JP7262312B2 - 移動体識別装置、移動体識別方法及びプログラム - Google Patents

Description

本発明は、地球周辺の宇宙空間を移動している移動体を識別する移動体識別装置、移動体識別方法及びプログラムに関する。

地球周辺の宇宙空間において、人工衛星、国際宇宙ステーションを含む多数の移動体が存在している。人工衛星は地球の周囲を周回する軌道上に、人工的に打ち上げられた衛星であり、サービス提供、観測又は監視を目的として運用されている。人工衛星は多くの種類を有し、例えば、通信衛星、気象衛星又は偵察衛星がある。このような移動体は、形状及び姿勢から、移動体の種類、及び、サービス対象エリアあるいは観測又は監視エリアを識別できる。

移動体を観測するための光学望遠鏡を用いた観測装置がある（例えば、特許文献１）。このような観測装置は、光学望遠鏡を用いて撮像した撮像画像に基づいて移動体を識別する機能を有する。

特許文献１に記載の移動体識別装置は、撮像された画像から移動体の位置及び輝度を算出しておき、複数の移動体に関する各時刻での位置及び輝度と、識別対象の移動体の位置及び輝度とを照合し、その照合結果に基づいて対象の移動体を識別する。これにより、移動体の放射光又は反射光の輝度が小さい時間帯でも、移動体を識別することができると説明されている。

また、撮像画像から対象物を識別する場合、機械学習により識別する方法も知られている（例えば、特許文献２）。機械学習とは大量のサンプルデータ及びその正解ラベルを用いた学習により特徴を捉え、新しいデータに対して予測又は決定を行う演算処理である。機械学習の画像識別においては、画像データと、その画像が何を表現しているかを示す正解ラベルと、の組み合わせである学習データを用いる。多様かつ大量の学習データが与えられることで学習モデルが汎化され、未知の入力画像に対して対象物を識別することができる。

特許文献２に記載の識別方法は、画像データの撮像条件を取得し、互いに異なる複数の撮像条件それぞれに対する学習データを用いて学習した複数の識別器を備え、取得した撮像条件に応じた識別器を用いて、取得した画像データに表現されている対象物を識別する方法である。これにより、高い精度により対象物を識別できると説明されている。

特開２０１７－０７２８８８号公報 特開２０１８－０８１４０４号公報

光学望遠鏡で移動体を撮像したときの撮像画像は、大気揺らぎの影響を受け不明瞭になる場合がある。また、撮像する地点、移動体及び太陽の３つの位置関係を含む撮像条件により、撮像された移動体の形状も大きく変わる。このため、特許文献１のように、位置及び輝度が近似した移動体の識別を誤る可能性があるという課題があった。

また、機械学習には大量のサンプルデータが必要であるが、宇宙空間の移動体の撮像機会は多くない。このため、特許文献２のように、撮像条件に応じて識別器を変更する構成は、それぞれの識別器で用いる学習データを十分に取得するのが困難であった。

また、宇宙空間の移動体は、撮像時の条件により撮像画像における形状変化が大きい。したがって、撮像画像データのみの入力による機械学習では、同じ正解ラベルの画像の形状変化が大きいため、学習が収束しない可能性があり、機械学習による移動体の識別は、実現が難しいという課題があった。

本発明は、上述のような事情に鑑みてなされたものであり、任意の撮像条件の撮像画像から、高い精度で移動体を識別することのできる移動体識別装置、移動体識別方法及びプログラムを提供することを目的とする。

上記目的を達成するため、本発明の移動体識別装置は、識別対象の移動体を撮像するときの撮像日及び撮像時刻を含む撮像条件から特徴量を導出する特徴量導出部と、特徴量導出部が導出した特徴量と、撮像条件にて撮像した撮像画像に基づいて、機械学習により得られた学習済みモデルを用いて移動体を識別する移動体識別部と、を備える。そして、学習済みモデルは、予め取得した撮像データに含まれる撮像条件から導出した特徴量及び撮像データに含まれる撮像画像を用いた機械学習により得られることを特徴とする。

本発明によれば、撮像画像における移動体の形状との関連性が高い撮像条件の情報を含めて機械学習した学習済みモデルを用いるため、任意の撮像条件の撮像画像から、高い精度で移動体を識別することが可能になる。

本発明の実施の形態に係る機械学習用計算機の構成例を示すブロック図 本発明の実施の形態に係る移動体識別装置の構成例を示すブロック図 撮像地点と移動体と太陽の位置関係を示す図 撮像地点と移動体と太陽の位置関係を示す図 撮像地点と移動体と太陽の位置関係を示す図 機械学習用計算機のアクティビティ図 移動体識別装置のアクティビティ図

（実施の形態）
以下に、本発明を実施するための形態について図面を参照して詳細に説明する。なお、図中同一又は相当する部分には同じ符号を付す。

図１は、この発明の実施の形態に係る移動体識別装置１で用いる学習済みモデル１１３を生成するための機械学習用計算機１００の構成例を示すブロック図である。機械学習用計算機１００は、移動体識別装置１の移動体識別動作を行う前に、予め取得した撮像データ１１１に基づいて機械学習を実行し学習済みモデル１１３を生成する計算機である。

図２は、本実施の形態に係る移動体識別装置１の構成例を示すブロック図である。移動体識別装置１は、移動体１１の画像を撮像する光学望遠鏡２００と、光学望遠鏡２００が撮像した撮像画像に基づいて移動体１１を識別する識別用計算機３００と、を備える。なお、移動体１１は、地球周辺の宇宙空間を移動する任意の移動体であり、例えば、人工衛星、国際宇宙ステーションである。

まず、機械学習用計算機１００について詳細に説明する。機械学習用計算機１００は、図１に示すように、撮像データ１１１、機械学習モデル１１２、学習済みモデル１１３を含む各種データを記憶する記憶部１１０と、撮像データ１１１に基づいて機械学習を実行して機械学習モデル１１２及び学習済みモデル１１３を生成する演算部１２０と、を備える。

記憶部１１０は、任意の記憶装置であり、例えば、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable Read Only Memory）を含む不揮発性半導体メモリ、又は、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ（Digital Versatile Disc）である。

一般に、画像識別のための機械学習に用いる入力データは、画像とその画像が示す対象の識別情報に対応づけられた正解ラベルのセットである。本実施の形態においては、撮像データ１１１が機械学習に用いる入力データベースである。撮像データ１１１は、移動体１１を撮像した撮像画像と、撮像時の条件である撮像条件と、正解ラベルと、を互いに対応づけたデータセットを含むことを特徴としている。

撮像データ１１１が撮像条件を含む理由は、光学望遠鏡２００を用いた移動体１１の撮像画像が、撮像条件により大きく変化するからである。より詳細には、移動体１１の撮像可能な形状は太陽光により照射されている部分であり、撮像により移動体１１の全形状を取得することはできない。このため、撮像地点、移動体１１、太陽１２の３つの位置関係と移動体１１の撮像画像とは相関性がある。よって、精度の高い機械学習を実行するため、機械学習の入力データとして演算部１２０に入力される撮像データ１１１は、撮像地点、移動体１１、太陽１２の３つの位置関係を示す撮像条件を含む。

演算部１２０による機械学習の結果得られた学習済みモデル１１３は、撮像地点、移動体１１、太陽１２の３つの位置関係に対応づけられて生成されたモデルである。記憶部１１０は、演算部１２０が実行する機械学習のプログラムも記憶している。

演算部１２０は、任意の演算処理装置であり、例えば、ＣＰＵ（Central Processing Unit）又はＧＰＵ（Graphics Processing Unit）である。演算部１２０は、記憶部１１０に格納されるプログラムを実行することにより、撮像条件に基づいて特徴量を導出する特徴量導出部１２１と、撮像データ１１１に含まれる撮像画像及び正解ラベルならびに特徴量導出部１２１が導出した特徴量に基づいて機械学習を実行する機械学習部１２２として機能する。

特徴量導出部１２１が撮像条件から導出する特徴量は、光学望遠鏡２００が位置する撮像地点、移動体１１、太陽１２の３つの位置関係を示すものである。このような特徴量を機械学習に用いる理由は、撮像画像における移動体１１の形状が、撮像地点、移動体１１、太陽１２の３つの位置関係と相関があるためである。特徴量導出部１２１が導出する特徴量は、例えば、地球１３上の撮像地点と、移動体１１の中心と、太陽１２の中心の３点が形成する三角形の内角である。撮像地点、移動体１１、太陽１２の３つの位置関係について説明する。図３から図５は、撮像地点と移動体１１と太陽１２の位置関係を示す図である。

光学望遠鏡２００で撮像対象を撮像する場合、撮像対象が光を発するかあるいは光を反射している必要がある。移動体１１の面のうち、太陽光が照射されている面が明るく現れ、照射されていない面は影となる。よって、宇宙空間の移動体１１を光学望遠鏡２００が撮像すると、明るい面は影の面に比べて、形状又は色を含む特徴が明確に現れる。

例えば、図３のように移動体１１が地球１３上の撮像地点と太陽１２の中間に位置する場合、撮像画像において、一部の明るい部分Ｐのみの移動体１１の形状が得られる。一方、図４のように移動体１１に対して地球１３上の撮像地点と太陽１２が同方向に位置する場合、移動体１１の大部分を占める明るい部分Ｑの形状が得られる。

図５は、地球１３上の撮像地点をＡ、移動体１１の中心をＢ、太陽１２の中心をＣとしたときの、３点の位置関係を表している。Ｃは太陽１２の位置であり、辺ＡＣ及び辺ＢＣは辺ＡＢに対して十分に長いため、∠Ｃは０度に近い。よって、三角形ＡＢＣの内角である∠Ａと∠Ｂの和は１８０度に近似できる。

図３のように、移動体１１が地球１３上の撮像地点と太陽１２の中間に位置し、移動体１１の一部しか観測できない場合は、∠Ｂが鈍角である。そして、∠Ａは（１８０°－∠Ｂ）に近似できるため鋭角となる。一方、図４のように、移動体１１に対して地球１３上の撮像地点と太陽１２が同方向に位置し、移動体１１の大部分が観測できる場合は、∠Ｂが鋭角である。このため∠Ａは鈍角となる。よって、∠Ａの大きさにより撮像できる移動体１１の面を特徴づけることができる。つまり、特徴量導出部１２１は、∠Ａの大きさを特徴量として導出してもよい。

∠Ａの大きさは、光学望遠鏡２００から移動体１１を撮像するときの方位角及び仰角αと、太陽１２の方位角及び高度βと、から求めることができる。例えば、図５に示すように、移動体１１と太陽１２の方位角が同じ場合は、光学望遠鏡２００の仰角αから太陽１２の高度βを引いた角度が∠Ａの大きさになる。

機械学習部１２２は、撮像データ１１１に含まれる撮像画像及び正解ラベルと、特徴量導出部１２１が導出した特徴量と、に基づいて機械学習を実行する。機械学習部１２２は、従来の任意のアルゴリズムによる機械学習を実行する。

例えば、機械学習に用いる撮像データ１１１を、学習データ、検証データ及びテストデータに分割する。機械学習部１２２は、学習データ及び対応する特徴量を用いて、調整されたパラメータで表現される機械学習モデル１１２を生成する。また、機械学習部１２２は生成した機械学習モデル１１２を、検証データを用いて検証する。このような機械学習モデル１１２の生成と検証を十分に繰り返す機械学習を実行し、その結果、得られた学習済みの機械学習モデル１１２に対して、テストデータで評価を行う。良好と評価された機械学習モデル１１２を学習済みモデル１１３として、記憶部１１０に保存する。

次に、機械学習用計算機１００で生成された学習済みモデル１１３を用いて、移動体１１の識別を実行する移動体識別装置１について、説明する。移動体識別装置１は、図２に示すように、地球周辺の宇宙空間に位置する任意の移動体１１を撮像する光学望遠鏡２００と、光学望遠鏡２００が移動体１１を撮像したときの撮像条件と撮像画像に基づいて当該移動体１１を識別する識別用計算機３００と、を備える。

光学望遠鏡２００は、撮像設定部２１０及び移動体撮像部２２０を有する。撮像設定部２１０は識別対象の移動体１１を撮像するための設定を実施し、撮像時の撮像条件を識別用計算機３００に送信する。送信される撮像条件は、光学望遠鏡２００の撮像方向を示す仰角及び方位角と、太陽１２の位置情報を得るための撮像日及び撮像時刻を含む。太陽１２の位置情報は、例えば太陽１２の高度又は方位角である。

移動体撮像部２２０は、撮像設定部２１０で設定した撮像条件で、識別対象の移動体１１を含む画像を撮像し、取得した撮像画像を識別用計算機３００に送信する。

識別用計算機３００は、記憶部３１０と演算部３２０を備える。記憶部３１０及び演算部３２０のハードウェア構成は機械学習用計算機１００の記憶部１１０及び演算部１２０と同様である。記憶部３１０には、機械学習用計算機１００が機械学習を実行することにより生成した学習済みモデル１１３を記憶する。すなわち、識別用計算機３００の記憶部３１０に記憶されている学習済みモデル１１３は、機械学習用計算機１００の記憶部１１０に記憶された学習済みモデル１１３をデータ複製又はデータ転送されたものである。

演算部３２０は記憶部３１０に格納されているプログラムを実行することにより、撮像条件に基づいて特徴量を導出する特徴量導出部３２１と、移動体撮像部２２０が撮像した撮像画像に表示されている移動体１１を識別する移動体識別部３２２として機能する。

特徴量導出部３２１は、撮像設定部２１０が送信した撮像条件の情報から、光学望遠鏡２００の撮像地点、移動体１１、太陽１２の３つの位置関係を示す特徴量を導出する。導出する方法及び情報は機械学習用計算機１００の特徴量導出部１２１と同様である。

移動体識別部３２２は、特徴量導出部３２１が導出した特徴量及び移動体撮像部２２０から受信する撮像画像を基に、学習済みモデル１１３を用いて、移動体１１を識別し識別結果を出力する。すなわち、特徴量及び撮像画像を基に、学習済みモデル１１３を検索し相当するモデルに対応づけられている正解ラベルを導出する。導出された正解ラベルが示す移動体１１の識別情報を識別結果として出力する。

以上のように構成された機械学習用計算機１００及び移動体識別装置１の動作について、図６、７に示すアクティビティ図を用いて説明する。図６は、機械学習用計算機１００の機械学習動作を示すアクティビティ図である。図７は、移動体識別装置１の移動体識別動作を示すアクティビティ図である。

移動体識別装置１の移動体識別動作に先だって、機械学習用計算機１００が機械学習動作を行う。ここでは、撮像データ１１１から分割された学習データ、検証データ及びテストデータを用いる機械学習について説明する。なお、機械学習は、従来の任意のアルゴリズムに従ったものでよく、以下の機械学習動作のフローは一例である。

最初に、機械学習用計算機１００の演算部１２０が、記憶部１１０に格納されている撮像データ１１１から分割された学習データより、撮像条件、撮像画像及び正解ラベルのセットを読み出す。読み出したセットのうち、撮像条件を特徴量導出部１２１が取得し（ステップＳ１０１）、撮像画像と正解ラベルを機械学習部１２２が取得する（ステップＳ１０２）。

次に、特徴量導出部１２１が撮像条件から、撮像地点、移動体１１、太陽１２の３つの位置関係を示す特徴量を導出して（ステップＳ１０３）、機械学習部１２２に出力する。機械学習部１２２は、特徴量導出部１２１から入力された特徴量と、ステップＳ１０２で取得した撮像画像及び正解ラベルを用いて機械学習モデル１１２を生成し、生成された機械学習モデル１１２を、検証データを用いて検証する（ステップＳ１０４）。機械学習モデル１１２の生成は、機械学習モデル１１２のパラメータの値を調整することにより実行される。

検証済みの機械学習モデル１１２は、記憶部１１０に保存され、随時更新される（ステップＳ１０５）。ステップＳ１０４の学習データを用いた機械学習モデル１１２の生成及び検証データを用いた機械学習モデル１１２の検証と、ステップＳ１０５の機械学習モデル１１２の保存及び更新は繰り返し実行される。

そして、ステップＳ１０４及びステップＳ１０５の処理を十分に繰り返して得られた機械学習モデル１１２について、テストデータを用いて評価を行う（ステップＳ１０６）。ステップＳ１０６で良好な評価が得られた機械学習モデル１１２を学習済みモデル１１３として記憶部１１０に保存して（ステップＳ１０７）、処理を終了する。

次に、機械学習用計算機１００で生成した学習済みモデル１１３を利用して、移動体識別装置１が移動体識別動作を行う。

まず、光学望遠鏡２００の撮像設定部２１０が移動体１１を撮像するための撮像条件に合致した設定を実行する（ステップＳ２０１）。例えば、予め定めた撮像方向を示す仰角及び方位角に光学望遠鏡２００を指向させる。

次に、移動体撮像部２２０が、移動体１１の撮像を実行し（ステップＳ２０２）、撮像を実行したときの撮像日、撮像時刻、撮像方向を含む撮像時の条件を撮像設定部２１０に通知する（ステップＳ２０３）。そして、移動体撮像部２２０は、撮像した撮像画像を識別用計算機３００に送信する（ステップＳ２０４）。

撮像設定部２１０は、ステップ２０１で設定した光学望遠鏡２００の条件と、ステップＳ２０３で移動体撮像部２２０から通知された撮像時の条件と、を含む撮像条件を識別用計算機３００に対して送信する（ステップＳ２０５）。

識別用計算機３００の特徴量導出部３２１は、光学望遠鏡２００の撮像設定部２１０から受信した撮像条件から撮像位置と移動体１１と太陽１２の３つの位置関係を示す特徴量を導出する（ステップＳ２０６）。このとき、撮像設定部２１０が設定した撮像方向を示す仰角及び方位角の条件から移動体１１の方向を取得することができる。また、移動体撮像部２２０から通知された撮像時の条件である撮像日、撮像時刻、撮像方向に基づいて、太陽１２の方向及び高度を取得することができる。取得したこれらの情報に基づいて、撮像位置から移動体１１に向かう直線と、撮像位置から太陽１２に向かう直線と、がなす角を特徴量として導出することができる。

識別用計算機３００の移動体識別部３２２は、光学望遠鏡２００の移動体撮像部２２０から受信した撮像画像と、特徴量導出部３２１が導出した特徴量と、に基づいて、記憶部３１０に格納されている学習済みモデル１１３を用いて移動体１１の識別を実行する（ステップＳ２０７）。具体的には、移動体識別部３２２は、特徴量及び撮像画像を基に、学習済みモデル１１３を検索し相当するモデルに対応づけられている正解ラベルを導出する。そして、導出された正解ラベルが示す移動体１１の識別情報を識別結果として出力する。

以上説明したように、本実施の形態に係る移動体識別装置１は、機械学習用計算機１００が予め取得した撮像データ１１１に含まれる撮像画像、正解ラベル、撮像条件に基づいて機械学習して生成した学習済みモデル１１３を用いて、移動体１１の識別を実行する。移動体識別装置１の光学望遠鏡２００は、移動体１１を撮像したときの撮像条件を、撮像画像と共に識別用計算機３００に送信する。識別用計算機３００は、受信した撮像画像と、特徴量導出部３２１が撮像条件に基づいて導出した特徴量と、に基づいて学習済みモデル１１３を用いて移動体１１の識別を実行することとした。これにより、高い精度で移動体１１を識別することが可能になる。

このように本発明は、識別対象の移動体を撮像するときの撮像条件から特徴量を導出し、導出した特徴量と、その撮像条件にて撮像した撮像画像に基づいて、機械学習により得られた学習済みモデルを用いて移動体を識別する。そして、学習済みモデルは、予め取得した撮像データに含まれる撮像条件から導出した特徴量及び撮像データに含まれる撮像画像を用いた機械学習により得られることとした。これにより、任意の撮像条件の撮像画像から、高い精度で移動体を識別することが可能になる。

なお、本発明は、上記実施の形態に限定されず、本発明の要旨を逸脱しない範囲での種々の変更は勿論可能である。

例えば、上記実施の形態において、機械学習用計算機１００と識別用計算機３００はそれぞれ個々の計算機であるとしたが、１つの計算機で機械学習用計算機１００と識別用計算機３００の機能を実現してもよい。この場合、光学望遠鏡２００が撮像した撮像画像を蓄積して撮像データ１１１として機械学習に用いることができる。また、特徴量導出部１２１及び特徴量導出部３２１を単一の機能部で実現し、機械学習時及び移動体識別時の両方で機能させることができ、構成を簡略化することができる。

また、機械学習用計算機１００で機械学習に用いる撮像画像、及び、識別用計算機３００で識別する撮像画像は、光学望遠鏡２００が撮像した画像であるとしたが、光学望遠鏡２００が撮像した画像を変形させた画像であってもよい。例えば、元画像に対して輝度、コントラスト、向きを含む画像情報を変更した画像であってもよい。

また、上記実施の形態に示したハードウェア構成及び演算部１２０，３２０の処理内容は一例であり、任意に変更及び修正が可能である。機械学習用計算機１００と識別用計算機３００で実現する各機能は、専用のシステムによらず、通常のコンピュータシステムを用いて実現可能である。

例えば、上記実施の形態の動作を実行するためのプログラムを、コンピュータが読み取り可能なＣＤ－ＲＯＭ（Compact Disc Read-Only Memory）、ＤＶＤ（Digital Versatile Disc）、ＭＯ（Magneto Optical Disc）、メモリカード等の記録媒体に格納して配布し、プログラムをコンピュータにインストールすることにより、各機能を実現することができるコンピュータを構成してもよい。そして、各機能をＯＳ（Operating System）とアプリケーションとの分担、またはＯＳとアプリケーションとの協同により実現する場合には、ＯＳ以外の部分のみを記録媒体に格納してもよい。

１ 移動体識別装置、１１ 移動体、１２ 太陽、１３ 地球、１００ 機械学習用計算機、１１０，３１０ 記憶部、１２０，３２０ 演算部、１１１ 撮像データ、１１２ 機械学習モデル、１１３ 学習済みモデル、１２１，３２１ 特徴量導出部、１２２ 機械学習部、２００ 光学望遠鏡、２１０ 撮像設定部、２２０ 移動体撮像部、３００ 識別用計算機、３２２ 移動体識別部。

Claims (14)

1. 識別対象の移動体を撮像するときの撮像日及び撮像時刻を含む撮像条件から特徴量を導出する特徴量導出部と、
   前記特徴量導出部が導出した前記特徴量と、前記撮像条件にて撮像した撮像画像に基づいて、機械学習により得られた学習済みモデルを用いて前記移動体を識別する移動体識別部と、を備え、
   前記学習済みモデルは、予め取得した撮像データに含まれる撮像条件から導出した特徴量及び前記撮像データに含まれる撮像画像を用いた前記機械学習により得られる、
   移動体識別装置。
2. 前記特徴量導出部が特徴量を導出するための前記撮像条件は、撮像地点を含む、
   請求項１に記載の移動体識別装置。
3. 前記特徴量導出部が特徴量を導出するための前記撮像条件は、地球上から前記識別対象の移動体を撮像するときの方位角及び仰角を含む、
   請求項１又は請求項２に記載の移動体識別装置。
4. 地球上から識別対象の移動体を撮像するときの方位角及び仰角を含む撮像条件から特徴量を導出する特徴量導出部と、
   前記特徴量導出部が導出した前記特徴量と、前記撮像条件にて撮像した撮像画像に基づいて、機械学習により得られた学習済みモデルを用いて前記移動体を識別する移動体識別部と、を備え、
   前記学習済みモデルは、予め取得した撮像データに含まれる撮像条件から導出した特徴量及び前記撮像データに含まれる撮像画像を用いた前記機械学習により得られる、
   移動体識別装置。
5. 前記特徴量は、撮像地点と、前記移動体と、太陽と、の３つの位置関係を示す、
   請求項１から請求項４のいずれか１項に記載の移動体識別装置。
6. 識別対象の移動体を撮像するときの撮像条件から特徴量を導出する特徴量導出部と、
   前記特徴量導出部が導出した、撮像地点と、前記移動体と、太陽と、の３つの位置関係を示す前記特徴量と、前記撮像条件にて撮像した撮像画像に基づいて、機械学習により得られた学習済みモデルを用いて前記移動体を識別する移動体識別部と、を備え、
   前記学習済みモデルは、予め取得した撮像データに含まれる撮像条件から導出した特徴量及び前記撮像データに含まれる撮像画像を用いた前記機械学習により得られる、
   移動体識別装置。
7. 前記撮像画像は光学望遠鏡で撮像された画像又は当該画像を変形させた画像である、
   請求項１から請求項６のいずれか１項に記載の移動体識別装置。
8. 識別対象の移動体を撮像するときの撮像条件から特徴量を導出する特徴量導出部と、
   前記特徴量導出部が導出した前記特徴量と、前記撮像条件にて撮像した撮像画像に基づいて、機械学習により得られた学習済みモデルを用いて前記移動体を識別する移動体識別部と、を備え、
   前記撮像画像は光学望遠鏡で撮像された画像又は当該画像を変形させた画像であり、
   前記学習済みモデルは、予め取得した撮像データに含まれる撮像条件から導出した特徴量及び前記撮像データに含まれる撮像画像を用いた前記機械学習により得られる、
   移動体識別装置。
9. 前記特徴量導出部が特徴量を導出するための前記撮像条件は、前記光学望遠鏡の方位角及び仰角を含む、
   請求項７又は請求項８に記載の移動体識別装置。
10. 前記移動体は人工衛星を含む、
    請求項１から請求項９のいずれか１項に記載の移動体識別装置。
11. 識別対象の移動体を撮像するときの撮像条件から特徴量を導出する特徴量導出部と、
    前記特徴量導出部が導出した前記特徴量と、前記撮像条件にて撮像した撮像画像に基づいて、機械学習により得られた学習済みモデルを用いて前記移動体を識別する移動体識別部と、を備え、
    前記移動体は人工衛星を含み、
    前記学習済みモデルは、予め取得した撮像データに含まれる撮像条件から導出した特徴量及び前記撮像データに含まれる撮像画像を用いた前記機械学習により得られる、
    移動体識別装置。
12. 前記学習済みモデルは、予め取得した前記撮像データに含まれる前記撮像条件から導出した前記特徴量、前記撮像データに含まれる前記撮像画像、及び、前記撮像データに含まれる前記撮像画像に対応づけられた正解ラベルを用いた前記機械学習により得られる、
    請求項１から請求項１１のいずれか１項に記載の移動体識別装置。
13. 予め取得した撮像画像と、撮像日及び撮像時刻を含む撮像条件から導出した特徴量と、に対する機械学習を実行する機械学習ステップと、
    識別対象の移動体を撮像するときの撮像条件から特徴量を導出する特徴量導出ステップと、
    前記機械学習ステップで得られた学習済みモデルを用いて、前記特徴量導出ステップで導出した前記特徴量と、前記識別対象の移動体を撮像した撮像画像に基づいて、前記移動体を識別する移動体識別ステップと、を有する、
    移動体識別方法。
14. コンピュータを、
    予め取得した撮像画像と、撮像日及び撮像時刻を含む撮像条件から導出した特徴量と、に対する機械学習を実行して得られた学習済みモデルを記憶する記憶部、
    識別対象の移動体を撮像するときの撮像条件から特徴量を導出する特徴量導出部、
    前記記憶部に記憶された前記学習済みモデルを用いて、前記特徴量導出部が導出した前記特徴量と、前記識別対象の移動体を撮像した撮像画像に基づいて、前記移動体を識別する移動体識別部、
    として機能させるプログラム。

Images