JPH08145826A - 時系列圧力分布画像による動物体属性識別装置 - Google Patents
時系列圧力分布画像による動物体属性識別装置Info
- Publication number
- JPH08145826A JPH08145826A JP28169394A JP28169394A JPH08145826A JP H08145826 A JPH08145826 A JP H08145826A JP 28169394 A JP28169394 A JP 28169394A JP 28169394 A JP28169394 A JP 28169394A JP H08145826 A JPH08145826 A JP H08145826A
- Authority
- JP
- Japan
- Prior art keywords
- time
- pressure distribution
- series
- pressure
- distribution image
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Force Measurement Appropriate To Specific Purposes (AREA)
- Image Processing (AREA)
Abstract
(57)【要約】
【目的】ある場所を通過する動物体の属性を，安定して
高精度に識別できる装置を提供する。 【構成】物体が通過するときの圧力センサ部２の出力か
ら２次元圧力分布を時系列に取り込み，それらの時系列
圧力分布画像について重畳圧力分布画像をもとに位置の
正規化を行い，時系列圧力分布画像の各時刻の圧力分布
形状の特徴を抽出して，学習時には辞書データ格納部８
に登録しておく。識別時には，未知物体の入力に対して
同様に抽出した時系列圧力分布画像の特徴と，辞書デー
タとを時間正規化した上で照合して最も近いものを識別
結果とする。
高精度に識別できる装置を提供する。 【構成】物体が通過するときの圧力センサ部２の出力か
ら２次元圧力分布を時系列に取り込み，それらの時系列
圧力分布画像について重畳圧力分布画像をもとに位置の
正規化を行い，時系列圧力分布画像の各時刻の圧力分布
形状の特徴を抽出して，学習時には辞書データ格納部８
に登録しておく。識別時には，未知物体の入力に対して
同様に抽出した時系列圧力分布画像の特徴と，辞書デー
タとを時間正規化した上で照合して最も近いものを識別
結果とする。
Description
【０００１】
【産業上の利用分野】本発明は装置上を通過する動物体
の属性を識別する，または通過した動物体の同一，不同
一を判定する装置であって，特に圧力センサから得られ
た時系列圧力分布画像に基づく照合を行う動物体属性識
別装置に関するものである。
の属性を識別する，または通過した動物体の同一，不同
一を判定する装置であって，特に圧力センサから得られ
た時系列圧力分布画像に基づく照合を行う動物体属性識
別装置に関するものである。
【０００２】
【従来の技術】動物体の属性を識別するための従来の技
術の多くは，ＴＶカメラから取得された画像を使用した
ものであった。圧力センサの使用は，医療などの一部用
途において医師が患者の足圧力分布などを測定する道具
として使用されているが，自動的な属性の入出力を目的
とした技術開発は行われていない。
術の多くは，ＴＶカメラから取得された画像を使用した
ものであった。圧力センサの使用は，医療などの一部用
途において医師が患者の足圧力分布などを測定する道具
として使用されているが，自動的な属性の入出力を目的
とした技術開発は行われていない。
【０００３】
【発明が解決しようとする課題】ＴＶカメラにより取得
された画像を使用して属性識別を行う方法には，画像の
収録条件，具体的には照明条件，撮影角度などによって
得られる画像が安定しないため，限られた条件下でしか
使用できないという問題点があった。
された画像を使用して属性識別を行う方法には，画像の
収録条件，具体的には照明条件，撮影角度などによって
得られる画像が安定しないため，限られた条件下でしか
使用できないという問題点があった。
【０００４】本発明は上記問題点の解決を図り，照明条
件や撮影角度などの収録条件に影響されないで安定して
高精度に動物体の属性を識別することができる装置を提
供することを目的とする。
件や撮影角度などの収録条件に影響されないで安定して
高精度に動物体の属性を識別することができる装置を提
供することを目的とする。
【０００５】
【課題を解決するための手段】上記の目的を達成するた
め，本発明の時系列圧力分布画像による動物体属性識別
装置は，圧力センサと，その圧力センサの出力する足圧
分布を取り込む手段と，取り込んだ足圧分布から時系列
の圧力分布値と形状の特徴を抽出する手段と，その時系
列圧力分布の特徴を照合データと比較することにより類
似度を算出する手段とを有する構成を基本とする。
め，本発明の時系列圧力分布画像による動物体属性識別
装置は，圧力センサと，その圧力センサの出力する足圧
分布を取り込む手段と，取り込んだ足圧分布から時系列
の圧力分布値と形状の特徴を抽出する手段と，その時系
列圧力分布の特徴を照合データと比較することにより類
似度を算出する手段とを有する構成を基本とする。
【０００６】また，請求項２の発明では，特に，圧力分
布センサの圧力分布値の一定値以下の出力をノイズとし
て除去する前処理を付加した構成とする。また，請求項
３の発明では，特に，特徴ベクトルの正規化を行う手段
を付加した構成とする。
布センサの圧力分布値の一定値以下の出力をノイズとし
て除去する前処理を付加した構成とする。また，請求項
３の発明では，特に，特徴ベクトルの正規化を行う手段
を付加した構成とする。
【０００７】また，請求項４の発明では，特に，時系列
圧力分布画像の足型形状の位置正規化を，重畳圧力分布
画像をもとに行う手段を付加した構成とする。また，請
求項５の発明では，特に，時系列圧力分布画像の足型形
状を多重解像度表現し，各解像度に対して異なる重み係
数を掛けて特徴ベクトルを算出する手段を付加した構成
とする。
圧力分布画像の足型形状の位置正規化を，重畳圧力分布
画像をもとに行う手段を付加した構成とする。また，請
求項５の発明では，特に，時系列圧力分布画像の足型形
状を多重解像度表現し，各解像度に対して異なる重み係
数を掛けて特徴ベクトルを算出する手段を付加した構成
とする。
【０００８】また，請求項６の発明では，特に，時系列
中の特徴的な時刻をもとに分割した区間毎に時間方向の
正規化を行う手段を付加した構成とする。
中の特徴的な時刻をもとに分割した区間毎に時間方向の
正規化を行う手段を付加した構成とする。
【０００９】
【作用】本発明によれば，圧力センサにより感知した圧
力分布画像の時系列をもとに識別を行うので，所定の通
過位置に置かれた圧力センサ上を通過した動物体の属性
の識別または同一，不同一の判定を，照明などの環境条
件に影響されないで安定に行うことができる。
力分布画像の時系列をもとに識別を行うので，所定の通
過位置に置かれた圧力センサ上を通過した動物体の属性
の識別または同一，不同一の判定を，照明などの環境条
件に影響されないで安定に行うことができる。
【００１０】特に，請求項２の発明の場合，圧力センサ
の出力値において例えば通常の人間の足圧の最大値に対
して１.5％〜４％をしきい値として，それ以下の出力値
を足の引きずり等によるノイズとして除去することによ
り，識別精度を高くすることができる。
の出力値において例えば通常の人間の足圧の最大値に対
して１.5％〜４％をしきい値として，それ以下の出力値
を足の引きずり等によるノイズとして除去することによ
り，識別精度を高くすることができる。
【００１１】また，請求項３の発明の場合，平均圧力値
が一定となるように照合対象の正規化を行うので，複数
の圧力センサを用いる場合の個体差の影響や圧力センサ
の経年変化の影響を軽減することができる。また，例え
ば人間の個人同定に用いた場合などに，荷物を持ったと
きと荷物を持たないときの識別ミスを少なくすることが
できる。
が一定となるように照合対象の正規化を行うので，複数
の圧力センサを用いる場合の個体差の影響や圧力センサ
の経年変化の影響を軽減することができる。また，例え
ば人間の個人同定に用いた場合などに，荷物を持ったと
きと荷物を持たないときの識別ミスを少なくすることが
できる。
【００１２】また，請求項４の発明の場合，重畳圧力分
布画像を用いて，時系列圧力分布画像についての位置の
正規化を行うことにより，センサ内での足の位置の変動
によるマッチングの不安定さを原因とする識別ミスを軽
減することができる。
布画像を用いて，時系列圧力分布画像についての位置の
正規化を行うことにより，センサ内での足の位置の変動
によるマッチングの不安定さを原因とする識別ミスを軽
減することができる。
【００１３】また，請求項５の発明の場合，得られた時
系列圧力分布画像をモザイク化により多重解像度表現
し，複数の解像度の結果から特徴ベクトルを算出するの
で，局所的なノイズや出力値のゆらぎの影響をなくして
高精度で識別することが可能になる。
系列圧力分布画像をモザイク化により多重解像度表現
し，複数の解像度の結果から特徴ベクトルを算出するの
で，局所的なノイズや出力値のゆらぎの影響をなくして
高精度で識別することが可能になる。
【００１４】また，請求項６の発明の場合，時系列中の
特徴的な時刻により分割した一定数の区間毎に時間方向
の伸縮を行うので，時間の正規化を精度よく行うことが
できる。
特徴的な時刻により分割した一定数の区間毎に時間方向
の伸縮を行うので，時間の正規化を精度よく行うことが
できる。
【００１５】
【実施例】図１は本発明の実施例を説明する図である。
図において，１は動物体の例である靴，２は圧力センサ
部，３は前処理部，４は重畳画像作成部，５は位置正規
化部，６は特徴抽出部，７は濃度正規化部，８は辞書デ
ータ格納部，９は時間正規化部，１０は識別処理部，１
１は識別結果出力手段を表す。
図において，１は動物体の例である靴，２は圧力センサ
部，３は前処理部，４は重畳画像作成部，５は位置正規
化部，６は特徴抽出部，７は濃度正規化部，８は辞書デ
ータ格納部，９は時間正規化部，１０は識別処理部，１
１は識別結果出力手段を表す。
【００１６】本実施例においては，圧力センサ部２上を
歩行する人物の足圧分布を取得し，その圧力分布に対し
て前処理部３による前処理，重畳画像作成部４による重
畳画像作成，位置正規化部５による時系列画像の位置正
規化，特徴抽出部６による特徴抽出，濃度正規化部７に
よる濃度正規化を行い，特徴ベクトルを作成する。
歩行する人物の足圧分布を取得し，その圧力分布に対し
て前処理部３による前処理，重畳画像作成部４による重
畳画像作成，位置正規化部５による時系列画像の位置正
規化，特徴抽出部６による特徴抽出，濃度正規化部７に
よる濃度正規化を行い，特徴ベクトルを作成する。
【００１７】図１においては，学習時と識別時の制御お
よびデータのフローが示されている。すなわち，学習時
には，既知の入力に対して前記の処理によって得られた
特徴ベクトルは，辞書データ格納部８に辞書データとし
て格納される。一方，識別時には，未知の入力に対して
前記の処理によって得られた特徴ベクトルは，辞書デー
タ格納部８内の特徴ベクトルと時間正規化部９により時
間方向の正規化が行われた後，識別処理部１０によって
照合され，識別結果が求められる。
よびデータのフローが示されている。すなわち，学習時
には，既知の入力に対して前記の処理によって得られた
特徴ベクトルは，辞書データ格納部８に辞書データとし
て格納される。一方，識別時には，未知の入力に対して
前記の処理によって得られた特徴ベクトルは，辞書デー
タ格納部８内の特徴ベクトルと時間正規化部９により時
間方向の正規化が行われた後，識別処理部１０によって
照合され，識別結果が求められる。
【００１８】以下では処理の流れにそって本実施例につ
いて説明する。ここでは，動物体を人間とし，人間が圧
力センサ上を歩行したときの靴の裏の圧力分布パターン
から，人間の属性識別，ここでは個人の識別を行う例を
取り上げる。
いて説明する。ここでは，動物体を人間とし，人間が圧
力センサ上を歩行したときの靴の裏の圧力分布パターン
から，人間の属性識別，ここでは個人の識別を行う例を
取り上げる。
【００１９】まず，図１に示す靴１が圧力センサ部２の
上を通過する。この際に圧力センサ部２は，靴１の裏の
パターンと人間の歩き方のパターンの両者によって固有
の圧力の２次元分布パターンを取得する。
上を通過する。この際に圧力センサ部２は，靴１の裏の
パターンと人間の歩き方のパターンの両者によって固有
の圧力の２次元分布パターンを取得する。
【００２０】前処理部３は，例えば通常の人間の足圧の
最大値に対して１.5％〜４％をしきい値として，それ以
下の出力値をノイズとして除去することにより，足のひ
きずり等による不安定な圧力値のデータを除去する。
最大値に対して１.5％〜４％をしきい値として，それ以
下の出力値をノイズとして除去することにより，足のひ
きずり等による不安定な圧力値のデータを除去する。
【００２１】重畳画像作成部４は，前処理後のデータを
時間的に重ね合わせる。図２(a) に前処理後の各時刻に
おける圧力分布パターンの例を示す。図からわかるとお
り，ある時刻における圧力分布パターンでは，どの時刻
であっても足型全体の形状を反映したものはない。
時間的に重ね合わせる。図２(a) に前処理後の各時刻に
おける圧力分布パターンの例を示す。図からわかるとお
り，ある時刻における圧力分布パターンでは，どの時刻
であっても足型全体の形状を反映したものはない。
【００２２】図２(b) に示した画像は，各時刻の圧力分
布パターンの各グリッドの値の平均値による重畳画像で
ある。この重畳画像によって初めて足型全体の形状と圧
力分布が１枚の画像として得られる。図２(c) は，同様
にして得られた他の人間の足圧の重畳画像の例であり，
個人差が現れることがわかる。
布パターンの各グリッドの値の平均値による重畳画像で
ある。この重畳画像によって初めて足型全体の形状と圧
力分布が１枚の画像として得られる。図２(c) は，同様
にして得られた他の人間の足圧の重畳画像の例であり，
個人差が現れることがわかる。
【００２３】重畳画像作成部４における処理は，以下の
とおりである。 各時刻の圧力分布画像Ｉt （ｘ，ｙ）の各画素の値
の平均を重畳画像ＩOの各画素値とする場合， ＩO （ｘ，ｙ）＝Σn Ｉn （ｘ，ｙ）／Ｎ （ただし，Ｎは１シーケンスの足圧画像のフレーム数，
Σn はｎ＝１からＮまでの総和）， 各時刻の圧力分布画像Ｉt （ｘ，ｙ）の各画素値の
最大値を重畳画像ＩOの各画素値とする場合， ＩO （ｘ，ｙ）＝ｍａｘt （Ｉt （ｘ，ｙ）） （ただし，ｍａｘt は，ｔを１≦ｔ≦Ｎの間で変化させ
たときの最大値），の２通りが有効である。
とおりである。 各時刻の圧力分布画像Ｉt （ｘ，ｙ）の各画素の値
の平均を重畳画像ＩOの各画素値とする場合， ＩO （ｘ，ｙ）＝Σn Ｉn （ｘ，ｙ）／Ｎ （ただし，Ｎは１シーケンスの足圧画像のフレーム数，
Σn はｎ＝１からＮまでの総和）， 各時刻の圧力分布画像Ｉt （ｘ，ｙ）の各画素値の
最大値を重畳画像ＩOの各画素値とする場合， ＩO （ｘ，ｙ）＝ｍａｘt （Ｉt （ｘ，ｙ）） （ただし，ｍａｘt は，ｔを１≦ｔ≦Ｎの間で変化させ
たときの最大値），の２通りが有効である。
【００２４】足圧分布画像の時系列から，重畳画像を上
記の手法で作成した例が，図２(b) ，(c) である。そ
れぞれ足型の全体が取得されていることがわかる。位置
正規化部５では，重畳画像を用いて，時系列圧力分布画
像の各フレームの位置の正規化を行う。以降の処理にお
いて使用される特徴もすべて時系列圧力分布画像の各フ
レームから抽出された時系列特徴である。重畳画像は位
置正規化，濃度正規化のために使用される。
記の手法で作成した例が，図２(b) ，(c) である。そ
れぞれ足型の全体が取得されていることがわかる。位置
正規化部５では，重畳画像を用いて，時系列圧力分布画
像の各フレームの位置の正規化を行う。以降の処理にお
いて使用される特徴もすべて時系列圧力分布画像の各フ
レームから抽出された時系列特徴である。重畳画像は位
置正規化，濃度正規化のために使用される。
【００２５】図３は，本発明の実施例における位置正規
化を説明する図である。図中では，異なる足型がセンサ
座標系においては異なる位置で取得されており，このま
までは安定して比較することはできない。したがって，
位置の正規化を行い，例えば足圧画像の重心を原点とし
た足圧画像座標系により特徴ベクトルを構成する。その
ため，次のように位置の正規化を行う。元々の足圧画像
データはセンサ座標系（ｘ，ｙ）で表示されている。時
刻ｔの圧力分布画像Ｉt （ｘ，ｙ）が元々の画素値であ
るとすると， Ｉ′t （ｘ，ｙ）＝Ｉt （ｘ−ｇx ，ｙ−ｇy ） （ただし（ｇx ，ｇy ）は重心の座標）で正規化画像
Ｉ′が求められる。正規化後の画像で比較することによ
り，センサ内での足の位置の変動によるマッチングの不
安定さによる識別ミスを軽減することができる。位置正
規化は，重心位置で行う場合のほかに，重畳足圧画像の
面積中心で行う場合，上下端，左右端の平均位置で行う
場合が考えられ，いずれも有効である。
化を説明する図である。図中では，異なる足型がセンサ
座標系においては異なる位置で取得されており，このま
までは安定して比較することはできない。したがって，
位置の正規化を行い，例えば足圧画像の重心を原点とし
た足圧画像座標系により特徴ベクトルを構成する。その
ため，次のように位置の正規化を行う。元々の足圧画像
データはセンサ座標系（ｘ，ｙ）で表示されている。時
刻ｔの圧力分布画像Ｉt （ｘ，ｙ）が元々の画素値であ
るとすると， Ｉ′t （ｘ，ｙ）＝Ｉt （ｘ−ｇx ，ｙ−ｇy ） （ただし（ｇx ，ｇy ）は重心の座標）で正規化画像
Ｉ′が求められる。正規化後の画像で比較することによ
り，センサ内での足の位置の変動によるマッチングの不
安定さによる識別ミスを軽減することができる。位置正
規化は，重心位置で行う場合のほかに，重畳足圧画像の
面積中心で行う場合，上下端，左右端の平均位置で行う
場合が考えられ，いずれも有効である。
【００２６】特徴抽出部６では，位置正規化後の座標軸
を使用して，時系列圧力画像のモザイク化を行い，次元
数の削減と位置ズレの残存分に対する耐性を向上させ
る。モザイク後のグリッド数をＸ，Ｙ，各グリッドの大
きさを，Ｍ画素×Ｎ画素とした場合，モザイク画像の各
画素の値は，当該グリッドの平均値により，次の式で求
められる。
を使用して，時系列圧力画像のモザイク化を行い，次元
数の削減と位置ズレの残存分に対する耐性を向上させ
る。モザイク後のグリッド数をＸ，Ｙ，各グリッドの大
きさを，Ｍ画素×Ｎ画素とした場合，モザイク画像の各
画素の値は，当該グリッドの平均値により，次の式で求
められる。
【００２７】 Ｉ″t （ｘ，ｙ）＝Σi Σj Ｉ′t （ｉ，ｊ）／ＭＮ （ただし，Σi はｉ＝ｘＭから（ｘ＋１）Ｍまでの総
和，Σj はｊ＝ｙＮから（ｙ＋１）Ｎまでの総和）。
和，Σj はｊ＝ｙＮから（ｙ＋１）Ｎまでの総和）。
【００２８】濃度正規化部７では，位置正規化後のモザ
イク化重畳足圧画像の各画素の圧力値を正規化する。該
時系列画像の重畳圧力画像をＩ″O （ｘ，ｙ）とし，画
素数をＸ，Ｙとする。正規化係数ｋは，以下により決定
する。
イク化重畳足圧画像の各画素の圧力値を正規化する。該
時系列画像の重畳圧力画像をＩ″O （ｘ，ｙ）とし，画
素数をＸ，Ｙとする。正規化係数ｋは，以下により決定
する。
【００２９】 ｋ＝１／｛Σx,y Ｉ″O （ｘ，ｙ）／ＸＹ｝ （ただし，Σx,y はｘ，ｙについてのＸ×Ｙ画素分の総
和）。このｋを用いて， Ｉ"'t （ｘ，ｙ）＝ｋＩ″t （ｘ，ｙ） により時系列の濃度正規化圧力分布画像を求める。
和）。このｋを用いて， Ｉ"'t （ｘ，ｙ）＝ｋＩ″t （ｘ，ｙ） により時系列の濃度正規化圧力分布画像を求める。
【００３０】これにより，複数のセンサによって取得さ
れた圧力画像間の照合の際に，センサの個体差の影響を
軽減すること，センサの経年変化の影響を軽減すること
ができる。
れた圧力画像間の照合の際に，センサの個体差の影響を
軽減すること，センサの経年変化の影響を軽減すること
ができる。
【００３１】辞書データ格納部８は，上記処理を行った
時系列足圧画像を格納し，識別時の参照データとして使
用する。時間正規化部９は，識別時にテストパターンと
辞書データとの距離計算を行うための準備として，両者
の時間の長さ，この場合にはフレーム数の正規化を行
う。テストパターンのフレーム数をＴ，辞書パターンの
フレーム数をＤとし，各々の前処理後の圧力分布画像列
を， ＳＴ＝ＩＴ1 ，ＩＴ2 ，…，ＩＴt ，…，ＩＴT ＳＤ＝ＩＤ1 ，ＩＤ2 ，…，ＩＤd ，…，ＩＤD とする。このとき，両者の距離を， ｄ（ＳＴ，ＳＤ）＝ｄ（ＳＴ′，ＳＤ） とする。ここで，ＳＴ′は，ＳＤに対して正規化後の圧
力画像列であり，その各フレームの画像をＩＴ′とす
る。このとき， ｄ（ＳＴ′，ＳＤ）＝Σi ｄ（ＩＴ′i ，ＩＤi ）／Ｄ （ただし，Σi はｉ＝１からＤまでの総和）が，対応す
る各フレーム間の距離である。すなわち，シーケンス間
の距離は，対応フレーム間の距離の総和をフレーム数で
正規化したものである。通常はテストパターンと辞書パ
ターンの長さは異なっている。そこで，どちらかの長さ
を相手に合わせて伸縮させる必要がある。例えば図４の
例においては，上段の系列Ａは１２フレーム，下段の系
列Ｂは１４フレームである。以下，このような場合にお
ける，時間正規化の手順を述べる。
時系列足圧画像を格納し，識別時の参照データとして使
用する。時間正規化部９は，識別時にテストパターンと
辞書データとの距離計算を行うための準備として，両者
の時間の長さ，この場合にはフレーム数の正規化を行
う。テストパターンのフレーム数をＴ，辞書パターンの
フレーム数をＤとし，各々の前処理後の圧力分布画像列
を， ＳＴ＝ＩＴ1 ，ＩＴ2 ，…，ＩＴt ，…，ＩＴT ＳＤ＝ＩＤ1 ，ＩＤ2 ，…，ＩＤd ，…，ＩＤD とする。このとき，両者の距離を， ｄ（ＳＴ，ＳＤ）＝ｄ（ＳＴ′，ＳＤ） とする。ここで，ＳＴ′は，ＳＤに対して正規化後の圧
力画像列であり，その各フレームの画像をＩＴ′とす
る。このとき， ｄ（ＳＴ′，ＳＤ）＝Σi ｄ（ＩＴ′i ，ＩＤi ）／Ｄ （ただし，Σi はｉ＝１からＤまでの総和）が，対応す
る各フレーム間の距離である。すなわち，シーケンス間
の距離は，対応フレーム間の距離の総和をフレーム数で
正規化したものである。通常はテストパターンと辞書パ
ターンの長さは異なっている。そこで，どちらかの長さ
を相手に合わせて伸縮させる必要がある。例えば図４の
例においては，上段の系列Ａは１２フレーム，下段の系
列Ｂは１４フレームである。以下，このような場合にお
ける，時間正規化の手順を述べる。
【００３２】時間正規化は，区間分割と区間内の線形補
間により実施される。区間分割の方法について述べる。
時間軸正規化はシーケンス全体を一律に伸縮させるより
も，シーケンスを特徴的な区間に分割してそれぞれで行
うことが有効である。すなわち，図４に示した歩行動作
時における足の圧力分布では，１シーケンスのデータを
以下の３つの区間に分割する。
間により実施される。区間分割の方法について述べる。
時間軸正規化はシーケンス全体を一律に伸縮させるより
も，シーケンスを特徴的な区間に分割してそれぞれで行
うことが有効である。すなわち，図４に示した歩行動作
時における足の圧力分布では，１シーケンスのデータを
以下の３つの区間に分割する。
【００３３】・区間（１）：ステップから踵部のみが接
地している間， ・区間（２）：踵部に加えて爪先部が接地した時点か
ら，踵部が離れるまでの間， ・区間（３）：踵部が離れて爪先部のみの接地となって
から終了までの間。
地している間， ・区間（２）：踵部に加えて爪先部が接地した時点か
ら，踵部が離れるまでの間， ・区間（３）：踵部が離れて爪先部のみの接地となって
から終了までの間。
【００３４】上記の区間分割は，次の２つの時点で分割
される。 ・時点Ｔ１：爪先部の接地， ・時点Ｔ２：踵部の離地。
される。 ・時点Ｔ１：爪先部の接地， ・時点Ｔ２：踵部の離地。
【００３５】図４の上段のシーケンスＡの例では，時点
Ｔ１は３フレーム目，時点Ｔ２は８フレーム目である。
一方，下段のシーケンスＢの例では，時点Ｔ１は４フレ
ーム目，時点Ｔ２は９フレーム目である。
Ｔ１は３フレーム目，時点Ｔ２は８フレーム目である。
一方，下段のシーケンスＢの例では，時点Ｔ１は４フレ
ーム目，時点Ｔ２は９フレーム目である。
【００３６】時点Ｔ１と時点Ｔ２とは，以下の処理によ
り検出ができる。ｉフレーム目の圧力画像の圧力値のあ
る領域の上下方向（ｙ軸方向とする）の最大値をＹＭ
ｉ，最小値をＹｍｉとする。
り検出ができる。ｉフレーム目の圧力画像の圧力値のあ
る領域の上下方向（ｙ軸方向とする）の最大値をＹＭ
ｉ，最小値をＹｍｉとする。
【００３７】ｄＹＭｉ＝ＹＭｉ−ＹＭ（ｉ−１） として，ｍａｘ（ｉ）ｄＹＭｉとなるｉを時点Ｔ１とす
る。 ｄＹｍｉ＝Ｙｍｉ−Ｙｍ（ｉ−１） として，ｍａｘ（ｉ）ｄＹｍｉとなるｉを時点Ｔ２とす
る。
る。 ｄＹｍｉ＝Ｙｍｉ−Ｙｍ（ｉ−１） として，ｍａｘ（ｉ）ｄＹｍｉとなるｉを時点Ｔ２とす
る。
【００３８】こうして求められた時点Ｔ１，時点Ｔ２に
より，１ステップの足圧画像列は，３つの区間に分割さ
れる。異なるフレーム数を持つ区間の間でのフレームの
対応は以下の処理による。
より，１ステップの足圧画像列は，３つの区間に分割さ
れる。異なるフレーム数を持つ区間の間でのフレームの
対応は以下の処理による。
【００３９】２つのシーケンスＡ，Ｂの対応する区間に
ついて考える。シーケンスＡの区間（１）の長さがＮ１
＋１フレーム，シーケンスＢの区間（１）の長さがＮ２
＋１フレームとする。シーケンスＡを基準とし，その各
フレームＩＡ（ｉ），（ｉ＝０，１，２，…，Ｎ１）に
対応するシーケンスＢのフレームＩＢ′（ｉ）を，ＩＢ
（ｉ），（ｉ＝０，１，２，３，…，Ｎ２）をもとにし
て生成することにより，フレーム対応をとる。
ついて考える。シーケンスＡの区間（１）の長さがＮ１
＋１フレーム，シーケンスＢの区間（１）の長さがＮ２
＋１フレームとする。シーケンスＡを基準とし，その各
フレームＩＡ（ｉ），（ｉ＝０，１，２，…，Ｎ１）に
対応するシーケンスＢのフレームＩＢ′（ｉ）を，ＩＢ
（ｉ），（ｉ＝０，１，２，３，…，Ｎ２）をもとにし
て生成することにより，フレーム対応をとる。
【００４０】このとき，ＩＡ（ｉ）に対応するシーケン
スＢのフレームは ＩＢ（ｊ），ｊ＝ｉ（Ｎ２／Ｎ１） とする。Ｎ２／Ｎ１が整数のときはこれ以上の処理は不
要である。
スＢのフレームは ＩＢ（ｊ），ｊ＝ｉ（Ｎ２／Ｎ１） とする。Ｎ２／Ｎ１が整数のときはこれ以上の処理は不
要である。
【００４１】Ｎ２／Ｎ１が整数でない場合には，ＩＢ
（ｊ）を補間により生成する。すなわち， ｊ＝ｉ（Ｎ２／Ｎ１） の前後のフレームを用いて線形補間を行う。
（ｊ）を補間により生成する。すなわち， ｊ＝ｉ（Ｎ２／Ｎ１） の前後のフレームを用いて線形補間を行う。
【００４２】具体的には，ＩＢ（ｊ）は，ＩＢ
（［ｊ］）と，ＩＢ（［ｊ］＋１）の２つのフレームを
線形補間する。すなわち， ＩＢ（ｊ）＝（ｊ−［ｊ］）ＩＢ（［ｊ］＋１）＋（１
−ｊ＋［ｊ］）ＩＢ（［ｊ］） とする。ただし，［ｊ］はガウス記号でｊを越えない最
大の整数を表す。
（［ｊ］）と，ＩＢ（［ｊ］＋１）の２つのフレームを
線形補間する。すなわち， ＩＢ（ｊ）＝（ｊ−［ｊ］）ＩＢ（［ｊ］＋１）＋（１
−ｊ＋［ｊ］）ＩＢ（［ｊ］） とする。ただし，［ｊ］はガウス記号でｊを越えない最
大の整数を表す。
【００４３】上記の処理により，異なる長さのシーケン
ス間で，対応するフレームが決定できる。以上のような
時間の正規化は，各区間における標準的なフレーム数を
予め定めておき，位置正規化または濃度正規化の直後に
行うようにしてもよい。
ス間で，対応するフレームが決定できる。以上のような
時間の正規化は，各区間における標準的なフレーム数を
予め定めておき，位置正規化または濃度正規化の直後に
行うようにしてもよい。
【００４４】識別処理部１０は，動物体識別時に，正規
化処理後のテストパターンと，辞書データ格納部８を比
較し，テストパターンに最も類似した辞書データを選び
出す。テストパターンの特徴ベクトルに対して，距離が
最小な辞書データの特徴ベクトルを選び出す。
化処理後のテストパターンと，辞書データ格納部８を比
較し，テストパターンに最も類似した辞書データを選び
出す。テストパターンの特徴ベクトルに対して，距離が
最小な辞書データの特徴ベクトルを選び出す。
【００４５】テストパターンである時系列圧力画像と辞
書パターンである時系列圧力画像の距離は，時間正規化
により対応が決定されたフレーム間の距離の総和をシー
ケンスの長さで除したものを使用する。
書パターンである時系列圧力画像の距離は，時間正規化
により対応が決定されたフレーム間の距離の総和をシー
ケンスの長さで除したものを使用する。
【００４６】識別結果出力手段１１は，識別処理部１０
により選ばれた辞書データに対応するラベルを出力し，
テストパターンが属するカテゴリを外部に知らしめる。
上記実施例において，濃度正規化圧力分布画像を求める
ときのグリッドのＭ×Ｎ画素の大きさを変えて多重解像
度表現し，それぞれの解像度に対して同様に濃度正規化
圧力分布画像を求め，その各結果に適当な重みを乗じて
総和をとった時系列圧力分布画像を，類似度の算出に用
いるようにしてもよい。
により選ばれた辞書データに対応するラベルを出力し，
テストパターンが属するカテゴリを外部に知らしめる。
上記実施例において，濃度正規化圧力分布画像を求める
ときのグリッドのＭ×Ｎ画素の大きさを変えて多重解像
度表現し，それぞれの解像度に対して同様に濃度正規化
圧力分布画像を求め，その各結果に適当な重みを乗じて
総和をとった時系列圧力分布画像を，類似度の算出に用
いるようにしてもよい。
【００４７】また，濃度の正規化では，各重畳圧力分布
画像のフレーム内の平均圧力値が一定になるような値
を，時系列圧力分布画像の各フレームに乗ずることによ
り圧力値を正規化し，これを特徴ベクトルとして用いて
時系列圧力分布画像間の類似度を計算するようにしても
有効である。
画像のフレーム内の平均圧力値が一定になるような値
を，時系列圧力分布画像の各フレームに乗ずることによ
り圧力値を正規化し，これを特徴ベクトルとして用いて
時系列圧力分布画像間の類似度を計算するようにしても
有効である。
【００４８】本発明の動物体識別装置を個人識別に使用
した場合の実験結果について述べる。実験では，空間分
解能５ｍｍの圧力センサマットを使用し，男女３０人の
被験者がセンサマット上を歩行したときの圧力分布デー
タを収集した。各被験者について，３段階の歩行速度で
各１０回の歩行を行った。データは各被験者の右足一歩
分をとらえている。
した場合の実験結果について述べる。実験では，空間分
解能５ｍｍの圧力センサマットを使用し，男女３０人の
被験者がセンサマット上を歩行したときの圧力分布デー
タを収集した。各被験者について，３段階の歩行速度で
各１０回の歩行を行った。データは各被験者の右足一歩
分をとらえている。
【００４９】このデータの一部を辞書データとして登録
し，辞書に使用しなかったデータをテストデータとして
使用して，個人識別を行った際の識別率を評価した。実
験ではノイズ除去の前処理として，画素値５以下を除去
した。また，位置正規化処理は，重畳画像の中心，すな
わち，上端下端の平均，左右端の平均を一定にする処理
を行った。また，重畳画像の作成は各時刻の平均値を使
用した。また，モザイクの作成は縦１６，横８のグリッ
ド数で行った。
し，辞書に使用しなかったデータをテストデータとして
使用して，個人識別を行った際の識別率を評価した。実
験ではノイズ除去の前処理として，画素値５以下を除去
した。また，位置正規化処理は，重畳画像の中心，すな
わち，上端下端の平均，左右端の平均を一定にする処理
を行った。また，重畳画像の作成は各時刻の平均値を使
用した。また，モザイクの作成は縦１６，横８のグリッ
ド数で行った。
【００５０】各被験者について，３速度から各３試行の
データを辞書データとして使用して，辞書を作成した。
また，辞書の作成に用いるデータとして，どれを用いる
か，その組み合わせを１０通り行った。また，テストデ
ータとしても各速度から３試行のデータを使用した。従
って，合計で各人について，９０回の識別実験を行っ
た。
データを辞書データとして使用して，辞書を作成した。
また，辞書の作成に用いるデータとして，どれを用いる
か，その組み合わせを１０通り行った。また，テストデ
ータとしても各速度から３試行のデータを使用した。従
って，合計で各人について，９０回の識別実験を行っ
た。
【００５１】上記の識別実験結果を図５に示す。識別実
験の結果は３０人の平均で，９５.9％の識別率であっ
た。これは３０人の平均の値であり，各個人毎の識別率
は図５に示す通りであった。
験の結果は３０人の平均で，９５.9％の識別率であっ
た。これは３０人の平均の値であり，各個人毎の識別率
は図５に示す通りであった。
【００５２】
【発明の効果】以上説明したように，本発明によれば，
圧力センサ上を通過する人間などの動物体の属性を，安
定して，高速な処理で，かつ高精度に識別することがで
きる。このことから，本発明に係る動物体属性識別装置
は例えば次のような効果的な利用が可能である。
圧力センサ上を通過する人間などの動物体の属性を，安
定して，高速な処理で，かつ高精度に識別することがで
きる。このことから，本発明に係る動物体属性識別装置
は例えば次のような効果的な利用が可能である。
【００５３】 商店，デパートの出入口などに設置す
ることにより，入店客の時間帯毎の男女比の計測ができ
る。 オフィスの出入口に設置することにより，社員の出
入時刻の自動計測ができる。
ることにより，入店客の時間帯毎の男女比の計測ができ
る。 オフィスの出入口に設置することにより，社員の出
入時刻の自動計測ができる。
【００５４】 デパートのエレベータ内に設置するこ
とにより，来店客が何階で乗り何階で降りたかを計数
し，各階間の移動状況を把握することができる。 医師が歩行障害のある患者の障害程度を分類するこ
とができる。
とにより，来店客が何階で乗り何階で降りたかを計数
し，各階間の移動状況を把握することができる。 医師が歩行障害のある患者の障害程度を分類するこ
とができる。
【００５５】 ゴルフ，テニスのスイング時の足圧の
変化，重心の移動の計測，分類により，フォームの診
断，分類などができる。
変化，重心の移動の計測，分類により，フォームの診
断，分類などができる。
【図１】本発明の一実施例ブロック図である。
【図２】本発明の実施例により取得された足圧画像の例
であって，(a) は時系列的に取得された足圧画像そのも
の，(b) および(c) は重畳画像の例を示す図である。
であって，(a) は時系列的に取得された足圧画像そのも
の，(b) および(c) は重畳画像の例を示す図である。
【図３】本発明の実施例における位置正規化を説明する
図である。
図である。
【図４】長さの異なる時系列足圧画像の時間軸正規化を
説明する図である。
説明する図である。
【図５】本発明の実施例による識別実験結果を説明する
図である。
図である。
１ 動物体の例である靴 ２ 圧力センサ部 ３ 前処理部 ４ 重畳画像作成部 ５ 位置正規化部 ６ 特徴抽出部 ７ 濃度正規化部 ８ 辞書データ格納部 ９ 時間正規化部 １０ 識別処理部 １１ 識別結果出力手段
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｔ 1/00 7/00
Claims (6)
- 【請求項１】 物体が所定の面に接したときに該面に加
わる２次元圧力分布を検出する圧力センサと，該圧力セ
ンサが出力する２次元圧力分布を時系列に取り込む手段
と，該圧力センサから得られた２次元圧力分布の画像の
各画素に関して，所定時間内の圧力を重畳して重畳圧力
分布画像を得る手段と，該重畳圧力分布画像により上記
圧力センサから得た時系列圧力分布の位置正規化を行う
手段と，該時系列圧力分布画像の各時刻における圧力分
布形状の特徴を抽出する手段と，既知物体の上記特徴を
辞書として登録しておく手段と，上記特徴の抽出時また
は識別のための類似度計算の際に上記時系列圧力分布画
像に関する時間正規化を行う手段と，未知物体の上記特
徴と上記辞書に登録されている既知物体の特徴との類似
度を比較することにより，最も近い既知物体を未知物体
の属性として識別する手段とを備えたことを特徴とする
時系列圧力分布画像による動物体属性識別装置。 - 【請求項２】 識別対象となり得る通常の動物体が及ぼ
す圧力の最大値をもとに定めた値をしきい値とし，上記
圧力センサの出力値が上記しきい値以下の出力値である
ときにノイズとして除去する手段を備えたことを特徴と
する請求項１記載の時系列圧力分布画像による動物体属
性識別装置。 - 【請求項３】 各重畳圧力分布画像のフレーム内の平均
圧力値が一定になるような値を，上記時系列圧力分布画
像の各フレームに乗ずることにより圧力値を正規化する
手段を備え，これを特徴ベクトルとして用いて時系列圧
力分布画像間の類似度を計算するようにしたことを特徴
とする請求項１記載の時系列圧力分布画像による動物体
属性識別装置。 - 【請求項４】 得られた重畳圧力分布画像の圧力分布形
状を，その上下端と左右端から求めた中心，または重心
位置が一定になるよう上記時系列圧力分布画像の各フレ
ームの位置の正規化を行う手段を備え，位置の正規化を
行った後に特徴を抽出するようにしたことを特徴とする
請求項１記載の時系列圧力分布画像による動物体属性識
別装置。 - 【請求項５】 得られた時系列圧力分布画像を多重解像
度表現し，各解像度に対して所定の重み係数を掛けた後
にその総和をとり，それを照合対象の特徴とする手段を
備え，時系列圧力分布画像を多重解像度表現したものか
ら得られた特徴によって類似度を算出するようにしたこ
とを特徴とする請求項１記載の時系列圧力分布画像によ
る動物体属性識別装置。 - 【請求項６】 上記時系列圧力分布画像に関する時間正
規化を行う手段は，時系列中の特徴的な時刻により時系
列の長さを一定数の区間に分割し，各々の区間毎に時間
方向の伸縮を行うように構成され，上記識別する手段
と，類似度計算の際に長さの異なる時系列圧力分布画像
のシーケンス間の距離を，時間方向の伸縮によって対応
づけられたフレーム間の距離から算出するように構成さ
れていることを特徴とする請求項１記載の時系列圧力分
布画像による動物体属性識別装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP28169394A JPH08145826A (ja) | 1994-11-16 | 1994-11-16 | 時系列圧力分布画像による動物体属性識別装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP28169394A JPH08145826A (ja) | 1994-11-16 | 1994-11-16 | 時系列圧力分布画像による動物体属性識別装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08145826A true JPH08145826A (ja) | 1996-06-07 |
Family
ID=17642672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP28169394A Pending JPH08145826A (ja) | 1994-11-16 | 1994-11-16 | 時系列圧力分布画像による動物体属性識別装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08145826A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007526990A (ja) * | 2003-07-09 | 2007-09-20 | アストン ユニバーシティ | 動的な力を感知および分析するシステムおよび方法 |
| JP2007241691A (ja) * | 2006-03-09 | 2007-09-20 | Daisuke Takada | 不特定人位置認識装置および不特定人行動認識装置 |
| JP2011002907A (ja) * | 2009-06-16 | 2011-01-06 | Kansai Electric Power Co Inc:The | 個人認証システム |
| JP2014520638A (ja) * | 2011-07-14 | 2014-08-25 | エムシー１０ インコーポレイテッド | 足または履物にかかる力の検出 |
| JP2016050845A (ja) * | 2014-08-29 | 2016-04-11 | 大日本印刷株式会社 | 個人認証システム |
-
1994
- 1994-11-16 JP JP28169394A patent/JPH08145826A/ja active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007526990A (ja) * | 2003-07-09 | 2007-09-20 | アストン ユニバーシティ | 動的な力を感知および分析するシステムおよび方法 |
| JP2007241691A (ja) * | 2006-03-09 | 2007-09-20 | Daisuke Takada | 不特定人位置認識装置および不特定人行動認識装置 |
| JP2011002907A (ja) * | 2009-06-16 | 2011-01-06 | Kansai Electric Power Co Inc:The | 個人認証システム |
| JP2014520638A (ja) * | 2011-07-14 | 2014-08-25 | エムシー１０ インコーポレイテッド | 足または履物にかかる力の検出 |
| JP2016050845A (ja) * | 2014-08-29 | 2016-04-11 | 大日本印刷株式会社 | 個人認証システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9993182B2 (en) | Computer vision system for ambient long-term gait assessment | |
| Huang et al. | Human gait recognition in canonical space using temporal templates | |
| JP4198951B2 (ja) | グループ属性推定方法及びグループ属性推定装置 | |
| US7881524B2 (en) | Information processing apparatus and information processing method | |
| US8374422B2 (en) | Face expressions identification | |
| Werner et al. | Towards pain monitoring: Facial expression, head pose, a new database, an automatic system and remaining challenges | |
| US9530078B2 (en) | Person recognition apparatus and person recognition method | |
| JP4318465B2 (ja) | 人物検出装置および人物検出方法 | |
| KR100818416B1 (ko) | 합성지문이미지의 생성 방법 및 장치 | |
| US20040228503A1 (en) | Video-based gait recognition | |
| JP2003517910A (ja) | 心臓磁気共鳴画像において学習ベースでオブジェクトを検出する方法 | |
| JP2007317062A (ja) | 人物認識装置及びその方法 | |
| Achard et al. | A novel approach for recognition of human actions with semi-global features | |
| JPH08287216A (ja) | 顔面内部位認識方法 | |
| Ren et al. | An investigation of skeleton-based optical flow-guided features for 3D action recognition using a multi-stream CNN model | |
| JP2005351814A (ja) | 検出装置および検出方法 | |
| Bora et al. | Understanding human gait: A survey of traits for biometrics and biomedical applications | |
| JPH08145826A (ja) | 時系列圧力分布画像による動物体属性識別装置 | |
| JPH11161791A (ja) | 個人識別装置 | |
| Wang et al. | Robust pose recognition of the obscured human body | |
| JPH08145825A (ja) | 動物体属性識別装置 | |
| CN114170685A (zh) | 一种基于rgbd图像行人搭乘自动扶梯摔倒行为的检测方法 | |
| JP2005074075A (ja) | 歩行周期計測装置、周期画像取得装置、移動体輪郭の圧縮処理装置、移動体識別システム | |
| Madden et al. | A framework for track matching across disjoint cameras using robust shape and appearance features | |
| JPH08153187A (ja) | 画像認識方法 |