JP7495689B2 - 渋滞検知装置、渋滞検知システム、および、渋滞検知方法 - Google Patents

Description

本発明は、道路上における車両やベルトコンベア上における運搬物などの移動体に生じ得る渋滞を検知する渋滞検知装置、渋滞検知システム、および、渋滞検知方法に関する。

道路における車両の交通流を監視する交通流監視システムとして、画像中の道路を認識することが可能なオペレーターが、ビデオカメラでの撮影によって得られた画像に対して画像中の道路を設定する技術が知られている（例えば、特許文献１を参照）。

特開２０００－４８２９５号公報

従来の監視方法では、例えばオペレーターのように車両などの移動体が移動する経路を認識可能であること、すなわち、移動体の経路に関する情報を予め有していることを前提として経路上における交通流の監視を可能としている。そのため、画像から得られる情報から移動体の経路を認識することが可能な人間、あるいは、当該人間が行う作業の代替が可能な情報およびシステムなどの資源が必要である。こうした資源は、調達や構築に手間、時間、および、費用を要することから、また、画像における経路の変化に対する追従性が低いことから、移動体の経路に関する情報に依存しない渋滞の検知技術が求められている。

本発明は、撮影結果の変化に対する追従性を向上可能とした渋滞検知装置、渋滞検知システム、および、渋滞検知方法を提供することを目的とする。

上記課題を解決するための渋滞検知装置は、映像のなかで移動体の渋滞を検知するピクセル領域が判定窓であり、映像のなかで特定された移動体の位置を示す時系列データから前記判定窓を生成するように学習および条件設定の少なくとも一方を行った学習器を用いて新たな映像から当該映像の前記判定窓を生成する判定窓生成部と、前記判定窓生成部が生成した前記判定窓における前記移動体の混雑状況を示す指数を算出して前記判定窓生成部が生成した前記判定窓での前記移動体の渋滞を推定する渋滞推定部と、を備える。

上記課題を解決するための渋滞検知方法は、映像のなかで移動体の渋滞を検知するピクセル領域が判定窓であり、映像のなかで特定された移動体の位置を示す時系列データから前記判定窓を生成するように学習および条件設定の少なくとも一方を行った学習器を用いて新たな映像から当該映像の前記判定窓を生成することと、生成された前記判定窓における前記移動体の混雑状況を示す指数を算出して当該生成された前記判定窓での前記移動体の渋滞を推定することと、を含む。上記各構成によれば、移動体の位置を示す時系列データから検知の対象である判定窓が生成されるため、撮影結果の変化に対する追従性を向上することが可能である。

上記渋滞検知装置において、前記渋滞推定部は、前記判定窓において、前記移動体の前記指数が閾値以下である状態が前記判定窓の再設定時間以上継続した場合に、前記判定窓生成部に新たな前記判定窓を生成させてもよい。この構成によれば、判定窓生成部が生成した判定窓には、移動体が存在可能な判定窓が含まれやすくなるから、渋滞検知装置による渋滞の推定における効率が高くなる。

上記渋滞検知装置において、前記渋滞推定部は、前記判定窓について、単位時間ごとに算出された前記移動体の前記指数における算出時間での平均値から前記判定窓での前記移動体の前記渋滞を推定してもよい。

上記構成によれば、渋滞推定部による渋滞の推定に算出時間にわたる移動体の混雑状況を示す指数が反映されるから、特定の時点における移動体の混雑状況を示す指数から渋滞を推定する場合に比べて、推定の精度を高めることが可能である。

上記渋滞検知装置において、前記渋滞推定部は、前記渋滞を推定する条件に、前記平均値が閾値以上であることが渋滞判定時間以上継続することを含み、前記渋滞推定部は、前記渋滞判定時間以上継続することが成立した場合に、前記判定窓において渋滞が生じていると推定してもよい。

上記構成によれば、指数の平均値が閾値以上の状態が継続された場合に判定窓において渋滞が生じていると推定されるから、指数の平均値が特定の時点において一時的に閾値を超えたときに渋滞が生じていると推定される場合に比べて、渋滞の推定における精度が高められる。

上記渋滞検知装置において、前記混雑状況を示す前記指数は、前記移動体の密度、前記移動体の移動速度、および、前記移動体の通過数の少なくとも１つであってよい。この構成によれば、車両の密度、車両の移動速度、および、車両の追加台数の少なくとも１つを用いることによって、判定窓における渋滞を推定することが可能である。

上記課題を解決するための渋滞検知システムは、上記渋滞検知装置と、前記渋滞検知装置が前記渋滞を推定した結果を表示する表示部と、を備える。前記渋滞検知装置は、前記判定窓における前記渋滞を推定した結果に応じて前記判定窓の表示状態を変更するように、前記表示部に前記渋滞を推定した結果を表示させる。この構成によれば、判定窓の渋滞を推定した結果に応じて判定窓の表示状態が変更されるため、表示部が表示する内容から判定窓の渋滞を推定した結果が把握されやすい。

本発明によれば、撮影結果の変化に対する追従性を向上することができる。

渋滞検知システムのシステム構成図。 渋滞検知装置の機能ブロック図。 判定窓の定義を示す模式図。 渋滞検知装置の機能ブロック図。 判定窓生成部の構成図。 渋滞検知装置が行う処理の一例を示すフローチャート。 渋滞検知装置が行う処理の一例を示すフローチャート。 渋滞検知装置が行う処理の一例を示すフローチャート。 渋滞検知システムの作用を示す作用図。 渋滞検知システムの作用を示す作用図。 渋滞検知システムの作用を示す作用図。 渋滞検知システムの作用を示す作用図。 渋滞検知システムの作用を示す作用図。

図１から図１３を参照して、渋滞検知装置、渋滞検知方法、および、渋滞検知システムの一実施形態を説明する。以下では、渋滞検知システム、渋滞検知装置、渋滞検知方法、および、作用を順に説明する。

［渋滞検知システム］
図１を参照して渋滞検知システムを説明する。
図１が示すように、渋滞検知システム１０は、１以上の渋滞検知装置１１と監視センター１２とを備えている。渋滞検知システム１０は、移動体の一例である車両Ｃの流れを時系列画像群である映像から検知する。渋滞検知システム１０は、車両Ｃの流れに渋滞が生じていることを検知する。渋滞検知システム１０は、渋滞検知システム１０に接続された利用者端末１３に渋滞マップを提供する。渋滞マップは、渋滞が生じている道路と、渋滞が生じていない道路とを示す地図である。

渋滞検知装置１１は、例えば、高層ビルＢの屋上および鉄塔Ｔの上部などの高所に配置されている。渋滞検知装置１１は、撮影部１１Ａ、車両検知モジュール、動作推定部、渋滞推定部、および、記憶部を備えている。渋滞検知装置１１は、例えば、撮影部１１Ａを構成するビデオカメラと、車両検知モジュール、動作推定部、渋滞推定部、および、記憶部を構成するコンピューターとを備えている。

撮影部１１Ａは、撮影部１１Ａが撮影する映像のなかに多数の車両Ｃが含まれるように、車両Ｃの走行環境を撮影する。車両Ｃの走行環境は、都道府県道、一般国道、および、高速自動車国道などの道路と、建築物、建造物、および、自然環境などの道路周辺環境とを含む。撮影部１１Ａが撮影する車両Ｃの走行環境は、車両Ｃの流れを検知される対象である。

渋滞検知装置１１は、撮影部１１Ａが撮影した映像から車両Ｃの流れを検知するとともに、車両Ｃの流れに渋滞が生じていること検知する。渋滞検知装置１１は、ネットワークＮを通じて監視センター１２に接続されている。渋滞検知装置１１は、当該渋滞検知装置１１が担う検知の対象に渋滞が生じているか否かを監視センター１２に送信する。

監視センター１２は、情報処理部１２Ａと表示部１２Ｂとを備えている。情報処理部１２Ａは、各種の情報を処理するためのコンピューターを備えている。情報処理部１２Ａは、ネットワークＮを通じて複数の渋滞検知装置１１に接続されている。情報処理部１２Ａは、渋滞検知装置１１が送信した検知の結果を受信して、当該検知に用いられた映像中の道路と、実際の地図上における道路とを整合させる。情報処理部１２Ａは、渋滞検知装置１１から受信した検知の結果を用いて、実際の道路において渋滞が生じているか否かを示す渋滞マップを生成する。情報処理部１２Ａは、当該情報処理部１２Ａが生成した渋滞マップを利用者端末１３に送信する。

表示部１２Ｂは、渋滞検知装置１１が渋滞を推定した結果を表示する。詳細には、表示部１２Ｂは、情報処理部１２Ａにおける処理の状況と、情報処理部１２Ａが生成した渋滞マップとを表示する。

各利用者端末１３は、ネットワークＮを通じて監視センター１２の情報処理部１２Ａに接続されている。利用者端末１３は、例えばスマートフォンおよびタブレットなどである。利用者端末１３は、監視センター１２から受信した渋滞マップを利用者に提供する。

［渋滞検知装置］
図２から図５を参照して渋滞検知装置１１をより詳細に説明する。
図２が示すように、渋滞検知装置１１は、車両検知モジュール２１、動作推定部２２、渋滞推定部２３、および、記憶部２４を備えている。

渋滞検知装置１１は、撮影部１１Ａによって時系列画像群ＧＰを取得し、渋滞検知装置１１が取得した映像から判定結果情報ＤＲおよび判定可視化ファイルＦを生成する。渋滞検知装置１１は、当該渋滞検知装置１１が生成した判定結果情報ＤＲおよび判定可視化ファイルＦを監視センター１２に送信する。なお、監視センター１２は、判定結果情報ＤＲおよび判定可視化ファイルＦに基づいて、上述した渋滞マップを生成する。

記憶部２４は、設定値Ｄ１、中間情報Ｄ２、判定結果情報ＤＲ、および、判定可視化ファイルＦを記憶する。設定値Ｄ１は、車両閾値、判定窓位置情報、判定窓再設定時間、平均車両密度算出時間、車両密度閾値、および、渋滞判定時間を含む。車両閾値は、車両検知モジュール２１が車両Ｃを検知した結果の確信度に対して設定される閾値である。確信度が車両閾値以上である場合に、車両検知モジュール２１が検知した物体が車両Ｃであると判定される。

判定窓位置情報は、映像に設定される各判定窓のピクセル座標を含む。なお、判定窓位置情報は、渋滞検知装置１１による判定窓の生成が行われない場合に、渋滞検知装置１１によって用いられる設定値である。判定窓再設定時間は、判定窓を新たに設定する際に考慮される時間である。平均車両密度算出時間は、判定窓における平均車両密度を算出する際に考慮される時間である。

中間情報Ｄ２は、車両情報、判定窓情報、および、車両密度情報を含む。車両情報は、車両検知モジュール２１によって検知された各車両に紐付けられた情報である。車両情報は、例えば、車両のサイズ、ピクセル座標上における車両の位置、および、確信度を含む。判定窓情報は、判定窓のピクセル座標を含む。車両密度情報は、撮影部１１Ａが撮影した各画像での密度、および、時系列画像群ＧＰでの平均密度を含む。

判定結果情報ＤＲは、判定窓における渋滞の有無、および、当該渋滞の有無が判定された時刻を含む。判定可視化ファイルＦは、撮影部１１Ａが撮影した画像に対して判定窓を重ねた映像ファイルである。

図３は、渋滞検知装置１１が設定する判定窓を模式的に示している。なお、図３には２つの判定窓が示され、かつ、図示の便宜上、各判定窓が略四角形状を有するように示されている。

図３が示すように、車両群が時系列画像群ＧＰにおいて移動したと推定される画像空間でのピクセル領域が、１つの判定窓Ｗに定義される。判定窓Ｗは、映像のなかで車両Ｃの渋滞を検知するピクセル領域である。時系列画像群ＧＰから得られる各車両Ｃの動線群は、時系列画像群ＧＰにおける車両群の動きの遷移として扱われる。１つの判定窓Ｗには、同一方向に進むと推定された車線群が含まれる。同一方向に進む車線群は、例えば走行車線と走行車線に隣り合う追い越し車線とを含むことができる。

図３に示される各判定窓Ｗは、以下に記載の方法によって設定される。まず、時系列画像群ＧＰから得られる各車両Ｃに当該車両Ｃのトラッキングを通じて車両ＩＤが付される。図３が示す例では、３台の車両Ｃの各々に対して、車両ＩＤ１、車両ＩＤ２、および、車両ＩＤ３のいずれかが付されることによって、３台の車両Ｃには互いに異なる車両ＩＤが付される。

次に、同一の車両ＩＤが付された車両Ｃについて、時系列画像群ＧＰに含まれる先の画像である第１画像での車両Ｃの位置と、その次の画像である第２画像での車両Ｃの位置とが特定される。各車両Ｃの位置は、２次元座標（ｘ，ｙ）によって示される。なお、図３には、各車両Ｃについて、時系列的に並ぶ第１タイミング、第２タイミング、および、第３タイミングでの位置が示されている。

第１タイミングにおいて得られた画像を第１画像に設定し、第２タイミングにおいて得られた画像を第２画像に設定することができる。この場合には、車両ＩＤ１が付された車両Ｃについて、第１画像での位置が（ｘ１１，ｙ１１）であり、第２画像での位置が（ｘ１２，ｙ１２）である。また、車両ＩＤ２が付された車両Ｃにおいて、第１画像での位置が（ｘ２１，ｙ２１）であり、第２画像での位置が（ｘ２２，ｙ２２）である。また、車両ＩＤ３が付された車両Ｃにおいて、第１画像での位置が（ｘ３１，ｙ３１）であり、第２画像での位置が（ｘ３２，ｙ３２）である。

なお、第２タイミングにおいて得られた画像を第１画像に設置し、第３タイミングにおいて得られた画像を第２画像に設定することも可能である。この場合には、車両ＩＤ１が付された車両Ｃについて、第１画像での位置が（ｘ１２，ｙ１２）であり、第２画像での位置が（ｘ１３，ｙ１３）である。また、車両ＩＤ２が付された車両Ｃにおいて、第１画像での位置が（ｘ２２，ｙ２２）である一方で、第３画像では車両ＩＤ２が付された車両Ｃがトラッキングされていない。また、車両ＩＤ３が付された車両Ｃにおいて、第１画像での位置が（ｘ３２，ｙ３２）であり、第２画像での位置が（ｘ３３，ｙ３３）である。なお、上述した時系列的に並ぶ車両Ｃの位置を示すデータが、時系列データの一例である。

時系列画像群ＧＰにおいて特定された車両Ｃの位置を車両Ｃごとの入力として、各車両Ｃの動線ＬＦ、および、動線ＬＦ同士の関連性を考慮して、学習器が判定窓Ｗを生成する。このように、判定窓Ｗに動線ＬＦに関する情報が用いられるから、判定窓Ｗには、車両Ｃの進行方向に関する情報が含まれる。なお、各車両Ｃの動線ＬＦは、当該車両Ｃにおける第１画像での位置と第２画像での位置とに基づいて算出される２次元ベクトルである。そのため、各車両Ｃの動線ＬＦは、車両Ｃの進行方向を示している。生成された各判定窓Ｗには、判定窓ＩＤが付される。

なお、判定窓Ｗの生成時には、各車両Ｃについて、第１画像における車両Ｃの中央位置ＣＰと第２画像における車両Ｃの中央位置ＣＰとの中点ＭＰが考慮される。車両Ｃの中央位置ＣＰは、車両Ｃのフェレ径によって特定した四角形における中央の二次元座標である。

図４は、渋滞検知装置１１が備える動作推定部２２、および、渋滞推定部２３を示す機能ブロック図である。
図４が示すように、動作推定部２２は、車両情報生成部２２Ａと判定窓生成部２２Ｂとを備えている。渋滞推定部２３は、車両密度算出部２３Ａ、渋滞判定部２３Ｂ、および、判定結果可視化部２３Ｃを備えている。渋滞推定部２３は、判定窓生成部２２Ｂが生成した判定窓Ｗにおける車両Ｃの混雑状況を示す指数を算出して判定窓生成部２２Ｂが生成した判定窓Ｗでの車両Ｃの渋滞を推定する。本実施形態では、車両Ｃの混雑状況を示す指数として、車両Ｃの密度が用いられている。

車両検知モジュール２１は、時系列画像群ＧＰを入力し、各画像に含まれる車両Ｃを検知する。
車両情報生成部２２Ａは、車両検知モジュール２１が検知した車両Ｃに関する情報を入力し、かつ、車両閾値ＴＨＣを記憶部２４から読み出して、車両Ｃのサイズ、位置、および、確信度を含む車両情報ＤＣを生成する。車両情報生成部２２Ａが生成した車両情報ＤＣは、判定窓生成部２２Ｂおよび車両密度算出部２３Ａに入力される。

判定窓生成部２２Ｂは、映像のなかで特定された車両Ｃの位置を示す時系列データから判定窓Ｗを生成するように学習した学習器を用いて新たな映像から当該映像の判定窓Ｗを生成する。詳細には、判定窓生成部２２Ｂは、車両情報ＤＣに基づいて複数の動線ＬＦを生成し、生成した動線群から車両群が移動したピクセル領域を推定して、判定窓情報ＤＷを生成する。判定窓生成部２２Ｂが生成した判定窓情報ＤＷは、車両密度算出部２３Ａに入力される。判定窓生成部２２Ｂは判定窓設定時間ＴＳを記憶部２４から読み出し、時系列画像群ＧＰの入力を開始してから判定窓設定時間ＴＳが経過した場合に、判定窓Ｗを生成する。なお、判定窓生成部２２Ｂには、判定窓Ｗにおいて車両Ｃが認められない状態が判定窓再設定時間ＴＲ以上継続した場合に、車両密度算出部２３Ａから再設定指令ＣＲが入力される。これによって、判定窓生成部２２Ｂは、判定窓Ｗの最適化、すなわち再設定を行う。また、判定窓生成部２２Ｂは、車両情報ＤＣに基づく判定窓Ｗの生成が行われない場合に、判定窓位置情報ＤＷＰを記憶部２４から読み出す。そして、判定窓生成部２２Ｂは、判定窓位置情報ＤＷＰに基づいて判定窓情報ＤＷを生成する。

車両密度算出部２３Ａは、車両情報ＤＣおよび判定窓情報ＤＷを入力し、かつ、平均車両密度算出時間ＴＤおよび判定窓再設定時間ＴＲを記憶部２４から読み出す。車両密度算出部２３Ａは、単位時間ごとに算出された車両Ｃの密度における平均車両密度算出時間ＴＤでの平均値を算出する。詳細には、車両密度算出部２３Ａは、各画像において各判定窓での車両Ｃの密度を算出する。そして、平均車両密度算出時間ＴＤに応じた期間における車両密度の平均値を算出する。車両密度の平均値を含む車両密度情報ＤＤは、渋滞判定部２３Ｂに入力される。

なお、車両密度算出部２３Ａは、少なくとも１つの判定窓Ｗにおいて、車両Ｃの密度がゼロである状態、すなわち、判定窓Ｗ内に車両Ｃが存在しない状態が判定窓再設定時間ＴＲ以上継続した場合には、再設定指令ＣＲを生成して、判定窓生成部２２Ｂに出力する。これにより、車両密度算出部２３Ａは、判定窓生成部２２Ｂに新たな判定窓Ｗを生成させる。

渋滞判定部２３Ｂは、車両密度情報ＤＤを入力し、車両密度閾値ＴＨＤおよび渋滞判定時間ＴＪを記憶部２４から読み出す。渋滞判定部２３Ｂは、判定窓Ｗにおいて、車両密度の平均値が車両密度閾値ＴＨＤ以上である状態が渋滞判定時間ＴＪ以上継続した場合に、その判定窓Ｗにおいて渋滞が生じていると推定する。このように、渋滞判定部２３Ｂが渋滞を推定する条件には、車両密度の平均値が車両密度閾値ＴＨＤ以上である状態が渋滞判定時間ＴＪ以上継続することが含まれる。そして、渋滞判定部２３Ｂは、渋滞判定時間ＴＪ以上継続することが成立した場合に、判定窓Ｗにおいて渋滞が生じていると推定する。渋滞判定部２３Ｂによる判定結果情報ＤＲは、判定結果可視化部２３Ｃに入力される。

判定結果可視化部２３Ｃは、判定結果情報ＤＲ、および、時系列画像群ＧＰを入力する。判定結果可視化部２３Ｃは、判定結果情報ＤＲと時系列画像群ＧＰのうちの最新の画像とを用いて、判定結果を画像中において可視化した判定可視化ファイルＦを生成する。判定可視化ファイルＦは、例えば、判定対象である各判定窓Ｗ、および、各判定窓Ｗにおける渋滞の有無を可視化する。

判定結果可視化部２３Ｃは、判定窓Ｗにおける渋滞を推定した結果に応じて判定窓Ｗの表示状態を変更するように、表示部１２Ｂに渋滞を推定した結果を表示させる。詳細には、判定結果可視化部２３Ｃは、例えば、判定結果可視化部２３Ｃが生成する判定可視化ファイルＦには、判定窓Ｗを可視化するための情報が含まれる。また、判定可視化ファイルＦには、渋滞が生じている判定窓Ｗと、渋滞が生じていない判定窓Ｗとの表示状態が互いに異なるように表示するための情報が含まれる。具体的には、判定可視化ファイルＦには、判定窓Ｗの外形を表示するための情報が含まれる。また、判定可視化ファイルＦには、渋滞が生じている判定窓Ｗの外形が呈する色と、渋滞が生じていない判定窓Ｗの外形が呈する色とが互いに異なる色であるように表示するための情報が含まれる。

図５は、判定窓生成部２２ＢのＡＩ構成を示している。図５には、学習器がニューラルネットワーク（ＮＮ： Neural Network）である場合におけるＡＩ構成の一例を示している。

図５が示すように、判定窓生成部２２Ｂは、学習器３０を備えている。学習器３０は、入力層３１、複数の中間層（隠れ層）３２，３３、および、出力層３４を含んでいる。入力層３１は、複数の入力ノードＮ３１によって形成される。各中間層３２，３３は、複数の中間ノードＮ３２，Ｎ３３によって形成される。出力層３４は、複数の出力ノードＮ３４によって形成される。

ニューラルネットワークは、所定の演算を入力値に適用して出力値を演算するモデルである。図５が示す例では、学習器３０が２つの中間層３２，３３を備えているが、学習器３０は、１以上の中間層を備えることが可能である。すなわち、中間層３２と出力層３４との間には、学習器３０が備える中間層の数に応じたノードが介在してよい。

入力ノードＮ３１を中間ノードＮ３２に接続するエッジＥ、中間ノードＮ３２を中間ノードＮ３３に接続するエッジＥ、および、中間ノードＮ３３を出力ノードＮ３４に接続するエッジＥは、それぞれ独立に定められた重みを有する。各エッジＥが有する重みは、当該エッジＥの入力端であるノードの入力値に掛け合わせられ、これらが掛け合わせられた結果は、当該エッジＥの出力端であるノードに引き渡される。

各中間ノードＮ３２，Ｎ３３は、当該中間ノードＮ３２，Ｎ３３に引き渡された値を足し合わせる。各出力ノードＮ３４は、中間ノードＮ３２，Ｎ３３と同様に、当該出力ノードＮ３４に引き渡された値を足し合わせる。各中間ノードＮ３２，Ｎ３３は、当該中間ノードＮ３２，Ｎ３３において足し合わせられた値を、当該中間ノードＮ３２，Ｎ３３が有する活性化関数に適用することによって、当該中間ノードＮ３２，Ｎ３３の出力値を算出する。各出力ノードＮ３４は、当該出力ノードＮ３４において足し合わせられた値を、当該出力ノードＮ３４が有する活性化関数に適用することによって、当該出力ノードＮ３４の出力値を出力する。

各ノードＮ３２，Ｎ３３，Ｎ３４が有する活性化関数は、例えば、softmax関数、logistic関数、hyperbolic tangent関数、および、Rectifier Linear Unitなどである。各エッジＥが有する重みは、ニューラルネットワークの学習によって最適化される。

なお、学習器３０は、畳み込みニューラルネットワークを備えてもよい。畳み込みニューラルネットワークは、畳み込み層、プーリング層、および、全結合層を中間層として備える。畳み込み層は、入力に対して畳み込み処理を行う。プーリング層は、入力に対してプーリング処理を行う。全結合層は、全結合層を形成する各ノードと、全結合層の１つ前の層を形成する全てのノードとを結合する。

畳み込み処理は、二次元の入力全体にフィルタを適用する。フィルタは、所定サイズの二次元領域において、入力の特徴を凝縮する。フィルタは、畳み込みニューラルネットワークの学習によって更新される。すなわち、畳み込み処理は、二次元の入力全体において、入力の特徴を凝縮させて次の層に出力する。

プーリング処理は、畳み込み処理の次に行われる。プーリング処理は、所定サイズの二次元領域ごとに重要な要素を抽出することを、二次元の入力に適用する。重要な要素は、所定サイズの二次元領域における最大値、あるいは、所定サイズの二次元領域における平均値などである。

上述のように構成された判定窓生成部２２Ｂの学習器３０は、各車両ＩＤに関連付けられた車両Ｃの動線ＬＦを学習器３０に入力する。上述したように、動線ＬＦは、第１画像における車両Ｃの位置と、第２画像における車両Ｃの位置とから算出される二次元ベクトルである。さらに、学習器３０は、車両ＩＤが付された車両Ｃの台数分だけ、第１画像での車両Ｃの中央位置ＣＰと、第２画像での車両の中央位置ＣＰとの中点ＭＰを入力する。各車両Ｃの中央位置ＣＰは、各車両Ｃをフェレ径によって特定した四角形における中央位置である。これらの入力を用いて、学習器３０は、渋滞検知の対象である判定窓Ｗを生成する。

この際に、学習器３０は、各車両Ｃの動線ＬＦについて、自車両の各動線ＬＦと他車両の各動線ＬＦとの相互作用を各車両Ｃの中点ＭＰとともに考慮する。これによって、「同一方向に進む道路上での走行による動線ＬＦ」と推定される複数の動線ＬＦを共通する１つの経路に分類する。一方で、「同一方向に進まない道路上での走行による動線ＬＦ」と推定される動線ＬＦ同士を相互に異なる経路に分類する。すなわち、学習器３０は、動線ＬＦの分類器として機能する。

なお、例えば、大型車両の走行では、車線の変更が少ないこと、および、大型車両は通常車線を走行する頻度が高いことが、動線ＬＦの分類において考慮される。例えば、普通車両の走行では、車線の変更が多いこと、および、普通車両は追い越し車線を走行する頻度が高いことが、動線ＬＦの分類において考慮される。

また、学習器３０は、同一の経路に分類された動線群を１つの動線に統合し、相互に異なる経路に分類された動線群に含まれる各動線ＬＦを別々の動線として取り扱う。これによって、学習器３０は、画像空間における道路を推定する。すなわち、学習器３０は、動線ＬＦの分類に基づいて同一の分類に属する複数の動線ＬＦを統合する統合器として機能する。

また、学習器３０は、動線ＬＦを形成した車両Ｃの中点ＭＰを考慮し、統合された動線、および、別々に取り扱われた動線について、車両Ｃの中点ＭＰが中央位置に一致するように当該車両Ｃのフェレ径によって特定される四角形を当てはめ、かつ、統合された動線に含まれる全てのフェレ径によって特定される四角形の論理和を車両群が画像空間のなかで移動したと推定されるピクセル領域として定める。すなわち、学習器３０は、判定窓Ｗを生成する生成器として機能する。

なお、学習器３０は、上述したニューラルネットワーク以外であってよく、例えば、ＳＭＲ（Support Vector Regression）であってもよい。学習器３０は、教師あり学習、教師なし学習、ディープラーニング、および、強化学習のいずれかであってもよい。

［渋滞検知方法］
図６から図８を参照して渋滞検知方法を説明する。
図６は、渋滞検知処理の手順を示している。

図６が示すように、渋滞検知装置１１は、撮影部１１Ａが撮影した画像Ｐを取得し（ステップＳ１１）、車両閾値ＴＨＣを用いて画像Ｐ内に含まれる車両Ｃを検知し、検知した各車両Ｃに車両ＩＤを付与する（ステップＳ１２）。渋滞検知装置１１は、車両ＩＤが付与された車両Ｃをトラッキングする（ステップＳ１３）。次いで、渋滞検知装置１１は、時系列画像ＧＰの取得を開始してから判定窓設定時間ＴＳが経過したか否かを判断する（ステップＳ１４）。判定窓設定時間ＴＳが経過していない場合には（ステップＳ１４：ＮＯ）、渋滞検知装置１１は、画像取得（ステップＳ１１）、車両検知（ステップＳ１２）、および、トラッキング（ステップＳ１３）の処理を判定窓設定時間ＴＳが経過するまで継続する。

渋滞検知装置１１が、判定窓設定時間ＴＳが経過したと判断した場合には（ステップＳ１４：ＹＥＳ）、渋滞検知装置１１は、トラッキングによって得られた複数の位置から動線ＬＦを生成し（ステップＳ１５）、生成した動線ＬＦ分類する（ステップＳ１６）。そして、渋滞検知装置１１は、分類した動線ＬＦを同一の分類ごとに統合し（ステップＳ１７）、統合した動線に対して１つ以上の判定窓Ｗを設定する（ステップＳ１８）。次いで、渋滞検知装置１１は、判定窓Ｗごとの渋滞検知を行うことによって（ステップＳ１９）、当該処理を一旦終了する。なお、２つ以上の判定窓Ｗが設定された場合には、各判定窓ＷについてステップＳ１９の処理が行われる。

図７は、図６が示すフローチャートのステップＳ１９において行われる処理を示している。
図７が示すように、渋滞検知装置１１は、撮影部１１Ａが撮影した画像Ｐを取得し（ステップＳ２１）、車両閾値ＴＨＣを用いて画像Ｐ内に含まれる車両Ｃを検知する（ステップＳ２２）。なお、検知した車両Ｃの進行方向が判定窓Ｗを通過すべき車両Ｃの進行方向と異なる場合は、当該車両Ｃは検知すべき車両Ｃとはしない。渋滞検知装置１１は、平均車両密度算出時間ＴＤが経過したか否かを判断し（ステップＳ２３）、平均車両密度算出時間ＴＤが経過していない場合には（ステップＳ２３：ＮＯ）、渋滞検知装置１１、平均車両密度算出時間ＴＤが経過するまで、画像取得（ステップＳ２１）および車両検知（ステップＳ２２）を継続する。

渋滞検知装置１１が、平均車両密度算出時間ＴＤが経過したと判断した場合には（ステップＳ２３：ＹＥＳ）、渋滞検知装置１１は、各判定窓Ｗについて、平均車両密度算出時間ＴＤにおける車両密度の平均値を算出する（ステップＳ２４）。

次いで、渋滞検知装置１１は、算出した車両密度の平均値が車両密度閾値ＴＨＤ以上であるか否かを判断する（ステップＳ２５）。車両密度の平均値が車両密度閾値ＴＨＤ以上である場合には（ステップＳ２５：ＹＥＳ）、渋滞検知装置１１は、車両密度の平均値が車両密度閾値ＴＨＤ以上になった時点から渋滞判定時間ＴＪが経過したか否かを判断する（ステップＳ２６）。渋滞判定時間ＴＪが経過した場合には（ステップＳ２６：ＹＥＳ）、渋滞検知装置１１は、その判定窓Ｗについて渋滞が生じていることを示す判定結果情報ＤＲを生成する（ステップＳ２７）。次いで、渋滞検知装置１１は、渋滞検知処理を終了するか否かを判断し（ステップＳ２８）、渋滞検知処理を終了する場合には（ステップＳ２８：ＹＥＳ）、渋滞検知処理を終了する一方で、渋滞検知処理を終了しない場合には（ステップＳ２８：ＮＯ）、渋滞検知装置１１は、渋滞検知処理を画像取得の処理（ステップＳ２１）から繰り返す。

一方で、渋滞判定時間ＴＪが経過していない場合には（ステップＳ２６：ＮＯ）、渋滞検知装置１１は、その判定窓Ｗについて渋滞が生じていないことを示す判定結果情報ＤＲを生成する（ステップＳ３２）。次いで、渋滞検知装置１１は、渋滞検知処理を終了するか否かを判断し、渋滞検知処理を終了する場合には（ステップＳ２８：ＹＥＳ）、渋滞検知処理を終了する一方で、渋滞検知処理を終了しない場合には（ステップＳ２８：ＮＯ）、渋滞検知装置１１は、渋滞検知処理を画像取得の処理（ステップＳ２１）から繰り返す。

これに対して、車両密度の平均値が車両密度閾値ＴＨＤ未満である場合には（ステップＳ２５：ＮＯ）、渋滞検知装置１１は、車両密度の平均値が車両密度閾値ＴＨＤ以上である期間の計時をリセットする（ステップＳ３１）。そして、渋滞検知装置１１は、その判定窓Ｗについて渋滞が生じていないことを示す判定結果情報ＤＲを生成する（ステップＳ３２）。次いで、渋滞検知装置１１は、渋滞検知処理を終了するか否かを判断し（ステップＳ２８）、渋滞検知処理を終了する場合には（ステップＳ２８：ＹＥＳ）、渋滞検知装置１１は渋滞検知処理を終了する一方で、渋滞検知処理を終了しない場合には（ステップＳ２８：ＮＯ）、渋滞検知装置１１は渋滞検知処理を画像取得の処理（ステップＳ２１）から繰り返す。

なお、車両密度算出部２３Ａは、上述した渋滞検知処理とは別に、図８が示す再設定処理を行う。図８が示すように、車両密度算出部２３Ａは、車両情報生成部２２Ａが生成した車両情報ＤＣを車両Ｃの検知結果として取得し（ステップＳ４１）、各判定窓Ｗ内に車両Ｃが存在するか否かを判断する（ステップＳ４２）。少なくとも１つの判定窓Ｗ内に車両Ｃが存在しない場合には（ステップＳ４２：ＮＯ）、車両密度算出部２３Ａは、少なくとも１つの判定窓Ｗ内に車両が存在しないと判断された時点から、判定窓再設定時間ＴＲが経過したか否かを判断する（ステップＳ４４）。判定窓再設定時間ＴＲが経過した場合には（ステップＳ４４：ＹＥＳ）、車両密度算出部２３Ａは再設定指令ＣＲを生成する（ステップＳ４５）。車両密度算出部２３Ａが再設定指令ＣＲを生成すると、図６が示す画像取得処理（ステップＳ１１）から渋滞検知処理が再度行われる。これに対して、判定窓再設定時間ＴＲが経過していない場合には（ステップＳ４４：ＮＯ）、検知結果を取得する処理（ステップＳ４１）以降の処理が再び行われる。

一方で、全ての判定窓Ｗ内に車両Ｃ存在する場合には（ステップＳ４２：ＹＥＳ）、車両密度算出部２３Ａは、少なくとも１つの判定窓Ｗ内に車両Ｃが存在しない期間の計時をリセットする（ステップＳ４３）。そして、検知結果を取得する処理（ステップＳ４１）以降の処理が再び行われる。

［作用］
図９から図１３を参照して作用を説明する。なお、図９から図１３は、判定可視化ファイルＦに基づき監視センター１２の情報処理部１２Ａが生成した渋滞マップを表示部１２Ｂが表示した画像の一例を示している。また、図９から図１３に示される黒丸、白丸、および、黒四角は、車両Ｃをフェレ径によって特定した四角形における中央位置を示している。また、図９から図１３では、図示の便宜上、信号の図示が省略されている。

図９は、上下方向に延びる道路において、信号が交差点への進入禁止を示す一方で、左右方向に沿って延びる道路において、信号が交差点への進入許可を示している場合を示している。

図９が示すように、車両Ｃの進行が許可された左右方向に延びる道路Ｒでは、車両Ｃの検知結果に基づいて、判定窓Ｗが設定される。また、上下方向に延びる道路Ｒのうち、各車線では、交差点ＩＳよりも前の領域において車両Ｃが検知されるため、交差点ＩＳよりも前の領域に重なる判定窓Ｗが設定される。これに対して、各車線では、交差点ＩＳよりも後の領域において車両Ｃが検知されないため、交差点ＩＳよりも後の領域に重なる判定窓Ｗは設定されない。すなわち、図９が示す例は、図９において破線で示される車両Ｃが位置する領域には、実線で示される車両Ｃが位置する領域と同一のタイミングでは、判定窓Ｗが設定されないことを示している。

図１０は、推定対象の領域が交差点ＩＳを含む場合を示している。
図１０が示すように、上下方向に延びる片側１車線から構成される２車線の道路Ｒと、左右方向に延びる片側１車線から構成される２車線の道路Ｒとが交差点ＩＳを形成している。図１０が示す例では、左右方向に延びる２車線において、信号が交差点ＩＳへの進入禁止を示している。この場合には、例えば、上下方向に延びる一方の車線に重なる判定窓Ｗにおいて、渋滞が生じていることが推定される。一方で、それ以外の判定窓Ｗでは、渋滞が生じていないと推定される。

この際に、渋滞が生じていると推定された判定窓Ｗは、渋滞が生じていないと推定された判定窓Ｗとは異なる状態で表示される。例えば図１０では、渋滞が生じていると推定された判定窓Ｗは、太破線を用いて示される一方で、渋滞が生じていないと推定された判定窓Ｗは、二点鎖線を用いて示されている。

図１１は、撮影部１１Ａの撮影範囲が、図９が示す第１範囲から第２範囲にずれた場合を示している。
図１１において、細破線を用いて示される判定窓ＷＢが、撮影部１１Ａの撮影範囲が第１範囲であるときに設定された判定窓である。撮影範囲が第１範囲である場合には、細破線を用いて示される各判定窓ＷＢは、左右方向に延びる道路Ｒに重なる領域であったため、各判定窓ＷＢには少なくとも１つの車両Ｃが含まれていた。

これに対して、撮影範囲が第１範囲から第２範囲にずれた後においては、細破線を用いて示される各判定窓ＷＢは、道路Ｒ以外の領域に重なるため、全ての判定窓ＷＢにおいて車両Ｃが検知されないから、判定窓Ｗの再設定処理が行われる。これにより、二点鎖線を用いて示される判定窓Ｗであって、第２範囲を撮影した場合に適した判定窓Ｗが設定される。

図１２は、図９において上下方向に延びる道路Ｒが、片側１車線から構成される２車線の道路Ｒから片側２車線から構成される４車線の道路Ｒに路線拡張された場合を示している。なお、図１２は、上下方向に延びる道路Ｒが、４車線道路に路線拡張された直後において当該道路Ｒに対して設定されている判定窓Ｗを示している。

図１２が示すように、上下方向に延びる道路Ｒが片側２車線に路線拡張された場合には、拡張路線ＥＷではない道路Ｒにおいて、白丸が付された車両Ｃの進行方向と、判定窓Ｗを通過すべき車両Ｃの進行方向とが反対であるため、当該判定窓Ｗにおいて車両Ｃが検知されない。結果として、判定窓Ｗの再設定が必要であると判断される。なお、拡張路線ＥＷ上を走行する車両Ｃであって、黒四角が付された車両Ｃは、判定窓Ｗ以外の領域を走行しているため、黒四角が付された車両Ｃは渋滞検知の対象に含まれていない。

図１３は、図１２が示す路線拡張された道路Ｒに対して、新たな判定窓Ｗが設定された状態を示している。
図１３が示すように、判定窓Ｗが再設定されることによって、上下方向に延びる道路Ｒにおいて、片側２車線を含むような判定窓Ｗが設定される。これにより、拡張後の道路Ｒに適した判定窓Ｗが設定される。

以上説明したように、渋滞検知装置、渋滞検知システム、および、渋滞検知方法の一実施形態によれば、以下に記載の効果を得ることができる。
（１）車両Ｃの位置を示す時系列データから検知の対象である判定窓Ｗが生成されるため、撮影結果の変化に対する追従性を向上することが可能である。

（２）再設定指令ＣＲに基づいて判定窓Ｗが再設定されることによって、判定窓生成部２２Ｂが生成した判定窓Ｗには、車両Ｃが存在可能な判定窓Ｗが含まれやすくなるから、渋滞検知装置１１による渋滞の推定における効率が高くなる。

（３）渋滞推定部２３による渋滞の推定に平均車両密度算出時間ＴＤにわたる車両Ｃの密度が反映されるから、特定の時点における車両Ｃの密度から渋滞を推定する場合に比べて、推定の精度を高めることが可能である。

（４）車両密度閾値ＴＨＤ以上の平均車両密度が渋滞判定時間ＴＪにわたって継続された場合に判定窓Ｗにおいて渋滞が生じていると推定されるから、車両Ｃの密度が特定の時点において閾値を超えたときに渋滞が生じていると推定される場合に比べて、渋滞の推定における精度が高められる。

（５）車両Ｃの密度を用いることによって、判定窓Ｗにおける渋滞を推定することが可能である。
（６）判定窓Ｗの渋滞を推定した結果に応じて判定窓Ｗの表示状態が変更されるため、表示部１２Ｂが表示する内容から判定窓Ｗの渋滞を推定した結果が把握されやすい。

なお、上述した実施形態は、以下のように変更して実施することができる。
［混雑状況を示す指数］
・混雑状況を示す指数は、車両Ｃの密度に限らず、車両Ｃの移動速度、および、車両Ｃの通過台数であってもよい。これらを用いた場合であっても、車両Ｃの密度を用いた場合と同様に、判定窓Ｗにおける渋滞を推定することが可能である。また、混雑状況を示す指数には、車両Ｃの密度、車両Ｃの移動速度、および、車両Ｃの通過台数における２つ以上を用いてもよい。

［渋滞推定判定部］
・渋滞推定部２３は、平均車両密度算出時間ＴＤにおいて算出された車両密度が閾値以上である場合に、判定窓Ｗにおいて渋滞が生じていると判定してもよい。この場合であっても、上述した（３）に準じた効果を得ることはできる。

・渋滞推定部２３は、判定窓Ｗにおける渋滞の有無に限らず、例えば、各判定窓Ｗにおける渋滞の度合いを推定してもよい。この場合には、例えば、渋滞推定部２３は、平均車両密度の値に応じて渋滞の度合いを推定してよい。あるいは、渋滞推定部２３は、各判定窓Ｗにおいて渋滞が生じている確率を推定してもよい。この場合には、例えば、渋滞推定部２３は、平均車両密度の値に応じて渋滞が生じている確率を推定してもよい。これらのいずれの場合であっても、上述した（１）に準じた効果を得ることはできる。

［車両密度算出部］
・車両密度算出部２３Ａは、判定窓Ｗにおける車両Ｃの密度が、ゼロ以上の所定の閾値以下である場合に、再設定指令ＣＲを生成してもよい。この場合であっても、上述した（２）に準じた効果を得ることはできる。

・車両密度算出部２３Ａは、判定窓Ｗにおける車両Ｃの密度が閾値以下であることを条件として再設定指令ＣＲを生成しなくてもよい。この場合であっても、判定窓生成部２２Ｂが、時系列データから判定窓Ｗを生成することによって、上述した（１）に準じた効果を得ることはできる。

［判定結果可視化部］
・判定結果可視化部２３Ｃは、判定可視化ファイルＦに対して、渋滞を推定した結果を以下のように反映させてもよい。例えば、判定結果可視化部２３Ｃは、判定窓Ｗのうちで、渋滞が生じている判定窓Ｗに対して、渋滞を示す文字、数字、および、記号の少なくとも１つを付すことが可能な判定可視化ファイルＦを生成してもよい。あるいは、判定結果可視化部２３Ｃは、判定窓Ｗのうちで渋滞が生じている判定窓Ｗを可視化する一方で、渋滞が生じていない判定窓Ｗを可視化しないことが可能な判定可視化ファイルＦを生成してもよい。これらのいずれの場合であっても、表示部１２Ｂが渋滞の推定結果に応じて判定窓Ｗの表示状態を変えるから、上述した（６）に準じた効果を得ることはできる。

［渋滞検知装置］
・渋滞検知装置１１は撮影部１１Ａを備えなくてもよい。この場合には、渋滞検知装置１１は、渋滞検知装置１１に対して映像を提供することが可能な提供部から映像を入力することが可能であればよい。提供部は、例えば撮像装置であってよい。

［学習器］
・学習器３０は、判定窓Ｗを生成するように学習した学習器に限らず、判定窓Ｗを生成するように条件設定した学習器であってもよい。判定窓Ｗを生成するように条件設定した学習器は、例えばヒューリスティック手法を用いた条件設定を行う学習器であってよい。またあるいは、学習器は、判定窓Ｗを生成するように学習および条件設定の両方を行ってもよい。

［移動体］
・渋滞の推定対象である移動体は、上述した道路上を移動する車両Ｃに限らず、例えば、ベルトコンベア上を移動する運搬物でもよい。

１０…渋滞検知システム
１１…渋滞検知装置
１１Ａ…撮影部
１２…監視センター
１２Ａ…情報処理部
１２Ｂ…表示部
２１…車両検知モジュール
２２…動作推定部
２２Ａ…車両情報生成部
２２Ｂ…判定窓生成部
２３…渋滞推定部
２３Ａ…車両密度算出部
２３Ｂ…渋滞判定部
２３Ｃ…判定結果可視化部
２４…記憶部
３０…学習器
Ｃ…車両
Ｗ…判定窓

Claims (9)

1. 映像のなかで移動体の渋滞を検知するピクセル領域が判定窓であり、
   映像のなかで特定された移動体の位置を示す時系列データから前記判定窓を生成するように学習および条件設定の少なくとも一方を行った学習器を用いて新たな映像から当該映像の前記判定窓を生成する判定窓生成部と、
   前記判定窓生成部が生成した前記判定窓における前記移動体の混雑状況を示す指数を算出して前記判定窓生成部が生成した前記判定窓での前記移動体の渋滞を推定する渋滞推定部と、を備え、
   前記判定窓生成部は、前記時系列データに含まれる第１画像と第２画像とであって、時系列的に並ぶ前記第１画像と前記第２画像とにおいて、前記第１画像に含まれる前記移動体の位置と、前記第２画像に含まれる前記移動体の位置とに基づいて算出される２次元ベクトルである動線に基づいて前記判定窓を生成する
   渋滞検知装置。
2. 映像のなかで移動体の渋滞を検知するピクセル領域が判定窓であり、
   映像のなかで特定された移動体の位置を示す時系列データから前記判定窓を生成するように学習および条件設定の少なくとも一方を行った学習器を用いて新たな映像から当該映像の前記判定窓を生成する判定窓生成部と、
   前記判定窓生成部が生成した前記判定窓における前記移動体の混雑状況を示す指数を算出して前記判定窓生成部が生成した前記判定窓での前記移動体の渋滞を推定する渋滞推定部と、を備え、
   前記渋滞推定部は、前記判定窓において、前記移動体の前記指数が閾値以下である状態が前記判定窓の再設定時間以上継続した場合に、前記判定窓生成部に新たな前記判定窓を生成させる
   渋滞検知装置。
3. 前記渋滞推定部は、前記判定窓において、前記移動体の前記指数が閾値以下である状態が前記判定窓の再設定時間以上継続した場合に、前記判定窓生成部に新たな前記判定窓を生成させる
   請求項１に記載の渋滞検知装置。
4. 前記渋滞推定部は、前記判定窓について、単位時間ごとに算出された前記移動体の前記指数における算出時間での平均値から前記判定窓での前記移動体の前記渋滞を推定する
   請求項１から３のいずれか１項に記載の渋滞検知装置。
5. 前記渋滞推定部は、前記渋滞を推定する条件に、前記平均値が閾値以上であることが渋滞判定時間以上継続することを含み、
   前記渋滞推定部は、前記渋滞判定時間以上継続することが成立した場合に、前記判定窓において渋滞が生じていると推定する
   請求項４に記載の渋滞検知装置。
6. 前記混雑状況を示す前記指数は、前記移動体の密度、前記移動体の移動速度、および、前記移動体の通過数の少なくとも１つである
   請求項１から５のいずれか一項に記載の渋滞検知装置。
7. 請求項１から６のいずれか一項に記載の渋滞検知装置と、
   前記渋滞検知装置が前記渋滞を推定した結果を表示する表示部と、を備え、
   前記渋滞検知装置は、前記判定窓における前記渋滞を推定した結果に応じて前記判定窓の表示状態を変更するように、前記表示部に前記渋滞を推定した結果を表示させる
   渋滞検知システム。
8. 映像のなかで移動体の渋滞を検知するピクセル領域が判定窓であり、
   映像のなかで特定された移動体の位置を示す時系列データから前記判定窓を生成するように学習および条件設定の少なくとも一方を行った学習器を用いて新たな映像から当該映像の前記判定窓を生成することと、
   生成された前記判定窓における前記移動体の混雑状況を示す指数を算出して当該生成された前記判定窓での前記移動体の渋滞を推定することと、を含み、
   前記判定窓を生成することは、前記時系列データに含まれる第１画像と第２画像とであって、時系列的に並ぶ前記第１画像と前記第２画像とにおいて、前記第１画像に含まれる前記移動体の位置と、前記第２画像に含まれる前記移動体の位置とに基づいて算出される２次元ベクトルである動線に基づいて前記判定窓を生成することを含む
   渋滞検知方法。
9. 映像のなかで移動体の渋滞を検知するピクセル領域が判定窓であり、
   映像のなかで特定された移動体の位置を示す時系列データから前記判定窓を生成するように学習および条件設定の少なくとも一方を行った学習器を用いて新たな映像から当該映像の前記判定窓を生成することと、
   生成された前記判定窓における前記移動体の混雑状況を示す指数を算出して当該生成された前記判定窓での前記移動体の渋滞を推定することと、
   前記判定窓において、前記移動体の前記指数が閾値以下である状態が前記判定窓の再設定時間以上継続した場合に、新たな前記判定窓を生成することと、を含む
   渋滞検知方法。