JPWO2020105226A1 - 情報処理装置、情報処理システム、および情報処理方法 - Google Patents

Abstract

【課題】人や車両の行動について、予め定義された異常行動以外の未知の異常行動を見つけることができる情報処理装置、情報処理システム、および情報処理方法を提供する。
【解決手段】情報処理装置２００は、位置情報取得部２１０、動体情報取得部２２０、記憶部２３０、およびサーベイ処理部２４０を有する。位置情報取得部２１０は、監視領域内における物体の時系列位置情報を取得する。動体情報取得部２２０は、物体の時系列位置情報を解析して、物体の動体情報を生成する。記憶部２３０は、複数の物体の動体情報を蓄積する。サーベイ処理部２４０は、記憶部２３０に蓄積されている、一の物体の動体情報に基づいて、所定領域内における一の物体の非定常行動の度合いを判定し、判定結果に基づいて、一の物体の非定常行動の度合いに関する情報を出力する。
【選択図】図１

Description

本発明は、情報処理装置、情報処理システム、および情報処理方法に関する。

近年、人や車両が往来する道路などにおいて、人や車両の行動をカメラで監視する監視装置の設置が増加している。監視装置の設置が増加している背景には、交通ルールが守られない危険な行動に起因して発生する事故や、路上における人同士のトラブル等の増加がある。道路を往来する人や車両は、規定の交通ルールに則り、安全に配慮して行動することが期待されている。しかし、現実には危険運転や交通ルールを無視した行動による事故の発生や、事故の一歩手前の状況となることが後を絶たない。

従来、このような危険な行動を含む異常行動に対する対策を立てるため、人が監視装置のカメラ映像を目視により解析し、道路を往来する人や車両の行動を確認することが多かったが、時間や手間がかかる上、発生頻度の低い事象を見つけることが困難であった。

これに対して、下記特許文献１および特許文献２には、人や車両の行動について、人や車両の位置、速度、移動軌跡等に基づいて、予め定義された異常行動の判別を行う技術が開示されている。

特開２００３−１５７４８７号公報 特開２００８−２１７６０２号公報

しかしながら、特許文献１および特許文献２の技術では、予め定義された異常行動以外の未知の異常行動を見つけることはできないという課題がある。

本発明は、上記事情に鑑みてなされたものであり、人や車両の行動について、予め定義された異常行動以外の未知の異常行動を見つけることができる情報処理装置、情報処理システム、および情報処理方法を提供することを目的とする。

本発明の上記目的は、下記の手段によって達成される。

（１）所定領域内における物体の時系列位置情報を取得する位置情報取得部と、前記物体の時系列位置情報を解析して、前記物体の動体情報を生成する動体情報取得部と、複数の物体の前記動体情報を蓄積する動体情報蓄積部と、前記動体情報蓄積部に蓄積されている、一の物体の動体情報に基づいて、前記所定領域内における前記一の物体の非定常行動の度合いを判定し、判定結果に基づいて、前記一の物体の非定常行動の度合いに関する情報を出力するサーベイ処理部と、を有する、情報処理装置。

（２）前記サーベイ処理部は、前記一の物体の動体情報と、前記動体情報蓄積部に蓄積されている、他の複数の物体の動体情報とを使用して統計解析を行い、当該統計解析の結果に基づいて、前記一の物体の非定常行動の度合いを判定し、前記一の物体の非定常行動の度合いに関する情報を出力する、上記（１）に記載の情報処理装置。

（３）前記サーベイ処理部は、前記動体情報蓄積部に蓄積されている動体情報に基づく前記物体の非定常行動の度合いの学習を行って生成された推論処理パラメーターを用いたニューラルネットワークによる推論処理に基づいて、前記一の物体の非定常行動の度合いを判定する、上記（１）に記載の情報処理装置。

（４）前記サーベイ処理部は、前記動体情報蓄積部に蓄積されている動体情報に基づく前記物体の定常行動の度合いの学習を行って生成された推論処理パラメーターを用いたニューラルネットワークによる推論処理に基づいて、前記一の物体の非定常行動の度合いを判定する、上記（１）に記載の情報処理装置。

（５）前記動体情報取得部は、
前記物体の動体情報として、前記物体の移動の軌跡、速度、加速度、大きさ、種類、累積移動量、および滞在時間のうちの少なくとも１つを取得する、上記（１）〜（４）のいずれか１つに記載の情報処理装置。

（６）前記サーベイ処理部は、複数の前記他の動体情報に対する、前記一の物体の動体情報のずれに基づいて、前記一の物体の非定常行動の度合いに関する情報を出力する、上記（１）〜（５）のいずれか１つに記載の情報処理装置。

（７）前記サーベイ処理部は、前記動体情報蓄積部に蓄積されている複数の動体情報のデータからなる母集団について統計解析を行い、前記母集団における所定の値からの前記一の物体の動体情報のずれが所定範囲内である場合、前記物体の行動は定常行動であると判断する一方で、前記ずれが前記所定範囲外である場合、前記物体の行動は非定常行動であると判断する、上記（６）に記載の情報処理装置。

（８）前記サーベイ処理部は、前記物体の種類に応じて予め規定されている行動分類と前記物体の動体情報とに基づいて、前記所定領域内における前記物体の行動を推定する行動推定部を有する、上記（１）〜（７）のいずれか１つに記載の情報処理装置。

（９）前記サーベイ処理部は、前記非定常行動の度合いとして、前記物体の行動が正常なのか、あるいは異常なのかを示す異常スコアを算出する、上記（１）〜（８）のいずれか１つに記載の情報処理装置。

（１０）所定領域に向けてレーザー光を走査するように出射するとともに当該所定領域からの反射光を受光し、当該反射光の受光信号に基づいて、前記所定領域内における測距点群データを生成するセンサー部と、前記測距点群データに基づいて、所定領域内における物体の時系列位置情報を取得する位置情報取得部と、前記物体の時系列位置情報を解析して、前記物体の動体情報を生成する動体情報取得部と、複数の物体の前記動体情報を蓄積する動体情報蓄積部と、前記動体情報蓄積部に記蓄積されている、一の物体の動体情報に基づいて、前記所定領域内における前記一の物体の非定常行動の度合いを判定し、判定結果に基づいて、前記一の物体の非定常行動の度合いに関する情報を出力するサーベイ処理部と、を有する、情報処理システム。

（１１）前記サーベイ処理部は、前記一の物体の動体情報と、前記動体情報蓄積部に蓄積されている、他の複数の物体の動体情報とを使用して統計解析を行い、当該統計解析の結果に基づいて、前記一の物体の非定常行動の度合いを判定し、前記一の物体の非定常行動の度合いに関する情報を出力する、上記（１０）に記載の情報処理システム。

（１２）所定領域内における物体の時系列位置情報を取得するステップ（ａ）と、前記物体の時系列位置情報を解析して、前記物体の動体情報を生成するステップ（ｂ）と、一の物体の動体情報に基づいて、前記所定領域内における前記一の物体の非定常行動の度合いについて判定し、前記一の物体の非定常行動の度合いに関する情報を出力するステップ（ｃ）と、を有する、情報処理方法。

（１３）前記ステップ（ｃ）では、前記一の物体の動体情報と、動体情報蓄積部に蓄積されている、他の複数の物体の動体情報とを使用して統計解析を行い、当該統計解析の結果に基づいて、前記一の物体の非定常行動の度合いを判定し、前記一の物体の非定常行動の度合いに関する情報を出力する、上記（１２）に記載の情報処理方法。

（１４）前記ステップ（ｂ）では、
前記物体の動体情報として、前記物体の移動の軌跡、速度、加速度、大きさ、種類、累積移動量、および滞在時間のうちの少なくとも１つを取得する、上記（１２）または（１３）に記載の情報処理方法。

（１５）前記ステップ（ｃ）では、複数の前記他の動体情報に対する、前記一の物体の動体情報のずれに基づいて、前記一の物体の非定常行動の度合いに関する情報を出力する、上記（１２）〜（１４）のいずれか１つに記載の情報処理方法。

（１６）前記ステップ（ｃ）では、動体情報蓄積部に蓄積されている複数の動体情報のデータからなる母集団について統計解析を行い、前記母集団における所定の値からの前記一の物体の動体情報のずれが所定範囲内である場合、前記物体の行動は定常行動であると判断する一方で、前記ずれが前記所定範囲外である場合、前記物体の行動は非定常行動であると判断する、上記（１５）に記載の情報処理方法。

（１７）前記ステップ（ｃ）では、前記物体の種類に応じて予め規定されている行動分類と前記物体の動体情報とに基づいて、前記所定領域内における前記物体の行動を推定するステップ（ｄ）をさらに有する、上記（１２）〜（１６）のいずれか１つに記載の情報処理方法。

（１８）前記ステップ（ｃ）では、前記非定常行動の度合いとして、前記物体の行動が正常なのか、あるいは異常なのかを示す異常スコアを算出する、上記（１２）〜（１７）のいずれか１つに記載の情報処理方法。

本発明によれば、注目している動体の動体情報と、記憶部に蓄積されている他の動体情報とに基づいて、所定領域内における物体の非定常行動の度合いに関する情報を出力する。したがって、人や車両の行動について、予め定義された異常行動以外の未知の異常行動を見つけることができる。

一実施形態の情報処理システムの構成を示すブロック図である。 ライダーの監視領域内における動体としての歩行者および車両を示す模式図である。 ライダーの概略構成を示す断面図である。 ライダーによって監視領域内を走査する状態を示す模式図である。 測距点群データにより検出した動体の各時刻での位置情報データの例である。 一実施形態の情報処理方法を例示するフローチャートである。 図６に示す処理において取得される情報とその具体例を示す模式図である。 ライダーの監視領域内の動体検出の一例として歩道を通行している歩行者と蛇行する車両とを上方から視た模式図である。 図６に示す「動体の行動の定常／非定常性を推定」する処理（ステップＳ１０３）について説明するためのサブルーチンフローチャートである。 車両の動体情報に関する統計解析結果を例示するグラフである。 車両の動体情報に関する統計解析結果を例示するグラフである。 処理サーバーによる処理結果を例示する図表である。 処理サーバーのユーザー入力例／出力例を示す模式図である。

以下、添付した図面を参照して、本発明の実施形態を説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。 図１は、一実施形態に係る情報処理システム１０の構成を示すブロック図である。また、図２はライダーの監視領域内における動体としての歩行者および車両を示す模式図である。図２においては、上下方向をＹ’方向、車両の進行方向をＺ’方向、これらのＹ’、Ｚ’方向に直交する方向をＸ’方向とする。

情報処理システム１０は、入力部（センサー部）１００、処理サーバー（情報処理装置）２００、およびモニター部３００を有する。処理サーバー２００は、例えば、コンピューターであり、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、メモリー（半導体メモリー、磁気記録媒体（ハードディスク等））、入出力部（ディスプレイ、キーボード、スピーカー等）、通信Ｉ／Ｆ（ｉｎｔｅｒｆａｃｅ）等を備える。通信Ｉ／Ｆは、外部機器と通信するためのインターフェースである。通信には、イーサネット（登録商標）、ＳＡＴＡ、ＰＣＩ Ｅｘｐｒｅｓｓ、ＵＳＢ、ＩＥＥＥ１３９４などの規格によるネットワークインターフェースが用いてもよい。また、通信には、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＩＥＥＥ８０２．１１、４Ｇなどの無線通信インターフェースを用いてもよい。

（入力部１００）
入力部１００は、ライダー（ＬｉＤＡＲ：Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）１１０を含む（図３を参照）。

図２に示すように、入力部１００は、道路４００脇の規定の位置に立てられた支柱４０１により、所定の高さから監視領域４０２（破線で示す所定領域）の方に向くように配置される。本実施形態では、監視領域４０２は、例えば人６００や車両７００が往来する道路４００を含む３次元的な領域である。入力部１００は、ライダー１１０により、監視領域４０２内の物体（例えば人６００や車両７００）までの距離を測定し、監視領域４０２内の距離値の分布を示す測距点群データを生成する。

（ライダー１１０）
以下、図３、図４を参照し、ライダー１１０の構成について説明する。図３は、ライダー１１０の概略構成を示す断面図である。

ライダー１１０は、投受光ユニット１１１、および測距点群データ生成部１１２を有する。投受光ユニット１１１は、半導体レーザー５１、コリメートレンズ５２、ミラーユニット５３、レンズ５４、フォトダイオード５５、およびモーター５６、ならびにこれらの各構成部材を収容する筐体５７を有する。投受光ユニット１１１は、レーザースポット光５００によりライダー１１０の監視空間内を走査することで得られた各画素の受光信号を出力する。測距点群データ生成部１１２は、この受光信号に基づいて、測距点群データを生成する。この測距点群データは距離画像、または距離マップとも称される。

半導体レーザー５１は、パルス状のレーザー光束を出射する。コリメートレンズ５２は、半導体レーザー５１からの発散光を平行光に変換する。ミラーユニット５３は、コリメートレンズ５２で平行とされたレーザー光を、回転するミラー面により監視領域に向かって走査投光するとともに、対象物からの反射光を反射させる。レンズ５４は、ミラーユニット５３で反射された対象物からの反射光を集光する。フォトダイオード５５は、レンズ５４により集光された光を受光し、Ｙ方向に並んだ複数の画素を有する。モーター５６はミラーユニット５３を回転駆動する。

測距点群データ生成部１１２は、これらの半導体レーザー５１の出射タイミングとフォトダイオード５５の受光タイミングとの時間差に応じて距離情報（距離値）を求める。測距点群データ生成部１１２は、ＣＰＵとメモリーで構成され、メモリーに記憶しているプログラムを実行することにより各種の処理を実行することによって測距点群データを求めるが、測距点群データ生成用の専用ハードウエア回路を備えてもよい。また、測距点群データ生成部１１２は、上述の処理サーバー２００の１つの機能として、位置情報取得部２１０（後述）に統合されてもよい。

本実施形態において、半導体レーザー５１とコリメートレンズ５２とで出射部５０１を構成し、レンズ５４とフォトダイオード５５とで受光部５０２を構成する。出射部５０１、受光部５０２の光軸は、ミラーユニット５３の回転軸５３０に対して直交していることが好ましい。

支柱４０１の先端部に配置された剛体の壁９１等に固定して設置されたボックス状の筐体５７は、上壁５７ａと、これに対向する下壁５７ｂと、上壁５７ａと下壁５７ｂとを連結する側壁５７ｃとを有する。側壁５７ｃの一部に開口５７ｄが形成され、開口５７ｄには透明板５８が取り付けられている。

ミラーユニット５３は、２つの四角錐を逆向きに接合して一体化した形状を有し、すなわち対になって向き合う方向に傾いたミラー面５３１ａ、５３１ｂを４対（但し４対に限られない）有している。ミラー面５３１ａ、５３１ｂは、ミラーユニットの形状をした樹脂素材（例えばＰＣ（ポリカーボネート））の表面に、反射膜を蒸着することにより形成されていることが好ましい。

ミラーユニット５３は、筐体５７に固定されたモーター５６の軸５６ａに連結され、回転駆動されるようになっている。本実施形態では、例えば、壁９１に設置された状態で、軸５６ａの軸線（回転軸線）が鉛直方向であるＹ方向に延在しており、Ｙ方向に直交するＸ方向およびＺ方向によりなすＸＺ平面が水平面となっているが、軸５６ａの軸線を鉛直方向に対して傾けてもよい。なお、図２、および後述の図８においては、ライダー１１０のＸＹＺ空間を道路の向き（車両の進行方向）に対応させ座標変換させたＸ’Ｙ’Ｚ’空間を示している。Ｘ’Ｙ’Ｚ’空間において、Ｙ’方向は鉛直方向であり、Ｚ’方向は道路の延在方向に平行であり、Ｘ’方向はこれらに直交する方向である。

次に、ライダー１１０の物体検出原理について説明する。図３において、半導体レーザー５１からパルス状に間欠的に出射された発散光は、コリメートレンズ５２で平行光束に変換され、回転するミラーユニット５３の第１ミラー面５３１ａに入射する。その後、第１ミラー面５３１ａで反射され、さらに第２ミラー面５３１ｂで反射した後、透明板５８を透過して外部の測定空間に向けて、例えば縦長の矩形断面を持つレーザースポット光として走査投光される。なお、レーザースポット光が出射される方向と、出射されたレーザースポット光が対象物で反射し、反射光として戻ってくる方向は重複し、この重複する２方向を投受光方向という。同一の投受光方向に進行するレーザースポット光は、同一の画素で検出される。

図４は、ミラーユニット５３の回転に応じて、出射するレーザースポット光５００（ハッチングで示す）で、監視領域内を走査する状態を示す図である。ここで、ミラーユニット５３の対のミラー（第１ミラー面５３１ａと第２ミラー面５３１ｂ）の組み合わせにおいて、４対はそれぞれ交差角が異なっている。レーザー光は、回転する第１ミラー面５３１ａと第２ミラー面５３１ｂにて、順次反射される。まず１番対の第１ミラー面５３１ａと第２ミラー面５３１ｂにて反射したレーザー光は、ミラーユニット５３の回転に応じて、測定空間の一番上の領域Ｌｎ１を水平方向（「主走査方向」ともいう）に左から右へと走査される。次に、２番対の第１ミラー面５３１ａと第２ミラー面５３１ｂで反射したレーザー光は、ミラーユニット５３の回転に応じて、測定空間の上から２番目の領域Ｌｎ２を水平方向に左から右へと走査される。次に、３番対の第１ミラー面５３１ａと第２ミラー面５３１ｂで反射したレーザー光は、ミラーユニット５３の回転に応じて、測定空間の上から３番目の領域Ｌｎ３を水平方向に左から右へと走査される。次に、４番対の第１ミラー面５３１ａと第２ミラー面で反射したレーザー光は、ミラーユニット５３の回転に応じて、測定空間の最も下の領域Ｌｎ４を水平方向に左から右へと走査される。これによりライダー１１０が測定可能な測定空間全体の１回の走査が完了する。この領域Ｌｎ１〜Ｌｎ４の走査により得られた画像を組み合わせて、１つのフレーム９００が得られる。そして、ミラーユニット５３が１回転した後、再び１番対の第１ミラー面５３１ａと第２ミラー面５３１ｂに戻り、以降は測定空間の一番上の領域Ｌｎ１から最も下の領域Ｌｎ４までの走査（この上下方向を「副走査方向」ともいう）を繰り返し、次のフレーム９００が得られる。

図３において、走査投光された光束のうち対象物に当たって反射したレーザー光の一部は、再び透明板５８を透過して筐体５７内のミラーユニット５３の第２ミラー面５３１ｂに入射し、ここで反射され、さらに第１ミラー面５３１ａで反射されて、レンズ５４により集光され、それぞれフォトダイオード５５の受光面で画素毎に検知される。さらに、測距点群データ生成部１１２が、半導体レーザー５１の出射タイミングとフォトダイオード５５の受光タイミングとの時間差に応じて距離情報を求める。これにより監視空間内の全領域で物体の検出を行って、画素毎に距離情報を持つ測距点群データとしてのフレーム９００（図４を参照）を得ることができる。また、ユーザーの指示により、得られた測距点群データを背景画像データとして、測距点群データ生成部１１２内のメモリー、または処理サーバー２００のメモリーに記憶してもよい。

（処理サーバー２００）
再び図１を参照し、処理サーバー２００の構成について説明する。処理サーバー２００は、位置情報取得部２１０、動体情報取得部２２０、記憶部２３０、サーベイ処理部２４０を含む。主に、上述の処理サーバー２００のＣＰＵが動体情報取得部２２０およびサーベイ処理部２４０として機能し、メモリーが記憶部２３０として機能し、通信Ｉ／Ｆが位置情報取得部２１０として機能する。

（位置情報取得部２１０）
位置情報取得部２１０は、入力部１００において生成された測距点群データに基づいて、監視領域内における動体を検出し、動体の位置を時系列に並べた時系列位置情報を取得する。

ここで、図４を参照して、背景差分法を用いた、ライダー１１０の動体検出アルゴリズムについて説明する。本実施形態では、例えば背景差分法を採用する。この背景差分法では、予め生成し、保存しておいた背景画像を用いる。具体的には、測定の前準備（前処理）として、ユーザーの指示により、人や車両等の移動物体が存在しない状態で、ライダー１１０からレーザースポット光５００を走査する。これにより背景対象物９２から得られた反射光に基づいて、背景画像を得ることができる。実際の測定時においては、背景対象物９２の手前に行動解析の対象者である物体として例えば歩行者６００が現れた場合、歩行者６００からの反射光が新たに生じる。

位置情報取得部２１０は、動体を検出する機能を有する。位置情報取得部２１０はメモリーに保持している背景画像データと現時点での測距点群データとを比較して、差が生じた場合、歩行者等の何らかの動体（物体）が監視空間内に現れたことを認識できる。例えば、背景差分法を用いて、背景データと、現時点での測距点群データとを比較することで、前景データを抽出する。そして抽出した前景データの画素（画素群）を、例えば画素の距離情報に応じてクラスタに分ける。そして、各クラスタのサイズを算定する。例えば、垂直方向寸法、水平方向寸法、総面積等を算出する。なお、ここでいう「サイズ」は、実寸法であり、見た目上の大きさ（画角、すなわち画素の広がり）とは異なり、物体までの距離に応じて画素群の塊が判断される。例えば、位置情報取得部２１０は算定したサイズが抽出対象の解析対象の動体を特定するための所定のサイズ閾値以下か否か判定する。サイズ閾値は、測定場所や行動解析対象等により任意に設定できる。例えば、歩行者を追跡して行動を解析するのであれば、通常の人の大きさの最小値を、クラスタリングする場合のサイズ閾値とすればよい。逆にあらゆる動体を追跡するのであれば、サイズ閾値はこれよりも小さな値としてもよい。人よりも大きい物体、例えば車両についても同様に、車両用のサイズ閾値を求めることができる。

動体の位置は、クラスタリングした動体の中心値、または重心値を用いてもよく、また、動体を矩形によりクラスタリングするのであれば、その矩形の中心を動体の位置として用いてもよい。

測定された各動体の位置は、例えば、時刻の早い順、あるいはライダー１１０による測定を開始した日時を基準として経過時間の早い順に並べられ、時系列位置情報として動体情報取得部２２０に送信される。時系列位置情報は、例えば、監視領域内の３次元空間における動体の位置とその動体が測定された時刻または経過時間に関する情報を含む。

（動体情報取得部２２０）
動体情報取得部２２０は、動体の時系列位置情報を解析して、動体に関する情報（以下、「動体情報」という）を生成する。動体情報は、動体の時系列位置情報に基づく客観的な情報であり、例えば、日時、動体の位置、移動の軌跡、速度、加速度、大きさ、種類、Ｘ’方向の累積移動量（以下、「累積移動量Ｘ’」という）、Ｚ’方向の累積移動量（以下、「累積移動量Ｚ’」という）、滞在時間を含む（図７を参照）。

動体の移動の軌跡は、例えば、動体が監視領域内に滞在している時間帯において動体の位置の集合として求められ、動体の速度は、監視領域内の所定区間における単位時間当たりの動体の位置の変化量として求められる。また、加速度は、単位時間当たりの動体の速度の変化量として求められる。また、動体の累積移動量Ｘ’および累積移動量Ｚ’は、動体が監視領域内に滞在している時間帯において、それぞれＸ’方向およびＺ’方向の累積の移動量であり、滞在時間は動体が監視領域内に滞在している時間帯である。

また、動体情報取得部２２０は、各動体について、物体分類に当てはまるものがあるか否かを確認することによって、各動体の種類を判別する。物体分類は、例えば、人（歩行者）、車両（４輪車、２輪車、トラック）、落下物等を含む。より具体的には、動体情報取得部２２０は、クラスタリングした動体のサイズ、縦横比、等を、物体分類ごとの基準データと比較することにより、動体の種類を判別する。物体分類およびその基準データは、ユーザーによって予め入力され、記憶部２３０に記憶されている。また、動体情報取得部２２０によって取得された動体情報は、記憶部（動体情報蓄積部）２３０に記憶される。複数の動体が監視領域を通過することで、記憶部２３０には、複数の動体情報が蓄積される。

（サーベイ処理部２４０）
サーベイ処理部２４０は、各動体の動体情報に基づいて、監視領域内における各動体の挙動、すなわち監視領域内において各動体がどのような行動を取っていたかについて推定するとともに、各動体の行動が定常行動であるか、非定常行動であるかを判定する。

より具体的には、サーベイ処理部２４０は、一般道路、高速道路等の道路上において、交通ルールに則った行動、または安全な道路交通を確保する上で、歩行者および車両の運転者に対して求められる行動が大多数の歩行者および車両の運転者に守られていると仮定し、大多数から外れた行動を非定常行動として判定する。その結果、交通ルールに違反する行動、または安全な道路交通を確保する上で好ましくない行動、すなわち大多数の歩行者（または車両）の行動から外れた非定常行動を検出できる。

図５は、測距点群データにより検出した動体の各時刻での時系列位置情報データの一例である。検出された各動体は動体ＩＤで管理されている。サーベイ処理部２４０は、行動推定部２４１、行動判定部２４２、および判定結果出力部２４３を有する（図１を参照）。

行動推定部２４１は、各動体の動体情報を解析することで各動体の行動を解析し、各動体の行動に関する情報（以下、「行動情報」）を取得する。より具体的には、行動推定部２４１は、動体情報で表される各動体の移動の特徴が、行動分類で予め定義されている行動に当てはまるか否かによって判定し、判定結果を各動体の行動情報として取得する。行動分類には、人の場合、例えば歩行、車道への人の立ち入り、車道の横断等が含まれ、車両の場合、例えば通常走行、逆走、速度超過、Ｕターン、停車、蛇行等が含まれうる。行動分類は、ユーザーによって予め入力され、記憶部２３０に記憶されている。また、行動推定部２４１によって取得された行動情報は、記憶部２３０に記憶される。

また、行動判定部２４２は、動体の行動が定常行動であるか、あるいは非定常行動であるかを判定する。より具体的には、行動判定部２４２は、記憶部２３０に蓄積されている複数の動体情報のうち、一の動体情報に注目し、他の動体情報に対する、注目している動体の動体情報の「ずれ」を算出する。行動判定部２４２は、抽出期間内に検出された各動体について１つずつ「ずれ」を算出する。なお、ライダー１１０によってリアルタイムに測定した測距点群データに基づいて取得した動体情報について、記憶部２３０に蓄積されている複数の動体情報に対するずれを算出することもできる。そして、行動判定部２４２は、このずれに基づいて、注目している動体の行動が定常行動であるか、非定常行動であるかを判定する。ずれを算出する具体的な方法は、後述する。

判定結果出力部２４３は、行動判定部２４２の判定結果に基づいて、動体の非定常行動の度合いに関する情報を出力する。また、判定結果出力部２４３は、行動判定部２４２によって算出された上記ずれに基づいて、異常スコアを出力することもできる。

異常スコアは、動体が正常なのか、異常なのかを数値で示すスコアであり、スコアが高いほど異常行動である可能性が高い。判定結果および異常スコアは、モニター部３００へ送信される。

（モニター部３００）
モニター部３００は、ディスプレイを有し、行動判定部２４２の判定結果および／または異常スコアをディスプレイに表示する。また、モニター部３００は、スピーカーを有し、スピーカーから音声にて判定結果および／または異常スコアを出力してもよい。また、モニター部３００は、記憶部およびプリンターへの出力端子を有し、判定結果および／または異常スコアを記憶部にレポートとして蓄積するとともに、必要に応じてプリンターへ出力することもできる。

＜情報処理方法＞
図６は、本発明の一実施形態の情報処理方法を例示するフローチャートである。図６に示す処理は、処理サーバー２００のＣＰＵが制御プログラムを実行することにより実現される。また、図７は図６に示す処理において取得される情報とその具体例を示す模式図であり、図８はライダーの監視領域内の動体検出の一例として歩道を通行している歩行者と蛇行する車両とを上方から視た模式図である。

まず、動体の時系列位置情報を取得する（ステップＳ１０１）。位置情報取得部２１０は、ライダー１１０によって取得された測距点群データに基づいて、監視領域内における動体を検出し、各動体の時系列位置情報を出力する。例えば、図８に示すように、位置情報取得部２１０は、動体としての人（歩行者）６００および車両７００について、時刻ｔ０における人６００および車両７００、ｔ１における人６０１および車両７０１、ｔ２における人６０２および車両７０２の位置情報をそれぞれ取得する。

次に、動体の動体情報を取得する（ステップＳ１０２）。動体情報取得部２２０は、各動体の時系列位置情報を解析して、各動体の動体情報を生成し、記憶部２３０に記憶させる。例えば、動体情報取得部２２０は、動体情報として、人（歩行者）６００および車両７００の種類を判別するとともに、移動軌跡を取得する。図８に示す例では、時刻ｔ０〜ｔ１の間において、人６００は符号６００〜６０２に示すような移動軌跡で移動し、車両７００は符号７００〜７０２に示すような移動軌跡で移動している。

次に、動体の行動情報を取得する（ステップＳ１０３）。行動推定部２４１は、動体情報を解析することで各動体の行動を解析し、各動体の行動情報を取得する。より具体的には、行動推定部２４１は、図７の行動分類に照らし、人６００の移動軌跡の特徴に基づいて、人６００が歩道４０３をＺ’方向に向けて歩行していると判断し、車両７００の移動軌跡の特徴に基づいて、車両７００が車道４０４をＺ’方向に向けて走行していると判断する。また、行動推定部２４１は、車両７００は、時刻ｔ０で進行方向の左側車線内を走行していたところ、時刻ｔ１で車線をはみ出して走行し、時刻ｔ２で再び左側車線に戻っていることから、車両７００が時刻ｔ０〜ｔ２の時間帯において蛇行していたと判断する。

次に、動体の行動の定常／非定常性を判定する（ステップＳ１０４）。行動判定部２４２は、例えば、記憶部２３０に蓄積されている複数の動体情報を母集団として統計解析を行い、注目している動体の動体情報について、母集団における所定の値からのずれを算出する。所定の値は、例えば、平均値や、平均値、分散、または３σで評価を行った値を含む。行動判定部２４２は、注目している動体の動体情報のずれが所定範囲内である場合、この動体の行動は定常行動であると判定する一方で、ずれが所定範囲外である場合、この動体の行動は非定常行動であると判定する。動体の行動の定常／非定常性を判定する具体的な手順については後述する。また、行動判定部２４２は、必要に応じて異常スコアを算出する。

次に、動体の非定常行動の度合いに関する情報を出力する（ステップＳ１０５）。判定結果出力部２４３は、行動判定部２４２の判定結果をモニター部３００に出力する。また、判定結果出力部２４３は、行動判定部２４２によって算出された上記ずれに基づいて、異常スコアをモニター部３００に出力する。モニター部３００は、判定結果に応じて、注目している動体の行動が定常行動である旨、あるいは非定常行動である旨をディスプレイに表示する。さらに、モニター部３００は、必要に応じて、異常スコアをディスプレイに表示する。

このように、図６のフローチャートに示す処理では、監視領域内における動体の時系列位置情報を取得し、動体の時系列位置情報を解析して、動体の動体情報を取得する。そして、記憶部２３０に蓄積されている、またはリアルタイムに取得した一の動体の動体情報と、記憶部２３０に蓄積されている他の動体情報とに基づいて、監視領域内における上記一の動体の非定常行動の度合いに関する情報を出力する。本明細書において、動体の非定常行動の度合いに関する情報は、動体の非定常行動／定常行動の判定結果、動体の行動の定常／非定常性を数値的に表現した情報を含みうる。

＜ステップＳ１０４の処理＞
図９は、図６に示す「動体の行動の定常／非定常性を推定」する処理（ステップＳ１０４）について説明するためのサブルーチンフローチャートである。図９に示す処理は、処理サーバー２００のＣＰＵが制御プログラムを実行することにより実現される。また、図１０Ａおよび図１０Ｂは、車両の動体情報に関する統計解析結果を例示するグラフである。図１０Ａは横軸を累積移動量Ｘ’、縦軸を滞在時間とした場合の分布を例示するグラフであり、図１０Ｂは横軸を累積移動量Ｚ’、縦軸を滞在時間とした場合の分布を例示するグラフである。図中、「・」は個々のサンプルを表す。

図９に示すように、まず、記憶部２３０に記憶されている動体情報について統計解析を行う（ステップＳ２０１）。行動判定部２４２は、例えば、記憶部２３０に記憶されている複数の動体情報のデータからなる母集団から、ｎ個の動体情報のサンプルを抽出し、動体情報の標準偏差σを算出する。なお、母集団は、注目する動体が出現する前後数時間以内に設定されることが好ましい。また、サンプル数ｎは、統計解析を行う上で十分に多いものとする。標準偏差σは、各々の動体情報について算出される。

以下、動体情報として、累積移動量Ｘ’、累積移動量Ｚ’、滞在時間を使用して、動体の行動の定常／非定常性を推定する場合について例示する。累積移動量Ｘ’、累積移動量Ｚ’、滞在時間の標準偏差をそれぞれσ_Ｘ、σ_Ｚおよびσ_Ｔと表す。また、σ_Ｘ、σ_Ｚおよびσ_Ｔを代表してσと表す。

次に、注目している動体の動体情報が所定範囲（例えば３σ）内にあるか否かを判断する（ステップＳ２０２）。図１０Ａおよび図１０Ｂにおいて、符号８００は滞在時間が第１の所定範囲（例えば３σ_Ｔ）を外れたサンプルの範囲を表す。例えば、サンプル８０１，８０２は、滞在時間が第１の所定範囲を外れたサンプルである。また、図１０Ａにおいて、符号８２０は累積移動量Ｘ’が第２の所定範囲（例えば３σ_Ｘ）を外れたサンプルの範囲を表し、図１０Ｂにおいて、符号８３０は累積移動量Ｚ’が第３の所定範囲（例えば３σ_Ｚ）を外れたサンプルの範囲を表す。例えば、サンプル８２１は累積移動量Ｘ’が第２の所定範囲を外れたサンプルであり、サンプル８３１は累積移動量Ｚ’が第３の所定範囲を外れたサンプルである。滞在時間、累積移動量Ｘ’、累積移動量Ｚ’の全てについて、所定範囲内に含まれるサンプルの範囲は、符号８１０で表されている。例えば、サンプル８１１，８１２は、所定範囲内に含まれるサンプルである。

注目している動体の動体情報が所定範囲内にある場合（ステップＳ２０２：ＹＥＳ）、行動判定部２４２は、注目している動体が定常行動を行っていると推定する（ステップＳ２０３）。例えば、車両７００がＺ’方向に通常走行している場合、速度が適切に守られていれば滞在時間は第１の所定範囲内となり、指定された車線内を走行していれば累積移動量Ｘ’は第２の所定範囲内となり、累積移動量Ｚ’も第３の所定範囲内となる。この結果、車両７００の行動は、定常行動であると判断される。

一方、注目している動体の動体情報のずれが所定範囲内にはない場合（ステップＳ２０２：ＮＯ）、行動判定部２４２は、注目している動体が非定常行動を行っていると推定する（ステップＳ２０４）。例えば、図８に示すように、車両７００が蛇行している場合、Ｘ’方向の移動量が通常走行時と比べて大きくなり、累積移動量Ｘ’は第２の所定範囲を外れる。この結果、車両７００の行動は、非定常行動であると判断される。

このように、図９のサブルーチンフローチャートに示す処理では、記憶部２３０に記憶されている動体情報を母集団として統計解析を行い、注目している動体の動体情報が所定範囲内にあるか否かに応じて、注目している動体の行動の定常／非定常性を推定する。

図１１は、処理サーバー２００による処理結果を例示する図表である。図１１では、統計解析の結果、動体情報が所定範囲を超えたもの、すなわち動体が非定常行動を行っていると判断されたものについて関連情報がログとして出力されている。

非定常行動を行った動体のうち、行動分類として分類されていないもの（未分類）がある。未分類の行動には、安全な道路交通を確保する上で好ましくない行動が含まれている可能性がある。

本実施形態の処理サーバー２００は、記憶部２３０に蓄積されている、またはリアルタイムに取得した一の動体の動体情報と、記憶部２３０に蓄積されている他の動体情報とに基づいて、算出した監視領域内における物体の非定常行動の度合いに関する情報を出力する。したがって、人や車両の行動について、予め定義された異常行動以外の未知の異常行動を見つけることができる。

また、道路を通行する全ての人や車両の移動状況を把握することができ、その中から非定常行動を確実に見つけることができる。また非定常行動がどのように発生しているのかを移動軌跡から把握することができるため、なぜそのような非定常行動を取ったのか、ユーザーは推測することができ、安全対策を打つことが容易になる。

また、本実施形態の処理サーバー２００は、天候などの環境要因による外乱に対する耐性が高く、解析のための学習やチューニングが不要であるため、設置が容易であり、設置後、すぐに測定および解析を開始することができる。また、非定常行動の評価対象によっては、短期間の測定および解析で有効な評価を得ることができる。

また、人や車両だけではなく、動体の大きさやＹ’方向の累積移動量Ｙ’に基づいて、車両からの落下物等についても判別することができる。

＜処理サーバー２００のユーザー入力例／出力例＞
図１２は、処理サーバー２００のユーザー入力例／出力例を示す模式図である。図１２に示すように、処理サーバー２００へのユーザー入力としては、上述した行動分類および物体分類の他に、抽出期間（日付および時刻）、環境情報（天気、道路混雑状況）等が挙げられる。抽出期間は、処理サーバー２００によって動体の行動の定常／非定常性を判断する対象の期間である。環境情報（天気、道路混雑状況）は、監視領域における動体検出に影響する環境要因に関する情報であり、動体の測定時に環境情報を併せて記録し、ユーザーが非定常行動の検証を行う際に参考とすることにより、動体の測定時における環境要因による影響を容易に把握できる。

また、処理サーバー２００は、全体情報として、抽出事象件数を出力できる。抽出事象件数は、行動分類毎や物体分類毎に出力できる。例えば、監視領域における車両の数や車両の走行状態を出力できる。また、処理サーバー２００は、行動分類毎にデータを色で区別して視覚的に見やすく（ヒートマップ化）して表示できる。行動分類毎のヒートマップは、非定常行動の発生パターンの可視化等を含む。

また、処理サーバー２００は、個別情報として、動体の測定日時、行動分類、物体分類、環境情報、移動軌跡、カメラ映像等を出力できる。入力部１００はライダー１１０およびカメラ（不図示）を含むように構成されてもよい。カメラは、例えば、可視光カメラにより構成される。ライダー１１０およびカメラは、監視領域４０２（測定領域／撮影領域）が略一致し、また、光軸が略一致するように配置され、位置合わせが行われている。カメラ映像は、ユーザーによる事象の目視確認用である。ユーザーは、図１１の処理結果から非定常行動を行った動体の出現時刻を確認し、この出現時刻の前後のカメラ映像を確認することにより、動体の非定常行動の事象を確認できる。したがって、非定常行動を行った動体が、どう行動して何が起きたのかを映像で確認できるので、ユーザーは事象をより正確に把握できる。

さらに、処理サーバー２００は、付加情報として、非定常行動の原因についてのコメントを出力することもできる。例えば、進入禁止の領域において、車両がＵターンまたはバックをしたと判定された場合は、運転者が誤ってその領域に進入したと考えられる。そして、運転者の誤りの原因として、進入禁止の標識が見にくいことや、標識からその場所までの距離が短く、運転者による進入回避の運転操作が間に合わなかったこと等が考えられる。また、車両が蛇行または急に減速したと判定された場合は、運転者が道路上の障害物（例えば、人や動物の飛び出し）または道路の陥没を回避する運転操作をしたと考えられる。そして、この運転者の運転操作の原因として、飛び出しが起こりやすいこと、道路の前の区間における前方の見通しが悪いこと、道路の陥没が未発見または未補修であること等が考えられる。

処理サーバー２００は、このような非定常行動の原因の可能性についてコメントを出力できる。道路を保守・管理する事業者は、これらのコメントを参考にして、効率的に道路を保守・管理することができる。

（他の実施形態）
以下、他の実施形態に係る情報処理システム１０について説明する。他の実施形態においては、処理サーバー２００は、推論処理パラメーターを用いて、ニューラルネットワークによる推論処理により解析を行う推論処理部を有する。

ニューラルネットワークを用いた物体検出アルゴリズムとしては、Ｙｏｌｏ、もしくはＳＳＤ（ｓｉｎｇｌｅ ｓｈｏｔ ｄｅｔｅｃｔｏｒ）、または、Ｒ−ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、Ｆａｓｔ Ｒ−ＣＮＮを適用できる。

この推論処理パラメーターは、動体情報に基づく物体の非定常行動の度合い、または定常行動の度会いの学習を行って生成されたもので、記憶部２３０に記憶される。この推論処理パラメーターは、複数の想定できる種種の測定条件下で、記憶部２３０に蓄積されている膨大な数の動体情報を用いて公知のアルゴリズムにより事前に機械学習して得られたものである。想定される所定の測定条件としては天候、照度、温湿度、道路の混雑状況の少なくともいずれかが含まれる。特に、雨、雪、および霧の天候、ならびに夜間（低照度）、道路が混雑している時の測定条件が含まれることが好ましい。

（ａ）機械学習により非定常行動を学習した場合
推論処理部は、記憶部２３０に蓄積されている動体情報に基づき、物体の非定常行動の度合いの学習を行い、推論処理パラメーターを生成する。例えば、入力された動体情報に対し出力すべき正解の非定常行動の度合いが与えられ、当該入力された動体情報に対し当該正解の非定常行動の度合いが出力されるように学習を行う。そして、推論処理部は、生成された推論処理パラメーターを用いたニューラルネットワークによる推論処理に基づいて、一の物体の非定常行動の度合いを判定し、出力する。

（ｂ）機械学習により定常行動を学習した場合
推論処理部は、記憶部２３０に蓄積されている動体情報に基づき、物体の定常行動の度合いの学習を行い、推論処理パラメーターを生成する。例えば、入力された動体情報に対し出力すべき正解の定常行動の度合いが与えられ、当該入力された動体情報に対し当該正解の定常行動の度合いが出力されるように学習を行う。そして、推論処理部は、生成された推論処理パラメーターを用いたニューラルネットワークによる推論処理に基づいて、一の物体の非定常行動の度合いを判定し、出力する。

他の実施形態に係る情報処理システム１０、および処理サーバー２００においては、想定される種種の測定条件下で測定により得られた動体情報を用いて、学習して得られた推論処理パラメーターを用いる。これにより、上記一実施形態と同様の効果が得られる。

以上に説明した情報処理装置、情報処理システム、および情報処理方法の構成は、上記の実施形態の特徴を説明するにあたって主要構成を説明したのであって、上記の構成に限られず、特許請求の範囲内において、種々改変することができる。

たとえば、上述の実施形態では、ライダー１１０によって生成された測距点群データに基づいて動体の時系列位置情報を取得する例について説明したが、本発明はこのような場合に限定されない。例えば、入力部のカメラ映像を画像処理して動体を検出し、検出された各動体の時系列位置情報を取得する構成としてもよい。また、ライダー１１０の代わりにレーダーを使用して測距点群データを生成する構成としてもよい。また、ライダー１１０の代わりにビーコン、その他センサー（ミリ波を使用したレーダー）、ＧＰＳ等を使用してもよい。

また、上述の実施形態では、動体情報について統計解析を行い、動体情報の分布において多数を占める所定範囲内に入るものを定常行動とし、所定範囲に入らないものを非定行動として、動体の行動の定常／非定常性を推定することについて説明した。しかし、本発明はこのような場合に限定されず、正常系として、定常行動時の動体情報を処理サーバー２００に学習させ、正常系のもの以外を非定常行動とするように構成することもできる。

また、上述の実施形態では、情報処理システム１０を道路上における動体の行動の定常／非定常性の推定について説明したが、本発明は道路以外にも、例えば、空港の滑走路等に適用することもできる。この場合、レーダーによって生成された測距点群データ使用し、動体情報として累積移動量Ｙ’を使用することにより、高さ方向の移動を加味できる。

また、処理サーバー２００の制御プログラムは、ＵＳＢメモリー、フレキシブルディスク、ＣＤ−ＲＯＭなどのコンピューター読み取り可能な記録媒体によって提供されてもよいし、インターネット等のネットワークを介してオンラインで提供されてもよい。この場合、コンピューター読み取り可能な記録媒体に記録されたプログラムは、通常、メモリーやストレージなどに転送され記憶される。また、この制御プログラムは、たとえば、単独のアプリケーションソフトとして提供されてもよいし、処理サーバー２００の一機能としてその各装置のソフトウェアに組み込んでもよい。

本出願は、２０１８年１１月２２日に出願された日本国特許出願番号２０１８−２１９６７６号に基づいており、その開示内容は、参照により全体として組み入れられている。

１０ 情報処理システム、
１００ 入力部、
１１０ ライダー、
１１１ 投受光ユニット、
１１２ 測距点群データ生成部、
２００ 処理サーバー、
２１０ 位置情報取得部、
２２０ 動体情報取得部、
２３０ 記憶部、
２４０ サーベイ処理部、
２４１ 行動推定部、
２４２ 行動判定部、
２４３ 判定出力部、
３００ モニター部、
４００ 道路、
４０１ 支柱、
４０２ 監視領域、
４０３ 歩道、
４０４ 車道、
６００〜６０２ 人、
７００〜７０２ 車両。

Claims (18)

1. 所定領域内における物体の時系列位置情報を取得する位置情報取得部と、
   前記物体の時系列位置情報を解析して、前記物体の動体情報を生成する動体情報取得部と、
   複数の物体の前記動体情報を蓄積する動体情報蓄積部と、
   前記動体情報蓄積部に蓄積されている、一の物体の動体情報に基づいて、前記所定領域内における前記一の物体の非定常行動の度合いを判定し、判定結果に基づいて、前記一の物体の非定常行動の度合いに関する情報を出力するサーベイ処理部と、を有する、情報処理装置。
2. 前記サーベイ処理部は、
   前記一の物体の動体情報と、前記動体情報蓄積部に蓄積されている、他の複数の物体の動体情報とを使用して統計解析を行い、当該統計解析の結果に基づいて、前記一の物体の非定常行動の度合いを判定し、前記一の物体の非定常行動の度合いに関する情報を出力する、請求項１に記載の情報処理装置。
3. 前記サーベイ処理部は、
   前記動体情報蓄積部に蓄積されている動体情報に基づく前記物体の非定常行動の度合いの学習を行って生成された推論処理パラメーターを用いたニューラルネットワークによる推論処理に基づいて、前記一の物体の非定常行動の度合いを判定する、請求項１に記載の情報処理装置。
4. 前記サーベイ処理部は、
   前記動体情報蓄積部に蓄積されている動体情報に基づく前記物体の定常行動の度合いの学習を行って生成された推論処理パラメーターを用いたニューラルネットワークによる推論処理に基づいて、前記一の物体の非定常行動の度合いを判定する、請求項１に記載の情報処理装置。
5. 前記動体情報取得部は、
   前記物体の動体情報として、前記物体の移動の軌跡、速度、加速度、大きさ、種類、累積移動量、および滞在時間のうちの少なくとも１つを取得する、請求項１〜４のいずれか１項に記載の情報処理装置。
6. 前記サーベイ処理部は、
   複数の前記他の動体情報に対する、前記一の物体の動体情報のずれに基づいて、前記一の物体の非定常行動の度合いに関する情報を出力する、請求項１〜５のいずれか１項に記載の情報処理装置。
7. 前記サーベイ処理部は、
   前記動体情報蓄積部に蓄積されている複数の動体情報のデータからなる母集団について統計解析を行い、前記母集団における所定の値からの前記一の物体の動体情報のずれが所定範囲内である場合、前記物体の行動は定常行動であると判断する一方で、前記ずれが前記所定範囲外である場合、前記物体の行動は非定常行動であると判断する、請求項６に記載の情報処理装置。
8. 前記サーベイ処理部は、
   前記物体の種類に応じて予め規定されている行動分類と前記物体の動体情報とに基づいて、前記所定領域内における前記物体の行動を推定する行動推定部を有する、請求項１〜７のいずれか１項に記載の情報処理装置。
9. 前記サーベイ処理部は、
   前記非定常行動の度合いとして、前記物体の行動が正常なのか、あるいは異常なのかを示す異常スコアを算出する、請求項１〜８のいずれか１項に記載の情報処理装置。
10. 所定領域に向けてレーザー光を走査するように出射するとともに当該所定領域からの反射光を受光し、当該反射光の受光信号に基づいて、前記所定領域内における測距点群データを生成するセンサー部と、
    前記測距点群データに基づいて、所定領域内における物体の時系列位置情報を取得する位置情報取得部と、
    前記物体の時系列位置情報を解析して、前記物体の動体情報を生成する動体情報取得部と、
    複数の物体の前記動体情報を蓄積する動体情報蓄積部と、
    前記動体情報蓄積部に記蓄積されている、一の物体の動体情報に基づいて、前記所定領域内における前記一の物体の非定常行動の度合いを判定し、判定結果に基づいて、前記一の物体の非定常行動の度合いに関する情報を出力するサーベイ処理部と、を有する、情報処理システム。
11. 前記サーベイ処理部は、
    前記一の物体の動体情報と、前記動体情報蓄積部に蓄積されている、他の複数の物体の動体情報とを使用して統計解析を行い、当該統計解析の結果に基づいて、前記一の物体の非定常行動の度合いを判定し、前記一の物体の非定常行動の度合いに関する情報を出力する、請求項１０に記載の情報処理システム。
12. 所定領域内における物体の時系列位置情報を取得するステップ（ａ）と、
    前記物体の時系列位置情報を解析して、前記物体の動体情報を生成するステップ（ｂ）と、
    一の物体の動体情報に基づいて、前記所定領域内における前記一の物体の非定常行動の度合いについて判定し、前記一の物体の非定常行動の度合いに関する情報を出力するステップ（ｃ）と、を有する、情報処理方法。
13. 前記ステップ（ｃ）では、
    前記一の物体の動体情報と、動体情報蓄積部に蓄積されている、他の複数の物体の動体情報とを使用して統計解析を行い、当該統計解析の結果に基づいて、前記一の物体の非定常行動の度合いを判定し、前記一の物体の非定常行動の度合いに関する情報を出力する、請求項１２に記載の情報処理方法。
14. 前記ステップ（ｂ）では、
    前記物体の動体情報として、前記物体の移動の軌跡、速度、加速度、大きさ、種類、累積移動量、および滞在時間のうちの少なくとも１つを取得する、請求項１２または１３に記載の情報処理方法。
15. 前記ステップ（ｃ）では、
    複数の前記他の動体情報に対する、前記一の物体の動体情報のずれに基づいて、前記一の物体の非定常行動の度合いに関する情報を出力する、請求項１２〜１４のいずれか１項に記載の情報処理方法。
16. 前記ステップ（ｃ）では、
    動体情報蓄積部に蓄積されている複数の動体情報のデータからなる母集団について統計解析を行い、前記母集団における所定の値からの前記一の物体の動体情報のずれが所定範囲内である場合、前記物体の行動は定常行動であると判断する一方で、前記ずれが前記所定範囲外である場合、前記物体の行動は非定常行動であると判断する、請求項１５に記載の情報処理方法。
17. 前記ステップ（ｃ）では、
    前記物体の種類に応じて予め規定されている行動分類と前記物体の動体情報とに基づいて、前記所定領域内における前記物体の行動を推定するステップ（ｄ）をさらに有する、請求項１２〜１６のいずれか１項に記載の情報処理方法。
18. 前記ステップ（ｃ）では、
    前記非定常行動の度合いとして、前記物体の行動が正常なのか、あるいは異常なのかを示す異常スコアを算出する、請求項１２〜１７のいずれか１項に記載の情報処理方法。

Images