JPH0755444A - 車種判別装置 - Google Patents

Abstract

(57)【要約】 【目的】本発明は、非接触なセンサにより情報を検出し
て容易に車種判別ができ、これと共に車の形状変化に応
じた学習・変更を行って車種判別を行う。 【構成】車(1) を側面から見たシルエット像から車(1)
に対する特徴量を特徴抽出演算部(6) により抽出し、こ
の特徴量に基づいてニューラルネットワーク演算部(7)
でその演算を実行して車種判別を行う。一方、ニューラ
ルネットワーク演算部(7) における荷重係数を、ニュー
ラルネットワーク係数学習部(8) により車(1) に対する
特徴量及び車の正解車種に基づいて学習によって設定す
る。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、車の車種を判別する車
種判別装置に関する。

【０００２】

【従来の技術】車の車種判別は、踏板や光通過センサを
用いて車の軸数、車幅、車高、車長、タイヤのシングル
／ダブル等の情報を検出し、これら情報に基づいて判定
木等を実行して判別を行っている。

【０００３】このような車種判別において車の軸数、車
幅は、踏板により検出しているが、この踏板は、道路に
埋設してタイヤとの接触により検出を行うものとなって
いる。このため、この踏板は、メンテナンスを行う作業
が大変なものとなっている。

【０００４】又、車種判別に用いる車幅、車高といった
情報では、判別の難しい車種がある。例えば、バスとト
ラックとの区別や届け出によって中型か普通のいずれか
に分類できる、例えば「ジープ」（クライスラー社登録
商標）の如きオフロードタイプの特殊車輌（以下、オフ
ロード特殊自動車と称する）とセダンのような乗用車と
の区別が困難となる。

【０００５】このような車種判別の現状にあって、非接
触な手段により車軸等の情報を検出し、かつ車の形状を
反映した情報を用いて車種判別を行うことが望まれてい
る。又、車は、その寸法や重量、軸数によって分類する
ことが明文化されているが、車の形状については一般に
そういう傾向があるといった程度の情報であり、時勢に
応じて流動的である。このようなことから車種判別を行
うための判定ルールは、容易に学習・変更できることが
必要である。

【０００６】

【発明が解決しようとする課題】以上のように踏板では
そのメンテナンス作業が大変であり、又、車幅、車高と
いった情報では、判別の難しい車種がある。さらに、車
の形状については、確定された情報はなく、時勢に応じ
て流動的である。

【０００７】そこで本発明は、非接触なセンサにより情
報を検出して車の形状を反映した情報を用いて車種判別
が容易にできる車種判別装置を提供することを目的とす
る。又、本発明は、非接触なセンサにより情報を検出し
て容易に車種判別ができ、これと共に車の形状変化に応
じた学習・変更を行って車種判別ができる車種判別装置
を提供することを目的とする。

【０００８】

【課題を解決するための手段】請求項１によれば、車を
側面から見たシルエット像を得るシルエット入力手段
と、このシルエット入力手段より得られたシルエット像
から車に対する特徴量を抽出する特徴抽出演算手段と、
この特徴抽出演算手段により抽出された特徴量を入力
し、多層から成るニューラルネットワークにより演算を
行って車の車種を判別するニューラルネットワーク演算
手段とを備えて上記目的を達成しようとする車種判別装
置である。

【０００９】請求項２によれば、車を側面から見たシル
エット像を得るシルエット入力手段と、このシルエット
入力手段より得られたシルエット像から車に対する特徴
量を抽出する特徴抽出演算手段と、この特徴抽出演算手
段により抽出された特徴量を入力し、多層から成るニュ
ーラルネットワークにより演算を行って車の車種を判別
するニューラルネットワーク演算手段と、特徴抽出演算
手段により抽出された特徴量及び車の正解車種に基づい
てニューラルネットワーク演算手段における荷重係数を
学習によって設定するニューラルネットワーク係数学習
手段とを備えて上記目的を達成しようとする車種判別装
置である。

【００１０】

【作用】請求項１によれば、車を側面から見たシルエッ
ト像を得ると、このシルエット像から車に対する特徴量
を抽出し、この特徴量をニューラルネットワークの層に
入力し、ニューラルネットワーク演算を行って車種判別
を行う。

【００１１】請求項２によれば、車を側面から見たシル
エット像を得ると、このシルエット像から車に対する特
徴量を抽出し、この特徴量をニューラルネットワークの
層に入力して車種判別を行う場合、ニューラルネットワ
ーク演算における荷重係数は、車に対する特徴量及び車
の正解車種に基づき学習によって設定している。

【００１２】

【実施例】以下、本発明の一実施例について図面を参照
して説明する。図１は車種判別装置の構成図である。車
１の走行する進入路２の両側には、シルエット入力器３
が鉛直方向に配置され、かつ車通過位置検出器４が進入
路２に沿って配置されている。

【００１３】このうちシルエット入力器３は、投光側光
センサ群３ａと受光側光センサ群３ｂとを、進入路２を
介して対向配置したもので、投光側光センサ群３ａには
複数の各投光器Ｑ１〜Ｑｎが所定間隔ごとに配置され、
受光側光センサ群３ｂには各投光器Ｑ１〜Ｑｎと対向す
る位置に複数の受光器が配置されている。なお、これら
投光器及び受光器とにより光センサが形成されている。

【００１４】又、車通過位置検出器４は、投光側光セン
サ群４ａと受光側光センサ群４ｂとを、進入路２を介し
て対向配置したもので、投光側光センサ群４ａには複数
の各投光器Ｅ１〜Ｅｍが所定間隔ごとに配置され、受光
側光センサ群４ｂには各投光器Ｅ１〜Ｅｍと対向する位
置に複数の受光器が配置されている。

【００１５】なお、投光側及び受光側の各光センサ群４
ａ、４ｂは、それぞれ投光側及び受光側の各光センサ群
３ａ、３ｂに対して車１の進入方向と逆方向に突出して
数個の光センサ（例えばＥ１、Ｅ２）が配置されてい
る。この部分に配置されている光センサのうち最も端部
にある光センサ（Ｅ１）は、車１の進入検知用として用
いられている。例えば、この光センサ（Ｅ１）の光が遮
光されたとき、車１が進入したと検知し、このときから
シルエット入力器３における検出を開始するものとなっ
ている。

【００１６】そして、シルエット入力器３のうち受光側
光センサ群３ｂには、シルエットメモリ５が接続されて
いる。ここで、車１を側面から見たシルエット像は、シ
ルエットメモリ５に記憶されるが、このときのシルエッ
ト像は、シルエット入力器３の各光センサにおいて、車
１によって遮光された部分「１」と、光を受光する部分
（通光部分）「０」から成る２値の一次元データを取り
込むことにより作成される。このとき受光側光センサ群
３ｂから一次元データを取り込むタイミングは、車通過
位置検出器４から出力されるサンプリング信号ＳＡに従
って一定長さごとに行うものとなっている。

【００１７】一方、特徴抽出演算部６は、シルエットメ
モリ５に記憶されたシルエット像から車１に対する特徴
量、例えば図２に示すように第１軸までのシルエット面
積Ｓｍ、オーバハング部の平均地上高さｙmo、バックミ
ラー相当部分の長さｘr 、車軸数Ｎを抽出する機能を有
している。

【００１８】ニューラルネットワーク演算部７は、特徴
抽出演算部６により抽出された特徴量であるシルエット
面積Ｓｍ、オーバハング部の平均地上高さｙmo、バック
ミラー相当部分の長さｘr 、車軸数Ｎを入力し、図３の
構造図に示すように入力層、中間層、出力層から成るニ
ューラルネットワークにより演算を行って車の車種を判
別する機能を有している。

【００１９】ニューラルネットワーク係数学習部８は、
特徴抽出演算部７により抽出された特徴量及び車１の正
解車種に基づいてニューラルネットワーク演算部７にお
ける荷重係数を学習によって設定する機能を有してい
る。

【００２０】次に上記の如く構成された装置の作用につ
いて説明する。車１が、進入路２上に矢印（イ）方向に
進入し、光センサ（Ｅ１）において光が遮光されると、
シルエット入力器３は、このときからシルエット入力器
３は検出動作を開始する。

【００２１】すなわち、シルエット入力器３は、各光セ
ンサ（Ｑ１〜Ｑｎ）において車１によって遮光された部
分「１」と、通光部分「０」が生じ、これらの２値の一
次元データとして出力する。そして、この一次元データ
が、車通過位置検出器４から出力されるサンプリング信
号ＳＡに従って一定間隔ごとにシルエットメモリ５に取
り込まれる。

【００２２】従って、シルエットメモリ５には、車１を
側面から見た鉛直方向の一次元のシルエットを、車１の
前から後ろ（ｘ軸方向）に向かって所定間隔ごとにサン
プリングして得た車１全体のシルエット像が記憶され
る。

【００２３】ここで、車１としてトラックが通過したも
のとし、以下、シルエットメモリ５に図２に示すような
トラックのシルエット像が記憶された場合について説明
する。

【００２４】特徴抽出演算部６は、かかるシルエット像
から車１に対する特徴量、つまり図２に示す第１軸まで
のシルエット面積Ｓｍ、オーバハング部の平均地上高さ
ｙmo、バックミラー相当部分の長さｘr 、車軸数Ｎを抽
出する。

【００２５】ここで、これら特徴量の抽出方法について
説明する。 処理(1) 読み込まれる各一次元のシルエット像において、最下点
の光センサ（Ｑ１）に相当するｙ方向最下位置データ
を、車１台分のシルエット像全体について順次調べ、通
光部分「０」から遮光部分「１」に変化する各変化点ｘ
si（ｉ＝１〜Ｎ）、逆に遮光部分「１」から通光部分
「０」に変化する各変化点ｘei（ｉ＝１〜Ｎ）を得る。

【００２６】この処理中ｉ＝１に当たる各変化点ｘs1、
ｘe1の対が得られたとき、これら変化点ｘs1、ｘe1が第
１軸のタイヤのエッジに相当し、第１軸の位置ｘm1 xm1＝（ｘs1＋ｘe1）／２ …(1) を得る。

【００２７】又、シルエット像全体について調べたと
き、各変化点ｘsi（ｉ＝１〜Ｎ）と各変化点ｘeiとの対
の総数が、車１の総軸数Ｎとなる。 処理(2) 読み込まれる各一次元のシルエット像において、車１の
バックミラーの存在するところの所定の高さ範囲、例え
ば１ｍ〜２．５ｍに相当するシルエット像のｙ方向範囲
について、順次ヒストグラムを作成し、このヒストグラ
ムにおいて所定の頻度以上得られた場合、その位置をｘ
mirrorとして記憶する。

【００２８】この処理を、次の処理(3) における車１の
正面位置ｘfront が得られるまで実行し、バックミラー
相当部分の長さｘr ｘr ＝ｘfront −ｘmirror …(2) として算出し記憶する。

【００２９】処理(3) 読み込まれる各一次元のシルエット像において、車正面
の存在する高さ範囲、例えば地上から１ｍまでの範囲に
ついて順次ヒストグラムを作成し、このヒストグラムに
おいて所定の頻度以上得られた場合、その位置を車の正
面位置ｘfrontとして記憶し、これと共にこの処理を終
了する。

【００３０】処理(4) この処理(4) は、処理(3) が終了すると同時に開始する
もので、読み込まれる各一次元のシルエット像におい
て、所定の高さ範囲、例えば地上から８０ｃｍまでの間
について、通光部分「０」をカウントしたヒストグラム
を順次作成し、これらをｈj （ｊ＝１〜ｍ）とすると
き、ｍまでのヒストグラムの積和Ｓｈｍ

【００３１】

【数１】 を順次記憶する。

【００３２】このヒストグラムの積和Ｓｈｍ を記憶す
る作業は、処理(1) で変化点（第１軸タイヤにおいて地
上と接する前方位置）ｘs1が得られるまで続けられ、こ
の接地位置ｘs1から所定の長さｋだけ前方位置ｍo ｍo ＝ｍ−ｋ …(4) までのヒストグラム積和Ｓｈmoに対し、その平均高さｙ
mo ｙmo＝Ｓｈmo／ｍo …(5) を算出する。

【００３３】処理(5) 読み込まれる各一次元のシルエット像において、このシ
ルエット像全体について遮光部分「１」をカウントして
ヒストグラムｌ_{j=1 t} を順次作成し、その積和Ｓｔ

【００３４】

【数２】 を順次記憶する。

【００３５】この作業を処理(1) のうち変化点ｘe1が求
まるまで実行し、処理(1) で得られた第１軸の位置ｘm1
までの積和Ｓm1を得る。この結果、車頭部のシルエット
面積Ｓm1が得られる。

【００３６】なお、以上の処理(1) 〜(5) は、シルエッ
ト像の読み込みとともに処理(1) 〜(3) が開始され、か
つ必要に応じて処理(1) から処理(5) が終了、又は開始
される。最終的に処理(1) がシルエット像全体の入力を
待って終了する。

【００３７】次にニューラルネットワーク演算部７は、
特徴抽出演算部６により抽出されたシルエット面積Ｓ
ｍ、オーバハング部の平均地上高さｙmo、バックミラー
相当部分の長さｘr 、車軸数Ｎを入力し、ニューラルネ
ットワークにより演算を行って車の車種を判別する。

【００３８】すなわち、ニューラルネットワークは、図
３に示すように入力層にＡｉ（ｉ＝１〜４）の４個のニ
ューロンを持ち、中間層にＢｊ（ｊ＝１〜８）の８個の
ニューロンを持ち、かつ出力層に判別車種・形状に対応
した出力を得るＣ1 〜Ｃ7 の７個のニューロンを持って
いる。

【００３９】このうち、入力層の各ニューロンＡｉ（ｉ
＝１〜４）には、ニューロンＡ1 にシルエット面積Ｓm1
が入力し、ニューロンＡ2 に平均地上高さｙmoが入力
し、ニューロンＡ3 にバックミラー部分の高さｘr が入
力し、ニューロンＡ4 に車の総軸数Ｎが入力する。

【００４０】一方、これらニューロンＡｉ（ｉ＝１〜
４）の出力をａi （ｉ＝１〜４）とするとき、これら出
力ａi は、各特徴量を「０」〜「１」までの間の値に正
規化したものとなる。例えば、シルエット面積Ｓm1であ
れば、 ａ1 ＝Ｓm1／９ｍ² …(7) を演算し、ａ1 ＞１．０の場合は、ａ1 ＝１．０とする
ような正規化を行う。

【００４１】次に、中間層の各ニューロンＢｊ（ｊ＝１
〜８）では、に入力層の出力ａi （ｉ＝１〜４）に各接
続線の荷重係数Ｗoji （ｊ＝１〜８、ｉ＝１〜４）を乗
じた積和

【００４２】

【数３】 がニューロンＢｊの入力となる。一方、これらニューロ
ンＢｊの出力ｂｊは、入力を「０」〜「１」の間に正規
化する関数ｆ(t) により

【００４３】

【数４】 を出力する。

【００４４】ここで、θｊは中間層のしきい値であり、
ｆ(t) は例えば ｆ(t) ＝１／（１＋ｅ^-t） …(11) を用いる。出力層のニューロンＣｋ（ｋ＝１〜７）で
は、中間層の出力ｂｊ（ｊ＝１〜８）に各接続線の荷重
係数Ｗ1kj （ｋ＝１〜７、ｊ＝１〜８）を乗じた積和

【００４５】

【数５】 がニューロンＣｋの入力となる。出力層のニューロンＣ
ｋの出力は、中間層と同様に

【００４６】

【数６】 となる。ここで、θｋは出力層のしきい値である。

【００４７】ここで、出力層の出力Ｃｋは、入力データ
ａ1 〜ａ4 が車種１（普通乗用車）の特徴を持つ場合、
出力Ｃ1 が「１」に近い値をとり、その他の出力Ｃ2 〜
Ｃ7が「０」に近い値をとる。

【００４８】又、入力データａ1 〜ａ4 が車種２（大型
自動車）の特徴を持つ場合、出力Ｃ2 が「１」に近い値
をとり、その他の出力Ｃ1 、Ｃ3 〜Ｃ7 が「０」に近い
値をとる。

【００４９】以下、同様にして、車種３（大型特殊自動
車）の場合は、出力Ｃ3 のみが「１」に近い値をとると
ともにその他の出力は「０」に近い値をとり、車種４
（中型車）の場合は、出力Ｃ4 のみが「１」に近い値を
とるとともにその他の出力は「０」に近い値をとり、車
種５（軽自動車）の場合は、出力Ｃ5 のみが「１」に近
い値をとるとともにその他の出力は「０」に近い値をと
り、オフロード特殊自動車の型に近い車の場合は出力Ｃ
6 のみが「１」に近い値をとるとともにその他の出力は
「０」に近い値をとり、大型バスの場合は出力Ｃ7 のみ
が「１」に近い値をとるとともにその他の出力は「０」
に近い値をとるように荷重係数を与えることができる。

【００５０】従って、車種判別は、出力Ｃｋのうち最も
値の大きいものが所定のしきい値、例えば０．９５を越
える場合に、その出力Ｃｋにより代表する車種を判別車
と決定する。

【００５１】次にニューラルネットワーク係数学習部８
は、バックプロパゲーションアルゴリズムを実行し、特
徴抽出演算部７により抽出された特徴量及び車１の正解
車種に基づいてニューラルネットワーク演算部７におけ
る荷重係数Ｗoji 、Ｗ1kj を学習によって設定する。

【００５２】上記の如く学習に必要な特徴量は特徴抽出
演算部７により供給され、かつ正解を示す出力Ｃｋの期
待値Ｃｋ´のパターンはオペレータ（人間）より供給さ
れる。

【００５３】これら荷重係数Ｗoji 、Ｗ1kj の学習は、
図４に示す学習流れ図に従って行われる。ステップ＃１
において、学習の初期値、すなわち、学習係数ε、モー
メンタム係数αの設定、荷重係数Ｗoji 、Ｗ1kj の初期
値の設定を行う。

【００５４】次にステップ＃２において、学習データを
用意する。すなわち、学習に用いる車の特徴量、すなわ
ちシルエット面積Ｓｍ、オーバハング部の平均地上高さ
ｙmo、バックミラー相当部分の長さｘr 、車軸数Ｎと対
応する正確車種を、出力層の出力Ｃｋのパターンに応じ
て表現した「１」と「０」のパターンをＣｋ´（ｋ＝１
〜７）として用意する。

【００５５】なお、初めて学習する場合はその全ての車
の数のデータ対を、又、既に学習が終了している場合は
既学習分のデータ対も含めて用意する。そして、集まっ
たデータ対の数をＮとする。

【００５６】次にステップ＃３において学習回数ｌをｌ
＝１とし、次のステップ＃４において学習対象のデータ
対の番号ｎをｎ＝１とする。次にステップ＃５におい
て、学習番号ｎのデータについてニューラルネットワー
クの演算を実行する。すなわち、

【００５７】

【数７】 を演算する。

【００５８】ここで、荷重係数｛Ｗoji ｝_l-1 、｛Ｗ1k
j ｝_l-1 の数値ｌ−１は、ｌ−１回目の学習において確
定した係数を意味し、ｌ−１＝０のときは初期値がこれ
に相当する。

【００５９】次にステップ＃６において、ｎ番目のデー
タについて演算された出力Ｃｋについて、対応する期待
値Ｃｋ´との間で、 Ｃｋ＝Ｃｋ−Ｃｋ´ …(17) ｛Ｅｋ｝_n ＝Ｃｋ＊Ｃｋ （ｋ＝１〜７） …(18) を演算し、記憶する。なお、｛Ｅｋ｝_n は、ｎ番目のデ
ータについてのｋ番目の出力の誤差の２乗値を表す。

【００６０】次にステップ＃７において、ｎ番目のデー
タについて ｕｋ＝Ｃｋ＊（１−Ｃｋ） …(19) ｄ_-Ｃｋ＝Ｃｋ＊ｕｋ …(20) d_-｛Ｗ1kj ｝_l ＝−ε＊ｄ_-Ｃｋ＋α＊ｄ_-｛Ｗ1kj ｝_l-1 …(21) を演算し、ｌ回目の学習での確定荷重係数 ｛Ｗ1kj ｝_l ＝｛Ｗ1kj ｝_l-1 ＋ｄ_-｛Ｗ1kj ｝_l …(22) を得る。次にステップ＃８において、ｎ番目のデータに
ついて、

【００６１】

【数８】

【００６２】 ｖｊ＝ｂｉ＊（１−ｂｉ） …(24) ｄ_-ｅｊ＝ｅｊ＊ｖｊ …(25) ｄ_-｛Ｗ0ji ｝_l ＝−ε＊ｄ_-ｅｊ＋α＊ｄ_-｛Ｗ0ji ｝_l-1 …(26) を演算し、ｌ回目の学習での確定荷重係数 ｛Ｗ0ji ｝_l ＝｛Ｗoji ｝_l-1 ＋ｄ_-｛Ｗoji ｝_l …(27) を得る。

【００６３】次にステップ＃９おいて、データ番号ｎを
「１」増し、ｎ＞Ｎであれば、次のステップ＃１０に進
み、ｎ≦Ｎのときはステップ＃５に戻る。ステップ＃１
０において、ｋ＊Ｎ個、ｋ＝７のときは７＊Ｎ個のニュ
ーラルネットワークの計算値と期待値との差の２乗値の
｛Ｅｋ｝_n について、期待値が１であるものについて
は、所定の合格値、例えば０．０５以下、又、期待値が
０であるものについては所定の合格値、例えば０．３以
下であることを調べ、全てが満足されていれば、学習を
終了する。

【００６４】又、これらを満足しなければ、学習回数ｌ
を「１」増してステップ＃４に戻る。以上のステップ＃
１〜＃１０の実行により、車種判別に利用できる荷重係
数Ｗoji 、Ｗ1kj が求まる。

【００６５】このように上記一実施例においては、車を
側面から見たシルエット像から車に対する特徴量を抽出
し、この特徴量に基づいてニューラルネットワーク演算
を実行して車種判別を行い、かつニューラルネットワー
ク演算における荷重係数を、車に対する特徴量及び車の
正解車種に基づいて学習によって設定するようにしたの
で、車に対して非接触により車種判別に用いる車のシル
エット像等の全てのデータを入力でき、車による踏板等
の判別装置の破損を回避できる。

【００６６】又、シルエット像の特徴量に基づいてニュ
ーラルネットワーク演算するので、普通自動車や大型自
動車等に加えて、従来車種判別できなかったオフロード
特殊自動車型、バス型の車の車種判別ができる。

【００６７】そのうえ、ニューラルネットワーク出力層
の出力Ｃｋ以外の異種形状の車を判別する必要がある場
合には、ニューラルネットワークの構造を容易に変更で
きるので、異種形状の車に対しても容易に対応できる。
従って、設置した道路における通行車の特徴に応じてニ
ューラルネットワーク構造の変更が学習により可能であ
る。

【００６８】なお、本発明は、上記一実施例に限定され
るものでなくその要旨を変更しない範囲で変形してもよ
い。例えば、ニューラルネットワーク演算部７の入力層
に対する入力として、シルエット面積Ｓｍ、オーバハン
グ部の平均地上高さｙmo、バックミラー相当部分の長さ
ｘr 、車軸数Ｎを用いているが、これに限らずシルエッ
ト像から得られる特徴量で車の判別に有効に作用するも
のであれば、その特徴量を用いてもよい。又、これと共
に出力層の数も車種判別数に応じて変更してもよい。

【００６９】

【発明の効果】以上詳記したように本発明によれば、非
接触なセンサにより情報を検出して車の形状を反映した
情報を用いて車種判別が容易にできる車種判別装置を提
供できる。

【００７０】又、本発明によれば、非接触なセンサによ
り情報を検出して容易に車種判別ができ、これと共に車
の形状変化に応じた学習・変更を行って車種判別ができ
る車種判別装置を提供できる。

【図面の簡単な説明】

【図１】本発明に係わる車種判別装置の一実施例を示す
構成図。

【図２】同装置より得られる車のシルエット像を示す
図。

【図３】同装置におけるニューラルネットワーク演算部
の構造図。

【図４】同装置における学習流れ図。

【符号の説明】

１…車、２…進入路、３…シルエット入力器、４…車通
過位置検出器、５…シルエットメモリ、６…特徴抽出演
算部、７…ニューラルネットワーク演算部、８…ニュー
ラルネットワーク係数学習部。

Claims (2)

【特許請求の範囲】
1. 【請求項１】 車を側面から見たシルエット像を得るシ
   ルエット入力手段と、 このシルエット入力手段より得られたシルエット像から
   前記車に対する特徴量を抽出する特徴抽出演算手段と、 この特徴抽出演算手段により抽出された特徴量を入力
   し、多層から成るニューラルネットワークにより演算を
   行って前記車の車種を判別するニューラルネットワーク
   演算手段と、を具備したことを特徴とする車種判別装
   置。
2. 【請求項２】 車を側面から見たシルエット像を得るシ
   ルエット入力手段と、 このシルエット入力手段より得られたシルエット像から
   前記車に対する特徴量を抽出する特徴抽出演算手段と、 この特徴抽出演算手段により抽出された特徴量を入力
   し、多層から成るニューラルネットワークにより演算を
   行って前記車の車種を判別するニューラルネットワーク
   演算手段と、 前記特徴抽出演算手段により抽出された特徴量及び前記
   車の正解車種に基づいて前記ニューラルネットワーク演
   算手段における荷重係数を学習によって設定するニュー
   ラルネットワーク係数学習手段と、を具備したことを特
   徴とする車種判別装置。