JP6935850B2 - 情報処理装置、方法、およびプログラム - Google Patents

Description

本発明の実施形態は、一般に、ビデオ分析分野に関する。

空港、駅、プラットフォームなどのような公共の場や混雑した場所における監視システムで採用される自動認識の進歩と必要性の高まりにより、群衆の軌跡をモデリングして、安全性を脅かす行為の大部分に関与する異常挙動活動を認識するための効果的なアプローチが必要とされている。

挙動認識タスクは、トレーニング段階とテスト段階の２つの主要な段階に分けることができる。トレーニング段階では、位置および／または速度などの動作プリミティブ要素の観点から、人々のような物体の、入力された各規範的軌跡のモデリングを実行する。テスト段階では、学習されたモデルのパラメータを用いて、テスト対象の軌跡が学習モデルで表される尤度を計算し、それにより、テスト対象の軌跡が正常挙動を示すか異常挙動を示すかを特定する。テスト段階において、尤度の高い軌跡は、大部分の入力軌跡に一致する正常挙動を示すと特定され、反対に、尤度の低い軌跡は異常な軌跡を示すと特定される。

非特許文献１および非特許文献２は、挙動モデリング分野における従来技術である。両者とも、同一グループ内の軌跡が同様の速度プロファイルを有するように、トレーニングに用いられる入力軌跡をグループに分割し、グループに対するモデルを生成する。

Almingol, Javier他、「Learning Multiple Behaviors from Unlabeled Demonstrations in a Latent Controller Space」International Conference on Machine Learning 2013 Kooij Julian FP他、「A Nonparametric Hierarchical Model to Discover Behavior Dynamics from Tracks」、European Conference on Computer Vision 2012

上述のように、挙動認識タスクには、軌跡データがモデルデータによって表される尤度の計算が含まれる。したがって、この尤度の計算の精度は、正確な挙動認識にとって非常に重要である。本出願の発明者は、非特許文献１および非特許文献２に開示される挙動認識技術には、上記の尤度の計算精度を改善する余地があることを見出した。

本発明の目的は、軌跡データがモデルデータによって表される尤度の正確な計算を伴う挙動認識の新規な方法を提供することである。

１）それぞれが物体の観測位置の時系列を表す複数の軌跡データを取得する取得部、２）２−ａ）個々の軌跡データに対して、該軌跡データが属するグループの確率分布を表す該軌跡データのグループ同一性分布（group identity distribution）に基づいて、該軌跡データがいずれのグループに属するかを特定することにより、該複数の軌跡データを１つ以上のグループに分割することと、２−ｂ）各グループの代表速度の時系列を生成することと、２−ｃ）各軌跡データに対して、対応する物体の潜在位置分布の時系列を生成することと、２−ｄ）各軌跡データのスケーリング係数を計算することと、２−ｅ）各軌跡データに対して、該軌跡データおよび該スケーリング係数に基づいて該軌跡データが各グループに分類される尤度を計算し、それにより該軌跡データの該グループ同一性分布を更新することと、を終了条件が満たされるまで繰り返し実行するクラスタリング部、および、４）各グループに対して、該代表速度の時系列が含まれるモデルデータを生成するモデリング部、を備える情報処理装置が提供される。

１）物体の観測位置の時系列を表す軌跡データと、物体の代表速度の時系列を含むモデルデータとを取得する取得部、２）２−ａ）該モデルデータに関する該軌跡データのスケーリング係数を計算し、２−ｂ）該スケーリング係数と、該軌跡データと、該モデルデータとに基づいて、該物体の潜在位置分布の時系列を生成し、かつ、２−ｃ）該軌跡データが該モデルデータによって表される該尤度を計算して、各モデルデータに対して該尤度を算出する尤度算出部、および、３）該軌跡データを表すモデルデータが少なくとも１つ存在する場合、該軌跡データが正常挙動を表すと特定し、該軌跡データを表すモデルデータが存在しない場合、該軌跡データが異常挙動を表すと特定する分類部、を備える情報処理装置が提供される。

１）それぞれが物体の観測位置の時系列を表す複数の軌跡データを取得するステップ、２）２−ａ）個々の軌跡データに対して、該軌跡データが属するグループの確率分布を表す該軌跡データのグループ同一性分布に基づいて、該軌跡データがいずれのグループに属するかを特定することにより、該複数の軌跡データを１つ以上のグループに分割することと、２−ｂ）各グループの代表速度の時系列を生成することと、２−ｃ）各軌跡データに対して、対応する物体の潜在位置分布の時系列を生成することと、２−ｄ）各軌跡データのスケーリング係数を計算することと、２−ｅ）各軌跡データに対して、該軌跡データおよび該スケーリング係数に基づいて該軌跡データが各グループに分類される尤度を計算し、それにより該軌跡データの該グループ同一性分布を更新することと、を終了条件が満たされるまで、繰り返し実行するステップ、および、３）各グループに対して、該代表速度の時系列が含まれるモデルデータを生成するステップ、を含むコンピュータによって実行される方法が提供される。

１）物体の観測位置の時系列を表す軌跡データと、物体の代表速度の時系列を含むモデルデータとを取得するステップ、２）２−ａ）該モデルデータに関する該軌跡データのスケーリング係数を計算し、２−ｂ）該スケーリング係数と、該軌跡データと、該モデルデータとに基づいて、該物体の潜在位置分布の時系列を生成し、かつ、２−ｃ）該軌跡データが該モデルデータによって表される該尤度を計算して、各モデルデータに対して該尤度を算出するステップ、および、３）該軌跡データを表すモデルデータが少なくとも１つ存在する場合、該軌跡データが正常挙動を表すと特定し、該軌跡データを表すモデルデータが存在しない場合、該軌跡データが異常挙動を表すと特定するステップ、を含むコンピュータによって実行される方法が提供される。

本発明によって提供される方法のいずれか１つの各ステップをコンピュータに実行させるプログラムが提供される。

本発明によれば、軌跡データがモデルデータによって表される尤度を正確に計算する挙動認識の新規な方法が提供される。

上記の目的、別の目的、特徴および利点は、以下に記載される好ましい実施形態、および以下の図面からより明らかになるであろう。
図１は、実施形態１の情報処理装置の機能別構成の一例を示す。 図２は、実施形態１の情報処理装置の有利な効果を示す。 図３は、実施形態１の情報処理装置を実現するコンピュータのハードウェア構成の一例を示すブロック図である。 図４は、実施形態１の情報処理装置によって実行される処理の流れを示すフローチャートである。 図５は、クラスタリング部が複数の軌跡データをグループに分割するクラスタリングの例示的なアルゴリズムを示す。 図６は、実施形態２の情報処理装置の機能別構成を例示するブロック図である。 図７は、実施形態２の情報処理装置によって実行される処理の流れを示すフローチャートである。

以下に、図面を参照して本発明の実施形態を説明する。すべての図面において、同様の要素には同様の符号を付与しており、その説明は繰り返さない。

実施形態１

＜概要＞
実施形態１の情報処理装置２０００は、複数の軌跡データを取得し、それらをグループに分割し、各グループに対してモデルデータを生成する。換言すると、実施形態１の情報処理装置２０００は、挙動認識のトレーニング段階を実行する。軌跡データは、物体の観測位置の時系列を含み、それにより、物体の観測された挙動を表す。モデルデータには、そのグループに含まれる軌跡データに対応する物体の代表速度が含まれる。換言すると、グループに含まれる各軌跡データは、そのグループに対応するモデルデータによって表される。したがって、グループに含まれる各軌跡データについて、軌跡データがそのグループに対応するモデルデータによって表される尤度が実質的に高くなるように、グループが生成される。

図１は、実施形態１の情報処理装置２０００の機能別構成の一例を示す。実施形態１の情報処理装置２０００は、取得部２０２０、クラスタリング部２０４０、およびモデリング部２０６０を含む。取得部２０２０は、複数の軌跡データを取得する。

クラスタリング部２０４０は、予め定められた終了条件が満たされるまで、１）各軌跡データのグループ同一性分布を用いて、複数の軌跡データを１つ以上のグループに分割すること、２）各グループに対して代表速度の時系列を特定すること、３）各軌跡データに対して、対応する物体の潜在位置分布の時系列を特定すること、４）各軌跡データのスケーリング係数を特定すること、５）各軌跡データのグループ同一性分布を更新することを繰り返し実行する。

グループ同一性分布は、各軌跡データに対して定義された確率分布であり、軌跡データに対するグループ同一性分布は、軌跡データが属するグループの確率分布を示す。軌跡データのグループ同一性分布は、５）で、軌跡データと、軌跡データに対応する物体の潜在位置分布の時系列に基づいて更新される。

モデリング部２０６０は、各グループに対してモデルデータを生成する。モデルデータは、クラスタリング部２０４０によって生成された代表速度の時系列を含む。具体的には、特定のグループのモデルデータは、クラスタリング部２０４０が繰り返し実行するプロセス１）〜５）の最後の反復においてそのグループに対して特定された代表速度の時系列を含む。

＜有利な効果＞
図２は、実施形態１の情報処理装置２０００の有利な効果を示す。速度プロファイル（例：代表速度の時系列）による物体の挙動を示すモデルデータでは、モデルデータが示す方向と同じ方向に物体が移動することを軌跡データが示している場合でも、モデルデータと軌跡データとの間の速さに差があることだけによって（例えば、より遅い／より速い）、軌跡データがモデルデータで表される尤度は低いと特定される（図２の上側のケースを参照）。

情報処理装置２０００は、スケーリング係数を導入することによりそのような速さの差に対応する。図２の下側のケースは、軌跡データと、モデルデータ（グループ）に関してその軌跡データに対し特定されたスケーリング係数でスケーリングされたモデルデータとの比較を示している。軌跡データとスケーリングされたモデルデータは互いに実質的に類似しているため、この場合、軌跡データがモデルデータによって表される尤度は実質的に高いと特定される。この正確な尤度の算出方法を導入することにより、本実施形態の情報処理装置２０００は、正確な挙動認識を実現する。

以下の説明では、本実施形態の情報処理装置２０００を詳細に説明する。

＜プロセスの流れ＞
図４は、実施形態１の情報処理装置２０００によって実行される処理の流れを示すフローチャートである。取得部２０２０は、複数の軌跡データを取得する（Ｓ１０２）。

ステップＳ１０４〜Ｓ１１６は、予め定められた終了条件が満たされるまで繰り返し実行されるループ処理Ａを形成する。例えば、終了条件は、ループ処理Ａが実行される回数として定義することができる。

クラスタリング部２０４０は、各軌跡データのグループ同一性分布を用いて、複数の軌跡データを１つ以上のグループに分割する（Ｓ１０６）。クラスタリング部２０４０は、各グループに対して代表速度の時系列を生成する（Ｓ１０８）。クラスタリング部２０４０は、各軌跡データに対して、軌跡データに対応する物体の潜在位置分布の時系列を生成する（Ｓ１１０）。クラスタリング部２０４０は、各軌跡データに対するスケーリング係数を算出する（Ｓ１１２）。クラスタリング部２０４０は、各軌跡データのグループ同一性分布を更新する（Ｓ１１４）。

ループ処理Ａの終了後、モデリング部は、各グループに対してモデルデータを生成する（Ｓ１１８）。

＜軌跡データ＞
上述のように、軌跡データは、物体の観測位置の時系列を含む。物体の観測位置は、物体を撮像する画像データを用いて計算された物体の位置であり得る。画像データは、場面を撮像するカメラ（例えば、監視カメラ）によって生成されたビデオフレームのうちの１つであり得る。なお、公知の技術を用いて、物体を撮像したビデオフレームから物体の軌跡データを生成することができることに注意されたい。

いくつかの実施形態において、軌跡データは情報処理装置２０００によって生成されてもよい。この場合、情報処理装置２０００は、物体を撮像したビデオデータを取得し、ビデオデータの各ビデオフレームから物体を検出し、各ビデオフレームにおける物体の位置（観測位置）を算出し、算出された位置を時間順に示す軌跡データを生成する。生成された軌跡データは、記憶装置１０８０のような記憶装置に記憶される。取得部２０２０は、その記憶装置から軌跡データを取得する。他の実施形態において、情報処理装置２０００以外の装置が軌跡データを生成してもよい。

取得部２０２０は、複数の軌跡データを取得する（Ｓ１０２）。軌跡データを取得するには様々な方法がある。いくつかの実施形態において、取得部２０２０は、軌跡データを記憶する記憶装置から軌跡データを取得してもよく、該記憶装置は、情報処理装置２０００の内部または外部に設置されていてもよい。いくつかの実施形態において、取得部２０２０は、軌跡データを生成する装置から送信された軌跡データを受信する。

＜クラスタリング＞
クラスタリング部２０４０は、取得した複数の軌跡データを１つ以上のグループに分割する。クラスタリングのアルゴリズムの例を説明する前に、説明のためのいくつかの表記法を以下に示す。

物体ｉの軌跡データｉ（ｉは物体の識別子）をＸｉとする。軌跡データＸｉは、｛ｘｉｔ｜０＜＝ｔ＜ｎ｝（ｔは時間フレーム番号、ｎは軌跡データＸｉに含まれる位置の数）を含む。

時間フレームｔにおける物体ｉの潜在位置分布はｚｉｔとする。潜在位置分布は、物体ｉが軌跡データＸｉが属するグループの代表速度に従って挙動するという仮定の下、時間フレームｔにおける物体ｉの推定位置の確率分布を表す。換言すると、軌跡データに含まれる観測位置は、何らかのノイズを含むものとして取り扱われる。ｚｉｔとｘｉｔの関係は、次のように定式化することができる。
式１

ここで、ｎｉｔは、観測位置ｘｉｔに含まれるノイズを表す。

ノイズｎｉｔは、ノイズの確率分布からのサンプルである。したがって、潜在位置分布ｚｉｔは、確率分布、すなわち潜在位置分布のサンプルでもある。ノイズｎｉｔは、様々な公知の技術で推定することができる。例えば、ノイズは、予め定義された分散を有するガウス分布からの無作為サンプルであると仮定される。なお、任意の時間フレームのノイズは、残りの時間フレームに依存せず、現在の時間のみに依存することが望ましいことに注意されたい。

潜在位置分布ｚｉｔの時系列は、有限次数ｑを有する自己回帰として定式化することができ、各時間フレームにおける潜在位置分布は、線形関係を介して以前のｑ状態と制御項に依存する。ｑ＝１の場合、潜在位置分布ｚｉｔの時系列は次のように表すことができる。
式２

式２において、ａｉは、軌跡データｉの自己回帰係数である。いくつかの実施形態において、各軌跡データｉに対するａｉは、予め定義された分散のあるガウス分布からの無作為サンプルであると仮定される。ただし、１は、この係数に対してあらゆる分布を選択できる。例えば、各軌跡データに対して、ａｉは単純に１であると仮定できる。

制御項ｖｉｔは、時間フレームｔにおける物体ｉの推定速度である。軌跡データｉが分類される時間フレームｔにおけるグループｊの代表速度である代表速度ｒｊｔを用いて、推定速度ｖｉｔは、次のように表すことができる。
式３

ここで、ｆｉはグループｊの代表速度に関する物体ｉのスケーリング係数であり、ｎ２ｔは推定速度に含まれるノイズである。なお、スケーリング係数は、すべての時間フレームで一定であることに注意されたい。

上記の表記法を用いて、クラスタリングのアルゴリズムの例を説明する。図５は、クラスタリング部２０４０が複数の軌跡データをグループに分割するクラスタリングのアルゴリズムの例を示す。

クラスタリング部２０４０は、初期化処理を実行する（Ｓ２０２）。初期化処理において、クラスタリング部２０４０は、各軌跡データｉに対するスケーリング係数ｆｉを初期化する。スケーリング係数ｆｉを初期化するには様々な方法がある。例えば、クラスタリング部２０４０は、各スケーリング係数に対してガウス分布から無作為な値をサンプリングする。後述するように、各スケーリング係数は繰り返し更新される。

さらに、クラスタリング部２０４０は、グループ０を生成し、取得したすべての軌跡データをグループ０に入れる。

初期化処理の後、クラスタリング部２０４０は、予め定められた終了条件が満たされるまで、ループ処理Ａを繰り返し実行する。ステップＳ２０６において、クラスタリング部２０４０は、各軌跡データのグループ識別子分布から各軌跡データに対するグループ識別子をサンプリングすることにより、各軌跡データを、軌跡データに対してサンプリングされたグループ識別子を有するグループに分類する。グループ識別子分布の定義については後述する。後述するように、グループ識別子分布から、既存のグループ識別子だけでなく、新しいグループ識別子もサンプリングすることができる。軌跡データに対して新しいグループ識別子がサンプリングされると、このサンプリングされた新しいグループ識別子を有する新しいグループが生成され、軌跡データはこの新しいグループに分類される。クラスター識別子をサンプリングする方法の例示の１つは、非特許文献２に記載されている。

軌跡データをグループに分割した後、クラスタリング部２０４０は、各グループに対してループ処理Ｂを実行する。グループｊに対するループ処理Ｂにおいて、クラスタリング部２０４０は、各時間フレームに対してループ処理Ｃを実行する。グループｊおよび時間フレームｔに対するループ処理Ｃにおいて、クラスタリング部２０４０は、代表速度ｒｊｔをサンプリングする。代表速度ｒｊｔのサンプリングは、グループｊに属する軌跡データの潜在位置分布を周辺化することによって行われる。

代表速度ｒｊｔをサンプリングした後、クラスタリング部は、グループｊにおける各軌跡データｉの潜在位置をサンプリングする。潜在的な位置は、ユビキタスで広く適用可能なカルマンフィルタリング手法を用いてサンプリングできる。

ループ処理Ｂを終了した後、クラスタリング部２０４０は、軌跡データｉが現在分類されているグループｊのサンプル相対速度ｒｊｔおよびサンプリングされた潜在位置が与えられると、各軌跡データｉに対するスケーリング係数ｆｉをサンプリングする。

各軌跡データに対して、クラスタリング部２０４０は、グループ識別子分布を更新する。グループ識別子ｊが軌跡データｉに対してサンプリングされる確率（すなわち、軌跡データｉがグループｊに分類される確率）をＰｒ（ｉ、ｊ）とし、次のように定義される。
式４

軌跡データｉに対してグループ識別子ｊを取り上げる確率は、次のように定義できる。
式５

ここで、αはパラメータ（すなわち、１などの予め定められた値）、Ｎｊはグループｊに属する軌跡データの数、Ｎは軌跡データの総数である。

その軌跡データｉが新しいグループに属する尤度は、標準的な手法を用いて、（予め定義されている）事前信念を用いて計算されてもよい。一方、既存の各グループｊに対して、グループｊと軌跡データｉに関するスケーリング係数ｆｉを用いて、軌跡データｉがグループｊに属する尤度が計算されてもよい。これは、カルマンフィルター方程式を用いて計算することができる。

＜ハードウェア構成例＞
いくつかの実施形態において、情報処理装置２０００に含まれる各機能部は、少なくとも１つのハードウェアコンポーネントで実装されてもよく、各ハードウェアコンポーネントは１つ以上の機能部を実現してもよい。いくつかの実施形態において、各機能部は、少なくとも１つのソフトウェアコンポーネントで実装されてもよい。いくつかの実施形態において、各機能部は、ハードウェアコンポーネントおよびソフトウェアコンポーネントの組み合わせで実装されてもよい。

情報処理装置２０００は、情報処理装置２０００を実装するために製造された専用コンピュータで実装されてもよく、パーソナルコンピュータ（ＰＣ）、サーバマシン、モバイルデバイスなどの汎用コンピュータで実装されてもよい。さらに、情報処理装置２０００は、各軌跡データが生成されるビデオフレームを撮像するカメラで実装されてもよい。情報処理装置が実装されるカメラとしては、いわゆるＩＰ（インターネットプロトコル）カメラ、ネットワークカメラ、またはインテリジェントカメラが使用されてもよい。

図３は、実施形態１の情報処理装置２０００を実現するコンピュータ１０００のハードウェア構成の一例を示すブロック図である。図３において、コンピュータ１０００は、バス１０２０、プロセッサ１０４０、メモリ１０６０、記憶装置１０８０、入出力（Ｉ／Ｏ）インターフェース１１００、およびネットワークインターフェース１１２０を含む。

バス１０２０は、プロセッサ１０４０、メモリ１０６０および記憶装置１０８０が相互にデータを送受信するためのデータ伝送チャネルである。プロセッサ１０４０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、またはＦＰＧＡ（Field-Programmable Gate Array）などのプロセッサである。メモリ１０６０は、ＲＡＭ（Random Access Memory）などの一次記憶装置である。記憶媒体１０８０は、ハードディスクドライブ、ＳＳＤ（Solid State Drive）、またはＲＯＭ（Read Only Memory）などの二次記憶装置である。

Ｉ／Ｏインターフェースは、コンピュータ１０００と周辺機器（キーボード、マウス、ディスプレイデバイスなど）との間のインターフェースである。ネットワークインターフェースは、コンピュータ１０００と、コンピュータ１０００が他のコンピュータと通信するための通信回線との間のインターフェースである。

記憶装置１０８０は、プログラムモジュールを記憶してもよく、各プログラムモジュールは、情報処理装置２０００の機能部の実装である（図１参照）。ＣＰＵ１０４０は、各プログラムモジュールを実行し、それにより情報処理装置２０００の各機能部を実現する。

実施形態２

＜概要＞
実施形態２の情報処理装置２０００は、軌跡データ（以下、対象軌跡データ）および１つ以上のモデルデータを取得し、対象軌跡データが正常挙動を示すか異常挙動を示すかを特定する。換言すると、実施形態２の情報処理装置２０００は、挙動認識におけるテスト段階を実行する。具体的には、情報処理装置２０００は、対象軌跡データを適切に表すモデルデータが存在するか否かを特定する。対象軌跡データを適切に表すモデルデータが存在する場合、情報処理装置２０００は、入力された軌跡データが正常挙動を示すと特定する。一方、対象軌跡データを適切に表すモデルデータが存在しない場合、情報処理装置２０００は、対象軌跡データが異常挙動を示すと特定する。

そのように行うために、本実施形態の情報処理装置２０００は、各モデルデータに対して、対象軌跡データがモデルデータで表される尤度を算出する。情報処理装置２０００は、算出された尤度が予め定められた閾値より大きいなど、実質的に高いモデルデータが存在する場合、軌跡データが正常挙動を示すと特定する。一方、情報処理装置２０００は、算出された尤度が実質的に高いモデルデータが存在しない場合、軌跡データが異常挙動を示すと特定する。

図６は、実施形態２の情報処理装置２０００の機能別構成を例示するブロック図である。本実施形態の情報処理装置２０００は、取得部２１２０、尤度算出部２１４０、および分類部２１６０を含む。取得部２１２０は、対象軌跡データおよび１つ以上のモデルデータを取得する。

尤度算出部２１４０は、各モデルデータに対して以下を実行する。１）モデルデータに関する対象軌跡データのスケーリング係数を計算し、２）スケーリング係数、対象軌跡データ、およびモデルデータに基づいて、物体の潜在位置分布の時系列を生成し、３）対象軌跡データおよび潜在位置分布の時系列に基づいて、軌跡データがモデルデータによって表される尤度を計算する。

分類部２１６０は、特定された尤度の少なくとも１つが、（予め定められた閾値以上であるなど）実質的に高い場合、対象軌跡データが正常挙動を表すと特定する。一方、分類部２１６０は、特定された尤度の全てが予め定められた閾値未満であるなど、特定された尤度に実質的に高いもの存在しない場合、対象軌跡データが異常挙動を表すと特定する。

＜有利な効果＞
本実施形態の情報処理装置２０００によれば、軌跡データが正常挙動を示すか異常挙動を示すかを特定する処理（すなわち、挙動認識のテスト段階）は、図２に示すように、各モデルデータに関する対象軌跡データのスケーリング係数を用いて実行される。スケーリング係数を導入すると、その軌跡データがモデルデータによって表される尤度が正確に算出されるので、正確な分類が達成される。

＜プロセスの流れ＞
図７は、実施形態２の情報処理装置２０００によって実行される処理の流れを示すフローチャートである。取得部２１２０は、対象軌跡データおよび１つ以上のモデルデータを取得する（Ｓ３０２）。

ステップＳ３０４〜Ｓ３１４は、各モデルデータに対して実行されるループ処理Ａを形成する。ステップ３０４において、尤度算出部２１４０は、ループ処理Ａがまだ実行されていないモデルデータのひとつを選択する。選択されたモデルデータは、モデルデータｊとする。

尤度算出部２１４０は、モデルデータｊに関する対象軌跡データのスケーリング係数を計算する（Ｓ３０６）。尤度算出部２１４０は、対象軌跡データに対応する物体の潜在位置分布の時系列を生成する（Ｓ３０８）。次の式により、Ｓ３０６で計算されたスケーリング係数、対象軌跡データに含まれる観測位置の時系列、およびモデルデータｊの代表速度の時系列を用いて、各時間フレームｔに対する物体の潜在位置分布を順次計算することができる。
式６

ここで、ｚｔは時間フレームｔにおける潜在位置分布を表し、ｘｔは時間フレームｔにおける観測位置を表し、ｎは観測位置ｘ０に含まれるノイズを表し、ａは回帰係数を表し、ｆはスケーリング係数を表し、ｒｔは時間フレームｔにおけるモデルデータｊの代表速度を表し、ｎ２ｔは推定速度ｆ＊ｒｔに含まれるノイズを表す。

尤度算出部２１４０は、軌跡データがモデルデータｊによって表される尤度（Ｌｊとする）を計算する（Ｓ３１０）。分類部２１６０は、尤度Ｌｊが予め定められた閾値ｔｈ以上であるか否かを特定する（Ｓ３１２）。Ｌｊがｔｈ以上であると特定された場合、分類部２１６０は、軌跡データが正常挙動を表すと特定する（Ｓ３１８）。

一方、Ｌｊがｔｈ未満であると特定された場合、ステップＳ３１４はループ処理Ａの終了ステップであるため、処理はＳ３１４に進み、ループ処理Ａの最初のステップであるＳ３０４に戻る。すべてのモデルデータに対してループ処理Ａが実行されると、プロセスはＳ３０４からＳ３１６に進む。

プロセスがＳ３１６に到達するということは、軌跡データを適切に表すと特定されたモデルデータが存在しないということを意味する。したがって、分類部２１６０は、軌跡データが異常挙動を表すと特定する（Ｓ３１６）。

＜軌跡データの取得＞
取得部２１２０は、モデルデータと比較される軌跡データ、すなわち対象軌跡データを取得する（Ｓ３０２）。取得部２１２０は、取得部２０２０が軌跡データを取得するのと同様にして、対象軌跡データを取得することができる。

＜モデルデータの取得＞
ステップＳ３０２において、対象軌跡データと比較されるモデルデータも取得される。軌跡データを取得する方法と同様に、モデルデータを取得する方法も様々ある。いくつかの実施形態において、取得部２１２０は、モデルデータを記憶する記憶装置からモデルデータを取得してもよく、該記憶装置は、情報処理装置２０００の内部または外部に設置されていてもよい。いくつかの実施形態において、取得部２１２０は、モデルデータを生成する装置から送信されたモデルデータを受信する。

＜スケーリング係数の計算＞
各モデルデータｊに対して、尤度算出部２１４０はスケーリング係数を計算する。モデルデータｊに関するスケーリング係数は、観測速度とモデルデータｊの代表速度とを比較することで計算できる。時間フレームｔにおける観測速度は、観測位置ｘｔとｘ＿ｔ−１の差として計算できる。

例えば、モデルデータｊに関するスケーリング係数は次のように示すことができる。
式７

ここで、ｆｊは、モデルデータｊに関するスケーリング係数を表し、ｒｊｔは時間フレームｔにおけるモデルデータｊの代表速度を表す。

＜尤度の計算＞
尤度算出部２１４０は、軌跡データがモデルデータｊによって表される尤度（Ｌｊとする）を計算する（Ｓ３１０）。いくつかの実施形態において、尤度算出部２１４０は、各時間フレームｔに対して、対象軌跡データｉの観測位置ｘｔが潜在位置分布ｚｔからサンプリングされる尤度ｌｔを計算する。そして、尤度算出部２１４０は、全ての時間フレームに対する系列ｌｔの積を全体尤度Ｌｊとして計算する。

＜さらなる分類＞
いくつかの実施形態において、さらに、取得された軌跡データが正常挙動を示すか異常挙動を示すかを特定するために、分類部２１６０は、軌跡データが正常挙動を示す場合、軌跡データを正常挙動グループの１つに分類してもよい。各正常挙動グループは、事前にモデルデータのうちの１つに関連付けられている。分類部２１６０は、算出された尤度が最も高いモデルデータを特定し、特定されたモデルデータに対して算出された尤度が実質的に高い限り、特定されたモデルデータに関連付けられた正常行動グループに軌跡データを分類する。最も高い尤度が実質的に高くないと特定された場合、軌跡データは異常挙動を示すと特定される。

＜ハードウェア構成例＞
実施形態２の情報処理装置２０００のハードウェア構成は、実施形態１と同様に図３で示すことができる。ただし、本実施形態において、上記の記憶装置１０８０に記憶されている各プログラムモジュールは、本実施形態で説明した各機能を実現するためのプログラムを含む。

以上のように、図面を参照して本発明の実施形態について説明したが、これらの実施形態は本発明の例示に過ぎず、上記の実施形態と上記の実施形態以外の様々な構成との組み合わせを採用することもできる。

Claims (7)

1. それぞれが物体の観測位置の時系列を表す複数の軌跡データを取得する取得部、
   個々の軌跡データに対して、前記軌跡データが属するグループの確率分布を表す前記軌跡データのグループ同一性分布に基づいて、前記軌跡データがいずれのグループに属するかを特定することにより、前記複数の軌跡データを１つ以上のグループに分割することと、
   各グループの代表速度の時系列を生成することと、
   各軌跡データに対して、対応する物体の潜在位置分布の時系列を生成することと、
   各軌跡データのスケーリング係数を計算することと、
   各軌跡データに対して、前記軌跡データおよび前記スケーリング係数に基づいて前記軌跡データが各グループに分類される尤度を計算し、それにより前記軌跡データの前記グループ同一性分布を更新することと
   を、終了条件が満たされるまで繰り返し実行するクラスタリング部、および
   各グループに対して、前記代表速度の時系列が含まれるモデルデータを生成するモデリング部
   を備える情報処理装置。
2. 物体の観測位置の時系列を表す軌跡データと、物体の代表速度の時系列を含むモデルデータとを取得する取得部、
   前記モデルデータに関する前記軌跡データのスケーリング係数を計算し、
   前記スケーリング係数と、前記軌跡データと、前記モデルデータとに基づいて、前記物体の潜在位置分布の時系列を生成し、かつ
   前記軌跡データが前記モデルデータによって表される尤度を計算して、
   各モデルデータに対して前記尤度を算出する尤度算出部、および
   前記軌跡データを表すモデルデータが少なくとも１つ存在する場合、前記軌跡データが正常挙動を表すと特定し、前記軌跡データを表すモデルデータが存在しない場合、前記軌跡データが異常挙動を表すと特定する分類部
   を備える情報処理装置。
3. 前記分類部は、前記算出された尤度が予め定められた閾値以上である前記モデルデータが存在する場合、前記軌跡データが正常挙動を示すと特定し、
   前記分類部は、前記算出された尤度が前記予め定められた閾値以上であるモデルデータが存在しない場合、前記軌跡データが異常挙動を示すと特定する
   請求項２に記載の情報処理装置。
4. それぞれが物体の観測位置の時系列を表す複数の軌跡データを取得するステップ、
   個々の軌跡データに対して、前記軌跡データが属するグループの確率分布を表す前記軌跡データのグループ同一性分布に基づいて、前記軌跡データがいずれのグループに属するかを特定することにより、前記複数の軌跡データを１つ以上のグループに分割することと、
   各グループの代表速度の時系列を生成することと、
   各軌跡データに対して、対応する物体の潜在位置分布の時系列を生成することと、
   各軌跡データのスケーリング係数を計算することと、
   各軌跡データに対して、前記軌跡データおよび前記スケーリング係数に基づいて前記軌跡データが各グループに分類される尤度を計算し、それにより前記軌跡データの前記グループ同一性分布を更新することと
   を、終了条件が満たされるまで繰り返し実行するステップ、および
   各グループに対して、前記代表速度の時系列が含まれるモデルデータを生成するステップ
   を含むコンピュータによって実行される方法。
5. 物体の観測位置の時系列を表す軌跡データと、物体の代表速度の時系列を含むモデルデータとを取得するステップ、
   前記モデルデータに関する前記軌跡データのスケーリング係数を計算し、
   前記スケーリング係数と、前記軌跡データと、前記モデルデータとに基づいて、前記物体の潜在位置分布の時系列を生成し、かつ
   前記軌跡データが前記モデルデータによって表される尤度を計算して、
   各モデルデータに対して前記尤度を算出するステップ、および
   前記軌跡データを表すモデルデータが少なくとも１つ存在する場合、前記軌跡データが正常挙動を表すと特定し、前記軌跡データを表すモデルデータが存在しない場合、前記軌跡データが異常挙動を表すと特定するステップ
   を含むコンピュータによって実行される方法。
6. 前記算出された尤度が予め定められた閾値以上である前記モデルデータが存在する場合、前記軌跡データは正常挙動を示すと特定され、
   前記算出された尤度が前記予め定められた閾値以上であるモデルデータが存在しない場合、前記軌跡データは異常挙動を示すと特定される
   請求項５に記載の方法。
7. 請求項４〜６のいずれか一項に記載の方法における各ステップをコンピュータに実行させるプログラム。

Images