画像解析システム
12 画像解析装置
14 抽出部
15 第1算出部
16 第2算出部
17 分割部
18 第3算出部
19 特定部
20 表示制御部
21A 表示部
DESCRIPTION OF
Claims (13)
前記部分領域のオプティカルフローを算出する第1算出部と、
前記部分領域に含まれる物体の密度を算出する第2算出部と、
前記画像を複数のブロックに分割する分割部と、
複数の前記ブロックの各々について、前記ブロックに含まれる前記部分領域の各々の、前記密度と前記オプティカルフローによって示される物体の移動量とを組み合わせた統計量を算出する第3算出部と、
複数の前記ブロックの内、前記統計量が閾値以上の前記ブロックを、非定常状態にある非定常ブロックとして特定する特定部と、
を備える画像解析装置。 An extraction unit for extracting a plurality of partial regions from the image;
A first calculation unit for calculating an optical flow of the partial area;
A second calculation unit for calculating the density of an object included in the partial region;
A dividing unit for dividing the image into a plurality of blocks;
A third calculator that calculates, for each of the plurality of blocks, a statistic that combines the density and the amount of movement of the object indicated by the optical flow of each of the partial regions included in the block;
A identifying unit that identifies the block having the statistic equal to or greater than a threshold value as a non-stationary block in a non-stationary state among the plurality of blocks;
An image analysis apparatus comprising:
複数の前記ブロックの各々について、前記ブロックに含まれる前記部分領域の各々の前記密度と前記移動量との乗算値の総和を、物体の運動量を示す前記統計量として算出し、
前記特定部は、
複数の前記ブロックの内、前記統計量が第1の閾値以上の前記ブロックを、前記統計量が前記閾値以上の前記非定常ブロックとして特定する、
請求項1に記載の画像解析装置。 The third calculator is
For each of the plurality of blocks, the sum of the multiplication values of the density and the amount of movement of each of the partial areas included in the block is calculated as the statistic indicating the amount of movement of the object,
The specific part is:
Among the plurality of blocks, the block whose statistic is greater than or equal to a first threshold is identified as the non-stationary block whose statistic is greater than or equal to the threshold.
The image analysis apparatus according to claim 1.
複数の前記ブロックの各々について、前記ブロックに含まれる前記部分領域の各々の前記密度と前記移動量の二乗との乗算値の総和を、物体の運動エネルギーを示す前記統計量として算出し、
前記特定部は、
複数の前記ブロックの内、前記統計量が第2の閾値以上の前記ブロックを、前記統計量が前記閾値以上の前記非定常ブロックとして特定する、
請求項1に記載の画像解析装置。 The third calculator is
For each of the plurality of blocks, the sum of multiplication values of the density of each of the partial areas included in the block and the square of the moving amount is calculated as the statistic indicating the kinetic energy of the object,
The specific part is:
Among the plurality of blocks, the block whose statistic is greater than or equal to a second threshold is identified as the non-stationary block whose statistic is greater than or equal to the threshold.
The image analysis apparatus according to claim 1.
複数の前記ブロックの各々について、前記ブロックに含まれる前記部分領域の各々の前記密度と前記移動量の逆数との乗算値の総和を、物体の滞留度を示す前記統計量として算出し、
前記特定部は、
複数の前記ブロックの内、前記統計量が第3の閾値以上の前記ブロックを、前記統計量が前記閾値以上の前記非定常ブロックとして特定する、
請求項1に記載の画像解析装置。 The third calculator is
For each of the plurality of blocks, the sum of the multiplication values of the density of each of the partial areas included in the block and the reciprocal of the moving amount is calculated as the statistic indicating the staying degree of the object,
The specific part is:
Among the plurality of blocks, the block whose statistic is equal to or greater than a third threshold is identified as the non-stationary block whose statistic is equal to or greater than the threshold.
The image analysis apparatus according to claim 1.
複数の前記ブロックの各々について、前記ブロックに含まれる前記部分領域の各々について、前記部分領域の前記密度と、該部分領域の前記移動量の逆数と、同じ前記ブロックに含まれる他の前記部分領域の前記密度と、の乗算値を、該部分領域と該他の部分領域との距離で除算した総和を、物体の位置エネルギーを示す前記統計量として算出し、
前記特定部は、
複数の前記ブロックの内、前記統計量が第4の閾値以上の前記ブロックを、前記統計量が前記閾値以上の前記非定常ブロックとして特定する、
請求項1に記載の画像解析装置。 The third calculator is
For each of the plurality of blocks, for each of the partial areas included in the block, the density of the partial areas, the reciprocal of the amount of movement of the partial areas, and the other partial areas included in the same block The sum of the product of the density and the divided value divided by the distance between the partial area and the other partial area is calculated as the statistic indicating the potential energy of the object,
The specific part is:
Among the plurality of blocks, the block whose statistic is a fourth threshold or more is identified as the non-stationary block whose statistic is the threshold or more.
The image analysis apparatus according to claim 1.
複数の前記ブロックの内、前記統計量が閾値以上の前記ブロックを、非定常状態にある非定常ブロックとして特定する特定部と、
を備える画像解析装置。 For each of the plurality of blocks included in the image, a calculation unit that calculates a statistic that combines the density and the amount of movement of the object indicated by the optical flow of each of the partial regions included in the block;
A identifying unit that identifies the block having the statistic equal to or greater than a threshold value as a non-stationary block in a non-stationary state among the plurality of blocks;
An image analysis apparatus comprising:
前記部分領域のオプティカルフローを算出するステップと、
前記部分領域に含まれる物体の密度を算出するステップと、
前記画像を複数のブロックに分割するステップと、
複数の前記ブロックの各々について、前記ブロックに含まれる前記部分領域の各々の、前記密度と前記オプティカルフローによって示される物体の移動量とを組み合わせた統計量を算出するステップと、
複数の前記ブロックの内、前記統計量が閾値以上の前記ブロックを、非定常状態にある非定常ブロックとして特定するステップと、
を含む画像解析方法。 Extracting a plurality of partial regions from the image;
Calculating an optical flow of the partial region;
Calculating a density of an object included in the partial region;
Dividing the image into a plurality of blocks;
For each of the plurality of blocks, calculating a statistic that combines the density and the amount of movement of the object indicated by the optical flow of each of the partial regions included in the block;
Identifying the block whose statistic is greater than or equal to a threshold value among a plurality of the blocks as a non-stationary block in a non-stationary state;
An image analysis method including:
前記部分領域のオプティカルフローを算出するステップと、
前記部分領域に含まれる物体の密度を算出するステップと、
前記画像を複数のブロックに分割するステップと、
複数の前記ブロックの各々について、前記ブロックに含まれる前記部分領域の各々の、前記密度と前記オプティカルフローによって示される物体の移動量とを組み合わせた統計量を算出するステップと、
複数の前記ブロックの内、前記統計量が閾値以上の前記ブロックを、非定常状態にある非定常ブロックとして特定するステップと、
をコンピュータに実行させる画像解析プログラム。 Extracting a plurality of partial regions from the image;
Calculating an optical flow of the partial region;
Calculating a density of an object included in the partial region;
Dividing the image into a plurality of blocks;
For each of the plurality of blocks, calculating a statistic that combines the density and the amount of movement of the object indicated by the optical flow of each of the partial regions included in the block;
Identifying the block whose statistic is greater than or equal to a threshold value among a plurality of the blocks as a non-stationary block in a non-stationary state;
Image analysis program that causes a computer to execute.
前記部分領域のオプティカルフローを算出する第1算出部と、
前記部分領域に含まれる物体の密度を算出する第2算出部と、
前記画像を複数のブロックに分割する分割部と、
複数の前記ブロックの各々について、前記ブロックに含まれる前記部分領域の各々の、前記密度と前記オプティカルフローによって示される物体の移動量とを組み合わせた統計量を算出する第3算出部と、
複数の前記ブロックの内、前記統計量が閾値以上の前記ブロックを、非定常状態にある非定常ブロックとして特定する特定部と、
前記画像における、前記非定常ブロックを強調した表示画像を表示する表示部と、
を備える画像解析システム。 An extraction unit for extracting a plurality of partial regions from the image;
A first calculation unit for calculating an optical flow of the partial area;
A second calculation unit for calculating the density of an object included in the partial region;
A dividing unit for dividing the image into a plurality of blocks;
A third calculator that calculates, for each of the plurality of blocks, a statistic that combines the density and the amount of movement of the object indicated by the optical flow of each of the partial regions included in the block;
A identifying unit that identifies the block having the statistic equal to or greater than a threshold value as a non-stationary block in a non-stationary state among the plurality of blocks;
A display unit for displaying a display image in which the unsteady block is highlighted in the image;
An image analysis system comprising:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/247,054 US10289884B2 (en) | 2015-08-27 | 2016-08-25 | Image analyzer, image analysis method, computer program product, and image analysis system |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015167854 | 2015-08-27 | ||
JP2015167854 | 2015-08-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017045438A JP2017045438A (en) | 2017-03-02 |
JP6577397B2 true JP6577397B2 (en) | 2019-09-18 |
Family
ID=58211533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016056976A Active JP6577397B2 (en) | 2015-08-27 | 2016-03-22 | Image analysis apparatus, image analysis method, image analysis program, and image analysis system |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6577397B2 (en) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6851241B2 (en) * | 2017-03-31 | 2021-03-31 | セコム株式会社 | Image analyzer |
JP7009250B2 (en) * | 2017-05-12 | 2022-02-10 | キヤノン株式会社 | Information processing equipment, information processing system, information processing method and program |
JP7099809B2 (en) * | 2017-07-27 | 2022-07-12 | セコム株式会社 | Image monitoring system |
JP6889088B2 (en) * | 2017-10-25 | 2021-06-18 | セコム株式会社 | Object distribution estimation system |
JP7219603B2 (en) * | 2018-12-14 | 2023-02-08 | 日本無線株式会社 | Sea level measurement device and sea level measurement program |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4966820B2 (en) * | 2007-10-29 | 2012-07-04 | パナソニック株式会社 | Congestion estimation apparatus and method |
JP5400718B2 (en) * | 2010-07-12 | 2014-01-29 | 株式会社日立国際電気 | Monitoring system and monitoring method |
-
2016
- 2016-03-22 JP JP2016056976A patent/JP6577397B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017045438A (en) | 2017-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6577397B2 (en) | Image analysis apparatus, image analysis method, image analysis program, and image analysis system | |
US10289884B2 (en) | Image analyzer, image analysis method, computer program product, and image analysis system | |
US20170372526A1 (en) | Determining space to display content in augmented reality | |
US9311524B2 (en) | Image processing apparatus and image processing method | |
EP3065084A1 (en) | Image recognition method, image recognition device, and recording medium | |
KR102315574B1 (en) | Apparatus and method for classification of data, apparatus and method for segmentation of region of interest | |
US11049256B2 (en) | Image processing apparatus, image processing method, and storage medium | |
JP2004361987A (en) | Image retrieval system, image classification system, image retrieval program, image classification program, image retrieval method, and image classification method | |
JP7026165B2 (en) | Text recognition method and text recognition device, electronic equipment, storage medium | |
EP3316184B1 (en) | Program generating device, program generating method, and generating program | |
CN107272899B (en) | VR (virtual reality) interaction method and device based on dynamic gestures and electronic equipment | |
JP6426441B2 (en) | Density measuring device, density measuring method, and program | |
CN112633313B (en) | Bad information identification method of network terminal and local area network terminal equipment | |
US10891740B2 (en) | Moving object tracking apparatus, moving object tracking method, and computer program product | |
US20170053172A1 (en) | Image processing apparatus, and image processing method | |
JP6389742B2 (en) | Image segmentation method, apparatus, and program | |
JP6547626B2 (en) | PROCESSING SYSTEM, PROCESSING METHOD AND PROGRAM FOR IMAGE FEATURE | |
KR101833943B1 (en) | Method and system for extracting and searching highlight image | |
JP6511950B2 (en) | Image processing apparatus, image processing method and program | |
JP2014110020A (en) | Image processor, image processing method and image processing program | |
CN108780576B (en) | System and method for ghost removal in video segments using object bounding boxes | |
KR101506812B1 (en) | Head pose estimation method using random forests and binary pattern run length matrix | |
JP2009123150A (en) | Object detection apparatus and method, object detection system and program | |
KR101592087B1 (en) | Method for generating saliency map based background location and medium for recording the same | |
JP7315022B2 (en) | Machine learning device, machine learning method, and machine learning program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180221 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181218 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190122 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190306 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190723 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190822 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6577397 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |